[发明专利]基于Volterra滤波的双循环反馈模型的功放预失真方法

说明书

技术领域

本发明涉及数字通信技术领域，是一种用于功率放大器线性化的预失真方法，具体为一种基于Volterra滤波的双循环反馈模型的功放预失真方法。

背景技术

随着数字通信技术的发展和卫星通信技术的在民用领域中的使用，频带资源显得越来越珍贵，为了提高频谱的利用率，提出了各种线性调制技术如QPSK、16-QAM和OFDM等，这些数字调制方式都属于非恒包络调制，因此，高峰均比是上述调制的共同特征，而高峰均比对功率放大器的线性化要求更高；而在引入卫星通信后，由于受卫星体积的限制，为了追求较高的发射功率，导致星载功率放大器都工作在饱和区甚至截止区内；因此功率放大器的线性化直接影响着发射和接收信号的好坏程度。

对于传统功率放大器，为了保证工作在非饱和区内，一般采用功率回退方法来达到线性化的要求，这就使大功率器件只能输出很小的功率，造成了功率放大器的效率较低。近年来，各种功率放大器模型和线性化技术的研究越来越广泛。常见的功率放大器的线性化方法主要分为无记忆线性化方法和有记忆线性化方法两大类。无记忆功率放大器线性化研究主要集中于窄带通信，当输入信号的带宽远小于功率放大器自身的带宽时忽略记忆效应，但随着现代数字通信技术的发展，信号的带宽越来越接近发射带宽，以提高整个频谱的利用率，导致无记忆功率放大器线性化研究越来越不适应现代数字通信技术。消除有记忆功率放大器的预失真方法主要有双盒Hammerstein预失真方法、双盒Wiener预失真方法、Volterra滤波预失真方法和人工神经网络方法等。目前预失真器主要采用Hammerstein预失真方法和Wiener预失真方法，这两种方法为了解决有记忆非线性失真将预失真器分为无记忆非线性模块和有记忆线性模块分别解决非线性失真和记忆性失真，通过前馈或反馈来调节预失真器的系数，这两种方法易于实现。但随着通信信号朝宽带高速通信方向发展，这种分系统调节由于更新速度不一致会产生较大的误差，当信号的传输速度较大时，这种误差会快速放大从而导致真个预失真系统的失效。神经网络预失真方法具有灵活的学习方式，主要模型有延时三层前馈网络模型、径向基函数网络模型、反馈型网络模型和动态误差网络模型等。神经网络模型最少具有三层网络结构，这种多层的网络结构不能有效的提取出预失真器的系数，其次神经网络模型在输出误差较小时，神经元会在零值附近进行选择系数，从而产生一个连续波动误差，这种误差对高速数字通信传输产生较大影响。现有Volterra滤波预失真方法能逼近任意连续的非线性函数，但随着系统阶次和记忆长度的增加，预失真参数的计算量会急剧增加，这就限制了Volterra滤波预失真的实现和应用。

发明内容

要解决的技术问题

针对现有的功率放大器线性化技术的高复杂性和较慢的收敛速度，不能满足下一代高速无线通信对功率放大器性能的需求，本发明设计了一种基于Volterra滤波的双循环反馈模型的功放预失真方法。

技术方案

本发明主要包括预失真粗参数矢量提取、误差调整和预失真器精参数矢量提取三个部分。预失真粗参数矢量提取部分采用的是一阶动态截断Volterra滤波结构，通过整个系统的下变频输出和预失真器输出，快速求得预失真粗参数矢量；将预失真粗参数矢量导致的误差矢量在误差调整部分按照平均准则进行动态调整；将调整后的误差矢量作为期望信号，结合基带输入信号在预失真精参数矢量提取部分利用一阶动态截断Volterra滤波结构解得预失真器精参数矢量；预失真粗参数矢量和预失真精参数矢量都由最小二乘(Least-squares)法确定，利用精参数矢量对粗参数矢量进行修正得到最终的预失真器参数矢量。

本发明的技术方案为：

所述基于Volterra滤波的双循环反馈模型的功放预失真方法，其特征在于：包括以下步骤：

步骤1：利用高速模数转换器采集预失真器的基带输入数据、预失真器的基带输出数据和功率放大器的下变频基带输出数据；

步骤2：利用步骤1采集到的预失真器的基带输出数据和功率放大器的下变频基带输出数据，建立Volterra滤波模型并采用最小二乘学习法在最小均方误差准则下计算预失真器的粗参数矢量；

步骤3：将步骤2得到的预失真器粗参数矢量复制到预失真器中，计算此时功率放大器的误差数据矢量；按照平均准则和误差经验系数对得到的误差数据矢量进行误差处理；所述误差处理方法为：