Л.И. Аверина1, Н.Е. Гутерман2

1,2 АО «Концерн «Созвездие» (г. Воронеж, Россия)

1 averina@phys.vsu.ru; 2 n.guterman@internet.ru

Постановка проблемы. В современных беспроводных системах связи важное значение имеет цифровая коррекция нелинейных искажений, вносимых усилителями мощности передающего тракта. Необходимость обеспечения высокой скорости передачи данных приводит к активному использованию спектрального ресурса, что, в свою очередь, порождает внеполосное излучение. Широко распространенные архитектурные реализации обучения цифрового корректора или содержат избыточную вычислительную сложность, или крайне чувствительны к уровню шумов передающего тракта.

Цель. Провести сравнительный анализ классических архитектур обучения цифрового корректора и архитектуры обучения, основанной на итеративном алгоритме формирования оптимального управления и на основе полученных данных выработать методические рекомендации по реализации цифровых корректоров в широкополосных системах радиосвязи.

Результаты. Проведен сравнительный анализ классических архитектур обучения цифрового корректора и архитектуры обучения, основанной на итеративном алгоритме формирования оптимального управления. Полученные результаты продемонстрировали устойчивость архитектуры обучения с оптимальным управлением по отношению к мощности шума, присущего передающему тракту, при низкой вычислительной сложности и достаточно высокой скорости сходимости. Показано, что ключевые критерии качества, характеризующие степень устранения искажений в полосе сигнала и снижение уровня внеполосного излучения, принимают допустимые значения при малом отношении сигнал/шум (ОСШ).

Практическая значимость. Представленные результаты позволяют рассматривать архитектуру обучения цифрового корректора с оптимальным управлением как возможную альтернативу классическим подходам к практической линеаризации широкополосных усилителей мощности.

Аверина Л.И., Гутерман Н.Е. Сравнительный анализ архитектур обучения цифрового корректора в задаче линеаризации широкополосного усилителя мощности // Радиотехника. 2025. Т. 89. № 9. С. 45-53. DOI: https://doi.org/10.18127/j00338486-202509-04

1. Cripps S.C. RF power amplifiers for wireless communications. 2nd ed. Boston: Artech House. 2006. 456 p.
2. Eun C., Powers E.J. A new Volterra predistorter based on the indirect learning architecture // IEEE Transactions on Signal Processing. 1997. V. 45, № 1. P. 223-227.
3. Ding L., Zhou G.T., Morgan D.R., et al. A robust digital baseband predistorter constructed using memory polynomials // IEEE Transactions on Communications. 2004. V. 52. № 1. Р. 159-165.
4. Morgan D.R., Ma Z., Ding L. Reducing measurement noise effects in digital predistortion of RF power amplifiers // IEEE Int. Conf. on Communications. Anchorage. N.Y. AK. USA // IEEE. 2003. Р. 2436-2439.
5. Zhou D., DeBrunner V.E. Novel adaptive nonlinear predistorters based on the direct learning algorithm // IEEE Transactions on Signal Processing. 2007. V. 55. № 1. Р. 120-133.
6. Jardel O., De Groote F., Reveyrand T. An Electrothermal model for AlGaN/GaN power HEMTs including trapping effects to improve large-signal simulation results on high VSWR // IEEE Transactions on Microwave Theory and Techniques. 2007. V. 55.
   № 12. Р. 2660-2669.
7. Chani-Cahuana J., Landin P. N., Fager C., Eriksson T. Iterative learning control for RF power amplifier linearization // IEEE Transactions on Microwave Theory and Techniques. 2016. V. 64. № 9. Р. 2778-2789.
8. Bristow D.A., Tharayil M., Alleyne A.G. A survey of iterative learning control // IEEE Control Systems Magazine. 2006. V. 26. № 3. Р. 96-114.
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. Morgan D.R., Ma Z., Kim J., et al. A generalized memory polynomial model for digital predistortion of RF power amplifiers // IEEE Transactions on Signal Processing. 2006. V. 54. № 10. Р. 3852-3860.
11. Zhu A., Pedro J.C., Brazil T.J. Dynamic deviation reduction-based volterra behavioral modeling of RF power amplifiers // IEEE Transactions on Microwave Theory and Techniques. 2006. V. 54. № 12. Р. 4323-4332.
12. Zhu A. Decomposed vector rotation-based behavioral modeling for digital predistortion of RF power amplifiers // IEEE Transactions on Microwave Theory and Techniques. 2015. V. 63. № 2. Р. 737-744.
13. Crespo-Cadenas C., Madero-Ayora M.J., Becerra J.A. A bivariate Volterra series approach to modeling and linearization of power amplifiers // 2021 IEEE Topical Conference on RF/Microwave Power Amplifiers for Radio and Wireless Applications (PAWR). San Diego. CA. USA // IEEE. 2021. Р. 4-7.
14. Hayes M.H. Statistical Digital Signal Processing and Modeling. Toronto: John Wiley & Sons, Inc. 1997. 608 p.
15. Guo C., Poletti D. Scheme for automatic differentiation of complex loss functions with applications in quantum physics // Physical Review E. 2021. V. 103. № 1. Р. 9.
16. Fawzy A., Sun S., Lim T.J., et al. Iterative learning control based digital pre-distortion for mitigating impairments in MIMO wireless transmitters // IEEE Transactions on Vehicular Technology. 2023. V. 72. № 6. Р. 6933-6947.
17. Ghannouchi F.M., Hammi O., Helaoui M. Behavioral modeling and predistortion of wideband wireless transmitters. Chichester: John Wiley & Sons, Ltd. 2015. 253 p.
18. Park S.H. Collinearity and optimal restrictions on regression parameters for estimating responses // Technometrics. 1981. V. 23. № 3. Р. 289-295.