CN110601665A - 一种基于功放模型裁剪的数字预失真器设计方法及装置 - Google Patents

Abstract

本发明公开了一种基于功放模型裁剪的数字预失真器设计方法及装置，该方法包括：向硬件通信系统发送原始输入信号，并通过硬件反馈通道获取射频功率放大器的输出信号；对输出信号进行下变频操作和数字采样后，将输出信号和输入信号进行频率对齐；对输出信号和输入信号进行自相关同步处理和归一化操作；利用广义记忆多项式模型建立输入信号和输出信号之间的功放模型；采用盲稀疏的分段弱正交匹配追踪算法对功放模型进行裁剪，得到简化功放模型；对简化功放模块进行求逆运算，得到功放数字预失真器。本发明通过盲稀疏的SWOMP算法对GMP模型进行裁剪，构建出稀疏能力强且精确的功放稀疏模型，从而得到复杂度低、精确度高的数字预失真器。

Description

一种基于功放模型裁剪的数字预失真器设计方法及装置

技术领域

本发明涉及无线通信技术领域，尤其是涉及一种基于功放模型裁剪的数字预失真器设计方法及装置。

背景技术

功率放大器(Power Amplifier，PA)是无线通信系统中不可或缺的器件，其性能好坏直接影响着整个无线通信系统的工作质量。由于功放的核心器件是半导体晶体管，其本身呈现出固有的非线性，因此功放线性化技术必不可少。数字预失真(DigitalPreDistortion，DPD)由于实现简单便于调试等优点成为当前功放线性化技术中研究的热点。

当下正处于4G到5G的过渡时期，第五代移动通信即将商用。第五代移动通信工作频段为3.4～4.9GHz，比现网的工作频段高很多，这将会导致传统单站的覆盖能力降低，为解决这一问题就必须做到基站密集化和小型化。同时，由于人们对基站辐射的敏感性越来越强烈，传统大基站选址和建设变得越来越困难，基站小型化也因此成了5G一种必然趋势。为了满足5G基站小型化的需求，占据主要功耗和成本的数字预失真模块就必须降低复杂度，从而减小实现面积。

近年来，压缩感知稀疏重构算法被广泛的用于DPD系统中简化功放模型，当前学术界与产业界对模型简化数字预失真研究取得了一定成果。但是，现有的数字预失真方法均存在一定的缺陷，在功放数字预失真器上难以取得较好的应用效果。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于功放模型裁剪的数字预失真器设计方法及装置，能够有效的构建一个稀疏能力强且精确的功放稀疏模型，从而能够在功放数字预失真器上具有较好的应用效果。

为了解决上述技术问题，本发明提供了一种基于功放模型裁剪的数字预失真器设计方法，包括：

向硬件通信系统发送原始输入信号，并通过硬件反馈通道获取射频功率放大器的输出信号；

对所述输出信号进行下变频操作和数字采样后，将所述输出信号对齐到所述原始输入信号的频率；

对频率对齐的所述输出信号和所述原始输入信号进行自相关同步处理后，进行归一化操作；

根据归一化操作后的所述输出信号和所述原始输入信号，利用广义记忆多项式模型建立功放模型；

采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型；

对所述简化功放模块进行求逆运算，得到功放数字预失真器。

进一步地，所述方法还包括：

将测试输入信号输入所述功放数字预失真器，得到输出序列信号；

向所述硬件通信系统发送所述输出序列信号，并通过反馈回路采集经过功放放大的输出采样信号；

对所述测试输入信号和所述输出采样信号进行归一化处理，计算归一化处理后的所述测试输入信号与所述输出采样信号的误差值，并根据所述误差值对所述功放数字预失真器的矫正效果进行判断。

进一步地，所述利用广义记忆多项式模型建立的功放模型为：

其中，m为所述广义记忆多项式模型对角项的记忆深度，l为所述广义记忆多项式模型超前及滞后项的记忆深度，k为所述广义记忆多项式模型的非线性阶数，x(n-m-l)和x(n-m+l)分别为n时刻的前向延迟项和后向延迟项，a_mk,b_mlk,c_mlk为所述广义记忆多项式模型待求解的参数。

进一步地，所述采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型，具体包括：

步骤1，初始化算法的各项参数；

步骤2，计算投射矩阵A与残差r的内积u＝abs[A^Tr]，从内积中找出最大值u_max，并求取门限Th＝α×u_max；

步骤3，从内积中找出大于门限Th的值，并将这些值对应于投影矩阵A的列序号，与支撑集Λ进行并集合操作得到当前迭代的稀疏系数支撑集Λ_k，其中，k为当前迭代次数；

步骤4，根据所述稀疏系数支撑集Λ_k求取下的最小二乘解，并求解稀疏系数其中，y为N×1维观测向量；

步骤5，更新残差

步骤6，求取当前代数的稀疏系数支撑集下的归一化均方误差，判断计算得到的归一化均方误差是否达到预设的标准；若否，则返回步骤2继续迭代；若是，则退出迭代，并根据获取得到的稀疏项对所述功放模型进行裁剪，得到简化功放模型。

为了解决相同的技术问题，本发明还提供了一种基于功放模型裁剪的数字预失真器设计装置，包括输出信号获取模块、信号频率对齐模块、信号自相关同步模块、功放模块建立模块、功放模型裁剪模块、数字预失真器获取模块，其中，所述输出信号获取模块，用于向硬件通信系统发送原始输入信号，并通过硬件反馈通道获取射频功率放大器的输出信号；

所述信号频率对齐模块，用于对所述输出信号进行下变频操作和数字采样后，将所述输出信号对齐到所述原始输入信号的频率；

所述信号自相关同步模块，用于对频率对齐的所述输出信号和所述原始输入信号进行自相关同步处理后，进行归一化操作；

所述功放模块建立模块，用于根据归一化操作后的所述输出信号和所述原始输入信号，利用广义记忆多项式模型建立功放模型；

所述功放模型裁剪模块，用于采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型；

所述数字预失真器获取模块，用于对所述简化功放模块进行求逆运算，得到功放数字预失真器。

进一步地，所述基于功放模型裁剪的数字预失真器设计装置还包括：

输出序列信号获取模块，用于将测试输入信号输入所述功放数字预失真器，得到输出序列信号；

输出采样信号采集模块，用于向所述硬件通信系统发送所述输出序列信号，并通过反馈回路采集经过功放放大的输出采样信号；

预失真矫正效果判断模块，用于对所述测试输入信号和所述输出采样信号进行归一化处理，计算归一化处理后的所述测试输入信号与所述输出采样信号的误差值，并根据所述误差值对所述功放数字预失真器的矫正效果进行判断。

进一步地，所述利用广义记忆多项式模型建立的功放模型为：

其中，m为所述广义记忆多项式模型对角项的记忆深度，l为所述广义记忆多项式模型超前及滞后项的记忆深度，k为所述广义记忆多项式模型的非线性阶数，x(n-m-l)和x(n-m+l)分别为n时刻的前向延迟项和后向延迟项，a_mk,b_mlk,c_mlk为所述广义记忆多项式模型待求解的参数。

相比于现有技术，本发明实施例具有如下有益效果：

本发明通过盲稀疏的SWOMP(分段弱正交匹配追踪)算法对GMP(广义记忆多项式)模型进行裁剪，降低模型参数个数，构建出稀疏能力强且精确的功放稀疏模型，从而得到复杂度低、精确度高的数字预失真器。

附图说明

图1是本发明一实施例提供的基于功放模型裁剪的数字预失真器设计方法的流程示意图；

图2是本发明一实施例提供的基于功放模型裁剪的数字预失真器设计方法的另一流程示意图；

图3是本发明一实施例提供的数字预失真系统预失真技术实现原理框图；

图4是本发明一实施例提供的GMP全模型与经盲稀疏SWOMP简化后的模型效果对比示意图；

图5是本发明一实施例提供的不同采样数据量下盲稀疏SWOMP与OMP以及SAMP运算速度对比示意图；

图6是本发明一实施例提供的盲稀疏SWOMP建立的预失真器效果仿真示意图；

图7是本发明一实施例提供的基于功放模型裁剪的数字预失真器设计装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1-3，本发明实施例提供了一种基于功放模型裁剪的数字预失真器设计方法，包括：

步骤S1、向硬件通信系统发送原始输入信号，并通过硬件反馈通道获取射频功率放大器的输出信号；

步骤S2、对所述输出信号进行下变频操作和数字采样后，将所述输出信号对齐到所述原始输入信号的频率；

步骤S3、对频率对齐的所述输出信号和所述原始输入信号进行自相关同步处理后，进行归一化操作；具体地，根据频率对齐的输出信号与原始输入信号做自相关同步算法，即通过相关峰输出得到相应的时延差，将输入输出信号做时延同步对齐处理；

步骤S4、根据归一化操作后的所述输出信号和所述原始输入信号，利用广义记忆多项式模型建立功放模型；具体地，本步骤为针对步骤S3处理后的原始输入信号与输出信号，利用广义记忆多项式模型建立输入信号和输出信号之间的模型，并得到功放的输入信号基函数矩阵；

步骤S5、采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型；需要说明的是，在使用SWOMP算法对GMP全模型进行稀疏重构时，为了提高SWOMP算法的应用范围，将盲稀疏的思想引入SWOMP算法，以GMP全模型NMSE(归一化均方误差)百分比作为SWOMP算法迭代停止的条件，提出了基于盲稀疏的SWOMP算法。进一步地，步骤S5具体包括：

首先确定输入：投影矩阵A＝φψ,A∈R^M×N，N×1维观测向量y，步长s。其中ψ为N*N的稀疏基矩阵，测量矩阵φ的作用是使原始信号从N维降为M维，R为M*N维的数据空间；

确定输出：稀疏系数集合N×1维的残差

步骤1，初始化算法的各项参数；具体初始化为：残差r₀＝y；稀疏系数支撑集Λ₀为空集；迭代次数k＝1；阀值门限α；

步骤2，计算投射矩阵A与残差r的内积u＝abs[A^Tr]，从内积中找出最大值u_max，并求取门限Th＝α×u_max；

步骤3，从内积中找出大于门限Th的值，并将这些值对应于投影矩阵A的列序号，与支撑集Λ进行并集合操作得到当前迭代的稀疏系数支撑集Λ_k，其中，k为当前迭代次数；

步骤4，根据所述稀疏系数支撑集Λ_k求取下的最小二乘解，并求解稀疏系数其中，y为N×1维观测向量；

步骤5，更新残差

步骤6，求取当前代数的稀疏系数支撑集下的归一化均方误差，判断计算得到的归一化均方误差是否达到预设的标准；若否，则返回步骤2继续迭代；若是，则退出迭代，并根据获取得到的稀疏项对所述功放模型进行裁剪，得到简化功放模型。

步骤S6、对所述简化功放模块进行求逆运算，得到功放数字预失真器。

可以理解的是，采用压缩感知算法对功放模型裁剪是一种有效降低预失真模块复杂度的方法。压缩感知的基本思想是把高纬度的信号降维到低纬度信号，并保留关键的信息，使得低纬度信号与高纬度信号高度拟合。压缩感知应用到功放模型裁剪中，就是把功放全模型的参数降维，减少模型的参数，在保证裁剪后的稀疏模型与全模型高度拟合的前提情况下降低建模复杂度，从而降低数字预失真模块的实现复杂度。

近年来，压缩感知稀疏重构算法被广泛的用于DPD系统中简化功放模型，当前学术界与产业界对模型简化数字预失真研究取得了一定成果。比如传统的正交匹配追踪算法，在匹配追踪算法中引入了正交的思想，利用Schmidt正交化的方法对已经得到的系数集合正交处理，解决了系数集合在投影矩阵上非正交的问题；自适应匹配追踪算法，可以在不知道稀疏水平的情况下对功放模型进行裁剪，从而大大提升了应用范围。但OMP算法需要知道迭代次数，SAMP算法运行速率慢，都有其缺陷性。

本发明将运行速率更快的SWOMP算法用于功放模型裁剪，并在OMP算法和SAMP算法的基础上，对传统SWOMP算法做出了改进，提出了盲稀疏的SWOMP算法。实验结果表明，该算法能有效的构建一个稀疏能力强且精确的功放稀疏模型，在功放数字预失真器上具有较好的应用效果。

针对现有功率放大器非线性特性和记忆效应越来越强以及功放预失真器模型复杂、计算复杂度高的问题，本发明提出了一种基于功率放大器模型裁剪的数字预失真方法。功放建模采用的是广义记忆多项式模型，优选地，当记忆深度设置为4，非线性阶数设置为10，GMP全模型参数个数为202个时，可以很好的拟合真是功放的特性。在GMP全模型的基础上采用本发明所提的盲稀疏SWOMP算法，对GMP全模型进行裁剪，降低模型参数个数，从而得到复杂度低、精确度高的数字预失真器。

可以理解的是，本发明利用裁剪后的稀疏模型来拟合复杂的功率放大器，在降低功率放大器模型参数数目简化模型的同时，保持与功放的高拟合度；其中，对功放模型的简化裁剪用的压缩感知中的稀疏重构思想，采用了盲稀疏的分段弱正交匹配追踪(SWOMP)算法，针对无线通信系统中射频器件功率放大器实现更高效的模型简化，降低了数字预失真系统的实现复杂度。

在本发明实施例中，进一步地，所述基于功放模型裁剪的数字预失真器设计方法还包括：

将测试输入信号输入所述功放数字预失真器，得到输出序列信号；

向所述硬件通信系统发送所述输出序列信号，并通过反馈回路采集经过功放放大的输出采样信号；

对所述测试输入信号和所述输出采样信号进行归一化处理，计算归一化处理后的所述测试输入信号与所述输出采样信号的误差值，并根据所述误差值对所述功放数字预失真器的矫正效果进行判断。

需要说明的是，可选地，所述硬件通信系统所用的功率放大器是F类功率放大器，将预失真器的输出信号经过F类功放放大后，得到补偿后的放大信号。预失真器的失真特性与F类功放的失真特性相反，先经过了预失真器非线性补偿后，再经过F类功率放大器，输入输出信号相位差基本为0，证明了功放的记忆效应和静态非线性得到了很大的改善。

进一步地，所述利用广义记忆多项式模型建立的功放模型为：

其中，m为所述广义记忆多项式模型对角项的记忆深度，l为所述广义记忆多项式模型超前及滞后项的记忆深度，k为所述广义记忆多项式模型的非线性阶数，x(n-m-l)和x(n-m+l)分别为n时刻的前向延迟项和后向延迟项，a_mk,b_mlk,c_mlk为所述广义记忆多项式模型待求解的参数。为方便对GMP全模型进行裁剪，功放模型输出信号y可以表示为：

y＝Xα

其中，x为输入信号，X是模型输入x构成的数据基函数矩阵，α是模型参数变量。

请参见图4，在一具体实施例中，该图展示了功放实际输出、GMP全模型、稀疏水平为44的盲稀疏SWOMP稀疏模型输出以及误差信号的功率谱比较。可以看出当稀疏度为44时，盲稀疏SWOMP稀疏模型预测输出与功放实际输出之间的误差很小，在-50dB以下，表明该模型可以很好的拟合功放的非线性特性。

请参见图5，在一具体实施例中，该图展示了在相同条件下，盲稀疏SWOMP算法在运行速率上较OMP算法和SAMP算法具有较大的优势，同时随着采样数目的增多，盲稀疏SWOMP算法比SAMP和OMP算法具有更高的运行速率。

请参见图6，在一具体实施例中，展示了数字预失真前后功放输出功率谱密度。预失真前功放输出信号的ACPR(邻信道功率比)为-35.20/-34.19dBc，预失真之后功放输出信号的ACPR为-52.68/-50.58dBc，预失真后邻信道功率比相对于预失真前改善了17.48/16.39dB，达到了很好的ACPR矫正效果，大大的抑制了功率放大器的频谱再生，同时证明了基于盲稀疏SWOMP稀疏建模的数字预失真系统的可行性。

需要说明的是，功率放大器由于其核心器件是半导体放大器，其本身存在着固有的非线性，具有较强的静态非线性特性和记忆效应。为描述功率放大器的强非线性特性和强记忆效应，就需要更为复杂的功放模型进行拟合，这将会导致建模复杂度大大提升，从而影响整个数字预失真模块的复杂度。本发明结合压缩感知中的稀疏重构算法对DPD系统中的功放模型进行裁剪，在保证建模效果的同时减少模型参数数目，从而大大降低了DPD系统的复杂度。本发明将分段弱正交匹配追踪(SWOMP)算法用于功放模型裁剪，并基于稀疏自适应匹配追踪(SAMP)算法和正交匹配追踪算法对SWOMP算法做了改进，提出了一种盲稀疏的SWOMP算法。盲稀疏的SWOMP算法与OMP、SAMP以及传统SWOMP相比具有运行速率快应用范围广的优点。可选地，采用F类功率放大器和Doherty功率放大器作为待测功放，采用10MWCDMA信号作为待测信号，验证了所提算法的可行性，实验结果表明，所提出的基于功率放大器模型裁剪的数字预失真方法有优越的性能。

实施本发明实施例至少有如下有益效果：

1、盲稀疏SWOMP算法与OMP算法和SAMP算法相比，稀疏能力更强，可以将功放模型参数裁剪到GMP全模型的21.7％，并与GMP全模型保持相比拟的建模精度。

2、本发明所提盲稀疏SWOMP算法不仅适用于F类功放预失真模型建立，同样适用于其他的一些功放种类；

3、本发明实施例所提的盲稀疏SWOMP算法收敛速度快，运行时间短。

请参见图7，为了解决相同的技术问题，本发明还提供了一种基于功放模型裁剪的数字预失真器设计装置，包括输出信号获取模块1、信号频率对齐模块2、信号自相关同步模块3、功放模块建立模块4、功放模型裁剪模块5、数字预失真器获取模块6，其中，

所述输出信号获取模块1，用于向硬件通信系统发送原始输入信号，并通过硬件反馈通道获取射频功率放大器的输出信号；

所述信号频率对齐模块2，用于对所述输出信号进行下变频操作和数字采样后，将所述输出信号对齐到所述原始输入信号的频率；

所述信号自相关同步模块3，用于对频率对齐的所述输出信号和所述原始输入信号进行自相关同步处理后，进行归一化操作；

所述功放模块建立模块4，用于根据归一化操作后的所述输出信号和所述原始输入信号，利用广义记忆多项式模型建立功放模型；

所述功放模型裁剪模块5，用于采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型；

所述数字预失真器获取模块6，用于对所述简化功放模块进行求逆运算，得到功放数字预失真器。

进一步地，所述基于功放模型裁剪的数字预失真器设计装置还包括：

输出序列信号获取模块，用于将测试输入信号输入所述功放数字预失真器，得到输出序列信号；

输出采样信号采集模块，用于向所述硬件通信系统发送所述输出序列信号，并通过反馈回路采集经过功放放大的输出采样信号；

预失真矫正效果判断模块，用于对所述测试输入信号和所述输出采样信号进行归一化处理，计算归一化处理后的所述测试输入信号与所述输出采样信号的误差值，并根据所述误差值对所述功放数字预失真器的矫正效果进行判断。

进一步地，所述利用广义记忆多项式模型建立的功放模型为：

其中，m为所述广义记忆多项式模型对角项的记忆深度，l为所述广义记忆多项式模型超前及滞后项的记忆深度，k为所述广义记忆多项式模型的非线性阶数，x(n-m-l)和x(n-m+l)分别为n时刻的前向延迟项和后向延迟项，a_mk,b_mlk,c_mlk为所述广义记忆多项式模型待求解的参数。

可以理解的是上述装置项实施例，是与本发明方法项实施例相对应的，本发明实施例提供的一种基于功放模型裁剪的数字预失真器设计装置，可以实现本发明任意一项方法项实施例提供的基于功放模型裁剪的数字预失真器设计方法。

相比于现有技术，本发明实施例具有如下有益效果：

本发明通过盲稀疏的SWOMP(分段弱正交匹配追踪)算法对GMP(广义记忆多项式)模型进行裁剪，降低模型参数个数，构建出稀疏能力强且精确的功放稀疏模型，从而得到复杂度低、精确度高的数字预失真器。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (7)

1.一种基于功放模型裁剪的数字预失真器设计方法，其特征在于，包括：

向硬件通信系统发送原始输入信号，并通过硬件反馈通道获取射频功率放大器的输出信号；

对所述输出信号进行下变频操作和数字采样后，将所述输出信号对齐到所述原始输入信号的频率；

对频率对齐的所述输出信号和所述原始输入信号进行自相关同步处理后，进行归一化操作；

根据归一化操作后的所述输出信号和所述原始输入信号，利用广义记忆多项式模型建立功放模型；

采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型；

对所述简化功放模块进行求逆运算，得到功放数字预失真器。

2.根据权利要求1所述的基于功放模型裁剪的数字预失真器设计方法，其特征在于，所述方法还包括：

将测试输入信号输入所述功放数字预失真器，得到输出序列信号；

向所述硬件通信系统发送所述输出序列信号，并通过反馈回路采集经过功放放大的输出采样信号；

对所述测试输入信号和所述输出采样信号进行归一化处理，计算归一化处理后的所述测试输入信号与所述输出采样信号的误差值，并根据所述误差值对所述功放数字预失真器的矫正效果进行判断。

3.根据权利要求1所述的基于功放模型裁剪的数字预失真器设计方法，其特征在于，所述利用广义记忆多项式模型建立的功放模型为：

其中，m为所述广义记忆多项式模型对角项的记忆深度，l为所述广义记忆多项式模型超前及滞后项的记忆深度，k为所述广义记忆多项式模型的非线性阶数，x(n-m-l)和x(n-m+l)分别为n时刻的前向延迟项和后向延迟项，a_mk,b_mlk,c_mlk为所述广义记忆多项式模型待求解的参数。

4.根据权利要求1所述的基于功放模型裁剪的数字预失真器设计方法，其特征在于，所述采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型，具体包括：

步骤1，初始化算法的各项参数；

步骤2，计算投射矩阵A与残差r的内积u＝abs[A^Tr]，从内积中找出最大值u_max，并求取门限Th＝α×u_max；

步骤3，从内积中找出大于门限Th的值，并将这些值对应于投影矩阵A的列序号，与支撑集Λ进行并集合操作得到当前迭代的稀疏系数支撑集Λ_k，其中，k为当前迭代次数；

步骤4，根据所述稀疏系数支撑集Λ_k求取下的最小二乘解，并求解稀疏系数其中，y为N×1维观测向量；

步骤5，更新残差

步骤6，求取当前代数的稀疏系数支撑集下的归一化均方误差，判断计算得到的归一化均方误差是否达到预设的标准；若否，则返回步骤2继续迭代；若是，则退出迭代，并根据获取得到的稀疏项对所述功放模型进行裁剪，得到简化功放模型。

5.一种基于功放模型裁剪的数字预失真器设计装置，其特征在于，包括输出信号获取模块、信号频率对齐模块、信号自相关同步模块、功放模块建立模块、功放模型裁剪模块、数字预失真器获取模块，其中，

所述输出信号获取模块，用于向硬件通信系统发送原始输入信号，并通过硬件反馈通道获取射频功率放大器的输出信号；

所述信号频率对齐模块，用于对所述输出信号进行下变频操作和数字采样后，将所述输出信号对齐到所述原始输入信号的频率；

所述信号自相关同步模块，用于对频率对齐的所述输出信号和所述原始输入信号进行自相关同步处理后，进行归一化操作；

所述功放模块建立模块，用于根据归一化操作后的所述输出信号和所述原始输入信号，利用广义记忆多项式模型建立功放模型；

所述功放模型裁剪模块，用于采用盲稀疏的分段弱正交匹配追踪算法对所述功放模型进行裁剪，得到简化功放模型；

所述数字预失真器获取模块，用于对所述简化功放模块进行求逆运算，得到功放数字预失真器。

6.根据权利要求5所述的基于功放模型裁剪的数字预失真器设计装置，其特征在于，所述装置还包括：

输出序列信号获取模块，用于将测试输入信号输入所述功放数字预失真器，得到输出序列信号；

输出采样信号采集模块，用于向所述硬件通信系统发送所述输出序列信号，并通过反馈回路采集经过功放放大的输出采样信号；

预失真矫正效果判断模块，用于对所述测试输入信号和所述输出采样信号进行归一化处理，计算归一化处理后的所述测试输入信号与所述输出采样信号的误差值，并根据所述误差值对所述功放数字预失真器的矫正效果进行判断。

7.根据权利要求5所述的基于功放模型裁剪的数字预失真器设计装置，其特征在于，所述利用广义记忆多项式模型建立的功放模型为：

其中，m为所述广义记忆多项式模型对角项的记忆深度，l为所述广义记忆多项式模型超前及滞后项的记忆深度，k为所述广义记忆多项式模型的非线性阶数，x(n-m-l)和x(n-m+l)分别为n时刻的前向延迟项和后向延迟项，a_mk,b_mlk,c_mlk为所述广义记忆多项式模型待求解的参数。