CN107104746B - 跳频电台发信机非线性特性建模方法 - Google Patents

Abstract

本发明公开了一种基于预失真表的跳频电台发信机非线性模型提取方法。该方法包括如下步骤：通过测试平台采集跳频电台发信机全工作频段的非线性特征，在传统的幅度索引预失真表的基础上加入不同频率间发信机非线性的差异，构成包含不同频率幅度索引预失真表集合，并运用幅度非均匀量化技术和频率非线性分类技术对预失真表集合进行压缩和优化，生成综合信号幅度和载波频率信息的非线性特性模型，实现对跳频电台发信机全频段非线性特征建模。

Description

跳频电台发信机非线性特性建模方法

技术领域

本发明涉及无线通信发信机技术领域，尤其是发信机线性化技术。通过对跳频电台发信机在不同频率时的非线性特性的建模，准确描述发信机的非线性失真程度，为发信机预失真校正等线性化技术提供模型基础。

背景技术

跳频电台发信机的非线性失真主要由射频功放的非线性特性引起。主要表现为信号的幅度失真和相位失真：信号通过非线性功放后，输出信号幅度的增益随着输入信号幅度而变化，同时相位的改变量也随输入信号幅度而变化。非线性失真不仅会导致放大信号的压缩，还会产生新的频率成分，导致频谱的扩展，不仅严重影响了工作频段内信号的信噪比，还对邻近的信道产生干扰，尤其对组网式的通信系统有较大危害。

根据这一失真原理，可用幅度/幅度(AM/AM)和幅度/相位(AM/PM)曲线来描述功放的非线性失真特性。设输入信号为x(n)＝re^jθ，功放的AM/AM和AM/PM特性函数分别为A(·)和Φ(·)，则信号经过非线性变换后得到：

y(n)＝A(r)e^j(θ+Φ(r)) (1)

由于跳频电台发信机通常采用固态功率放大器，其相位失真相对较小，所以可以只考虑其幅度失真。常用Rapp模型描述非线性特性，其AM/AM变换函数为：

其中r为输入信号的幅度，p为光滑因子，光滑因子的大小决定了其非线性的强弱，该模型多用于计算机仿真。

因为跳频电台的工作频率在高速变化，而且工作频段较宽。通过实际测量可知，在该模式下，发信机的非线性失真会随着频率变化发生改变，而且变化量的大小不与频率的变化量成单调变化关系，所以难以用类似Rapp模型的数学表达式来描述跳频电台发信机的非线性特性。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种用于对跳频电台发信机宽频段跳频工作时非线性特性的建模方法，该模型结构灵活，数据规模小，能准确表示发信机在宽频段的非线性特性。

为达上述及其它目的，本发明提供了一种基于预失真表的跳频电台发信机非线性模型提取方法，该方法包括如下步骤：通过测试平台采集跳频电台发信机全工作频段的非线性特征，在传统的幅度索引预失真表的基础上加入不同频率间发信机非线性的差异，构成包含不同频率幅度索引预失真表集合，并运用幅度非均匀量化技术和频率非线性分类技术对预失真表集合进行压缩和优化，生成综合信号幅度和载波频率信息的非线性特性模型。

所述测试平台由矢量网络分析仪、衰减器以及PC机等设备组成。通过仪表自动测量软件程序完成测试过程，由PC机通过网线控制，测试数据保存至PC机中；所测试非线性特性内容为电台发信机的AM-AM失真，测试程序流程为：

步骤1：设置矢量网络分析仪的测量模式为AM-AM检测模式；

步骤2：设置矢量网络分析仪RFOUT输出信号频率为F₁，且输出信号功率为扫描模式，RFOUT信号在动态范围内逐渐增大，扫描步进为矢量网络分析仪最高功率扫描精度值；

步骤3：提取矢量网络分析仪的测试结果，发送至PC机的数据库中；

步骤4：更改RFOUT输出信号的频率值，重复步骤2～3，直至完成对发信机全部工作频点的测试。

所述幅度非均匀量化技术根据发信机增益曲线的压缩程度即AM-AM失真量对信号包络的幅度进行分段处理。因为AM-AM失真曲线上的点在领域内可以认为是连续并且平滑的，所以可以假设该曲线上的某一区间[a₁，a₂]内近似为线性的，并可求得该区间线段的斜率：

其分段非均匀量化过程为：

步骤1：选则跳频电台工作频段的中心频率f₀对应的AM-AM失真测试数据集 {(a_i，V_i)}，得到对应的AM-AM失真曲线；

步骤2：设定误差门限值Δl，门限值越大，分段区间长度越长，分段数越少，模型精度越低；门限值越大，分段区间长度越短，分段数越多，模型精度越高；

步骤3：确定区间的左端点a_k为该表项段的地址，根据式(1)计算a_k与a_k+1之间增益曲线的斜率l₁；

步骤4：计算a_k与a_k+2之间增益曲线的斜率l₂，

若l₁-l₂＞Δl，则将[a_k，a_k+1]划分为一段，下一个表项段地址从a_k+2开始步骤3；

若l₁-l₂≤Δl，则右端点加一后重复步骤4；

步骤5：对整个数据集完成步骤3和步骤4后，得到分段地址集{A_j}；

步骤6：在所有测试工作频率的AM-AM失真测试数据集中查找对应地址集{A_j}的AM-AM数据，得到新的数据集{(A_j，V_j)}。

所述频率非线性分类技术根据发信机工作在不同频率时AM-AM失真的差异性进行分类。采用k-means聚类算法对非均匀分段后的所有频率点的新数据集进行分类。其过程为：

步骤1：设置最大距离门限d_max：

d_max越大，需要的频率簇数量越少，预失真表项数减少，线性化性能降低；

d_max越小，需要的频率簇数量越多，预失真表项数增加，线性化性能提高。

步骤2：将发信机工作频段均匀划分为K段，将个频段的中心频点作为聚类中心。

步骤3：通过K-means聚类算法将所有AM-AM失真数据集划分为K′类(K′≥K)，并得到K′个AM-AM失真数据集{(A_j，U_j)}。

通过分段非均匀量化和频率非线性分类后，K′个AM-AM失真数据集{(A_j，U_j)}构成了跳频电台发信机在全工作频段的非线性特性模型。

本发明可以实现对宽频段电台发信机非线性特性的准确建模，同时优化了模型结构，降低了的复杂度。通过对AM-AM失真数据集进行分段非均匀量化处理和频率非线性分类处理后，得到的幅度-频率二维预失真表模型，不仅可以全面表示发信机全频段工作时的线性化特性，而且大大降低了模型的复杂度，提高了工程实现性。

附图说明

图1是本发明的跳频电台发信机非线性特性建模流程图。

图2是本发明的跳频电台发信机非线性特性测试平台构成示意图。

图3是本发明中对AM-AM失真曲线分段非均匀量化处理示意图。

图4是本发明中对频率分线性分类算法流程图。

具体实施方式

以下结合附图说明本发明的实施方式，本领域技术人员可由本说明书揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

参考图1，该方法包括如下步骤：通过测试平台采集跳频电台发信机全工作频段的非线性特征，在传统的幅度索引预失真表的基础上加入不同频率间发信机非线性的差异，构成包含不同频率幅度索引预失真表集合，并运用幅度非均匀量化技术和频率非线性分类技术对预失真表集合进行压缩和优化，生成综合信号幅度和载波频率信息的非线性特性模型。

参考图2，所述测试平台由矢量网络分析仪、衰减器以及PC机等设备组成。通过仪表自动测量软件程序完成测试过程，由PC机通过网线控制，测试数据保存至PC机中；所测试非线性特性内容为电台发信机的AM-AM失真，测试程序流程为：

步骤1：设置矢量网络分析仪的测量模式为AM-AM检测模式；

步骤2：设置矢量网络分析仪RFOUT输出信号频率为F₁，且输出信号功率为扫描模式，RFOUT信号在动态范围内逐渐增大，扫描步进为矢量网络分析仪最高功率扫描精度值；

步骤3：提取矢量网络分析仪的测试结果，发送至PC机的数据库中；

步骤4：更改RFOUT输出信号的频率值，重复步骤2～3，直至完成对发信机全部工作频点的测试。

参考图3，所述幅度非均匀量化技术根据发信机增益曲线的压缩程度即AM-AM失真量对信号包络的幅度进行分段处理。因为AM-AM失真曲线上的点在领域内可以认为是连续并且平滑的，所以可以假设该曲线上的某一区间[a₁，a₂]内近似为线性的，并可求得该区间线段的斜率：

其分段非均匀量化过程为：

步骤1：选则跳频电台工作频段的中心频率f₀对应的AM-AM失真测试数据集 {(a_i，V_i)}，得到对应的AM-AM失真曲线；

步骤2：设定误差门限值Δl，门限值越大，分段区间长度越长，分段数越少，模型精度越低；门限值越大，分段区间长度越短，分段数越多，模型精度越高；

步骤3：确定区间的左端点a_k为该表项段的地址，根据式(1)计算a_k与a_k+1之间增益曲线的斜率l₁；

步骤4：计算a_k与a_k+2之间增益曲线的斜率l₂，

若l₁-l₂＞Δl，则将[a_k，a_k+1]划分为一段，下一个表项段地址从a_k+2开始步骤3；

若l₁-l₂≤Δl，则右端点加一后重复步骤4；

步骤5：对整个数据集完成步骤3和步骤4后，得到分段地址集{A_j}；

步骤6：在所有测试工作频率的AM-AM失真测试数据集中查找对应地址集{A_j}的AM-AM数据，得到新的数据集{(A_j，V_j)}。

参考图4，所述频率非线性分类技术根据发信机工作在不同频率时AM-AM失真的差异性进行分类。采用k-means聚类算法对非均匀分段后的所有频率点的新数据集进行分类。其过程为：

步骤1：设置最大距离门限d_max：

d_max越大，需要的频率簇数量越少，预失真表项数减少，线性化性能降低；

d_max越小，需要的频率簇数量越多，预失真表项数增加，线性化性能提高。

步骤2：将发信机工作频段均匀划分为K段，将个频段的中心频点作为聚类中心。

步骤3：通过K-means聚类算法将所有AM-AM失真数据集划分为K′类(K′≥K)，并得到K′个AM-AM失真数据集{(A_j，U_j)}。

通过分段非均匀量化和频率非线性分类后，K′个AM-AM失真数据集{(A_j，U_j)}构成了跳频电台发信机在全工作频段的非线性特性模型。

本发明可以实现对宽频段跳频电台发信机非线性特性的准确建模，同时优化了模型结构，降低了的复杂度。通过对AM-AM失真数据集进行分段非均匀量化处理和频率非线性分类处理后，得到的幅度-频率二维预失真表模型，不仅可以全面表示发信机全频段工作时的线性化特性，而且大大降低了模型的复杂度，提高了工程实现性。

以上所述，仅为本发明最佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于预失真表的跳频电台发信机非线性模型提取方法，包括如下步骤：通过测试平台采集跳频电台发信机全工作频段的非线性特征，在传统的幅度索引预失真表的基础上加入不同频率间发信机非线性的差异，构成包含不同频率幅度索引预失真表集合，并运用幅度非均匀量化技术和频率非线性分类技术对预失真表集合进行压缩和优化，生成综合信号幅度和载波频率信息的非线性特性模型；

所述幅度非均匀量化技术根据发信机增益曲线的压缩程度即AM-AM失真量对信号包络的幅度进行分段处理；假设该曲线上的某一区间[a1，a2]内近似为线性的，并求得该区间线段的斜率

V₁和V₂为测试平台采集跳频电台发信机的AM-AM失真量；

其分段非均匀量化过程为：

步骤1：选则跳频电台工作频段的中心频率f₀对应的AM-AM失真测试数据集{(a_i，V_i)}，得到对应的AM-AM失真曲线；

步骤2：设定误差门限值Δl，门限值越大，分段区间长度越长，分段数越少，模型精度越低；门限值越大，分段区间长度越短，分段数越多，模型精度越高；

步骤3：确定区间的左端点a_k为表项段的地址，根据式(1)计算a_k与a_k+1之间增益曲线的斜率l₁；

步骤4：计算a_k与a_k+2之间增益曲线的斜率l₂，

若l₁-l₂＞Δl，则将[a_k，a_k+1]划分为一段，下一个表项段地址从a_k+2开始步骤3，

若l₁-l₂≤Δl，则右端点加一后重复步骤4；

步骤5：对整个数据集完成步骤3和步骤4后，得到分段地址集{A_j}；

步骤6：在所有测试工作频率的AM-AM失真测试数据集中查找对应地址集{A_j}的AM-AM数据，得到新的数据集{(A_j，V_j)}；

采用k-means聚类算法对非均匀分段后的所有频率点的新数据集进行分类的过程为：

步骤1：设置最大距离门限d_max：

d_max越大，需要的频率簇数量越少，预失真表项数减少，线性化性能降低；

d_max越小，需要的频率簇数量越多，预失真表项数增加，线性化性能提高；

步骤2：将发信机工作频段均匀划分为K段，将个频段的中心频点作为聚类中心；

步骤3：通过K-means聚类算法将所有AM-AM失真数据集划分为K′类(K′≥K)，并得到K′个AM-AM失真数据集{(A_j，U_j)}；

通过分段非均匀量化和频率非线性分类后，K′个AM-AM失真数据集{(A_j，U_j)}构成了跳频电台发信机在全工作频段的非线性特性模型。

2.根据权利要求1所述的方法，其特征在于，所述测试平台由矢量网络分析仪、衰减器以及PC机设备组成。

3.根据权利要求1所述的方法，其特征在于，所述测试平台测试电台发信机的非线性特征为AM-AM失真特性。

4.根据权利要求1所述的方法，其特征在于，测试过程通过仪表自动测量软件程序完成，由PC机通过网线控制。

5.根据权利要求1所述的方法，其特征在于，所述幅度非均匀量化技术根据发信机AM-AM失真测试数据对信号包络的幅度进行分段处理。

6.根据权利要求1所述的方法，其特征在于，所述幅度非均匀量化技术通过设置误差门限控制模型的规模和精度。

7.根据权利要求1所述的方法，其特征在于，所述频率非线性分类技术根据不同频率时AM-AM失真的差异性进行分类。

8.根据权利要求1所述的方法，其特征在于，所述频率非线性分类技术采用KNN分类算法。

Images