⛄一、平方根无迹卡尔曼滤波SR-UKF
1 数字预失真系统的状态方程和观测方程
为了改善卡尔曼滤波处理非线性问题的效果, Julier等人提出了基于无迹 (Unscented) 变换的UKF方法[5]。该方法在处理状态方程和观测方程时, 首先进行无迹变换, 然后使用无迹变换后的变量进行卡尔曼滤波估计, 以减小估计的误差。UKF采用了卡尔曼线性滤波框架, 采样形式为确定性采样, 其采样的粒子点 (Sigma点) 个数很少, 具体个数由所选择的采样策略决定, 最常用的是2L+1个Sigma点的对称采样。
UKF相对于其它滤波算法如EKF、PF等在性能和运算量上具有整体优势。它实质是利用了加权统计回归技术来解决此类非线性问题, 即先利用其先验分布生成一组确定性的采样点来获得系统的相关统计量, 再用线性回归变换后的Sigma点表示状态的后验分布。UKF算法线性化误差小, 不需要模型的具体解析表达形式, 因而更加易于实现。
在UKF-DPD算法中, 待求解的未知参量是预失真器的系数, 因此它作为系统的状态变量w=[w1, w2, …, wL]。在相邻两个时刻, w的数值基本不变, 只有较小的扰动, 因此系统状态方程为
wk+1=wk+qk (3)
式中, qk为1×L的向量, 代表系统的状态噪声, 它与系统的收敛性能密切相关。
系统的观测方程为
yk=H (xk, wk) +rk (4)
式中, xk代表数字预失真器的输入信号, yk代表功率放大器的输出信号, rk代表系统的观测噪声, H () 代表了预失真系统和功率放大器系统的非线性及记忆效应。
2 改进的SR-UKF滤波算法
SR-UKF是UKF算