3.8 Цифровое предискажение
Цифровое предискажение может применяться для управления аналоговыми и цифровыми широкополосными входными сигналами, аналоговыми и цифровыми входными сигналами промежуточной или радиочастоты.
Наиболее часто обрабатываются цифровые широкополосные сигналы и сигналы промежуточной частоты, обычно применяемые большинством инженеров.
Не смотря на то, что за прошедшие несколько лет получили развитие многие версии цифрового предискажения, которые можно категоризировать по многим критериям, можно выделить две основные группы. Одна из них – это LUT (look up table) предискажения и другая группа – это параметрические предискажения с аналитическими формулами, базирующимися на рядах Вольтера.
В целом работа цифрового предискажения базируется непосредственно на обеих группах устройств предискажения и алгоритме адаптации. Скорость и сложность адаптивного предискажения является одной из крайне важных проблем для их практической реализации. Эти вопросы и детальное описание реализации цифрового предискажения приведено в работе [34] и в кратком виде приводятся в настоящем подразделе.
3.8.1 Рассогласование амплитуды и фазы и их подавление
Целью линеаризации усилителя мощности является устранение составляющих искажения для наиболее полного эффективного использования мощности. Компоненты искажений определяются сигналами, которые изменяются в зависимости от мгновенной амплитуды и модуляции частоты сигнала. Изучение компонентов искажений показывает, что хорошая их нейтрализация накладывает очень высокие требования к установлению связи между амплитудными и фазовыми составляющими искажений, создаваемых компонентами усилителя и компонентами сигналов, генерируемых предискажающими устройствами. Принцип нейтрализации показан на рисунке 20.
Остаточная мощность компонента IMD может быть вычислена, используя правило косинуса для заданного угла нейтрализации и значения нейтрализации по формуле:
Cancellation=10•log[1-(A+ΔA/A)•cos(Δφ)+(1+ΔA/A)•2] , (5)
где Δφ и ΔA - ошибка фазы и амплитуды, соответственно. Числовые значения приведены на рисунке 20.
Например, чтобы получить уменьшение IMD компонента на 25 дБ, фазовая ошибка не должна превышать 2-3 градуса, а ошибка относительного значения усиления не должна быть более 0,25 дБ (3 %) по всему сигналу и диапазону IMD.
Практически ограничивающими факторами являются полоса пропускания, в которой может быть обеспечена заданная точность, плюс шумовые характеристики.
Практически ограничивающими факторами являются полоса пропускания, в которой может быть обеспечена заданная точность, плюс шумовые характеристики.
3.8.2 Алгоритм прямо обучающегося адаптивного цифрового предискажения
Структурная схема прямо обучающегося адаптивного устройства цифрового предискажения приведена на рисунке 21.
На начальном этапе предискажений комплексное усиление a(n)e-iφ(n) нормализуется к единице "1". Затем для каждого участка входного сигнала Vm(n) генерируется предискажение усиления и фазы a(n)e-iφ(n), используя ошибку сигнала, которая определяется разностью между сигналами с выхода усилителя мощности Vf(n) и входным сигналом Vm(n).
На начальном этапе предискажений комплексное усиление a(n)e-iφ(n) нормализуется к единице "1". Затем для каждого участка входного сигнала Vm(n) генерируется предискажение усиления и фазы a(n)e-iφ(n), используя ошибку сигнала, которая определяется разностью между сигналами с выхода усилителя мощности Vf(n) и входным сигналом Vm(n).
Предискажения усиления и фазы устанавливаются таким образом, чтобы результатом работы система стала линейной. Таким образом, предискажение фактически работает как обратная связь с выхода нелинейного усилителя мощности на устройство, формирующее предискажение.
Для выше упоминавшегося случая вида искажения "look-up-table (LUT)" полученное значение усиления может быть зафиксировано для каждого возможного значения огибающей входного сигнала Vm(n). Записанная таким образом таблица становится образцом для определения модуляции, прежде чем сигнал поступит на усилитель мощности. Тогда эти вычисления будут подавлять нежелательные продукты нелинейного усилителя мощности.
Чтобы выполнить это используется математический алгоритм, который обновляет таблицу, основываясь на снимках входного сигнала и выходного сигнала усилителя мощности. Данный метод широко используется. Однако эффективность инверсии, компенсирующей искажения усилителя мощности, ухудшается, когда усилитель мощности имеет электрическую или электротермическую память, т.к. входной сигнал теряет отличительные свойства и предискажения для инверсии усилителя мощности становится невозможным предсказать.
Кроме того, обновление условия сходимости алгоритма должно производиться строго на уровне шумов системы, особенно внутренних фазовых шумов синхронизации ADC/DAC и локального генератора синхронизации радиочастотных преобразователей up/down. Поэтому значения LUT возможно могут иметь не оптимальные значения, чтобы оптимизировать интермодуляцию.
3.8.3 Алгоритм косвенно обучающегося адаптивного цифрового предискажения
Понятие косвенного обучения исходит от контроллеров многослойных нейронных сетей. На рисунке 22 показана типовая структурная схема косвенно обучающейся структуры, модифицированной для применения в системах с цифровым предискажением.
В основном существуют два математически идентичных типа предискажений, работающих с различными входными сигналами – это передающий предисказитель и обучающийся предисказитель. Цепь обратной связи, обозначенная как "Training Predistorter" масштабирована обратно пропорционально усилению усилителя мощности (1/G). Фактически, передающий предисказитель является копией цепи обратной связи и его выходной сигнал поступает на вход усилителя мощности.
В идеале алгоритм считается сходящимся, если ошибка минимизирована, т.е. усилитель мощности линеаризован. Сходимость алгоритма основана на предположении того, что нелинейный усилитель мощности является обратимым и его характеристики не имеют быстрых изменений во времени. В большинстве случаев такие изменения характеристик усилителя мощности происходят при воздействии температуры, старении и т.п., которые имеют на протяжении длительного времени постоянные значения. В этом случае характеристики усилителя мощности могут быть достаточно быстро адаптированы к таким изменениям, в отличие от случая, когда параметры непрерывно изменяются во времени.
Для косвенно обучающейся архитектуры предискажений обучающаяся ветвь может обработать внешние данные после получения блока шаблонных данных, которые понижают требования к обработке предискажающей системы. Как только алгоритм предискажений будет сходиться, вводится новый набор в передающий предисказитель, который может быть выполнен на коммерчески доступных DSP или программируемой логике (FPGA).
Если характеристики усилителя мощности стабильны во времени, то могут использоваться один раз определенные параметры предискажений, которыми можно даже управлять при разомкнутой петле обратной связи. Другими словами цепь обратной связи может быть временно разомкнута для того, чтобы сократить мощность, теряемую в обучаемом предисказителе, и до тех пор, пока изменения характеристики усилителя мощности не потребуют обновления предискажающих коэффициентов.
Алгоритмы для такой работы основаны на цифровой обработке предискажений и подробно рассмотрены в работе [34].
Алгоритмы для такой работы основаны на цифровой обработке предискажений и подробно рассмотрены в работе [34].
Заключение
В статье рассмотрены методы цифрового предискажения. Рассмотрено влияние рассогласования амплитуды и фазы на процесс линеаризации. Приведено описание структурных схем прямо обучающегося адаптивного цифрового предискажения и косвенно обучающегося адаптивного предискажения.
Продолжение следует.
0 коммент.:
Отправить комментарий