350 руб
Журнал «Радиотехника» №1 за 2024 г.
Статья в номере:
Регуляризация RLS-алгоритма для адаптивных систем ввода цифровых предыскажений
Тип статьи: научная статья
DOI: https://doi.org/10.18127/j00338486-202401-13
УДК: 621.396.61
Авторы:

И.Е. Кащенко1, А.П. Павлов2

1,2 Омский научный центр СО РАН, Институт радиофизики и физической электроники (г. Омск, Россия)

1 i.kashchenko@inbox.ru; 2 apaw92@gmail.com

Аннотация:

Постановка проблемы. Современные системы ввода цифровых предыскажений, как правило, предполагают использование алгоритмов адаптации для коррекции своих параметров. Алгоритмы адаптации представляют собой решения на основе Least Mean Squares (LMS) и Recursive Least Squares (RLS) методов. С точки зрения скорости сходимости и точности решения Эффективность RLS-методов существенно выше, что связано с наличием ковариационной матрицы в составе решения на основе RLS-метода. Однако при использовании RLS-алгоритмов (алгоритмы адаптации с использованием RLS-метода) могут возникать проблемы, связанные с плохой обусловленностью матрицы ковариации, возникающей из-за зашумленности сигнала, высокой инерционности нелинейных свойств усилителя мощности, ограниченности точности вычисления параметров и др. Для решения этой проблемы целесообразно использовать процедуру регуляризации RLS-алгоритма с учетом особенностей работы системы ввода цифровых предыскажений.

Цель. Предложить решение регуляризации RLS-алгоритма для улучшения функционирования адаптивных систем ввода цифровых предыскажений.

Результаты. Представлена реализация процедуры регуляризации RLS-алгоритма для адаптивных систем ввода цифровых предыскажений. Показано, что применение этой процедуры позволяет устранить состояние плохой обусловленности матрицы ковариации и тем самым обеспечить стабильную работу системы ввода цифровых предыскажений. Осуществлен контроль состояния матрицы ковариации на каждой итерации RLS-алгоритма за счет оценки следа матрицы.

Практическая значимость. Представленная процедура регуляризации RLS-алгоритма может быть использована для стабилизации параметров адаптивных систем ввода предыскажений.

Страницы: 141-148
Для цитирования

Кащенко И.Е., Павлов А.П. Регуляризация RLS-алгоритма для адаптивных систем ввода цифровых предыскажений // Радиотехника. 2024. Т. 88. № 1. С. 141−148. DOI: https://doi.org/10.18127/j00338486-202401-13

Список источников
  1. Regalia P. Numerical stability issues in fast least-squares adaptation algorithms // Opt. Engr. 1992. V. 31. № 6. Р. 1144-1152.
  2. Tsakiris M. On the Regularization of the Recursive Least Squares Algorithm. Ph.D. Thesis. São Paulo, Brazil, Universidade de São Paulo. 2010.
  3. Horita E., Sumiya K., Urakami H., Mitsuishi S. A leaky RLS algorithm: Its optimality and implementation // IEEE Trans. Signal Process. 2004. № 52. Р. 2924–2936.
  4. Cheng W., Song H., Li D., Yi P., Cheng M., Liu D., Deng L. A robust sparse RLS-volterra nonlinear equalizer using l0-regularization for 4 × 150 Gbit/s IMDD-based optical interconnect // IEEE Access. 2021. V. 9. Р. 30881–30892.
  5. Stokes J., Platt J. Robust RLS with Round Robin Regularization including Application to Stereo Acoustic Echo Cancellation // International Conference on Acoustics, Speech, and Signal Processing. May 2006.
  6. Gay S. Dynamically regularized fast recursive least squares // In 4th International Workshop on Acoustic Echo and Noise Control. 1995.
  7. Gan L., Abd-Elrady E. Digital predistortion of parallel Wiener-type systems using the RPEM and NFxLMS algorithms // In Pro-ceedings of the IEEE International Conference on Signal Processing (ICSP’08). Beijing, China. October 26-29 2008. Р. 149-152.
  8. Morgan D.R., Ma Z., Kim J., Zierdt M.G., Pastalan J. A generalized memory polynomial model for digital predistortion of RF power amplififiers // IEEE Trans. Signal Process. Oct. 2006. V. 54. № 10. Р. 3852–3860.
  9. Kim J., Konstantinou K. Digital predistortion of wideband signals based on power amplifier model with memory // Electronics Letters. 2001. V. 37. № 23. Р. 1417–1418.
  10. Dang V.H., Nguyen T.D. Construction of Pseudoinverse Matrix Over Finite Field and Its Applications // Wirel. Pers. Commun. 2017. V. 94. Р. 455–466.
  11. Кащенко И.Е. Адаптация системы ввода цифровых предыскажений с помощью модифицированного рекурсивного метода наименьших квадратов // Техника радиосвязи. 2020. № 1(44). С. 76-85.
  12. 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 10.18127/j00338486-202208-02.
Дата поступления: 19.09.2023
Одобрена после рецензирования: 22.09.2023
Принята к публикации: 29.12.2023