课程导入：学习目标、适用人群、课程结构、功率放大器在无线通信中的角色

欢迎进入《功率放大器AM-AM、AM-AM失真建模教程》的第一章。在移动通信、雷达、卫星导航和物联网系统中，功率放大器（Power Amplifier, PA）是发射机链路上最核心、也最“不完美”的模拟器件。它负责将小信号放大到足以驱动天线的功率水平，但与此同时，它也会引入幅度失真（AM-AM）和相位失真（AM-PM），这两种非线性效应直接决定了系统能否满足误差矢量幅度（EVM）、邻道泄漏比（ACLR）和频谱模板等关键指标。本章作为全课程的导入，将明确学习目标、适用人群、课程结构，并深入剖析功率放大器在无线通信系统中的角色与非线性失真的工程影响，为后续章节的建模、仿真与预失真设计奠定基础。

上图展示了功率放大器在典型发射链路中的位置及其非线性失真的表现。可以看到，PA 位于上变频与天线之间，其 AM-AM 和 AM-PM 失真曲线分别描述了输出功率随输入功率的压缩特性，以及输出相位随输入功率的偏移特性。这两条曲线是后续所有建模工作的基础。

1.1 学习目标：从现象到建模，再到预失真设计

本课程的学习目标分为三个层次，层层递进，确保学员既能理解理论，又能动手实践。

• 理论层：掌握 AM-AM 与 AM-PM 失真的物理本质，理解它们如何由 PA 的静态工作点、晶体管特性、负载阻抗和温度变化等因素引起。学员应能解释为什么 PA 在大信号输入时会出现增益压缩和相位偏移，并能从数学上描述这些现象。
• 建模层：学会使用多种数学模型（如多项式模型、Saleh 模型、Volterra 级数、记忆多项式等）对 PA 的失真特性进行拟合与仿真。学员应能根据实测数据或仿真数据，选择合适的模型阶数和系数，并评估模型的精度与泛化能力。
• 应用层：能够将 AM-AM/AM-PM 模型应用于系统级仿真（如 5G NR、Wi-Fi 6/7 信号），并理解数字预失真（DPD）技术如何利用这些模型来线性化 PA。学员应能设计基本的 DPD 架构，并分析其改善效果。

1.2 适用人群：谁需要学习这门课程？

本课程面向具有一定射频或通信基础的工程师与研究人员，具体包括但不限于以下人群：

人群类型	背景要求	学习收益
射频/模拟电路工程师	熟悉 PA 电路设计、S 参数、负载牵引	理解非线性失真对系统指标的影响，学会用模型指导电路优化
通信系统工程师	了解调制解调、EVM、ACLR 等指标	掌握 PA 失真的系统级影响，能够进行链路预算与性能仿真
算法/软件工程师	熟悉 MATLAB/Python，了解信号处理	学会实现 PA 模型与 DPD 算法，用于芯片或系统级验证
测试与验证工程师	熟悉频谱仪、信号源、功率计等仪表	掌握 PA 失真数据的采集方法与建模流程，提升测试效率

对于初学者，建议先补充射频基础知识和信号与系统的基本概念。本课程在涉及数学推导时会给出直观解释，但不会从零开始讲授傅里叶变换或调制原理。

1.3 课程结构：从基础到进阶的 30 章学习路径

本课程共 30 章，分为五个主要模块，每个模块聚焦一个核心能力域。课程结构设计遵循“理论→方法→实践→进阶”的逻辑，确保学员能够循序渐进地掌握 PA 失真建模的全部要点。

1. 模块一（第 1-5 章）：基础概念与测量方法。包括课程导入、PA 非线性指标定义、AM-AM/AM-PM 测量技术、测试仪表校准与数据采集。这一模块的目标是让学员能够准确获取 PA 的失真数据。
2. 模块二（第 6-12 章）：经典建模理论。涵盖无记忆模型（Saleh、多项式）、有记忆模型（记忆多项式、Volterra 级数）、宽带效应与热效应建模。学员将学会如何选择模型结构并提取参数。
3. 模块三（第 13-18 章）：模型验证与仿真。包括模型精度评估、数值稳定性分析、系统级仿真集成（如 MATLAB/Simulink、ADS、Cadence）。这一模块强调模型在真实通信信号下的表现。
4. 模块四（第 19-25 章）：数字预失真（DPD）技术。从 DPD 基本原理出发，介绍间接学习架构、自适应算法（LMS、RLS）、查找表（LUT）与多项式 DPD 的实现，以及 DPD 与 PA 模型的联合仿真。
5. 模块五（第 26-30 章）：工程实践与前沿专题。包括 5G NR 毫米波 PA 建模、包络跟踪（ET）与 Doherty PA 的建模挑战、基于机器学习的 PA 行为模型、以及多天线系统中的失真耦合问题。

1.4 功率放大器在无线通信中的角色：为什么它如此重要？

功率放大器是发射机中功耗最大、非线性最严重、成本最高的模块之一。它的角色可以从三个维度来理解：能量转换器、信号保真度瓶颈和系统效率与线性度的权衡点。

首先，作为能量转换器，PA 将直流电源功率转换为射频输出功率。其效率（如漏极效率、功率附加效率 PAE）直接决定了终端的电池续航时间和基站的散热成本。例如，一个 5G 基站 PA 的 PAE 从 30% 提升到 40%，意味着在相同输出功率下，功耗降低约 25%，每年可节省数万元电费。

其次，PA 是信号保真度的最大威胁。现代通信信号（如 64-QAM、256-QAM）具有高峰均比（PAPR），当信号峰值进入 PA 的饱和区时，AM-AM 压缩会导致输出信号幅度失真，AM-PM 偏移会导致相位误差。这两种失真共同作用，使得接收端解调后的星座图发生旋转和收缩，EVM 恶化。例如，在 5G NR 100 MHz 带宽信号下，若 PA 的 AM-PM 失真超过 5°，EVM 可能从 1% 恶化到 5% 以上，直接导致链路无法满足 3GPP 规定的 8% EVM 要求。

最后，PA 的设计必须在效率与线性度之间做出权衡。为了获得高效率，PA 通常工作在接近饱和的区域（如 B 类或 F 类），但这会加剧非线性。反之，为了线性度而回退功率（back-off），效率会显著下降。例如，一个 10W 的 PA，若从 P1dB 回退 6 dB 工作，输出功率降至 2.5W，效率可能从 50% 降至 25%。因此，工程师需要借助建模和 DPD 技术，在保持高效率的同时满足线性度指标。

1.5 案例拆解：5G 基站 PA 失真导致的 ACLR 超标问题

为了更直观地理解 PA 失真的工程影响，我们来看一个典型的 5G 基站发射机调试案例。

背景与约束：某 5G 宏基站使用 Doherty PA 架构，工作频段 3.5 GHz，信号带宽 100 MHz，采用 64-QAM 调制。系统要求 ACLR 小于 -45 dBc，EVM 小于 3%。在实验室测试中，工程师发现当输出功率达到 46 dBm（平均功率）时，ACLR 为 -38 dBc，超标 7 dB。

初始现象与数据：使用频谱仪观察输出信号，发现邻道泄漏明显，且不对称——上邻道泄漏比下邻道高约 3 dB。进一步使用矢量信号分析仪（VSA）解调信号，测得 EVM 为 4.5%，星座图显示外圈星座点有明显的旋转和压缩。

分析判断过程：工程师首先怀疑是 PA 的 AM-AM 压缩导致。通过测量 PA 的增益曲线，发现在 46 dBm 输出时，增益已压缩 2.5 dB。但增益压缩通常会导致对称的频谱再生，而本例中 ACLR 不对称，说明存在 AM-PM 失真。使用相位测试功能，测得在相同功率点，AM-PM 偏移达到 8°。因此，问题根源是 AM-AM 和 AM-PM 共同作用，且 AM-PM 是导致不对称泄漏的主要因素。

实际操作步骤：工程师利用矢量信号源产生 100 MHz 5G NR 测试信号，通过功率计和 VSA 采集 PA 输入输出数据。使用 MATLAB 拟合记忆多项式模型（阶数 5，记忆深度 3），得到 AM-AM 和 AM-PM 曲线。然后，在 FPGA 中实现一个基于查找表（LUT）的 DPD 模块，LUT 大小为 1024 点，根据输入信号的幅度索引预失真增益和相位。

结果对比：启用 DPD 后，在相同输出功率下，ACLR 从 -38 dBc 改善至 -48 dBc，满足 -45 dBc 的要求。EVM 从 4.5% 降至 2.1%。同时，PA 的平均效率从 38% 提升至 42%，因为 DPD 允许 PA 工作在更深的压缩区而仍保持线性。

风险与代价：DPD 的引入增加了基带处理的功耗和延迟。FPGA 资源占用增加约 15%，且需要额外的反馈通路（耦合器、下变频、ADC）来采集 PA 输出信号。此外，DPD 系数需要定期更新以应对温度漂移，更新周期约为 1 秒。

复盘经验：该案例表明，PA 失真建模不仅是理论问题，更是工程调试的必备工具。如果没有准确的 AM-AM/AM-PM 模型，工程师只能盲目尝试不同的回退功率或偏置调整，效率低且效果有限。通过建模，可以精准定位失真来源，并设计针对性的预失真方案。

1.6 常见误区与总结复盘

在课程导入阶段，我们有必要澄清几个常见误区，帮助学员建立正确的学习方向。

• 误区一：AM-AM 和 AM-PM 是独立的。实际上，两者都源于 PA 的非线性特性，且相互关联。例如，增益压缩会导致输出波形削顶，进而引起相位变化。在建模时，应同时考虑两者，而不是分开处理。
• 误区二：模型阶数越高越好。高阶模型（如 10 阶多项式）可能在拟合数据时表现很好，但在预测新数据时可能过拟合，且数值稳定性差。模型选择应基于复杂度与精度的平衡，通常 5-7 阶多项式已足够。
• 误区三：只关注 AM-AM 失真。在窄带系统中，AM-PM 影响可能较小，但在宽带系统（如 5G NR 100 MHz）中，AM-PM 对 EVM 和 ACLR 的影响与 AM-AM 同等重要，甚至更严重。
• 误区四：忽略记忆效应。现代 PA 由于热效应和电抗元件，表现出明显的记忆效应，即输出不仅取决于当前输入，还取决于过去的输入。无记忆模型在宽带信号下误差较大，必须使用记忆模型。