CN109075745B

CN109075745B - 预失真装置

Info

Publication number: CN109075745B
Application number: CN201580083494.7A
Authority: CN
Inventors: 维克多·伊万诺维奇·基甘; 德米特里·安那托里维齐·多尔基克; 安东·伊戈列维奇·斯梅卡洛夫; 石华平
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2015-11-10
Filing date: 2015-11-10
Publication date: 2020-07-14
Anticipated expiration: 2035-11-10
Also published as: WO2017082749A8; US20180262168A1; US10171041B2; WO2017082749A1; CN109075745A

Abstract

本公开内容涉及一种用于非线性PA装置(101)的预失真装置(100)，包括：输入端子(102)，其用于接收输入信号(106)；预失真滤波器(103)，其连接在输入端子(102)与非线性PA装置(101)之间；第一延迟元件(105)，其耦接至输入端子(102)并且被配置成将输入信号(106)延迟达时间延迟D以提供经延迟的输入信号(104)；以及自适应滤波器单元(120)，其包括调整单元(109)以及具有可调的滤波器权重并且被配置成对经延迟的输入信号(104)进行滤波的自适应滤波器(107)，其中，调整单元被配置成基于经延迟的输入信号(104)来处理自适应算法以调整自适应滤波器(107)的滤波器权重并且向自适应滤波器(107)和预失真滤波器(103)二者提供相同的经调整的滤波器权重，其中，自适应滤波器(107)和调整单元(109)二者均耦接至第一延迟元件(105)以接收相同的经延迟的输入信号(104)。

Description

预失真装置

技术领域

本公开内容涉及用于非线性功率放大器(power amplifier，PA)装置的预失真装置。本发明还涉及通信***的无线电发送器中使用的非线性PA的数字预失真装置。

背景技术

PA线性化问题出现在下述的通信***的设备中，在所述通信***的设备中，发送器的PA工作在饱和区，这提供了高的效率但却遭受到非线性失真。

PA线性化的问题通常通过对PA输入信号应用预失真使得预失真器和PA的级联的输出信号无失真或几乎无失真来解决。由于预失真通常在数字域中实现，即基于使用数字信号处理原理来实现，因此该技术被称为数字预失真并且预失真装置被称为数字预失真器(Digital Predistorter，DPD)。DPD产生非线性传递函数，该非线性传递函数是PA的传递函数的逆。该功能使级联的DPD和PA的幅度至幅度调制(Amplitude-to-AmplitudeModulation，AM-AM)函数和幅度至相位调制(Amplitude-to-Phase Modulation，AM-PM)函数线性化。DPD是一种非线性自适应滤波器，其权重使用自适应信号处理算法来计算。目前，存在两种主要的DPD：具有间接学习的DPD 400，参见图4；以及具有直接学习的DPD 500，参见图5。

在图4、图5等中，x(k)402、x(k)502是数字发送信号，即数字调制解调器的输出信号。即使非线性PA输出信号在连续时间t中存在为y(t)；但是为了简化符号，对于连续时间信号和离散时间(即，通过模数转换器ADC(Analog-to-Digital Converter，ADC)进行时间采样的)信号二者均使用离散时间来表示如y(k)406、y(k)512，其中，k＝0、1、2……是信号样本数目，参见图4、图5。如在文献中描述的，相同的离散时间形式还用于其他连续信号。连续信号的离散时间表示对于符号的简化和DPD的计算机模拟是有用的。在这种情况下，离散时间样本被定义为t(k)＝kT_s＝k/F_s，其中，F_s是采样频率，并且T_s是采样频率周期。

在图4中，通过PA的所需增益G₀ 411进行缩放的信号

410到达预失真器输入端。预失真器401是非线性滤波器，其权重借助于自适应算法403来即时计算。非线性滤波器的架构取决于借助于多项式、样条函数等的PA非线性近似。可以在下文中描述的DPD中使用任何非线性近似。

基于预失真器副本(copy)407(也就是与预失真器401相同的非线性滤波器)输出信号y'(k)404与预失真器输出信号

408之间的误差α(k)，自适应算法403在其操作期间使均方误差(Mean Square Error，MSE)成本函数最小化。

间接学习DPD 400，参见图4，具有一些缺点。PA 405的输出信号y(k)406可以是有噪的。由于使用有噪信号

410来计算自适应滤波器(预失真器)权重，因此权重是有偏差的，这导致DPD性能劣化。非线性滤波器是非置换的，即级联的预失真器副本407和非线性PA 405不确保与级联的非线性PA和预失真器的性能相同的性能，即MSE等。

这些缺点在直接学习DPD 500，参见图5，中是不存在的，这是因为以下原因：输入信号x(k)502中不存在测量噪声，使用输入信号x(k)502来计算自适应滤波器(预失真器501)权重。因此，不存在使权重有偏差的原因。最小化的MSE成本函数是基于对经缩放的PA输出信号

512与延迟了D个样本的x(k)信号即d(k)＝x(k-D)508之间的误差α(k)510的估计，其中，D是由预失真器501、非线性PA 505以及一些实现问题引起的***延迟。在这种情况下，误差α(k)510是直接表征DPD性能即非线性PA输出端506处的信号的MSE的参数。

在图6中示出了图5的简化***视图。此处，借助于数模转换器(Digital-to-Analog Converter，DAC)607和上变频器609将预失真器601的输出信号y'(k)604递送至发送器的PA 605的输入端。借助于下变频器613和ADC 611来递送反馈信号y(k)612以用于基带计算。因此，产生***延迟D值的上述实现问题取决于至少DAC 607的延迟、ADC 611的延迟、上变频器609的延迟以及下变频器613的延迟。

直接学习DPD 700的细节在图7中示出。直接学习DPD 700的主信号路径包括DPD701和非线性PA装置(通常情况下具有存储器)717。非线性PA装置717包括线性滤波器703、非线性PA 705以及第四延迟元件(延迟4)709。直接学习DPD 700的第二信号路径包括第三延迟元件(延迟3)707。直接学习DPD 700的第三信号路径包括第一延迟元件(延迟1)711。由减法单元715从已经通过第二路径的经延迟的输入信号702中减去已经通过直接学习DPD 700的主路径的输入信号702即信号y(k)以提供误差信号712。自适应算法713基于误差信号712以及已经通过第三信号路径的输入信号702即经延迟的输入信号714来调整DPD701的权重。

存在如下面所指示的两个主要问题，这两个主要问题限制在下文中被称为传统DPD的参见图7的DPD 700的效率。

第一个问题：与参见下面的式(5)的当自适应滤波器701和自适应算法713二者将使用相同的输入信号x(k)702时的情况相比，传统的直接学习DPD 700中使用的基于梯度搜索的自适应算法中的步长μ_max必须具有较小的值，参见下面的式(3)。较小的步长值增加了基于梯度搜索的自适应算法的瞬态响应的持续时间，这是因为如果步长减小，则响应增加。

第二个问题：传统的直接学习DPD 700，参见图7，不能使用作为与基于梯度搜索的自适应算法相比的更有效率的算法的递归最小二乘(Recursive Least Square，RLS)自适应算法，这是因为由于RLS算法不具有用于稳定性控制的参数(如步长)，因此RLS算法在该架构中变得不稳定。

由于DPD的性能取决于其架构和所使用的算法，因此需要解决上面定义的两个问题从而来提高DPD的效率。

为了详细地描述本发明，将使用以下术语、缩写和符号：

DPD(Digital Predistorter)：数字预失真器

PA(Power Amplifier)：功率放大器

AM-AM(Amplitude-to-Amplitude Modulation)：幅度至幅度调制

AM-PM(Amplitude-to-Phase Modulation)：幅度至相位调制

ANC(Active Noise Control)：主动噪声控制

LMS(Least Mean Square)：最小均方(算法)

RLS(Recursive Least Square)：递归最小二乘(算法)

NLMS(Normalized LMS)：归一化LMS(算法)

AP(Affine Projection)：仿射投影

FAP(Fast AP)：快速AP

VSS(Variable Step-Size)：可变步长

MSE(Mean Square Error)：均方误差

PSD(Power Spectral Density)：功率谱密度

发明内容

本发明的目的是提供一种用于改进用于非线性PA的数字预失真装置的构思。

该目的通过独立权利要求的特征来实现。根据从属权利要求、说明书以及附图，另外的实现形式是明显的。

本发明通过引入对参见图7的传统的直接学习DPD 700的修改来解决至少上述问题。该修改通过以下方式来实现：根据DPD误差信号712重构自适应滤波器713的期望信号并且向自适应滤波器和自适应算法二者提供相同的输入信号714。上述输入信号714是DPD701的输入信号702的延迟(延迟了***延迟值D)版本。DPD权重是上述自适应滤波器权重的副本。如果使用基于梯度搜索的自适应算法或使用由于稳定性原因而不能用于未修改的传统的直接学习DPD 700的高效RLS自适应算法，则根据本公开内容的修改使得能够加速自适应，即减小自适应滤波器的瞬态响应。对如下文所述的传统的直接学习DPD 700的修改产生了经修改的DPD 100、经修改的DPD 200、经修改的DPD 300，参见如下所述的图1、图2和图3。如下面关于图2和图3所示，如果(以样本数目计的)***延迟D与经修改的DPD权重的总数相比而较小，即

则基于最小均方(LMS)自适应算法的DPD的算术复杂度可以被降低至大约传统DPD 700的算术复杂度。此处，N_m是表示非线性滤波器的多通道滤波器的第m通道的权重数值，M是多通道滤波器中的通道数目。图2和图3描述了在数学上等同于图1的在LMS算法情况下使用的经修改的DPD。也可以以类似的方式使用NLMS算法和AP算法。虽然图2和图3的架构可以用于任何D与

的关系，但是特别地如果

则实现了图2和图3的架构中的LMS算法的计算效率。

根据本公开内容的经修改的DPD架构具有以下优点：将根据本公开内容的修改应用于传统的直接学习DPD 700使得能够在根据本公开内容的经修改的直接学习DPD 100、经修改的直接学习DPD 200、经修改的直接学习DPD 300架构中使用基于梯度搜索的自适应算法的最大步长值μ_max(根据下面的式(5))。步长的增加使自适应加速。应用根据本公开内容的修改使得RLS算法在如下所述的经修改的直接学习DPD 100架构中稳定。如果LMS算法、归一化LMS(NLMS)算法或仿射投影(AP)算法用于DPD权重计算，则如参见下面关于图2和图3的描述的200、300，对两个信号的差应用递归计算使得能够将经修改的直接学习DPD 100架构的算术复杂度降低至大约传统的直接学习DPD 700的算术复杂度。根据本公开内容的经修改的DPD解决方案的优点还可以从下面针对LMS自适应滤波算法情况的图15、图17、图19、图21的性能图中看出。

根据第一方面，本发明涉及一种用于非线性PA装置的预失真装置，预失真装置包括：输入端子，其用于接收输入信号；预失真滤波器，其连接在输入端子与非线性PA装置之间；第一延迟元件，其耦接至输入端子并且被配置成将输入信号延迟达时间延迟D以提供经延迟的输入信号；以及自适应滤波器单元，包括：自适应滤波器，其具有可调的滤波器权重并且被配置成对经延迟的输入信号进行滤波，以及调整单元，其中，调整单元被配置成基于经延迟的输入信号来处理自适应算法，以调整自适应滤波器的滤波器权重并且向自适应滤波器和预失真滤波器二者提供相同的经调整的滤波器权重，其中，自适应滤波器和调整单元二者均耦接至第一延迟元件，以接收相同的经延迟的输入信号。

通过向自适应滤波器和调整单元二者施加相同的经延迟的输入信号并且通过向自适应滤波器和预失真滤波器二者提供相同的经调整的滤波器权重，解决了上述两个问题。即，基于梯度搜索的自适应算法中的步长μ_max可以以如由下面的式(5)定义的最大值进行操作。步长的该最大值减小了基于梯度搜索的自适应算法的瞬态响应的持续时间。此外，预失真装置可以使用作为与基于梯度搜索的自适应算法相比的更高效的自适应算法的RLS自适应算法。RLS算法在该预失真滤波器架构中是稳定的，该预失真滤波器架构在下文中也被称为“经修改的预失真滤波器”架构。

在根据第一方面的装置的第一可能实现形式中，调整单元被配置成基于经延迟的输入信号、自适应滤波器的输出信号以及非线性PA装置的输出信号来调整自适应滤波器的滤波器权重。

基于经延迟的输入信号来调整滤波器权重提供了以下优点：如由下面的式(5)定义的最大步长μ_max可以用于基于梯度搜索的自适应算法，从而产生较快的收敛以及因而产生较好的预失真质量。

在根据第一方面的第一实现形式的装置的第二可能实现形式中，预失真装置包括：输出端子，其用于提供第一误差信号；输出处理级，其耦接在非线性PA装置与输出端子之间，并且被配置成基于经延迟的输入信号与非线性PA装置的输出信号的组合来提供第一误差信号。

这提供了以下优点：输出处理级处理其中考虑了非线性PA输出信号的***延迟的第一误差信号。

在根据第一方面的第二实现形式的装置的第三可能实现形式中，调整单元被配置成：基于经延迟的输入信号与根据第一误差信号得到的第二误差信号之间的关系来调整自适应滤波器的滤波器权重。

这提供了以下优点：对滤波器系数的调整可以将根据下面的式(5)的最大步长应用于基于梯度搜索的自适应算法。

在根据第一方面的第三实现形式的装置的第四可能实现形式中，预失真装置包括：误差处理级，其被配置成基于第一误差信号与自适应滤波器的输出信号的组合来提供第二误差信号。

这提供了以下优点：误差处理级使用自适应滤波器输出信号和非线性PA输出信号二者来计算第二误差信号，从而如由下面的式(5)定义的最大步长μ_max可以用于基于梯度搜索的自适应算法，从而产生较快的收敛以及因而产生较好的预失真质量。

在根据第一方面的第四实现形式的装置的第五可能实现形式中，误差处理级被配置成基于第一误差信号、自适应滤波器的输出信号和预失真滤波器的被延迟了时间延迟D的输出信号的组合来提供第二误差信号。

这提供了以下优点：误差处理级使用全部的三个可用信号，即自适应滤波器输出信号、非线性PA输出信号和非线性预失真装置输出信号来计算第二误差信号，从而如由下面的式(5)定义的最大步长μ_max可以用于基于梯度搜索的自适应算法，从而产生较快的收敛以及因而产生较好的预失真质量。

在根据第一方面本身或者根据第一方面的任一前述实现形式的装置的第六可能实现形式中，自适应滤波器包括多通道有限脉冲响应(Finite Impulse Response，FIR)滤波器。注意，在所有图中，DPD、自适应滤波器和自适应算法看起来像单通道的DPD、自适应滤波器和自适应算法。这是为了简化附图。但是，如稍后所述，所有标量信号如x(k)或在装置输入之后的x(k-D)都在内部被转换成向量信号，如x₁(k)……x_M(k)或x₁(k-D)……x_M(k-D)，如在图9的左边部分或以取决于如文本中呈现的DPD中使用的非线性模型的类似方式示出。

这提供了以下优点：FIR滤波器可以模拟由多通道线性滤波器呈现的任何种类的非线性。

在根据第一方面的第五实现形式的装置的第七可能实现形式中，预失真装置还包括：第二延迟元件，其耦接至预失真滤波器并且被配置成将预失真滤波器的输出信号延迟达时间延迟D。

这提供了以下优点：在计算第二误差信号时，预失真滤波器的输出信号相对于非线性PA的输出信号呈正确的时间关系。

在根据第一方面的第七实现形式的装置的第八可能实现形式中，自适应滤波器和第二延迟元件由形成自适应滤波器和第二延迟元件的替换的计算单元来实现。

在根据第一方面的第八实现形式的装置的第九可能实现形式中，计算单元包括存储器，该存储器被配置成存储经延迟的输入信号的多个被延迟了D的样本。这提供了以下优点：可以以针对DPD的在计算上高效的方式实现基于梯度搜索的自适应算法，其中，D小于DPD滤波器中使用的多通道FIR滤波器的权重的总数。

在根据第一方面的第九实现形式的装置的第十可能实现形式中，计算单元包括第一乘法器，第一乘法器被配置成基于经延迟的输入信号与存储在存储器中的延迟样本的乘积来提供第一信号。

这提供了以下优点：延迟信号向量rD(k)的相关向量可用于计算并且复杂度被降低，这是因为可以应用类似于延迟LMS算法的实现。

在根据第一方面的第十实现形式的装置的第十一可能实现形式中，计算单元包括第二乘法器，第二乘法器被配置成基于第一信号与权重向量的乘积来提供第二信号。

这提供了以下优点：权重向量可用于计算并且复杂度被降低，这是因为可以应用类似于延迟LMS算法的实现。

在根据第一方面本身或根据第一方面的任一前述实现形式的装置的第十二可能实现形式中，自适应算法是具有近似为

的最大步长的基于梯度搜索的自适应算法，其中，N_m是M通道滤波器的第m通道的权重数值，并且

是第m通道的输入信号的方差。

这提供了以下优点：可以使用根据下面的式(5)的最大步长，这产生了快速的滤波器收敛以及因而提高的预失真的性能。

在根据第一方面本身或根据第一方面的第一实现形式至第七实现形式中的任一实现形式的装置的第十三可能实现形式中，自适应算法是RLS自适应滤波算法。在应用和示例(呈现了架构和公式)中，图2和图3仅用于基于梯度搜索的算法。所述架构不用于RLS。

这提供了以下优点：RLS算法具有优越的收敛性和误差性能，并且提供快速的滤波器自适应，从而产生高度准确的预失真装置。

根据第二方面，本发明涉及一种用于对非线性PA装置进行预失真的方法，方法包括：利用预失真滤波器对输入信号进行滤波，以向非线性PA提供经预失真的输入信号；将输入信号延迟达第一时间延迟D以提供经延迟的输入信号；利用自适应滤波器对经延迟的输入信号进行滤波；基于经延迟的输入信号来调整自适应滤波器的滤波器权重；以及向自适应滤波器和预失真滤波器二者提供相同的经调整的滤波器权重。

这样的方法通过以下方式解决上面确定的两个问题：将相同的经延迟的输入信号应用于滤波和调整并且向自适应滤波器和预失真滤波器二者提供相同的经调整的滤波器权重。即，基于梯度搜索的自适应算法中的步长μ_max可以以如由下面的式(5)定义的最大值进行操作。此外，该方法可以应用RLS自适应算法，RLS自适应算法与基于梯度搜索的自适应算法相比是更高效的自适应算法。

根据第三方面，本发明涉及一种经修改的直接学习DPD，参见图1，其中，DPD利用任何基于梯度搜索的自适应算法特别是LMS、NLMS、AP、快速AP(FAP)进行操作，LMS、NLMS、AP、快速AP(FAP)具有与参见图7的未修改的传统DPD的参见式(3)的步长值相比的较高的步长值，参见式(5)。

这提供了更快收敛和稳定操作的优点。

在根据第三方面本身的经修改的直接学习DPD的第一可能实现形式中，以任何种类的可变步长(VSS)来使用经修改的直接学习DPD中的基于梯度搜索的算法。

这提供了更快收敛和稳定操作的优点。

在根据第三方面本身或根据第三方面的第一实现形式的经修改的直接学习DPD的第二可能实现形式中，经修改的直接学习DPD使用RLS自适应算法。

这提供了稳定操作下的快速收敛的优点。

在根据第三方面本身或根据第三方面的任一前述实现形式的经修改的直接学习DPD的第三可能实现形式中，经修改的直接学习DPD与任何非线性模型特别是多项式、样条函数等一起使用，所述非线性模型在自适应滤波器迭代的每个样本处被看作在通道中具有相等或不相等的权重数值的多通道线性滤波器。

这提供了提供非线性模型的高灵活性的优点。

在根据第三方面本身或根据第三方面的任一前述实现形式的经修改的直接学习DPD的第四可能实现形式中，如果参见图1的经修改的直接学习DPD的(以样本数目计的)***延迟D与DPD的权重的总数N相比而较小，则对根据图3的DPD施加另外的修改。

该另外的修改提供了减少每算法迭代的总计算数目的优点。

附图说明

将关于附图来描述本发明的另外的实施方式，在附图中：

图1示出了图示包括根据第一架构的实现形式的修改的预失真装置100的框图；

图2示出了图示包括根据第一架构的等同变型的实现形式的修改的预失真装置200的框图；

图3示出了图示包括根据第二架构的实现形式的修改的预失真装置300的框图；

图4示出了图示间接学习数字预失真器400的框图；

图5示出了图示直接学习数字预失真器500的框图；

图6示出了图示直接学习数字预失真器600的简化***视图的框图；

图7示出了图示传统的直接学习数字预失真器700的框图；

图8示出了图示前馈式主动噪声控制(ANC)800的框图；

图9示出了图示示例性非线性模型900的框图；

图10示出了图示多通道自适应滤波器1000的框图；

图11示出了图示经修改的前馈式ANC 1100的框图；

图12示出了图示延迟自适应滤波器1200的框图；

图13示出了图示具有延迟卷积补偿1300的自适应滤波器的框图；

图14示出了图示针对传统DPD 700的MSE的短时间模拟结果1400的性能图；

图15示出了图示针对根据本公开内容的经修改的DPD 100的MSE的短时间模拟结果1500的性能图；

图16示出了图示针对传统DPD 700的功率谱密度(PSD)的短时间模拟结果1600的性能图；

图17示出了图示针对根据本公开内容的经修改的DPD 100的PSD的短时间模拟结果1700的性能图；

图18示出了图示针对传统DPD 700的MSE的长时间模拟结果1800的性能图；

图19示出了图示针对根据本公开内容的经修改的DPD 100的MSE的长时间模拟结果1900的性能图；

图20示出了图示针对传统DPD 700的PSD的长时间模拟结果2000的性能图；以及

图21示出了图示针对根据本公开内容的经修改的DPD 100的PSD的长时间模拟结果2100的性能图。

具体实施方式

在以下详细描述中，参照形成所述描述的一部分的附图，并且在所述附图中，通过图示方式示出了本公开内容可以被实践的具体方面。要理解，在不背离本公开内容的范围的情况下，可以利用其他方面并且可以做出结构改变或逻辑改变。因此，以下详细描述不被考虑成限制意义，并且本公开内容的范围由所附权利要求来限定。

要理解，结合描述的方法所做的评述也可以适用于被配置成执行所述方法的相应装置或***，并且反之亦然。例如，如果描述了特定的方法块，则相应装置可以包括用于执行所描述的方法块的单元，即使这样的单元未被明确描述或在附图中示出。此外，要理解，除非另外特别地指出，否则本文所描述的各个示例性方面的特征可以彼此组合。

根据本公开内容的装置、方法和***是基于下面描述的以下技术中的一个或更多个技术：前馈式ANC、非线性自适应滤波、多通道自适应滤波、延迟自适应滤波、具有延迟卷积补偿的自适应滤波以及直接学习DPD、特别是根据本公开内容的经修改的直接学习数字DPD。

图8示出了图示前馈式ANC 800的框图。

对图7描绘的传统DPD架构700的仔细检查使得能够得出结论：DPD可以被看作是如图8所描绘的前馈式ANC***800的简化。

传统的直接学习DPD 700和ANC***800二者均属于前馈式自适应滤波器的族。在参见图8的ANC 800中使用的主声路801和次声路803即声滤波器以及次声路估计811即电(数字)滤波器被参见图7的DPD 700中的延迟3,707、延迟4.709和延迟1,711替换。

由DAC 607和ADC 611(图7中未示出)、上变频器609和下变频器613以及其他的一些实现问题导致的参见图6的传统DPD的延迟引起了PA输出信号y″′(k)708的延迟。在图7中该延迟被标记为延迟4,709。该延迟与DPD(预失真器701)延迟和非线性PA 705(其通常情况下可以具有存储器)延迟一起被估计为D并且在图7中被标记为延迟3,707。由于信号y(k),716出现为相对于发送信号x(k),702具有延迟D，因此在DPD任务中自适应滤波器的期望信号d(k),710是被延迟了D个样本的信号x(k)，即d(k)＝x(k-D)。这是因为预失真器700以使得y(k)→x(k-D)的方式来操作。这在下式成立时实现：

|α(k)|＝|d(k)-y(k)|＝|x(k-D)-y(k)|→最小 (1)

由于自适应算法713在使用延迟信号获得的误差信号α(k),712的基础上操作，因此也用在自适应算法713中以进行预失真器701权重计算的信号x(k),702也需要被延迟相同的D个样本。该延迟在图7中被标记为延迟1,711。

在图8中，信号x(k),802通过次声路估计811到达自适应算法807，即信号x(k),802被滤波。由于这个原因，因此在该架构800中使用的自适应算法807被称为滤波X型的。

在图7中，自适应算法713的输入信号714就是信号x(k)702的延迟版本。

图9示出了图示示例性非线性模型900的框图。ANC***800，参见图8，通常使用线性自适应滤波器。传统DPD 700，参见图7，使用非线性自适应滤波器。参见图9的示例，可以借助于多通道线性滤波器独立于所使用的非线性模型对非线性自适应滤波器进行建模。

通常，使用滤波器通道中的一个滤波器通道对PA的逆模型的线性部分进行建模，并且使用其他滤波器通道对PA的逆模型的非线性部分进行建模。在图9中，线性部分由标记为FIR1(有限脉冲响应)915的通道来表示。通道的权重的数值可以相同或不同，如其在图10中通过不同长度的条有条件地示出的。

图10示出了图示多通道自适应滤波器1000的框图。滤波器1015、1017、1019、1021、1023可以具有不同的长度。

对于自适应滤波器权重计算，图7和图8中描绘的架构700、800可以使用基于梯度搜索的任何自适应算法，例如：LMS、NLMS、AP和FAP。

由于使用D个样本的延迟1,711，参见图7，或权重为N_S′的滤波器

811，参见图8，因此对于ANC***800，参见图8，基于梯度搜索的算法的最大步长μ_max必须限制为以下值：

对于DPD 700，参见图7，基于梯度搜索的算法的最大步长μ_max必须限制为以下值：

此处，

是信号x(k),702的方差，并且

是多通道自适应滤波器输入信号x_m(k)906、1006的方差，参见图9和图10。

式(2)的值和式(3)的值小于以下值：

即，利用未经滤波或未经延迟的输入信号x(k)的基于梯度搜索的自适应算法的步长值。

这意味着，与在使用如式(4)和式(5)中定义的步长时的情况相比，在图7和图8的架构700、800中使用的自适应滤波器的瞬态响应将较长。不幸地是，式(5)和式(4)的步长不能在图7和图8的架构700、架构800中使用，这是因为利用这些步长值，自适应滤波器变得不稳定。

在基于梯度搜索的自适应滤波算法中，步长值的影响如下：随着步长值增加(当算法稳定时)，瞬态响应减小，这意味着实现了自适应的加速。

此外，在图7和图8的架构700、架构800中，也不能使用更高效的RLS自适应滤波算法，这是因为它们不具有使得能够减慢自适应从而使算法稳定的参数如步长。

众所周知，前馈式ANC***800，参见图8，可以被修改成向自适应滤波器和自适应算法提供相同的滤波X信号，也就是说：

其中：

在这种情况下，ANC***可以使用如式(4)所定义的步长值。图11示出了图示经修改的前馈式ANC***1100的框图。

与其中自适应算法807将声学地产生的α(k)作为误差信号812使用的图8的前馈式ANC***800相反，在图11的经修改的前馈式ANC***1100中，电学地产生用于自适应算法1109的误差信号。这以两步来完成。

步骤1：在稳定状态下，根据误差信号α(k),1106将误差麦克风的平面中的噪声信号d(k),1104估计为：

为此，由自适应滤波器副本1107以与图8的前馈式ANC***800相同的方式产生的信号-y(k),1108被滤波为：

其中：

步骤2：用于自适应算法1109的误差信号1116被定义为：

即，图11的经修改的前馈式ANC***1100中的误差信号1116与图8的前馈式ANC***800中的误差信号814大致相同。这是因为在稳定状态下：y′(k)≈z′(k)。

因此，图11中的噪声补偿声路即自适应滤波器副本

1107与次声路

1113的级联与图8中的噪声补偿声路相同；在两种情况下自适应算法1109、807使用的误差信号

1116也大致相同。此外，在图11的经修改的前馈式ANC***1100的情况下，自适应算法1109和自适应滤波器1105二者相同的使用根据式(6)的输入信号x′₁(k)。在这种情况下，自适应滤波器1105的步长μ_max可以根据式(4)来估计，这是因为在自适应滤波器1105和自适应算法1109处理根据式(6)的输入信号x′₁(k)和根据式(8)的期望信号

时，自适应滤波器1105独立于经修改的前馈式ANC***1100的其余部分来操作。

该解决方案使得能够针对在图11的经修改的ANC***1100中使用的基于梯度搜索的自适应算法来根据式(4)估计最大步长值μ_max以及使用高效的RLS自适应算法。

图12示出了图示延迟自适应滤波器1200的框图。利用LMS算法的延迟自适应滤波器可以被描述为：

h_N(k)＝h_N(k-1)+μx_N(k-D)α*(k-D) (13)

其中，D是(以样本计的)延迟值，参见图12。

式(12)和式(13)意指，经延迟的输入信号向量x_N(k-D),1210用于自适应滤波器输出误差1212和权重更新计算。但是更重要的是，对于自适应滤波器输出，还使用延迟的权重。

由于使用了经延迟的权重，为了保证自适应滤波器的稳定性，自适应算法的最大步长值与无延迟LMS算法的最大步长值相比必须被减小。类似于所考虑的图7的传统的直接学习DPD 700和图8的传统ANC 800，稳定性的代价是由小的步长值μ引起的慢的收敛。

图13示出了架构1200的修改。图13示出了图示具有延迟的卷积补偿1300的自适应滤波器的框图。

修改目的是借助于LMS自适应滤波算法中的步长增加来增加延迟自适应滤波器的收敛。借助于对延迟卷积的拒绝(利用延迟的权重的延迟信号滤波)来正式实现该目的。在这种情况下，作为式(12)、式(13)的替代，延迟LMS算法可以被计算为：

该修改使得能够将最大可用步长值增加至无延迟LMS算法的步长值。这通过向图13的架构1300添加两个自适应滤波器1317、1313来实现。如下文所示，该添加使得能够对式(14)进行一些数学变换。

结果，误差信号

1314被计算为：

其中，λ_D(k)和r_D(k)是各自包含D个元素的向量，即：

由于通常情况下式(15)可以使用VSSμ(k)，因此针对通常的VSS情况示出了式(17)。

考虑到在使用图10的架构1000的情况下的用于组成向量x_N(k),1006(参见图10)的通道信号向量的移位不变性质，式(18)的复杂度可以最多被降低至2DM个乘法和2DM个复数加法：

因此，如果N＞＞D，或者在多通道情况下如果N＞＞DM，则在式(16)而不是式(14)的计算中式(19)的计算是合理的。该计算还可以应用于如下关于图1所描述的经修改的直接学习DPD 100。

上面关于图11和图13描述的应用于图7的传统的直接学习DPD 700的技术产生了在图1和图3中描绘并且在下文描述的经修改的DPD的两个新的架构100、300。

最通常的架构是经修改的直接学习DPD，参见图1。如果使用LMS算法，则其他架构，参见图2和图3，可以被看作图1中描绘的通常架构的特定情况。

在下面关于图1至图3的描述中使用以下附图标记：

100：预失真装置100

101：非线性PA装置

106：输入信号

102：输入端子

103：预失真滤波器

105：第一延迟元件

D：时间延迟

104：经延迟的输入信号

120：自适应滤波器单元

107：自适应滤波器

109：具有自适应算法的调整单元

108：自适应滤波器的输出信号

114：非线性PA装置的经延迟的输出信号

110：输出端子

116：第一误差信号

111：输出处理级

118：第二误差信号

113：误差处理级

112：预失真滤波器的输出信号

117：第二延迟元件

300：预失真装置

307：计算单元

319：存储器

320：经延迟的输入信号的延迟样本

321：第一乘法器

322：第一滤波器信号

323：第二乘法器

308：第二滤波器信号

325：中间权重向量

图1示出了图示包括根据第一架构的实现形式的修改的预失真装置100的框图。

可以应用预失真装置100以使非线性PA装置101线性化。预失真装置100包括用于接收输入信号106的输入端子102。预失真装置100还包括连接在输入端子102与非线性PA装置101之间的预失真滤波器103。预失真装置100还包括第一延迟元件105，第一延迟元件105耦接至输入端子102，并且被配置成将输入信号106延迟达时间延迟(D)以提供经延迟的输入信号104。预失真装置100还包括自适应滤波器单元120，自适应滤波器单元120包括调整单元109和具有可调的滤波器权重的自适应滤波器107。自适应滤波器107被配置成对经延迟的输入信号104进行滤波，并且调整单元被配置成基于经延迟的输入信号104来处理自适应算法以调整自适应滤波器(107)的滤波器权重，并且向自适应滤波器107和预失真滤波器103二者提供相同的经调整的滤波器权重。自适应滤波器107和调整单元109二者均耦接至第一延迟元件105，以接收相同的经延迟的输入信号104。

调整单元109可以基于经延迟的输入信号104、自适应滤波器107的输出信号108和非线性PA装置101的经延迟的输出信号114来调整自适应滤波器107的滤波器权重。

预失真装置100还包括用于提供第一误差信号116的输出端子110。预失真装置100还包括耦接在非线性PA装置101与输出端子110之间的输出处理级111。预失真装置100可以基于经延迟的输入信号104与非线性PA装置101的经延迟的输出信号114的组合来提供第一误差信号116。

如下所述，调整单元109可以基于经延迟的输入信号104与根据第一误差信号116得到的第二误差信号118之间的关系来调整自适应滤波器107的滤波器权重。

预失真装置100还包括误差处理级113，误差处理级113被配置成基于第一误差信号116与自适应滤波器107的输出信号108的组合来提供第二误差信号118。

如下所述，误差处理级113可以基于第一误差信号116、自适应滤波器107的输出信号108和预失真滤波器103的被延迟了时间延迟(D)的输出信号112的组合来提供第二误差信号118。

图1的架构中的自适应滤波器107包括多通道FIR滤波器。

预失真装置100还包括第二延迟元件117，第二延迟元件117耦接至预失真滤波器103，并且被配置成将预失真滤波器103的输出信号112延迟达时间延迟D。

自适应算法109可以是具有近似为

的最大步长的基于梯度搜索的自适应算法。

可替选地，自适应算法109可以是RLS自适应滤波算法。

当比较图1和图11时，可以看出两个图非常相似。在图11中使用的主声路1101和次声路1103即声滤波器与次声路估计1111、1113即电(数字)滤波器在图1中被延迟3,125、延迟4,123、延迟1,105和延迟2,117替换。

图7的传统的直接学习DPD 700的修改被设计成向自适应滤波器和自适应算法提供相同的延迟信号，所述相同的延迟信号是如图1所示的x(k-D),104。

用于自适应算法109的误差信号118在图1的经修改的直接学习DPD 100中以两个步骤来产生。

步骤1：根据第一误差信号α(k),116，信号d(k),126被估计为：

其中，

步骤2：用于自适应算法109的(第二)误差信号118被定义为：

其中，

由于在稳定状态下h_N(k-D-1)≈h_N(k-1)，因此

并且

因此，将修改应用于图7的传统DPD 700，并且为了对其进行简化，用延迟3,125、延迟1,105和延迟2,117来替换“DPD+线性滤波器+非线性PA+延迟4”估计，经修改的DPD 100以如图1所示的形式出现。在该架构100中，自适应滤波器107和自适应算法109使用相同的信号向量，即x_N(k-D),104。这使得能够通过根据式(5)来选择较大的步长值μ从而对LMS算法、NLMS算法和AP算法的族进行加速。如果相关矩阵

不是奇异的，其中，E{·}是期望算子，则修改还使得能够使用RLS算法。

由于图1所示的信号y′(k-D),130的计算可以以如图2所示的等同方式来执行，因此可以如式(16)来计算式(24)中信号

的差，参见图3，其示出了图示包括根据第二架构的实现形式的修改的预失真装置300的框图。

实际上，

在式(25)中，可以以间接方式来计算

的值。为此，对于D个在前样本，呈现用于DPD的LMS算法的式，参见图1和图2，

还将使用VSSμ(k)来代替固定步长。这在步长是可变的即是时间(样本)相关的情况下必须被考虑。

因此，对于D个在前样本，即借助于D个式，式(26)被呈现为

使用式(28)至式(29)，式(27)可以被呈现为

然后，使用式(30)，向量差

被呈现为：

现在，使用式(31)，式(25)中的向量

与向量x_N(k-D)的标量积可以被计算为：

其中，在DPD情况下r_D(k)根据式(19)来定义，并且

因此，使用式(32)、式(33)和式(19)，式(25)可以被计算为

甚至可以针对任何值N、D和M来使用式(34)，如果N>>DM，则代替式(25)，式(34)的计算是合理的。这使得能够在使用变换为(34)的式(25)来代替借助于式(21)、式(23)和式(24)直接计算

时降低计算复杂度。

与式(19)、式(33)、式(34)类似，计算也应用于NLMS和AP自适应滤波算法。根据图3的DPD架构300在数学上等同于图1和图2所示的DPD架构，这是因为根据图2的DPD架构200是根据图1的DPD架构100和根据图3的架构300的中间版本。根据图2的DPD架构200仅被呈现用于为了更好地理解根据图3的DPD架构300的说明目的。

因此，图3的预失真装置300包括与上面关于图1所描述的元件相同的元件，即，非线性PA装置101、第一延迟元件105、数字预失真器103、输出处理级111以及自适应算法109。然而，自适应滤波器107和产生信号118

的元件即图1中的103、117、129和131或图2中的元件104、107、215、217、229和231的实现如下文所述是不同的。上文中，在图2和图3中，元件105也被考虑在内，这是因为通过图1的级联的103和117的信号即y′(k-D)在图2中被产生为通过105和215的信号。在图3中，信号y′(k-D)未被明确地产生，其被产生在值

也就是

中，参见(24)和(34)。

在图1或图2中产生信号118

的上述电路在图3中使用第一延迟元件105、计算单元307和减法器313来实现。

计算单元307包括用于存储经延迟的输入信号104的多个延迟样本320的存储器319。

计算单元307包括用于基于经延迟的输入信号104与存储在存储器319中的延迟样本320的乘积来提供第一信号322的第一乘法器321。计算单元307包括用于基于第一信号322与中间权重向量325的乘积来提供第二信号308的第二乘法器323。“中间权重向量”被用作将该向量与上面使用的“自适应滤波器权重”区分开的符号。自适应算法109可以是具有近似为

的最大步长的基于梯度搜索的自适应算法。

可替选地，自适应算法109可以是RLS自适应滤波算法。

本公开内容还支持用于对非线性PA装置进行预失真的方法。该方法包括以下步骤：利用预失真滤波器103对输入信号106进行滤波，以向非线性PA 101提供经预失真的输入信号112，例如，根据上面关于图1和图3描述的经修改的DPD装置；将输入信号106延迟达第一时间延迟D以提供经延迟的输入信号104，例如，根据上面关于图1和图3描述的经修改的DPD装置；利用自适应滤波器107对经延迟的输入信号104进行滤波，或者利用计算单元307对经延迟的输入信号104进行处理，例如，根据上面关于图1和图3描述的经修改的DPD装置；基于经延迟的输入信号104来调整DPD 103的权重，例如，根据上面关于图1和图3描述的经修改的DPD装置；以及向DPD 103提供经调整的滤波器权重，例如，根据上面关于图1和图3描述的经修改的DPD装置。

为了评估给定发明的性能，如由以下性能图所呈现，已经进行了许多模拟。图14示出了图示针对传统DPD 700的MSE的短时间模拟结果1400的性能图。图15示出了图示针对根据本公开内容的经修改的DPD 100的MSE的短时间模拟结果1500的性能图。图16示出了图示针对传统DPD 700的PSD的短时间模拟结果1600的性能图。图17示出了图示针对根据本公开内容的经修改的DPD 100的PSD的短时间模拟结果1700的性能图。图18示出了图示针对传统DPD 700的MSE的长时间模拟结果1800的性能图。图19示出了图示针对根据本公开内容的经修改的DPD 100的MSE的长时间模拟结果1900的性能图。图20示出了图示针对传统DPD 700的PSD的长时间模拟结果2000的性能图。图21示出了图示针对根据本公开内容的经修改的DPD 100的PSD的长时间模拟结果2100的性能图。

针对图7的传统的直接学习DPD 700以及针对根据图1的经修改的直接学习DPD100的模拟的示例在图14至图17中针对大约16.4·10⁶个样本(自适应算法迭代次数)的短时间模拟以及在图18至图21中针对大约885·10⁶个样本的长时间模拟来示出。使用LMS算法。根据式(3)来选择传统的直接学习DPD 700中的LMS算法的步长。根据式(5)来选择经修改的直接学习DPD 100中的LMS算法的步长。

在上面的模拟中使用具有通过样条函数的其某种非线性近似的非线性PA。这些图示出了在MSE也就是E{α²(k)}方面(图14、图15和图18、图19)测量的DPD瞬态响应以及在PSD方面(图16、图17和图20、图21)测量的以下的DPD瞬态响应：在不具有DPD的情况下在PA输出处测量的1601、1701、2001、2101；在期望信号d(k)处测量的1602、1702、2002、2102；在具有DPD的情况下在PA输出y(k)处测量的1603、1703、2003、2103；以及在具有DPD的情况下在误差输出a(k)处针对PA测量的1604、1704、2004、2104。

图15和图19示出了经修改的DPD 100、300在瞬态响应持续时间方面优于传统DPD700。模拟的数值结果在下面的表1和表2中示出。对于所考虑的情况(延迟值D＝1000个样本)，加速大约54倍。

对于短时间，经修改的DPD 100、300实现了与传统DPD 700仅在长时间内实现的MSE大致相同的MSE。此外，经修改的DPD 100、300中的MSE尖峰明显少得多。所声称的质量也借助于PSD图来论证，参见图17和图21。

表1和表2示出了模拟的数值结果。

表1.MSE

表2.瞬态响应持续时间

在表1和表2中，使用以下符号：

*—针对算法迭代16384000和884736000获得的、针对传统DPD 700的与经修改的DPD 100、300的结果相比的结果；

**—逐样本RLS在传统DPD 700中不稳定；

***—使用瞬态响应图所估计的；

****—使用采样频率F_S＝408MHz作为迭代/F_S所估计的。

新的经修改的直接学习DPD可以用于多个通信***特别是无线、有线或光纤通信***中的发送器的非线性PA的线性化。

本公开内容支持硬件和包括计算机可执行代码或计算机可执行指令的计算机程序产品二者，所述计算机可执行代码或计算机可执行指令在被执行时使至少一个计算机执行如上所述的方法以及如上关于图1和图3所述的技术的执行步骤和计算步骤。这样的计算机程序产品可以包括其上存储有供计算机使用的程序代码的可读存储介质。

虽然本公开内容的特定特征或方面可能已经针对若干个实现中的仅一个实现而被公开，但是如对于任何给定或特定应用可以是期望的或有利的，这样的特征或方面可以与其他实现的一个或更多个其他特征或方面组合。此外，就详细描述或权利要求书中使用术语“包括(include)”、“含有(have)”、“具有(with)”或其其他变体而言，这样的术语意在是以类似于术语“包括(comprise)”的方式的包括性的。另外，术语“示例性”、“例如(forexample)”和“例如(e.g.)”仅意指作为示例，而不是最好的或最优的。可以使用术语“耦接的”和“连接的”以及派生词。应该理解，这些术语可以用于指示两个元件彼此协作或交互，而不管它们是直接物理接触或电接触，还是它们彼此不直接接触。

尽管本文已经说明和描述了具体方面，但是本领域普通技术人员将理解，在不背离本公开内容的范围的情况下，各种替选和/或等同实现可以替代所示出和描述的具体方面。本申请意在涵盖本文所论述的具体方面的任何修改或变化。

尽管利用相应标号以特定顺序来记载所附权利要求中的要素，但是除非权利要求记载另外隐含了用于实现那些要素中的一些或全部要素的特定顺序，否则那些要素不一定意在被限制为以该特定顺序来实现。

根据上述教导，许多替选方式、修改和变型对于本领域技术人员而言将是显而易见的。当然，本领域技术人员容易认识到，除本文所描述的那些应用以外，还存在许多本发明的应用。虽然已经参照一个或更多个特定实施方式描述了本发明，但是本领域技术人员认识到，在不背离本发明的范围的情况下可以对本发明做出许多改变。因此，要理解，在所附权利要求及其等同方案的范围内，可以与如本文具体描述的不同地对本发明进行实践。

Claims

1.一种用于非线性功率放大器(PA)装置(101)的预失真装置(100)，包括：

输入端子(102)，所述输入端子(102)用于接收输入信号(106)；

预失真滤波器(103)，所述预失真滤波器(103)连接在所述输入端子(102)与所述非线性PA装置(101)之间；

第一延迟元件(105，125)，所述第一延迟元件(105，125)耦接至所述输入端子(102)并且被配置成将所述输入信号(106)延迟达时间延迟D以提供经延迟的输入信号(104，126)；以及

自适应滤波器单元(120)，所述自适应滤波器单元(120)包括：自适应滤波器(107)，所述自适应滤波器(107)具有可调的滤波器权重并且被配置成对所述经延迟的输入信号(104)进行滤波；以及调整单元(109)，其中，所述调整单元被配置成基于所述经延迟的输入信号(104)来处理自适应算法，以调整所述自适应滤波器(107)的滤波器权重并且向所述自适应滤波器(107)和所述预失真滤波器(103)二者提供相同的经调整的滤波器权重，

其中，所述自适应滤波器(107)和所述调整单元(109)二者均耦接至所述第一延迟元件(105，125)，以接收相同的所述经延迟的输入信号(104，126)。

2.根据权利要求1所述的预失真装置(100)，

其中，所述调整单元(109)被配置成基于所述经延迟的输入信号(104)、所述自适应滤波器(107)的输出信号(108)以及所述非线性PA装置(101)的输出信号(114)来调整所述自适应滤波器(107)的滤波器权重。

3.根据权利要求2所述的预失真装置(100)，包括：

输出端子(110)，所述输出端子(110)用于提供第一误差信号(116)；

输出处理级(111)，所述输出处理级(111)耦接在所述非线性PA装置(101)与所述输出端子(110)之间，并且被配置成基于所述经延迟的输入信号(126)与所述非线性PA装置(101)的经延迟的输出信号(114)的组合来提供所述第一误差信号(116)。

4.根据权利要求3所述的预失真装置(100)，

其中，所述调整单元(109)被配置成基于所述经延迟的输入信号(104)与根据所述第一误差信号(116)得到的第二误差信号(118)之间的关系来调整所述自适应滤波器(107)的滤波器权重。

5.根据权利要求4所述的预失真装置(100)，包括：

误差处理级(113)，所述误差处理级(113)被配置成基于所述第一误差信号(116)与所述自适应滤波器(107)的输出信号(108)的组合来提供所述第二误差信号(118)。

6.根据权利要求5所述的预失真装置(100)，

其中，所述误差处理级(113)被配置成基于所述第一误差信号(116)、所述自适应滤波器(107)的输出信号(108)以及所述预失真滤波器(103)的借助于第二延迟元件(117)被延迟了所述时间延迟D的输出信号(112)的组合来提供所述第二误差信号(118)。

7.根据权利要求1所述的预失真装置(100)，

其中，所述自适应滤波器(107)包括多通道有限脉冲响应(FIR)滤波器。

8.根据权利要求6所述的预失真装置(100)，还包括：

所述第二延迟元件(117)，所述第二延迟元件(117)耦接至所述预失真滤波器(103)，并且被配置成将所述预失真滤波器(103)的输出信号(112)延迟达所述时间延迟D。

9.根据权利要求8所述的预失真装置(300)，

其中，所述自适应滤波器(107)和所述第二延迟元件(117)由形成所述自适应滤波器(107)和所述第二延迟元件(117)的替换的计算单元(307)实现。

10.根据权利要求9所述的预失真装置(300)，

其中，所述计算单元(307)包括存储器(319)，所述存储器(319)被配置成存储所述经延迟的输入信号(104)的多个延迟样本(320)。

11.根据权利要求10所述的预失真装置(300)，

其中，所述计算单元(307)包括第一乘法器(321)，所述第一乘法器(321)被配置成基于所述经延迟的输入信号(104)与存储在所述存储器(319)中的延迟样本(320)的乘积来提供第一信号(322)。

12.根据权利要求11所述的预失真装置(300)，

其中，所述计算单元(307)包括第二乘法器(323)，所述第二乘法器(323)被配置成基于所述第一信号(322)与权重向量(325)的乘积来提供第二信号(308)。

13.根据前述权利要求中的一项所述的预失真装置(100，300)，

其中，所述自适应算法是具有近似为

是第m通道的输入信号的方差。

14.根据权利要求1至8中的一项所述的预失真装置(100，300)，

其中，所述自适应算法是递归最小二乘(RLS)自适应滤波算法。

15.一种用于对非线性功率放大器(PA)装置进行预失真的方法，所述方法包括：

利用预失真滤波器(103)对输入信号(106)进行滤波以向所述非线性PA(101)提供经预失真的输入信号(112)；

将所述输入信号(106)延迟达时间延迟D以提供经延迟的输入信号(104)；

利用自适应滤波器(107)对所述经延迟的输入信号(104)进行滤波并且在计算单元(307)中进行处理；

基于所述经延迟的输入信号(104)来调整所述自适应滤波器(107)的滤波器权重和所述计算单元(307)；以及

向所述自适应滤波器(107)和所述预失真滤波器(103)二者提供相同的经调整的滤波器权重。