歡迎訪問成都黄瓜视频app下载官方污科技有限公司!黄瓜视频app下载官方污給您提供優質服務!
文章詳細 當前位置:黄瓜视频app下载官方污 > 電子知識
利用數字預失真線性化寬帶功率放大器(二)
來源:黄瓜视频app下载官方污科技   發布時間:2012-08-20  瀏覽數:2040    【收藏本頁】

本文第一部分主要介紹了德州儀器公司的GC5322型集成發射方案。下麵黄瓜视频app下载官方污將繼續討論線性化方案對於前置補償器具有高度精確模型的需求。

 

當前的DPD實現大多數采用無記憶線性化技術,其中采用瞬間非線性(預失真)來補償PA的瞬間非線性行為。無記憶性功率放大器的特點是其幅度和相位傳輸特性,此特性一般指AM到AM(即增益壓縮)和AM到PM特性。對這種無記憶性功放,可以采用一種通用查詢表(LUT)做前置補償器增益/相位校正。圖1示意了一種典型Doherty PA的增益壓縮和AM-PM特性。因為PA的增益和相位特性隨溫度、電壓、元件老化而變化,要達到真正高效和有效的線性化,就需要自適應控製查詢表。

 

 

利用數字預失真線性化寬帶功率放大器

 

對於PA必須支持更高射頻調製帶寬的通信係統,無記憶模式證明還不夠,因為它隻依賴於幅度,而不是依賴於頻率。必須支持大信號帶寬的PA表現出明顯的記憶效應,這是由於DC偏置網絡中元件的時間常數大,以及有源器件的快速熱效應。這樣造成PA特性隨早先輸入水平而變,因此需要使用能降低記憶效應的預失真結構。

 

任何高效的線性化方案都要求前置補償器有高度精確的模型,如果PA采用直接學習自適應架構,則也要求有高度精確的模型。文獻中提出了大量具有記憶性的非線性係統模型化技術,沒有一種方法能是一個普遍的解決方案。因此,模型選擇很難,並且依賴於應用。有效的PA模型必須能以合理的精度表示不同類型的非線性和記憶效應。

Volterra數列是一種更普遍的具有記憶性的時變非線性係統模型。包括多維卷積之和,分立時間因果形式下可以寫成式1,式A詳細給出條件,其中多維矩陣h1、h2、… hn為模型化非線性的n階Volterra係數,Mn為非線性的有限記憶長度。鑒於RF PA考慮到長記憶深度(達1微秒)和非線性級(達11級),上述模型在數學上無法處理。必須采用簡化方案以得到實際的前置補償器產品。這些簡化可以分為兩種基本方法:算術法和模型簡化法。對第一種,式1中的一般Volterra模型具有許多吸引人的算術特征,可以用於得到高效實現方案。對於模型簡化法,雖然需要完整的一般Volterra(或者某些其它一般模型),如大家所知,RF功率放大器模型一般有大量Volterra項,這些項在實施中沒有意義。這些項可以丟棄,不會造成線性性能出現可測量的惡化。

 

 

利用數字預失真線性化寬帶功率放大器
 

點擊查看大圖

 

現行文獻中給出了大量不同的簡化前置補償係統,都采用式1中的廣義模型。下麵列出這些係統中的幾個:

 

1. 截斷Volterra 文獻中提出了基於直接形式、並行級聯和矢量代數和其它截斷Volterra係統。這些算術簡化方法在線性化方麵效率很高,但計算複雜,並且因為要估算的參數數量龐大,常難以實現,使其對實際應用不具吸引力。

 

2. Wiener係統 Wiener模型是Volterra模型一種有意義的簡化,包括一個線性濾波器,後接無記憶非線性。可以采用查詢表對非線性進行模型化,也可用FIR濾波器線性對線性濾波器進行模型化。Werner係統在模型化大多數RF功率放大器方麵的有效性有限。模型參數的估算相當複雜,這使其對實時自適應沒有吸引力。

 

3.Hammerstein係統 此外,Hammerstein模型也是Volterra模型的一種簡化,包含一個無記憶非線性,後跟一個線性濾波器。這是一種簡單的記憶模型,其模型參數的計算比Wiener模型要簡單。這種模型對模型化所有不同類型RF功放的有效性有限。

 

4. Wiener-Hammerstein 將一個線性濾波器、一個無記憶線性與另一個線性濾波器級聯起來就構成了Weiner-Hammerstein模型。這種模型比Weiner或 Hammerstein模型更加一般,包括Volterra數列許多項,可以更好地進行非線性模型化。

 

5. 記憶多項式 限製(1)中的Volterra數列,使除了中心對角線上的項以外,各個項都為0,即隻有i1=i2=i3…時hn(i1,i2,i3…) != 0,得到如式子B所示的記憶多項式模型,其中M為記憶長度,K為非線性階數。

 

已經證明這種模型(及其變種)對線性化寬帶功放是有效的,硬件和軟件計算要求也合適。

 

文獻中也提出了上述模型的不同組合,每一種都有其優缺點。商業上可實施的前置補償器要求能夠擅長處理大量非線性行為,對不同應用可能需要不同模型。對於這些模型中的大多數而言,前置補償器係數適合采用最小二乘法識別的間接學習架構。

 

本文第三部分將討論如何采用采用算術和模型簡化方法的混合來實現前置補償。