И.Е. Кащенко1, А.П. Павлов2, А.В. Бахмуцкая3

1-3 Омский научный центр СО РАН (Институт радиофизики и физической электроники) (г. Омск, Россия)

Постановка проблемы. При проектировании современных систем ввода цифровых предыскажений необходимо учитывать корректировку их параметров с течением времени, так как характеристики усилительного тракта могут изменяться под воздействием внешних (таких как температура окружающей среды) и внутренних (деградация параметров активных и пассивных компонентов усилительного тракта) факторов. При использовании систем ввода цифровых предыскажений на основе аналитического описания нелинейных свойств усилителя мощности наиболее оптимально в плане подавления нелинейных искажений применение алгоритмов с косвенным обучением, в которых и происходит адаптация параметров. С точки зрения линейной задачи наименьших квадратов выделяют несколько устоявшихся методов, применимых для адаптации параметров системы ввода предыскажений, каждый из которых отличается по быстродействию и качеству подавления нелинейных искажений одновременно с количеством вычисляемых ресурсов. Среди них метод наименьших квадратов обладает минимальнойй эффективностью, однако он требует небольшого количества вычислительных ресурсов, что особенно важно при проектировании современных систем ввода цифровых предыскажений в составе малогабаритных и малопотребляющих ПЛИС и СБИС. Следовательно, исследование методов и способов уменьшения времени сходимости алгоритма адаптации на основе метода наименьших квадратов является актуальной задачей.

Цель. Провести исследование методов уменьшения времени сходимости алгоритма адаптации системы ввода предыскажений на основе метода наименьших квадратов.

Результаты. Представлена реализация нормализованного метода наименьших квадратов для адаптации параметров системы ввода цифровых предыскажений. Установлено, что использование нормализованного метода наименьших квадратов позволяет уменьшить время сходимости алгоритма адаптации в сравнении с алгоритмами на основе обычного метода наименьших квадратов. Кроме того, в предлагаемом алгоритме применена адаптация шаговой константы во времени, зависящая от результата сигнала ошибки на выходе системы. Арифметические операции, используемые в предлагаемом алгоритме, адаптированы для реализации в составе ПЛИС и СБИС.

Практическая значимость. Нормализованный метод наименьших квадратов для адаптации параметров системы ввода цифровых предыскажений может быть использован при проектировании современных систем ввода цифровых предыскажений в составе малогабаритных и малопотребляющих ПЛИС и СБИС за счет существенно меньшей вычислительной сложности предлагаемого алгоритма адаптации.

Кащенко И.Е., Павлов А.П., Бахмуцкая А.В. Алгоритм адаптации системы ввода предыскажений на основе нормализованного метода наименьших квадратов // Радиотехника. 2022. Т. 86. № 8. С. 21-28. DOI: https://doi.org/10.18127/j00338486-202208-02

1. Eun C., Powers E.J. A new Volterra predistorter based on indirect learning architecture // IEEE Trans. on Signal Processing. 1997. V. 45. № 1.
2. Gan L., Abd-Elrady E. Digital predistortion of memory polynomial systems using direct and indirect learning architectures // Proc. of the IASTED Conference on Signal and Image Processing. 2009.
3. Ding L., Ma Z., Morgan D.R., Zierdt M., Pastalan J. A least square/Newton method for digital predistortion of wideband signals // IEEE Trans. on Communications. May 2006. V. 54. № 5. Р. 833–840.
4. Gan L. Adaptive digital predistortion of nonlinear systems // Ph.D. Thesis, Faculty of Electrical and Information Engineering. Graz University of Technology. Graz, Austria. 2009.
5. Yang B., B¨ohme J.F. Rotation-based RLS algorithms: Unified derivations, numerical properties, and parallel implementations // IEEE Trans. on Signal Processing. May 1992. V. 40. Р. 1151-1166.
6. Shoaib M., Werner S., Apolin´ario J.A. (Jr.), Laakso T.I. Solution to the weight extraction problem in fast QR-decomposition RLS algorithms // Proc. IEEE Intern. Conf. on Acoust. Speech, Signal Processing. Toulouse, France. 2006. Р. III-572-III-575.
7. Джиган В.И. История, теория и практика адаптивной обработки сигналов // Сб. трудов «Проблемы разработки перспек-тивных микро- и наноэлектронных систем - 2012» / Под общ. ред. акад. РАН А.Л. Стемпковского. М.: ИППМ РАН. 2012. С. 30-37.
8. Conte E., de Maio A., Ricci G. Covariance matrix estimation for adaptive CFAR detection in compound-Gaussian clutter // IEEE Trans. Aerosp. Electron. Syst. 2002.V. 38. № 2. Р. 415-426.
9. Montoro G., Gilabert P.L., Bertran E., Cesari A., Garca J.A. An LMS-Based Adaptive Predistorter for Cancelling Nonlinear Memory Effects in RF Power Amplifiers // Proc. Asia Pacific Microwave Conference (APMC'07). Bangkok, Thailand. Dec. 2007.
10. Parhami B. Computer Arithmetic: Algorithms and Hardware Designs. N.Y.: Oxford University Press. 2000.
11. Morgan D.R., Ma Z., Kim, Zierdt, Pastalan J. A generalized memory polynomical model for digital predistortion of RF power amplifiers // IEEE Trans. Sig. Proc. 2006. V. 54. Р. 3852-3860.