New polynomial-based predistortion techniques for linearizing power amplifier (PA) are introduced. The proposed methods are based on the direct learning whereas most other techniques are based on the indirect learning architecture. The structures of the proposed methods do not use any postdistorter or PA identification. The proposed structures are much simpler than the existing ones based on the indirect learning architecture. Also, we propose a conditioned adaptive algorithm to increase robustness to PA’s saturation. Computer simulation shows that the proposed methods are robust to PA’s saturation and initial condition than the existing methods, and the conditioned adaptive algorithm improves the robustness further.
본 논문은 전력 증폭기의 선형화를 위한 새로운 다항식 기반의 사전왜곡 기법 (predistotion)을 제안한다. 제안하는 방식은 증폭기의 부분 선형 함수 가정에 기반하여 RLS (recurise least squares) 알고리즘으로 유도되었으며, 직접학습 구조 (direct learning architecture)를 갖는다. 따라서 제안한 방식의 구조는 기존 방식들이 갖는 사후왜곡기 (postdistorter) 혹은 증폭기 추정기를 필요로 하지 않으며, 기존 간접학습 구조 (indirect learning architecture)에 기반한 방식보다 단순하다. 또한 전력 증폭기의 포화 영역 동작에서의 강인함을 향상하기 위한 조건부 적응 알고리즘도 제안한다. 제안방식 1은 유도된 RLS 알고리즘에서 필요한 증폭기의 기울기를 인접 샘플을 이용하여 추정하는 방식이며, 제안 방식 2는 증폭기 전체를 하나의 선형 구간으로 가정하여 고정된 기울기를 사용하는 방식이다. 제안 방식 3은 다항식 기반 사전왜곡 방식이 가질 수 있는 포화 영역에서의 비정상적 계수 갱신을 방지하여 수렴특성을 개선하였다. 컴퓨터 모의 실험은 제안한 방식이 전력 증폭기의 포화 영역에서의 동작 및 사전왜곡기 (predistorter)의 초기 탭 계수 조건에 강인함을 보여준다. 그리고 제안된 조건부 적응 알고리즘은 강인함을 더욱 향상시켰다.
