简介：面向无线通信系统设计者的数字预失真（DPD）MATLAB实现工程，聚焦间接学习算法（ILA）对功率放大器非线性失真的补偿优化，适用于4G/5G链路仿真与预失真器参数迭代研究。压缩包共包含10个文件，以MATLAB脚本为主体，涵盖核心迭代算法、功放模型建立、运行示例与结果绘图，另附说明文档、开源许可协议和效果预览图；其中m脚本功能划分清晰，便于对照学习算法实现细节。资源体量仅45KB，结构精简，适合快速阅读和二次开发。已有1066人学习下载，适合通信专业学生和射频工程师作为DPD入门到进阶的参考实现。通过理解ILC迭代学习过程与功放模型代码，可掌握预失真器参数更新思路，结合示例脚本直接修改参数观察线性化效果，从而加速相关课题验证；README文档也能帮助快速梳理工程结构。
1. 数字预失真 DPD 为什么绕不开间接学习架构
做 5G 功放线性化的同学应该都有这种经历：100 MHz 带宽信号一上去，功放发热，邻道功率比（ACPR）眼看着往下掉，频谱仪上邻道泄漏像小山包一样冒出来。这时候第一个想到的方案就是 DPD（数字预失真），而工程师手里的 DPD 工程往往长成标题这个样子：ILA-DPD，核心是间接学习架构（ILA），模型用记忆多项式，最后再用 ILC（迭代学习控制）做闭环收敛。一句话讲清楚 DPD 在干什么：在功放前面串一个“逆特性”的预失真器，让“预失真器+功放”这个级联系统变成一条尽量平坦的线。
这篇笔记适合两类人：一类是刚接手 PA 线性化项目、手里拿到 ILA-DPD 源码但不知道怎么调通的新手；另一类是已经在用查表法或直接学习架构、想换成 ILA 加 ILC 方案的老手。下文会把 ILA 为什么是工程主流、记忆多项式矩阵怎么建、系数怎么求、ILC 怎么迭代，以及一路上的高频坑讲透，照着做能少走至少一周弯路。
2. 间接学习架构（ILA）与记忆多项式：DPD 辨识的数学骨架
2.1 从 AM-AM、AM-PM 到记忆效应：先搞懂功放在干什么
功放不是理想放大器。输入功率增大时，输出增益会压缩，这叫 AM-AM 失真；同时输入功率变化还会引起输出相位偏移，这叫 AM-PM 失真。这两个特性画成曲线，就是功放静态非线性的全部画像。窄带系统里把这两条曲线做成二维查表就能校掉大半失真，但到了 5G、Wi-Fi 6 这种宽带信号，功放的行为还会依赖“过去的输入”，也就是记忆效应。记忆效应来自电热耦合、偏置网络的阻抗、以及包络频率附近的低频阻抗波动，表现是当前输出不仅和当前输入有关，还和前几个采样点有关。
这正是 DPD 不能只做静态查表的原因。预失真器需要建模逆系统，而逆系统必须带记忆才能抵消功放本身的记忆。所以标题里那个 DPD 工程选用的不是无记忆模型，而是带延迟抽头的记忆多项式模型。理解这点之后，后面所有矩阵代码都会顺理成章。
2.2 记忆多项式模型：把非线性写成线性参数化形式
记忆多项式（Memory Polynomial，MP）是 Volterra 级数的工程截断形式，它保留了对角项，抛开交叉项，公式长这样：
z(n) = sum_{k=1,3,...}^{K} sum_{m=0}^{M} a_{k,m} · x(n-m) · |x(n-m)|^{k-1}
这里的 x(n-m) 是预失真器输入的第 m 个延迟抽头，|x(n-m)|^{k-1} 是包络的幂次项，a_{k,m} 就是待辨识系数。k 通常只取奇数阶，因为偶数阶项产生的频谱分量不落在带内主要失真位置，且容易让矩阵条件数变差。M 是记忆深度，K 是最高非线性阶数。
这个公式的精妙之处在于：虽然整体是非线性函数，但它对系数 a_{k,m} 是线性的。也就是说，一旦把各个延迟和幂次组合算成特征列，求解系数就是一个标准的最小二乘问题。这也是后续所有工程实现的基石——DPD 系数不是用神经网络调出来的，而是解线性方程组解出来的。
2.3 间接学习架构（ILA）：先训练后失真器，再把系数复制给预失真器
直接求功放的逆系统很困难，因为功放是黑匣子，输入输出关系没有闭式逆。ILA 的做法很巧妙：不在输入端求逆，而是在功放输出端训练一个“后失真器”。后失真器的输入是功放输出 y(n)，期望输出是预失真器输入 z(n)。如果我们能找到一个后失真器，让 y(n) 经过它之后还原出 z(n)，那么这个后失真器的系数，直接复制给预失真器，就能让 z(n) 经过功放后还原出期望的线性输出。
数学上，ILA 把预失真系数求解拆成四步：第一步，原始基带信号 u(n) 通过一个单位增益的初始预失真器，得到 z(n)；第二步，z(n) 送功放，采集输出 y(n)；第三步，对 y(n) 做时延对齐和增益归一化，得到 ỹ(n) = y(n-d)/G；第四步，用 ỹ(n) 构建记忆多项式特征矩阵，以 z(n) 为期望，走一次最小二乘，得到 h。然后 h 直接装回预失真器。后续再配合 ILC 做迭代修正。
2.4 ILA 还是 DLA：为什么工程里偏向 ILA
工程里另一条路线是直接学习架构（DLA），它把预失真器系数当成优化变量，用梯度下降让“预失真器+功放”的输出误差最小化。两条路线各有利弊，实际选型我一般看下表：
| 对比项 | ILA 间接学习 | DLA 直接学习 |
|---|---|---|
| 辨识方式 | 一次最小二乘，闭式解 | 迭代梯度，逐步逼近 |
| 是否需要功放模型可微 | 不需要 | 通常需要功放模型或数值梯度 |
| 收敛速度 | 快，毫秒级出系数 | 慢，且依赖步长设置 |
| 在线自适应 | 需要重训练 | 天然适合在线跟踪 |
| 工程调试难度 | 低，参数少 | 高，步长、初值、归一化都敏感 |
ILA 的另一个好处是和记忆多项式模型天然匹配：特征矩阵构建一次，QR 分解一次，系数就出来了，不涉及玄学调参。缺点是它本质是“开环辨识”，功放工作点漂移后效果会退化。所以成熟的工程方案都是 ILA 打底，再用第 4 章的 ILC 做闭环迭代，两件事配合着干。
3. 把 ILA 数字预失真在 MATLAB 里跑通：时延对齐、记忆多项式矩阵与 QR 求解
3.1 数据准备与时延对齐：xcorr 找延迟
在动手构建矩阵之前，第一件事永远是时延对齐。功放输出相对输入有固定延迟，可能是几十个采样点，不齐的话特征矩阵每一行都错位，最小二乘解出来全是噪声。我吃过这个亏：第一次做 DPD 时直接拿原始采集数据建矩阵，NMSE 怎么调都压在 -15 dB 附近，后来才发现是延迟差了 37 个采样点。这段血泪经验让我现在每个工程第一步都是互相关。
用 MATLAB 做对齐非常直接：
% z: 预失真器输出（参考信号），y: 功放采集输出 % 两者长度不一致时先截成相同长度 N = min(length(z), length(y)); z = z(1:N); y = y(1:N); % 互相关找延迟，搜索范围 ±512 [corr, lags] = xcorr(y, z, 512); [~, idx] = max(abs(corr)); delay = lags(idx); % 根据延迟方向裁剪数据 if delay > 0 % y 落后于 z，丢掉 y 的开头 y_aligned = y(delay+1:end); z_ref = z(1:end-delay); else % y 领先于 z，丢掉 z 的开头 z_ref = z(-delay+1:end); y_aligned = y(1:end+delay); end这段代码的逻辑是：xcorr 峰值对应的延迟就是功放输出相对参考信号的偏移量。delay 为正说明 y 落后，裁掉 y 前面的点；delay 为负说明 y 超前，裁掉 z 前面的点。裁剪后两者对齐，长度也一致了。注意这里用的是参考信号 z 而不是原始信号 u，因为 ILA 训练的后失真器期望输出就是 z。
3.2 构建记忆多项式特征矩阵：注意边界补零
对齐之后，核心工作是把记忆多项式写成矩阵形式。每一行对应一个采样点，每一列对应一个“延迟 m + 阶数 k”的组合。这个函数我基本是固定模板复用：
function Phi = mpMatrix(sig, K, M) % sig: 列向量，对齐后的功放输出（增益归一化前） % K: 最高非线性阶数，取奇数，如 5 或 7 % M: 记忆深度，如 2 或 3 N = length(sig); P = ((K+1)/2) * (M+1); % 特征列数 Phi = zeros(N, P); col = 0; for k = 1:2:K for m = 0:M col = col + 1; % 当前延迟抽头的基带项 tmp = sig .* abs(sig).^(k-1); if m == 0 Phi(:, col) = tmp; else % 延迟 m 个采样，前 m 个点没有历史，补零 Phi(m+1:end, col) = tmp(1:end-m); Phi(1:m, col) = 0; end end end end这个函数有两个细节值得注意。第一，阶数循环用 1:2:K，只生成奇数阶特征，避免偶数阶噪声列。第二，延迟抽头的实现不是用 MATLAB 的 circshift 循环移位，而是手动平移后前面补零，因为循环移位会把尾部数据绕到开头，产生不存在的“未来数据”，这是很多移植代码里隐藏的 bug。
3.3 最小二乘求解：左除、增益归一化与正则化
有了特征矩阵，求解系数就是一步矩阵运算。MATLAB 里的反斜杠运算符内部走 QR 分解加置换，数值稳定性比直接求逆好很多：
% 增益归一化：用最小二乘估计线性增益 G G = (z_ref' * y_aligned) / (y_aligned' * y_aligned); y_norm = y_aligned / G; % 构建特征矩阵并求解 Phi = mpMatrix(y_norm, K, M); h = Phi \ z_ref; % 可选：加正则化的版本，特征矩阵病态时用 % lambda = 1e-3; % h = (Phi' * Phi + lambda * eye(size(Phi,2))) \ (Phi' * z_ref); % 验证：重建后失真器输出 z_est = Phi * h; nmse = 10*log10(sum(abs(z_ref - z_est).^2) / sum(abs(z_ref).^2)); fprintf('NMSE = %.2f dB\n', nmse);这里最关键的是增益归一化。功放有线性增益 G，如果不除掉，后失真器的线性项会去拟合这个增益，导致预失真器拿到一组包含增益的系数，部署后整体链路增益不稳。用最小二乘估计 G 的做法是把 y_aligned 当作自变量、z_ref 当作因变量做一次线性回归。做完归一化后，理想情况下 h 的第一个系数（线性无记忆项）应该接近 1。如果训练完发现第一系数是 0.3 或者 3，不用怀疑，归一化或者时延对齐出了问题。
3.4 K、M 和数据长度怎么设：从收敛速度和稳定性两头看
参数选择没有绝对标准，但有一个经过大量工程验证的起步区间：
| 参数 | 建议范围 | 说明 |
|---|---|---|
| 非线性阶数 K | 5 到 7 | K=5 覆盖大部分 3 阶和 5 阶失真；K=7 适合深度压缩的功放 |
| 记忆深度 M | 2 到 3 | 5G 100 MHz 信号 M=2 够用，超宽带再往上加 |
| 训练数据长度 N | 3000 到 10000 采样 | 太短统计不充分，太长矩阵接近病态 |
| 正则化 λ | 1e-4 到 1e-2 | 仅在矩阵条件数大时加，影响不大但能救系数爆炸 |
提示：每次建完矩阵先看一眼 cond(Phi)。条件数超过 1e8 就说明特征列之间有严重相关性，优先降 K 和 M，不要硬着头皮求解。
数据长度这里多说一句：不是越长越好。特征矩阵的行数越多，理论上越接近真实统计，但功放工作点在一段长采集时间里可能已经漂移了，反而把慢变失真也拟合进去。我习惯把采集长度控制在 5000 点左右，然后用第 4 章的 ILC 迭代去补漂移。
4. ILC 迭代修正：从一次辨识到逐次逼近
4.1 为什么一次最小二乘不能一劳永逸
ILA 一次辨识拿到的是“某一时刻、某一温度、某一输入统计下”的最优系数。功放只要发热、供电电压波动、或者信号峰均比变了，效果就退化。而实际系统里不可能每跑一次业务就重新训练一次，所以工程上引入了 ILC（迭代学习控制），思路是用每次闭环回采的残差去修正系数，让预失真器逐步逼近功放当前工作点的逆系统。
ILC 和 ILA 的关系需要说清楚：ILA 是“架构”，决定了用什么信号去辨识；ILC 是“策略”，决定了辨识完一次之后怎么根据残差继续改。很多 ILA-DPD 工程代码里两个都有，就是因为两者配合才能把开环辨识变成准闭环系统。
4.2 ILC 更新公式与收敛判据
ILC 的典型更新公式写起来很简洁：
e(i) = z_ref - Φ · h(i) Δh(i) = (Φ^H · Φ + λI)^{-1} · Φ^H · e(i) h(i+1) = h(i) + μ · Δh(i)
其中 i 是迭代轮次，μ 是学习步长，λ 是正则化项。每一轮迭代都用当前系数算一次期望输出和实测输出之间的残差，再把残差投影到特征空间里，得到系数的修正量。它本质上是在做“残差驱动的批量修正”，和 LMS 这类逐点梯度法不同，ILC 每轮用的是一整段信号，统计更稳。
收敛判据工程上固定看三个数：NMSE（归一化均方误差）一般压到 -30 dB 以下；EVM 按协议要求，5G NR 通常 3.5% 以内；ACPR 看功放指标，常见要求邻道小于 -45 dBc。ILC 迭代有一个典型现象：前两轮 NMSE 掉得很快，后面就平了。如果第三轮还在明显下降，说明初始系数离真实工作点太远，应该回去查时延和增益，而不是继续迭代。
4.3 一个可用的 ILC 迭代循环
下面这段代码把 ILA 训练和 ILC 迭代串在同一个循环里，runPA 在实际项目中替换成硬件回采：
% 初始系数：单位增益预失真器 h = zeros(P, 1); h(1) = 1; % 线性无记忆项为 1 for it = 1:3 % 用当前系数生成预失真输出并送功放 z = mpMatrix(u, K, M) * h; % u: 原始基带信号 y = runPA(z); % 实际工程换成硬件采集 % 时延对齐与增益归一化（复用 3.1 和 3.3 的逻辑） [z_ref, y_aligned] = alignDelay(z, y); G = (z_ref' * y_aligned) / (y_aligned' * y_aligned); y_norm = y_aligned / G; % 构建特征矩阵，计算当前预测和残差 Phi = mpMatrix(y_norm, K, M); z_pred = Phi * h; err = z_ref - z_pred; % ILC 更新 lambda = 1e-3; delta_h = (Phi' * Phi + lambda * eye(P)) \ (Phi' * err); mu = 0.2; h = h + mu * delta_h; % 记录收敛曲线 nmse(it) = 10*log10(sum(abs(err).^2) / sum(abs(z_ref).^2)); end这段代码里 mu 取 0.2 意味着每一步只吸收修正量的 20%，防止一次修过头。ILC 最怕的就是步长太大导致系数来回震荡，尤其在功放轻度非线性的场景，残差本身不大，一次全量修正反而把噪声学进去了。步长取 0.1 到 0.3 之间，迭代三轮以内就能看到 NMSE 进入平台区。
4.4 ILA 与 ILC 配合的工程流程
实际项目中我一般按下面这个顺序走：第一步，用单位增益跑一版 ILA 最小二乘，得到 h0；第二步，把 h0 部署到预失真器，回采一组新数据，算 NMSE 和 ACPR；第三步，NMSE 高于目标值，就跑 ILC 迭代，每轮迭代都重新回采，而不是复用旧数据——复用旧数据的坑在于功放已经随温度和负载变化了；第四步，迭代 NMSE 不再下降时停止，做最终 ACPR 验证。这套流程的好处是所有步骤都能用脚本自动化，不需要每轮都人工调参。
5. DPD 调试验收的高频坑：从 ILA 抓信号没有反应说到系数爆炸
5.1 坑一：ILA 抓信号没有反应——先分清是哪个 ILA
先说一个特别容易把人绕晕的同名坑：标题里的 ILA 是间接学习架构，但很多项目调试时用的 FPGA 集成逻辑分析仪也叫 ILA（Integrated Logic Analyzer）。搜索“ila 抓信号没有反应”的人多半在用 FPGA 抓 DPD 数据总线，抓不到任何波形。现象是触发完成后 ILA 界面一片空白，或者抓到全零数据。
常见原因有三个。第一，触发条件设置太严格，比如把触发信号设成了数据总线的某个极少出现的值，等半个多小时都触发不了。第二，采样时钟没接对，探针信号用的时钟和被测信号不在同一个时钟域，ILA 一直处于等待同步状态。第三，探针信号在综合时被优化掉了，尤其是只连到乘法器内部节点、没有扇出的信号。
解决办法也很直接：触发条件改成数据有效标志的上升沿，或者直接用“无条件触发+大采样深度”，先抓一段数据看看波形长什么样；采样深度设 4096 起，太浅抓不到完整帧；关键信号加综合保护属性，例如 Verilog 里加 (* dont_touch = "true" *) 防止被优化。另外，抓 DPD 训练数据时建议同时抓预失真器输入、输出和功放输出三根总线，时延对不对一眼就能看出来。
提示：FPGA 的 ILA 抓不到信号，九成是触发条件问题，两成是采样时钟问题，不要一上来就怀疑板子坏了。
5.2 坑二：时延没对齐——系数看着收敛，ACPR 纹丝不动
这是 DPD 工程里最隐蔽的坑。现象是训练完 NMSE 很好看，-30 dB 以下，但上机测 ACPR 一点没改善，甚至更差。原因基本是参考信号和功放输出之间的延迟没有真正对准。互相关法在信噪比高的情况下能找到正确延迟，但如果功放输出里带强非线性分量，相关峰可能被谐波压制，找到的延迟偏一个周期或者偏半个符号。
解决方法是交叉验证：用齐次对齐后的数据画一张散点图，横轴是 y/G，纵轴是 z_ref，如果对齐正确，散点应该呈现一条清晰的“S 形”记忆曲线，而不是一团乱麻。另一个工程习惯是对齐之后把延迟值固定下来写进配置文件，不要每次训练都重新估，因为估算的延迟有随机性，导致每次系数都对应不同的相对相位。
5.3 坑三：特征矩阵病态——系数爆炸还是噪声放大
现象是训练完 h 的数量级到了 1e5，或者第一个系数偏离 1 很远。原因通常是记忆多项式阶数配高了：K=9、M=5 在高 PAPR 信号下会生成动态范围极大的特征列，|x|^4、|x|^6 这些项让矩阵列之间的相关性剧增，条件数轻松超过 1e12。最小二乘在这种矩阵上会把噪声当成信号拟合进去。
解决路径是先看 cond(Phi)，然后依次降 M、降 K，再考虑加正则化。如果 K=7、M=3 已经条件数不好，多半是输入信号有直流偏置或者中心频率没搬移到 DC。训练前先把信号频谱搬正，去掉 DC 分量，这比调 λ 更治本。另外检查采集链路的量化噪声，14 bit ADC 和 12 bit ADC 在高阶项上的表现差别非常大。
5.4 坑四：系数拷贝方向搞反——后失真器系数不是无脑照搬
ILA 训练出来的是后失真器系数，部署给预失真器时不能简单把矩阵照搬。后失真器的输入是功放输出 y/G，输出是 z；预失真器的输入是原始信号 u，输出是 z。两者的特征列分别是 |y/G|^{k-1} 和 |u|^{k-1}，虽然模型形式相同，但记忆抽头的方向在物理上是相反的。
工程里常见的错误是部署时把特征矩阵误用成功放输出 y 的矩阵，导致预失真器输出的延迟方向不对，整条链路反而新增失真。解决方法是部署前做一版纯软件验证：用训练好的 h 处理 u，生成 z，然后把 z 送进功放模型或者实测回采，再算一次 NMSE。这个验证跑通了再上板，能挡掉一半以上的“上板翻车”。
5.5 坑五：削峰和带宽扩展配合不好——DPD 不是只管邻道
DPD 有一个工程上必须知道的代价：预失真信号带宽比原始信号宽得多，理论上要预留 3 到 5 倍信号带宽。如果系统里 CFR（峰值对消/削峰）和 DPD 串在一起，削峰门限设得太低，会把 DPD 特意生成的补偿分量削掉，结果邻道好了但 EVM 崩了；反过来 DPD 太激进，功放进入深度压缩区，削峰又拉不回来。
解决思路是把 CFR 和 DPD 当做一个联合参数组来调。先固定 CFR 门限，训练 DPD，看 ACPR 和 EVM 的折中；然后微调 CFR 门限，再重训一版 DPD。注意重新训练是必须的，因为削峰改变了信号统计特性，ILA 特征矩阵和系数都要跟着变。这个坑没有一键解决的参数，但记住“削峰之后必须重训 DPD”能避开大部分问题。
6. 离线回放验证：没有频谱仪也能确认 ILA 是否靠谱
调 DPD 最怕的不是算法不对，而是每次改参数都要上板、接频谱仪、调衰减器，一轮下来半小时没了。我现在习惯先做离线回放验证：把功放输出采集一段存成 MAT 文件，然后在电脑上反复跑“辨识→部署→回放”三个步骤，用同一段输入信号验证系数是否稳定。
具体做法是固定一段原始信号 u，第一轮用单位增益初始系数生成 z1，把 z1 送功放得到 y1（这里用实际采集的功放数据文件替代）；离线 ILA 训练得到 h1；第二轮用 h1 生成 z2，如果功放数据文件里有对应 y2 就继续，没有就用功放模型代替；每轮算 NMSE 和相邻两轮系数差的变化率。系数差变化率掉到 1% 以下，说明辨识已经收敛，可以放心上板。
% 离线回放：检查相邻两轮系数变化率 h_prev = h; % 上一轮系数 delta = norm(h - h_prev) / norm(h_prev); fprintf('迭代轮次 %d, 系数变化率 %.4f\n', it, delta); % 判断收敛：连续两轮变化率都小于 0.01 if delta < 0.01 && delta_prev < 0.01 disp('系数稳定，可以上板'); end这个技巧帮我省过很多次白跑的实验室冤枉路。上板之后如果 ACPR 还是有问题，再用第 3 章的时延和第 5 章的坑去排查，方向明确得多。我现在每调一个新功放，流程永远是：离线对齐数据、ILA 一次辨识、ILC 迭代三轮、离线确认系数稳定、最后才上板实测。这套习惯把“调 DPD 靠玄学”变成了“调 DPD 靠数据”。希望这些参数和坑位能帮你在 ILA-DPD 项目上少走弯路。
本文还有配套的精品资源，点击获取
