[发明专利]功率放大器及其预失真模型生成方法及装置

说明书

本发明实施例提供一种功率放大器及其预失真模型生成方法及装置，所述方法包括：利用遗传算法对功率放大器模型的模型参数的取值进行筛选，确定所述功率放大器模型的模型输入矩阵；其中，所述功率放大器模型为广义记忆多项式模型；基于所述模型输入矩阵和训练数据，确定所述功率放大器模型的模型系数。本发明实施例提供的功率放大器及其预失真模型生成方法及装置，利用遗传算法对广义记忆多项式模型中影响功率放大器建模精度的关键项进行筛选，去除冗余项，在保证建模精度的前提下，降低了模型复杂度，节约了硬件资源，降低了功耗。

技术领域

本发明涉及通信技术领域，尤其涉及一种功率放大器及其预失真模型生成方法及装置。

背景技术

射频功率放大器作为基站中的最大的耗能器件，其效率和线性度直接影响基站的功耗和发射信号质量。为降低基站能耗，提升发射信号质量，数字预失真(Digital Pre-distortion,DPD)技术常用于功率放大器的线性度的校正。

现有技术中，DPD技术的关键在于获得精准的功率放大器模型，广义记忆多项式(General Memory Polynomial,GMP)模型是功率放大器模型的常用模型之一，GMP模型以其建模精度高和便于硬件实现等优点，在基站中得到广泛应用。通常基于训练数据，利用最小二乘方法求解，得到GMP模型的模型系数，再基于多项式求逆确定DPD模型，并根据DPD模型对信号进行预先的失真处理，使得级联功率放大器后的输出信号为线性放大。在确定GMP模型的模型系数的过程中，GMP模型的三个模型参数(信号记忆深度、模值记忆深度和非线性阶数)连续取值，GMP模型的模型输入矩阵的规模由模型参数和训练数据的长度N共同决定，模型输入矩阵的行数为(N+1)，列数为(I+1)·(J+1)·(K+1)，其中，I为信号记忆深度的最大值，J为模值记忆深度的最大值，K为非线性阶数的最大值。

但是，随着超高速率传输需求的增强，调制信号带宽随之增大，超宽带信号致使功率放大器记忆效应急剧增强，在运用GMP模型对强记忆功率放大器进行建模时，为准确拟合功率放大器行为，须增大模型中用于表征记忆效应的模型参数的取值。GMP模型记忆深度增大，会造成模型输入矩阵规模和矩阵条件数增大，影响模型系数求解的稳定性，降低DPD线性性能，并且产品中用于实现DPD技术所占用的硬件资源也会相应增加，加大产品功耗。

发明内容

本发明实施例提供一种功率放大器及其预失真模型生成方法及装置，用于解决现有技术中的上述技术问题。

为了解决上述技术问题，一方面，本发明实施例提供一种功率放大器及其预失真模型生成方法，包括：

利用遗传算法对功率放大器模型的模型参数的取值进行筛选，确定所述功率放大器模型的模型输入矩阵；其中，所述功率放大器模型为广义记忆多项式模型；

基于所述模型输入矩阵和训练数据，确定所述功率放大器模型的模型系数。

进一步地，所述利用遗传算法对功率放大器模型的模型参数的取值进行筛选，确定所述功率放大器模型的模型输入矩阵，具体包括：

利用遗传算法对所述模型参数的取值进行筛选，确定所述功率放大器模型的多项式中的关键项，所述关键项为所述功率放大器模型的多项式中对模型精度影响最大的项；

根据所述关键项确定所述模型输入矩阵。

进一步地，所述利用遗传算法对所述模型参数的取值进行筛选，确定所述功率放大器模型的多项式中的关键项，具体包括：

对所述模型参数的参数取值组合进行编码，确定每一参数取值组合的编码值；

从所有编码值中随机选取预设数量个编码值作为初始群体；

利用预设的适应度函数评价建模精度，并进行选择运算、交叉运算和变异运算；

更新迭代群体，直到达到预设迭代结束条件，输出所述关键项的参数取值组合的编码值；