功放线性化方法及装置

技术领域

本发明涉及通信技术领域，特别是指一种功放线性化方法及装置。

背景技术

现代移动通信系统中，基站设备中的射频功率放大器的作用是将射频信号放大到足够功率以便发射出去，其线性度和效率是一组相互矛盾的指标。常见的功放线性化和提高效率的技术主要有：功率回退、前馈技术、反馈技术、非线性器件线性放大法、预失真技术等。4G时代室内覆盖小基站以无源室分为主，容量比较低，对功耗要求也很低，功放的非线性失真特性通过功率回退的方案就能满足指标要求。进入5G时代，其超大调制带宽和高调制度特点使得信号的峰均比很高，同时绿色节能对小基站的功耗提出了更高的要求，功放的输出功率和效率大幅度提高，传统的功率回退方案无法满足线性化指标的要求，需要采用宏基站上使用的高效数字预失真算法方案，从而达到提高系统线性化并降低系统能耗的目标。

现有的宏基站上使用的数字预失真方案如图1虚线框内所示，总共分为两个模块：一是准确地求解功放的非线性特性系数，二是使用特性系数完成对数字信号的预失真处理。经过预失真处理的信号在通过功放时，完成和功放非线性失真的对消，从而保证输出的信号是线性的。由此可看出，该技术的关键是求解精准的功放非线性特性。其中，CFR为波峰因子衰减，Trx为收发信机单元，PA为功率放大器。

现有技术中，常见的建模模型主要有简单有效的记忆多项式模型(MemoryPolynomial，MP)，在MP基础上增加了超前和滞后包络信息的广义记忆多项式模型(Generalized Memory Polynomial，GMP)，以及针对高非线性失真的动态偏差减少模型(Dynamic Deviation Reduction，DDR)。随着对5G基站能耗的要求不断提高，功率放大器通常采用使用生成式对抗网络(Generative Adversarial Networks，GAN)，针对GAN需要使用复杂度更高的分段函数模型进行校正才能达到较好的效果。

5G宏基站的发射功率比较高，对功放的输出功率和效率有很高的要求，因此在宏基站中使用的数字预失真方案模型比较复杂，参数配置较多，系数量很大，实现时需要的存储和计算资源比较多。而在5G小基站中，输出功率相对来说比较低，功放的非线性失真达不到宏基站中的那种程度，如果直接使用宏站中的数字预失真模型，会存在以下问题：

当前方案使用的全能模型校正能力比较强，针对失真特性和记忆特性没有那么强的5G小基站功率放大器来说，存在过校正的问题，不能使其达到一个良好的线性状态；

当前方案使用的全能模型系数量很大，在基站系统上实现时软件系数计算部分对进阶精简指令集机器(ARM)的要求比较高，硬件预失真部分对存储及计算资源也要求很大。现有的小基站系统中，无论是ARM的选型还是存储及计算资源都达不到这种要求，需要额外增加实现代价；

当前方案使用的全能模型带来的高实现资源，导致现场可编程逻辑门阵列(FPGA)的面积增大，芯片规格提升，给整个5G小基站系统带来不必要的功耗增加，同时又增加整体小站研发成本。

发明内容

本发明要解决的技术问题是提供一种功放线性化方法及装置，能够减少软件计算复杂度，加快算法收敛速度，节约硬件实现资源，降低小基站系统能耗及开发成本。

为解决上述技术问题，本发明的实施例提供技术方案如下：

一方面，提供一种功放线性化方法，包括：

根据功率放大器的输入数据和输出数据对所述功率放大器进行识别，得到所述功率放大器的型号以及失真信息，计算所述功率放大器的输入数据的相邻频道泄漏比ACLR；

根据所述功率放大器的型号、失真信息和所述ACLR对所述功率放大器的模型进行参数初始化配置，得到初始状态的参数；

将所述参数与所述功率放大器的输出信号进行乘法运算，得到功放线性输出特性参数，将所述功放线性输出特性参数与所述功率放大器的输入信号进行均方根误差NMSE计算，根据计算结果调整所述功率放大器的模型的参数。

一些实施例中，根据计算结果调整所述功率放大器的模型的参数包括：

对所述功率放大器的模型进行参数初始化配置后，进行至少一次迭代步骤，得到迭代后的模型的参数，在每次迭代步骤中，判断本次迭代的所述计算结果是否满足预设门限范围，若满足预设门限范围，记录所述功率放大器的模型当前配置的参数；若不满足预设的门限范围，对所述功率放大器的模型当前配置的参数进行调整，进行下一次迭代。

一些实施例中，所述参数包括输入模型项的数据延迟i，输入模型项的幅度延迟j和非线性失真特性阶数p。

一些实施例中，所述模型的表达式为：

其中，y(n)为模型的输出信号，c

对所述功率放大器的模型进行参数初始化配置包括：

从0～M

一些实施例中，得到功放线性输出特性参数包括：

获取所述功率放大器的输入信号data

利用所述关系式和最小二乘法原理，计算得到初始状态的系数集

一些实施例中，根据计算结果调整所述功率放大器的模型的参数包括：

从0～M

一些实施例中，根据功率放大器的输入数据和输出数据对所述功率放大器进行识别之前，所述方法还包括：

根据输入数据的平均功率和峰值功率信息对所述输入数据进行筛选。

本发明实施例还提供了一种功放线性化装置，包括：

第一处理模块，用于根据功率放大器的输入数据和输出数据对所述功率放大器进行识别，得到所述功率放大器的型号以及失真信息，计算所述功率放大器的输入数据的相邻频道泄漏比ACLR；

配置模块，用于根据所述功率放大器的型号、失真信息和所述ACLR对所述功率放大器的模型进行参数初始化配置，得到初始状态的参数；

第二处理模块，用于将所述参数与所述功率放大器的输出信号进行乘法运算，得到功放线性输出特性参数，将所述功放线性输出特性参数与所述功率放大器的输入信号进行均方根误差NMSE计算，根据计算结果调整所述功率放大器的模型的参数。

一些实施例中，所述第二处理模块具体用于对所述功率放大器的模型进行参数初始化配置后，进行至少一次迭代步骤，得到迭代后的模型的参数，在每次迭代步骤中，判断本次迭代的所述计算结果是否满足预设门限范围，若满足预设门限范围，记录所述功率放大器的模型当前配置的参数；若不满足预设的门限范围，对所述功率放大器的模型当前配置的参数进行调整，进行下一次迭代。

一些实施例中，所述参数包括输入模型项的数据延迟i，输入模型项的幅度延迟j和非线性失真特性阶数p。

一些实施例中，所述模型的表达式为：

其中，y(n)为模型的输出信号，

对所述功率放大器的模型进行参数初始化配置包括：

从0～M

一些实施例中，所述第二处理模块具体用于获取所述功率放大器的输入信号data

利用所述关系式和最小二乘法原理，计算得到初始状态的系数集

一些实施例中，所述第二处理模块具体用于从0～M

一些实施例中，所述装置还包括：

筛选模块，用于根据输入数据的平均功率和峰值功率信息对所述输入数据进行筛选。

本发明实施例还提供了一种功放线性化装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器执行所述程序时实现如上所述的功放线性化方法。

所述处理器用于根据功率放大器的输入数据和输出数据对所述功率放大器进行识别，得到所述功率放大器的型号以及失真信息，计算所述功率放大器的输入数据的相邻频道泄漏比ACLR；根据所述功率放大器的型号、失真信息和所述ACLR对所述功率放大器的模型进行参数初始化配置，得到初始状态的参数；将所述参数与所述功率放大器的输出信号进行乘法运算，得到功放线性输出特性参数，将所述功放线性输出特性参数与所述功率放大器的输入信号进行均方根误差NMSE计算，根据计算结果调整所述功率放大器的模型的参数。

一些实施例中，所述处理器用于对所述功率放大器的模型进行参数初始化配置后，进行至少一次迭代步骤，得到迭代后的模型的参数，在每次迭代步骤中，判断本次迭代的所述计算结果是否满足预设门限范围，若满足预设门限范围，记录所述功率放大器的模型当前配置的参数；若不满足预设的门限范围，对所述功率放大器的模型当前配置的参数进行调整，进行下一次迭代。

一些实施例中，所述参数包括输入模型项的数据延迟i，输入模型项的幅度延迟j和非线性失真特性阶数p。

一些实施例中，所述模型的表达式为：

其中，y(n)为模型的输出信号，

对所述功率放大器的模型进行参数初始化配置包括：

从0～M

一些实施例中，所述处理器用于获取所述功率放大器的输入信号data

利用所述关系式和最小二乘法原理，计算得到初始状态的系数集

一些实施例中，所述处理器用于从0～M

一些实施例中，所述处理器还用于根据输入数据的平均功率和峰值功率信息对所述输入数据进行筛选。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的功放线性化方法中的步骤。

本发明的实施例具有以下有益效果：

上述方案中，根据功率放大器的工作特性对模型和参数进行匹配设计，提高线性化效果。同时在系统初始化后可以直接更新已训练的模型参数配置，使算法接近一个收敛的状态，减少软件计算复杂度，加快算法收敛速度，节约硬件实现资源，降低小基站系统能耗及开发成本。

附图说明

图1为现有功放线性化方案示意图；

图2为本发明实施例功放线性化方案示意图；

图3为本发明实施例功放线性化装置的结构示意图；

图4为本发明实施例功放线性化装置的组成示意图。

具体实施方式

为使本发明的实施例要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本申请实施例提出一种功放线性化方法，能够解决以下问题：

针对不同小基站系统中的功率放大器特性进行匹配建模，使用与当前功放特性更匹配的配置参数，提高线性化效果，使系统指标满足要求；

针对性的匹配的模型和参数配置在系统启动后可以直接进行更新，使功放达到一个比较好的线性状态，加快迭代收敛的速度，减少软件计算复杂度；经过初始化的模型配置基础在匹配并验证后的模型中继续优化参数配置方案，降低实现复杂度，减少实现资源，降低射频拉远单元(RRU)整机能耗，同时降低开发成本；

针对性的匹配的模型和参数配置，使算法方案体积减少，硬件实现的RAM存储和乘法器资源至少减少30％，可以降低实现芯片的规格，节约开发成本，降低小基站整机功耗。同时优化后的方案可以在国产小基站数字中频专用集成电路(ASIC)中实现，替代国外的现场可编程门阵列(FPGA)芯片，实现小基站重要芯片的国产化替代。

为解决上述技术问题，本发明的实施例提供一种功放线性化方法，包括：

根据功率放大器的输入数据和输出数据对所述功率放大器进行识别，得到所述功率放大器的型号以及失真信息，计算所述功率放大器的输入数据的相邻频道泄漏比ACLR；

根据所述功率放大器的型号、失真信息和所述ACLR对所述功率放大器的模型进行参数初始化配置，得到初始状态的参数；

将所述参数与所述功率放大器的输出信号进行乘法运算，得到功放线性输出特性参数，将所述功放线性输出特性参数与所述功率放大器的输入信号进行均方根误差NMSE计算，根据计算结果调整所述功率放大器的模型的参数。

本申请实施例中，根据功率放大器的工作特性对模型和参数进行匹配设计，提高线性化效果。同时在系统初始化后可以直接更新已训练的模型参数配置，使算法接近一个收敛的状态，减少软件计算复杂度，加快算法收敛速度，节约硬件实现资源，降低小基站系统能耗及开发成本。

一些实施例中，根据计算结果调整所述功率放大器的模型的参数包括：

对所述功率放大器的模型进行参数初始化配置后，进行至少一次迭代步骤，得到迭代后的模型的参数，在每次迭代步骤中，判断本次迭代的所述计算结果是否满足预设门限范围，若满足预设门限范围，记录所述功率放大器的模型当前配置的参数；

若不满足预设的门限范围，对所述功率放大器的模型当前配置的参数进行调整，进行下一次迭代。

如图2所示，本实施例的功放线性化方法包含指标判断、参数初始化、系数预判、参数调整等四个部分的内容。具体需要完成以下步骤：

步骤1、根据功率放大器的输入输出数据信息对当前功率放大器进行识别，确定当前使用的功率放大器的型号以及基本失真信息。为了进一步减少计算复杂度，需要根据输入数据的平均功率和峰值功率信息对参与本申请实施例计算的数据进行筛选，使用选中的数据进行指标判断，计算输入数据的ACLR；

步骤2、根据输入的识别信息和ACLR的指标对模型进行参数初始化配置。假设最初的模型使用通用多项式模型(GMP)，表达式如下：

其中，y(n)为模型的输出信号，c

对模型的参数配置进行预期初始化配置，M＝M

步骤3、利用上式和最小二乘法原理，计算得到初始状态的系数集

步骤4、在限定范围内调整参数的取值，令M＝M

与图1的现有数字预失真实现方案相比，本申请实施例一方面最大程度上匹配功率放大器的非线性失真特性，使模型参数配置更精准，达到良好的非线性校正效果。另一方面，根据功率放大器的输入信息进行模型初始化配置，模型参数筛选之后，使小基站系统启动后快速达到一个接近收敛的状态，计算复杂度会降低，系数查找表(LUT)占用的存储空间会减少约10％～30％，预失真过程的乘法器资源也会减少10％～30％，在一定程度上减少RRU系统功耗，节能降耗。另外，精准匹配后的模型体积比较小，实现资源至少降低30％，降低了算法实现门槛和复杂度，可以应用于国产ASIC芯片和TRX芯片中，推进产业进展。

本发明实施例还提供了一种功放线性化装置，如图3所示，包括：

第一处理模块11，用于根据功率放大器的输入数据和输出数据对所述功率放大器进行识别，得到所述功率放大器的型号以及失真信息，计算所述功率放大器的输入数据的相邻频道泄漏比ACLR；

配置模块12，用于根据所述功率放大器的型号、失真信息和所述ACLR对所述功率放大器的模型进行参数初始化配置，得到初始状态的参数；

第二处理模块13，用于将所述参数与所述功率放大器的输出信号进行乘法运算，得到功放线性输出特性参数，将所述功放线性输出特性参数与所述功率放大器的输入信号进行均方根误差NMSE计算，根据计算结果调整所述功率放大器的模型的参数。

一些实施例中，所述第二处理模块13具体用于对所述功率放大器的模型进行参数初始化配置后，进行至少一次迭代步骤，得到迭代后的模型的参数，在每次迭代步骤中，判断本次迭代的所述计算结果是否满足预设门限范围，若满足预设门限范围，记录所述功率放大器的模型当前配置的参数；若不满足预设的门限范围，对所述功率放大器的模型当前配置的参数进行调整，进行下一次迭代。

一些实施例中，所述参数包括输入模型项的数据延迟i，输入模型项的幅度延迟j和非线性失真特性阶数p。

一些实施例中，所述模型的表达式为：

其中，y(n)为模型的输出信号，c

对所述功率放大器的模型进行参数初始化配置包括：

从0～M

一些实施例中，所述第二处理模块具体用于获取所述功率放大器的输入信号data

利用所述关系式和最小二乘法原理，计算得到初始状态的系数集

一些实施例中，所述第二处理模块具体用于从0～M

一些实施例中，所述装置还包括：

筛选模块，用于根据输入数据的平均功率和峰值功率信息对所述输入数据进行筛选。

本发明实施例还提供了一种功放线性化装置，如图4所示，包括存储器21、处理器22及存储在所述存储器21上并可在所述处理器22上运行的计算机程序；所述处理器22执行所述程序时实现如上所述的功放线性化方法。

所述处理器22用于根据功率放大器的输入数据和输出数据对所述功率放大器进行识别，得到所述功率放大器的型号以及失真信息，计算所述功率放大器的输入数据的相邻频道泄漏比ACLR；根据所述功率放大器的型号、失真信息和所述ACLR对所述功率放大器的模型进行参数初始化配置，得到初始状态的参数；将所述参数与所述功率放大器的输出信号进行乘法运算，得到功放线性输出特性参数，将所述功放线性输出特性参数与所述功率放大器的输入信号进行均方根误差NMSE计算，根据计算结果调整所述功率放大器的模型的参数。

一些实施例中，所述处理器22用于对所述功率放大器的模型进行参数初始化配置后，进行至少一次迭代步骤，得到迭代后的模型的参数，在每次迭代步骤中，判断本次迭代的所述计算结果是否满足预设门限范围，若满足预设门限范围，记录所述功率放大器的模型当前配置的参数；若不满足预设的门限范围，对所述功率放大器的模型当前配置的参数进行调整，进行下一次迭代。

一些实施例中，所述参数包括输入模型项的数据延迟i，输入模型项的幅度延迟j和非线性失真特性阶数p。

一些实施例中，所述模型的表达式为：

其中，y(n)为模型的输出信号，c

对所述功率放大器的模型进行参数初始化配置包括：

从0～M

一些实施例中，所述处理器22用于获取所述功率放大器的输入信号data

利用所述关系式和最小二乘法原理，计算得到初始状态的系数集

一些实施例中，所述处理器22用于从0～M

一些实施例中，所述处理器22还用于根据输入数据的平均功率和峰值功率信息对所述输入数据进行筛选。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的功放线性化方法中的步骤。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储待检测终端设备或任何其他非传输介质，可用于存储可以被计算待检测终端设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。