CN116644265B - 一种非线性信号的补偿方法、补偿装置及终端设备 - Google Patents
一种非线性信号的补偿方法、补偿装置及终端设备 Download PDFInfo
- Publication number
- CN116644265B CN116644265B CN202310883970.XA CN202310883970A CN116644265B CN 116644265 B CN116644265 B CN 116644265B CN 202310883970 A CN202310883970 A CN 202310883970A CN 116644265 B CN116644265 B CN 116644265B
- Authority
- CN
- China
- Prior art keywords
- matrix
- target
- vector
- signal
- compensation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 279
- 239000013598 vector Substances 0.000 claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000009467 reduction Effects 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000011946 reduction process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F1/00—Details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements
- H03F1/32—Modifications of amplifiers to reduce non-linear distortion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Nonlinear Science (AREA)
- Power Engineering (AREA)
- Radar Systems Or Details Thereof (AREA)
- Amplifiers (AREA)
Abstract
本发明适用于放大信号处理的技术领域，提供了一种非线性信号的补偿方法、补偿装置及终端设备，所述非线性信号的补偿方法包括：将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；将多项式数据矩阵与多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；将协方差矩阵分解得到目标特征值和目标特征值对应的目标特征向量；根据初始系数向量、反馈信号的数据向量、目标特征值、降维矩阵和近似逆矩阵，计算目标系数；根据目标系数，补偿基带信号，得到补偿后的基带信号。上述方案，可保证目标系数的补偿效果，减少非线性失真效应。在保证补偿效果的情况下，极大降低了计算量，进而提高了处理效率。
Description
技术领域
本发明属于放大信号处理的技术领域，尤其涉及一种非线性信号的补偿方法、补偿装置及终端设备。
背景技术
功率放大器（Power Amplifier，PA）是无线通信系统中的重要部件，其作用是将低功率信号放大到适当的功率水平以便传输。然而，实际上功率放大器在放大信号时会产生一些非线性失真效应，这会导致输出信号与输入信号之间存在非线性关系，从而影响通信系统的性能。而数字预失真技术是一种用于抑制无线通信系统中的非线性失真的数字信号处理技术。数字预失真技术通过预测和补偿这些非线性失真效应来提高通信系统的传输性能。其基本思想是在发送端对待发送信号进行变换，使其预先经过一个相反的非线性失真，以补偿接收端的非线性失真，从而消除了信号传输过程中的非线性失真效应。
然而，目前的数字预失真技术存在补偿系数量较大的问题，补偿系数往往在几十个到几百个之间，计算量较大，导致信号处理的效率较低。
发明内容
有鉴于此，本发明实施例提供了一种非线性信号的补偿方法、补偿装置、终端设备及计算机可读存储介质，以解决目前的数字预失真技术存在补偿系数量较大的问题，补偿系数往往在几十个到几百个之间，计算量较大，导致信号处理的效率较低的技术问题。
本发明实施例的第一方面提供了一种非线性信号的补偿方法，所述业务调用方法包括：
将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；
将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；
将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；其中，所述目标特征值的数量小于所述协方差矩阵中原始数值的数量；
通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；
根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；
获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；
根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；
根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。
进一步地，所述将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵的步骤，包括：
将所述基带信号输入至如下的记忆多项式模型，得到补偿信号；
所述记忆多项式模型为：
其中，表示所述补偿滤波器中的第kq个补偿系数，/>表示基带信号中第n-q个采样点，/>表示所述补偿信号的第n个采样点，K表示功率放大器的非线性阶数，Q表示所述功率放大器的记忆深度；
根据所述记忆多项式模型的计算结构和行列维度，将所述补偿信号转化为所述多项式数据矩阵。
进一步地，所述将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量的步骤，包括：
将所述协方差矩阵与所述协方差矩阵的转置矩阵相乘，得到重构矩阵；
计算所述协方差矩阵中的每个原始数值与所述重构矩阵之间的欧式距离；
将所述协方差矩阵中欧式距离大于阈值的所述原始数值剔除，得到初始矩阵；
针对所述初始矩阵进行主成分分析，得到多个第一主成分，基于数值大小由高至低提取目标预设数量的所述第一主成分，并构建为目标矩阵；
将所述目标矩阵进行特征分解，得到多个目标特征值和多个所述目标特征值对应的目标特征向量。
进一步地，在所述针对所述初始矩阵进行主成分分析，得到多个第一主成分，基于数值大小由高至低提取目标预设数量的所述第一主成分，并构建为目标矩阵的步骤之前，还包括：
步骤A：根据所述初始矩阵中当前数据的数量，设置递增的多个整数数值；
步骤B：将所述整数数值作为预设数量，并针对所述初始矩阵进行主成分分析，得到多个第二主成分；
步骤C：针对多个所述整数数值，依次重复执行所述步骤B，得到多组第二主成分；
步骤D：计算多组所述第二主成分各自对应的方差，将最小方差对应的所述整数数值作为所述目标预设数量。
进一步地，所述通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵的步骤包括：
将所述目标特征向量和所述多项式数据矩阵相乘，得到所述降维矩阵。
进一步地，所述根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵的步骤包括：
计算所述目标特征值的倒数，得到倒数特征值；
将所述倒数特征值与单位矩阵相乘，得到所述协方差矩阵对应的近似逆矩阵。
进一步地，所述根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数的步骤包括：
将所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵代入如下公式一，得到所述目标系数；
公式一：=/>；
其中，W i+1 表示第i+1个所述目标系数，W i 表示第i个所述初始系数向量，表示权重值，/>表示所述反馈信号的数据向量，/>表示所述近似逆矩阵，/>表示所述目标特征值的倒数，/>表示所述降维矩阵。
本发明实施例的第二方面提供了一种非线性信号的补偿装置，所述非线性信号的补偿装置包括：
输入单元，用于将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；
第一计算单元，用于将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；
分解单元，用于将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；其中，所述目标特征值的数量小于所述协方差矩阵中原始数值的数量；
第二计算单元，用于通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；
第三计算单元，用于根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；
获取单元，用于获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；
第四计算单元，用于根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；
补偿单元，用于根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明通过将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。上述方案，通过计算多项式数据矩阵对应的协方差矩阵。并基于协方差矩阵分解得到目标特征值和目标特征向量。根据目标特征向量对多项式矩阵矩进行降维处理，以减少计算量。并基于初始系数向量、反馈信号的数据向量、目标特征值、降维矩阵和近似逆矩阵，计算目标系数。可以理解的是，由于上述计算过程不仅针对多项式数据矩阵进行降维处理，且通过初始系数向量、反馈信号的数据向量、目标特征值、降维矩阵和近似逆矩阵计算目标系数，可保证目标系数的补偿效果，减少非线性失真效应。在保证补偿效果的情况下，极大降低了计算量，进而提高了处理效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本发明提供的一种非线性信号的补偿方法的示意性流程图；
图2示出了本发明提供的一种非线性信号的补偿方法中步骤101的具体示意性流程图；
图3示出了本发明提供的一种非线性信号的补偿方法中步骤103的具体示意性流程图；
图4示出了本发明提供的一种非线性信号的补偿方法中步骤1034的具体示意性流程图；
图5示出了本发明提供的一种非线性信号的补偿装置的示意图；
图6示出了本发明一实施例提供的一种终端设备的示意图。
实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
有鉴于此，本发明实施例提供了一种非线性信号的补偿方法、补偿装置、终端设备及计算机可读存储介质，以解决目前的数字预失真技术存在补偿系数量较大的问题，补偿系数往往在几十个到几百个之间，计算量较大，导致信号处理的效率较低的技术问题。
首先，本发明提供了一种非线性信号的补偿方法。请参见图1，图1示出了本发明提供的一种非线性信号的补偿方法的示意性流程图。如图1所示，该非线性信号的补偿方法可以包括如下步骤：
步骤101：将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵。
经过功率放大器处理的基带信号中存在一定的非线性失真效应，会导致信号质量的下降。补偿滤波器用于去除数字信号中的非线性失真效应，通过对信号进行预处理和修正，提高信号的质量和可靠性。在补偿滤波器中，记忆多项式模型使用一个数学方程来描述滤波器的行为。在设计补偿滤波器时，需要根据滤波器类型、截止频率等参数计算出相应的多项式系数，然后将它们存储在一个多项式模型中，形成记忆多项式模型，以便在实际滤波过程中使用。
具体地，步骤101具体包括步骤1011至步骤1012。如图2所示，图2示出了本发明提供的一种非线性信号的补偿方法中步骤101的具体示意性流程图。
步骤1011：将所述基带信号输入至如下的记忆多项式模型，得到补偿信号；
所述记忆多项式模型为：
其中，表示所述补偿滤波器中的第kq个补偿系数，/>表示基带信号中第n-q个采样点，/>表示所述补偿信号的第n个采样点，K表示功率放大器的非线性阶数，Q表示所述功率放大器的记忆深度。
步骤1012：根据所述记忆多项式模型的计算结构和行列维度，将所述补偿信号转化为所述多项式数据矩阵。
在本实施例中，通过非线性阶数和记忆深度设计记忆多项式模型，使得记忆多项式模型的补偿效果更佳。
步骤102：将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵。
步骤102计算过程如下：
其中，cov（）表示协方差函数，u表示多项式数据矩阵，uH表示多项式数据矩阵的共轭矩阵。
步骤103：将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；其中，所述目标特征值的数量小于所述协方差矩阵中原始数值的数量。
本发明为了减少补偿系数，故基于主成分分析，对协方差矩阵分解得到目标特征值和目标特征值对应的目标特征向量。其中，特征向量表示数据在不同主成分上的投影方向，也称为主成分方向，而特征值则表示各主成分的重要程度，其大小反映了该方向上的数据变化范围。
其中，本发明针对主成分分析中的异常值以及主成分数量两个方面进行改进，具体改进逻辑如下所示：
具体地，步骤103具体包括步骤1031至步骤1034。如图3所示，图3示出了本发明提供的一种非线性信号的补偿方法中步骤103的具体示意性流程图。
步骤1031：将所述协方差矩阵与所述协方差矩阵的转置矩阵相乘，得到重构矩阵。
主成分分析（PCA）是一种数据降维和特征提取的方法，其对异常值较为敏感。异常值也称为离群点，在数据中具有明显的偏离或异常行为，可能会导致主成分分析结果产生偏差。下面列出了异常值可能对主成分分析结果产生的影响：①异常值可能会对协方差矩阵的计算造成扭曲，从而影响主成分的提取。②异常值可能会被错误地识别为数据集的重要组成部分，并被单独提取到一个主成分中，从而引入噪声。③在可视化主成分分析结果时，异常值可能会在图形上引起明显的“离群”点，影响数据的可读性。因此，本发明在进行主成分分析之前，对数据进行预处理，进而去除异常值，以确保主成分分析的结果有效性。
首先，本发明将协方差矩阵与协方差矩阵的转置矩阵相乘，得到重构矩阵。其中，重构矩阵用于识别原始数据是否为异常值。
步骤1032：计算所述协方差矩阵中的每个原始数值与所述重构矩阵之间的欧式距离。
将每个原始数据扩展为与重构矩阵的行数相等，且列数为1的扩展矩阵。计算扩展矩阵和重构矩阵之间差的平方，得到第一矩阵（第一矩阵与重构矩阵的行数相等，且列数为1）。对第一矩阵沿着列的方向进行求和，并对结果开方，得到欧式距离。
步骤1033：将所述协方差矩阵中欧式距离大于阈值的所述原始数值剔除，得到初始矩阵。
若原始数据的欧式距离大于阈值，则表示该原始数据与其他数据的偏差较大，故需要将其剔除。
步骤1034：针对所述初始矩阵进行主成分分析，得到多个第一主成分，基于数值大小由高至低提取目标预设数量的所述第一主成分，并构建为目标矩阵。
在主成分分析中，主成分的预设数量是个至关重要的问题。若主成分的预设数量过多，则可能会引入噪声和冗余信息，导致模型泛化能力下降。若主成分的预设数量过少，则无法有效地表达原始数据的特征。故为了选择适宜的目标预设数量，本发明做出如下改进：
具体地，步骤103具体包括步骤A至步骤D。如图4所示，图4示出了本发明提供的一种非线性信号的补偿方法中步骤1034的具体示意性流程图。
步骤A：根据所述初始矩阵中当前数据的数量，设置递增的多个整数数值。
例如：初始矩阵中当前数据的数量为10，设置的多个整数数值可以为1至9。在后续步骤中依次将不同整数数值作为主分成的预设数量，并评估主成分分析效果。
步骤B：将所述整数数值作为预设数量，并针对所述初始矩阵进行主成分分析，得到多个第二主成分。
步骤C：针对多个所述整数数值，依次重复执行所述步骤B，得到多组第二主成分。
本发明为了选择适宜的目标预设数量，故分别将多个整数数值作为预设数量，重复执行所述步骤B，得到多组第二主成分。以对多组第二主成分进行评价，进而选取适宜的目标预设数量（即执行步骤D）。
步骤D：计算多组所述第二主成分各自对应的方差，将最小方差对应的所述整数数值作为所述目标预设数量。
本实施例，通过基于当前数据的数量，设置多个整数数值。并将不同整数数值作为预设数量，进行主分成分析，得到多组第二主成分，并基于多组第二主成分的方差，选择适宜的目标预设数量，进而提高主成分分析的效果。
步骤1035：将所述目标矩阵进行特征分解，得到多个目标特征值和多个所述目标特征值对应的目标特征向量。
在本实施例中，通过重构矩阵计算每个原始数据的欧氏距离，进而将异常数值剔除，得到初始矩阵。减少了异常数值对于主成分分析效果的影响。
步骤104：通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵。
示例性的，假设多项式数据矩阵为X，其维度为m x n。假设协方差矩阵分解得到特征值A1、A2、A3、A4...An和特征向量B1、B2、B3、B4...Bn。将多项式数据矩阵X的每一行（即一个样本）看作一个向量，记为 xi（i=1,2,...,m）。对于每个向量 xi，计算其在前k个（即目标预设数量）特征向量上的投影 yi= [xi · B1, xi · B2, …, xi· Bk]，其中“·”表示向量的内积运算。将所有降维后的样本投影组成一个新的矩阵 Y，其维度为 m x k，即 Y =[y1; y2; ...; ym]，其中“;”表示矩阵的纵向拼接运算。需要注意的是，降维后的降维矩阵Y 的维度为 m x k，其中 k 是期望降低到的维数。通常情况下，k 要小于多项式数据矩阵X 的特征维数 n，以达到降维的目的。
步骤105：根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵。
具体地，步骤105具体包括：计算所述目标特征值的倒数，得到倒数特征值；将所述倒数特征值与单位矩阵相乘，得到所述协方差矩阵对应的近似逆矩阵。计算过程如下公式所示：
其中，表示近似逆矩阵，/>表示倒数特征值，/>表示单位矩阵。
步骤106：获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号。
步骤107：根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数。
具体地，将所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵代入如下公式一，得到所述目标系数；
公式一：=/>；
其中，W i+1 表示第i+1个所述目标系数，W i 表示第i个所述初始系数向量，表示权重值，/>表示所述反馈信号的数据向量，/>表示所述近似逆矩阵，/>表示所述目标特征值的倒数，/>表示所述降维矩阵。
步骤108：根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。
将补偿滤波器中的补偿系数调整为目标系数，并将基带信号输入补偿滤波器，得到补偿后的基带信号。
在本实施例中，通过将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。上述方案，通过计算多项式数据矩阵对应的协方差矩阵。并基于协方差矩阵分解得到目标特征值和目标特征向量。根据目标特征向量对多项式矩阵矩进行降维处理，以减少计算量。并基于初始系数向量、反馈信号的数据向量、目标特征值、降维矩阵和近似逆矩阵，计算目标系数。可以理解的是，由于上述计算过程不仅针对多项式数据矩阵进行降维处理，且通过初始系数向量、反馈信号的数据向量、目标特征值、降维矩阵和近似逆矩阵计算目标系数，可保证目标系数的补偿效果，减少非线性失真效应。在保证补偿效果的情况下，极大降低了计算量，进而提高了处理效率。
如图5本发明提供了一种非线性信号的补偿装置5，非线性信号的补偿装置5包括业务中间层和业务底层两个功能模块，所述业务中间层包括接收模块、匹配模块、获取模块和调用模块，所述业务底层包括执行模块，请参见图5，图5示出了本发明提供的一种非线性信号的补偿装置的示意图，如图5所示一种非线性信号的补偿装置包括：
输入单元51，用于将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；
第一计算单元52，用于将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；
分解单元53，用于将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；其中，所述目标特征值的数量小于所述协方差矩阵中原始数值的数量；
第二计算单元54，用于通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；
第三计算单元55，用于根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；
获取单元56，用于获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；
第四计算单元57，用于根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；
补偿单元58，用于根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。
本发明提供的一种非线性信号的补偿装置，通过将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。上述方案，通过计算多项式数据矩阵对应的协方差矩阵。并基于协方差矩阵分解得到目标特征值和目标特征向量。根据目标特征向量对多项式矩阵矩进行降维处理，以减少计算量。并基于初始系数向量、反馈信号的数据向量、目标特征值、降维矩阵和近似逆矩阵，计算目标系数。可以理解的是，由于上述计算过程不仅针对多项式数据矩阵进行降维处理，且通过初始系数向量、反馈信号的数据向量、目标特征值、降维矩阵和近似逆矩阵计算目标系数，可保证目标系数的补偿效果，减少非线性失真效应。在保证补偿效果的情况下，极大降低了计算量，进而提高了处理效率。
图6是本发明一实施例提供的一种终端设备的示意图。如图6所示，该实施例的一种终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如一种非线性信号的补偿方法程序。所述处理器60执行所述计算机程序62时实现上述各个一种非线性信号的补偿方法实施例中的步骤，例如图1所示的步骤101至步骤108。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各单元的功能，例如图5所示单元51至58的功能。
示例性的，所述计算机程序62可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述一种终端设备6中的执行过程。例如，所述计算机程序62可以被分割成各单元的具体功能如下：
输入单元，用于将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；
第一计算单元，用于将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；
分解单元，用于将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；其中，所述目标特征值的数量小于所述协方差矩阵中原始数值的数量；
第二计算单元，用于通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；
第三计算单元，用于根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；
获取单元，用于获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；
第四计算单元，用于根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；
补偿单元，用于根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。
所述终端设备中包括但不限于处理器60和存储器61。本领域技术人员可以理解，图6仅仅是一种终端设备6的示例，并不构成对一种终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述一种终端设备6的内部存储单元，例如一种终端设备6的硬盘或内存。所述存储器61也可以是所述一种终端设备6的外部存储设备，例如所述一种终端设备6上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器61还可以既包括所述一种终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述一种漫游控制设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，既将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地，短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种非线性信号的补偿方法，其特征在于，所述非线性信号的补偿方法包括：
将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；
将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；
将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；其中，所述目标特征值的数量小于所述协方差矩阵中原始数值的数量；
通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；
根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；
获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；
根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；
根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。
2.如权利要求1所述的非线性信号的补偿方法，其特征在于，所述将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵的步骤，包括：
将所述基带信号输入至如下的记忆多项式模型，得到补偿信号；
所述记忆多项式模型为：
其中，Ckq表示所述补偿滤波器中的第kq个补偿系数，x(n-q)表示基带信号中第n-q个采样点，z(n)表示所述补偿信号的第n个采样点，K表示所述功率放大器的非线性阶数，Q表示所述功率放大器的记忆深度；
根据所述记忆多项式模型的计算结构和行列维度，将所述补偿信号转化为所述多项式数据矩阵。
3.如权利要求1所述的非线性信号的补偿方法，其特征在于，所述将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量的步骤，包括：
将所述协方差矩阵与所述协方差矩阵的转置矩阵相乘，得到重构矩阵；
计算所述协方差矩阵中的每个原始数值与所述重构矩阵之间的欧式距离；
将所述协方差矩阵中欧式距离大于阈值的原始数值剔除，得到初始矩阵；
针对所述初始矩阵进行主成分分析，得到多个第一主成分，基于数值大小由高至低提取目标预设数量的所述第一主成分，并构建为目标矩阵；
将所述目标矩阵进行特征分解，得到多个所述目标特征值和多个所述目标特征值对应的目标特征向量。
4.如权利要求3所述的非线性信号的补偿方法，其特征在于，在所述针对所述初始矩阵进行主成分分析，得到多个第一主成分，基于数值大小由高至低提取目标预设数量的所述第一主成分，并构建为目标矩阵的步骤之前，还包括：
步骤A：根据所述初始矩阵中当前数据的数量，设置递增的多个整数数值；
步骤B：将所述整数数值作为预设数量，并针对所述初始矩阵进行主成分分析，得到多个第二主成分；
步骤C：针对多个所述整数数值，依次重复执行所述步骤B，得到多组第二主成分；
步骤D：计算多组所述第二主成分各自对应的方差，将最小方差对应的所述整数数值作为所述目标预设数量。
5.如权利要求1所述的非线性信号的补偿方法，其特征在于，所述通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵的步骤包括：
将所述目标特征向量和所述多项式数据矩阵相乘，得到所述降维矩阵。
6.如权利要求1所述的非线性信号的补偿方法，其特征在于，所述根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵的步骤包括：
计算所述目标特征值的倒数，得到倒数特征值；
将所述倒数特征值与单位矩阵相乘，得到所述协方差矩阵对应的近似逆矩阵。
7.如权利要求1所述的非线性信号的补偿方法，其特征在于，所述根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数的步骤包括：
将所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵代入如下公式一，得到所述目标系数；
公式一：
其中，Wi+1表示第i+1个所述目标系数，Wi表示第i个所述初始系数向量，μ表示权重值，y表示所述反馈信号的数据向量，表示所述近似逆矩阵，λ-1表示所述目标特征值的倒数，/>表示所述降维矩阵。
8.一种非线性信号的补偿装置，其特征在于，所述非线性信号的补偿装置包括：
输入单元，用于将基带信号输入补偿滤波器中的记忆多项式模型，得到多项式数据矩阵；
第一计算单元，用于将所述多项式数据矩阵与所述多项式数据矩阵对应的共轭矩阵相乘，得到协方差矩阵；
分解单元，用于将所述协方差矩阵分解得到目标特征值和所述目标特征值对应的目标特征向量；其中，所述目标特征值的数量小于所述协方差矩阵中原始数值的数量；
第二计算单元，用于通过所述目标特征向量对所述多项式数据矩阵进行降维处理，得到降维处理后的降维矩阵；
第三计算单元，用于根据所述目标特征值，计算所述协方差矩阵对应的近似逆矩阵；
获取单元，用于获取初始系数向量和反馈信号的数据向量；所述初始系数向量是指预设在补偿滤波器中的补偿系数向量，所述反馈信号是指在功率放大器中从输出端反馈到输入端的信号；
第四计算单元，用于根据所述初始系数向量、所述反馈信号的数据向量、所述目标特征值、所述降维矩阵和所述近似逆矩阵，计算目标系数；
补偿单元，用于根据所述目标系数，补偿所述基带信号，得到补偿后的基带信号。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883970.XA CN116644265B (zh) | 2023-07-19 | 2023-07-19 | 一种非线性信号的补偿方法、补偿装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883970.XA CN116644265B (zh) | 2023-07-19 | 2023-07-19 | 一种非线性信号的补偿方法、补偿装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116644265A CN116644265A (zh) | 2023-08-25 |
| CN116644265B true CN116644265B (zh) | 2024-01-26 |
Family
ID=87623261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310883970.XA Active CN116644265B (zh) | 2023-07-19 | 2023-07-19 | 一种非线性信号的补偿方法、补偿装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116644265B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109061619A (zh) * | 2018-06-25 | 2018-12-21 | 西北大学 | 一种信号处理的方法、设备及计算机存储介质 |
| CN110674949A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于大数据的工件故障智能补偿方法及装置 |
| US10911029B1 (en) * | 2017-11-08 | 2021-02-02 | Innovation Digital, LLC | Multi-dimensional compensator |
| CN112803972A (zh) * | 2021-02-01 | 2021-05-14 | 西安电子科技大学 | 适用于mimo发射机全环路失真补偿的数字预失真方法及系统 |
| CN115236744A (zh) * | 2021-04-22 | 2022-10-25 | 中国石油化工股份有限公司 | 一种火成岩强屏蔽剥离和弱信号能量补偿的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103856426B (zh) * | 2012-12-03 | 2017-04-19 | 华为技术有限公司 | 一种补偿滤波器的实现方法及信号带宽补偿的装置 |
| US9749161B1 (en) * | 2016-02-23 | 2017-08-29 | Nxp Usa, Inc. | Fixed-point conjugate gradient digital pre-distortion (DPD) adaptation |
| US10904663B2 (en) * | 2019-04-25 | 2021-01-26 | Samsung Electronics Co., Ltd. | Reluctance force compensation for loudspeaker control |
-
2023
- 2023-07-19 CN CN202310883970.XA patent/CN116644265B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10911029B1 (en) * | 2017-11-08 | 2021-02-02 | Innovation Digital, LLC | Multi-dimensional compensator |
| CN109061619A (zh) * | 2018-06-25 | 2018-12-21 | 西北大学 | 一种信号处理的方法、设备及计算机存储介质 |
| CN110674949A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于大数据的工件故障智能补偿方法及装置 |
| CN112803972A (zh) * | 2021-02-01 | 2021-05-14 | 西安电子科技大学 | 适用于mimo发射机全环路失真补偿的数字预失真方法及系统 |
| CN115236744A (zh) * | 2021-04-22 | 2022-10-25 | 中国石油化工股份有限公司 | 一种火成岩强屏蔽剥离和弱信号能量补偿的方法 |
Non-Patent Citations (3)
| Title |
|---|
| Continuous variable measurement-device-independent quantum key distribution based on photon subtraction and optical amplifiers;Yi-Hua Zhou et.al;《ELSEVIER》;第1-12页 * |
| CVQKD 中块平均参考相位估计算法的性能优化;黄彪等;《量子通信》;第1-4页 * |
| 无线信道中功放非线性失真补偿技术研究;游伟;郭道省;易旭;;无线通信技术(第01期);第14-19页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116644265A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116644265B (zh) | 一种非线性信号的补偿方法、补偿装置及终端设备 | |
| CN116233630A (zh) | 一种cmos传感器电源纹波噪声去除的方法、设备及存储介质 | |
| CN116912636B (zh) | 目标识别方法及装置 | |
| US10097141B1 (en) | Digital predistortion tailored to specified frequencies in the power amplifier (PA) output spectrum | |
| CN112671412A (zh) | 一种雷达回波数据压缩方法及装置 | |
| Abdurrazzaq et al. | A hybrid of tropical-singular value decomposition method for salt and pepper noise removal | |
| CN114047499B (zh) | 传感器阵列信号幅度不一致时的信号归一化方法及设备 | |
| US20220078567A1 (en) | Optimization of convolution reverberation | |
| CN109582917A (zh) | 一种基于ssa的信号去噪方法、装置、终端设备及存储介质 | |
| CN112422333B (zh) | 一种配网情况确定方法、系统及相关装置 | |
| Bondon | Polynomial estimation of the amplitude of a signal | |
| EP3712626B1 (en) | High-rate dft-based data manipulator and data manipulation method for high performance and robust signal processing | |
| US11388187B2 (en) | Method of digital signal feature extraction comprising multiscale analysis | |
| US20220004595A1 (en) | Device for calculating an analog fourier transform | |
| CN111402166A (zh) | 图像去噪方法及装置、服务终端及计算机可读存储介质 | |
| Frieden | Image restoration using a norm of maximum information | |
| CN110727913B (zh) | 基于信号相关矩阵的信号模型阶数估计方法 | |
| CN112182892B (zh) | 一种基于分段仿射的功率放大器行为建模方法及装置 | |
| CN116665685B (zh) | 音频信号的滤波方法、装置、计算机设备及存储介质 | |
| CN115664633B (zh) | 波形的处理方法及装置 | |
| CN115128697B (zh) | 地球物理信号采集方法、地球物理仪器及系统 | |
| CN118300547B (zh) | 基于参数剪枝的数字预失真方法、装置及电子设备 | |
| CN113222814B (zh) | 图像的分辨率处理方法、装置、设备及存储介质 | |
| CN113988128B (zh) | 一种基于二分递推奇异值分解的去噪方法及系统 | |
| CN117708502A (zh) | 信号降噪方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |