CN103201949B - 具有抽头输出归一化的非线性模型 - Google Patents

Abstract

用于预失真系统的失真模型使用抽头输出归一化将从基函数集合中的不同基函数生成的数据信号的方差归一化到预定值。失真模型由失真建模电路用于计算数字预失真器的加权系数。

Description

具有抽头输出归一化的非线性模型

技术领域

一般来说，本发明涉及用于构建非线性电子装置的物理模型的技术，更具体来说，涉及用于对输入信号补偿由电子装置引入输入信号的失真的方法和设备。

背景技术

用于通信应用的射频功率放大器的设计常常涉及线性度与效率之间的折衷。功率放大器通常当工作在饱和点或其附近时最有效率。但是，在饱和点或其附近的放大器的响应是非线性的。一般来说，当工作在高效率范围时，功率放大器的响应呈现非线性和记忆效应。

改进功率放大器的效率及其整体线性度的一种方式是以数字方式对功率放大器的输入进行预失真，以便补偿由功率放大器所引入的失真。实际上，在预期失真将由功率放大器引入的情况下调整输入信号，使得输出信号在很大程度上没有失真产物。一般来说，预失真在基带频率(即，在信号被上变频到射频之前)以数字方式应用于信号。

在线性度和效率两方面改进发射器系统的整体性能时，这些技术能够是相当有益的。此外，这些技术因预失真器的数字实现而能够相对廉价些。实际上，由于这些技术的可用性，可考虑到比原本可准许的更宽松的线性度要求来设计功率放大器，因而潜在地降低整体系统的成本。

发明内容

本发明提供失真模型以供预失真系统中使用。预失真系统包括预失真器、功率放大器和失真建模电路。预失真器对输入信号进行预失真，以便补偿由功率放大器所引入的失真。失真建模电路使用失真模型来计算由预失真器应用于输入信号的预失真器加权系数。失真模型使用抽头输出归一化将从基函数集合中的不同基函数生成的数据信号的方差归一化到预定值。

相应地，本发明的实施例包括用于对输入信号补偿由对输入信号进行操作的电子装置所引入的失真以产生输出信号的各种方法。在一个示范方法中，从输入信号和输出信号来生成表示多个抽样时间实例的第一和第二信号样本。对于所述抽样时间实例中的一个或多个，从第一信号样本以及电子装置或预失真器的非线性失真模型中的基函数集合来生成对应的数据样本集合。将数据样本归一化，使得来自各基函数的归一化数据样本具有预定方差。然后，按照非线性失真模型计算使归一化数据样本拟合第二信号样本的模型加权系数。模型拟合参数被用来确定预失真器权重集合，预失真器权重集合由预失真器应用于功率放大器的输入信号。

本发明的其它实施例包括预失真电路，该预失真电路用于对输入信号进行预失真，以便补偿由对输入信号进行操作的电子装置所引入的失真以产生输出信号。一个示范预失真电路包括输入电路、失真建模电路和预失真器。输入电路配置成对于多个抽样时间实例中的每个，从输入和输出信号来生成第一和第二信号样本。失真建模电路对电子装置或预失真器的失真建模，并且计算预失真器的预失真权重。失真建模电路配置成对于一个或多个抽样时间实例，从第一信号样本以及电子装置或预失真器的非线性失真模型中的基函数集合来生成对应的数据样本集合。失真建模电路将数据样本归一化，使得来自各基函数的归一化数据样本具有预定方差，按照非线性失真模型计算使归一化数据样本拟合第二信号样本的模型加权系数，以及从模型加权系数来确定预失真器权重。预失真器将预失真权重应用于输入信号，以便补偿由电子装置所引入的失真。

附图说明

图1示出用于预失真电路的间接模型。

图2示出用于预失真电路的间接模型。

图3示出用于对预失真器或功率放大器所引入的失真建模的通用失真模型。

图4示出用于对预失真器或功率放大器所引入的失真建模的没有记忆的失真模型。

图5示出用于失真模型的示范幂基函数集合。

图6示出用于失真模型的示范幂基函数集合。

图7示出用于对预失真器或功率放大器所引入的失真建模的具有记忆的失真模型。

图8示出具有抽头输出归一化的通用失真模型。

图9示出具有记忆和抽头输出归一化的备选失真模型。

图10示出具有记忆和抽头输出归一化的备选失真模型。

图11示出具有记忆和抽头输出归一化的备选失真模型。

图12示出对功率放大器输入信号进行预失真的示范方法。

图13示出用于对功率放大器输入信号进行预失真的示范预失真电路。

具体实施方式

现在参照附图，图1示出数字预失真系统100，数字预失真系统100配置成补偿由功率放大器120对通信信号引入的失真。功率放大器120通常当工作在非线性范围时最有效率。但是，功率放大器120的非线性响应引起带外发射，并且降低通信系统中的谱效率。预失真器110可用于通过使功率放大器120的输入信号失真以补偿功率放大器120引入的非线性失真，来改进功率放大器效率和线性度。预失真器110和功率放大器120的级联改进输出信号的线性度，并且因而允许功率放大器120更有效率地操作。虽然预失真在本文所述电路和系统中用于使功率放大器120的输出线性化，但是本领域的技术人员将会理解，所述技术更一般地可适用于使任何类型的非线性电子装置的输出线性化。

如图1中看到的，输入信号x(n)被输入到预失真器110。预失真器110对输入信号x(n)进行预失真，以便补偿当功率放大器120工作在非线性范围时由功率放大器120所引入的失真。预失真器110所产生的预失真输入信号z(n)则被施加于功率放大器120的输入端。功率放大器120放大预失真输入信号z(n)，以便产生输出信号y(n)。如果预失真器110经过适当设计和配置，则输出信号y(n)包含比单独使用功率放大器120时更少的失真产物和带外发射。

为了补偿由功率放大器120所引入的失真，预失真器110必须具有有效地逆转功率放大器120的非线性效应的非线性传递函数。为了适当配置预失真器110，需要用于这个非线性传递函数的适当模型。得出这个非线性传递函数的两种不同方式是可能的。第一种方式利用如图1所示的间接学习架构，第二种方式使用图2的直接学习架构。在两种情况下，将输入到功率放大器120的信号z(n)以及放大器输出信号y(n)的缩放形式应用于失真建模电路130。图1和图2中示为衰减器140的缩放反映从预失真器110和功率放大器120的组合所预期的净线性增益G。通过G的倒数来缩放输出信号y(n)准许功率放大器120所引入的非线性度与其增益无关地被分析。

在图1的间接学习架构中，预失真器110的模型的一般结构被视为给定的，并且其系数(参数)直接从功率放大器120的输入和输出来估计。失真建模电路130包括系数评估电路150，系数评估电路150按照预失真器的预定非线性模型来评估放大器输入信号z(n)和放大器输出信号y(n)/G，以便确定将要由预失真器110所应用的加权系数集合。下面更详细地描述这个过程。通过这种间接方式，没有得出功率放大器120的模型。而是，通过抵消功率放大器120所引入的失真所需的预失真的建模来间接地学习功率放大器120的非线性特性。

相比之下，图2的直接学习架构直接表征功率放大器120的非线性性能。功率放大器包括系数评估电路160，系数评估电路160按照功率放大器120的预定非线性模型来评估放大器输入信号z(n)和放大器输出信号y(n)/G。在框120使功率放大器的非线性特性最佳地拟合功率放大器模型的加权系数则由系数推导电路170用于生成用于配置预失真器110的权重。

预失真器110或功率放大器120所引入的失真能够由本文中将称作失真函数的复杂非线性函数来表示。本文中称作分解方式的一种对失真函数建模的方式将失真函数分解为不太复杂的基函数的集合，并且计算作为基函数输出的加权和的失真函数的输出。用于对失真函数建模的基函数的集合在本文中称作基函数集合。

图3示出一般化失真模型200，它可表示由功率放大器120所引入的失真(例如，如图2的直接学习架构中的模型系数评估单元160所建模的)或者预失真器的预失真传递函数(例如，如图1的预失真器模型系数评估单元150所建模的)。在任一种情况下，失真模型200包括与预期基函数集合对应的结构210。模型结构210包括P个抽头，其中各抽头对应于基函数。应当注意，在一些实施例中，多个抽头可对应于相同基函数。模型结构210对输入信号x(n)进行操作，以便在相应抽头产生数据信号。失真模型300则计算数据信号的加权和，以便得到已失真输入信号d(n)。更具体来说，将数据信号与对应加权系数相乘，以及所产生的乘积相加在一起以得到d(n)。

图3所示的失真模型能够表示为：

　　　　　等式1

等式1能够按照下式写作线性等式：

　　　　　　等式2

其中，u是由模型结构在时间n输出的数据信号的P×1向量，以及w是应用于相应数据信号的加权系数的P×1向量。

对于给定向量u，d(n)是失真模型200的预期输出。在直接学习架构中，d(n)是功率放大器120的实际输出。在间接学习架构中，d(n)是预失真器110的预期输出。能够通过使u的多个观测拟合对应的预期输出d(n)，来学习在某个时间周期期间使向量u最佳地拟合预期输出d(n)的加权系数w。对于在N个抽样实例期间的观测的集合，等式2中所给出的对应线性等式能够表示为：

　　　　等式3

其中，U是数据信号的N×P矩阵，d是与N个抽样实例中的每个的失真模型的预期输出信号对应的N×1向量。矩阵U的列对应于由相应抽头输出的数据信号，行对应于不同的抽样实例。等式3能够按照众所周知的技术(例如，使诸如最小平方误差标准之类的标准为最小)来评估，以便查找对放大器120或预失真器110的失真最佳地建模的权重w。

图4示出用于对失真函数建模的无记忆、多分支失真模型300。失真模型300包括K个分支310，各对应于基函数集合中的K个基函数320其中之一。各分支的基函数320对输入信号x(n)进行操作，产生基函数输出信号。在这个模型中，基函数是“无记忆的”，并且基函数输出信号f_k(x(n))仅取决于当前输入信号x(n)。将基函数输出信号与对应加权系数相乘，并且相加在一起以得到d(n)。

将图4所示的无记忆失真模型300与图3的一般失真模型200进行比较，可注意到，无记忆失真模型300中的分支数量K等于一般失真模型200中的抽头数量P。还可注意到，在无记忆模型300中基函数输出信号对于给定抽样时间实例n的输出对应于一般失真模型200中的数据样本。因此，图4的模型能够被看作是图3的模型的特例，其中K=P。给定抽样时间实例的数据信号u_p(n)因而表示为：

　　　　等式4

使用图4所示的失真模型的失真建模电路130在给定x(n)和d(n)的情况下计算基函数输出信号u_k(n)的加权系数。相应地，按照与以上所述相似的方式，例如，通过使基函数集合的输出的N个观测的矩阵拟合预期输出信号向量d，能够求出对放大器120或预失真器110的失真最佳地建模的权重w。由于失真模型300没有考虑记忆效应，所以这个模型相对于给定功率放大器120的实际失真函数的准确度可能是有限的。

无记忆失真模型300使用的基函数集合可包括多项式模型中使用的幂函数的集合。例如，基函数集合可基于广泛用于对非线性系统建模的伏特拉级数来设计。在实际应用中，包含比完整伏特拉级数要少的项的略微简化的模型能够用于降低计算复杂度，而不会显著影响性能。例如，多项式模型可通过省略除幂项之外的所有项来得到，并且可实现为多分支模型，其中幂函数被用作基函数并且被指配给相应分支。

图5示出可用于实现无记忆失真模型300中的幂基函数集合的基函数结构400。基函数集合由表示为的K个幂基函数构成，其中下标k表示k次幂基函数，并且对应于失真模型300中的K个分支其中之一。当在失真模型300中使用幂基函数时，给定抽样时间实例的数据信号u_p(n)表示为：

　　等式5

正交基函数集合能够被构建为幂基函数的加权求和。正交基函数集合在许多应用中能够是有利的，因为它能够在用于评估失真模型的加权系数的矩阵数学期间提供更好的数值稳定性。正交基函数集合能够被构建为幂基函数的加权求和。正交基函数集合在许多应用中能够是有利的，因为它能够在用于评估失真模型的加权系数的矩阵数学期间提供更好的数值稳定性。

图6示出用于实现正交基函数集合的基函数结构500。基函数结构500包括K个幂基函数510的集合。输入信号x(n)经过每个幂基函数510而生成幂基函数输出信号f_POWER,h(x(n))的集合，其中下标h表示幂基函数的次数。表示为f_ORTHO,k(x(n))的正交基函数输出信号包括幂基函数输出信号f_POWER,h(x(n))的加权求和，其中下标k表示次数。当在失真模型300中使用正交基函数时，给定抽样时间实例的数据信号u_p(n)表示为：

　　等式6

称作连接系数的项c_k,h是应用于h次幂基函数f_POWER,h(x(n))以生成k次正交基函数f_ORTHO,k(x(n))的权重。系数c_k,h的给定全体标识特定正交基函数集合(如等式6所给定)。

能够基于各种标准来设计正交基函数集合。在RavivRaich、HuaQian和G.TongZhou的“Orthogonalpolynomialsforpoweramplifiermodelingandpredistorterdesign”(IEEETransactionsonVehicularTechnology，vol.53，no.5，第1468-1479页，2004年9月)中得出适用于若干公共输入信号分布的一种设计。

记忆效应、即输出信号对输入信号的先前状态以及对当前状态的相关性也能够结合到失真函数中。图7示出具有记忆的非线性失真模型600。失真模型600包括K个分支610。各分支610包括基函数620，之后接着对应的记忆模型630。如前面所述，基函数620可以是幂基函数或者正交基函数其中之一。在这个模型600中，与各基函数620对应的记忆效应被建模为具有Q个抽头的抽头延迟线，其中Q是记忆模型630的记忆长度。本领域的技术人员将会理解，也可使用其它记忆模型，例如格栅预测器记忆模型。各分支610的输出信号是由对应基函数在包括当前抽样时间实例和Q-1个先前抽样时间实例的Q个抽样时间实例期间所产生的基函数输出信号的加权和。例如，如果分支k的基函数是f_k(·)并且输入信号是x(n)，则分支k的输出是f_k(x(n))、f_k(x(n-1))、f_k(x(n-2))等的加权和。将在时间n从记忆模型抽头输出的数据信号与对应加权系数相乘，以及对所产生的乘积求和以产生k个分支输出信号。然后，对来自K个分支610的K个输出求和以形成预期失真信号d(n)。

将图7中的失真模型600与图3中的一般模型200进行比较，应当注意，各分支610具有Q个抽头，并且存在总共KQ个抽头和KQ个对应权重。这个模型中的抽头总数KQ等于一般模型200中的抽头数量P。还应当注意，KQ个数据信号对应于一般模型200中的模型结构210所输出的P个数据样本。

使用图7所示的失真模型600的失真建模电路130在给定x(n)和d(n)的情况下计算记忆模型抽头的加权系数。因此，再次能够通过记录KQ个样本的输出的N个观测以形成矩阵U，并且按照等式3和特定优化标准使矩阵U拟合预期输出信号向量d，来估计权重w(在这个情况下为1×KQ向量)。给定适当的基函数集合和足够深度的记忆模型，所产生的失真一般将提供比无记忆模型要好的现实世界装置失真模型。

如以上论述中建议的，图3-7中的模型中的每个包括能够表示为下式的数据样本u的集合：

　　　　等式7

无论模型是否包括记忆，这都是成立的。在无记忆模型中，u ^T的元素仅由基函数输出信号组成，即，各元素严格地是x(n)的函数。在具有记忆的模型中，u ^T还包括与基函数输出信号的延迟形式对应的元素。因此，u ^T的一些元素可对应于x(n-1)、x(n-2)等的函数。注意，在等式7中以及如本文一般所使用，(·)^T表示转置，(·)^H表示共轭转置，P是模型中的系数的数量，P×1向量u(n)表示在给定时间索引n在模型中的所有数据样本，P×1向量w表示失真模型中的所有系数，以及d(n)是对于时间实例n的模型的预期输出。

对于任何给定时间索引n，u(n)和d(n)都是已知的，以及等式7是w的线性等式。如前面所述，对于N个时间索引处得到的观测，等式7中表示的对应线性等式能够简洁地表示为：

　　　　等式8

在等式8中，U是输入数据矩阵，以及d是预期输出向量。

在图1的间接学习架构中，d(n)是预失真器110的预期输出，预失真器110理想地具有很好地补偿功率放大器120所引入的失真的失真函数。因此，当使用间接学习架构时，d(n)对应于z(n)、即功率放大器120的输入。在图3-7中表示为x(n)的失真模型的输入信号对应于功率放大器120的缩放输出y(n)/G。因此，对于任何给定模型结构，对于N个抽样实例中的每个取得来自功率放大器120的输出的样本，并且将其应用于基函数集合以产生矩阵U。按照等式8将这个矩阵U拟合预期输出向量d，其中d是在用于形成矩阵U的相同的N个抽样实例所取得的功率放大器的输入的样本的向量。

如前面所述，在图2所示的直接学习架构中，功率放大器120的失真特性直接被建模。在这种情况下，“预期”失真信号d(n)对应于功率放大器120的缩放输出y(n)/G。对模型的输入x(n)对应于功率放大器的输入信号。因此，对于任何给定模型结构，对N个抽样实例中的每个取得来自功率放大器120的输入的样本，并且将其应用于基函数集合以产生矩阵U。按照等式6将这个矩阵U拟合预期输出向量d，其中d是在用于形成矩阵U的相同的N个抽样实例所取得的来自功率放大器的缩放输出的样本的向量。

与模型结构的细节无关，并且与使用间接学习架构还是直接学习架构无关，在图1和图2的数字预失真器110中的系数评估的中心是基于满足某个标准的等式8来估计系数向量w的问题。为了解决这个估计问题，要求某种形式的数据矩阵U的求逆或U ^H U。矩阵对数字运算、例如矩阵求逆的敏感度的众所周知的量度是所谓的条件数，条件数被定义为矩阵的最大本征值与其最小本征值之比。条件数接近1的矩阵被说成是条件良好的。

因为矩阵计算能够相当复杂，所以功率放大器120或预失真器110的失真模型的设计中的一个重要目标是向系数评估算法提供数据矩阵U ^H U，该数据矩阵U ^H U在给定特定优化标准的情况下，具有相对较少的列数(以便降低矩阵运算的计算复杂度)、具有尽可能接近1的条件数(高数值稳定性)以及同时还尽可能准确地对功率放大器或预失真器的物理行为建模。用于得出失真模型的基函数集合的输入信号的分布与应用于预失真器110的实际数据的分布之间的差异可产生具有大条件数的数据矩阵U ^H U。

按照本发明的实施例，将归一化函数加入失真模型，以便将跨矩阵U的列的方差归一化。跨矩阵U的列的方差是对矩阵U ^H U的条件数的贡献因素。跨矩阵U的列的非均匀方差通常引起矩阵U ^H U的条件数的增加。另一方面，跨U的列的均匀方差将产生条件良好的矩阵U ^H U。基本概念是将失真模型中的各抽头的输出信号的方差归一化到预定值。

图8示出具有抽头输出归一化的通用失真模型700，这可与图3的失真模型200进行比较。失真模型700包括具有P个抽头的模型结构710。归一化块720对各抽头输出进行操作，以便对各抽头上输出的数据信号的方差进行归一化以产生归一化数据信号。更具体来说，归一化块720将抽头输出信号u_p(n)与对应归一化因子α_p相乘。归一化因子α_p对于不同抽头可以不同，并且基于在预定时间间隔的抽头输出信号u_p(n)的方差来选择。各抽头的归一化因子α_p可预先配置，或者可按照预期更新频率来更新。第p抽头的归一化抽头输出信号表示为：

　　　　等式9

将各抽头上产生的归一化抽头输出信号与对应加权系数相乘，以及对所产生的乘积求和以得到d(n)。

具有归一化抽头输出的失真模型700可表示为：

　等式10

其中，项以及。应当注意，归一化和加权运算是线性的。因此，等式10中的加权系数与归一化因子α_p相乘的乘积等于等式1-3中的加权系数w_p。因此，等式10中给出的模型在理论上等效于没有等式1-3中给出的抽头输出归一化的模型。

在一个示范实施例中，给定抽头的归一化因子α_p选择成与来自该抽头的数据样本的方差成比例。归一化因子α_p能够按照下式来计算：

　等式11

其中var表示方差，E表示期望值，β(例如β=1)表示归一化运算的预定值，以及m_p是在预定时间间隔的数据序列u_p(n)的均值。符号*表示共轭。β的值的选择可由实现来确定，并且可以是任何任意值。对于许多实际应用，设置β=1将提供良好性能。如果输入样本序列具有零均值，并且使用幂基函数或正交基函数集合，则m_p的值将为零。

使用图7所示的失真模型600的失真建模电路130在给定x(n)和d(n)的情况下计算加权系数。能够通过记录P个样本的输出的N个观测以形成矩阵U，并且按照等式10和特定优化标准使矩阵U拟合预期输出信号向量d，来估计权重(在这个情况下为1×P向量)。在预失真器应用抽头输出归一化的实现中，加权系数可用作预失真器系数。在预失真器没有应用归一化的实施例中，预失真器加权系数可计算为加权系数与相应归一化因子相乘的相应乘积之积。

图9示出具有记忆的失真模型800中的抽头输出归一化的一种方式，失真模型800可与图5中的失真模型相比。失真模型800包括多个分支810。各分支810包括基函数820和记忆模型830。如前面所述，基函数810可以是基函数集合中的幂基函数或者正交基函数其中之一。在失真模型800中的分支810与基函数集合中的基函数820之间存在一一对应。记忆模型830表示为具有Q个抽头的抽头延迟线，其中Q是记忆长度。与通用模型相比，记忆模型中的抽头总数P为K·Q。归一化块840将各抽头上输出的数据信号与归一化因子α_k相乘。把来自抽头的数据信号与相应系数、例如、、…相乘，以及对所产生的乘积求和以产生分支输出信号。又对分支输出信号求和以得到d(n)。在这个模型中，失真建模电路130在给定x(n)和d(n)的情况下计算记忆模型抽头的归一化因子α_k和加权系数。

图10示出具有记忆的失真模型800中的抽头输出归一化的一种备选方式，失真模型800可与图9中的失真模型相比。为了方便起见，图9中使用的参考标号在图10中再用于表示失真模型800中的相似组件。在这个实施例中，归一化块840从记忆模型抽头移动到记忆模型830的输入。能够在记忆模型830的输入序列是广义稳定的(widesensestationary)时使用这种方式。在这种情况下，在各抽头的数据样本将具有相同方差。因此，单个乘法可对基函数输出信号来执行。备选地，归一化块840可用于将分支输出信号归一化，如图11所示。图10和图11所示的建模方式减少计算加权系数所需的计算数量。

图12示出按照本发明的一个实施例用于对输入信号预失真以补偿诸如功率放大器之类的电子装置中的非线性失真的示范方法900。对于失真建模电路130的输入生成第一和第二信号样本(框902)。在间接方式中，第一信号样本通过对功率放大器输出信号进行抽样来生成，以及第二信号样本由预失真器来生成。备选地，第二信号样本可通过对功率放大器的输入端的信号进行抽样来生成。在直接方式中，第一信号样本由预失真器提供，或者通过对功率放大器输入进行抽样来提供，以及第二信号样本通过对功率放大器的输出进行抽样来生成。

失真建模电路130从第一输入信号样本以及失真模型中使用的基函数集合来生成数据样本(框904)。在没有记忆的实施例中，对于各抽样时间实例为基函数集合中的各基函数生成一个数据样本。在具有记忆的实施例中，对于各抽样时间实例为基函数集合中的各基函数生成多个数据样本。

在直接和间接两种方式中，失真建模电路130将数据样本归一化，使得归一化数据样本具有预定方差(例如，var=1)(框906)。然后，失真建模电路130计算使归一化数据样本拟合第二信号样本的模型加权系数(框908)。在间接方式中，第二信号样本是从预失真器输出的样本，或者备选地，是通过对功率放大器的输入端的信号进行抽样所生成的样本。在直接方式中，第二信号样本通过对功率放大器输出信号进行抽样来生成。

模型加权系数用于计算预失真器加权系数(框910)。在间接方式中，失真建模电路130对预失真器建模，以及预失真器加权系数是模型加权系数与相应归一化因子相乘的乘积。备选地，如果预失真器包括用于将来自基函数的数据样本归一化的归一化块，则模型加权系数能够用作预失真器加权系数。在直接方式中，失真建模电路130对功率放大器建模，并且计算功率放大器系数。预失真器加权系数则能够通过功率放大器系数矩阵的矩阵求逆来得出。

一旦计算了加权系数，则预失真器采用加权系数来配置，使得预失真器应用加权系数以对输入信号进行预失真。如前面所述，预失真器可由硬件电路或者由处理器使用与失真建模电路130相同的失真模型来实现。预失真器110将预失真加权系数应用于输入信号x(n)以生成已预失真的信号z(n)。对于各输入信号样本，预失真器110计算基函数输出信号集合，以及对通过相应预失真器加权系数加权的基函数输出信号求和。预失真器加权系数可被静态地配置，或者可按照预期更新频率来周期性地更新。

图13示出功率放大器的示范预失真电路1000，它可由数字处理电路，诸如基带处理器、硬件、固件或者它们的组合来实现。预失真电路包括预失真器1010、抽样电路1020和失真建模电路1030。将已调制输入信号应用于预失真器1010。预失真器1010对输入信号进行预失真以生成已预失真的信号。上变频器/滤波器电路1040对已预失真的信号进行上变频和滤波，以供输入到功率放大器1050。在上变频期间，已预失真的信号从数字域转换到模拟域。功率放大器1050放大已预失真的信号，从而生成输出信号以供传输。

功率放大器输出信号由抽样电路1020来抽样，从而生成用于预失真建模电路1030的失真建模电路输入的信号样本集合。在使用间接建模方式的实施例中，对于来自功率放大器1050的输出信号进行抽样，以便生成失真模型的输入信号x(n)。失真模型的输出信号d(n)包括预失真器输出。在使用直接建模方式的实施例中，功率放大器的输入信号x(n)经过抽样以生成失真模型的输入信号，以及来自功率放大器的输出信号经过抽样以生成失真模型的输出信号d(n)。

如前面所述，失真建模电路1030对预失真器1010(间接方式)或功率放大器1050(直接方式)所引入的失真建模。预失真建模电路1030计算使失真模型的输入信号拟合输出信号的模型加权系数w的集合。失真建模电路1030还从模型加权系数来计算预失真器系数。在间接方式中，模型加权系数可与对应归一化因子相乘，以便得到预失真器加权系数。在直接方式中，在计算预失真器加权系数之前，需要对模型加权系数的矩阵求逆。

加权系数的计算中使用的数据样本的归一化引起矩阵U ^H U的条件数的显著减少。较低条件数意味着预失真器模型不太敏感并且更稳定。归一化块能够仅当非均匀方差存在时灵活地应用，而失真模型的准确度不会降级。具有和没有抽头输出归一化的失真模型在数学上是等效的。归一化能够通过对失真模型的各分支添加单个实数乘法器，以低成本来实现，因为归一化因子始终为实数。抽头输出信号的归一化具有减小失真模型的动态范围并且因而增加硬件效率的可能性。

本发明当然可通过除了本文所述之外的其它特定方式来执行，而没有背离本发明的范围和基本特性。因此，当前实施例在所有方面被认为是说明性而不是限制性的，以及落入所附权利要求的含义和等效范围之内的所有变更意在涵盖于其中。

Claims (24)

1.一种对输入信号补偿失真以产生输出信号的方法，所述失真是由对所述输入信号进行操作的电子装置所引入的，所述方法包括：

对于多个抽样时间实例中的每个，生成表示所述输入信号和输出信号的第一信号样本和第二信号样本；

对于所述抽样时间实例中的一个或多个，从所述第一信号样本以及所述电子装置或预失真器的非线性失真模型中的基函数集合来生成对应的数据样本集合；

将所述数据样本归一化，使得来自各基函数的归一化数据样本具有预定方差；

按照所述非线性失真模型计算使所述归一化数据样本拟合所述第二信号样本的模型加权系数；

从所述模型加权系数来确定预失真权重；以及

将所述预失真权重应用于所述输入信号，以便补偿由所述电子装置所引入的所述失真。

2.如权利要求1所述的方法，其中，对于给定抽样时间实例来生成所述对应的数据样本集合包括：基于与两个或更多抽样时间实例对应的第一信号样本来计算一个或多个数据样本。

3.如权利要求2所述的方法，其中，基于与两个或更多抽样时间实例对应的第一信号样本来计算一个或多个数据样本包括：

计算与两个或更多抽样时间实例对应的基函数输出信号；以及

从所述基函数输出信号来生成所述一个或多个数据样本。

4.如权利要求3所述的方法，其中，将所述数据样本归一化包括：将所述基函数输出信号归一化，并且从所述归一化的基函数输出信号来生成归一化数据样本。

5.如权利要求3所述的方法，其中，将所述数据样本归一化包括：从所述基函数输出信号来生成作为非归一化数据样本的所述一个或多个数据样本，以及将所述非归一化数据样本归一化。

6.如权利要求1所述的方法，其中，将所述数据样本归一化包括：将从各基函数生成的数据样本乘以与所述基函数所生成的数据样本的方差的平方根的倒数成比例的对应归一化因子。

7.如权利要求1所述的方法，其中，所述非线性失真模型包括预失真器模型，并且其中，从所述模型加权系数来确定预失真权重包括从所述预失真模型的模型加权系数来计算预失真权重。

8.如权利要求7所述的方法，其中，从所述模型加权系数来计算预失真权重包括：计算作为所述模型加权系数和相应归一化因子的乘积的预失真权重。

9.如权利要求1所述的方法，其中，所述非线性失真模型包括所述电子装置的失真模型，并且其中，从所述模型加权系数来确定预失真权重包括：

从所述模型加权系数来计算功率放大器加权系数，以及

计算作为所述功率放大器加权系数的逆的预失真器加权系数。

10.如权利要求1所述的方法，其中，给定抽样时间实例的数据样本包括：从所述第一信号样本以及与所述相应分支对应的基函数集合来计算作为分支输出信号的数据样本。

11.如权利要求10所述的方法，其中，将所述数据样本归一化包括：将所述分支输出信号归一化。

12.如权利要求10所述的方法，其中，所述分支输出信号被计算为与两个或更多抽样时间实例对应的基函数输出信号的加权和。

13.一种预失真电路，用于对输入信号进行预失真，以便补偿由对所述输入信号进行操作的电子装置所引入的失真以产生输出信号，所述预失真电路包括：

输入电路，配置成对于多个抽样时间实例中的每个，生成表示所述输入信号和输出信号的第一信号样本和第二信号样本；

失真建模电路，对所述电子装置或预失真器的失真建模，并且计算预失真权重，所述失真建模电路配置成：

对于所述抽样时间实例中的一个或多个，从所述第一信号样本以及所述电子装置或预失真器的非线性失真模型中的基函数集合生成对应的数据样本集合；

将所述数据样本归一化，使得来自各基函数的归一化数据样本具有预定方差；

按照所述非线性失真模型计算使所述归一化数据样本拟合所述第二信号样本的模型加权系数；

从所述模型加权系数来确定预失真权重；

预失真器，将所述预失真权重应用于所述输入信号，以便补偿由所述电子装置所引入的所述失真。

14.如权利要求13所述的预失真电路，其中，所述失真建模电路配置成：通过基于与两个或更多抽样时间实例对应的第一信号样本计算一个或多个数据样本，对于给定抽样时间实例生成对应的数据样本集合。

15.如权利要求14所述的预失真电路，其中，所述失真建模电路配置成：通过计算与两个或更多抽样时间实例对应的基函数输出信号，并且从所述基函数输出信号生成所述一个或多个数据样本，来计算所述一个或多个数据样本。

16.如权利要求15所述的预失真电路，其中，所述失真建模电路配置成：通过将所述基函数输出信号归一化，并且从所述归一化基函数输出信号生成归一化数据样本，来将所述数据样本归一化。

17.如权利要求15所述的预失真电路，其中，所述失真建模电路配置成：通过从所述基函数输出信号生成作为非归一化数据样本的一个或多个数据样本，并且将所述非归一化数据样本归一化，来将所述数据样本归一化。

18.如权利要求15所述的预失真电路，其中，所述失真建模电路配置成：通过将从各基函数生成的数据样本乘以与所述基函数生成的所述数据样本的方差的平方根的倒数成比例的对应归一化因子，来将所述数据样本归一化。

19.如权利要求13所述的预失真电路，其中，所述非线性模型包括预失真器模型，并且其中，所述失真建模电路配置成：从所述预失真模型的模型加权系数来计算预失真权重。

20.如权利要求19所述的预失真电路，其中，所述失真建模电路配置成：计算作为所述模型加权系数和相应归一化因子的乘积的预失真权重。

21.如权利要求13所述的预失真电路，其中，所述非线性模型包括所述电子装置的失真模型，并且其中，所述失真建模电路配置成：

从所述电子装置失真模型的模型加权系数来计算功率放大器加权系数；以及

计算作为所述功率放大器加权系数的逆的预失真加权系数。

22.如权利要求13所述的预失真电路，其中，所述失真建模电路配置成：从所述第一信号样本以及与所述相应分支对应的基函数集合来计算作为分支输出信号的数据样本。

23.如权利要求22所述的预失真电路，其中，所述失真建模电路配置成：通过将所述分支输出信号归一化来将所述数据样本归一化。

24.如权利要求22所述的预失真电路，其中，所述失真建模电路配置成：计算作为与两个或更多抽样时间实例对应的基函数输出信号的加权和的所述分支输出信号。