CN111147031A - 功率放大器的建模方法、装置、电子设备和存储介质 - Google Patents
功率放大器的建模方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111147031A CN111147031A CN201911376652.4A CN201911376652A CN111147031A CN 111147031 A CN111147031 A CN 111147031A CN 201911376652 A CN201911376652 A CN 201911376652A CN 111147031 A CN111147031 A CN 111147031A
- Authority
- CN
- China
- Prior art keywords
- model
- power amplifier
- polynomials
- preset
- simplified model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005070 sampling Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 238000012821 model calculation Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003446 memory effect Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
- H03F3/20—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Amplifiers (AREA)
Abstract
本申请涉及一种功率放大器的建模方法、装置、电子设备和存储介质，电子设备根据预设的模型类型，获取功率放大器的初始模型框架；然后在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。采用上述方法可以减小功率放大器模型的计算复杂度，降低计算开销；并且提升功率放大器模型的拟合性能，使得该模型能可以满足预失真算法的需求，更好地提升功率放大器的线性指标。
Description
技术领域
本申请涉及信号处理领域，特别是涉及一种功率放大器的建模方法、装置、电子设备和存储介质。
背景技术
数字预失真是提升功率放大器线性的重要技术。在数字预失真领域中，可以对功率放大器进行建模，例如建立Volterra模型，以表征功率放大器的非线性特性。随着Volterra模型阶数和记忆深度的增加，模型计算量呈指数增加。
现有技术中，为了降低模型的计算量，可以对功率放大器模型进行简化，例如只考虑Volterra模型的阶数得到无记忆多项式模型，或者只选取Volterra级数模型的对角项，得到记忆多项式模型。
但是，采用上述方法，简化后的功率放大器模型性能降低，导致通过数字预失真方法对功率放大器的线性提升效果较差。
发明内容
基于此，有必要针对上述技术问题，提供一种功率放大器的建模方法、装置、电子设备和存储介质。
一种功率放大器的建模方法，上述方法包括：
根据预设的模型类型，获取功率放大器的初始模型框架；
在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；
若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。
在其中一个实施例中，上述方法还包括：
若简化模型的适应度大于预设阈值，则在初始模型框架中重新选择预设第一数量的多项式，返回执行根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型的步骤。
在其中一个实施例中，上述方法还包括：
若迭代次数大于预设次数阈值时，停止执行获得功率放大器的简化模型的步骤；迭代次数为重新选择预设第一数量的多项式获得简化模型的次数；
将多次迭代中获得的适应度最小的简化模型，确定为功率放大器的目标模型。
在其中一个实施例中，上述在初始模型框架中重新选择预设第一数量的多项式，包括：
确定初始模型框架中的各多项式的序号；
根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号；
在初始模型框架中，选择与调整后的各序号对应的预设第一数量的多项式。
在其中一个实施例中，上述根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号，包括：
根据公式vi＝w*vi+c1r1(pm-hi)+c2r2(pg-hi)确定序号的调整值；
其中，vi为第i个多项式的序号的调整值，hi为当前简化模型中第i个多项式的预失真系数，pg为多次迭代过程中获得的简化模型的适应度的最小值，pm为当前简化模型的适应度，w为预设的惯性权重，c1和c2为预设的学习因子，r1和r2为[0，1]范围内的均匀随机数；
将当前简化模型中个多项式的序号加上调整值，确定为调整后的各多项式的序号。
在其中一个实施例中，上述确定初始模型框架中的各多项式的序号，包括：
根据初始模型框架中，各多项式的预失真系数与模型参数的对应关系，按照模型参数中各个参数递增的顺序，确定各预失真系数对应的多项式的序号。
在其中一个实施例中，上述根据预设的模型类型，获取功率放大器的初始模型框架，包括：
根据功率放大器的带宽，在预设的带宽与模型参数的对应关系中，选择与带宽匹配的模型参数；模型参数包括模型阶数和记忆深度；
根据模型类型与模型参数，确定功率放大器的初始模型框架。
在其中一个实施例中，上述根据简化模型获得的模型输出值与功率放大器的输出采样值，计算简化模型的适应度，包括：
分别获得各模型输出值与对应的输出采样值的差值，并对差值进行归一化处理，确定简化模型的适应度。
在其中一个实施例中，上述对差值进行归一化处理，确定简化模型的适应度，包括：
根据公式
计算简化模型的适应度pm；
其中，N为采样点的个数，y(n)为第n各采样点的输出采样值，yps(n)为第n个采样点的模型输出值。
在其中一个实施例中，上述根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，包括：
将输入采样值与输出采样值代入多项式组合中，并根据最小二乘法计算各多项式的预失真系数；多项式组合由预设第一数量的多项式组合而成。
在其中一个实施例中，上述在初始模型框架中选择预设第一数量的多项式，包括：
在初始模型框架中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
在其中一个实施例中，上述在初始模型框架中选择预设第一数量的多项式，包括：
在初始模型框架中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
在其中一个实施例中，上述模型类型为Volterra模型。
一种功率放大器的建模装置，上述装置包括：
获取模块，用于根据预设的模型类型，获取功率放大器的初始模型框架；
建模模块，用于在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
计算模块，用于根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；
确定模块，用于在简化模型的适应度小于或等于预设阈值时，将简化模型确定为功率放大器的目标模型。
一种电子设备，包括存储器和处理器，存储器存储有计算机程序，上述处理器执行计算机程序时实现上述功率放大器的建模方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述功率放大器的建模方法的步骤。
上述功率放大器的建模方法、装置、电子设备和存储介质，电子设备根据预设的模型类型，获取功率放大器的初始模型框架；然后在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。由于电子设备在初始模型框架中选择预设第一数量的多项式，从而减小了简化模型的计算复杂度，降低了计算开销；进一步地，由于电子设备获取了简化模型的适应度，可以通过适应度判断简化模型的性能是否能够准确地表征功率放大器模型的非线性特征；通过将适应度小于预设阈值的简化模型确定为功率放大器的目标模型，使得该目标模型既可以减小模型计算量，又能可以满足预失真算法的需求，更好地提升功率放大器的线性指标。
附图说明
图1为一个实施例中功率放大器的建模方法的应用环境图；
图2为一个实施例中功率放大器的建模方法的流程示意图；
图3为另一个实施例中功率放大器的建模方法的流程示意图；
图4为另一个实施例中功率放大器的建模方法的流程示意图；
图5为一个实施例中功率放大器的建模装置的结构框图；
图6为另一个实施例中功率放大器的建模装置的结构框图；
图7为另一个实施例中功率放大器的建模装置的结构框图；
图8为另一个实施例中功率放大器的建模装置的结构框图；
图9为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的功率放大器的建模方法，可以应用于如图1所示的应用环境中。其中，电子设备100获取功率放大器200的输入输出采样值，然后对功率放大器的输入输出特征进行建模，获得功率放大器模型300；其中上述电子设备可以基站中的预失真模块，也可以是雷达系统中的信号处理单元，还可以时独立的计算服设备，在此不做限定。上述功率放大器可以是基站中的功率放大器组件，也可以是雷达系统或者数据链系统中的功率放大器单元，也可以是终端设备中的功率放大器器件等，在此不做限定。
在一个实施例中，如图2所示，提供了一种功率放大器的建模方法，以该方法应用于图1中的电子设备为例进行说明，包括：
S101、根据预设的模型类型，获取功率放大器的初始模型框架。
其中，上述功率放大器可以设置于移动通信系统中的基站设备，也可以应用于雷达系统、数据链系统以及终端设备中需要对功率进行放大的场景中。上述功率放大器可以是射频放大器，也可以是微波放大器，还可以是中频放大单元，在此不做限定。上述功率放大器可以是基站中的整个功率放大链路，也可以是放大链路中的一级放大单元，还可以是单独的功率放大器器件，在此不作限定。
功率放大器在对输入信号进行放大时，由于器件性能等限制，输出信号的幅度不能随着输入信号的幅度线性增加，呈现非线性特征，影响信息的正确传递与接收。为了提升功率放大器的线性指标，可以采用预失真技术，对功率放大器进行建模，获得功率放大器的非线性特征，然后在模型基础上预先设置一个与功率放大器的非线性特征相反的特征信号，以提升功率放大器的线性指标。
上述模型类型可以是一般多项式模型，也可以是正交多项式模型，可选地，上述模型类型还可以是Volterra模型，上述Volterra模型为包含记忆深度的多项式模型。上述记忆深度用于描述功率放大器的记忆效应，上述记忆效应是指模型中功率放大器的输出值与当前时刻之前的其它时刻的输入采样值有关，上述记忆深度只是上述其它时刻的个数。
电子设备在根据预设的模型类型，获取功率放大器的初始模型框架时，可以为该模型类型中的模型参数预设一组初始参数，也可以根据电子设备的计算能力选择模型参数，完成初始模型框架的建立。
可选地，在上述模型类型为Volterra模型时，电子设备可以根据功率放大器的带宽，在预设的带宽与模型参数的对应关系中，选择与带宽匹配的模型参数；模型参数包括模型阶数和记忆深度；然后根据模型类型与模型参数，确定功率放大器的初始模型框架。
例如，上述Volterra模型可以表示为：
其中，y(n)为功率放大器第n个采样点的输出信号大小；x(n)为功率放大器第n个采样点的输入信号大小；P为模型阶数，M为模型的记忆深度，h表示模型中多项式的预失真系数。
当功率放大器的信号带宽为20MHz时，电子设备可以根据带宽与模型参数的对应关系中，与20MHz匹配的模型阶数为7，记忆深度为5，然后将上述模型参数代入Volterra模型中，可以获得该功率放大器的初始模型框架。
S102、在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型。
在上述步骤的基础上，电子设备可以从初始模型框架中选择预设第一数量的多项式，例如从上述初始模型框架中选择10个多项式，获得多项式组合，以降低模型的计算量。
具体地，电子设备可以在初始模型框架随机选择预设第一数量的多项式，也可以对上述初始模型框架中的各个多项式按照多项式阶数或记忆深度进行排序，然后按顺序选择预设第一数量的多项式，在此不作限定。
进一步地，电子设备获得功率放大器的多项式组合之后，可以根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数。对于上述多项式组合中，选择多个输入采样值作为简化模型的输入值，然后将输入采样值对应的输出采样值作为简化模型的输出值，获得一组输入输出方程，进而求解方程中的各个预失真系数，完成简化模型的建立。
S103、根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度。
电子设备获得功率放大器的简化模型之后，可以进一步评估该简化模型与功率放大器的输入输出特征的差异程度，以确定该简化模型是否正确拟合了功率放大器的非线性特征。
具体地，电子设备可以根据各个输出采样值与对应的模型输出值之间的差值，来获得简化模型的适应度；也可以根据各个输出采样值与对应的模型输出值之间的比值，来获得简化模型的适应度；对于上述适应度的计算方式在此不作限定。
S104、若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。
若上述步骤获得的简化模型的适应度小于或等于预设阈值，电子设备认为该简化模型很好地拟合了功率放大器的非线性特征，可以将该简化模型确定为该功率放大器的目标模型。
进一步地，若简化模型的适应度大于预设阈值，则在初始模型框架中重新选择预设第一数量的多项式，返回执行根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型的步骤。
具体地，电子设备在初始模型框架中重新选择预设第一数量的多项式时，可以随机选择预设第一数量的多项式，也可以根据当前简化模型中的多项式中的模型参数来选择；进一步地，电子设备重新选择的多项式中，可以包含当前简化模型中的部分多项式，也可以不包含当前简化模型中的多项式，在此不作限定。
电子设备重新建立简化模型之后，可以通过计算新的简化模型的适应度来评估新的简化模型，以确定功率放大器的目标模型。
具体地，电子设备可以通过多次迭代获得多个新的简化模型，直至新的简化模型的适应度小于或等于预设阈值，然后将适应度小于或等于预设阈值的简化模型确定为功率放大器的目标模型。
可选地，电子设备通过多次迭代之后，若迭代次数大于预设次数阈值时，停止执行获得功率放大器的简化模型的步骤；迭代次数为重新选择预设第一数量的多项式获得简化模型的次数；然后，将多次迭代中获得的适应度最小的简化模型，确定为功率放大器的目标模型。例如，电子设备可以设置适应度的预设阈值为M，经过5次迭代之后，获得的5个简化模型的适应度M1-M5均大于M，若预设次数阈值为5，那么电子设备可以在适应度M1-M5中选择一个最小值，然后将该最小值对应的简化模型确定为目标模型。采用上述方法可以提升模型的确定效率，避免由于模型不收敛导致模型建立时间过长。
可选地，电子设备通过多次迭代之后，若简化模型的适应度大于预设阈值，但是多次迭代过程中，简化模型的适应度趋于一个稳定值，那么可以将适应度稳定之后的简化模型确定为功率放大器的目标模型。例如，电子设备可以设置适应度的预设阈值为M，经过5次迭代之后，获得的5个简化模型的适应度M1-M5均大于M，但是M1-M5呈现递减趋势，且趋于稳定，那么电子设备可以将M5对应的简化模型确定为目标模型。
上述功率放大器的建模方法，电子设备根据预设的模型类型，获取功率放大器的初始模型框架；然后在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。由于计算机设备在初始模型框架中选择预设第一数量的多项式，从而减小了简化模型的计算复杂度，降低了计算开销；进一步地，由于计算机设备获取了简化模型的适应度，可以通过适应度判断简化模型的性能是否能够准确地表征功率放大器模型的非线性特征；通过将适应度小于预设阈值的简化模型确定为功率放大器的目标模型，使得该目标模型既可以减小模型计算量，又能可以满足预失真算法的需求，更好地提升功率放大器的线性指标。
图3为另一个实施例中功率放大器的建模方法的流程示意图，本实施例涉及计算机设备重新选择多项式进行模型迭代的具体方式，在上述实施例的基础上，如图3所示，上述方法包括：
S201、确定初始模型框架中的各多项式的序号。
电子设备可以为初始模型框架中的各个多项式进行排序，确定各个多项式的序号，便于对多项式进行重新选择。
具体地，电子设备可以为各个多项式随机进行排序，确保各个多项式的序号不重复即可；另外，也可以按照模型中的阶数递增的方式进行排序，对于上述序号的确定方式在此不作限定。
可选地，电子设备可以根据初始模型框架中，各多项式的预失真系数与模型参数的对应关系，按照模型参数中各个参数递增的顺序，确定各预失真系数对应的多项式的序号。
以模型类型为Volterra模型为例，假设根据功率放大器的带宽确定得到的模型阶数为3，记忆深度为2，代入Volterra模型，可以获得如下初始模型框架：
上述初始模型框架中包含多个形式与h3(0,1,1)x(n)x(n-1)x*(n-1)类似的多项式，电子设备可以根据模型阶数与记忆深度对初始模型框架中的各个多项式进行编号，可以按照模型阶数从低到高，记忆深度从低到高开始增序编号；例如，当模型阶数P＝3，记忆深度M＝2时，编号方式可以如下表：
根据上述编号方式，上述多项式h3(0,1,1)x(n)x(n-1)x*(n-1)中各模型参数为：p＝3，m1＝0,m2＝1,m3＝1对应的编号为8，可以将上述多项式表示为h8x(n)x(n-1)x*(n-1)。
S202、根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号。
电子设备在初始模型框架中重新选择多项式时，可以根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号。
电子设备可以根据当前简化模型中的适应度与预设阈值的差值，调整各多项式中的记忆深度，然后确定新的多项式的序号；也可以同时调整多项式的记忆深度和模型阶数的取值，以确定新的多项式的序号；对于上述序号的调整方式，在此不作限定。
例如，当前简化模型的适应度与预设阈值比较接近，可以根据当前简化模型的预失真系数，确定该多项式对应的模型参数，然后在当前简化模型中各多项式对应的模型参数中调整对应的记忆深度值。继续以上述Volterra模型为例，当前简化模型中其中一个预失真系数为h8，可以确定该多项式对应的模型参数为p＝3，m1＝0,m2＝1,m3＝1，然后将上述记忆深度调整为m3＝0，根据p＝3，m1＝0,m2＝1,m3＝0确定调整后的多项式的序号为7。
S203、在初始模型框架中，选择与调整后的各序号对应的预设第一数量的多项式。
进一步地，电子设备确定调整后的多项式的序号，在初始模型框架中将调整后的序号对应的各多项式进行组合。例如，当确定调整后的模型序号为7时，可以确定重新选择的多项式包括h7x(n)x(n-1)x*(n)。
上述功率放大器的建模方法，电子设备通过对初始化模型中各多项式进行排序，进一步根据简化模型的适应度调整各多项式的序号，完成重新选择多项式的过程，可以使上述电子设备在进行模型迭代的过程中更准确地获得新的简化模型。
图4为另一个实施例中功率放大器的建模方法的流程示意图，本实施例涉及计算机设备调整多项式的序号的具体方式，在上述实施例的基础上，如图4所示，上述S202包括：
S301、根据公式vi＝w*vi+c1r1(p-hi)+c2r2(pg-hi)确定序号的调整值；
电子设备在调整当前简化模型中的各多项式的序号时，可以根据粒子群算法获得新的多项式的序号。
具体地，电子设备可以将当前简化模型中的预失真模型确定为一个粒子群，表示为H＝(h1,h2,...hK)，其中K为预设第一数量。同时，为粒子群中的各个粒子预设一个初始速度V＝(v1,v2,...vK)。在对模型进行迭代时，电子设备可以根据公式vi＝w*vi+c1r1(p-hi)+c2r2(pg-hi)确定序号的调整值；其中，vi为第i个多项式的序号的调整值，hi为当前简化模型中第i个多项式的预失真系数，pg为多次迭代过程中获得的简化模型的适应度的最小值，p为当前简化模型的适应度，w为预设的惯性权重，c1和c2为预设的学习因子，r1和r2为[0，1]范围内的均匀随机数。其中，上述惯性权重可以取值为0、1、4；上述c1和c2可以取值为2。
S302、将当前简化模型中个多项式的序号加上调整值，确定为调整后的各多项式的序号。
电子设备获得各个多项式对应的序号调整值之后，可以在当前简化模型中个多项式的序号加上调整值，确定为调整后的各多项式的序号。例如，当前简化模型中的多项式为h7x(n)x(n-1)x*(n)，获得该项对应的序号调整值为1，那么调整之后的多项式序号为8，对应的多项式为h8x(n)x(n-1)x*(n-1)。
上述功率放大器的建模方法，电子设备根据粒子群算法调整多项式的序号，可以通过该方法快速迭代出适应度最小的简化模型，提升了建模效率。
在一个实施例中，涉及计算机设备计算简化模型的适应度的具体方式，在上述实施例的基础上，计算机设备可以分别获得各模型输出值与对应的输出采样值的差值，并对差值进行归一化处理，确定简化模型的适应度。
其中，上述各模型输出值与对应的输出采样值的差值可以是将模型输出值与对应的输出采样值相减，然后计算各个采样点的差值的平均值；另外，上述差值还可以模型输出值与对应的输出采样值的均方差，对于上述差值的类型在此不作限定。
进一步地，电子设备可以将上述差值进行归一化，例如对差值的平均值进行归一化，然后将归一化后的值确定为简化模型的适应度，以便将适应度与预设阈值进行比较。
例如，电子设备可以根据如下公式计算简化模型的适应度pm：
其中，N为采样点的个数，y(n)为第n各采样点的输出采样值，yps(n)为第n个采样点的模型输出值。
上述功率放大器的建模方法，通过计算模型输出值与对应的输出采样值的差值，并对差值进行归一化处理，便于将简化模型的适应度与预设阈值进行比较，进一步地，上述差值为均方差，可以使适应度能更加准确地描述简化模型与功率放大器的输入输出特征的差异程度。
在一个实施例中，涉及计算机设备计算简化模型中的预失真系数的具体方式，在上述实施例的基础上，计算机设备将输入采样值与输出采样值代入多项式组合中，并根据最小二乘法计算各多项式的预失真系数；多项式组合由预设第一数量的多项式组合而成。
继续以上述Volterra模型为例，在模型阶数为3以及记忆深度为2时，初始模型框架中包括30个多项式，在获得的简化模型中多项式的个数小于30，例如可以是10项，而功率放大器的输入采样值和输出采样值可以有多个，例如可以是2048个采样值。也就是说，电子设备可以通过10个方程组成的方程组计算10个预失真系数，也可以通过2048个方程组成的超定方程，来计算10个预失真系数。
对于上述超定方程，电子设备可以利用最小二乘法来计算各多项式的预失真系数。例如，可以将简化模型：
表示为矩阵形式：
Y＝UH
其中，Y包含N个输出采样值，N为采样点个数，H＝(h1,h2,...hK)，K为预设第一数量，U为由输入采样值与模型参数构成的多项式矩阵，维度为N×K。
然后根据H＝(UHU)-1UHY,计算H中各个预失真系数的值。
在一个实施例中，电子设备根据最小二乘法计算简化模型的预失真系数，可以使各个预失真系数的计算结果更准确，从而获得拟合度更高的功率放大器的简化模型。
在一个实施例中，涉及电子设备在初始模型框架中选择预设第一数量的多项式的具体方式，在上述实施例的基础上，电子设备可以在初始模型框架中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
继续以上述Volterra模型为例，电子设备可以保留初始模型框架中的无记忆多项式，也就是不包含记忆深度的多项式，包括2项：
然后，从初始模型框架中的其余多项式中，选择预设第二数量的多项式，例如可以是8，将上述无记忆多项式和预设第二数量的多项式组成多项式组合。
进一步地，电子设备可以计算上述多项式组合中的预失真系数，获得简化模型；并计算简化模型的适应度，并根据适应度确定功率放大器的目标模型。
上述功率放大器的建模方法，电子设备在初始模型框架中选择多项式时，通过保留无记忆多项式，然后增加预设第二数量的多项式，以确定功率放大器模型的多项式，通过上述方法既可以降低模型计算量，节约计算开销，也可以避免模型过度简化导致的模型性能差的问题。
在一个实施例中，涉及电子设备在初始模型框架中选择预设第一数量的多项式的另一种具体方式，在上述实施例的基础上，电子设备可以在初始模型框架中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
继续以上述Volterra模型为例，电子设备可以保留初始模型框架中，由对角项组成的记忆多项式，可以包括：
然后，在初始模型框架中的其它多项式中，选择预设第三数量的多项式，将上述记忆多项式与上述预设第三数量的多项式组成多项式组合。
进一步地，电子设备可以计算上述多项式组合中的预失真系数，获得简化模型；并计算简化模型的适应度，并根据适应度确定功率放大器的目标模型。
上述功率放大器的建模方法，电子设备在初始模型框架中选择多项式时，通过保留记忆多项式，然后增加预设第三数量的多项式，以确定功率放大器模型的多项式，通过上述方法既可以降低模型计算量，节约计算开销，也可以避免模型过度简化导致的模型性能差的问题；进一步地，通过保留记忆多项式，可以更多地保留功率放大器与记忆效应相关的特征。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种功率放大器的建模装置，包括：获取模块10、建模模块20、计算模块30和确定模块40，其中：
获取模块10，用于根据预设的模型类型，获取功率放大器的初始模型框架；
建模模块20，用于在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
计算模块30，用于根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；
确定模块40，用于在简化模型的适应度小于或等于预设阈值时，将简化模型确定为功率放大器的目标模型。
本申请实施例提供的功率放大器的建模装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，如图6所示，在上述实施例的基础上，上述装置还包括返回模块50，用于在简化模型的适应度大于预设阈值时，在初始模型框架中重新选择预设第一数量的多项式，返回执行根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型的步骤。
在一个实施例中，在上述实施例的基础上，上述确定模块40还用于：在迭代次数大于预设次数阈值时，停止执行获得功率放大器的简化模型的步骤；迭代次数为重新选择预设第一数量的多项式获得简化模型的次数；将多次迭代中获得的适应度最小的简化模型，确定为功率放大器的目标模型。
在一个实施例中，如图7所示，在上述实施例的基础上，上述建模模块20包括：
排序单元401，用于确定初始模型框架中的各多项式的序号；
调整单元402，用于根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号；
选择单元403，用于在初始模型框架中，选择与调整后的各序号对应的预设第一数量的多项式。
在一个实施例中，在上述实施例的基础上，上述调整单元402具体用于：根据公式vi＝w*vi+c1r1(pm-hi)+c2r2(pg-hi)确定序号的调整值；其中，vi为第i个多项式的序号的调整值，hi为当前简化模型中第i个多项式的预失真系数，pg为多次迭代过程中获得的简化模型的适应度的最小值，pm为当前简化模型的适应度，w为预设的惯性权重，c1和c2为预设的学习因子，r1和r2为[0，1]范围内的均匀随机数；将当前简化模型中个多项式的序号加上调整值，确定为调整后的各多项式的序号。
在一个实施例中，在上述实施例的基础上，上述确定单元401具体用于：根据初始模型框架中，各多项式的预失真系数与模型参数的对应关系，按照模型参数中各个参数递增的顺序，确定各预失真系数对应的多项式的序号。
在一个实施例中，如图8所示，在上述实施例的基础上，上述获取模块10包括：
对应模块101，用于根据功率放大器的带宽，在预设的带宽与模型参数的对应关系中，选择与带宽匹配的模型参数；模型参数包括模型阶数和记忆深度；
确定单元102，用于根据模型类型与模型参数，确定功率放大器的初始模型框架。
在一个实施例中，在上述实施例的基础上，上述计算模块30具体用于：分别获得各模型输出值与对应的输出采样值的差值，并对差值进行归一化处理，确定简化模型的适应度。
在一个实施例中，在上述实施例的基础上，上述计算模块30具体用于：根据公式
计算简化模型的适应度pm；其中，N为采样点的个数，y(n)为第n各采样点的输出采样值，yps(n)为第n个采样点的模型输出值。
在一个实施例中，在上述实施例的基础上，上述建模模块20具体用于：将输入采样值与输出采样值代入多项式组合中，并根据最小二乘法计算各多项式的预失真系数；多项式组合由预设第一数量的多项式组合而成。
在一个实施例中，在上述实施例的基础上，上述建模模块20具体用于：在初始模型框架中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
在一个实施例中，在上述实施例的基础上，上述建模模块20具体用于：在初始模型框架中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
在一个实施例中，在上述实施例的基础上，模型类型为Volterra模型。
本申请实施例提供的功率放大器的建模装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于功率放大器的建模装置的具体限定可以参见上文中对于功率放大器的建模方法的限定，在此不再赘述。上述功率放大器的建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电子设备，其内部结构图可以如图9所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储功率放大器的建模数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种功率放大器的建模方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据预设的模型类型，获取功率放大器的初始模型框架；
在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；
若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若简化模型的适应度大于预设阈值，则在初始模型框架中重新选择预设第一数量的多项式，返回执行根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型的步骤。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若迭代次数大于预设次数阈值时，停止执行获得功率放大器的简化模型的步骤；迭代次数为重新选择预设第一数量的多项式获得简化模型的次数；将多次迭代中获得的适应度最小的简化模型，确定为功率放大器的目标模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定初始模型框架中的各多项式的序号；根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号；在初始模型框架中，选择与调整后的各序号对应的预设第一数量的多项式。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据公式vi＝w*vi+c1r1(pm-hi)+c2r2(pg-hi)确定序号的调整值；其中，vi为第i个多项式的序号的调整值，hi为当前简化模型中第i个多项式的预失真系数，pg为多次迭代过程中获得的简化模型的适应度的最小值，pm为当前简化模型的适应度，w为预设的惯性权重，c1和c2为预设的学习因子，r1和r2为[0，1]范围内的均匀随机数；将当前简化模型中个多项式的序号加上调整值，确定为调整后的各多项式的序号。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据初始模型框架中，各多项式的预失真系数与模型参数的对应关系，按照模型参数中各个参数递增的顺序，确定各预失真系数对应的多项式的序号。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据功率放大器的带宽，在预设的带宽与模型参数的对应关系中，选择与带宽匹配的模型参数；模型参数包括模型阶数和记忆深度；根据模型类型与模型参数，确定功率放大器的初始模型框架。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别获得各模型输出值与对应的输出采样值的差值，并对差值进行归一化处理，确定简化模型的适应度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据公式
计算简化模型的适应度pm；其中，N为采样点的个数，y(n)为第n各采样点的输出采样值，yps(n)为第n个采样点的模型输出值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将输入采样值与输出采样值代入多项式组合中，并根据最小二乘法计算各多项式的预失真系数；多项式组合由预设第一数量的多项式组合而成。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在初始模型框架中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在初始模型框架中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
在一个实施例中，模型类型为Volterra模型。
本实施例提供的电子设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据预设的模型类型，获取功率放大器的初始模型框架；
在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；
若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种功率放大器的建模方法，其特征在于，所述方法包括：
根据预设的模型类型，获取功率放大器的初始模型框架；
在所述初始模型框架中选择预设第一数量的多项式，并根据所述功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
根据所述功率放大器的输出采样值与所述简化模型获得的模型输出值，计算所述简化模型的适应度；所述适应度用于表征所述简化模型与所述功率放大器的输入输出特征的差异程度；
若所述简化模型的适应度小于或等于预设阈值，则将所述简化模型确定为所述功率放大器的目标模型。
2.根据权利要求1所述的功率放大器的建模方法，其特征在于，所述方法还包括：
若所述简化模型的适应度大于所述预设阈值，则在所述初始模型框架中重新选择预设第一数量的多项式，返回执行根据所述功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型的步骤。
3.根据权利要求2所述的功率放大器的建模方法，其特征在于，所述方法还包括：
若迭代次数大于预设次数阈值时，停止执行获得功率放大器的简化模型的步骤；所述迭代次数为重新选择预设第一数量的多项式获得简化模型的次数；
将多次迭代中获得的适应度最小的简化模型，确定为所述功率放大器的目标模型。
4.根据权利要求1所述的功率放大器的建模方法，其特征在于，所述在所述初始模型框架中重新选择预设第一数量的多项式，包括：
确定所述初始模型框架中的各多项式的序号；
根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整所述当前简化模型中各多项式的序号；
在所述初始模型框架中，选择与调整后的各序号对应的预设第一数量的多项式。
5.根据权利要求4所述的功率放大器的建模方法，其特征在于，所述根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整所述当前简化模型中各多项式的序号，包括：
根据公式vi＝w*vi+c1r1(pm-hi)+c2r2(pg-hi)确定所述序号的调整值；
其中，vi为第i个多项式的序号的调整值，hi为当前简化模型中第i个多项式的预失真系数，pg为多次迭代过程中获得的简化模型的适应度的最小值，pm为当前简化模型的适应度，w为预设的惯性权重，c1和c2为预设的学习因子，r1和r2为[0，1]范围内的均匀随机数；
将所述当前简化模型中个多项式的序号加上所述调整值，确定为调整后的各多项式的序号。
6.根据权利要求4所述的功率放大器的建模方法，其特征在于，所述确定所述初始模型框架中的各多项式的序号，包括：
根据所述初始模型框架中，各多项式的预失真系数与所述模型参数的对应关系，按照所述模型参数中各个参数递增的顺序，确定各所述预失真系数对应的多项式的序号。
7.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述根据预设的模型类型，获取功率放大器的初始模型框架，包括：
根据功率放大器的带宽，在预设的带宽与模型参数的对应关系中，选择与所述带宽匹配的模型参数；所述模型参数包括模型阶数和记忆深度；
根据所述模型类型与所述模型参数，确定所述功率放大器的初始模型框架。
8.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述根据所述简化模型获得的模型输出值与所述功率放大器的输出采样值，计算所述简化模型的适应度，包括：
分别获得各所述模型输出值与对应的所述输出采样值的差值，并对所述差值进行归一化处理，确定所述简化模型的适应度。
9.根据权利要求8所述的功率放大器的建模方法，其特征在于，所述对所述差值进行归一化处理，确定所述简化模型的适应度，包括：
根据公式
计算所述简化模型的适应度pm；
其中，N为所述采样点的个数，y(n)为第n各采样点的输出采样值，yps(n)为第n个采样点的模型输出值。
10.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述根据所述功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，包括：
将所述输入采样值与所述输出采样值代入多项式组合中，并根据最小二乘法计算所述各多项式的预失真系数；所述多项式组合由所述预设第一数量的多项式组合而成。
11.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述在所述初始模型框架中选择预设第一数量的多项式，包括：
在所述初始模型框架中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；所述无记忆多项式的数量加所述预设第二数量等于所述预设第一数量。
12.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述在所述初始模型框架中选择预设第一数量的多项式，包括：
在所述初始模型框架中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；所述记忆多项式的数量加所述预设第三数量等于所述预设第一数量。
13.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述模型类型为Volterra模型。
14.一种功率放大器的建模装置，其特征在于，所述装置包括：
获取模块，用于根据预设的模型类型，获取功率放大器的初始模型框架；
建模模块，用于在所述初始模型框架中选择预设第一数量的多项式，并根据所述功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
计算模块，用于根据所述功率放大器的输出采样值与所述简化模型获得的模型输出值，计算所述简化模型的适应度；所述适应度用于表征所述简化模型与所述功率放大器的输入输出特征的差异程度；
确定模块，用于在所述简化模型的适应度小于或等于预设阈值时，将所述简化模型确定为所述功率放大器的目标模型。
15.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至13中任一项所述方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至13中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911376652.4A CN111147031B (zh) | 2019-12-27 | 2019-12-27 | 功率放大器的建模方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911376652.4A CN111147031B (zh) | 2019-12-27 | 2019-12-27 | 功率放大器的建模方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111147031A true CN111147031A (zh) | 2020-05-12 |
| CN111147031B CN111147031B (zh) | 2024-01-30 |
Family
ID=70521030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911376652.4A Active CN111147031B (zh) | 2019-12-27 | 2019-12-27 | 功率放大器的建模方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111147031B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330175A (zh) * | 2021-11-18 | 2022-04-12 | 北京智芯微电子科技有限公司 | 用于增益结构的校准方法及装置、增益结构 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7804359B1 (en) * | 2008-10-23 | 2010-09-28 | Scintera Networks, Inc. | Linearization with memory compensation |
| CN102970262A (zh) * | 2012-11-16 | 2013-03-13 | 华南理工大学 | 一种提高数字预失真稳定性的方法 |
| CN104885369A (zh) * | 2013-05-22 | 2015-09-02 | 瑞典爱立信有限公司 | 用于并发多频带传送器的低复杂性数字预失真 |
| US20160126903A1 (en) * | 2014-11-05 | 2016-05-05 | King Fahd University Of Petroleum And Minerals | Weighted memory polynomial method and system for power amplifiers predistortion |
| CN107437927A (zh) * | 2016-06-01 | 2017-12-05 | 英特尔Ip公司 | 用于信号预失真的方法和设备 |
-
2019
- 2019-12-27 CN CN201911376652.4A patent/CN111147031B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7804359B1 (en) * | 2008-10-23 | 2010-09-28 | Scintera Networks, Inc. | Linearization with memory compensation |
| CN102970262A (zh) * | 2012-11-16 | 2013-03-13 | 华南理工大学 | 一种提高数字预失真稳定性的方法 |
| CN104885369A (zh) * | 2013-05-22 | 2015-09-02 | 瑞典爱立信有限公司 | 用于并发多频带传送器的低复杂性数字预失真 |
| US20160126903A1 (en) * | 2014-11-05 | 2016-05-05 | King Fahd University Of Petroleum And Minerals | Weighted memory polynomial method and system for power amplifiers predistortion |
| CN107437927A (zh) * | 2016-06-01 | 2017-12-05 | 英特尔Ip公司 | 用于信号预失真的方法和设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330175A (zh) * | 2021-11-18 | 2022-04-12 | 北京智芯微电子科技有限公司 | 用于增益结构的校准方法及装置、增益结构 |
| CN114330175B (zh) * | 2021-11-18 | 2023-08-18 | 北京智芯微电子科技有限公司 | 用于增益结构的校准方法及装置、增益结构 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111147031B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11914340B2 (en) | Method for compensating signal of motor, electronic apparatus and storage medium | |
| CN111327377B (zh) | 场强预测方法、装置、设备及存储介质 | |
| CN108024179B (zh) | 音频系统 | |
| Sjöberg et al. | Initializing Wiener–Hammerstein models based on partitioning of the best linear approximation | |
| Draxler et al. | Memory effect evaluation and predistortion of power amplifiers | |
| CN110942483B (zh) | 函数快速收敛模型构建方法、装置和终端 | |
| CN111080477A (zh) | 一种家庭电力负荷预测方法及系统 | |
| WO2018001123A1 (en) | Sample size estimator | |
| CN111147031A (zh) | 功率放大器的建模方法、装置、电子设备和存储介质 | |
| CN111884849A (zh) | 一种基于谱矩的随机网络系统牵制同步稳定性分析方法 | |
| CN112464414A (zh) | 一种基于谱矩的nw小世界网络系统同步分析方法 | |
| CN103701414B (zh) | 非线性项的选择装置及方法、辨识系统及补偿系统 | |
| CN111092602A (zh) | 功率放大器的建模方法、装置、计算机设备和存储介质 | |
| Giordano et al. | Consistency aspects of Wiener-Hammerstein model identification in presence of process noise | |
| CN112262397B (zh) | 最优化系统、最优化方法、控制电路和程序存储介质 | |
| CN117131100A (zh) | 电力设备故障数据的挖掘方法、装置、设备及存储介质 | |
| WO2016154933A1 (zh) | 数字预失真校正方法及装置 | |
| CN112488224B (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN113360218B (zh) | 一种业务方案选择方法、装置、设备以及存储介质 | |
| CN113945262B (zh) | 偏载误差修正方法和系统 | |
| CN111274752B (zh) | 一种基于两级开环和二元函数的功率放大器行为建模方法 | |
| Mišić et al. | Volterra kernels extraction from neural networks for amplifier behavioral modeling | |
| KR102303824B1 (ko) | 기업의 비즈니스 파트너 추천을 위한 인공지능 기반의 관계 예측모델 생성 장치 및 그 동작 방법 | |
| Sappal | Simplified memory polynomial modelling of power amplifier | |
| CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 510663 Shenzhou Road 10, Guangzhou Science City, Guangzhou economic and Technological Development Zone, Guangzhou, Guangdong Applicant after: Jingxin Network System Co.,Ltd. Address before: 510663 Shenzhou Road 10, Guangzhou Science City, Guangzhou economic and Technological Development Zone, Guangzhou, Guangdong Applicant before: COMBA TELECOM SYSTEMS (CHINA) Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |