數(shù)字接收前端非線性失真補償技術(shù)研究.pdf

1、頻率寬開數(shù)字接收機常面臨著欲接收的小信號被同頻段大信號或強干擾的非線性產(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)的失真補償問題，其基本思路是：通過自適應調(diào)整級聯(lián)于數(shù)字接收前端之后的非線性數(shù)字補償模型的參數(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，分析它們對數(shù)字接收機微弱信號檢測性能的影響，指出非線性失真才是制約數(shù)字接收前端無雜散動態(tài)范圍的最主要因素。
　　對幾類常用的記憶非線性模型進行詳細地分析和總結(jié)，包括記憶多項式模型、模塊化模型和Volterra模型。對比分析這幾種參數(shù)化模型的擬合精度和計算復雜度。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，它的計算復雜度也更高。據(jù)此，設(shè)計一種Volterra模型簡化方法：如果頻域Volterra核是可分離的，則可將Volterra模型簡化為并行Wiener模型；如果頻域Volterra核是組合頻率的線性函數(shù)，又可將其簡化為并行Hammerstein模型。推導出Volterra模型和這兩種簡化模型的逆模型，分別為Volterra模型和并行Wiener-Hammerstein模型。對模數(shù)轉(zhuǎn)換器AD6645和一款直接采樣型數(shù)字接收前端的

4、測試結(jié)果表明，它們的頻域Volterra核隨輸入信號頻率的變化規(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)字補償模型是并行Wiener-Hammerstein模型。
　　設(shè)計了三種Volterra模型自適應辨識和數(shù)字接收前端非線性失真補償技術(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)計量組合的辨識準則。通過理論推導、仿真和對比試驗評估了這些模型辨識方法的性能和優(yōu)勢。仿真試驗結(jié)果表明，經(jīng)

5、過上述模型辨識與失真補償處理后，系統(tǒng)的線性度指標可
　　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的瞬時幅度信息，相比于其它兩種使用統(tǒng)計量信息的算法，性能表現(xiàn)更加優(yōu)異。
　　提出了兩種Volterra模型盲辨識和數(shù)字接收前端非線性失真補償技術(shù)。它們分別使用了帶外總功率最小和除大信號外總功率最小的辨識準則。使用前一種準則的算法采用限定輸入信號頻率范圍的方式，將所有帶外信號的總功率作為目標函數(shù)。使用后一種

6、準則的算法采用頻域搜索的方式，分辨出大信號的頻率區(qū)間，將這一區(qū)間外的所有信號的總功率作為目標函數(shù)。通過理論推導、仿真和對比試驗評估了這兩種目標函數(shù)的性能。在一款直接采樣型數(shù)字接收前端硬件電路上，對這兩種算法進行了實際測試：多頻正弦信號和帶通信號輸入時的試驗結(jié)果表明，經(jīng)過上述模型辨識與失真補償處理后，系統(tǒng)的無雜散失真動態(tài)范圍能夠獲得14dB到24dB左右的改善。
　　提出了一種并行Wiener-Hammerstein模型的混合辨識和

7、數(shù)字接收前端非線性失真補償技術(shù)，避免了由于輸出信號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難度較大的問題。模型的混合辨識分為兩步：第一步是采用單頻正弦信號作為測試輸入，依據(jù)諧波失真抵消準則，辨識出并行Wiener-Hammerstein模型中的Wiener模塊。第二步是依據(jù)MPOT準則，自適應地辨識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，對這一算法進行了實際測試：多頻正弦信號輸入時的試驗結(jié)果表明，經(jīng)過上