[发明专利]一种增强带外DPD线性化的谱加权SAMP方法

说明书

本发明公开了一种增强带外DPD线性化的谱加权SAMP方法，通过构建一个离线运行模块，先用测试信号驱动功率放大器(PA)得到PA的输入、输出数据，再将PA的输出信号在频域中进行带内陷波处理，然后对稀疏度自适应匹配追踪(SAMP)算法进行改进，运用改进后的算法，即谱加权策略的稀疏度适应匹配追踪(SW‑SAMP)算法来选择一组最相关的基函数，此过程只进行一次，将得到的最优基集输入在功放逆模型的预失真模块中，利用最小二乘法迭代来估计DPD模型系数，再对求行为模型的逆，然后把最终结果赋给预失真器。本发明提出的方法可以降低PA行为模型在前向路径中的计算复杂度，并且增加了整个预失真系统的稳定性。

技术领域

本发明属于数字信号处理领域，尤其涉及一种增强带外DPD线性化的谱加权SAMP方法。

背景技术

当今解决功率放大器(PA)固有线性度与低效率的最常用的方法是数字预失真技术(Digital PreDitortion，DPD)。随着4G通信而兴起的一些技术，如载波聚合或者MIMO，继而在5G中，不断增长的信号带宽和峰均功率比让预失真器在处理PA时遇到了困难。而DPD模型中补偿静态非线性和动态记忆效应所需要的参数数量非常大，增加了计算复杂性，这让DPD模型提取和自适应过程变得低效，导致了DPD估计参数时的过度拟合。然而，随着压缩感知(Compressive Sensing，CS)理论的发展与兴起，可以很好地解决自适应系统中的过拟合和复杂度高的问题，进而减少了所需DPD基函数的数目。

DPD模型降阶可以通过CS算法，如匹配追踪(MP)算法、正交匹配追踪(OMP)算法、广义正交匹配追踪(gOMP)算法、稀疏度自适应匹配追踪(SAMP)算法、最小二乘(LS)算法、稀疏贝叶斯学习(SBL)算法等。这些算法都能在不同程度上对功放的非线性进行有效改善，但为了无线通信系统的快速发展，开发新的更高效的预失真算法是促进当今行业发展的关键。

发明内容

针对现有技术的不足之处，本发明提供一种增强带外DPD线性化的谱加权SAMP方法，通过基于谱加权策略的稀疏度自适应匹配追踪(SW-SAMP)算法对功放模型进行降阶处理，进而补偿功放带外失真。

本发明的具体技术方案是：一种增强带外DPD线性化的谱加权SAMP方法，包括以下步骤：

步骤1：用一个测试信号来驱动GaN器件的AB型超宽带功率放大器，获得PA的输入输出数据；

步骤2：采用GMP模型作为全功放行为模型，获得用于PA模型辨识的感知矩阵；

步骤3：对PA的输出信号在频域中进行带内陷波处理，得到频域中的由滤波基函数组成的感知矩阵；

步骤4：采用基于谱加权策略的稀疏度自适应匹配追踪(SW-SAMP)算法对目标稀疏模型进行估计，得到一组最相关的基函数来描述PA的特性；

步骤4.1：初始化残差E₀＝Y_f，初始化信号稀疏度k，迭代稀疏度L＝k，迭代次数m＝1，支撑集Y_f为O×1维观测向量，Ψ_x,f为N×O维滤波感知矩阵，输出O×1维滤波残差

步骤4.2：计算选择i中L个最大值，得到与滤波残差最匹配的原子，将这些值对应于Ψ_x,f,{j}的列序号j构成集合Λ_k；

步骤4.3：更新支撑集C_k＝S_(m-1)∪Λ_k，Ψ_x,f,m＝{Υ_x,f,j|j∈C_k}；

步骤4.4：求解的最小二乘解：

步骤4.5：在中选择绝对值最大的L项，记为