數(shù)字接收前端非線性失真補(bǔ)償技術(shù)研究.pdf

1、頻率寬開數(shù)字接收機(jī)常面臨著欲接收的小信號(hào)被同頻段大信號(hào)或強(qiáng)干擾的非線性產(chǎn)物淹沒的問題，設(shè)法提高數(shù)字接收前端的無雜散動(dòng)態(tài)范圍可在很大程度上改善這一情況。本文首次提出以非線性系統(tǒng)辨識(shí)技術(shù)來解決數(shù)字接收前端這類弱非線性系統(tǒng)的失真補(bǔ)償問題，其基本思路是：通過自適應(yīng)調(diào)整級(jí)聯(lián)于數(shù)字接收前端之后的非線性數(shù)字補(bǔ)償模型的參數(shù)，使其與接收前端的非線性傳遞函數(shù)互逆，從而有效降低或消除接收前端的非線性。歸納起來，本文內(nèi)容主要包括以下幾個(gè)方面：
　　通過定

2、性分析和仿真，研究數(shù)字接收前端的輸出噪聲與非線性失真的各種來源及所占比重，分析它們對(duì)數(shù)字接收機(jī)微弱信號(hào)檢測(cè)性能的影響，指出非線性失真才是制約數(shù)字接收前端無雜散動(dòng)態(tài)范圍的最主要因素。
　　對(duì)幾類常用的記憶非線性模型進(jìn)行詳細(xì)地分析和總結(jié)，包括記憶多項(xiàng)式模型、模塊化模型和Volterra模型。對(duì)比分析這幾種參數(shù)化模型的擬合精度和計(jì)算復(fù)雜度。理論分析表明，Volterra模型在普適性和精度上均優(yōu)于具有相同階數(shù)和記憶深度的其它兩類模型；但與

3、此同時(shí)，它的計(jì)算復(fù)雜度也更高。據(jù)此，設(shè)計(jì)一種Volterra模型簡(jiǎn)化方法：如果頻域Volterra核是可分離的，則可將Volterra模型簡(jiǎn)化為并行Wiener模型；如果頻域Volterra核是組合頻率的線性函數(shù)，又可將其簡(jiǎn)化為并行Hammerstein模型。推導(dǎo)出Volterra模型和這兩種簡(jiǎn)化模型的逆模型，分別為Volterra模型和并行Wiener-Hammerstein模型。對(duì)模數(shù)轉(zhuǎn)換器AD6645和一款直接采樣型數(shù)字接收前端的

4、測(cè)試結(jié)果表明，它們的頻域Volterra核隨輸入信號(hào)頻率的變化規(guī)律符合并行Wiener模型的性質(zhì)。因此，與它們的非線性傳遞函數(shù)互逆的數(shù)字補(bǔ)償模型是并行Wiener-Hammerstein模型。
　　設(shè)計(jì)了三種Volterra模型自適應(yīng)辨識(shí)和數(shù)字接收前端非線性失真補(bǔ)償技術(shù)。它們分別使用了均方誤差最小、峰度差異最小和基于二階與三階統(tǒng)計(jì)量組合的辨識(shí)準(zhǔn)則。通過理論推導(dǎo)、仿真和對(duì)比試驗(yàn)評(píng)估了這些模型辨識(shí)方法的性能和優(yōu)勢(shì)。仿真試驗(yàn)結(jié)果表明，經(jīng)

5、過上述模型辨識(shí)與失真補(bǔ)償處理后，系統(tǒng)的線性度指標(biāo)可
　　獲得不同程度的改善。其中，基于均方誤差最小的算法直接使用到輸入信號(hào)的瞬時(shí)幅度信息，相比于其它兩種使用統(tǒng)計(jì)量信息的算法，性能表現(xiàn)更加優(yōu)異。
　　提出了兩種Volterra模型盲辨識(shí)和數(shù)字接收前端非線性失真補(bǔ)償技術(shù)。它們分別使用了帶外總功率最小和除大信號(hào)外總功率最小的辨識(shí)準(zhǔn)則。使用前一種準(zhǔn)則的算法采用限定輸入信號(hào)頻率范圍的方式，將所有帶外信號(hào)的總功率作為目標(biāo)函數(shù)。使用后一種

6、準(zhǔn)則的算法采用頻域搜索的方式，分辨出大信號(hào)的頻率區(qū)間，將這一區(qū)間外的所有信號(hào)的總功率作為目標(biāo)函數(shù)。通過理論推導(dǎo)、仿真和對(duì)比試驗(yàn)評(píng)估了這兩種目標(biāo)函數(shù)的性能。在一款直接采樣型數(shù)字接收前端硬件電路上，對(duì)這兩種算法進(jìn)行了實(shí)際測(cè)試：多頻正弦信號(hào)和帶通信號(hào)輸入時(shí)的試驗(yàn)結(jié)果表明，經(jīng)過上述模型辨識(shí)與失真補(bǔ)償處理后，系統(tǒng)的無雜散失真動(dòng)態(tài)范圍能夠獲得14dB到24dB左右的改善。
　　提出了一種并行Wiener-Hammerstein模型的混合辨識(shí)和

7、數(shù)字接收前端非線性失真補(bǔ)償技術(shù)，避免了由于輸出信號(hào)與這一模塊化模型參數(shù)之間不呈線性關(guān)系而造成的直接辨識(shí)難度較大的問題。模型的混合辨識(shí)分為兩步：第一步是采用單頻正弦信號(hào)作為測(cè)試輸入，依據(jù)諧波失真抵消準(zhǔn)則，辨識(shí)出并行Wiener-Hammerstein模型中的Wiener模塊。第二步是依據(jù)MPOT準(zhǔn)則，自適應(yīng)地辨識(shí)模型中的線性記憶模塊。在一款直接采樣型數(shù)字接收前端硬件電路上，對(duì)這一算法進(jìn)行了實(shí)際測(cè)試：多頻正弦信號(hào)輸入時(shí)的試驗(yàn)結(jié)果表明，經(jīng)過上