从多项式到神经网络：DPD算法演进史及其在RRU中的工程实现

从多项式到神经网络：DPD算法演进史及其在RRU中的工程实现

当你在享受流畅的5G高速下载或高清视频通话时，可能不会想到，支撑这一切的基站射频单元（RRU）内部，正进行着一场精密的“信号整形手术”。功率放大器（PA）作为信号发射前的最后一道关口，其固有的非线性特性就像一面哈哈镜，会让原本清晰的信号波形产生畸变，导致频谱泄露和信号质量下降。数字预失真（DPD）技术，正是矫正这面“镜子”的关键算法。它并非一成不变，其核心算法在过去二十年间，经历了一场从经典数学工具到现代人工智能方法的深刻演进。对于通信设备制造商和网络运营商的技术决策者而言，理解这段演进史，不仅仅是回顾技术发展，更是为下一代RRU的硬件选型、算法部署和性能权衡，寻找最坚实的决策依据。今天，我们就深入这场算法变迁的脉络，并聚焦于如何在资源受限的RRU硬件平台上，将这些精妙的数学与AI模型转化为稳定可靠的工程现实。

1. DPD算法演进的三级跳：从数学近似到数据驱动

DPD技术的核心目标始终如一：构建一个与功率放大器非线性特性“相反”的数字函数，对输入信号进行预处理，使得经过PA放大后的输出信号无限逼近理想的线性放大结果。然而，如何描述并逆向这个复杂的非线性函数，不同时代给出了截然不同的答案。

1.1 奠基时代：多项式模型的简洁与局限

在DPD技术的早期，工程师们从经典的数学工具箱中找到了武器——多项式模型，尤其是基于Volterra级数的记忆多项式。其思想直观而优美：将PA这个“黑盒”的非线性输入输出关系，用一个高阶多项式来近似。

# 一个简化的记忆多项式DPD模型示例（无记忆项）
def memory_polynomial_pd(x, coefficients):
    """
    x: 输入信号（复数）
    coefficients: 多项式系数，例如 [a1, a3, a5, ...] 对应奇数阶非线性项
    """
    y = np.zeros_like(x, dtype=complex)
    # 假设只考虑奇数阶非线性项（1, 3, 5阶）
    for k, coeff in enumerate(coefficients):
        order = 2*k + 1  # 奇数阶
        y += coeff * x * np.abs(x) ** (order - 1)
    return y

注意：实际工程中的记忆多项式模型复杂得多，会包含不同时延（记忆深度）的交叉项，以刻画PA的动态非线性特性。

这种方法的优势在于其数学透明和计算高效。系数可以通过最小二乘法等经典算法直接求解，在早期的FPGA或DSP上易于实现。我曾在一个旧款RRU项目中，仅用数百个逻辑单元和乘法器就实现了一个7阶的记忆多项式DPD，成功将ACLR改善了15dB以上。

然而，多项式模型的**“天花板”**也很明显：

• 模型失配：对于具有强记忆效应或复杂非线性轨迹的宽带PA（如GaN PA），多项式模型往往力不从心，需要极高的阶数才能勉强拟合，而这会带来数值不稳定问题。
• 参数冗余：高阶多项式包含大量交叉项，许多项对模型精度的贡献微乎其微，却占用了宝贵的计算资源。

下表对比了多项式模型在不同场景下的典型表现：

场景特征	多项式模型适用性	典型性能提升 (ACLR)	资源消耗评估
窄带信号，记忆效应弱	优秀	>20 dB	极低
中等带宽（<40MHz），记忆效应中等