CN103685111B - 一种数字预失真参数的求取方法及预失真系统 - Google Patents

Abstract

本发明公开了一种预失真参数的求取方法及预失真系统，涉及数字预失真处理领域，用以在达到良好信号处理效果的同时，简化模型的计算复杂度。该方法包括：在周期性滤波处理开始后，获取经过预失真处理后的预失真信号和经过功放处理后的第一反馈信号；对所述第一反馈信号进行消除额定线性增益得到第二反馈信号；根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数；根据确定的预失真参数更新预失真参数索引表。

Description

一种数字预失真参数的求取方法及预失真系统

技术领域

本发明涉及数字预失真处理领域，具体涉及一种数字预失真参数的求取方法及预失真系统。

背景技术

随着现代通信技术的发展，功率放大器的各种非线性特性越来越受到关注，行为模型也成为微波电路领域研究的热点。相比较传统的晶体管级的电路模型，行为模型极大地简化了模型的分析和计算，并保持了足够的非线性电路分析的精度，使其特别适用于宽带数字信号系统的性能分析；因此，在大规模集成电路和预失真技术研究中具有很好的应用前景。对于宽带通信系统而言，由于必须考虑功率放大器记忆效应，因此传统的非线性模型不再适用。目前通常采用带记忆的多项式或者人工神经网络等模型来描述功率放大器的动态特性。相比较基于人工神经网络的行为模型，Volterra级数模型(modified volterraseries)可以更清晰地描述非线性系统的物理意义，但它的模型参数数目随着系统非线性及记忆长度的增加呈指数形式增加，只适用于弱非线性系统的研究，否则，将会引起计算收敛性问题。

超宽带信号的功放产生的记忆效应非常的严重，功放记忆效应产生的原因是功放对各个频率点的信号响应不一致，其表现的形式为功放输出信号不但与当前点信号有关，而且与功放前面的时刻点有关，显然，随着信号带宽的增加，功放的记忆深度也显著加深。做为模拟器件的功放本身是一个非线性系统，存在AM-AM(幅度-幅度)和AM-PM(幅度-相位)的非线性失真，AM-AM失真是指输出信号和输入信号幅度上的失真，比如当输入信号摆幅进入阈值电压之下或者饱和电压之上时，输出电压信号就会发生截断或削顶，即为AM-AM失真。AM-PM失真是指，非线性功放输入信号幅度上的变化，导致了输出和输入信号之间的相位差的变化。当窄带信号输入时，记忆效应的影响相对较小，通过校正功放的AM-AM和AM-PM失真就可以达到较好的效果。随着信号的带宽增加，尤其是下一代移动通信中100M这样的超宽带信号，功放的记忆效应非常严重，使得功放变成一个非常复杂的线性与非线性失真相互糅合的系统，对于这样一个系统其理论上的完备表达式是一个Volterra级数模型。显然Volterra级数模型目前来看是不可实现的，需要对其进行简化和优化处理，如何提取功放的主要失真模型，并建立一个有效的、可实现的、开销小的功放预失真模型是一项非常具有挑战意义的工作。

为解决该问题，近年来通常采用一些简化的模型建立放大器的行为模型，其中最常用的是Wiener维纳模型和Hammerstein哈默斯坦模型，这两种模型极大地降低了模型的复杂度，并且能够应用于强非线性系统，因此，在功率放大器非线性行为模型研究中得到广泛的应用。但该两种模型并不能完全地描述功率放大器的非线性特性，尤其是很难精确地表示功率放大器的包络记忆效应；此外，Wiener模型和Hammerstein模型对于模型参数求解来说，均不是线性方程，对模型的参数提取困难。MP(memory polynomial)是另一种常用的行为模型，它可以看作是一种扩展的Hammerstein模型，但有时也不能得到符合要求的模型精度。因此，建立精度更高的参数线性的行为模型受到关注。

发明内容

本发明提供了一种预失真参数的求取方法及预失真系统，用以在达到良好信号处理效果的同时，简化模型的计算复杂度。

本发明提供的一种数字预失真参数的求取方法，该方法包括：

在周期性滤波处理开始后，获取经过预失真处理后的预失真信号和经过功放处理后的第一反馈信号，所述预失真信号根据如下预失真模型获得：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m-l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-3)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m+l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-3)}\end{array}$

其中，z(n)表示n时刻输出的经过预失真处理后的信号，x(n)表示n时刻输入的原始信号，n表示原始信号的输入时刻，m表示原始信号的记忆时刻，w表示预失真参数，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，*表示信号的共轭，l表示交叉采样点，x(n-m)表示原始信号，x*(n-m)表示原始信号的共轭信号；

对所述第一反馈信号进行消除额定线性增益得到第二反馈信号；

根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数；

根据确定的预失真参数更新预失真参数索引表。

在本发明上述技术方案中，提出了一种新型的数字预失真处理模型，以在保证信号处理性能的前提下，简化运算复杂程度。

优选地，根据原始信号与原始信号的共轭信号二者之间信号向量关系，采用原始信号替代所述预失真模型中的原始信号的共轭信号，替代后的所述预失真模型为：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-1)}\end{array}$

其中，exp(-j2θ_m1+j2θ_m2)表示原始信号与原始信号的共轭信号之间的向量关系，θ表示原始信号的复角。

通过上述公式推导可知，本发明上述技术方案通过简化预失真模型中的时间共轭交错模型，而使整体预失真模型的计算复杂度下降，节省了乘法器资源。而且，在获取信号幅值(即第一反馈信号)时可以采用现有算法，均可以在获取信号幅值的同时获取信号的复角，所以本发明实施例对模型的简化过程是根据现有资源实现的，无需额外增加资源，实现简单方便。

更佳地，根据所述预失真参数索引表中预失真参数与原始的信号幅值之间的对应关系，将所述替代后的所述预失真模型进一步变化为：

$z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\left\{\begin{array}{c}{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}\right\}$

其中，LUT表示预失真参数索引表，LUT_m(|x(n-m)|)表示原始信号的信号幅值|x(n-m)|在LUT表中所对应的预失真参数。

在本发明上述技术方案中，通过所述预失真参数索引表中预失真参数与原始信号的信号幅值之间存在对应关系，将所述预失真模型通过提取公因式的方式进一步进行了简化，使得预失真模型整体的复杂度下降。

一般地，对所述第一反馈信号进行消除额定线性增益得到第二反馈信号，具体包括：

消除的所述第一反馈信号的额定线性增益；

消除所述第一反馈信号的共轭信号的额定线性增益；

经过消除额定线性增益的第一反馈信号和第一反馈信号的共轭信号组成所述第二反馈信号。

由于本发明技术方案所提出的预失真模型设计共轭信号，所以在对第一反馈信号进行消除额定线性增益时，还需要对第一反馈信号的共轭信号进行额定线性增益的消除。

优选地，根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数，具体包括：

将所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵带入到公式确定预失真参数的最小二乘解，其中，表示预失真参数的最小二乘解，z表示预失真信号形成的矩阵，U表示第二反馈信号形成的矩阵，U^H表示矩阵的U的共轭矩阵；

根据所述预失真参数的最小二乘解确定预失真参数。

本发明上述技术方案应用最小二乘原理确定线性方程的解，实际过程中可以采用矩阵的QR分解方法或者快速Cholesky分解方法求解矩阵系数。

本发明还提供了一种数字预失真处理系统，该系统包括：

预失真器，用于在周期性滤波处理开始后，对输入的原始信号进行预失真处理，向功放器输出预失真信号；根据运算器发送的预失真参数更新预失真参数索引表，所述预失真信号根据如下预失真模型获得：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m-l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-3)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m+l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-3)}\end{array}$

其中，z(n)表示n时刻输出的经过预失真处理后的信号，x(n)表示n时刻输入的原始信号，n表示原始信号的输入时刻，m表示原始信号的记忆时刻，w表示预失真参数，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，*表示信号的共轭，l表示交叉采样点，x(n-m)表示原始信号，x*(n-m)表示原始信号的共轭信号；

功放器，用于对预失真器输出的预失真信号进行功放，并向运算器输出第一反馈信号；

运算器，用于获取所述预失真信号和所述第一反馈信号，并对所述第一反馈信号进行消除额定线性增益得到第二反馈信号；根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数，将所述确定的预失真参数发送到预失真器。

在本发明上述技术方案中，提出了一种新型的数字预失真处理模型，预失真器使用本发明所提出的模型对原始信号进行处理，达到了既保证系统整体的信号处理性能，又简化了运算复杂程度的效果。

本发明实施例提供了一种新型的预失真模型，是一种可裁剪的PVS模型，对比MP模型，增加了交叉项目的模型，采用MP模型附近的架构，从而实现了一方面大大降低模型运算的复杂度，另外一方面有效的反映出功放的主要非线性。

附图说明

图1为本发明实施例提供的一种数字预失真参数的求取方法的方法流程示意图；

图2为本发明实施例提供的原始信号与其共轭信号之间的相位关系示意图；

图3为本发明实施例提供的一种数字预失真参数的求取方法的详细实施例流程示意图；

图4为本发明实施例提供的一种数字预失真处理系统的系统结构示意图；

图5为本发明实施例提供的一种数字预失真处理系统的信号流程示意图。

具体实施方式

由于现有技术常用的数字预失真的处理模型对信号的处理性能和计算的复杂度上不能兼顾，所以本发明实施例提供了一种预失真参数的求取方法及预失真系统，用以在达到良好信号处理效果的同时，简化模型的计算复杂度。

首先，本发明实施例提供了一种数字预失真参数的求取方法，如图1所示，该方法包括：

S101，在周期性滤波处理开始后，获取经过预失真处理后的预失真信号和经过功放处理后的第一反馈信号，所述预失真信号根据如下预失真模型获得：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m-l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-3)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m+l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-3)}\end{array}---\left(1\right)$

其中，z(n)表示n时刻输出的经过预失真处理后的信号，x(n)表示n时刻输入的原始信号，n表示原始信号的输入时刻，m表示原始信号的记忆时刻，w表示预失真参数，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，*表示信号的共轭，l表示交叉采样点，x(n-m)表示原始信号，x*(n-m)表示原始信号的共轭信号；

S102，对所述第一反馈信号进行消除额定线性增益得到第二反馈信号；

S103，根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数；

S104，根据确定的预失真参数更新预失真参数索引表。

在本发明上述实施例中，提出了一种新型的数字预失真处理模型，以在保证信号处理性能的前提下，简化运算复杂程度。

本发明实施例所提出来的预失真模型其实是一种PVS模型，PVS模型是一种介于MP模型和Volterra级数模型的PVS模型，这种模型通过采用相邻时刻交叉项目序列，更全面的反映出功放的非线性特性，这种模型通过采用相邻时刻交叉项目序列，更全面的反映出功放的非线性特性。PVS模型也可以说是一种从VOLTERRA模型中裁剪出来的模型，在使用时仅需要配置好非线性阶数Q，记忆深度M，和交叉采样点L就可以完全表征模型。仔细查看本发明的预失真模型可知，总的大模型中包含了三个从VOLTERRA模型中裁剪出来的小模型，具体为：

1)记忆多项式MP模型z_mp(n)；

2)时间交错记忆多项式z_mp-cl(n)z_mp+cl(n)；

3)时间交错共轭记忆多项式z_mp-tl(n)和z_mp+tl(n)，这些模型的具体描述如下：

$z_{mp}\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}$

$z_{mp-cl}\left(n\right)=\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}$

$z_{mp+cl}\left(n\right)=\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}$

$z_{mp-tl}\left(n\right)=\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m-l)\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-3)}$

$z_{mp+tl}\left(n\right)=\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m+l)\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-3)}$

本发明实施例采用这三种小模型组成了本发明的总的预失真模型，相比于原始的VOLTERRA模型，计算复杂度明显下降，经过申请人的测试，采用本发明的预失真模型测试LTE(Long Term Evolution，长期演进)系统的4个载波(80MHz)性能测试如下，相对传统的MP模型ACPR(Adjacent Channel Power Ratio，邻信道功率比)能有5～6dBc的抬升。

可以理解的是，本发明所提供的预失真模型由于涉及共轭项目和信号的平方相乘，需要耗费大量的乘法器，为了进一步达到节省运算的复杂度的目的，在上述实施例的基础上，根据原始信号与原始信号的共轭信号二者之间信号向量关系，采用原始信号替代所述预失真模型中的原始信号的共轭信号，替代后的所述预失真模型为：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-1)}\end{array}---\left(2\right)$

其中，exp(-j2θ_m1+j2θ_m2)表示原始信号与原始信号的共轭信号之间的向量关系，θ表示原始信号的复角。

如图2所示，图中清楚的展示了共轭信号与原始信号的关系，根据二者之间的复角关系，时间交错共轭记忆多项式中的共轭信号的幅值可以采用原始信号的幅值来代替，具体的过程为：

如图所示，可知：

θ₁＝actan(imag(x(n-m))/real(x(n-m)))；

θ₂＝atan(imag(x(n-m-l))/real(x(n-m-l)))；

所以共轭信号的幅值x^*(n-m)＝x(n-m)·exp(-j2θ₁)；

而原始信号幅值的平方为：

x²(n-m-l)＝x(n-m-l)x^*(n-m-l)·exp(j2θ₂)＝|x(n-m-l)|²·exp(j2θ₂)。

通过上述公式推导可知，本发明实施例通过简化预失真模型中的时间共轭交错模型，而使整体预失真模型的计算复杂度下降，节省了乘法器资源。而且，在获取信号幅值(即原始信号)时可以采用现有算法，均可以在获取信号幅值的同时获取信号的复角，例如，采用CORDIC算法，即能实现在获取信号幅值的同步也获取信号的复角，所以本发明实施例对模型的简化过程是根据现有资源实现的，无需额外增加资源，实现简单方便。

进一步地，因为所述预失真参数索引表中预失真参数与原始信号的信号幅值之间存在对应关系，所以通过仔细观察本发明实施例中经过简化的预失真模型可知，可以通过提取公因式的方式进一步进行简化，所以预失真模型可以进一步简化为：

首先，我们知道LUT表示预失真参数的索引表，为了便于理解，对LUT表的生成过程进行简要说明：

假设输入信号最大值为mv＝max(|y(n)|)，LUT的最大尺寸A，那么LUT表中的幅度间隔是在上述假设的基础上LUT的生成方式如下：

${\mathrm{LUT}}_{m,l,xl}\left(a\mathrm{\Δ}\right)=\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,l,xl}^{\left(1\right)}\·{\left(a\mathrm{\Δ}\right)}^q,(m=\mathrm{0...}M-1,q=1...Q,l=-L...L,xl=-L...L,a=1...A)$

根据上式可知，一个LUT的存储空间是A*(4L+1)*M的长度。

LUT_m(|x(n-m)|)是按照输入的原始信号幅度|x(n-m)|为索引对应的预失真参数，而又因为：

${\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)=\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)},(m=1...M-1,n=1...N),$

${\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)=\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,-l}x{(n-m-l)}^{(q-1)},(m=\mathrm{0...}M-1,n=1...N)$

${\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)=\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)},(m=0...M-1,n=1...N)$

${\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)=\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)},(m=\mathrm{0...}M-1,n=1...N)$

${\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)=\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-1)},(m=\mathrm{0...}M-1,n=1...N)$

所以，上述公式(2)可简化为：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(x-m)\·{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}---\left(3\right)$

在公式(3)的基础上，进一步地，预失真模型在提取公因式后可简化为：

$z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\left\{\begin{array}{c}{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}\right\}---\left(4\right)$

由于公式(4)中的预失真模型实现了公因式的提取工作，极大的降低了运算的难度。

总体来说，在上述实施例中预失真模型之所以能够简化成公式(4)，是通过对预失真模型中的时间交错共轭记忆多项式进行简化得以实现的。

如果根据实际情况，需要预失真模型进一步降低计算难度，本发明实施例在公式(3)基础上可以通过简化时间交错记忆多项式模型部分来实现。

首先，在进行简化前，需要进行简化根据的阐述，时间交错记忆多项式中的时间交错项目随着记忆深度的增加，其影响越来越小，也就是信号的交错部分随着记忆深度的增加离开对角线越远，对系统的影响就越小，所以出于简化计算复杂度的目的，可以将交错记忆多项式中的记忆深度过大的时间交错项目省略掉，以达到降低运算复杂度的目的。就是时间交错项目的数量由最大记忆深度，变为最大记忆深度减去最大交叉采样点，所以本发明预失真模型中的交错记忆多项式模型部分z_mpcl(n)可简化为：

$\begin{array}{c}{z}_{mpcl}\left(n\right)=\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}\\ +\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=L}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{e}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}\end{array}---\left(5\right)$

总体来说根据公式(3)与公式(5)，本发明实施例提供的预失真模型最终可为：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(x-m)\·{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}---\left(6\right)$

本发明上述实施例根据时间交错记忆多项式中的时间交错项目随着记忆深度的增加，其影响越来越小的现有规则，提供了一种通过省略一些时间交错记忆多项式模型中的记忆深度较大的时间交错项目来实现降低总体预失真模型整体运算复杂度的目的。

综上所述，根据上述各实施例的论证和公式的推导，申请人证明了不论使用公式(1)、(4)或(6)均能够达到本发明的发明目的，即提升信号性能的同时，降低预失真模型的运算复杂度。

上述各实施例证明了本发明提供预失真模型的性能优良性，下面通过一些具体的实施例来对本发明的预失真参数求取过程进行详细解释。

一般地，在进行预失真参数的求取时为了求取出的预失真参数准确，对所述第一反馈信号进行消除额定线性增益得到第二反馈信号，具体包括：

消除所述第一反馈信号的额定线性增益；

消除所述第一反馈信号的共轭信号的额定线性增益；

经过消除额定线性增益的第一反馈信号和第一反馈信号的共轭信号组成所述第二反馈信号。

一般地，通过下列公式消除所述第一反馈信号的额定线性增益：

其中，y表示第一反馈信号，u表示消除功放额定线性增益的第一反馈信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点；

通过下列公式消除所述第一反馈信号的共轭信号的额定线性增益：

其中，y*表示第一反馈信号的共轭信号，u*表示消除功放额定线性增益后的第一反馈信号的共轭信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点。

在本发明实施例中，可以理解的是，由于预失真模型包含了第一反馈信号和第一反馈信号的共轭信号，所以在进行额定线性增益消除时，需要分别通过上述两个公式进行计算，最后所有的和一起组成了第二反馈信号的矩阵U。

优选地，根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数，具体包括：

将所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵带入到公式确定预失真参数的最小二乘解，其中，表示预失真参数的最小二乘解，z表示预失真信号形成的矩阵，U表示第二反馈信号形成的矩阵，U^H表示矩阵的U的共轭矩阵；

根据所述预失真参数的最小二乘解确定预失真参数。

可以理解的是，因为预失真模型无限逼近于功放模型，所以可以认为预失真信号z与第一反馈信号y存在如下关系式：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}y(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|y(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}y(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|y(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}y(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|y(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{y}^{*}(n-m)\·y^2(n-m-l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|(n-m-l)\right|}^{(q-3)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{y}^{*}(n-m)\·y^2(n-m+l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|(n-m+l)\right|}^{(q-3)}\end{array}$

正因为存在如上关系，所以本发明上述实施例在计算预失真参数时是通过第一反馈信号与预失真信号的上述关系式求取的，在获得第二反馈信号的矩阵和预失真信号矩阵后，上述关系式可变化成矩阵关系式z＝Uw，根据LS算法，上述矩阵关系式可变化为计算预失真参数的最小二乘解由于在计算预失真参数的最小二乘解时涉及到矩阵的求逆，运算比较复杂，采用矩阵分解的方法可以避免对矩阵的求逆，比如常见的矩阵分解方法有QR(Orthogonal-triangular Decomposition)分解、奇异值分解(SVD，Singular Value Decomposition)分解等。另外，采用自适应的LS算法也可以避免矩阵求逆，比如递归最小二乘(RLS，Recursive Least Square)。

综上所述，通过申请的上述说明，证明了本发明所提出预失真模型具有以下优点：

1、本发明提出的PVS模型对比MP模型，增加了交叉项目的模型，采用MP模型附近的架构，一方面能够大大节省模型的复杂度，另外一方面可以有效的反映出功放的主要非线性。

2、本发明提出的PVS模型是一种基于可裁剪的模型，根据功放实际情况可以自适应调整功放对应的参数配置(非线性阶数、记忆深度和交叉采样点)，满足不同功放的要求。

3、通过本发明提出的PVS模型中各小模型的共同点，简化整体模型算法的复杂度，提高信号的处理性能。

为了更好的理解本发明提供的一种预失真参数求取方法，如图3、图5所示，提供一个详细的实施过程，在本实施例中采用公式(3)为预失真模型：

首先，对下述实施例中出现的字母或符合统一进行解释：

x(n)表示n时刻输入的原始信号，z(n)表示n时刻输出的经过预失真处理后的信号，y(n)表示第一反馈信号，n表示信号的输入时刻，m表示信号的记忆时刻，w表示预失真参数，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，*表示信号的共轭，l表示交叉采样点，x(n-m)表示原始信号的信号幅值，x*(n-m)表示原始信号的共轭信号的信号幅值，y(n-m)表示第一反馈信号的信号幅值，y*(n-m)表示第一反馈信号的共轭信号的信号幅值，G表示额定线性增益，u表示消除功放额定线性增益后的第一反馈信号，y*表示第一反馈信号的共轭信号，u*表示消除功放额定线性增益后的第一反馈信号的共轭信号，U表示第二反馈信号的矩阵，表示预失真参数的最小二乘解，U^H表示矩阵的U的共轭矩阵；

S201，在周期性滤波处理开始后，原始信号输入预失真器；

S202，预失真器根据前一次更新后的LUT表及预失真模型对原始信号进行处理，输出预失真信号；

(1)，预失真器根据输入的原始信号的不同幅值在上一次更新的LUT表中提取出对应的预失真参数；

(2)，根据下列公式对原始信号进行信号处理获得预失真信号；

$z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\left\{\begin{array}{c}{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}\right\}$

S203，将预失真信号通过数模转换模块由数字信号变为模拟信号；

S204，将模拟信号的预失真信号通过射频发射器发射到功放模块进行功放过程；

S205，通过射频接收器接收经过功放过程的第一反馈信号；

S206，通过模数转换器将第一反馈信号由模拟信号转换为数字信号；

S207，将转换为数字信号的第一反馈信号消除额定线性增益获得第二反馈信号；

(1)，通过下列公式消除所述第一反馈信号的额定线性增益：

(2)，通过下列公式消除所述第一反馈信号的共轭信号的额定线性增益：

(3)，第二反馈信号的矩阵表示为U＝u+u^*＝[u₁₀，…u_M00，…u_1Q，…u_MQL]；

(4)，至此，第二反馈信号与预失真信号的关系式可简化为z(n)＝Uw(7)。

S208，将根据所述第二反馈信号形成的矩阵U及根据预失真信号形成的矩阵Z确定预失真参数w；

(1)，公式(7)可变换为将预失真信号形成的矩阵及第二反馈信号形成的矩阵带入到上述公式，确定预失真参数w的最小二乘解(因为此公式为超定方程组。本实施例可以采用最小二乘原理确定线性方程的解，实际过程中采用矩阵的QR分解方法或者快速Cholesky分解方法求解矩阵系数)；

S209，将确定的预失真参数发送到预失真器以对LUT表进行更新。

S210，预失真器根据更新后的LUT表对下一次原始信号进行数字预失真处理。

对应本发明上述方法，本发明实施例还提供了一种数字预失真处理系统，如图4所示，该系统包括：

预失真器1，用于在周期性滤波处理开始后，对输入的原始信号进行预失真处理，向功放器输出预失真信号；根据运算器发送的预失真参数更新预失真参数索引表；

功放器2，用于对预失真器输出的预失真信号进行功放，并向运算器输出第一反馈信号，所述预失真信号根据如下预失真模型获得：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m-l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-3)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}{x}^{*}(n-m)\·x^2(n-m+l)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-3)}\end{array}$

其中，z(n)表示n时刻输出的经过预失真处理后的信号，x(n)表示n时刻输入的原始信号，n表示原始信号的输入时刻，m表示原始信号的记忆时刻，w表示预失真参数，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，*表示信号的共轭，l表示交叉采样点，x(n-m)表示原始信号，x*(n-m)表示原始信号的共轭信号；

运算器3，用于获取所述预失真信号和所述第一反馈信号，并对所述第一反馈信号进行消除额定线性增益得到第二反馈信号；根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数，将所述确定的预失真参数发送到预失真器。

在本发明上述实施例中，提出了一种新型的数字预失真处理模型，预失真器使用本发明所提出的模型对信号进行处理，达到了既保证系统整体的信号处理性能，又简化了运算复杂程度的效果。

优选地，在本发明上述实施例的基础上，根据原始信号与原始信号的共轭信号二者之间信号向量关系，采用原始信号替代所述预失真模型中的原始信号的共轭信号，替代后的所述预失真模型为：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=1}{\overset{Q}{\Σ}}{w}_{m,q}{\left|x(n-m)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,-l}{\left|x(n-m-l)\right|}^{(q-1)}+\underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\underset{q=2}{\overset{Q}{\Σ}}{w}_{m,q,l}{\left|x(n-m+l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,-xl}{\left|x(n-m-l)\right|}^{(q-1)}+\\ \underset{l=1}{\overset{L_c}{\Σ}}\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·\underset{q=3}{\overset{Q}{\Σ}}{w}_{m,q,xl}{\left|x(n-m+l)\right|}^{(q-1)}\end{array}$

其中，exp(-j2θ_m1+j2θ_m2)表示原始信号与原始信号的共轭信号之间的向量关系，θ表示原始信号的复角。

优选地，在本发明上述实施例的基础上，根据所述预失真参数索引表中预失真参数与原始信号的信号幅值之间的对应关系，将所述替代后的所述预失真模型进一步变化为：

$z\left(n\right)=\underset{m=0}{\overset{M-1}{\Σ}}x(n-m)\·\left\{\begin{array}{c}{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}\right\}$

其中，LUT表示预失真参数索引表，LUT_m(|x(n-m)|)表示原始信号的信号幅值|x(n-m)|在LUT表中所对应的预失真参数。

优选地，在本发明上述实施例的基础上，所述运算器对所述第一反馈信号进行消除额定线性增益得到第二反馈信号，具体包括：

消除所述第一反馈信号的额定线性增益；

消除所述第一反馈信号的共轭信号的额定线性增益；

经过消除额定线性增益的第一反馈信号和第一反馈信号的共轭信号组成所述第二反馈信号。

优选地，在本发明上述实施例的基础上，所述运算器通过下列公式消除所述第一反馈信号的额定线性增益：

其中，y表示第一反馈信号，u表示消除功放额定线性增益的第一反馈信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点；

所述运算器通过下列公式消除所述第一反馈信号的共轭信号的额定线性增益：

其中，y*表示第一反馈信号的共轭信号，u*表示消除功放额定线性增益后的第一反馈信号的共轭信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点。

优选地，在本发明上述实施例的基础上，所述运算器根据所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵确定预失真参数，具体包括：

将所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵带入到公式确定预失真参数的最小二乘解，其中，表示预失真参数的最小二乘解，z表示预失真信号形成的矩阵，U表示第二反馈信号形成的矩阵，U^H表示矩阵的U的共轭矩阵；

根据预失真参数的最小二乘解确定预失真参数。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种数字预失真参数的求取方法，其特征在于，该方法包括：

在周期性滤波处理开始后，获取经过预失真处理后的预失真信号和经过功放处理后的第一反馈信号，所述预失真信号根据如下预失真模型获得：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}|x\left(n-m\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-l}|x\left(n-m-l\right){|}^{\left(q-1\right)}+\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,l}|x\left(n-m+l\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{x}^{*}\left(n-m\right)\·x^2\left(n-m-l\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-xl}|x\left(n-m-l\right){|}^{\left(q-3\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{x}^{*}\left(n-m\right)\·x^2\left(n-m+l\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,xl}|x\left(n-m+l\right){|}^{\left(q-3\right)}\end{array}$

其中，z(n)表示n时刻输出的经过预失真处理后的信号，x(n)表示n时刻输入的原始信号，n表示原始信号的输入时刻，m表示原始信号的记忆时刻，w表示预失真参数，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，*表示信号的共轭，l表示交叉采样点，x(n-m)表示原始信号，x*(n-m)表示原始信号的共轭信号；

对所述第一反馈信号进行消除额定线性增益得到第二反馈信号；

将所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵带入到公式确定预失真参数的最小二乘解，其中，表示预失真参数的最小二乘解，z表示预失真信号形成的矩阵，U表示第二反馈信号形成的矩阵，U^H表示矩阵的U的共轭矩阵；

根据所述预失真参数的最小二乘解确定预失真参数；

根据确定的预失真参数更新预失真参数索引表。

2.如权利要求1所述的方法，其特征在于，根据原始信号与原始信号的共轭信号二者之间信号向量关系，采用原始信号替代所述预失真模型中的原始信号的共轭信号，替代后的所述预失真模型为：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}|x\left(n-m\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=2}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-l}|x\left(n-m-l\right){|}^{\left(q-1\right)}+\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=2}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,l}|x\left(n-m+l\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\·\exp \left(-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2}\right)\·\underset{q=3}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-xl}|x\left(n-m-l\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\·\exp \left(-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2}\right)\·\underset{q=3}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,xl}|x\left(n-m+l\right){|}^{\left(q-1\right)}\end{array}$

其中，exp(-j2θ_m1+j2θ_m2)表示原始信号与原始信号的共轭信号之间的向量关系，θ表示原始信号的复角。

3.如权利要求2所述的方法，其特征在于，根据所述预失真参数索引表中预失真参数与原始的信号幅值之间的对应关系，将所述替代后的所述预失真模型进一步变化为：

$z\left(n\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x(n-m)\·\left\{\begin{array}{c}{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}\right\}$

其中，LUT表示预失真参数索引表，LUT_m(|x(n-m)|)表示原始信号的信号幅值|x(n-m)|在LUT表中所对应的预失真参数。

4.如权利要求3所述的方法，其特征在于，对所述第一反馈信号进行消除额定线性增益得到第二反馈信号，具体包括：

消除所述第一反馈信号的额定线性增益；

消除所述第一反馈信号的共轭信号的额定线性增益；

经过消除额定线性增益的第一反馈信号和第一反馈信号的共轭信号组成所述第二反馈信号。

5.如权利要求4所述的方法，其特征在于，通过下列公式消除所述第一反馈信号的额定线性增益：

其中，y表示第一反馈信号，u表示消除功放额定线性增益的第一反馈信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点；

通过下列公式消除所述第一反馈信号的共轭信号的额定线性增益：

其中，y*表示第一反馈信号的共轭信号，u*表示消除功放额定线性增益后的第一反馈信号的共轭信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点。

6.一种数字预失真处理系统，其特征在于，该系统包括：

预失真器，用于在周期性滤波处理开始后，对输入的原始信号进行预失真处理，向功放器输出预失真信号；根据运算器发送的预失真参数更新预失真参数索引表，所述预失真信号根据如下预失真模型获得：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}|x\left(n-m\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-l}|x\left(n-m-l\right){|}^{\left(q-1\right)}+\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,l}|x\left(n-m+l\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{x}^{*}\left(n-m\right)\·x^2\left(n-m-l\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-xl}|x\left(n-m-l\right){|}^{\left(q-3\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{x}^{*}\left(n-m\right)\·x^2\left(n-m+l\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,xl}|x\left(n-m+l\right){|}^{\left(q-3\right)}\end{array}$

其中，z(n)表示n时刻输出的经过预失真处理后的信号，x(n)表示n时刻输入的原始信号，n表示原始信号的输入时刻，m表示原始信号的记忆时刻，w表示预失真参数，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，*表示信号的共轭，l表示交叉采样点，x(n-m)表示原始信号，x*(n-m)表示原始信号的共轭信号；

功放器，用于对预失真器输出的预失真信号进行功放，并向运算器输出第一反馈信号；

运算器，用于获取所述预失真信号和所述第一反馈信号，并对所述第一反馈信号进行消除额定线性增益得到第二反馈信号；将所述第二反馈信号形成的矩阵及根据所述预失真信号形成的矩阵带入到公式确定预失真参数的最小二乘解，其中，表示预失真参数的最小二乘解，z表示预失真信号形成的矩阵，U表示第二反馈信号形成的矩阵，U^H表示矩阵的U的共轭矩阵；根据预失真参数的最小二乘解确定预失真参数；将所述确定的预失真参数发送到预失真器。

7.如权利要求6所述的系统，其特征在于，根据原始信号与原始信号的共轭信号二者之间信号向量关系，采用原始信号替代所述预失真模型中的原始信号的共轭信号，替代后的所述预失真模型为：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}|x\left(n-m\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=2}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-l}|x\left(n-m-l\right){|}^{\left(q-1\right)}+\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\underset{q=2}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,l}|x\left(n-m+l\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\·\exp \left(-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2}\right)\·\underset{q=3}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-xl}|x\left(n-m-l\right){|}^{\left(q-1\right)}+\\ \underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x\left(n-m\right)\·\exp \left(-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2}\right)\·\underset{q=3}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,xl}|x\left(n-m+l\right){|}^{\left(q-1\right)}\end{array}$

其中，exp(-j2θ_m1+j2θ_m2)表示原始信号与原始信号的共轭信号之间的向量关系，θ表示原始信号的复角。

8.如权利要求7所述的系统，其特征在于，根据所述预失真参数索引表中预失真参数与原始信号的信号幅值之间的对应关系，将所述替代后的所述预失真模型进一步变化为：

$z\left(n\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}x(n-m)\·\left\{\begin{array}{c}{\mathrm{LUT}}_m\left(\right|x\left(n-m\right)\left|\right)+\\ \underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m-l}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}{\mathrm{LUT}}_{m+l}\left(\right|x\left(n-m+l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m-xl}\left(\right|x\left(n-m-l\right)\left|\right)\\ +\underset{l=1}{\overset{L_c}{\Σ}}\exp (-j2{\mathrm{\θ}}_{m1}+j2{\mathrm{\θ}}_{m2})\·{\mathrm{LUT}}_{m+xl}\left(\right|x\left(n-m+l\right)\left|\right)\end{array}\right\}$

其中，LUT表示预失真参数索引表，LUT_m(|x(n-m)|)表示原始信号的信号幅值|x(n-m)|在LUT表中所对应的预失真参数。

9.如权利要求8所述的系统，其特征在于，所述运算器对所述第一反馈信号进行消除额定线性增益得到第二反馈信号，具体包括：

消除所述第一反馈信号的额定线性增益；

消除所述第一反馈信号的共轭信号的额定线性增益；

经过消除额定线性增益的第一反馈信号和第一反馈信号的共轭信号组成所述第二反馈信号。

10.如权利要求9所述的系统，其特征在于，所述运算器通过下列公式消除所述第一反馈信号的额定线性增益：

其中，y表示第一反馈信号，u表示消除功放额定线性增益的第一反馈信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点；

所述运算器通过下列公式消除所述第一反馈信号的共轭信号的额定线性增益：

其中，y*表示第一反馈信号的共轭信号，u*表示消除功放额定线性增益后的第一反馈信号的共轭信号，G表示额定线性增益，n表示第一反馈信号的输入时刻，m表示第一反馈信号的记忆时刻，M表示记忆深度，Q表示非线性阶数，L表示最大交叉采样点，q表示非线性阶数索引，l表示交叉采样点。