Как достичь сверхлинейной производительности Rf-усилителя с помощью предистиционных методов

Вызов линейности в усилителях мощности РФ

Современные системы связи, от сотовых базовых станций 5G до спутниковых транспондеров, требуют исключительной точности сигнала по широким полосам пропускания. В основе этих передатчиков лежит усилитель мощности RF (PA), компонент, который по своей сути отменяет эффективность для линейности. По мере приближения выходной мощности к области насыщения усилителя становятся выраженными нелинейные эффекты, такие как сжатие AM-AM и искажение AM-PM. Эти искажения не только распространяют спектр сигнала на соседние каналы (спектральный рост), но и ухудшают величину вектора ошибок (EVM), делая невозможным удовлетворение строгих требований схем модуляции высокого порядка, таких как 64-QAM и 256-QAM. Методы предисторации появились как наиболее практичный и экономически эффективный способ линеаризации усилителей при сохранении высокой эффективности. Эта статья обеспечивает глубокое, инженерно-ориентированное исследование методов предисторсии, от фундаментальных принципов до передовых адаптивных цифровых реализаций.

RF усилитель Non-Linearity

Для разработки эффективного преискажения необходимо сначала охарактеризовать нелинейное поведение усилителя мощности. Нелинейности возникают из присущих активным устройствам свойств (таких как GaN HEMTs или LDMOS транзисторы) и из смещения динамики схемы. Две доминирующие формы - преобразование амплитуды в амплитуду (AM-AM) и преобразование амплитуды в фазу (AM-PM). AM-AM описывает, как амплитуда выходного сигнала сжимается относительно входа, в то время как AM-PM фиксирует нежелательный фазовый сдвиг, который изменяется с входной оболочкой.

Эффекты памяти и широкополосное искажение

С современными широкополосными сигналами (например, агрегированным носителем 100 МГц для 5G NR) эффекты памяти становятся критическими. Они проявляются как зависящая от истории нелинейность: выход в любой момент зависит не только от мгновенного ввода, но и от предыдущих значений сигнала. Память возникает из тепловых констант времени, накопления электрической энергии в сетях смещения (особенно отключения смещения от слива) и эффектов захвата транзисторов. Преискатель, который игнорирует память, не сможет подавить спектральный рост далеко от носителя - обычно в той самой области, где регуляторные ограничения на мощность соседних каналов (ACPR) являются самыми строгими.

Принципы преискажения

Предискатель работает путем вставки нелинейного блока обработки перед усилителем. Характеристика этого блока предназначена для обратной функции передачи усилителя. В идеальном сценарии каскад преискателя и PA дает идеально линейную систему: если PA вводит искажение D, преискатель вводит обратное искажение -D. Математически, если отношение ввода-вывода PA описывается y(t) = F, где FFG, то преискатель применяет функцию Fin] = K · xin, где K является желаемым линейн

На практике инверсия является приблизительной и адаптивной, поскольку характеристика PA дрейфует с температурой, напряжением питания и старением.Успешное искажение требует точного моделирования PA, включая память, адаптацию в реальном времени и надежную реализацию в цифровой или аналоговой области.

Типы предистиционных методов

Предискательство может быть классифицировано по аппаратному домену (аналог против цифрового) и механизму адаптации (открытый цикл против адаптивного замкнутого цикла). Каждый подход предлагает различные компромиссы в полосе пропускания линеаризации, сложности, энергопотреблении и достижимой глубине отмены.

Аналоговое искажение

Аналоговые предисторторы были первыми развернутыми методами линеаризации. Классическая аналоговая конструкция использует кубический генератор: пара диодов Шоттки производит нелинейность третьего порядка, которая отменяет продукты IM3 PA. Выравнивание фазы и уровень амплитуды устанавливаются с векторными модуляторами. В то время как аналоговые предисторторы могут быть компактными и низкочастотными — идеально подходит для устаревших узкополосных систем — они страдают от ограниченных возможностей коррекции. Они не могут компенсировать эффекты памяти, они предлагают узкую полосу коррекции (обычно < 20 МГц), и они дрейфуют с температурой, требуя ручной настройки. Достижения, такие как использование сбалансированных топологий с программируемыми аттенюаторами, улучшили гибкость, но для широкополосных требований высокой линейности цифровое искажение стало стандартом.

Цифровое искажение (DPD)

Цифровое преискажение использует мощность FPGA, ASIC или высокоскоростного DSP для генерации преискаженного сигнала базовой полосы перед конверсией в радиочастотную сеть. Преискатель обычно реализуется с использованием полиномиальной модели (без памяти или с памятью), коэффициенты которой оцениваются адаптивно с использованием обратной связи с выходом PA. Наиболее распространенные модели включают:

  • Беспомогательный многочлен (например, только нечетного порядка): захватывает AM-AM/AM-PM, но игнорирует память. Подходит только для узкополосных сигналов.
  • Полиномиал памяти (например, варианты «Hammerstein» или «Wiener»): вводит отложенные версии ввода для учета эффектов памяти. Это рабочая лошадка большинства реализаций DPD сегодня.
  • Обобщенный полином памяти (GMP): включает в себя перекрестные термины между различными задержками и конвертами, предлагая более высокую точность для сильно нелинейных PA со значительной памятью.
  • Серия Volterra: наиболее полная модель, но с высокой вычислительной стоимостью.Обрезанные модели Volterra (например, уменьшение динамических отклонений) используются в исследованиях и высокопроизводительных системах.

Оценка адаптивного коэффициента производится с использованием алгоритмов наименьших квадратов (LS), рекурсивных наименьших квадратов (RLS) или LMS. Путь наблюдения обратной связи захватывает выход PA (после преобразования вниз и ADC) и выравнивает его с входным сигналом; остаточная ошибка минимизируется для обновления коэффициентов преискателя. Современные системы DPD могут достигать улучшения ACPR на 20–30 дБ, позволяя PA работать близко к насыщению при встрече со спектральными масками.

Адаптивное искажение

Адаптивное преискажение сочетает в себе цифровое преискажение с непрерывным мониторингом и обновлением коэффициентов. Адаптация может основываться на прямом обучении (минимизация выходной ошибки) или косвенном обучении (моделирование PA обратное напрямую). Косвенное обучение, используя «обучающую» ветвь, избегает необходимости в отдельной модели PA и широко принято. Путь обратной связи должен быть тщательно продуман: для этого требуется высоколинейный приемник наблюдения (часто с сопряжением и выделенным ADC), выравнивание частоты и компенсация задержки. Адаптивный DPD может отслеживать изменения температуры, изменения нагрузки и старение компонентов, обеспечивая последовательную линейность с течением времени без заводской калибровки.

Внедрение искажений для сверх-линейной производительности

Развертывание преискажения в производственной системе включает в себя несколько дисциплинированных инженерных шагов. Ниже мы наметим типичный рабочий процесс для DPD.

Шаг 1: Охарактеризуйте усилитель

Точная характеристика начинается с генератора векторных сигналов и анализатора векторных сигналов (или нелинейного анализатора векторных сетей, NVNA). PA приводится в движение широкополосным модулированным сигналом (например, 5G NR 100 МГц) при синхронном захвате входных и выходных волновых форм. Важные метрики включают графики AM-AM и AM-PM, отношение мощности к соседним каналам (ACPR) и спектр мощности. Для характеристики памяти двухтоновые измерения с интервалом переменного тона выявляют асимметрию в продуктах интермодуляции, отличительную черту эффектов памяти. Характеризация должна охватывать полный динамический диапазон и температурный диапазон, ожидаемый в поле.

Шаг 2: Моделирование нелинейности PA

Для извлечения поведенческой модели используются данные с необработанным временным доменом. Для DPD выбор модели зависит от глубины памяти и нелинейного порядка. Типичный подход заключается в том, чтобы сначала подогнать безпамятный многочлен (нечетные порядки до, скажем, 9-го) и затем добавить термины памяти, если остаточная ошибка выше целевого. Инструменты извлечения модели в MATLAB или Python (с использованием пакетов, таких как ]) соответствуют коэффициентам с использованием наименьших квадратов. Регуляризация (например, регрессия хребта) предотвращает переобучение. Валидность модели оценивается путем сравнения ACPR и EVM преискажённого сигнала с требованиями. MathWorks обеспечивает полный рабочий процесс проектирования DPD с использованием Simulink и LTE/5G Toolbox.

Шаг 3: Реализуйте предизортер

Предполагаемая обратная модель отображается на цифровую архитектуру. На FPGA преискатель обычно реализуется в виде таблицы поиска (LUT) для амплитудно-зависимого усиления и коррекции фазы, за которой следует фильтр конечного импульсного отклика (FIR) для обработки эффектов памяти. Адреса LUT генерируются мгновенной оболочкой сигнала базовой полосы. Для более высокой производительности многочленный оценочный движок (с использованием формы Хорнера для эффективности) заменяет LUT. Реализация должна соответствовать ограничениям задержки: преискажённый сигнал должен генерироваться в пределах доли периода символа, обычно требующего этапов трубопровода. Высокоскоростные ADC (> 500 Msps) и DAC (> 1 Gsps) необходимы для 100 МГц + полоса пропускания DPD. Примечание приложения Keysight по тестированию и измерению DPD и методы калибровки детализируют требования к оборудованию и калибровке.

Шаг 4: Интеграция обратной связи и адаптации

Путь обратной связи соединяет небольшой образец вывода PA через направленный соединитель (обычно -30 дБ) и подает его на приемник наблюдения. Приемник должен иметь достаточную линейность, чтобы избежать введения собственного искажения; известный метод заключается в использовании фильтра полосового прохода для удаления далекого шума. Захваченный выход преобразуется в низкий IF или бейс-бэнд и оцифровывается. Двигатель адаптации DPD затем выполняет выравнивание времени (перекрестное выравнивание), выравнивание фазы и усиления и обновление коэффициента. Адаптация может работать непрерывно со скоростью десятков кГц или срабатывать только тогда, когда ошибка превышает порог. Алгоритм адаптации должен быть численно стабильным; RLS является общим для его быстрой конвергенции, в то время как LMS проще, но медленнее.

Преимущества предистиционных методов

Внедрение преискажения (особенно адаптивного DPD) дает измеримые и значительные улучшения в производительности радиочастотной системы:

  • Сниженное искажение сигнала: Улучшения ACPR 15-25 дБ являются обычными, EVM часто падает с >10% до <2% для сложных модуляций.
  • Повышение спектральной эффективности: Возможность использования модуляции более высокого порядка (например, 1024-QAM) становится возможной без расширения интервала канала, непосредственно увеличивая пропускную способность данных на герц.
  • Более высокая мощность: PA может быть отброшена меньше от точки насыщения; увеличение полезной выходной мощности на 3-6 дБ типично, непосредственно улучшая бюджет и покрытие канала.
  • Улучшенная надежность системы: Благодаря работе с PA в более эффективной точке смещения (например, класс AB при незначительном отступлении) и использованию DPD для линейности, температура соединения уменьшается, уменьшая напряжение устройства и продлевая срок службы.
  • Упрощенный аналоговый дизайн: Поскольку преискатель корректирует нелинейность, сам PA может быть разработан для более высокой эффективности (например, класса F или обратного класса F), а не для высокой линейности, которая часто отменяет эффективность 5-10%.

Практические соображения и проблемы

Хотя преискажение и является мощным, оно не является панацеей. Инженеры должны ориентироваться в нескольких практических ограничениях.

Ограничение пропускной способности

Путь наблюдения DPD должен захватывать, по меньшей мере, 3×-5× полосу пропускания сигнала, чтобы содержать значительные продукты искажения (например, для сигнала 100 МГц типична цепочка наблюдения за полосой пропускания 500 МГц). Это требует очень высокоскоростных ADC (1-3 ГСП) и высокоскоростных FPGA, увеличивающих потребление энергии и стоимость. Аналоговое искажение позволяет избежать этой проблемы, но за счет глубины коррекции.

Сложность vs. глубина коррекции

Более глубокое аннулирование требует более высоких полиномиальных порядков и более длительных сроков памяти, которые увеличивают количество коэффициентов — иногда до сотен. Переобучение может вызвать нестабильность; кроме того, система должна отслеживать изменяющиеся условия. Адаптивные алгоритмы, такие как RLS, являются вычислительно дорогостоящими; реализация в FPGA требует тщательного управления ресурсами разделителя и множителя.

Пиковое отношение мощности к среднему (PAPR)

Широкополосные сигналы на основе OFDM имеют высокий PAPR, заставляя PA работать с большими мгновенными экскурсиями в насыщение.Предисторация может корректировать эти пики, но сам сигнал коррекции может увеличить пиковую оболочку, потенциально приводя PA дальше в насыщение или превосходя линейный диапазон предизортера. Снижение коэффициента Креста (CFR) часто предшествует DPD в цепи передачи для смягчения этого.

Линейность Path Linearity

Шумовая фигура приемника наблюдения, линейность и динамический диапазон непосредственно ограничивают достижимую отмену. Субоптимальная цепочка обратной связи вводит свои собственные искажения, которые алгоритм адаптации интерпретирует как нелинейности PA, что приводит к неправильным коэффициентам преискажения. Калибровка пути обратной связи — включая дисбаланс I/Q, смещение постоянного тока и задержку — имеет важное значение. В документе IEEE 2020 года по DPD для 5G обсуждается передовые методы калибровки для систем FDD и TDD.

Будущие тенденции в преискажении

По мере того, как стандарты беспроводной связи расширяют полосу пропускания (до 800 МГц для mmWave) и агрегацию несущих, развиваются методы преискажения.

Машинное обучение DPD

Нейронные сетевые преискатели (например, с использованием архитектур LSTM или CNN) изучаются на предмет их способности моделировать сложные эффекты памяти с меньшим количеством параметров, чем серии Volterra. Практические реализации FPGA таких сетей остаются сложными из-за задержки и ограничений ресурсов, но специализированное оборудование (например, плитки AI Engine от Xilinx) делает вывод в реальном времени жизнеспособным.

Гибридные искажения

Интерес набирает сочетание сильных сторон аналогового и цифрового преискажения. Аналоговый преискатель может обеспечить грубую коррекцию продуктов интермодуляции третьего порядка (снижение динамического диапазона DPD), в то время как DPD тонко настраивается на память и более высокие условия порядка. Такой подход снижает потребность в пропускной способности наблюдения и снижает потребности в скорости ADC/DAC.

Отслеживание цифровых конвертов с помощью DPD

Отслеживание контура (ET) регулирует напряжение питания PA в режиме реального времени для повышения эффективности. Однако ET вводит дополнительные нелинейности, зависящие от пути оболочки. Предисловие может быть расширено для моделирования комбинированной системы ET + PA в качестве динамической 2-входной нелинейной функции (оболочка сигнала и напряжение питания), предлагая новые маршруты для сверхэффективного линейного усиления.

Заключение

Преискажение остается золотым стандартом для достижения сверхлинейной производительности радиочастотного усилителя без ущерба для эффективности. От ранних аналоговых схем кубических диодов до современных адаптивных цифровых преискателей, работающих на волнах 100 МГц +, эта технология превратилась в основное требование для всех передовых приемопередатчиков. Инженеры, которые осваивают характеристику PA, поведенческое моделирование и адаптивную реализацию, оснащены системами проектирования, которые отвечают строгим требованиям линейности 5G / 6G, спутниковой и военной связи. По мере того, как отрасль движется к программно-определяемым радиостанциям и обработке сигналов с помощью ИИ, преискажение будет продолжать адаптироваться - становясь умнее, эффективнее и более неотъемлемым для потока проектирования радиочастот.

Для дальнейшего чтения, обратитесь к практическим примерам проектирования в серии Analog Devices на DPD и всестороннем обзоре в IET микроволновые печи, антенны и распространение .