预失真技术综述

预失真技术综述1.1数据预失真技术数据预失真技术[i][ii]是一种最为简单的预失真补偿技术，该技术是针对信号星座经过非线性卫星信道后发生扭曲变形这一现象，通过在成型滤波之前直接修改发送信号的映射星座图，使接收端尽可能接收到理想的星座，从而减小卫星信道非线性对整个系统的性能影响。根据预失真值与输入数据的前后码元是否有关，数据预失真分为无记忆数据预失真和有记忆数据预失真[iii]两种。目前这两种技术都是基于无记忆非线性卫星信道进行研究，还没有针对高速的有记忆非线性卫星信道的研究。无记忆数据预失真方法简单，易于实现，但对于有记忆的非线性信道，其补偿性能已经不能满足要求。有记忆的数据预失真可以有效降低码间串扰，提高补偿性能，但随着调制阶数和记忆长度的增加，其存储空间和计算复杂度将迅速增加，实现复杂度过大。1.2信号预失真技术信号预失真是在发送滤波器之后，通过修改发送信号的波形来补偿非线性失真的一种技术，其实现方法分为查询表和工作函数法两种。查询表预失真技术产生于上世纪80年代，其实现方式是把高功放的输入功率(或幅度)作为查询表的索引指针，把高功放的复增益预调整值作为指针对应内容存储在RAM表中，工作时根据输入信号的功率或幅度信息查找其对应预调整值，并将其输出给后继电路，达到线性化的目的。目前国内外已有许多学者对查询表预失真技术进行了研究。日本sonyEricsson移动通信公司提出了一种适用于手持终端的查询表自适应预失真技术，并在窄带CDMA系统中进行实验，使功放模块的功率效率增加了48%[iv]。浙江大学的毛文杰等提出了一种基于双查询表的自适应预失真结构，可使邻道干扰降低约25dB[v]。但由于常规的查询表不能有效的表示记忆特性，使得传统的查询表只能对无记忆的窄带信号进行补偿。文献[vi]采用多维表形式表示记忆非线性特性，但存在结构复杂，收敛慢的问题。工作函数预失真技术是指在非线性信道之前采用数学模型描述其逆特性，从而使整个信道呈现出线性特性。（1）基于W-H模型的自适应预失真技术W-H模型的记忆预失真技术首先利用Wiener模型对记忆高功放进行辨识，得到LTI和无记忆非线性模型的参数，然后根据高功放的输出和系统期望输出的误差，实现对Hammerstein预失真器的自适应调整。但由于Hammerstein预失真器是级联模型，其中LTI的系数和无记忆非线性模型的系数辨识互相关联，导致辨识困难而且效率低。文献[vii]将记忆和非线性模型参数进行分离，然后再分别辨识，一定程度上提高了收敛速率。文献[viii]根据W-H模型预失真技术的特点，提出一种简化形式，但要分两步对Hammerstein模型进行转换，操作较为复杂。（2）基于volterra级数模型的自适应预失真技术volterra级数被称为有记忆的Taylor级数，是分析记忆非线性系统的有力工具，但其主要缺点是参数个数会随着系统记忆长度和阶数的增加而迅速增长，非线性较强时，为了获得较高的精确度，需要估计大量的参数。因此，直接将volterra级数运用于非线性信道的建模是非常困难的，必须对其进行简化改进。国内这方面研究较少，只有文献[ix]对volterra级数模型进行了简化，并采用观测矩阵维数固定的递归最小二乘算法对模型进行自适应辨识。国外zhu[x][xi]等人对volterra级数的简化进行了研究，但没有研究在预失真方面的应用。Li[xii]等人采用简化的有限阶volterra级数拟合非线性模型，并通过非直接学习结构研究了在OFDM体制下的预失真补偿性能。（3）基于记忆非线性多项式模型的自适应预失真技术记忆多项式模型是一种带抽头延时的非线性多项式模型。该模型比以上两种模型简单，研究者较多。文献[xiii]通过直接的函数求逆来寻找低阶分析解，计算复杂且只能用于低阶运算。文献[xiv]提出了一种通用的记忆多项式模型，但预失真器的自适应采用了间接学习结构，该结构是基于函数的后逆等于前逆，这一般只对线性系统成立，非线性系统的滤波运算具有不可交换性，因此造成实际的线性化程度不高。文献[xv]采用一种能够直接使用高效的RLS算法的预失真结构，具有较好的收敛速度。（4）基于神经网络的自适应预失真技术神经网络技术是一种源于20世纪40年代、在最近20年取得重大发展和应用的新技术，神经网络具有非常突出的处理非线性问题的能力，这种能力来源于神经元的非线性激活函数。如果隐藏层的神经元个数足够多，具有单个隐藏层的神经网络结构可以以任意精度逼近任意的连续函数。因此，它是实现非线性映射最有效也是最灵活的工具。目前国内外有关神经网络的研究较多，2004年Naskas提出首先采用无记忆非线性串连线性记忆滤波器结构的神经网络拟合记忆高功放特性[xvi]，再分别实现无记忆非线性的预失真和记忆预失真，从而达到记忆高功放的预失真，计算复杂且自适应困难。国内同济大学钱业青提出采用带抽头延时的双入双出两层前向神经网络结构[xvii]，并根据非直接学习结构和反向传播算法实现自适应，可同时补偿高功放的记忆失真和非线性失真，但由于自适应过程是基于非直接的学习结构，线性化性能仍有待提高。1.3非线性均衡技术非线性均衡技术（后失真补偿技术）可以有效的降低由于卫星高功放的非线性引起的码间串扰，从而降低输入补偿，提高高功放的效率。与非线性预失真比较，非线性均衡可以以符号速率采样，记忆时间相同时，复杂度低。这里需要指出的是线性均衡对于高功放的非线性补偿效果很差[错误!未定义书签。]。在低信噪比条件下，非线性均衡技术的补偿性能不高，和预失真补偿技术相比没有明显的优势，这里不作为研究的重点。基于神经网络（NN）的非线性均衡和基于volterra级数的非线性均衡是两种主要的非线性均衡技术[xviii]。基于神经网络的非线性均衡将线性横向均衡器或者判决反馈均衡器（DFE）与神经网络相结合构建混合均衡器，包括MLP-NN非线性均衡、PP-NN非线性均衡和RBF-NN非线性均衡。由于基于神经网络均衡器的非线性参数结构导致学习过程收敛困难，尤其在盲均衡的训练过程中，代价函数的最小化存在局部极小值，导致最终非线性均衡的效果差。基于volterra级数的非线性均衡方法包括：不动点算法、根方法和P阶逆算法。不动点算法仅适应于弱非线性系统；根方法必须假定输入信号为有限符号集，且需要周期性地发送训练序列；P阶逆均衡与P阶逆预失真类似，是非线性均衡技术研究的主要内容。但是volterra级数均衡存在两个显著缺点：（a）实现复杂度高。（b）自适应收敛慢。[i]LucaGiugno,MarcoLuise.AdaptivePre-andPost-CompensationofNonlinearDistortionsforHigh-LevelDataModulations[J].IEEETrans.Commun.2004.3(5):1490-1495.[ii]YugangZhou.McLane.PerformanceofPredistortedAPKModulationforOne-andTwo-LinkNonlinearPowerAmplifierSatelliteCommunicationChannels[J].IEEETrans.Technology.2005,43(2):630-638.[iii]Georges,Hikmet.ADataPredistortionTechniquewithMemoryforQAMRadioSystems[J].IEEETrans.Commun.1991.25(12):336-343.[iv]S.Kusunoki，K.Yamamoto.Power-AmplifierModulewithDigitalAdaptivePre-distortionforCellularPhones[J].IEEE.Trans.onMicrowaveTheoryandTechniques.2002.50(12):2979-2985.[v]毛文杰，冉立新，陈抗生.一种基于双查找表自适应预失真结构的射频功率放大器线性化方法[J].电路与系统学报.2003.8(2):134-138.[vi]ScottH.ImprovedCompensationofHPANonlinearitiesUsingDigitalPredistorterswithDynamicandMulti-dimensionalLUTs[J].IEEECommunicationNetworksandServiceResearchConference2008.[vii]陈凯亚,王敏锡.Wiener功率放大器的分离预失真方法[J].通信学报.2005.12(5):30-34．[viii]钱业青.Wiener功率放大器的简化预失真方法[J].通信学报.2007.23(3):55-59.[ix]金哲,宋执环,基于简化Volterra级数的射频功率放大器建模与辨识[J].电路与系统学报.2008,10.23(3):23-27.[x]AndingZhu,ThomasJ.AnOverviewofVolterraSeriesBasedBehavioralModelingofRF/Micro-wavePowerAmplifiers[J].IEEE2006:1203-1208.[xi]AndingZhu,JohnDooley.SimplifiedVolterraSeriesBasedBehavioralModelingofRFPowerAmplifiersUsingDeviation-Reduction[J].IEEE2006:256-261.[xii]JianLi,JacekIlow.ALeast-SquaresVolterraPredistorterforCompensationofNon-linearEffectswithMemoryinOFDMTransmitters[J].IEEE2005:25-29.[xiii]KimJ,KonstantinouK.Digitalpredistortionofwidebandsignalsbasedonpoweramplifiermodelwithmemory[J].ElectronicsLetters.2001,43(1):1417-1418.[xiv]DennisRM,MaZ,KimJ.AgeneralizedmemorypolynomialmodelfordigitalpredistortionofRFpoweramplifier[J].IEEEtransactionsonsignalprocessing.2006.12(7):3852-3860.[xv]钱业青.一种高效的用于RF功率放大器线性化的自适应预失真结构[J].通信学报.2006,05.27(5):35-40.[xvi]NaskasN,PapananosY.Neural-Network-BasedadaptivebasebandpredistortionmethodforRFpoweramplifiers[J].IEEETransonCircuitsandSystems.2004.23(12):619-623.[xvii]钱业青,姚天任.记忆非线性功率放大器的神经网络预失真[J].计算机工程与应用.2004.21:100-103．[xviii]姜波.中继卫星数据传输系统的载波同步与信道均衡技术研究[D].国防科技大学.2008