淺談逆TDNN模型線性化功率放大器

本文在抽頭延時(shí)神經(jīng)網(wǎng)絡(luò)(TDNN)的基礎(chǔ)上，提出了一種可用于高功率放大器的數(shù)據(jù)捕獲、分析、建模和線性化的有效數(shù)字預(yù)畸變過程。利用基帶信號分析，對大功率RF放大器的記憶效應(yīng)進(jìn)行了識別與建模。

當(dāng)前研究工作越來越多地關(guān)注大功率放大器線性化中的記憶效應(yīng)，尤其是在蜂窩基站收發(fā)系統(tǒng)中的應(yīng)用。盡管對功率放大器線性化已經(jīng)進(jìn)行了很多研究，具有惡化線性電路性能的長記憶強(qiáng)非線性系統(tǒng)的線性化，仍然存在許多具有挑戰(zhàn)性的課題，這些問題是與記憶引起的復(fù)雜非線性畸變相關(guān)。

利用許多不同的函數(shù)或算法，已經(jīng)開發(fā)出多種RF功率放大器性能建模方法。最近，研究人員開始應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行RF大功率放大器的基帶性能建模，甚至將其應(yīng)用于數(shù)字預(yù)畸變技術(shù)，這是由于在快速非線性分析，高可復(fù)用性以及任意非線性系統(tǒng)通用性上取得的進(jìn)展。由于基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并不能充分反映建模中的記憶效應(yīng)，因此引入了帶有延遲抽頭的加強(qiáng)型神經(jīng)網(wǎng)絡(luò)。

本文開發(fā)了一種有效的線性化過程，該過程采用TDNN來進(jìn)行精確的性能建模和功率放大器的線性化過程。另外，使用相同的TDNN結(jié)構(gòu)，選擇間接學(xué)習(xí)過程來提取一個(gè)功率放大器逆模型。此逆TDNN模型直接用作功率放大器預(yù)畸變器。針對WCDMA下行鏈路信號，對帶和不帶延時(shí)抽頭的線性化結(jié)果進(jìn)行了比較分析。使用WCDMA下行鏈路信號對模型結(jié)構(gòu)和線性電路的正確性進(jìn)行了驗(yàn)證。

用于測試的硬件配置

功率放大器，簡稱“功放”。很多情況下主機(jī)的額定輸出功率不能勝任帶動(dòng)整個(gè)音響系統(tǒng)的任務(wù)，這時(shí)就要在主機(jī)和播放設(shè)備之間加裝功率放大器來補(bǔ)充所需的功率缺口，而功率放大器在整個(gè)音響系統(tǒng)中起到了“組織、協(xié)調(diào)”的樞紐作用，在某種程度上主宰著整個(gè)系統(tǒng)能否提供良好的音質(zhì)輸出。

利用三極管的電流控制作用或場效應(yīng)管的電壓控制作用將電源的功率轉(zhuǎn)換為按照輸入信號變化的電流。因?yàn)槁曇羰遣煌穹筒煌l率的波，即交流信號電流，三極管的集電極電流永遠(yuǎn)是基極電流的β倍，β是三極管的交流放大倍數(shù)，應(yīng)用這一點(diǎn)，若將小信號注入基極，則集電極流過的電流會(huì)等于基極電流的β倍，然后將這個(gè)信號用隔直電容隔離出來，就得到了電流(或電壓)是原先的β倍的大信號，這現(xiàn)象成為三極管的放大作用。經(jīng)過不斷的電流及電壓放大，就完成了功率放大。

為了獲得功率放大器的動(dòng)態(tài)AM-AM和AM-PM特性，圖(1)所示測試配置采用Agilent Technology公司的電子信號發(fā)生器(ESG)樣機(jī)E4438C ，矢量信號分析儀(VSA)軟/硬件樣機(jī)89641A和高級設(shè)計(jì)系統(tǒng)(ADS)仿真軟件。在測試中用ESG 生成WCDMA 信號，并加于放大器。對從功率放大器輸出的WCDMA信號進(jìn)行下變頻后，VSA 將基帶I和Q路信號收集起來。通過將輸出I/Q信號與輸入信號相比較，可以確認(rèn)動(dòng)態(tài)基帶AM-AM和AM-PM特性。ADS數(shù)字包通過GPIB和IEEE1394接口控制測試系統(tǒng)。ESG為VSA 提供了用于同步的外部觸發(fā)和參考信號。功率放大器最末級由Freescale的 170 W-PEP LDMOSFET組成的兩個(gè)推挽放大器并行連接來實(shí)現(xiàn)，具有340 W-PEP。 圖(2)給出了放大器最末級的圖片，其中包括輸出端的隔離器和偏置網(wǎng)絡(luò)。最末級由MRF9045，45W-PEP LDMOSFET驅(qū)動(dòng)。整個(gè)放大器鏈路具有49 dB 的功率增益和54 dBm的飽和輸出功率。



圖(1)獲取輸入與輸出基帶I/Q信號的 測試裝置　



圖(2)放大器的最后形態(tài)

基于TDNN的功率放大器建模

使用實(shí)值TDNN設(shè)置并對其進(jìn)行優(yōu)化，便可以作為一種功率放大器建模方法。部分基帶I/Q信號用作TDNN的訓(xùn)練數(shù)據(jù)。圖(3)給出了TDNN的特定結(jié)構(gòu)，包括輸入層，隱藏層，輸出層和延遲抽頭。輸出I/Q信號可以用輸入I/Q信號，它們之前具有不同多抽頭時(shí)延的信號，以及激勵(lì)函數(shù)來表示。輸出I/Q信號可以用公式表示為：



其中φ1(x)和φ2(x)是激勵(lì)函數(shù)，在試驗(yàn)中它們具有如下的函數(shù)表示形式：



功率放大器的非線性特性，即AM-AM 和 AM-PM特性，最初是由無記憶神經(jīng)網(wǎng)絡(luò)(沒有抽頭延時(shí)線)建模。隨后，抽頭延時(shí)線一條一條地加入以精確建模具有記憶效應(yīng)功率放大器的非線性性能。訓(xùn)練過程采用著名的向后傳播算法，該算法隨著碼片數(shù)增加最小化訓(xùn)練數(shù)據(jù)的均方誤差。I和Q信號支路的延時(shí)抽頭數(shù)隨之增加，最佳抽頭數(shù)定為5。當(dāng)延時(shí)抽頭數(shù)超過5，盡管計(jì)算量大大增加，仿真結(jié)果提高卻很小。同樣方式，本實(shí)驗(yàn)選擇5條輸入神經(jīng)元和兩條輸出神經(jīng)元。層的數(shù)量采用相同的方式最優(yōu)化。由于多層結(jié)構(gòu)并沒有比簡單的單層結(jié)構(gòu)表現(xiàn)出明顯更好的性能，因此選擇了簡單單層結(jié)構(gòu)。訓(xùn)練使用一萬個(gè)樣點(diǎn)數(shù)據(jù)，每次訓(xùn)練引導(dǎo)1000個(gè)碼片的仿真。訓(xùn)練過程結(jié)束后，采用另外80,000個(gè)樣點(diǎn)測試模型檢測該模型能否很好地預(yù)測放大器的非線性性能。圖(4)比較了80,000個(gè)被測樣點(diǎn)的時(shí)域信號和模型的預(yù)測樣點(diǎn)。圖(5)還給出了被測和預(yù)測樣點(diǎn)的動(dòng)態(tài)AM-AM(a) 和 AM-PM(b)特性。圖示表明測試數(shù)據(jù)與預(yù)測數(shù)據(jù)幾乎精確匹配。



圖(3)功率放大器性能建模的TDNN結(jié)構(gòu)





圖(4)相對于時(shí)間的測試和預(yù)測 圖(5)測試和預(yù)測樣點(diǎn)的AM-to-AM (a)

I (a) and Q (b)信號 和 AM-to-PM (b) 特性



圖(6)測試與預(yù)測的功率譜密度

逆TDNN模型的預(yù)畸變過程

在工作過程建模中，使用TDNN結(jié)構(gòu)的逆訓(xùn)練方式來建立線性器。在提取了放大器的線性增益之后，功率放大器模型的輸出I/Q信號，用于TDNN作為逆模式下的輸入I/Q數(shù)據(jù)。該逆TDNN模型也被訓(xùn)練用于最小化功率放大器輸入與輸出數(shù)據(jù)均方誤差。功率放大器前端使用經(jīng)過良好訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對I/Q信號進(jìn)行預(yù)畸變，并最終線性化功率放大器。該過程稱為間接學(xué)習(xí)。圖(7)給出草圖。整個(gè)建模和線性化過程在圖(8)流程圖中給出。使用測試基帶I/Q采樣的部分值，神經(jīng)網(wǎng)絡(luò)初始配置為包括一個(gè)隱藏層而沒有延時(shí)抽頭，然后運(yùn)行后向傳播算法提取模型初始參數(shù)，后向傳播算法在流圖中縮寫為BP。初始化運(yùn)行之后，加入一個(gè)延時(shí)抽頭，并再次運(yùn)行BP。這個(gè)過程不斷重復(fù)，直到獲得非常好的仿真結(jié)果，或者迭帶次數(shù)超過任意常數(shù)k(在本試驗(yàn)中為5次)。如果重復(fù)的次數(shù)超過k次，則增加隱藏層的數(shù)量。當(dāng)獲得很好建模結(jié)果后，建模過程結(jié)束同時(shí)相位線性化開始;即測試數(shù)據(jù)與建模數(shù)據(jù)之間良好匹配。

在流程圖的下半部分給出了一個(gè)將逆TDNN模型最優(yōu)化成預(yù)畸變器的非常相似的過程。訓(xùn)練使用了5個(gè)延時(shí)抽頭，5個(gè)輸入神經(jīng)元和2個(gè)輸出神經(jīng)元，這與功率放大器模型相同。訓(xùn)練過程持續(xù)1000個(gè)碼片周期。為了驗(yàn)證訓(xùn)練的正確性，采用基帶I/Q信號的80，000個(gè)抽樣值加到訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)。為了驗(yàn)證TDNN優(yōu)越的性能，使用了無延時(shí)抽頭的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)執(zhí)行相同的間接學(xué)習(xí)過程，這種網(wǎng)絡(luò)對于和記憶效應(yīng)相關(guān)的非線性不具有補(bǔ)償能力。圖(9)給出并比較了帶有延時(shí)抽頭和不帶延時(shí)抽頭的神經(jīng)網(wǎng)絡(luò)預(yù)畸變器的PSD。對于WCDMA下行鏈路信號，可以觀察到具有抽頭延時(shí)的神經(jīng)網(wǎng)絡(luò)預(yù)畸變器獲得高于15 dB的補(bǔ)償，而沒有延時(shí)抽頭的神經(jīng)網(wǎng)絡(luò)預(yù)畸變僅能獲得2到3dB的補(bǔ)償。在5 MHz偏移處可以獲得約65 dBc的ACLR。對于CDMA2000信號，在有抽頭時(shí)和沒有抽頭時(shí)的性能提升分別為近似20 dB和小于10 dB。



圖(7)使用基于間接學(xué)習(xí)過程逆TDNN建模的數(shù)字預(yù)畸變方案原理圖



圖(8)建模和線性化過程流程圖



圖(9)下行鏈路 WCDMA (a) and CDMA 2000 (b) 信號的PSD

結(jié)論：

使用人工抽頭延時(shí)神經(jīng)網(wǎng)絡(luò)對功率放大器進(jìn)行性能建模能夠在強(qiáng)記憶效應(yīng)下有效地預(yù)測功率放大器復(fù)雜的非線性特性。使用這種性能模型和建模技術(shù)，開發(fā)了一種使用間接學(xué)習(xí)過程的數(shù)字預(yù)畸變線性化電路，并對其進(jìn)行了測試，以對3GPP基站功率放大器線性化。整個(gè)建模和線性化過程進(jìn)行了有效的組織和描述。給出了線性化的系統(tǒng)流圖，包括性能建模，模型驗(yàn)證和使用間接學(xué)習(xí)過程檢驗(yàn)模型并構(gòu)建預(yù)畸變器。與使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的線性化電路相比，基于TDNN的線性化電路顯示出更好的仿真結(jié)果，這是由于它能夠處理記憶效應(yīng)。當(dāng)使用TDNN預(yù)畸變器時(shí)，下行鏈路WCDMA信號可以獲得高于15dB的補(bǔ)償。然而沒有抽頭延時(shí)的預(yù)畸變器，僅可以獲得2到3dB的性能提升，這些表明對于3GPP系統(tǒng)的大功率放大器TDNN預(yù)畸變器有優(yōu)秀的線性化性能，而記憶效應(yīng)的補(bǔ)償對功率放大器的建模和線性化非常重要。