Цифровая линеаризация передающего тракта при двухполосной передаче данных с учетом квадратурного дисбаланса

Размещено на http://www.allbest.ru/

Воронежский государственный университет, Воронеж, Россия

Цифровая линеаризация передающего тракта при двухполосной передаче данных с учётом квадратурного дисбаланса

Л. И. Аверина, О. В. Бугров

Аннотация

цифровой коррекция двухполосный аналоговый

Рассмотрен механизм цифровой коррекции передающего тракта для системы двухполосной параллельной передачи данных при наличии в нём аналогового квадратурного модулятора с искажениями. Выведены аналитические соотношения для двухполосной полиномиальной модели корректора с учетом квадратурных искажений модулятора. Построены модели на основе различных нейронных сетей для линеаризации рассматриваемого передающего тракта. Проведён сравнительный анализ корректоров, построенных на основе различных моделей.

Ключевые слова: усилитель мощности, параллельная двухполосная передача данных, метод цифровых предыскажений, квадратурный дисбаланс, нейронные сети.

Abstract

Mechanizm of digital predistortions for concurrent dual-band transmission in presence of analog modulator with I/Q imbalance is considered. Analytical relations for dual-band polynomial model of predistorter with considering I/Q imbalance are derived. Models based on neural networks for linearization of concerned transmission path are built. A comparison of different predistorters is carried out.

Keywords: power amplifier, dual-band systems, digital predistortion, I/Q imbalance, neyral networks.

В связи с заметным развитием систем беспроводной передачи данных базовые станции поддерживают различные стандарты для удовлетворения растущих требований пользователей. Один из способов обеспечивать все большую скорость передачи данных - повышение эффективности передатчика в ограниченном частотном диапазоне. Усилитель мощности (УМ) является основным потребителем энергии в передающем тракте, поэтому для повышения эффективности работы всего тракта УМ работает в нелинейном режиме. При нелинейном режиме работы усилителя возникают заметные нелинейные искажения, которые следует скомпенсировать. Один из широко используемых способов компенсации - метод цифровых предыскажений. Этот вопрос широко исследован в литературе [1, 2].

В настоящее время используется многополосная передача данных. Многополосный УМ обладает более сложным нелинейным поведением. Вдобавок к внутриполосному излучению, как в случае однополосного УМ, добавляются межполосные спектральные составляющие в выходном сигнале. Для таких передающих систем существуют соответствующие модели корректоров, например, двухполосная полиномиальная модель корректора с памятью, которая учитывает межполосные взаимодействия внутри усилителя [3].

К сожалению, корректоры такого типа не учитывают несовершенства модулятора, которые приводят к квадратурному дисбалансу и смещению гетеродина [4]. Для краткости в работе мы будем называть их квадратурными искажениями.

В работе рассмотрены некоторые виды цифровых корректоров, применяемых для компенсации нелинейных искажений в двухполосных системах передачи данных, показаны результаты работы таких корректоров в условиях квадратурного дисбаланса и смещения локального осциллятора. Также предложена архитектура корректора на основе нейронных сетей, позволяющего бороться и с нелинейностью усилителя, и с несовершенствами модулятора.

Модели корректоров для линеаризации двухполосной системы передачи данных

На рисунке 1 приведена упрощенная схема коррекции двухполосной передающей системы.

Рис. 1. Блок-схема параллельной двухполосной системы передачи данных с цифровыми предыскажениями

Корректор искажений, вносимых УМ, работает по следующим формулам [6]:

где , - коэффициенты корректора, рассчитанные при идентификации,, - отсчёты комплексных огибающие исходных сигналов каждой полосы, , - отсчёты комплексных огибающих предыскажённых сигналов каждой полосы, - степень нелинейности модели корректора, - глубина памяти модели корректора.

На рисунке 2 приведена схема коррекции квадратурных искажений [7]:

Рис. 2. Блок-схема коррекции квадратурных искажений

Сигнал на выходе IQ корректора для первой полосы можно описать следующей формулой:

где и коэффициенты фильтра для исходного и комплексно-сопряженного сигнала соответственно, а - коэффициенты для коррекции сдвига гетеродина, D - глубина памяти. Аналогичным образом работает IQ корректор для второй полосы двухполосного сигнала.

Видно, что модели корректора усилителя и корректора модулятора позволяют создать общую одноблочную модель, которую можно идентифицировать методом наименьших квадратов. Добавив в формулы (1) и (2) соотношение (3), можно получить модель двухполосного цифрового одноблочного корректора, который позволяет линеаризовать и квадратурные искажения, и искажения, внесенные усилителем мощности. Такой корректор изображен на рисунке 1 пунктиром. Он работает по следующим формулам:

Степень нелинейности для второго слагаемого в каждом уравнении можно взять меньше, чем , так как, как правило, коэффициенты оказывают меньшее влияние на эффективность работы всего корректора.

Из соотношений (4) и (5) видно, что данная модель при больших значениях степени нелинейности и глубины памяти будет содержать значительное число параметров, которые достаточно точно сложно идентифицировать. Поэтому в работе для линеаризации передающего двухполосного тракта с квадратурными искажениями строились также модели корректоров на основе нейронных сетей. В работе рассматривались 2 нейронные сети: многослойный персептрон и рекуррентная нейронная сеть [5]. Необходимо отметить, что для каждой полосы строится своя нейронная сеть. На рисунках 3 и 4 приведены примеры сетей для одной полосы.

Рис. 3. Схема многослойного персептрона

Рис. 4. Схема рекуррентной нейронной сети

Здесь введены следующие обозначения: Л - линейный нейрон, НЛ - нелинейный нейрон.

Критерии оценки степени линеаризации передающего тракта

Для оценки эффективности работы различных корректоров будем использовать параметры ACPR и EVM.

ACPR описывает уровень внеполосных излучений сигнала и определяется соотношением:

где - средняя мощность сигнала в основном канале, - средняя мощность сигнала в соседнем канале. Данная величина учитывает как нелинейные, так и усилительные свойства системы.

EVM показывает, как изменяется положение точек модуляции на диаграмме созвездия при возникновении нелинейных искажений:

где I_вх, ??_вых, ??_вх, ??_вых - квадратуры сигнального созвездия на входе и выходе системы.

Сравнительный анализ корректоров, построенных на основе различных моделей

Для проведения сравнительного анализа эффективности функционирования корректоров на основе различных моделей было проведено компьютерное моделирование. Вначале генерировались два сигнала QAM16, каждый их которых подвергался квадратурным искажениям (параметры для каждой полосы приведены в таблице 1), переносился на свою несущую частоту, сигналы смешивались и подавались на модель УМ, состоящую из безынерционного нелинейного блока и КИХ-фильтра. Безынерционной нелинейный блок описывался соотношением:

Таблица 1. Параметры квадратурного дисбаланса

С УМ сигнал разделялся на две полосы и подавался на блок идентификации цифрового корректора. После этого исходные сигналы подавались на блок внесения цифровых предыскажений, потом вносились квадратурные искажения, сигналы переносились на несущие частоты, смешивались, подавались на усилитель. Для выходного сигнала рассчитывались критерии EVM и ACPR.

При проведения сравнительного анализа использовались следующие модели цифровых корректоров:

1. Двухполосная полиномиальная модель с памятью (соотношения (1) и (2)) со степенью нелинейности K = 5, глубиной памяти M = 3.

2. Двухполосная полиномиальная модель с памятью и учетом квадратурных искажений (соотношения (4) и (5)) со степенями нелинейности K1 = 5, K2 = 3, глубиной памяти M = 3.

3. Многослойный персептрон с количеством нейронов в первом скрытом слое Н1 = 6, во втором слое Н2 = 5.

4. Рекуррентная нейронная сеть с Н1 = 6, Н2 = 4.

Коэффициенты полиномиальных моделей 1 и 2 определялись с помощью метода наименьших квадратов. Нейронные сети обучались по алгоритму Левенберга-Марквардта. Компьютерный эксперимент проводился на четырех различных длинах обучающей последовательности - это количество отсчетов сигналов доступных блоку идентификации для расчета коэффициентов корректора.

Результаты моделирования представлены в таблице 2.

Таблица 2. Результаты моделирования

Здесь в качестве параметра ACPR3 указано худшее из значений критерия ACPR в соседнем левом и соседнем правом канале.

По результатам моделирования можно сделать вывод, что модели на основе нейронных сетей (3 и 4) добиваются удовлетворительных результатов корректирования при длине обучающей последовательности в 500 отсчетов и лучше справляются с коррекцией в присутствии квадратурного дисбаланса. Относительно сигнала с выхода усилителя, модели 3 и 4 линеаризуют сигнал по критерию ACPR на 11 дБ, по EVM на 20% для полосы 1 и 11% для полосы 2. Выигрыш нейронных сетей по сравнению с полиномиальными моделями (1 и 2) составляет по EVM - 3,5%, по ACPR - 2,5 дБ. Однако видно, что корректоры на основе нейронных сетей требуют большого количества параметров, а значит и больших вычислительных ресурсов.

Заключение

В работе показано, что для цифровой линеаризации передающего тракта с учётом квадратурного дисбаланса при двухполосной параллельной передаче данных можно использовать одноблочный корректор на основе полиномиальной модели. Для идентификации модели такого корректора можно использовать метод наименьших квадратов. Также показано, что в качестве моделей корректоров можно использовать нейронные сети, которые при моделировании показали свою значительную эффективность. Однако данные структуры из-за большого количества параметров обладают высокой вычислительной сложностью и требуют применения сложных алгоритмов обучения.

Литература

1. Ghannouchi, F. Behavioral modelling and predistortion of wideband wireless transmitters / F.Ghannouchi, O.Hammi, M.Helaoui. - Wiley, 2015. - 253 p.

2. Аверина Л.И. Повышение линейности передающего тракта методом цифровых предыскажений / Л.И. Аверина, А.М. Бобрешов, В.Д. Шутов // Нелинейный мир. - 2013. - №10. - С.720-727.

3. Аверина Л.И. Цифровая линеаризация усилителя мощности при параллельной двухполосной передаче данных / Л.И. Аверина, А.О. Кузнецов, О.В. Бугров // Радиолокация, навигация, связь: 24-я Международная научно-техническая конференция, г. Воронеж, 17-19 апр. 2018 г. -- Воронеж, 2018 .-- Т. 2. - С. 282-289.

4. Аверина Л.И. Компенсация частотно-зависимого дисбаланса в аналоговых квадратурных модуляторах / Л.И. Аверина, С.С. Лавлинский // Теория и техника радиосвязи. - 2015. - №3. - С. 62-69.

5. Аверина Л.И. Цифровые корректоры на основе нейронных сетей для линеаризации усилителей мощности / Л.И. Аверина, О.В. Бугров // Вестник ВГУ. Серия: Физика. Математика. - 2017. - № 1. - С.5-14.

6. Bassam S. 2-D Digital predistortion (2-D-DPD) architecture for concurrent dual-band transmitters / S. A. Bassam, M. Helaoui, and F. M. Ghannouchi, // IEEE Trans. Microw. Theory Tech., vol. 59, no. 10, pp.2547-2553, Oct. 2011.

7. Li. L. A Pruning Method of Joint 2D Digital Predistortion Model for Nonlinearity and I/Q Imperfections in Concurrent Dual-Band Transmitters /L. Li, F. Liu, G. Yang, H. Wang // 2014 IEEE/ACIS 13^th International Conference on Computer and Information Science (ICIS) - 2014.

Размещено на Allbest.ru