数字预失真（DPD）：功放非线性，DSP 怎么把它“掰直”

射频功放有个天然矛盾：效率最高的区域恰恰是非线性最严重的区域。基站功放为了省电必须工作在接近饱和区，可一旦进入非线性，信号星座点就散了，邻道泄漏（ACLR）超标。数字预失真（DPD）就是用 DSP 在数字域提前"反向扭曲"信号，让功放的非线性恰好把它扭回来。

一、为什么非线性这么要命

现代通信用的是高峰均比（PAPR）信号，比如 OFDM，峰值功率比平均值高出一大截。功放的 AM-AM（幅度压缩）和 AM-PM（相位偏移）特性会把峰值削掉，结果是带内失真（EVM 恶化）和带外泄漏（ACLR 超标）。回退功率能解决问题，但效率直线下降——基站电费和散热都扛不住。

二、DPD 的核心思想：以毒攻毒

DPD 在基带对信号做一个与功放特性相反的非线性变换：功放会压缩峰值，DPD 就提前把峰值抬高；功放会引入相位偏移，DPD 就提前反向旋转相位。两者级联之后，整体呈现线性。这是一个典型的"用算力换效率"的 trade-off：DSP 多做一点运算，功放就能少回退几个 dB。

三、记忆效应：功放不是无记忆的

宽带信号下，功放的非线性还带有记忆效应——当前输出不仅取决于当前输入，还和过去的输入有关（热效应、电源调制、陷阱效应）。无记忆多项式模型在窄带够用，宽带场景要用带记忆的模型，比如记忆多项式或 Volterra 级数截断。工程经验：带宽越宽，记忆深度要求越高，模型阶数和系数数量也跟着涨，DSP 资源开销要提前评估。

四、实战要点：系数怎么来

DPD 系数靠自适应算法在线学习：耦合一路功放输出反馈回 DSP，比较反馈信号和期望信号的误差，用 LMS/RLS 类算法迭代更新系数。实战坑点：1）反馈链路本身的非线性和延迟要校准，否则学偏；2）功放特性随温度、老化漂移，系数要持续跟踪，不能一次学习管终身；3） crest factor reduction（CFR，削峰）一般和 DPD 搭配使用，先把 PAPR 降下来，DPD 的压力小很多。

五、DSP 选型的视角

DPD 是典型的"算力密集+实时性强"负载：采样率随信号带宽走，5G 大带宽下 DPD 的处理速率可达数百 MSPS 量级，需要 DSP 有足够的 MAC 吞吐和低延迟数据通路。做方案选型时，先算清模型阶数×记忆深度带来的每秒乘加次数，再看功耗和成本。

结论：DPD 是用数字算力换射频效率的经典案例。理解了"预失真+记忆效应+自适应学习"这三层，再看任何 DPD 方案的框图都不会迷路。

DPD 的核心其实是「建模 + 求逆」：先用记忆多项式或其他模型拟合功放的非线性特性，再构造一个逆模型放在前面预失真，让整体接近线性。实操几个点：1）反馈链路的同步非常重要，采样对齐差一点，建模就完全失效，这是我们调试时最花时间的地方；2）建模带宽要比信号带宽宽 3~5 倍，否则无法捕捉带外互调；3）自适应更新速率别设太快，功放特性变化是慢过程，更新太快反而引入不稳定。做宽带系统时，DPD 的算力开销不小，DSP 选型要提前算进去。