本發(fā)明涉及用于控制直接學(xué)習(xí)算法的裝置、方法和計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

在無線移動通信中，通常對于射頻rf傳輸需要線性功率放大器pa。然而，一般，對于移動系統(tǒng)追求低功耗。因此，功率放大器可以在壓縮區(qū)域處操作。

一般，無線電設(shè)備中的功率放大器和相關(guān)聯(lián)的低功率模擬發(fā)射機(jī)當(dāng)在壓縮區(qū)域處操作時表現(xiàn)為非線性。由于非線性可能在系統(tǒng)的控制方面引起嚴(yán)重的問題，所以消除或至少減輕其非線性是有利的。求解非線性問題的一種可能的方法是顯著回退(backoff)，使得操作區(qū)域變?yōu)榫€性。然而，這是非常低效的并且不產(chǎn)生期望的功率節(jié)省。

因此，數(shù)字預(yù)失真(dpd)算法通常用于允許rf信號在壓縮區(qū)域中操作的無線電裝置中。在壓縮區(qū)域中操作將由于提高的效率而帶來功率節(jié)省。然而，在這樣的區(qū)域中操作也將增加互調(diào)(im)產(chǎn)物。一般，增加的im產(chǎn)物違反3gpp規(guī)范。因此，dpd(數(shù)字預(yù)失真)算法的主要作用是減少im產(chǎn)物，使得無線電裝置可以按照3gpp規(guī)范高效地操作。

某種dpd算法屬于稱為dla(directlearningalgorithm，直接學(xué)習(xí)算法)的類別。在dla中，從輸入到輸出建模非線性。示例將是從輸入到輸出的功率放大器的建模。換句話說，輸出由輸入變量和輸入信號描述。

因此，dla不產(chǎn)生功率放大器的反演模型，其而是直接對功率放大器進(jìn)行建模。因此，為了獲得反演，通常進(jìn)行迭代過程。該迭代反演過程通常固定為預(yù)定數(shù)量的迭代(即2、3、……5等)。示例是具有n1次迭代的固定點(diǎn)算法或具有n2次迭代的牛頓法。n1和n2基于反演模型的所需收斂準(zhǔn)確度來選擇。限制n1和n2的另一個因子是硬件限制。

然而，使dla經(jīng)由修改的固定點(diǎn)算法或修改的牛頓法自適應(yīng)地實(shí)現(xiàn)是非常常見的。牛頓法非常復(fù)雜；因此與牛頓法相比，修改的固定點(diǎn)算法由于其更簡單的形式而更合適。

在無線/蜂窩環(huán)境中，dpd算法的持續(xù)修正(adaptation)必須在功率放大器的改變的預(yù)期中進(jìn)行。然而，這樣的持續(xù)修正可能由于數(shù)值誤差累積(例如浮點(diǎn)誤差)而帶來不穩(wěn)定。這是因?yàn)楫?dāng)修正趨于非常大時，即使是每步驟的小數(shù)值誤差也可能導(dǎo)致巨大的噪聲累積。數(shù)值誤差累積是阻止了針對dla算法的最佳性能的持續(xù)問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的實(shí)施例解決了這種情況，并且旨在克服上述問題并提供了具有數(shù)字預(yù)失真的功率放大器的更穩(wěn)定的操作。

根據(jù)本發(fā)明的第一方面，提供了一種用于控制在非線性狀態(tài)下操作的功率放大器的方法，包括：將要放大的信號輸入到被提供用于補(bǔ)償功率放大器的非線性的預(yù)失真器；將預(yù)失真輸出信號從預(yù)失真器轉(zhuǎn)發(fā)到功率放大器；使用自適應(yīng)直接學(xué)習(xí)算法基于從功率放大器輸出的線性化信號與要放大的信號之間的誤差在多個步驟中修正預(yù)失真器的參數(shù)；檢測誤差是否發(fā)散；以及當(dāng)確定誤差發(fā)散時，停止修正預(yù)失真器的參數(shù)。

根據(jù)本發(fā)明的第二方面，提供了一種用于控制功率放大器的裝置，包括：預(yù)失真器；至少一個處理器，以及用于存儲要由處理器執(zhí)行的指令的至少一個存儲器，其中所述至少一個存儲器和所述指令被配置為利用所述至少一個處理器使得所述裝置至少執(zhí)行：將要放大的信號輸入到被提供用于補(bǔ)償功率放大器的非線性的預(yù)失真器；將預(yù)失真輸出信號從預(yù)失真器轉(zhuǎn)發(fā)到功率放大器；使用自適應(yīng)直接學(xué)習(xí)算法基于從功率放大器輸出的線性化信號與要放大的信號之間的誤差在多個步驟中修正預(yù)失真器的參數(shù)；檢測誤差是否發(fā)散；以及當(dāng)確定誤差發(fā)散時，停止修正預(yù)失真器的參數(shù)。

根據(jù)本發(fā)明的第三方面，提供了一種包括計(jì)算機(jī)可執(zhí)行組件的計(jì)算機(jī)程序產(chǎn)品，當(dāng)所述程序運(yùn)行時，被配置為執(zhí)行根據(jù)第一方面的方法。

在從屬權(quán)利要求中闡述了本發(fā)明的上述示例性方面的有利的進(jìn)一步發(fā)展或修改。

根據(jù)本發(fā)明的某些實(shí)施例，可以當(dāng)檢測到所述誤差發(fā)散時恢復(fù)存儲狀態(tài)。

根據(jù)本發(fā)明的某些實(shí)施例，可以檢測誤差的誤差梯度，以及可以基于所述誤差梯度來確定誤差是否發(fā)散。

根據(jù)本發(fā)明的某些實(shí)施例，當(dāng)誤差梯度大于零時，可以檢測誤差梯度為正的出現(xiàn)次數(shù)，以及可以繼續(xù)修正參數(shù)直到所述出現(xiàn)次數(shù)超過閾值。

根據(jù)本發(fā)明的某些實(shí)施例，當(dāng)所述誤差梯度等于零或低于零時，可以確定所述誤差的量是否大于閾值，并且，在所述誤差的量大于閾值的情況下，可以發(fā)起修正預(yù)失真器的參數(shù)的重新開始。

根據(jù)本發(fā)明的某些實(shí)施例，可以在自適應(yīng)直接學(xué)習(xí)算法中引入誤差縮放因子，以便滿足以下方程：

y(n)＝x(n)-μ*e(n)

其中y是預(yù)失真信號，x是要放大的信號，e是誤差，μ是誤差縮放因子，并且n指示修正次數(shù)。

誤差縮放因子可以被設(shè)置為小于1.0的值。

根據(jù)本發(fā)明的某些實(shí)施例，當(dāng)開始或重新開始預(yù)失真器的參數(shù)的修正時，可以將誤差縮放因子設(shè)置為等于1.0的值。

根據(jù)本發(fā)明的某些實(shí)施例，所述參數(shù)可以通過求解通過使用自相關(guān)矩陣形成的線性方程組來修正，其中可以向自相關(guān)矩陣的單個或多個對角線元素添加噪聲因子。

附圖說明

從結(jié)合附圖進(jìn)行的對本發(fā)明的實(shí)施例的以下詳細(xì)描述中，這些和其他目的、特征、細(xì)節(jié)和優(yōu)點(diǎn)將變得更加完全顯而易見，其中：

圖1示出了自適應(yīng)直接學(xué)習(xí)算法，

圖2示出了根據(jù)本發(fā)明的實(shí)施例的用于控制功率放大器的裝置的簡化概述，

圖3示出了根據(jù)本發(fā)明的實(shí)施例的dla啟動過程的流程圖，以及

圖4示出了根據(jù)本發(fā)明的實(shí)施例的dla繼續(xù)過程的流程圖。

具體實(shí)施方式

在下文中，將描述本發(fā)明的實(shí)施例。然而，要理解，該描述僅以示例的方式給出，并且所描述的實(shí)施例絕不應(yīng)被理解為將本發(fā)明限制于其。

在描述本發(fā)明的實(shí)施例之前，更詳細(xì)地描述本發(fā)明的實(shí)施例之下的問題。

在圖1中示出了利用固定點(diǎn)特點(diǎn)而設(shè)計(jì)的自適應(yīng)dla算法。描述該方法的所有方程也利用圖給出，如下文中將描述的。自適應(yīng)算法具有每次迭代地改進(jìn)建模準(zhǔn)確度的益處。這比在硬件中實(shí)現(xiàn)它更好，在硬件中迭代反演被限制為諸如4、6或甚至10之類的小的次數(shù)。自適應(yīng)dla沒有相同的限制。

在無線/蜂窩環(huán)境中，dpd算法的持續(xù)修正必須在pa改變的預(yù)期中進(jìn)行。然而，由于數(shù)值誤差累積(例如浮點(diǎn)誤差)，持續(xù)修正可能帶來不穩(wěn)定。這是因?yàn)楫?dāng)修正趨于非常大時，即使是每步驟的小數(shù)值誤差也可能導(dǎo)致巨大的噪聲累積。數(shù)值誤差累積是阻止獲得針對dla算法的最佳性能的持續(xù)問題。

在一些實(shí)例中(更可能在窄帶信號的情況下)，在1000次修正之后出現(xiàn)不穩(wěn)定。然而，在寬帶信號的情況下，這種不穩(wěn)定可能出現(xiàn)在少于100次修正中。如果不檢查這種不穩(wěn)定，則自適應(yīng)dla算法將發(fā)散，從而導(dǎo)致互調(diào)產(chǎn)物隨時間而增加。

在下文中，通過參考圖1描述自適應(yīng)dla(具有固定點(diǎn)特點(diǎn))的支持方程。注意，當(dāng)累積的浮點(diǎn)誤差與互調(diào)(im)校正相比顯著時，支持圖1的公式將發(fā)散。

x(n)：未預(yù)失真信號

y(n)：預(yù)失真信號。

z(n)：線性化信號。在最佳情況下，該信號應(yīng)盡可能接近x(n)。為了簡單起見，pa的增益和相位被歸一化為單位增益和零相位。也就是說，z(n)是pa的歸一化輸出，即，是已經(jīng)通過pa的復(fù)數(shù)增益歸一化的線性化信號。

e(n)：z(n)和x(n)之間的誤差。想法是最小化該誤差。

在下文中，描述了支持常規(guī)dla的方程：

在自適應(yīng)步驟n處，線性化信號z(n)和輸入信號x(n)之間的誤差被確定：

e(n)＝z(n)-x(n)

通過求解以a*h＝b的形式的線性方程組來執(zhí)行修正，其中搜索矢量h的解。矢量h的系數(shù)給出被應(yīng)用于修正的預(yù)失真的參數(shù)。

基于矩陣x來計(jì)算矩陣a，矩陣x基于x(n)計(jì)算如下：

x＝[x′(n)x′(n-1)x′(n-t)......x′(n)|x(n)|^l1x′(n-1)|x′(n-1)|^l1x′(n-t)|x′(n-t)|^l1

x′(n+n)x′(n+n-1)x′(n+n-t)......x′(n+n)|x′(n+n)|^l1x′(n+n-1)|x′(n+n-1)|^l1x′(n+n-t)|x′(n+n-t)|^l1]

h＝[h′(n)h′(n-1).....h′(n-t)]^t

(x^hx)*h＝x^he

e＝[e′(n)e′(n+1)......e′(n+n)]^t

a*h＝b形式

x是由線性和非線性元素組成的矩陣。

以a*h＝b形式，a是自相關(guān)矩陣(x^hx)，并且b是互相關(guān)矢量x^he。e是誤差矢量，如上所示。上述方程中的l1描繪非線性的階數(shù)。要注意的是，在該術(shù)語中，e(n)是第n次處的矢量，而e’(n)不是。類似地，h’(n)不是矢量而是單個樣本。h是矢量。

在自適應(yīng)步驟n處生成預(yù)失真信號如下：

y(n)＝x(n)-μ*e(n)

其中μ＝μ0

其中，e(n)＝x(1，：)*h

x(1，：)是矩陣x的第n行。

如方程中所示，當(dāng)系統(tǒng)接近最優(yōu)收斂時，z(n)按其所能夠的那樣接近于x(n)。e(n)相當(dāng)小。誤差現(xiàn)在是顯著的，與當(dāng)在修正過程開始時e(n)較大時相比。

因此，收斂處相同步驟的繼續(xù)運(yùn)算將導(dǎo)致浮點(diǎn)誤差累積。然后，這些誤差將被矩陣解吸收到矢量h，其中h＝[h′(n)h′(n-1)……h(huán)′(n-t)]。在這種情況下使用的典型矩陣解是：

lu分解、cholesky分解等。該誤差累積過程導(dǎo)致dla算法的發(fā)散。

因此，常規(guī)的自適應(yīng)dla算法可能是不穩(wěn)定的。

本發(fā)明的實(shí)施例克服了該問題。

圖2示出了根據(jù)本發(fā)明的某些實(shí)施例的用于控制在非線性狀態(tài)下操作的功率放大器的裝置1的簡化框圖。裝置1包括處理器11和用于存儲要由處理器執(zhí)行的指令的存儲器12。此外，提供了預(yù)失真器13，通過所述預(yù)失真器13抵消功率放大器的非線性。

處理器11被配置為將要放大的信號輸入到被提供用于補(bǔ)償功率放大器的非線性的預(yù)失真器13；將預(yù)失真輸出信號從預(yù)失真器13轉(zhuǎn)發(fā)到功率放大器；使用自適應(yīng)直接學(xué)習(xí)算法基于從功率放大器輸出的線性化信號和要放大的信號之間的誤差在多個步驟中修正預(yù)失真器13的參數(shù)；檢測誤差是否發(fā)散；并且當(dāng)確定誤差發(fā)散時，停止修正預(yù)失真器13的參數(shù)。

因此，以這種方式，當(dāng)檢測到誤差發(fā)散時，dla停止。因此，dla可以穩(wěn)定化。

當(dāng)檢測到存在發(fā)散時，可以恢復(fù)存儲狀態(tài)(例如在dla啟動時確定的參數(shù))。替代地，所存儲的參數(shù)也可以是在任何給定時間處的一些最優(yōu)參數(shù)。利用誤差矢量，可以確定最優(yōu)參數(shù)將在何處；通常，誤差矢量何時在其最小值處或梯度的絕對值也很小。

此外，可以基于誤差梯度來確定誤差是否發(fā)散。

此外，當(dāng)誤差梯度大于零(即，正)時，只有當(dāng)針對許多次檢測到誤差梯度為正時，才可以確定存在發(fā)散的出現(xiàn)。這可以避免由于噪聲等引起的錯誤確定。

在下文中通過參考本發(fā)明的更詳細(xì)的實(shí)施例來描述上述措施。

根據(jù)某些實(shí)施例，上述的dla不穩(wěn)定通過非算法方法來解決。非算法方法基于控制機(jī)制，由此允許誤差累積，但是利用特殊標(biāo)記(諸如誤差梯度和誤差矢量)來監(jiān)視。當(dāng)標(biāo)記指示解發(fā)散時，系統(tǒng)恢復(fù)到先前存儲的狀態(tài)。存儲狀態(tài)更接近于最優(yōu)解，但其不需要是非常準(zhǔn)確的。下面的選擇標(biāo)準(zhǔn)將示出如何以及何時存儲該恢復(fù)模型。

控制機(jī)制包括2個步驟：

1)使用標(biāo)記和檢測發(fā)散點(diǎn)

2)延長發(fā)散(即，sw不需要快速作用，當(dāng)發(fā)散點(diǎn)被延伸時)

這兩個步驟是獨(dú)立的，并且可以單獨(dú)實(shí)現(xiàn)。然而，它們彼此互補(bǔ)。例如延長收斂將使得步驟1)在sw中更容易實(shí)現(xiàn)。

1)使用標(biāo)記和檢測發(fā)散點(diǎn)

參考上述的dla算法部分。誤差梯度在計(jì)算h后計(jì)算。誤差梯度描述如下：

其中以矢量形式的誤差是e＝[e′(n)e′(n+1)........e′(n+n)]

雖然誤差梯度的計(jì)算是復(fù)雜的，但是算法也可以利用e相對于由矢量h獲得的系數(shù)的簡單導(dǎo)數(shù)來實(shí)現(xiàn)(參見dla描述)。

在每個步驟開始時，計(jì)算誤差矢量：

e＝[e′(n)e′(n+1)........e′(n+n)]

e′＝共軛轉(zhuǎn)置

因此，在修正的每個步驟處，計(jì)算以下內(nèi)容(也參見如上面給出的常規(guī)dla的解釋)：

e′(n)＝z′(n)-x′(n)

e＝[e′(n)e′(n+1)........e′(n+n)]

e′＝共軛轉(zhuǎn)置

x＝[x′(n)x′(n-1)x′(n-t)......x′(n)|x(n)|^l1x′(n-1)|x′(n-1)|^l1x′(n-t)|x′(n-t)|^l1

x′(n+n)x′(n+n-1)x′(n+n-t)......x′(n+n)|x′(n+n)|^l1x′(n+n-1)|x′(n+n-1)|^l1x′(n+n-t)|x′(n+n-t)|^l1]

h＝[h′(n)h′(n-1).....h′(n-t)]^t

(x^hx)*h＝x^he

e＝[e′(n)e′(n+1)......e′(n+n)]^t

a*h＝b形式

其中以矢量形式的誤差是e＝[e′(n)e′(n+1)........e′(n+n)]

如上面已經(jīng)提到的，注意，x是由線性和非線性元素組成的矩陣。以a*h＝b形式，a是自相關(guān)矩陣(x^hx)，并且b是互相關(guān)矢量x^he。e是誤差矢量，如上所示。上述方程中的l1描繪非線性的階數(shù)。要注意的是，在該術(shù)語中，e(n)是第n次處的矢量，而e’(n)不是。類似地，h’(n)不是矢量而是單個樣本。h是矢量。

一般，如果解是完美的，則誤差矢量應(yīng)當(dāng)非常小或更確切地說為零。

由于限定了兩個標(biāo)記，使dla穩(wěn)定化的控制機(jī)制在下面描述：

dla啟動

dla啟動過程總結(jié)如下：

設(shè)置μ＝1并啟動修正過程

計(jì)算每個步驟處的誤差梯度

如果(誤差梯度<0&&誤差梯度>閾值eg1)

存儲狀態(tài)：這包括來自矢量h的系數(shù)(參見：a*h＝b步驟)

結(jié)束

閾值eg1為負(fù)小值，例如-1e-5。作為修改，也可以將誤差矢量與某個閾值進(jìn)行比較。

在下文中通過參考圖3中所示的流程圖來描述該過程。

在步驟s31中，將μ設(shè)置為1，使得可以快速地執(zhí)行修正過程。此外，由于過程開始，所以n被重置為0。在步驟s32中，執(zhí)行上述的計(jì)算，并且特別地計(jì)算誤差梯度。在步驟s33中，檢查是否誤差梯度小于0并且誤差梯度大于閾值t1。如果否，則繼續(xù)修正過程，其中在步驟s34中遞增n。如果誤差梯度小于0并且誤差梯度大于閾值t1(步驟s34中為“是”)，則在步驟s35中存儲目前狀態(tài)，并且結(jié)束該過程。

因此，執(zhí)行初始修正過程直到誤差梯度為負(fù)并且誤差梯度大于閾值eg1。然后，存儲目前狀態(tài)(由矢量h的系數(shù)限定)。

dla繼續(xù)

dla繼續(xù)即在功率放大器的正常操作期間執(zhí)行的過程在下文中總結(jié)：

設(shè)置μ＝μ1并開始修正過程(注意：μ可以取小于1的任何其他值)。

如果(誤差梯度<0&&誤差矢量<閾值ev1)

繼續(xù)dla：由于梯度為負(fù)，所以誤差矢量繼續(xù)改進(jìn)并變得更小。

如果(誤差梯度<0&&誤差矢量>閾值ev1)

繼續(xù)dla：誤差矢量的突然改變是由于突然的pa改變。這可能是使得pa模型改變的流量配置文件改變的結(jié)果。為了快速適應(yīng)于改變的環(huán)境，將μ設(shè)置為1.0。發(fā)起dla啟動。否則如果(誤差梯度>0&&出現(xiàn)閾值<o1)

繼續(xù)dla：由于梯度為正，所以一些發(fā)散將開始出現(xiàn)。在此設(shè)置足夠的出現(xiàn)閾值o1為100或任何其他令人滿意的值。這是為了避免給出錯誤觸發(fā)的噪聲。

否則如果(誤差梯度>0&&出現(xiàn)閾值>o1)

利用啟動處的存儲設(shè)置恢復(fù)dla：由于梯度為正并且其超過出現(xiàn)閾值，所以可以推斷發(fā)散出現(xiàn)。利用在啟動處存儲的值恢復(fù)系數(shù)矢量h。此外，矢量e被恢復(fù)如下：(即e＝x*h)。

將出現(xiàn)計(jì)數(shù)器設(shè)置為零。

結(jié)束

該過程也在下文中通過參考圖4中所示的流程圖來描述。

在步驟s41中，將μ設(shè)置為μ1，并且開始修正過程。在步驟s42中，執(zhí)行上述的計(jì)算，并且特別地計(jì)算誤差梯度。在步驟s43中，檢查誤差梯度是否小于零。如果是，則在步驟s44中檢查誤差矢量是否小于閾值ev1。如果是，則在步驟s45中通過遞增n繼續(xù)dla。如果誤差矢量不小于閾值ev1(步驟s44中為“否”)，則可以假設(shè)突然改變，如上面提到的。因此，通過在步驟s46中將μ設(shè)置為1來發(fā)起dla啟動過程(圖3)。

在步驟s43中確定誤差梯度不小于零(否)的情況下，在步驟s47中檢查出現(xiàn)計(jì)數(shù)器oc是否小于出現(xiàn)閾值o1(其例如可以為100)，在步驟s47中。如果是，則在步驟s48中通過遞增n繼續(xù)dla，其中也遞增出現(xiàn)計(jì)數(shù)器。如果在步驟s47中出現(xiàn)計(jì)數(shù)器oc不小于出現(xiàn)閾值o1(否)，則確定確實(shí)出現(xiàn)發(fā)散，使得利用在啟動處的存儲設(shè)置來恢復(fù)dla。

可以以合適的方式預(yù)先設(shè)置上面使用的不同閾值。

因此，根據(jù)上述實(shí)施例，基于誤差的梯度來確定繼續(xù)dla。在誤差為負(fù)的情況下，繼續(xù)dla。然而，如果在這種情況下，誤差矢量超過某個閾值(ev1)，則可以推斷在環(huán)境或流量等中存在某個重大改變，使得發(fā)起dla啟動。另一方面，在誤差梯度為正的情況下，不直接推斷存在發(fā)散。也就是說，檢查出現(xiàn)次數(shù)即檢測到正誤差梯度的頻率。只有在出現(xiàn)超過某個閾值(o1)的情況下，才推斷存在發(fā)散，并且恢復(fù)存儲狀態(tài)(初始dla啟動處存儲的)。

因此，dla可以穩(wěn)定化。

2)延長發(fā)散

延長發(fā)散是一種策略，由此軟件具有作用于發(fā)散的空間。這是通過兩種方法執(zhí)行的。一種被描述為上述控制機(jī)制的一部分，其中μ被設(shè)置為比1.0小得多的值。這將減緩浮點(diǎn)誤差的累積。示例是當(dāng)μ設(shè)置為1.0時在修正100處發(fā)散的信號形式。然后當(dāng)通過設(shè)置μ等于0.25時，其通常將發(fā)散點(diǎn)延伸到大于4倍。

延長發(fā)散的另一種形式是處理自相關(guān)矩陣。當(dāng)對功率放大器進(jìn)行建模時，在自相關(guān)矩陣中觀察到大的條件數(shù)。這樣的條件數(shù)將導(dǎo)致計(jì)算系數(shù)的不準(zhǔn)確，因?yàn)樗治g計(jì)算機(jī)平臺的雙精度準(zhǔn)確度。

在矢量e(即[e′(n)e′(n+1)......e′(n+n)])中累積dla算法的數(shù)值不準(zhǔn)確。該誤差然后將擾亂互相關(guān)矢量?；ハ嚓P(guān)矢量由：x^he給出。

互相關(guān)矢量的元素的這種擾動導(dǎo)致h上的相關(guān)聯(lián)系數(shù)的大改變。h通過：(x^hx)*h＝x^he與互相關(guān)矩陣相關(guān)。

如果上述矩陣形式由a*h＝b表示。利用傳統(tǒng)的固定tikhonov噪聲來實(shí)現(xiàn)限制系數(shù)運(yùn)動，如下所示：

a*h＝b

a＝a+λ*i

其中λ是小噪聲因子(諸如1e-8)；取決于自相關(guān)矩陣i的乘方是尺寸a的單位矩陣。

然而，上面所示的傳統(tǒng)的tikhonov方法在限制系數(shù)運(yùn)動方面是不足的。因此，作者提出了一種稱為自適應(yīng)tikhonov的新穎想法。利用自適應(yīng)tikhonov方法，噪聲不會被添加到自相關(guān)矩陣a的所有對角元素。更確切地說，足夠的tikhonov噪聲被添加到造成問題的單個或多個對角線元素。

假設(shè)第n個系數(shù)顯示出很大的運(yùn)動。自適應(yīng)tikhonov將僅向相關(guān)矩陣a的第n個對角線元素添加增量噪聲。過程在下面示出：

a(n，n)＝a(n，n)+n2

其中n2是小噪聲因子(諸如1e-7)。

一般，n2與固定tikhonov值相比略大一點(diǎn)。自適應(yīng)tikhonov增加，直到系數(shù)h(n)被限制在可接受的值內(nèi)。本發(fā)明報(bào)告的作者發(fā)現(xiàn)，利用自適應(yīng)tikhonov過程，dla發(fā)散點(diǎn)可以進(jìn)一步延伸。

因此，通過上述的實(shí)施例，實(shí)現(xiàn)了使dla過程穩(wěn)定化。因此，與現(xiàn)有的基于固定點(diǎn)的迭代反演方法相比，提供了asic資源的減少使用和改進(jìn)的性能。由于改進(jìn)的dla方法的迭代性質(zhì)，它也理想地適于小小區(qū)。

注意，實(shí)施例和本發(fā)明一般不限于上面給出的具體示例。

例如，在上述實(shí)施例中，描述了在檢測到發(fā)散出現(xiàn)之后，利用在啟動處存儲的值恢復(fù)系數(shù)矢量h。然而，替代地，可以在每個修正步驟處存儲矢量h的系數(shù)，使得可以恢復(fù)在發(fā)散的第一次出現(xiàn)之前存儲的矢量h的系數(shù)。

要理解，任何上述修改可以單獨(dú)地或組合地應(yīng)用于它們所涉及的相應(yīng)方面和/或?qū)嵤├?，除非將它們明確地陳述為排除替代物。

在裝置的前述示例性描述中，使用功能塊來描述了僅針對理解本發(fā)明的原理相關(guān)的單元。裝置可以包括針對其相應(yīng)功能所必需的另外的單元。然而，在本說明書中省略對這些單元的描述。裝置的功能塊的布置不被解釋為限制本發(fā)明，并且功能可以由一個塊執(zhí)行或進(jìn)一步分割成子塊。

根據(jù)本發(fā)明的示例性實(shí)施例，系統(tǒng)可以包括由此描繪的設(shè)備/裝置和其他網(wǎng)絡(luò)元件的任何可想到的組合，其被布置為如上述那樣協(xié)作。

本發(fā)明的實(shí)施例可以實(shí)現(xiàn)為軟件、硬件、應(yīng)用邏輯、或者軟件、硬件和應(yīng)用邏輯的組合中的電路。

如本申請中所使用的，術(shù)語“電路”是指所有以下內(nèi)容：(a)僅硬件電路實(shí)現(xiàn)(諸如在僅模擬和/或數(shù)字電路中的實(shí)現(xiàn))和(b)電路和軟件(和/或固件)的組合，諸如(如適用)：(i)(多個)處理器的組合；或(ii)(多個)處理器/軟件的部分(包括(多個)數(shù)字信號處理器)、軟件和(多個)存儲器，其一起工作以使得裝置(諸如移動電話或服務(wù)器)執(zhí)行各種功能)和(c)諸如(多個)微處理器或(多個)微處理器的部分的電路，其需要軟件或固件以用于操作，即使軟件或固件不物理存在。“電路”的該限定應(yīng)用于該術(shù)語在本申請中(包括在任何權(quán)利要求中)的所有使用。作為另外的示例，如本申請中所使用的，術(shù)語“電路”還將覆蓋僅處理器(或多個處理器)或處理器的部分及它的(或它們的)附隨軟件和/或固件的實(shí)現(xiàn)。術(shù)語“電路”還將覆蓋(例如并且如果適用于特定權(quán)利要求元素)用于移動電話的基帶集成電路或應(yīng)用處理器集成電路、或者服務(wù)器、蜂窩網(wǎng)絡(luò)設(shè)備或其他網(wǎng)絡(luò)設(shè)備中的類似集成電路。

本發(fā)明特別地涉及但不限于移動通信，例如gsm、hsdpa、umts、lte、wcdma、wimax和wlan之下的環(huán)境，并且有利地也可以實(shí)現(xiàn)在控制器、基站、用戶設(shè)備或智能電話、或者可連接到這樣的網(wǎng)絡(luò)的個人計(jì)算機(jī)中。也就是說，它可以被實(shí)現(xiàn)為/實(shí)現(xiàn)在連接設(shè)備的芯片組和/或其調(diào)制解調(diào)器中。

如果期望，本文討論的不同功能可以以不同的順序執(zhí)行和/或彼此同時地執(zhí)行。此外，如果期望，上述功能中的一個或多個可以是可選的或可以被組合。

盡管在獨(dú)立權(quán)利要求中闡述了本發(fā)明的各個方面，但是本發(fā)明的其他方面包括來自所描述的實(shí)施例和/或從屬權(quán)利要求的特征與獨(dú)立權(quán)利要求的特征的其他組合，而不僅僅是在權(quán)利要求中明確地闡述的組合。

本文還要注意，雖然上面描述了本發(fā)明的示例性實(shí)施例，但是這些描述不應(yīng)在限制性意義上查看。更確切地說，存在可以在不脫離如所附權(quán)利要求中限定的本發(fā)明的范圍的情況下進(jìn)行的若干變化和修改。

應(yīng)用在本說明書中使用的縮寫詞的以下含義：

3gpp第三代合作伙伴項(xiàng)目

dla直接學(xué)習(xí)算法

dpd數(shù)字預(yù)失真

ila間接學(xué)習(xí)算法

im互調(diào)

pa功率放大器

rf射頻。