CN110581817A

CN110581817A - 一种业务数据的处理方法和装置

Info

Publication number: CN110581817A
Application number: CN201810596082.9A
Authority: CN
Inventors: 周丹; 王杰丽; 张永丽
Original assignee: Datang Mobile Communications Equipment Co Ltd
Current assignee: Datang Mobile Communications Equipment Co Ltd
Priority date: 2018-06-11
Filing date: 2018-06-11
Publication date: 2019-12-17
Anticipated expiration: 2038-06-11
Also published as: CN110581817B

Abstract

本发明实施例提供了一种业务数据的处理方法和装置，应用于数据预失真系统中；所述方法包括：所述数据预失真系统接收所述业务数据；从所述业务数据中提取出目标数据；判断所述目标数据是否满足数据预失真系数训练的条件；若是，则基于所述目标数据进行数据预失真系数训练，得到数据预失真系数；采用所述数据预失真系数对所述业务数据进行数据预失真处理。本发明实施例中的数据预失真系统可以实时地、循环不间断地进行目标数据提取，相对于现有技术，大大提高了目标数据提取的速度。

Description

一种业务数据的处理方法和装置

技术领域

本发明涉及通信技术领域，特别是涉及一种业务数据的处理方法和一种业务数据的处理装置。

背景技术

DPD(Digital Pre-Distortion，数字预失真)作为一种提高功放线性度的有效方法，已广范应用于通信系统中。现有的数字预失真系统的基本架构如图1所示，前向发射链路包括数字上变频(DUC)和峰值因子抑制(CFR)模块、预失真模块、数模转换模块、反射通道及功率放大器，反向接收链路包括接收通道、模数转换和DPD系数计算模块。

DPD系数计算模块主要包括数据采集和系数训练两个部分。

现有DPD训练数据采集分为实时数据采集模式和延时同步数据采集模式两种。实时采集模式是指当系统具有DPD系数更新需求时进行数据采集，延迟同步采集模式是指在已知信号的时域结构进行采集，且预知某一段信号具备较好的统计特性，能够很好的应用于参数估计。目前TDD(Time Division Duplexing，时分双工)系统常采用延时同步数据采集模式，即在GP(Guard Period，保护间格)时隙插入一组已知专用训练信号，当进行系数计算时，在GP时隙采集这组插入的数据。

DPD系数训练分为直接学习和间接学习两种结构。直接学习是指信号经预失真器的输出后再经功放放大与期望信号比较，用所得误差去调节预失真器的参数。直接学习结构具有结构简单、抗噪能力强和收敛速度快等特点。间接学习结构是用功放输出的反馈信号作为自适应算法的输入，将功放前的输入信号作为期望信号，算法收敛后所得的模型为功放的逆模型，最后将逆模型参数直接复制到预失真器中即可。间接学习更适用于自适应算法，但其加性噪声会使学习到的逆模型参数偏离最佳值，影响预失真效果。

在实际应用中，通信系统在小区建立的初期会根据用户数来规划小区个数和功率等信息进行初始DPD，但当系统的温度、用户数以及功率等发生变化时，目前的TDD系统预失真装置只能在满足一定的条件(比如温度)下触发，而不能实时的随着系统的状态变化来更新DPD系数，由于宽带信号的特性，DPD达到收敛速度慢，从而导致一些状态下非线性指标ACPR和带内失真指标EVM(Error Vector Magnitude，误差向量幅度)恶化。

发明内容

鉴于上述问题，本发明实施例提出了一种业务数据的处理方法和相应的一种业务数据的处理装置。

为了解决上述问题，本发明实施例公开了一种业务数据的处理方法，所述方法应用于数据预失真系统中；所述方法包括：

所述数据预失真系统接收所述业务数据；

从所述业务数据中提取出目标数据；

判断所述目标数据是否满足数据预失真系数训练的条件；

若是，则基于所述目标数据进行数据预失真系数训练，得到数据预失真系数；

采用所述数据预失真系数对所述业务数据进行数据预失真处理。

优选的，所述目标数据包括训练序列数据和反馈数据。

优选的，所述判断所述目标数据是否满足数据预失真系数训练的条件的步骤包括：

判断所述业务数据的功率值是否大于无业务下当前小区配置最低功率值，且，不大于小区定标功率值，以及，判断所述业务数据的峰值是否大于最小峰值；

若是，则判定所述目标数据满足预失真系数训练的条件。

优选的，所述基于所述目标数据进行数据预失真系数训练的步骤包括：

从所述反馈数据中提取出反馈信号的邻信道功率比指标；

若所述邻信道功率比指标大于或等于所述邻信道功率比指标阈值，则采用直接学习方式对所述目标数据进行数据预失真系数训练；

若所述邻信道功率比指标小于所述邻信道功率比指标阈值，则采用间接学习方式对所述目标数据进行数据预失真系数训练。

优选的，所述数据预失真系统包括预置的查找表；

所述采用所述数据预失真系数对所述业务数据进行数据预失真处理的步骤包括：

基于数据预失真系数生成查找表；

采用所述查找表更新所述预置的查找表，生成更新后的查找表；

依据所述更新后的查找表对所述业务数据进行数据预失真处理。

优选的，还包括：

若所述目标数据不满足数据预失真系数训练的条件，则将所述目标数据丢弃。

相应的，本发明实施例还公开了一种业务数据的处理装置，其特征在于，所述装置应用于数据预失真系统中；所述装置包括：

位于所述数据预失真系统的接收模块，用于接收所述业务数据；

位于所述数据预失真系统的提取模块，用于从所述业务数据中提取出目标数据；

位于所述数据预失真系统的判断模块，用于判断所述目标数据是否满足数据预失真系数训练的条件；

位于所述数据预失真系统的训练模块，用于基于所述目标数据进行数据预失真系数训练，得到数据预失真系数；

位于所述数据预失真系统的预失真处理模块，用于采用所述数据预失真系数对所述业务数据进行数据预失真处理。

优选的，所述目标数据包括训练序列数据和反馈数据。

优选的，所述位于所述数据预失真系统的判断模块包括：

第一判断子模块，用于判断所述业务数据的功率值是否大于无业务下当前小区配置最低功率值，且，不大于小区定标功率值，以及，判断所述业务数据的峰值是否大于最小峰值；

判定子模块，用于判定所述目标数据满足预失真系数训练的条件。

优选的，所述位于所述数据预失真系统的训练模块包括：

邻信道功率比指标提取子模块，用于从所述反馈数据中提取出反馈信号的邻信道功率比指标；

直接学习子模块，用于采用直接学习方式对所述目标数据进行数据预失真系数训练；

间接学习子模块，用于采用间接学习方式对所述目标数据进行数据预失真系数训练。

优选的，所述数据预失真系统包括预置的查找表；

所述位于所述数据预失真系统的预失真处理模块包括：

生成子模块，用于基于数据预失真系数生成查找表；

更新子模块，用于采用所述查找表更新所述预置的查找表，生成更新后的查找表；

处理子模块，用于依据所述更新后的查找表对所述业务数据进行数据预失真处理。

优选的，若所述目标数据不满足数据预失真系数训练的条件，所述装置还包括：

过滤模块，用于将所述目标数据丢弃。

本发明实施例包括以下优点：

在本发明实施例中，数据预失真系统接收到业务数据后，先从业务数据中提取出目标数据，再判断目标数据是否满足数据预失真系数训练的条件，若是，则基于目标数据进行数据预失真系数训练，得到数据预失真系数，最后，采用数据预失真系数对业务数据进行数据预失真处理。这样，数据预失真系统可以实时地、循环不间断地进行目标数据提取，相对于现有技术，大大提高了目标数据提取的速度。

附图说明

图1是现有的数字预失真系统的基本架构；

图2是本发明的一种业务数据的处理方法实施例的步骤流程图；

图3是本发明的数字预失真系统的基本架构；

图4是本发明的下行公共导频样图；

图5是本发明的一种业务数据的处理装置实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图2，示出了本发明的一种业务数据的处理方法实施例的步骤流程图，所述方法应用于数据预失真系统中；所述方法具体可以包括如下步骤：

步骤101，所述数据预失真系统接收所述业务数据；

在本发明实施例中，业务数据指的是5G通信系统中基站可以进行处理的业务的数据，而业务的类型，本发明实施例不作限制。

步骤102，从所述业务数据中提取出目标数据；

所谓目标数据，就是可以用于数据预失真系数训练的数据。因为业务数据中除了业务本身的数据外，还有控制信号等其它数据，所以，从业务数据中提取出可以代表业务特性用于数据预失真系数训练的数据就可以了。

在本发明一种优选实施例中，所述目标数据包括训练序列数据和反馈数据。其中，训练序列数据则是从帧结构中采集的比特信息，是信号传输时必不可少的部分；而反馈数据，是功放过后采集回来的数据，如图3所示，“RF接收通道/ADC”接收到的就是反馈数据。训练序列数据和反馈数据是数据预失真系数训练所必不可少的数据。

现有技术中，TDD系统预失真装置只能在满足一定的条件下触发，比如温度达到一定的阈值，不能实时的随着系统的状态变化来更新数据预失真系数。而在本申请中，基于基带信号的导频设计，提出了一种主动采集数据，也就是从业务数据中提取出目标数据的方式。

具体而言，根据基带信号的导频设计可知，CRS(Cell Reference Signal，小区参考信号)信号是特定的小区参考信号，其能表征出对应的小区功率信息，且在固定的位置发送的，无论是单端口还是多端口，每个时隙的第1、5个符号均会分配CRS信号，如图4所示，其中阴影为CRS信号。

其中，每一列为1个“符号”，1个符号包括至少2个CRS信号，1ms即包括14个符号。14个符号又分为偶时隙和奇时隙，偶时隙和奇时隙分别包括7个符号，即，偶时隙和奇时隙分别为0.5ms。

在实际应用中，根据CRS信号的分布特点，不管是偶时隙还是奇时隙中，第1、5个符号是一定会包含CRS信号，其它符号则可能会包含CRS信号，也可能不包括CRS信号。而且，由于第1个符号分配较多的控制信号，第5个符号更能表征业务数据的特性，所以，在本发明实施例中，可以从每个时隙的第5个符号中提取目标数据，也就是说，每隔0.5ms就可以提取一次目标数据，相对于现有技术中需要满足一定条件才能进行数据采集，大大提高了采集数据的速度。

步骤103，判断所述目标数据是否满足数据预失真系数训练的条件；

在实际应用中，进行数据预失真系数训练的目标数据需要满足一定的条件，并不是所有的数据都可用于数据预失真系数训练，所以，需要对提取的目标数据进行筛选。

在本发明一种优选实施例中，所述判断所述目标数据是否满足数据预失真系数训练的条件的步骤包括：

判断所述业务数据的功率值是否否大于无业务下当前小区配置最低功率值，且，不大于小区定标功率值，以及，判断所述业务数据的峰值是否大于最小峰值；

若是，则判定所述目标数据满足预失真系数训练的条件。

具体而言，为了选取可以表征当前信号特征的训练序列数据和反馈数据，提取的目标数据需要满足信号的功率、峰值的基本特征条件。

1)功率范围：

每个时隙的第5个符号在没有用户业务时仅有小区CRS信号，当用户业务满调度时为满功率信号。从帧结构可知，每个PRB(Resource Block，资源块)有12个RE(ResourceElement，资源单元)，CRS信号占每个PRB的1/6，所以单端口配置时信号功率比满功率低7.8dB，双端口配置信号功率比满功率低4.8dB。

为保证最低功率满足要求，因此训练序列数据的功率值下限为：小区定标功率Psat-7.8dBm。为防止功率过高而产生失真，训练序列数据的功率上限值为小区定标功率。

即训练序列的的功率范围为：定标功率≥PWR_tr(业务数据的功率)≥定标功率Psat-7.8dBm。

2)峰值范围：

高峰均比是OFDM(Orthogonal frequency Division Multiplexing，正交频分复用技术)信号的特性，但过高的峰均比会对功放提出更严峻的挑战，正常OFDM信号的峰均比为9.7dB，由于数据是经过CFR(Crest Factor Reuction，峰值因子抑制)削峰模块后进行采集，因此为保证信号的峰均比特性，可根据削峰门限判别峰值上限，根据最小峰值判别峰值下限。峰值最小值设为：PWR_peak＝(小区功率-10log6+PAR)dBm。

在本发明一种优选实施例中，若所述目标数据不满足数据预失真系数训练的条件，则将所述目标数据丢弃。

当业务数据同时满足二者要求时，则判定目标数据满足预失真系数训练的条件；否则，则判定目标数据不满足预失真系数训练的条件，将该目标数据丢弃。

步骤104，若是，则基于所述目标数据进行数据预失真系数训练，得到数据预失真系数；

目标数据提取完成后，就可以进行数据预失真系数训练了。

在本发明一种优选实施例中，所述基于所述目标数据进行数据预失真系数训练的步骤包括：

从所述反馈数据中提取出反馈信号的邻信道功率比指标；

现有技术中，数据预失真系数训练分为直接学习和间接学习两种方式。直接学习是指信号经预失真器的输出后再经功放放大与期望信号比较，用所得误差去调节预失真器的参数。直接学习结构具有结构简单、抗噪能力强和收敛速度快等特点。间接学习结构是用功放输出的反馈信号作为自适应算法的输入，将功放前的输入信号作为期望信号，算法收敛后所得的模型为功放的逆模型，最后将逆模型参数直接复制到预失真器中即可。间接学习更适用于自适应算法，但其加性噪声会使学习到的逆模型参数偏离最佳值，影响预失真效果。

针对二者的优缺点，目前学术上提出了一种“间接+直接”固定流程的学习方式，即，第一次采用间接学习方式进行训练粗模型参数，再使用直接学习方式进行参数修正。

与现有技术不同的是，本发明实施例创造性的提出了一种自适应训练方式。具体地，通过反馈数据的ACPR(Adjacent Channel Power Ratio，邻信道功率比)指标来选择是直接学习还是间接学习。反馈数据是在功放输出端反馈回来的，能够表征功放输出信号的信息，反馈信号ACPR指标基本代表功放输出的ACPR性能。

从反馈数据中提取出ACPR后，与ACPR门限值进行比较，如果反馈数据中的ACPR大于或等于ACPR门限值，则采用直接学习的方式对目标数据进行数据预失真系数训练；否则，采用间接学习的方式对目标数据进行数据预失真系数训练。

步骤105，采用所述数据预失真系数对所述业务数据进行数据预失真处理。

在本发明一种优选实施例中，所述数据预失真系统包括预置的查找表。

在实际应用中，数字预失真将事先计算好的预失真补偿参数保存在一个表格中，然后根据当时输入的基带信号计算出表中的地址量，从而找到补偿参数，对信号进行预失真处理，这个表格就是LUT(Look-Up Table，查找表)表。

基于数据预失真系数生成查找表；

具体而言，计算得到数据预失真系数后，就采用数据预失真系数生成LUT表，并将生成的LUT表更新数据预失真系统中的LUT表，得到更新后的LUT表，然后就可以采用更新后的LUT表对业务数据进行数据预失真处理了。

同时，对提取的目标数据进行筛选，过滤掉不满足数据预失真系数训练条件的目标数据，然后基于满足条件的目标数据自适应地选择数据预失真系数的训练方法，相对于现有技术采用“间接+直接”的学习方式，更具有自适应性，不仅加快收敛速度，减少了通精度下的迭代次数，还提高了模型校正速度。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图5，示出了本发明的一种业务数据的处理装置实施例的结构框图，所述装置应用于数据预失真系统中；所述装置具体可以包括如下模块：

位于所述数据预失真系统的接收模块501，用于接收所述业务数据；

位于所述数据预失真系统的提取模块502，用于从所述业务数据中提取出目标数据；

位于所述数据预失真系统的判断模块503，用于判断所述目标数据是否满足数据预失真系数训练的条件；

位于所述数据预失真系统的训练模块504，用于基于所述目标数据进行数据预失真系数训练，得到数据预失真系数；

位于所述数据预失真系统的预失真处理模块505，用于采用所述数据预失真系数对所述业务数据进行数据预失真处理。

在本发明一种优选实施例中，所述目标数据包括训练序列数据和反馈数据。

在本发明一种优选实施例中，所述位于所述数据预失真系统的判断模块包括：

在本发明一种优选实施例中，所述位于所述数据预失真系统的训练模块包括：

在本发明一种优选实施例中，所述数据预失真系统包括预置的查找表；

所述位于所述数据预失真系统的预失真处理模块包括：

生成子模块，用于基于数据预失真系数生成查找表；

在本发明一种优选实施例中，若所述目标数据不满足数据预失真系数训练的条件，所述装置还包括：

过滤模块，用于将所述目标数据丢弃。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种业务数据的处理方法和一种业务数据的处理装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种应用于数据预失真系统中的业务数据处理方法，其特征在于，所述方法包括：

所述数据预失真系统接收所述业务数据；

从所述业务数据中提取出目标数据；

判断所述目标数据是否满足数据预失真系数训练的条件；

采用所述数据预失真系数对所述业务数据进行数据预失真处理；

所述判断所述目标数据是否满足数据预失真系数训练的条件的步骤包括：

若是，则判定所述目标数据满足预失真系数训练的条件。

2.根据权利要求1所述的方法，其特征在于，所述目标数据包括训练序列数据和反馈数据。

3.根据权利要求1或2所述的方法，其特征在于，所述判断所述目标数据是否满足数据预失真系数训练的条件的步骤包括：

若是，则判定所述目标数据满足预失真系数训练的条件。

4.根据权利要求2所述的方法，其特征在于，所述基于所述目标数据进行数据预失真系数训练的步骤包括：

从所述反馈数据中提取出反馈信号的邻信道功率比指标；

5.根据权利要求1或2所述的方法，其特征在于，所述数据预失真系统包括预置的查找表；

基于数据预失真系数生成查找表；

6.根据权利要求1或2所述的方法，其特征在于，还包括：

7.一种业务数据的处理装置，其特征在于，所述装置应用于数据预失真系统中；所述装置包括：

8.根据权利要求7所述的装置，其特征在于，所述目标数据包括训练序列数据和反馈数据。

9.根据权利要求7或8所述的装置，其特征在于，所述位于所述数据预失真系统的判断模块包括：

10.根据权利要求8所述的装置，其特征在于，所述位于所述数据预失真系统的训练模块包括：

11.根据权利要求7或8所述的装置，其特征在于，所述数据预失真系统包括预置的查找表；

所述位于所述数据预失真系统的预失真处理模块包括：

生成子模块，用于基于数据预失真系数生成查找表；

12.根据权利要求7或8所述的装置，其特征在于，若所述目标数据不满足数据预失真系数训练的条件，所述装置还包括：

过滤模块，用于将所述目标数据丢弃。