ADS论文

目录1 引言 (1)2 数字预失真器基础 (1)2.1 间接学习结构 (2)2.2 直接学习结构 (2)3 非线性预失真模型 (3)3.1 无记忆非线性模型 (3)3.2 记忆非线性模型 (4)3.3 神经网络模型 (6)4 数字预失真放大器的最新发展 (7)4.1Doherty放大器简介 (7)4.2 基于数字预失真的 Doherty功率放大 (8)摘要3G 无线通信系统对功率放大器的设计提出了更加严格的要求。

为了有效地利用宝贵的频谱资源，功率放大器既要保证高线性度以减小带外发射功率以及误码率，又要有较高的效率以减少电源消耗。

在众多功放线性化高效率技术中，数字预失真技术被认为是最有效的解决方案，受到越来越多的关注。

本文对数字预失真技术作了详细介绍，结合实例分析了当前主要的几种预失真模型和对应的预失真方案，并展望了 Doherty 放大器技术与数字预失真结合的应用方向。

关键词数字预失真；Doherty 功率放大器；记忆效应；非线性效应1引言功率率放大器作为现代通信系统中必不可少的部分，其特性对收发机的整体性能有重要影响。

WiMAX（worldwide interoperability for microwave access，全球微波互联接入）、WCDMA（wideband code division multiple access，宽带码分多址）等现代高速无线通信系统的广泛应用，对设计高效宽带发射机提出了更高要求，这些宽带通信系统使用的非恒包络调制方案一般都具有高峰均功率比。

为了对这些信号进行放大而不至于失真，功率放大器不得不采用较大的回退来保持放大信号的线性。

然而，这么做的结果是造成放大器的功率效率低下。

另外，放大器的输出还与之前的输入有关，这种记忆效应的存在也是导致信号失真的重要因素。

为了使工作在非线性区域的功率放大器仍能满足通信系统对线性化的要求，各种线性化技术被提出并应用于发送机上，如前馈、反馈和预失真。

鉴于良好的可控性和灵活性，数字预失真技术在这些技术中脱颖而出。

由于采用了数字化的实现方式，预失真操作易于管理和操控，有良好的适应性，对温度、电压甚至器件的改变不敏感。

数字预失真技术能从数字集成电路技术的不断发展中受益，不仅预失真器的成本可以降低，一些原来难以实现的复杂功放模型和自适应算法变为可能。

因此，数字预失真技术是最有前景的功放线性化技术。

此外，3G 通信市场的发展要求基站技术进一步改进。

3G 移动网络经过几年的发展，网络规模越来越大、网络的可靠性要求越来越高、网络部署的难度越来越大。

市场发展特点要求 3G 基站具有体积更小、更省电、成本更低、可靠性更高的特点。

基站功率放大器线性化程度更高，可以降低功耗，减少成本并提高可靠性。

数字预失真处理技术(DPD)成功用于 WCDMA 基站，使得功放效率从传统基站功放效率的9%提高到 19%。

更高效率的Doherty 功放技术在 WCDMA基站应用方面已经获得突破，Doherty 功率放大器采用载波放大器和峰值放大器分别对宽带信号的载波部分和峰值部分放大，可以把功放效率提高 27.6%。

目前，国内对这一领域的研究较少，一般是单独对DPD 算法的改进和仿真，或者 Doherty 放大器的设计，未见有把两者结合的应用。

本文对目前功率放大器数字预失真技术和Doherty 放大器的研究成果作一个总结，介绍了各种放大器预失真结构，并针对不同的非线性模型，讨论了各种模型的应用以及对应的自适应方法，同时分析了两者结合的发展趋势。

2数字预失真器基础失真系统基本结构如图 1 所示，预失真器在功率放器之前对输入信号先做预处理，它的传输特性刚好是放器特性的反函数，这样最后由放大器输出的信号就只有线性的增益了。

这一过程在图 2 中已画出，其中图 2（b）中间曲线表示了放大器的传输曲线，而图 2（a）是预失真器的传输曲线，两个模块组合的结果刚好把非线性部分抵消，于是最后整个系统的特性曲线是一条直线。

实际应用中，预失真线性化技术可分为射频/中频失真技术和数字预失真技术两种，其主要区别在于前者的预失真器在射频或中频电路中实现，后者的预失真器在数字电路中实现。

因为 DPD 不但具有更好的校正精准度、更低的成本，而且数字信号处理相比射频信号处理具有更大的灵活性，所以这里仅讨论数字预失真技术。

为了适应不同的放大器模型和自适应算法的需求，自适应预失真的结构一般分成两种：间接学习结构（indirect learning architecture）和直接学习结构（direct learning architecture）。

2.1间接学习结构间接学习结构如图 3 所示，它被现在的自适应记忆预真器广泛采用，这种结构最先被用在消除扬声器的非线性上。

在这种结构中，我们首先提取出后置滤波器的系数，这个滤波器作为非线性放大器模型的反函数，因此通常被称为后置反向滤波器（post-inverse filter）。

然后，这一系数被直接复制到前置的预失真滤波器。

Schetzen 在书中阐述了这一结构的理论基础。

种结构的缺点是输出检测 y(n)容易受到噪声的影响，导致收敛结果存在偏差。

2.2直接学习结构除了克服间接学习结构的缺点，人们提出了直接学习结构，它的结构如图 4 所示，在这种结构中，预失真器的系数由基于输入信号和差别信号的自适应算法更新，这样就解决了因为直接检测输出而引起的偏差。

这一结构可以提高预失真系统的性能，但同时也导致了收敛缓慢，计算复杂等问题3非线性预失真模型数字预失真技术的早期研究多集中在不考虑记忆效应的非线性模型上，其中比较有代表性的有以下几种。

3.1无记忆非线性模型（1）多项式模型这是所有模型中最简单的一种，计算时简单高效，能较好地表示高次项谐波引起的失真，但是对于其他更复杂的失真无能为力。

用x(t)和 y(t)分别表示功率放大器的输入和输出，这一模型可以表述为式(1)其中 bk 为系数。

在实际中，由于奇次项对信号失真影响较大，经常简化成与输入信号幅度有关的形式基于这一模型的预失真放大器结构如图 5 所示。

图中，Vm 是预失真前的信号，Vd 是预失真输出信，Vo 是放大器的输出信号。

预失真器的工作主要分成两个方面：一方面，模型参数提取并根据模型计算更新 LUT（look up table，查询表）；另一方面，根据|Vm|值查表对输入信号进行预失真。

在功放特征提取时，一般把式中的实部与虚部分别计算，或者幅度与相位分开计算。

根据放大器输出 Vo 和放大器输入 Vd，采用迭代的方法逐步求出多项式模型的系数。

在文献中，实验测试结果 ACPR（adjacent channel power ratio，邻信道功率比）改善达到 10 dB。

（2）Saleh 函数模型在这一模型中，放大器的 AM/AM 和 AM/PM 特性分别用式（3）和式（4）加以描述：其中αa、βa、αΦ、βΦ是常数，r 是输入信号的包络。

它能很好地表示在信号带宽上的频率无关特性，而且由于把幅度和相位分开计算，实现也相对简单。

随着放大器非线性的加大，Saleh 函数模型的准确性也会下降。

因此，Saleh 模型适用于非线性较弱的准线性放大器。

通过把α、β扩展成关于频率的函数，Saleh 模型还可以用于考虑记忆非线性系统。

3.2记忆非线性模型在现代宽带通信系统中，记忆效应的影响变得越来越明显，因此在预失真系统设计时考虑记忆效应成为必然趋势。

（1）Volterra 级数模型Volterra 级数是描述带有记忆性的非线性系统时最常用的模型，已经有相当多的研究。

Volterra 级数可以看成是线性卷积与非线性幂级数的组合，它描述了一个带有记忆性的非线性时不变因果系统。

离散时间的 Volterra 级数如下：h k 称为 Volterra kernel，x(n)和 y(n)分别表示输入和输出信号，k 表示 Volterra 级数的阶数。

这就是记忆长度为 M的Volterra 级数的一般形式。

这一模型的项数非常多，直接应用自适应计算比较困难。

因此，在实际中经常使用各种简化的方法。

使用这种模型的数字预失真放大器一般采用实现相对简单的间接学习结构（indirect learning architecture）；另外，V 矢量代数的方法也被应用于加快收敛速度[22]。

由于这种模型本身的复杂性，对于高阶系统，计算量大，难于实现。

（2）Wiener 模型Wiener 模型对 Volterra 级数进行了简化。

它由一个线性时不变系统和一个无记忆非线性系统组合而成，如图 6所示，我们用 LTI 表示线性时不变系统，用 NL 表示无记忆非线性系统。

可以看出，Wiener 模型简单地把记忆效应和非线性效应组合起来。

它的输出与 h(m)有着非线性的关系，这使得计算时比较麻烦。

（3）Hammerstein 模型与Wiener 模型类似，Hammerstein 模型采用先无记忆非线性系统后线性时不变系统的组合，如图 7 所示，表达式如下：如图 8 所示。

它由两个模块组成：第一部分是无记忆非线性的静态系统，采用 LUT 的形式实现，用于消除强非线性，其中 LUT 是预先测得的，这种做法主要是为了减小系统的复杂性；第二部分是一个动态的弱非线性记忆系统，分成两路并行的 FIR 滤波器，其中的第二组滤波器输入预先乘以|x(n)|是为了产生偶数阶的失真。

因为在第二部分中加入了具有弱非线性的二次项，这种改进有效地消除了因为偏置电路电阻变化和晶体管温度漂移所引起的失真，弥补了第一部分非线性系统静态的缺点。

（4）Wiener-Hammerstein 模型它把 Wiener 模型和Hammerstein 模型结合在一起，尽管它比 Wiener 和 Hammerstein 模型更具有通用性，但是这也导致了模型过于复杂，如图 9 所示。

图 8 改进的 Hammerstein 模型（5）并联 Wiener 模型并联 Wiener 模型如图 10 所示，它把多个 Wiener 模型的输出叠加在一起。

提出了一种并联Wiener 模型，并且分别在低功率放大器(手持设备)和高功率放大器(基站)上验证了模型的准确性，同时可以看出在高功率情况下记忆效应尤其明显，普通无记忆预失真已经不适用。

（6）Memory Polynomial 模型Hammerstein 模型的基础上，如果我们为不同的阶数k 选择不同的 g(m)值，可以得到式（10）：这一模型在 Volterra 模型的基础上作了很多简化，在保持了记忆效应的同时兼顾计算的复杂性，用于实际功率放大器的预失真取得了明显的性能改善，在很多文献中被实验验证。

3.3神经网络模型还有一种用于放大器预失真的模型是神经网络模型，这种方法灵活，适应性强，其结构如图11 所示，已经被用在无记忆非线性放大器预失真。