基带预失真算法研究

论文摘要

高功率放大器是发射机的重要组成部分,工程中要求放大器具有良好的线性,尤其是OFDM和WCDMA系统对放大器的线性度要求更高。而现实中的高功率放大器的非线性和记忆效应使得发射机的增益不是常量。放大器的线性化有很多种方法,其中最有效的是一类称为预失真的方法,这类方法是在放大器前加入一个非线性器件来抵消放大器的非线性影响。在这类方法中,基带预失真被认为是性能最好的方法。传统的基带预失真算法大多是基于自适应滤波器进行设计的,这种方法的特点是可以对放大器多项式模型进行有效的线性化,但是同时也使得计算复杂度大大增加。基于对高功率放大器基带典型数学模型的观察,本文提出了一种全新的基带预失真方法。这种方法摒弃了传统方法中的自适应滤波器模式。通过对高功率放大器基带模型的反向求解来实现预失真算法,由此兼顾了精确和快速的优点。考虑到量化效应对除法以及开方运算精度的影响,本文对预失真器表达式的数学变换,去除了这些运算。在最终表达式只包含了对有限位浮点运算误差不敏感的乘法和加法运算,使得预失真器的性能大大提高。本文针对高功率放大器的无记忆模型和有记忆模型分别给出了相应的预失真器的设计方案,其中在放大器记忆模型的预失真器设计中使用了反向滤波器来抵偿高功率放大器的记忆效应。同时,本文进行了硬件结构设计的讨论。根据预失真器改进表达式的特点设计出了一种具有流水线特征的处理结构。这种硬件结构大大提高了对信号的处理能力,容易模块化甚至可以并行处理。

论文目录

• 摘要
• Abstract
• 第1章 预失真算法介绍
• 1.1 预失真器的由来
• 1.2 高功率放大器（HPA）的数学描述
• 1.3 预失真（predistortion）的几种传统方法
• 1.3.1 查找表算法（Lookup Table）
• 1.3.2 多项式算法（MEM-POLY）
• 1.3.3 滤波器查找表算法（Filter Lookup Table）
• 1.3.4 非直接学习算法（indirectlearning）
• 1.3.5 直接学习算法（direct learning）
• 1.4 本章小结
• 第2章 基于代数求解的预失真算法
• 2.1 Memoryless HPA模型的代数求解算法
• 2.1.1 算法公式的推导
• 2.1.2 代数求解预失真算法的实现
• 2.1.3 插值补偿
• 2.2 Wiener-Hammerstein模型的代数求解算法
• 2.2.1 有记忆HPA模型预失真算法整体方案
• 2.3 通用HPA模型的预失真算法
• 2.4 算法复杂度
• 2.5 本章小结
• 第3章 代数求解预失真算法的硬件结构
• 3.1 硬件实现的算法公式推导
• 3.2 具体的硬件实现
• 3.3 和其他算法的比较
• 3.3.1 运算量比较
• 3.3.2 流水线处理,可并行,增加数据吞吐量
• 3.4 本章小结
• 第4章 实验及结果
• 4.1 仿真环境介绍
• 4.2 主要性能参数
• 4.2.1 PSD
• 4.2.2 NMSE/OBO
• 4.2.3 收敛速度
• 4.2.4 星座图
• 4.3 TWT模型HPA下预失真算法性能比较
• 4.3.1 收敛速度
• 4.3.2 PSD图
• 4.3.3 星座图
• 4.4 Wiener-Hammerstein模型HPA下预失真算法性能比较
• 4.4.1 收敛速度
• 4.4.2 PSD
• 4.4.3 星座图
• 4.5 通用模型HPA下预失真算法性能比较
• 4.5.1 PSD图
• 4.5.2 星座图
• 4.6 本章小结
• 第5章 总结和展望
• 参考文献
• 攻读硕士学位期问发表的学术论文
• 致谢