TW202332233A

TW202332233A - 通過順序訓練進行多階段順序被動交互調變降低

Info

Publication number: TW202332233A
Application number: TW111146790A
Authority: TW
Inventors: 偉宗陳; 喬爾傑圖吉克維
Original assignee: 美商元平台公司
Priority date: 2021-12-07
Filing date: 2022-12-06
Publication date: 2023-08-01
Also published as: WO2023107521A1

Abstract

本發明揭示電腦實施方法，其可包括：（1）使用一非線性模型來判定一第一階段經估計被動交互調變（PIM）雜訊，該非線性模型基於一所傳輸訊號而接收一非線性模型輸入，（2）使用基於一未校正接收到的訊號之一訓練訊號來訓練該非線性模型，（3）使用該第一階段經估計PIM雜訊及一有限脈衝回應（FIR）濾波器來判定一經估計PIM雜訊，（4）使用基於該未校正接收到的訊號之一第二訓練訊號來訓練該FIR，及（5）從該未校正接收到的訊號減去該經估計PIM雜訊。亦揭示各種其他方法、系統及裝置。

Description

通過順序訓練進行多階段順序被動交互調變降低

本申請案涉及通過順序訓練進行多階段順序被動交互調變降低以取消或降低接收到的訊號中的雜訊之系統、方法及設備。 相關申請案之交叉參考

本申請案主張2021年12月7日申請之美國臨時專利申請案第63/286,907號，及2022年11月29日申請之美國非臨時專利申請案第18/059,632號之益處，該等申請案之揭示內容以全文引用之方式併入。

行動電話基地台可包括傳輸器/接收器總成。上行鏈路接收器可接收「接收到的訊號」，且射頻（radio frequency；RF）下行鏈路傳輸器可傳輸「所傳輸訊號」。在一些情況下，所傳輸訊號可在接收到的訊號中引入雜訊。尤其，鄰近頻率上之所傳輸訊號可將被動交互調變（PIM）雜訊（或「PIM雜訊」）引入至接收到的訊號中。

PIM雜訊可部分由於RF傳輸器中之非線性而產生，該等非線性可引起在指定傳輸頻帶之外延伸之所傳輸訊號的訊號頻率分佈。PIM雜訊亦可部分由於用以耦接傳輸器及接收器之雙工器而產生。

特定關注的是，包括於未校正接收到的訊號內之PIM雜訊可降低接收器靈敏度，且在一些情況下，可部分或全部阻斷資料（例如，上行鏈路資料）之接收。

本發明提供一種降低在接收到的訊號中之被動交互調變（PIM）雜訊之方法，該方法包含：使用一非線性模型來判定一第一階段經估計被動交互調變（PIM）雜訊，該非線性模型基於一所傳輸訊號而接收一非線性模型輸入；使用基於一未校正接收到的訊號之一訓練訊號來訓練該非線性模型；使用該第一階段經估計PIM雜訊及一有限脈衝回應（FIR）濾波器判定一經估計PIM雜訊；使用基於該未校正接收到的訊號之一第二訓練訊號來訓練該FIR濾波器；及從該未校正接收到的訊號減去該經估計PIM雜訊。

本發明提供一種系統，其包含：一判定模組，其儲存於記憶體中，該判定模組使用一非線性模型來判定一第一階段經估計被動交互調變（PIM）雜訊，該非線性模型基於一所傳輸訊號而接收一非線性模型輸入；一非線性模型訓練模組，其儲存於該記憶體中，該非線性模型訓練模組使用基於一未校正接收到的訊號之一訓練訊號來訓練該非線性模型；一估計模組，其儲存於該記憶體中，該估計模組使用該第一階段經估計PIM雜訊及一有限脈衝回應（FIR）濾波器來判定一經估計PIM雜訊；一FIR濾波器訓練模組，其儲存於該記憶體中，該FIR濾波器訓練模組使用基於該未校正接收到的訊號之一第二訓練訊號來訓練該FIR濾波器；一過濾模組，其儲存於該記憶體中，該過濾模組從該未校正接收到的訊號減去該經估計PIM雜訊；及至少一個實體處理器，其執行該判定模組、該非線性模型訓練模組、該估計模組、該FIR訓練模組及該過濾模組。

本發明提供一種系統，其包含：一射頻（RF）傳輸器；一RF接收器；及一被動交互調變（PIM）雜訊降低裝置，其包含：一PIM雜訊估計器，其包括一非線性模型，該PIM雜訊估計器經組態以基於一所傳輸訊號而接收一非線性模型輸入訊號且輸出一第一階段PIM雜訊訊號；一FIR濾波器，其經組態以接收該第一階段PIM雜訊訊號且輸出一經估計PIM雜訊訊號；一減法器，其經組態以接收一未校正接收到的訊號且從該未校正接收到的訊號減去該經估計PIM雜訊訊號以提供一PIM經取消接收到的訊號；一非線性模型訓練器，其經組態以基於該未校正接收到的訊號而接收該非線性模型輸入訊號及一訓練訊號；及一FIR濾波器訓練器，其經組態以基於該未校正接收到的訊號而接收該第一階段PIM訊號及一第二訓練訊號。

因此，本揭示內容通常針對用於被動交互調變取消（passive inter-modulation cancellation；PIMC）以取消或降低接收到的訊號中之PIM雜訊之系統、方法及設備。範例包括經組態以降低或有效地消除來自接收到的訊號之PIM雜訊的系統、方法、裝置及設備。

範例方法可包括使用PIM估測器之順序訓練及有限脈衝回應（finite impulse response；FIR）濾波器的多階段順序PIM取消。在一些範例中，所傳輸下行連結訊號可用於估計接收到的訊號中之PIM雜訊，且經估計PIM雜訊可從接收到的訊號減去以產生PIM經取消接收到的訊號。此方法可改良接收器之靈敏度。

諸如多階段順序PIM取消裝置之範例裝置可包括第一階段及第二階段。第一階段可包括非線性濾波器，該非線性濾波器接收所傳輸訊號作為輸入且提供第一階段輸出。非線性濾波器可使用PIM雜訊之經訓練模型以估計PIM雜訊。第二階段可包括線性FIR濾波器，該線性FIR濾波器接收第一階段之第一階段輸出（例如，非線性濾波器輸出），且提供經估計PIM雜訊作為第二階段輸出。經估計PIM雜訊可為未用所要接收到的訊號校正之PIM雜訊的估計。接收到的訊號可包括所要接收到的訊號及PIM雜訊。可藉由從接收到的訊號減去經估計PIM雜訊（例如，包括所要接收到的訊號與實際PIM雜訊之組合）獲得PIM經取消訊號（PIMC結果）。

如在下文將更詳細地描述，由第一階段非線性濾波器使用之PIM模型的訓練及第二階段線性FIR濾波器之訓練可彼此獨立且順序。在一些範例中，訓練並非接合最佳化。可訓練第一階段及第二階段以降低或最小化輸出與接收到的訊號之間的錯誤訊號。非線性濾波器可包括其輸入（所傳輸訊號）之偶數階及奇數階乘積兩者，而不管PIM結構。線性FIR濾波器可為3分接頭FIR濾波器，而不管PIM結構。

圖1顯示根據一些範例之系統100的示意圖。如所示，系統100可包括傳輸器/接收器總成，諸如行動電話基地台傳輸器及接收器（例如，第三代合作夥伴計劃（3rd Generation Partnership Project；3GPP）蜂巢式電話通信基地台）。系統100可包括傳輸器102（圖1中之「BB傳輸器RF 102」）及接收器104（圖1中之「RF接收器BB 108」）。傳輸器102可接收基頻傳輸訊號106（在本文中此外標示為或）且傳輸所傳輸RF訊號108（在本文中亦為）。同樣，接收器104可接收RF訊號110（本文中亦為）且可輸出未校正接收到的訊號112。

在一些範例中，傳輸器102及接收器104可共置於相同基地台內。傳輸器102傳輸訊號，且接收器104接收未校正接收到的訊號。傳輸器102及接收器104可在附近通道頻率（頻帶）中操作。若傳輸（TX）頻帶及接收（RX）頻帶並不重疊，則此可似乎不為問題。然而，由於電路系統的非線性，所傳輸訊號可產生非線性乘積（諸如第三或第五諧波）。所傳輸頻率分量可在指定傳輸頻帶外部擴散，且一些頻率分量可擴散至接收頻帶中且輸入未校正接收到的訊號作為PIM雜訊。雜訊產生可在系統100中由PIM產生器114表示。

因此，傳輸電路之非線性可在未校正接收到的訊號中產生雜訊。在一些範例中，經估計PIM雜訊由PIM取消電路判定，且經估計PIM雜訊從未校正接收到的訊號減去以提供PIM經取消接收到的訊號。在此圖中，PIM雜訊在RF接收器階段之後減去。視需要，RF接收器階段特性可包括於PIM雜訊之模型中。

傳輸訊號106可用以判定經估計PIM雜訊。如圖1中進一步所示，範例PIM取消裝置116可基於傳輸訊號106而接收訊號且可判定PIM雜訊之估計。經估計PIM雜訊隨後可從接收器訊號頻帶中之未校正所要接收到的訊號與PIM訊號之組合減去以較小PIM雜訊對接收到的訊號之影響。在此組態中，經組合接收器輸出可稱為未校正接收到的訊號（例如，未校正接收到的訊號112），且可包括所要接收到的訊號與PIM雜訊之組合。術語「未校正接收到的訊號」可指由PIM取消裝置從其中減去經估計PIM雜訊之訊號。可藉由從未校正接收到的訊號減去經估計PIM雜訊從接收到的訊號降低或實質上消除PIM雜訊，可稱為PIM取消之過程。在PIM取消之後由系統輸出之接收到的訊號、圖1中之接收到的訊號118可具有顯著降低PIM雜訊。PIM取消裝置可為獨立單位或可包括作為基地台之組件。在一些範例中，PIM取消裝置之一或多個操作可藉由儲存於記憶體中且由至少一個實體處理器執行之一或多個適合地經程式化軟體模組在軟體中進行。

如圖1中所示，傳輸器102可包括或接收訊號（基頻傳輸訊號106），該訊號可編碼至RF載波上以形成所傳輸RF訊號108（）。PIM估計器輸入訊號可基於基頻傳輸訊號106。傳輸器可使用功率放大器（power amplifier；PA）內之數位預失真（digital predistortion；DPD）及波頂因素降低（crest factor reduction；CFR）。基頻訊號可編碼為RF載波訊號之調變。接收器可例如藉由解調提供未校正接收到的訊號作為從接收到的RF訊號110（）導出之未校正接收到的基頻訊號。

圖2顯示說明PIM取消之方法的視圖200。PIM訊號可在所傳輸頻帶外部延伸且可包括在接收器頻帶內之頻率分量（可稱為PIM雜訊）。濾波器可用於用接收器頻帶使接收到的頻率變窄至彼等頻率，但此方法將不移除延伸至接收器頻帶中之PIM雜訊。因此，未校正接收到的訊號可包括所要接收到的訊號及PIM雜訊兩者。

PIM雜訊可為所傳輸訊號之非線性函數。所傳輸訊號可取樣且非線性函數可使用PIM估計器來模型化。因此，可使用經訓練模型判定且從未校正接收到的訊號減去經估計PIM雜訊以留下所要接收到的訊號。

圖3顯示範例裝置架構300，其包括可為上文圖1中所示之PIM取消裝置116之實施方案的PIM取消裝置302。如所示，PIM取消裝置302可包括PIM估計器304、FIR濾波器306、PIM模型訓練模組308及FIR濾波器訓練模組310。將在下文更詳細地描述此等元件中之每一者。

如圖3中所示，PIM取消裝置302接收基頻傳輸訊號106。所傳輸訊號以任何合適方式取樣且可為例如在升取樣模組312處經升取樣。傳輸訊號頻率及接收訊號頻率可在不同頻帶下，且可按需要使用升取樣及降取樣以確保所關注訊號用可覆蓋其相對頻率差之頻寬取樣。

PIM取消裝置包括提供PIM雜訊之估計（例如，使用PIM雜訊模型）之PIM估計器304，且此經估計雜訊可使用Rx濾波器314及FIR濾波器306過濾。PIM模型及FIR濾波器可使用下文更詳細地描述之方法來訓練。第一階段可包括具有非線性模型之PIM估計器。PIM估計器輸入是基於所傳輸下行鏈路訊號。（例如，非線性模型之）PIM估計器輸出可為第二階段提供輸入。第二階段包括線性濾波器（例如，Rx濾波器314）及FIR濾波器306。系統隨後從接收到的訊號減去經估計PIM雜訊以降低接收到的訊號中之PIM雜訊。系統可針對非線性模型（例如，在PIM模型訓練模組308處）及FIR濾波器（例如，並非接合最佳化演算法）進行順序訓練。範例非線性濾波器可包括其輸入（例如，所傳輸訊號）之偶數階及奇數階乘積兩者，且線性濾波器可為3分接頭FIR濾波器。在此，可表示基於經取樣傳輸器訊號之PIM估計器輸入訊號。在此，用產生PIM估計器304之輸出之非線性濾波器過濾，其中非線性濾波器係數由PIM模型訓練模組308（階段1訓練）提供。如所示，隨後過濾（例如，由Rx濾波器314及FIR濾波器306）以提供PIM雜訊之估計。

PIM模型訓練器可基於所傳輸訊號且基於接收到的訊號而接收訊號，從而允許接收到的訊號中之經估計PIM雜訊與實際PIM雜訊的比較。此允許非線性模型之訓練供PIM估計器使用。接收器頻帶可高於或低於傳輸器頻帶，因此未校正接收到的訊號112可經升取樣（例如，在升取樣模組316處）以允許在接收到的頻帶下之訊號處理。同樣，PIM經校正訊號可降取樣（例如，在降取樣模組318處）以產生接收到的訊號118。

圖4顯示額外或替代範例裝置架構400。如所示，圖4包括PIM取消裝置402，其具有PIM估計器404、FIR濾波器406、PIM模型訓練模組408及FIR濾波器訓練模組410。圖4亦包括升取樣模組412、Rx濾波器414、升取樣模組416及降取樣模組418。此等模組中者各者可進行與圖3中之其對應物類似的功能。然而，此組態可允許比圖3中所示之組態更低的取樣速率。收集基於所傳輸訊號之PIM估計器輸入訊號及基於未校正接收到的訊號之訓練訊號。

圖5顯示說明多階段及順序訓練程序之流程圖500。如圖5中所示，在訓練階段（例如，階段K訓練）之前1.5 ms期間，進行階段1訓練；階段2訓練在下一1.5 ms中進行。

為了降低功率降低之訓練操作，訓練可週期性地操作，例如每分鐘或其他時間間隔（例如，20秒與5分鐘之間），在該時間間隔內打開小窗口（例如，0.5 ms與20 ms之間，諸如3 ms）以用於PIM模型訓練操作，如圖5中所示。PIM模型訓練可在週期之其餘部分（例如，一分鐘或其他時間間隔）內睡眠。在訓練窗口內，PIM模型訓練收集及/或積聚統計資料，且在積累結束時PIM模型訓練模組（例如，PIM模型訓練模組308、PIM模型訓練模組408等）可計算PIM模型係數且將其提供至PIM估計器。

階段1訓練及階段2訓練可按順序次序進行，且其並不必按時間嚴格地連接，且允許其之間的某一時間間隙（例如，0.25ms）另外，解耦階段1訓練及階段2訓練，意謂其訓練並不需要接合最佳化。代替地，階段1訓練及階段2訓練之最佳化可為獨立的。其之間的相依性僅在進行訓練階段2之前使用階段1之輸出。因此，階段之訓練為順序的，且階段彼此獨立。如圖3中所示，此意謂階段1之輸出用接收器濾波器（例如，Rx濾波器314）過濾，且接收器濾波器之輸出用作由FIR濾波器訓練模組310進行之階段2訓練之輸入。總而言之，兩個訓練階段順序發生且在同一訓練窗口內（例如，3 ms之訓練窗口）。

PIM訓練模型可在數學上表現，如由下文方程式（1）表示：

模型中之第一部分可稱為PIM之「對準」項，模型中之第二部分可稱為PIM之「超前小組」，且模型中之第三部分可稱為PIM之「滯後項」。

為方便起見，本文中僅所描述對準項，但超前項及/或滯後項亦可用於實際實施方案中。

具有對準PIM項之範例階段1 PIM估計可使用以下方程式（2）：

階段1訓練中之對準項之PIM模型可使用奇數階及偶數階兩者，而不管實際PIM訊號是否僅具有奇數項抑或具有奇數項及偶數項兩者。

在以上方程式（2）中，階段1 PIM模型訓練中之可用低成本演算法基於以下方程式而計算，其中及分別為實數部份及虛數部分之量值的最大值或最小值。舉例而言，形式關係，其中表示可週期性地（例如，以秒或分鐘計）從訓練更新之模型係數。

PIM雜訊估計之第二階段可包括3分接頭FIR濾波器，其中為經估計PIM雜訊，例如，如由以下方程式（3）給出：

用以獲得經校正接收到的訊號之PIM取消可藉由從未校正偵測器訊號減去經估計PIM雜訊來達成，例如，如以下方程式（4）中所示：

範例PIM估計器可使用諸如下文所描述之方法來訓練。方程式（5）描述可用於訓練PIM估計器之關係：

在此，範例PIM估計器中之可根據增強準確度演算法來計算。訓練可持續相對較短週期（例如，大致等於或小於50 ms，諸如大致等於或小於20 ms，例如大致等於或小於10 ms等等）。範例演算法可基於以下方程式（6）至方程式（8），儘管此等表示範例方法且可使用其他方法：

使輸入之區塊由以下表示：

用於方程式（9）之項可與上文關於圖3所示和論述之各種訊號之值相關。

隨後可根據以下計算區塊層級自相關及交叉相關：

資料可積聚於區塊（例如，覆蓋約1ms）上方，使得：

隨後可使用以下方程12之關係計算經更新PIMC係數：

第二階段可使用以下說明性方法來訓練。為了減少記憶體，統計資料可積聚於較小區塊上方，其中區塊大小可小至一個樣本。

在以下方程式13中，可將輸入之區塊標示為，且所要輸出資料可標示

隨後可計算區塊層級自相關及交叉相關：

區塊上之積累可引起以下：

第二階段PIM估計可使用3分接頭FIR濾波器來判定：

圖5顯示多階段順序訓練方法之範例的時間表。範例PIM取消裝置（例如，如上文關於圖1、圖3及圖4所論述，且如下文關於圖12及圖13所描述）可使用PIM估計器（例如，使用基於所傳輸訊號之輸入訊號）以判定經估計PIM雜訊。經估計PIM雜訊可從未校正接收到的訊號減去以提供經校正接收到的訊號。PIM取消裝置可使用基於未校正接收到的訊號之訓練訊號以訓練PIM估計器。在訓練週期期間，訓練訊號可用於獲得PIM估計器之改良模型參數（例如，藉由使用PIM模型訓練器比較PIM估計器輸入訊號與訓練訊號）。

多階段訓練可包括在第一週期期間收集用於PIM模型訓練之資料（統計資料），更新PIM模型之模型參數，且隨後收集用於FIR訓練之資料（統計資料），且隨後更新FIR。可順序更新供PIM估計器使用之模型及供FIR使用之模型。在資料收集週期期間，先前模型參數可用於提供PIM雜訊估計。

一些範例之顯著態樣可為PIM估計器可在一個或兩個訓練週期期間繼續以判定經估計PIM雜訊，使得接收到的訊號可在一個或兩個訓練週期期間繼續被PIM經取消。舉例而言，階段1及/或階段2，諸如FIR，可與當前參數一起使用，而在訓練週期期間收集從其判定經更新參數之資料。

在PIM估計器訓練週期完成之後，可使用來自PIM模型訓練器之經更新模型參數來更新PIM估計器的模型參數。在一些範例中，PIM估計器之模型參數可由來自PIM模型訓練器之模型參數替換。

在一些範例中，模型參數可由新模型參數替換，該新模型參數包括先前所用模型參數與來自PIM模型訓練器之經更新模型參數的組合。舉例而言，新模型參數可包括來自當前所用模型參數之比重及來自PIM模型訓練器之經更新模型參數的比重。在一些範例中，。在一些範例中，（經更新參數與新模型參數之比重）可在40%與100%之間，諸如在60%與95%之間。在一些範例中，（當前參數與新模型參數之比重）可在0%與60%之間，諸如在5%與40%之間，且一些範例中可大致為10%。在一些範例中，新模型參數可包括來自一或多個其它先前所用模型參數及/或其他所儲存模型參數值之比重（例如，）。基於新模型參數與先前所用模型參數的組合之模型參數的使用可提供模型效能之穩定，且可減小暫態問題（例如，雜訊故障或電不穩定性）對模型參數之影響。在一些範例中，對於模型參數之各特定更新，特定模型參數中之改變可受限於至多預定臨限值之值，諸如5%。

圖6A顯示可例如在PIM取消裝置之第一階段中（例如，如圖3中之PIM估計器304、圖4中之PIM估計器404之實施方案之部分等）使用的PIM估計器600之範例示意圖。如所示，PIM估計器600可接收如本文中所描述（例如，參考圖4）之訊號，且可輸出如本文中所描述（例如，參考圖4）之訊號。PIM估計器600可包括可針對如圖6B中所示之進行有效計算的計算器602。

圖7顯示範例FIR濾波器700之示意圖，其可用於PIM取消裝置之第二階段（例如，如圖3中之FIR濾波器306之部分，如圖4中之FIR濾波器406之部分等）。如所顯示，FIR濾波器700可接收訊號且可輸出訊號（例如，如圖3及/或圖4中所示）。

電路內之主動及被動組件兩者可引入非線性效應，且兩者可影響系統效能。被動交互調變（例如PIM）可包括在兩個或更多個訊號經由具有非線性性質之被動裝置傳輸時產生之一或多個交互調變產物。非線性元件可起因於機械組件之互動，諸如兩個不同金屬之接合點、鬆散電纜連接、髒連接件、不良雙工器、老化天線以及類似者。所傳輸訊號可在接收器頻帶中產生PIM訊號分量，且此等訊號可接收作為干擾，可降低接收器靈敏度，且在一些環境中可防止接收器偵測真實訊號。

PIM訊號分量可在兩個載波頻率及其諧波之總和及不同頻率下出現。舉例而言，若載波頻率指示及，則PIM分量可在頻率及/或處出現，其中及為整數且可相同或不同。總和可稱為PIM乘積階。

PIM亦可在載波頻率之倍數（例如，如偶數階PIM）處出現。當此等頻率離開傳輸載波頻率時，其可經忽略以用於成對FDD傳輸及接收，此係由於通常接收器頻率並不遠離傳輸頻帶。

圖8顯示藉由非線性系統及所得頻率分量之PIM產生的示意性表示。

現考慮一些代表性數值範例，但此等作為範例而非作為限制來提供。舉例而言，假定在及下傳輸兩個頻調或兩個載波，具有40 MHz間距。在此範例中，三階PIM可在頻率下出現，諸如及。數值上，，且三階PIM可在小於之頻率40MHz下出現。三階PIM亦可在，或高於之40MHz下出現。類似地，5階PIM（IM5）可在頻率下出現，諸如或。此等中之第一者在下或在小於之頻率80 MHz下出現。第二者在下或在小於之頻率80 MHz下出現。亦可存在高階分量，諸如7階、9階或更高階。

此等PIM頻率分量之量值隨著次序增大而減小，可嘗試忽略此等高階分量。然而，傳輸頻帶中之訊號可具有多於單一頻調且可極富頻率分量。各種頻率分量中之一些或所有可彼此交互調變，且所得PIM頻譜可在頻率分量及量值方面極複雜。

PIM可起因於任何非線性接合點或其他非線性電路組件，且可由歸因於任何非線性電流-電壓行為產生之失真引起。現論述非線性行為之一些共同來源。由薄氧化物分離之金屬至金屬接觸表面可展現金屬絕緣體金屬（metal-insulator-metal；MIM）二極體類導電性質。粗糙金屬至金屬接觸表面可致使在導電為電阻性及電容式兩者之光點處之電流擁擠。電路可包括非線性材料及/或不純材料。在一些範例中，非線性之源可隨機分佈於傳輸路徑及其環境上方。

PIM產生亦可為時間依賴的，處於現論述之原因。非線性行為可隨時間改變歸因於周圍條件之改變，諸如溫度、濕氣、傳輸線或天線板上存在一或多個鳥類或其他生命形式，或其他條件。不同PIM量測可顯示較大差異，甚至對於同一電路或其組件。因此，模型參數之動態更新，例如藉由以間隔進行之模型訓練可為有用的。

PIM可在兩個載波頻率之間產生，但不限於僅兩個載波頻率之情況。在使用多載波及多頻帶之基底台中，許多所傳輸訊號可彼此混合，且PIM失真可在廣泛範圍之頻譜內擴散且可到達一或多個接收器頻帶。

PIM失真可由內部所傳輸訊號產生，且亦可由來自相鄰單元之外部所傳輸訊號產生。後者可充當PIM源且在一或多個接收器頻帶中產生干擾。

PIM失真可有時由良好系統佈局及精確機械尺寸、諸如檢測及清潔（例如電觸點）之常規系統維護降低。然而，手動維護可為不便及/或昂貴的，且可需要系統不供電。

數位適應性失真抑制方法可提供有效及更小昂貴解決方案。可使用適應性濾波器估計PIM且從接收到的訊號減去經估計PIM失真。頻率規劃可用於避免PIM雜訊落入接收器頻帶中。然而，當頻譜變得擁擠時，單獨頻率規劃可不足以移除PIM雜訊，且可使用諸如本文中所描述之適應性失真抑制方法。

PIM在傳輸路徑與接收路徑同享時可為顯著的，且PIM雜訊落於接收到的訊號頻帶內且影響接收器靈敏度。若接收訊號路徑不同於傳輸訊號路徑則可降低PIM效應。在實體傳輸線內出現之導電PIM可不為問題。然而，產生於傳輸線上方之PIM亦可通過輻射效應漏泄回至接收器路徑中。此PIM源可稱為輻射PIM，且可比導電PIM具有更大的時間延遲。

輻射電磁訊號（例如，從傳輸路徑之至少一部分）可刺激鄰近物件（例如，導電性物件），該等物件亦可產生可漏泄回接收器路徑中之PIM雜訊訊號。此亦可具有比導電PIM更大的時間延遲。

在一些範例中，適應性PIM取消方法可適用以供與單一天線一起使用。然而，範例亦包括經組態以用於多個天線系統之類似PIM取消方法。對於多個天線傳輸，PIM歸因於一個天線可洩漏至相鄰天線中，且可使用更複雜的適應性PIM取消演算法。對於具有大規模天線傳輸之大規模多輸入及多輸出（massive multiple-input and multiple-output；mMIMO）系統，適應性PIM取消演算法之複雜度可變得過分地複雜（例如，使用數以億計之閘極且需要複雜處理系統及相對高功率消耗）。然而，在本文中所描述之一些範例中，諸如本文中所描述之彼等的相對低複雜度PIMC演算法可用於mMIMO系統，允許相對低成本、輕重量及低功率應用。

對於分時雙工（time division duplex；TDD），PIM可相對不重要，此係由於在接收時間窗口期間可不存在傳輸及/或在傳輸時間窗口期間不存在接收。PIMC可尤其適用於分頻雙工（FDD）及其他協定，其中傳輸及接收共用時間窗口。

（例如，蜂巢式電話塔之）天線總成可包括具有不同傳輸頻帶之若干天線集，且有時可與不同操作者共用。在不存在PIMC之情況下，並不協作以避免PIM之不同操作者之傳輸可需要嚴格隔離要求及較高成本及/或重量設計。使用PIMC，例如使用本文中所描述之方法可極大地降低天線總成之成本及/或重量要求。

在用混合FDD及TDD傳輸之多頻帶操作中，TDD接收器亦可歸因於輻射PIM（例如，來自在第二天線之接收窗口期間之第一天線傳輸）而受PIM影響。

因此，改良PIMC方法可用於大量應用。

在一些範例中，適應性PIMC演算法可使用所傳輸訊號（例如，已知所傳輸訊號之表示或所傳輸訊號之估計）以判定接收器頻帶中之經估計PIM訊號且從接收到的訊號減去經估計PIM訊號。

即使所傳輸訊號為已知的，由於所傳輸訊號之數目增加，PIMC演算法複雜度亦可隨著所傳輸訊號及所傳輸天線埠的數目按指數律成比例增加。PIMC演算法之複雜度亦可隨著PIM源與接收器訊號路徑之間的實體距離增加。此係由於PIMC演算法中之分接頭更多，在處於高取樣速率之取消之各步驟中，待訓練及追蹤之係數更多及PIM估計中之計算更多。

天線可使用單一寬頻傳輸，其具有其頻帶內之豐富頻率分量且可產生被動交互調變產品。若多個並行頻帶共同地視為單一頻帶，則類似方法可應用於多個並行頻帶傳輸之組合。在一些範例中，高階PIM分量及/或傳輸頻率諧波可忽略作為通常太遠離傳輸頻帶。然而，一些傳輸協定（例如，5G）可從700 MHz至6 GHz或甚至7 GHz延伸，且可在PIMC方法中考慮高階分量。

圖9為具有單一頻帶傳輸器之單一天線之PIM頻率分量的簡化示意圖，且顯示大約頻率之PIM分量及大於頻率之較高頻率PIM分量。當源訊號為在頻率下之時，較高頻率分量可在兩倍頻率範圍內擴散（與以為中心之彼等相比較）。至PIM估計器之輸入可包括此項作為大約之雜訊分量的替代方案或補充（例如，取決於接收頻帶之位置）。

圖10A及圖10B顯示單一天線及兩個並行頻帶傳輸之雜訊分量之PIM模型的示意性表示。若較高頻率分量干涉可例如針對700 MHz至6 GHz或7 GHz之5G及低於6G出現之接收頻帶，則可考慮大約之較高頻率分量。在一些範例中，諸如在多個操作者共用單元位點及/或共用BTS設備之情況下，其可用於包括此等較高頻率分量。

現描述模型方法及歸因於PIMC方法而產生之模型效能改良及PIM雜訊降低之範例之另外細節。

PIM源模型可具有以下方程式17中給定之形式：

在此，表示所用偶數（例如，可具有至多8之值，使得可為2、4、6或8，使得值（指數）之數值可為4。在一些範例中，項可為0、1、2、3、4或5使得值（指數）之數值可為6。在一些範例中，可為1、2、3、4或5使得值（指數）之數值可為5。、、項之數值（指數）影響PIM源複雜度。

方程式17之右側上之第一部分可稱為含有對準項，且方程式17之右側上之第二及第三項可稱為含有超前及滯後項。

在一些範例中，諸如針對在低於6 GHz（通常稱為低於6G）下操作之3GPP第五代新無線（fifth-generation；5G NR）基地台，可獲得顯著PIM雜訊降低。可由以下方法產生項。假定，且及兩者為以dB為單位之獨立高斯（Gaussian）。然而，及之功率隨著或增加而按指數律成比例衰減。項可使用以下方法產生。假定及、、為以dB為單位之獨立高斯。然而，、及之功率隨著、或增加而按指數律成比例衰減。項可使用以下方法產生。假定及、，及為以dB為單位之獨立高斯。然而，、及之功率隨著、或增加而按指數律成比例衰減。衰減速度亦可影響PIM源複雜度。

使用上文所描述之方法採用PIM源模型。在範例代表性方法（非限制性）中，可採用以下參數。對於訊號功率設定：輸入訊號平均功率針對小於1之峰值包封設定為-12dB；對準PIM平均功率設定為比輸入訊號平均功率低10 dB；滯後PIM平均功率設定為比輸入訊號平均功率低10 dB；且引導PIM平均功率設定為比輸入訊號平均功率低10 dB。對於對準PIM產生：；，其中%至多第9階PIM；AttendB設定為-15，%衰減從0 dB至橫跨及上方之AttendB；RanddB = 4，以dB為單位之高斯之%標準偏差具有在衰減上之變化。對於滯後PIM產生：；；；AttendB = -15，%衰減從0dB至橫跨lb、及上方之AttendB；及RanddB = 4，以dB為單位之高斯之%標準偏差，在衰減上。對於引導PIM產生：；；；AttendB = -15，%衰減從0dB至橫跨、及上方之AttendB；及RanddB = 4，以Db為單位之高斯之%標準偏差，在衰減上。

對於初始評估，僅PIM之對準項用於PIM取消。訓練模型僅覆蓋對準項且使用與PIM模型中相同之對準項之位置。此可對應於僅使用方程式17之右側上之第一項。然而，方程式17之右側中之第二及第三項（超前及滯後項）可包括於模型中，且可假定指數項之類似行為。

在一些實驗中，PIMC效能使用各種測試設定評估，諸如以下。在代表性組態中，在1個與16個PIMC 分接頭之間，且使用3個FIR分接頭，其中PIM產生設定設定為0與3之間且訊號與PIM比率（signal-to-PIM ratio；SPR） = -20:5：20 dB。

獲取以下結論。無FIR之PIMC可消除3 dB與10 dB之間的PIM雜訊。此可視為使用PIM估計器模型之單階段PIMC之形式，例如如上文所描述。然而，具有FIR之PIMC可消除13 dB與15 dB之間的PIM雜訊。雜訊之此顯著降低顯示多階段PIMC之值。

單階段PIMC（無FIR）之效能可使用額外分接頭進一步改良。然而，具有FIR之PIMC不需要如此多分接頭，且在分接頭之數目增大超出4 分接頭時顯示有限額外增益。

出人意料地，PIMC增益並未隨著訊號與PIM比率（SPR）明顯地增加。窗口可足夠長使得移除上行鏈路訊號效應。

PIMC之代表性範例包括PIMC相對於SPR之誤差向量幅度（error vector magnitude；EVM）分析。在PIMC之前，可將或SPR設定為0 dB（例如，如未校正接收到的訊號之參考值）。然而，在PIMC之後，SPR = -16 dB，不存在對之改變，且在1個與15個PIMC 分接頭之間，且3分接頭具有FIR的情況下PIM雜訊抑制到16dB。

亦研究不同範例代表性設定。PIMC之範例方法在處使用分接頭，且分接頭：2、4、6、8。為了改良效能，可使用更多PIMC 分接頭。FIR系統地給出10 dB較佳效能。然而，FIR可不降低增加分接頭之有用性。

亦進行實驗以判定訓練窗口大小之效應。可調整PIM模型訓練窗口大小及/或FIR訓練窗口大小。

在一些範例中，固定FIR訓練窗口設定為3×30720個樣本或1 ms。用用於統計資料收集之1.5子訊框之PIM模型訓練窗口，加上用於矩陣求逆之0.5ms，且用變化的PIM模型訓練窗口長度獲得極佳結果。

基於所觀測結果之反直觀觀測為當變化的PIM模型訓練視窗大小時，在不具有FIR之情況下，存在極少效能影響且具有固定視窗大小之FIR的顯著影響（改良）。較小PIM模型訓練窗口可在不可考慮FIR之模型中引起效應。

在其他實驗中，PIMC模型訓練窗口固定在1.5ms處，且FIR訓練窗口大小變化，具有兩個非重疊訓練窗口。使用包括1 ms統計資料收集時間週期與矩陣求逆之額外0.25 ms時段之FIR訓練窗口獲得顯著改良。改良見於代表性結果中，對於分接頭在處，且分接頭在2、4、6、8處。

可使用PIM模型訓練窗口以及FIR訓練窗口獲得顯著PIM雜訊降低，該PIM模型訓練窗口包括用於統計資料收集之1.5 ms及用於矩陣求逆之0.5 ms，該FIR訓練窗口包括1 ms統計資料收集及0.25 ms矩陣求逆。在一些範例中，此等時段可為非重疊的，可稱為順序訓練之方法。

在線性濾波器設計之一些方法中，觀察窗口大小可經估計為在係數數目之5倍與7倍之間。然而，在PIM取消之情況下，發現用於PIMC之觀察窗口大小至少大致獨立於待最佳化之係數數目。舉例而言，3分接頭FIR濾波器可使用多於觀察窗口之子訊框，其可包括3×30720個樣本。

圖11顯示訓練及推斷之範例時間表。時序要求可為極寬鬆的，在此所顯示之時間表為例示性的，且不需要嚴格子訊框時間表。統計資料收集與矩陣求逆之間的時間分割亦為寬鬆的，可使用任何適合時間分割，且可使用低成本方法。

低成本解決方案之穩固性調查評估分接頭之數目對PIM雜訊降低之效應。出人意料地，使用奇數及偶數分接頭兩者給出極佳結果，而不管具有偶數階或奇數階之PIM源。使用僅奇數或僅偶數分接頭給出降低之PIM雜訊降低。舉例而言，使用給出極佳雜訊降低，其比使用例如為較佳的，且比使用例如好得多。

範例方法使用以下設定：LaPIMsource = ；KaPIMsource = ；PIMC訓練窗口=1.5ms；且FIR訓練窗口=1.5 ms。使用3個FIR分接頭所獲得之此等資料與使用11個FIR分接頭之方法相當。

在PIM估計之一些態樣中，平方總和之低成本計算可使用α-max加上β-min演算法。發現此方法之範例給出用於PIM雜訊估計之可接受結果。然而，對於PIM模型訓練，此近似方法導致1.5dB降低。改良近似用於PIM模型訓練，說明於下表1中：

使用使用諸如上文所描述之彼等的方法所獲得之範例PIMC方法獲得幾乎20 dB之PIM雜訊降低。

亦進行超前及滯後項之評估。若實際PIM雜訊包括超前及滯後項，且模型不包括超前及滯後項，則可預期模型效能中之輕微降低。用於模型訓練之對準項之數目、引導項之數目及滯後項之數目取決於PIM源複雜度，其與RF硬體（hardware；HW）設計所用材料及製造製程等高度相關。因此，用於模型訓練之對準項之數目、引導項之數目及滯後項之數目應在設計期間判定且轉變為工廠校準製程之部分。

在其他模型中，PIM模型中之PIM超前項可用於抑制實際PIM超前項之效應，且PIM模型中之PIM滯後項可用於抑制實際PIM滯後項之效應。發現此等方法起良好作用，且所用分接頭之數目可較大。發現非線性模型與線性濾波器（例如FIR濾波器）之組合給出顯著PIM雜訊降低，而不管PIM源複雜度。

若PIM模型不包括FIR濾波器，則增加模型複雜度（例如，藉由增加分接頭之數目）增加模型之效能。然而，藉由包括模型中之FIR濾波器始終顯著改良模型效能。

當使用FIR濾波器時，增加模型複雜度並不給出模型效能中之顯著益處。因此，FIR濾波器之使用允許改良效能而不使用更複雜模型，使得增加模型複雜度對於改良模型效能為不必要的。使用FIR濾波器，具有PIMC滯後項及PIMC超前項之增加模型複雜度提供模型複雜度之劇烈增加，其中在模型改良方面極少回報。在一些範例中，當模型包括超前及滯後項時，可使用順序訓練及取消以減小矩陣大小以降低模型複雜度。在一些範例中，使用超前及滯後項之模型複雜度可藉由提供超前及滯後項之實體來源之模型降低。FIR濾波器大大地降低模型複雜度且大大地增加模型效能。

因此，在FIR之情況下，藉由使用PIMC滯後及PIMC超前項引入之增加複雜度並不證明計算投入，此係由於存在劇烈增加複雜度，在改良方法極少回報。

在複雜度之較小增加之情況下，獲得效能之進一步增加可為可能的。舉例而言，PIM（例如，非線性組件、觸點腐蝕或類似者）之根本原因可使用基根本原因於而選擇之項模型化。此等可使用對具有各種非線性程度之測試電路的實驗來判定。順序訓練及取消（例如，並不引起明顯益處之項）可用於減小矩陣大小。

儘管本文中所描述之PIM取消裝置之一些範例可實施於硬體中，但在一些範例中，本文中所描述之PIM取消操作及/或方法可通過儲存於記憶體中且藉由一或多個適合實體處理器執行之一或多個軟體實施模組進行及/或執行。

圖12為用於通過順序訓練之多階段順序PIM降低之範例系統1200的方塊圖。如此圖中所說明，範例系統1200可包括用於進行一或多個任務之一或多個模組1202。如將在下文更詳細地解釋，模組1202可包括使用非線性模型（例如，非線性模型1240）判定第一階段經估計被動交互調變（PIM）雜訊之判定模組1204。非線性模型可基於所傳輸訊號而接收非線性模型輸入。

如圖12中進一步所示，範例系統1200亦可包括使用基於未校正接收到的訊號之訓練訊號來訓練非線性模型之非線性模型訓練模組1206。範例系統1200亦可包括使用第一階段經估計PIM雜訊及FIR濾波器（例如，FIR濾波器1250）判定經估計PIM雜訊之估計模組1208。亦如圖12中所示，範例系統1200亦可包括使用基於未校正接收到的訊號之第二訓練訊號來訓練FIG濾波器之FIR濾波器訓練模組1210，及從未校正接收到的訊號減去經估計PIM雜訊之過濾模組1212。

如圖12中進一步說明，範例系統1200亦可包括一或多個記憶體裝置，諸如記憶體1220。記憶體1220通常表示能夠儲存資料及/或電腦可讀指令的任何類型或形式之揮發性或非揮發性儲存裝置或媒體。在一個具體實例中，記憶體1220可儲存、載入及/或維護模組1202中之一或多者。記憶體1220之範例包括但不限於隨機存取記憶體（Random Access Memory；RAM）、唯讀記憶體（Read Only Memory；ROM）、快閃記憶體、硬碟機（Hard Disk Drive；HDD）、固態硬碟（Solid-State Drive；SSD）、光碟機、快取記憶體、前述記憶體中之一或多者的變化或組合，或任何其他適合儲存記憶體。

如圖12中進一步說明，範例系統1200亦可包括一或多個實體處理器，諸如實體處理器1230。實體處理器1230通常表示能夠解譯及/或執行電腦可讀指令之任何類型或形式之硬體實施處理單元。在一個範例中，實體處理器1230可存取及/或修改儲存於記憶體1220中之模組1202中之一或多者。另外或替代地，實體處理器1230可執行模組1202中之一或多者以通過順序訓練促進多階段順序PIM取消。實體處理器1230之範例包括但不限於微處理器、微控制器、中央處理單元（central processing unit；CPU）、實施軟核處理器之場可程式化閘陣列（Field-Programmable Gate Array；FPGA）、特殊應用積體電路（Application-Specific Integrated Circuit；ASIC）、上述實體處理器中之一或多者的部分、上述實體處理器中之一或多者的變化或組合，或任何其他適合實體處理器。

亦如圖12中所示，範例系統1200亦可包括非線性模型1240及FIR濾波器1250。非線性模型1240可包括、表示或在功能或屬性上類似於本文中所描述之非線性PIM模型中之一或多者，諸如用於PIM模型訓練模組308、PIM模型訓練模組408等等。類似地，FIR濾波器1250可包括、表示及/或在功能或屬性上類似於本文中所描述之FIR濾波器中之一或多者，諸如FIR濾波器306、FIR濾波器406等等。

圖12中之實例系統1200可以多種方式實施。舉例而言，範例系統1200之全部或一部分可表示圖13中之範例系統1300（「系統1300」）之部分。如圖13中所示，系統1300可包括計算裝置1302。在至少一個範例中，計算裝置1302可用模組1202中之一或多者程式化。

在至少一個具體實例中，來自圖12之一或多個模組1202可在由計算裝置1302執行時使得計算裝置1302能夠通過順序訓練進行用於PIM取消之一或多個操作。舉例而言，如將在下文更詳細地描述，判定模組1204可使用非線性模型（例如，非線性模型1240）判定第一階段經估計PIM雜訊1304。非線性模型可基於所傳輸訊號（例如，所傳輸訊號1308）而接收非線性模型輸入（例如，非線性模型輸入1306）。

另外，非線性模型訓練模組1206可使用基於未校正接收到的訊號（例如，未校正接收到的訊號1312）之訓練訊號（例如，訓練訊號1310）而訓練非線性模型。此外，估計模組1208可使用第一階段經估計PIM雜訊及FIR濾波器（例如，FIR濾波器1250）判定經估計PIM雜訊（例如，經估計PIM雜訊1314）。

此外，FIR濾波器訓練模組1210可使用基於未校正接收到的訊號之第二訓練訊號（例如，第二訓練訊號1316）來訓練FIR濾波器，且過濾模組1212可從未校正接收到的訊號減去經估計PIM雜訊。

在一些範例中，非線性模型訓練模組1206可訓練非線性模型，且FIR濾波器訓練模組可訓練FIR濾波器作為順序訓練步驟。在額外範例中，非線性模型訓練模組1206可訓練非線性模型，且FIR濾波器訓練模組可訓練FIR作為獨立訓練步驟。

計算裝置1302通常表示能夠讀取及/或執行電腦可執行指令及/或代管可執行碼之任何類型或形式的計算裝置。計算裝置1302之實例包括但不限於應用程式伺服器、儲存伺服器、資料庫伺服器、網頁伺服器及/或經組態以運行某些軟體應用及/或提供各種應用程式、儲存及/或資料庫服務之任何其他適合計算裝置。

在至少一個範例中，計算裝置1302可用模組1202中之一或多者程式化之計算裝置。模組1202之功能性之所有或一部分可由計算裝置1302及/或任何其他適合計算系統進行。如將在下文更詳細地描述，來自圖12之模組1202中之一或多者可在由計算裝置1302之至少一個處理器執行時可使得計算裝置1302能夠通過順序訓練以進行多階段順序PIM取消。

許多其他裝置或子系統可連接至圖12中之系統1200及/或圖13中之系統1300。相反地，圖12及圖13中所說明之所有組件及裝置無需存在以實踐本文中所描述及/或說明之具體實例。上文提及之裝置及子系統亦可以與圖13中所示之彼等方式不同的方式互連。系統1200及系統1300亦可採用任何數目個軟體、韌體及/或硬體組態。舉例而言，本文中所揭示之範例性具體實例中之一或多者可編碼為電腦可讀媒體上之電腦程式（亦稱為電腦軟體、軟體應用、電腦可讀指令及/或電腦控制邏輯）。

圖14為用於通過順序訓練之多階段順序PIM取消之範例性的方法1400的流程圖。圖14中所示之步驟可藉由任何適合裝置、電腦可執行碼及/或計算系統進行，包括圖1中之PIM取消裝置116、圖3中之PIM取消裝置302、圖4中之PIM取消裝置402、圖12中之系統1200、圖13中之系統1300及/或以上裝置中之一或多者之變化或組合。在一個範例中，圖14中所示之步驟中之各者可表示其結構包括及/或由多個子步驟表示之演算法，其範例在本文中更詳細地提供。

如圖14中所示，在步驟1410處，本文中所描述之裝置及/或系統中之一或多者可使用非線性模型來判定第一階段經估計PIM雜訊，非線性模型基於所傳輸訊號而接收非線性模型輸入。舉例而言，作為計算裝置1302之部分，判定模組1204可使得計算裝置1302使用非線性模型1240判定第一階段經估計PIM雜訊1304。非線性模型1240可基於所傳輸訊號1308而接收非線性模型輸入1306。判定模組1204可以本文中所描述之方式中之任一者進行此等操作。

在步驟1420處，本文中所描述之裝置及/或系統中之一或多者可使用基於未校正接收到的訊號之訓練訊號來訓練非線性模型。舉例而言，非線性模型訓練模組1206可作為計算裝置1302之部分使得計算裝置1302使用基於未校正接收到的訊號1312之訓練訊號1310而訓練非線性模型1240。非線性模型訓練模組1206可以本文中所描述之方式中之任一者進行此等操作。

在步驟1430處，本文中所描述之裝置及/或系統中之一或多者可使用第一階段經估計PIM雜訊及FIR濾波器來判定經估計PIM雜訊。舉例而言，估計模組1208可作為計算裝置1302之部分使得計算裝置1302使用第一階段經估計PIM雜訊及FIR濾波器1250判定經估計PIM雜訊1314。估計模組1208可以本文中所描述之方式中之任一者進行此等操作。

在步驟1440處，本文中所描述之裝置及/或系統中之一或多者可使用基於未校正接收到的訊號之第二訓練訊號來訓練FIR。舉例而言，FIR濾波器訓練模組1210可作為計算裝置1302之部分使得計算裝置1302能夠使用基於未校正接收到的訊號1312之第二訓練訊號1316而訓練FIR濾波器1250。FIR濾波器訓練模組1210可以本文中所描述之方式中之任一者進行此等操作。

在步驟1450處，本文中所描述之裝置及/或系統中之一或多者可從未校正接收到的訊號減去經估計PIM雜訊。舉例而言，減去模組1212可作為計算裝置1302之部分使得計算裝置1302從未校正接收到的訊號1312減去經估計PIM雜訊1314。減去模組1212可以本文中所描述之方式中之任一者進行此等操作。

如整個本揭示內容所描述，本文中所描述之裝置、系統及方法可提供優於用於處理被動交互調變雜訊之習知選項的顯著優點。範例可包括用於PIMC之方法及架構，例如降低接收到的RF訊號中之雜訊，諸如在蜂巢式電話基底台處之接收到的訊號。PIM雜訊可為歸因於下行鏈路傳輸器RF HW鏈上之無線電訊號之傳輸而經由上行鏈路接收器RF HW鏈接收之接收到的訊號中之干擾訊號。PIM雜訊可至少部分從RF傳輸電路及/或可耦接傳輸電路及接收器電路系統之雙工器中之非線性行為產生。接收到的訊號中之有時在本文中稱為PIM雜訊之PIM干擾可降低接收器靈敏度且可阻斷接收上行鏈路訊務。

如上文進一步所論述，PIM雜訊可歸因於非線性電流-電壓行為起因於非線性接合點。PIM雜訊之範例源可包括以下各者中之一或多者：由薄氧化物（例如，MIM二極體行為）分離之金屬與金屬接觸表面；在導電為電阻性及電容性兩者、非線性材料或不純材料之光點處產生電流擁擠之粗略金屬與金屬接觸表面。非線性之源可隨機分佈於傳輸路徑及其環境上方。非線性可歸因於溫度、濕氣（例如濕度）、傳輸線或天線面板上之鳥類或任何其他原因之改變而隨時間改變。穩定本文中所描述之非線性模型係數之方法可有助於降低非線性或其他雜訊源中之暫態改變之效應。

在一些範例中，PIM失真可歸因於兩個或更多個載波通道之間的互動而產生。在使用多載波及多頻帶之基地台中，許多傳輸訊號可變得彼此混合，且PIM失真可在廣泛範圍之頻譜內擴散且到達一或多個接收器頻帶。除藉由內部傳輸訊號產生之PIM失真以外，來自相鄰單元之外部傳輸訊號可作為PIM源呈現且干擾特定接收器頻帶。非線性模型可適用於此等或其他可能組態。

降低PIM雜訊之範例方法可包括使用可適應性濾波器以估計PIM且從未校正接收到的訊號減去經估計PIM失真以提供PIM經取消接收到的訊號。

本文中所提供之範例包括與使用所傳輸下行連結訊號判定接收到的訊號中之經估計PIM且從接收到的訊號減去經估計PIM以獲得PIM經取消接收到的訊號相關之裝置、設備、系統及方法。接收到的訊號可包括PIM雜訊，且藉由從接收到的訊號減去PIM雜訊之估計，可改良接收器靈敏度。

範例包括使用包括設備及相關聯方法之順序訓練方法之多階段順序PIM取消系統。系統可包括非線性濾波器，其採取所傳輸訊號作為輸入，且第一階段非線性濾波器之輸出為第二階段之輸入。第二階段可包括第二濾波器，諸如採取第一階段之輸出作為其輸入之線性有限回應濾波器（FIR），且第二階段之輸出為接收到的未校正訊號中之經估計PIM，其可包括所要接收到的訊號與PIM雜訊之組合。藉由從未校正接收到的訊號減去經估計PIM雜訊以從經校正接收到的訊號移除實際PIM雜訊而獲得PIM經取消訊號（PIMC結果），使得經校正接收到的訊號包括所要接收到的訊號而無可觀PIM雜訊。

範例系統、設備或方法可包括以下特徵中之一或多者。第一階段非線性濾波器之訓練及第二階段線性FIR濾波器之訓練可為獨立且順序的，而非聯合最佳化，各自具有其自身輸出最小化輸出與接收到的訊號之間的誤差能量之目標。非線性濾波器可包括其輸入（所傳輸訊號）之偶數階及奇數階乘積兩者，而不管PIM結構。線性FIR濾波器可包括3分接頭FIR濾波器，而不管PIM結構。範例包括被動交互調變（PIM）取消系統。系統可包括用於改良無線電訊號之接收器靈敏度之多階段經訓練模型。PIM取消系統可包括使用所傳輸下行鏈路訊號作為輸入之非線性濾波器，及使用非線性濾波器之輸出作為其輸入之線性濾波器（例如，有限回應濾波器或FIR）。系統可估計未校正接收到的訊號內之PIM雜訊，該未校正接收到的訊號包括所要接收到的訊號及PIM雜訊（有時稱為PIM干擾）。可從未校正接收到的訊號減去經估計PIM以提供PIM經取消（PIMC）接收到的訊號，其亦可稱為經校正訊號。範例系統可進行非線性濾波器及線性濾波器之順序訓練（例如，非聯合最佳化演算法）。非線性濾波器可包括其輸入之偶數階及奇數階乘積（例如，基於所傳輸訊號）。線性濾波器可為或包括多分接頭FIR濾波器，諸如3分接頭FIR濾波器。

總之，蜂巢式電話基地台傳輸器中之非線性可引起所傳輸頻率分量溢出至鄰近接收器頻帶中，從而在接收器訊號中產生被動PIM雜訊。在一些範例中，PIM雜訊可使用經訓練模型來估計，例如PIM雜訊可基於所傳輸訊號而估計。經估計PIM雜訊隨後可從接收器訊號減去以取消接收器訊號中之實際PIM雜訊。範例方法可使用接著線性濾波器（例如，有限回應濾波器）之非線性PIM估計模型。估計模型可包括奇數及偶數冪項兩者，即使兩者並不在PIM雜訊訊號中預期。PIM估計模型及線性濾波器可各自在基地台之操作期以大致1毫秒之週期內之間隔訓練，而舊模型或濾波器仍在使用中。模型穩定性可藉由將來自先前模型參數之貢獻包括至新模型參數中來改良。模擬結果顯示極佳雜訊降低。

以下範例性具體實例亦包括於本揭示內容中：

實施例1：一種降低接收到的訊號中之被動交互調變（PIM）雜訊之方法，該方法包含：（1）使用非線性模型來判定第一階段經估計被動交互調變（PIM）雜訊，該非線性模型基於所傳輸訊號而接收非線性模型輸入，（2）使用基於未校正接收到的訊號之訓練訊號來訓練非線性模型，（3）使用第一階段經估計PIM雜訊及有限脈衝回應（FIR）濾波器來判定經估計PIM雜訊，（4）使用基於未校正接收到的訊號之第二訓練訊號來訓練FIR，及（5）從未校正接收到的訊號減去經估計PIM雜訊。

實施例2：如實施例1之方法，其中非線性模型之訓練及FIR濾波器之訓練為順序訓練步驟。

實施例3：如實施例1至2中任一項之方法，其中非線性模型之訓練及FIR之訓練為獨立訓練步驟。

實施例4：如實施例1至3中任一項之方法，其中非線性模型包含基於非線性模型輸入之偶數階及奇數階乘積項兩者。

實施例5：如實施例1至4中任一項之方法，其中FIR濾波器為三分接頭FIR濾波器。

實施例6：如實施例1至5中實施例任一項之方法，其中：（1）如請求項1之方法，其中訓練非線性模型進一步包含：（A）收集用於非線性模型訓練之第一統計資料收集，及（B）基於非線性模型訓練而更新非線性模型，及（2）訓練FIR濾波器進一步包含：（A）收集用於FIR濾波器訓練之第二統計資料收集，及（B）基於FIR濾波器訓練而更新FIR濾波器更新。

實施例7：如實施例6之方法，其中FIR濾波器用以在FIR濾波器訓練期間判定經估計PIM雜訊。

實施例8：如實施例1至7中任一項之方法，其中從未校正接收到的訊號減去經估計PIM雜訊將未校正接收到的訊號中的PIM雜訊降低至少16分貝。

實施例9：一種系統包含：（1）判定模組，其儲存於記憶體中，該判定模組使用非線性模型來判定第一階段經估計被動交互調變（PIM）雜訊，該非線性模型基於所傳輸訊號而接收非線性模型輸入，（2）非線性模型訓練模組，其儲存於記憶體中，該非線性模型訓練模組使用基於未校正接收到的訊號之訓練訊號來訓練非線性模型，（3）估計模組，其儲存於記憶體中，該估計模組使用第一階段經估計PIM雜訊及有限脈衝回應（FIR）濾波器來判定經估計PIM雜訊，（4）FIR濾波器訓練模組，其儲存於記憶體中，該FIR濾波器訓練模組使用基於未校正接收到的訊號之第二訓練訊號來訓練FIR濾波器，（5）過濾模組，其儲存於記憶體中，該過濾模組從未校正接收到的訊號減去經估計PIM雜訊，及（6）至少一個實體處理器，其執行判定模組、非線性模型訓練模組、估計模組、FIR訓練模組及過濾模組。

實施例10：如實施例9之系統，其中如順序訓練步驟非線性模型訓練模組訓練非線性模型且FIR濾波器訓練模組訓練FIR濾波器。

實施例11：如實施例9至10中任一項之系統，其中如獨立訓練步驟非線性模型訓練模組訓練非線性模型且FIR濾波器訓練模組訓練FIR濾波器。

實施例12：如實施例9至11中任一項之系統，其中非線性模型包含基於非線性模型輸入之偶數階及奇數階乘積項兩者。

實施例13：如實施例9至12之系統，其中FIR濾波器包含三分接頭FIR濾波器。

實施例14：如實施例9至13之系統，其中：（1）非線性模型訓練模組藉由以下來訓練非線性模型：（A）收集用於非線性模型訓練之第一統計資料收集，及（B）基於非線性模型訓練而更新非線性模型，及（2）FIR訓練模組藉由以下進一步訓練FIR濾波器：（A）收集用於FIR濾波器訓練之第二統計資料收集，及（B）基於FIR濾波器訓練而更新FIR濾波器更新。

實施例15：如實施例9至14之系統，其中判定模組使用FIR濾波器以在FIR濾波器訓練期間判定經估計PIM雜訊。

實施例16：如實施例9至15之系統，其中從未校正接收到的訊號減去經估計PIM雜訊將未校正接收到的訊號中的PIM雜訊降低至少16分貝。

實施例17：一種系統包含：（1）射頻（RF）傳輸器，（2）RF接收器，及（3）被動交互調變（PIM）雜訊降低裝置，其包含：（A）PIM雜訊估計器，其包括非線性模型，該PIM雜訊估計器經組態以基於所傳輸訊號而接收非線性模型輸入訊號且輸出第一階段PIM雜訊訊號，（B）FIR濾波器，其經組態以接收第一階段PIM雜訊訊號且輸出經估計PIM雜訊訊號，（C）減法器，其經組態以接收未校正接收到的訊號且從未校正接收到的訊號減去經估計PIM雜訊訊號以提供PIM經取消接收到的訊號，（D）非線性模型訓練器，其經組態以基於未校正接收到的訊號而接收非線性模型輸入訊號及訓練訊號，及（E）FIR濾波器訓練器，其經組態以基於未校正接收到的訊號而接收第一階段PIM訊號及第二訓練訊號。

實施例18：如實施例17之系統，其中PIM雜訊降低裝置經組態以：（1）接收非線性模型輸入訊號，（2）接收未校正接收到的訊號，及（3）輸出PIM經取消接收到的訊號。

實施例19：如實施例17至18中任一項之系統，其中RF傳輸器經組態以：（1）使用所傳輸訊號調變RF載波頻率以（2）提供RF經調變訊號，（3）放大RF經調變訊號以提供RF所傳輸訊號，及（4）將RF所傳輸訊號提供至天線。

實施例20：如實施例17至19之系統，其中RF接收器經組態以：（1）接收RF經調變接收到的訊號，及（2）解調RF經調變接收到的訊號以提供未校正接收到的訊號。

如上文所詳述，本文中所描述及/或說明之計算裝置及系統廣泛地表示能夠執行電腦可讀指令（諸如，在本文中所描述之模組內含有的彼等指令）之任何類型或形式之計算裝置或系統。在其最基本組態中，此等計算裝置可各自包括至少一個記憶體裝置及至少一個實體處理器。

儘管說明為單獨元件，但本文中所描述及/或說明之模組可表示單一模組或應用程式之部分。另外，在某些具體實例中，此等模組中之一或多者可表示在由計算裝置執行時可使得計算裝置進行一或多個任務的一或多個軟體應用程序或程式。舉例而言，本文中所描述及/或說明之模組中之一或多者可表示經儲存於本文中所描述及/或說明之計算裝置或系統中之一或多者上且經組態以在本文中所描述及/或說明之計算裝置或系統中之一或多者上運行的模組。此等模組中之一或多者亦可表示經組態以進行一或多個任務的一或多個專用電腦之全部或部分。

另外，本文中所描述之模組中之一或多者可將資料、實體裝置及/或實體裝置之表示從一種形式轉換成另一形式。舉例而言，本文中所列舉之模組中之一或多者可接收待轉換之訊號資料，轉換訊號資料（例如，使用升取樣、降取樣、調變、解調、混合或線性或非線性組合之任何形式），輸出轉換之結果以進行功能（例如，取消雜訊分量、更新模型以及類似者），使用轉換之結果以進行功能（例如，取消雜訊分量、更新模型以及類似者），及儲存轉換之結果以進行功能（諸如，經更新模型係數）。另外或替代地，本文中所列舉之模組中之一或多者可藉由在計算裝置上執行、將資料儲存於計算裝置上及/或以其他方式與計算裝置互動而將處理器、揮發性記憶體、非揮發性記憶體及/或實體計算裝置的任何其他部分從一種形式轉換成另一形式。

如本文所使用，術語「電腦可讀媒體」通常指能夠儲存或攜載電腦可讀指令的任何形式之裝置、載體或媒體。電腦可讀媒體之實例包括但不限於傳輸型媒體，諸如載波；及非暫時性型媒體，諸如磁性儲存媒體（例如，硬碟機、磁帶機及軟碟）、光學儲存媒體（例如，緊密光碟（Compact Disk；CD）、數位視訊光碟（Digital Video Disk；DVD）及藍光（BLU-RAY）光碟）、電子儲存媒體（例如，固態硬碟及快閃媒體）及其他分佈系統。

本文中所描述及/或說明之程序參數及步驟順序僅作為範例提供且可按需要變化。舉例而言，雖然本文中所說明及/或描述之步驟可以特定次序顯示或論述，但此等步驟未必需要以所說明或論述之次序進行。本文中所描述及/或說明之各種例示性方法亦可省略本文中所描述或說明之步驟中之一或多者或包括除所揭示彼等步驟之外的額外步驟。

先前描述已提供以使得所屬技術領域中具有通常知識者能夠最佳利用本文中所揭示之範例性具體實例的各種態樣。此例示性描述並不意欲為詳盡的或限於所揭示之任何精確形式。在不脫離本發明之精神及範疇情況下，許多修改及變化為可能的。本文中所揭示之具體實例在全部態樣中應被視為例示性而非限制性的。在判定本發明之範疇時應參考所附申請專利範圍及其等效物。

除非另外指出，否則如本說明書及申請專利範圍中所使用，術語「連接至」及「耦接至」（及其衍生詞）被解釋為准許直接及間接（亦即，通過其他元件或組件）連接兩者。另外，如說明書及申請專利範圍中使用之術語「一（a）」或「一（an）」解釋為意謂「中之至少一者」。最後，為易於使用，如本說明書及申請專利範圍中所使用之術語「包括」及「具有」（及其衍生詞）可與詞「包含」互換且具有與其相同之含義。

100:系統 102:傳輸器 104:接收器 106:基頻傳輸訊號 108:RF訊號 110:RF訊號 112:訊號 114:PIM產生器 116:PIM取消裝置 118:接收到的訊號 200:視圖 300:裝置架構 302:PIM取消裝置 304:PIM估計器 306:FIR濾波器 308:PIM模型訓練模組 310:FIR濾波器訓練 312:取樣模組 314:Rx濾波器 316:上取樣模組 318:降低模組 400:裝置架構 402:PIM取消裝置 404:PIM估計器 406:FIR濾波器 408:PIM模型訓練模組 410:FIR濾波器訓練模組 412:升取樣模組 414:Rx濾波器 416:升取樣模組 418:降取樣模組 500:流程圖 600:PIM估計器 602:計算器 700:FIR濾波器 1200:範例系統 1202:模組 1204:判定模組 1206:非線性模型訓練模組 1208:估計模組 1210:FIR濾波器訓練模組 1212:過濾模組 1220:記憶體 1230:實體處理器 1240:非線性模型 1250:FIR濾波器 1300:範例系統 1302:計算裝置 1304:第一階段經估計PIM雜訊 1306:非線性模型輸入 1308:所傳輸訊號 1310:訓練訊號 1312:未校正接收到的訊號 1314:經估計PIM雜訊 1316:第二訓練訊號 1400:方法 1410:步驟 1420:步驟 1430:步驟 1440:步驟 1450:步驟

隨附圖式說明數個範例具體實例且為本說明書之一部分。連同以下描述，此等圖式展現並解釋本發明之各種原理。 [圖1]為用於被動交互調變（passive inter-modulation；PIM）雜訊（「PIM雜訊」）降低之範例系統的方塊圖。 [圖2]為說明被動交互調變（PIM）雜訊降低及/或取消之方法的圖。 [圖3]為用於通過順序訓練之多階段順序PIM降低的範例系統的方塊圖。 [圖4]為用於通過順序訓練之多階段順序PIM降低之額外範例系統的方塊圖。 [圖5]顯示說明根據本文中所描述之一些具體實例的多階段及順序訓練程序的流程圖。 [圖6A]顯示可用於PIM取消裝置之第一階段中之PIM估測器的範例示意圖。 [圖6B]顯示計算器之範例示意圖，該計算器可進行可用於PIM取消裝置之第一階段中之有效計算。 [圖7]顯示可用於PIM取消裝置之第二階段中之範例FIR濾波器的示意圖。 [圖8]顯示藉由非線性系統及所得頻率分量之PIM產生的示意性表示。 [圖9]為具有單頻帶傳輸器之單一天線之PIM頻率分量的簡化示意圖。 [圖10A]及[圖10B]顯示單一天線及兩個並行頻帶傳輸之雜訊分量之PIM模型的示意性表示。 [圖11]顯示根據本文中所描述之一些具體實例之訓練及推斷的範例時間表。 [圖12]為用於通過順序訓練之多階段順序PIM降低之範例系統的方塊圖。 [圖13]為用於通過順序訓練之多階段順序PIM降低之系統之範例性具體實例的方塊圖。 [圖14]為用於通過順序訓練之多階段順序PIM降低之範例方法的流程圖。貫穿圖式，相同參考標號及描述指示類似但未必相同的元件。雖然本文中所描述之範例性具體實例易受各種修改及替代形式之影響，但在圖式中已藉助於範例顯示特定具體實例且將在本文中詳細描述。然而，本文中所描述之範例性具體實例並不意欲限於所揭示之特定形式。實情為，本揭示涵蓋落入隨附申請專利範圍之範疇內之所有修改、等效物及替代例。

1400:方法

1410:步驟

1420:步驟

1430:步驟

1440:步驟

1450:步驟

Claims

一種降低在接收到的訊號中之被動交互調變（PIM）雜訊之方法，該方法包含：使用一非線性模型來判定一第一階段經估計被動交互調變（PIM）雜訊，該非線性模型基於一所傳輸訊號而接收一非線性模型輸入；使用基於一未校正接收到的訊號之一訓練訊號來訓練該非線性模型；使用該第一階段經估計PIM雜訊及一有限脈衝回應（FIR）濾波器判定一經估計PIM雜訊；使用基於該未校正接收到的訊號之一第二訓練訊號來訓練該FIR濾波器；及從該未校正接收到的訊號減去該經估計PIM雜訊。
如請求項1之方法，其中該非線性模型之該訓練及該FIR濾波器之該訓練為順序訓練步驟。
如請求項1之方法，其中該非線性模型之該訓練及該FIR濾波器之該訓練為獨立訓練步驟。
如請求項1之方法，其中該非線性模型包含基於該非線性模型輸入之偶數階及奇數階乘積項兩者。
如請求項1之方法，其中該FIR濾波器為一三分接頭FIR濾波器。
如請求項1之方法，其中：訓練該非線性模型進一步包含：收集用於非線性模型訓練之一第一統計資料收集；及基於該非線性模型訓練而更新該非線性模型；及訓練該FIR濾波器進一步包含：收集用於FIR濾波器訓練之一第二統計資料收集；及基於該FIR濾波器訓練而更新該FIR濾波器。
如請求項6之方法，其中該FIR濾波器用以在該FIR濾波器訓練期間判定該經估計PIM雜訊。
如請求項1之方法，其中從該未校正接收到的訊號減去該經估計PIM雜訊將該未校正接收到的訊號中之PIM雜訊降低至少16分貝。
一種系統，其包含：一判定模組，其儲存於記憶體中，該判定模組使用一非線性模型來判定一第一階段經估計被動交互調變（PIM）雜訊，該非線性模型基於一所傳輸訊號而接收一非線性模型輸入；一非線性模型訓練模組，其儲存於該記憶體中，該非線性模型訓練模組使用基於一未校正接收到的訊號之一訓練訊號來訓練該非線性模型；一估計模組，其儲存於該記憶體中，該估計模組使用該第一階段經估計PIM雜訊及一有限脈衝回應（FIR）濾波器來判定一經估計PIM雜訊；一FIR濾波器訓練模組，其儲存於該記憶體中，該FIR濾波器訓練模組使用基於該未校正接收到的訊號之一第二訓練訊號來訓練該FIR濾波器；一過濾模組，其儲存於該記憶體中，該過濾模組從該未校正接收到的訊號減去該經估計PIM雜訊；及至少一個實體處理器，其執行該判定模組、該非線性模型訓練模組、該估計模組、該FIR訓練模組及該過濾模組。
如請求項9之系統，其中該非線性模型訓練模組訓練該非線性模型及該FIR濾波器訓練模組訓練該FIR濾波器作為順序訓練步驟。
如請求項9之系統，其中該非線性模型訓練模組訓練該非線性模型及該FIR濾波器訓練模組訓練該FIR濾波器作為獨立訓練步驟。
如請求項9之系統，其中該非線性模型包含基於該非線性模型輸入之偶數階及奇數階乘積項兩者。
如請求項9之系統，其中該FIR濾波器包含一三分接頭FIR濾波器。
如請求項9之系統，其中：該非線性模型訓練模組藉由以下進一步訓練該非線性模型：收集用於非線性模型訓練之一第一統計資料收集；及基於該非線性模型訓練而更新該非線性模型；及該FIR訓練模組藉由以下進一步訓練該FIR濾波器：收集用於FIR濾波器訓練之一第二統計資料收集；及基於該FIR濾波器訓練而更新該FIR濾波器。
如請求項9之系統，其中該判定模組使用該FIR濾波器以在該FIR濾波器訓練期間判定該經估計PIM雜訊。
如請求項9之系統，其中從該未校正接收到的訊號減去該經估計PIM雜訊將該未校正接收到的訊號中的該PIM雜訊降低至少16分貝。
一種系統，其包含：一射頻（RF）傳輸器；一RF接收器；及一被動交互調變（PIM）雜訊降低裝置，其包含：一PIM雜訊估計器，其包括一非線性模型，該PIM雜訊估計器經組態以基於一所傳輸訊號而接收一非線性模型輸入訊號且輸出一第一階段PIM雜訊訊號；一FIR濾波器，其經組態以接收該第一階段PIM雜訊訊號且輸出一經估計PIM雜訊訊號；一減法器，其經組態以接收一未校正接收到的訊號且從該未校正接收到的訊號減去該經估計PIM雜訊訊號以提供一PIM經取消接收到的訊號；一非線性模型訓練器，其經組態以基於該未校正接收到的訊號而接收該非線性模型輸入訊號及一訓練訊號；及一FIR濾波器訓練器，其經組態以基於該未校正接收到的訊號而接收該第一階段PIM訊號及一第二訓練訊號。
如請求項17之系統，其中該PIM雜訊降低裝置經組態以：接收該非線性模型輸入訊號；接收該未校正接收到的訊號；及輸出該PIM經取消接收到的訊號。
如請求項17之系統，其中該RF傳輸器經組態以：使用該所傳輸訊號調變一RF載波頻率以提供一RF經調變訊號；放大該RF經調變訊號以提供一RF所傳輸訊號；及將該RF所傳輸訊號提供至一天線。
如請求項17之系統，其中該RF接收器經組態以：接收一RF經調變接收到的訊號；及解調該RF經調變接收到的訊號以提供該未校正接收到的訊號。