CN104869091A - 一种数字预失真系数训练方法及*** - Google Patents

Abstract

本发明实施例涉及通信技术领域，尤其涉及一种数字预失真系数训练方法及***，用以训练得到满足性能要求的DPD系数。本发明实施例中，由于每次均对DPD处理后的训练序列的反馈信号的ACPR进行了判断，如此，则能够精确判断每次DPD处理的效果，且在ACPR符合要求，即DPD处理效果符合要求时，结束流程，从而得到了满足性能要求的DPD系数。

Description

一种数字预失真系数训练方法及***

技术领域

本发明实施例涉及通信技术领域，尤其涉及一种数字预失真系数训练方法及***。

背景技术

伴随国内外移动运营商的高度认可、近年来的大规模部署商用，基带处理单元(Base Band Unit，简称BBU)+射频拉远单元(Radio Remote Unit，简称RRU)的建网模式呈现出从根本上改变传统网络架构的趋势。由于各国家和地区频谱政策差异，各移动运营商获得的频谱资源相对分散，比如包括900MHz/1800MHz/2100MHz/2300MHz/2600MHz等，普遍面临着多制式、多频段的挑战。尽管频谱资源丰富，但频段间隔较大，射频的宽带化成为发展方向。

宽带数字预失真(Digital PreDistortion，简称DPD)技术是解决宽带RRU的核心技术之一，它有效地借助现有强大的信号处理技术在数字域来补偿功率放大器的非线性所造成的失真。

现有技术中提供了一种数字预失真方法，该方法包括：采集数字反馈信号；将所述数字反馈信号与预失真前的信号做差得到误差信号，将所述误差信号与所述预失真前的信号按自适应算法迭代收敛得到预失真校正系数的修正值；基于所述修正值对预失真校正系数进行修正，得到新的预失真校正系数，以该新的预失真校正系数进行数字预失真处理。可看出，该方法对DPD系数进行了修正，但是并不能保证修正后的DPD系数更好，在某些情况下，修正后的DPD系数可能更差。

综上所述，目前亟需一种DPD系数训练方法及DPD***，用于训练得到满足性能要求的DPD系数。

发明内容

本发明实施例提供一种DPD系数训练方法及DPD***，用以训练得到满足性能要求的DPD系数。

本发明实施例提供一种DPD系数训练方法，包括：

步骤A：将原始训练序列通过射频单元发送，接收该原始训练序列的反馈信号，根据该原始训练序列和该原始训练序列的反馈信号生成DPD系数，根据生成的DPD系数更新查找表；

步骤B：根据该查找表中的DPD系数对该原始训练信号进行DPD处理，将DPD处理后的训练序列通过射频单元发送，接收该DPD处理后的训练序列的反馈信号；

步骤C：判断该DPD处理后的训练序列的反馈信号的邻信道功率比ACPR是否满足要求，若是，则结束当前训练周期的训练过程，否则转入步骤D；

步骤D：根据该DPD处理后的训练序列和该DPD处理后的训练信号的反馈信号生成DPD系数，根据生成的DPD系数更新查找表，并转入步骤B。

较佳的，转入步骤B之前，还包括：

判断当前训练周期内的训练次数是否达到最大次数；

该转入步骤B，具体为：若当前训练周期内的训练次数未达到最大次数，则转入步骤B。

较佳的，还包括：

若当前训练周期内的训练次数达到最大次数，则结束当前训练周期的训练过程。

较佳的，该DPD处理后的训练序列的反馈信号的ACPR满足要求，是指该DPD处理后的训练序列的反馈信号的ACPR绝对值大于阈值。

较佳的，采用自适应算法生成DPD系数，该自适应算法为以下算法中的任意一种：

最小二乘算法、最小均方算法、递归最小二乘算法、最小均方误差算法。

本发明实施例提供一种数字预失真DPD***，包括：

训练序列生成单元，用于生成原始训练序列；

DPD处理单元，用于根据查找表对该原始训练序列进行DPD处理，并将DPD处理后的序列输出给射频单元进行发送；

开关单元，用于将该训练序列生成单元在该DPD处理单元和射频单元之间选择性连接；

DPD系数生成单元，用于根据接收到的反馈信号以及与该反馈信号对应的训练序列生成DPD系数；

查找表更新单元，用于根据该DPD系数生成单元生成的DPD系数更新查找表；

邻信道功率比ACPR确定单元，用于根据接收到的反馈信号确定该反馈信号的ACPR；

控制单元，用于在训练周期开始后：

控制该开关单元将该训练序列生成单元与DPD处理单元之间的连接断开、将该训练序列生成单元与射频单元之间的连接闭合，该原始训练序列通过该射频单元发送，该原始序列的反馈信号被该DPD系数生成单元接收后，该DPD系数生成单元根据该原始训练序列以及该原始序列序列的反馈信号生成DPD系数，该查找表更新单元根据生成的DPD系数更新查找表；

控制该开关单元将该训练序列生成单元与该DPD处理单元之间的连接闭合、将该训练序列生成单元与射频单元之间的连接断开，该DPD处理后的训练序列通过该射频单元发送，该DPD处理后的训练序列的反馈信号被该ACPR确定单元接收后，该ACPR确定单元确定接收到的反馈信号的ACPR；该控制单元判断该ACPR是否满足要求，若是，则结束当前训练周期的训练过程，否则指示该训练序列生成单元再次生成原始训练序列。

较佳的，该控制单元，还用于

对当前训练周期内的训练次数进行计数；

若根据计数值确定当前训练周期内的训练次数达到最大次数，则结束当前训练周期的训练过程。

较佳的，该DPD处理后的训练序列的反馈信号的ACPR满足要求，是指该DPD处理后的训练序列的反馈信号的ACPR绝对值大于阈值。

较佳的，该DPD系数生成单元具体用于：采用自适应算法生成DPD系数，该自适应算法为以下算法中的任意一种：最小二乘算法、最小均方算法、递归最小二乘算法、最小均方误差算法。

本发明实施例中，首先执行步骤A，根据训练序列和训练序列的反馈信号生成DPD系数，根据生成的DPD系数更新查找表；接着执行步骤B，根据查找表中的DPD系数对训练信号进行DPD处理，接收DPD处理后的训练序列的反馈信号；继而判断DPD处理后的训练序列的反馈信号的邻信道功率比(Adjacent Channel Power Ratio，简称ACPR)是否满足要求，若是，则结束训练过程，否则则根据DPD处理后的训练序列和DPD处理后的训练信号的反馈信号生成DPD系数，根据生成的DPD系数更新查找表，并再次执行步骤B。由于每次均对DPD处理后的训练序列的反馈信号的ACPR进行了判断，如此，则能够精确判断每次DPD处理的效果，且在ACPR符合要求，即DPD处理效果符合要求时，结束流程，从而得到了满足性能要求的DPD系数。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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为本发明实施例提供的一种DPD系数训练方法流程示意图；

图2为本发明实施例提供的另一种DPD系数训练方法流程示意图；

图3为本发明实施例提供的一种DPD***的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示例性示出了本发明实施例提供一种DPD系数训练方法的流程图。

本发明实施例提供一种DPD系数训练方法，如图1所示包括以下步骤：

步骤A：将原始训练序列通过射频单元发送，接收该原始训练序列的反馈信号，根据该原始训练序列和该原始训练序列的反馈信号生成DPD系数，根据生成的DPD系数更新查找表，之后转入步骤B。具体来说，该原始训练序列可随机生成，为描述方便，本发明实施例中将随机生成的，且未经过DPD处理的训练序列成为原始训练序列。

步骤B：根据该查找表中的DPD系数对该原始训练信号进行DPD处理，将DPD处理后的训练序列通过射频单元发送，接收该DPD处理后的训练序列的反馈信号，之后转入步骤C。

步骤C：判断该DPD处理后的训练序列的反馈信号的ACPR是否满足要求，若是，则转入步骤E，否则转入步骤D。

步骤E：结束当前训练周期的训练过程。

步骤D：根据该DPD处理后的训练序列和该DPD处理后的训练信号的反馈信号生成DPD系数，根据生成的DPD系数更新查找表，并转入步骤B。

为了方便描述，本发明实施例中，将发送原始训练序列，并基于原始训练序列的反馈信号得到DPD系数的过程称为一次直接训练过程，将发送DPD处理后的训练序列以及基于该DPD处理后的训练序列的反馈信号得到DPD系数的过程称为一次间接训练过程。

本发明实施例所提供的方法均为先使用原始训练序列执行一次直接训练过程，用直接训练过程得到的DPD系数更新查找表，再执行间接训练过程。间接训练过程可能执行多次，每次间接训练过程中，均对接收到的反馈信号进行ACPR判断，即判断反馈信号的ACPR是否满足要求，若判断ACPR不满足要求，则再次执行间接训练过程，直至反馈信号的ACPR满足要求为止。

DPD训练通常是周期进行的。本发明实施例可在每个DPD训练周期均按照上述流程执行。

上述步骤A和步骤B中，优选的，射频单元具体包括依次连接的数模转换器、第一射频通道器件、功率放大器。将原始训练序列依次发送给数模转换器、第一射频通道器件、功率放大器，之后接收到从该功率放大器输出的该原始训练序列的反馈信号。进一步，优选的将接收到的从该功率放大器输出的原始训练序列的反馈信号依次经过第二射频通道器件、模数转换器。

优选的，查找表储存于随机存储器(random access memory，简称RAM)中。

上述步骤B中，较佳地，可通过离线浮点数字运算，结合查找表中的DPD系数对该原始训练序列进行DPD处理。

ACPR是用来衡量邻频率信道中的干扰量或功率量的标准。ACPR常定义为邻频率信道或偏移量的平均功率和发射频率信道的平均功率之比。ACPR描述了因射频单元组成中的非线性因素引起的失真值。因此，可通过判断ACPR的值来确定所生成的DPD系数是否为满足性能要求的值。

较佳的，该DPD处理后的训练序列的反馈信号的ACPR满足要求，是指该DPD处理后的训练序列的反馈信号的ACPR绝对值大于阈值。该处阈值的选取与当时的具体的网络环境有关，可通过网络自动配置，也可通过人工设置一经验值。较佳的，通常将ACPR的阈值设置为47dBc，绝对值大于该阈值则说明非线性干扰小，小于该阈值则说明非线性干扰大。

一种优选的方式为根据该训练序列和该原始训练序列的反馈信号生成DPD系数或根据该DPD处理后的原始训练序列和该DPD处理后的训练信号的反馈信号生成DPD系数方式为采用自适应算法生成DPD系数，该自适应算法为以下算法中的任意一种：最小二乘算法、最小均方算法、递归最小二乘算法、最小均方误差算法。

本发明实施例中，由于每次均对DPD处理后的训练序列的反馈信号的ACPR进行了判断，如此，则能够精确判断每次DPD处理的效果，且在ACPR符合要求，即DPD处理效果符合要求时，结束流程，从而得到了满足性能要求的DPD系数。

本发明实施例还提供了另一种DPD系数训练方法，如图2所示，图2为本发明实施例还提供了另一种DPD系数训练方法的流程图。

步骤201：将原始训练序列通过射频单元发送，接收该原始训练序列的反馈信号，根据该原始训练序列和该原始训练序列的反馈信号生成DPD系数，根据生成的DPD系数更新查找表，之后转入步骤202。该步骤具体实现过程同前所述述步骤A的具体实现过程。

步骤202：根据该查找表中的DPD系数对该原始训练信号进行DPD处理，将DPD处理后的训练序列通过射频单元发送，接收该DPD处理后的训练序列的反馈信号，之后转入步骤203。该步骤具体实现过程同前所述述步骤B的具体实现过程。

步骤203：判断该DPD处理后的训练序列的反馈信号的ACPR是否满足要求，若是，则转入步骤206，否则转入步骤204。该步骤具体实现过程同前所述述步骤C的具体实现过程。

步骤204：根据该DPD处理后的训练序列和该DPD处理后的训练信号的反馈信号生成DPD系数，根据生成的DPD系数更新查找表，之后执行步骤205。该步骤具体实现过程同前所述述步骤D的具体实现过程。

步骤205，判断当前训练周期内的训练次数是否达到最大训练次数，若当前训练周期内的训练次数未达到最大训练次数，则执行步骤202。

优选地，步骤205中若当前训练周期内的训练次数达到最大训练次数，则执行步骤206。

步骤206，结束当前训练周期的训练过程。

上述步骤205中，优选的，当前训练周期内的训练次数为间接训练的次数。具体实施中，也可统计进行训练的所有次数，即直接训练的次数加上间接训练的次数。直接训练和间接训练的定义如前所述。

具体来说，在上述步骤205中增加了对间接训练次数的判断，此时即可避免某些情况下，当ACPR一直未符合要求时，一直执行间接训练，如此，则占用过多***资源，因此，本发明实施例中通过对当前训练周期内的训练次数的判断，降低***资源的消耗。

本发明的各实施例中，对原始训练序列进行DPD处理所使用的DPD模型，可根据需要进行选择，本发明实施例对所使用的DPD模型不做限制。

随着带宽的增加，DPD模型会变得更加复杂，由于DPD模型的分析以及简化都基于功率放大器的电路特性，使得DPD模型保持了描述功率放大器各种实际动态特性的能力。

例如，本发明实施例可使用离散形式的Volterra级数DPD模型，该DPD模型可以表达为公式(1)：

$\begin{array}{c}z\left(n\right)=\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}{h}_1\left(k\right)\·(n-k)\\ +\underset{k_1=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{k_2=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{k_3=0}{\overset{K-1}{\mathrm{\Σ}}}{h}_3(k_1,k_2,k_3)\·x(n-k_1)\·x(n-k_2)\·x^{*}(n-k_3)\\ +\underset{k_1=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{k_2=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{k_3=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{k_4=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{k_5=0}{\overset{K-1}{\mathrm{\Σ}}}{h}_5(k_1,k_2,k_3,k_4,k_5)\·x(n-k_1)\·x(n-k_2)\\ \·x(n-k_3)\·x^{*}(n-k_4)\·x^{*}(n-k_5)\end{array}\·\·\·\·\·\·\left(1\right)$

公式(1)中：

x(n)为***的输入信号；

x^*(n)为对复数信号求取共轭，x^*(n)＝[xi(n)+j·xq(n)]^*＝xi(n)-j·xq(n)；

z(n)为***输出信号；

h₁(k)和h₃(k₁,k₂,k₃)以及h₅(k₁,k₂,k₃,k₄,k₅)是功率放大器模型参数；

K是***的记忆长度。

本发明实施例还提供了表达式为公式(2)的MP模型，表达式为公式(3)和公式(4)的时间交错记忆多项式模型，以及表达式为公式(5)和公式(6)的时间交错共轭记忆多项式模型：

$z_{\mathrm{mp}}\left(n\right)=\underset{m=0}{\overset{M}{\mathrm{\Σ}}}y(n-m)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}{\left|y(n-m)\right|}^{(q-1)}\·\·\·\·\·\·\left(2\right)$

$z_{\mathrm{mp}-\mathrm{cl}}\left(n\right)=\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}y(n-m)\underset{q=2}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-l}{\left|y(n-m-l)\right|}^{(q-1)}\·\·\·\·\·\·\left(3\right)$

$z_{\mathrm{mp}+\mathrm{cl}}\left(n\right)=\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}y(n-m)\underset{q=2}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,l}{\left|y(n-m+l)\right|}^{(q-1)}\·\·\·\·\·\·\left(4\right)$

$z_{\mathrm{mp}-\mathrm{tl}}\left(n\right)=\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{y}^{*}(n-m)\·y^2(n-m-l)\underset{q=3}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,-\mathrm{xl}}^1{\left|y(n-m-l)\right|}^{(q-3)}\·\·\·\·\·\·\left(5\right)$

$z_{\mathrm{mp}+\mathrm{tl}}\left(n\right)=\underset{l=1}{\overset{L_c}{\mathrm{\Σ}}}\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{y}^{*}(n-m)\·y^2(n-m+l)\underset{q=3}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q,\mathrm{xl}}^1{\left|y(n-m+l)\right|}^{(q-3)}\·\·\·\·\·\·\left(6\right)$

上述公式(2)至公式(6)中：

M为记忆深度；

Q为交调阶数；

L_C为互调深度，也就是即交错采样深度；

y(n-m)、y(n-m+l)为***的输入信号；

y^*(n)为对复数信号求取共轭；

z(n)为***输出信号；

z_mp(n)为记忆多项式MP模型；

z_mp-cl(n)和z_mp+cl(n)为时间交错记忆多项式；

z_mp-tl(n)和z_mp+tl(n)时间交错共轭记忆多项式。

基于上述几种DPD模型，较佳的，本发明实施例中还提供一种相对简单的DPD模型，表达式如公式(7)所示：

$\begin{array}{c}z\left(n\right)=\underset{m=0}{\overset{M}{\mathrm{\Σ}}}y(n-m)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}{\left|y(n-m)\right|}^{(q-1)}+\\ +\underset{m=0}{\overset{M-r}{\mathrm{\Σ}}}y(n-m-r)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}^r{\left|y(n-m)\right|}^{(q-1)}\\ +\underset{m=0}{\overset{M-r}{\mathrm{\Σ}}}y(n-m)\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{w}_{m,q}^{-r}{\left|y(n-m-r)\right|}^{(q-1)}\end{array}\·\·\·\·\·\·\left(7\right)$

公式(7)中：

r＝1,2,3…R；

M为记忆深度；

Q为交调阶数；

w_m,q为目标DPD系数；m是记忆索引，q是非线性索引；

y(n-m)、y(n-m-r)为***的输入信号；

z(n)为***输出信号。

确定本发明实施例中所使用的DPD模型之后，为了保持功率平衡，反馈信号需消除功放额定线性增益，得到信号，具体参见公式(8)：

$u_{m,q,r_1,r_2}\left(n\right)=\frac{y(n-m-r_1)}{G}{\left|\frac{y(n-m-r_2)}{G}\right|}^{q-1}\·\·\·\·\·\·\left(8\right)$

上述公式(8)中：

0≤r₁≤R,0≤r₂≤R；

y(n-m-r₁)、y(n-m-r₂)为反馈信号；

G为功率放大器额定线性增益；

为反馈信号消除功率放大器额定线性增益之后得到的信号。

公式(8)中参考信号的矩阵表示如下：

z＝Uw……(9)

目标DPD系数的最小二乘解如公式(10)所示：

$\hat{w}={\left(U^{H}U\right)}^{-1}{U}^{H}z\·\·\·\·\·\·\left(10\right)$

公式(9)和公式(10)中：

z为参考信号；z＝[z(0),…,z(N-1)]^T；

U为公式(8)中反馈信号的矩阵形式， $U=[u_{10},\·\·\·u_{M000},\·\·\·u_{1Q},\·\·\·u_{\mathrm{MQ}{R}_1{R}_2}],u_{\mathrm{mq}{r}_1{r}_2}={[u_{\mathrm{mq}{r}_1{r}_2}\left(0\right),u_{\mathrm{mq}{r}_1{r}_2}\left(1\right),\·\·\·u_{\mathrm{mq}{r}_1{r}_2}(N-1)]}^T$

w为目标DPD系数， $w={[w_{1000},\·\·\·w_{M000},\·\·\·w_{1Q00},\·\·\·w_{\mathrm{MQ}{R}_1{R}_2}]}^T.$

由于采样点的数目多于模型的系数的个数，因此公式(9)为超定方程组。为此，本发明实施例中可应用最小二乘原理确定线性方程的解，实际计算过程中采用矩阵的QR分解方法或者快速Cholesky分解方法求解矩阵系数。对于PVS模型，通过配置记忆深度、交调阶数、交错采样点，就可以完成自相关矩阵的组合。

本发明实施例中的功率放大器模型和DPD模型之间的关系如下：

功率放大器模型首先是经过线性时变特性，之后是无记忆非线性特性；DPD模型首先是无记忆非线性特性，然后是线性时变特性特性，功率放大器模型和DPD模型结合之后，处理出的信号就是线性模型处理之后的信号，因此，对预失真之后的反馈信号进行判断，即可准确确定出预失真的效果。

从上述内容可以看出，本发明实施例中由于每次均对DPD处理后的原始训练序列的反馈信号的ACPR进行了判断，如此，则能够精确判断每次DPD处理的效果，且在ACPR符合要求，即DPD处理效果符合要求时，结束流程，从而得到了满足性能要求的DPD系数。

图3示例性示出了一种DPD***的结构示意图。

基于相同构思，本发明实施例提供一种DPD***，如图3所示，包括训练序列生成单元301，与该训练序列生成单元301连接的开关单元304，与开关单元304连接的DPD处理单元302和射频单元303，开关单元304可实现训练序列生成单元301和DPD处理单元连接，也可实现训练序列生成单元301和射频单元303直接连接，与DPD处理单元302连接的射频单元303，ACPR确定单元307，DPD系数生成单元305，ACPR确定单元307和DPD系数生成单元305均可获取到反馈信号310，与DPD系数生成单元305连接的查找表更新单元306，查找表更新单元306可用于更新储存的查找表，控制单元308，控制单元308同时与训练序列生成单元301、开关单元304、ACPR确定单元307、DPD系数生成单元305连接。

较佳地，射频单元303包括依次连接的数模转换器313、第一射频通道器件314、功率放大器315。较佳地，反馈信号310经过第二射频通道器件316、模数转换器317进入ACPR确定单元307和DPD系数生成单元305。

训练序列生成单元301，用于生成原始训练序列；

DPD处理单元302，用于根据查找表对原始训练序列进行DPD处理，并将DPD处理后的序列输出给射频单元303进行发送；

开关单元304，用于将训练序列生成单元301在DPD处理单元302和射频单元303之间选择性连接；

DPD系数生成单元305，用于根据接收到的反馈信号以及与反馈信号对应的训练序列生成DPD系数；

查找表更新单元306，用于根据DPD系数生成单元305生成的DPD系数更新查找表；

ACPR确定单元307，用于根据接收到的反馈信号确定反馈信号的ACPR；

控制单元308，用于在训练周期开始后：

控制开关单元304将训练序列生成单元301与DPD处理单元302之间的连接断开、将训练序列生成单元301与射频单元303之间的连接闭合，原始训练序列通过射频单元303发送，原始序列的反馈信号被DPD系数生成单元305接收后，DPD系数生成单元305根据原始训练序列以及原始序列序列的反馈信号生成DPD系数，查找表更新单元306根据生成的DPD系数更新查找表；

控制开关单元304将训练序列生成单元301与DPD处理单元302之间的连接闭合、将训练序列生成单元301与射频单元303之间的连接断开，DPD处理后的训练序列通过射频单元303发送，DPD处理后的训练序列的反馈信号被ACPR确定单元307接收后，ACPR确定单元307确定接收到的反馈信号的ACPR；控制单元308判断ACPR是否满足要求，若是，则结束当前训练周期的训练过程，否则指示训练序列生成单元301再次生成原始训练序列。

具体来说，训练序列生成单元301可在每次训练中均重新生成相同的原始训练序列，也可在每次训练中均重新生成不同的原始训练序列，也可在一个训练周期的直接训练过程中生成一次原始训练序列，之后将其储存，并在之后的间接训练中均使用该储存的原始训练序列。本发明实施例下述方案基于训练序列生成单元301在每次训练中均重新生成相同的原始训练序列为例进行介绍。

较佳的，控制单元308还用于对当前训练周期内的训练次数进行计数；若根据计数值确定当前训练周期内的训练次数达到最大次数，则结束当前训练周期的训练过程。当前训练周期内的训练次数为间接训练的次数，间接训练的次数等于训练的总次数减去一次直接训练的次数。间接训练和直接训练的定义如前所述。

优选的，控制单元308可通过对DPD系数生成单元305根据接收到的反馈信号以及与反馈信号对应的训练序列生成DPD系数的次数进行计数。其它实现方式为，控制单元308也可对训练序列生成单元301中生成原始训练序列的次数进行计数、对查找表的更新次数进行计数等。

优选的，DPD处理后的训练序列的反馈信号的ACPR满足要求，是指DPD处理后的训练序列的反馈信号的ACPR绝对值大于阈值。

较佳地，DPD系数生成单元305具体用于：采用自适应算法生成DPD系数，自适应算法为以下算法中的任意一种：最小二乘算法、最小均方算法、递归最小二乘算法、最小均方误差算法。

从上述内容可以看出：本发明实施例中由于每次均对DPD处理后的原始训练序列的反馈信号的ACPR进行了判断，如此，则能够精确判断每次DPD处理的效果，且在ACPR符合要求，即DPD处理效果符合要求时，结束流程，从而得到了满足性能要求的DPD系数。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令***的制造品，该指令***实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种数字预失真DPD系数训练方法，其特征在于，包括：

步骤A：将原始训练序列通过射频单元发送，接收所述原始训练序列的反馈信号，根据所述原始训练序列和所述原始训练序列的反馈信号生成DPD系数，根据生成的DPD系数更新查找表；

步骤B：根据所述查找表中的DPD系数对所述原始训练信号进行DPD处理，将DPD处理后的训练序列通过射频单元发送，接收所述DPD处理后的训练序列的反馈信号；

步骤C：判断所述DPD处理后的训练序列的反馈信号的邻信道功率比ACPR是否满足要求，若是，则结束当前训练周期的训练过程，否则转入步骤D；

步骤D：根据所述DPD处理后的训练序列和所述DPD处理后的训练信号的反馈信号生成DPD系数，根据生成的DPD系数更新查找表，并转入步骤B。

2.如权利要求1所述的方法，其特征在于，转入步骤B之前，还包括：

判断当前训练周期内的训练次数是否达到最大次数；

所述转入步骤B，具体为：若当前训练周期内的训练次数未达到最大次数，则转入步骤B。

3.如权利要求2所述的方法，其特征在于，还包括：

若当前训练周期内的训练次数达到最大次数，则结束当前训练周期的训练过程。

4.如权利要求1至3中任一项所述的方法，其特征在于，所述DPD处理后的训练序列的反馈信号的ACPR满足要求，是指所述DPD处理后的训练序列的反馈信号的ACPR绝对值大于阈值。

5.如权利要求1至3中任一项所述的方法，其特征在于，采用自适应算法生成DPD系数，所述自适应算法为以下算法中的任意一种：

最小二乘算法、最小均方算法、递归最小二乘算法、最小均方误差算法。

6.一种数字预失真DPD***，其特征在于，包括：

训练序列生成单元，用于生成原始训练序列；

DPD处理单元，用于根据查找表对所述原始训练序列进行DPD处理，并将DPD处理后的序列输出给射频单元进行发送；

开关单元，用于将所述训练序列生成单元在所述DPD处理单元和射频单元之间选择性连接；

DPD系数生成单元，用于根据接收到的反馈信号以及与所述反馈信号对应的训练序列生成DPD系数；

查找表更新单元，用于根据所述DPD系数生成单元生成的DPD系数更新查找表；

邻信道功率比ACPR确定单元，用于根据接收到的反馈信号确定所述反馈信号的ACPR；

控制单元，用于在训练周期开始后：

控制所述开关单元将所述训练序列生成单元与DPD处理单元之间的连接断开、将所述训练序列生成单元与射频单元之间的连接闭合，所述原始训练序列通过所述射频单元发送，所述原始序列的反馈信号被所述DPD系数生成单元接收后，所述DPD系数生成单元根据所述原始训练序列以及所述原始序列序列的反馈信号生成DPD系数，所述查找表更新单元根据生成的DPD系数更新查找表；

控制所述开关单元将所述训练序列生成单元与所述DPD处理单元之间的连接闭合、将所述训练序列生成单元与射频单元之间的连接断开，所述DPD处理后的训练序列通过所述射频单元发送，所述DPD处理后的训练序列的反馈信号被所述ACPR确定单元接收后，所述ACPR确定单元确定接收到的反馈信号的ACPR；所述控制单元判断所述ACPR是否满足要求，若是，则结束当前训练周期的训练过程，否则指示所述训练序列生成单元再次生成原始训练序列。

7.如权利要求1所述的DPD***，其特征在于，所述控制单元，还用于

对当前训练周期内的训练次数进行计数；

若根据计数值确定当前训练周期内的训练次数达到最大次数，则结束当前训练周期的训练过程。

8.如权利要求6或7所述的DPD***，其特征在于，所述DPD处理后的训练序列的反馈信号的ACPR满足要求，是指所述DPD处理后的训练序列的反馈信号的ACPR绝对值大于阈值。

9.如权利要求6或7所述的DPD***，其特征在于，所述DPD系数生成单元具体用于：采用自适应算法生成DPD系数，所述自适应算法为以下算法中的任意一种：最小二乘算法、最小均方算法、递归最小二乘算法、最小均方误差算法。