專利名稱：基于對稱多處理器的dpd自適應(yīng)方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及通信領(lǐng)域，具體而言，涉及ー種基于對稱多處理器的DPD自適應(yīng)方法及裝置。
背景技術(shù)：
射頻拉遠(yuǎn)單元(Radio Remote Unit,簡稱為RRU)中需要采用數(shù)字預(yù)失真(DigitalPreDisposition,簡稱為DPD)算法來提高功率放大器的效率。DTO算法的實現(xiàn)主要分為硬件邏輯和軟件參數(shù)估計。目前，DH)算法的軟件實現(xiàn)采用基于數(shù)字信號處理器(DigitalSignal Processor，簡稱為DSP)串行自適應(yīng)方法，但是從硬件架構(gòu)、成本以及效率上，特別是在多天線預(yù)失真應(yīng)用場景中，基于DSP的串行自適應(yīng)方 法則效率比較低。DPD算法要求理想?yún)?shù)估計時間小于一秒，才能較好地跟蹤并適應(yīng)系統(tǒng)的非線性變化。下面對基于DSP軟件的串行自適應(yīng)方法進(jìn)行介紹，如圖I所示，處理流程是獲取樣本數(shù)據(jù)、對樣本數(shù)據(jù)進(jìn)行篩選、對樣本數(shù)據(jù)進(jìn)行預(yù)處理、DPD參數(shù)估計、參數(shù)更新等，這些處理過程按照順序依次執(zhí)行。其中，獲取樣本數(shù)據(jù)與參數(shù)更新涉及軟硬件交互，計算量不大。在自適應(yīng)算法復(fù)雜計算量大時，串行自適應(yīng)非常耗時。尤其是進(jìn)行多天線DH)時，采用串行自適應(yīng)方法收斂時間成為系統(tǒng)性能瓶頸。現(xiàn)有加快DPD自適應(yīng)的方法，一般從矩陣計算的角度，采用更優(yōu)的矩陣分解方法進(jìn)行優(yōu)化；現(xiàn)有基于多核處理器的加速算法從處理器指令組合及調(diào)度算法進(jìn)行優(yōu)化；其他基于參數(shù)估計的并行化算法，如并行施密特-卡爾曼濾波方法是從算法結(jié)構(gòu)進(jìn)行優(yōu)化。但是，沒有基于對稱多處理器(Symmetrical Multi-Processor,簡稱為SMP)硬件架構(gòu)下的DPD自適應(yīng)加速優(yōu)化方法。隨著RRU硬件架構(gòu)的不斷升級，未來的趨勢之一是采用SMP代替原有架構(gòu)中的通用處理器與DSP，以此來達(dá)到RRU小型化、降低功耗，并節(jié)約成本。但是，仍采用對應(yīng)DSP單核處理器的軟件DPD自適應(yīng)方法，不能充分發(fā)揮SMP的架構(gòu)優(yōu)勢。由此可見，現(xiàn)有的基于數(shù)字信號處理器的串行DPD自適應(yīng)方法具有以下缺陷自適應(yīng)速率慢、收斂時間長、無法跟蹤系統(tǒng)快速變化，成本高、架構(gòu)復(fù)雜，而且無法適應(yīng)多天線Dro場景。

發(fā)明內(nèi)容
本發(fā)明提供了一種基于對稱多處理器的DPD自適應(yīng)方法及裝置，以至少解決上述問題之根據(jù)本發(fā)明的ー個方面，提供了一種基于對稱多處理器的DPD自適應(yīng)方法，包括對數(shù)字預(yù)失真(Dro)自適應(yīng)過程中滿足預(yù)定的解耦條件的特定處理模塊進(jìn)行相關(guān)性解耦，得到相關(guān)性解耦結(jié)果，其中，解耦條件包括運算量、運算類型、解耦可能性、解耦復(fù)雜性、解耦風(fēng)險性以及解耦效率加速比；對相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)；對并行處理數(shù)據(jù)進(jìn)行結(jié)果歸并處理，得到結(jié)果歸并數(shù)據(jù)。優(yōu)選地，對數(shù)字預(yù)失真DPD自適應(yīng)過程中滿足預(yù)定的解耦條件的處理模塊進(jìn)行相關(guān)性解耦，包括在多個處理模塊中確定出滿足預(yù)定的運算量且滿足預(yù)定的運算類型的特定處理模塊；根據(jù)DPD自適應(yīng)過程的算法需求分析特定處理模塊中是否具備解耦可能性，其中，解耦可能性為將數(shù)據(jù)分解為獨立計算序列的可能性；在特定處理模塊具備解耦可能性的情況下，判斷特定處理模塊是否滿足預(yù)定的解耦復(fù)雜性和預(yù)定的解耦風(fēng)險性，當(dāng)判斷結(jié)果為是時，計算特定處理模塊的解耦效率加速比；在解耦效率加速比滿足預(yù)定的解耦效率加速比的情況下，對特定處理模塊進(jìn)行相關(guān)性解耦。優(yōu)選地，對相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)，包括根據(jù)節(jié)點-邊的拓?fù)潢P(guān)系將相關(guān)性解耦結(jié)果中的數(shù)據(jù)劃分為相關(guān)數(shù)據(jù)和不相關(guān)數(shù)據(jù)，其中，相關(guān)數(shù)據(jù)的相關(guān)性程度大于預(yù)定的相關(guān)性程度，不相關(guān)數(shù)據(jù)的相關(guān)性程度小于等于預(yù)定的相關(guān)性程度；根據(jù)不同的并行處理方式對不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，并行處理方式包括粗粒度并行處理方式和細(xì)粒度并行處理方式。
優(yōu)選地，根據(jù)不同的并行處理方式對不相關(guān)數(shù)據(jù)進(jìn)行并行處理，包括采用粗粒度并行處理方式對不相關(guān)數(shù)據(jù)中的第一不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，第一不相關(guān)數(shù)據(jù)為完全不相關(guān)數(shù)據(jù)；和/或，采用細(xì)粒度并行處理方式對不相關(guān)數(shù)據(jù)中的第二不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，第二不相關(guān)數(shù)據(jù)為同源的或者需要歸并為兩組結(jié)果的不相關(guān)數(shù)據(jù)。優(yōu)選地，節(jié)點-邊的拓?fù)潢P(guān)系的組成包括節(jié)點，DPD自適應(yīng)過程的算法實現(xiàn)過程中的數(shù)據(jù)處理，和，邊，DPD自適應(yīng)過程的算法實現(xiàn)過程中的相關(guān)性，其中，邊的加權(quán)值表示相關(guān)性程度。根據(jù)本發(fā)明的另一方面，提供了一種基于對稱多處理器的DPD自適應(yīng)裝置，包括解耦模塊，用于對數(shù)字預(yù)失真(Dro)自適應(yīng)過程中滿足預(yù)定的解耦條件的特定處理模塊進(jìn)行相關(guān)性解耦，得到相關(guān)性解耦結(jié)果，其中，解耦條件包括運算量、運算類型、解耦可能性、解耦復(fù)雜性、解耦風(fēng)險性以及解耦效率加速比；處理模塊，用于對相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)；歸并模塊，用于對并行處理數(shù)據(jù)進(jìn)行結(jié)果歸并處理，得到結(jié)果歸并數(shù)據(jù)。優(yōu)選地，解耦模塊包括確定單元，用于在多個處理模塊中確定出滿足預(yù)定的運算量且滿足預(yù)定的運算類型的特定處理模塊；分析単元，用于根據(jù)DPD自適應(yīng)過程的算法需求分析特定處理模塊中是否具備解耦可能性，其中，解耦可能性為將數(shù)據(jù)分解為獨立計算序列的可能性；判斷単元，用于在特定處理模塊具備解耦可能性的情況下，判斷特定處理模塊是否滿足預(yù)定的解耦復(fù)雜性和預(yù)定的解耦風(fēng)險性；計算單元，用于當(dāng)判斷単元的判斷結(jié)果為是時，計算特定處理模塊的解耦效率加速比；解耦單元，用于在解耦效率加速比滿足預(yù)定的解耦效率加速比的情況下，對特定處理模塊進(jìn)行相關(guān)性解耦。優(yōu)選地，處理模塊包括劃分單元，用于根據(jù)節(jié)點-邊的拓?fù)潢P(guān)系將相關(guān)性解耦結(jié)果中的數(shù)據(jù)劃分為相關(guān)數(shù)據(jù)和不相關(guān)數(shù)據(jù)，其中，相關(guān)數(shù)據(jù)的相關(guān)性程度大于預(yù)定的相關(guān)性程度，不相關(guān)數(shù)據(jù)的相關(guān)性程度小于等于預(yù)定的相關(guān)性程度；處理單元，用于根據(jù)不同的并行處理方式對不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，并行處理方式包括粗粒度并行處理方式和細(xì)粒度并行處理方式。優(yōu)選地，處理單元包括第一處理單元，用于采用粗粒度并行處理方式對不相關(guān)數(shù)據(jù)中的第一不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，第一不相關(guān)數(shù)據(jù)為完全不相關(guān)數(shù)據(jù)；和/或，第二處理單元，用于采用細(xì)粒度并行處理方式對不相關(guān)數(shù)據(jù)中的第二不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，第二不相關(guān)數(shù)據(jù)為同源的或者需要歸并為兩組結(jié)果的不相關(guān)數(shù)據(jù)。優(yōu)選地，節(jié)點-邊的拓?fù)潢P(guān)系的組成包括節(jié)點，DPD自適應(yīng)過程的算法實現(xiàn)過程中的數(shù)據(jù)處理，和，邊，DPD自適應(yīng)過程的算法實現(xiàn)過程中的相關(guān)性，其中，邊的加權(quán)值表示相關(guān)性程度。通過本發(fā)明，采用在SMP中采用軟件并行化的方式，可以針對多天線DPD自適應(yīng)中，通過將多天線數(shù)據(jù)處理過程分析解耦，也可以使數(shù)據(jù)處理不相關(guān)，計算過程可以并行化，解決了現(xiàn)有的基于數(shù)字信號處理器的串行DPD自適應(yīng)方法的自適應(yīng)速率慢、收斂時間長、無法跟蹤系統(tǒng)快速變化，成本高、架構(gòu)復(fù)雜，而且無法適應(yīng)多天線DH)場景的問題，進(jìn)而達(dá)到了能夠使處理器的不同核負(fù)載平衡，同時可有效提高執(zhí)行速度、加快DPD自適應(yīng)過程并達(dá)到收斂，更好地跟蹤系統(tǒng)非線性的變化，提高系統(tǒng)效率和性能的效果。


此處所說明的附圖用來提供對本發(fā)明的進(jìn)ー步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中圖I是根據(jù)相關(guān)技術(shù)的多天線串行預(yù)失真自適應(yīng)示意圖；圖2是根據(jù)本發(fā)明實施例的基于對稱多處理器的DPD自適應(yīng)方法流程圖；圖3是根據(jù)本發(fā)明優(yōu)選實施例的基于對稱多處理器的DPD自適應(yīng)示意圖；圖4是根據(jù)本發(fā)明優(yōu)選實施例的并行預(yù)失真參數(shù)估計流程圖；圖5是根據(jù)本發(fā)明優(yōu)選實施例的模塊解耦分析流程圖；圖6是根據(jù)本發(fā)明優(yōu)選實施例的解耦分析模型；圖7是根據(jù)本發(fā)明優(yōu)選實施例的運算并行化流程圖；圖8是根據(jù)本發(fā)明優(yōu)選實施例的結(jié)果歸并流程圖；圖9是根據(jù)本發(fā)明優(yōu)選實施例的兩天線處理相關(guān)性示意圖；圖10是根據(jù)本發(fā)明優(yōu)選實施例的兩天線并行化及共享資源互斥結(jié)構(gòu)示意圖；圖11是根據(jù)本發(fā)明優(yōu)選實施例的兩天線及關(guān)鍵模塊并行化結(jié)構(gòu)示意圖；圖12是根據(jù)本發(fā)明優(yōu)選實施例的關(guān)鍵算法模塊處理相關(guān)性示意圖；圖13是根據(jù)本發(fā)明優(yōu)選實施例的矩陣乘法細(xì)粒度并行化處理示意圖；圖14是根據(jù)本發(fā)明實施例的基于對稱多處理器的DPD自適應(yīng)裝置的結(jié)構(gòu)框圖；以及圖15是根據(jù)本發(fā)明優(yōu)選實施例的基于對稱多處理器的DPD自適應(yīng)裝置的結(jié)構(gòu)框圖。
具體實施例方式下文中將參考附圖并結(jié)合實施例來詳細(xì)說明本發(fā)明。需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。圖2是根據(jù)本發(fā)明實施例的基于對稱多處理器的DPD自適應(yīng)方法流程圖，如圖2所示，該方法主要包括以下步驟(步驟S202-步驟S206)。
步驟S202，對數(shù)字預(yù)失真(DH))自適應(yīng)過程中滿足預(yù)定的解耦條件的特定處理模塊進(jìn)行相關(guān)性解耦，得到相關(guān)性解耦結(jié)果，其中，解耦條件包括運算量、運算類型、解耦可能性、解耦復(fù)雜性、解耦風(fēng)險性以及解耦效率加速比。步驟S204，對相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)。步驟S206，對并行處理數(shù)據(jù)進(jìn)行結(jié)果歸并處理，得到結(jié)果歸并數(shù)據(jù)。在本實施例的步驟S202中，對數(shù)字預(yù)失真DPD自適應(yīng)過程中滿足預(yù)定的解耦條件的處理模塊進(jìn)行相關(guān)性解耦時，可以采用以下方式來進(jìn)行先在多個處理模塊中確定出滿足預(yù)定的運算量且滿足預(yù)定的運算類型的特定處理模塊，再根據(jù)DPD自適應(yīng)過程的算法需求分析特定處理模塊中是否具備解耦可能性，其中，解耦可能性為將數(shù)據(jù)分解為獨立計算序列的可能性；在特定處理模塊具備解耦可能性的情況下，判斷特定處理模塊是否滿足預(yù)定的解耦復(fù)雜性和預(yù)定的解耦風(fēng)險性，當(dāng)判斷結(jié)果為是時，計算特定處理模塊的解耦效率加速比，進(jìn)ー步，在解耦效率加速比滿足預(yù)定的解耦效率加速比的情況下，對特定處理模塊 進(jìn)行相關(guān)性解耦。本實施例的步驟S204可以這樣來實現(xiàn)先根據(jù)節(jié)點-邊的拓?fù)潢P(guān)系將相關(guān)性解耦結(jié)果中的數(shù)據(jù)劃分為相關(guān)數(shù)據(jù)和不相關(guān)數(shù)據(jù)，其中，相關(guān)數(shù)據(jù)的相關(guān)性程度大于預(yù)定的相關(guān)性程度，不相關(guān)數(shù)據(jù)的相關(guān)性程度小于等于預(yù)定的相關(guān)性程度，再根據(jù)不同的并行處理方式對不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，并行處理方式包括粗粒度并行處理方式和細(xì)粒度并行處理方式。在本實施例中，根據(jù)不同的并行處理方式對不相關(guān)數(shù)據(jù)進(jìn)行并行處理，可以這樣來實現(xiàn)采用粗粒度并行處理方式對不相關(guān)數(shù)據(jù)中的第一不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，第一不相關(guān)數(shù)據(jù)為完全不相關(guān)數(shù)據(jù)；和/或，采用細(xì)粒度并行處理方式對不相關(guān)數(shù)據(jù)中的第二不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，第二不相關(guān)數(shù)據(jù)為同源的或者需要歸并為兩組結(jié)果的不相關(guān)數(shù)據(jù)。在本實施例中，節(jié)點-邊的拓?fù)潢P(guān)系的組成包括節(jié)點，DPD自適應(yīng)過程的算法實現(xiàn)過程中的數(shù)據(jù)處理，和，邊，DPD自適應(yīng)過程的算法實現(xiàn)過程中的相關(guān)性，其中，邊的加權(quán)值表示相關(guān)性程度。下面結(jié)合實際情況，對上述基于對稱多處理器的DPD自適應(yīng)方法進(jìn)行補充性說明。首先，該方法大致分為三個步驟處理相關(guān)性解耦分析，處理不相關(guān)的并行化實現(xiàn)，歸并
計算結(jié)果。其中，處理相關(guān)性解耦分析主要是指分析DPD自適應(yīng)過程中那些大運算量(滿足預(yù)定運算量需求)的關(guān)鍵模塊，分析處理相關(guān)性的解耦處理方法；并行化實現(xiàn)是將處理不相關(guān)的數(shù)據(jù)處理分解為獨立的計算序列以并行任務(wù)實現(xiàn)，分配到SMP的各個核執(zhí)行；根據(jù)數(shù)據(jù)特點不同，分為粗、細(xì)粒度并行化；歸并結(jié)果，實在各個并行化任務(wù)計算完成后，根據(jù)算法要求，收回各計算片段并重新組合得到計算結(jié)果。進(jìn)一歩，處理相關(guān)性的解耦分析過程主要包括(I)尋找數(shù)據(jù)處理中的關(guān)鍵模塊主要是根據(jù)運算量及運算類型，找出運算量大，運算類型復(fù)雜的運算模塊；這些關(guān)鍵模塊運算耗吋，是處理中的關(guān)鍵路徑。(2)分析關(guān)鍵模塊的解耦可能性主要根據(jù)輸入-處理-輸出的模型進(jìn)行，根據(jù)算法需求，分析數(shù)據(jù)處理過程是否有分解為獨立計算序列的可能性；
(3)解耦復(fù)雜性與風(fēng)險評估對解耦時的實現(xiàn)復(fù)雜性，如流程控制、交互，以及解耦后風(fēng)險進(jìn)行評估；(4)解耦效率加速比衡量根據(jù)以上分析計算效率加速比，衡量是否可以進(jìn)行解率禹;(5)模塊解耦對滿足條件的模塊進(jìn)行解耦；
進(jìn)一歩，處理不相關(guān)的并行化實現(xiàn)過程，包括(I)處理相關(guān)性分析主要根據(jù)節(jié)點邊的集合拓?fù)潢P(guān)系來分析數(shù)據(jù)與處理過程的相關(guān)性，根據(jù)情況可以分為相關(guān)性高、相關(guān)性低與無相關(guān)性。對于相關(guān)性低與無相關(guān)性的數(shù)據(jù)處理過程，進(jìn)行并行化實現(xiàn)；(2)并行任務(wù)調(diào)度主要根據(jù)并行任務(wù)的執(zhí)行需求，對并行任務(wù)按照靜態(tài)或動態(tài)兩種方式來實現(xiàn)；(3)并行計算并行計算任務(wù)進(jìn)行數(shù)據(jù)處理；進(jìn)ー步，并行化實現(xiàn)的結(jié)果歸并過程，包括對并行化的計算子任務(wù)按照處理相關(guān)性收集各并行計算結(jié)果，返回主任務(wù)進(jìn)行后續(xù)運算；其中，在根據(jù)粗粒度、細(xì)粒度并行化的過程中，分析DPD自適應(yīng)中的數(shù)據(jù)關(guān)系，包括(I)處理的數(shù)據(jù)沒有相關(guān)性，任一數(shù)據(jù)的處理過程及結(jié)果都與另ー數(shù)據(jù)無關(guān)，則可以考慮采用粗粒度并行化；(2)處理的數(shù)據(jù)在部分運算過程中沒有相關(guān)性，但是或者數(shù)據(jù)同源，或者歸并結(jié)果需要兩組數(shù)據(jù)的結(jié)果，則可以考慮使用細(xì)粒度并行化。進(jìn)ー步，輸入-處理-輸出相關(guān)性分析模型，分析模型的組成，包括依據(jù)節(jié)點邊拓?fù)潢P(guān)系進(jìn)行數(shù)據(jù)處理分析，在不同數(shù)據(jù)的處理過程中，或相同數(shù)據(jù)的不同階段處理中，是否存在相關(guān)性；其中，拓?fù)潢P(guān)系的組成，包括(I)節(jié)點是算法實現(xiàn)中的數(shù)據(jù)處理；(2)邊不同處理過程中的相關(guān)性，以加權(quán)值來表示相關(guān)性程度。為了更清楚地描述上述基于對稱多處理器的DPD自適應(yīng)方法，對其中的三個步驟處理相關(guān)性解耦分析，處理不相關(guān)的并行化實現(xiàn)，歸并計算結(jié)果進(jìn)行更加具體的描述。
例如，在實際應(yīng)用中，可以這樣實現(xiàn)三個主要步驟。第一歩、關(guān)鍵算法及控制流程的解耦分析(此處，請參考圖5，后續(xù)將再進(jìn)行適當(dāng)說明)。(I)分析單天線DPD自適應(yīng)流程，找出整個自適應(yīng)流程的關(guān)鍵模塊，其中，關(guān)鍵模塊一般是運算量較大的模塊，如樣本數(shù)據(jù)預(yù)處理及參數(shù)估計；其中，參數(shù)估計一般采用最小ニ乘估計、LMS估計等復(fù)雜算法；這些估計的特點參與運算的數(shù)據(jù)量大，運算類型以乘加為主，并包含的除法；(2)分析多天線DPD自適應(yīng)流程，找出多天線間控制流程及數(shù)據(jù)處理的關(guān)鍵模塊；多天線DPD中，獲取樣本數(shù)據(jù)與參數(shù)更新處理存在軟硬件交互，在運行時要求互斥保護，才能避免讀寫沖突錯誤；而樣本數(shù)據(jù)篩選、數(shù)據(jù)預(yù)處理、參數(shù)估計，這樣的數(shù)據(jù)處理過程中，控制流程及數(shù)據(jù)處理過程具有較好的自然處理不相關(guān)；在多天線DPD自適應(yīng)中，并行化分為粗并行化、細(xì)并行化兩個粒度的優(yōu)化。粗粒度并行化指不同天線的數(shù)據(jù)處理流程并行化，細(xì)粒度并行化指同一天線參數(shù)估計中個別運算的并行化，在實際過程中，綜合考慮使用不同粒度的并行化。(3)對以上兩者關(guān)鍵模塊的處理流程進(jìn)行分析，主要參考如圖6示的模型來分析處理過程，觀察該過程是否存在解耦的可能性；(4)對存在解耦可能性的關(guān)鍵模塊進(jìn)行解耦方法分析，并評估解耦的復(fù)雜性及潛在風(fēng)險；(5)衡量模塊在解耦處理對比效率提升上效率加速比；如果解耦過于復(fù)雜，大于能夠帶來的收益，那么認(rèn)為該模塊不適合進(jìn)行解耦；如果解耦較為簡單，井能夠帶來較大收益，認(rèn)為該模塊適合解耦；(6)對滿足以上條件的模塊進(jìn)行解耦，主要是控制流程與計算過程兩個方面進(jìn)行，得到處理不相關(guān)的模塊。第二歩、處理不相關(guān)的并行化實現(xiàn)(此處，請參考圖7，后續(xù)將再進(jìn)行適當(dāng)說明)。(I)解耦模塊的數(shù)據(jù)處理相關(guān)性分析，主要是將處理不相關(guān)或相關(guān)性較低的運算分解為并行任務(wù)實現(xiàn)；(2)靜態(tài)并行任務(wù)實現(xiàn)創(chuàng)建任務(wù)需要系統(tǒng)開銷，為降低開銷，各并行任務(wù)在初始化時已創(chuàng)建；任務(wù)并行化數(shù)是在初始化時確定；一般參考處理器的核數(shù)目或硬件多線程數(shù)目，可以經(jīng)實測效果來確定具體數(shù)目；這種方法適合算法任務(wù)長時間運行或一直運行的應(yīng)用；動態(tài)并行任務(wù)實現(xiàn)對于只在某種特殊條件下運行一段時間的算法任務(wù)，則可以采用該種方法；在需要進(jìn)行該種處理時，將對應(yīng)的并行任務(wù)創(chuàng)建，在計算完成后，即刪除任務(wù)。(3)將運算模塊根據(jù)計算類型調(diào)度到各不同并行任務(wù)；考慮并行化后能使處理器負(fù)載平衡且利用率高，適當(dāng)調(diào)整并行化度；(4)各計算任務(wù)根據(jù)調(diào)度任務(wù)時提供的信息，進(jìn)行運算。
第三歩、并行結(jié)果歸并(此處，請參考圖8，后續(xù)將再進(jìn)行適當(dāng)說明)。(I)在自適應(yīng)中，多個數(shù)據(jù)之間有相關(guān)處理，而只在一定的運算中處理不相關(guān)；對于運行結(jié)果相關(guān)的數(shù)據(jù)，在該運算完成后，進(jìn)行結(jié)果歸并；(2)主任務(wù)將解耦后的計算調(diào)度到各并行任務(wù)；各并行任務(wù)可以是靜態(tài)實現(xiàn)，也可以是動態(tài)實現(xiàn)；(3)主任務(wù)完成(2)描述的內(nèi)容后，需要分析后續(xù)計算是否與已經(jīng)調(diào)度到各并行任務(wù)的處理結(jié)果有關(guān)；如果后續(xù)運行與各并行任務(wù)結(jié)果無關(guān)，則轉(zhuǎn)到(4)，否則，轉(zhuǎn)到(5)；(4)主任務(wù)對后續(xù)處理中與各并行任務(wù)處理結(jié)果無關(guān)的運算，繼續(xù)執(zhí)行；直到主任務(wù)的處理需要各并行任務(wù)結(jié)果，轉(zhuǎn)到(5)；(5)主任務(wù)掛起等待并行處理任務(wù)返回；(6)各并行處理任務(wù)完成計算后向主任務(wù)返回；(7)主任務(wù)將各并行任務(wù)的結(jié)果進(jìn)行歸并；(8)在多個并行實現(xiàn)中，在譬如獲取數(shù)據(jù)、參數(shù)更新中存在資源沖突；對于有資源沖突的情況，需要進(jìn)行資源使用訪問申請及互斥保護。圖3是根據(jù)本發(fā)明優(yōu)選實施例的基于對稱多處理器的DPD自適應(yīng)流程示意圖，請參考圖3，在該流程中，需要進(jìn)行篩選數(shù)據(jù)、數(shù)據(jù)處理、參數(shù)估計，這幾個處理程序所在的模塊都屬于運算量比較大、運算類型比較復(fù)雜的模塊，對它們進(jìn)行自適應(yīng)，對基于對稱多處理器的DPD自適應(yīng)方法的實現(xiàn)能夠起到最為關(guān)鍵的作用，換句話說，這是整個基于對稱多處理器的DPD自適應(yīng)方法的實現(xiàn)前提。圖4是根據(jù)本發(fā)明優(yōu)選實施例的并行預(yù)失真參數(shù)估計流程圖，請參考圖4，并行預(yù)失真參數(shù)估計的流程主要包括三個步驟，依次是對關(guān)鍵模塊進(jìn)行解耦分析、對不相關(guān)數(shù)據(jù)并行并行化實現(xiàn)、對并行結(jié)果歸井。圖5是根據(jù)本發(fā)明優(yōu)選實施例的模塊解耦分析流程圖，請參考圖5，該流程主要包括五個步驟，依次是尋找關(guān)鍵模塊、分析關(guān)鍵模塊的解耦可能性、判斷關(guān)鍵模塊的復(fù)雜性和風(fēng)險評估、解耦開銷收益比的衡量、對關(guān)鍵模塊進(jìn)行解耦。圖6是根據(jù)本發(fā)明優(yōu)選實施例的解耦分析模型，請參考圖6，該解耦分析模型是輸入-處理-輸出的模型，該模型的主要作用是對關(guān)鍵模塊中的數(shù)據(jù)進(jìn)行分析，判斷數(shù)據(jù)是否有被分解為獨立計算序列的可能性，如果有，也就意味著關(guān)鍵模塊有解耦可能性。圖7是根據(jù)本發(fā)明優(yōu)選實施例的運算并行化流程圖，在該運算并行化流程中，主要包括三個步驟，依次是處理相關(guān)性分析、并行任務(wù)調(diào)度、并行計算。通過這三個步驟，將處理不相關(guān)或相關(guān)性較低的運算分解為并行任務(wù)實現(xiàn)，在實際應(yīng)用中，該并行任務(wù)的實現(xiàn)可以通過靜態(tài)并行任務(wù)實現(xiàn)方式或動態(tài)并行任務(wù)實現(xiàn)方式來完成。圖8是根據(jù)本發(fā)明優(yōu)選實施例的結(jié)果歸并流程圖，該流程的主要包括以下步驟(步驟S702-步驟S716)。S702，在自適應(yīng)中，多個數(shù)據(jù)之間有相關(guān)處理，而只在一定的運算中處理不相關(guān)；對于運行結(jié)果相關(guān)的數(shù)據(jù)，在該運算完成后，進(jìn)行結(jié)果歸井。S704，主任務(wù)將解耦后的計算調(diào)度到各并行任務(wù)，各并行任務(wù)可以是靜態(tài)實現(xiàn)，也可以是動態(tài)實現(xiàn)。S706，主任務(wù)完成S704后，需要分析后續(xù)計算是否與已經(jīng)調(diào)度到各并行任務(wù)的處理結(jié)果有關(guān)；如果后續(xù)運行與各并行任務(wù)結(jié)果無關(guān)，則轉(zhuǎn)到S708，否則，轉(zhuǎn)到S710 ；S708,主任務(wù)對后續(xù)處理中與各并行任務(wù)處理結(jié)果無關(guān)的運算，繼續(xù)執(zhí)行，直到主任務(wù)的處理需要各并行任務(wù)結(jié)果，轉(zhuǎn)到S710。S710，主任務(wù)掛起等待并行處理任務(wù)返回。S712，各并行處理任務(wù)完成計算后向主任務(wù)返回。S714,主任務(wù)將各并行任務(wù)的結(jié)果進(jìn)行歸并。S716，在多個并行實現(xiàn)中，在譬如獲取數(shù)據(jù)、參數(shù)更新中存在資源沖突；對于有資源沖突的情況，需要進(jìn)行資源使用訪問申請及互斥保護。下面結(jié)合圖9、圖10以及優(yōu)選實施一，圖11、圖12、圖13以及優(yōu)選實施例ニ對上述基于對稱多處理器的DPD自適應(yīng)方法進(jìn)行詳細(xì)的說明。以下以基于對稱雙核處理器的兩天線DH)系統(tǒng)自適應(yīng)方法為例進(jìn)行說明。根據(jù)控制流程與數(shù)據(jù)處理相關(guān)性進(jìn)行解耦分析，本實施例中的分析數(shù)據(jù)處理相關(guān)性，由節(jié)點集合V與邊集合E組成的圖G= (V，E)來表示。其中，G= (V，E)是ー個V和E的有限集合。邊集合E連接的節(jié)點集合V之間存在處理相關(guān)性，并且為其設(shè)置ー個加權(quán)值；沒 有邊連接的節(jié)點其不存在處理相關(guān)性；加權(quán)值很高的節(jié)點之間其解耦困難，無法并行化實現(xiàn)；加權(quán)值較低的節(jié)點或無連接的節(jié)點間，其解耦較容易，可以采用并行化實現(xiàn)。其中，加權(quán)值5為最高，I為低。為分析簡便起見，假定不相關(guān)處理任務(wù)間處理器核間通信很少，故不考慮處理器的核間通信開銷。優(yōu)選實施一圖9是根據(jù)本發(fā)明優(yōu)選實施例的兩天線處理相關(guān)性示意圖，如圖9所示，雙天線DPD自適應(yīng)中，兩個數(shù)據(jù)處理部分都與獲取樣本數(shù)據(jù)、更新參數(shù)高度相關(guān)，實際上屬于資源沖突，在訪問時需要進(jìn)行資源申請及互斥保護，如圖9中V1、V4所示。而兩個數(shù)據(jù)處理之間沒有處理相關(guān)性，可以解耦進(jìn)行并行化實現(xiàn)，如圖中9V2、V3所示。在圖9中，實線連接表示在處理流程上的順序，虛線表示進(jìn)行共享資源申請，在獲得共享資源的使用過程中，需要進(jìn)行互斥保護。在釋放共享資源后，即可以由本任務(wù)或另一個任務(wù)重新獲取使用權(quán)。其中，數(shù)據(jù)處理由數(shù)據(jù)篩選、數(shù)據(jù)預(yù)處理及參數(shù)估計幾個算法完成。為了敘述簡便，使用FD (X，Y)標(biāo)識數(shù)據(jù)篩選，DPP (X，Y)代表數(shù)據(jù)預(yù)處理，PE (X，Y)代表參數(shù)估計，采集數(shù)據(jù)用CD(X，Y)表示，參數(shù)更新用I3U (X，Y)表示。
傳統(tǒng)架構(gòu)的雙天線預(yù)失真流程采用處理器時分復(fù)用調(diào)度各計算任務(wù)的機制。如各不同數(shù)據(jù)用X/Y來表示，用兩位數(shù)字對數(shù)據(jù)編碼區(qū)分，第一位表示所屬天線，第二位表示處理所屬步驟。那么處理流程按照時間順序天線I :
CD(X\0,710) xnxn > FD(X\ I, Fl I) -rl2jq2 >DPP(X12, Yl2) J13JI3 > FE(Xl3，Yl 3) xun4 > PU(X\4，714)天線2:
CZ)(X20,720) X21T1 > FD(X21,721) X22J'22 > DPP(X22,722) X23-FB > FE(X23, Y2i) X24'r24 > PU(X24, y24)天線I ...其中，Xll代表天線I的采數(shù)輸出數(shù)據(jù)，也是篩數(shù)輸入數(shù)據(jù)。X22是天線2的篩數(shù)輸出數(shù)據(jù)，也是數(shù)據(jù)預(yù)處理的輸入數(shù)據(jù)。在任意一個時間點，只有一個運算模塊在調(diào)度執(zhí)行。兩天線的Dro過程，是通過時間上的分時調(diào)度，完成不同天線的Dro計算。這樣多處理核中的COREl會滿負(fù)荷，而C0RE2會長時間空閑。步驟I :分析雙天線DPD自適應(yīng)中可以解耦的流程與數(shù)據(jù)處理兩天線的Dro中，除存在資源共享的處理，其他數(shù)據(jù)處理過程無相關(guān)性，如篩選數(shù)據(jù)、數(shù)據(jù)預(yù)處理及參數(shù)估計過過程?？梢詫蓚€天線的篩選數(shù)據(jù)、數(shù)據(jù)預(yù)處理及參數(shù)估計三部分運算并行化。步驟2 :將解耦的處理并行化，并分析加速比根據(jù)I)中的解耦分析，將兩天線DPD自適應(yīng)中的數(shù)據(jù)處理無相關(guān)性部分全部進(jìn)行并行化。包括各個天線對應(yīng)的篩選數(shù)據(jù)、數(shù)據(jù)預(yù)處理及參數(shù)估計。圖10是根據(jù)本發(fā)明優(yōu)選實施例的兩天線并行化及共享資源互斥結(jié)構(gòu)示意圖，兩天線預(yù)失真粗粒度并行化的架構(gòu)示例如圖10所示。SMP下的雙天線DPD自適應(yīng)，獲取樣本數(shù)據(jù)功能、參數(shù)更新功能可以使用単獨的任務(wù)來實現(xiàn)，而各個通道的數(shù)據(jù)處理分別由ー個任務(wù)來完成。為描述簡便，假定在某天線完成存在資源互斥的數(shù)據(jù)采集后進(jìn)入篩數(shù)流程后，另ー個天線即獲得互斥資源進(jìn)入采集數(shù)據(jù)流程。因為互斥資源的存在，該并行化架構(gòu)就不再是ー個單純的并行處理過程，而是ー個類似流水線的并行化處理。
分析串行處理中的數(shù)據(jù)，天線I與天線2的數(shù)據(jù)X1*/Y1*與X2*/Y2*處理過程完成不相關(guān)，容易完成解耦。那么并行處理流程天線I :
CD(A10, Fl 0)紐め1 > FDlCll I, Yl I)瓶12 > DPPKXl 2,712) A'lva >FE1(X13，F(xiàn)l 3) J14-rl4 >PU(X14, YU)天線2:
CD(X20,720) X2U21 > FD2(X215 Y21)爾22 > DPP2(X22,722) AW23 >FE2( X23, F23)ぬ4ダ24 > PU(X24,724)其中，⑶與 TO是存在資源互斥的處理過稱，互斥的資源就是鏈路邏輯。當(dāng)然，如果為每個天線設(shè)計獨立的采數(shù)與Dro模塊，該處的互斥是可以避免的，但是需要消耗更多的資源。FDl和FD2分別指對應(yīng)兩個天線的篩數(shù)功能，其他類似。在以上所示的兩個流程中，CD(X10，Y10)在完成天線I的數(shù)據(jù)采集后，進(jìn)入篩選數(shù)據(jù)，同時天線2進(jìn)入數(shù)據(jù)采集，也就是FDl與CD是同時調(diào)度執(zhí)行；為方便描述，假定每個不同的運算模塊計算計算時間相同，那么在FDl與CD后，DPPl與FD2、FE1與DPP2、PU與FE2都是同時調(diào)度執(zhí)行。這樣不同的任務(wù)調(diào)度在COREl與C0RE2上，使兩個CORE都滿負(fù)荷運行，比串行估計方式效率高。實際上，各個任務(wù)的運行時間不會相同，這樣的話兩個天線的不同任務(wù)之間會呈現(xiàn)出ー種同時調(diào)度執(zhí)行的狀態(tài)。針對ー個RRU的天線數(shù)是確定的，正常運行中要求每個天線都進(jìn)行DPD自適應(yīng)，所以這些任務(wù)實現(xiàn)采用靜態(tài)并行實現(xiàn)。同時，考慮到調(diào)試或故障定位的需求，通過向外提供任務(wù)管理接ロ，靜態(tài)任務(wù)支持在線刪除并重新創(chuàng)建。在該實例中，可以認(rèn)為Taskl與Task2為圖9中的V2與V3 ；Task3與Task4為圖9中的Vl與V4。在基于雙處理器的硬件中，如果VI、V2、V3、V4分別占據(jù)總運算量的10%、
40%、40%、10% ;V2、V3處理不相關(guān)，那么并行化優(yōu)化后的運算速度與之前的比為
II 5-=—=-
0.1 十 0.4+ 0.1 0.6 3結(jié)果歸并因為兩天線的參數(shù)無相關(guān)性，所以其數(shù)據(jù)處理結(jié)果無需歸并。只要保證在更新DPD系數(shù)時保證資源無沖突即可。優(yōu)選實施例ニ兩個天線共享某些資源，主要是硬件資源。兩個天線的自適應(yīng)過程不是時間同步的。譬如，A天線已經(jīng)完成獲取樣本數(shù)據(jù)，進(jìn)入到參數(shù)估計中；而B天線正在獲取樣本數(shù)據(jù)。此時，當(dāng)兩個任務(wù)分別調(diào)度到SMP的不同處理器核時，其負(fù)載不平衡。為了在類似場景中提高處理器負(fù)載平衡度，充分利用處理器能力，加快DPD自適應(yīng)速度，同時采用大規(guī)模、高密度關(guān)鍵運算模塊并行化實現(xiàn)。步驟I :分析雙天線DPD自適應(yīng)中可以解耦的流程與數(shù)據(jù)處理請參考圖11，圖11是根據(jù)本發(fā)明優(yōu)選實施例的兩天線及關(guān)鍵模塊并行化結(jié)構(gòu)示意圖，同時采用關(guān)鍵運算模塊并行化，也就是粗粒度并行化結(jié)合細(xì)粒度并行化的實現(xiàn)結(jié)構(gòu)如圖11所示。這種實現(xiàn)中，除了雙天線DPD自適應(yīng)的并行任務(wù)實現(xiàn)，還進(jìn)行了一個參數(shù)估計過程中關(guān)鍵模塊的并行化。在該參數(shù)估計中，需要對處理過程進(jìn)行解耦、并行化、結(jié)果歸并。請參考圖12，圖12是根據(jù)本發(fā)明優(yōu)選實施例的關(guān)鍵算法模塊處理相關(guān)性示意圖，該解耦過程的示意如圖12所示。如圖中的各節(jié)點代表參數(shù)估計中的不同數(shù)據(jù)處理過程，Vl是參數(shù)估計的初始步驟，V2-X是參數(shù)估計中大規(guī)模、高密度運算的處理。其中，邊集合中的加權(quán)值代表相關(guān)程度。對V2-X解耦分析，分解出V3與V4兩個并行實現(xiàn)，這兩個處理間沒有相關(guān)處理，但是V3、V4都與V2-1處理存在相關(guān)性。V2-0調(diào)度V3、V4后進(jìn)入V2-1等待V3、V4返回，然后歸并結(jié)果后進(jìn)入V2-2，進(jìn)行后續(xù)運算。分析任務(wù)運算的運算量及類型，數(shù)據(jù)預(yù)處理與參數(shù)估計中的關(guān)鍵運算模塊分別是時延估計、最小ニ乘矩陣乘法。這里以最小ニ乘的矩陣乘法為例描述。最小ニ乘估計的原理描述如下。未知參數(shù)向量'g=
,維度為1*M ；
可建模為下面的矩陣方程
權(quán)利要求
1.一種基于對稱多處理器的DPD自適應(yīng)方法,其特征在于,包括 對數(shù)字預(yù)失真DPD自適應(yīng)過程中滿足預(yù)定的解耦條件的特定處理模塊進(jìn)行相關(guān)性解耦，得到相關(guān)性解耦結(jié)果，其中，所述解耦條件包括運算量、運算類型、解耦可能性、解耦復(fù)雜性、解耦風(fēng)險性以及解耦效率加速比； 對所述相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)； 對所述并行處理數(shù)據(jù)進(jìn)行結(jié)果歸并處理，得到結(jié)果歸并數(shù)據(jù)。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，對數(shù)字預(yù)失真DPD自適應(yīng)過程中滿足預(yù)定的解耦條件的處理模塊進(jìn)行相關(guān)性解耦，包括 在多個處理模塊中確定出滿足預(yù)定的運算量且滿足預(yù)定的運算類型的特定處理模塊； 根據(jù)所述DPD自適應(yīng)過程的算法需求分析所述特定處理模塊中是否具備所述解耦可能性，其中，所述解耦可能性為將所述數(shù)據(jù)分解為獨立計算序列的可能性； 在所述特定處理模塊具備所述解耦可能性的情況下，判斷所述特定處理模塊是否滿足預(yù)定的解耦復(fù)雜性和預(yù)定的解耦風(fēng)險性，當(dāng)判斷結(jié)果為是時，計算所述特定處理模塊的解耦效率加速比； 在所述解耦效率加速比滿足預(yù)定的解耦效率加速比的情況下，對所述特定處理模塊進(jìn)行相關(guān)性解耦。
3.根據(jù)權(quán)利要求I所述的方法，其特征在于，對所述相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)，包括 根據(jù)節(jié)點-邊的拓?fù)潢P(guān)系將所述相關(guān)性解耦結(jié)果中的數(shù)據(jù)劃分為相關(guān)數(shù)據(jù)和所述不相關(guān)數(shù)據(jù)，其中，所述相關(guān)數(shù)據(jù)的相關(guān)性程度大于所述預(yù)定的相關(guān)性程度，所述不相關(guān)數(shù)據(jù)的相關(guān)性程度小于等于所述預(yù)定的相關(guān)性程度； 根據(jù)不同的并行處理方式對所述不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，所述并行處理方式包括粗粒度并行處理方式和細(xì)粒度并行處理方式。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，根據(jù)不同的并行處理方式對所述不相關(guān)數(shù)據(jù)進(jìn)行并行處理，包括 采用所述粗粒度并行處理方式對所述不相關(guān)數(shù)據(jù)中的第一不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，所述第一不相關(guān)數(shù)據(jù)為完全不相關(guān)數(shù)據(jù)；和/或， 采用所述細(xì)粒度并行處理方式對所述不相關(guān)數(shù)據(jù)中的第二不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，所述第二不相關(guān)數(shù)據(jù)為同源的或者需要歸并為兩組結(jié)果的不相關(guān)數(shù)據(jù)。
5.根據(jù)權(quán)利要求I至4中任一項所述的方法，其特征在于，所述節(jié)點-邊的拓?fù)潢P(guān)系的組成包括 節(jié)點，所述DPD自適應(yīng)過程的算法實現(xiàn)過程中的數(shù)據(jù)處理，和， 邊，所述DPD自適應(yīng)過程的算法實現(xiàn)過程中的相關(guān)性，其中，所述邊的加權(quán)值表示所述相關(guān)性程度。
6.一種基于對稱多處理器的DPD自適應(yīng)裝置，其特征在于，包括 解耦模塊，用于對數(shù)字預(yù)失真DPD自適應(yīng)過程中滿足預(yù)定的解耦條件的特定處理模塊進(jìn)行相關(guān)性解耦，得到相關(guān)性解耦結(jié)果，其中，所述解耦條件包括運算量、運算類型、解耦可能性、解耦復(fù)雜性、解耦風(fēng)險性以及解耦效率加速比； 處理模塊，用于對所述相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)； 歸并模塊，用于對所述并行處理數(shù)據(jù)進(jìn)行結(jié)果歸并處理，得到結(jié)果歸并數(shù)據(jù)。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述解耦模塊包括 確定單元，用于在多個處理模塊中確定出滿足預(yù)定的運算量且滿足預(yù)定的運算類型的特定處理模塊； 分析単元，用于根據(jù)所述DPD自適應(yīng)過程的算法需求分析所述特定處理模塊中是否具備所述解耦可能性，其中，所述解耦可能性為將所述數(shù)據(jù)分解為獨立計算序列的可能性；判斷単元，用于在所述特定處理模塊具備所述解耦可能性的情況下，判斷所述特定處理模塊是否滿足預(yù)定的解耦復(fù)雜性和預(yù)定的解耦風(fēng)險性； 計算單元，用于當(dāng)所述判斷単元的判斷結(jié)果為是時，計算所述特定處理模塊的解耦效率加速比； 解耦單元，用于在所述解耦效率加速比滿足預(yù)定的解耦效率加速比的情況下，對所述特定處理模塊進(jìn)行相關(guān)性解耦。
8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述處理模塊包括 劃分單元，用于根據(jù)節(jié)點-邊的拓?fù)潢P(guān)系將所述相關(guān)性解耦結(jié)果中的數(shù)據(jù)劃分為相關(guān)數(shù)據(jù)和所述不相關(guān)數(shù)據(jù)，其中，所述相關(guān)數(shù)據(jù)的相關(guān)性程度大于所述預(yù)定的相關(guān)性程度，所述不相關(guān)數(shù)據(jù)的相關(guān)性程度小于等于所述預(yù)定的相關(guān)性程度； 處理單元，用于根據(jù)不同的并行處理方式對所述不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，所述并行處理方式包括粗粒度并行處理方式和細(xì)粒度并行處理方式。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述處理単元包括 第一處理單元，用于采用所述粗粒度并行處理方式對所述不相關(guān)數(shù)據(jù)中的第一不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，所述第一不相關(guān)數(shù)據(jù)為完全不相關(guān)數(shù)據(jù)；和/或， 第二處理單元，用于采用所述細(xì)粒度并行處理方式對所述不相關(guān)數(shù)據(jù)中的第二不相關(guān)數(shù)據(jù)進(jìn)行并行處理，其中，所述第二不相關(guān)數(shù)據(jù)為同源的或者需要歸并為兩組結(jié)果的不相關(guān)數(shù)據(jù)。
10.根據(jù)權(quán)利要求6至9中任一項所述的裝置，其特征在于，所述節(jié)點-邊的拓?fù)潢P(guān)系的組成包括 節(jié)點，所述DPD自適應(yīng)過程的算法實現(xiàn)過程中的數(shù)據(jù)處理，和， 邊，所述DPD自適應(yīng)過程的算法實現(xiàn)過程中的相關(guān)性，其中，所述邊的加權(quán)值表示所述相關(guān)性程度。
全文摘要
本發(fā)明公開了一種基于對稱多處理器的DPD自適應(yīng)方法及裝置。其中，該方法包括對數(shù)字預(yù)失真(DPD)自適應(yīng)過程中滿足預(yù)定的解耦條件的特定處理模塊進(jìn)行相關(guān)性解耦，得到相關(guān)性解耦結(jié)果，其中，解耦條件包括運算量、運算類型、解耦可能性、解耦復(fù)雜性、解耦風(fēng)險性以及解耦效率加速比；對相關(guān)性解耦結(jié)果中滿足預(yù)定的相關(guān)性程度的不相關(guān)數(shù)據(jù)進(jìn)行并行處理，得到并行處理數(shù)據(jù)；對并行處理數(shù)據(jù)進(jìn)行結(jié)果歸并處理，得到結(jié)果歸并數(shù)據(jù)。通過本發(fā)明，達(dá)到了能夠使處理器的不同核負(fù)載平衡，同時可有效提高執(zhí)行速度、加快DPD自適應(yīng)過程并達(dá)到收斂，更好地跟蹤系統(tǒng)非線性的變化，提高系統(tǒng)效率和性能的效果。
文檔編號H04L25/49GK102833200SQ20121021567
公開日2012年12月19日 申請日期2012年6月27日 優(yōu)先權(quán)日2012年6月27日
發(fā)明者史曉飛, 茍春茂, 鄒加勇, 劉奇 申請人:中興通訊股份有限公司