BR102016011772A2 - Transceiver device and sign processing method - Google Patents

Description

Relatório Descritivo da Patente de Invenção para "DISPOSITIVO TRANSCEPTOR E MÉTODO DE PROCESSAMENTO DE SINAIS".

Campo Técnico [001] Várias modalidades referem-se geralmente a um dispositivo transceptor e um método de processamento de sinais.

Antecedentes [002] Muitos dispositivos sem fios convencionais executam quer a transmissão quer a recepção sem fios e, portanto, contêm componentes quer transmissores quer receptores (ou seja, transceptores). Modelos de transceptores podem incluir esses componentes transmissores e receptores dispostos em estreita proximidade uns dos outros, e muitas vezes pode existir um nível de acoplamento indireto ou compartilhado entre os componentes. Como resultado, a maioria dos modelos de transceptores pode ser suscetível a fugas entre cadeias de transmissores e receptores.

[003] A fuga pode ser especialmente prevalente em sistemas de antenas individuais ou compartilhados, onde as cadeias de transmissores e receptores podem ambas ser acopladas a circuitos de duple-xagem. Por conseguinte, a fuga desde a cadeia de transmissores para a cadeia de receptores pode resultar em auto-interferências, em que um sinal destinado a transmissão é imposto a um sinal recebido.

[004] Como o sinal transmitido é conhecido em o receptor, pode ser possível modelar o caminho entre as cadeias de transmissores e receptores, a fim de cancelar o sinal de fuga a partir de o sinal no receptor.

Breve descrição dos Desenhos [005] Nos desenhos, caracteres de referência semelhantes se referem geralmente às mesmas partes ao longo das diferentes vistas. Os desenhos não estão necessariamente à escala, em vez disso a ên- fase geralmente está colocada na ilustração dos princípios da invenção. Na descrição seguinte, várias modalidades da invenção são descritas com referência aos seguintes desenhos, nos quais: [006] A figura 1 mostra um diagrama de blocos correspondente a um dispositivo móvel;

[007] a figura 2 mostra um diagrama de fluxo ilustrando um processo de otimização seletiva;

[008] a figura 3 mostra um diagrama de blocos ilustrando os componentes internos de um terminal de comunicação; e [009] a figura 4 mostra um diagrama de fluxo ilustrando um método de processamento de sinais.

Descrição [0010] A descrição detalhada que se segue se refere aos desenhos anexos que mostram, a título de ilustração, os detalhes e modalidades específicos em que a invenção pode ser praticada.

[0011] A palavra "exemplar" é aqui utilizada para significar "servindo como um exemplo, caso ou ilustração". Qualquer modalidade ou modelo aqui descrito como "exemplar" não é necessariamente para ser interpretado como preferido ou vantajoso sobre outras modalidades ou modelos.

[0012] As palavras "plural" e "vários" na descrição e nas reivindicações, se existirem, são utilizadas para se referir expressamente a uma quantidade maior do que um. Por conseguinte, todas as frases invocando explicitamente as palavras acima mencionadas (por exemplo, "uma pluralidade de [objetos]", "vários [objetos]") se referindo a uma quantidade de objetos pretende expressamente se referir a mais do que um desses objetos. Os termos "grupo", "conjunto", "coleção", "série", "sequência", "agrupamento", "seleção", etc., e semelhantes na descrição e nas reivindicações, se existirem, são utilizados para se referir a uma quantidade igual a ou maior do que um, isto é, um ou mais.

Assim, as frases "um grupo de [objetos]", "um conjunto de [objetos]", "uma coleção de [objetos]", "uma série de [objetos]", "uma sequência de [objetos]", "um agrupamento de [objetos]", "uma seleção de [objetos]", "[objeto] grupo", "[objeto] conjunto", "[objeto] de recolha", "[objeto] da série", "sequência [objeto]", "[objeto] agrupar", "[objeto] seleção", etc., aqui utilizadas em relação a uma quantidade de objetos pretende se referir a uma quantidade de um ou mais desses objetos. É apreciado que, a menos que diretamente referido com uma quantidade explicitamente plural (por exemplo, "dois [objetos]" "três dos [objetos]", "dez ou mais [objetos]", "pelo menos quatro [objetos]", etc.) ou a utilização expressa das palavras "plural", "vários", ou frases semelhantes, as referências a quantidades de objetos pretendem se referir a um ou mais desses objetos.

[0013] É apreciado que qualquer notação de vetor e/ou matriz aqui utilizada seja exemplar na natureza e seja utilizada apenas para fins de explicação. Por conseguinte, se entende que as abordagens descritas nessa divulgação não são limitadas a serem executadas unicamente utilizando vetores e/ou matrizes, e que os processos e cálculos associados podem ser equivalentemente realizados com respeito a conjuntos, sequências, grupos, etc., de dados, observações, informação, sinais, etc.

[0014] Além disso, é apreciado que referências a um "vetor" pode se referir a um vetor de qualquer tamanho ou orientação, isto é, incluindo um vetor de 1x1 (por exemplo, um escalar), um vetor de 1 xM (por exemplo, um vetor de linha) e um vetor de Mx 1 (por exemplo, um vetor de coluna). Similarmente, é apreciado que referências a uma "matriz" pode se referir a matriz de qualquer tamanho ou orientação, isto é, incluindo uma matriz de 1x1 (por exemplo, um escalar), uma matriz de 1 xM (por exemplo, um vetor de linha) e uma matriz de Mx 1 ( por exemplo, um vetor de coluna).

[0015] Tal como aqui utilizado, um "circuito" pode ser entendido como qualquer tipo de uma entidade lógica de aplicação, que pode ser um circuito de finalidade especial ou um processador de execução de software armazenado em uma memória, firmware, ou qualquer combinação dos mesmos. Além disso, um "circuito" pode ser um circuito de lógica fixa ou um circuito de lógica programável tal como um processador programável, por exemplo, um microprocessador (por exemplo, um processador Complex Instruction Set Computer (CISC) ou um processador Reduced Instruction Set Computer (RISC)). Um "circuito" pode também ser um processador de execução de software, por exemplo, qualquer tipo de programa informático, por exemplo, um programa informático utilizando um código de máquina virtual, como por exemplo Java. Qualquer outro tipo de execução das respectivas funções, que serão descritas em mais detalhe abaixo, pode também ser entendido como um "circuito". Também pode ser entendido que quaisquer dois (ou mais) dos circuitos descritos podem ser combinados em um circuito.

[0016] O termo "estação base" utilizado em referência a um ponto de acesso de uma rede de comunicações móvel pode ser entendido como uma estação base macro, estação base micro, Node B, evolved NodeB (eNB), Home eNodeB, Remote Radio Head (RRHs), ponto de coordenação, etc.

[0017] Tal como aqui utilizado, uma "célula" no contexto de telecomunicações pode ser entendida como um setor servido por uma estação base. Assim, uma célula pode ser um conjunto de antenas geograficamente colocalizadas que correspondem a uma setorização particular de uma estação base. Uma estação base pode, assim, servir uma ou mais "células" (ou setores), em que cada célula é caracterizada por um diferente canal de comunicação.

[0018] A figura 1 mostra um diagrama de blocos ilustrando os componentes internos de um dispositivo móvel 100. O dispositivo móvel 100 pode ser, por exemplo, um dispositivo terminal móvel configurado para realizar comunicações sem fios através de uma rede de acesso de rádio. Por exemplo, dispositivo móvel 100 pode ser configurado para funcionar de acordo com uma rede sem fios 3rd Generation Partnership Project (3GPP), tal como por exemplo, uma rede de Global System for Mobile Communications (GSM), rede Universal Mobile Telecommunications System (UMTS) ou rede Long Term Evolution (LTE). O dispositivo móvel 100 pode ser ainda configurado para funcionar de acordo com um número de outras tecnologias de acesso rádio, e é, portanto, apreciado que a divulgação aqui descrita possa ser aplicada a qualquer número de diferentes tecnologias de acesso rádio.

[0019] O dispositivo móvel 100 pode incluir antena 102, duplexa-dor 104, cadeia de receptor (RX) 106, cadeia de transmissor (TX) 108, lógica de modelagem 110, lógica de cancelamento 112 e lógica de estimativa de parâmetro 114. Como mostrado na figura 1, a antena 102 pode ser compartilhada entre cadeia de RX 106 e cadeia de TX 108, a fim de executar tanto a recepção como a transmissão sem fios. Embora a antena 102 esteja ilustrada como uma única antena, é apreciado que a antena 102 possa ser similarmente executada como uma gama de antenas incluindo uma pluralidade de antenas.

[0020] Os componentes e circuito lógico acima mencionados do dispositivo móvel 100 podem ser executados como componentes de hardware independentes ou circuitos separados, por exemplo, como circuitos integrados separados, tal como ilustrado na figura 1. No entanto, é entendido que alguns ou todos os circuitos podem ser executados por um processador programável comum, tal como, por exemplo, um microprocessador. Por conseguinte, algumas ou todas as funcionalidades de um ou mais dos componentes acima mencionados podem ser consolidadas em um único componente de hardware. É também entendido que o dispositivo móvel 100 pode incluir um número de componentes adicionais, incluindo hardware, processadores, memória e outro hardware/processadores/circuitos, etc. especializados ou genéricos, a fim de apoiar uma variedade de funcionamentos adicionais de comunicações de rádio sem fios. O dispositivo móvel 100 pode adicionalmente incluir hardware primordial, tal como um ou mais processadores dedicados à execução e/ou suporte de aplicações de comunicações móveis. O dispositivo móvel 100 também pode incluir uma variedade de dispositivos de entrada/saída do usuário, como monitores, teclados, tela tátil, alto-falantes, botões externos, etc.

[0021] O duplexador 104 pode ser utilizado a fim de facilitar tanto a recepção sem fios por cadeia RX 106 como a transmissão sem fios por cadeia TX 108 utilizando a antena 102. Por exemplo, a antena 102 pode receber sem fios um ou mais sinais de downlink e fornecer um sinal de downlink resultante ao duplexador 104. O duplexador 104 pode fornecer o sinal de downlink à cadeia RX 106. A cadeia RX 106 pode processar o sinal de downlink, por exemplo, com um amplificador de baixo ruído (LNA), controlador de ganho automático (AGC) e conversor redutor/conversor analógico-digital (ADC), com a saída do sinal resultante ><W.

[0022] A cadeia TX 108 pode fornecer um sinal de uplink ao duplexador 104, que pode, então, fornecer o sinal de uplink à antena 102 para a transmissão sem fios. Por exemplo, a cadeia TX pode receber o sinal X(t) destinado à transmissão de uplink e executar o processamento de transmissão e amplificação respectivo, tal como acontece com o circuito de processamento e um amplificador de potência. A cadeia TX 108 pode, então, fornecer o sinal resultante ao duplexador 104 para a transmissão sem fios subsequente pela antena 102. É apreciado que xtà pode ser, por exemplo, um valor singular ou um agrupamento de uma pluralidade de valores singulares, como por exemplo, um símbolo de transmissão representando uma pluralidade de bits binários.

[0023] Por conseguinte, tanto a cadeia RX 106 como a cadeia TX 108 pode compartilhar uma conexão comum ao duplexador 104, a fim de receber sinais de downlink e transmitir sinais de uplink, respectivamente. Devido ao isolamento imperfeito, o sinal de uplink fornecido pela cadeia TX 108 pode fugir para a cadeia RX 106, assim potencialmente, corrompendo o sinal recebido produzido pela cadeia RX 106. Como mostrado na figura 1, a cadeia de RX 106 pode fazer sair o sinal y®, onde y(t) = yjt)+ ym(t), 34® é o sinal de fuga correspondente a x(t\ e JdiíO é recebido o sinal de downlink correspondente ao receptor de sinal de downlink pela antena 102. É apreciado que caminhos de fuga adicionais entre a cadeia TX 108 e a cadeia RX 106 possam existir.

[0024] yft) como saída da cadeia RX 106 pode, por conseguinte, conter dois distintos componentes em y^® e, y® onde corresponde ao sinal de downlink recebido contendo informação desejada e 3® correspondendo à fuga de sinal da cadeia TX 108. pode assim ser corrompida pela presença de y®.

[0025] A presença de fuga 34®, também conhecida como "auto-interferência", podem causar degradação significativa do desempenho no lado do receptor. É apreciado que a fuga tal como 34® possa ser capaz de causar essa autointerferência, mesmo em sistemas de du-plexação de frequência que utilizam bandas de frequência separadas de transmissão e recepção ou sistemas de duplexação de tempo que transmitem e recebem durante períodos de tempo diferentes. O problema de autointerferência subjacente similarmente não é resolvido pelo uso de antenas dedicadas (ou seja, não compartilhadas), pois a fuga ainda pode ocorrer através de uma variedade de caminhos de acoplamento indireto entre a cadeia RX e TX.

[0026] A auto-interferência causada pela fuqa da cadeia TX pode ser abordada pela estimativa de fuga do sinal produzido pela cadeia RX (ou seja, ύΑΟ em yíO) e cancelando a fuga estimada. Como o sinal da fonte de fuga x(t) é conhecido no dispositivo móvel 100, pode, assim, ser possível modelar o caminho desde a cadeia TX 108 para a cadeia RX 106, a fim de estimar a tf) desde *&), obtendo-se assim a estimativa de fuga Âtf). Pode ser utilizado um modelo linear parame-trizado para modelar a relação entre x(tí e a tf). Com base na saída do modelo, o sinal de fuga Atf) pode ser cancelado fora do sinal da cadeia RX >'ft) através da utilização da estimativa de fuga 9At).

[0027] Como mostrado na figura 1, o sinal de entrada da cadeia TX xít) pode ser fornecido à lógica de modelagem 110. A lógica de modelagem 110 pode fazer sair a estimativa de fuga Âtf) para a lógica de cancelamento 112, o que pode, então, cancelar a fuga do sinal de entrada y(t) da cadeia RX com base na estimativa de fuga fornecida fiít). A lógica de modelagem 110 pode determinar a estimativa de fuga ffffi através da utilização de um vetor de parâmetros w para modelar a relação entre o sinal de entrada X(t) e o sinal de fuga Atf). A lógica de estimativa de parâmetros 114 pode atualizar continuamente os parâmetros do modelo do vetor de parâmetros w da lógica de modelagem 110, a fim de fornecer a caracterização do modelo precisa em tempo real, permitindo assim ao dispositivo móvel 100 obter uma estimativa precisa 5½ tf) do sinal de fuga Atf).

[0028] A lógica de modelagem 110 pode modelar a relação entre x(t) e yl(t) para produzir estimativa de fuga Âtf) utilizando o vetor de parâmetros w do seguinte modo: f1(t) = ir#(xct)) m, [0029] onde W é a transposição de w e é uma função das amostras de entrada atuais e anteriores contidas no vetor do sinal de entrada da cadeia RX Mt)= {Mú, Xit- l), ...i{f-ro)} com TB sendo o comprimento de memória do modelo. Tal como anteriormente detalhado, JTGt) pode representar um valor singular ou pode ser um agrupamento de uma pluralidade de valores singulares, tais como um símbolo de transmissão.

[0030] A função Φ pode ser uma função de "kernelização" ou "mapeamento", e pode ser utilizada a fim de compensar a relação não linear entre y±(0 e os sinais de entrada da cadeia TX x<th Esta não linearidade pode ser introduzida no caminho de fuga desde a cadeia TX 108 para a cadeia RX 108 devido a qualquer um de um número de fontes, tais como diferentes bandas de frequência de transmissão e recepção, componentes não lineares, como amplificadores de potência, e um número de componentes adicionais, tais como filtros e atrasos. Como resultado, o sinal de fuga pode ser uma função não linear dos sinais de entrada da cadeia TX atuais e passados x(t) = (xitiMt -1),.... xit - rB)).

[0031] A função de kernelização pode, assim, ser utilizada para converter sinais de entrada originais x(t\x(t-il.x(t-T0) (isto é, não mapeados) no espaço linear correspondente ao sinal de fuga yi(0. Um modelo linear parametrizado com base na estimativa de vetor de parâmetros w pode então ser utilizado para estimar estimativa de fugas a partir de x(t) com base na Equação 1.

[0032] Por conseguinte, uma solução para o problema de cancelamento de autointerferência pode ser fornecida através de estimativa de parâmetro linear do vetor de parâmetros w . A manutenção de um vetor de parâmetros w , que caracteriza exatamente a relação entre os sinais de entrada da cadeia TX x(0 e o sinal de fuga 3¼¢), proporcionando assim um meio eficaz para estimar a estimativa de fuga ftíO. Como a relação entre X'(0 e yt&) é complexa, o vetor de parâmetros w pode conter centenas de parâmetros, w deve ser constantemente atualizado com base em observação de sinais de entrada da cadeia TX -XCtl e os sinais de entrada da cadeia RX nt), a fim de manter um modelo suficientemente abrangente.

[0033] Os métodos clássicos, tais como o linear mean square (LMS) e o recursive linear square (RLS) podem ser utilizados de modo a estimar o vetor de parâmetros w após a conversão de para o domínio linear de y*(t) com a função de kernelização #tx(f)). No entanto, estes métodos clássicos podem sofrer de uma variedade de preocupações com referência a requisitos de velocidade de convergência, complexidade e consumo de energia desses métodos clássicos. O LMS oferece uma aplicação simples (ou seja, de relativamente baixa complexidade), mas sofre de velocidades de convergência lentas. Em contraste, o RLS fornece velocidades de convergência rápidas mas se revela demasiado complexo para muitas aplicações em tempo real.

[0034] Várias simplificações têm sido oferecidas para abordagens de RLS, a fim de reduzir a complexidade para níveis práticos. No entanto, essas simplificações enfrentam várias desvantagens em cenários dinâmicos, como o cenário proposto de cancelamento da autoin-terferência. Métodos oferecendo grandes reduções em complexidade muitas vezes se revelam demasiado simples para evitar picos na estimativa e/ou cancelamento, enquanto os métodos mais abrangentes sofrem de excesso de complicação e exigem definição de parametri-zação offline precisa.

[0035] Por exemplo, a descida de coordenadas (CD) oferece uma redução drástica na complexidade em relação aos métodos clássicos anteriormente mencionados. Em oposição a atualizar todos os parâmetros em w , os algoritmos CD atualizam apenas um único parâmetro. Embora essa abordagem forneça uma diminuição previsível em termos de complexidade, a velocidade de convergência pode ser ina-ceitavelmente lenta.

[0036] Outra simplificação proposta às abordagens clássicas é o gradiente conjugado (CG), onde cada atualização de parâmetros w § baseada em uma função de custo quadrático e desce ao longo de uma direção ótima com o passo-tamanho ideal determinado com base no pressuposto de um sistema linear. Devido à direcionalidade de atualização otimizada, o CG pode oferecer rápida convergência em uma variedade de aplicações. No entanto, em muitos casos a complexidade global será semelhante ao RLS.

[0037] Em conformidade, a recepção de sinais sem fios pelo dispositivo móvel 100 pode ser melhorada através da aplicação de um esquema de atualização de parâmetro para vetor de parâmetros w para utilização em estimativa de sinal de fuga y-i(t) que oferece alta precisão, velocidade de convergência relativamente rápida e menor complexidade.

[0038] Atualizações de w podem ser necessárias dada cada nova observação de sinais de entrada da cadeia TX xtà e sinais de entrada da cadeia RX Y(t). Tal como pormenorizado anteriormente, a relação modelando a fuga yiCO estimada do sinal de entrada da cadeia TX pode ser indicada como ÃCt) = MT#(X(t)) (Ver Equação 1), onde #Qfíf)) é um vetor Nx 1 mapeando sinais de entrada da cadeia TX Mó := (x(t\x(t -1),.x(t-r„)) atuais e passados para o domínio linear de Cada elemento de * pode ser uma função não linear de um ou mais sinais de entrada da cadeia TX x<t) passados. Cada nova observação de Mt) (ou seja, cada subsequente sinal de entrada da cadeia TX transmitido) pode, portanto, exigir uma atualização de vetor Φίχ(ί)), pois um ou mais elementos de ΦΟιίά) pode depender do sinal da cadeia TX x(t) mais recentemente transmitido.

[0039] Para maior clareza, »(0 pode ser utilizado para indicar Φ<Χ(£)). Em um dado momento f, a Equação 1 pode ser expressa como se segue: [0040] Isto pode ser escrito em forma compacta utilizando as matrizes otú e Y± (t) como se segue: (2), [0041] onde o(ô := (u(t),...,u(i)) e = Cyi(t),..

[0042] O vetor de parâmetros w que atinge o minimum mean square error (MMSE) é geralmente a solução ideal. Pode ser demonstrado que o vetor w alcançando o MMSE é, adicionalmente, a solução para a Equação (3) como se segue: (3).

[0043] pode, então, ser definido como [0044] Mt) = oitíoitY = uithiCtY + uCt — i)uít — i)' + ■·■ + u(i)u(iy que é a matriz de covariância empírica dos vetores de sinal de entrada de kernelização (φίΧΟε)), fe = 1,2,-1) onde o vetor Mtí = (Kdcixit- r.)). Similarmente, pode ser definido como Pü) = que é a correlação entre os vetores de sinal de entrada de kernelização e o vetor de observação .

[0045] A Equação (3) pode então ser reescrita utilizando *Ct) e p(.t); C4).

[0046] Em conformidade, a Equação (4) pode ser resolvida por w , a fim de se obter um vetor de parâmetros w que, exatamente, modela a relação entre Φ(ΜΦ e yiít), fornecendo assim um modelo para estimar a fuga fi(t), a fim de cancelar eficazmente a fuga do sinal de entrada da cadeia RX w pode, consequentemente, ser utilizado na estimativa e cancelamento de fuga em transmissões futuras.

[0047] Uma solução potencial para w na Equação (4) pode ser realizada pelo cálculo do inverso de *&). No entanto, *(tl tem dimensões maiores do que 100 x 100, o que, consequentemente, apresenta uma operação de inversão cada vez mais complexa. As abordagens de estimativa de parâmetros acima mencionadas como LMS, RLS, CD e CG foram, assim, oferecidas como alternativas fornecendo complexidade reduzida.

[0048] Por exemplo, o CG pode ser utilizado a fim de calcular w satisfazendo a Equação (4), que envolve a atualização de cada elemento de w com base em uma função de custo quadrático e passo-tamanho ideal. No entanto, esta abordagem pode ser excessivamente complexa pois w , muitas vezes, terá dimensões superiores a 100 x 1, e, consequentemente, irá exigir um número equivalente de atualizações a fim de completar a respectiva estimativa do CG.

[0049] A CD, tal como anteriormente descrito, envolve apenas a atualização de um único elemento de w . No entanto, a redução drástica da complexidade pode levar a um aumento da suscetibilidade aos picos na estimativa e/ou cancelamento de fugas uma vez aplicada a solução.

[0050] A figura 2 detalha um método 200 ilustrando um fluxograma para a realização de uma atualização do vetor de parâmetros w . É apreciado que, enquanto o método 200 será descrito em relação à estimativa de fuga em uma aplicação de cancelamento de auto-interferência, os métodos e as aplicações aqui detalhados podem ser utilizados em uma variedade de diferentes aplicações. Por exemplo, é apreciado que essas abordagens possam ser aplicadas a qualquer número de sistemas exigindo problemas de estimativa lineares semelhantes. O método 200 pode, assim, ser aplicado como uma alternativa a um número de abordagens de estimativa de parâmetros LMS, RLS, CD ou CD.

[0051] O método 200 pode começar com um sistema como na Equação 4. Em um cancelamento de autointerferência, o método 200 pode procurar encontrar um vetor de parâmetros w para estimar exatamente a relação entre o vetor de sinal de entrada de kernelização #Oífr)) e a fuga 3%©, tal como detalhado em relação à figura 1. Em conformidade, um w apropriado para o sistema Ji© = ΨΐΓφ(χα)) pode ser obtido por se encontrar uma solução W) que resolve o sistema R(t)w>t' = p(t), onde flft) é a matriz de covariância do vetor de sinal de entrada da cadeia RX de kernelização Φ(Χ©> e #© é a correlação entre o vetor de sinal de entrada da cadeia TX de kernelização e o vetor de sinal de entrada da cadeia RX Ti©.

[0052] O método 200 pode ser implementado como um algoritmo iterativo, e pode realizar atualizações contínuas ao vetor de parâmetros w com base em novas observações. Por exemplo, o método 200 pode receber novas observações para *© e f© durante cada iteração, e pode, posteriormente, efetuar uma atualização no vetor de parâmetros w com base em novas observações durante cada iteração.

[0053] O método 200 pode, por conseguinte, começar no momento t com valores s(t- i), fiit- i) e w{t -i> passados, isto é, com valores para í,Pe^,ea partir da iteração anterior do método 200. Em 202, o método 200 pode obter novas observações Ht) e y©. Por exemplo, o método 200 pode observar o próximo sinal TX agendado para transmissão através da cadeia TX 108, ou seja Ht). O método 200 pode então atualizar o vetor de sinal de entrada X'(t) para incluir o próximo sinal TX *©, e, posteriormente, atualizar o vetor de sinal de entrada de kernelização Φ€¥©). O método 200 também pode receber observação y© e atualizar o vetor de observação r©.

[0054] Por conseguinte, o método 200 pode atualizar a matriz de covariância *© e o vetor de correlação fft) em 204, ou seja, aplicando as mais recentes observações *© (sob a forma de Φ(χ©)) e y© para «Ct- i) e Assim, o método 200 deve determinar uma atualiza- ção apropriada w(t) com base em w(t-i), s(t) e β(&. O método 200 pode, portanto, tentar obter uma corrente precisa a fim de aplicar mt) à relação linear 5½ CO = w*Φθ*(0), permitindo assim a geração da estimativa de fuga fiíO para utilização em autocancelamento de interferência.

[0055] Ao contrário de atualizar cada elemento em w , o método 200 pode, em alternativa selecionar um subconjunto de elementos em w para atualizar. Em outras palavras, o método 200 pode identificar uma pluralidade de elementos críticos de w para atualizar. O método 200 pode, então, determinar e aplicar uma atualização apropriada para cada um dos elementos críticos de . O método 200 pode determinar um vetor de atualização sw durante cada iteração do mesmo e atualizar w no momento t como w(t) = w(t-1) + sw . a atualização do vetor pode ser não zero em apenas as posições D e, consequentemente, apenas as posições D de w podem ser atualizadas durante cada iteração do método 200. Assim, um total de elementos críticos D de w pode ser atualizado durante cada iteração do método 200. O parâmetro D pode ser selecionado de acordo com a dinâmica do sistema, tal como, por exemplo, D = 2, 4, 6, etc. Os valores superiores de D podem requerer uma maior complexidade devido ao aumento do número de elementos de w a ser atualizado, mas pode melhorar a precisão. Em contraste, menores valores de D podem reduzir a complexidade, mas similarmente reduzir a precisão, deixando assim o cancelamento de autointerferência suscetível a picos.

[0056] Em conformidade, o método 200 pode procurar identificar elementos críticos D de w para atualizar. D pode ser, por conseguinte, uma quantidade predefinida da determinação da quantidade de elementos críticos w a ser atualizada. A fim de identificar os elementos críticos D de 204 pode determinar um vetor "restante" rít) como r(t) = -1) - /?(t). o vetor restante rCt) pode, assim, ter uma di- mensão A/x1 correspondente às dimensões de (N x N), fi(t) (N x 1) e w (Nx 1).

[0057] Após a determinação do vetor restante r(ú, 206 pode classificar as entradas N de Ht) de acordo com um critério predefinido. Os critérios predefinidos podem ser, por exemplo, a magnitude, e, consequentemente, cada elemento de r(t) pode ser classificado de acordo com o valor absoluto de cada elemento. É apreciado que um número de diferentes critérios de classificação possa ser utilizado para identificar os elementos com maior classificação de r(t).

[0058] Após a classificação dos elementos de r(t), 208 pode selecionar as entradas de Ht) correspondentes aos elementos D com maior classificação. Em outras palavras, 208 pode selecionar as entradas D r(t) com as maiores magnitudes numa aplicação em que o critério predefinido é a magnitude.

[0059] As entradas de w(t-i) correspondentes aos elementos D de r(t) com maior classificação podem, assim, ser selecionadas para ser atualizadas, ou seja, as entradas de W(t-l) correspondentes aos elementos D de r(t) com maior classificação podem ser identificados como os elementos críticos de ^ . É apreciado que 206 e 208 possam funcionar para identificar os elementos críticos de w{t - í), isto é, os elementos de w(t-i) qUe têm a maior necessidade de atualização. Por conseguinte, os elementos críticos de w(t -1) podem ser selecionados para atualização para chegar a enquanto os elementos menos essenciais de w(t- D não podem ser atualizados. O método 200 pode, assim, reduzir a complexidade global envolvida no processo de atualização para w assegurando ao mesmo tempo que as atualizações necessárias sejam concluídas.

[0060] Após a identificação dos elementos críticos D de w com base no vetor restante r(t), o método 200 pode prosseguir para computar as atualizações correspondentes. Conforme detalhado anteriormente, o método 200 pode atualizar w a partir de w(t-í) para o atual w^Ct) pela computação do vetor de atualização sw , e, posteriormente, calcular Hfft) como wit) = wit - Ό + sw . O vetor de atualização tendo entradas D não zero pode, por conseguinte, ser obtido de forma a coincidir com os elementos críticos Dde^a serem atualizados.

[0061] 210 pode, assim, determinar a correspondente sub-matriz D x D a partir de e o correspondente sub-vetor D x 1 a partir de n?(0 com base nas entradas críticas D de Ht) identificadas em 208. Especificamente, se as posições (k-L· -Jd) são selecionadas como críticas em Ht) para produzir n>(0, irá então consistir das entradas onde a e & estão em Í1W2.---/0)1 em ®ít).

[0062] Por conseguinte, 210 pode produzir Λο(ί> e rD{t). 212 pode, então, aplicar a submatriz Rd(O determinada e o sub-vetor n?(0 para produzir um novo sistema de dimensões reduzidas como se segue: = rB{t) (S), [0063] onde é um vetor desconhecido D x 1. É apreciado que cada um dos elementos D de corresponda a uma das entradas críticas D de mAW.

[0064] 212 pode, então, resolver o sistema de equações da Equação 5 para 8WDí por exemplo, utilizando um algoritmo de estimativa linear. Como os elementos da Equação 5 são considerados substancialmente lineares, qualquer número de abordagens de estimativa linear pode ser aplicado, a fim de determinar uma solução eficaz para a Equação 5. Por exemplo, o algoritmo CG acima mencionado pode ser aplicado ao sistema dimensional D da Equação 5. Enquanto CG pode ser excessivamente complexo para o sistema de dimensão 100 +-R(t)w = β(ύ, o sistema da Equação 5 com um D convenientemente es- colhido, tal como por exemplo, 2, 4, 6, etc., pode ser comparativamente manejável. À medida que a otimização está a ser aplicada a um sistema substancialmente menor, o método 200 pode oferecer uma grande redução na complexidade, em comparação com algoritmos de otimização que operam no sistema de dimensão completa Rí*)w = p(t). É apreciado que qualquer número de algoritmos de otimização alternativa possa ser igualmente aplicado, tal como qualquer um de uma variedade de métodos, incluindo CD, RLS, LMS, etc.

[0065] A aplicação de CG para a Equação 5 em 212 pode, por conseguinte, determinar uma solução swDf onde a solução swD § entendida ser uma solução aproximada do sistema linear da Equação 5. 214 pode, então, mapear as entradas totais D swD para as entradas críticas D correspondentes de . Especificamente, pode ser inicialmente definido como sw = qNxí . As entradas de üw podem então ser povoadas como sw(jk) = swD{k')t ft = i, -,d mapeando assim as entradas D de swd para sw . Assim, as entradas restantes N-D de Ws serão definidas para zero, uma vez que estas entradas não foram selecionadas por 208 como entradas críticas de w de acordo com os critérios de classificação aplicados ao vetor restante r(t).

[0066] 216 pode, então, realizar a atualização do vetor de parâmetros w como irít) = irít — i) + sw utilizando o vetor de atualização sw obtido em 214. Em conformidade com isto, os elementos D de ^ podem ser atualizados em uma única iteração do método 200, ou seja, com um algoritmo de otimização, tais como CG, onde os elementos D foram identificados como sendo entradas críticas com uma necessidade crucial para atualização. Como CG só é aplicado a um sistema de dimensional D, é substancialmente reduzida a complexidade. No entanto, entradas críticas de w ainda podem ser atualizadas a cada observação, mantendo assim um elevado grau de precisão das atualizações do vetor de parâmetros w .

[0067] O método 200 pode então aplicar o w atualizado a fim de estimar a fuga para o cancelamento de autointerferência de acordo com a Equação 6: %it +1) = φ(κ( t +1 m ' ir· 11 («), [0068] onde 9i(t + Déa estimativa de fuga correspondente ao próximo símbolo de transmissão D a ser transmitido ao longo da cadeia de TX 108, ΦΟίϋ + D) é o vetor de sinal de entrada de kerneliza-ção atualizado com base na nova observação tfft + D, e Hfít) é o vetor de parâmetros w atualizado tal como determinado em 216.

[0069] A estimativa de fuga íUí + D pode então ser utilizada a fim de cancelar a fuga se originando em cadeia TX 108 devido à transmissão subsequente do sinal TX *G + D a partir do sinal recebido xtO. Por conseguinte, o sinal de fuga yAt + D pode ser substancialmente cancelado ou significativamente reduzido a partir do sinal recebido y®, permitindo, assim, a recepção do sinal limpo substancialmente composto de sinal de downlink + desejado.

[0070] Como mostrado na figura 2, o método 200 pode ser implementado como um processo iterativo, e pode repetir continuamente em momentos ¢ + 1,1 + 2,..., de modo a reduzir continuamente a autointerferência em um dispositivo móvel. Por conseguinte, as posições D de w podem ser selecionadas durante cada iteração e, posteriormente atualizadas utilizando um sistema dimensional D reduzido, como descrito anteriormente. É apreciado que as entradas críticas D de w selecionadas para atualização provavelmente vão variar para cada iteração de acordo com a classificação e seleção realizadas por 206 e 208.

[0071] Enquanto a cada iteração do método 200 pode utilizar um algoritmo de otimização complexo como CG para computar o vetor de atualização swD} a complexidade pode permanecer manejável, devido às dimensões reduzidas do sistema aplicado. Por conseguinte, o mé- todo 200 pode ser facilmente integrado em uma variedade de dispositivos, tais como smartphones convencionais, tablets e outros dispositivos móveis.

[0072] É apreciado que o parâmetro D possa ser dinâmico, e, consequentemente, possa ser adaptável. Por exemplo, um dispositivo móvel, como o dispositivo móvel 100 implementando os processos de otimização seletiva acima detalhados pode ser configurado para medir uma característica de recepção, como por medição periódica da relação sinal-para-ruído ou analisando uma taxa de correção de erros com base no sinal recebido yírt. O dispositivo móvel 100 pode, então, determinar que a qualidade de recepção é substancialmente pobre, e, consequentemente, pode aumentar o valor de D para um valor mais elevado, a fim de, potencialmente, obter uma estimativa de fuga &(£) mais precisa para o cancelamento de autointerferência. Em alternativa, o dispositivo móvel 100 pode determinar que a qualidade da recepção é substancialmente elevada, e, consequentemente, pode reduzir o valor de D, a fim de reduzir ainda mais os requisitos de processamento envolvidos no processamento do algoritmo de otimização. O método 200 pode, assim, ser modificado para incluir essa análise de qualidade de recepção e uma correspondente atualização a D, se necessário.

[0073] A figura 3 mostra o terminal de comunicações 300. O terminal de comunicações 300 pode incluir, pelo menos, antena 302, trans-ceptor 304 incluindo cadeia de transmissão 306 e cadeia de recepção 308, circuito de processamento 310, Unidade Central de Processamento principal (CPU) 312, memória 314, e entrada/saída do usuário 316.

[0074] O terminal de comunicações 300 pode transmitir e receber sinais sem fios utilizando a antena 302 e o transceptor 304. Especificamente, a cadeia de transmissão 306 e a cadeia de recepção 308 do transceptor 304 podem utilizar a antena 302 para transmitir sinais a partir do terminal de comunicação 300 e receber sinais no terminal de comunicação 300, respectivamente, tal como através da utilização de um circuito de duplexagem. É apreciado que a antena 302 pode ser uma antena única ou pode ser um conjunto de antenas composto por uma pluralidade de antenas.

[0075] O terminal de comunicações 300 pode ser configurado para realizar comunicações sem fios de acordo com qualquer um de um número de diferentes tecnologias de acesso rádio. Por exemplo, o terminal de comunicações 300 pode ser configurado para realizar comunicações sem fios de acordo com um protocolo de comunicações celulares, tal como uma rede sem fios 3GPP por exemplo, GSM, UMTS ou LTE. O terminal de comunicações 300 pode, adicional ou alternativamente, ser configurado para realizar comunicações sem fios de acordo com o protocolo de comunicações de curto alcance, tal como WiFi ou Bluetooth.

[0076] O CPU principal 312 pode ser utilizado para suportar a funcionalidade central do terminal de comunicações 300, como através do apoio a uma ou mais tecnologias de acesso rádio. O CPU principal 312 pode, assim, ser configurado para executar uma pilha de protocolo de acordo com uma ou mais tecnologias de acesso rádio suportadas. O CPU principal 312 pode incluir circuitos de processamento de áudio, como codificação de áudio e/ou circuitos de descodificação de áudio. O CPU principal 312 pode atuar um controlador, e pode ser configurado para controlar um ou mais dos componentes adicionais do terminal de comunicações 300. O CPU principal 312 pode ser implementado como, por exemplo, um microprocessador, ou qualquer outro tipo de lógica programável. Em um aspecto exemplificativo da divulgação, o processamento 310 pode ser incorporado como parte do CPU principal 312.

[0077] Como mostrado na figura 3, o terminal de comunicações 300 pode ainda incluir memória 314. A memória 314 pode ser composta de, por exemplo, uma memória só de leitura (ROM) e/ou uma memória de acesso aleatório (RAM). A memória 314, adicionalmente, pode ser composta por vários componentes de memória implementados separadamente, e pode estar disponível para uso por um ou mais componentes do terminal de comunicações 300. A memória 314 pode, adicionalmente, armazenar um ou mais conjuntos de código de programa, tais como código de programa utilizado para controlar o CPU principal 312 e/ou o circuito de processamento 310. A memória 314 pode, adicionalmente, ser utilizada para armazenar os dados de comunicação sem fios, tais como dados recebidos pela cadeia de recepção 308 e/ou os dados destinados a transmissão pela cadeia de transmissão 306.

[0078] O terminal de comunicações 314 pode, adicionalmente, incluir componentes para interagir com um usuário, como a entra-da/saída de usuário 316. A entrada/saída do usuário 316 pode incluir um ou mais dispositivos de entrada e/ou saída, como teclados, botões físicos, monitores, écrans sensíveis ao toque, alto-falantes, microfones, câmaras, etc.

[0079] Os componentes internos do terminal de comunicações 300 podem ser acoplados uns com os outros através de uma ou mais linhas, como por exemplo, um ou mais barramentos de dados. Deste modo, um ou mais dos componentes internos do terminal de comunicações 300 podem interagir um com o outro através da troca de dados. A troca de dados dentro dos componentes internos do terminal de comunicações 300 pode ser controlada por, por exemplo, o CPU principal 312.

[0080] Similarmente para o dispositivo móvel 100, como o terminal de comunicações 300 pode incluir componentes de transceptor (trans-ceptor 304), o terminal de comunicações 300 pode ser suscetível a fu- gas da cadeia de transmissão 306 para a cadeia de recepção 308. Por conseguinte, o terminal de comunicações 300 pode ser configurado para mitigar e/ou cancelar a fuga da cadeia de transmissão dos sinais recebidos pela cadeia de recepção 308.

[0081] O terminal de comunicações 300 pode, portanto, ser configurado para gerar um sinal de fuga estimada com base em um sinal destinado a transmissão através da cadeia de transmissão 306. O terminal de comunicações 308 pode, então, utilizar o sinal de fuga estimada para mitigar e/ou cancelar um sinal de fuga atual a partir de um sinal recebido pela cadeia de recepção 308.

[0082] O terminal de comunicações 300 pode, portanto, ser fornecido com o circuito de processamento 310, que pode interagir com a cadeia de transmissão 306 e a cadeia de recepção 308, a fim de mitigar e/ou cancelar os sinais de fuga recebidos pela cadeia de recepção 308.

[0083] A cadeia de transmissão 306 pode, portanto, ser configurada para transmitir um ou mais sinais de transmissão. A cadeia de recepção 308 pode ser configurada para receber um ou mais sinais de recepção.

[0084] O circuito de processamento 310 pode ser configurado para implementar otimização seletiva de um vetor de parâmetros estimando a fuga entre a cadeia de transmissão 306 e a cadeia de recepção 308, tal como o processo de otimização seletivo do método 200. Especificamente, o circuito de processamento 310 pode ser configurado para calcular uma matriz de covariância com base em um ou mais sinais de transmissão e o um ou mais sinais de recepção. Especificamente, o circuito de processamento 310 pode ser configurado para identificar primeiro um vetor de sinal de transmissão incluindo um ou mais dos sinais de transmissão. O circuito de processamento 310 pode, então, aplicar uma função de kernelização em um ou mais dos sinais de transmissão no vetor de sinal de transmissão para gerar um vetor de sinal de transmissão de kernelização. O circuito de processamento 310 pode então calcular a matriz de covariância como a matriz de co-variância do vetor de sinal de transmissão de kernelização.

[0085] O circuito de processamento 310 pode também identificar um vetor de sinal de recepção incluindo um ou mais dos sinais de recepção. O circuito de processamento 310 pode, então, gerar um vetor de correlação entre o vetor de sinal de transmissão de kernelização e o vetor de sinal de recepção. O circuito de processamento 310 pode calcular o vetor de correlação determinando a correlação entre os elementos do vetor de sinal de transmissão de kernelização e os elementos do vetor de sinal de recepção.

[0086] O circuito de processamento 310 pode continuamente calcular uma nova matriz de covariância e um novo vetor de correlação após a obtenção recentemente de sinais transmitidos pela cadeia de transmissão 306 e os sinais recentemente recebidos pela cadeia de recepção 308. Em outras palavras, o circuito de processamento 310 pode calcular uma matriz de covariância atualizada e um vetor de correlação atualizado após recepção de uma nova observação de uma ou de ambas da cadeia de transmissão 306 e da cadeia de recepção 308. O circuito de processamento 310 pode atualizar o sinal de vetor de transmissão de kernelização após a obtenção de uma nova observação de sinal de transmissão e pode atualizar o vetor de sinal de recepção após receber uma nova observação de sinal de recepção.

[0087] A fim de aproximar a fuga desde a cadeia de transmissão 306 à cadeia de recepção 308, o circuito de processamento 310 pode determinar um vetor de parâmetros representando uma relação entre o vetor de sinal de transmissão e o vetor de sinal de recepção, tal como a relação entre o vetor de sinal de transmissão e um componente de sinal de destino associado com o vetor de sinal de recepção. O circuito de processamento 310 pode determinar um vetor de parâmetros que se aproxima da relação linear entre o vetor de sinal de transmissão de kernelização e a fuga de sinal contida no vetor de sinal de recepção.

[0088] O circuito de processamento 310 pode similarmente realizar atualizações contínuas para o vetor de parâmetros ao longo do tempo para refletir as novas observações desde a cadeia de transmissão 306 e cadeia de recepção 308. O circuito de processamento 310 pode atualizar o vetor de parâmetros por primeiro atualizar a matriz de covari-ância e o vetor de correlação com base em novas observações desde a cadeia de transmissão 306 e/ou cadeia de recepção 308. O circuito de processamento 310 pode, então, utilizar o vetor de parâmetros atualizados para estimar a fugas entre a cadeia de transmissão 306 e a cadeia de recepção 308, e, posteriormente, utilizar a fuga estimada para cancelar a fuga atual presente em o sinal recebido pela cadeia de recepção 308.

[0089] De modo a atualizar o vetor de parâmetros para calcular um vetor de parâmetros atualizados, o circuito de processamento 310 pode identificar uma pluralidade de elementos críticos do vetor de parâmetros existente para atualizar. A fim de identificar a pluralidade de elementos críticos, o circuito de processamento 310 pode calcular um vetor de parâmetros restante com base em o vetor de parâmetros existente, uma matriz de covariância atualizada, e um vetor de correlação atualizado. O circuito de processamento 310 pode utilizar a matriz de covariância e o vetor de correlação, juntamente com o vetor de parâmetros existente, a fim de calcular o vetor de parâmetros restante, tal como por cálculo do vetor de parâmetros restante como uma combinação linear da matriz de covariância, vetor de correlação e vetor de parâmetros existente.

[0090] O circuito de processamento 310 pode então utilizar um critério predefinidos, a fim de avaliar o vetor de parâmetros restante. O circuito de processamento 310 pode utilizar um critério de classificação predefinido para classificar os elementos do vetor de parâmetros restante, como por exemplo, classificando os elementos do vetor de parâmetros restante com base na magnitude. O circuito de processamento 310 pode então selecionar uma pluralidade de elementos com classificação mais alta, onde o número de elementos com classificação mais alta da pluralidade de elementos com classificação mais alta é predefinido. Por exemplo, o circuito de processamento 310 pode selecionar uma quantidade inteira de elementos com classificação mais alta do vetor de parâmetros restante como a pluralidade de elementos com classificação mais alta.

[0091] O circuito de processamento 310 pode então identificar a pluralidade de elementos críticos do vetor de parâmetros com base nos índices da pluralidade de elementos com classificação mais alta do vetor de parâmetros restante. Por exemplo, o circuito de processamento 310 pode selecionar cada um da pluralidade de elementos críticos de tal modo que o índice de cada um da pluralidade de elementos críticos corresponde a um índice de um da pluralidade de elementos com classificação mais alta do vetor de parâmetros restante. Consequentemente, o circuito de processamento 310 pode identificar a pluralidade de elementos críticos do vetor de parâmetros a serem atualizados.

[0092] O circuito de processamento 310 pode então calcular uma solução para um sistema linear para determinar uma atualização apropriada para o vetor de parâmetros. O sistema linear pode ser a relação linear entre a pluralidade de elementos com maior classificação do vetor de parâmetros restante e os elementos correspondentes da matriz de covariância. O circuito de processamento 310 pode, portanto, gerar uma matriz de covariância reduzida, incluindo os elementos correspondentes da matriz de covariância. Cada um da pluralidade de ele- mentos com maior classificação do vetor de parâmetros restante pode corresponder a um da pluralidade de elementos críticos do vetor de parâmetros. O circuito de processamento 310 pode resolver o sistema linear, utilizando um método de estimativa linear, tal como CG, CD, RLS, LMS, etc. O circuito de processamento 310 pode gerar um vetor de atualização de parâmetros reduzido como a solução para o sistema linear.

[0093] Como o sistema linear tem dimensões correspondentes ao número de elementos críticos da pluralidade de elementos críticos, o sistema linear tem dimensões reduzidas em comparação com as dimensões do sistema linear original entre o vetor de sinal de transmissão de kernelização e o vetor de sinal de recepção. Por conseguinte, o sistema linear pode requerer substancialmente menos processamento.

[0094] O circuito de processamento 310 pode, então, atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido que foi determinado como a solução para o sistema linear, em que o vetor de atualização de parâmetros reduzido tem menos elementos que o vetor de parâmetros. O circuito de processamento 310 pode atualizar o vetor de parâmetros por mapeamento de cada elemento do vetor de atualização de parâmetros reduzido para o elemento correspondente da pluralidade de elementos críticos. O circuito de processamento 310 pode, por exemplo, realizar a adição elemento a elemento de cada elemento do vetor de atualização de parâmetros reduzido para o elemento crítico correspondente da pluralidade de elementos críticos do vetor de parâmetros. O circuito de processamento 310 pode obter um vetor de parâmetros atualizado.

[0095] O circuito de processamento 310 pode, então, aplicar o vetor de parâmetros atualizado, a fim de cancelar a fuga de sinal da cadeia de recepção 308. Por exemplo, o circuito de processamento 310 pode obter o próximo sinal de transmissão agendado para transmissão pela cadeia de transmissão 308. O circuito de processamento 310 pode, então, atualizar o vetor de sinal de transmissão de kernelização com base no próximo sinal de transmissão, e pode, então, aplicar o vetor de parâmetros atualizado para o vetor de sinal de transmissão de kernelização atualizado, como, por exemplo, realizando a multiplicação de vetor com o vetor de sinal de transmissão de kernelização com o vetor de parâmetros.

[0096] O circuito de processamento 310 pode, então, obter um sinal de fuga estimado. O circuito de processamento 310 pode, então, receber o próximo sinal de recepção recebido pela cadeia de recepção 308, e pode utilizar o sinal de fuga estimado para cancelar a fuga atual a partir do próximo sinal a receber para produzir um sinal recebido limpo. O circuito de processamento 310 pode, então, fornecer o sinal recebido limpo para um ou mais componentes do terminal de comunicações 300 para processamento adicional, como para o CPU principal 312.

[0097] Consequentemente, o circuito de processamento 310 pode eficazmente cancelar a fuga de sinais recebidos pela cadeia de recepção 308. Como a estimativa linear utilizada para aproximar a relação entre os sinais de transmissão e os sinais de recepção é realizada em um sistema de dimensão reduzida, os requisitos de processamento podem ser substancialmente reduzidos. No entanto, a devida identificação de elementos críticos do vetor de parâmetros a ser atualizado pode permitir ao circuito de processamento 310 exatamente aproximar a relação de fuga da cadeia de transmissão à cadeia de recepção, e, assim, efetivamente mitigar e/ou cancelar a fuga de sinal.

[0098] É apreciado que o terminal de comunicações 300 possa incluir mais do que um transceptor, por exemplo, um ou mais transcepto-res em adição ao transceptor 304. Um ou mais dos transceptores pode estar associado com uma tecnologia de acesso rádio diferente, e, con- sequentemente, o terminal de comunicações 300 pode ser configurado para funcionar de acordo com uma pluralidade de tecnologias de acesso rádio. É apreciado que a fuga de sinal, como detalhado acima, possa ocorrer entre diferentes tecnologias de acesso rádio, tal como entre uma cadeia de transmissão de um transceptor para uma primeira tecnologia de acesso rádio e uma cadeia de recepção de um transceptor para uma segunda tecnologia de acesso rádio, onde a primeira tecnologia de acesso rádio é diferente da segunda tecnologia de acesso rádio. O terminal de comunicações 300 pode similarmente aplicar as abordagens acima descritas, a fim de mitigar e/ou cancelar qualquer fuga de sinal resultante, tal como, atualizado seletivamente um vetor de parâmetros que descreve a relação entre a fuga de sinal causada pelo transceptor para a primeira tecnologia de acesso rádio para o transceptor para a segunda tecnologia de acesso rádio.

[0099] A figura 4 mostra um método 400 ilustrando um diagrama de fluxo. O método 400 pode ser um método de processamento de sinais de acordo com um aspecto dessa divulgação.

[00100] O método 400 pode calcular uma matriz de covariância e um vetor de correlação com base em um vetor de sinal de entrada e um vetor de sinal de saída 402. Especificamente, o método 400 pode calcular um vetor de sinal de entrada de kernelização por aplicação de uma função de mapeamento não linear predefinida para o vetor de sinal de entrada. O método 400 pode calcular a matriz de covariância como a matriz de covariância do vetor de sinal de entrada de kernelização, e pode calcular o vetor de correlação como o vetor de correlação entre o vetor de sinal de entrada de kernelização e o vetor sinal de saída.

[00101] O método 400 pode, então, identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos em 404. O vetor de parâmetros pode representar uma re- lação entre o vetor de sinal de entrada e o vetor de sinal de saída. Especificamente, o vetor de parâmetros pode representar uma relação linear entre o vetor de sinal de entrada de kernelização e um componente de sinal de destino do vetor de sinal de saída. Em uma aplicação de fuga de sinal, o vetor de parâmetros pode descrever a relação linear entre o vetor de sinal de entrada de kernelização e a fuga de sinal contida no vetor de sinal de saída.

[00102] O método 400 pode calcular um vetor de parâmetros restante como uma combinação linear do vetor de parâmetros, a matriz de covariância e o vetor de correlação a fim de determinar a pluralidade de elementos críticos. O método 400 pode, então, executar uma análise de elemento a elemento sobre os elementos do vetor de parâmetros restante para identificar elementos críticos correspondentes do vetor de parâmetros de acordo com os critérios predefinidos.

[00103] Por exemplo, os critérios predefinidos podem ser com base na magnitude. 404 pode, consequentemente, identificar uma quantidade de elementos predefinida do vetor de parâmetros restante que tem as maiores magnitudes. 404 pode, então, gerar um vetor de parâmetros restante reduzido com base em a quantidade de elementos predefinida, tal como por seleção de cada um da quantidade de elementos predefinida a estar no vetor de parâmetros restante reduzido.

[00104] O método 400 pode, então, utilizar o vetor de parâmetros restante reduzido para resolver um sistema linear, a fim de determinar um vetor de atualização de parâmetros reduzido em 406, em que o vetor de atualização de parâmetros reduzido tem menos elementos que o vetor de parâmetros. O vetor de parâmetros reduzido também tem uma pluralidade de elementos. O método 400 pode gerar uma matriz de covariância reduzida por identificação dos elementos da matriz de covariância que corresponde à pluralidade de elementos críticos do vetor de parâmetros, que podem, consequentemente, corresponder aos elementos do vetor de parâmetros restante reduzido.

[00105] O sistema linear pode, então, incluir o vetor de parâmetros restante reduzido e a matriz de covariância reduzida. 406 pode aproximar uma solução para o sistema linear para gerar o vetor de atualização de parâmetros reduzido, em que o vetor de atualização de parâmetros reduzido é a solução para o sistema linear.

[00106] 406 pode utilizar qualquer método de aproximação linear para aproximar a solução ao sistema linear. Por exemplo, 406 pode utilizar CG, CD, LMS, RLS, etc., a fim de chegar a uma solução para o sistema linear.

[00107] Após a determinação do vetor de atualização de parâmetros reduzido em 406, o método 400 pode atualizar a pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor atualizado de parâmetros reduzido em 408 para gerar um vetor de parâmetros atualizado, em que o vetor atualizado de parâmetros reduzido tem menos elementos do que o vetor de parâmetros. 408 pode atualizar apenas a pluralidade de elementos críticos do vetor de parâmetros para gerar o vetor de parâmetros atualizado, enquanto os restantes elementos do vetor de parâmetros atualizado permanecem inalterados a partir de o vetor de parâmetros.

[00108] O método 400 pode então processar um ou mais sinais associados com o vetor de sinal de entrada utilizando o vetor de parâmetros atualizado em 410. O um ou mais sinais pode ter origem a partir da mesma fonte que os sinais de entrada do vetor de sinal de entrada.

[00109] Por exemplo, o vetor de sinal de entrada pode ser baseado em um ou mais sinais de transmissão previamente transmitidos por uma cadeia de transmissão de um transceptor e o vetor de sinal de saída pode ser baseado em um ou mais sinais de recepção previamente recebidos por uma cadeia de recepção do transceptor. O vetor de parâmetros pode descrever a relação entre o um ou mais sinais de transmissão e fuga de sinal contidos em um ou mais sinais de recepção, tal como a descrição de uma relação linear entre um vetor de sinal de entrada de kernelização com base no vetor de sinal de entrada e a fuga de sinal.

[00110] O vetor de parâmetros pode, portanto, ser utilizado de modo a estimar a fuga de sinal a partir da cadeia de transmissão para a cadeia de recepção. O método 400 em 410 pode, portanto, aplicar o vetor de parâmetros para o vetor de sinal de entrada de kernelização para aproximar a fuga de sinal no um ou mais sinais de recepção. 410 pode, então, realizar o processamento para mitigar ou cancelar a fuga de sinal utilizando a aproximação da fuga de sinal.

[00111] Como o sistema linear operado em 406 tem dimensões reduzidas correspondentes à pluralidade de elementos críticos, o método 400 pode ser capaz de utilizar menos energia de processamento, a fim de se obter a solução para o sistema linear. Consequentemente, ao contrário da resolução de um sistema linear, a fim de atualizar todos os elementos do vetor de parâmetros, o método 400 pode, em alternativa, identificar apenas elementos críticos do vetor de parâmetros e resolver um sistema linear de dimensão reduzida, a fim de realizar uma atualização sobre estes elementos críticos. É apreciado que o ajuste da quantidade de elementos predefinida do vetor de parâmetros restante possa determinar as dimensões do sistema linear, desse modo, similarmente, afetando a complexidade envolvida na solução do sistema linear.

[00112] É apreciado que as abordagens de otimização seletiva acima detalhadas possam ser expandidas para qualquer número de cenários de otimização. Por exemplo, enquanto a divulgação anterior se tem centrado em uma abordagem de cancelamento de autointerferên-cia, é entendido que qualquer número de aplicações de otimização pode ser melhorado através de atualização seletiva de um vetor de pa- râmetros. Por exemplo, a abordagem de otimização seletiva acima descrita pode ser aplicada para aproximar qualquer sistema de equação não linear representável de forma semelhante à Equação 1, onde uma função de mapeamento tal como * pode ser utilizada para aproximar uma relação linear. Além disso, a abordagem de otimização seletiva acima descrita pode ser adicionalmente aplicada para aproximar sistemas de equação lineares, tais como onde os parâmetros conhecidos são lineares e, portanto, nenhuma função de mapeamento linear tal como pode ser necessária. Por conseguinte, é apreciado que uma solução de qualquer número de sistemas de equação possa ser aproximada utilizando a abordagem de otimização seletiva dessa divulgação. Cenários de estimativa utilizando CG ou CD podem ser particularmente relevantes, uma vez que a abordagem de otimização seletiva aqui detalhada pode oferecer reduzida complexidade sobre o CG, evitando picos problemáticos associados a CD. Por conseguinte, a otimização seletiva pode ser aplicada a fim de proporcionar tempo de convergência desejável juntamente com resultados de estimativa robustos.

[00113] Os exemplos que se seguem dizem respeito a outros aspectos da presente divulgação: [00114] O Exemplo 1 é um método de processamento de sinais. O método inclui o cálculo de uma matriz de covariância e um vetor de correlação com base em um vetor de sinal de entrada e um vetor de sinal de saída, a identificação de uma pluralidade de elementos críticos de um vetor de parâmetros com base em um critério predefinido, em que o vetor de parâmetros representa uma relação entre o vetor de sinal de entrada e o vetor de sinal de saída, o cálculo de uma solução de um sistema linear para gerar um vetor de atualização de parâmetros reduzido tendo uma pluralidade de elementos, em que o sistema linear se baseia na pluralidade de elementos críticos do vetor de pa- râmetros, a matriz de covariância e o vetor de correlação, a atualização da pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado, em que o vetor de atualização de parâmetros reduzido tem menos elementos do que o vetor de parâmetros, e o processamento de um ou mais sinais associados ao vetor de entrada de sinal utilizando o vetor de parâmetros atualizado.

[00115] No Exemplo 2, o objeto do Exemplo 1 pode incluir, opcionalmente, em que a identificação de uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos inclui a seleção de uma quantidade de elementos predefinida do vetor de parâmetros como a pluralidade de elementos críticos.

[00116] No Exemplo 3, o objeto do Exemplo 2 pode incluir, opcionalmente, em que a atualização da pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado inclui a atualização de apenas a pluralidade de elementos críticos do vetor de parâmetros.

[00117] No Exemplo 4, o objeto de qualquer um dos Exemplos 1 a 3 pode ainda incluir, opcionalmente, a inclusão de uma cadeia de transmissão de um transceptor, a transmissão de um ou mais sinais de transmissão, e com uma cadeia de recepção do transceptor, a recepção de um ou mais sinais de recepção, em que o vetor de sinal de entrada é baseado em um ou mais sinais de transmissão e o vetor de sinal de saída é baseado em um ou mais sinais de recepção.

[00118] No Exemplo 5, o objeto do Exemplo 4 pode incluir, opcionalmente, em que o processamento de um ou mais sinais associados com o vetor de sinal de entrada utilizando o vetor de parâmetros atualizado inclui a aplicação do vetor de parâmetros atualizado para um novo sinal de entrada destinado à transmissão pela cadeia de trans- missão do transceptor para gerar um sinal de fuga estimado, em que a fuga estimada aproxima a fuga de sinal a partir da cadeia de transmissão para um da cadeia de recepção do transceptor, e utilizando o sinal de fuga estimado para cancelar um sinal de fuga atual a partir de um sinal recebido pela cadeia de recepção do transceptor.

[00119] No Exemplo 6, o objeto do Exemplo 5 pode incluir, opcionalmente, em que a aplicação do vetor de parâmetros atualizado para o novo sinal de entrada destinado à transmissão pela cadeia de transmissão do transceptor para gerar um sinal de fuga estimado inclui a atualização do vetor de sinal de entrada com base no novo sinal de entrada para gerar um vetor de sinal de entrada atualizado, a aplicação de uma função de mapeamento para o vetor de sinal de entrada atualizado para gerar um vetor de sinal de entrada de kernelização, em que o vetor de parâmetros descreve uma relação linear entre o vetor de sinal de entrada de kernelização e a fuga de sinal, e a aplicação do vetor de parâmetros atualizado para o vetor de sinal de entrada de kernelização para gerar o sinal de fuga estimado.

[00120] No Exemplo 7, o objeto de qualquer um dos Exemplos 1 a 6 pode incluir, opcionalmente, em que a identificação de uma pluralidade de elementos críticos de um vetor de parâmetros inclui a identificação de uma quantidade de elementos predefinida de um vetor de parâmetros como a pluralidade de elementos críticos do vetor de parâmetros.

[00121] No Exemplo 8, o objeto de qualquer um dos Exemplos 1 a 7 pode ainda incluir, opcionalmente, a inclusão da aplicação de uma função de mapeamento predefinida para o vetor de sinal de entrada para gerar um vetor de sinal de entrada de kernelização.

[00122] No Exemplo 9, o objeto do Exemplo 8 pode incluir, opcionalmente, em que a aplicação de uma função de mapeamento predefinida para o vetor de sinal de entrada para gerar um vetor de sinal de entrada de kernelização inclui a aplicação de uma função de mapea- mento predefinida não linear para o vetor de sinal de entrada, em que o vetor de parâmetros descreve uma relação linear entre o vetor de sinal de entrada de kernelização e um componente de sinal de destino associado com o vetor de sinal de saída.

[00123] No Exemplo 10, o objeto do Exemplo 9 pode incluir ainda, opcionalmente, a inclusão de uma cadeia de transmissão de um trans-ceptor, a transmissão de um ou mais sinais de transmissão, e com uma cadeia de recepção do transceptor, recebendo um ou mais sinais de recepção, em que o vetor de sinal de entrada é baseado em um ou mais sinais de transmissão previamente transmitidos por uma cadeia de transmissão de um transceptor e o vetor de sinal de saída é baseado em um ou mais sinais de recepção previamente recebidos por uma cadeia de recepção do transceptor.

[00124] No Exemplo 11, o objeto do Exemplo 10 pode incluir, opcionalmente, em que o vetor de parâmetros representa uma relação linear entre o vetor de sinal de entrada de kernelização e a fuga de sinal contida em um ou mais sinais de recepção.

[00125] No Exemplo 12, o objeto do Exemplo 8 pode incluir, opcionalmente, em que a matriz de covariância é a matriz de covariância do vetor de sinal de entrada de kernelização e o vetor de correlação é o vetor de correlação entre o vetor de sinal de entrada de kernelização e o vetor de sinal de saída.

[00126] No Exemplo 13, o objeto de qualquer um dos Exemplos 1 a 12 pode incluir, opcionalmente, em que a identificação da pluralidade de elementos críticos do vetor de parâmetros com base em critérios predefinidos inclui gerar um vetor de parâmetros restante pela realização de uma operação linear sobre o vetor de parâmetros, a matriz de covariância e o vetor de correlação, selecionando uma quantidade de elementos predefinida com a maior classificação do vetor de parâmetros restante de acordo com os critérios predefinidos, e a seleção de os elementos do vetor de parâmetros que corresponde cada um a um respectivo elemento com maior classificação da quantidade de elementos predefinida com maior classificação como a pluralidade de elementos críticos do vetor de parâmetros.

[00127] No Exemplo 14, o objeto do Exemplo 13 pode incluir, opcionalmente, em que a seleção de uma quantidade de elementos predefinida com maior classificação do vetor de parâmetros restante de acordo com os critérios predefinidos inclui a seleção de uma quantidade de elementos predefinida com maior classificação do vetor de parâmetros restante que é menor que a quantidade de elementos no vetor de parâmetros.

[00128] No Exemplo 15, o objeto do Exemplo 13 pode incluir, opcionalmente, em que os critérios predefinidos são baseados em magnitude, e em que a seleção da quantidade de elementos predefinida com maior classificação do vetor de parâmetros restante de acordo com os critérios predefinidos inclui a seleção da quantidade de elementos predefinida do vetor de parâmetros restante tendo a maior magnitude como a quantidade de elementos predefinida com maior classificação.

[00129] No Exemplo 16, o objeto do Exemplo 13 pode incluir ainda, opcionalmente, a seleção da quantidade de elementos predefinida com maior classificação do vetor de parâmetros restante para gerar um vetor de parâmetros restante reduzido, em que o vetor de parâmetros restante reduzido contém apenas a quantidade de elementos predefinida com maior classificação do vetor de parâmetros restante.

[00130] No Exemplo 17, o objeto do Exemplo 16 pode incluir ainda, opcionalmente, a seleção de os elementos da matriz de covariância que correspondem à pluralidade de elementos críticos do vetor de parâmetros para gerar uma matriz de covariância reduzida.

[00131] No Exemplo 18, o objeto do Exemplo 17 pode incluir, opcionalmente, em que o cálculo de uma solução para um sistema linear para gerar um vetor de atualização de parâmetros reduzido, tendo uma pluralidade de elementos críticos, inclui o cálculo de uma solução para um sistema linear que inclui o vetor de parâmetros restante reduzido e a matriz de covariância reduzida.

[00132] No Exemplo 19, o objeto do Exemplo 18 pode incluir, opcionalmente, em que o sistema linear descreve a relação linear entre o vetor do parâmetro restante reduzido e a matriz de covariância reduzida e em que o cálculo da solução do sistema linear para gerar o vetor de atualização de parâmetros reduzido inclui a realização da aproximação linear para obter o vetor de atualização de parâmetros reduzido como a solução para o sistema linear.

[00133] No Exemplo 20, o objeto do Exemplo 19 pode incluir, opcionalmente, em que a realização da aproximação linear para obter o vetor de atualização de parâmetros reduzido como a solução para o sistema linear inclui a realização da estimativa de gradiente conjugada no sistema linear.

[00134] No Exemplo 21, o objeto do Exemplo 19 pode incluir, opcionalmente, em que a atualização de a pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado inclui a atualização apenas de a pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado.

[00135] No Exemplo 22, o objeto de qualquer um dos Exemplos 1 a 21 pode incluir, opcionalmente, em que a atualização da pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado inclui a atualização da pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado.

[00136] No Exemplo 23, o objeto de qualquer um dos Exemplos 1 a 22 pode incluir, opcionalmente, em que a identificação da pluralidade de elementos críticos do vetor de parâmetros com base nos critérios predefinidos inclui a geração de um vetor de parâmetros restante com base no vetor de parâmetros, matriz de covariância e o vetor de correlação, aplicando os critérios predefinidos para o vetor de parâmetros restante para identificar uma pluralidade de elementos com maior classificação do vetor de parâmetros restante, e selecionado os elementos do vetor de parâmetros que cada um corresponde a um elemento respectivo da pluralidade de elementos com maior classificação do vetor de parâmetros restante como a pluralidade de elementos críticos do vetor de parâmetros.

[00137] No Exemplo 24, o objeto do Exemplo 23 pode incluir, opcionalmente, em que a seleção dos elementos do vetor de parâmetros que cada um corresponde a um elemento respectivo da pluralidade de elementos com maior classificação do vetor de parâmetros restante como a pluralidade de elementos críticos do vetor de parâmetros inclui a seleção da pluralidade de elementos críticos em que a pluralidade de elementos críticos do vetor de parâmetros cada um tem um índice de vetor que corresponde a um índice do vetor de um respectivo elemento com maior classificação da pluralidade de elementos com maior classificação do vetor de parâmetros restante.

[00138] No Exemplo 25, o objeto do Exemplo 23 pode incluir, opcionalmente, em que os critério predefinidos são baseados na magnitude, e em que a aplicação de critérios predefinidos para o vetor de parâmetros restante para identificar a pluralidade de elementos com maior classificação do vetor de parâmetros restante inclui a seleção de uma quantidade de elementos predefinida do vetor de parâmetros restante que tem as maiores magnitudes como a pluralidade de elementos com maior classificação do vetor de parâmetros restante.

[00139] No Exemplo 26, o objeto do Exemplo 23 pode incluir, opcionalmente, em que o sistema linear descreve uma relação linear entre o vetor de parâmetros restante reduzido e uma pluralidade de elementos da matriz de covariância que correspondem com os elementos do vetor de parâmetros restante reduzido, e em que o cálculo da solução do sistema linear para gerar o vetor de atualização de parâmetros reduzido, tendo menos elementos que o vetor de parâmetros inclui a aplicação de estimativa de gradiente conjugada para obter o vetor de atualização de parâmetros reduzido como a solução para o sistema linear.

[00140] No Exemplo 27, o objeto do Exemplo 1 pode incluir ainda, opcionalmente, a inclusão da geração de um vetor de sinal de entrada de kernelização pela aplicação de uma função de mapeamento prede-finida para um ou mais elementos do vetor de sinal de entrada, em que o vetor de parâmetros descreve uma relação substancialmente linear entre o vetor de sinal de entrada de kernelização e um componente de sinal de destino do vetor de sinal de saída.

[00141] No Exemplo 28, o objeto do Exemplo 27 pode incluir, opcionalmente, em que o cálculo da matriz de covariância e o vetor de correlação com base no vetor de sinal de entrada e o vetor de sinal de saída inclui o cálculo da matriz de covariância como a matriz de covariância do vetor de sinal de entrada de kernelização e o cálculo do vetor de correlação como o vetor de correlação entre o vetor de sinal de entrada de kernelização e o vetor de sinal de saída.

[00142] No Exemplo 29, o objeto do Exemplo 1 pode incluir, opcionalmente, em que o processamento de um ou mais sinais associados com o vetor de sinal de entrada utilizando o vetor de parâmetros atualizado inclui a geração de um vetor de sinal de entrada mapeado com base no vetor de sinal de entrada, em que o vetor de parâmetros atualizado descreve uma relação linear entre o vetor de sinal de entrada mapeado e um componente de sinal de destino associado com o vetor de sinal de saída, e a aplicação do vetor de parâmetros atualizado para o vetor de sinal de entrada mapeado, a fim de estimar o componente de sinal de destino associado com o vetor de sinal de saída.

[00143] No Exemplo 30, o objeto do Exemplo 29 pode incluir, opcionalmente, em que o vetor de sinal de entrada é baseado em um ou mais sinais de transmissão previamente transmitidos por uma cadeia de transmissão de um transceptor e o vetor de sinal de saída é baseado em um ou mais sinais de recepção previamente recebidos por uma cadeia de recepção do transceptor, e em que o vetor de parâmetros atualizado descreve a relação linear entre o vetor de sinal de entrada mapeado e um componente de fuga de sinal contido em um ou mais sinais de recepção.

[00144] O Exemplo 31 é um dispositivo transceptor. O dispositivo transceptor inclui uma cadeia de transmissão configurada para transmitir um ou mais sinais de transmissão, uma cadeia de recepção configurada para receber um ou mais sinais de recepção e um processador configurado para calcular uma matriz de covariância e um vetor de correlação com base em um ou mais sinais de transmissão e um ou mais sinais de recepção, identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos, em que o vetor de parâmetros representa uma relação entre o um ou mais sinais de transmissão e o um ou mais sinais de recepção, calcular uma solução para um sistema linear para gerar um vetor de atualização de parâmetros reduzido tendo uma pluralidade de elementos, em que o sistema linear é baseado na pluralidade de elementos críticos, matriz de covariância e o vetor de correlação, atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado, em que o vetor de atualização de parâmetros reduzido tem menos elementos que o vetor de parâmetros, e processar, pelo menos, um do um ou mais sinais de transmissão utilizando o vetor de parâmetros atualizado.

[00145] No Exemplo 32, o objeto do Exemplo 31 pode incluir, opcionalmente, em que o processador está configurado para identificar uma pluralidade de elementos críticos de um vetor de parâmetros pela seleção de uma pluralidade de elementos do vetor de parâmetros como a pluralidade de elementos críticos, em que a quantidade da pluralidade de elementos críticos é menor que a quantidade de elementos do vetor de parâmetros, e em que o processador está configurado para atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado apenas a pluralidade de elementos críticos do vetor de parâmetros.

[00146] No Exemplo 33, o objeto do Exemplo 31 pode incluir, opcionalmente, em que cada um da pluralidade de elementos críticos do vetor de parâmetros corresponde a um elemento respectivo do vetor de atualização de parâmetros reduzido, e em que o processador está configurado para atualizar o vetor de parâmetros, atualizado apenas a pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado.

[00147] No Exemplo 34, o objeto do Exemplo 33 pode incluir, opcionalmente, em que o processador está configurado para identificar a pluralidade de elementos críticos do vetor de parâmetros com base em critérios predefinidos, gerando um vetor de parâmetros restante com base no vetor de parâmetros, matriz de covariância e o vetor de correlação, identificando uma quantidade de elementos predefinida do vetor de parâmetros restante tendo as maiores magnitudes de acordo com os critérios de classificação predefinidos, e selecionar os elementos do vetor de parâmetros que correspondem à quantidade de elementos predefinida do vetor de parâmetros restante como a pluralidade de elementos críticos do vetor de parâmetros.

[00148] No Exemplo 35, o objeto do Exemplo 34 pode incluir, opcionalmente, em que o processador está configurado para selecionar a quantidade de elementos predefinida do vetor de parâmetros restante para gerar um vetor restante de parâmetros reduzido, em que o vetor restante de parâmetros reduzido consiste da quantidade de elementos predefinida do vetor de parâmetros restante.

[00149] No Exemplo 36, o objeto do Exemplo 35 pode incluir, opcionalmente, em que o processador está configurado para selecionar os elementos da matriz de covariância que corresponde à pluralidade de elementos críticos do vetor de parâmetros para gerar uma matriz de covariância reduzida.

[00150] No Exemplo 37, o objeto do Exemplo 36 pode incluir, opcionalmente, em que o sistema linear inclui o vetor restante de parâmetros reduzido e a matriz de covariância reduzida e em que o sistema linear representa a relação linear entre o vetor restante de parâmetros reduzido e a matriz de covariância reduzida, e em que o processador está configurado para calcular a solução para o sistema linear para gerar o vetor de atualização de parâmetros reduzido pela realização da aproximação linear para obter o vetor de atualização de parâmetros reduzido como a solução para o sistema linear.

[00151] No Exemplo 38, o objeto do Exemplo 37 pode incluir, opcionalmente, em que o processador está configurado para realizar a aproximação linear para obter o vetor de atualização de parâmetros reduzido como a solução para o sistema linear realizando a estimativa de gradiente conjugada no sistema linear.

[00152] No Exemplo 39, o objeto do Exemplo 37 pode incluir, opcionalmente, em que o processador está configurado para atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado apenas a plurali- dade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado.

[00153] No Exemplo 40, o objeto do Exemplo 34 pode incluir, opcionalmente, em que o processador está configurado para gerar o vetor de parâmetros restante como uma combinação linear do vetor de parâmetros, matriz de covariância e o vetor de correlação.

[00154] No Exemplo 41, o objeto de qualquer um dos Exemplos 31 a 40 pode incluir, opcionalmente, em que o processador está configurado para identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos pela identificação de uma quantidade de elementos predefinida do vetor de parâmetros como uma pluralidade de elementos críticos do vetor de parâmetros.

[00155] No Exemplo 42, o objeto de qualquer um dos Exemplos 31 a 41 pode incluir, opcionalmente, em que o vetor de parâmetros atualizado estima a fuga de sinal entre a cadeia de transmissão e a cadeia de recepção, e em que o processador está configurado para processar, pelo menos, um do um ou mais sinais de transmissão utilizando o vetor de parâmetros atualizado pela aplicação do vetor de parâmetros atualizado para um vetor de sinal de entrada, incluindo o um ou mais sinais de transmissão para gerar um sinal de fuga estimado, e aplicar o sinal de fuga estimado a pelo menos um do um ou mais sinais de recepção a fim de minimizar o sinal de fuga a partir de, pelo menos, um do um ou mais sinais de recepção.

[00156] No Exemplo 43, o objeto de qualquer um dos Exemplos 31 a 42 pode incluir, opcionalmente, em que o processador está configurado para calcular a solução para o sistema linear para gerar o vetor atualizado de parâmetros reduzido pela aplicação da estimativa de gradiente conjugado ao sistema linear, para obter o vetor de atualização de parâmetros reduzido como uma solução para o sistema linear.

[00157] No Exemplo 44, o objeto de qualquer um dos Exemplos 31 a 43 pode incluir, opcionalmente, em que o processador ainda configurado para gerar um vetor de sinal de entrada de kernelização pela aplicação de uma função de mapeamento predefinida a, pelo menos, um do um ou mais sinais de transmissão, em que o vetor de parâmetros representa uma relação linear entre o vetor de sinal de entrada de kernelização e o sinal de fuga contido em um ou mais dos sinais de recepção.

[00158] No Exemplo 45, o objeto do Exemplo 44 pode incluir, opcionalmente, em que o processador está configurado para gerar um vetor de sinal de entrada de kernelização pela aplicação de uma função de mapeamento predefinida não linear a, pelo menos, um do um ou mais sinais de transmissão.

[00159] No Exemplo 46, o objeto do Exemplo 44 pode incluir, opcionalmente, em que o processador está configurado para calcular a matriz de covariância e o vetor de correlação com base em um ou mais sinais de transmissão e um ou mais sinais de recepção pelo cálculo da matriz de covariância como a matriz de covariância do vetor de sinal de entrada de kernelização, e calcular o vetor de correlação como o vetor de correlação entre o vetor de sinal de entrada de kernelização e um vetor de sinal de saída, incluindo, pelo menos, um do um ou mais sinais de recepção.

[00160] O Exemplo 47 é um dispositivo transceptor. O dispositivo transceptor inclui uma cadeia de transmissão configurada para transmitir um ou mais sinais de transmissão, uma cadeia de recepção configurada para receber um ou mais sinais de recepção e um processador configurado para calcular uma matriz de covariância e um vetor de correlação com base em um ou mais sinais de transmissão e um ou mais sinais de recepção, identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos, em que o vetor de parâmetros descreve uma relação entre o um ou mais sinais de transmissão e o um ou mais sinais de recepção, calcular uma solução para um sistema linear utilizando estimativa de gradiente conjugada para gerar um vetor de atualização de parâmetros reduzido tendo uma pluralidade de elementos, em que o sistema linear está baseado na pluralidade de elementos críticos, matriz de covariân-cia e o vetor de correlação, atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado, em que o vetor de atualização de parâmetros reduzido tem menos elementos que o vetor de parâmetros e gerar um sinal de fuga estimado pela aplicação do vetor de parâmetros atualizado para o um ou mais sinais de transmissão, e utilizar o sinal de fuga estimado para cancelar um sinal de fuga a partir de, pelo menos, um dos sinais de recepção.

[00161] No Exemplo 48, o objeto do Exemplo 47 pode incluir, opcionalmente, em que o processador está configurado para identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos pela seleção de uma quantidade de elementos críticos predefinidos da pluralidade de elementos críticos do vetor de parâmetros.

[00162] No Exemplo 49, o objeto do Exemplo, pode incluir, opcionalmente, o processador está configurado para atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado pela atualização apenas da pluralidade de elementos críticos do vetor de parâmetros.

[00163] No Exemplo 50, o objeto do Exemplo 47 pode incluir, opcionalmente, em que o processador está configurado para atualizar o vetor de parâmetros pela atualização apenas da pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado.

[00164] No Exemplo 51, o objeto de qualquer um dos Exemplos 47 a 50 pode incluir, opcionalmente, em que o processador está configurado para gerar o sinal de fuga estimado pelo cálculo de um vetor de sinal de entrada mapeado utilizando um novo sinal de transmissão de um ou mais sinais de transmissão, em que o vetor de parâmetros descreve uma relação substancialmente linear entre o vetor de sinal de entrada mapeado e a fuga de sinal a partir da cadeia de transmissão para a cadeia de recepção, e pela aplicação do vetor de parâmetros atualizado para o vetor de sinal de entrada mapeado para gerar o sinal de fuga estimado.

[00165] No Exemplo 52, o objeto de qualquer um dos Exemplos 47 a 51 pode incluir, opcionalmente, em que o processador está configurado para identificar a pluralidade de elementos críticos do vetor de parâmetros pela geração de um vetor de parâmetros restante com base no vetor de parâmetros, matriz de covariância e o vetor de correlação, aplicando os critérios predefmidos para o vetor de parâmetros restante para identificar uma pluralidade de elementos com maior classificação do vetor de parâmetros restante, e selecionando a pluralidade de elementos críticos do vetor de parâmetros como os elementos do vetor de parâmetros que correspondem à pluralidade de elementos de maior classificação do vetor de parâmetros restante.

[00166] No Exemplo 53, o objeto do Exemplo 52 pode incluir, opcionalmente, em que os critérios predefinidos são baseados em magnitude, e em que o processador está configurado para aplicar os critérios predefinidos para o vetor de parâmetros restante para identificar a pluralidade de elementos com maior classificação do vetor de parâmetros restante pela seleção de uma quantidade de elementos predefinida do vetor de parâmetros restante que tem as maiores magnitudes como a pluralidade de elementos com maior classificação do vetor de parâmetros restante.

[00167] No Exemplo 54, o objeto do Exemplo 47 pode incluir, opcionalmente, em que o processador está ainda configurado para aplicar uma função de mapeamento predefinida para o um ou mais sinais de transmissão para gerar um vetor de sinal de transmissão de kerneliza-ção, em que o vetor de parâmetros descreve uma relação linear entre o um ou mais sinais de transmissão e a fuga de sinal contidos em um ou mais sinais de recepção.

[00168] No Exemplo 55, o objeto do Exemplo 54 pode incluir, opcionalmente, em que o processador está configurado para aplicar uma função de mapeamento predefinida para o um ou mais sinais de transmissão para gerar um sinal de vetor de transmissão de kerneliza-ção pela aplicação de uma função de mapeamento predefinida não linear para o um ou mais sinais de transmissão.

[00169] No Exemplo 56, o objeto do Exemplo 54 pode incluir, opcionalmente, em que o processador está configurado para calcular a matriz de covariância e o vetor de correlação com base em um ou mais sinais de transmissão e o um ou mais sinais de recepção pelo cálculo da matriz de covariância como a matriz de covariância do vetor de sinal de transmissão de kernelização, e calcular o vetor de correlação como o vetor de correlação entre o vetor de sinal de transmissão de kernelização e um vetor de sinal de recepção incluindo, pelo menos, um do um ou mais sinais de recepção.

[00170] No Exemplo 57, o objeto de qualquer uma das reivindicações de Exemplos 47 a 56 pode incluir, opcionalmente, em que o processador está configurado para identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefi-nidos pela seleção de uma quantidade de elementos predefinida do vetor de parâmetros como a pluralidade de elementos críticos do vetor de parâmetros.

[00171] No Exemplo 58, o objeto do Exemplo 47 pode incluir, opci- onalmente, em que o processador está configurado para identificar a pluralidade de elementos críticos do vetor de parâmetros com base em critérios predefinidos pela geração de um vetor de parâmetros restante pela realização de uma operação linear sobre o vetor de parâmetros, matriz de covariância e o vetor de correlação, identificação de uma quantidade de elementos predefinida do vetor de parâmetros restante tendo as maiores magnitudes de acordo com os critérios predefinidos e a identificação dos elementos do vetor de parâmetros que cada um corresponde a um elemento respectivo da quantidade de elementos predefinida do vetor de parâmetros restante como a pluralidade de elementos críticos do vetor de parâmetros.

[00172] No Exemplo 59, o objeto do Exemplo 47 pode incluir, opcionalmente, em que o processador está ainda configurado para selecionar a quantidade de elementos predefinida do vetor de parâmetros restante para gerar um vetor de parâmetros restante reduzido, e selecionar uma pluralidade de elementos da matriz de covariância correspondente à pluralidade de elementos críticos do vetor de parâmetros para gerar uma matriz de covariância reduzida, em que o sistema linear inclui o vetor restante de parâmetros reduzido e a matriz de covariância reduzida.

[00173] No Exemplo 60, o objeto do Exemplo 59 pode incluir, opcionalmente, em que o sistema linear descreve uma relação linear entre o vetor restante de parâmetros reduzido e a matriz de covariância reduzida, e em que o processador está configurado para calcular a solução para o sistema linear, utilizando a estimativa de gradiente conjugado para gerar o vetor de atualização de parâmetros reduzido pela realização de estimativa de gradiente conjugada no sistema linear para obter o vetor de atualização de parâmetros reduzido como a solução para o sistema linear.

[00174] No Exemplo 61, o objeto do Exemplo 59 pode incluir, opci- onalmente, em que o processador está configurado para gerar um vetor restante de parâmetros reduzido pela seleção de uma quantidade de elementos predefinida do vetor de parâmetros restante como o vetor de parâmetros restante reduzido.

[00175] No Exemplo 62, o objeto de qualquer um dos Exemplos 47 a 61 pode incluir, opcionalmente, em que o processador está configurado para gerar o sinal de fuga estimado pela aplicação do vetor de parâmetros atualizado para o um ou mais sinais de transmissão, aplicação do vetor de parâmetros atualizado para um vetor de sinal de transmissão com base em um ou mais sinais de transmissão para gerar o sinal de fuga estimado.

[00176] No Exemplo 63, o objeto do Exemplo 62 pode incluir, opcionalmente, em que o processador está ainda configurado para gerar o vetor de sinal de transmissão pela aplicação de uma função de mapeamento predefinida para o um ou mais sinais de transmissão, em que o parâmetro de vetor descreve uma relação substancialmente linear entre o vetor de sinal de transmissão e o sinal de fuga.

[00177] No Exemplo 64, o objeto do Exemplo 47 pode incluir, opcionalmente, em que o processador está configurado para utilizar o sinal de fuga estimado para cancelar um sinal de fuga a partir de, pelo menos, um dos sinais de recepção pela utilização do sinal de fuga estimado para cancelar um sinal de fuga decorrente da cadeia de transmissão a partir de, pelo menos, um dos sinais de recepção.

[00178] Embora a invenção tenha sido particularmente mostrada e descrita com referência a modalidades específicas, deve ser entendido por aqueles versados na técnica que várias alterações na forma e detalhe podem ser feitas sem se afastar do espírito e âmbito da invenção tal como definido pelas reivindicações anexas. O âmbito da invenção é, portanto, indicado pelas reivindicações em anexo e todas as alterações que estejam dentro do significado e gama de equivalência das reivindicações são, por conseguinte, pretendidas ser acolhidas.

REIVINDICAÇÕES

Claims (25)

1. Método de processamento de sinais, caracterizado pelo fato de que compreende: calcular uma matriz de covariância e um vetor de correlação com base em um vetor de sinal de entrada e um vetor de sinal de saída; identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos, em que o vetor de parâmetros representa uma relação entre o vetor de sinal de entrada e o vetor de sinal de saída; calcular uma solução para um sistema linear para gerar um vetor de atualização de parâmetros reduzido, tendo uma pluralidade de elementos, em que o sistema linear é baseado na pluralidade de elementos críticos do vetor de parâmetros, matriz de covariância e o vetor de correlação; atualizar a pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado, em que o vetor de atualização de parâmetros reduzido tem menos elementos que o vetor de parâmetros; e processar um ou mais sinais associados com o vetor de sinal de entrada utilizando o vetor de parâmetros atualizado.

2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a identificação de uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos compreende selecionar uma quantidade de elementos predefinida do vetor de parâmetros como a pluralidade de elementos críticos.

3. Método de acordo com a reivindicação 2, caracterizado pelo fato de que a atualização da pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâ- metros reduzido para gerar um vetor de parâmetros atualizado compreende: atualizar apenas a pluralidade de elementos críticos do vetor de parâmetros.

4. Método de acordo com qualquer uma das reivindicações de 1 a 3, caracterizado pelo fato de que compreende ainda: com uma cadeia de transmissão de um transceptor, transmitir um ou mais sinais de transmissão; e com uma cadeia de recepção do transceptor, receber um ou mais sinais de recepção; em que o vetor de sinal de entrada é baseado em um ou mais sinais de transmissão e o vetor de sinal de saída é baseado em um ou mais sinais de recepção.

5. Método de acordo com a reivindicação 4, caracterizado pelo fato de que o processamento de um ou mais sinais associados com o vetor de sinal de entrada utilizando o vetor de parâmetros atualizado compreende: aplicar o vetor de parâmetros atualizado para um novo sinal de entrada destinado à transmissão pela cadeia de transmissão do transceptor para gerar um sinal de fuga estimado em que a fuga estimada aproxima a fuga de sinal desde a cadeia de transmissão para a cadeia de recepção do transceptor, e utilizar o sinal de fuga estimado para cancelar um sinal de fuga real a partir de um sinal de recepção recebido pela cadeia de recepção do transceptor.

6. Método de acordo com a reivindicação 5, caracterizado pelo fato de que a aplicação do vetor de parâmetros atualizado para o novo sinal de entrada destinado à transmissão pela cadeia de transmissão do transceptor para gerar um sinal de fuga estimado compreende: atualizar o vetor de sinal de entrada com base no novo si- nal de entrada para gerar um vetor de sinal de entrada atualizado; aplicar uma função de mapeamento para o vetor de sinal de entrada atualizado para gerar um vetor de sinal de entrada de ker-nelização, em que o vetor de parâmetros descreve uma relação linear entre o vetor de sinal de entrada de kernelização e a fuga de sinal; e aplicar o vetor de parâmetros atualizado para o vetor de sinal de entrada de kernelização para gerar o sinal de fuga estimado.

7. Método de acordo com qualquer uma das reivindicações de 1 a 3, caracterizado pelo fato de que a identificação da pluralidade de elementos críticos do vetor de parâmetros com base nos critérios predefinidos compreende: gerar um vetor de parâmetros restante com base no vetor de parâmetros, matriz de covariância e o vetor de correlação; aplicar os critérios predefinidos para o vetor de parâmetros restante para identificar uma pluralidade de elementos com maior classificação do vetor de parâmetros restante; e selecionar os elementos do vetor de parâmetros que cada um corresponde a um elemento respectivo da pluralidade de elementos com maior classificação do vetor de parâmetros restante como a pluralidade de elementos críticos do vetor de parâmetros.

8. Método de acordo com a reivindicação 7, caracterizado pelo fato de que os critérios predefinidos são baseados na magnitude, e em que a aplicação de critérios predefinidos para o vetor de parâmetros restante para identificar a pluralidade de elementos com maior classificação do vetor de parâmetros restante compreende: selecionar uma quantidade de elementos predefinida do vetor de parâmetros restante que tem as maiores magnitudes como a pluralidade de elementos com maior classificação do vetor de parâmetros restante.

9. Método de acordo com a reivindicação 7, caracterizado pelo fato de que o sistema linear descreve uma relação linear entre o vetor restante de parâmetros reduzido e uma pluralidade de elementos da matriz de covariância que corresponde com os elementos do vetor restante de parâmetros reduzido, e em que o cálculo da solução para o sistema linear para gerar o vetor de atualização de parâmetros reduzido tendo menos elementos que o vetor de parâmetros compreende: aplicar a estimativa do gradiente conjugado para obter o vetor de atualização de parâmetros reduzido como a solução para o sistema linear.

10. Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende ainda: gerar um vetor de sinal de entrada de kernelização pela aplicação de uma função de mapeamento predefinida para um ou mais elementos do vetor de sinal de entrada, em que o vetor de parâmetros descreve uma relação substancialmente linear entre o vetor de sinal de entrada de kernelização e um componente de sinal de destino do vetor de sinal de saída.

11. Método de acordo com a reivindicação 10, caracterizado pelo fato de que o cálculo da matriz de covariância e o vetor de correlação com base no vetor de sinal de entrada e o vetor de sinal de saída compreende: calcular a matriz de covariância como a matriz de covariância do vetor de sinal de entrada de kernelização e calcular o vetor de correlação como o vetor de correlação entre o vetor de sinal de entrada de kernelização e o vetor de sinal de saída.

12. Dispositivo transceptor caracterizado pelo fato de que compreende: uma cadeia de transmissão configurada para transmitir um ou mais sinais de transmissão; uma cadeia de recepção configurada para receber um ou mais sinais de recepção; e um processador configurado para: calcular uma matriz de covariância e um vetor de correlação com base em um ou mais sinais de transmissão e o um ou mais sinais de recepção; identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos, em que o vetor de parâmetros descreve uma relação entre o um ou mais sinais de transmissão e o um ou mais sinais de recepção; calcular uma solução para um sistema linear para gerar um vetor de atualização de parâmetros reduzido tendo uma pluralidade de elementos, em que o sistema linear é baseado na pluralidade de elementos críticos, matriz de covariância e o vetor de correlação; atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado, em que o vetor de atualização de parâmetros reduzido tem menos elementos que o vetor de parâmetros; e processar, pelo menos, um de um ou mais sinais de transmissão utilizando o vetor de parâmetros atualizado.

13. Dispositivo transceptor de acordo com a reivindicação 12, caracterizado pelo fato de que cada um da pluralidade de elementos críticos do vetor de parâmetros corresponde a um elemento respectivo do vetor de atualização de parâmetros reduzido, e em que o processador está configurado para atualizar o vetor de parâmetros pela: atualização de apenas a pluralidade de elementos críticos do vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar o vetor de parâmetros atualizado.

14. Dispositivo transceptor de acordo com a reivindicação 13, caracterizado pelo fato de que o processador está configurado para identificar a pluralidade de elementos críticos do vetor de parâmetros com base nos critérios predefinidos pela: geração de um vetor de parâmetros restante com base no vetor de parâmetros, matriz de covariância e o vetor de correlação; identificação de uma quantidade de elementos predefinida do vetor de parâmetros restante tendo as maiores magnitudes de acordo com os critérios de classificação predefinidos; e seleção dos elementos do vetor de parâmetros que correspondem à quantidade de elementos predefinida do vetor de parâmetros restante como a pluralidade de elementos críticos do vetor de parâmetros.

15. Dispositivo transceptor de acordo com a reivindicação 14, caracterizado pelo fato de que o processador está configurado para: selecionar os elementos da matriz de covariância que correspondem à pluralidade de elementos críticos do vetor de parâmetros para gerar uma matriz de covariância reduzida.

16. Dispositivo transceptor de acordo com a reivindicação 15, caracterizado pelo fato de que o sistema linear inclui o vetor restante de parâmetros reduzido e a matriz de covariância reduzida e em que o sistema linear representa a relação linear entre o vetor restante de parâmetros reduzido e a matriz de covariância reduzida, e em que o processador está configurado para calcular a solução para o sistema linear para gerar o vetor de atualização dos parâmetros reduzido pela: realização da aproximação linear para obter o vetor de atualização dos parâmetros reduzido como a solução para o sistema linear.

17. Dispositivo transceptor de acordo com qualquer uma das reivindicações de 12 a 16, caracterizado pelo fato de que o vetor de parâmetros atualizado estima a fuga de sinal entre a cadeia de transmissão e a cadeia de recepção, e em que o processador está configurado para processar, pelo menos, um de um ou mais sinais de transmissão utilizando o vetor de parâmetros atualizado pela: aplicação do vetor de parâmetros atualizado para um vetor de sinal de entrada compreendendo o um ou mais sinais de transmissão para gerar um sinal de fuga estimado; e aplicação do sinal de fuga estimado para, pelo menos, um de um ou mais sinais de recepção a fim de atenuar a fuga de sinal a partir de, pelo menos, um de um ou mais sinais de recepção.

18. Dispositivo transceptor de acordo com qualquer uma das reivindicações de 12 a 16, caracterizado pelo fato de que o processador está configurado para calcular a solução para o sistema linear para gerar o vetor atualizado de parâmetros reduzido pela: aplicação da estimativa de gradiente conjugado para o sistema linear para obter o vetor de atualização de parâmetros reduzido como uma solução para o sistema linear.

19. Dispositivo transceptor caracterizado pelo fato de que compreende: uma cadeia de transmissão configurada para transmitir um ou mais sinais de transmissão; uma cadeia de recepção configurada para receber um ou mais sinais de recepção; e um processador configurado para: calcular uma matriz de covariância e um vetor de correlação com base em um ou mais sinais de transmissão e um ou mais sinais de recepção; identificar uma pluralidade de elementos críticos de um vetor de parâmetros com base em critérios predefinidos, em que o vetor de parâmetros representa uma relação entre o um ou mais sinais de transmissão e o um ou mais sinais de recepção; calcular uma solução para um sistema linear utilizando a estimativa de gradiente conjugado para gerar um vetor de atualização de parâmetros reduzido tendo uma pluralidade de elementos, em que o sistema linear é baseado na pluralidade de elementos críticos, matriz de covariância e o vetor de correlação; atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado, em que o vetor de atualização de parâmetro reduzido tem menos elementos que o vetor de parâmetros; e gerar um sinal de fuga estimado pela aplicação do vetor de parâmetros atualizado para o um ou mais sinais de transmissão; e utilizar o sinal de fuga estimado para cancelar um sinal de fuga a partir de, pelo menos, um dos sinais de recepção.

20. Método de acordo com a reivindicação 19, caracterizado pelo fato de que o processador está configurado para atualizar o vetor de parâmetros utilizando o vetor de atualização de parâmetros reduzido para gerar um vetor de parâmetros atualizado pela: atualização de apenas a pluralidade de elementos críticos do vetor de parâmetros.

21. Dispositivo transceptor de acordo com a reivindicação 19 ou 20, caracterizado pelo fato de que o processador está configurado para gerar o sinal de fuga estimado pelo: cálculo de um vetor de sinal de entrada mapeado utilizando um novo sinal de transmissão de um ou mais sinais de transmissão, em que o vetor de parâmetros descreve uma relação substancialmente linear entre o vetor de sinal de entrada mapeado e a fuga de sinal a partir da cadeia de transmissão para a cadeia de recepção; e pela aplicação do vetor de parâmetros atualizado para o vetor de sinal de entrada mapeado para gerar o sinal de fuga estimado.

22. Dispositivo transceptor de acordo com a reivindicação 19 ou 20, caracterizado pelo fato de que o processador está configurado para identificar a pluralidade de elementos críticos do vetor de parâmetros pela: geração de um vetor de parâmetros restante com base no vetor de parâmetros, matriz de covariância e o vetor de correlação; aplicação dos critérios predefinidos para o vetor de parâmetros restante para identificar uma pluralidade de elementos com maior classificação do vetor de parâmetros restante; e seleção da pluralidade de elementos críticos do vetor de parâmetros como os elementos do vetor de parâmetros que correspondem à pluralidade de elementos com maior classificação do vetor de parâmetros restante.

23. Dispositivo transceptor de acordo com a reivindicação 22, caracterizado pelo fato de que os critérios predefinidos são baseados na magnitude, e em que o processador está configurado para aplicar os critérios predefinidos para o vetor de parâmetros restante para identificar a pluralidade de elementos com maior classificação do vetor de parâmetros restante pela: seleção de uma quantidade de elementos predefinida do vetor de parâmetros restante que tem as maiores magnitudes como a pluralidade de elementos com maior classificação do vetor de parâmetros restante.

24. Dispositivo transceptor de acordo com a reivindicação 19, caracterizado pelo fato de que o processador está configurado pa- ra gerar o sinal de fuga estimado pela aplicação do vetor de parâmetros atualizado para o um ou mais sinais de transmissão pela: aplicação do vetor de parâmetros atualizado para um vetor de sinal de transmissão com base em um ou mais sinais de transmissão para gerar o sinal de fuga estimado.

25. Dispositivo transceptor de acordo com a reivindicação 24, caracterizado pelo fato de que o processador está configurado para utilizar o sinal de fuga estimado para cancelar um sinal de fuga a partir de, pelo menos, um dos sinais de recepção pela utilização do sinal de fuga de estimativa de fuga para cancelar um sinal de fuga resultante da cadeia de transmissão a partir de, pelo menos, um dos sinais de recepção.