一种基于延迟线补偿记忆效应的模拟预失真器

模拟预失真器具有带宽宽、结构简单、功耗低和延时少等优点,满足第五代移动通信系统(5G)及超 5G 的功放线性化对大带宽、低功耗和低延时的要求。然而随着移动通信系统的发展,信号的带宽和调制度越来越 高,功率放大器的记忆效应影响也越来越强,而传统的模拟预失真器无法补偿功放的记忆效应。为了解决模拟预失 真电路的记忆效应补偿问题,文中提出了一种基于延迟线补偿记忆效应的肖特基二极管模拟预失真器(SDD-APD)。 该模拟预失真器采用不等长微带线作为延迟线,用来补偿功放的记忆效应。采用100 MHz 带宽5G 新无线电(NR) 信号对工作在3. 5 GHz 的AB 类功放进行测试,结果表明该模拟预失真器可以补偿功放的记忆效应,并能将功放的 非线性改善10 dB 以上。     

一种连续F类/逆F类模式转换功率放大器

传统的F类和逆F类功率放大器的带宽不宽,且对于功放输出信号的谐波控制比较严格。在连续类功放理论的基础上,设计了一款在工作带宽内连续F类和连续逆F类模式转换的功率放大器。设计的功放采用了Cree 公司的CGH40010F GaN HEMT 晶体管。通过调整功放管输出端的谐波控制网络,控制谐波阻抗在Smith 圆图中位置分布,从而在带宽内同时实现连续F类和连续逆F类的工作模式。制作了测试板,结果表明在2.4～4.2GHz的带宽内,增益在11dB 以上,漏极效率为55%～82%,输出功率在39.5～41.9dBm。采用了10MHz 的LTE 单载波信号进行功放的数字预失真测试,功放的输出ACPR改善了6dB以上。     

一种用于氮化镓晶体管建模的TRL校准方法

直通-反射-延迟线(TRL)校准相对于短路-开路-负载-直通(SOLT)校准是一种更加准确且易于实现的校准方法,尤其适用于二端口及多端口的非同轴测量。文中针对Wolfspeed公司的氮化镓晶体管CGH40010F的S参数测量问题,分析讨论了TRL校准在网络分析仪中的误差盒模型,在此基础上设计制作了一套TRL校准件,其工作频率范围为1～6 GHz,在此频段内直通和延迟线均达到S_ii(i=1,2)幅值小于-15 dB,S_ij(i,j=1,2;i≠j)幅值大于-0.8 dB;将该校准件特性指标内置到矢量网络分析仪中进行校准测试,实测结果表明,经过TRL校准后的氮化镓晶体管小信号S参数与官方数据手册中一致,验证了该校准测量方法及据此设计制作的TRL校准件是有效的。     

基于SoC的可重构短波功放数字预失真线性化

在对功率放大器的非线性放大特性研究的基础上,提出了在SoC为核心的硬件平台上对短波功放进行可重构预失真线性化的方法。文章重点对改进型Hammerstein 模型进行了改进,修改后的模型不仅在硬件上易于实现,而且具备模式切换功能,可以根据需求选择不同的有记忆模型或无记忆模型。实验结果证实了修改后的模型能有效地抑制短波功放的带外寄生辐射。提出的基于SoC 硬件平台的预失真线性化实现方案可以很方便地实现各种不同的预失真非线性模型,节省系统硬件资源,具有重要的工程实际应用价值。     

基于数/模混合预失真技术的功放线性化北大核心CSCD

随着移动通信信号带宽的增加,传统功率放大器数字预失真线性化技术越来越受到采样率的限制。为了使线性化效果更好,文中提出了一种数字预失真和模拟预失真相结合的混合预失真器,利用模拟预失真宽带宽的特点和数字预失真线性化能力强的优势,把模拟预失真和数字预失真融合在一起,共同补偿功放的非线性。由于受实验设备采样率的限制,文中采用了带宽为60 MHz的5 G NR信号对一个中心频率为3.5 GHz的射频功放进行实验验证。实验结果表明:提出的混合预失真器不仅优于单独的数字预失真器和模拟预失真器的非线性矫正性能,而且还能改善数字预失真因采样率限制无法改善的带外互调失真。     

基于广义LSTM神经网络的宽带射频功放数字预失真线性化

在无线通信系统中,射频功放的非线性是信号失真与频谱增生的主要原因,尤其是对于采用64QAM、256QAM 等高峰均功率比的复杂调制系统,对射频功放线性度的要求越来越高;然而宽带射频功放中存在的强记忆效应严重地降低了基于传统非线性模型的数字预失真器的线性化性能。文章提出广义长短期记忆(LSTM)神经网络模型,通过输入的时序特性,从时间轴上进行模型迭代,利用LSTM模型独特的长短时序结构以更好地表征宽带射频功放的记忆效应,同时引入时间超前项以构建广义的LSTM模型,进一步增强其动态非线性建模能力。在不同超参数下的建模结果表明,该模型的归一化均方误差(NMSE)指标可达-42.2895 dB。最后,使用20 MHz 带宽的4 载波WCDMA信号,对中心频率1900 MHz 的50 W Doherty 功放进行预失真线性化实验验证。实验结果证实了基于广义LSTM神经网络模型的数字预失真器可以使互调分量降低达23.27 dB,大大优于记忆多项式等传统非线性模型的非线性校正性能。     

广义改进型Hammerstein预失真器的实现方法及验证

射频功率放大器与生俱来的非线性是无线通信前端设计需要解决的核心问题之一。根据广义改进型Hammerstein功率放大器非线性模型,提出一种应用于射频功放线性化的新型数字预失真器——广义改进型Hammerstein(Generalized Augmented Hammerstein, GAH)预失真器,并给出了该预失真器的实现方法。另外,为了精确分析GAH 预失真器的性能,采用实际功放的输入输出数据进行仿真和实验。被测功放为中心频率1960 MHz,带宽40 MHz, 输出功率45 dBm的Doherty功放。仿真和实验证明：提出的数字预失真器不仅计算复杂度远低于记忆多项式（Memory Polynomial,MP）和分数阶记忆多项式（Fractional Memory Polynomial, FMP）预失真器,而且其线性化能力也强于AH、MP及FMP等预失真器。     

基于实值时间卷积神经网络的功放预失真研究

为了实现传输速率高达千兆比特每秒(Gbps)的目标,5G通信系统需要更宽的传输带宽和更高的调制度,这些对射频功放的线性度提出了更加苛刻的要求。必须对功放的非线性进行线性化。文中构建了一种基于实值时间卷积神经网络(Real-Valued Temporal Convolutional Networks,RVTCN)模型的数字预失真器。RVTCN模型利用扩大因果卷积(Dilated Causal Convolution, DCC)提取功放的当前时序信息,把记忆信息存储在残差块(Residual Block,RB)中,不断获取时序特征并保存于网络中。为了验证RVTCN线性化的性能,文中采用了100 MHz带宽的5G NR信号,对中心频率3.5 GHz的Doherty功放进行了预失真线性化实验验证。实验结果表明:该RVTCN模型具有射频功放的动态非线性行为建模能力,其归一化均方误差可达-40 d B;RVTCN预失真器对测试功放的相邻信道功率比(ACPR)改善可达19.5 d B左右。     

基于神经网络的数字预失真模型验证

功放的非线性会导致信号的失真和频谱再生，因此数字预失真被认为是解决功放非线性的一个方法，但是由于信号的带宽越来越宽，且系统越来越复杂，这些传统的预失真方法已经无法满足需要，因此神经网络开始被应用于数字预失真。本文对LSTM,GRU,BiGRU网络建立数字预失真平台，使用1.9GHz的功放对5G-NR信号进行实验。实验结果表明：LSTM,GRU,BiGRU这三个模型都可以应用于线性化，并且ACLR最高可达17dB,因此这三个模型均可用于功放的非线性改善。