一种基于间接学习的数字预失真方法及系统

摘要

本发明涉及一种基于间接学习的数字预失真方法及系统，方法包括：获取功率放大器的历史前向基带数据和与所述历史前向基带数据对应的历史反馈基带数据；构建功率放大器的初始记忆多项式模型；所述初始记忆多项式模型包括三个交叉项，所述交叉项为n时刻的前向基带数据与n‑1时刻的前向基带数据的乘积；根据所述历史前向基带数据和所述历史反馈基带数据计算所述初始记忆多项式模型的复系数，得到计算好的记忆多项式模型；根据所述计算好的记忆多项式模型对当前时刻的前向基带数据进行预失真。本发明的记忆多项式模型包括三个n时刻的前向基带数据与n‑1时刻的前向基带数据的交叉项，提高了记忆多项式模型的精度，进而提高了数字预失真精度。

说明书

技术领域

本发明涉数字预失真技术领域，特别是涉及一种基于间接学习的数字预失真方法及系统。

背景技术

功率放大器是无线通信系统的重要部件之一，其作用是将信号进行功率放大后发射出去。但由于其固有的非线性特性，通常会对信号产生一定程度的畸变，比如幅度失真和相位失真，进而难以满足发端系统的性能指标要求。

数字预失真技术是当前主流的线性化技术，主要基于记忆多项式模型和迭代的最小二乘法。记忆多项式模型一般以阶数为7、记忆深度为3的16系数记忆多项式模型最为常见。但是，16系数记忆多项式模型模型精度不足，预失真性能欠佳。

发明内容

本发明的目的是提供一种基于间接学习的数字预失真方法及系统，以提高数字预失真精度。

为实现上述目的，本发明提供了如下方案：

一种基于间接学习的数字预失真方法，包括：

获取功率放大器的历史前向基带数据和与所述历史前向基带数据对应的历史反馈基带数据；

构建功率放大器的初始记忆多项式模型；所述初始记忆多项式模型包括三个交叉项，所述交叉项为n时刻的前向基带数据与n-1时刻的前向基带数据的乘积；

根据所述历史前向基带数据和所述历史反馈基带数据计算所述初始记忆多项式模型的复系数，得到计算好的记忆多项式模型；

根据所述计算好的记忆多项式模型对当前时刻的前向基带数据进行预失真。

可选地，所述历史前向基带数据和所述历史反馈基带数据各包括4096个时间序列数据。

可选地，构建的所述初始记忆多项式模型如下：

y

其中，y

可选地，计算所述初始记忆多项式模型的复系数，具体包括：

基于所述历史前向基带数据确定前向基带数据矩阵；

基于所述历史反馈基带数据确定反馈基带数据矩阵；

基于待计算的初始记忆多项式模型的复系数确定初始复系数矩阵；

根据所述前向基带数据矩阵、所述反馈基带数据矩阵以及所述复系数矩阵建立矩阵方程；

利用最小二乘法求解所述矩阵方程中的所述初始复系数矩阵，得到计算好的复系数矩阵；

根据所述计算好的复系数矩阵计算所述初始记忆多项式模型的复系数。

一种基于间接学习的数字预失真系统，包括：

数据获取模块，用于获取功率放大器的历史前向基带数据和与所述历史前向基带数据对应的历史反馈基带数据；

模型构建模块，用于构建功率放大器的初始记忆多项式模型；所述初始记忆多项式模型包括三个交叉项，所述交叉项为n时刻的前向基带数据与n-1时刻的前向基带数据的乘积；

计算模块，用于根据所述历史前向基带数据和所述历史反馈基带数据计算所述初始记忆多项式模型的复系数，得到计算好的记忆多项式模型；

预失真模块，用于根据所述计算好的记忆多项式模型对当前时刻的前向基带数据进行预失真。

可选地，所述历史前向基带数据和所述历史反馈基带数据各包括4096个时间序列数据。

可选地，构建的所述初始记忆多项式模型如下：

y

其中，y

可选地，所述计算模块具体包括：

第一确定单元，用于基于所述历史前向基带数据确定前向基带数据矩阵；

第二确定单元，用于基于所述历史反馈基带数据确定反馈基带数据矩阵；

第三确定单元，用于基于待计算的初始记忆多项式模型的复系数确定初始复系数矩阵；

矩阵方程建立单元，用于根据所述前向基带数据矩阵、所述反馈基带数据矩阵以及所述复系数矩阵建立矩阵方程；

第一计算单元，用于利用最小二乘法求解所述矩阵方程中的所述初始复系数矩阵，得到计算好的复系数矩阵；

第二计算单元，用于根据所述计算好的复系数矩阵计算所述初始记忆多项式模型的复系数

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种基于间接学习的数字预失真方法及系统，方法包括：获取功率放大器的历史前向基带数据和与所述历史前向基带数据对应的历史反馈基带数据；构建功率放大器的初始记忆多项式模型；所述初始记忆多项式模型包括三个交叉项，所述交叉项为n时刻的前向基带数据与n-1时刻的前向基带数据的乘积；根据所述历史前向基带数据和所述历史反馈基带数据计算所述初始记忆多项式模型的复系数，得到计算好的记忆多项式模型；根据所述计算好的记忆多项式模型对当前时刻的前向基带数据进行预失真。本发明的记忆多项式模型包括三个n时刻的前向基带数据与n-1时刻的前向基带数据的交叉项，提高了记忆多项式模型的精度，进而提高了数字预失真精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于间接学习的数字预失真方法流程图；

图2为本发明实施例提供的基于间接学习的数字预失真方法原理图；

图3为本发明实施例提供的原始信号频率图；

图4为本发明实施例提供的原始信号的输出信号频率图；

图5为本发明实施例提供的进行预失真后的输出信号频率图一；

图6为本发明实施例提供的进行预失真后的输出信号频率图二。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于间接学习的数字预失真方法及系统，以提高数字预失真精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，基于间接学习的数字预失真方法，包括：

步骤101：获取功率放大器的历史前向基带数据和与所述历史前向基带数据对应的历史反馈基带数据。

在步骤101中，可以采集4096个时间序列的历史前向基带数据以及4096个时间序列的历史反馈基带数据。4096个样本数据相比于现有技术的2048个样本数据可以更充分反映功率放大器的非线性特性，可以使得步骤103计算的初始记忆多项式模型的复系数更精准。

步骤102：构建功率放大器的初始记忆多项式模型；所述初始记忆多项式模型包括三个交叉项，所述交叉项为n时刻的前向基带数据与n-1时刻的前向基带数据的乘积。

记忆多项式模型也就是功率放大器的逆模型，间接学习实质上是将功率放大器的输入前向基带数据作为记忆多项式模型的输出，将功率放大器的输出反馈基带数据作为记忆多项式模型的输入，间接学习结构相比直接学习结构，具有复稳定性好，收敛快的优点。

记忆多项式模型的非线性阶数和记忆深度分别用来表征功率放大器的非线性特性和记忆效应。本发明在阶数为7、记忆深度为3，共计16个复系数的记忆多项式模型基础上，增加了对模型精度影响最大的三个交叉项，即n时刻的前向基带数据与n-1时刻的前向基带数据的乘积，构成16+3系数记忆多项式模型，其表达式如下：

y

其中，y

功率放大器当前时刻的输出反馈基带数据不仅取决于当前时刻的输入前向基带数据，还取决于当前时刻之前的输入前向基带数据，即记忆效应，记忆效应用记忆深度表征。在本模型中，n时刻的反馈基带数据y

由x

由x

步骤103：根据所述历史前向基带数据和所述历史反馈基带数据计算所述初始记忆多项式模型的复系数，得到计算好的记忆多项式模型。具体包括：

步骤1031：基于所述历史前向基带数据确定前向基带数据矩阵。

步骤1032：基于所述历史反馈基带数据确定反馈基带数据矩阵。

步骤1033：基于待计算的初始记忆多项式模型的复系数确定初始复系数矩阵。

步骤1034：根据所述前向基带数据矩阵、所述反馈基带数据矩阵以及所述复系数矩阵建立矩阵方程。

步骤1035：利用最小二乘法求解所述矩阵方程中的所述初始复系数矩阵，得到计算好的复系数矩阵。

步骤1036：根据所述计算好的复系数矩阵计算所述初始记忆多项式模型的复系数。

基于4096个历史前向基带数据确定4096×1前向基带数据矩阵X，基于7096个历史反馈基带数据确定4096×19反馈基带数据矩阵Y，基于待计算的初始记忆多项式模型的复系数确定19×1初始复系数矩阵C，即C由C

步骤104：根据所述计算好的记忆多项式模型对当前时刻的前向基带数据进行预失真。

利用计算好的记忆多项式模型对当前时刻的前向基带数据进行预失真，然后馈送至功率放大器输出，便可完成功率放大器的非线性失真补偿功能。

图2为本发明实施例提供的基于间接学习的数字预失真方法原理图，如图2所示，历史前向基带数据经射频调制后输入功率放大器放大，放大后的数据经射频解调后得到历史反馈基带数据。根据历史前向基带数据和历史反馈基带数据求解本发明中的记忆多项式模型的复系数，得到计算好的记忆多项式模型。当前时刻的前向基带数据经过计算好的记忆多项式模型进行预失真，输出当前时刻的反馈基带数据，完成对功率放大器的非线性失真(包括幅度失真和相位失真)补偿。

本实施例还对基于间接学习的数字预失真方法进行了验证：

验证环境：50W固态功率放大器，10MHz带宽5G NR广播信号，中心频率773MHz。

前向基带数据调制到773MHz射频，其频谱(即原始信号频率)如图3所示。

前向基带数据调制到773MHz射频，经50W固态功率放大器后，输出信号频谱图如图4所示。

前向基带数据经过现有技术的16系数记忆多项式模型进行预失真，再经50W固态功率放大器后，输出的信号频谱图如图5所示。前向基带数据经过本发明中的16+3记忆多项式模型进行预失真，再经50W固态功率放大器后，输出的信号频谱图如图6所示。从图5和图6可以看出，采用本发明的16+3记忆多项式模型有3dB左右的预失真性能提升。

本实施例还提供了一种基于间接学习的数字预失真系统，包括：

数据获取模块，用于获取功率放大器的历史前向基带数据和与所述历史前向基带数据对应的历史反馈基带数据。其中，所述历史前向基带数据和所述历史反馈基带数据各包括4096个时间序列数据。

模型构建模块，用于构建功率放大器的初始记忆多项式模型；所述初始记忆多项式模型包括三个交叉项，所述交叉项为n时刻的前向基带数据与n-1时刻的前向基带数据的乘积。其中，构建的所述初始记忆多项式模型如下：

y

其中，y

计算模块，用于根据所述历史前向基带数据和所述历史反馈基带数据计算所述初始记忆多项式模型的复系数，得到计算好的记忆多项式模型。

在本实施例中，所述计算模块具体包括：

第一确定单元，用于基于所述历史前向基带数据确定前向基带数据矩阵；

第二确定单元，用于基于所述历史反馈基带数据确定反馈基带数据矩阵；

第三确定单元，用于基于待计算的初始记忆多项式模型的复系数确定初始复系数矩阵；

矩阵方程建立单元，用于根据所述前向基带数据矩阵、所述反馈基带数据矩阵以及所述复系数矩阵建立矩阵方程；

第一计算单元，用于利用最小二乘法求解所述矩阵方程中的所述初始复系数矩阵，得到计算好的复系数矩阵；

第二计算单元，用于根据所述计算好的复系数矩阵计算所述初始记忆多项式模型的复系数。

预失真模块，用于根据所述计算好的记忆多项式模型对当前时刻的前向基带数据进行预失真。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

(1)本发明采用改进的16+3系数记忆多项式模型，增加了3个当前时刻数据和上一时刻数据相互作用的交叉项，提高了记忆多项式模型精度，进而提高了数字预失真精度。

(2)迭代最小二乘法通常采用的样本数据一般为2048点或更少，一般5次以上的迭代才能收敛。本发明采用4096个样本数据，基于非迭代最小二乘法算法，1次运算即能收敛，无需迭代，具有更高的运算效率和同等的性能。

(3)本发明采用间接学习的预失真方法(也就是使用记忆多项式模型，记忆多项式模型也叫逆模型)具有稳定性好，收敛快的优点。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。