本發(fā)明涉及一種基于單位基函數(shù)的2D-DPD迭代削減算法及應(yīng)用。

背景技術(shù)：
在無線通信系統(tǒng)中，發(fā)射機(jī)的線性度（Linearity）是評價發(fā)射機(jī)性能的重要指標(biāo)。而在所有用于提高發(fā)射機(jī)線性度的技術(shù)中，數(shù)字預(yù)失真（DPD,DigitalPredistortion）是當(dāng)前最受關(guān)注，也是使用最多的一種技術(shù)。數(shù)字預(yù)失真技術(shù)通過在數(shù)字基帶對發(fā)射機(jī)進(jìn)行測量，并建立發(fā)射機(jī)的行為級反向模型作為預(yù)失真器，由此對輸入信號進(jìn)行預(yù)矯正，用以抵消發(fā)射機(jī)的非線性，進(jìn)而獲取整體的高線性度。這其中，高精度的反向模型是整個數(shù)字預(yù)失真技術(shù)能夠生效的關(guān)鍵，當(dāng)前已經(jīng)有多種行為級模型可以對發(fā)射機(jī)建模，如：神經(jīng)網(wǎng)絡(luò)模型、頻譜選擇模型、Volterra模型等。這其中，Volterra模型最適合用于嵌入式系統(tǒng)的自適應(yīng)提取和實(shí)時實(shí)現(xiàn)。隨著無線通信技術(shù)的不斷發(fā)展，新一代的移動通信系統(tǒng)要求能夠同時支持不同的標(biāo)準(zhǔn)在不同的頻段上進(jìn)行傳輸。然而，當(dāng)信號在不同頻帶同時傳輸時，其產(chǎn)生的行為效果要遠(yuǎn)比傳統(tǒng)的單頻段的射頻發(fā)射機(jī)更復(fù)雜，在每個頻帶上對信號產(chǎn)生干擾的不止有頻帶內(nèi)的信號本身的交調(diào)，還包含兩個頻帶信號之間的交調(diào)。因此，傳統(tǒng)的發(fā)射機(jī)行為模型并不能滿足對每個頻帶單獨(dú)進(jìn)行建模的需求。這預(yù)示著傳統(tǒng)數(shù)字預(yù)失真要經(jīng)過更仔細(xì)的擴(kuò)展才能在新型的協(xié)同式雙頻發(fā)射機(jī)中使用。目前，很多單頻發(fā)射機(jī)行為模型已經(jīng)被擴(kuò)展為可以用于對協(xié)同式雙頻發(fā)射機(jī)進(jìn)行建模的二維模型，這其中，最有潛力的當(dāng)屬二維數(shù)字預(yù)失真模型(2D-DPD),該模型通過在記憶多項(xiàng)式(MP,MemoryPolynomials)中引入兩個頻率之間的交調(diào)項(xiàng)實(shí)現(xiàn)對協(xié)同式雙頻發(fā)射機(jī)的精確建模。然而，由于考慮了兩個頻率之間的交調(diào)，其復(fù)雜度遠(yuǎn)高于傳統(tǒng)的記憶多項(xiàng)式模型。要將其在實(shí)際系統(tǒng)中進(jìn)行實(shí)現(xiàn)將消耗大量的硬件資源，且系統(tǒng)在高頻時種下的同步性很難保證。為了簡化二維記憶多項(xiàng)式模型，有一種改進(jìn)的模型是改良的二維記憶多項(xiàng)式（twodimensionmodifiedmemorypolynomials,2D-MMP），這種模型通過引入一個自適應(yīng)的耦合因子，大大減少了所用基的數(shù)量。2D-MMP的缺點(diǎn)包括：自適應(yīng)選擇耦合因子的過程增加了模型提取的負(fù)擔(dān)；模型的基不是簡單地乘積形式，因此模型本身也不再是簡單地Volterra級數(shù)形式；最終模型中基的數(shù)量對于在線實(shí)現(xiàn)來說仍然太高了。

技術(shù)實(shí)現(xiàn)要素：
為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于單位基函數(shù)的2D-DPD迭代削減算法及應(yīng)用，利用對發(fā)射機(jī)進(jìn)行測量采集到的信號反復(fù)訓(xùn)練模型,在此過程中可以觀察得到對系統(tǒng)影響較強(qiáng)的基，并削減掉對系統(tǒng)影響較弱的基，從而大大簡化模型，該方法可以在線或離線完成，從而降低系統(tǒng)復(fù)雜度，節(jié)省硬件資源，降低系統(tǒng)延時，提高模型穩(wěn)定性，具有靈活度高、效果好的特點(diǎn)。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于單位基函數(shù)的2D-DPD迭代削減算法，包括如下兩步：第一步：先對2D-DPD的基函數(shù)通過如下公式進(jìn)行歸一化得到單位基函數(shù)：（1）其中x1(n)和x2(n)表示發(fā)射機(jī)在高頻和低頻的輸入信號，y1(n)和y2(n)表示發(fā)射機(jī)在高頻和低頻的輸出信號，F(xiàn)m,k,j[]為模型的基，為對應(yīng)于Fm,k,j[y1(n),y2(n)]的標(biāo)準(zhǔn)差，為對應(yīng)于Fm,k,j[y2(n),y1(n)]的標(biāo)準(zhǔn)差，和為模型中需要估計的系數(shù)，稱之為對應(yīng)Fm,k,j[y1(n),y2(n)]或Fm,k,j[y2(n),y1(n)]的核，通過將基函數(shù)除以其標(biāo)準(zhǔn)差，對基函數(shù)進(jìn)行歸一化，此時和作為衡量該基重要性的標(biāo)準(zhǔn)，||表示幅度；第二步：通過迭代削減法逐一將對系統(tǒng)影響最小的模型削減掉直到模型復(fù)雜度符合要求。所述第二步采用迭代削減法，在每一次迭代的過程中利用第一步的公式對系統(tǒng)進(jìn)行建模，并削去最小的項(xiàng).該算法中用以評價基對系統(tǒng)影響強(qiáng)弱的標(biāo)準(zhǔn)是在使用歸一化基進(jìn)行建模時基對應(yīng)系數(shù)的模。所述基于單位基函數(shù)的2D-DPD迭代削減算法可以應(yīng)用于協(xié)同式雙頻發(fā)射機(jī)數(shù)字預(yù)失真系統(tǒng)中，包括如下過程：（1）在模型提取過程中選用單位基函數(shù)進(jìn)行訓(xùn)練；（2）在系統(tǒng)設(shè)計和發(fā)射機(jī)生產(chǎn)過程中，利用離線的迭代削減算法，減少資源分配，并保留一些用于保證模型兼容性的系數(shù)；（3）在基帶系統(tǒng)自適應(yīng)建模時，利用在線的迭代削減算法，減少基函數(shù)個數(shù)，提高建模算法穩(wěn)定性，減少系統(tǒng)延時。總體而言，該算法在發(fā)射機(jī)生產(chǎn)過程中離線執(zhí)行，在發(fā)射機(jī)基帶系統(tǒng)建模過程中在線執(zhí)行。與現(xiàn)有技術(shù)相比，本發(fā)明的算法具有靈活度高、效果好的特點(diǎn)。在使用時，該算法既可以在生產(chǎn)過程中離線執(zhí)行，也可以在系統(tǒng)建模過程中自適應(yīng)實(shí)現(xiàn)。本發(fā)明的算法若只是在生產(chǎn)過程中離線完成，可以保證最小的硬件資源消耗；但是因?yàn)槿鄙僮赃m應(yīng)訓(xùn)練環(huán)節(jié)，不能保證達(dá)到最好效果，因此應(yīng)當(dāng)接受一些冗余基函數(shù)，保證模型兼容性。本發(fā)明的算法若在系統(tǒng)建模過程中在線執(zhí)行，則可以最大程度降低在模型運(yùn)行過程中的延時消耗，提高模型穩(wěn)定性；但是因?yàn)橄到y(tǒng)硬件資源分配要照顧最大可能消耗情況，所以仍然需要占用大量硬件資源。因此，本發(fā)明的算法最好是首先在生產(chǎn)過程中離線執(zhí)行，選擇足夠保證模型兼容性的少量基函數(shù)，使系統(tǒng)的硬件資源消耗降低；在線建模時再次執(zhí)行，選取最少基函數(shù)個數(shù)。則可以同時獲得前面描述兩部分的全部優(yōu)點(diǎn)。附圖說明圖1為本發(fā)明基于單位基函數(shù)的二維數(shù)字預(yù)失真模型迭代削減算法流程圖。圖2為本發(fā)明具體實(shí)施方法流程圖。圖3為本發(fā)明算法測試平臺示意圖。圖4為本發(fā)明迭代削減過程中模型精度隨模型項(xiàng)數(shù)變化示意圖。圖5為本發(fā)明削減前后的模型用于DPD效果比較，其中A為高頻頻譜，B為低頻頻譜。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例詳細(xì)說明本發(fā)明的實(shí)施方式。如圖1所示，一種基于單位基函數(shù)的2D-DPD迭代削減算法，包括如下步驟：首先，進(jìn)行初始化，選定2D-DPD中的所有基函數(shù)；然后，利用單位基函數(shù)建模并計算模型誤差；如果模型誤差大于預(yù)設(shè)值或者基函數(shù)個數(shù)少于預(yù)設(shè)值，則裝載緩存的模型和基函數(shù)，算法結(jié)束；否則，將緩存模型和選定的基函數(shù)，削減掉對應(yīng)系數(shù)模最小的基函數(shù)，再次計算模型誤差，直到模型復(fù)雜度符合要求其中，單位基函數(shù)是通過對2D-DPD的基函數(shù)根據(jù)如下公式進(jìn)行歸一化得到的：（1）其中x1(n)和x2(n)表示發(fā)射機(jī)在高頻和低頻的輸入信號，y1(n)和y2(n)表示發(fā)射機(jī)在高頻和低頻的輸出信號，F(xiàn)m,k,j[]為模型的基，為對應(yīng)于Fm,k,j[y1(n),y2(n)]的標(biāo)準(zhǔn)差，為對應(yīng)于Fm,k,j[y2(n),y1(n)]的標(biāo)準(zhǔn)差，和為模型中需要估計的系數(shù)，稱之為對應(yīng)Fm,k,j[y1(n),y2(n)]或Fm,k,j[y2(n),y1(n)]的核，通過將基函數(shù)除以其標(biāo)準(zhǔn)差，對基函數(shù)進(jìn)行歸一化，此時和作為衡量該基重要性的標(biāo)準(zhǔn)，||表示幅度。具體實(shí)施該算法時可以參考附圖2所示流程圖，首先對模型進(jìn)行初始化，此例中假設(shè)初始模型為原始的2D-DPD模型，并將其格式化為向量Phi，其具體格式為：Phi={(0,0,0),…,(m,k,j),…,(M,N-1,0)}(2)這里，對應(yīng)2D-DPD模型的單位基函數(shù)：其中m表示基函數(shù)的記憶深度，k表示本頻帶的非線性階數(shù)，j表示交調(diào)頻帶的非線性階數(shù)。定義另一個向量Phi_Buf用來緩沖選定的基函數(shù)，首先對Phi進(jìn)行緩沖，即：Phi_Buf=Phi(4)隨后對選定的基函數(shù)Phi做關(guān)于(1)和(3)的建模，建模方法可以選用最小二乘法(LS,LeastSquareMethod)或共軛梯度法(CG,ConjugateGradientMethod)等任意用于解線性方程組的方法。所得的模型的基存儲在向量Kernel中。為了確定當(dāng)前模型的精度，下面計算模型輸出與期望輸出之間的歸一化均方誤差(NMSE,NormalizedMeanSquareError)，其定義式如下：其中P為用于檢測的采樣點(diǎn)的個數(shù)，xexp(n)為期望的模型輸出，由于DPD中為反向模型的訓(xùn)練，所以xexp(n)即為實(shí)際的輸入信號，xmod(n)為測試模型時得到的模型輸出；(5)計算得到的結(jié)果單位為dB。模型的NMSE計算結(jié)果被存儲在變量Error中。接下來對循環(huán)終止條件進(jìn)行判斷，該條件設(shè)置為：Error>Error_T或LENGTH(Phi)<LENGTH_T(6)其中LENGTH(Phi)表示向量Phi中元素的個數(shù)，Error_T和LENGTH_T為預(yù)設(shè)的兩個閾值。該條件既要求模型滿足精度要求，同時期望模型中基函數(shù)個數(shù)足夠少。若循環(huán)終止條件不滿足，循環(huán)繼續(xù)進(jìn)行，基函數(shù)向量Phi被緩存在Phi_Buf中，隨后在Kernel中找到幅度最小項(xiàng)，記下其坐標(biāo)n，并從Phi中刪除對應(yīng)項(xiàng)，即：Phi=Phi–Phi(n)(8)若循環(huán)條滿足，則讀取已經(jīng)緩存的模型，并結(jié)束程序。最終選取的基函數(shù)為：Phi_Buf=Phi(9)該算法的執(zhí)行效果可以通過儀器搭成的實(shí)驗(yàn)平臺進(jìn)行測試，測試平臺示意圖如附圖3所示。該平臺由兩臺信號發(fā)生器ESGE4438C，一臺頻譜儀PSAE4440，功率合成器和功率放大器（PA,PowerAmplifier）構(gòu)成；計算機(jī)（PC,PersonalComputer）在其中實(shí)現(xiàn)系統(tǒng)控制和信號處理的功能。雖然該算法是在儀器測試平臺上進(jìn)行測試的，但是它也可以在嵌入式系統(tǒng)中在線實(shí)現(xiàn)。整個基函數(shù)削減的過程如附圖4所示，從中可見，當(dāng)少量削減基函數(shù)時，模型的精度幾乎不受到影響；僅當(dāng)基函數(shù)數(shù)量很少的時候，模型的精度開始對基函數(shù)數(shù)量很敏感，即是說，最終剩余的基函數(shù)對于模型是很重要的。利用削減前后的模型進(jìn)行DPD的效果比較如附圖5所示，從中可見對基函數(shù)進(jìn)行削減前后的模型在DPD效果上幾乎沒有變化，然而基函數(shù)數(shù)量從24個削減到了9個。如前問所述，當(dāng)該算法在線實(shí)現(xiàn)時，初始化向量Phi無需使用所有2D-DPD模型的基，而應(yīng)當(dāng)根據(jù)硬件設(shè)置恰當(dāng)選擇。