组合算法应用于组合学习结构数字预失真系统的方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 功放不只有非线性特性，而且对如0FDM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。
[0005]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】
[0006] 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。
[0007] 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DH)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DH)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。
[0008] 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；
[0009] 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DH)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。
[0010] 所述反馈回路包括耦合器、衰减器和模数转换模块即ADC。
[0011] 所述的信号（Signal)产生模块是对数据进行调制，生成基带数据。
[0012] 所述上变频（DUC)模块是对基带信号搬移到所要求的频率。
[0013] 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。
[0014] 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。
[0015] 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。
[0016] 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。
[0017] 所述Dro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。
[0018] 所述反馈通道包括親合器、衰减器、ADC。
[0019] 所述耦合器通过芯片实现。
[0020] 所述衰减器是把耦合的信号进行衰减。
[0021] 所述ADC主要对模拟信号进行模数转化。
[0022] 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。
[0023] 所述DH)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。DH)内核是基于记忆多项式模型的数字预失真。DH)学习结构采用组 合学习结构，Dro的自适应算法采用组合算法。
[0024] 所述DPD内核是基于记忆多项式模型的数字预失真；Dro学习结构采用组合学习 结构；Dro的自适应算法采用组合算法。
[0025] 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:
[0027] 其中，ζ(η)为预失真输出信号，K为非线性的阶数，Q为记忆深度，Ckq是Dro系数。
[0028] 所述功放模型采用Wiener-Hammerstein模型，其数学表达式参见公式2-4 :
[0032]式中，u(η)为输入向量，v(η)为功放输出衰减得到的信号，y(η)为功放的输出采 样信号，％是线性时不变系统的冲值响应值，L代表模型记忆深度，bk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，cq为线性时不变系统的冲值响应值，Q是模 型记忆深度。
[0033] 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。
[0034] 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。
[0035] 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。
[0036] 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。
[0037] 所述LMS算法如下：
[0038] 设ζ(η)为η时刻的期望响应，f⑷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 :
[0039] z(n) --w1' (n)u(n)(5)
[0040] cl'/?) =z(n) -z(n) (6)
[0041] η·(/7 Η-?)-??'{/7)+ //</'(/?)?(/?) (7)
[0042] 公式中，俨(《)是ν?·⑷的复共辄转置，？(η)为e(n)复共辄，μ为迭代步长。
[0043] 所述RLS算法参见公式8-12 ;
[0044] e(fi) =ζ(ι?- \v(n-\)u{n) ( 8 ；
[0045] π(η) =P(n_l)u(η) (9)
[0046] k(η) =π(η) / (λ+uH (η)π(η)) (10)
[0047] η·(/7) =\ν{ιι-1} - /:(/7}e'{n) ( X1)
[0048] Ρ(η) =λ ^(η-^-λ:k(η)uH (η)Ρ(η-1) (12)
[0049] 公式中，Ρ(η)为预失真器最佳相位系数向量，π(η)为预失真器最佳幅度系数向 量，k(n)为增益向量，uH(n)是u(n)的复共辄转置，e*(n)为e(n)复共辄，λ(〇<λ<1) 为遗忘因子。
[0050] 所述NLMS算法参见公式13-16 :
[0051] z(n) =u',i(r,)u(n) (13)
[0052] <?(/?)z(n)-z(n) (14.)
[0053] ?(/7 -f 1) =\v(n) + pe (n)u(n) (15)
[0054]μ(n+1) =αμ(n) +βe2 (n) (16)
[0055] 公式中，#(?)是餘〇的复共辄转置，e?为e(n)复共辄，μ为迭代步长，0 <a < 1，β> 0〇
[0056] 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：
[0057] 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(η) 〇
[0058] 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 ;
[0059] 3)设判断门限 |ejn) | = |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Iei(n) | >0.05,则采用RLS算法 进行滤波器系数4")快速估计来获得DPD内核系数的初始值。基于RLS算法如下：
[0060] a)假设为DF>D内核系数，初始化;
[0061] b)通过公式1计算出X(η)经过预失真输出信号ζ(η);
[0062]c)通过公式2、公式3和公式4,计算得到信号ζ(η)经过功放的输出采样信号为 y(n)；
[0063] 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(η)为输入向量，其数学表述参见公式17 :
[0064] u(n) = [v(n),v(n)Iv(n)I2,v(n)Iv(n)I4,v(n-1),v(n-1)Iv(n-l)I 2,v(n-l)Iv(n-l)I4,
[0065] v(n-2),v(n-2)Iv(n-2)I2,v(n-2)Iv(n-2)I4] ； (17)
[0066] e)v(n)通过公式1的"后失真器"处理得到输出信号Zl (n);
[0067]