常用的線性化技術有反饋法、預失真法、前饋法、笛卡爾環、非線性部件實現線性化（LINC）等。預失真法是最常用的，其工作函數預失真器有2個顯著的特點：線性修正是在功率放大器之前，其插入損耗小；修正算法帶寬限制小。數字預失真技術［1］復雜度高能提供較好的IMD壓縮，但由于DSP運算速度使其帶寬小。笛卡爾［2］反饋復雜度想對低，能提供合理的IMD壓縮，但存在穩定性問題且帶寬限制在幾百kHz。LINC法將輸入信號變成2個恒包絡信號，由2個C類放大器放大，然后合成，但對元件的漂移敏感。前饋技術為另一類線性化技術，他提供了閉環系統的線性化精度，開環系統的穩定性及帶寬。目前僅有前饋技術才能滿足現代多載波通信基站功率放大器的性能指標。

前饋技術起源于“反饋”，應該說他是一種老技術，除了校準（反饋）是加于輸出之外，概念上是“反饋”，不過是不同的執行方法。前饋克服了延遲帶來的影響。他提供了反饋的優點，但沒有不穩定和帶寬受限的缺點。放大器的輸出應用了反饋校準。由于在輸出校準，功率電平大，校準信號需達到較高的功率電平，這就需要額外的輔助放大器，而且要求這個輔

助放大器本身的失真特性應處在前饋環系統指標的上限。系統內不同元件的增益、相位跟蹤準確度也必須保證，而且要穩定。在這個頻率范圍內，溫度和時間的校準精度完全依賴系統內各元件的精度。盡管存在這些問題，前饋技術仍然是最熱門的，因為他是惟一能滿足寬帶、多載波系統功率放大器的線性化指標的有生命力的技術。商品前饋環指標表明：單一的前饋環可降低多重環的多載波系統比開環降低50dB。本文討論自適應前饋線性化技術的原理、實現方法及其仿真結果。

2 自適應前饋法線性化原理

圖1所示是基本的前饋環框圖。未失真的抽樣信號經延遲后與主放大器放大的信號經過適當的衰減耦合后在0°～180°合成器中比較。如果主放大器無增益和相位失真，合成器產生零輸出。若主放大器有任何增益和相位失真、壓縮或AM-PM效應，合成器輸出端就會有小的RF誤差信號，輸入到誤差放大器放大到輸出抽樣信號的電平，主信號經延遲并補償誤差放大器的延遲后與誤差放大器的輸出合成校準后輸出。必須強調，相位與振幅的校準——加或減，全都在RF下進行，而不是在視頻或基帶進行。即校準在最終帶寬內進行。最終帶寬由系統各種元件的相位、振幅的跟蹤特性決定。

這種系統的工作原理很好理解，定量分析則要深入討論，主要包括主功率放大器和誤差功率放大器功率容量的分析，誤差放大器的非線性貢獻；不完善的增益、相位跟蹤特性的影響等。最簡明的辦法是首先分析主放大器存在增益壓縮和AM-PM轉換失真時連續波掃描時環路的靜態特性。所謂“靜態”，定義為在可變包絡激勵下，系統的失真特性。

3自適應前饋控制方法

近年來，出現了一些自適應性前饋系統的專利，這些自適應前饋技術主要分為2類：有無控制信號的自適應方法，即基于功率最小化的自適應技術［3］和基于梯度信號的自適應性技術［4］。前者的控制方案是：在信號抵消電路部分，通過調整復向量調制器來最小化參考信號所在頻帶內的誤差信號的功率，在誤差抵消電路部分，選擇只包含失真部分的頻帶。一旦取得最優參數，需要加入預先準備的擾動來更新系數，這些擾動減少IMD壓縮。采用梯度信號的自適應性方法是連續計算三維功率表面的梯度。信號抵消電路中功率表面是誤差信號的功率，當參考信號完全被壓縮，只剩下失真時，功率最小。誤差抵消電路中功率表面是線性器的輸出功率，當失真在功率放大器輸出信號中完全被壓縮時，功率達到最小。梯度連續被計算，所以不需要預先準備的擾動。常用的自適應控制器有復數增益控制器、最小功率控制器。

典型的復數增益調節器主要有2種類型：極坐標和直角坐標形式。前者由衰減器和移相器組成。后者由功分器、合成器、移相器和混頻器組成，其中混頻器可以用雙相壓控衰減（VCA）代替。向量調制的2條支路是相位積分，且VCA能夠雙相位工作，這樣保證了向量調制能在［0，360］內均獲得相移。衰減器設置到一個歸一化的值，在此處電壓的梯度最大，這樣來保證快速自適應，但必須保證沒有任何附加的非線性引入。

最小功率控制器，這種自適應性控制器是“最小功率”原理運用到前饋線性化技術中的典型代表。圖2是最小功率控制器的框圖。通過調整控制電壓“I”和“Q”來最小化端口“P”的功率，端口P是信號抵消電路中誤差信號的抽樣。這種方法的缺點是在快到達最小值時，收斂慢且對測量噪聲敏感。而功率測量不可避免的存在噪聲，為了減少測量的變化，在每一步需要停留足夠的時間。功率最小化原理也運用到誤差抵消電路中，然而，端口P的輸出信號既有放大信號也有殘留的失真。因這些失真信號的幅度比放大信號小幾階，故最小化算法在每一步需要停留較長的時間。有2種方法用來減輕這個問題。一種方法是采用可調接收器來選擇只包含失真的頻帶，且采用控制器來最小化這個頻帶。另一種方法是輸出減去輸入端的相位和增益的復制品，理想上就只剩下失真，這些失真反饋到端口P用于最小化算法。