ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2026, № 8 · РАДИОТЕХНИКА

Цифровые предыскажения сигнала на основе табличной аппроксимации обобщенной полиномиальной модели с памятью

И.Е. Кащенко1

1 Омский научный центр СО РАН (Институт радиофизики и физической электроники), Омск
Полный текст DOI: 10.30898/1684-1719.2026.8.3 УДК 621.396.61

Аннотация

В данной работе рассматривается метод цифровых предыскажений сигнала, основанный на табличной аппроксимации нелинейных амплитудно-зависимых функций обобщенной полиномиальной модели с памятью. Предлагаемый подход предназначен для снижения вычислительной сложности алгоритма ввода цифровых предыскажений при аппаратной реализации в ПЛИС, СБИС и системах на кристалле (СнК). В отличие от прямого вычисления полиномиальных базисных функций, нелинейные множители модели предварительно группируются по задержкам и представляются в виде таблиц аппроксимации (LUT). Это позволяет заменить часть операций возведения в степень и умножения операциями адресации памяти и интерполяции. Показано, что такое преобразование сохраняет структуру модели с памятью, но снижает число арифметических операций, выполняемых в реальном времени. Рассмотрены особенности формирования таблиц, оценка вычислительной сложности и особенности аппаратной реализации предложенного метода.

  • цифровые предыскажения
  • усилитель мощности
  • обобщенная полиномиальная модель с памятью
  • Gmp
  • табличная аппроксимация
  • lut
  • плис
  • сбис
  • СнК
Abstract (in English)

A digital predistortion system based on a generalized memory polynomial for GaN power amplifiers

This paper considers a digital predistortion method based on tabular approximation of nonlinear amplitude-dependent functions of a generalized memory polynomial model. The proposed approach is intended to reduce the computational complexity of the digital predistortion algorithm when implemented in FPGA, ASIC and system-on-chip devices. In contrast to direct computation of polynomial basis functions, the nonlinear model multipliers are preliminarily grouped by delays and represented as lookup tables. This makes it possible to replace part of the exponentiation and multiplication operations with memory addressing and interpolation. It is shown that this transformation preserves the structure of the model with memory while reducing the number of arithmetic operations performed in real time. The paper discusses table generation, computational complexity estimation and hardware implementation aspects of the proposed method.

Для цитирования

Кащенко И.Е. Цифровые предыскажения сигнала на основе табличной аппроксимации обобщенной полиномиальной модели с памятью // Журнал радиоэлектроники. – 2026. – № 8. https://doi.org/10.30898/1684-1719.2026.8.3

Литература

  1. Kim J., Konstantinou K. Digital predistortion of wideband signals based on power amplifier model with memory // Electronics Letters. - 2001. - Т. 37. - №. 23. - С. 1417-1418. https://doi.org/10.1109/TCOMM.2003.822188
  2. Ding L. et al. A robust digital baseband predistorter constructed using memory polynomials // IEEE Transactions on communications. - 2004. - Т. 52. - №. 1. - С. 159-165. https://doi.org/10.1049/el:20010940
  3. Morgan D.R. et al. A generalized memory polynomial model for digital predistortion of RF power amplifiers // IEEE Transactions on signal processing. - 2006. - Т. 54. - №. 10. - С. 3852-3860. https://doi.org/10.1109/TSP.2006.879264
  4. Ghannouchi F.M., Hammi O. Behavioral modeling and predistortion // IEEE Microwave magazine. - 2009. - Т. 10. - №. 7. - С. 52-64. https://doi.org/10.1109/MMM.2009.934516
  5. Campo P.P. et al. Gradient-adaptive spline-interpolated LUT methods for low-complexity digital predistortion // IEEE Transactions on Circuits and Systems I: Regular Papers. - 2020. - Т. 68. - №. 1. - С. 336-349. https://doi.org/10.1109/TCSI.2020.3034825
  6. Кащенко И.Е. Система ввода цифровых предыскажений на основе обобщенной полиномиальной модели с памятью для GaN усилителей мощности // Журнал радиоэлектроники. - 2024. - № 10. https://doi.org/10.30898/1684-1719.2024.10.6 (In Russian)
  7. Versluis M., Wu Y., Gao C. SparseDPD: A sparse neural network-based digital predistortion FPGA accelerator for RF power amplifier linearization // arXiv preprint arXiv:2506.16591. - 2025. https://doi.org/10.1109/FPL68686.2025.00031
  8. 3GPP TS 38.104. NR; Base Station (BS) radio transmission and reception. - Version 18.10.0. - 2024. - URL: https://www.etsi.org/deliver/etsi_ts/138100_138199/138104/18.10.00_60/ts_138104v181000p.pdf
  9. 3GPP TS 36.141. Evolved Universal Terrestrial Radio Access (E-UTRA); Base Station (BS) conformance testing. - URL: https://www.3gpp.org/ftp/Specs/archive/36_series/36.141/