[发明专利]一种基于两级开环和二元函数的功率放大器行为建模方法

说明书

本发明提供一种基于两级开环和二元函数的功率放大器行为建模方法，涉及非线性系统建模与分析应用技术领域，本方法利用两级开环结构和二级函数单元，仅需要较少的参数和无反馈路径就可以完成对具有记忆效应的非线性功率放大器的建模，对带内失真和频谱再生提供了很好的建模精度，通过提高功率放大器的建模精度，以减少含有功率放大器电路的系统中的非线性噪声对系统的干扰。

技术领域

本发明涉及非线性系统建模与分析应用技术领域，尤其是一种基于两级开环结构和二元函数单元的功率放大器行为建模方法。

背景技术

功率放大器是发射机的重要模块，是一个复杂的非线性系统。为了能使功率放大器高效率的工作，功率放大器中的晶体管多工作在接近饱和区甚至截止区，因此功率放大器经常会产生严重的非线性失真，并且因为器件的等效电抗影响，功率放大器会产生记忆效应。

数字预失真模块可以用低成本、高精度的方法有效去除功率放大器以及系统的非线性，也因此成为现代无线发射机中不可或缺的一部分。在信号的数字预失真阶段，需要对功放的特性进行建模。功率放大器数字预失真的线性化性能和实际可用性很大程度上取决于相关非线性功率放大器行为模型的准确性和复杂性。

功放的建模方法可分为物理建模和行为建模两种：物理建模通常要求知道功放的电路结构、相关的元器件特性、基本电路定律以及相关理论规则等；而行为建模则仅需利用功放的输入输出数据，采用黑盒的方式描述系统响应特性，分析更为简便。

按照模型所反映的物理本质，将行为模型分为无记忆模型、有记忆模型等。无记忆功放模型相对简单，对于窄带系统建模有很好的效果。但是实际中的功放属于典型的非线性记忆系统。有记忆模型一般采用基本的双块-Hammerstein模型，时间延迟神经网络(TDNN)模型和闭环非线性自动-回归移动平均(NARMA)模型，与开环功率放大器模型相比，闭环NARMA模型在具有记忆效应的功率放大器建模方面表现出相对更高的准确性。然而，闭环功率放大器模型需要额外的反馈路径来返回功率放大器输出的实时采样，这使得使用闭环模型的数字预失真技术的实现对于移动终端和高频系统来说是不方便的。此外，目前功率放大器的记忆模型一般都是一元函数单元，一元函数单元的本质是认为不同时刻输入值分别独立影响输出值，而不同时刻输入值相关性对功率放大器的输出值也存在影响，这个影响是目前存在的功率放大器建模方法没有考虑过的。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于两级开环结构和二元函数单元的功率放大器行为建模方法。该方法利用两级开环结构和二级函数单元，仅需要较少的参数和无反馈路径就可以完成对具有记忆效应的非线性功率放大器的建模，对带内失真和频谱再生提供了很好的建模精度，通过提高功率放大器的建模精度，有助于减少含有功率放大器电路的系统中的非线性噪声对系统的干扰。

为了实现上述目标，本发明采用如下的技术方案：

一种基于两级开环和二元函数的功率放大器行为建模方法，包含如下步骤：

步骤1)：采集功率放大器的输入信号数据向量x_in＝[x_in(1),x_in(2),x_in(3),...,x_in(N)]和输出信号数据向量y_out＝[y_out(1),y_out(2),y_out(3),...,y_out(N)]，其中每个元素表示一个信号数据，N为数据长度；

步骤2)：建立功率放大器行为模型的第一级部分：前向路径μ(k)，其输入变量包含瞬时样本和过去的样本，表达式如下：