CN117413466A - 用于具有多重损伤的传输系统中的人工智能驱动的数字预失真的装置和方法 - Google Patents

Abstract

一种用于发射机的人工智能(AI)驱动的线性化器，包括：输入接口，用于输入包括信息承载信号和除了所述信息承载信号之外的操作条件参数信号的线性化器信号，其中所述操作条件参数信号表示在所述发射机的选定操作范围内影响所述发射机的传递特性的度量；以及预失真致动器电路，其被配置有AI预失真模型，用于对所述信息承载信号的至少部分进行预失真，以产生预失真信号，所述预失真模型被配置成可操作用于使用在所述整个所述选定操作范围内不改变的单个模型系数集合来适应所述发射机的所述特性。

Description

用于具有多重损伤的传输系统中的人工智能驱动的数字预失 真的装置和方法

技术领域

本发明涉及使用数字预失真(DPD)技术的信号收发信机的损伤补偿和线性化领域的系统、装置和方法，以及这些技术在遭受多个不同损伤的系统中的线性化的应用，所述系统诸如多天线系统、多输入多输出(MIMO)系统、单输入单输出(SISO)系统，其中所述系统可以是无线、有线、光和光电系统中的一个或多个，或者它们的组合。

背景技术

一种射频(RF)收发信机系统，其最简单的结构通过输入要传送的基带信号编码信息，将所输入的信息编码的信号上变频为RF信号，并通过功率放大器(PA)将该信号传送到天线以进行空中(OTA)数据传输，来形成传输信号。PA必须以高效率操作。当以高效率操作时，PA的非线性引入显著失真，这又在所传送的信号中引入非线性和失真，其降级信号质量并限制系统容量及其能量效率。这对收发信机系统在其中操作的特定技术标准所指定的性能要求提出了操作和设计挑战。例如，电信技术标准由第3代合作伙伴计划(3GPP)针对长期演进(LTE)、第五代(5G)、6G及以上项目来设置，其规定了这些性能要求。

由于无线用户数量的增加而对数据容量增加的需求以及增加的数据速度需求已经将注意力从较不复杂的SISO系统转移到更复杂的MIMO系统，其中后者使用空间复用译码来将数据流分割成多个通道以增加数据速度和网络容量。此外，随着5G、6G及以上的提高的通信质量的要求，焦点已经进一步转移到大规模MIMO(mMIMO)系统，该mMIMO系统提供具有指向特定方向的高度聚焦波束的定向无线电传输。在mMIMO系统中，这种波束形成和导向是从在小区域内具有较大数量(例如，数百或数千)元件的天线阵列导出的，以实现较高的天线增益和方向性，并且随后实现较高的数据速率。

DPD广泛用于无线电收发信机中，以增强信号质量并补偿发射机损伤，并且是使PA线性化以实现最佳能量效率的最常见技术之一，其中PA在其非线性区域附近操作。通过在无线电系统中应用DPD技术，PA效率增加，同时保持其传输频谱屏蔽。DPD对应用到传输链的原始信号进行数字预失真，使得当传输链使所应用的信号失真时；从传输链输出的总接收信号与原始信号具有线性关系。这相当于在传输链中级联所谓的逆模型。

如将认识到的，而RF链中的PA损伤在发射机的整体效率中扮演重要的贡献角色。使用多个天线和有源波束形成阵列会产生对性能的附加贡献损伤。这些可能包括天线串扰；天线的元件之间的互耦合；多通道时间延迟(由RF移相器的相位误差和路径差异引起)；以及归因于旁瓣控制要求的RF链中的功率电平变化。存在各种类型的波束形成技术，包括基于透镜的、数字的、模拟的和模拟-数字混合技术。最常见的技术是全数字和混合波束形成技术。这些技术使用相控阵天线(PAA)来在不同方向上导向波束。取决于操作频率，PAA元件之间的距离变化；较高的操作频率需要较紧密的PAA元件间隔。减少PAA元件之间的距离增加了天线元件之间的耦合效应，从而导致信号质量降级。其中MIMO和mMIMO包括与波束成形组合的若干RF路径；在DPD应用方面出现了更大的挑战。

DPD基于导出PA的行为模型，PA的行为模型可以被分类为无记忆模型或记忆模型(其包括线性记忆和非线性记忆)。所使用的模型参数估计技术取决于模型的结构。DPD模型被配置在DPD致动器中。在传输之前，对直接应用到DPD致动器的承载输入信息的信号执行失真补偿。PA特性随时间和操作条件而变化。因此，反馈回路通常用于自适应以将静态DPD设计变换成自适应DPD设计。反馈回路中的误差计算可以例如基于最小均方(LMS)算法或基于递归预测器误差方法(RPEM)算法。实际上，在训练期间创建多个DPD模型系数集合，在操作期间将来自PA的输出的反馈信号直接应用于自适应电路，该自适应电路基于反馈为DPD致动器选择适当的一组DPD系数。

发明内容

根据本发明的实施例，提供了一种用于信号通信系统的人工智能(AI)驱动的线性化方法、系统和装置。

在一方面中，所述AI系统可在无连续通信信号反馈的情况下操作，且经配置以感测所述通信系统的状态且部分基于所述所感测的状态而对损伤进行自我校正。

在一般方面，本发明提供了一种用于使用预失真致动器来线性化通信系统中的发射机链的AI系统和方法，该预失真致动器在通信操作期间不需要典型的自适应反馈信号(例如，从发射信号耦合的反馈信号)，同时校正随时间和操作条件而变化的发射机特性，其中操作条件的变化引入影响发射机特性的损伤。

在另一方面，本发明提供了用于确定和实现预失真模型的方法、系统和装置，该预失真模型考虑了发射机的整个所选信号操作范围并且可在该范围内操作，同时考虑了发射机的不同和变化的操作条件，诸如环境、负载、信号参数、发射机参数以及跨发射机的整个操作范围的操作参数。此外，开发该模型以使用跨越发射机的该操作范围的单个DPD系数集合，从而避免典型的自适应反馈信号，以及多个存储的系数集合或系数的动态重新计算。

在又一方面，不同的和变化的操作条件可以由各种传感器提供或从输入信号导出。关于多天线系统的特定示例可以看到这样的优点，其中典型的反馈信号由放置在天线辐射场中的接收机天线获取，这可能在所传送的信号中引入不期望的损伤。

根据本发明的实施例，提供了一种用于发射机的线性化器，包括输入接口，用于输入包括信息承载信号和除了信息承载信号之外的参数信号的线性化器信号，所述参数信号表示在发射机的可操作范围内影响发射机的传递特性的度量，以及预失真致动器电路，其被配置成具有预失真模型，用于预失真至少部分信息承载信号以产生预失真信号，预失真模型被配置成可操作用于使用在整个所述可操作范围内不改变的单个模型系数集合来适应在发射机的整个可操作范围内变化的输入线性化器信号。

在另一方面，线性化器可以应用于相控天线阵列(PAA)(例如MIMO发射机链)，用于宽范围的波束导向方向，以便使其DPD功能适应发射机的设置、操作和环境条件，同时减少对每个波束方向角的预失真致动器的实时合成或计算以及上述设置和条件的依赖。

在另一方面，线性化器参考导向角作为输入数据参数来合成单个DPD模型，而不是合成对应于不同波束方向角的多个DPD模型，其中单个DPD模型可以用于生成应用于宽范围的波束方向的预失真数据。

本发明有利地提供了一种MIMO DPD，用于通过将DPD的数量减少到覆盖相控阵列天线中的子阵列的二维(2D)表面的至少一个DPD，来在波束导向角的范围内对发射的信号进行线性化，其中，即使当每个子阵列中的PA可能表现出不同的行为时，所述至少一个DPD也可以在方位角和高度角的范围内对波束进行线性化。

在另一方面中，DPD致动器针对指定波束方向的范围仅使用一个DPD致动器，基于导向角的方位角和仰角值使相控阵发射机的输入信号失真。

在另一方面，DPD致动器针对MIMO发射机设置的范围仅使用一个DPD致动器，基于多波束MIMO发射机的导向角的方位角和仰角，使所述多波束MIMO发射机的多个输入信号失真。

在另一方面，DPD致动器针对范围环境条件仅使用一个DPD致动器来基于导向角的方位角和仰角使信号失真。

在另一方面，DPD模型可以是基于Volterra级数的、基于分析的、基于神经网络的或基于数据的。

在另一方面，在多天线多用户应用中，用于给定子阵列的DPD致动器在系统的DPD训练期间输入相邻子阵列的导向角。

在另一方面，给定子阵列的DPD致动器将传输功率作为输入输入到DPD，以使信号失真。

在另一方面，给定子阵列的DPD致动器输入功率放大器的输出和天线元件之间的阻抗匹配的状态。

在另一方面，给定子阵列的DPD致动器将系统温度作为输入输入到DPD。

在另一方面，可以选择性地激活反馈电路以捕获和估计所传送的波束信号，从而导出DPD模型参数，优选地，选择性激活可以在发射机没有与用户一起主动操作的时段期间。

在另一方面，反馈信号可以是基于近场测量、远场测量或在给定方向上通过空中广播信号之前通过发射机链中的信号耦合的。

在另一方面，提供了一种用于线性化发射机的方法，包括比较发射机在不同操作条件下的输入信号的样本和输出信号的样本，并且使用所述比较来生成用于线性化器的预失真模型的单个系数集合，其中该单个系数集合可与该模型一起操作，以便适应在发射机的整个所述操作条件下的变化的输入信号。

在另一方面，该方法包括利用预失真模型配置预失真致动器电路，用于响应于信息承载信号和除了信息承载信号之外的参数信号，对信息承载信号的至少一部分进行预失真，以产生预失真的信号，所述参数信号表示在发射机的可操作范围内影响发射机的传递特性的度量。

在另一方面，线性化器方法和算法可以被配置在数字信号处理器、应用专用集成电路、现场可编程门阵列、集成电路、或者用于配置处理器以执行这里描述的线性化器功能的软件库或程序中。

在又一方面，提供了一种用于光电发射机的线性化器，包括：DPD致动器，用于对输入信息信号进行预失真以生成预失真信号；光调制器，用于响应于作为预失真信号的表示的电信号而生成调制光学信号；光通道，用于承载所述调制光学信号通道；以及射频放大器，用于放大从所承载的调制光学信号提取的所述预失真信号的电子版本，并且其中，所述DPD致动器被配置为能够利用单个DPD系数集合针对所述光电发射机的选定操作范围进行操作。

在又一方面，光调制器包括用于生成光载波的光源。

附图说明

将仅通过示例的方式参考附图描述本发明的实施例，其中：

图1a示出了作为典型mMIMO系统的一部分而部署的通用多天线系统的透视图；

图1b示出了根据现有技术的发射系统的线性化器架构的框图；

图2示出了根据本发明的实施例的线性化器架构的框图；

图3a和3b分别示出了根据本发明的实施例的通用线性化器的训练配置和操作配置；

图4示出了根据本发明的实施例的用于训练DPD识别块以估计DPD模型系数的IDLA的架构和方法；

图5示出了根据本发明的另一实施例的用于训练DPD识别块以估计DPD模型系数的另一DLA的架构和方法；

图6示出了根据本发明的实施例的用于mMIMO系统的线性化器架构；

图7示出了根据本发明的实施例的线性化器的框图，该线性化器被配置有用于实现DPD致动器的人工NN模型，以在信号波束操控方向的方位角和仰角(θ,φ)的范围内线性化PAA；

图8示出了根据本发明的另一个实施例的用于实现用于相控阵MIMO波束成形发射机的DPD致动器的、配置有NN模型的线性化器的框图；

图9示出了根据本发明的另一个实施例的多流MIMO波束成形发射机的概括框图；

图10示出了根据本发明的一个实施例的用于生成数据集以输入到DPD致动器的方法的功能流程图；以及

图11a和11b示出了根据本发明实施例的光电光载无线发射机的线性化器的概括框图。

具体实施方式

通过以下描述并参考附图来举例说明根据本发明的线性化器的方面。为了简洁，省略了在这里描述的一个或多个实施例中采用的重复描述和类似元件。附图中相同的元件由相同的附图标记表示。

在具有多个不同参数的通信系统中，多个不同参数导致多个损伤，其中失真被引入到传输信号，当前的预失真结构在线性化这样的系统时是低效的。例如，MIMO(包括mMIMO)波束成形发射机，其中这些参数包括在不同操作条件、环境条件、信号设置和发射机设置下的不同波束方向。为了清楚起见，在以下描述中，信号通常是指具有随时间或空间或两者变化的幅度和/或相位的值，并且其可以承载要由通信系统传送的信息，而参数表示影响通信系统行为的值或信号，并且其在一些实例中还可以随着系统行为改变而随时间和空间变化。

预失真系统中的一个挑战是开发用于线性化器的预失真模型，该模型以有效的方式在多个输入条件(包括从这些条件导出的函数，或指示这些条件的值)上操作，这些条件在操作条件的范围内对传输链的传递特性有影响。通常，与PA模型相关联的系数需要响应于PA特性的变化而基于输入电信号的变化进行频繁的重新计算。PA特性的改变也可以考虑有限数量的操作和环境条件，通常限制为不超过一个，并且其被限制为与输入电信息信号直接相关联。

这里描述的线性化器系统、方法、装置和算法的各种实施例的优点在于根据本发明实施例的线性化器提供了可适应的DPD，其除了补偿输入电信息信号之外，还补偿无限数量的不同输入和操作条件对PA/发射机传递特性的影响。

根据本发明的各方面的线性化器的另一优点是它可配置成通过结合波束的方位角和仰角以及子阵列标识来在预期波束方向上生成预失真信号而部署在波束方向感知MIMO系统中。此外，MIMO DPD建模方法包括波束方向的方位角和仰角作为输入数据的一部分，该输入数据包括发射机设置、环境条件和信号参数。根据本发明实施例的线性化器还可以将天线元件之间和MIMO发射机分支内的交叉耦合效应考虑为输入信号和波束导向角的函数。

根据本发明各方面的线性化器的另一优点是减少了DPD致动器、硬件资源使用和无线电基站功耗要求中的一个或多个上的计算负担。

根据本发明各方面的线性化器的又一优点在于，可以利用发射机链的至多单个处理在现场导出或估计功能性DPD模型，并且此后在示例FPGA/ASIC中对其进行编程，以便实时/在线地立即操作。因此，减少了从线性化器训练到部署的总时间和成本。

根据本发明各方面的线性化器的另一优点是避免了用于更新DPD模型的实时适应装置，以用于操作条件的短期变化，或发射机设置的变化，例如交通和环境条件。然而，根据本发明各方面的线性化器可被配置为可适应于操作条件或环境条件的长期、显著变化。

根据本发明的线性化器的另一个优点是DPD可以用人工智能(AI)处理来实现，人工智能处理可以是模型不可知的并且独立于PA和发射机中使用的架构和半导体技术。此外，DPD中的AI实现可以被配置为实现建模和处理算法，例如人工神经网络(NN)、卷积神经网络(CNN)、基于分析的模型和基于Volterra级数的模型。

如已知的，线性化器结合了DPD模型。通常，两个步骤对于实现DPD是重要的。一种是对PA建模。另一种是预失真器的识别算法。DPD建模通常开始于训练阶段。其初始目标是获得输入和输出数据，以生成表示发射机链的多个逆函数H^-1的合适的离散时域模型结构。回想一下，在DPD中，使用示例SISO实现来说明而不失一般性，如果x(n)要通过PA广播，其中PA具有离散时域传递函数H(n)和输出信号y(n)；DPD的目标是找到PA的近似逆传递函数H^-1，其具有输出使得PA的输出是原始输入的线性放大版本/>其中G是表示PA的增益的复数。PA模型可以被分类为无记忆模型和具有记忆的模型。可以定义传递函数的数学表示的不同形式，例如神经网络、多项式函数等。为了便于理解，在本讨论中，我们假设PA的非线性算子为记忆多项式形式f(x(n),…,x(n-m))，然后，

其中：

x(n)是PA输入

y_MP是PA输出

a_km是PA多项式系数

M是PA记忆深度

K是PA非线性度

n是时间索引

输入x(n)、输出y(n)和系数a_km是复数值。如果DPD模型是PA的逆非线性函数f^-1(x(n),…,x(n-m))，则，

其中x_MP(n)是预失真信号。注意，y(n)可以由PA的线性增益G来标准化。为了求解DPD系数d_k,m，我们将上述方程重写为一组p个线性方程。其中增加线性方程的数量p相当于增加训练缓冲器大小，并且增加M和K对应于增加DPD模型复杂度。这些值通常在设计时选择，并且如果PA具有显著的记忆要求，则可能需要在导出系数之前在时间上偏移y。

继续该示例，通常利用由直接学习架构(DLA)或间接学习架构(ILA)导出的该多项式DPD模型来实现SISO系统的线性化器，以在操作期间识别模型系数集合，从而动态地驱动DPD以最小化输入信号x(n)和输出信号y(n)之间的误差。可以实现已知的算法来计算反馈回路中的误差信号。误差是测量值和估计值之间的差，例如DPD模型和PA的级联的测量的PA输入和估计的输出。该算法试图将该误差驱动到零，并且在这样做时收敛于DPD系数的最佳估计。

然而，主要在MIMO、mMIMO和其它有源相控阵的情况下，部分由于有源相控阵发射机以及PA之间的失配，而不仅仅是承载输入信息的信号x(t)的函数，发射机链经受许多附加硬件和电损伤。天线元件之间的耦合和串扰效应可以改变元件之间的阻抗匹配，这又可以修改驱动这样的元件的每个放大器的特性。耦合也随着波束方向(通常相对于天线阵列的平面)而改变。存在MIMO DPD和波束成形DPD设计，例如具有嵌入式反馈以使发射机线性化的波束定向DPD。对于MIMO，这些效应由于相邻子阵列引入附加带内失真而进一步恶化。对于高度波束方向相关的系统，其中波束角在毫秒范围内以极短的稳定时间是不恒定的，例如在5G标准中规定的，并且其中耦合效应随波束方向变化，从SISO范例修改的典型波束成形DPD模型，例如记忆多项式、Volterra级数、查找表(LUT)和神经网络，都具有限制。此外，由于信号平均功率的变化以适应用户与发射机的距离，PA的功率控制可能显著地改变发射机中的非线性。典型的DPD模型不考虑该参数。

参考图1a，示出了在典型的mMIMO系统中部署的一般化多天线系统100。系统100包括耦合到天线阵列104的基站(BS)102。在操作中，BS102在空间中的多个用户设备(UE)106移动站之间建立空间下行链路(DL)连接。BS能够向UE 106传送无线电信号并接收由UE传送的上行链路(UP)信号。DL连接是到位于相对于BS102的不同方位角和仰角的各个UE 106的通信通道。

系统100被配置成使得BS102通过在耦合到被配置为相控阵天线(PAA)(也被称为有源阵列)的天线阵列104的基站102中采用MIMO无线电收发信机来提供到UE 106的双向高速可靠连接，以便实时动态地适配辐射方向图以遵循相应的UE 106。有源PAA由许多嵌入在公共衬底中的紧凑辐射元件108i(i＝1…N)组成，其中N是几百。在这种类型的有源PAA中的天线元件与辐射信号之间的耦合效应是显著的，这部分地是由于辐射元件之间的小间隔。耦合效应导致收发信机行为的变化，不仅作为收发信机的输入信号的函数，而且作为波束控制方向的函数。例如，如果PAA服务N个UE，则采用DPD的线性化器必须线性化指向N个UE中的每一个的主辐射波瓣，使得N个调制数据信号使用N个子阵列中的相应子阵列在不同方向上传送到N个用户中的相应用户。通常，可以在BS中采用DPD的二维(2D)网格，以在任何给定的引导方向上对波束进行线性化。例如，图1b示出了这种现有技术线性化器配置120的框图。然而，这种2D网格类型的实现实际上是禁止的，特别是对于现场应用。而且，当考虑到多种操作条件时，结构120是不可行的。例如，每个DPD致动器具有对应的一个DPD模型系数集合，从而产生多组DPD致动器和对应的系数，每个系数集合用于系统的对应的操作条件。

根据本发明的实施例，提供了一种用于配置单个DPD以对例如PAA 104中部署的信号进行线性化的系统、方法和软件算法。可以理解，单个DPD对于MIMO和mMIMO应用可能更可行和更实用，并且消除了迄今为止的许多DPD实现。假定大规模MIMO天线阵列的大小包含N个天线单元，这些天线单元被分组成P个子阵列，该系统包括P个发射链路，并且在基于子阵列连接结构的混合波束形成阵列中，每个发射链路产生(N除以P)个射频信号以驱动/>个天线单元。每个子阵列生成波束以发射对应传输DL的信号，使得基于子阵列连接架构的混合波束成形阵列可以由多个有源相控阵列组成。当UE终端被特别地配置有波束成形和相控阵列收发信机时，在UE和BS之间的上行链路(UL)通信中出现类似的挑战和问题。尽管为了简洁起见，本发明的实施例是关于DL和BS通信来描述的，但是本发明的实施例一般同样适用于UE和UL通信。

参考图2，示出了根据本发明的实施例的线性化器架构200的框图。在实施例200中，并且为了易于理解，图示了线性化器被部署在具有输入信号x(t)的SISO系统中，至少一个操作条件参数输入206例如是来自PA 210的由传感器(未示出)提供的温度T_pa信号(已知PA行为特性随温度而改变)。线性化器200包括数据调节和融合模块202，其具有用于接收编码要传送的信息的输入信号204的信号输入，以及用于接收操作条件参数206的操作条件输入；以及耦合到数据调节和融合模块202的DPD致动器208，用于接收预处理信号209，并响应于此通过在线性化器的整个操作范围内使用单个DDP模型系数集合212产生到PA/发射机210的输出预处理信号211。

为了构造DDP致动器208，执行训练阶段。训练基于用于表征PA 210(或传输链)的传递函数的选定的预定形式。DPD致动器208的离散时域模型(基于传递函数的预定形式)利用在输入x(t)信号204和输出信号y(t)的范围内的离散时间处获取的样本x(n)、y(n)以及操作条件参数206的对应样本(在所示实施例中为温度T_pa(t))来训练。不管所选择的逆传递函数的形式如何，求解该函数以找到满足线性化器的整个预定操作范围的单个系数集合(单个矢量或矩阵)212。数据调节和融合模块202对操作条件参数(在该示例中为温度)适当地应用缩放或调整，以确保可以找到适用于整个运行范围的单个DPD模型系数集合212。换句话说，如果传递函数基于例如记忆多项式模型，则根据本发明的实施例生成对于给定的温度范围T_pa(最小到最大)具有单个系数集合的单个记忆多项式模型。

在操作阶段中，在DPD致动器208中配置DPD模型，数据预处理块202将输入信号204和经预处理的温度信号206传递到DPD致动器208。预失真信号由DPD致动器208通过将包含输入信号204和操作条件参数206(如果合适的话，缩放)的预处理信号209应用于具有要线性化的PA/发射机210的DPD系数212的相应预生成集合的逆传递函数模型而生成。

值得注意的是，在典型的DPD架构中，改变操作条件，改变基函数，这又需要改变相应的模型系数。基于以上示例，对于不同温度水平(即，不同操作条件)下的不同输入信号，系数值将不同。换句话说，在发射机的选定操作范围内需要多个不同的系数集合(其通常存储在数据库或存储器中)和基函数。例如，如图1b所示，系数将在每个不同的温度水平上分别提取，并与信号变化相关联。系数值将不得不根据操作时的输入温度水平而连续更新。随着系统条件的任何变化，例如温度、信号的平均功率，在被DPD致动器应用之前，必须重新识别新的DPD系数。

在图2的实施例中，线性化器200考虑单个操作条件参数，即环境温度。这里描述的线性化器200可以部署在传输系统的任何数量的不同配置中，例如图1中所示的mMIMO、SISO、MIMO和多频带MIMO、光纤承载光电发射机、用于陆地和空间段的卫星通信、无线数字视频广播、电缆传输网络。此外，PA行为也可能受其他输入参数的影响。先前的方法不能扩展到适应更多的DPD结构的输入参数。线性化器200的功能可以应用于具有多个不同操作参数的实施例。例如，PA行为是PA平均功率和结温的函数。然而，PA结温可能不容易达到。PA结温本身是平均PA功率和环境温度的函数。因此，可以考虑平均功率和环境温度的操作条件，以便准确预测不同情况下的PA失真。下面更详细地描述线性化器的训练阶段。

现在参考图3a和3b，分别示出了根据本发明的实施例的通用线性化器300的训练配置301和操作配置303。线性化器300类似于图2中所示的单参数线性化器200，但是根据本发明的进一步实施例，其被附加地配置为包括扩展数量的操作条件。如前所述，线性化器300首先在PA/发射机305上被训练以被线性化，在其上最终将配置线性化器。对于训练和操作阶段，线性化器300包括用于输入多个操作条件的操作条件参数块309，所述操作条件被识别为影响PA/发射机305的特性的因素。操作条件参数309包括多个输入，其可以按照它们的起因概念性地分组如下：信号依赖参数314，包括但不限于信号平均功率、信号带宽、信号峰均功率比(PAPR)等；环境依赖参数312，其包括描述发射机操作环境的参数，例如环境温度等；发射机设置参数310包括专用于发射机操作条件的参数，例如通常由有源阵列(未示出)中的移相器设置的波束方位角和仰角、放大器与天线的元件之间的失配，这些失配通常使用信号反射系数Γ、天线的元件之间的交叉耦合、放大器的偏置电压等来建模。除了操作条参数块309，输入信号x(t)320也可由块309捕获，其中可包括待传送信号的采样x(n)和信号的延迟旧版本x(n-m)。在一些实施例中，信号样本可用作一组相应操作条件参数的索引。

基于输入数据(包括操作条件309和输入信号320两者)和PA/发射机305的操作条件范围内的输出数据306来实现训练，以获得DPD的合适的离散时域模型结构(如以下更详细地解释的)。例如，假设发射机将被部署在基站102中，则在训练期间，适当的输入数据和输出数据在整个导向角范围内的离散点处被捕获，而PA/发射机被提交给影响PA/发射机305特性的不同环境条件。在根据本发明的实施例中，信号依赖参数块314输入信息信号320其可包括但不限于I(n)、Q(n)和幅度|x(n)|和|x(n)|²中的一个或多个、天线子阵列样本的发射角度、导向角度值θ(n)和电压驻波比(VSWR)；环境依赖参数块312输入来自PA的传感器数据304，其表示PA操作条件(其也可以包括阵列条件)，包括PA热变化中的一个或多个，诸如温度(自热效应)、环境温度、PA功率(和平均功率变化)、电压和电流等；并且发射机设置依赖参数310可以包括PA设置的一个或多个输入。

提供数据预处理和DPD模型识别块316，用于处理输入和输出数据样本。块316接收以下项作为输入：经由接收机链314来自PA的输出y(n)的第一反馈信号306；来自应用到所述发射机链(PA/Tx 305)的所述信号的第二反馈信号308；以及来自操作条件参数块309的输入参数。DPD识别块316包括用于无线电链的反向传递函数的预定形式。DPD识别块316的作用是导出单个模型系数集合，其最小化输入数据条件范围内的输入和输出信号之间的误差，其中输入数据条件包括输入信号和操作条件参数309的组合。数据预处理功能块316应用输入操作条件参数的值中的一个或多个的缩放，以确保在训练范围内的大多数情况下生成共同的单个模型系数集合。值得注意的是，逆传递函数的预定形式可以由神经网络、广义记忆多项式、记忆多项式和查找表的组合中的一个或多个来表示。

不管所选择的传递函数的形式如何，DPD识别块316训练模型，该模型产生唯一的单个模型系数集合，该模型系数对于所有这些操作条件和发射机的操作条件的范围都是有效的，并且将最终被部署在DPD致动器中。

现在参考图3b，示出了根据本发明的实施例部署在操作配置中的通用线性化器300。所配置的线性化器300包括DPD致动器320、数据调节和融合块322、DPD系数集合302和操作条件输入309。DPD致动器320应用图3a中描述的训练阶段期间生成的单个系数集合。回想这个系数集合302对DPD致动器320先前被训练的所有输入信号都起作用。还回想数据调节块316可以缩放一个或多个输入操作条件参数309，如在训练阶段中那样，使得由DPD致动器320应用于输入信号x(t)的逆传递函数与在训练期间最小化输入信号x(t)和输出信号y(t)之间的误差的相应条件相匹配。可以看出，不需要更新系数，而是DPD致动器320使用组合的输入信号和调节的操作参数以及单个DPD系数集合来生成预失真信号。此外，可以看出，根据一些实施例的线性化器300在操作期间可能不需要反馈信号，线性化器也不需要在操作期间连续重新计算DPD致动器320的系数。然而，在一些情况下，例如随着时间的流逝(老化)的部件漂移、主要的环境条件变化，可以通过重新训练和识别新的或更新的DPD模型来进行DPD模型的重新更新。可以在根据本发明的实施例的线性化器中实现的不同DPD致动器的若干示例。一个或多个不同的致动器可以应用于线性化。例如，人工智能DPD，如人工NN、CNN或深度神经网络(DNN)可以应用于功率放大器建模。其它方法可以包括基于查找表(LUT)的模型、基于盒子的模型(例如Hammerstein和Wieners模型)或基于分析的模型(例如Saleh模型或基于Volterra级数的模型，如记忆多项式)，以对MIMO波束形成无线电发射机进行建模。

为了训练，DPD识别块316被用于估计DPD模型系数302。本发明的实施例采用了先前提到的两种不同方法的版本：ILA和DLA。在ILA中，假设后置失真器。构成后置失真器的模型的输入(PA输出)和输出(PA输入)是已知的。后失真器可以通过使用最小二乘(LS)算法、最小均方(LMS)算法或递归最小二乘(RLS)算法来识别。则后失真器被复制为预失真器。在DLA中，首先提取PA模型，然后执行DPD模型识别以拟合PA行为的逆。预失真器是基于PA模型的输出与输入信号之间的参考误差而获得的。可以实现非迭代技术，例如LMS技术或迭代识别算法，例如非线性滤波-x LMS(NFLMS)算法和非线性滤波-x RLS(NFRLS)算法。

参考图4，示出了根据本发明的实施例的用于训练DPD识别块316以估计DPD模型系数302的ILA和方法400。在ILA架构中，PA的后逆(post-inverse)块首先使用PA的输入信号、操作条件参数和输出信号来识别，且接着在PA的上游作为DPD应用。块316包括数据预调节块402，其接收输出信号y(t)306、操作条件参数信号310，并将两个信号的调节版本应用到DPD致动器块406，该DPD致动器块以DP函数的预定形式实现。误差计算块408将模型DPD致动器块406的预失真输出信号与输入信号x(t)进行比较以生成误差信号，该误差信号又由模型系数计算块410使用以计算应用于DPD致动器406的一个系数集合。步骤序列可以递归地执行，直到在操作范围内实现适当的误差条件。在这种情况下，确定302模型的DPD系数集合。

参考图5，示出了根据本发明的另一实施例的用于训练DPD识别块316以估计DPD模型系数302的另一DLA和方法500。在DLA配置500中，DPD直接由系统的输入和输出信号来标识。DLA配置500包括两个阶段；用于对PA 502进行建模的第一阶段，以及用于对DPD致动器进行建模的第二阶段504。块316包括数据预处理块502，其在建模502的第一阶段接收输入信号x(t)308、操作条件参数信号310，并将两个信号的调节版本应用于PA模型提取块512。PA模型提取块512使用来自数据调节块502的信号510和PA输出信号y(t)306来基于PA表征函数的预定形式生成一个PA模型系数集合513。

在建模的第二阶段504中，块316还包括DPD致动器块506，其利用DPD函数的预定形式来实现，类似于PA模型512；数据调节块507，用于将来自第一阶段的PA数据调节应用于PA的模型509(PA模型使用模型系数集合513)。误差计算块508将PA模型块509的预失真输出信号与输入信号x(t)进行比较以生成误差信号，该误差信号又由模型系数计算块510使用以计算一个系数集合，该系数集合被应用于DDP致动器506。步骤序列可以递归地执行，直到在操作范围内实现适当的误差条件。在这种情况下，确定302模型的DPD系数集合。

现在参考图6，示出了根据本发明的实施例的用于mMIMO系统600的线性化器架构。类似于图1中所示的mMIMO系统100，mMIMO系统600包括天线阵列604，其包括多个天线子阵列608-1、608-2、…608-x…608-N，每个子阵列由多个天线元件607i(i＝1到P)组成，每个天线子阵列由多个子阵列收发信机610-1、610-2、…610-N中的相应一个驱动。每个收发信机包括具有多个PA 614的传输链612，用于响应于导向方向和旁瓣强度的降低分别驱动其天线子阵列608-i中的至少一个天线单元607i、移相器616和衰减器(未示出)；以及上变频器(未示出)，用于从基带生成要应用到PA 614的RF信号。根据本发明的实施例，每个收发信机还包括线性化器618，其包括用于输入或更新收发信机的多个操作参数的操作条件参数块619、数据调节块620、DPD致动器622和DPD系数624。

在操作中，DPD致动器622读取存储在系数池624中的系数，并将它们应用于从数据调节块620输出的调节数据(基于输入信号样本、在该实施例中的基带、以及操作条件参数样本)，以生成预失真数据。回想由数据调节块应用于数据的调节的格式和类型是基于在训练阶段期间选择的用于DPD致动器622的DPD函数的形式。预失真的数据经由传输链612被转换，并作为RF信号从相控阵天线604中的子阵列收发信机610-i所服务的子阵列608-i被发射。在传输链中，通过将波束成形系数向量(复数)与驱动每个天线元件的每个信号相乘来应用该向量，以形成针对给定波束方向的信号。该信号被输入到适当的PA 614以进行放大，并输出到指定的天线阵列元件。

图6中还示出了根据本发明的一个方面的mMIMO系统600的训练配置(用虚线示出)。在所示的配置中，MIMO系统包括反馈天线623，其通过接收机链628耦合到处理器630。如前面在一般化实施例中所述，在训练线性化器时使用来自RF链的输出的反馈信号。反馈天线622可以提供在训练期间服务多个子阵列收发信机的反馈信号。接收机链628可经配置以包含模拟和数字部分，其中接收机天线626将所接收的输入信号应用到所述链，所述链经由低噪声放大器LNA(未图示)耦合到由振荡器(未图示)驱动的降频转换器(未图示)。信号可以被滤波并被传递到模数转换器(未示出)以便在数字域中进一步处理。接收机链628的数字域(未示出)可以包括用于补偿IQ不平衡的复共轭滤波器和用于对接收信号进行相位对准的相位校正器。处理器630可以被配置为提供类似于先前描述的实施例中所示的块316的数据预处理和DPD识别的功能。在多个阵列的当前方面中，训练数据与其它输入信号一起用子阵列标识(ID)来标记以根据子阵列ID生成预失真信号。在该方面，每个子阵列收发信机610-i中的DPD致动器622可以共享DPD系数的公共集合，其中每个子阵列收发信机DPD致动器除了子阵列收发信机操作参数和信号输入之外还使用对应的子阵列ID。在另一方面，可以针对每个子阵列DPD执行独立的训练序列，因此相应的子阵列DPD系数可以是唯一的。例如，这可以以时分复用的方式来实现。

根据其它方面，DPD致动器622的输出以及接收的反馈信号629可以被输入到处理器630以计算DPD系数624，用于DPD校准/训练和重新校准(例如，由于老化、环境或信号质量变化)，如前所述。

根据本发明的另一实施例，天线626可位于远场或近场中以观察所发射的RF信号并提供反馈信号627。在另一实施例中，反馈信号627可通过RF耦合(未示出)从天线元件之前的不同PA输出生成，并传递到接收机链628。接收机链628可以包括在频率或时间上复用的一个或多个接收机。每个接收机可以以高于或等于奈奎斯特(Nyquist)采样率的采样频率、或者以低于传送信号的采样率和/或带宽来操作。

在进一步的实施例中，处理器630可以被时间复用以在DPD校准/训练过程期间估计每个子阵列DPD致动器622的DPD系数624，从而提供对处理资源的更有效的使用。

在另一实施例中，可以通过在将信号传送到天线的元件之前从MIMO发射机的所有分支中进行采样来构造反馈信号，并且在反波束成形处理之后将它们组合以获得由波束信号的远场接收机接收的等效信号，该等效信号由相控阵列天线发射的所有信号产生。在这种情况下，来自MIMO发射机的所有分支的采样可以通过来自不同分支的RF耦合来获得，这些不同分支在被应用到天线中的元件并被传递到接收链之前被采样。该接收链可以包括一个或多个接收机，其可以在频域或时域中被复用，并且每个接收机可以以高于或等于奈奎斯特采样速率的采样频率或者以较低采样速率操作。当通过在空中传输之前对信号进行采样来构造反馈信号时，可以实现反波束形成处理部分，以在对采样的信号进行求和以形成要用于确定DPD功能的反馈信号之前，撤消应用于发射机的分支中的信号的波束形成功能。

参考图7，示出了根据本发明的实施例的被配置有用于实现图3中所示的DPD致动器320的人工NN模型的线性化器700的框图。用于表征传输链的传递函数的形式是可以被分类为深和浅的人工NN。DNN是具有三个以上隐藏层的NN。较浅的NN具有较少的层和较低的计算负担。所示实施例700基于浅NN，尽管根据本发明的另一实施例，深NN同样可以很好地实现。

为了简单起见并且不失一般性，在所示实施例中，描述了用于单波束波束、波束形成发射机的线性化器。NN模型700基于CNN结构，包括卷积层702，其后是完全连接的NN层704，以及输出层706。NN 700的输入数据从输入层708导出，用于接收基带I/Q信号(输入信号320)的时间离散样本I(n)，Q(n)和波束形成发射机的导向角θ(n)和φ(n)(操作条件参数309)。输入数据被预调节(数据预调节322)，并且可以被表示为输入数据样本的二维阵列，在此被称为图像710，其在概念上等价于典型CNN中的输入图像。

每个图像710包括一组元素值I(n)、Q(n)、采样和延迟版本的幅度|x(n)|和幂|x(n)|²。此外，每个图像表示用于特定导向角(θ(n),φ(n))的数据帧，为了提供关于波束方向和系统行为的信息，cos(θ(n))、sin(θ(n))、cos(φ(n))以及sin(φ(n))被包括在数据图像710的条目中。每个图像具有标识(ID)并且可以利用θ(n)和φ(n)进行编码。此外，对于每一图像，基于正被建模的PA的类型的特性而确定所俘获的记忆量和非线性阶数。非线性阶数和记忆深度都取决于PA的固有特性和信号带宽。通常，Doherty放大器与AB类放大器相比可能需要更多的记忆和非线性阶数。类似地，通过增加带宽，记忆效应因此增加了线性化所需的更多记忆项。等式1描述了具有第M个记忆深度和第N个非线性阶的输入图像。可以注意到，在相控阵发射机中IQ不平衡(IQI)的情况下，具有I(n)、Q(n)的输入基带信号提供了用于模型的信息，以形成信号的复共轭并对IQI建模。

卷积层702对输入数据映像710进行卷积，并将结果传递到下一层，即完全连接的NN层704。等式2描述了作为第d个输入图像Image_i、滤波器系数Filter_d和偏置Bias_filter_d的函数的卷积滤波器的输出CK_out^d。如等式2所述。在第一阶段，输入图像通过预定义的卷积滤波器。这些滤波器是卷积核(CK)，负责提取数据特征，同时减少下游层数据大小。对输入图像710的卷积运算使用大小为3x3的第d个CK 712，得到卷积输出CK_out^d。CK可以根据系统设计以一步步幅-卷积步幅或更多来操作。在这个阶段中的参数是CK的数量和CK的大小。CK的大小是在单个卷积运算期间每个CK覆盖的行和列的数量。DPD的整体性能取决于内核的数量以及层的数量。然而，随着层数和滤波器数的增加，模型复杂度增加。因此，在性能和适合于发射机及其应用的复杂度之间存在折衷。

第d个卷积滤波器的输出CK_out^d被馈送到具有N个个神经元的完全连接的NN层。等式3描述了在全连接层704中的N个神经元的输出其是神经元权重/>和第一神经层的偏置/>和第二神经层的偏置/>的函数。在此，ψ激活函数，D是卷积滤波器的数量。在最后一级中，输出层706分别根据等式4和等式5产生预失真I_out和Q_out信号。最后两层是具有低数量神经元的浅NN。输入层中的神经元的数量可以基于所需的性能和复杂度来选择。确定模型的最终性能的另一个参数是激活函数。在选择适当的激活函数时，应当考虑性能和激活函数的复杂性。通常，三角函数与线性函数相比增加了更多的计算复杂度。

为了训练CNN，可以在给定导向角范围内的M个角度捕获一组输入输出对{s_θ1,s_θ2,…,s_θM}，假设在这种情况下是仅具有要设置的方位角的线性阵列)。在一个实施例中，训练数据可以捕获出现最高非线性的信号的峰值。在另一实施例中，可以在训练数据集中捕获足够数量的信号包络的峰值样本，以允许对具有极端非线性的点进行建模。在又一实施例中，训练数据可以包括导向范围的边缘和其间的选择点，以便进一步提供关于导向范围内的系统行为的信息。为了避免实际数据的时间序列预测而不是对波束形成发射机行为进行建模，训练数据图像可以在角度和信号序列中被随机化和混洗，使得两个连续的训练图像以不同的时序序列并且针对不同的导向角度值结束。

训练DPD模型用于发射机参数(卷积滤波器、浅NN权重和偏置)以最小化成本函数。成本函数是均方误差，定义如下：

其中I’、Q’、I和Q分别是模拟和测量的I和Q数据，S是数据点的数量。

在多个轮次上计算成本函数。可以实现诸如Adam优化器的优化器以最小化成本函数。在每个轮次结束时，更新模型参数。在一个实施例中，建模性能可以用归一化均方误差(NMSE)的术语来测量，并且计算如下：

在一些实施例中，为了降低CNN复杂度，使用传递训练技术。在该技术中，卷积层仅被训练一次，并且在运行时仅可以重新训练完全连接层。这个特征显著地降低了系统复杂性，并为现场应用提供了合适的解决方案。

总之，系统的输入是复合调制信号和导向波束角度；它们是到数据准备部分的输入以形成数据容器/图像。然后，数据图像被传递到DPD致动器以生成预失真信号。然后，DPD致动器从DPD发生器块读取DPD系数，并将它们应用于信号。可以注意到，可以将记忆多项式的非线性阶与CNN输入图像非线性阶混淆。可以看出，根据本发明的实施例的DPD致动器的优点在于，其非常快速、连续并且准确地在导向范围内线性化所传输的波束，而不需要对DPD模型进行任何调整。DPD架构的另一优点是在使用有限数量的训练角度进行训练的同时在导向范围内线性化波束成形发射机的能力。换言之，DPD架构基于使用有限数量的训练场景来预测波束成形发射机在任何导向方向上的行为。

现在参考图8，示出了根据本发明的另一实施例的用于相控阵MIMO波束形成发射机的线性化器800的框图，该线性化器被配置有NN模型，用于实现图3中所示的DPD致动器320。框图800示出了用于MIMO发射机的单个分支(用于一个子阵列并且具有三个子阵列/流/波束)的线性化器。MIMO波束成形发射机可以经受除了波束导向角之外的影响损伤的不同操作条件(如在SISO波束成形实施例700中)，并且可以包括但不限于串扰、远场中的波束成形和IQ不平衡中的一个或多个。因此，根据本发明的实施例的MIMO DPD致动器800被配置为识别和补偿与主要子阵列相邻的子阵列效应。每个子阵列可以在任意方向θ_s上发射，并且损伤效应是波束方向θ_s的函数。因此，关于我们可以考虑的串扰损伤，MIMO波束成形发射机中的第s个子阵列可以如下建模：

这与不考虑串扰的情况形成对比，并且模型被简化为：

其中θ_s是第s个子阵列辐射方向，是方向θ上的第s个发射机模型系数。如从以上等式可以看出的，子阵列输出是以下各项的函数：i)传送数据的子阵列、ii)子阵列导向方向以及iii)相邻子阵列s-1、s+1的参数。

如前面参考线性化器700的实施例所述，线性化器800的实施例类似地理论上包括五层：输入层、图像层(数据容器/图像)、卷积层、全连接NN层和输出层。输入层808输入时间离散基带(I(n)、Q(n))数据，以及主要子阵列的波束导向角θ(n)和相邻子阵列的参数。图像810中包括组织在2D数据容器中的数据，其条目取决于I/Q基带信号采样和导向角值、各种形式的候选，因为其被证明提供最佳性能。每个图像由两种类型的信息组成，信号信息包括I(n)、Q(n)和幅度|x(n)|以及子阵列的发射角。此外，每个图像表示用于特定导向角θ(n)的数据帧。

输入图像通过预定义的卷积滤波器。这些滤波器是对输入图像执行点运算以提取特征图的卷积核(CK)。卷积核减小了下游层的数据大小。这在层802中以图形方式示出，其示出了使用具有3x3的大小的第d个CK对输入图像的卷积运算。CK可以以一步步幅-卷积步幅操作，或者更多(这取决于系统设计)。在这个阶段中的参数是CK的数量和CK的大小。CK的大小是在单个卷积运算期间每个CK覆盖的行和列的数量。线性化器的整体性能也受到内核数量和层数的影响。卷积层可被训练为固定的，因为它负责提取系统特征，而下游浅NN可被训练为微调每个子阵列的输出，该方法被称为传递。所述传递技术可通过重新使用已训练的卷积层来实质上减少训练复杂性。

在完全连接层804中，第d个特征映射CK_out^d被馈送至一系列具有N _S个神经元的完全连接NN 804，以生成预失真数据。下面的等式描述了第s个阵列中的第n个神经元的输出CK_out^d，完全连接的层中的s是神经元权重和偏置的函数。

在此，ψ是激活函数，D是s子阵列的卷积滤波器的数目。最后，在最后阶段，输出层根据以下等式产生子阵列的预失真Iout和Qout信号

输入层中的神经元的数目可以基于期望的性能和复杂度来选择。此外，在选择适当的激活函数时，可以考虑性能和激活函数复杂性。通常，三角函数与线性函数相比增加了更多的计算复杂度。

在训练阶段期间要考虑的因素先前关于线性化器700的SISO实施例进行了描述。线性化器800的训练阶段可以另外包括相邻子阵列信息以帮助DPD补偿串扰效应和带内干扰。为了避免实际数据的时间序列预测而不是对MIMO波束形成发射机行为进行建模，训练图像可以在角度和信号序列中被随机化和混洗，使得两个连续的训练图像以不同的定时序列和不同的导向角度值结束。如在先前描述的实施例700中，DPD模型被训练用于网络参数(CK滤波器、浅NN权重和偏置)以最小化代价函数。CK层的最终输出被传递到全连接浅神经网络(FC SNN)以计算预失真信号。

参考图9，示出了根据本发明的另一个实施例的多流MIMO波束成形发射机900的框图。发射机架构900包括输入层908、图像层911卷积层902和用于每个子阵列输入层908-1、908-2、…908-s的子阵列NN。用于接收多个时间离散多流输入信号x₁(n),x₂(n),...x_s(n)中的每个的输入层908和来自输入层908的相应对应波束角θ₁,θ₂,…θ_s。输出被传递到共享图像层911，其生成输入信号的数据图像和MIMO发射机的操作条件以用如先前描述的方式表示用于特定导向角θ(n)的数据帧。数据图像由共享卷积层902处理，以生成特征图，该特征图被传递到一系列微调浅神经网络908-1、908-2、…908-s。另一方面，浅神经网络负责在应用于子阵列对应的天线子阵列之前微调每个子阵列的输出。该体系结构降低了复杂性，允许使用传递技术。在使用传递技术的情况下，共享卷积层可被训练一次，而子阵列NN(DPD致动器)的微调可在运行时操作期间偶尔被更新。908是包括子阵列1、2、3及其导向角的调制输入数据的输入数据。911是具有足够的记忆抽头和非线性阶数的输入图像。902是提取共同特征的共同卷积层。904-1是第一浅神经网络，用于为第一子阵列生成正确的预失真信号。904-s是第s个浅神经网络，其从公共卷积层902获得特征图，并输出第s个子阵列的正确预失真信号。

参考图10，示出了根据本发明的一个实施例的用于生成数据调节部件1002的功能流程图1000。如本文之前所述，DPD模型的形式可以基于但不限于基函数的CNN、DNN、解析的、基于级数的和多项式级数。对于给定的子阵列，在块1014处的输入信号x(t)、角度数据和操作条件参数被输入到数据调节块1002。在步骤1004，从输入数据1014和操作条件参数中产生适当的生成值(例如VSWR、反射系数功率或平均功率)，所述操作条件参数(例如温度、阻抗)可以例如由传感器提供。在一些实施例中，调节可以包括通过预定的缩放因子或归一化值或映射函数来缩放输入或生成的值。在步骤1006，可以选择要在模型中用作模型输入的值。在步骤1008，生成数据集1012的序列。数据集1012可以包括映射函数f_i(ɡ(n,s))，其中i＝1…I。索引s是具有s＝{1:S}的操作条件参数。根据训练算法、程序和所考虑的子阵列发射机的特性，操作条件参数可以包括波束角(方位角和仰角)、VSWR、反射系数Γ、信号功率和温度(PA，环境)中的一个或多个。映射函数f_i(ɡ(n,s))(i)将输入信号特性I_in(n)、Q_in(n)及其具有不同阶数的时间延迟值(例如|(x(n,s))|^z和|(x(n-m,s)|^z，m＝1、2、3…，以及z＝1、2、3…(z是非线性阶数而m是记忆深度，记忆深度和非线性阶数是PA类型和发射机的整体结构所特有的))与复输入信号的幅度一起传递；(ii)传递发射机设置变量，例如波束方向的方位角和仰角以及信号P的平均功率；(iii)传递发射机的操作和环境条件，例如功率放大器的基板和/或可能影响线性的其它组件的温度T，以及(iv)功率放大器和天线元件的接口处的失配水平，表示为反射系数Γ_i。上面列出的参数和变量仅作为示例给出，以说明如何在数据调节部件中构造数据集，也可以包括其他参数，例如发射机分支之间的串扰和天线元件之间的交叉耦合。使用输入信号和操作条件重复上述过程N次，以产生N个数据集1012。对这N个数据集进行混洗以生成可用于DPD训练和模型识别的随机化数据集1011。

在DPD操作中，DPD致动器接收一瞬间缩放的数据集1010，其形成数据图像1012，并且通过CN和FC层以生成DPD信号输出。

参考图11a，示出了根据本发明的实施例的应用于光载无线(RoF)发射机(Tx)1100的线性化器的框图。RoF发射机1100包括光电收发信机1101，所述光电收发信机1101具有：用于生成光载波信号的光源1102(诸如激光器)；光调制器1103(电光转换器，诸如MachZehnder调制器)，其被配置为从根据本发明的实施例配置有预失真模型的DPD致动器208接收预失真信号，并生成调制的光学信号；以及光放大器1104，其用于放大光学信号以通过光通道1106(例如光纤或光自由空间链路)传输到电光发射机链。该电光发射机链由用于通过光通道1106接收光学信号的光电检测器1107组成，并在由RF放大器1152放大以经由天线1153传输之前将接收到的信号重新转换为电信号以应用于上变频器1151。

到RoF Tx 1100的输入是将由天线1153传送的输入电信号x(t)204。RoF发射机的操作条件参数信号206和输入信号204被输入到DPD致动器208。在RoF发射机的选定操作范围内训练具有单个系数集合的DPD模型可以以与本发明的任何先前实施例中所描述的类似方式来执行。在操作中，光电收发信机1101从DPD致动器接收预失真信号，并将电信号转换为耦合到光通道1106的输入的光学信号，然后除了电上变频器1151和功率放大器1152之外，在光通道的输出处将电信号转换回电信号。影响传输链的传递特性的RoF的操作条件参数信号206可包括温度、湿度、压力、辐射水平、偏置值、耦合值、波束成形相位和幅度、天线交叉耦合系数、天线子阵列交叉耦合系数、泄漏电流、阻抗失配、反射系数和负载特性、光源非线性、光调制器非线性、光通道色散和光电检测器非线性以及由光、电和光电组件生成的损伤中的一个或多个。另外，从信息承载信号计算或导出的信号参数可以包括功率、带宽和峰值对平均值功率比。如本文先前所述，生成输入信号的数据集以应用于DPD模型。

参考图11b，示出了根据本发明的另一实施例的应用于RoF发射机1160的线性化器的框图。虽然类似于实施例1100，但RoF发射机1160配置有直接调制，其中电信号可用于直接调制光源1162的电偏置(例如激光器的电源)。在一实施例中，直接调制光源1162包括激光器，其经配置以响应于电偏压而发射经调制光学载波，这与RoF发射机1100的架构中具有外部或单独调制器的未经调制光学载波形成对比。

在根据本发明的进一步的实施例中，可以实现DPD致动器模型的多项式基形式。用于分别具有基带输入信号x(n)和基带输出信号y(n)的PA。通常采用以下多项式：

其中M、K表示记忆深度、非线性阶数。

由于PA输出阻抗Z_out与PA所看到的负载阻抗Z_L(其为发射机的天线输入阻抗in)之间的失配以及天线元件之间的交叉耦合，可使用PA与天线的接口处的实际反射(Γ)来对进入PA的输出端口的信号的复输出信号(b₂)与从PA流出的信号流(a₂)的比率进行建模，且可通过以下来界定所述比率：

其中是Z_out的复共轭、a₂和b₂分别是在PA的输出和天线的输入的界面处的反射波和入射波。

交叉记忆多项式可以数学表达为

其中x₁是PA的输入数据，y₁是分支1的输出，而x₂是进入PA的输出的累积信号，这可能是由于PA和天线之间的阻抗失配、来自给定子阵列的相邻天线元件或来自相邻子阵列的耦合信号中的一个或多个而引起的。该模型需要为训练负载点、阵列设置和耦合条件的每个值提取不同的模型系数集合(a_km(Γ)和b_km(Γ))。这些模型系数集合用于在测试负载点之间进行插值，这在总体上可能是计算繁重的。

根据本发明的实施例，代替选择反射依赖模型系数，模型可以包括反射系数作为模型输入之一。

因此，具有Γ的记忆多项式模型在数学上被表示为

根据本发明的实施例，一种用于生成行为PA模型的方法包括：捕获在不同负载反射终端处输入到PA和从PA输出的训练负载点处的波形；测量所捕获的波形；记录每个训练负载点的实际反射系数(Γ)以及对应的输入和输出波形；通过将反射系数(Γ)嵌入输入信号数据来进行数据调节以生成将用于提取针对一系列操作条件的有效模型的新数据，基于模型的修改的记忆多项式形式生成单个模型系数集合；以及对于给定测试负载点的范围，计算测量输出与建模输出之间的归一化均方误差(NMSE)，以评估模型的鲁棒性和准确性。

根据本发明的一个方面，CNN可以用于发射机建模和线性化。在该示例中，本发明在使用m记忆抽头、n非线性阶、发射机依赖参数和来自其他子阵列的调制信号建模的发射机上的实现，其中每个子阵列的导向角被布置到图像中(以使用CNN的术语)并被馈送到CNN网络以用于训练DPD和生成预失真信号。

根据本发明的另一方面，周围子阵列的调制信号被认为是输入数据的一部分并被馈送到CNN。使用这种技术，该模型可以补偿在导向范围内的MIMO无线电发射机中的串扰和耦合效应。

根据本发明的其他方面，用于线性化的预期子阵列的导向角和周围子阵列被馈送到DPD致动器，以捕获它们对用于线性化的预期子阵列的行为的影响。

根据本发明的另外的方面，处理器被配置为计算包括滤波器和神经网络权重的CNN系数。

根据本发明的其他方面，针对每个子阵列考虑一个DPD，然而，可以修改DPD架构，使得一个DPD能够线性化所有子阵列，但是在整体线性化性能上具有少量损失。线性化性能由ACPR和逆建模精度定义。

根据本发明的另一方面，DPD致动器可以使用修改的CNN架构来实现。在此，P个子阵列的输入信号与导向角并排被组织成用于生成预失真信号的输入图像。

根据本发明的另一方面，输入图像被馈送到DPD致动器。DPD致动器的架构包括公共卷积滤波器和P个浅神经网络。公共卷积层提取数据特征并将它们传递到浅NN。

根据本发明的其它方面，浅NN将特征转换为每个子阵列的合适的预失真信号。

根据另一方面，使用记忆多项式来实现DPD致动器，其中，DPD致动器能够在基于单个DPD系数集合的操作条件的范围内操作。

根据一般方面，处理除调制信号之外的参数(包括功率放大器衬底温度和功率放大器行为的信号平均功率)，以识别DPD。CNN网络或多项式网络可用于根据输入调制信号、信号的平均功率和功率放大器衬底温度产生预失真信号。

虽然本说明书例示了RF和光电系统，但是根据本发明实施例的线性化器同样可以应用于在信号路径中引入非线性失真的不同系统，这些系统可以包括无线通信系统、无线设备、有线电缆传输系统、光和光电系统、SISO、MIMO和多频带MIMO、光电光载无线发射机、用于地面传输段和空间传输段的卫星通信、无线数字视频广播、电缆传输网络和具有其组合的系统中的一个或多个。此外，传输链可包括选自包括PA、天线、耦合器、无线传输路径、有线传输路径、包括光纤和自由空间介质的光学路径、光学发射机和接收机、RF路径、基带路径、时间延迟元件、组合器、移相器、信号衰减器、光电检测器、增益调节器、预失真器、低噪声放大器、RF调制器、光学调制器和光学放大器的组的一个或多个元件。

Claims (20)

1.一种用于发射机的线性化器，包括：

用于输入线性化器信号的输入接口，包括：

信息承载信号；以及

除所述信息承载信号之外的操作条件参数信号，所述操作条件参数信号表示在所述发射机的选定操作范围内影响所述发射机的传递特性的度量，以及

预失真致动器电路，被配置有预失真模型，用于响应于所述线性化器信号的表示，对所述信息承载信号的至少部分进行预失真，以产生预失真信号，所述预失真模型被配置为可操作用于使用在整个所述选定操作范围内不改变的单个模型系数集合来适应所述发射机的所述特性。

2.根据权利要求1所述的线性化器，其中具有所述单个系数集合的所述模型使用所述信息承载信号的所述表示和所述整个所述选定操作范围内的操作条件参数信号而被生成。

3.根据权利要求1所述的线性化器，其中所述预失真致动器被配置有多个预失真模型，每个预失真模型具有对应的单个模型系数集合。

4.根据权利要求1所述的线性化器，包括数据调节电路，其被耦合以接收所述线性化器信号，并且被配置为生成所述线性化器信号的表示以应用于所述预失真模型，所述表示包括数据集，所述数据集包括：

所述信息承载信号的样本；以及

以下各项的至少一个或多个样本：

所述操作条件参数，

以及导出信号，其从所述信息承载信号和所述操作条件参数信号中的至少一者的样本导出。

5.根据权利要求4所述的线性化器，其中所述数据调节电路包括卷积函数，用于将卷积滤波器应用于所述数据集的元素，以生成用于所述线性化器信号的所述表示的卷积数据集。

6.根据权利要求4所述的线性化器，其中所述数据调节电路包括选择所述数据集的元素子集用于所述线性化器信号的所述表示。

7.根据权利要求4所述的线性化器，其中所述数据调节电路包括用于所述线性化器信号的所述表示的所述数据集的缩放元素和数据融合处理。

8.根据权利要求4所述的线性化器，其中所述数据集包括以下中的一者或多者：

信息信号功率、信息信号带宽、信息信号峰均功率比、温度、湿度、压力、辐射水平、偏置值、耦合值、波束成形相位和幅度、天线交叉耦合系数、天线子阵列交叉耦合系数、泄漏电流、阻抗失配、反射系数和负载特性。

9.一种用于线性化发射机的方法，包括：

针对不同的发射机操作条件，比较所述发射机的输入信号的样本集合和输出信号的样本集合；以及

使用所述比较来生成用于所述线性化器的预失真模型的单个系数集合，其中所述单个系数集合与所述模型一起是可操作的以便适应所述发射机的整个所述操作条件上的变化的输入信号。

10.根据权利要求9所述的方法，其中所述输入信号是一个或多个同时输入信号。

11.根据权利要求9所述的方法，其中发射机的所述输出信号的所述样本集合由以下中的一者或多者提供：信号耦合器、近场观测接收机和远场接收机。

12.根据权利要求9所述的方法，其中所述系数集合通过应用间接学习架构和直接学习架构中的一者被导出。

13.根据权利要求9所述的方法，其中所述预失真模型选自以下中的一者：神经网络、卷积神经网络、深度神经网络、浅神经网络、循环神经网络、长期短期记忆神经网络、基于盒的Hammerstein-Wiener模型、基于Volterra级数的模型、基于方程的模型、基于数据的模型和多项式模型。

14.根据权利要求9所述的方法，包括利用所述预失真模型配置预失真致动器电路，以用于响应于所述信息承载信号和除了所述信息承载信号之外的操作条件参数信号，对所述信息承载信号的至少部分进行预失真，以产生预失真的信号，所述操作条件参数信号表示在所述发射机的可操作范围内影响所述发射机的传递特性的参数。

15.根据权利要求9所述的方法，其中所述发射机是以下中的一者：单输入单输出(SISO)发射机、多输入多输出(MIMO)发射机、大规模MIMO(mMIMO)发射机、相控阵发射机、单频带发射机和多频带发射机、基站收发信机和用于下行链路和上行链路通信的移动终端收发信机。

16.根据权利要求1所述的线性化器，其中所述发射机是以下中的一者：单输入单输出(SISO)发射机、多输入多输出(MIMO)发射机、大规模MIMI(mMIMO)发射机、相控阵发射机、单频带发射机和多频带发射机或光载无线(RoF)发射机。

17.根据权利要求9所述的方法，其中所述发射机包括光电发射机，所述光电发射机包括：光调制器，响应于表示所述预失真信号的电信号，用于生成调制光学信号；光通道，用于承载所述调制光学信号；以及射频放大器，用于放大所述调制光学信号的电子版本。

18.根据权利要求1所述的线性化器，其中所述发射机包括光电发射机，所述光电发射机包括：光调制器，响应于表示预失真信号的电信号，用于生成调制光学信号；光通道，用于承载所述调制光学信号；作为光电转换器的光电检测器；以及射频放大器，用于放大所述调制光学信号的电子版本。

19.根据权利要求18所述的线性化器，包括数据调节电路，其被耦合以接收所述线性化器信号，并且被配置为生成所述线性化器信号的表示以应用于所述预失真模型，所述表示包括数据集，所述数据集包括以下中的一者或多者：

信息承载信号功率、带宽和峰均功率比；

温度、湿度、压力、辐射水平、偏置值、耦合值、波束成形相位和幅度、天线交叉耦合系数、天线子阵列交叉耦合系数、泄漏电流、阻抗失配、反射系数和负载特性、光源非线性、光调制器非线性、光通道色散和光电检测器非线性以及由光、电和光电组件生成的损伤。

20.根据权利要求1所述的线性化器，其中所述发射机包括用于在选定方向上传送信号的传输链，并且所述预失真器还被配置在所述传输链中，用于在所述选定方向上传输之前，对所述信息承载信号应用所述失真，且其中所述预失真至少是基于所述传输链的操作和环境条件的。