数字预失真DPD详解+MATLAB仿真

前言

前段时间项目中遇到功放非线性失真问题，因此研究了数字预失真相关理论，主要参考Lei Ding博士的毕业论文【1】，对其中主要部分做一个概要抽取和总结，权当是学习记录。

简介

数字预失真 (Digital Pre-Distortion, DPD) 是一种用于改善射频功放 (PA) 非线性失真的技术，核心思想是根据PA的输入和输出信号对其非线性失真进行建模，然后在数字基带侧对原始波形进行反向处理，使得PA输出信号尽可能接近原始信号，从而提高信号质量。其在通信领域发挥了巨大的作用，对提高功放效率、改善误码率起了不可忽略的作用，广泛运用与通信、雷达等各种领域。

1、数字预失真的必要性

功率放大器是通信系统中不可缺少的器件，具有固有的非线性特性。非线性特性会产生频谱再生，导致相邻信道干扰。它还会引起带内失真，从而降低误码率（BER）性能。为了减少非线性影响，功率放大器可以在其工作曲线的线性部分内工作，但这会严重降低功放的效率。尤其是对于高峰均比的调制信号，如OFDM和WCDMA信号。因此在实际系统中，既希望得到良好的线性特性，又希望PA实现更高的效率。
为了满足以上需求，功放PA的线性化设计变得必不可少，其中DPD就是个非常有效的方法。这种方法在基带中增加了一个数字预失真器，以创建一个扩展的非线性特性，与功率放大器的非线性特性互补。理想情况下，预失真器和功率放大器的级联变为线性，使得原始输入被恒定增益放大。DPD系统的流程示意图如图1。

2、功放的建模

功放的建模主要有两类，即无记忆模型和有记忆模型。其主要区别在于功放响应的时延拓展$\Delta \tau$与传输信号的符号时长$T$的相对关系。当$T\gg \Delta \tau$时，可认为功法无记忆效应，否则认为功放有记忆效应。无记忆模型相对简单，预失真处理也相对容易；有记忆模型更加复杂，建模准确度和系统线性化效果会更好，尤其是对于WCDMA和OFDM类的信号。

2.1 功放的建模

考虑一个无记忆效应的功放，对于射频通带信号，其模型可以建立为如下：
$$\tilde{y}\left(t\right)=\sum _{k=1}^K{\tilde{b}}_k\cdot {\tilde{z}}^k\left(t\right)\text{\hspace{1em}(1)}$$

式中，${\tilde{b}}_k$是复幅度系数，$\tilde{z}\left(t\right)$是功放的通带输入信号，$\tilde{y}\left(t\right)$是功放的通带输出信号。下变频到基带之后，则功放的无记忆非线性模型为【2，3】：
$$y\left(t\right)=\sum _{k=1,\mathrm{odd}}^K{b}_k\cdot z\left(t\right)\cdot {\left|z\left(t\right)\right|}^{k-1}\text{\hspace{1em}(2)}$$

式中，
$$b_k=2^{1-k}\cdot \left(\begin{array}{c}k\\ \frac{k-1}{2}\end{array}\right)\cdot {\tilde{b}}_k\text{\hspace{1em}(3)}$$

$z\left(t\right)$是功放的基带输入信号，$y\left(t\right)$是功放的基带输出信号。因为偶次项在模型(1)中远离载波射频，下变频到基带之后不会对基带输出$y\left(t\right)$产生任何贡献，所以基带模型中只包含输入信号的奇次项。

从(2)式可以看出，由于功放的非线性，功放对输入信号带来了幅度和相位失真，于是就产生了所谓的功率放大器的AM/AM和AM/PM响应。图2所示是无记忆AB类功放典型的AM/AM和AM/PM响应图。

2.2 功放的建模

当输入信号带宽变宽时，例如在WCDMA和OFDM系统中，功放响应的时延拓展变得与输入信号的符号时长相当，此时就需要考虑功放的记忆效应。对于射频通带信号，其模型可用Volterra级数进行建模：
$$\tilde{y}\left(t\right)=\sum _{k=1}^K\int \cdots \int {\tilde{h}}_k\left({\tau }_k\right)\cdot \prod _{i=1}^k\tilde{z}\left(t-{\tau }_i\right)\mathrm{d}{\tau }_k\text{\hspace{1em}(4)}$$

式中，${\tau }_k={\left[{\tau }_1,\cdots ,{\tau }_k\right]}^T$，${\tilde{h}}_k\left(\cdot \right)$是实值k阶Volterra核函数，$\mathrm{d}{\tau }_k=\mathrm{d}{\tau }_1\mathrm{d}{\tau }_2\cdots \mathrm{d}{\tau }_k$。下变频到基带之后，则功放的模型为：
$$y\left(t\right)=\sum _{k=1}^K\int \cdots \int h_{2k+1}\left({\tau }_{2k+1}\right)\cdot \prod _{i=1}^{k+1}z\left(t-{\tau }_i\right)\cdot \prod _{i=k+2}^{2k+1}{z}^{\ast }\left(t-{\tau }_i\right)\mathrm{d}{\tau }_{2k+1}\text{\hspace{1em}(5)}$$

式中，
$$h_{2k+1}\left({\tau }_{2k+1}\right)=\frac{1}{2^{2k}}\left(\begin{array}{c}2k+1\\ k\end{array}\right){\tilde{h}}_{2k+1}\left({\tau }_{2k+1}\right)\exp \left(-j2\pi f_0\left({\sum }_{i=1}^{k+1}{\tau }_i-{\sum }_{i=k+2}^{2k+1}{\tau }_i\right)\right)\text{\hspace{1em}(6)}$$

${\left(\cdot \right)}^{\ast }$表示复共轭，$f_0$是载频。根据上述连续时间模型，可得离散时间模型：
$$y\left(n\right)=\sum _k\sum _{l_1}\cdots \sum _{l_{2k+1}}{h}_{2k+1}\left(l_1,l_2,\cdots ,l_{2k+1}\right)\prod _{i=1}^{k+1}z\left(n-l_i\right)\prod _{i=k+2}^{2k+1}{z}^{\ast }\left(n-l_i\right)\text{\hspace{1em}(7)}$$

从上式可以看出，Volterra级数的参数随着记忆深度呈指数级增加，因此实际系统往往不直接采用式(7)的模型，而通常采用如下几中Volterra级数的特殊形式：Wiener模型，Hammerstein模型，Wiener-Hammerstein模型，记忆多项式模型，Murray Hill模型。

1) Wiener-Hammerstein 模型
Wiener-Hammerstein 模型可由图3所示的示意图表示，系统由一个LTI系统、一个无记忆非线性、另一个LTI系统串联而成。

该模型中的子系统：
$$\begin{array}{l}u\left(n\right)=\sum _{l=0}^{L_a-1}{a}_{l}z\left(n-l\right)\\ v\left(n\right)=\sum _{k=1,\mathrm{odd}}^K{b}_{k}u\left(n\right){\left|u\left(n\right)\right|}^{k-1}\\ y\left(n\right)=\sum _{l=0}^{L_c-1}{c}_{l}v\left(n-l\right)\end{array}\text{\hspace{1em}(8)}$$

式中，$a_l$和$c_l$分别为无记忆非线性块前后LTI系统的脉冲响应抽头，$b_k$为非线性模块的系数。当$a_l$全为0时，该模型退化为Hammerstein模型；当$c_l$全为0时，该模型退化为Wiener模型。
2) 记忆多项式模型
记忆多项式模型使用Volterra级数的对角核，在式(7)的Volterra级数中，当$l_1=l_2=\cdots =l_{2k+1}=l$时，式(7)可简化为：
$$y\left(n\right)=\sum _{p=1,\mathrm{odd}}^P\sum _{l=0}^{L-1}{b}_{pl}z\left(n-l\right){\left|z\left(n-l\right)\right|}^{p-1}\text{\hspace{1em}(9)}$$

式中，$b_{pl}=h_{2k+1}\left(l,l,\cdots ,l\right)$。如果考虑交叉记忆项，则得到广义记忆多项式GMP，这里也不展开。

2.3 预失真处理方式

采用记忆模型的预失真器具有更宽泛的适用范围，对于无记忆和有记忆效应的功放均能够有效线性化。后续主要讨论带记忆效应的模型，无记忆效应的预失真器是有记忆效应的一种特例。
对于数字预失真器的构建，主要可以采用两种方式，即直接式和间接式。
1) 直接式
参考功放模型(8)，功放的输入信号为$z\left(n\right)$，输出信号为$y\left(n\right)$，那么可以根据参数估计的方式得到功放的脉冲响应或传递函数$H\left(z\right)$，那么只要把数字预失真器设计成传递函数的逆乘以功放的放大增益$G$即可，即$G\cdot H^{-1}\left(z\right)$。然而计算带记忆效应非线性系统的逆有时是不现实的。

2) 间接式
间接式的数字预失真器不直接估计功放的参数，而是采用图4所示的结构：

图中反馈路径上的”Predistorter Training(模块A)”输入是$y\left(n\right)/G$，$G$是功放的放大增益，输出是$\hat{z}\left(n\right)$。数字预失真器Predistorter是模块A的完全复制，其输入是$x\left(n\right)$，输出是$z\left(n\right)$。理想情况下，期望$y\left(n\right)=G\cdot x\left(n\right)$，这使得$z\left(n\right)=\hat{z}\left(n\right)$并且误差项$e\left(n\right)=0$。如果给定输入$y\left(n\right)$和观测值$z\left(n\right)$，并知道模块A的模型结构，我们可以利用参数估计的方法估计模块A的参数，进而得到数字预失真器Predistorter。
实际在应用时，通常可以认为功放的变化是缓慢的，因此可以对功放离线输入$z\left(n\right)$并测量$y\left(n\right)$，进而估计数字预失真器参数。一旦获取数字预失真器参数后，预失真器保持不变，直到功放特性发生较大变化。

注：对于功放而言，输入是$z\left(n\right)$输出是$y\left(n\right)$；而对于模块A而言，输入是$y\left(n\right)/G$，输出观测值是$\hat{z}\left(n\right)=z\left(n\right)$，需要进行参数估计的是模块A而不是功放！

3、预失真设计

如上所述，间接式数字预失真器设计的关键在于”Predistorter Training(模块A)”的设计。类似于功放模型，模块A的模型也参考Volterra级数。同样考虑到Volterra级数的复杂性，实际中通常只考虑Volterra级数的几种特殊情况，包括Hammerstein模型，记忆多项式模型，记忆多项式和Murray Hill联合模型。
这里只考虑最常用的记忆多项式模型，其他的模型后续总结。

3.1 记忆多项式预失真器设计

考虑如图3所示的间接式的预失真器结构，记忆多项式预失真器 (Predistorter，也就是模块A) 的模型可表述为：
$$z\left(n\right)=\sum _{k=1,\mathrm{odd}}^K\sum _{q=0}^Q{a}_{kq}\frac{y\left(n-q\right)}{G}{\left|\frac{y\left(n-q\right)}{G}\right|}^{k-1}\text{\hspace{1em}(10)}$$

式中，$y\left(n\right)/G$和$z\left(n\right)$分别是预失真器的输入和输出，$a_{kq}$是预失真器的系数。观察式(9)可以发现，对于系数$a_{kq}$，输入$y\left(n\right)/G$和输出$z\left(n\right)$，式(9)是一个线性方程，因此预失真器的系数$a_{kq}$可以直接通过最小二乘法估计得到。
定义一个新序列：
$$u_{kq}\left(n\right)=\frac{y\left(n-q\right)}{G}{\left|\frac{y\left(n-q\right)}{G}\right|}^{k-1}\text{\hspace{1em}(11)}$$

式(9)可以写为矩阵形式：
$$\mathbf{z}=\mathbf{Ua}\text{\hspace{1em}(12)}$$

式中，
$$\begin{array}{l}\mathbf{z}={\left[z\left(1\right),z\left(2\right),\cdots ,z\left(N-1\right)\right]}^T\\ \mathbf{U}=\left[{\mathbf{u}}_{10},\cdots ,{\mathbf{u}}_{K0},\cdots {\mathbf{u}}_{1Q},\cdots ,{\mathbf{u}}_{KQ}\right]\\ {\mathbf{u}}_{kq}={\left[u_{kq}\left(1\right),u_{kq}\left(2\right),\cdots ,u_{kq}\left(N-1\right)\right]}^T\\ \mathbf{a}={\left[a_{10},\cdots ,a_{K0},\cdots a_{1Q},\cdots ,a_{KQ}\right]}^T\end{array}\text{\hspace{1em}(13)}$$

根据最小二乘法可得：
$$\hat{\mathbf{a}}={\left({\mathbf{U}}^H\mathbf{U}\right)}^{-1}{\mathbf{U}}^H\mathbf{z}\text{\hspace{1em}(14)}$$
式中，${\left(\cdot \right)}^H$表示矩阵的共轭转置。

3.2 记忆多项式预失真器仿真

功放的非线性模型采用Wiener-Hammerstein 模型，无记忆非线性模块前后的LTI模块分别用$H(z)$和$G(z)$表示。模型参数如下：
$$\begin{array}{l}H\left(z\right)=\frac{1+0.5z^{-2}}{1-0.2z^{-1}}\\ G\left(z\right)=\frac{1-0.1z^{-2}}{1-0.4z^{-1}}\end{array}\text{\hspace{1em}(15)}$$

无记忆非线性模块的模型为：
$$v\left(n\right)=\sum _{k=1,\mathrm{odd}}^K{b}_{k}u\left(n\right){\left|u\left(n\right)\right|}^{k-1}\text{\hspace{1em}(16)}$$

式中，$u\left(n\right)$和$v\left(n\right)$分别是无记忆非线性模块的输入和输出，且参数$b_k$从一个实际的AB类功率放大器中提取：
$$b_1=1.0108+j0.0858,b_2=0.0879-j0.1583,b_3=-1.0992-j0.8891\text{\hspace{1em}(17)}$$

对于式(10)描述的数字预失真器，设置模型中包含两个时延抽头，非线性阶数为5阶，即$Q=2,K=5$。训练信号为OFDM信号，共2048个有效子载波，调制方式为QPSK。下面两个图分别是功率谱密度和频域信号的星座图。

图中蓝色线表示信号经过理想线性功放的输出；红色线表示信号只经过非线性功放后的输出；青色线表示信号经过训练后的数字预失真器，然后经过非线性功放后的输出。从图中可以看出，相邻信道干扰没有明显改善，但是带内失真得到了明显的改善。
注：相邻信道干扰确实没有明显改善，可能是参数设置或者训练信号选取的不好，后续再继续尝试尝试，如果有懂的大神，还望不吝赐教。

总结

本博客根据Ding L博士的毕业论文总结了数字预失真DPD的基本理论，并介绍了功放非线性模型的常用的Volterra级数以及几种特殊情况下的模型：分别是Wiener模型，Hammerstein模型，Wiener-Hammerstein模型，记忆多项式模型。然后介绍了间接式的数字预失真器的设计，并给出了仿真结果。

参考文献

【1】Ding L .Digital Predistortion of Power Amplifiers for Wireless Applications[D]. 2004.DOI:10.1109/EUCAP.2006.4584692.
【2】Benedetto, S. and Biglieri, E., Principles of Digital Transmission with Wireless
Applications. New York, NY: Kluwer Academic/Plenum, 1999.
【3】Raich, R. and Zhou, G. T., “On the modeling of memory nonlinear effects of power
amplifiers for communication applications,” in Proc. IEEE Digital Signal Processing
Workshop, Oct. 2002.

本文作者： 渺小的颗星
本文链接：https://blog.csdn.net/weixin_40319158/article/details/148636596?spm=1011.2124.3001.6209
版权声明： 转载请注明出处！