CN103201950B - 用于功率放大器数字预失真中的具有可变抽头延迟线的联合过程估计器 - Google Patents

Abstract

用于对信号进行预失真以补偿由对该信号进行操作的电子装置引入的失真的方法和电路。在一种示例方法中，生成表示电子装置的输入和输出的第一和第二信号样本。第一和第二信号样本以单位延迟间隔分隔开，并且第二信号样本中的每个在时间上对应于第一信号样本其中之一。然后，从第一和第二信号样本来计算预失真权重，预失真权重对应于包括格栅预测器记忆模型结构的预失真模型，该格栅预测器记忆模型结构具有多个延迟并且在相邻延迟之间具有至少一个多单位延迟间隔。然后，使用具有与格栅预测器记忆模型对应的结构的预失真器，将所计算的预失真权重应用于输入信号，以产生预失真的输入信号以供输入到电子装置。

Description

用于功率放大器数字预失真中的具有可变抽头延迟线的联合过程估计器

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，涉及用于对信号进行预失真以补偿由电子装置随后对信号引入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响应和记忆效应。

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，数字预失真在基带频率(即，在将信号上变频到射频之前)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。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

本发明的各种实施例针对用于对输入信号进行预失真以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技术。具体来说，这些技术使用以格栅预测器记忆模型对记忆效应建模的预失真的非线性模型。更具体来说，格栅预测器记忆模型在格栅预测器中的相邻抽头之间使用一个或多个多抽样间隔延迟元件。在一些实施例中，这一个或多个多单位延迟间隔中的特定延迟按照抽样率与预失真器的输入信号的基带带宽之比来适配。在各种实施例中，应用这个失真模型结构以对PA数字预失真系统中的功率放大器或其对应预失真器的失真传递函数建模。

本文所述的方式便于以相对较低的复杂度对电子装置的失真中的记忆效应进行高性能建模。虽然以下主要在补偿由无线应用中的功率放大器所引起的失真的上下文中描述，但是同样的技术可在其它领域中用于对非线性装置所引入的失真进行建模和/或补偿。

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。在一种示例方法中，生成表示电子装置的输入和输出的第一和第二信号样本。第一和第二信号样本以单位延迟间隔(即，以抽样间隔)来间隔开，并且第二信号样本中的每个在时间上对应于第一信号样本其中之一。从第一和第二信号样本来计算预失真权重，预失真权重对应于具有格栅预测器记忆模型结构的预失真模型。格栅预测器记忆模型具有多个延迟，其中包括相邻延迟之间的至少一个多单位延迟间隔。然后，使用格栅预测器记忆模型将所计算的预失真权重应用于输入信号，从而产生预失真的输入信号以供输入到电子装置。

在各种实施例中，可使用间接学习方式和直接学习方式。在前一种方式中，第二信号样本是预失真模型的输入，以及第一信号样本是预失真模型的输出。在这种方式中，从第一和第二信号样本来直接估计预失真权重。在直接学习方式中，从第一和第二信号样本来计算预失真权重是二步过程。首先，从第一和第二信号样本来估计装置失真模型的装置失真参数。在这种情况下，第一信号样本是装置失真模型的输入，以及第二信号样本是装置失真模型的输出，并且其中所述装置失真模型反映由非线性电子装置所引入的失真。接下来，从装置失真参数来计算预失真权重。

在上述方法的任一个中，可适配格栅预测器记忆模型结构中的延迟间隔中的一个或多个。因此，在一些实施例中，基于第一和第二样本流的抽样率与输入信号的标称基带带宽之比，从多个候选多单位间隔中选择格栅预测器记忆模型结构的至少一个多单位延迟间隔。在一些情况下，格栅预测器记忆模型结构可设计成在每对相邻延迟之间具有均匀多单位延迟间隔。在这些情况下，在一些实施例中，可再次基于第一和第二样本流的抽样率与输入信号的标称基带带宽之比，从多个候选多单位间隔中选择均匀多单位延迟间隔。

以上概述和以下更详细描述的方法可应用于各种类型的电路中，包括其中电子装置是无线发射器电路中的功率放大器的那些电路。本文还描述用于执行这些方法的电路和无线设备。示例电路包括抽样子电路，该抽样子电路配置成对于多个抽样时间实例中的每个，收集分别表示所述输入信号和输出信号的第一和第二信号样本，其中第一和第二信号样本以单位延迟间隔来间隔开，并且其中第二信号样本中的每个在时间上对应于第一信号样本其中之一。预失真建模电路配置成从第一和第二信号样本来计算预失真权重，使得预失真权重对应于包括格栅预测器记忆模型结构的预失真模型，所述格栅预测器记忆模型结构具有多个延迟并且在相邻延迟之间具有至少一个多单位延迟间隔。最后，预失真电路配置成将预失真权重应用于输入信号，从而产生预失真的输入信号以供输入到电子装置。

当然，本发明并不局限于上述特征、优点和上下文，并且通过阅读以下详细描述并且参看附图，熟悉预失真电路和技术的那些技术人员将会知道其它特征和优点。

附图说明

图1示出用于预失真电路的间接学习架构。

图2示出用于预失真电路的直接学习架构。

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无记忆失真模型。

图5示出基于幂函数的使用的基函数集合结构。

图6示出用于对失真建模的正交基函数集合结构。

图7示出包括无记忆部分和记忆部分的预失真模型。

图8示出基于具有单位延迟的抽头延迟线的记忆模型。

图9示出基于具有非单位延迟的抽头延迟线的记忆模型。

图10示出基于具有单位延迟的预测格栅的记忆模型。

图11示出基于具有非单位延迟的预测格栅的记忆模型。

图12是示出用于对输入信号补偿由电子装置所引入的失真的示例方法的过程流程图。

图13是示出预失真模型权重的推导和应用的另一个过程流程图。

图14是示出按照本发明的一些实施例的失真补偿电路的示意图。

具体实施方式

现在参照附图，图1示出预失真系统100，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。如上所述，功率放大器当工作在非线性范围时通常最有效率。但是，功率放大器的非线性响应引起不希望的带外发射，并且降低通信系统中的谱效率。在图1的系统100中，预失真器110用于通过对功率放大器的输入信号进行“预失真”以补偿由功率放大器120所引入的非线性失真，来改进功率放大器的效率和线性度。即使在以高效率操作功率放大器120时，预失真器110和功率放大器120的级联也改进输出信号的线性度。

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，本文所述的技术更一般地可适用于表征和/或补偿任何类型的非线性电子装置所引起的失真。

如在图1所示的预失真系统100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工作在其非线性范围时由功率放大器120所引入的失真。预失真器110所生成的预失真的输入信号z(n)则应用于功率放大器120的输入，功率放大器120放大预失真的输入信号z(n)以产生输出信号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。推导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，以及第二种方式使用图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。在图1的间接学习架构中，这个失真建模电路包括预失真器模型系数评估块130。在图2的直接学习架构中，失真建模电路具有两个功能块：功率放大器模型系数评估块210和预失真器模型系数推导块220。下面描述这些失真建模电路的详细操作。

在任一种情况下，图1和图2中示为衰减器140的功率放大器信号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)准许由功率放大器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，并且预失真器模型的系数(参数)直接从功率放大器120的输入和输出来估计。因此，预失真器建模电路130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)和经缩放的放大器输出信号y(n)/G，以便直接确定要由预失真器110应用的加权系数的集合。(下面描述这个过程的细节。)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引入的失真所必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。首先，功率放大器建模电路210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。在块120中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220用来生成用于配置预失真器110的权重。

在直接学习架构中，由功率放大器120所引入的失真通常由复杂的非线性函数(这在本文中将称作失真函数)来表示。在间接学习架构中，预失真器100的响应通过类似的非线性失真函数来表示。在任一种情况下，在本文中称作分解方式的对失真函数建模的一种方式是将失真函数分解为不太复杂的基函数的集合，其中的每个基函数分别对输入信号起作用。失真函数的输出则被建模为基函数输出的加权和。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示出一般化多分支失真模型300，一般化多分支失真模型300可表示由功率放大器120所引入的失真(例如，如由图2的直接学习架构中的模型系数评估单元210所建模的)或者预失真器110的预失真传递函数(例如，如由图1的预失真器模型系数评估单元130所建模的)。在任一种情况下，失真模型300包括结构310，结构310具有标记为u₀(n)至u_P-1(n)的P个输出抽头。这些输出抽头中的每个表示对输入信号x(n)的操作－这些操作可对应于预定基函数集合，下面将更详细论述。

模型结构310对输入信号x(n)进行操作以产生数据样本。失真模型300则计算数据样本的加权和，以便得到失真的输入信号d(n)。更具体来说，将数据样本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(n)是由结构在时间n输出的数据样本的P×1向量，以及其中，w是加权系数的P×1向量。

对于给定向量u(n)，d(n)是模型的预期输出(例如，在直接学习架构中是功率放大器120的实际输出，或者在间接学习架构中是预失真器110的预期输出)。通过使u的多个观测拟合对应的预期输出d(n)，能够学习在某个时间周期使向量u最佳地拟合预期输出d(n)的加权系数w。因此，对于在N个抽样实例所取的观测的集合，等式2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，以及d是失真模型的预期输出信号向量。矩阵U的列对应于由结构130输出的数据样本，而矩阵的每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，从而求出对放大器120或预失真器110的失真最佳地建模的权重w。

图4示出用于对失真函数建模的无记忆多分支失真模型400。在失真模型400中，模型的基本结构由包括多个基函数的基函数集合410来确定。模型中的K个分支中的每个对应于这些基函数之一，其中的每个基函数对输入信号x(n)进行操作，并且在图4中表示为f₀(x(n))至f_K-1(x(n))。在这个无记忆模型中，这些函数各仅对输入信号的当前样本x(n)进行操作，因而是“无记忆”函数。与图3所示的更一般模型中的函数u(n)相似，将基函数输出信号中的每个与对应加权系数相乘，并且相加在一起以得到d(n)。

图3和图4的模型之间的关键差别在于，图4中的函数f₀(x(n))至f_K-1(x(n))被限制为无记忆的。因此，图4的模型能够被看作是图3的模型的特例，其中函数f₀(x(n))至f_K-1(x(n))中的每个对应于图3中的函数其中之一。相应地，能够按照与以上所述相似的方式，例如通过使基函数集合410的输出的N个观测的矩阵拟合预期输出信号向量d，来求出对放大器120或预失真器110的失真最佳地建模的权重w。当然，因为模型400没有考虑记忆效应，所以这个模型相对于给定功率放大器的实际失真函数的准确度可能是有限的。

在这个模型的一些实施例中，基函数集合410可由幂函数的集合组成。这在图5中示出，其中，基函数集合500包括表示为至的K个输出，其中。如果图5的幂基函数集合500用于对失真传递函数建模，则基函数集合500对应于图4的基函数集合410和图3的结构310。因此，数据样本对应于来自幂基函数(其中P=K)的输出。因此，包含幂基函数集合500的输出的N个观测的矩阵U能够被形成并且拟合预期输出信号向量d，以便确定对预期失真函数最接近地建模的加权系数w。

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示出用于正交基函数集合的基函数集合结构600，其中输出至对应于图3的一般模型300的输出样本。在这种情况下，各数据样本u_k(n)能够表示为:

　　等式4

其中，抽头函数的下标‘ORTHO,k’表示k次正交基函数。各连接系数c_k,h是图6的求和中用于得到k次正交基函数的h次幂基函数的权重。系数c_k,h的给定总体标识特定的正交基函数集合(如等式4所给定)。

正交基函数集合能够基于各种标准来设计。在RavivRaich、HuaQian和G.TongZhou的“Orthogonalpolynomialsforpoweramplifiermodelingandpredistorterdesign”(IEEETransactionsonVehicularTechnology，vol.53，no.5，第1468-1479页，2004年9月)中得出适用于若干常见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示出包括记忆的非线性失真模型700。图7中，将模型分为无记忆部分710和记忆部分720，其中记忆部分720对与K个基函数中的每个对应的记忆效应建模。相应地，无记忆部分710中的K个分支中的每个分支中的基函数将基函数输出信号提供给记忆部分720中的对应记忆模型。来自各记忆模型的输出一般能够被看作是基函数输出信号和/或基函数输出信号的延迟形式的加权和。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。对来自K个分支的K个输出求和以形成预期失真信号d(n)。

记忆部分720中的记忆模型可具有多种结构中的任一种。(通常，用于各分支的记忆模型的一般结构是相同的，但是情况不一定是这样。)图8中示出一种可能的结构，即具有单位延迟的抽头延迟线模型。所示记忆模型800对应于图7的记忆部分720中的记忆模型中的单个记忆模型。因此，使用图8的抽头延迟线记忆模型800的K-分支失真模型会包括记忆模型800的K个实例。

在图8所示的抽头延迟线记忆模型结构中，延迟元件810(标记为Z^-1)表示单位延迟。因此，如果记忆模型800的输入是输入信号的当前样本u_k(n)，则最左边的延迟元件810的输出是输入信号的最近的前一个样本，即，u_k(n-1)。向右的下一个延迟元件810的输出是那一个样本之前的样本，即，u_k(n-2)。这对于Q-1个延迟元件810都是如此。因此，图8的记忆模型800被说成是具有Q的记忆深度。

采用乘法器820将记忆模型800中的Q个“抽头”中的每个(即，数据样本u_k(n)至u_k(n-Q+1))与对应权重至相乘。所产生的乘积采用加法器830相加在一起以形成分支输出信号d_k(n)。(如图7中能够看到的，对分支输出信号d_k(n)求和以形成预期失真信号d(n)。)图8所示的结构能够由下式表示：

　　　　　　等式5

在图8的抽头延迟线记忆模型中，不同记忆函数能够应用于每个基函数输出信号u_k。通过配置权重w_k,q，能够形成基函数输出信号u_k以及基函数输出信号的较早样本的任何任意加权和，多达Q的记忆深度。这允许在对电子装置的记忆效应建模时的极大灵活性。Q通常选择成确保由Q个连续样本所覆盖的时间间隔足以跨越所建模失真传递函数的最重要的记忆效应。

图9中示出另一个记忆模型结构。记忆模型900具有与记忆模型800相似的抽头延迟线结构。但是，代替图8所示的单位延迟元件810，记忆模型900包括若干非单位延迟元件910。这些非单位延迟元件930标记为Z^-S，指示每个非单位延迟元件将其输入信号延迟s个抽样间隔，其中s>1。(如果s=1，则记忆模型900与记忆模型800相同。)图9所示的结构能够由下式表示：

　　　　　等式6

与具有相同数量的抽头的单位延迟抽头延迟线结构相比，这个结构允许更长的记忆效应被建模。但是，所产生的模型将在时域具有较小分辨率。

图10中示出又一个记忆模型结构，其中示出格栅预测器记忆模型1000。在格栅预测器记忆模型1000中，f_k,q(n)和b_k,q(n)分别是在时间n的q阶(q-thorder)前向和后向预测误差。是q阶反射系数，以及上标表示共轭转置运算。应当注意，在预测格栅记忆模型结构中，给定阶的后向预测误差在被用于评估下一阶的后向预测误差之前，通过单位延迟元件810被延迟一个时间单位。

图10所示的结构能够由下列算法表示：

1.q=0(初始化)：

　　　　　　等式7

2.q=1,…,Q-2(第一阶段至倒数第二阶段)：

　　　　等式8

　　　　等式9

3.q=Q-1(最后阶段；无需计算)：

　等式10

q阶反射系数的估计能够使用Burg估计基于长度为N的数据的典型集合被评估为：

　　等式11

注意，在等式11中，两种求和的起始值均基于u_k(n)=0(对于n<0)的假设被设置为n=m+1，以便排除零项。

图3-7中的失真模型中的每个包括经过加权和求和以形成“预期”失真信号d(n)的抽头或数据样本集合，如下所示：

　　　　　　　等式12

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12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)均为已知的，以及等式12是w的线性等式。如前面所述，对于在N个时间索引上得到的观测，等式12中表示的对应线性等式能够简洁地表示为：

　　　　　　等式13

在等式13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。这个矩阵U按照等式13来拟合预期输出向量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。模型的输入x(n)对应于功率放大器的输入信号。因此，对于任何给定的模型结构，对于N个抽样实例中的每个，取来自功率放大器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。这个矩阵U按照等式13来拟合预期输出向量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的数字预失真器中的系数评估的中心是基于满足某个标准的等式13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^HU。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好的。

因为矩阵计算可能相当复杂，所以功率放大器或预失真器的失真模型的设计中的一个重要目标是为系数评估算法提供数据矩阵U^HU，该数据矩阵U^HU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)，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。与对常规失真模型添加记忆效应关联的一个主要问题是因在模型中引入记忆模型项而引起的对系数评估过程增加的额外不稳定性。这个问题对于直接和间接学习架构都存在。

这个增加的不稳定性被体现为必须在参数评估过程中求逆的数据矩阵的条件数的显著增加(有时多达10⁶倍)。这个问题在具有记忆的自适应数字预失真系统中可能相当严重，因为这种系统中的参数必须“即时”适配以便随时间跟踪功率放大器的失真特性。

这个增加的不稳定性的基本来源是系数评估中使用的数据样本之间的高相关性。这是数字预失真器的至少两个方面的结果。第一，预失真器的连续输入数据样本因预失真器的输入信号的显著过抽样性质而呈现相互之间的高相关性。这个高相关性是抽样率与输入信号的基带带宽的高比率(至少大约3-5)的结果。这个高过抽样比率又归因于如下事实：预失真器被设计成有意地使输入信号失真。这必然引起带宽扩大。因此，在预失真器系统中处理的信号必须以比捕获原始未失真信号中的信息所需的明显要高的速率来抽样。

第二，若给定记忆模型的抽头延迟线结构，连续输入数据样本直接用来创建用于系数评估的矩阵U。因此，系数评估中使用的数据样本呈现高相关性。

图11示出解决这些问题中的一部分的格栅预测器记忆模型1100。格栅预测器记忆模型1100与图10所示的模型1000相似，但是具有非单位延迟元件910来代替单位延迟元件。因此，标记为Z^-S的延迟元件910中的每个使其输入信号延迟s个抽样间隔，其中s>1。

图11所示的结构能够由下列算法表示：

1.q=0(初始化)：

　　　　　　　等式14

2.q=1,…,Q-2(第一阶段至倒数第二阶段)：

　　　　　等式15

　　　　　等式16

3.q=Q-1(最后阶段；无需计算)：

　等式17

q阶反射系数的估计能够基于长度为N的数据的典型集合被评估为：

　　　等式18

注意，在等式18中，两种求和的起始值均再次基于u_k(n)=0(对于n<0)的假设被设置为n=m+1，以便排除零项。

非单位延迟格栅预测器记忆模型中的相邻抽头之间的延迟数量(即，s的值)的确定基于两个因素之间的折衷。第一，由于矩阵中的连续数据样本之间的降低的相关性，抽头之间的延迟的增加(即，s的增加)引起数据矩阵U中的条件数的减少。这增加为得出最佳抽头权重而执行的数学计算的稳定性。当然，这种改进遭受随s变大而削弱改进的问题。因此，存在某个点，在该点之后，条件数减少方面的好处可忽略。

第二，如同抽头延迟线结构一样，抽头之间的延迟的增加引起模型性能的降级，如在模型输出与预期信号之间的归一化均方差(NMSE)方面所表明。

如上所述，预失真器的输入信号的连续样本之间的相关性与抽样率与信号带宽之比相关。在一些情况下，数字预失真器系统可设计用于能够在不同时间以不同信息信号带宽进行操作的系统。如果这些系统的抽样率是固定的，则抽样率与信息信号带宽之比随时间而改变。因此，在这些系统中有利的是使记忆模型中的抽头之间的延迟可变，使得能够响应输入信号带宽而调整延迟间隔(即，s的值)。

图11的非单位延迟格栅预测器记忆模型结构以低复杂度来实现高的建模性能。这个结构不仅适合于本文所述的功率放大器失真建模应用，而且还可用于其它技术领域中的其它非线性建模应用。

具有可配置的非单位延迟的格栅预测器记忆模型以不同等级的时间分辨率来对记忆效应有效地建模。因为模型覆盖比具有相同数量的抽头的单位延迟模型要长的时间跨度，所以图11的模型捕获具有大时间分辨率(即，相当于结构中的单位延迟的总和的时间常数)的记忆效应。同时，该模型捕获小时间分辨率(相当于相邻抽头之间的延迟)的记忆效应。格栅预测器结构优于抽头延迟线结构的一个优点在于，前者使抽头之间样本正交化，因而去除了残余相关性。它这样做而没有丢失信息，并且没有引入附加的不稳定性。

此外，虽然图11所示的记忆模型具有各抽头之间的均匀延迟(各延迟元件引入s个抽样间隔的延迟)，但是情况不必是这样。在一些实现中，由图11中的延迟元件910引入的延迟中的一个或多个可不同于其它的延迟。(例如，一个记忆模型可包括具有单位间隔延迟的若干延迟元件，之后接着具有多单位延迟的一个或多个延迟元件。)这种方式便于短期记忆效应的精细分辨率建模，以及较长期效应的较粗略建模。非均匀延迟的其它配置也是可能的。(非均匀延迟也可应用于图9的抽头延迟线记忆模型，它如图所示具有均匀、多单位延迟间隔。)

鉴于图11的以上论述及其可能的变体，本领域的技术人员将会理解，图12是示出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一般方法的过程流程图。这个过程例如可用于补偿由无线发射器电路中的功率放大器所引入的失真。但是，该过程更一般地可适用于创建非线性失真模型，以便逆转由电子装置所引入的失真。

如框1210所示，所示过程开始于对于多个抽样时间实例中的每个，生成分别表示所述输入信号和输出信号的第一和第二信号样本。第一和第二信号样本是连续信号样本，并且因此以单位延迟间隔来间隔开。第二信号样本中的每个在时间上对应于第一信号样本之一。又参照图1和图2，第一和第二信号样本对应于功率放大器的输入z(n)和输出y(n)(或者缩放输出y(n)/G)。但是，应当理解，图12一般所示的处理的许多可在基带频率执行。因此，第一和第二样本可能是输入和输出信号z(n)、y(n)的基带等效物的数字样本。例如，输入样本可包括由数字处理器直接从基带信息信号创建的基带调制信号。另一方面，输出样本可从功率放大器输出信号y(n)的下变频形式中抽样。

在任何情况下，图12的过程以从第一和第二信号样本计算预失真权重来继续进行，如框1220所示。预失真权重对应于包括格栅预测器记忆模型结构的预失真模型，格栅预测器记忆模型结构具有多个延迟并且在相邻延迟之间具有至少一个多单位延迟间隔。如上所述，在一些实施例中，格栅预测器记忆模型具有均匀多单位延迟间隔，如图12所示。但是，在其它实施例中，延迟间隔中的一个或多个可不同于其它的延迟，使得延迟间隔在整个记忆模型的深度上不是均匀的。在一些实施例中，例如，延迟间隔中的数个可以是单位间隔延迟，而一个或多个其它延迟间隔是多单位延迟。

如图12的框1230所示，使用具有与格栅预测器记忆模型对应的结构的预失真器，将使用格栅预测器记忆模型从第一和第二样本计算的预失真权重应用于输入信号，从而产生预失真的输入信号以供输入到电子装置。

如前面所述，直接学习架构或者间接学习架构可用于从第一和第二信号样本来计算预失真权重。在间接学习模型中，不是直接学习功率放大器(或其它电子装置)的特性。在使用间接学习方式的实施例中，第二信号样本(对应于功率放大器或其它电子装置的输出)则是预失真模型的输入，而第一信号样本(对应于电子装置的输入)是预失真模型的输出，以及预失真权重使用前面(例如以上结合等式13)所述的技术直接从第一和第二信号样本来估计。

相反，在直接学习模型中，电子装置本身的特性被建模(或者“被学习”)。在使用直接学习模型的实施例中，从第一和第二信号样本来计算预失真权重是二步过程。在图13示出这个过程。首先，装置失真模型的装置失真参数，如框1310所示，使用第一和第二信号样本以及预测格栅记忆模型来估计。通过这种方式，第一信号样本(对应于电子装置的输入)是装置失真模型的输入，以及第二信号样本(对应于电子装置的输出)是装置失真模型的输出。因此，装置失真模型直接反映由非线性电子装置所引入的失真。随后，装置失真模型的权重被用来计算“逆转”电子装置的失真所需的预失真传递函数的预失真权重。

用于确定装置失真模型的权重的过程与前面所述相同－捕获格栅预测器记忆模型的抽头输出的N个观测，从而产生表示输入样本的格栅预测器记忆模型的变换的N个实例的矩阵U。使用特定优化标准，将这个矩阵U拟合“预期”失真信号向量d(其元素对应于第二信号样本)，以便确定装置失真模型的权重。

以上针对图12和图13所述的过程考虑到在连续抽头之间具有至少一个多单位延迟的给定格栅预测器记忆模型结构来执行。在一些实施例中，特定延迟可以是基于其中可应用本技术的电路的当前状态或配置可配置的。例如，给定具有均匀延迟间隔的记忆模型，能够基于第一和第二样本流的抽样率与输入信号的标称基带带宽之比从多个候选多单位间隔中选择特定的均匀多单位延迟间隔。但是，这种方式能够更一般地应用，使得在一些实施例中，可基于第一和第二样本流的抽样率与输入信号的标称基带带宽之比，从多个候选多单位间隔中选择格栅预测器记忆模型结构的多单位延迟间隔中的任一个或多个。

图14是示出电路1400的框图，电路1400配置成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。更具体来说，图14示出预失真电路1410，预失真电路1410配置成补偿由功率放大器1450对通信信号引入的失真。因此，例如，电路1400可用于无线发射器电路中，例如可见于蜂窝基站或无线移动装置中。

预失真电路1410包括失真建模电路1420、预失真器1430和抽样电路1440。抽样电路1440(它可包括下变频器，以便将功率放大器输出信号移到基带或者较低频率)从功率放大器1450获取输出的样本，并且将其提供给失真建模电路1420。在一些实施例中，抽样电路1440还可配置成获取功率放大器1450的输入的样本。但是，在其它情况中，失真建模电路1420可改为在输入信号(被上变频/滤波电路1460)上变频到射频之前使用与输入信号对应的数字基带样本。

失真建模电路1420包括处理器电路(由例如一个或多个微处理器、微控制器、数字信号处理器等组成)，该处理器电路配置有适当的软件和/或固件，以便执行以上所述以及在图12-13的过程流程中所示的技术中的一个或多个。失真建模电路1420还可(整体或部分)由诸如一个或多个现场可编程门阵列(FPGA)或专用集成电路(ASIC)之类的一个或多个专门的集成电路来实现。

因此，失真抽样电路1440配置成对于多个抽样时间实例中的每个，生成分别表示所述输入信号和输出信号的第一和第二信号样本，其中所述第一和第二信号样本以单位延迟间隔来间隔开，并且第二信号样本中的每个在时间上对应于第一信号样本其中之一。失真建模电路1420配置成从第一和第二信号样本来计算预失真权重，其中，预失真权重对应于包括格栅预测器记忆模型结构的预失真模型，所述格栅预测器记忆模型结构具有多个延迟并且在相邻延迟之间具有至少一个多单位延迟间隔。预失真器应用电路1430配置成按照格栅预测器记忆模型结构将预失真模型权重应用于输入信号，从而产生预失真的输入信号以供输入到电子装置(经由上变频/滤波电路1460)。

预失真应用电路1430复制与计算预失真模型权重时使用的相同的用于失真模型的结构。因此，例如，预失真器电路1430可按照图11所示的结构进行操作。本领域的技术人员将会理解，在一些实施例中，预失真应用电路1430可使用微处理器来实现，在这种情况下，那些图中所示的乘法、加法和解复用操作采用适当的软件来实现。(在这些实施例的一部分中，预失真应用电路1430可与失真建模电路1420共享一个或多个处理器。)在其它实施例中，预失真建模电路1430可部分或完全采用硬件来实现，例如使用FPGA、ASIC、硬件乘法器、加法器和/或解复用器。

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 (14)

1.一种用于对输入信号进行预失真以补偿由对所述输入信号进行操作的非线性电子装置所引入的失真以产生输出信号的方法，所述方法包括：

对于多个抽样时间实例中的每个，生成分别表示所述输入信号和输出信号的第一和第二信号样本，其中，所述第一和第二信号样本以单位延迟间隔来间隔开，并且其中，第二信号样本中的每个在时间上对应于第一信号样本其中之一；

从所述第一和第二信号样本计算预失真权重，其中，所述预失真权重对应于包括格栅预测器记忆模型结构的预失真模型，所述格栅预测器记忆模型结构具有多个延迟并且在相邻延迟之间具有至少一个多单位延迟间隔；以及

将所述预失真权重应用于所述输入信号，从而产生预失真的输入信号以供输入到所述非线性电子装置。

2.如权利要求1所述的方法，其中，所述第二信号样本是所述预失真模型的输入，并且所述第一信号样本是所述预失真模型的输出，以及其中，从所述第一和第二信号样本计算所述预失真权重包括从所述第一和第二信号样本直接估计所述预失真权重。

3.如权利要求1所述的方法，其中，从所述第一和第二信号样本计算所述预失真权重包括：

从所述第一和第二信号样本估计装置失真模型的装置失真参数，其中，所述第一信号样本是所述装置失真模型的输入，而所述第二信号样本是所述装置失真模型的输出，并且其中，所述装置失真模型反映由所述非线性电子装置所引入的失真；以及

从所述装置失真参数计算所述预失真权重。

4.如权利要求1所述的方法，还包括：基于第一和第二信号样本的抽样率与所述输入信号的标称基带带宽之比，从多个候选多单位延迟间隔中选择所述格栅预测器记忆模型结构的至少一个多单位延迟间隔。

5.如权利要求1所述的方法，其中，所述格栅预测器记忆模型结构具有每对相邻延迟之间的均匀多单位延迟间隔。

6.如权利要求5所述的方法，还包括：基于所述第一和第二信号样本的抽样率与所述输入信号的标称基带带宽之比，从多个候选多单位延迟间隔中选择所述均匀多单位延迟间隔。

7.如权利要求1所述的方法，其中，所述非线性电子装置包括无线发射器电路中的功率放大器。

8.一种预失真电路，用于对输入信号进行预失真以补偿由对所述输入信号进行操作的非线性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：

抽样子电路，配置成对于多个抽样时间实例中的每个，收集分别表示所述输入信号和输出信号的第一和第二信号样本，其中，所述第一和第二信号样本以单位延迟间隔来间隔开，并且其中，第二信号样本中的每个在时间上对应于第一信号样本其中之一；

预失真建模电路，配置成从所述第一和第二信号样本计算预失真权重，其中，所述预失真权重对应于包括格栅预测器记忆模型结构的预失真模型，所述格栅预测器记忆模型结构具有多个延迟并且在相邻延迟之间具有至少一个多单位延迟间隔；以及

预失真电路，配置成将所述预失真权重应用于所述输入信号，从而产生预失真的输入信号以供输入到所述非线性电子装置。

9.如权利要求8所述的预失真电路，其中，所述第二信号样本是所述预失真模型的输入，并且所述第一信号样本是所述预失真模型的输出，以及其中，从所述第一和第二信号样本计算所述预失真权重包括从所述第一和第二信号样本直接估计所述预失真权重。

10.如权利要求8所述的预失真电路，其中，从所述第一和第二信号样本计算所述预失真权重包括：

从所述第一和第二信号样本估计装置失真模型的装置失真参数，其中，所述第一信号样本是所述装置失真模型的输入，而所述第二信号样本是所述装置失真模型的输出，并且其中，所述装置失真模型反映由所述非线性电子装置所引入的失真；以及

从所述装置失真参数来计算所述预失真权重。

11.如权利要求8所述的预失真电路，还包括：基于第一和第二信号样本的抽样率与所述输入信号的标称基带带宽之比，从多个候选多单位延迟间隔中选择所述格栅预测器记忆模型结构的至少一个多单位延迟间隔。

12.如权利要求8所述的预失真电路，其中，所述格栅预测器记忆模型结构具有每对相邻延迟之间的均匀多单位延迟间隔。

13.如权利要求12所述的预失真电路，还包括：基于所述第一和第二信号样本的抽样率与所述输入信号的标称基带带宽之比，从多个候选多单位延迟间隔中选择所述均匀多单位延迟间隔。

14.如权利要求8所述的预失真电路，其中，所述非线性电子装置包括无线发射器电路中的功率放大器。