1. 课程导入
在现代无线通信系统中，射频功率放大器（PA）是发射链路中功耗最高、非线性最强的器件。为了兼顾效率与线性度，工程上普遍采用数字预失真（DPD）与功放协同设计相结合的方法。本课程围绕“如何让 DPD 与功放彼此配合、共同达标”这一主线展开，帮助学习者建立从信号、模型、算法到系统验证的完整认知。
核心命题：功放不是 DPD 的“被矫正对象”，而是 DPD 的“协同伙伴”。只有把功放特性、DPD 模型、观测链路和系统指标放在同一框架下设计，才能同时获得高效率与高线性度。
一、学习目标
完成本课程后，学习者应能够：
- 理解功放非线性、记忆效应与 DPD 补偿之间的因果关系；
- 掌握 DPD 的常用模型结构，如记忆多项式、Volterra 简化模型与神经网络模型；
- 能够根据 ACLR、EVM、效率、带宽等指标设计 DPD 与功放的协同参数；
- 熟悉反馈观测链路、同步、建模、系数估计与在线自适应流程；
- 具备对典型故障（发散、失锁、指标恶化）进行定位与复盘的能力。
二、核心概念
射频功放的非线性主要表现为幅度失真（AM-AM）与相位失真（AM-PM），当信号带宽较宽时还会出现记忆效应，即当前输出不仅与当前输入有关，还与历史输入有关。DPD 的基本思想是在功放前级插入一个与功放特性“相反”的非线性模块，使级联后的整体响应近似线性。
协同设计的关键在于：DPD 的建模能力、观测精度、更新速度必须与功放的失真强度、记忆深度、工作点漂移相匹配。若 DPD 模型阶数不足，则无法补偿强记忆；若反馈链路信噪比不足，则系数估计会发散；若功放工作点随温度、负载变化，则 DPD 必须在线自适应。
三、整体框架与协同流程
从系统角度看，DPD 与功放协同可分为四个层次：信号层（IQ 数据、峰均比、带宽）、器件层（功放非线性、记忆效应、热漂移）、算法层（模型选择、系数估计、自适应更新）、验证层（ACLR、EVM、效率、温度与电压拉偏）。四层之间通过观测链路闭环连接。
典型协同流程如下：
- 采集功放输入输出数据，完成时延与相位对齐；
- 选择 DPD 模型结构，估计初始系数；
- 将 DPD 串入发射链路，测量 ACLR、EVM 与效率；
- 根据指标与工作点变化，启动在线自适应更新；
- 在温度、电压、负载拉偏条件下验证鲁棒性。
# 典型 DPD 协同参数配置示例
dpd_model = "memory_polynomial"
nonlinear_order = 7
memory_depth = 4
adaptation = "RLS"
forgetting_factor = 0.998
target_ACLR = -50 dBc
target_EVM = 3.5 %
pa_bias = 28 V / 1.2 A
四、典型应用场景
| 场景 | 功放特点 | DPD 协同重点 | 关键指标 |
|---|---|---|---|
| 5G 宏基站 | 高功率、宽带宽、强记忆 | 高阶记忆多项式 + 快速自适应 | ACLR ≤ -50 dBc |
| 毫米波小站 | 宽带、低效率、热漂移明显 | 神经网络 DPD + 温度补偿 | EVM ≤ 3.5% |
| 卫星通信 | 高线性、窄带、长时稳定 | 高精度离线建模 + 慢速更新 | IMD3 ≤ -60 dBc |
| 雷达/电子战 | 脉冲工作、宽动态 | 分段建模 + 快速收敛 | 脉内失真可控 |
五、常见误区与复盘
误区一：只调 DPD 模型阶数，不关注功放工作点。功放偏置、负载、温度变化会改变非线性曲线，DPD 系数必须随之更新。
误区二：忽视反馈链路信噪比。观测通道噪声会直接恶化系数估计，导致 ACLR 改善有限甚至发散。
误区三：把 DPD 当作“万能线性化器”。当功放接近饱和时，DPD 需要额外功率回退，效率与线性度必须折中。
误区二：忽视反馈链路信噪比。观测通道噪声会直接恶化系数估计，导致 ACLR 改善有限甚至发散。
误区三：把 DPD 当作“万能线性化器”。当功放接近饱和时，DPD 需要额外功率回退，效率与线性度必须折中。
复盘建议：每次指标恶化时，按“功放工作点 → 反馈链路 → 同步对齐 → 模型结构 → 系数更新”的顺序逐级排查，避免盲目增加模型复杂度。
本课程后续将围绕上述框架，逐层展开功放非线性建模、DPD 算法实现、观测链路设计、自适应更新与系统级验证，帮助学习者形成可落地的工程能力。