[发明专利]一种用于功率放大器的非线性补偿方法和设备

说明书

本发明公开了一种用于功率放大器的非线性补偿方法和设备，涉及无线通信技术领域，用以解决目前的数字预失真模型适用范围较小，模型输入特征单一、精度受限、通用性差的问题，本发明方法包括：获取功率放大器的第一信号，其中，第一信号包括输入信号、输出信号和特征信号，特征信号是功率放大器和/或输入信号的属性信息；经由已训练神经网络接收对于第一信号的数字预失真权重；利用数字预失真权重对功率放大器进行非线性补偿，由于本发明从输入信号和功率放大器等不同维度考虑了输入信号及功率放大器的特性，经由已训练神经网络得到第一信号的数字预失真权重，高效准确的统一数字预失真模型，提高了建模精度，更好地补偿功率放大器的非线性失真。

技术领域

本发明涉及无线通信技术领域，特别涉及一种用于功率放大器的非线性补偿方法和设备。

背景技术

PA(Power Amplifier，功率放大器，简称功率放大器)是无线通信系统中的重要组成部分。功率放大器的非线性特性导致了带内的非线性失真和带外频谱泄露，因此功率放大器的线性化技术备受关注。DPD(Digital Pre-Distortion，数字预失真处理)是对功率放大器进行线性化处理的主要技术方案，其利用相反的非线性特性对功率放大器的非线性特性进行补偿，达到功率放大器线性化的目的。

传统的数字预失真技术是通过多项式法实现的，基本实现原理是寻找能够逼近功率放大器复增益特性曲线逆函数的一种多项式，得到该逆函数之后通过计算得到原始输入信号的预失真值。

目前基于神经网络的预失真还处于初级研究探索阶段，包括简单的无记忆数字预失真模型和记忆数字预失真模型，无记忆数字预失真模型直接经输入输出神经网络对输入信号拟合产生输出结果，记忆数字预失真模型在无记忆数字预失真模型的基础上进一步考虑了延时信息。

多项式法的数字预失真模型阶数越高，建模精度越高，但参数估计计算量随着多项式阶数增大呈指数增加。多项式模型大多只考虑了AM-AM(Amplitude Modulation-Amplitude Modulation，幅度调制-幅度调制)模型，忽略了信号的相位补偿，影响了数字预失真模型的准确性，此外多项式法统一基于多项式建立数字预失真模型，模型固定且单一，无法精准描述大带宽和高PAPR(Peak to Average Power Ratio，峰值平均功率比)信号输入下的功率放大器特性。现有的神经网络方法大多利用径向基函数进行非线性拟合，为局部响应函数，除了权重外，还需要选择确定基函数中心及宽度，网络复杂度高，同时输入参数类型少，考虑的输入特征比较单一，普适性较差。面对未来智能化、开放化网络需求，需要结合人工智能算法实现高性能且通用的数字预失真技术，以实现RRU(Radio Remote Unit，射频拉远单元)侧软硬件解耦。

综上所述，目前的数字预失真模型适用范围较小，模型输入特征单一、精度受限、通用性差。

发明内容

本发明提供一种用于功率放大器的非线性补偿方法和设备，用以解决现有技术中存在目前的数字预失真模型适用范围较小，模型输入特征单一、精度受限、通用性差的问题。

第一方面，本发明实施例提供的一种用于功率放大器的非线性补偿方法包括：

获取功率放大器的第一信号，其中，所述第一信号包括输入信号、输出信号和特征信号，所述特征信号是所述功率放大器和/或所述输入信号的属性信息；

经由已训练神经网络接收对于所述第一信号的数字预失真权重；

利用所述数字预失真权重对所述功率放大器进行非线性补偿。