一种功率注入型多路自适应数字预失真算法及系统

1.本发明涉及无线通信技术领域，尤其涉及一种功率注入型多路自适应数字预失真(dpd)算法及系统。


背景技术：

2.典型的多输入多输出-正交频分复用(mimo-ofdm)发射机架构在4g 时已经被提出，在显著提高系统传输速率、提升频谱效率的基础上对频率选择性衰落，多径干扰这些问题也能够有效地解决。mimo技术与ofdm 技术的结合保证了通信系统能够实现很高的传输速率与很强的系统可靠性。
3.5g-nr中，大规模mimo技术极其有效的使信道容量、频谱效率、数据吞吐量这些指标得到提升，5g基站需要根据它们的类型，遵守各自的发射要求或传导要求。基站的应用指标有：基站输出功率，传输信号质量，信号带宽，邻信道泄露比，工作频带有害辐射，传输机杂散辐射，传输机互调等；基站中射频(rf)功率放大器(pa)的性能好坏对这些指标的影响是尤为关键的，射频功放固有的非线性和传输宽带信号时所表现的记忆效应以及应用在大规模mimo场景中的串扰效应恶化了通信系统的性能，影响了信号传输质量。
4.相较于传统的单输入单输出(siso)系统，mimo系统发射端的预失真器在技术上面临更多的挑战，由于发射机对多个信号同时进行上变频，在同一芯片上存在多条支路时多条支路之间便会产生串扰，串扰在芯片尺寸较小时所表现的效应更加显著，会直接导致射频功放输出信号的失真，进而影响了预失真器系数估计阶段的准确性，降低了预失真技术的性能。因此串扰抑制是多天线mimo系统发射端应用预失真技术时需要解决的重要问题。


技术实现要素：

5.本发明的目的是提供一种功率注入型多路自适应数字预失真算法及系统。
6.为了实现上述目的，本发明提供如下技术方案：
7.一种功率注入型多路自适应数字预失真算法，包括以下步骤：
8.s1、通过各支路基带输入和输出信号，分别构建在siso情况下的数字 pa的行为模型；
9.s2、在输入端引入串扰，利用记忆多项式模型得到串扰输出；
10.s3、利用功放的输入和串扰输出信号，构建在多输入多输出情况下的数字ph的行为模型；
11.s4、对每一条支路装配一个预失真模型，预失真模型包括预失真子模块一和预失真子模块二，其中，子模块一为siso情况下本支路功放的逆模型，预失真子模块二是以直接学习架构为基础的自适应预失真子模块；
12.s5、在各支路基带输入的基础上增加预失真子模块一输出的小功率注入信号和预失真子模块二输出的小功率注入信号，作为本支路功放在并联汉明模型表征情况下的输入。
13.进一步地，步骤s1中各路基带输入、输出信号都预先经过时域对齐和归一化处理。
14.进一步地，步骤s1通过归一化均方误差衡量模型精度。
15.进一步地，步骤s3通过归一化均方误差衡量模型精度。
16.进一步地，步骤s4中预失真子模块一的构建过程为：在确定逆模型的最高阶数、最大记忆深度后，将功放的预测输出转化为相应基函数矩阵，构建线性方程组，利用ls算法得到逆模型的系数矩阵。
17.进一步地，步骤s4中预失真子模块二的构建过程为：首先根据ph模型表达式建立原始小功率注入基函数集，对原始小功率注入基函数集进行正交化处理，通过svd分解后得到正交基函数集，在原始小功率注入基函数集列满秩的情况下，每个输出信号对应正交基函数的总个数等于每个输出信号对应的基函数总个数，否则每个输出信号对应正交基函数的总个数小于每个输出信号对应的基函数总个数。
18.进一步地，步骤s4中预失真子模块二通过智能群优化算法得到最优系数矩阵。
19.进一步地，步骤s4中预失真子模块二通过粒子群算法得到最优系数矩阵。
20.进一步地，粒子群算法的步骤为：
21.i.初始化各粒子的位置；
22.ii.计算各粒子的适应度值；
23.iii.在每次迭代的过程中更新各粒子的速度矢量与位置矢量；
24.iv.在迭代达到最大次数，或者一定次数的迭代变化情况小于所设置的阈值时结束算法。
25.本发明还提供了功率注入型多路自适应数字预失真系统，在每一条支路上装配一个预失真模块，以实现上述的算法，预失真模块包括子模块一和子模块二，子模块一为当前支路功率放大器的逆模型，子模块二为通过粒子群优化算法得到最优系数矩阵，当前支路的基带输入经由预失真模块输出预失真信号，预失真信号经过功率放大器后补偿功率放大器的非线性、记忆效应以及应用于mimo场景而产生的串扰效应。
26.与现有技术相比，本发明的有益效果为：
27.本发明的功率注入型多路自适应数字预失真算法及系统，采用直接学习架构进行dpd模块的构建，具有结构简单、便于实现的特点。预失真信号由三部分组成：原始基带信号和由两个预失真子模块产生的两种小功率基带信号，预失真信号经功放放大，观察输出信号的特性可以发现带外频谱扩展和带内失真都得到了很好的抑制，解决了mimo系统中功放的非线性、记忆效应以及串扰的问题，提高了mimo系统中功放的效率。
附图说明
28.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
29.图1为本发明实施例提供的功率注入型多路自适应数字预失真算法及系统的流程示意图。
30.图2为本发明实施例提供的siso数字功放模型的建模方法。
31.图3为本发明实施例提供的功率注入型多路自适应数字预失真模型。
32.图4为本发明实施例提供的预失真子模块二采用的粒子群算法的流程示意图；
33.图5为本发明实施例提供的各支路的输出频谱图。其中，图5(a)为支路1的输出频谱图，图5(b)为支路2的输出频谱图。
34.图6为本发明实施例提供的各支路的输出误差矢量幅度表图。
具体实施方式
35.本发明通过在mimo系统中构建功率注入型数字预失真模块，可以同时改善功放的非线性、记忆效应以及串扰效应，以提高发射机效率，应用在宽带通信系统时依然可以取得良好的效果。
36.本发明应用于5g大规模mimo天线阵列同样有着出色的线性化效果，该系统在每一条支路上装配一个预失真模块，子模块一为当前支路pa的逆模型，子模块二通过粒子群优化算法得到最优系数矩阵，当前支路的基带输入经由dpd模块输出预失真信号，预失真信号经过pa后补偿pa的非线性、记忆效应以及应用于mimo场景而产生的串扰效应。
37.本发明设计了一种功率注入型多路自适应数字预失真算法，包括以下步骤：
38.s1、通过各支路基带输入和输出信号，分别构建在siso情况下的数字 pa的行为模型；
39.s2、在输入端引入串扰，利用记忆多项式模型得到串扰输出；
40.s3、利用功放的输入和串扰输出信号，构建在多输入多输出情况下的数字ph的行为模型；
41.s4、对每一条支路装配一个预失真模型，预失真模型包括预失真子模块一和预失真子模块二，其中，子模块一为siso情况下本支路功放的逆模型，预失真子模块二是以直接学习架构为基础的自适应预失真子模块；
42.s5、在各支路基带输入的基础上增加预失真子模块一输出的小功率注入信号和预失真子模块二输出的小功率注入信号，作为本支路功放在并联汉明模型表征情况下的输入。
43.下面以2*2mimo天线阵列为例进行各支路输入输出关系的行为模型构建以及相应的预失真模型的设计，当支路增加时相应的行为模型和预失真装置的模型可以类似地进行构建。以2*2mimo天线阵列为例说明所述的功率注入型多路自适应数字预失真算法及系统，如图1所示，具体步骤如下：
44.步骤一、通过两路基带信号x
(1)
、y
(1)
、x
(2)
、y
(2)
，分别进行支路1和支路2在单输入单输出(siso)情况下的数字基带功放的行为模型构建，值得注意的是两路基带输入、输出信号都预先经过了时域对齐和归一化处理，将直接应用于行为模型地建模，x
(1)
＝[x
(1)
(1),x
(1)
(2),l,x
(1)
(n)]
t
， y
(1)
＝[y
(1)
(1),y
(1)
(2),l,y
(1)
(n)]
t
，x
(2)
，y
(2)
形式与x
(1)
，y
(1)
相同，n为基带信号的数量，[]
t
表示矩阵转置。
[0045]
考虑记忆多项式(mp)模型：
[0046][0047]
其中k为多项式阶数，m为记忆深度，a
m,k
为模型系数，||表示取模运算，模型系数通过构建线性方程组，利用最小二乘法(ls)得到，线性方程组的构建如图2所示。
[0048]
通过x
(1)
，y
(1)
得到支路1的功放系数后，利用记忆多项式模型，可以得到功放的预测输出y
(1)fit
，通过归一化均方误差 (nmse)衡量模型的精度：
[0049][0050]
其中d(n)表示理想输出信号，s(n)表示实际测得的输出信号，n表示采样点数。在模型精度达到要求后，相似的操作得到支路2的功放系数与功放的预测输出y
(2)fit
。
[0051]
步骤二、使用步骤一中得到的支路1与支路2的记忆多项式模型，引入-20db的串扰，通过功放的基带输入信号不仅与通过本支路的基带信号有关，还受到其它支路的基带输入信号的影响。对于支路1而言，此时的基带输入信号利用记忆多项式模型产生存在串扰情况下的功放输出y
(1)fit_crosstalk
，相似的操作可以得到支路2存在串扰情况下的功放输出y
(2)fit_crosstalk
。
[0052]
步骤三、利用基带信号x
(1)
、x
(2)
、y
(1)fit_crosstalk
、y
(2)fit_crosstalk
，分别进行支路1和支路2在多输入多输出情况下的数字基带功放的行为模型构建，考虑并联汉明(parallel hammerstein，ph)模型：
[0053][0054]
其中：
[0055][0056]
i为第i(＝1、2、
…
、s)条支路，x
(1)
(n-m)、
…
、x
(s)
(n-m)，为各支路基带信号x
(1)
(n)、
…
、x
(s)
(n)的m阶延迟项。
[0057]
对应于2*2mimo系统的ph模型，其形式为：
[0058][0059]
i为第i(＝1、2)条支路，k为阶数，m为记忆深度，b
(i)m,k2,k1
为模型系数，模型系数通过构建线性方程组，利用最小二乘法得到。通过x
(1)
、x
(2)
、 y
(i)fit_crosstalk
得到支路i的功放
系数后，利用并联汉明模型，可以得到功放的预测输出y
(i)crosstalk
，通过归一化均方误差(nmse)衡量模型精度。在模型精度达到规定要求后执行步骤四。
[0060]
步骤四、进行数字预失真模型的设计，如图3所示，预失真模型有两个子模块，先进行子模块一的设计。本发明中mimo系统的每一条支路都要装配一个预失真装置，支路1中，子模块1为siso情况下本支路功放的逆模型，同样考虑记忆多项式模型，在确定逆模型的最高阶数、最大记忆深度后，为了得到逆模型的系数矩阵将y
(1)fit
转化为相应基函数矩阵y
(1)fit
，构建线性方程组利用ls算法得到逆模型的系数矩阵。可以看出本发明中预失真子模块1的设计和单个pa 数字预失真时逆模型的设计是类似的。但是子模块1的输入信号已经不是基带信号，而是x
(1)-y
(1)crosstalk
，由于我们的功放模型是通过归一化输入、输出信号x(i)、y(i)(i＝1、2)得到的，功放复增益的模值近似为1，其逆模型复增益模值在理想情况下应为功放复增益模值的倒数，同样是一个接近1的常数，因此尽管本发明中原始基带信号都经过了归一化处理，但表征非线性、记忆效应、串扰效应的分量保留在了数据之中，这也是我们数字预失真需要处理的重要问题。经过上面的分析，我们知道x
(1)-y
(1)crosstalk
作为预失真子模块的输入信号，其模值，相对于基带信号x
(1)
是很小的，因此子模块的输出z
(1)inject1
也为小功率信号，构成了预失真信号的一部分。支路2的预失真子模块一设计过程与支路1类似。
[0061]
步骤五、进行预失真子模块二的设计，在步骤三中，我们通过ph模型表征了-20db串扰情况下，x
(1)
、x
(2)
、y
(1)crosstalk
、y
(2)crosstalk
的对应关系，在支路1中x
(1)
、x
(2)
、y
(1)crosstalk
的ph模型表达式基础上，设计预失真子模块二的思想是：利用ph模型，支路1的输入在x
(1)
的基础上增加预失真子模块1输出的小功率注入信号z
(1)inject1
，此时模型对应的输出信号会产生一定的预失真效果，表示基带信号被注入预失真子模块1产生的小功率信号再经过功放，一定程度上补偿了功放的非线性、记忆效应以及应用在mimo 场景下的串扰效应。我们现在需要利用预失真子模块二产生的小功率注入信号z
(1)inject2
，以构建完整的数字预失真装置，基带信号x
(1)
经过预失真装置后，其输出作为支路1功放在ph模型表征情况下的输入时，功放输出信号的带内失真以及带外失真情况将得到明显地改善。
[0062]
构建预失真子模块二的具体实施步骤是：
[0063]
首先根据ph模型表达式建立原始小功率注入基函数集u
(1)0(n-m)*k
，n 为基带数据总数，m为记忆深度，k为ph模型表达式中基函数的个数。为了提高后续算法的收敛性能，提高算法稳健性，对原始小功率注入基函数集进行正交化处理，通过svd分解后得到正交基函数集u
(1)orth(n-m)*k*
，k*为每个输出信号对应正交基函数的个数，在原始小功率注入基函数集 u
(1)0(n-m)*k
列满秩的情况下，有k*＝k；否则k*《k。
[0064]
子模块二的输出α
(1)
为系数矩阵，我们从自适应滤波的角度进行考虑，构建自适应预失真子模块二，将系数矩阵看作高维空间的一个点，为了找到最优系数，我们首先需要让α
(1)
接近α
(1)opt
，可以利用迭代lms算法完成：
[0065][0066]
其中，i为迭代次数，μ为lms算法的迭代步长，e
(1)*
(i)为考虑ph模型且在预失真子模块一的小功率注入信号的参与下，输出信号与对应基带输入信号的差值并取共轭。α
(1)
初始为0向量，即α
(1)
(0)＝[0，0，...，0]
t
，仅迭代数十次即可。
[0067]
步骤六、使α
(1)
(i 1)接近α
(1)opt
，在预失真子模块2得到α
(1)
(i 1)后，考虑智能群优化算法完成子模块二的全部功能实现。本发明使用粒子群算法 (pso)达到这一目的。
[0068]
i初始化各粒子的位置：其中 p
(0)
(n)表示第0次迭代时第n个粒子的位置坐标；r＝σ||α
(1)
(i 1)||，σ是小于1 的常数，||||表示取l2范数；rand()表示生成一个与α
(1)
规模相同的随机矢量，表示哈达玛(hadamard)积。
[0069]
ii计算各粒子的适应度值：
[0070][0071]
其中ph
(1)
表示针对于支路1输出的并联汉明模型，其形式在步骤三中已经给出，f
(0)
(n,x)表示第n个粒子在第0次迭代(初始化)时的适应度值，记录下各粒子在第i次迭代过程中适应度值最低时所对应的位置坐标，记作pbest(i)；以及全部粒子第i次迭代时适应度值最低的粒子所对应的位置坐标，记作gbest(i)。则：
[0072][0073]
iii在每次迭代的过程中更新各粒子的速度矢量与位置矢量：
[0074][0075]
p
(i 1)
(n)＝p(i)(n) v
(i 1)
(n)
[0076]
其中n＝1，2，
…
，n，n为粒子总数，i为迭代次数，c1、c2是学习因子，通常均设置为2。
[0077]
iv在迭代达到最大次数或者gbest(i)的变化在经过一定次数小于所设定的阈值时结束算法，此时gbest(i)对应的位置矢量即可认为是α
(1)opt
。
[0078]
支路2的预失真子模块二设计过程与支路1类似。至此完成预失真装置的设计。
[0079]
本发明支路1使用一个带宽为100mhz、papr为8.2db的ofdm信号作为测试信号，支路2使用一个带宽为100mhz、papr为9.0db的ofdm 信号作为测试信号进行实验，各支路引入-20db串扰后添加预失真模型，分析功放输出信号的带外失真以及带内失真，评估功率注入型多路自适应数字预失真算法应用于2*2mimo系统的效果。
[0080]
如图5所示，显示了预失真模块加入前后，功放输出信号的带外失真变化情况。通过功率注入型数字预失真算法的应用，如图5(a)所示，支路1的输出信号acpr由-31.2378dbc/-30.4613dbc改善为
ꢀ‑
47.3696dbc/-46.5634dbc，改善约16db。如图5(b)所示，支路2的输出信号acpr由-31.5914dbc/-31.1235dbc改善为-46.0921dbc/-46.3370dbc，改善约15db。
[0081]
图6显示了预失真模块加入前后，功放输出信号的带内失真变化情况。支路1的输出信号evm由11.23％改善为0.92％。支路2的输出信号evm 由13.37％改善为1.07％。
[0082]
本发明的优点在于：
[0083]
1.通过预失真子模块一和预失真子模块二得到小功率信号注入基带输入信号补
偿mimo系统在中功放的非线性、记忆效应以及串扰效应，当基带信号papr值较大，功放非线性强烈时依然可以在各支路取得良好的线性化效果。
[0084]
2.预失真子模块一的系数可以通过离线方法计算得到，一定程度上可以减少dpd的总运算量，而且功放行为模型相似的支路可以共用该子模块，进一步简化实际电路的结构。
[0085]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。