DPD相关： Indirect learning 与direct learing

 

之前总是在程序中看见 Indirect learning 与direct learing，现在根据9025的文档解释一下这个是啥意思：

 

 Indirect learning：

 间接学习是利用观测接收机数据(功率放大器输出数据)作为参考，预测与参考相对应的输入样本。用于预测输入样本的函数称为逆功率放大器模型。

当输入样本与观测数据相对应的预测良好时，利用估计的逆功率放大器模型对发射数据进行预失真。

 

这里值得注意的是，可以看看这个实现过程，我们在DPD与PA之间拿到一组信号，PA过后，我们通过反馈再拿到一组信号，通过这两组信号的比较，我们就可以将DPD的模型推演出来（我这里至少个人的见解）；

这里就可以解释我做项目的时候，为什么反馈不好时，DPD可能也做不好；

 

 

 

 

芜湖，数学不好，这里直接GG；

direct learing：

 

 

通过与indirect learing的结构图相比，可以轻易的查看出二者的区别，

 

 

 

结论：

DPD间接学习算法是时间高效的，因为它在一次更新中通过反演估计系数。当系统需要更快的自适应响应时，首选采用DPD间接学习算法；

DPD直接学习算法更精确，但本质上是迭代的，与间接学习相比，需要更长的时间来收敛。直接学习算法对带宽错配的敏感性较低，在信号带宽大于100mHz时是首选算法；

 

补充：在《RRU设计原理与实现》中，我看见了类似的描述：