组合算法应用于组合学习结构数字预失真系统的方法

摘要

本发明公开了一种组合算法应用于组合学习结构数字预失真系统的方法，采用经典的峰均比抑制CFR技术和数字预失真DPD技术联合方案，同时针对直接学习结构和间接学习结构的优缺点，提出间接学习结构与直接学习结构结合的组合学习结构设计数字预失真系统，然后结合LMS算法、RLS算法以及变步长LMS即NLMS算法的优势，提出RLS和NLMS联合的组合算法对数字预失真器参数估计和更新，组合算法具有RLS算法收敛迅速的特点，同时简化了计算量。对输入的高峰均比信号先进行CFR处理,再经DPD处理之后送给功放,得到比较理想的线性输出,有效改善了功放非线性引起的带内失真和带外频谱扩展。本发明不仅降低了宽带功放因记忆效应造成的性能下降，而且改善了宽带功放的线性度和效率。

说明书

技术领域

本发明涉及到一种宽带数字通信系统发射端功放的线性化技术， 特别是一种数字自适应预失真方法。

背景技术

功放是无线通信系统的重要组成器件，也是最主要的非线性器件 之一。功放的非线性使信号经过功放产生带内及带外失真，造成误码 率升高，并对相邻信道产生干扰，从而降低通信系统的性能。

提高功放的线性度有两种方法，其一是功率回退，功放的工作点 回退到线性区，但功放的效率非常低；其二是功放仍工作在非线性区， 信号先经预失真器，再经过功放。预失真器也是非线性器件，其非线 性特性恰与功放的非线性特性相反，使输入信号经过两次非线性变化 后得到输入/输出信号之间呈线性关系。

功放不只有非线性特性，而且对如OFDM的宽带信号有记忆效应， 即功放的输出不仅与当前输入有关，还与以前的输入有关。随着传输 信号带宽的不断增加，记忆效应变得更加明显，宽带功放的记忆效应 校正将变得更加重要，因此，研究记忆非线性功放的预失真有非常重 要的实际意义。

目前数字预失真技术广泛应用的间接学习结构，在实际中反馈到 自适应算法模块的功放输出信号将受到A/D转换器带来的量化噪声 等污染，该噪声将降低系统的性能；另外，目前的自适应算法LMS算 法、RLS算法等都存在一定的局限性。

发明内容

本发明的目的是为了解决宽带输入信号引起功率放大器的记忆 效应，从而严重影响数字预失真的补偿效果技术。

因此，本发明为了消除高峰均比的宽带输入信号经过功放产生的 非线性失真和记忆效应，采用经典的CFR技术和DPD技术联合方案， 为了抑制噪声影响，同时针对直接学习结构和间接学习结构的优缺 点，提出间接学习结构与直接学习结构结合的组合学习结构设计数字 预失真系统，然后结合LMS算法、RLS算法以及NLMS算法的优势， 提出RLS和NLMS联合的混合算法对数字预失真器参数估计和更新， 混合算法具有RLS算法收敛迅速的特点，同时简化了计算量。对输入 的高峰均比信号先进行CFR处理,再经DPD之后送给功放,得到比较 理想的线性输出,有效改善了功放非线性引起的带内失真和带外频 谱扩展。

为了实现上述目的，本发明技术方案是这样实现的，组合算法应 用于组合学习结构数字预失真系统的方法，包括两个部分，组合学习 结构数字预失真系统，以及组合算法基于搭建的组合学习结构数字预 失真系统对信号处理方法；

所述组合学习结构数字预失真系统包括前向通路和反馈回路。所 述前向通路包括信号(Signal)产生模块、峰均值抑制模块即CFR模 块、上变频模块即DUC模块、数字预失真模块即DPD模块、DSP模块、 数模转换模块即DAC模块、带通滤波器、功率放大器即PA以及天线 调谐器和天线。

所述反馈回路包括耦合器、衰减器和模数转换模块即ADC。

所述的信号(Signal)产生模块是对数据进行调制，生成基带数 据。

所述上变频(DUC)模块是对基带信号搬移到所要求的频率。

所述CFR模块是先对输入号进行极坐标下削峰，然后通过低通滤 波器(LPF)滤除直接削峰引起的带外频谱扩散，形成误差脉冲信号， 再反向叠加在相应的输入信号上，达到峰值抵消的效果。

所述的DAC对DPD内核处理后的预失真信号进行数模转换并输出 模拟下信号。

所述的带通滤波器是可以极大地提高输出信号频谱的纯度。

所述功率放大器是作为发射机中最重要的组成部分，它将电源功 率高效地转化为发射机功率。

所述DPD技术是在功放前插入预失真器，其中预失真器具有与功 放非线性相反的特性，让输入信号先经过预失真处理后再通过功率放 大器，实现信号输入输出在整体上呈线性关系，从而达到补偿功率放 大器非线性的效果。

所述反馈通道包括耦合器、衰减器、ADC。

所述耦合器通过芯片实现。

所述衰减器是把耦合的信号进行衰减。

所述ADC主要对模拟信号进行模数转化。

为提高收敛速度和减小计算复杂度采用多项式预失真技术。

所述DPD模块采用多项式预失真技术，该技术主要包括功放模 型、学习结构和自适应算法三个部分。DPD内核是基于记忆多项式模 型的数字预失真。DPD学习结构采用组合学习结构，DPD的自适应算 法采用组合算法。

所述DPD内核是基于记忆多项式模型的数字预失真；DPD学习结 构采用组合学习结构；DPD的自适应算法采用组合算法。

所述多项式数字预失真技术，采用记忆多项式模型，其数学表达 式参见公式1：

$z\left(n\right)=\underset{k=1}{\overset{K}{\Sigma }}\underset{q=0}{\overset{Q}{\Sigma }}{C}_{kq}x(n-q)|x(n-q){|}^{k-1}---\left(1\right)$

其中，z(n)为预失真输出信号，K为非线性的阶数，Q为记忆深 度，C_kq是DPD系数。

所述功放模型采用Wiener-Hammerstein模型，其数学表达式参 见公式2-4：

$u\left(n\right)=\underset{l=1}{\overset{L-1}{\Sigma }}{a}_{l}z(n-l)---\left(2\right)$

$v\left(n\right)=\underset{k=1}{\overset{K}{\Sigma }}{b}_{k}u{\left(n\right)}^k---\left(3\right)$

$y\left(n\right)=\underset{q=1}{\overset{Q-1}{\Sigma }}{c}_{q}v(n-q)---\left(4\right)$

式中，u(n)为输入向量，v(n)为功放输出衰减得到的信号，y(n) 为功放的输出采样信号，a_l是线性时不变系统的冲值响应值，L代表 模型记忆深度，b_k为无记忆非线性系统多项式的系数，K表示模型的 最高非线性阶数，c_q为线性时不变系统的冲值响应值，Q是模型记忆 深度。

所述学习结构采用组合学习结构，由间接学习结构与直接学习结 构结合的组合学习结构设计数字预失真系统。通过设置判断门限让系 统在间接学习结构与直接学习结构进行切换。

所述直接学习结构是预失真器的输出经过非线性放大后，与期望 得到的信号进行比较，用所求得的误差对预失真器的参数进行调整。

所述间接学习结构是在功率放大器之后级联一个“后失真器”， 通过“后失真器”的输入与误差，自适应调整“后失真器”的参数， 使其特性与功率放大器相反，最后将调整后的参数复制给预失真器。

所述组合算法是在间接学习结构下采用RLS和NLMS算法对DPD内 核系数进行估计，而在直接学习结构下采取LMS算法对DPD内核系数 进行估计和更新。

所述LMS算法如下：

设z(n)为n时刻的期望响应，为“后失真器”的输出，v(n)为 功放输出衰减得到的信号，为DPD内核系数，u(n)为输入向量，则 LMS算法参见公式5-7：

$\hat{z}\left(n\right)={\hat{w}}^H\left(n\right)u\left(n\right)---\left(5\right)$

$e\left(n\right)=z\left(n\right)-\hat{z}\left(n\right)---\left(6\right)$

$\hat{w}(n+1)=\hat{w}\left(n\right)+{\mathrm{\mu e}}^{*}\left(n\right)u\left(n\right)---\left(7\right)$

公式中，是的复共轭转置，e^*(n)为e(n)复共轭，μ为迭 代步长。

所述RLS算法参见公式8-12；

$e\left(n\right)=z\left(n\right)-\hat{w}(n-1)u\left(n\right)---\left(8\right)$

π(n)＝P(n-1)u(n)(9)

k(n)＝π(n)/(λ+u^H(n)π(n))(10)

$\hat{w}\left(n\right)=\hat{w}(n-1)-k\left(n\right)e^{*}\left(n\right)---\left(11\right)$

P(n)＝λ^-1P(n-1)-λ^-1k(n)u^H(n)P(n-1)(12)

公式中，P(n)为预失真器最佳相位系数向量，π(n)为预失真器最 佳幅度系数向量，k(n)为增益向量，u^H(n)是u(n)的复共轭转置，e^*(n) 为e(n)复共轭，λ(0＜λ＜1)为遗忘因子。

所述NLMS算法参见公式13-16：

$\hat{z}\left(n\right)={\hat{w}}^H\left(n\right)u\left(n\right)---\left(13\right)$

$e\left(n\right)=z\left(n\right)-\hat{z}\left(n\right)---\left(14\right)$

$\hat{w}(n+1)=\hat{w}\left(n\right)+{\mathrm{\mu e}}^{*}\left(n\right)u\left(n\right)---\left(15\right)$

μ(n+1)＝αμ(n)+βe²(n)(16)

公式中，是的复共轭转置，e^*(n)为e(n)复共轭，μ为迭 代步长，0＜α＜1，β＞0。

本发明组合算法基于所搭建的组合学习结构数字预失真系统对 信号处理方法，包括下列步骤：

1)将来自基带信号模块生成的基带信号进行数字上变频和峰值 削波处理产生x(n)。

2)采用记忆多项式模型构造数字预失真内核即DPD内核，其数 学表述参见公式1；

3)设判断门限｜e₁(n)｜＝｜e(n)｜＝1，则｜e(n)｜＞0.01，开关掷1，工作在自 适应算法1，此时的学习结构为间接学习结构；且｜e₁(n)｜＞0.05，则采 用RLS算法进行滤波器系数快速估计来获得DPD内核系数的初始 值。基于RLS算法如下：

a)假设为DPD内核系数，初始化

b)通过公式1计算出x(n)经过预失真输出信号z(n)；

c)通过公式2、公式3和公式4，计算得到信号z(n)经过功放的 输出采样信号为y(n)；

d)y(n)经尺度变换后y(n)/G(其中G代表功放的增益)作为“后 失真器”的输入，令v(n)＝y(n)/G，u(n)为输入向量，其数学表述参见 公式17：

u(n)＝[v(n),v(n)｜v(n)｜²,v(n)｜v(n)｜⁴,v(n-1),v(n-1)｜v(n-1)｜²,v(n-1)｜v(n-1)｜⁴,

v(n-2),v(n-2)｜v(n-2)｜²,v(n-2)｜v(n-2)｜⁴]；(17)

e)v(n)通过公式1的“后失真器”处理得到输出信号z₁(n)；

f)通过公式18计算预失真输出信号z(n)与“后失真器”输出信 号z₁(n)之间的估计误差e₁(n)；

e₁(n)＝z(n)-z₁(n)(18)

g)通过公式9、公式10、公式11和公式12计算出DPD内核系数

h)判断｜e₁(n)v大小，若｜e₁(n)｜＞0.01，则重复b到g。

4)判断｜e₁(n)v大小，若0.01＜｜e₁(n)｜＜0.05，切换至NLMS算法模块， 同时把RLS迭代得到的系数送入该模块，作为NLMS权系数的初始值， 通过公式15和公式16进行进一步迭代处理，计算出DPD内核系数值复制给DPD系数C_kq。

5)判断｜e₁(n)｜大小，若｜e₁(n)｜≤0.01，则｜e(n)｜＝｜e₁(n)｜，即｜e(n)｜≤0.01， 故开关掷向2，此时的学习结构为直接学习结构，并用自适应算法1 收敛后的权值向量作为自适应算法2权值向量的初始值。由于已得到 与最佳值比较接近的权值向量，此时采用LMS算法，并用已获得的权 值向量作为初始值，就可使预失真器的模型参数更加接近最佳值，从 而克服加性噪声带来的影响。同时，随着时间的变化，功率放大器的 非线性失真因温度、器件老化等因素的影响而变化，这种变化是非常 缓慢的。因此，DPD内核系数的更新过程采用一种适合于硬件实 现的自适应算法(LMS算法)来跟踪功放的非线性时变特性。LMS算 法如下：

a)用自适应算法1收敛后的权值向量作为自适应算法2权值向量 的初始值

b)通过公式1计算出x(n)经过预失真输出信号z(n)；

c)通过公式2、公式3和公式4计算出z(n)经过功放的输出采样 信号为y(n)，然后y(n)经尺度变换y(n)/G(其中G代表功放的增益)， 令z₂(n)＝y(n)/G；

d)通过公式19计算期望信号x(n)与功放估计输入z₂(n)之间的估 计误差；

e₂(n)＝z(n)-z₂(n)(19)

e)通过公式7计算出DPD内核系数

f)判断｜e₂(n)｜大小，若｜e₂(n)｜＞0.005，则重复b到e；若｜e₂(n)｜≤0.005， DPD内核系数值复制给DPD系数C_kq。

附图说明

图1是本发明发射机的自适应数字预失真系统的示意图；

图2是本发明CFR-DPD系统框图；

图3是本发明一种组合算法在组合学习结构数字预失真系统的 算法流程图；

图4是本发明实施例的AM/AM图；

图5是本发明实施例的功率谱密度；

图6至图10是本发明实施例为星座图；

图11是本发明实施例学习曲线；

图2中：100为信号产生模块(Signal)，101为CFR模块，101a 为极坐标下削峰，101b为延时，101c为低通滤波器(LPF)，101d为 延时，101e为极坐标下削峰，102为DUC模块，103为DPD模块，104 为DSP模块，104a为自适应模块，104b为自适应模块，105为DAC 模块，106为滤波器模块，107为功放，108为耦合器，109为天线调 谐器及天线，110为衰减器，111为ADC为模块。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本 发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想 的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变 更，均应包括在本发明的保护范围内。

根据附图来说明本发明的具体实施：

如图1所示，是本发明采用的CFR-DPD基本模型图，包括前向通 路和反馈通路。其中前向通路包括信号产生模块即Signal模块100、 CFR模块101、DUC模块102、DPD模块103、DSP模块104、DAC模块 105、滤波器模块106、功放107、天线调谐器及天线109；反馈回路 包括耦合器108、衰减器110、ADC模块111。Signal模块100对来 自上层的数据进行调制，生成基带数据；如图2所示，是本发明的预 失真系统框图。其中CFR模块101包括一次极坐标下削峰101a、一 次延时101b、低通滤波器(LPF)101c、二次延时101d、二次极坐标 下削峰101e；DSP104模块包括自适应模块104a和自适应模块104b。 CFR模块101是先对输入信号进行极坐标下削峰101a，然后通过截止 频率为24KHz的低通滤波器(LPF)101c滤除直接削峰引起的带外频 谱扩散，形成误差脉冲信号，再反向叠加在相应的输入信号上，达到 峰值抵消的效果。为避免LPF可能带来的峰均比回升，引入二次极坐 标削峰101e；再经过DUC模块102处理将信号频率搬移到 1.6KHz-30KHz，然后送入DPD模块103进行预失真处理，产生与功放 107非线性相反的曲线，已产生的预失真发射信号送给DAC模块105 把数字信号转换成模拟信号；然后把模拟信号进行滤波器106处理送 入增益为40dB的功放107进行放大，经过放大的信号经天线调谐器 及天线109发射出去。同时，接收经过功放耦合器108反馈回来的信 号再进入衰减器110衰减；然后送给ADC模块111进行模数转化，最 后传输到数字预失真模块作为DPD内核反馈输入信号。DPD内核是基 于记忆多项式模型的数字预失真器在FPGA中完成；学习结构采用组 合学习结构；自适应模块在DSP104模块中完成，包括自适应模块104a 和自适应模块104b，其中自适应模块104a采用RLS和NLMS组合算 法，自适应模块104b采用LMS算法。

如图3所示，是本发明一种组合算法应用于组合学习结构数字预 失真系统的方法流程图：

1)首先将Signal模块100生成的基带信号s(n)送给CFR模块101 和DUC模块102处理后形成x(n)；

2)然后采用记忆多项式即技术方案中的公式1构造DPD内核103， K为多项式模型的阶数，Q为记忆深度；本实施例中K取7阶，Q取 10，功放的先前记忆长度为2，即记忆多项式扩展表达式参见公式20；

z(n)＝C₁₀x(n)+C₃₀x(n)｜x(n)｜²+C₅₀x(n)｜x(n)｜⁴

+C₁₁x(n-1)+C₃₁x(n-1)｜x(n-1)｜²+C₅₁x(n-1)｜x(n-1)｜⁴+…

+C₁₉x(n-9)+C₃₉x(n-9)｜x(n-9)｜²+C₅₉x(n-9)｜x(n-9)｜⁴(20)

3)设判断门限｜e₁(n)｜＝｜e(n)｜＝1，则｜e(n)｜＞0.01，开关掷1，工作在自 适应算法1，此时的学习结构为间接学习结构；且｜e₁(n)｜＞0.05，则采 用RLS算法进行DPD内核系数快速估计来获得DPD内核系数的初始值。基于RLS算法如下：

a)假设为DPD内核系数，初始化

b)通过公式1计算出x(n)经过预失真输出信号z(n)；

c)通过技术方案中的公式2、公式3和公式4，计算得到信号z(n) 经过功放的输出采样信号为y(n)；

d)y(n)经尺度变换后y(n)/G(其中G代表功放的增益)作为“后 失真器”的输入，令v(n)＝y(n)/G，u(n)为输入向量，其数学表述参见 公式21；

u(n)＝[v(n),v(n)｜v(n)｜²,v(n)｜v(n)｜⁴,v(n-1),v(n-1)｜v(n-1)｜²,v(n-1)｜v(n-1)｜⁴,

…,v(n-9),v(n-9)｜v(n-9)｜²,v(n-9)｜v(n-9)｜⁴]；(21)

e)y(n)/G通过技术方案中的公式1“后失真器”处理得到输出信 号z₁(n)；

f)通过技术方案中公式18计算误差函数；

g)通过技术方案中公式9、公式10、公式11和公式12计算出DPD 内核系数

h)判断｜e₁(n)｜大小，若｜e₁(n)｜＞0.01，则重复b到g。

4)判断｜e₁(n)｜大小，若0.01＜｜e₁(n)｜＜0.05，切换至NLMS算法模块， 同时把RLS迭代得到的系数送入该模块，作为NLMS权系数的初始值， 通过技术方案中公式15和公式16进行进一步迭代处理，计算出DPD内 核系数值复制给DPD系数C_kq。

5)判断｜e₁(n)｜大小，若｜e₁(n)｜≤0.01，则｜e(n)｜＝｜e₁(n)｜，即｜e(n)｜≤0.01， 故开关掷向2，此时的学习结构为直接学习结构，并用自适应算法1 收敛后的权值向量作为自适应算法2权值向量的初始值。采用一种适 合于硬件实现的自适应算法(LMS算法)来计算出DPD内核系数LMS算法如下：

a)用自适应算法1收敛后的权值向量作为自适应算法2权值向量 的初始值

b)通过公式1计算出x(n)经过预失真输出信号z(n)；

c)通过技术方案中公式2、公式3和公式4计算出z(n)经过功放 的输出采样信号为y(n)，然后y(n)经尺度变换y(n)/G(其中G代表功 放的增益)，令z₂(n)＝y(n)/G；

d)通过技术方案中公式19计算误差函数；

e)通过技术方案中公式7计算出DPD内核系数

f)判断｜e₂(n)｜大小，若｜e₂(n)｜＞0.005，则重复b到e；若｜e₂(n)｜≤0.005， DPD内核系数值复制给DPD系数C_kq。

图4是本发明具体实施例，采用本发明所述方法得到的AM/AM图， 从图中可知，加上CFR和DPD处理后，功放的线性度明显得到了改善。

图5是本发明具体实施例，采用本发明所述方法得到的功率谱密 度。曲线①为原始输入信号功率谱；曲线②为CFR后的功率谱；曲线 ③为信号直接进入功放后输出的功率谱；曲线④⑤⑥为经CFR和DPD 处理后再经PA输出的功率谱，其中⑥为采用间接学习结构，采取NLMS 算法的功率谱密度；④为采用间接学习结构，采取本文提出的混合算 法的功率谱密度，⑤为采用本文提出的混合学习结构，采取本文提出 的混合算法的功率谱密度，可以看出，采用本文提出的混合学习结构， 采取本文提出的混合算法的预失真效果最好。

图6至图10是本发明具体实施例，采用本发明所述方法得到的 星座图，其中图6为原始输入信号的星座图，图7为信号经CFR处理 后的星座图，图8为信号经PA直接输出的星座图，图9为信号经采 用间接学习结构DPD处理后经PA输出的星座图，图10为信号经混合 学习结构DPD处理后经PA输出的星座图。从图中可知，经CFR星座 图相比原始信号星座图有个别信号点偏离，这是由于CFR算法中低通 滤波器的作用使信号产生相应的时域扩展，导致微小带内失真，但不 影响信号解调，峰值抵消处理后的EVM值为1.09％。当存在加性噪声 时，直接进PA的信号星座图严重扩散和旋转，加上预失真后星座图 变的清晰可辩；采用间接学习结构时，由于存在加性噪声，预失真的 补偿效果是有限的，采用本发明的组合学习结构的星座图要清晰，其 EVM值为0.6853％，完全能够正确解调。

图11是本发明具体实施例，采用本发明所述方法得到的学习曲 线，能够反映预失真方法的收敛速度快慢和实时性好坏，图中给出的 是LMS算法，NLMS算法，RLS算法，RLS+NLMS算法的学习曲线。从 图中可知，LMS算法收敛性能最差；NLMS算法的收敛性较LMS算法收 敛性有一定的提升，但改进有限；RLS算法收敛性最好，但计算复杂； 相比而言，本发明的组合算法具有较好的收敛性，能达到对功放较好 的线性化效果。

以上所述，仅为本发明最佳的具体实施方式，但本发明的保护范 围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围 之内。