Регуляризация RLS-алгоритма для адаптивных систем ввода цифровых предыскажений

И.Е. Кащенко; А.П. Павлов

doi:10.18127/j00338486-202401-13

Регуляризация RLS-алгоритма для адаптивных систем ввода цифровых предыскажений

научная статья УДК 621.396.61 Страницы: 141-148 doi.org/10.18127/j00338486-202401-13

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

Ключевые слова: Регуляризация рекурсивный метод наименьших квадратов цифровые предыскажения алгоритм адаптации матрица ковариаций

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.

Поступила: 19.09.2023
Одобрена: 22.09.2023
Принята: 29.12.2023

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

Regalia P. Numerical stability issues in fast least-squares adaptation algorithms // Opt. Engr. 1992. V. 31. № 6. Р. 1144-1152.
Tsakiris M. On the Regularization of the Recursive Least Squares Algorithm. Ph.D. Thesis. São Paulo, Brazil, Universidade de São Paulo. 2010.
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.
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.
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.
Gay S. Dynamically regularized fast recursive least squares // In 4th International Workshop on Acoustic Echo and Noise Control. 1995.
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.
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.
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.
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.
Кащенко И.Е. Адаптация системы ввода цифровых предыскажений с помощью модифицированного рекурсивного метода наименьших квадратов // Техника радиосвязи. 2020. № 1(44). С. 76-85.
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.

[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.

Аннотация

Для цитирования

Похожие статьи