CN101577525B - 放大器模型估计装置和方法 - Google Patents

Abstract

本发明涉及放大器模型估计装置及方法，该放大器模型估计装置根据输入放大器的信号和放大器的输出反馈信号进行放大器模型的估计，包括：第一数据选择器，用于根据预定阈值选择和存储输入信号中的采样点，并获得采样点的时间点；定时器，确定输出反馈信号相对于输入信号的延时；对应采样点获取单元，根据定时器所确定出的延时，取得与输出反馈信号在时间上对齐的输入信号的采样点；延时器，根据定时器所确定出的延时，对输入信号的所述采样点的时间点进行延时；第二数据选择器，根据经延时的采样点的时间点，获得输出反馈信号在相应时间点的对应反馈采样点；模型估计单元，根据采样点和对应反馈采样点确定放大器的模型。

Description

放大器模型估计装置和方法

技术领域

本发明涉及一种放大器模型估计装置和方法。

背景技术

在无线通信系统中，发送信号要经过高功率放大器将模拟射频信号放大，然后通过天线发送出去。为提高频谱效率，越来越多的非恒包络调制方式(比如64QAM/16QAM)和CDMA/OFDM结合，被广泛应用于现代无线通信系统中。这些信号在进入放大器之前的共同特性都是峰均比(PAPR)比较高，比如采用1024点FFT的OFDM信号的PAPR理论值高达10dB。这些高PAPR的信号通过功放，会引起严重的非线性畸变，造成信号星座点损伤和带外辐射功率增大。为减少非线性畸变，可以采用回退发送功率的办法，但是这样会造成放大器的效率降低。为此，多年来，人们在这个领域做了深入的研究，其中数字预失真技术得到了人们的广泛关注。

图1是示出了常规的功放装置的结构图。图1所示的功放装置采用了文献1中公开的传统的反馈方式数字预失真技术。

如图1所示，要发送的数字信号在预失真器(PD，PreDistion)1进行预失真后，经过数模转换器2变为模拟信号。该模拟信号经过低通滤波器3滤除带外信号后由调制器4上变频，然后进入放大器(PA)5进行放大，放大后的信号通过功分器6成为两部分。一部分通过天线发送出去，另一部分作为预失真的反馈信号。反馈信号经过解调器7下变频，通过模数变换器8成为数字信号。放大器模型估计单元10利用PD输出信号和反馈信号进行放大器的模拟估计。由于要求PD输出信号和反馈信号在时间上是对齐的，因而由定时器12检测反馈信号的时延，然后把时延信息送给对应信号点获取单元11。对应信号点获取单元11对输入的信号进行存储，并在接收到来自定时器12的指示时，获取与反馈信号在时间上对齐的输入的信号。放大器模型估计可以采用自适应算法求得模型估计的系数，文献1中公开的系数估计的准则是使得PD后的信号和反馈回来的信号的均方误差最小。具体算法为随机梯度法。得到了模型估计后，进而通过反PA模型求解单元9求得反模型，使得信号经过预失真和放大器后的增益为1或者一个常数，即放大器的线性化。

图1所示的装置有以下缺点：

(1)在收敛前使用发送和接收信号的全部信号点，计算量大；

(2)当条件数大的时候，收敛速度可能会很慢；

(3)通常反馈回路的时延比较大，因此图中的对应信号获取单元11电路需要较大的存储量。

发明内容

本发明针对现有技术的上述缺点作出，提供了一种放大器模型估计装置和方法，用于克服现有技术的一个或更多个缺点。

为了实现上述目的，本申请提供了以下发明。

发明1、一种放大器模型估计装置，根据输入放大器的信号和所述放大器的输出反馈信号进行放大器模型的估计，其特征在于，所述放大器模型估计装置包括第一数据选择器、第二数据选择器、延时器、对应采样点获取单元、定时器和模型估计单元：

所述第一数据选择器用于根据预定阈值选择和存储所述输入信号中的采样点，并获得所述采样点的时间点；

所述定时器确定所述输出反馈信号相对于所述输入信号的延时；

对应采样点获取单元，根据所述定时器所确定出的延时，取得与所述输出反馈信号在时间上对齐的所述输入信号的采样点；

所述延时器根据所述定时器所确定出的延时，对所述输入信号的所述采样点的时间点进行延时；

所述第二数据选择器根据所述延时器输出的经延时的所述采样点的时间点，获得所述输出反馈信号在相应时间点的对应反馈采样点；

所述模型估计单元根据所述采样点和所述对应反馈采样点确定所述放大器的模型。

发明2、根据发明1所述的放大器模型估计装置，其特征在于，所述采样点的个数在1个到128个之间。

发明3、根据发明2所述的放大器模型估计装置，其特征在于，所述采样点的个数在4个到64个之间。

发明4、根据发明1所述的放大器模型估计装置，其特征在于，所述放大器的模型为记忆多项式模型，所述模型估计单元利用将所述记忆多项式模型对放大器输入信号的实部或虚部求导所述记忆多项式模型的最高谐波阶数次所得的公式，使用所述输入信号的采样点的值和所述输出反馈样点的值，确定所述记忆多项式模型的参数，从而估计出所述记忆多项式模型。

发明5、根据发明4所述的放大器模型估计装置，其特征在于，所述模型估计单元在确定所述多项式模型参数时，首先确定最高阶谐波的系数。

发明6、根据发明4所述的放大器模型估计装置，其特征在于，所述多项式模型最高谐波阶数在3-9之间。

发明7、根据发明4所述的放大器模型估计装置，其特征在于，所述放大器模型估计装置还包括噪声抑制单元，所述噪声抑制单元用于抑制所述第二数据选择器所选择的输出反馈采样点中的噪声。

发明8、根据发明1所述的放大器模型估计装置，其特征在于，所述预定阈值根据所述输入信号的实部或虚部的最大幅值和最小幅值的差与采样点数目的比值确定。

发明9、根据发明4所述的放大器模型估计装置，其特征在于，所述第一数据选择器选择虚部为0并且实部与所述预定阈值的差在预定范围内的输入信号作为所述输入采样点。

发明10、根据发明4所述的放大器模型估计装置，其特征在于，所述第一数据选择器选择实部为0并且虚部与所述预定阈值的差在预定范围内的输入信号作为所述输入信号的采样点。

发明11、一种放大器模型估计方法，该方法根据输入放大器中的信号和所述放大器的输出反馈信号进行放大器模型的估计，其特征在于，所述放大器模型估计方法包括以下步骤：

根据预定阈值选择和存储所述输入信号中的采样点，并获得所述采样点的时间点；

确定所述输出反馈信号相对于所述输入信号的延时；

根据所述延时，取得与所述输出反馈信号在时间上对齐的所述输入信号的采样点，并对所取得的采样点的时间点进行延时；

根据所述延时器输出的经延时的采样点的时间点，获得所述输出反馈信号在相应时间点的对应反馈采样点；以及

根据所述采样点和所述对应反馈采样点确定所述放大器的模型。

发明12、一种计算机程序，该计算机程序在被计算机或逻辑部件执行时或在进行解释或编译后执行时，可以使所述计算机或逻辑部件根据输入放大器中的信号和所述放大器的输出反馈信号进行放大器模型的估计，特征在于，使计算机或逻辑部件执行以下步骤：

根据预定阈值选择和存储所述输入信号中的采样点，并获得所述采样点的时间点；

确定所述输出反馈信号相对于所述输入信号的延时；

根据所述延时，取得与所述输出反馈信号在时间上对齐的所述输入信号的采样点，并对所取得的采样点的时间点进行延时；

根据经延时的样点的时间点，获得所述输出反馈信号在相应时间点的对应反馈样点；以及

根据所述样点和所述对应反馈样点确定所述放大器的模型。

发明13、一种计算机可读存储介质，存储上述计算机可读程序。

本发明针对目前电路复杂度较高的问题，只利用一些特殊样点，在模型估计中采用求偏导的方法直接求得模型估计中多项式的系数。通过偏导计算完成模型估计。

因此有以下优点：

1、直接求得模型估计中的多项式系数，收敛速度快。

2、只利用一些特殊样点，则计算量大大降低；而且对应信号获取电路仅需要很少的存储。

仿真表明，根据本发明的方法和装置可以准确求得放大器模型。

附图说明

当结合附图阅读下面的说明时，本发明的以上和其它目的、特征和优点将变得更加清楚。在附图中，

图1是示出了常规的线性功放装置的结构图；

图2示出了依据本发明一种实施方式的放大器模型估计装置的结构框图；

图3示出了依据本发明另一实施方式的放大器模型估计装置的结构框图；

图4是依据本发明一种实施方式的数据选择的时序图；

图5与现有技术的对应信号取得电路相对照地示出了本发明的对应采样点取得单元所需存储量的减少情况；

图6为放大器的输入幅度和输出幅度的特性曲线；

图7表示了将放大器输出信号对输入信号实部求一阶偏导数时的曲线；

图8表示了估计出来的三次谐波系数与理想值之间的NMSE(归一化均方误差)性能；以及

图9示出了依据本发明一种实施方式的放大器模型估计方法的流程图。

具体实施方式

下面结合附图描述本发明的具体实施方式。

图2示出了依据本发明一种实施方式的线性功放装置的结构框图。图2中与图1中相同的部件用相同的标号示出，并且省略了对它们的详细描述。应该注意到，尽管图2中示出了部件1-9等，但应该清楚，本发明的线性功放装置并不因此受限，其可以应用到其它的需要对放大器模型进行估计的其它装置中。

如图2所示，PD1输出的复数信号x(n)＝xr(n)+jxq(n)(n代表样点的时间序号，n即时刻n*T，其中T为样点间隔长度)通过第一数据选择器14仅仅选择一些特殊样点x_s(n)给模型估计单元15使用，同样反馈信号y(n)通过第二数据选择器13仅仅选择一些特殊样点y_s(n)给数据选择使用。

下面介绍数据选择器14的操作。

数据选择器14将所接收到的信号x(n)＝xr(n)+jxq(n)的实部xr(n)或虚部xq(n)与预定的阈值相比较，当与预定的阈值的差的绝对值在预定的范围内时，则将该样点视为特殊样点，进行取样。

应该注意，本发明要在输入信号x(n)＝xr(n)+jxq(n)中选择出一些特殊样点，因而，尽管输入信号x(n)＝xr(n)+jxq(n)本身就是样点，在本文中，除非上下文中有明确的指示获说明，一般将其称作信号或信号点，而将所选择的特殊样点称作样点或采样点。

一次模型估计，所选取的特殊样点的个数是预定的，例如可以根据仿真来确定。该预定的个数例如可以是1-128中的任一正整数。并且优选地在4-64之间。并且更优选地在8-32之间。并且一般可取为2的指数倍，例如取8、16和32。为了说明的方便，下面以该预定的个数为32的情况进行说明。并以取实部的幅值进行比较的情况进行说明。

在具体的实施方式中，可以按以下的方式预先获得各点的阈值。

首先，取实部xr(n)的值的在一定统计时间范围的最大值(即max(|xr(n)|))和实部xr(n)在一定统计时间范围的值的最小值(即min(|xr(n)|))。该最大值和最小值是可以预先获得的，例如统计一定时间范围内信号xr(n)的最大值和最小值。该两个值通常由发送信号的数字调制式决定，而与其他因素无关。

然后，将最大值和最小值的差除以预定的采样点数num，获得阈值参照值 $\mathrm{ref}=\frac{\max \left(\right|x_r\left(n\right)\left|\right)-\min \left(\right|x_r\left(n\right)\left|\right)}{\mathrm{num}}.$ 注意，如上所述，这里的num可以取32等正整数。

最后求取各采样点的阈值。例如可以依据以下公式获得采样点k(0＜k＜num+1)处的阈值Threshold_k。

Threshold_k＝min(|xr(n)|)+k×ref。

这样可以得到均匀的采样点。根据需要，可以对各采样点增加系数factor_k。factor_k表示在k采样点的系数。

即Threshold_k＝min(|xr(n)|)+k×ref×factor_k

这样，通过调整系数factor_k，可以得到或密或疏的采样点。

应该注意的是，上面对于阈值的计算可以在第一数据选择器14中进行，但更优选的是，可以预先计算完成后存储在数据选择器14中，或数据选择器14可以读取的存储装置中。

这样，将输入的信号x(n)的实部xr(n)与相应的阈值进行比较，如果它们的差值在预定的范围内，则将该点列为采样点。具体地，可以将实部与第一个阀值进行比较，如果满足条件(条件例如为|xr(n)-Threshold₀|＜ε，ε为预定数)则将其取为采样点，保存该采样点x(n)(含实部和虚部)；确定该采样点的编号为0；同时产生该采样点在时间上的定时标记(比如此时刻定时标记电平为高，其他时刻电平为低)。如果未满足条件，则继续与其他阀值比较，当和第k个阀值满足条件(条件例如为|xr(n)-Threshold_k|＜ε，ε为预定数)，类似地保存该采样点(含实部和虚部)；确定该采样点编号为k-1，同时产生该采样点在时间上的定时标记。如果与所有阀值比较都不满足条件，则放弃该信号x(n)，即定时标记为低电平，不作保存采样点的操作。

对下个输入信号x(n+1)做上述的类似操作，但应当注意，此时无需和已经编过号的采样点所对应的阀值进行比较。

当对所有的阀值所对应的采样点都有对应保存时，则一次数据选择过程完成。此时每一阀值都对应有一个采样点保存。

定时器12确定从模数转换器8输出的输出反馈信号与输入信号之间的时延，并将确定出的时延信息送给对应采样点获取单元19和延时器18。对应采样点获取单元19对输入的信号进行存储，并在接收到来自定时器12的指示(包含时延信息)时，获取与输出反馈信号在时间上对齐的输入信号的样点。延时器18根据接收到的来自定时器12的指示，对所述对应采样点获取单元19所获得的与输出反馈信号在时间上对齐的输入信号的采样点的时间点进行延时。第二数据选择器13根据来自延时器的经延时的采样点的时间点，进行采样，获得与输入采样点对应的输出反馈信号采样点。放大器模型估计单元15根据对应采样点获取单元19所获得的输入采样点和所述第二数据选择器所获得输出采样点进行放大器模型估计。

下面介绍放大器模型估计单元15。

首先，由于第一数据选择器14和第二数据选择器13的存在，只利用一些特殊样点进行模型估计，已经可以使计算量大大降低了。因此，根据本发明的一种实施方式，放大器模型估计单元15可以采用本领域所公知的任何模型估计装置。

其次，优选地，可以采用本领域公知的采用记忆多项式模型估计装置。关于记忆多项式模型可以参见文献3。

下面介绍本发明优选的放大器模型估计单元15。

根据本发明的优选实施方式，放大器的模型可以采用记忆多项式表示如下：

$y\left(n\right)=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_{p,l}x(n-l){\left|x(n-l)\right|}^{p-1}$ (公式1)

其中x(n)为PA输入信号，y(n)为模数转换器8的输出。P为最高谐波阶数(一般只考虑奇数阶)，L为最大记忆深度。由于公式1为关于整数p的幂函数形式，因此如果考虑采用求偏导的方法进行降阶，那在对y(n)求得P阶偏导后，必然可以简单求得a_P，l，进而逆序求得a_P-2，l...直至a_1，l。为了说明，先通过一个简单的模型给予说明，即假定放大器模型P＝3，L＝0。实际上一般将放大器模型的P设置在3到8之间，就可以满足需要(见文献3)。

y(n)＝k₁x(n)+k₃|x(n)|²x(n)(公式2)

对于输入的复信号x(n)＝xr(n)+jxq(n)，其中xr(n)和xq(n)分别为输入信号的实部和虚部。为简化，省去了括号中的n，即x＝x(n)。对公式2两边连续对xr求偏导，则可以得到：

$\frac{\∂y}{\∂x_r}=k_1+k_3({3x}_r^2+x_q^2+2{\mathrm{jx}}_r{x}_q)$

$\frac{{\∂}^{2}y}{{{\∂x}^2}_r}=k_3({6x}_r+{2\mathrm{jx}}_q)$ (公式3)

$\frac{{\∂}^{3}y}{{{\∂x}^3}_r}={6k}_3$

在已知x(n)和y(n)的情况下，可以通过求解由等式

和等式

构成的二元一次方程组求得系数k₁和k₃：

$k_3=\left(\frac{{\∂}^{3}y}{{{\∂x}^3}_r}\right)/6$ (公式4)

$k_1=\frac{\∂y}{{\∂x}_r}-k_3({3x}_r^2+x_q^2+{2\mathrm{jx}}_r{x}_q)$

如果k值足够小，即求导使用的相邻采样点的间隔足够小，(公式3)中的导数 $\frac{\∂y}{{\∂x}_r}\≈\frac{y(n+k)-y\left(n\right)}{x_r(n+k)-x_r\left(n\right)};$

也可以通过类似的方法求得。

还可以注意到如果按照逆序的算法，即先从最高阶谐波系数k₃求解开始，则可以避免通常对于N元一次方程组的高斯消元过程，计算相对简单。

同样的如果对虚部求偏导：

$\frac{\∂y}{{\∂x}_q}=k_{1}j+k_3({3\mathrm{jx}}_q^2+{\mathrm{jx}}_r^2+{2x}_r{x}_q)$

$\frac{{\∂}^{2}y}{{{\∂x}^2}_q}=k_3({6\mathrm{jk}}_q+{2x}_r)$ (公式5)

$\frac{{\∂}^{3}y}{{{\∂x}^3}_q}={6\mathrm{jk}}_3$

类似得到结果： $k_3=\left(\frac{{\∂}^{3}y}{{{\∂x}^3}_q}\right)/\left(6j\right)$ (公式6)

$k_1=-j\·[\frac{\∂y}{{\∂x}_q}-k_3({3\mathrm{jx}}_q^2+{\mathrm{jx}}_r^2+{2x}_r{x}_q)]$

为了简单起见，对虚部求解的方法不再赘述，下面所有针对对实部求偏导的方法都可以简单推广到对虚部求偏导的方法上来。

应该注意，由于导数计算实际上是计算所述反馈信号对所述输入信号实部或虚部的变化速率，因此所需采样点数必须大于所求导数次数。

另外，如果设置一定条件的话，计算量可以进一步减小。例如：仅仅选择发送数据中虚部约为0的数据，并且实部与预设阀值的差值在预定的范围。

那麽上面的公式(公式3)可以进一步简化为：

$k_3=\left(\frac{{\∂}^{3}y}{{{\∂x}^3}_r}\right)/6$ (公式7)

$k_1=\frac{\∂y}{{\∂x}_r}-k_3\left({3x}_r^2\right)$

对比公式5和7，可以看到通过这样的数据选择计算量可以进一步降低。需要指出的是虚部为0并不是一个严格的准则，对于多数通信系统都要求信号的直流偏置(DC分量)为0，这样虚部约为0的发生概率还是很高的。比如对于WiMAX信号，xr和xq都是均值为0的高斯随机变量，xq等于0的情况和其他值相比是发生概率最高的。

这里的准则并不局限于我们提到的虚部为0，也包括其他可以简化公式3的选择方法。

对于更普遍的模型，下面给出了通用的求解表达式：由于公式1中的信号x(n)＝x_r(n)+jx_q(n)，所以公式1可以写为：

$y\left(n\right)=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{a}_{p,l}{[x_r(n-l)+{\mathrm{jx}}_q(n-l)][{x_r}^2(n-l)+{{\mathrm{jx}}^2}_q(n-l)]}^{\frac{p-1}{2}}$ (公式8)

$=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k^{\′}=0}{\overset{\frac{p-1}{2}}{\mathrm{\Σ}}}{a}_{p,l}{c}_{\frac{p-1}{2}}^{k^{\′}}{j}^{\frac{p-1}{2}-k^{\′}}\left[{x_r}^{2k^{\′}}(n-l)\right]\left[{x_q}^{p-1-{2k}^{\′}}(n-l)\right][x_r(n-l)+{\mathrm{jx}}_q(n-l)]$

由上式可以发现y(n)为一系列实部和虚部的整数阶幂级数组成，其最高次数为P。如果对实部求偏导，则虚部可以看作与实部无关的常数。令 $\mathrm{\β}(k^{\′},p,n,l)=c_{\frac{p-1}{2}}^{k^{\′}}{j}^{\frac{p-1}{2}-k^{\′}}\left[{x_q}^{p-1-{2k}^{\′}}(n-l)\right],$ 我们知道当 $k^{\′}=\frac{p-1}{2}$ 时，β(k′，p，n，l)＝1。公式可以写为：

$y\left(n\right)=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{k^{\′}=0}{\overset{\frac{p-1}{2}}{\mathrm{\Σ}}}{a}_{p,l}\mathrm{\β}(k^{\′},p,n,l)\left[{x_r}^{2k^{\′}}(n-l)\right][x_r(n-l)+{\mathrm{jx}}_q(n-l)]---\left(9\right)$

例如对l＝l₀，其系数组a_p，l0，p＝1，3，...P的求解可以分以下步骤进行：

$\frac{\∂y\left(n\right)}{{\∂x}_r(n-l_0)}=a_{1,l_0}+\underset{p=3}{\overset{P}{\mathrm{\Σ}}}\underset{k^{\′}=1}{\overset{\frac{p-1}{2}}{\mathrm{\Σ}}}{a}_{p,l}\mathrm{\β}(k^{\′},p,n,l_0)\left\{({2k}^{\′}-1)x_r^{{2k}^{\′}-1}(n-l_0)\right[x_r(n-l_0)+{\mathrm{jx}}_q(n-l_0)]+x_r^{{2k}^{\′}}(n-l_0)\}---\left(10\right)$

$\frac{{\∂}^{3}y\left(n\right)}{{{\∂x}_r}^3(n-l_0)}=a_{3,l_0}+\underset{p=5}{\overset{P}{\mathrm{\Σ}}}\underset{k^{\′}=2}{\overset{\frac{p-1}{2}}{\mathrm{\Σ}}}{a}_{p,l}\mathrm{\β}(k^{\′},p,n,l_0)\left\{({2k}^{\′}-1)({2k}^{\′}-2)({2k}^{\′}-3)x_r^{{2k}^{\′}-3}(n-l_0)\right[x_r(n-l_0)$

$+{\mathrm{jx}}_q(n-l_0)]+\left({4k}^{{\′}^2}\right)x_r^{{2k}^{\′}-2}(n-l_0)\}$ (公式11)

$\frac{{\∂}^{P}y\left(n\right)}{{{\∂x}_r}^P(n-l_0)}=P!a_{P,l}$ (公式12)

如果我们已知输入信号系列x(n)，x(n-1)，x(n-l₀)和输出，那么公式(10)～公式(12)形成了(P-1)/2元一次方程组，足以求解(P-1)/2个未知系数a_p，l0，其中p＝1，3，...P。对于其他的a_p，l，l＝0，1...L-1同样可以求得，这样也就完成了PA模型的估计。其方程求解方法如果采用逆序求解，即先求解a_P，l，再a_P-2，l....a_P-4，l直到a_1，l，则可以避免方程组求解的消元过程。

为了对付反馈信号中加入的热噪声干扰，可以对反馈回的数据进行进一步的噪声抑制。图3示出了依据本发明另一实施方式的放大器模型估计装置的结构框图。如图3所示，选择器13的输出信号送入一个噪声抑制单元16中。待噪声得到进一步抑制后，再送入模型估计单元15中去。其余部分与图2所示的装置的相同，因而不予赘述。

噪声抑制电路的一个简单例子就是对相同的发送数据x(n)＝x0而得到的不同接收数据y(n)＝x0+n(t)进行算数平均，可以抑制噪声的影响。一般的通信系统例如WiMAX，IEEE802.11a中每隔一个固定的周期都会发送重复的训练符号，比如preamble等等，可以加以利用。

本发明所提的噪声抑制电路并不局限于前面提到的算术平均方法，也可以包括其他的熟知的抑制噪声的电路，比如精心设计的滤波器等。

图4是依据本发明一种实施方式的数据选择的时序图，可以看到本发明的根据输入信号和阀值的关系，第一数据选择器14存储了xs(0)，xs(1)…xs(k)…，同时产生了定时标记。第二数据选择器13根据延时了的定时标记去在放大器输出信号当中选择，其准则为只要当前延时后的定时标记为高电平，则选择所对应时刻的放大器输出信号。可以看出本发明只需要根据延时后的定时标记存下所需计算的很少特殊样点，和传统方法比较大大节省了所需存储量。

图5与现有技术的对应信号取得电路相对照地示出了本发明的对应采样点取得单元所需存储量的减少情况。在通常的宽带系统中，由于信号速率较高，因此反馈环路时延通常对应上千个信号点。为了延时，通常的放大器模型估计算法需要一个能够存储上千个信号点的内存。而本发明通过数据选择算法仅仅选取几十个采样点，这样所需内存降至几十个采样点。

在WiMAX，20MHz带宽前向链路下进行了简单的算法仿真，其中放大器模型为一个记忆深度为0，最高谐波次数为3的多项式模型：放大器模型和仿真结果如图6～8所示：

图6为放大器的输入幅度和输出幅度的特性曲线。横轴为输入信号幅度，纵轴为输出信号幅度，可以看到放大器输出信号幅度对于输入信号幅度为非线性关系。

图7表示了对放大器输出信号对输入信号实部求以一阶偏导数时的曲线。横轴为输入信号实部，纵轴为输出信号，其中曲线为理想值或者理论值，而圆圈则为根据本发明求得的一阶偏导。可以看到两者吻合得很好。

图8表示了估计出来的三次谐波系数与理想值之间的NMSE(归一化均方误差)。横轴为求解次数，纵轴为NMSE。由于有了多次求解平均，可以看到在40次求解平均后，NMSE＜5％，这表明性能很好。

综上所述：本发明只利用一些特殊样点在模型估计中采用求偏导的方法求得模型估计中多项式的系数，收敛速度快，计算量和所需存储电路大大降低，是一种真正低复杂度的线性功放的方法。

图9示出了依据本发明一种实施方式的放大器模型估计方法的流程图。如图所示，首先在步骤901中根据预定阈值选择和存储所述输入信号中的采样点，并获得所述采样点的时间点。预定阈值可以如前所述地确定，对输入信号中采样点的选择亦如前所述。然后在步骤902确定所述输出反馈信号相对于所述输入信号的延时。这可以由定时器12来确定。然后，在步骤903，根据所述延时，由对应采样点获取单元19取得与所述输出反馈信号在时间上对齐的所述输入信号的采样点，并由延时器18对所取得的采样点的时间点进行延时。然后在步骤904，由第二数据选择器13根据所述延时器输出的经延时的采样点的时间点，获得所述输出反馈信号在相应时间点的对应反馈采样点。最后，在步骤905，由放大器模型估计单元15根据所述采样点和所述对应反馈采样点确定所述放大器的模型。很显然，也可增加噪声去除的步骤。

本发明可以由单纯的硬件实现，也可由软件实现，也可由硬件和软件的混合来实现。在由软件实现时，该软件在被计算机执行时，可以使计算机现实上述的方法或装置。本发明还包括存储该软件的存储介质。存储介质例如可以是CD、DVD、软盘、MO、闪存、磁带等。

以上说明仅仅是示例性的，不是对本发明的限制。本发明的范围仅仅由权利要求及其等同物确定。

参考文献：

[1]Hyun Woo Kang，Yong Soo Cho，Dae Hee Youn.“On compensatingnonlinear distortions of an OFDM system using an efficient adaptivepredistorter”，Communications，IEEE Trans.1999，47(4)：522-526.

[2]CH.H.Cheng，E.J.Powers，′Optimal Volterra Kernel EstimationAlgorithms for a nonlinear Communication System for PSK and QAM inputs′，IEEE Transactions on Signal processing，vol.49，No.1，January 2001，pp.147-163.

[3]Behzad Razavi，”RF Microelectronics”，Prentice Hall.

Claims (10)

1.一种放大器模型估计装置，根据输入放大器的信号和所述放大器的输出反馈信号进行放大器模型的估计，其特征在于，所述放大器模型估计装置包括第一数据选择器(14)、第二数据选择器(13)、延时器(18)、对应采样点获取单元(19)、定时器(12)和模型估计单元(15)：

所述第一数据选择器(14)用于根据预定阈值选择和存储所述输入信号中的采样点，并获得所述采样点的时间点；

所述定时器(12)确定所述输出反馈信号相对于所述输入信号的延时；

所述对应采样点获取单元(19)根据所述定时器所确定出的延时，取得与所述输出反馈信号在时间上对齐的所述输入信号的采样点；

所述延时器(18)根据所述定时器所确定出的延时，对所述输入信号的所述采样点的时间点进行延时；

所述第二数据选择器(13)根据所述延时器输出的经延时的所述采样点的时间点，获得所述输出反馈信号在相应时间点的对应反馈采样点；

所述模型估计单元(15)根据所述输入信号的所述采样点和所述输出反馈信号的所述对应反馈采样点确定所述放大器的模型。

2.根据权利要求1所述的放大器模型估计装置，其特征在于，所述采样点的个数在4个到64个之间。

3.根据权利要求1所述的放大器模型估计装置，其特征在于，所述放大器的模型为记忆多项式模型，所述模型估计单元(15)利用将所述记忆多项式模型对放大器输入信号的实部或虚部求导所述记忆多项式模型的最高谐波阶数次所得的公式，使用所述输入采样点和所述输出反馈采样点的值，确定所述记忆多项式模型的参数，从而估计出所述记忆多项式模型。

4.根据权利要求3所述的放大器模型估计装置，其特征在于，所述模型估计单元在确定所述多项式模型参数时，首先确定最高阶谐波的系数。

5.根据权利要求3所述的放大器模型估计装置，其特征在于，所述多项式模型最高谐波阶数在3-9之间。

6.根据权利要求3所述的放大器模型估计装置，其特征在于，所述放大器模型估计装置还包括噪声抑制单元(16)，所述噪声抑制单元(16)用于抑制所述第二数据选择器所选择的输出反馈采样点中的噪声。

7.根据权利要求1所述的放大器模型估计装置，其特征在于，所述预定阈值根据所述输入信号的实部或虚部的最大幅值和最小幅值的差与采样点数目的比值确定。

8.根据权利要求3所述的放大器模型估计装置，其特征在于，所述第一数据选择器选择虚部为0并且实部与所述预定阈值的差在预定范围内的输入信号作为所述输入信号的采样点。

9.根据权利要求3所述的放大器模型估计装置，其特征在于，所述第一数据选择器选择实部为0并且虚部与所述预定阈值的差在预定范围内的输入信号作为所述输入信号的采样点。

10.一种放大器模型估计方法，该方法根据输入放大器中的信号和所述放大器的输出反馈信号进行放大器模型的估计，其特征在于，所述放大器模型估计方法包括以下步骤：

根据预定阈值选择和存储所述输入信号中的采样点，并获得所述采样点的时间点；

确定所述输出反馈信号相对于所述输入信号的延时；

根据所述延时，取得与所述输出反馈信号在时间上对齐的所述输入信号的采样点，并对所取得的采样点的时间点进行延时；

根据经延时的采样点的时间点，获得所述输出反馈信号在相应时间点的对应反馈采样点；以及

根据所述输入信号的所述所述采样点和所述输出反馈信号的所述对应反馈采样点确定所述放大器的模型。

Images