论文部分内容阅读
功率放大器(Power Amplifier,PA)是无线发射机前端主要的非线性器件。数字预失真(Digital PreDistortion,DPD)因其良好的线性化性能、编程灵活、低成本等优势成为目前功放线性化的主流技术。未来通信系统的发展趋势呈现大带宽、小型化,低成本的特点。这些特点对传统的DPD技术带来了新的挑战。大带宽和低成本的趋势使得I/Q非平衡的问题更加严重,并且大带宽高峰均比的信号激励使得功放呈现更强更复杂的非线性和记忆效应。针对这两个问题本文重点讨论研究了I/Q非平衡的补偿技术和低复杂度、高性能的神经网络模型的行为建模问题。传统的I/Q非平衡补偿模型中大多都是只考虑发射链路中的正交调制非平衡(quadrature modulators imperfections,QMI),并没有考虑到反馈回路中存在的正交解调非平衡(quadrature demodulators imperfections,QDMI)。本文重点研究了反馈回路QDMI的补偿器模型,提出了一种迭代方法来精确求解DPD模型的参数。并且在此基础上推广应用到了大规模MIMO(Massive Multi-Input Multi-Output,Massive)架构下的场景中。考虑到多频带通信体制的发展,本文还提出了一种更加简单的联合补偿I/Q非平衡的双频模型,并给出了系统的实验验证。由于目前传统的数字预失真模型难以满足超宽带场景应用的需求。考虑到神经网络强大的非线性拟合能力,本文提出了基于递归神经网络(recurrent neu-ral network,RNN)模型的瞬时门控神经网络模型。考虑到传统基于多层感知机(multilayered perceptron,MLP)结构的神经网络模型性能受限于MLP结构本身对复杂记忆效应的拟合能力较弱这一缺陷,本文主要研究基于RNN结构的网络模型。文章分析了RNN结构的缺点,结合功放非线性产生的行为机制,把功放的非线性状态分为两部分:静态状态和记忆状态,进而引入两个状态控制单元,在RNN网络的基础上提出新型的瞬时门控递归神经网络结构。随后结合新结构的特点提出对应的行为模型。随后进行了一系列的优化设计,提出建模能力更强的增强型模型。由于本文提出的瞬时门控递归神经网络模型是基于功放非线性产生的行为机制提出,所以相比于传统的模型有更优的线性化性能,并且与其他基于RNN的变体模型结构更加简单并且模型性能相当,这些在实验中也得到了验证。本文回顾了现有的基于矢量分解的神经网络模型,分析了模型输入分解为I、Q两路输入时可能存在的一些问题。为避免这些问题,本文在现有的基于矢量分解的模型基础上结合本文提出的新网络模型提出了新的基于矢量分解的瞬时门控神经网络模型。这种基于矢量分解的神经网络模型从物理机制讲会更符合功放的物理特性,因此模型的总体参数个数会比I、Q两路输入的形式的神经网络模型参数个数更少,并且性能相当甚至更优。随后通过对传统单频模型和双频模型基函数的分析对比,通过构造双频的输入来构建出双频的神经网络行为模型。并且通过系统的实验对比,验证了提出的模型有良好的性能。