用于建模和识别无源互调无限记忆状态空间方法

《AEU - International Journal of Electronics and Communications》：State space method for modeling and identifying infinite memory of passive inter-modulation

被动互调（PIM）干扰的级联模型设计与参数估计方法研究，提出基于记忆线性滤波器的级联模型分解无限记忆和非线性特性，通过状态空间重构实现参数与状态的同步估计，实验验证接收通道PIM抑制性能超过24dB并优于现有技术。

　　

刘长安|严志斌

哈尔滨工业大学（深圳）理学院，中国广东省深圳市南山区西丽大学城，518055

摘要

在被动互调（PIM）干扰问题中，同时处理非线性和无限记忆效应既困难又必要。为此，本文提出了一种级联模型来消除同时发送-接收系统中的PIM失真。该模型由一个具有记忆功能的线性模块、一个无记忆的非线性模块以及另一个具有记忆功能的线性模块组成。系统建模的一个关键点是，第一个具有记忆功能的线性模块是一个具有有限参数的线性递归滤波器，它能够有效模拟无限记忆。由于非线性模块被级联在第一个模块之后，因此在第一个模块的输出端口没有实际测量数据可以直接用于通过常规识别方法估计其参数。这是处理非线性和无限记忆问题的系统识别方面的主要难题。为了解决这个问题，本文引入了状态空间的概念来重新构建模型，从而实现了同时估计状态和参数的方法。第二个模块是非线性基函数的线性组合，第三个模块是一个普通的FIR滤波器。在测试实验中，从无线通信中的同时发送-接收系统中选取了PIM失真数据，并用其来测试消除性能。所提出的方法在接收通道中将PIM失真抑制了24 dB以上，超越了当前无线通信实践中的技术水平。

章节摘录

引言与问题重构

被动互调是指含有两个或多个传输频率的传输信号在通过无源设备时会产生新的频率信号的现象；见图1。PIM干扰几乎存在于所有同时发送和接收（STAR）设备中。随着STAR设备在无线传感器、通信、雷达和导航系统中的广泛应用，这一问题变得越来越严重[1]、[2]、[3]、[4]。在无线通信系统中，

建模无限记忆和非线性

首先，我们使用一个数学定理来证明将PIM生成过程分解为级联线性模块和无记忆非线性模块的合理性。其次，对实际射频系统中无源设备的输入-输出关系进行AM/AM数据分析表明，无限记忆模型将表现得更好。最后，我们描述了一个三层级联模型，该模型使用线性递归滤波器作为第一个模块来近似无限记忆的PIM。

梯度计算分析

接下来我们指出，基于梯度的自适应参数估计算法会遇到一些困难，因为线性递归滤波器后面级联了一个非线性模块。

回忆（2）。如果目标是在单次迭代中最小化拟合损失$J\left(n\right)$，而不是理想的拟合损失$n$，那么更新过程就变成了用于估计参数的随机逼近算法，也称为最小均方（LMS）算法

测试实验

在本节中，我们通过与其他模型进行比较来评估我们提出的无限记忆模型在抑制PIM干扰方面的性能。数字干扰消除技术采用了图9中所示的自适应级联模型。如图10所示，射频测量装置包括一个特制的带状天线，其中心安装了一个二极管，该二极管在实验中作为PIM干扰源。实验数据是在实验室环境中收集的，所有测量

结论与未来方向

本文提出了一种用于消除PIM干扰的具有无限记忆的级联模型，并结合状态空间方法来减轻参数更新的计算负担。通过AM/AM图的数据分析和射频系统无源组件的机制分析，强调了无限记忆的重要性。将无限记忆和非线性融入级联模型的方法通过一个数学定理得到了证明，其中线性递归滤波器能够捕获

CRediT作者贡献声明

刘长安：撰写——原始草稿、验证、方法论、概念化。严志斌：撰写——审稿与编辑、监督、资源获取、方法论、资金筹集、概念化。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：严志斌的报告由华为技术有限公司提供。如果还有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。