一种基于云平台的数字预失真线性化参数提取方法技术

本发明专利技术公开了一种基于云平台的数字预失真线性化参数提取方法，数字预失真硬件平台包括矢量信号发生器、功率放大器、频谱分析仪、衰减器、耦合器和负载，矢量信号发生器和功率放大器连接，衰减器和耦合器连接，耦合器分别与频谱分析仪和负载连接，云平台包括测量服务器和多个数据库，每个数据库分别与多个测量服务器连接，多个测量服务器分别与应用服务器连接，应用服务器通过互联网与和客户终端连接，测量服务器分别与矢量信号发生器和频谱分析仪连接；优点是可以降低硬件使用成本，成本较低，有效提高数字预失真线性化效率，且能满足多功放并发请求数字预失真线性化的处理需求。

A digital predistortion linearized parameter extraction method based on cloud platform

【技术实现步骤摘要】
一种基于云平台的数字预失真线性化参数提取方法
本专利技术涉及一种数字预失真线性化参数提取方法，尤其是涉及一种基于云平台的数字预失真线性化参数提取方法。
技术介绍
功率放大器的主要作用是将已调信号放大到需要的功率，它是现代无线通信系统中不可或缺的关键部件。但功率放大器本身具有的非线性特性，一方面导致信号在带外引起频谱再生或扩展，干扰邻近信道，另一方面在带内引起传输信号失真，导致误码率性能下降。特别是在宽带通信中，记忆效应呈现明显，严重地影响了通信系统的正常传输。目前，射频功率放大器主要采用数字预失真技术来避免对邻近信道的干扰及信号经过非线性射频功放后产生的失真。随着无线通信技术的发展，传输信号从3G到4G甚至5G，通信容量不断增加，而且趋向采用高效率调制模式提高传输速率，因此数字预失真建模中涉及到的参数训练数据量和计算量越来越大，对功率放大器的线性度、稳定性、高效性和自适应性等要求也越来越高。传统的数字预失真系统基于硬件芯片技术，但硬件实现数字预失真在电路中会产生环路延迟问题，并需要昂贵的设备支持、系统成本高、功耗大、稳定性差，并且不支持对多功放预失真参数提取的统一协调、集中化管理和并行处理。数字预失真系统的有效性很大程度上依赖于对功率放大器PA非线性建模的精度，目前提出的建模类型很多，其中包括Saleh模型、记忆多项式模型、Wiener模型、Hammerstein模型、Volterra模型及其裁剪模型、神经网络模型等，很多模型都存在算法复杂收敛困难等问题，并且这些模型对训练计算的服务器要求也越来越高。其中基于神经网络的预失真方法具有较好的线性化效果，对于训练非线性模型是较为高效的解决方案，但是实际应用情况却是因数据训练时间长，易陷入局部收敛，海量数据无法适应实际需求等问题无法有效实施。同时对于传统预失真系统，反馈并采集回的IQ两路信号对处理器速度的要求也越来越高，硬件开销大，例如目前数字预失真采样带宽至少需要信号带宽的3～5倍。随着通信带宽增宽，如LTE-Advanced五载波信号，已经拥有100MHz的信号带宽，按照预失真反馈通道需求五倍采样率计算，则需要500MSPS的采样速率，若采用中频信号处理则需要1GSPS的采样速率，这样的A/D非常昂贵，通常限购或无原器件，因此大大增加了预失真实施难度。另一方面，随着应用的扩展，多个功放系统的预失真并发处理需求也在不断增长，专业实验环境不能满足用户远程使用需求。随着云时代的到来和云计算技术的日趋成熟，云平台的体系结构具有数据共享、资源充分利用和降低成本等特点。鉴此，设计一种可以降低硬件使用成本，有效提高数字预失真线性化效率，且能满足多功放并发请求数字预失真线性化处理需求的基于云平台的数字预失真线性化参数提取方法具有重要意义。
技术实现思路
本专利技术所要解决的技术问题是提供一种可以降低硬件使用成本，有效提高数字预失真线性化效率，且能满足多功放并发请求数字预失真线性化处理需求的基于云平台的数字预失真线性化参数提取方法。本专利技术解决上述技术问题所采用的技术方案为：一种基于云平台的数字预失真线性化参数提取方法，包括以下步骤：(1)构建数字预失真硬件平台：所述的数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器、用于矢量信号分析的频谱分析仪、功率放大器、衰减器、耦合器和负载；在一台应用服务器中采用python的Django架构在云端构建云平台，所述的云平台包括在云端部署的一台应用服务器及其下集群的多个测量服务器：所述的应用服务器作为一个控制中心用于对多个测量服务器进行管理、调度、控制及对计算任务的配置和分发，同时所述的应用服务器通过互联网与和客户终端连接，通过统一的用户交互界面实现对客户终端服务请求的响应和交互，多个所述的测量服务器用于对预失真系统进行数据传送和采集并且与多个数据库相连接，同时多个所述的测量服务器分别与所述的矢量信号发生器和所述的频谱分析仪相连接用于对预失真模型参数的提取和模型的训练计算；(2)将所述的矢量信号发生器的输出端与所述的功率放大器的输入端连接，所述的衰减器的输入端和所述的功率放大器的输出端连接，所述的耦合器的输入端与所述的衰减器的输出端相连接，所述的耦合器的输出端分别与所述的频谱分析仪及所述的负载相连接；(3)操作所述的应用服务器生成控制命令发送给所述的矢量信号发生器，所述的矢量信号发生器生成矢量信号，该矢量信号作为射频输入信号发送到所述的功率放大器的输入端，所述的频谱分析仪通过所述的衰减器和所述的耦合器采集所述的功率放大器输出端的射频输出信号并传送到所述的测量服务器参与建模的训练计算；(4)所述的频谱分析仪以该射频输出信号的幅值最高点为截取中心，从该射频输出信号中截取N个数据点作为训练输出数据，并以该射频输入信号的幅值最高点为截取中心，从该射频输入信号中截取N个数据点作为训练输入数据，N为大于等于1000且小于等于20000的整数；(5)所述的测量服务器采集所述的频谱分析仪输出数据，采用训练输入数据和训练输出数据进行非线性建模，确定预失真线性化模型，并将训练输入数据作为预失真线性化模型的输出数据，训练输出数据作为预失真线性化模型的输入数据，对预失真线性化模型进行训练，提取得到预失真线性化参数，完成预失真线性化模型的一次训练，所述的测量服务器将提取得到的预失真线性化参数存储到某一数据库中；(6)采用训练后的预失真线性化模型对功率放大器进行非线性校正，获取非线性校正后功率放大器的射频输出信号；(7)根据预失真线性化设计指标，判定非线性校正后功率放大器的射频输出信号是否满足要求，如果满足，则提取得到的预失真线性化参数符合要求，结束提取方法，如果不满足，则重复步骤(1)-(6)，直至提取得到的预失真线性化参数符合要求。所述的步骤(5)中进行非线性建模，确定预失真线性化模型的具体过程为：a.将N个训练输入数据和N个训练输出数据采用互相关法进行延时调整，得到N个延时调整后的训练输入数据和N个延时调整后的训练输出数据；b.将N个延时调整后的训练输入数据和N个延时调整后的训练输出数据分别进行归一化处理，得到N个归一化处理后的训练输入数据和训练输出数据；c.将N个归一化处理后的训练输入数据作为预失真线性化模型的输入信号，N个归一化处理后的训练输出数据作为预失真线性化模型的输出信号，采用python设计的计算模块得出该预失真线性化模型的AM/AM、AM/PM非线性特性图；d.通过归一化均方误差NMSE进行建模精度评估，确定预失真线性化模型结构。该方法用于确定预失真线性化模型的方法计算复杂度低，可以有效评估模型精度。所述的步骤a中将训练输入数据和训练输出数据采用互相关法进行延时调整的具体过程为：a-1.采用公式(1)计算得到训练输入数据的N个数据点的平均幅值采用公式(2)计算得到训练输出数据的N个数据点的平均幅值其中，Ain(i)为训练输入数据中第i+1个数据点的幅值，Aout(i)为训练输出数据中第i+1个数据点的幅值，i＝0，1，2，…，N-1；a-2.采用公式(3)计算训练输入数据和训练输出数据对应调整移动m个数据点后的互协方差值m＝1，2，…，N-1，得到N-1个互协方差值：a-3.找出N-1个互协方差值中的最大值，将该最大值所对应的m值作为最本文档来自技高网...

【技术保护点】
一种基于云平台的数字预失真线性化参数提取方法，其特征在于包括以下步骤：(1)构建数字预失真硬件平台：所述的数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器、用于矢量信号分析的频谱分析仪、功率放大器、衰减器、耦合器和负载；在一台应用服务器中采用python的Django架构在云端构建云平台，所述的云平台包括在云端部署的一台应用服务器及其下集群的多个测量服务器：所述的应用服务器作为一个控制中心用于对多个测量服务器进行管理、调度、控制及对计算任务的配置和分发，同时所述的应用服务器通过互联网与和客户终端连接，通过统一的用户交互界面实现对客户终端服务请求的响应和交互，多个所述的测量服务器用于对预失真系统进行数据传送和采集并且与多个数据库相连接，同时多个所述的测量服务器分别与所述的矢量信号发生器和所述的频谱分析仪相连接用于对预失真模型参数的提取和模型的训练计算；(2)将所述的矢量信号发生器的输出端与所述的功率放大器的输入端连接，所述的衰减器的输入端和所述的功率放大器的输出端连接，所述的耦合器的输入端与所述的衰减器的输出端相连接，所述的耦合器的输出端分别与所述的频谱分析仪及所述的负载相连接；(3)操作所述的应用服务器生成控制命令发送给所述的矢量信号发生器，所述的矢量信号发生器生成矢量信号，该矢量信号作为射频输入信号发送到所述的功率放大器的输入端，所述的频谱分析仪通过所述的衰减器和所述的耦合器采集所述的功率放大器输出端的射频输出信号并传送到所述的测量服务器参与建模的训练计算；(4)所述的频谱分析仪以该射频输出信号的幅值最高点为截取中心，从该射频输出信号中截取N个数据点作为训练输出数据，并以该射频输入信号的幅值最高点为截取中心，从该射频输入信号中截取N个数据点作为训练输入数据，N为大于等于1000且小于等于20000的整数；(5)所述的测量服务器采集所述的频谱分析仪输出数据，采用训练输入数据和训练输出数据进行非线性建模，确定预失真线性化模型，并将训练输入数据作为预失真线性化模型的输出数据，训练输出数据作为预失真线性化模型的输入数据，对预失真线性化模型进行训练，提取得到预失真线性化参数，完成预失真线性化模型的一次训练，所述的测量服务器将提取得到的预失真线性化参数存储到某一数据库中；(6)采用训练后的预失真线性化模型对功率放大器进行非线性校正，获取非线性校正后功率放大器的射频输出信号；(7)根据预失真线性化设计指标，判定非线性校正后功率放大器的射频输出信号是否满足要求，如果满足，则提取得到的预失真线性化参数符合要求，结束提取方法，如果不满足，则重复步骤(1)‑(6)，直至提取得到的预失真线性化参数符合要求。...

【技术特征摘要】
1.一种基于云平台的数字预失真线性化参数提取方法，其特征在于包括以下步骤：(1)构建数字预失真硬件平台：所述的数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器、用于矢量信号分析的频谱分析仪、功率放大器、衰减器、耦合器和负载；在一台应用服务器中采用python的Django架构在云端构建云平台，所述的云平台包括在云端部署的一台应用服务器及其下集群的多个测量服务器：所述的应用服务器作为一个控制中心用于对多个测量服务器进行管理、调度、控制及对计算任务的配置和分发，同时所述的应用服务器通过互联网与和客户终端连接，通过统一的用户交互界面实现对客户终端服务请求的响应和交互，多个所述的测量服务器用于对预失真系统进行数据传送和采集并且与多个数据库相连接，同时多个所述的测量服务器分别与所述的矢量信号发生器和所述的频谱分析仪相连接用于对预失真模型参数的提取和模型的训练计算；(2)将所述的矢量信号发生器的输出端与所述的功率放大器的输入端连接，所述的衰减器的输入端和所述的功率放大器的输出端连接，所述的耦合器的输入端与所述的衰减器的输出端相连接，所述的耦合器的输出端分别与所述的频谱分析仪及所述的负载相连接；(3)操作所述的应用服务器生成控制命令发送给所述的矢量信号发生器，所述的矢量信号发生器生成矢量信号，该矢量信号作为射频输入信号发送到所述的功率放大器的输入端，所述的频谱分析仪通过所述的衰减器和所述的耦合器采集所述的功率放大器输出端的射频输出信号并传送到所述的测量服务器参与建模的训练计算；(4)所述的频谱分析仪以该射频输出信号的幅值最高点为截取中心，从该射频输出信号中截取N个数据点作为训练输出数据，并以该射频输入信号的幅值最高点为截取中心，从该射频输入信号中截取N个数据点作为训练输入数据，N为大于等于1000且小于等于20000的整数；(5)所述的测量服务器采集所述的频谱分析仪输出数据，采用训练输入数据和训练输出数据进行非线性建模，确定预失真线性化模型，并将训练输入数据作为预失真线性化模型的输出数据，训练输出数据作为预失真线性化模型的输入数据，对预失真线性化模型进行训练，提取得到预失真线性化参数，完成预失真线性化模型的一次训练，所述的测量服务器将提取得到的预失真线性化参数存储到某一数据库中；(6)采用训练后的预失真线性化模型对功率放大器进行非线性校正，获取非线性校正后功率放大器的射频输出信号；(7)根据预失真线性化设计指标，判定非线性校正后功率放大器的射频输出信号是否满足要求，如果满足，则提取得到的预失真线性化参数符合要求，结束提取方法，如果不满足，则重复步骤(1)-(6)，直至提取得到的...

【专利技术属性】
技术研发人员：刘太君，苏日娜，叶焱，林文韬，许高明，戴洪珠，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江,33