技术领域
[0001] 本
发明涉及
功率放大器的线性化系统及其方法，特别是涉及一种基于模式识别的功率放大器动态线性化系统及其方法。
背景技术
[0002] 在第五代无线通信系统(5G)中，动态功率传输技术将会被广泛利用，以实现对功率资源的高效利用。功率放大器作为5G系统中的关键器件，它不仅会出现传统系统中静态的带内失真以及带外失真，也会出现由输入
信号功率动态改变引起的动态状态变化。这不可避免地影响到解调后信号的
质量。传统的
数字预失真技术是用来消除功放的静态非线性失真以及保持其高效率工作的常用技术。然而，这种动态功率传输的场景会给功放的线性化任务带来新的挑战。有一些学者已经提出基于功率指标的查找表方法、插值方法等，能够有效地解决动态功率传输问题。
[0003] 然而，由于功放具有十分复杂的特性，上述这些传统的仅仅基于功率指标的动态线性化方法会存在一些不足之处，这体现在，即使在某个固定的
输入信号功率
水平，功放的状态也会由于许多其它非功率的改变而发生变化，例如，热效应。因此，亟需开发一种能够识别功放的不同状态，并实现其动态线性化的方法。
发明内容
[0004] 发明目的：本发明的目的是提供一种基于模式识别的功率放大器动态线性化系统及其方法，能够识别功放的不同状态，并实现其动态线性化。
[0005] 技术方案：为达到此目的，本发明采用以下技术方案：
[0006] 本发明所述的基于模式识别的功率放大器动态线性化系统，包括：
[0007]
特征向量生成模
块：用于生成表征功率放大器当前状态的特征向量；
[0008] 多层
感知器模块：对功率放大器的特征向量进行模式识别，得到对功率放大器当前状态的模式识别结果；
[0009] 预失真系数查找表模块：根据
多层感知器的识别结果，索引对应于功率放大器当前状态的预失真系数，产生对应于功率放大器当前状态的预失真信号；
[0010] 矢量信号模块：用于产生线性化系统训练以及线性化系统运行时的原始信号；
[0011] 发射链路模块：将
数字信号转换为
模拟信号，并将其变频到功率放大器的工作频段内，接收动态功率调整的信息并动态改变
输出信号的功率，以便验证系统功能；
[0012] 功率放大器模块：对信号功率放大并输出；
[0013] 反馈回路模块：采集功率放大器的输出信号，并发送到特征向量生成模块和预失真系数查找表模块进行处理，完成系统训练和系统运行的后续工作。
[0014] 采用本发明所述的基于模式识别的功率放大器动态线性化系统的方法，包括系统训练过程和系统运行过程：
[0015] 系统训练过程包括以下步骤：
[0016] S1.1：收集系统
训练数据，将矢量信号模块的输出信号x(n)发送到发射链路模块，调整发射链路模块的输出功率，得到N个功率放大器当前状态下的输入信号x(n)和输出信号y(n)；n为对功率放大器的输入信号和输出信号的总
采样点数；
[0017] S1.2：特征向量生成模块利用步骤S1.1中得到的x(n)和y(n)生成N*k个特征向量，其中k为每个功率放大器当前状态下生成的特征向量的数量；
[0018] S1.3：利用步骤S1.2中得到的N*k个特征向量及其对应的功率放大器状态训练多层感知器模块；
[0019] S1.4：通过预失真系数查找表模块建立预失真系数查找表，利用N个功率放大器当前状态下的输入信号和输出信号得到N组功率放大器的预失真系数；
[0020] 系统运行过程包括以下步骤：
[0021] S2.1：收集系统运行数据，将矢量信号模块的输出信号x1(n)发送到发射链路模块，在系统训练时发射链路模块输出功率的范围内随机调整发射链路模块的输出功率，得到功率放大器某个未知状态下的输入信号x1(n)和输出信号y1(n)；
[0022] S2.2：特征向量生成模块利用步骤S2.1中得到的x1(n)和y1(n)生成功率放大器在当前未知状态下的特征向量；
[0023] S2.3：运行多层感知器模块，对功率放大器当前未知状态下生成的特征向量进行模式识别；
[0024] S2.4：根据多层感知器模块的模式识别结果，在预失真系数查找表模块中选择相应的一组预失真系数，对矢量信号模块的输出信号x1(n)进行预失真处理并发送到发射链路模块，利用从反馈回路模块得到的功率放大器输出信号，测试线性化效果。
[0025] 进一步，所述步骤S1.2中的特征向量通过以下方法生成：
[0026] S1.2.1：根据式(1)对x(n)、y(n)进行模值归一化处理：
[0027]
[0028] S1.2.2：建立一个r*r的零矩阵P；r为系统训练时，对功率放大器输入信号和输出信号的量化
分辨率；
[0029] S1.2.3：对矩阵P进行填充：对于某个时间点的x(n)，y(n)，把矩阵P的第 行，第 列的元素填充为“1”，遍历整个时间序列，就完成了P矩阵的填充；
[0030] S1.2.4：将P矩阵按列排开，得到表征功率放大器当前状态的特征向量V。
[0031] 进一步，所述步骤S2.2中的特征向量通过以下方法生成：
[0032] S2.2.1：根据式(2)对x1(n)、y1(n)进行模值归一化处理：
[0033]
[0034] S2.2.2：建立一个r1*r1的零矩阵P1；r1为系统运行时，对功率放大器输入信号和输出信号的量化分辨率；
[0035] S2.2.3：对矩阵P1进行填充：对于某个时间点的x1(n)、y1(n)，把矩阵P1的第行，第 列的元素填充为“1”，遍历整个时间序列，就完成了P1矩阵的填充；
[0036] S2.2.4：将P1矩阵按列排开，得到表征功率放大器当前状态的特征向量V1。
[0037] 进一步，所述步骤S1.3具体包括以下步骤：
[0038] S1.3.1：多层感知器模块的输入为功率放大器当前状态下的特征向量V，输出为多层感知器模块对功率放大器的当前状态向量s的估计 如(3)式所示：
[0039]
[0040] 其中，θ为多层感知器模块中的层间权重参数；
[0041] S1.3.2：建立平方误差函数：
[0042]
[0043] S1.3.3：利用梯度法优化θ：
[0044]
[0045] 其中，θold为优化前的θ，θnew为优化后的θ。
[0046] 进一步，所述步骤S1.4具体包括以下步骤：
[0047] S1.4.1：利用式(6)所示的记忆多项式模型对功率放大器进行建模，将系统训练时得到的功率放大器输入信号和输出信号按列排开，得到式(7)；
[0048]
[0049] Y＝XC (7)
[0050] 其中，M为记忆多项式的最大记忆深度，N为记忆多项式的最高非线性阶数，cji为记忆多项式中对应于j阶记忆深度、i阶非线性阶数的系数，x(n-j)为n-j时刻功率放大器输入信号的复数值，y(n)为功率放大器输出信号，Y为功率放大器输出信号按列排开得到的功率放大器输出信号矢量；X为功率放大器输入信号按列排开并对每一列进行非线性运算以及延时处理，再合并每一列后得到的功率放大器输入信号矩阵；C为系数按列排开得到的系数矢量；
[0051] S1.4.2：利用式(8)求解预失真系数：
[0052] CLS＝(XHX)-1XHY (8)
[0053] 其中，CLS为预失真系数。
[0054] 有益效果：本发明公开了一种基于模式识别的功率放大器动态线性化系统及其方法，采用一种新的标准，即幅度调制到幅度调制(AM/AM)的模式，来识别功率放大器的工作状态，利用多层感知器神经网络对功放AM/AM的识别结果，来索引不同的预失真系数，实现功放的动态线性化。与传统的功率查找表、功率索引
算法相比，本方法可以提供更好的线性化性能。此外，本发明还能够解决由
温度，
频率，带宽和信号类型等许多其他非功率因素变化引起的功放动态情况下的线性化问题。
附图说明
[0055] 图1为本发明具体实施方式中的系统
框图；
[0056] 图2是将发明具体实施方式的系统应用在信号带宽为20MHz、预失真与线性化带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)，并调整功放的输入信号功率(即发射链路的输出功率)在10个不同水平下(从-18.7dBm到-16.0dBm，以0.3dBm为间隔)，得到功放的10条AM/AM曲线；
[0057] 图3是将发明具体实施方式的系统应用在信号带宽为20MHz、预失真与线性化带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)，采用不同分辨率时，特征向量生成步骤示意图；其中，图3(a)为原始数据，图3(b)、图3(c)、图3(d)和图3(e)分别为采用分辨率4*4、16*16、36*36和64*64时生成的特征向量；
[0058] 图4是将发明具体实施方式的系统应用在信号带宽为20MHz、预失真与线性化带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)，对某个未知功放状态(输入功率为-17.4dBm)的模式识别结果；
[0059] 图5是将发明具体实施方式的系统应用在信号带宽为20MHz、预失真与线性化带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)，基于功率索引查找表的线性化系统与所提出的基于模式识别查找表线性化系统的性能比较。
具体实施方式
[0060] 下面结合具体实施方式对本发明的技术方案作进一步的介绍。
[0061] 本具体实施方式公开了一种基于模式识别的功率放大器动态线性化系统，如图1所示，包括：
[0062] 特征向量生成模块：用于生成表征功率放大器当前状态的特征向量；
[0063] 多层感知器模块：对功率放大器的特征向量进行模式识别，得到对功率放大器当前状态的模式识别结果；
[0064] 预失真系数查找表模块：根据多层感知器的识别结果，索引对应于功率放大器当前状态的预失真系数，产生对应于功率放大器当前状态的预失真信号；
[0065] 矢量信号模块：用于产生线性化系统训练以及线性化系统运行时的原始信号；
[0066] 发射链路模块：将数字信号转换为模拟信号，并将其变频到功率放大器的工作频段内，接收动态功率调整的信息并动态改变输出信号的功率，以便验证系统功能；
[0067] 功率放大器模块：对信号功率放大并输出；
[0068] 反馈回路模块：采集功率放大器的输出信号，并发送到特征向量生成模块和预失真系数查找表模块进行处理，完成系统训练和系统运行的后续工作。
[0069] 本具体实施方式还公开了采用上述系统的功率放大器动态线性化方法，包括系统训练过程和系统运行过程：
[0070] 系统训练过程包括以下步骤：
[0071] S1.1：收集系统训练数据，将矢量信号模块的输出信号x(n)发送到发射链路模块，调整发射链路模块的输出功率，得到N个功率放大器当前状态下的输入信号x(n)和输出信号y(n)；n为对功率放大器的输入信号和输出信号的总采样点数；
[0072] S1.2：特征向量生成模块利用步骤S1.1中得到的x(n)和y(n)生成N*k个特征向量，其中k为每个功率放大器当前状态下生成的特征向量的数量；
[0073] S1.3：利用步骤S1.2中得到的N*k个特征向量及其对应的功率放大器状态训练多层感知器模块；
[0074] S1.4：通过预失真系数查找表模块建立预失真系数查找表，利用N个功率放大器当前状态下的输入信号和输出信号得到N组功率放大器的预失真系数；
[0075] 系统运行过程包括以下步骤：
[0076] S2.1：收集系统运行数据，将矢量信号模块的输出信号x1(n)发送到发射链路模块，在系统训练时发射链路模块输出功率的范围内随机调整发射链路模块的输出功率，得到功率放大器某个未知状态下的输入信号x1(n)和输出信号y1(n)；
[0077] S2.2：特征向量生成模块利用步骤S2.1中得到的x1(n)和y1(n)生成功率放大器在当前未知状态下的特征向量；
[0078] S2.3：运行多层感知器模块，对功率放大器当前未知状态下生成的特征向量进行模式识别；
[0079] S2.4：根据多层感知器模块的模式识别结果，在预失真系数查找表模块中选择相应的一组预失真系数，对矢量信号模块的输出信号x1(n)进行预失真处理并发送到发射链路模块，利用从反馈回路模块得到的功率放大器输出信号，测试线性化效果。
[0080] 步骤S1.2中的特征向量通过以下方法生成：
[0081] S1.2.1：根据式(1)对x(n)、y(n)进行模值归一化处理：
[0082]
[0083] S1.2.2：建立一个r*r的零矩阵P；r为系统训练时，对功率放大器输入信号和输出信号的量化分辨率；
[0084] S1.2.3：对矩阵P进行填充：对于某个时间点的x(n)，y(n)，把矩阵P的第 行，第列的元素填充为“1”，遍历整个时间序列，就完成了P矩阵的填充；
[0085] S1.2.4：将P矩阵按列排开，得到表征功率放大器当前状态的特征向量V。
[0086] 步骤S2.2中的特征向量通过以下方法生成：
[0087] S2.2.1：根据式(2)对x1(n)、y1(n)进行模值归一化处理：
[0088]
[0089] S2.2.2：建立一个r1*r1的零矩阵P1；r1为系统运行时，对功率放大器输入信号和输出信号的量化分辨率；
[0090] S2.2.3：对矩阵P1进行填充：对于某个时间点的x1(n)、y1(n)，把矩阵P1的第行，第 列的元素填充为“1”，遍历整个时间序列，就完成了P1矩阵的填充；
[0091] S2.2.4：将P1矩阵按列排开，得到表征功率放大器当前状态的特征向量V1。
[0092] 步骤S1.3具体包括以下步骤：
[0093] S1.3.1：多层感知器模块的输入为功率放大器当前状态下的特征向量V，输出为多层感知器模块对功率放大器的当前状态向量s的估计 如(3)式所示：
[0094]
[0095] 其中，θ为多层感知器模块中的层间权重参数；
[0096] S1.3.2：建立平方误差函数：
[0097]
[0098] S1.3.3：利用梯度法优化θ：
[0099]
[0100] 其中，θold为优化前的θ，θnew为优化后的θ。
[0101] 步骤S1.4具体包括以下步骤：
[0102] S1.4.1：利用式(6)所示的记忆多项式模型对功率放大器进行建模，将系统训练时得到的功率放大器输入信号和输出信号按列排开，得到式(7)；
[0103]
[0104] Y＝XC (7)
[0105] 其中，M为记忆多项式的最大记忆深度，N为记忆多项式的最高非线性阶数，cji为记忆多项式中对应于j阶记忆深度、i阶非线性阶数的系数，x(n-j)为n-j时刻功率放大器输入信号的复数值，y(n)为功率放大器输出信号，Y为功率放大器输出信号按列排开得到的功率放大器输出信号矢量；X为功率放大器输入信号按列排开并对每一列进行非线性运算以及延时处理，再合并每一列后得到的功率放大器输入信号矩阵；C为系数按列排开得到的系数矢量；
[0106] S1.4.2：利用式(8)求解预失真系数：
[0107] CLS＝(XHX)-1XHY (8)
[0108] 其中，CLS为预失真系数。
[0109] 下面以一个
实施例，对本方法进行验证。
[0110] 为了测试所提出的基于模式识别的功率放大器动态线性化系统及其方法的表现，将发明具体实施在信号带宽为20MHz、预失真与线性化带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)的场景下，调整功放的输入功率(与发射链路的输出功率等效)为从-18.7dBm到-16.0dBm，以0.3dBm为间隔，得到10个不同功放状态下的10组输入输出信号，即步骤S1.1。这10个状态下对应的AM/AM曲线如图2所示。
[0111] 然后，进行步骤S1.2，利用10组输入输出信号，分别进行特征向量生成，图3为其中某一状态下，特征向量生成过程的示意图。其中，图3(a)为原始数据，图3(b)、图3(c)、图3(d)和图3(e)分别为采用分辨率为4*4，16*16，36*36，64*64时，生成的特征向量，实施例中，采用16*16分辨率进行特征向量的生成。
[0112] 接下来，进行步骤S1.3，利用10个状态下的特征向量，以及与之对应的已知功放状态，利用梯度法，对多层感知器进行训练。此时，再输入一个未知的功放特征向量，训练好的多层感知器就能有效地对该特征向量进行模式识别，识别出未知状态与哪个训练中的功放状态最为相似。
[0113] 最后，进行步骤S1.4，利用10组训练的功放输入输出数据，如步骤S1.4所述，采用记忆多项式模型，利用最小二乘算法，得到10组功放的预失真系数，利用10个已知的功放状态，索引这10组功放的预失真系数。
[0114] 2.然后是系统运行的过程：
[0115] 首先进行步骤S2.1，将功放的输入功率置于一个未知的状态(-17.4dBm，不在训练的功率点上)。然后进行步骤S2.2，生成该状态下的功放特征向量。接下来进行步骤S2.3，利用多层感知器对-17.4dBm输入功率状态下功放特征向量进行模式识别，最后，进行步骤S2.4，根据多层感知器对未知特征向量的模式识别结果，来选取一组特定的预失真系数。这样，如图1所示，原始信号x(n)经过预失真系数查找表后，得到了预失真信号p(n)，p(n)再经过功放以后就得到了线性化的功放输出信号y(n)。
[0116] 值得指出的是，为了对比本发明中基于功放模式索引预失真系数查找表的方式与传统的基于功率数值索引预失真系数查找表的方式，在运行传统线性化方法时，与上述过程不同的是，步骤S2.3中不是利用模式来索引预失真系数，而是利用最接近的功率数值。而步骤S2.4中，则根据训练时与-17.4dBm下最接近的功率，来索引预失真系数。
[0117] 利用传统方法，必须已知功放的输入信号功率，即-17.4dBm，根据上述功率最接近的原则，选用系统训练时-17.5dBm的一组预失真系数。
[0118] 而利用本发明中方法，对-17.5dBm的输入功率状态下功放特征向量的模式识别结果如图4所示，即系统运行时-17.4dBm下的功放状态与系统训练时-17.2dBm下的功放状态最为相似，因此，索引-17.2dBm对应的预失真系数对原始信号x(n)进行预失真处理。
[0119] 图5与表1比较了利用本发明中方法索引的预失真系数(-17.2dBm)与利用传统功率方法索引的预失真系数(-17.5dBm)的线性化性能表现。
[0120] 表1-17.4dBm下的功放线性化性能对比
[0121]
[0122] 通过观察图5以及表1，可以得出结论，利用本发明中基于模式的方法选取的-17.2dBm下的预失真系数与利用传统基于功率的方法选取的-17.5dBm下的系数都能有效地实现功放的线性化，但是本发明中利用模式相似度选取的-17.2dBm下的预失真系数能够达到更好的结果，这意味着本发明中基于模式识别的功率放大器动态线性化系统及其方法，相比于传统的基于功率水平索引查找表的动态线性化算法，能够达到更好的线性化性能。
