CN113037226B - 基于自适应步长裁剪方法的数字预失真设计方法及装置 - Google Patents
基于自适应步长裁剪方法的数字预失真设计方法及装置 Download PDFInfo
- Publication number
- CN113037226B CN113037226B CN202110224309.9A CN202110224309A CN113037226B CN 113037226 B CN113037226 B CN 113037226B CN 202110224309 A CN202110224309 A CN 202110224309A CN 113037226 B CN113037226 B CN 113037226B
- Authority
- CN
- China
- Prior art keywords
- power amplifier
- input signal
- predistortion
- output signal
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F1/00—Details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements
- H03F1/34—Negative-feedback-circuit arrangements with or without positive feedback
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Amplifiers (AREA)
Abstract
本发明实施例提供了一种基于自适应步长裁剪方法的数字预失真设计方法及装置,所述方法包括:获取功率放大器输入信号和功率放大器输出信号;对功率放大器输入信号和功率放大器输出信号进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号;利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型;采用基于可变步长的自适应正则化子空间追踪ARSP‑VS算法对目标预失真模型进行裁剪,得到简化的预失真模型基函数组;利用最小二乘法,对简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数。本发明,能够对复杂的预失真模型进行裁剪,降低数字预失真器的复杂度。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种基于自适应步长裁剪方法的数字预失真设计方法及装置。
背景技术
随着移动通信的发展,人们对无线通信速率的需求日益提高,无线通信标准也在飞速发展,诸如GSM(Global System for Mobile Communications,全球移动通讯***)、CDMA(Code Division Multiple Access,码分多址)等通信标准,已被普遍使用以实现高数据速率传输和良好的频谱效率。频谱利用率较高的通信标准大都采用非恒定包络调制方式。与传统的恒定包络调制方式相比,非恒定包络信号具有宽带宽和高峰均比的特性,当非恒定包络信号由非线性功率放大器放大时,会在相邻信道中产生带内失真和频谱再生,给功率放大器的线性化设计带来了很严峻的挑战。预失真技术是当前应用最广泛的用于补偿功率放大器非线性失真的技术。预失真技术的基本原理为:在功率放大器的前端加一个和功率放大器功放传输特性相反的传输结构单元,以使该结构单元和功放级联使整个级联***呈现线性特性,如图1所示。图1中,原始输入信号Vi经过预失真器的传递函数F(·)得到信号Vd,信号Vd再经过功率放大器的传递函数G(·)得到输出信号Vout,该输出信号Vout与原始输入信号Vi呈线性关系。
线性化技术的研究离不开功率放大器行为模型的构建,在当前的DPD(DigitalPre-Distortion,数字预失真)***中,大多数行为模型都是Volterra级数模型的简化形式。现有数字预失真器设计方法过程可采用:对功率放大器原始输入信号,以及通过硬件反馈通道获取的射频功率放大器的输出信号,利用GMP(Generalized Memory Polynomial,广义记忆多项式)模型,间接学习结构建立预失真模型,进而得到数字预失真器。
然而发明人发现,现有利用GMP模型建立的预失真模型,为了补偿DPD***中较强的非线性失真,需要更高的多项式阶数和更长的存储深度,进而产生大量的系数,大大增加了模型的复杂度,因而亟需一种降低模型复杂度的方法,以实现低复杂度的数字预失真器。
发明内容
本发明实施例的目的在于提供一种基于自适应步长裁剪方法的数字预失真设计方法及装置,以对复杂的预失真模型进行裁剪,实现低复杂度的数字预失真器。具体技术方案如下:
第一方面,本发明实施例提供了一种基于自适应步长裁剪方法的数字预失真设计方法,所述方法包括:
获取功率放大器输入信号和功率放大器输出信号,所述功率放大器输入信号为基带信号,所述功率放大器输出信号为:所述功率放大器输入信号通过射频功率放大器放大并经过下变频操作和数字采样后得到的;
对所述功率放大器输入信号和所述功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号;
基于归一化处理后的功率放大器输入信号和功率放大器输出信号,利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型;
采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组;
利用最小二乘法,对所述简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数。
可选地,所述获取功率放大器输入信号和功率放大器输出信号的步骤,包括:
将进行数模转换前的基带信号,作为功率放大器输入信号;
功率放大器输入信号经过数模转换后,经过发射通道上变频后作为输入信号输入到功率放大器,经功率放大器放大后的信号,经预失真反馈通道进行下变频和采样后,得到功率放大器输出信号。
可选地,所述对所述功率放大器输入信号和所述功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号的步骤,包括:
利用幅度差值最小法,对所述功率放大器输入信号和所述功率放大器输出信号进行同步处理,得到同步处理后的功率放大器输入信号和功率放大器输出信号;
对所述同步处理后的功率放大器输入信号和功率放大器输出信号,分别用每个信号的幅度最大值进行归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
可选地,所述方法还包括:
将所述功率放大器输入信号,输入所述数字预失真器系数所对应的数字预失真器,得到预失真输出信号;
向硬件通信***发送所述预失真输出信号,并通过硬件反馈通道采集射频功率放大器输出信号;
对所述功率放大器输入信号和所述射频功率放大器输出信号进行归一化处理,计算归一化处理后的功率放大器输入信号与射频功率放大器输出信号的误差值,并根据所述误差值对所述数字预失真器的矫正效果进行判断。
可选地,所述采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组的步骤,包括:
步骤1:初始化算法各项参数,所述参数包括:初始稀疏度K0,稀疏度估计步长step1,支撑集F0以及残差r;
步骤2:计算观测矩阵Y中各列和所述残差r之间的相关系数u,并从所述u中选取K0个最大值对应的索引值存入索引集Js中,所述观测矩阵Y为:基于所述功率放大器输出信号,依据拟采用的多项式类基函数的预失真模型构建的;
步骤3:将所述索引集Js与所述支撑集F0进行并集操作,F0=F0∪Js;
步骤4:基于所述支撑集F0,对所述初始稀疏度K0进行估计并更新;
步骤5:初始化阶段值stage,阶段步长step,支撑集的长度q,支撑集A0,以及残差r0,迭代次数t;
步骤6:计算观测矩阵Y中各列和残差rt-1之间的相关系数u',并从所述u'中选取q个最大值对应的索引值存入索引集J中;
步骤7:将所述索引集J中索引值对应原子的相关系数进行正则化,并将正则化得到的索引值存入索引集J0中,以及将索引集J0与支撑集At-1合并赋值给临时支撑集I;
步骤8:基于所述临时支撑集I,观测矩阵Y,以及功放输入信号矩阵x,利用最小二乘法计算第一预失真系数并将所述中前q个最大元素所对应的索引值存入索引集I0,以及将临时支撑集I里面所述索引集I0所对应的索引值并入临时支撑集Anew中;
第二方面,本发明实施例提供了一种基于自适应步长裁剪方法的数字预失真设计装置,所述装置包括:
信号获取模块,用于获取功率放大器输入信号和功率放大器输出信号,所述功率放大器输入信号为基带信号,所述功率放大器输出信号为:所述功率放大器输入信号通过射频功率放大器放大并经过下变频操作和数字采样后得到的;
信号处理模块,用于对所述功率放大器输入信号和所述功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号;
模型建立模块,用于基于归一化处理后的功率放大器输入信号和功率放大器输出信号,利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型;
模型裁剪模块,用于采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组;
预失真器系数计算模块,用于利用最小二乘法,对所述简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数。
可选地,所述信号获取模块,具体用于:
将进行数模转换前的基带信号,作为功率放大器输入信号;
功率放大器输入信号经过数模转换后,经过发射通道上变频后作为输入信号输入到功率放大器,经功率放大器放大后的信号,经预失真反馈通道进行下变频和采样后,得到功率放大器输出信号。
可选地,所述信号处理模块,包括:
信号同步子模块,用于利用幅度差值最小法,对所述功率放大器输入信号和所述功率放大器输出信号进行同步处理,得到同步处理后的功率放大器输入信号和功率放大器输出信号;
归一化处理子模块,用于对所述同步处理后的功率放大器输入信号和功率放大器输出信号,分别用每个信号的幅度最大值进行归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
可选地,所述装置还包括:
预失真信号获取子模块,用于将所述功率放大器输入信号,输入所述数字预失真器系数所对应的数字预失真器,得到预失真输出信号;
射频功率放大器输出信号获取子模块,用于向硬件通信***发送所述预失真输出信号,并通过硬件反馈通道采集射频功率放大器输出信号;
校正结果判断子模块,用于对所述功率放大器输入信号和所述射频功率放大器输出信号进行归一化处理,计算归一化处理后的功率放大器输入信号与射频功率放大器输出信号的误差值,并根据所述误差值对所述数字预失真器的矫正效果进行判断。
可选地,所述模型裁剪模块,具体用于通过以下步骤实现采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组:
步骤1:初始化算法各项参数,所述参数包括:初始稀疏度K0,稀疏度估计步长step1,支撑集F0以及残差r;
步骤2:计算观测矩阵Y中各列和所述残差r之间的相关系数u,并从所述u中选取K0个最大值对应的索引值存入索引集Js中,所述观测矩阵Y为:基于所述功率放大器输出信号,依据拟采用的多项式类基函数的预失真模型构建的;
步骤3:将所述索引集Js与所述支撑集F0进行并集操作,F0=F0∪Js;
步骤4:基于所述支撑集F0,对所述初始稀疏度K0进行估计并更新;
步骤5:初始化阶段值stage,阶段步长step,支撑集的长度q,支撑集A0,以及残差r0,迭代次数t;
步骤6:计算观测矩阵Y中各列和残差rt-1之间的相关系数u',并从所述u'中选取q个最大值对应的索引值存入索引集J中;
步骤7:将所述索引集J中索引值对应原子的相关系数进行正则化,并将正则化得到的索引值存入索引集J0中,以及将索引集J0与支撑集At-1合并赋值给临时支撑集I;
步骤8:基于所述临时支撑集I,观测矩阵Y,以及功放输入信号矩阵x,利用最小二乘法计算第一预失真系数并将所述中前q个最大元素所对应的索引值存入索引集I0,以及将临时支撑集I里面所述索引集I0所对应的索引值并入临时支撑集Anew中;
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的一种基于自适应步长裁剪方法的数字预失真设计方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的一种基于自适应步长裁剪方法的数字预失真设计方法的步骤。
本发明实施例有益效果:
本发明实施例提供的一种基于自适应步长裁剪方法的数字预失真设计方法及装置,采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对目标预失真模型进行裁剪,得到简化的预失真模型基函数组,进而得到数字预失真器系数,相对于现有技术,能够对复杂的预失真模型进行裁剪,实现低复杂度的数字预失真器。且,因子空间追踪算法利用了回溯的思想,可以在算法每次迭代中选择多个列,能够提高算法的收敛速度和效率,在算法中增加正则化过程,可以对算法每次迭代中选择的候选集进行二次筛选,以去除不可靠的支撑集,进一步的,选择基于可变步长的自适应正则化子空间追踪算法,能够通过大步长快速逼近信号的稀疏度,再通过小步长完成对稀疏度的精确估计,进而较好地实现信号的重建精度和速度,能够提高预失真模型裁剪的效率,进一步提高数字预失真器的性能。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为预失真技术的基本原理示意图;
图2为压缩感知理论框架示意图;
图3为数字预失真***的结构示意图;
图4为本发明实施例提供的一种基于自适应步长裁剪方法的数字预失真设计方法的流程示意图;
图5为本发明实施例提供的一种基于自适应步长裁剪方法的数字预失真设计装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
为了解决由于记忆深度和强非线性特性导致的现有利用GMP模型建立的预失真模型复杂度高,故而亟需一种降低模型复杂度的方法,以实现低复杂度的数字预失真器的问题,本发明实施例提供了一种基于自适应步长裁剪方法的数字预失真设计方法,所述方法包括:
获取功率放大器输入信号和功率放大器输出信号,所述功率放大器输入信号为基带信号,所述功率放大器输出信号为:所述功率放大器输入信号通过射频功率放大器放大并经过下变频操作和数字采样后得到的;
对所述功率放大器输入信号和所述功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号;
基于归一化处理后的功率放大器输入信号和功率放大器输出信号,利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型;
采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组;
利用最小二乘法,对所述简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数。
本发明实施例提供的一种基于自适应步长裁剪方法的数字预失真设计方法,采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对目标预失真模型进行裁剪,得到简化的预失真模型基函数组,进而得到数字预失真器系数,相对于现有技术,能够对复杂的预失真模型进行裁剪,实现低复杂度的数字预失真器。且,因子空间追踪算法利用了回溯的思想,可以在算法每次迭代中选择多个列,能够提高算法的收敛速度和效率,在算法中增加正则化过程,可以对算法每次迭代中选择的候选集进行二次筛选,以去除不可靠的支撑集,进一步的,选择基于可变步长的自适应正则化子空间追踪算法,能够通过大步长快速逼近信号的稀疏度,再通过小步长完成对稀疏度的精确估计,进而较好地实现信号的重建精度和速度,能够提高预失真模型裁剪的效率,进一步提高数字预失真器的性能。
下面对本发明实施例提供的一种基于自适应步长裁剪方法的数字预失真设计方法进行详细介绍:
因压缩感知能够充分地利用信号的稀疏性和可压缩性,进而可以利用低维观测值有效地感知并重构稀疏信号,本发明实施例中将压缩感知运用到数字预失真技术中。压缩感知的理论主要包含了稀疏变换、信号观测和信号重构三个方面,其基本框架如图2所示。本发明实施例基于压缩感知技术,使用基于可变步长的自适应正则化子空间追踪算法实现对预失真模型进行裁剪。
本发明实施例所设计的数字预失真器可以应用于如图3所示的数字预失真***中,该数字预失真***主要包括:预失真器,数/模转换器,功率放大器,衰减器和模/数转换器。信号的预失真处理过程是在数字域完成的,具体的:原始输入信号x(n),通过预失真器得到预失真信号z(n),该预失真信号z(n)经过数/模转换器转换,调制和上变频操作(LO)后,成为射频功率放大器的输入信号zRF(t),输入信号zRF(t)再经由功率放大器放大后得到输出信号yRF(t),输出信号yRF(t)经过增益为1/p的衰减器(p为功率放大器的期望增益)后形成反馈,该反馈信号经过下变频操作(LO),解调和模/数转换器转换后,成为预失真器的另一路输入信号y(n)/p,预失真器再根据信号x(n)和y(n)/p计算更新预失真模型的系数。
参见图4,本发明实施例提供了一种基于自适应步长裁剪方法的数字预失真设计方法,该方法可以包括以下步骤:
S101,获取功率放大器输入信号和功率放大器输出信号。
本发明实施例中在设计预失真器时,可以先获取功率放大器输入信号和功率放大器输出信号,该功率放大器输入信号可以为基带信号,该功率放大器输出信号可以为:功率放大器输入信号通过射频功率放大器放大并经过下变频操作和数字采样后得到的。其中,本发明实施例中,射频功率放大器即表示功率放大器。
作为本发明实施例一种可选的实施方式,获取功率放大器输入信号和功率放大器输出信号的过程可以包括:
将进行数模转换前的基带信号,作为功率放大器输入信号;
功率放大器输入信号经过数模转换后,经过发射通道上变频后作为输入信号输入到功率放大器,经功率放大器放大后的信号,经预失真反馈通道进行下变频和采样后,得到功率放大器输出信号。
本发明实施例中,可以利用MATLAB产生基带信号,将进行数模转换前的基带信号作为功率放大器输入信号,进而将功率放大器输入信号经过数模转换后,经过发射通道上变频后作为输入信号输入到功率放大器,再通过功率放大器实现信号的增益放大,继而经预失真反馈通道进行下变频和采样后,得到功率放大器输出信号。实际应用中,可以利用频谱分析仪对增益放大的信号进行下变频操作和数字采样,得到功率放大器输出信号。
S102,对功率放大器输入信号和功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
本发明实施例中,在获取功率放大器输入信号和功率放大器输出信号之后,可以进一步对功率放大器输入信号和功率放大器输出信号进行同步处理以及归一化处理,以得到归一化处理后的功率放大器输入信号和功率放大器输出信号。其中,对功率放大器输入信号和功率放大器输出信号进行同步处理以及归一化处理的方式可以是多种多样的。本发明实施例提供了以下两种可行的实施方式,具体如下:
方式一,可以利用幅度差值最小法,对功率放大器输入信号和功率放大器输出信号进行同步处理,得到同步处理后的功率放大器输入信号和功率放大器输出信号;
对同步处理后的功率放大器输入信号和功率放大器输出信号,分别用每个信号的幅度最大值进行归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
本发明实施例中,可以先对功率放大器输入信号和功率放大器输出信号进行整数同步,然后在整数同步的基础上,对功率放大器输入信号和功率放大器输出信号做内插,再进一步做小数同步处理,得到同步处理后的功率放大器输入信号和功率放大器输出信号。
方式二,可以利用频域同步的方法,对功率放大器输入信号和功率放大器输出信号进行同步处理,得到同步处理后的功率放大器输入信号和输出信号;
对同步处理后的功率放大器输入信号和功率放大器输出信号,分别用每个信号的幅度最大值进行归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
本发明实施例中,可以先对功率放大器输入信号和功率放大器输出信号做傅里叶变换,将功率放大器输入信号和功率放大器输出信号转换成频域信号,进而寻找频域功率放大器输入信号和功率放大器输出信号之间的相位差,再对频域功率放大器输出信号做相位补偿,使频域功率放大器输入信号和功率放大器输出信号对齐,进而将对齐后的频域功率放大器输入信号和功率放大器输出信号转换成时域信号,得到同步处理后的功率放大器输入信号和功率放大器输出信号。
S103,基于归一化处理后的功率放大器输入信号和功率放大器输出信号,利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型。
在得到归一化处理后的功率放大器输入信号和功率放大器输出信号后,可以利用多项式类基函数的预失真模型进行预失真建模,得到待进行简化的目标预失真模型。其中,能够建立预失真模型的多项式类基函数的预失真模型可以有多种,例如,GMP模型,2-D-DPD(2-D Digital Predistortion,双频数字预失真)模型,MP(Memory Polynomials,记忆多项式模型)模型等。
本发明实施例中,以多项式类基函数的预失真模型为GMP模型对预失真器系数进行求解为例进行说明,GMP模型可以表示为:
其中,xGMP(n)表示预失真模型输出信号,y(n)表示n时刻的功放输出信号,l表示GMP模型对角项的记忆深度,m表示GMP模型超前及滞后项的记忆深度,k表示GMP模型的非线性阶数,y(n-l)表示n-l时刻的功率放大器输出信号,y(n-l-m)表示滞后n-l时刻m项的功率放大器输出信号,y(n-l+m)表示超前n-l时刻m项的功率放大器输出信号,Ka,La和akl分别表示GMP子模型的非线性阶数、记忆深度和模型系数;Kb,Lb,Mb和bklm分别表示功率放大器输出信号y(n-l)与其滞后输出信号y(n-l-m)包络交叉项的非线性阶数、记忆深度、滞后交叉项数与模型系数;Kc,Lc,Mc和cklm分别表示功率放大器输出信号y(n-l)与其超前输出信号y(n-l+m)包络交叉项的非线性阶数、记忆深度、超前交叉项数与模型系数。本发明实施例中,功放即功率放大器。
上述GMP模型表达式,可知,GMP模型需要选择3组系数,且,该GMP模型需要较高的非线性阶数和记忆深度以补偿功率放大器产生的强非线性失真。因此,GMP模型生成的观测矩阵Y中,将存在一些不需要的冗余项,从而导致系数量大量增加,其中,观测矩阵Y是每个列均由y(n-l)|y(n-l±m)|k组成的功放输出信号矩阵。故而,本发明实施例中,采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对利用多项式类基函数的预失真模型所建立的目标预失真模型进行裁剪,以简化模型。
S104,采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对目标预失真模型进行裁剪,得到简化的预失真模型基函数组。
本发明实施例中,可以采用ARSP-VS(Adaptive Regularized Subspace Pursuitbased Variable Step-size,基于可变步长的自适应正则化子空间追踪)算法对上述建立的目标预失真模型进行裁剪,得到简化的预失真模型基函数组。作为本发明实施例一种可选的实施方式,采用ARSP-VS算法对目标预失真模型进行裁剪,得到简化的预失真模型基函数组的实施方式,可以包括:
步骤1:初始化算法各项参数,参数包括:初始稀疏度K0,稀疏度估计步长step1,支撑集F0以及残差r。
本发明实施例中,ARSP-VS算法的输入可以是:上述利用多项式类基函数的预失真模型进行预失真建模时生成的观测矩阵Y(即上述每个列均由y(n-l)|y(n-l±m)|k组成的功放输出信号矩阵),功放输入信号矩阵x,以及初始步长step,命题参数δK,初始步长step和命题参数δK可根据实际需求进行设置。示例性的,初始化算法各项参数可以是:初始稀疏度K0=1,稀疏度估计步长step1=step,支撑集残差r=y。
步骤2:计算观测矩阵Y中各列和残差r之间的相关系数u,并从u中选取K0个最大值对应的索引值存入索引集Js中,观测矩阵Y为:基于功率放大器输出信号,依据拟采用的多项式类基函数的预失真模型构建的。
示例性的,可以利用表达式u=abs[YHr],计算观测矩阵Y中各列和残差r之间的相关系数u,进而从u中选取K0个最大值对应的索引值存入索引集Js中。
步骤3:将索引集Js与支撑集F0进行并集操作,F0=F0∪Js。
将索引集Js与支撑集F0进行并集操作,以更新支撑集F0。
步骤4:基于支撑集F0,对初始稀疏度K0进行估计并更新。
本发明实施例中,基于支撑集F0,对初始稀疏度K0进行估计并更新可以采用如下实施方式:
根据受限等距特性可知:当观测矩阵Y以参数(K,δK)满足受限等距特性时,如果K0≥K,则是真命题。该命题的逆否命题成立,即当观测矩阵Y以参数(K,δK)满足受限等距特性时,如果则K0≤K也是真命题。故根据此命题可不断增加K0的值来对稀疏度进行初始估计,当条件不满足时,K0作为稀疏度初始估计值,同时可以得到初始阶段步长。其中,K表示真实稀疏度,支撑集F0表示观测矩阵Y中与残差r最匹配的K0个原子对应的索引值的集合,(·)Τ表示(·)的转置,表示观测矩阵Y中对应支撑集F0的原子的集合。
本发明实施例中,对初始稀疏度K0进行估计并更新,可以减少算法自适应过程前期迭代中信号估计次数,从而能够降低算法计算的复杂度。
步骤5:初始化阶段值stage,阶段步长step,支撑集的长度q,支撑集A0,以及残差r0,迭代次数t。
步骤6:计算观测矩阵Y中各列和残差rt-1之间的相关系数u',并从u'中选取q个最大值对应的索引值存入索引集J中。
示例性的,可以利用表达式u'=abs[YHrt-1],计算观测矩阵Y中各列和残差rt-1之间的相关系数u',并从u'中选取q个最大值对应的索引值存入索引集J中。
步骤7:将索引集J中索引值对应原子的相关系数进行正则化,并将正则化得到的索引值存入索引集J0中,以及将索引集J0与支撑集At-1合并赋值给临时支撑集I。
示例性的,将相关系数进行正则化的过程可以是:在索引集J中寻找索引集J0(子集),满足:|u'(i)|≤|u'(j)|,for all i,j∈J0,选择所有满足要求的索引集J0中具有最大能量(||u'(J0)||2)的索引集J0,u'(i)表示第i个相关系数,u'(j)表示第j个相关系数。
步骤8:基于临时支撑集I,观测矩阵Y,以及功放输入信号矩阵x,利用最小二乘法计算第一预失真系数并将中前q个最大元素所对应的索引值存入索引集I0,以及将临时支撑集I里面索引集I0所对应的索引值并入临时支撑集Anew中。
本发明实施例中,在||rnew||2≥||rt-1||2的情况下,设定stage=stage+1,更新步长。因对于一个固定步长的算法来说,步长的选择对于恢复精度和恢复速度至关重要,往往精度和速度之间存在矛盾,一个较小的步长会带来较好的恢复精度但会造成很多的迭代次数,而一个较大的步长需要较少的迭代次数,但会牺牲恢复精度。本发明实施例中,使用基于可变步长的自适应正则化子空间追踪算法,通过大步长快速逼近信号的稀疏度,再通过小步长完成对稀疏度的精确估计,可以较好地实现信号的重建精度和速度。
本发明实施例中,采用ARSP-VS算法对目标预失真模型进行裁剪,以修剪功率放大器行为模型中的冗余项。ARSP-VS算法结合回溯思想、自适应思想以及正则化过程,且,增加了可变步长的设计,保障了信号重建的精度和速度。
参见图4,S105,利用最小二乘法,对简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数。
在对目标预失真模型进行裁剪,得到简化预失真模型之后,可以利用最小二乘法,对简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数,即得到数字预失真器。
本发明实施例中,在得到数字预失真器之后,可以将功率放大器输入信号通过数字预失真器进行预处理,再传输给功率放大器,得到预失真后的输出信号,该信号与功率放大器输入信号可以呈线性关系。实际应用中,可以通过多次预失真迭代处理达到更好的线性化效果。
本发明实施例提供的一种基于自适应步长裁剪方法的数字预失真设计方法,采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对目标预失真模型进行裁剪,简化的预失真模型基函数组,进而得到数字预失真器系数,相对于现有技术,能够对复杂的预失真模型进行裁剪,实现低复杂度的数字预失真器。且,因子空间追踪算法利用了回溯的思想,可以在算法每次迭代中选择多个列,能够提高算法的收敛速度和效率,在算法中增加正则化过程,可以对算法每次迭代中选择的候选集进行二次筛选,以去除不可靠的支撑集,进一步的,选择基于可变步长的自适应正则化子空间追踪算法,能够通过大步长快速逼近信号的稀疏度,再通过小步长完成对稀疏度的精确估计,进而较好地实现信号的重建精度和速度,能够提高预失真模型裁剪的效率,进一步提高数字预失真器的性能。
作为本发明实施例一种可选的实施方式,在得到数字预失真器之后,还可以进行如下操作:
将功率放大器输入信号,输入数字预失真器系数所对应的数字预失真器,得到预失真输出信号;
向硬件通信***发送预失真输出信号,并通过硬件反馈通道采集射频功率放大器输出信号;
对功率放大器输入信号和射频功率放大器输出信号进行归一化处理,计算归一化处理后的功率放大器输入信号与射频功率放大器输出信号的误差值,并根据误差值对数字预失真器的矫正效果进行判断。
本发明实施例中,可以在得到数字预失真器之后,将功率放大器输入信号输入数字预失真器,得到预失真输出信号,进而向硬件通信***发送预失真输出信号,并通过硬件反馈通道采集射频功率放大器输出信号,进一步对功率放大器输入信号和射频功率放大器输出信号进行归一化处理,计算归一化处理后的功率放大器输入信号与射频功率放大器输出信号的误差值,再根据该误差值对数字预失真器的矫正效果进行判断,以测试该数字预失真器的性能。
相应于上述图4所示的方法实施例,本发明实施例提供了一种基于自适应步长裁剪方法的数字预失真设计装置,如图5所示,所述装置包括:
信号获取模块201,用于获取功率放大器输入信号和功率放大器输出信号,功率放大器输入信号为基带信号,功率放大器输出信号为:功率放大器输入信号通过射频功率放大器放大并经过下变频操作和数字采样后得到的。
信号处理模块202,用于对功率放大器输入信号和功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
模型建立模块203,用于基于归一化处理后的功率放大器输入信号和功率放大器输出信号,利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型。
模型裁剪模块204,用于采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对目标预失真模型进行裁剪,得到简化的预失真模型基函数组。
预失真器系数计算模块205,用于利用最小二乘法,对简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数。
本发明实施例提供的一种基于自适应步长裁剪方法的数字预失真设计装置,采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对目标预失真模型进行裁剪,得到简化的预失真模型基函数组,进而得到数字预失真器系数,相对于现有技术,能够对复杂的预失真模型进行裁剪,实现低复杂度的数字预失真器。且,因子空间追踪算法利用了回溯的思想,可以在算法每次迭代中选择多个列,能够提高算法的收敛速度和效率,在算法中增加正则化过程,可以对算法每次迭代中选择的候选集进行二次筛选,以去除不可靠的支撑集,进一步的,选择基于可变步长的自适应正则化子空间追踪算法,能够通过大步长快速逼近信号的稀疏度,再通过小步长完成对稀疏度的精确估计,进而较好地实现信号的重建精度和速度,能够提高预失真模型裁剪的效率,进一步提高数字预失真器的性能。
可选地,上述信号获取模块201,具体用于:
将进行数模转换前的基带信号,作为功率放大器输入信号。
功率放大器输入信号经过数模转换后,经过发射通道上变频后作为输入信号输入到功率放大器,经功率放大器放大后的信号,经预失真反馈通道进行下变频和采样后,得到功率放大器输出信号。
可选地,上述信号处理模块202,包括:
信号同步子模块,用于利用幅度差值最小法,对功率放大器输入信号和功率放大器输出信号进行同步处理,得到同步处理后的功率放大器输入信号和功率放大器输出信号。
归一化处理子模块,用于对同步处理后的功率放大器输入信号和功率放大器输出信号,分别用每个信号的幅度最大值进行归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
可选地,上述装置还可以包括:
预失真信号获取子模块,用于将功率放大器输入信号,输入数字预失真器系数所对应的数字预失真器,得到预失真输出信号。
射频功率放大器输出信号获取子模块,用于向硬件通信***发送预失真输出信号,并通过硬件反馈通道采集射频功率放大器输出信号。
校正结果判断子模块,用于对功率放大器输入信号和射频功率放大器输出信号进行归一化处理,计算归一化处理后的功率放大器输入信号与射频功率放大器输出信号的误差值,并根据误差值对数字预失真器的矫正效果进行判断。
可选地,上述模型裁剪模块204,具体用于通过以下步骤实现采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对目标预失真模型进行裁剪,得到简化的预失真模型基函数组:
步骤1:初始化算法各项参数,参数包括:初始稀疏度K0,稀疏度估计步长step1,支撑集F0以及残差r。
步骤2:计算观测矩阵Y中各列和残差r之间的相关系数u,并从u中选取K0个最大值对应的索引值存入索引集Js中,观测矩阵Y为:基于功率放大器输出信号,依据拟采用的多项式类基函数的预失真模型构建的。
步骤3:将索引集Js与支撑集F0进行并集操作,F0=F0∪Js。
步骤4:基于支撑集F0,对初始稀疏度K0进行估计并更新。
步骤5:初始化阶段值stage,阶段步长step,支撑集的长度q,支撑集A0,以及残差r0,迭代次数t。
步骤6:计算观测矩阵Y中各列和残差rt-1之间的相关系数u',并从u'中选取q个最大值对应的索引值存入索引集J中。
步骤7:将索引集J中索引值对应原子的相关系数进行正则化,并将正则化得到的索引值存入索引集J0中,以及将索引集J0与支撑集At-1合并赋值给临时支撑集I。
步骤8:基于临时支撑集I,观测矩阵Y,以及功放输入信号矩阵x,利用最小二乘法计算第一预失真系数并将中前q个最大元素所对应的索引值存入索引集I0,以及将临时支撑集I里面索引集I0所对应的索引值并入临时支撑集Anew中。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现如图4所示一种基于自适应步长裁剪方法的数字预失真设计方法的步骤,以达到相同的技术效果。
上述电子设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一一种基于自适应步长裁剪方法的数字预失真设计方法的步骤,以达到相同的技术效果。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一一种基于自适应步长裁剪方法的数字预失真设计方法的步骤,以达到相同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、DSL(Digital Subscriber Line,数字用户线))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD(Digital Versatile Disc,数字多功能光盘))、或者半导体介质(例如SSD(Solid StateDisk,固态硬盘))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置/电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种基于自适应步长裁剪方法的数字预失真设计方法,其特征在于,所述方法包括:
获取功率放大器输入信号和功率放大器输出信号,所述功率放大器输入信号为基带信号,所述功率放大器输出信号为:所述功率放大器输入信号通过射频功率放大器放大并经过下变频操作和数字采样后得到的;
对所述功率放大器输入信号和所述功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号;
基于归一化处理后的功率放大器输入信号和功率放大器输出信号,利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型;
采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组;
利用最小二乘法,对所述简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数;
其中,所述采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组的步骤,包括:
步骤1:初始化算法各项参数,所述参数包括:初始稀疏度K0,稀疏度估计步长step1,支撑集F0以及残差r;
步骤2:计算观测矩阵Y中各列和所述残差r之间的相关系数u,并从所述u中选取K0个最大值对应的索引值存入索引集JS中,所述观测矩阵Y为:基于所述功率放大器输出信号,依据拟采用的多项式类基函数的预失真模型构建的;
步骤3:将所述索引集JS与所述支撑集F0进行并集操作,F0=F0∪JS;
步骤4:基于所述支撑集F0,对所述初始稀疏度K0进行估计并更新;
步骤5:初始化阶段值stage,阶段步长step,支撑集的长度q,支撑集A0,以及残差r0,迭代次数t;
步骤6:计算观测矩阵Y中各列和残差rt-1之间的相关系数u',并从所述u'中选取q个最大值对应的索引值存入索引集J中;
步骤7:将所述索引集J中索引值对应原子的相关系数进行正则化,并将正则化得到的索引值存入索引集J0中,以及将索引集J0与支撑集At-1合并赋值给临时支撑集I;
步骤8:基于所述临时支撑集I,观测矩阵Y,以及功放输入信号矩阵x,利用最小二乘法计算第一预失真系数并将所述中前q个最大元素所对应的索引值存入索引集I0,以及将临时支撑集I里面所述索引集I0所对应的索引值并入临时支撑集Anew中;
2.根据权利要求1所述的方法,其特征在于,所述获取功率放大器输入信号和功率放大器输出信号的步骤,包括:
将进行数模转换前的基带信号,作为功率放大器输入信号;
功率放大器输入信号经过数模转换后,经过发射通道上变频后作为输入信号输入到功率放大器,经功率放大器放大后的信号,经预失真反馈通道进行下变频和采样后,得到功率放大器输出信号。
3.根据权利要求1所述的方法,其特征在于,所述对所述功率放大器输入信号和所述功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号的步骤,包括:
利用幅度差值最小法,对所述功率放大器输入信号和所述功率放大器输出信号进行同步处理,得到同步处理后的功率放大器输入信号和功率放大器输出信号;
对所述同步处理后的功率放大器输入信号和功率放大器输出信号,分别用每个信号的幅度最大值进行归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
4.一种基于自适应步长裁剪方法的数字预失真设计装置,其特征在于,所述装置包括:
信号获取模块,用于获取功率放大器输入信号和功率放大器输出信号,所述功率放大器输入信号为基带信号,所述功率放大器输出信号为:所述功率放大器输入信号通过射频功率放大器放大并经过下变频操作和数字采样后得到的;
信号处理模块,用于对所述功率放大器输入信号和所述功率放大器输出信号,进行同步处理以及归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号;
模型建立模块,用于基于归一化处理后的功率放大器输入信号和功率放大器输出信号,利用多项式类基函数的预失真模型进行预失真建模,得到目标预失真模型;
模型裁剪模块,用于采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组;
预失真器系数计算模块,用于利用最小二乘法,对所述简化的预失真模型基函数组组成的预失真模型求取系数,得到数字预失真器系数;
其中,所述模型裁剪模块,具体用于通过以下步骤实现采用基于可变步长的自适应正则化子空间追踪ARSP-VS算法,对所述目标预失真模型进行裁剪,得到简化的预失真模型基函数组:
步骤1:初始化算法各项参数,所述参数包括:初始稀疏度K0,稀疏度估计步长step1,支撑集F0以及残差r;
步骤2:计算观测矩阵Y中各列和所述残差r之间的相关系数u,并从所述u中选取K0个最大值对应的索引值存入索引集JS中,所述观测矩阵Y为:基于所述功率放大器输出信号,依据拟采用的多项式类基函数的预失真模型构建的;
步骤3:将所述索引集JS与所述支撑集F0进行并集操作,F0=F0∪JS;
步骤4:基于所述支撑集F0,对所述初始稀疏度K0进行估计并更新;
步骤5:初始化阶段值stage,阶段步长step,支撑集的长度q,支撑集A0,以及残差r0,迭代次数t;
步骤6:计算观测矩阵Y中各列和残差rt-1之间的相关系数u',并从所述u'中选取q个最大值对应的索引值存入索引集J中;
步骤7:将所述索引集J中索引值对应原子的相关系数进行正则化,并将正则化得到的索引值存入索引集J0中,以及将索引集J0与支撑集At-1合并赋值给临时支撑集I;
步骤8:基于所述临时支撑集I,观测矩阵Y,以及功放输入信号矩阵x,利用最小二乘法计算第一预失真系数并将所述中前q个最大元素所对应的索引值存入索引集I0,以及将临时支撑集I里面所述索引集I0所对应的索引值并入临时支撑集Anew中;
5.根据权利要求4所述的装置,其特征在于,所述信号获取模块,具体用于:
将进行数模转换前的基带信号,作为功率放大器输入信号;
功率放大器输入信号经过数模转换后,经过发射通道上变频后作为输入信号输入到功率放大器,经功率放大器放大后的信号,经预失真反馈通道进行下变频和采样后,得到功率放大器输出信号。
6.根据权利要求4所述的装置,其特征在于,所述信号处理模块,包括:
信号同步子模块,用于利用幅度差值最小法,对所述功率放大器输入信号和所述功率放大器输出信号进行同步处理,得到同步处理后的功率放大器输入信号和功率放大器输出信号;
归一化处理子模块,用于对所述同步处理后的功率放大器输入信号和功率放大器输出信号,分别用每个信号的幅度最大值进行归一化处理,得到归一化处理后的功率放大器输入信号和功率放大器输出信号。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224309.9A CN113037226B (zh) | 2021-03-01 | 2021-03-01 | 基于自适应步长裁剪方法的数字预失真设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224309.9A CN113037226B (zh) | 2021-03-01 | 2021-03-01 | 基于自适应步长裁剪方法的数字预失真设计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113037226A CN113037226A (zh) | 2021-06-25 |
CN113037226B true CN113037226B (zh) | 2022-09-16 |
Family
ID=76464785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110224309.9A Active CN113037226B (zh) | 2021-03-01 | 2021-03-01 | 基于自适应步长裁剪方法的数字预失真设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113037226B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11770145B2 (en) | 2021-08-27 | 2023-09-26 | Samsung Electronics Co., Ltd | System and method for efficient initialization of memory digital pre-distorter coefficients to reduce calibration time |
CN114726703B (zh) * | 2022-02-23 | 2023-08-15 | 北京邮电大学 | 一种功率注入型多路自适应数字预失真算法及*** |
CN114598274B (zh) * | 2022-03-08 | 2023-04-07 | 北京邮电大学 | 一种面向宽带预失真的低复杂度查找表构建方法 |
CN114900244B (zh) * | 2022-05-13 | 2023-07-04 | 中国电子科技集团公司第三十研究所 | 一种基于开环数字预失真的信号失真控制*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103888396A (zh) * | 2014-03-26 | 2014-06-25 | 西安电子科技大学 | 基于自适应可变步长迭代的预失真方法 |
CN104580044A (zh) * | 2014-12-29 | 2015-04-29 | 大唐移动通信设备有限公司 | 一种预失真处理方法和*** |
CN110601665A (zh) * | 2019-08-23 | 2019-12-20 | 海南电网有限责任公司 | 一种基于功放模型裁剪的数字预失真器设计方法及装置 |
-
2021
- 2021-03-01 CN CN202110224309.9A patent/CN113037226B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103888396A (zh) * | 2014-03-26 | 2014-06-25 | 西安电子科技大学 | 基于自适应可变步长迭代的预失真方法 |
CN104580044A (zh) * | 2014-12-29 | 2015-04-29 | 大唐移动通信设备有限公司 | 一种预失真处理方法和*** |
CN110601665A (zh) * | 2019-08-23 | 2019-12-20 | 海南电网有限责任公司 | 一种基于功放模型裁剪的数字预失真器设计方法及装置 |
Non-Patent Citations (1)
Title |
---|
An Adaptive Regularized Subspace Pursuit based Variable Step-size Method for Power Amplifier Sparse Model Selection;Fen Wang等;《2021 IEEE MTT-S International Wireless Symposium (IWS)》;20210810;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113037226A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113037226B (zh) | 基于自适应步长裁剪方法的数字预失真设计方法及装置 | |
EP3633941B1 (en) | Correction device and correction method | |
JP5120178B2 (ja) | 非線形システム逆特性同定装置及びその方法、電力増幅装置及び電力増幅器のプリディストータ | |
EP3089414B1 (en) | Digital pre-distortion parameter obtaining method and pre-distortion system | |
US20140086361A1 (en) | Processor having instruction set with user-defined non-linear functions for digital pre-distortion (dpd) and other non-linear applications | |
US7847631B2 (en) | Method and apparatus for performing predistortion | |
CN104580044B (zh) | 一种预失真处理方法和*** | |
Wang et al. | Optimal sizing of generalized memory polynomial model structure based on hill-climbing heuristic | |
Tanio et al. | Efficient digital predistortion using sparse neural network | |
US20070133713A1 (en) | Power amplifier pre-distorter training | |
CN101610093B (zh) | 预失真装置、预失真***和预失真方法 | |
Abi Hussein et al. | Multi-stage digital predistortion based on indirect learning architecture | |
CN113868994A (zh) | 适用于基于cpwl函数的功放模型的门限值优化方法 | |
CN107786174B (zh) | 用于预失真的电路和方法 | |
Wang et al. | A joint crest factor reduction and digital predistortion for power amplifiers linearization based on clipping-and-bank-filtering | |
Xia et al. | Signal-based digital predistortion for linearization of power amplifiers | |
CN110086438B (zh) | 一种针对无源多波束发射机的数字预失真***及方法 | |
US9369093B2 (en) | Radio frequency power amplifier non-linearity compensation | |
CN113132279A (zh) | 一种预失真处理方法、装置、设备和存储介质 | |
Zhu et al. | Dice coefficient matching-based sparsity adaptive matching pursuit algorithm for the digital predistortion model pruning | |
WO2022262991A1 (en) | Systems and methods for multiband linearization using kernel regression | |
CN113055323B (zh) | 一种通信***的数字预失真处理的方法及*** | |
US20230275605A1 (en) | Signal distortion pre-correction method, device and non-volatile storage medium | |
CN111901004A (zh) | 平坦度的补偿方法和装置、存储介质和电子设备 | |
Wang et al. | A New Functional Link Neural Network Model with Extended Legendre Polynomials for Digital Predistortion for LTE Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |