作者：ADI公司算法實現總監  Steve Summerfield，ADI公司系統架構總監  Frank Kearney

摘要

根據許多推廣材料對數字預失真(DPD)的介紹，其性能是基于靜態定量數據。通常，這些材料會顯示DPD頻譜并引用鄰道泄漏比(ACLR)數字。這種方法雖然解決了基本需求，但卻沒有抓住實際部署中出現的諸多挑戰、風險和性能權衡。向5G的快速過渡帶來了大量新的挑戰和場景，算法開發人員和設備供應商需要給予更多關注。要支撐靜態性能，必須具備在有許多元素處于變化狀態的復雜環境中保持性能和穩定性的能力。

簡介

在理想世界中，功率放大器的輸出是輸入的比例放大，除此之外與輸入完全相同，放大器使用的大部分功率貢獻在輸出信號中。因此，其效率最大且沒有失真。但現實世界卻并非如此：實際的線性放大器的效率往往非常差。例如，電纜分配系統中使用的放大器具有優異的線性度，但這是以效率為代價來實現的。在大多數情況下，效率勉強能超過6％，其余功率(94％)則被浪費。浪費的功率涉及經濟、環境和應用方面的成本。在蜂窩基站中，電力成本占運營成本(OPEX)的50％以上。浪費的功率會增加電力使用并產生溫室氣體，而未作為無線電波發射出去的大部分功率必須作為熱量消散，需要主動和被動的熱管理。

在過去的數十年間，蜂窩行業已將PA的效率提升至超過50％的性能水平。這是通過采用智能架構（如Doherty）和高級工藝技術（如GaN）而實現的。獲得效率的同時也付出了一定的代價——線性度。在蜂窩系統中，線性度很差有兩個主要后果：帶內失真和帶外輻射。帶內失真會破壞所發射信號的保真度，可以通過誤差矢量調制(EVM)性能的降幅來表示。帶外輻射會打破3GPP輻射屏蔽，可能對占用鄰道頻率分配的運營商造成不希望的干擾。我們通常用ACLR來衡量這方面的性能。除此之外，GaN PA帶來了額外的挑戰，因為它的電荷捕獲效應也會產生帶內失真，而這些失真是動態的，與ACLR隱含的SNR無關。

圖1. 具有記憶效應的PA動態轉換函數

校正PA非線性至關重要。如果知道PA的轉換函數，則對數據運用其反函數將能消除非線性，這是一個合理的假設。然而，PA的轉換函數是動態轉換函數，其輸出至輸入特性可以被認為處于連續變化之中。此外，該動態轉換函數與一系列PA特性（包括電源、電壓和溫度）、提供給PA的輸入信號以及PA已處理的先前信號（記憶效應）有關。PA的動態非線性行為需要先建模，然后才能校正，因此需要數字預失真(DPD)，而DPD需要適應環境的動態變化。

圖2. 數字預失真系統的概念表示

圖2顯示了許多DPD系統的核心元素：觀測、估算和驅動。圖2中的概念生成了一個跟蹤PA預期響應的模型，這樣便可產生適當的抵消信號來消除預測的PA非線性行為。模型有很多，例如十分普遍的廣義記憶多項式(GMP)。

圖3. 有和無數字預失真兩種情況下的鄰道泄漏

在線性區域中工作的PA產生的帶外失真較少，而且泄漏到相鄰通道的噪聲明顯降低，如圖3所示。圖3顯示了典型DPD測試臺上的頻譜分析儀的屏幕截圖，該測試臺用來演示靜態DPD性能是否達到許多ACLR合規性測試所要求的標準。

市場演變、性能增強和移動目標

自20世紀90年代以來，DPD便已在蜂窩基站中商用，部署量超過800萬臺。蜂窩市場的技術和代次需求不斷變化（2G、3G、4G，現在是5G），對DPD的要求也在與時俱進。這些挑戰包括但不限于：更寬的帶寬、更高的功率、載波數量、更高的峰均比，以及更多的基站數量和密集化。

設備供應商急于差異化其產品，不斷增強效率方面（相對于相關3GPP規范）的性能，其中PA效率仍然是挑戰。驅動變革的傳統因素是運營成本和熱管理（包括與之相關的硬件/重量成本），但現在，環境考慮加速了這種變化。

PA和DPD具有某種共生關系。在有些情況下，這種關系很和諧，但在另一些情況下，這種關系很棘手。與某家供應商的DPD友好相處的PA，可能與另一家供應商的DPD水火不容。通常，當DPD和PA經配置和調整后與特定應用匹配時，性能最優。然而，為了滿足5G及后續技術的激進要求，PA設計在不斷發展。因此，DPD也必須不斷演進以滿足額外的需求。隨著寬帶和雙頻應用成為常態，PA開發人員面臨著在更高頻率下實現更寬帶寬，同時滿足性能期望的挑戰。開發帶寬能力為200 MHz及以上的PA是一個挑戰，同時要確保其也能滿足3GPP規范和效率，這帶來了進一步的挑戰。這些挑戰最終都落在DPD開發人員肩上。

了解挑戰

量化DPD性能不是一項簡單的任務。有許多情況和場景需要考慮——除PA外，還有其他一些影響因素。考慮性能時，需要清楚地定義測試條件的細節：在200 MHz的帶寬實現>50％的效率比在20 MHz的工作帶寬實現相同效率的挑戰要大得多。當考慮所分配頻譜內的載波放置時，情況變得更加復雜：它可能是連續的信號，也可能是分段的載波分配，即部分頻譜被占用。

在較高層次上，DPD性能有幾個定量指標——主要由3GPP規范或運營商要求所定義的數據點：ACLR、EVM和效率。滿足這些要求僅僅是DPD性能冰山的一角。將穩定性和魯棒性添加到需求矩陣中后，挑戰之巨大開始顯現。DPD性能有兩個關鍵方面：靜態基準性能和實際的運行動態性能。

為了刻畫動態特性的挑戰，圖4顯示了動態環境中的信號演變，并展示了ACLR如何用連續適應的DPD加以響應。圖中的數字是名義上的。曲線提供了信號突然變化的影響的例子，雖然極端但合法。隨著信號變化，DPD模型要適應變化。適應事件用點表示。在信號變化與下一自適應之間的過渡時間中，模型和信號存在不匹配，因此ACLR值可能上升，在瞬態期間內超過輻射規范的風險會增加。

圖4. 動態單元加載、DPD適應和ACLR瞬態

適應需要一定的時間，因此始終存在瞬態。高性能DPD的挑戰在于將該模型不匹配時間減少到最小，同時確保兩個狀態之間平滑過渡。需要管理該過程，使得適應速度和對ACLR的中斷均得到考慮。重要的是要了解模型不匹配與信號轉換的性質的相關性。當不匹配度很高時，DPD存在性能降低的風險，更糟糕的是無線電的穩定性降低。如果發生不穩定，DPD算法可能會像滾雪球一樣失控，打破輻射屏蔽，在最壞情況下可能損壞無線電硬件。在性能和穩定性的蹺蹺板上，穩定性始終是更重要的設計考慮因素。DPD設計必須魯棒，確保在正常和異常工作條件下都能保持穩定，并能從錯誤中恢復。

高性能實用DPD解決方案的挑戰可以概括為如下要求：

●  靜態性能（合規性測試或BTS流量負載接近恒定）

○  ACLR

○  EVM（包括作為特例的GaN）

●  動態特性

●  魯棒性

此外，由于ADI公司是DPD的第三方供應商，因此還必須考慮以下因素：

●  維護

○  我們的客戶(OEM)將產品交付給其客戶（運營商）之后，解決現場出現的性能問題。

●  進化

○  在現場使用期間，PA技術和信號空間應用可能改變。

●  泛化

○  OEM可以針對每個產品精細調整DPD。我們沒有這種奢侈資源。我們必須滿足許多應用的需求，同時使可配置性和冗余最小化。

提升DPD性能以應對挑戰

僅考慮靜態性能的話，DPD開發有一個線性漸進的因素。如果提供更多資源，我們就能提高性能。例如，更多GMP系數有助于更準確地模擬PA行為。因此，隨著帶寬加寬，這成為維持（如果不能改進）性能的一種策略。然而，這種方法有其局限性，最終會達到一個收益遞減點——投入更多資源卻不產生收益或收益很少。DPD算法開發人員需要采取更多創造性方法來實現進一步增強。ADI公司的辦法是用更一般的基礎函數和更高階Volterra產品來補充基本算法的廣義記憶多項式。開發人員試圖創建一個能準確預測PA行為的模型，因此數據累積和數據操縱是核心基本要素。在連續時間和功率水平下捕獲數據，開發人員便有更全面的手段來進行評估和塑造模型行為。圖5是采用這種方法的系統的概念圖。請注意，更廣泛的數據捕獲/觀測節點與數字電源監控耦合。電源監控有助于動態運行。先前存儲的模型可以通過多種方式發揮作用，以減輕上面討論的動態瞬變。

圖5. 使用更廣泛的捕獲/觀測實現DPD

近年來，GaN PA技術為DPD開發人員帶來了新的挑戰：長期記憶效應。GaN工藝技術在效率、帶寬和工作頻率方面具備許多特有的優勢。然而，它存在所謂的電荷捕獲效應。GaN的電荷捕獲是一種長期記憶效應，先有捕獲，然后是熱解除捕獲。基于GMP的DPD糾正了一些誤差，但仍有殘余誤差會繼續影響信號質量。這種失真引起EVM的相應升高。圖6提供了該現象的圖形表示。注意PA增益波動和這些波動的時間性。另請注意捕獲和解除捕獲狀態，解除捕獲發生在較低功率符號上。

圖6. GaN PA電荷捕獲引入的長期增益誤差

時間效應是長期的，傳統方法意味著要采集大量的樣本點，因而需要存儲和處理大量數據。存儲器成本、硅片面積和處理成本使得這種方法不是商業DPD部署的可行選擇。DPD開發人員必須以有利于高效實現和運行的方式消除電荷捕獲的影響。電荷捕獲校正(CTC)是我們的ADRV9029收發器支持的一項特性，其功耗和計算時間成本均很低。已經證明，EVM能恢復到EVM 3GPP規范內的水平。下一代收發器（即將到來的ADRV9040）擁有更精密的解決方案，預計它能在動態場景中提供增強的性能，并能更好地覆蓋數量越來越多、電荷捕獲特性各不相同的GaN PA應用。

圖7. 平衡DPD性能的所有要素和挑戰

如上所述，DPD實現的穩定性至關重要。魯棒性通過不斷監測內部狀態并提供對異常狀況的快速響應來實現。

ADI解決方案的泛化通過測試許多供應商的廣泛PA樣片來實現，我們同很多供應商建立了共生的技術關系。

結論

介紹DPD性能時，重點往往是性能的靜態方面。雖然EVM和ACLR的衡量標準仍然有效，但必須更多地關注限定這些測量的運行條件和要求的組合。5G NR的需求繼續推動應用要求的提高，再加上對更高PA效率的渴望，導致DPD算法開發的挑戰進一步加大。

當我們開始評判DPD性能時，我們需要一個整體方法來處理：

●  靜態性能

●  動態性能

●  魯棒性

●  穩定性

勉強符合規范的DPD可能不受歡迎，會造成暫時不合規范的情況出現的DPD可能令運營商不安。更災難性的是，DPD會變得不穩定并導致非法輻射和PA的失效。不應將DPD算法視為現成的東西。根據PA和應用的具體情況調整DPD才能實現優化性能，但算法敏捷性和開發/現場支持也是重要的考慮因素。有效的DPD算法可以給系統帶來相當大的好處。不應低估需求和性能評估的復雜性。

作者簡介

Steve Summerfield是ADI公司領導無線基礎設施應用的算法和架構開發的總監。他于2017年加入ADI，此前在多家電信和半導體公司擔任過高級職位。Steve之前長期在大學任職。他著述頗豐，持有多項專利，并擁有理論物理學博士學位。

Frank Kearney于1988年畢業后即加入ADI公司。在工作期間，他擔任過多種工程和管理職位。他目前在無線系統部門管理一個由架構師和算法開發人員組成的團隊。該部門重點關注O-RAN無線電架構的發射路徑效率和系統級增強功能。Frank擁有都柏林大學博士學位。