线性功放(LPA)的过去与未来

功率放大器(简称功放,PA)是通信发射系统中的核心部件之一，主要作用是将调制过的信号进行放大并传输给天线发射。

功放在对信号进行放大时会产生非线性失真，非线性失真产生的寄生频谱会对邻信道以及自身的工作信道造成很大干扰。

如今通信已经得到了蓬勃的发展，在满足基本的语音通信基础之上，还具有数据传输的功能。

所以，组建通信网络等更加的复杂的任务对功率放大器的线性度提出了较高的要求。

数字预失真技术是一种常见的提高功放的线性度的方法，数字预失真技术通过提取功放输入输出特性并构建功放的功放模型，并以此构造出合适的线性化策略。

数字预失真技术无稳定性问题，适用带宽较宽，精度较高，实现成本低。

数字预失真技术的诸多优点被十分看好，有着非常良好的前景。 

传统的数字预失真技术对功放进行建模并进行反向补偿。

常见的数字预失真模型包括查找表模型(Look-up Table, LUT)、记忆多项式模型(Memory Polynomial, MP)、Hammerstein模型及其改进型等。

在过去的几十年中这些模型得到了广泛的学术研究和工程应用。

近几年，深度学习在学术和应用上的取得了巨大进步。

Google公司的Alpha Go项目的巨大成功更是让深度学习在全球得到了广泛的关注，深度学习在越来越多的方向取得了传统模型很难达到的成绩。 

随着无线通信技术的飞速发展，从短波、1G、2G、3G、4G，直到即将广泛应用的5G无线系统，无线通信已经深入到了人们工作、学习、生活的方方面面，尤其是到了现在的4G、5G时代，中国移动更是提出“4G 改变生活， 5G 改变社会”的口号。

然而，随着 5G 建设的蓬勃展开，不论是基站还是终端，都被如何提高频谱效率和能量效率这两个核心问题深深困扰。

5G 基站由于采用大规模 MIMO 技术，基站功耗居高不下，因此将严重妨碍 5G 系统的大规模商用，甚至可能因为5G基站的能耗问题而使其短期内成为运营商的包袱。

另一方面，空间频谱资源越来越紧张，尤其是传输距离远的优质低频频谱，更是非常宝贵。

为了高效利用这些非常有限的频谱资源，实现5G系统标准规定的高达上千兆比特每秒的超高数据传输速率，设计人员不得不使用越来越复杂的高效调制方式，如64QAM、256QAM、512QAM，甚至 1024QAM， 这些复杂的调制方式不仅会大大提升信号的峰均比，进一步降低基站中耗能最多的发射机末级功率放大器( 简称功放) 的功率效率，而且对功放的线性度将提出更为苛刻的要求。

众所周知，功放是无线通信传输系统非线性的主要来源，对功放的非线性构建行为模型具有极为重要的意义。

功放的非线性行为模型不仅是对无线通信进行高精度系统仿真的基础，而且是采用数字预失真技术时，一个非线性模型对功放非线性进行矫正的能力强弱的判断依据。

因此， 各国研究人员提出了多种不同的适合于对功放非线性行为进行仿真的非线性模型。

最简单的模型是将功放视为一个无记忆的非线性系统， 因此先后提出了著名的 Saleh模型、Ｒapp模型、Ghorbani、Bessel-Fourier、多项式模型等 。

该类模型结构简单，可以较好地模拟传统的窄带功放这类无记忆或准无记忆的非线性系统的非线性行为特性。

然而， 宽带功率放大器具有记忆效应， 其非线性表现为具有很强的动态特性，传统的无记忆非线性模型无法表征其动态非线性， 必须采用具有记忆效应表达能力的非线性模型。

为此， 研究人员先后提出 Volterra 级数模型、记忆多项式模型及其扩展模型 、Hammerstein 模型及其扩展模型 、Wiener 模型及其扩展模型 、串并联混合非线性模型 等函数型动态非线性行为模型， 用于模拟功放的动态非线性特征。

此外， 人工神经网络因其具有精确表征任意非线性的能力而被越来越多的研究人员用于表征功放的动态非线性特性，尤其是神经网络所具有的独特的自学习能力，更是被寄希望于以此构建适用于 5G 或 6G 功放的具有普适性的通用动态非线性模型。