CN101771639A - 一种预失真参数的处理方法和装置 - Google Patents

Abstract

本发明提供一种预失真参数的处理方法和装置，其中该方法包括：周期性滤波处理开始后，利用预失真处理后的数据和功放反馈的数据构建初始信号矩阵；所述预失真处理后的数据为参考信号，所述功放反馈的数据为输入信号；对所述构建的初始信号矩阵进行QR分解处理；通过对QR分解后的矩阵进行后向迭代运算确定预失真参数。可以看出，采用本发明的方法和装置，能够有效的降低运算量和运算复杂度；并且从第N个采样点符号才开始保存运算确定的预失真参数，从而可以很好的节省***运行开销。

Description

一种预失真参数的处理方法和装置

技术领域

本发明涉及通信技术领域，尤其涉及一种预失真参数的处理方法和装置。

背景技术

目前，随着全球3G网络的大规模建设，运营商越来越注重降低建设成本和维护成本，而功放作为通信***当中最昂贵的器件之一，其对效率的要求也越来越高，从而使得数字预失真DPD(Digital Pre-Distortion)技术得到飞快的发展。其中，功放又与滤波器有着紧密的联系：当滤波器的输出为输入的线性函数时，该滤波器为线性滤波器，否则为非线性滤波器，如果参数随时间变换，又称之为时变滤波器；而根据射频功率放大器(PA)的特性，当输入过程的统计特性变换时，自适应滤波器调整自己参数的过程称之为“跟踪”过程，而预失真的目的就是要跟踪PA的变化。目前，当输入过程的统计特性发生变化，自适应滤波器调整自己参数以满足某种准则的要求时，即在进行预失真处理时，采用的准则通常是最小均方误差准则(MMSE)或最小二乘准则(LS)。

但是，上述两种不同的准则分别具有不同的特点，在进行预失真处理时，首先要明确所选择算法的特性：对输入过程为平稳时的最小均方误差(MMSE)线性滤波器称为维纳滤波器，而维纳滤波器满足正规方程，其直接对矩阵求逆得到的信号即为预失真参数，即

但采用这种方法运算量较大，同时存储的信息也较多；因而，现有技术在此基础上提出了一种有效解正规方程的LMS算法，该方法通过对得到的一类数据长期统计误差的平方而得到一组滤波器系数，但是对于功放而言，在一段时间只能得到一组数据，因而只能对长期统计特性进行估计和近似，所以该方法并不适合对PA的预失真处理。

而最小二乘是对一组已知数据的最佳滤波，该方法目前普遍适用于PA的预失真处理：根据已知N个数据x(n)利用M阶线性滤波器来估计已知信号d(i)，其中对d(i)的估计如下：

0≤i≤N其中，对于最小二乘算法来说，w_m(i)的最佳值使得加权累计平方误差性能函数为最小，即：

虽然该最小二乘法也可通过解正规方程的逆矩阵得到预失真参数，但运算量仍然较大，为此现有技术提出通过RLS(Recursive Least-Squares，递推最小二乘)求得预失真参数，即：w_m(n)＝w_m(n-1)+g_m(n)·e(n)，其中误差信号为：此RLS与LMS的递推公式类似，差别仅仅是增益系数，即

而C_m(n-1)也是根据递推公式得到的，即自相关矩阵：

因此，采用此种方法只要利用预失真的初始预失真参数w_m(0)、预失真后的信号x_m(0)和中间变量C_m(0)就可以求得所述的预失真参数；虽然RLS可以对已知一组数据进行最佳滤波，但是其主要还是针对输入数据的相关矩阵进行递推，计算相对复杂，运算量较大(O[N³])，并且在测量噪声或非平稳的环境下，还会存在稳定性的问题；

因此，现有技术中提出了一种利用QRD-RLS(QR分解递推最小二乘)算法进行预失真处理的方法，该QRD-RLS是对RLS算法的一种改进，此种算法不是对输入数据的相关矩阵进行递推，而是直接对输入数据矩阵进行递推，运算量大大减少，同时有很好的数据稳定性，所以对于DPD***比较适合；但是，该算法仍然有其自身的缺陷，即每一个输出样值都需要进行O[N²]次乘法运算，而对于一个实时***来说，乘法量仍然还是很大，例如仅仅进行1000次采样，N＝60，则需要进行三百六十万次乘法，对于现有芯片实现起来比较困难。

发明内容

有鉴于此，本发明解决的问题是提供一种预失真参数的处理方法和装置，可以有效的价低运算量和运算复杂度。

为解决上述问题，本发明提供的技术方案如下：

一种预失真参数的处理方法，包括：周期性滤波处理开始后，利用预失真处理后的数据和功放反馈的数据构建初始信号矩阵；所述预失真处理后的数据为参考信号，所述功放反馈的数据为输入信号；对所述构建的初始信号矩阵进行QR分解处理；通过对QR分解后的矩阵进行后向迭代运算确定预失真参数。

优选的，所述对所述构建的初始信号矩阵进行QR分解处理具体为：采用正交对角化方式对增加到所述初始信号矩阵中的每一个新数据向量进行迭代对角化处理。

优选的，初始信号矩阵中每一行的向量是同一个采样时刻输入的数据。

优选的，该方法还包括：每一次周期性滤波开始后，从第N个采样点符号开始保存运算确定的预失真参数，所述N可根据实际需求或***仿真确定。

优选的，该方法还包括：周期性判断所述确定的预失真参数的误差信号在预设的时间段内是否超出预设的震荡范围，如果是，则以新的预设真参数替代已确定的预失真参数。

优选的，采用脉动结构对所述初始信号矩阵进行QR分解处理。

一种预失真参数的处理装置，包括：构建单元、分解单元和运算单元；其中，所述构建单元用于在周期性滤波处理开始后，以预失真处理后的数据为参考信号、以功放反馈的数据为输入信号构建初始信号矩阵；所述分解单元用于对构建单元构建的初始信号矩阵进行QR分解处理；所述运算单元用于通过对QR分解后的矩阵进行后向迭代运算确定预失真参数。

优选的，所述分解单元包括：第一处理模块和第二处理模块；其中，所述第一处理模块用于采用正交对角化方式对增加到所述初始信号矩阵中的每一个新数据向量进行迭代对角化处理；所述第二处理模块用于采用脉动结构对所述初始信号矩阵进行QR分解处理。

优选的，该装置还包括：存储单元；其中，所述存储单元用于在每一次周期性滤波开始后，从第N个采样点符号开始保存运算确定的预失真参数，所述N可根据实际需求或***仿真确定。

优选的，该装置还包括：判断单元；所述判断单元用于周期性判断所述运算单元确定的预失真参数的误差信号在预设的时间段内是否超出预设的震荡范围，如果是，则以新的预设真参数替代已确定的预失真参数。

可以看出，采用本发明的方法和装置，周期性滤波处理开始后，利用预失真处理后的数据作为参考信号、功放反馈的数据作为输入信号构建初始信号矩阵，再对所述初始信号矩阵进行QR分解处理，并通过后向迭代运算确定预失真参数，从而有效的降低了运算量和运算复杂度；并且从第N个采样点符号才开始保存运算确定的预失真参数，从而很好的节省了***运行开销。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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是本发明实施例中利用预失真后的数据和功放反馈的数据确定预失真参数的***结构示意图；

图2是本发明实施例1的方法流程示意图；

图3是本发明实施例1的方法中脉动处理的结构示意图；

图4是本发明实施例2的装置结构示意框图。

具体实施方式

本发明的基本思想在于周期性滤波处理开始后，利用预失真处理后的数据作为参考信号、功放反馈的数据作为输入信号构建初始信号矩阵，再对所述初始信号矩阵进行QR分解处理，并通过后向迭代运算确定预失真参数，从而有效的降低了运算量和运算复杂度，并且很好的节省了***运行开销。

为了便于理解，首先对QRD-RLS进行简单介绍：基于QR分解的RLS算法可以使得信息矩阵对角化，以避免矩阵求逆；即实际上是把矩阵Y进行QR分解，由于Y一般都是非奇异矩阵，所以能够化成正交(酉)矩阵Q(Q^HQ＝I)与非奇异上三角矩阵R的乘积。这种不是对输入数据的相关矩阵求逆，而是直接对输入数据矩阵进行递推的方式，有很好的数据稳定性，并且可以快速实现。如在本发明实施例中，根据反馈信号Y和输入中频信号X，最终可以得到预失真系数W；当然，基于QR分解的算法有多种，其中GIVENS旋转算法性能最好，其提供了在数值特性和硬件实施方面最令人满意的实现形式，在此不再赘述。

本实施例中主要是利用预失真后的数据和功放反馈的数据确定预失真参数；其中值得注意的是，现有技术中的方案是将PA返回的数据y作为参考进行矩阵的求解，这样得到的滤波器系数还需要求逆才可以得到最后的预失真参数；而本实施例提出把预失真后的数据z作为参考信号，则求得的预失真系数就是功放的逆函数：w＝pa^H，其中H表示求逆运算，然后以PA返回的数据y作为输入信号，将所述预失真参数w和PA返回的数据y相乘，再与预失真器出来的数据z比较得到的预失真参数w既为所求；具体的，如图1所示，图中的高速预失真器(矢量调节器)的预失真参数假定是pa^H，则有z＝x·pa^H，加入预失真器以后PA的数据认为是y＝z·pa＝(x·pa^H)·pa，则可得到如下推导：

从此公式即可看出利用预失真后的数据和功放反馈的数据确定的预失真参数w就是PA的逆函数，而此w即可直接存储在LUT中应用，因此一方面节省了求逆所需要的运算量，另外一方面避免了求逆误差。

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

参见图2，为本发明实施例1预失真参数的处理方法，该方法包括：

在步骤201中，周期性滤波处理开始后，利用预失真处理后的数据和功放反馈的数据构建初始信号矩阵；所述预失真处理后的数据为参考信号，所述功放反馈的数据为输入信号；具体的，本实施例是在QRD-RLS算法的技术上利用预失真后的数据和功放反馈的数据确定预失真参数；其中，QRD-RLS算法主要是对一组等式求解最小误差信号，如下组等式即是求(w₀，w₁，…w_N)以使得e(1)，e(2)，…e(M)最小：

y₁(1)w₀+y₂(1)w₁+…y_N(1)w_N＝z(1)+e(1)

y₁(2)w₀+y₂(2)w₁+…y_N(2)w_N＝z(2)+e(2)

             .

             .

             .

y₁(M)w₀+y₂(M)w₁+…y_N(M)w_N＝z(M)+e(M)

其中最小二乘(LS)的目标就是发现一段时间内的数据，使得

最小，λ是记忆因子；而随着时间的推移，过去的误差所占用的比例越来越小，因而上面的公式可写成矩阵形式：Y·w＝z+e，其中Y是一段时间内输入信号的矩阵，z是参考信号向量，e是误差信号，W是预失真参数；其中，通过矩阵Q和矩阵R可以对矩阵Y进行分解有Y＝QR，Y通过QR分解得到上三角矩阵R，Z通过QR分解得到另外一个向量z′：

$Y\·w=Z\⇒Q^{H}Y\·w=Q^{H}Z\⇒Q^H\mathrm{QR}\·w=Q^{H}Z,$ $Q^{H}Q=I\⇒R\·w=z^{\′},z^{\′}=Q^{H}Z\⇒w=R^H\·z^{\′}$

其中，输入信号乘上矩阵Q^H既可完成矩阵Y的QR分解；如果将PA返回的数据Y初始组装成上三角矩阵，则组装后的Y矩阵等于矩阵R，即：Y＝R：因而，在周期性滤波处理开始后，矩阵R的初始组装如下式示意：

$\mathrm{BIG}\_R\left(0\right)=\left[\begin{array}{cc}{u}^T\left(0\right)& z_0\left(0\right)\\ R\left(0\right)& \mathrm{\Γ}\left(0\right)\end{array}\right]=\begin{array}{}\left[\begin{array}{ccccc}{u}_{\mathrm{0,1}}\left(0\right)& u_{\mathrm{0,2}}\left(0\right)& ...& u_{0,N}\left(0\right)& z_0\left(0\right)\\ u_{\mathrm{1,1}}\left(0\right)& u_{\mathrm{1,2}}\left(0\right)& ...& u_{1,N}\left(0\right)& z_1\left(0\right)\\ 0& u_{\mathrm{2,2}}\left(0\right)& ...& u_{2,N}\left(0\right)& z_2\left(0\right)\\ & & .& .& .\\ 0& 0& .& .& .\\ & & .& .& .\\ 0& ...& 0& u_{N-1,N}\left(0\right)& z_{N-1}\left(0\right)\\ & 0& 0& u_{N,N}\left(0\right)& z_N\left(0\right)\end{array}\right]\end{array}$

其中，上三角矩阵的大小是N＊N(N＝Q＊(M+1))，

u^T(0)＝u_0，1(0)，u_0，2(0)，…u_0，N(0)＝y(N+1)，y(N+1)³，…y(N+1-M)^Q，Γ(0)＝z₁(0)，z₂(0)，…z_N-1(0)，z_N(0)；初始组装成功以后，每输入一行数据时刻点加1，上面R(0)矩阵的每一个元素如下，依此类推：

u_1，1(0)，u_1，2(0)，…u_1，N(0)＝y(N)，y(N)³，…y(N-M)^Q

...

u_N-1，N-1(0)，u_N-1，N(0)＝y(1)，y(1)³

u_N，N(0)＝y(0)

相对于现有技术的初始化构建Γ(0)＝0^T(δ≥0)，本实施例构建初始信号矩阵的方式可以使预失真参数快速达到比较稳定的状态，即预失真的初始化时间较短；同时由于输入信号的矩阵y(N)，y(N)³，…y(N-M)^Q既考虑了信号的非线性(1，2，…Q)，也考虑了信号的记忆性(0，1，…M)，从而使得在生成预失真参数时已包含了对信号带有记忆性的非线性失真处理。

在步骤202中，对所述构建的初始信号矩阵进行QR分解处理；在步骤203中，通过对QR分解后的矩阵进行后向迭代运算确定预失真参数；

其中，本实施例提出可通过GIVENS旋转和脉动结构进行QR分解，但并不局限于此；

A、在每一次周期性更新的初始组装构建完成后，通过GIVENS旋转把每输入一行的矢量y削除为零，从而得到上三角矩阵R，即使用正交对角化的方法(GIVENS旋转)对增加到BIG_R(0)中的每一个新数据向量进行迭代对角化处理；而输入信号在GIVENS旋转时只有简单的乘法运算，没有矩阵运算，运算量大大减少，并且始终是对输入信号进行求解，而非输入的相关信号，计算误差降低；需要注意的是，初始化后构建的信号矩阵中每一行的向量是同一个采样时刻输入的数据。在GIVENS旋转中，将构建的初始信号矩阵BIG_R(0)左乘一系列GIVENS旋转矩阵，以消除式中的第一行的每一个元素；例如，完成第一次GIVENS旋转以后，得到如下公式所示意：

$\mathrm{BIG}\_\stackrel{\‾}{R}\left(0\right)=\left[\begin{array}{cc}0& \tilde{e}\left(1\right)\\ R\left(1\right)& \mathrm{\Γ}\left(1\right)\end{array}\right]$

具体的，在第n个采样点时刻，初始组装构建的信号矩阵如下：

$\mathrm{BIG}\_R\left(n\right)=\left[\begin{array}{cc}{u}^T\left(n\right)& z_0\left(n\right)\\ R\left(n\right)& \mathrm{\Γ}\left(n\right)\end{array}\right]$

其中u^T(n)是在n时刻PA返回的输入信号，z₀(n)是n时刻的参考信号，则有：

u^T(n)＝u_0，0(n)，u_0，1(n)，…u_0，N(n)＝y(n+1)，y(n+1)³，…y(n+1-M)^Q

Γ(n)＝z₁(n)，z₂(n)，…z_N-1(n)，z_N(n)

然后使用GIVENS旋转，使新输入的信号u^T(n)都被旋转为零值，同时z₀(n)也被旋转；但因z₀(n)往往不会被旋转为零值，故旋转以后的z₀(n)信号即为误差信号；在该GIVENS旋转中，将矩阵BIG_R(n)左乘一系列GIVENS旋转矩阵，以消除式中的第一行中的元素，其中该第一行中的每一个元素都有对应的旋转向量：Q_m(n)，m＝1，2，…N，则本时刻输入的N个信号对应的旋转因子就是

的表达式如下：

$\tilde{Q}\left(n\right)=Q_1\left(n\right)\·Q_2\left(n\right)\·\·\·Q_N\left(n\right)$

$=\left[\begin{array}{cccccc}\cos {\mathrm{\θ}}_1\left(n\right)& -\sin {\mathrm{\θ}}_1\left(n\right)& 0& ...& & 0\\ {\sin }^{*}{\mathrm{\θ}}_1\left(n\right)& \cos {\mathrm{\θ}}_1\left(n\right)& 0& ...& & \\ & & & & .& \\ 0& 0& 1& 0& .& \\ & & & & .& \\ .& .& & & & \\ .& .& 0& 1& 0& \\ .& .& & & & \\ & & & & .& \\ & & & & .& 0\\ & & & & .& \\ 0& ...& & & 0& 1\end{array}\right]\·\left[\begin{array}{cccccc}\cos {\mathrm{\θ}}_2\left(n\right)& 0& -\sin {\mathrm{\θ}}_2\left(n\right)& ...& & 0\\ 0& 1& 0& ...& & \\ & & & & .& \\ {\sin }^{*}{\mathrm{\θ}}_2\left(n\right)& 0& \cos {\mathrm{\θ}}_2\left(n\right)& 0& .& \\ & & & & .& \\ .& .& & & & \\ .& .& 0& 1& 0& \\ .& .& & & & \\ & & & & .& \\ & & & & .& 0\\ & & & & .& \\ 0& ...& & & 0& 1\end{array}\right]\·\·\·$

$\left[\begin{array}{cccccc}\cos {\mathrm{\θ}}_N\left(n\right)& 0& & ...& & -\sin {\mathrm{\θ}}_N\left(n\right)\\ 0& 1& 0& ...& & \\ & & .& & .& \\ & 0& .& 0& .& \\ & & .& & .& \\ .& .& & & & \\ .& .& 0& 1& 0& \\ .& .& & & & \\ & & & & 1& 0\\ {\sin }^{*}{\mathrm{\θ}}_N\left(n\right)& ...& & & 0& \cos {\mathrm{\θ}}_N\left(n\right)\end{array}\right]$

将该旋转因子与所述新组装构建的信号矩阵相乘即得到

首先考虑矩阵Q₁(n)和BIG_R(n)的乘积，即第一次旋转：

$Q_1\left(n\right)\·\mathrm{BIG}\_R\left(n\right)=\left[\begin{array}{cccccc}\cos {\mathrm{\θ}}_1\left(n\right)& -\sin {\mathrm{\θ}}_1\left(n\right)& 0& ...& & 0\\ {\sin }^{*}{\mathrm{\θ}}_1\left(n\right)& \cos {\mathrm{\θ}}_1\left(n\right)& 0& ...& & \\ & & & & .& \\ 0& 0& 1& 0& .& \\ & & & & .& \\ .& .& & & & \\ .& .& 0& 1& 0& \\ .& .& & & & \\ & & & & .& \\ & & & & .& 0\\ & & & & .& \\ 0& ...& & & 0& 1\end{array}\right]\·\left[\begin{array}{ccccc}{u}_{\mathrm{0,1}}\left(n\right)& u_{\mathrm{0,2}}\left(n\right)& ...& u_{0,N}\left(n\right)& z_0\left(n\right)\\ u_{\mathrm{1,1}}\left(n\right)& u_{\mathrm{1,2}}\left(n\right)& ...& u_{1,N}\left(n\right)& z_1\left(n\right)\\ 0& u_{\mathrm{2,2}}\left(n\right)& ...& u_{2,N}\left(n\right)& z_2\left(n\right)\\ & & .& .& .\\ 0& 0& .& \text{.}& .\\ & & .& .& .\\ 0& ...& u_{N-1,N-1}\left(n\right)& u_{N-1,N}\left(t\right)& z_{N-1}\left(n\right)\\ & 0& 0& u_{N,N}\left(t\right)& z_N\left(n\right)\end{array}\right]$

$={\left[\begin{array}{ccccc}0& {\stackrel{\‾}{u}}_{\mathrm{0,1}}\left(n\right)& ...& {\stackrel{\‾}{u}}_{0,N}\left(n\right)& \stackrel{\‾}{z}\left(n\right)\\ {\stackrel{\‾}{u}}_{\mathrm{1,1}}\left(n\right)& {\stackrel{\‾}{u}}_{\mathrm{1,2}}\left(n\right)& ...& {\stackrel{\‾}{u}}_{1,N}\left(n\right)& \stackrel{\‾}{z}(n-1)\\ 0& u_{\mathrm{2,2}}\left(n\right)& ...& u_{2,N}\left(n\right)& z(n-2)\\ & & .& .& .\\ 0& 0& .& .& .\\ & & .& .& .\\ 0& ...& u_{N-1,N-1}\left(n\right)& u_{N-1,N}\left(n\right)& z(n-N-1)\\ & 0& 0& u_{N,N}\left(n\right)& z(n-N)\end{array}\right]}_{(N+1)\×(N+1)}$

通过第一次旋转以后，位于(1，1)位置的元素u_0，1(n)即被削除为零值，矩阵的第一行和第二行的所有数据也都进行了旋转，不过其他行的元素保持不变，没有任何运算；而其中，新输入的第一个旋转元素cosθ₁(n)和sinθ₁(n)满足如下等式：

由此可求得旋转元素cosθ₁(n)和sinθ₁(n)，如下：

$\left\{\begin{array}{c}{r}_1=\sqrt{u_{\mathrm{0,1}}{\left(n\right)}^2+u_{\mathrm{1,1}}{\left(n\right)}^2}\\ \cos {\mathrm{\θ}}_1\left(n\right)=\frac{u_{\mathrm{1,1}}\left(n\right)}{r_1}\\ \sin {\mathrm{\θ}}_1\left(n\right)=\frac{u_{\mathrm{0,1}}\left(n\right)}{r_1}\end{array}\right.$

由于u_0，1(n)和u_1，1(n)均是复数，所以此时存在复数运算还是实数运算的选择问题；现有技术获取r1是通过

或者

得到；前者得到的r₁也将是复数，而后者完整的保留了u_1，1(n)的相位信息，如果信号u_0，1(n)，u_1，1(n)仅仅是实数，这样对r₁的求解均正确，但对于复数运算则步骤准确；因此本实施例提出r₁的计算应该是

即旋转元素的相位θ₁不仅仅由u_1，1(n)决定，同时还受r₁相位的影响；相应的旋转元素cosθ₁(n)和sinθ₁(n)应为如下所示：

$\left\{\begin{array}{cc}\cos {\mathrm{\θ}}_1\left(n\right)\·u_{\mathrm{0,1}}\left(t\right)-\sin {\mathrm{\θ}}_1\left(n\right)\·u_{\mathrm{1,1}}\left(n\right)=0& \\ {\cos }^2{\mathrm{\θ}}_1\left(n\right)+{\left|\sin {\mathrm{\θ}}_1\left(n\right)\right|}^2=1,& \sin {\mathrm{\θ}}_1\left(n\right)\·{\left[\sin {\mathrm{\θ}}_1\left(n\right)\right]}^{*}={\left|\sin {\mathrm{\θ}}_1\left(n\right)\right|}^2\end{array}\right.$

而由此求得的旋转元素cosθ₁(n)和sinθ₁(n)，如下：

$\left\{\begin{array}{c}{r}_1=\sqrt{{\left|u_{\mathrm{0,1}}\left(n\right)\right|}^2+u_{\mathrm{1,1}}{\left(n\right)}^2}\\ \cos {\mathrm{\θ}}_1\left(n\right)=\frac{u_{\mathrm{1,1}}\left(n\right)}{r_1}\\ \sin {\mathrm{\θ}}_1\left(n\right)=\frac{u_{\mathrm{0,1}}\left(n\right)}{r_1}\end{array}\right.$

通过旋转元素cosθ₁(n)和sinθ₁(n)即可削除第一行第一列的元素，接下来旋转前两行的其他元素，处理如下：

${\stackrel{\‾}{u}}_{0,m}\left(n\right)=\cos {\mathrm{\θ}}_1\left(n\right)\·u_{0,m}\left(n\right)-\sin {\mathrm{\θ}}_1\left(n\right)\·u_{1,m}\left(n\right)$ (m＝2，…，N)

${\stackrel{\‾}{u}}_{1,m}\left(n\right)={\sin }^{*}{\mathrm{\θ}}_1\left(n\right)\·u_{0,m}\left(n\right)+\cos {\mathrm{\θ}}_1\left(n\right)\·u_{1,m}\left(n\right)$ (m＝1，…，N)

其中

得到的数值比较特殊，

所以以后此位置的数值不需要再计算：

最后完成N次旋转以后，在第n时刻的第一行新输入的元素u_0，1:N(n)全都被旋转为零值，完成了这一时刻n的GIVENS旋转，

的数学表达式如下：

$\mathrm{BIG}\_\stackrel{\‾}{R}\left(n\right)=\left[\begin{array}{ccccc}0& 0& ...& 0& e\\ {\stackrel{\‾}{u}}_{\mathrm{1,1}}\left(n\right)& {\stackrel{\‾}{u}}_{1,2}\left(n\right)& ...& {\stackrel{}{\stackrel{\‾}{u}}}_{1,N}\left(n\right)& {\stackrel{\‾}{z}}_1\left(n\right)\\ 0& {\stackrel{\‾}{u}}_{2,2}\left(n\right)& ...& {\stackrel{\‾}{u}}_{2,N}\left(n\right)& {\stackrel{\‾}{z}}_2\left(n\right)\\ & & .& .& .\\ 0& 0& .& .& .\\ & & .& .& .\\ 0& ...& {\stackrel{\‾}{u}}_{N-1,N-1}\left(n\right)& {\stackrel{\‾}{u}}_{N-1,N}\left(n\right)& {\stackrel{\‾}{z}}_{N-1}\left(n\right)\\ & 0& 0& {\stackrel{\‾}{u}}_{N,N}\left(n\right)& {\stackrel{\‾}{z}}_N\left(n\right)\end{array}\right]$

在完成第n时刻的更新以后，进入n+1时刻，此时新输入数据如下：

$R(n+1)={\left[\begin{array}{cccc}{\stackrel{\‾}{u}}_{\mathrm{1,1}}(n+1)& {\stackrel{\‾}{u}}_{\mathrm{1,2}}(n+1)& ...& {\stackrel{\‾}{u}}_{1,N}(n+1)\\ 0& {\stackrel{\‾}{u}}_{\mathrm{2,1}}(n+1)& ...& {\stackrel{\‾}{u}}_{2,N}(n+1)\\ 0& 0& ...& \\ & & .& .\\ 0& 0& .& .\\ & & .& .\\ 0& ...& {\stackrel{\‾}{u}}_{N-1,N-1}(n+1)& {\stackrel{\‾}{u}}_{N-1,N}(n+1)\\ 0& ...& 0& {\stackrel{\‾}{u}}_{N,N}(n+1)\end{array}\right]}_{N\×N}$

其中u^T(n+1)和Γ(n+1)的数学表达式如下：

u^T(n+1)＝u_0，0(n+1)，u_0，1(n+1)，…u_0，N(n+1)＝y(n+2)，y(n+2)³，…y(n+2-M)^QΓ(n+1)＝z₁(n+1)，z₂(n+1)，…z_N-1(n+1)，z_N(n+1)

再开始(n+1)时刻的GIVENS旋转，方法与第(n)时刻相同，此处不再赘述。

由上述可知，通过GIVENS旋转进行QR分解具体为：

$\tilde{Q}\left(n\right)\left[\begin{array}{cc}{u}^T\left(n\right)& z_0\left(n\right)\\ \sqrt{\mathrm{\λ}}\·R\left(n\right)& \sqrt{\mathrm{\λ}}\·\mathrm{\Γ}\left(n\right)\end{array}\right]=\left[\begin{array}{cc}{0}^T& \tilde{e}\left(n\right)\\ R(n+1)& \mathrm{\Γ}(n+1)\end{array}\right]$

$\widetilde{\mathrm{\γ}}\left(n\right)=\underset{i=1}{\overset{N}{\mathrm{\Π}}}\cos {\mathrm{\θ}}_i$

$e\left(n\right)=20\·{\log }_{10}(\tilde{e}\left(n\right)\·\widetilde{\mathrm{\γ}}\left(n\right))$

然后再通过R(n)和Γ(n)，使用后向迭代运算就可以完成预失真参数的求取；即

$w_N(n+1)=\frac{z_N(n+1)}{R_{\mathrm{NN}}(n+1)},$ N＝(M+1)·(Q+1)/2

$w_i(n+1)=\frac{1}{R_{i,i}(n+1)}(z_i(n+1)-\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{R}_{i,j}(n+1)w_j(n+1)),$ for  i＝N-1，…1

其中：0＜＜λ＜1，优选的λ取0.95＜λ＜0.99999，在具体实现时为了简化运算量，设置因而记忆因子的加入只需要简单的移位运算，减少了乘法运算。值得注意的是，由于初始组装后得到的预失真参数处于初始收敛阶段，预失真系数还处于不稳定状态，对得到预失真参数丢弃，不过GIVENS旋转一直在继续进行，进行L次迭代更新后，认为GIVENS旋转以后的矩阵R(L)进入稳定状态，预失真参数开始保存。

B、在具体实施时，为了使得QR分解更加有效和有秩序，还可采用脉动结构实现：所述通过脉动结构实现主要是将算法映射为基本计算单元的流水线序列，这些单元以并行方式执行任务，使得在每一个时钟周期内所有的单元都处于活动状态，因此即可使用脉动形式完成方程R(n)到R(n+1)的求解，脉动的处理结构如图3所示；

其中，图3所示的处理过程是Systolic阵按节拍工作的情况：设在n＝1时刻为第一节拍，则第一拍时u₁₁边界单元收到u₁(1)，完成u₁₁的新值计算，保存，并将算出的c1，s1送出；第二节拍时，u₁₂单元根据c1，s1及接收到的u₂(1)算出新值

和将c1，s1继续向右送出，处理过的

向下送至u₂₂；在第三节拍时，u₁₃单元接收u₁(3)，c1，s1完成类似u₁₂的操作，同时u₂₂单元根据计算出c2，s2并向右传送，这样按节拍进行下去，数据流将由左斜上方入射Systolic阵，并按节拍向各单元节点推进，最后经乘积单元流出；可以看出第一次采样阵元u^r(n)的输入要在N拍之后才全部被Systolic阵吸收，而误差信号e(n)的输出需要经过2N+1拍才能得到。这种Systolic阵实现QR分解非常易于FPGA实现，每输入一个PA返回的采样信号就完成1～Q个节拍的算法流动，在M+1个输入信号流入到脉动阵中后，就完成了脉动阵的更新，接下来仅仅需要完成迭代运算即可，其中的跌得运算可采用与上述GIVENS旋转的迭代运算类似的方法，在此不再赘述。

此外，本实施例的方法还可包括步骤204：每一次周期性滤波开始后，从第N个采样点符号开始保存运算确定的预失真参数，所述N可根据实际需求或***仿真确定；

其中，现有技术根据误差信号e(n)的大小来判决***是否已经收敛，但由于自适应算法在找到最佳滤波器系数以后，自适应过程应该停止，而由于***数据的随机性、滤波器系数长度和精度的限制，滤波器系数以一种随机的方式在其最佳数值左右不停的波动，结果自适应滤波器在一定时间后才会达到稳态运行方式，其性能也将停止继续提高，同时自适应滤波达到稳态后误差信号e(n)也随着输入数据的随机性在不停的波动，因而该方式很容易造成较大的误差。而本实施例提出在每一次周期性滤波开始后，进行自适应滤波处理，但是不保存滤波器参数，等到完成N个采样符号的自适应滤波处理以后，才开始保存滤波器参数，并且在这之后的滤波器系数也将保存，如果在相同的入口地址已存有滤波器系数则进行更新替换，此时不再进行误差信号e的计算和比较，从而可以节省***运行开销；其总，采样符号个数N可根据实际需求或***仿真确定，本文不再赘述。

除此之外，该方法还可包括步骤205：周期性判断所述确定的预失真参数的误差信号在预设的时间段内是否超出预设的震荡范围，如果是，则以新的预设真参数替代已确定的预失真参数；针对基站可能会接收到异常的输入信号或者误操作，从而导致算法的发散或者崩溃之问题，本实施例提出周期性的判别误差信号，例如每隔1000次自适应滤波处理后，判别第1001这个周期的误差信号e是否在一定范围内振荡，如果误差信号在一段时间内e持续超出一定范围，则清空LUT中的预失真参数，重新初始化LUT中的预失真参数；而等到误差信号e在一段时间内持续在一定范围内，则继续缓存和更新自适应滤波器参数，从而可以减少计算误差信号的运算量。

可以看出，采用本发明实施例的方法，周期性滤波处理开始后，利用预失真处理后的数据作为参考信号、功放反馈的数据作为输入信号构建初始信号矩阵，再对所述初始信号矩阵进行QR分解处理，并通过后向迭代运算确定预失真参数，从而有效的降低了运算量和运算复杂度；并且从第N个采样点符号才开始保存运算确定的预失真参数，从而很好的节省了***运行开销。

基于上述思想，本发明实施例2又提出了一种预失真参数的处理装置，如图4所示，该装置400包括：构建单元401、分解单元402和运算单元403；其中，

所述构建单元401用于在周期性滤波处理开始后，以预失真处理后的数据为参考信号、以功放反馈的数据为输入信号构建初始信号矩阵；所述分解单元402用于对构建单元401构建的初始信号矩阵进行QR分解处理；所述运算单元403用于通过对QR分解后的矩阵进行后向迭代运算确定预失真参数。

其中，所述分解单元402包括：第一处理模块和第二处理模块；其中，所述第一处理模块用于采用正交对角化方式对增加到所述初始信号矩阵中的每一个新数据向量进行迭代对角化处理；所述第二处理模块用于采用脉动结构对所述初始信号矩阵进行QR分解处理。

优选的，该装置还包括：存储单元；其中，所述存储单元用于在每一次周期性滤波开始后，从第N个采样点符号开始保存运算确定的预失真参数，所述N可根据实际需求或***仿真确定。

此外，该装置还包括：判断单元；所述判断单元用于周期性判断所述运算单元确定的预失真参数的误差信号在预设的时间段内是否超出预设的震荡范围，如果是，则以新的预设真参数替代已确定的预失真参数。

本领域技术人员可以理解，可以使用许多不同的工艺和技术中的任意一种来表示信息、消息和信号。例如，上述说明中提到过的消息、信息都可以表示为电压、电流、电磁波、磁场或磁性粒子、光场或以上任意组合。

专业人员还可以进一步应能意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种预失真参数的处理方法，其特征在于，包括：

周期性滤波处理开始后，利用预失真处理后的数据和功放反馈的数据构建初始信号矩阵；所述预失真处理后的数据为参考信号，所述功放反馈的数据为输入信号；

对所述构建的初始信号矩阵进行QR分解处理；

通过对QR分解后的矩阵进行后向迭代运算确定预失真参数。

2.根据权利要求1所述的方法，其特征在于，所述对所述构建的初始信号矩阵进行QR分解处理具体为：

采用正交对角化方式对增加到所述初始信号矩阵中的每一个新数据向量进行迭代对角化处理。

3.根据权利要求2所述的方法，其特征在于：

所述初始信号矩阵中每一行的向量是同一个采样时刻输入的数据。

4.根据权利要求2所述的方法，其特征在于，该方法还包括：

每一次周期性滤波开始后，从第N个采样点符号开始保存运算确定的预失真参数，所述N可根据实际需求或***仿真确定。

5.根据权利要求4所述的方法，其特征在于，该方法还包括：

周期性判断所述确定的预失真参数的误差信号在预设的时间段内是否超出预设的震荡范围，如果是，则以新的预设真参数替代已确定的预失真参数。

6.根据权利要求1所述的方法，其特征在于：

采用脉动结构对所述初始信号矩阵进行QR分解处理。

7.一种预失真参数的处理装置，其特征在于，包括：构建单元、分解单元和运算单元；其中，

所述构建单元用于在周期性滤波处理开始后，以预失真处理后的数据为参考信号、以功放反馈的数据为输入信号构建初始信号矩阵；

所述分解单元用于对构建单元构建的初始信号矩阵进行QR分解处理；

所述运算单元用于通过对QR分解后的矩阵进行后向迭代运算确定预失真参数。

8.根据权利要求7所述的装置，其特征在于，所述分解单元包括：第一处理模块和第二处理模块；其中，

所述第一处理模块用于采用正交对角化方式对增加到所述初始信号矩阵中的每一个新数据向量进行迭代对角化处理；

所述第二处理模块用于采用脉动结构对所述初始信号矩阵进行QR分解处理。

9.根据权利要求8所述的装置，其特征在于，该装置还包括：存储单元；其中，所述存储单元用于在每一次周期性滤波开始后，从第N个采样点符号开始保存运算确定的预失真参数，所述N可根据实际需求或***仿真确定。

10.根据权利要求9所述的装置，其特征在于，该装置还包括：判断单元；所述判断单元用于周期性判断所述运算单元确定的预失真参数的误差信号在预设的时间段内是否超出预设的震荡范围，如果是，则以新的预设真参数替代已确定的预失真参数。

Images