一种毫米波集成电路功率放大器的非线性矫正方法技术

本发明专利技术提供一种毫米波集成电路功率放大器的非线性矫正方法，属于毫米波通信及信号处理技术领域，具体包括：基于Wiener模型构建数学机理模型，并基于所述数学机理模型构建数学机理数字预失真器；基于WOA

【技术实现步骤摘要】
一种毫米波集成电路功率放大器的非线性矫正方法


[0001]本专利技术属于毫米波通信及信号处理
，尤其涉及一种毫米波集成电路功率放大器的非线性矫正方法。

技术介绍

[0002]目前工信部也已经开放了毫米波频段用于实验测试，其频谱资源更加丰富，可满足超大容量的通信带宽要求。在超高频段的毫米波处，虽然可用频谱资源多，但是多个频段的带宽都将使用500MHz以上，这种超带宽的使用会导致硬件设备的设计难度急剧增加。功率放大器作为射频收发系统中重要的器件之一，其指标主要有带宽、效率、线性度等。目前由于5G的传输速率非常快，所以对带宽的要求也非常高。宽带功放在保证大宽带的情况下，还要保证输出功率足够大，功率放大器的线性度足够好以及功放的效率要高，这对功率放大器来说是非常困难的。其中，功放的输出功率代表着输出信号的覆盖面积，在压缩区工作的运算放大器，会带来线性度问题，即非线性失真。失真的主要影响可分为带内及带外失真。带内失真会导致EVM变差，从而在信号解调的过程中，其误码率会提升。带外失真会引起ACPR变差，主要表现为频谱外扩，影响带外频段的通信。
[0003]目前对于为了实现对运算放大器的线性矫正方法一般是通过负反馈和数字预仿真技术，其中在硕士论文《基于BP神经网络的功放预失真技术研究与实现》中作者冯阿静对功率放大器非线性特点进行分析，对现有的几种功放模型在建模精度，复杂度方面进行讨论，指出各模型的局限性。同时提出一种BP神经网络模型，该模型在建模精度方面有很大优势。用该模型对一组非线性较强的功放信号进行建模，在MATLAB中仿真发现其NMSE比记忆多项式模型减少了10dB以上，但是一旦初始值选择不够准确，其处理速度较慢，不能满足非线性矫正的需求，采用数理模型的方式其精度较低，如何将两者结合起来，在提高整体精度的同时，进一步提升整体的效率。
[0004]针对上述技术问题，本专利技术提供了一种毫米波集成电路功率放大器的非线性矫正方法。

技术实现思路

[0005]为实现本专利技术目的，本专利技术采用如下技术方案：
[0006]根据本专利技术的一个方面，提供了一种毫米波集成电路功率放大器的非线性矫正方法。
[0007]一种毫米波集成电路功率放大器的非线性矫正方法，其特征在于，具体包括：
[0008]S1基于Wiener模型构建数学机理模型，并基于所述数学机理模型构建数学机理数字预失真器；
[0009]S2基于WOA
‑
LSTM算法构建人工智能模型，其中采用WOA算法对所述LSTM算法的初始值进行寻优，并基于所述人工智能模型构建人工智能数字预失真器；
[0010]S3基于所述数学机理数字预失真器和所述人工智能数字预失真器构建数字预失
真器，对所述功率放大器进行非线性矫正。
[0011]采用基于Wiener模型构建数学机理模型，从而建立数学机理数字预失真器，基于WOA
‑
LSTM算法构建人工智能模型，其中采用WOA算法对所述LSTM算法的初始值进行寻优，并基于所述人工智能模型构建人工智能数字预失真器，通过建立数字预失真器，从而实现对功率放大器的补偿，实现了对功率放大器输出的矫正，从而解决了一旦初始值选择不够准确，其处理速度较慢，不能满足非线性矫正的需求，采用数理模型的方式其精度较低，将两者结合起来，在提高整体精度的同时，进一步提升整体的效率。
[0012]通过基于WOA
‑
LSTM算法构建人工智能模型，其中采用WOA算法对所述LSTM算法的初始值进行寻优，并基于所述人工智能模型构建人工智能数字预失真器，从而实现了对初值的寻优，解决了一旦初始值选择不够准确，其处理速度较慢，不能满足非线性矫正的需求的问题，进一步提升了人工智能数字预失真器的效率，通过采用LSTM算法，可以更好的处理时序数据，更好的解决由于记忆效应导致人工智能模型预测精度不够准确的问题，实现非线性矫正的需求。基于所述数学机理数字预失真器和所述人工智能数字预失真器构建数字预失真器，对所述功率放大器进行非线性矫正，从而实现了将数理模型的方式以及人工智能的方式结合起来，进一步的提升了整体的精度，并且解决了单一方式精度不高的问题，使得最终的预测效率和精度都有一定的提升。
[0013]进一步的技术方案在于，所述Wiener模型包括线性时不变系统和无记忆非线性系统。
[0014]进一步的技术方案在于，所述线性时不变系统的传递函数为：
[0015][0016]其中d(n)为线性时不变系统的第n个输出信号，a
m
为第m个记忆深度的输入量的常数，x(n
‑
m)为线性时不变系统的第m个记忆深度的输入量，M为线性时不变系统的总记忆深度量。
[0017]进一步的技术方案在于，所述无记忆非线性系统的传递函数为：
[0018][0019]其中y(n)为无记忆非线性系统的第n个输出信号，b
k
为线性时不变系统的输出的常数，t为线性时不变系统的输出的补偿常数，k为无记忆非线性系统的阶数。
[0020]进一步的技术方案在于，所述构建人工智能数字预失真器的具体步骤为：
[0021]S21提取实时输入信号，并将所述实时输入信号传输至基于WOA
‑
LSTM算法的人工智能数字预失真器中；
[0022]S22基于所述人工智能数字预失真器得到输出信号。
[0023]进一步的技术方案在于，所述WOA
‑
LSTM算法为采用WOA算法对LSTM算法的隐含层数量进行寻优。
[0024]通过采用WOA算法对LSTM算法的隐含层数量进行寻优，从而进一步的提升了整体的预测速度，同时也解决了原有预测算法不能很好处理运算放大器的时序数据的问题，从而进一步是的整体的效率和精度得到了一定程度的提升。
[0025]进一步的技术方案在于，所述数学机理数字预失真器、人工智能数字预失真器、数
字预失真器均采用直接学习结构或者间接学习结构。
[0026]进一步的技术方案在于，所述数字预失真器的输出信号为：
[0027]y
2n
＝k1y
1n
+k2y
n
[0028]其中y
2n
、y
1n
、y
n
分别为所述数字预失真器的输出信号、所述人工智能数字预失真器的输出信号、所述数学机理数字预失真器的输出信号，k1、k2分别为所述人工智能数字预失真器的输出信号的常数、所述数学机理数字预失真器的输出信号的常数，其中k1+k2＝1。
[0029]进一步的技术方案在于，当所述数字预失真器的输入信号的变化量大于第一信号阈值且持续时间大于第一时间阈值时，对所述人工智能数字预失真器的输出信号进行更新，当数字预失真器的输入信号的变化量大于第三信号阈值时，此时对所述人工智能数字预失真器的输出信号进行更新，当所述数字预失真器的输入信号的持续时间大于第二时间阈值时，此时对所述人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种毫米波集成电路功率放大器的非线性矫正方法，其特征在于，具体包括：S1基于Wiener模型构建数学机理模型，并基于所述数学机理模型构建数学机理数字预失真器；S2基于WOA
‑
LSTM算法构建人工智能模型，其中采用WOA算法对所述LSTM算法的初始值进行寻优，并基于所述人工智能模型构建人工智能数字预失真器；S3基于所述数学机理数字预失真器和所述人工智能数字预失真器构建数字预失真器，对所述功率放大器进行非线性矫正。2.如权利要求1所述的一种毫米波集成电路功率放大器的非线性矫正方法，其特征在于，所述Wiener模型包括线性时不变系统和无记忆非线性系统。3.如权利要求2所述的一种毫米波集成电路功率放大器的非线性矫正方法，其特征在于，所述线性时不变系统的传递函数为：其中d(n)为线性时不变系统的第n个输出信号，a
m
为第m个记忆深度的输入量的常数，x(n
‑
m)为线性时不变系统的第m个记忆深度的输入量，M为线性时不变系统的总记忆深度量。4.如权利要求2所述的一种毫米波集成电路功率放大器的非线性矫正方法，其特征在于，所述无记忆非线性系统的传递函数为：其中y(n)为无记忆非线性系统的第n个输出信号，b
k
为线性时不变系统的输出的常数，t为线性时不变系统的输出的补偿常数，k为无记忆非线性系统的阶数。5.如权利要求1所述的一种毫米波集成电路功率放大器的非线性矫正方法，其特征在于，所述构建人工智能数字预失真器的具体步骤为：S21提取实时输入信号，并将所述实时输入信号传输至基于WOA
‑
LSTM算法的人工智能数字预失真器中；S22基于所述人工智能数字预失真器得到输出信号。6.如权利要求5所...

【专利技术属性】
技术研发人员：刘平堂，王永建，
申请(专利权)人：华兴通信技术有限公司，
类型：发明
国别省市：