CN117135016B - 一种分片数字预失真方法、系统、智能终端及存储介质 - Google Patents
一种分片数字预失真方法、系统、智能终端及存储介质 Download PDFInfo
- Publication number
- CN117135016B CN117135016B CN202311381744.8A CN202311381744A CN117135016B CN 117135016 B CN117135016 B CN 117135016B CN 202311381744 A CN202311381744 A CN 202311381744A CN 117135016 B CN117135016 B CN 117135016B
- Authority
- CN
- China
- Prior art keywords
- predistortion
- training
- matrix
- clustering
- signal
- 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 119
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 181
- 230000009467 reduction Effects 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 220
- 230000006870 function Effects 0.000 claims description 123
- 239000013598 vector Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 29
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/38—Synchronous or start-stop systems, e.g. for Baudot code
- H04L25/40—Transmitting circuits; Receiving circuits
- H04L25/49—Transmitting circuits; Receiving circuits using code conversion at the transmitter; using predistortion; using insertion of idle bits for obtaining a desired frequency spectrum; using three or more amplitude levels ; Baseband coding techniques specific to data transmission systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/52—TPC using AGC [Automatic Gain Control] circuits or amplifiers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种分片数字预失真方法、系统、智能终端及存储介质,其中,上述方法包括:获取目标预失真信号并输入到基函数中,输出基函数矩阵;将基函数矩阵与降维矩阵进行点乘,得到主成分矩阵;根据主成分矩阵,采用分簇算法对目标预失真信号进行分簇,得到分簇索引;根据分簇索引将目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出。本发明针对目前分片数字预失真模型在进行样本分簇时,由于分簇阈值需要手动调整以及分簇特征内容较少,导致对于复杂非线性系统时,并不能很好的对样本实现分簇,也无法达到高效的线性化,进而影响用户无线通讯使用的问题,通过上述方法,可以得到可以线性化的信号,从而让信号更强更稳定。
Description
技术领域
本发明涉及信息通信技术领域,尤其涉及的是一种分片数字预失真方法、系统、智能终端及存储介质。
背景技术
随着直播、虚拟现实(Virtual Reality,VR)技术和元宇宙的兴起,人们对无线通信系统的稳定性和传输能力提出了更高的要求。新一代无线通信系统采用了大带宽、多天线等技术提供更高效的无线传输服务。功率放大器(Power Amplifier,PA)是无线通信链路中的重要器件,其性能直接决定系统功耗、信号的强弱、稳定性等重要因素。由于功率放大器具有饱和效应,在输入信号功率接近额定功率时会出现非线性失真。因此,功率放大器的能量效率和线性度成为了一组难以调和的参数。
数字预失真技术(Digital Predistortion,DPD)是一种广泛采用的线性化技术,它作为一种灵活的外部设备辅助PA工作,提高系统线性度。DPD可以使PA能运行在更高功率上从而达到更高的能量效率,以实现更高效的无线通信链路。
目前分片数字预失真模型在进行样本分簇时,由于分簇阈值需要手动调整以及分簇特征内容较少,导致对于复杂非线性系统时,并不能很好的对样本实现分簇,也无法达到高效的线性化。
因此,现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种分片数字预失真方法、系统、智能终端及存储介质,旨在解决现有技术中分片数字预失真模型在进行样本分簇时,由于分簇阈值需要手动调整以及分簇特征内容较少,导致对于复杂非线性系统时,并不能很好的对样本实现分簇,也无法达到高效的线性化,进而影响用户无线通讯使用的问题。
为了实现上述目的,本发明第一方面提供一种分片数字预失真方法,其中,上述分片数字预失真方法包括:
获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵;
将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到;
根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引;
根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
可选的,上述将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵的步骤包括:
预先构建预失真模型,其中所述预失真模型包括所述基函数和所述数字预失真系数;
根据所述预失真模型得到所述基函数;
将所述目标预失真信号输入到所述基函数中,通过所述基函数输出包含有所述目标预失真信号的所述基函数矩阵。
可选的,上述预设训练过程的步骤包括:
获取训练预失真信号,根据训练预失真信号,采用迭代学习控制法得到与所述训练预失真信号对应的理想预失真信号,其中,所述训练预失真信号为所述目标预失真信号的信源随机生成;
将所述训练预失真信号输入到所述基函数中,通过所述基函数输出训练基函数矩阵;
对所述训练基函数矩阵进行主成分分析,得到所述降维矩阵和训练主成分矩阵;
根据所述训练主成分矩阵,采用所述分簇算法对所述训练预失真信号进行分簇,得到训练分簇索引,根据所述训练分簇索引、所述训练预失真信号和所述理想预失真信号构建训练子样本集,其中,所述训练子样本集包括训练子样本;
根据所述训练子样本集,采用最小二乘法得到每个训练子样本对应的数字预失真系数。
可选的,上述对所述训练基函数矩阵进行主成分分析,得到所述降维矩阵和训练主成分矩阵的步骤包括:
对所述训练基函数矩阵进行中心化,得到中心化矩阵;
根据所述中心化矩阵计算得到所述中心化矩阵的协方差矩阵;
对所述协方差矩阵进行特征分解,得到特征值和对应的特征向量,根据所述特征值将所述特征向量进行降序排序,根据主成分获取方法从所述特征向量中得到主成分;
将所述主成分中的特征向量进行排列后,得到所述降维矩阵;
将所述训练基函数矩阵投影到所述降维矩阵上,得到所述训练主成分矩阵。
可选的,上述根据所述训练主成分矩阵,采用所述分簇算法对所述训练预失真信号进行分簇,得到训练分簇索引,根据所述训练分簇索引、所述训练预失真信号和所述理想预失真信号构建训练子样本集的步骤包括:
根据所述训练预失真信号和所述训练主成分矩阵,计算得到分簇特征;
根据所述分簇特征,采用所述分簇算法得到训练分簇索引,根据所述训练分簇索引,将所述训练预失真信号和所述理想预失真信号以二元组的形式构建所述训练子样本,根据所述训练子样本构建所述训练子样本集。
可选的,上述根据所述训练子样本集,采用最小二乘法得到所述数字预失真系数的步骤包括:
将所述训练子样本集中的每个所述训练子样本中的所述训练预失真信号和所述理想预失真信号按行拼接为训练预失真矩阵和理想预失真向量;
根据所述训练预失真矩阵和所述理想预失真向量,采用最小二乘法计算得到每个训练子样本对应的数字预失真系数。
可选的,上述根据所述分簇索引将所述目标预失真信号与数字预失真系数相乘,得到目标预失真输出的步骤之后还包括:
获取所述目标预失真输出,并将所述目标预失真输出输入到功率放大器中;
所述功率放大器根据所述目标预失真输出生成线性信号并输出。
本发明第二方面提供一种分片数字预失真系统,其中,上述分片数字预失真系统包括:
基函数矩阵生成模块,用于获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵;
主成分矩阵生成模块,用于将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到;
分簇模块,用于根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引;
目标生成模块,用于根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的分片数字预失真程序,上述分片数字预失真程序被上述处理器执行时实现任意一项上述分片数字预失真方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有分片数字预失真程序,上述分片数字预失真程序被处理器执行时实现任意一项上述分片数字预失真方法的步骤。
由上可见,本发明方案中,获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵;将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到;根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引;根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
与现有技术相比,针对目前分片数字预失真模型在进行样本分簇时,由于分簇阈值需要手动调整以及分簇特征内容较少,导致对于复杂非线性系统时,并不能很好的对样本实现分簇,也无法达到高效的线性化,进而影响用户无线通讯使用的问题,本发明将信号的基函数矩阵先进行主成分分析并降维,然后把降维后的信息作为分簇特征,这样提高了分簇特征的维度,融合更多信息进行分簇,同时本发明完全通过数据驱动的方法对样本进行分割,能更好的利用信号的统计特性;此外,本发明根据最小二乘估计中的互相关分量确定分簇索引的方法,相比于手动划分更加可靠;而整体上,本发明通过分片数字预失真方法使得针对于无线通信中的信号,本发明通过分簇算法使得无需手动调整分簇阈值,并且通过降维矩阵和主成分矩阵使得对应的分簇特征丰富,从而使得最终得到的目标预失真输出满足功率放大器线性化的需求,在目标预失真输出通过功率放大器处理后生成的信号与最初的目标预失真信号能够达到良好的线性化,增加了功率放大器的性能,从而增强了无线通信中信号的强度和稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种分片数字预失真方法的流程示意图;
图2是本发明实施例提供的一种数字预失真原理示意图;
图3是本发明实施例提供的一种数字预失真系统示意图;
图4是本发明实施例提供的一种迭代学习控制结构示意图;
图5是本发明实施例提供的一种迭代学习控制运行算法示意图;
图6是本发明实施例提供的一种总体流程示意图;
图7是本发明实施例提供的一种对基函数矩阵主成分分析示意图;
图8是本发明实施例提供的一种分片数字预失真示意图;
图9是本发明实施例提供的一种分片数字预失真系统的组成模块示意图;
图10是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
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他实施例中也可以实现本发明。在其他情况下,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。
应当理解,当在本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他特征、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,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其他情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,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“响应于分类到”。类似的,短语“如果确定”或“如果分类到[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“一旦分类到[所描述的条件或事件]”或“响应于分类到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着直播、虚拟现实技术和元宇宙的兴起,人们对无线通信系统的稳定性和传输能力提出了更高的要求。新一代无线通信系统采用了大带宽、多天线等技术提供更高效的无线传输服务。而在无线通信中,功率放大器是无线通信链路中的重要器件,其性能直接决定系统功耗、信号的强弱、稳定性等重要因素。功率放大器的核心参数包括增益、带宽、能量效率、线性度和最大输出功率等,这些参数需要平衡以满足系统设计需求。由于功率放大器具有饱和效应,在输入信号功率接近额定功率时会出现非线性失真。因此,功率放大器的能量效率和线性度成为了一组难以调和的参数。针对于此,数字预失真技术是一种广泛采用的线性化技术,它作为一种灵活的外部设备辅助PA工作,提高系统线性度。DPD可以使PA能运行在更高功率上从而达到更高的能量效率,以实现更高效的无线通信链路。
在现代无线通信系统中,更宽的带宽需求导致更复杂的PA特性,这需要更复杂的DPD模型进行线性化,而更高的能量效率需求降低了DPD的功耗预算。因此,在无线通信中,DPD系统需要具有更好的性能和更低的功率消耗。分片数字预失真器是一种模型融合的方法,它根据输入样本的特征将输入样本划分进不同的分片子模型中进行预失真。将每个子模型的输出进行组合得到最终的DPD输出。
然而上述的分片模型也有着一定缺陷。其一,由于缺少一个识别模型分簇阈值的算法,需要手动调整分簇阈值参数,这带来的问题是常常难以调整到最佳的分簇阈值,从而影响DPD性能。其二,这些模型仅仅基于样本的幅度进行分片,而没有考虑到样本的其他特征。
为了解决上述多个问题中的至少一个问题,本发明方案提供一种分片数字预失真方法、系统、智能终端及存储介质,也就是一种分片数字预失真方法、系统、智能终端及计算机可读存储介质,具体的,获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵;将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到;根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引;根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
与现有技术相比,针对目前分片数字预失真模型在进行样本分簇时,由于分簇阈值需要手动调整以及分簇特征内容较少,导致对于复杂非线性系统时,并不能很好的对样本实现分簇,也无法达到高效的线性化,进而影响用户无线通讯的使用的问题,本发明将信号的基函数矩阵先进行主成分分析并降维,然后把降维后的信息作为分簇特征,这样提高了分簇特征的维度,融合更多信息进行分簇,同时本发明完全通过数据驱动的方法对样本进行分割,能更好的利用信号的统计特性;此外,本发明根据最小二乘估计中的互相关分量确定分簇索引的方法,相比于手动划分更加可靠;而整体上,本发明通过分片数字预失真方法使得针对于无线通信中的信号,本发明通过分簇算法使得无需手动调整分簇阈值,并且通过降维矩阵和主成分矩阵使得对应的分簇特征丰富,从而使得最终得到的目标预失真输出满足功率放大器线性化的需求,在目标预失真输出通过功率放大器处理后生成的信号与最初的目标预失真信号能够达到良好的线性化,增加了功率放大器的性能,从而增强了无线通信中信号的强度和稳定性。
示例性方法
如图1所示,本发明实施例提供一种分片数字预失真方法,具体地,上述分片数字预失真方法包括如下步骤:
步骤S100,获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵。
具体的,上述预失真信号为一种正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)信号,较佳的可以为载波聚合的LTE信号。具体的,在本申请实施例中,通过基函数对目标失真信号处理后,使得上述目标失真信号可以实现数字预失真信号的分簇,并通过基函数构建方便于进行后续处理的基函数矩阵。
进一步的,所述将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵的步骤包括:预先构建预失真模型,其中所述预失真模型包括所述基函数和所述数字预失真系数;根据所述预失真模型得到所述基函数;将所述目标预失真信号输入到所述基函数中,通过所述基函数输出包含有所述目标预失真信号的所述基函数矩阵。
具体的,在DPD的工作原理是,通过在数字域分析PA的非线性特性,对信号作用一个相反的预处理,以抵消PA的非线性失真,从而可以让PA生成的信号与信源信号直接是线性的。其中DPD的原理如图2所示,信源产生的输入信号首先送入预失真器DPD中,得到预失真信号,再通过PA放大得到输出信号;如图1所示,由于预失真器的特性是PA的逆,将它们级联后,对输入输出两端信号而言近似成为一个线性系统;其中,为由信源产生的时域输入信号,为DPD输出信号,为PA输出信号。
而一个数字预失真系统通常包括3个模块:数字预失真器、反馈链路、预失真学习模块,具体如图3所示。其中,数字预失真器的作用是在射频数字域对信号进行预失真,它接收输入信号,为输入信号转换到数字域后的表示结果。表示定义在复平面上的数字信号,它在n时刻由信源产生,其中0<n≤N-1,N是总样本数。反馈链路的作用是采集功放(PA,功率放大器)输出信号,并送入衰减器进行功率衰减,G是PA的额定功率放大倍数,然后下变频到基带并转化为数字信号,送入预失真学习模块。预失真学习模块用于训练DPD的参数。由预失真学习算法和参数辨识算法组成。预失真学习算法根据PA在数字域上的等效输入输出学习到PA的特性并求逆,并由参数辨识算法决定DPD参数。
由上可见,数字预失真技术实际上可以表示为一个非线性函数,从而可以抵消功率放大器的非线性失真。在本申请实施例中,采用简化的二阶动态偏差降低(Simplified2nd-order Dynamic Derivative Reduced,SDDR)多项式构建DPD模型,具体可以表示为如下如公式(1)所示的形式:
(1);
其中,和分别为DPD的输入和输出;为在复平面上的共轭;P和M分别表示模型最高非线性阶数和记忆深度;、、和为数字预失真系数,下标2p+1代表该项对应输入信号的阶数(幂),m代表该项输入信号的延迟为m个样本,则对应的表示将输入信号延迟m个样本后得到的信号。
在公式(1)中,由基函数(Base-Function,BF)和预失真模型系数加权得到。基函数是关于的基本非线性函数,由的延时、取模、复乘和它们的组合产生。基函数按照在公式(1)中出现的顺序记为,由于基函数为BF因此采用来表示对应的基函数,k表示序号,K代表该模型中基函数的总数。每个基函数都对应一个预失真模型系数,因此把系数的下标也按照在公式(1)中出现的顺序记为,,…,。DPD的输出可以表示为基函数的线性组合,从而可以将公式(1)写成向量形式,表示为如下公式(2):
(2);
其中,是由预失真模型系数组成的列向量,为基函数向量,它是由组成的行向量,并且可以表示为如下公式(3):
(3)。
在公式(2)只考虑了单个样本点,若考虑0≤n<N时的全部样本,则可以将DPD的输入输出关系写成矩阵的形式,即DPD模型的一种表示,如公式(4)所示:
(4);
其中,X称为基函数矩阵,是全部样本的组成的矩阵,;u是对应的预失真模型,;由公式(1)和(4)可见,DPD模型是由多个子模型构成的。
步骤S200,将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到。
在本发明实施例中,降维矩阵是由预设训练得到的,主成分矩阵通过基函数和降维矩阵点乘得到。通过降维矩阵处理可以使得整个基函数降维后作为分簇特征,从而压缩了基函数矩阵中的部分信息,保留了有用的部分作为分簇特征。
进一步的,所述预设训练过程的步骤包括:获取训练预失真信号,根据训练预失真信号,采用迭代学习控制法得到与所述训练预失真信号对应的理想预失真信号,其中,所述训练预失真信号为所述目标预失真信号的信源随机生成;将所述训练预失真信号输入到所述基函数中,通过所述基函数输出训练基函数矩阵;对所述训练基函数矩阵进行主成分分析,得到所述降维矩阵和训练主成分矩阵;根据所述训练主成分矩阵,采用所述分簇算法对所述训练预失真信号进行分簇,得到训练分簇索引,根据所述训练分簇索引、所述训练预失真信号和所述理想预失真信号构建训练子样本集,其中,所述训练子样本集包括训练子样本;根据所述训练子样本集,采用最小二乘法得到每个训练子样本对应的数字预失真系数。
具体的,在训练时采用的训练预失真信号是目标预失真信号的信源随机生成的信号,即若要处理的目标预失真信号为正交频分复用信号,则对应的训练预失真信号为同一信源产生的正交频分复用信号。并且,DPD训练使用的训练预失真信号需要和DPD运行时所处理的目标预失真信号具有相同的统计特性,训练信号与测试信号是由同一个信源随机产生的信号,且各种参数需要相同,比如信号平均功率、带宽、子载波数和子载波间隔。
在本申请实施例中,在预设训练过程中应用到了迭代学习控制法。
迭代学习控制(Iterative Learning Control,ILC),考虑一个由定义的系统,输出为,输入为,有:。希望把驱动到一个由定义的期望响应,因此需要找到一个最佳输入,使输出尽可能接近;而ILC是用于寻找的技术。应用在本申请实施例中,用于训练的预失真信号也记为,DPD输出信号记为。PA在数字域上的等价模型记为,即包括PA以及相应的功率衰减器。理想情况下,PA在DPD的驱动下成为一个线性系统,此时DPD的期望输出信号可以使得的输出等于;则基于ILC的预设训练过程可以描述为:给定一个输入信号,期望PA在DPD的驱动下能成为一个线性系统,因此需要找到DPD的期望输出信号,使。通过ILC找到的近似,使PA在它的激励下能近似的成为线性系统,然后构建训练样本集,作为训练DPD的一组输入/输出信号集,最后训练得到数字预失真系数。
具体的,ILC的结构如图4所示,其中和分别为第次迭代时,PA在数字域上的输入和输出信号,,0≤n≤N-1;则第次迭代时,表示为如下公式(5):
(5);
在公式(5)中忽略了PA的记忆性。定义第次迭代,的实际输出的和期望输出之间的误差可以表示为以下公式(6):
(6)。
ILC算法过程为:首先设定迭代的初始值,然后用下式(7)更新:
(7);
其中,是学习步长,它是一个常数。而ILC的收敛条件表示为下式(8):
(8);
其中。则ILC算法收敛条件为:。
假设时,,则ILC算法收敛。此时在PA输入信号的驱动下,。则将作为DPD期望输出信号的估计值输出。,其中,是DPD期望输出信号的估计值,即理想预失真信号,需要满足时,。
而在本申请的一种实施例中,ILC迭代5到6次就可以收敛到一个较好的结果,因此可以设定一个最大迭代次数T,进行T次迭代后终止算法,输出运行结果,其中T较佳的可以选取5或6次。
因此,通过迭代学习控制法可以得到训练预失真信号对应的理想预失真信号,而通过理想预失真信号可以使得PA输出值与训练预失真信号之间实现线性相关。
进一步的,如图5所示,为本申请中一种迭代学习控制运行算法示意图,通过该算法可以得到理想预失真信号。
通过迭代学习控制法得到与所述训练信号样本集后,通过主成分分析以及样本分簇算法,构建训练子样本集,最终通过子样本集训练每个分片子模型的DPD系数。首先,将所述训练预失真信号输入到由公式(1)构建得到的基函数中,通过所述基函数输出得到(4)中的训练基函数矩阵X。
再进一步,对所述训练基函数矩阵X进行主成分分析,得到所述降维矩阵和训练主成分矩阵的步骤包括:对所述训练基函数矩阵进行中心化,得到中心化矩阵;根据所述中心化矩阵计算得到所述中心化矩阵的协方差矩阵;对所述协方差矩阵进行特征分解,得到特征值和对应的特征向量,根据所述特征值将所述特征向量进行降序排序,根据主成分获取方法从所述特征向量中得到主成分;将所述主成分中的特征向量进行排列后,得到所述降维矩阵;将所述训练基函数矩阵投影到所述降维矩阵上,得到所述训练主成分矩阵。
具体的,为了获取更多的分簇特征,对训练基函数矩阵X进行主成分分析(Principal Component Analysis,PCA)并降维。而对训练基函数矩阵进行主成分分析,得到所述降维矩阵和训练主成分矩阵的具体过程如下。
步骤1、先对X进行中心化,具体中心化流程为:训练基函数矩阵X的维度为N×K,即;首先分别计算X每列的均值,然后减去相应的均值得到中心化的。其中,训练基函数矩阵。其中,,…,为X的列向量,以为例计算均值,则,均值的计算公式为:,从而中心化后的表示为。所以中心化后的X表示为。
步骤2、计算协方差矩阵S:协方差矩阵计算公式为:。
步骤3、特征值分解:对S进行特征值分解得到特征值和对应的特征向量。特征值为每个主成分分量的方差根据特征值的大小,对特征值和特征向量进行降序排序。然后选取前个特征值对应的特征向量作为主成分。
步骤4、构建降维矩阵W:将特征向量按所选择的个特征值进行排列后,得到降维矩阵W,。
步骤5、计算主成分矩阵C:将X投影到降维矩阵上即可得到主成分矩阵,。
其中,步骤3中对的选取,通过截取一段训练预失真信号样本生成的训练基函数矩阵进行PCA实验,根据结果进行选取,保留主成分占总能量的90%以上的几个主成分,在本申请的一种实施例中,较佳的,取3。其中,如图7所示,为本申请实施例提供的一种对训练基函数矩阵主成分分析示意图,其中该图的横坐标表示主成分的序号,纵坐标表示该成分对应的方差。实验结果表明,只需要3个主成分就可以保留90%以上的能量。因此,令=3就可以使留下的主成分占总能量的90%以上。
因此,通过对所述训练基函数矩阵进行主成分分析,则可以得到降维矩阵和训练主成分矩阵,可以在保留数据的主要变化特征的同时减少数据的维度,从而简化了后续分析或建模的复杂性。
更进一步的,所述根据所述训练主成分矩阵,采用所述分簇算法对所述训练预失真信号进行分簇,得到训练分簇索引,根据所述训练分簇索引、所述训练预失真信号和所述期望预失真信号构建训练子样本集的步骤包括:根据所述训练预失真信号和所述训练主成分矩阵,计算得到分簇特征;根据所述分簇特征,采用所述分簇算法得到训练分簇索引,根据所述训练分簇索引,将所述训练预失真信号和所述理想预失真信号以二元组的形式构建所述训练子样本,根据所述训练子样本构建所述训练子样本集。
具体的,分簇算法具体包括以下内容:首先,对于定义在上的输入信号,组成列向量。而假设x对应的DPD期望输出信号向量为(在假设情况下选取作为期望输出信号),可以将表示为主成分矩阵C的线性变换与误差向量之和的形式,如下式(9)所示:
(9);
其中,向量表示C的线性变换,;误差向量。上式的最小二乘解为,此时误差向量是一个和C正交的向量。可以看作C的自相关分量的逆与互相分量的的乘积。假如能提高互相关分量,那么这个最小二乘估计的误差就会减小。
本申请实施例中通过样本分簇的方法,提高互相关分量中每个元素的绝对值,从而降低最小二乘估计的误差。是一个的列向量,考虑的第行的元素,则的绝对值可以表示为如下公式(10):
(10);
其中,代表了第个主成分与之间的相关程度,可以先计算,取它的第行元素就可以得到;是C的第列的列向量。是的第n行的元素,定义。是一个复数,且对于不同的n,的复角会取到不同的值,这会影响求和后取模数值的大小。在得到C的互相关分量后,对样本进行分簇,具体的,根据与在复平面上形成的夹角是否大于,将划分给DPD模型的不同子模型。因此通过计算与的点积,并取实部得到分簇特征,具体表示如下式(11):
(11);
其中,表示由n时刻产生的样本的第个分簇特征;表示阶跃函数,它的定义如公式(12)所示:
(12)。
这里仍然存在一个问题,就是在DPD实际运行的过程中,是未知的。即在DPD训练的过程中可以通过ILC算法估计出来,但是在DPD运行的过程中,它是未知的。因此对应的对公式(10)、(11)和(12)中进行基于本申请实施例的改动。
由和可知,与输入信号的复角(复数的辐角)很接近,因此直接用代替计算出分簇特征,表示为,其用公式可表示为以下公式(13):
(13)。
每个样本共可以产生个分簇特征,它们分别是:,,…,。
根据公式(13)中产生的特征,对训练预失真信号进行分簇,采用训练分簇索引来进行分簇,其中训练分簇索引表示为公式(14):
(14);
其中,为训练分簇索引,根据的值将训练预失真信号划分到不同的子模型中,例如,代表将训练预失真信号中n时刻的信号划分到第i个子模型中。,表示时刻n的范围。根据训练分簇索引分簇的流程是将,,…,当作一个位的二进制数,低位在前高位在后,然后将它转化为十进制数再加1即得到n时刻的样本对应的子模型序号。
根据DPD理想预失真信号,以及训练分簇索引构建训练子样本集,定义训练子样本集为:,初始时,。将和它对应的以二元组的形式添加进中,其中根据每个子样本序号对应的练预失真信号和理想预失真信号进行组合得到二元组,即训练子样本。
更进一步的,所述根据所述训练子样本集,采用最小二乘法得到所述数字预失真系数的步骤包括:将所述训练子样本集中的每个所述训练子样本中的所述训练预失真信号和所述理想预失真信号按行拼接为训练预失真矩阵和理想预失真向量;根据所述训练预失真矩阵和所述理想预失真向量,采用最小二乘法计算得到每个训练子样本对应的数字预失真系数。
具体的,本发明使用最小二乘(Least Square,LS)算法,对数字预失真系数进行估计。对于训练预失真信号,理想预失真信号为,则根据公式(4)中的DPD输入输出关系,可以构建如下方程(15):
(15);
其中,;代表由DPD实际输出与理想预失真信号的误差组成的向量。方程(15)的最小二乘解可以表示为公式(16):
(16);
其中代表共轭转置,是公式(15)的最小二乘解,即要得到的理想数字预失真系数。
因此,将公式(15)、(16)进行应用,将每个训练子样本集中的取出,按行拼成矩阵和向量,其中i代表属于第i个子样本集,利用LS算法估计第i个子样本集的系数,可以表示为如下公式(17)
(17);
得到的即第i个子模型的数字预失真系数。
通过预设训练过程得到对应的降维矩阵后,将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵。
步骤S300,根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引。
其中,上述采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引的过程与预设训练过程中采用分簇算法对训练预失真信号进行分簇,得到训练分簇索引的方法相同。对于得到的分簇索引,可以用来将对应的数字预失真系数与目标预失真信号进行处理。
步骤S400,根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
具体的,由公式(4)可见,在得到目标预失真信号和数字预失真系数后,通过分簇索引让其对应相乘,即可得到目标预失真输出。
进一步的,所述根据所述分簇索引将所述目标预失真信号与数字预失真系数相乘,得到目标预失真输出的步骤之后还包括:
获取所述目标预失真输出,并将所述目标预失真输出输入到功率放大器中;
所述功率放大器根据所述目标预失真输出生成线性信号并输出。
即在本申请实施例中,根据得到的目标预失真输出,输入到对应的PA中,即可得到与目标预失真信号线性相关的线性信号,从而增加了功率放大器的性能,从而增强了无线通信中信号的强度和稳定性。
本发明通过图6,对本发明总体流程进行进一步描述。如图6所示,左侧为预设训练阶段:输入信号经过基函数处理后对训练基函数矩阵进行主成分分析,提取出降维矩阵和主成分矩阵,将降维矩阵输入样本分簇算法得到分簇索引,然后将输入信号输入ILC算法,对理想预失真信号进行估计,根据分簇索引将主成分矩阵和理想预失真信号的估计值分成多个子样本,分别用LS算法提取子样本簇对应的子模型系数。右侧为分片数字预失真具体应用流程:目标预失真信号输入基函数后得到基函数矩阵,通过点乘降维矩阵进行降维,降维后输入分簇算法进行分簇,每个分簇的信号与对应的子模型系数进行点乘,得到目标预失真输出。
进一步的,通过图8进一步描述本申请。本申请分片数字预失真方法是数字预失真技术的改进,通过对信号的分簇,将DPD划分为多个子模型,在不增加DPD系数数量的情况下提高DPD的非线性建模能力。分片DPD的数学模型可以表示为如下公式(18):
(18);
其中,表示第i个子模型的数字预失真系数,代表当前样本被划分到了第i个子模型中,I是子模型的数量。不同的子模型使用相同的基函数,唯一的区别是子模型系数不同。
结合图8,目标预失真信号分别送入基函数和分簇算法中,基函数生成基函数向量;分簇算法考虑0≤n<N时的和当前样本信号生成分簇索引,在分片数字预失真方法对应的结构中,可以控制多路开关选通相应的子模型系数与点乘,得到对应的目标预失真输出。
进一步的,在本申请的一种实施方式中,对分片数字预失真方法进行测试,测试环境如下,输入信号为MATLAB生成的不同频率的OFDM信号,进行了三组实验,分别在不使用DPD、使用SDRR-DPD(仅使用动态偏差降低多项式模型的DPD,简称为SDRR-DPD)和使用本发明提出的分片数字预失真方法(这里简称为PW-DPD)三种不同情况下测试。信号在经过DPD后,通过网络发送给RF WebLab,它提供一个中心频率为2.14GHz的GaN PA(Cree CGH40006-TB,晶体管CGH40006P的测试板),测量后返回PA的输出信号。用归一化均方误差(NMSE)衡量失真程度,具体如公式(19)所示:
(19)。
测试结果如表1所示。
表1:实验结果
表1中,W/O DPD代表不使用DPD;74SDDR DPD表示用简化二阶动态偏差函数为模型构建的DPD预失真,见公式(1),其中阶数P=7,记忆深度M=4,所以记为74SDDR;Proposed DPD表示在74SDDR DPD的基础上结合了本发明提出的分片方法进行预失真。每种方法分别在12MHz、15MHz、18MHz和21MHz下进行实验。实验结果表明本发明提出的方法相对74SDDR在12MHz、15MHz、18MHz和21MHz下NMSE分别降低-2.4452dB、-2.1103dB、-2.0422dB和-2.0769dB。
由上可见,与现有技术相比,针对目前分片数字预失真模型在进行样本分簇时,由于分簇阈值需要手动调整以及分簇特征内容较少,导致对于复杂非线性系统时,并不能很好的对样本实现分簇,也无法达到高效的线性化,进而影响用户无线通讯使用的问题,本发明将信号的基函数矩阵先进行主成分分析并降维,然后把降维后的信息作为分簇特征,这样提高了分簇特征的维度,融合更多信息进行分簇,同时本发明完全通过数据驱动的方法对样本进行分割,能更好的利用信号的统计特性;此外,本发明根据最小二乘估计中的互相关分量确定分簇索引的方法,相比于手动划分更加可靠;而整体上,本发明通过分片数字预失真方法使得针对于无线通信中的信号,本发明通过分簇算法使得无需手动调整分簇阈值,并且通过降维矩阵和主成分矩阵使得对应的分簇特征丰富,从而使得最终得到的目标预失真输出满足功率放大器线性化的需求,在目标预失真输出通过功率放大器处理后生成的信号与最初的目标预失真信号能够达到良好的线性化,增加了功率放大器的性能,从而增强了无线通信中信号的强度和稳定性。
示例性设备
如图9中所示,对应于上述分片数字预失真方法,本发明实施例还提供一种分片数字预失真系统,上述分片数字预失真系统包括:
基函数矩阵生成模块91,用于获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵;
主成分矩阵生成模块92,用于将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到;
分簇模块93,用于根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引;
目标生成模块94,用于根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
需要说明的是,上述分片数字预失真系统及其各个模块或单元的具体结构和实现方式可以参照上述方法实施例中的对应描述,在此不再赘述。
需要说明的是,上述分片数字预失真系统的各个模块的划分方式并不唯一,在此也不作为具体限定。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图10所示。上述智能终端包括通过系统总线连接的处理器10、存储器20、网络接口以及显示器30。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端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和分片数字预失真程序40。该内存储器为非易失性存储介质中的操作系统和分片数字预失真程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该分片数字预失真程序被处理器执行时实现上述任意一种分片数字预失真方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图10中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端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,提供了一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的分片数字预失真程序,上述分片数字预失真程序被上述处理器执行时实现本发明实施例提供的任意一种分片数字预失真方法的步骤。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有分片数字预失真程序,上述分片数字预失真程序被处理器执行时实现本发明实施例提供的任意一种分片数字预失真方法的步骤。
应理解,上述实施例中各步骤的序号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。
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,即将上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。上述装置中单元、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。
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实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。这些功能究竟是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,所揭露的系统/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的系统/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,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。
上述集成的模块/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,也可以通过计算机程序来指令相关的硬件来完成,上述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,上述计算机程序包括计算机程序代码,上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。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
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,并不是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)
1.一种分片数字预失真方法,其特征在于,所述分片数字预失真方法包括:
获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵;
将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到;
根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引;
根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
2.根据权利要求1所述的分片数字预失真方法,其特征在于,所述将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵的步骤包括:
预先构建预失真模型,其中所述预失真模型包括所述基函数和所述数字预失真系数;
根据所述预失真模型得到所述基函数;
将所述目标预失真信号输入到所述基函数中,通过所述基函数输出包含有所述目标预失真信号的所述基函数矩阵。
3.根据权利要求1所述的分片数字预失真方法,其特征在于,所述预设训练过程的步骤包括:
获取训练预失真信号,根据训练预失真信号,采用迭代学习控制法得到与所述训练预失真信号对应的理想预失真信号,其中,所述训练预失真信号为所述目标预失真信号的信源随机生成;
将所述训练预失真信号输入到所述基函数中,通过所述基函数输出训练基函数矩阵;
对所述训练基函数矩阵进行主成分分析,得到所述降维矩阵和训练主成分矩阵;
根据所述训练主成分矩阵,采用所述分簇算法对所述训练预失真信号进行分簇,得到训练分簇索引,根据所述训练分簇索引、所述训练预失真信号和所述理想预失真信号构建训练子样本集,其中,所述训练子样本集包括训练子样本;
根据所述训练子样本集,采用最小二乘法得到每个训练子样本对应的数字预失真系数。
4.根据权利要求3所述的分片数字预失真方法,其特征在于,所述对所述训练基函数矩阵进行主成分分析,得到所述降维矩阵和训练主成分矩阵的步骤包括:
对所述训练基函数矩阵进行中心化,得到中心化矩阵;
根据所述中心化矩阵计算得到所述中心化矩阵的协方差矩阵;
对所述协方差矩阵进行特征分解,得到特征值和对应的特征向量,根据所述特征值将所述特征向量进行降序排序,根据主成分获取方法从所述特征向量中得到主成分;
将所述主成分中的特征向量进行排列后,得到所述降维矩阵;
将所述训练基函数矩阵投影到所述降维矩阵上,得到所述训练主成分矩阵。
5.根据权利要求3所述的分片数字预失真方法,其特征在于,所述根据所述训练主成分矩阵,采用所述分簇算法对所述训练预失真信号进行分簇,得到训练分簇索引,根据所述训练分簇索引、所述训练预失真信号和所述理想预失真信号构建训练子样本集的步骤包括:
根据所述训练预失真信号和所述训练主成分矩阵,计算得到分簇特征;
根据所述分簇特征,采用所述分簇算法得到训练分簇索引,根据所述训练分簇索引,将所述训练预失真信号和所述理想预失真信号以二元组的形式构建所述训练子样本,根据所述训练子样本构建所述训练子样本集。
6.根据权利要求3所述的分片数字预失真方法,其特征在于,所述根据所述训练子样本集,采用最小二乘法得到所述数字预失真系数的步骤包括:
将所述训练子样本集中的每个所述训练子样本中的所述训练预失真信号和所述理想预失真信号按行拼接为训练预失真矩阵和理想预失真向量;
根据所述训练预失真矩阵和所述理想预失真向量,采用最小二乘法计算得到每个训练子样本对应的数字预失真系数。
7.根据权利要求1所述的分片数字预失真方法,其特征在于,所述根据所述分簇索引将所述目标预失真信号与数字预失真系数相乘,得到目标预失真输出的步骤之后还包括:
获取所述目标预失真输出,并将所述目标预失真输出输入到功率放大器中;
所述功率放大器根据所述目标预失真输出生成线性信号并输出。
8.一种分片数字预失真系统,其特征在于,所述分片数字预失真系统包括:
基函数矩阵生成模块,用于获取目标预失真信号,将所述目标预失真信号输入到基函数中,通过所述基函数输出基函数矩阵;
主成分矩阵生成模块,用于将所述基函数矩阵与降维矩阵进行点乘,得到主成分矩阵,其中,所述降维矩阵通过预设训练过程训练得到;
分簇模块,用于根据所述主成分矩阵,采用分簇算法对所述目标预失真信号进行分簇,得到分簇索引;
目标生成模块,用于根据所述分簇索引将所述目标预失真信号与对应的数字预失真系数相乘,得到目标预失真输出,其中,所述数字预失真系数通过所述预设训练过程训练得到。
9.一种智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的分片数字预失真程序,所述分片数字预失真程序被所述处理器执行时实现如权利要求1-7任意一项所述分片数字预失真方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有分片数字预失真程序,所述分片数字预失真程序被处理器执行时实现如权利要求1-7任意一项所述分片数字预失真方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311381744.8A CN117135016B (zh) | 2023-10-24 | 2023-10-24 | 一种分片数字预失真方法、系统、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311381744.8A CN117135016B (zh) | 2023-10-24 | 2023-10-24 | 一种分片数字预失真方法、系统、智能终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117135016A CN117135016A (zh) | 2023-11-28 |
CN117135016B true CN117135016B (zh) | 2024-02-13 |
Family
ID=88863104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311381744.8A Active CN117135016B (zh) | 2023-10-24 | 2023-10-24 | 一种分片数字预失真方法、系统、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117135016B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833145A (zh) * | 2018-05-30 | 2018-11-16 | 厦门大学 | 一种使用自组织映射网络的分段二维预失真系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7583755B2 (en) * | 2005-08-12 | 2009-09-01 | Ati Technologies, Inc. | Systems, methods, and apparatus for mitigation of nonlinear distortion |
US20220200540A1 (en) * | 2020-12-21 | 2022-06-23 | Ulak Haberlesme A.S. | Model trainer for digital pre-distorter of power amplifiers |
-
2023
- 2023-10-24 CN CN202311381744.8A patent/CN117135016B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833145A (zh) * | 2018-05-30 | 2018-11-16 | 厦门大学 | 一种使用自组织映射网络的分段二维预失真系统及方法 |
Non-Patent Citations (1)
Title |
---|
Data-Clustering-Assisted Digital Predistortion for 5G Millimeter-Wave Beamforming Transmitters With Multiple Dynamic Configurations;Yin, H et al;《IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117135016A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190348956A1 (en) | Digital compensator for a non-linear system | |
Ghannouchi et al. | Behavioral modeling and predistortion of wideband wireless transmitters | |
CN103947106B (zh) | 一种用于使非线性的系统元件线性化的方法、系统及设备 | |
Zdunek et al. | Non-negative matrix factorization with quasi-newton optimization | |
Margoosian et al. | An accurate kernelized energy detection in Gaussian and non-Gaussian/impulsive noises | |
CN103685111B (zh) | 一种数字预失真参数的求取方法及预失真系统 | |
US7847631B2 (en) | Method and apparatus for performing predistortion | |
Rojo-Álvarez et al. | Support vector machines framework for linear signal processing | |
CN103856429A (zh) | 基于混合间接学习算法的自适应预失真系统及方法 | |
Zhu et al. | An overview of Volterra series based behavioral modeling of RF/microwave power amplifiers | |
CN108737301B (zh) | 一种基于b样条神经网络的宽带通信发射机指纹估计方法 | |
CN117135016B (zh) | 一种分片数字预失真方法、系统、智能终端及存储介质 | |
KR101251542B1 (ko) | 성긴 볼테라 시스템 추정을 이용한 디지털 전치왜곡 시스템 | |
CN110457854A (zh) | 支撑集修正近似消息传递的Volterra数字预失真参数辨识方法 | |
Fischer-Bühner et al. | Sparsely Gated Mixture of Experts Neural Network For Linearization of RF Power Amplifiers | |
Qian et al. | Fixed-point maximum total complex correntropy algorithm for adaptive filter | |
Ernst et al. | A Legendre-based computational method for solving a class of Itô stochastic delay differential equations | |
Vargas et al. | ADMM-based ℓ1− ℓ1 optimization algorithm for robust sparse channel estimation in OFDM systems | |
Vaicaitis et al. | Segmented Spline Curve Neural Network for Low Latency Digital Predistortion of RF Power Amplifiers | |
Fateh et al. | Kernel and linear adaptive methods for the BRAN channels identification | |
Chen et al. | Blind nonlinear system identification based on a constrained hybrid genetic algorithm | |
Auer et al. | Adaptive system identification via low-rank tensor decomposition | |
Li et al. | Signed orthogonal regressor algorithm for digital predistortion of power amplifiers | |
WO2010132266A1 (en) | Method and apparatus for approximating a function | |
Elaskary et al. | Closed-form analysis for indirect learning digital pre-distorter for wideband wireless systems |
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 |