基于单位基函数的2D-DPD迭代削减算法及应用的制作方法与工艺

本发明涉及一种基于单位基函数的2D-DPD迭代削减算法及应用。

背景技术：
在无线通信系统中，发射机的线性度（Linearity）是评价发射机性能的重要指标。而在所有用于提高发射机线性度的技术中，数字预失真（DPD,DigitalPredistortion）是当前最受关注，也是使用最多的一种技术。数字预失真技术通过在数字基带对发射机进行测量，并建立发射机的行为级反向模型作为预失真器，由此对输入信号进行预矫正，用以抵消发射机的非线性，进而获取整体的高线性度。这其中，高精度的反向模型是整个数字预失真技术能够生效的关键，当前已经有多种行为级模型可以对发射机建模，如：神经网络模型、频谱选择模型、Volterra模型等。这其中，Volterra模型最适合用于嵌入式系统的自适应提取和实时实现。随着无线通信技术的不断发展，新一代的移动通信系统要求能够同时支持不同的标准在不同的频段上进行传输。然而，当信号在不同频带同时传输时，其产生的行为效果要远比传统的单频段的射频发射机更复杂，在每个频带上对信号产生干扰的不止有频带内的信号本身的交调，还包含两个频带信号之间的交调。因此，传统的发射机行为模型并不能满足对每个频带单独进行建模的需求。这预示着传统数字预失真要经过更仔细的扩展才能在新型的协同式双频发射机中使用。目前，很多单频发射机行为模型已经被扩展为可以用于对协同式双频发射机进行建模的二维模型，这其中，最有潜力的当属二维数字预失真模型(2D-DPD),该模型通过在记忆多项式(MP,MemoryPolynomials)中引入两个频率之间的交调项实现对协同式双频发射机的精确建模。然而，由于考虑了两个频率之间的交调，其复杂度远高于传统的记忆多项式模型。要将其在实际系统中进行实现将消耗大量的硬件资源，且系统在高频时种下的同步性很难保证。为了简化二维记忆多项式模型，有一种改进的模型是改良的二维记忆多项式（twodimensionmodifiedmemorypolynomials,2D-MMP），这种模型通过引入一个自适应的耦合因子，大大减少了所用基的数量。2D-MMP的缺点包括：自适应选择耦合因子的过程增加了模型提取的负担；模型的基不是简单地乘积形式，因此模型本身也不再是简单地Volterra级数形式；最终模型中基的数量对于在线实现来说仍然太高了。

技术实现要素：
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于单位基函数的2D-DPD迭代削减算法及应用，利用对发射机进行测量采集到的信号反复训练模型,在此过程中可以观察得到对系统影响较强的基，并削减掉对系统影响较弱的基，从而大大简化模型，该方法可以在线或离线完成，从而降低系统复杂度，节省硬件资源，降低系统延时，提高模型稳定性，具有灵活度高、效果好的特点。为了实现上述目的，本发明采用的技术方案是：一种基于单位基函数的2D-DPD迭代削减算法，包括如下两步：第一步：先对2D-DPD的基函数通过如下公式进行归一化得到单位基函数：（1）其中x1(n)和x2(n)表示发射机在高频和低频的输入信号，y1(n)和y2(n)表示发射机在高频和低频的输出信号，Fm,k,j[]为模型的基，为对应于Fm,k,j[y1(n),y2(n)]的标准差，为对应于Fm,k,j[y2(n),y1(n)]的标准差，和为模型中需要估计的系数，称之为对应Fm,k,j[y1(n),y2(n)]或Fm,k,j[y2(n),y1(n)]的核，通过将基函数除以其标准差，对基函数进行归一化，此时和作为衡量该基重要性的标准，||表示幅度；第二步：通过迭代削减法逐一将对系统影响最小的模型削减掉直到模型复杂度符合要求。所述第二步采用迭代削减法，在每一次迭代的过程中利用第一步的公式对系统进行建模，并削去最小的项.该算法中用以评价基对系统影响强弱的标准是在使用归一化基进行建模时基对应系数的模。所述基于单位基函数的2D-DPD迭代削减算法可以应用于协同式双频发射机数字预失真系统中，包括如下过程：（1）在模型提取过程中选用单位基函数进行训练；（2）在系统设计和发射机生产过程中，利用离线的迭代削减算法，减少资源分配，并保留一些用于保证模型兼容性的系数；（3）在基带系统自适应建模时，利用在线的迭代削减算法，减少基函数个数，提高建模算法稳定性，减少系统延时。总体而言，该算法在发射机生产过程中离线执行，在发射机基带系统建模过程中在线执行。与现有技术相比，本发明的算法具有灵活度高、效果好的特点。在使用时，该算法既可以在生产过程中离线执行，也可以在系统建模过程中自适应实现。本发明的算法若只是在生产过程中离线完成，可以保证最小的硬件资源消耗；但是因为缺少自适应训练环节，不能保证达到最好效果，因此应当接受一些冗余基函数，保证模型兼容性。本发明的算法若在系统建模过程中在线执行，则可以最大程度降低在模型运行过程中的延时消耗，提高模型稳定性；但是因为系统硬件资源分配要照顾最大可能消耗情况，所以仍然需要占用大量硬件资源。因此，本发明的算法最好是首先在生产过程中离线执行，选择足够保证模型兼容性的少量基函数，使系统的硬件资源消耗降低；在线建模时再次执行，选取最少基函数个数。则可以同时获得前面描述两部分的全部优点。附图说明图1为本发明基于单位基函数的二维数字预失真模型迭代削减算法流程图。图2为本发明具体实施方法流程图。图3为本发明算法测试平台示意图。图4为本发明迭代削减过程中模型精度随模型项数变化示意图。图5为本发明削减前后的模型用于DPD效果比较，其中A为高频频谱，B为低频频谱。具体实施方式下面结合附图和实施例详细说明本发明的实施方式。如图1所示，一种基于单位基函数的2D-DPD迭代削减算法，包括如下步骤：首先，进行初始化，选定2D-DPD中的所有基函数；然后，利用单位基函数建模并计算模型误差；如果模型误差大于预设值或者基函数个数少于预设值，则装载缓存的模型和基函数，算法结束；否则，将缓存模型和选定的基函数，削减掉对应系数模最小的基函数，再次计算模型误差，直到模型复杂度符合要求其中，单位基函数是通过对2D-DPD的基函数根据如下公式进行归一化得到的：（1）其中x1(n)和x2(n)表示发射机在高频和低频的输入信号，y1(n)和y2(n)表示发射机在高频和低频的输出信号，Fm,k,j[]为模型的基，为对应于Fm,k,j[y1(n),y2(n)]的标准差，为对应于Fm,k,j[y2(n),y1(n)]的标准差，和为模型中需要估计的系数，称之为对应Fm,k,j[y1(n),y2(n)]或Fm,k,j[y2(n),y1(n)]的核，通过将基函数除以其标准差，对基函数进行归一化，此时和作为衡量该基重要性的标准，||表示幅度。具体实施该算法时可以参考附图2所示流程图，首先对模型进行初始化，此例中假设初始模型为原始的2D-DPD模型，并将其格式化为向量Phi，其具体格式为：Phi={(0,0,0),…,(m,k,j),…,(M,N-1,0)}(2)这里，对应2D-DPD模型的单位基函数：其中m表示基函数的记忆深度，k表示本频带的非线性阶数，j表示交调频带的非线性阶数。定义另一个向量Phi_Buf用来缓冲选定的基函数，首先对Phi进行缓冲，即：Phi_Buf=Phi(4)随后对选定的基函数Phi做关于(1)和(3)的建模，建模方法可以选用最小二乘法(LS,LeastSquareMethod)或共轭梯度法(CG,ConjugateGradientMethod)等任意用于解线性方程组的方法。所得的模型的基存储在向量Kernel中。为了确定当前模型的精度，下面计算模型输出与期望输出之间的归一化均方误差(NMSE,NormalizedMeanSquareError)，其定义式如下：其中P为用于检测的采样点的个数，xexp(n)为期望的模型输出，由于DPD中为反向模型的训练，所以xexp(n)即为实际的输入信号，xmod(n)为测试模型时得到的模型输出；(5)计算得到的结果单位为dB。模型的NMSE计算结果被存储在变量Error中。接下来对循环终止条件进行判断，该条件设置为：Error>Error_T或LENGTH(Phi)<LENGTH_T(6)其中LENGTH(Phi)表示向量Phi中元素的个数，Error_T和LENGTH_T为预设的两个阈值。该条件既要求模型满足精度要求，同时期望模型中基函数个数足够少。若循环终止条件不满足，循环继续进行，基函数向量Phi被缓存在Phi_Buf中，随后在Kernel中找到幅度最小项，记下其坐标n，并从Phi中删除对应项，即：Phi=Phi–Phi(n)(8)若循环条满足，则读取已经缓存的模型，并结束程序。最终选取的基函数为：Phi_Buf=Phi(9)该算法的执行效果可以通过仪器搭成的实验平台进行测试，测试平台示意图如附图3所示。该平台由两台信号发生器ESGE4438C，一台频谱仪PSAE4440，功率合成器和功率放大器（PA,PowerAmplifier）构成；计算机（PC,PersonalComputer）在其中实现系统控制和信号处理的功能。虽然该算法是在仪器测试平台上进行测试的，但是它也可以在嵌入式系统中在线实现。整个基函数削减的过程如附图4所示，从中可见，当少量削减基函数时，模型的精度几乎不受到影响；仅当基函数数量很少的时候，模型的精度开始对基函数数量很敏感，即是说，最终剩余的基函数对于模型是很重要的。利用削减前后的模型进行DPD的效果比较如附图5所示，从中可见对基函数进行削减前后的模型在DPD效果上几乎没有变化，然而基函数数量从24个削减到了9个。如前问所述，当该算法在线实现时，初始化向量Phi无需使用所有2D-DPD模型的基，而应当根据硬件设置恰当选择。