本發(fā)明涉及dpd(digitalpre-distortion，數字預失真)技術領域，特別涉及一種軟硬件協(xié)同的數字預失真的方法及裝置。

背景技術：

軟硬件協(xié)同設計，其主要內容是協(xié)調整個系統(tǒng)功能的軟硬件實現(xiàn)，同步進行系統(tǒng)功能及實現(xiàn)評估，從而完成合理高效的系統(tǒng)設計。

傳統(tǒng)dpd裝置由fpga(field-programmablegatearray，可編程邏輯器件)和dsp(digitalsignalprocessor，數字信號處理器)組成。系統(tǒng)設計階段劃分軟硬件界面，fpga負責實時的dpd濾波功能，dsp負責非實時的預失真參數估計。fpga資源有限、且速率與資源利用率相互制約；dsp的存儲空間及運算吞吐量有限，這些因素直接限制算法模型選擇。例如，表現(xiàn)在以下方面：其一，因fpga資源、速率限制了建立完備算法模型的可能性；其二，因dsp吞吐率及存儲限制了模型的完備性及dpd模型參數訓練的實時性。

移動互連網、物聯(lián)網時代的到來，無線通信數據量、數據速率增長一日千里，無線通信系統(tǒng)日新月異；這要求無線覆蓋日趨完善，無線干擾減小，無線設備綠色節(jié)能等。同時，2g/3g/4g各無線制式都長期共存，下一代無線通信網絡必須解決多種網絡架構下的良好兼容和無縫對接。不同信號制式的應用場景，配合不同類型或結構的功率放大器，對dpd裝置要求各異。

dpd算法是改善功放線性、提升無線通信設備效率關鍵算法之一，在多種無線通信場景中，一成不變結構固定的dpd模型并不具有普適性，如圖1所示，傳統(tǒng)dpd裝置實現(xiàn)流程是：

·研發(fā)階段人工搜索來訓練模型：為不同應用場景、不同制式信號、不同類型功放訓練出一套性能相對較好、兼具穩(wěn)定性的模型；

·開發(fā)相應算法軟件：測試dpd裝置穩(wěn)定性及普適性；

·發(fā)布統(tǒng)一算法軟件：為同規(guī)格無線設備建立相同模型的軟件。

在設備運行階段，雖然無線通信場景千變萬化，但是結構固定dpd裝置，其適應性低，導致無線設備的無線射頻指標波動，無線設備效率降低。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種軟硬件協(xié)同的數字預失真的方法及裝置，解決了現(xiàn)有技術在研發(fā)階段將軟硬件界面分割完畢，無法適應不斷變化的無線通信環(huán)境的問題。

根據本發(fā)明的一個方面，提供了一種軟硬件協(xié)同的數字預失真的方法，包括以下步驟：

根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)；

根據檢測到的無線通信設備的工作狀態(tài)對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型；

對所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，并將量化后的模型參數更新到無線通信設備中。

優(yōu)選地，所述根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)包括：

狀態(tài)診斷及控制引擎根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)；

當檢測到的無線通信設備的工作狀態(tài)不滿足當前系統(tǒng)的工作需求時，啟動數字預失真模型的在線尋優(yōu)。

優(yōu)選地，所述對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型包括：

配置信息量化引擎通過對系統(tǒng)配置信息進行量化處理，得到量化配置信息；

數據特征提取引擎通過對采集的樣本數據進行提取，得到樣本數據特征；

模型搜索引擎利用所得到的量化配置信息和樣本數據特征，對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型。

優(yōu)選地，所述量化配置信息包括：無線信號制式、信號頻域分布、信號功率分配；所述樣本數據特征包括：數據峰值功率、平均功率、峰均比、鏈路時延以及數據相位。

優(yōu)選地，所述對所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，并將量化后的模型參數更新到無線通信設備中包括：

模型參數量化及更新引擎將所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，得到量化模型參數，并將所得到的量化模型參數保存到數字預失真模型庫中；

當所述模型參數量化及更新引擎接收到系統(tǒng)的模型切換指令時，將保存在數字預失真模型庫中的量化模型參數更新到無線通信設備的數字預失真濾波模塊中。

根據本發(fā)明的另一方面，提供了一種軟硬件協(xié)同的數字預失真的裝置，包括：

檢測模塊，用于根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)；

在線尋優(yōu)模塊，用于根據檢測到的無線通信設備的工作狀態(tài)對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型；

量化及更新模塊，用于對所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，并將量化后的模型參數更新到無線通信設備中。

優(yōu)選地，所述檢測模塊包括：

檢測單元，用于狀態(tài)診斷及控制引擎根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)，以及當檢測到的無線通信設備的工作狀態(tài)不滿足當前系統(tǒng)的工作需求時，啟動數字預失真模型的在線尋優(yōu)。

優(yōu)選地，所述在線尋優(yōu)模塊包括：

獲取單元，用于配置信息量化引擎通過對系統(tǒng)配置信息進行量化處理，得到量化配置信息，以及數據特征提取引擎通過對采集的樣本數據進行提取，得到樣本數據特征；

在線尋優(yōu)單元，用于模型搜索引擎利用所得到的量化配置信息和樣本數據特征，對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型。

優(yōu)選地，所述量化配置信息包括：無線信號制式、信號頻域分布、信號功率分配；所述樣本數據特征包括：數據峰值功率、平均功率、峰均比、鏈路時延以及數據相位。

優(yōu)選地，所述量化及更新模塊包括：

量化單元，用于模型參數量化及更新引擎將所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，得到量化模型參數，并將所得到的量化模型參數保存到數字預失真模型庫中；

更新單元，用于當所述模型參數量化及更新引擎接收到系統(tǒng)的模型切換指令時，將保存在數字預失真模型庫中的量化模型參數更新到無線通信設備的數字預失真濾波模塊中。

與現(xiàn)有技術相比較，本發(fā)明的有益效果在于：

本發(fā)明在方案評估階段就綜合考慮軟硬件特性，進行軟硬件協(xié)同設計，為最優(yōu)實現(xiàn)提供了可選擇性，特別是對于數字預失真這種對運算時效敏感的算法，軟硬件的協(xié)同設計更能提供優(yōu)選方案。并且，在產品發(fā)布后，仍然能夠通過在線模型搜索訓練出與應用場景適配更佳的算法，保持了解決方案的靈活性，提高了整個系統(tǒng)的效率。

附圖說明

圖1是現(xiàn)有技術提供的傳統(tǒng)dpd裝置開發(fā)示意圖；

圖2是本發(fā)明實施例提供的一種軟硬件協(xié)同的數字預失真的方法流程圖；

圖3是本發(fā)明實施例提供的一種軟硬件協(xié)同的數字預失真的裝置示意圖；

圖4是本發(fā)明實施例提供的軟硬件協(xié)同的dpd裝置示意圖；

圖5是本發(fā)明實施例提供的圖4中dpd在線學習模塊的結構示意圖。

具體實施方式

以下結合附圖對本發(fā)明的優(yōu)選實施例進行詳細說明，應當理解，以下所說明的優(yōu)選實施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

圖2顯示了本發(fā)明實施例提供的一種軟硬件協(xié)同的數字預失真的方法流程圖，如圖2所示，包括以下步驟：

步驟s201：根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)；

步驟s202：根據檢測到的無線通信設備的工作狀態(tài)對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型；

步驟s203：對所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，并將量化后的模型參數更新到無線通信設備中。

其中，所述根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)包括：狀態(tài)診斷及控制引擎根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)；當檢測到的無線通信設備的工作狀態(tài)不滿足當前系統(tǒng)的工作需求時，啟動數字預失真模型的在線尋優(yōu)。

其中，所述對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型包括：配置信息量化引擎通過對系統(tǒng)配置信息進行量化處理，得到量化配置信息；數據特征提取引擎通過對采集的樣本數據進行提取，得到樣本數據特征；模型搜索引擎利用所得到的量化配置信息和樣本數據特征，對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型。具體地說，所述量化配置信息包括：無線信號制式、信號頻域分布、信號功率分配；所述樣本數據特征包括：數據峰值功率、平均功率、峰均比、鏈路時延以及數據相位。

其中所述對所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，并將量化后的模型參數更新到無線通信設備中包括：模型參數量化及更新引擎將所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，得到量化模型參數，并將所得到的量化模型參數保存到數字預失真模型庫中；當所述模型參數量化及更新引擎接收到系統(tǒng)的模型切換指令時，將保存在數字預失真模型庫中的量化模型參數更新到無線通信設備的數字預失真濾波模塊中。

圖3是本發(fā)明實施例提供的一種軟硬件協(xié)同的數字預失真的裝置示意圖，如圖3所示，包括：檢測模塊301、在線尋優(yōu)模塊302以及量化及更新模塊303。所述檢測模塊301，用于根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)；所述在線尋優(yōu)模塊302，用于根據檢測到的無線通信設備的工作狀態(tài)對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型；所述量化及更新模塊303，用于對所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，并將量化后的模型參數更新到無線通信設備中。

具體地說，所述檢測模塊301包括：檢測單元，用于狀態(tài)診斷及控制引擎根據系統(tǒng)配置信息和采集的樣本數據，檢測無線通信設備的工作狀態(tài)，以及當檢測到的無線通信設備的工作狀態(tài)不滿足當前系統(tǒng)的工作需求時，啟動數字預失真模 型的在線尋優(yōu)。所述在線尋優(yōu)模塊302包括：獲取單元，用于配置信息量化引擎通過對系統(tǒng)配置信息進行量化處理，得到量化配置信息，以及數據特征提取引擎通過對采集的樣本數據進行提取，得到樣本數據特征；在線尋優(yōu)單元，用于模型搜索引擎利用所得到的量化配置信息和樣本數據特征，對數字預失真模型進行在線尋優(yōu)，獲取最優(yōu)數字預失真模型。其中，所述量化配置信息包括：無線信號制式、信號頻域分布、信號功率分配；所述樣本數據特征包括：數據峰值功率、平均功率、峰均比、鏈路時延以及數據相位。所述量化及更新模塊303包括：量化單元，用于模型參數量化及更新引擎將所獲取的最優(yōu)數字預失真模型進行模型參數量化處理，得到量化模型參數，并將所得到的量化模型參數保存到數字預失真模型庫中；更新單元，用于當所述模型參數量化及更新引擎接收到系統(tǒng)的模型切換指令時，將保存在數字預失真模型庫中的量化模型參數更新到無線通信設備的數字預失真濾波模塊中。

本發(fā)明根據無線通信場景，參考算法資源池中的算法模型庫，在線學習對應場景的dpd算法模型進行尋優(yōu)；參考dpd裝置的模型復雜度、運算量、存儲空間等指標，建立dpd算法的行為描述模型，根據系統(tǒng)需求與可提供的運算與存儲資源，動態(tài)調整dpd裝置的軟硬件設計，以提供最優(yōu)dpd實現(xiàn)裝置；從而達到針對不同的無線通信場景，有的放矢地采用匹配程度最優(yōu)方案，以滿足日趨復雜且大相徑庭的無線通信場景下的dpd要求。譬如，在無線通信環(huán)境簡單的場景，如農村、郊區(qū)等廣袤地域，覆蓋域廣，用戶少，信道變化不大，干擾少的場景下，可采用固定簡單模型方案。大覆蓋要求高功率，能夠采用準實時、高性能的dpd算法，提高無線覆蓋范圍，增加單用戶流量，提高設備效率。再如，在商業(yè)集中區(qū)、辦公區(qū)域等熙熙攘攘無線環(huán)境復雜的環(huán)境中，其突出要求是大數據量、多用戶接入、低延時，可采用適應性更強的可變復雜模型。依靠mimo(multiple-inputmultiple-output，多輸入多輸出)來實現(xiàn)大數據量，其各天線功率雖小卻各不相同、各天線信號制式不同、功放一致性差，這樣，對癥下藥地采用接近實時的最優(yōu)dpd算法，提高設備效率。并能夠針對無線通信多種場景下，提供最優(yōu)的dpd解決方案。

圖4顯示了本發(fā)明實施例提供的軟硬件協(xié)同的dpd裝置示意圖，如圖4所示，包括：dpd濾波模塊、dpd參數估計模塊、樣本采集模塊以及dpd在線學習 模塊。所述dpd濾波模塊用于在線實時鏈路數據進行預失真濾波處理；所述dpd參數估計模塊用于基于樣本數據的離線非實時預失真參數估計；所述樣本采集模塊用于負責從鏈路中采集用來進行參數估計的樣本數據。dpd在線學習模塊：是本dpd裝置的核心模塊，其主要包含狀態(tài)檢測引擎和模型搜索引擎，主要功能是根據狀態(tài)檢測的結果，來搜索與當前系統(tǒng)匹配更佳的數字預失真模型；功放：是指功率放大器，在無線設備中用來放大信號，以滿足無線信號覆蓋范圍需求。其中，data是基帶數據，來自無線基站設備下行發(fā)射鏈路。配置信息是與dpd裝置相關的無線場景配置信息，由無線設備控制器下發(fā)。

此部分的工作流程是：dpd參數估計模塊要正常運行，需要從樣本采集模塊獲取樣本數據，從dpd在線學習模塊獲取模型參數，然后根據參數估計結果更新dpd濾波模塊的濾波系數；其中，樣本采集模塊要采集下行基帶數據與功放放大后從采樣鏈路回來的參考數據。

而本文要描述的核心部分是dpd在線學習模塊，其組成框圖如附圖5所示，該模塊的學習功能不會阻塞dpd參數估計流程，而是從dpd裝置的子系統(tǒng)中動態(tài)劃分出系統(tǒng)負荷，來完成學習過程。所述dpd在線學習模塊的主要工作流程：狀態(tài)診斷及控制引擎根據采集的樣本數據與系統(tǒng)配置信息進行工作狀態(tài)檢測；如果檢測結果顯示當前系統(tǒng)狀態(tài)不滿足系統(tǒng)要求，則送出啟動搜索信息到模型搜索引擎；同時，將樣本數據送往數據特征提取引擎，用來提取數據特征；將系統(tǒng)配置信息送往配置信息量化引擎，產生量化信息。模型搜索引擎在收到啟動信息后，啟動模型搜索，否則處于等待狀態(tài)。在模型搜索引擎啟動后，獲取樣本數據特征與量化配置信息，啟動模型搜索過程。完成迭代搜索后，進行模型參數量化，然后更新到dpd濾波模塊中。所謂在線狀態(tài)檢測，是指在線學習dpd裝置，檢測無線通信設備配置狀態(tài)、鏈路數據狀態(tài)，以此來判斷dpd裝置在當前無線環(huán)境下的適應性。

本發(fā)明提供了一種軟硬件協(xié)同的數字預失真的方法，具體實施步驟如下：

第一步：建立在線學習dpd裝置；

算法是一組解決實際問題的步驟，dpd算法是一個數據驅動算法，通過算法迭代來跟蹤系統(tǒng)變化，以提高無線設備效率，提升無線系統(tǒng)容量。

dpd算法主要包含兩部分：dpd模型的預失真濾波和預失真濾波系數自適應 更新。而學習dpd裝置除了包含以上兩個關鍵部分外，還包含一個dpd模型學習模塊。

在線學習dpd裝置的第一個引擎就是系統(tǒng)狀態(tài)在線檢測引擎。

第二步：狀態(tài)在線檢測引擎；

狀態(tài)在線檢測引擎用于通過獲取樣本數據及系統(tǒng)配置信息，檢測無線通信設備的配置狀態(tài)及鏈路數據狀態(tài)，判斷dpd算法模型是否滿足系統(tǒng)要求。如果判斷dpd算法模型不滿足系統(tǒng)要求，則啟動學習流程。

常見的無線通信設備的配置狀態(tài)及鏈路數據狀態(tài)包括：功放輸出信號的時域特征、頻域特征等。

本裝置采用3gpp的無線信號射頻輻射模板，也就是頻域特征的acpr，以及星座圖evm作為系統(tǒng)狀態(tài)在線檢測的兩個關鍵指標。

第三步：配置信息量化引擎、數據特征抽象引擎；

配置信息量化引擎將系統(tǒng)的配置信息量化為dpd算法模型需要的輸入量化信息。數據特征抽象引擎利用采集到大量樣本數據，分析抽取其關鍵的數據特征，以便進行系統(tǒng)分析和模型搜索使用。也就是說，無線應用場景的標識是系統(tǒng)配置及鏈路數據。在線學習dpd裝置無法直接利用原始信息與數據，按照模型能夠識別的參數、指標進行量化，需要配置信息量化引擎將配置信息量化為可用信息；dpd算法模型對不同的無線設備，有不同的效果和適應性，模型搜索引擎需要將樣本數據庫中的大量數據，抽取相應的數據特征作為模型搜索的輸入，需要數據特征抽象引擎提取原始樣本數據的數據特征。

在線學習dpd裝置使用的量化信息包括：無線信號制式、信號頻域分布等。此部分為系統(tǒng)靜態(tài)配置信息，不實時變化。

在線學習dpd裝置使用的數據特征包括：數據峰值功率、平均功率、功率分布、鏈路時延與數據相位等。此部分為系統(tǒng)運行狀態(tài)的動態(tài)配置信息，與無線系統(tǒng)的用戶數、無線環(huán)境緊密相關，且實時變化。

第四步：模型搜索引擎；

模型搜索引擎是dpd在線學習裝置的核心模塊。其功能是根據系統(tǒng)在線檢測模塊的檢測結果，利用量化配置信息和樣本數據特征，針對當前無線場景合對算法模型尋優(yōu)。其包含基礎算法模型庫，可以適配到已知的應用場景下，指標能夠 滿足協(xié)議要求；包含的完備算法模型庫，可以適應無線系統(tǒng)的多變需求，通過量化配置信息、樣本數據特征以及完備模型的算法表達，進行算法模型搜索，搜索到一個能夠滿足系統(tǒng)要求的具體模型。

在產品商用研發(fā)階段，可針對產品應用場景、不同功放類型，建立基礎算法模型庫。這是可依靠技術經驗與積累，利用成熟的算法建立模型庫集，其是在線學習裝置在線模型庫的一個子集。部分無線產品應用環(huán)境復雜多變，基礎算法模型庫無法滿足其性能要求及場景變化。故建立完備算法模型庫，其是基礎算法模型庫在算法上的完備模型。從算法原理上看，基礎算法模型庫是完備算法模型庫的一個子集。前者關注資源少、迭代快、實現(xiàn)簡單、適應性強，是來自經驗或積累的已有模型的集合；而后者關注性能好、差異化能力等，是在理論基礎上自動搜索得到的模型集合。對于產品研究團隊，也可以通過后期運維來獲取在實際應用場景中算法模型的更新情況，以此實際場景反哺技術研發(fā)，開拓思路并積累經驗，從而建立dpd算法模型的大數據庫。

在線搜索模型也分為多個步驟：

一：建立dpd算法的行為描述模型。

從行為視角看，只關心系統(tǒng)的功能，而不關心系統(tǒng)是如何構建的。其中，最重要的是系統(tǒng)輸出對于輸入的依賴關系。從結構化視角看，只關心系統(tǒng)內的連接性，就是關于構成系統(tǒng)的各模塊的互連。

二：根據dpd算法方案按照規(guī)則數據流進行基本運算組件劃分。

本步驟又可以劃分為以下詳細步驟：

1、算法的模型特征提?。?/p>

2、分析算法的運算量；

運算量是算法的主要指標。主要考慮的因素有：數據類型，數據位寬、運算類型等；這些要根據算法的需求來設計。同時，需要考慮實現(xiàn)方案能提供的運算能力及特性。如軟件實現(xiàn)，cpu是否包含浮點處理器、處理器位寬、處理器的指令集能力、流水線等；而硬件上是否包含可用的ip核、硬連線處理電路等。

dpd算法包含兩部分：預失真濾波要求對鏈路數據進行實時處理，故其運算量決定于：數字采樣率及dpd多項式；預失真濾波系數更新部分，其運算量主要取決于：dpd多項式、樣本數據的特征以及為更新系數進行模型求解的參數估計 方法。

3、分析算法的數據流；

dpd算法可分解為多個子任務，子任務之間有確定且簡單的交互。dpd算法是一個數據驅動的算法，但是其不僅包含順序處理算法，也包含迭代處理算法，將這些算法劃分為獨立子任務。

dpd濾波是順序數據流，根據無線系統(tǒng)的射頻指標要求，數據流為16bit的復數。按照數據流向劃分為以下幾個部分：

1)、樣本數據的特性計算：主要是頻域或者時域的特性提取。

2)、根據dpd模型構建控制流與數據流。

3)、根據濾波模型，完成濾波操作。

而dpd系數估計不是完全的順序數據流，其包含運算次數不迭代數據流，就無法整體設計成為規(guī)則的數據通路。

4、按照規(guī)則數據流原則，將算法子任務劃分為若干基本運算組件；

規(guī)則數據流處理就是基于少量基本相同的操作實現(xiàn)，不存在偶爾或隨機概率被調用的計算量很大的操作。數據流規(guī)則性，為實現(xiàn)的迭代分解和資源共享提供了可能；同樣，以相同方式處理多個數據流也適合并行功能單元同步處理。dpd濾波過程是典型的規(guī)則數據流，而dpd濾波系數更新過程則往往包含非規(guī)則數據流。

三：根據劃分好的基本運算組件進行軟硬件的實現(xiàn)評估。

dpd算法的兩部分組成，預失真濾波與濾波系數更新。從傳統(tǒng)角度看，前者適宜硬件邏輯實現(xiàn)，后者適宜軟件實現(xiàn)。而軟硬件協(xié)同設計能動態(tài)協(xié)調兩者之間的功能劃分與具體實現(xiàn)。通過將整個算法子任務分解為基本的運算組件，然后為每個運算組件選擇軟硬件合適的實現(xiàn)。

基本運算組件的實現(xiàn)，根據其特點可以選擇合適的硬件或軟件實現(xiàn)?；具\算組件的實現(xiàn)考慮的主要因素有：算法的有限精度，合理的存儲需求，數據流與控制流，是否lsi計算，是否包含超越函數。

軟件實現(xiàn)，對在處理器位寬內的精度要求，可以做最大兼容，但是當算法精度要求大于處理位寬后，那么實現(xiàn)復雜度、效率都大受影響。算法精度對硬件實現(xiàn)的主要影響是資源，但是當算法精度超過一定限度時，因組合電路時序，會影響硬件速率。dpd算法由不同算法精度的模塊組成，而且各部分的精度要求差別 較大，所以，對不同基本運算組件的算法精度要求時軟硬件實現(xiàn)評估的基本要求。

本方法首先會選擇一個初始架構，就是選擇的各個模塊在多維空間中的坐標為起始點。無論架構如何，訓練出更好的架構總是有意義的，這就是同形架構變換。

無論是硬件實現(xiàn)或者軟件實現(xiàn)，處理規(guī)則的數據流和簡單的控制流總是高效；但是實際的需求總是存在不規(guī)則數據流或者復雜控制流。硬件實現(xiàn)更合適處理規(guī)則的數據流和簡單控制流，效率高且代價??；相對硬件而言，軟件實現(xiàn)對不規(guī)則數據流和復雜控制流的處理適應性較好。dpd算法是由若干規(guī)則的數字信號處理算法，以及部分較為復雜的算法組成；故此部分是具體實現(xiàn)時的核心和關鍵所在。

本方法采用em算法。軟硬件協(xié)同的數字預失真方法，將算法劃分為若干基本運算組件，通過em算法來確定某些組件所屬的類別，然后經過多次迭代直至過程收斂，即得到了全局最優(yōu)解。

(1)基本運算組件多維向量初始化：分別將各運算組件按照初步定性分析給出在二維坐標中的初始位置，行程初始分布。

(2)組件分類：軟件與硬件實現(xiàn)的選擇，故將其分為兩個聚類。這是特征特別明顯，軟硬件劃分非常明顯的組件。

(3)類初始中心選定：計算各分類的兩兩點間歐式距離，選定歐式距離和最小點為起始點，作為類的中心。

(4)類距離計算：計算所有點到類中心的距離，將這些點規(guī)劃到最近的一類中。

(5)更新類中心：重新計算每一類的中心。

其中，新的聚類中心和原先的聚類中心會有一個位移。表示了訓練過程中心的移動。

(6)重復迭代：重復上述過程，不斷迭代，直到每次新的聚類中心與舊的聚類中心位移非常小，則過程收斂。

也可以采用其他迭代遞歸的方法來進行模型訓練。

四：根據dpd算法需求，調整軟件與硬件的劃分界面，選擇合適的軟硬件協(xié)同實現(xiàn)方案。

根據算法方案的變化，調整軟件與硬件的劃分界面，形成動態(tài)dpd裝置。隨著系統(tǒng)需求的不斷變動，dpd算法總是不斷變化的。以軟硬件協(xié)同的設計方法來實現(xiàn)dpd裝置，能夠在方案階段就形成軟件與硬件合理評估與劃分，從而形成高效的dpd裝置。

在系統(tǒng)的架構設計中，努力設計出各個方面都滿足要求的架構。但是必須承認，架構設計有一部分不僅是技術，而也是一種藝術。在動態(tài)調整軟硬件界面時，考慮數據流的相鄰關系。如需要考慮的因素有：處理數據的位寬變化、基本運算組件間的數據依賴性、組件的基本運算特征，及運算速率等；需求和算法總是變動的，軟硬件協(xié)同設計能夠動態(tài)調整功能的具體實現(xiàn)，為滿足快速推出可用集成電路解決方案，并迭代逐步交付最優(yōu)價值的特性，有積極作用。

在軟硬件協(xié)同設計中，不同的實現(xiàn)選擇，有時在可量化的技術層面不分伯仲，但是，若從架構的易實現(xiàn)、可擴展、接口交互上考慮，那么這些藝術性的考慮，會讓兩個設計高下立見。

第五步：模型量化及更新引擎。

在算法完備模型中搜索最優(yōu)模型時，需要基于量化配置信息、樣本數據特征，參考算法完備模型，進行模型評估。模型評估就是新模型的dpd參數估計。此時為快速搜索和算法性能、運算精度考慮，一般選擇與dsp處理器運算匹配的數據類型、運算流程。

所以，在模型搜索時得到的評估新模型是匹配的，就需要根據dpd裝置的迭代速度、占用資源，對目標模型進行量化，以匹配dpd濾波部分、dpd參數估計部分的基本運算實現(xiàn)。對整個算法的運算類型進行量化，如數據定標、運算舍入、進位保留等。

當模型量化完成，就將搜索到的模型添加到模型庫中待用。并且啟動當前系統(tǒng)的模型切換流程。

第六步：模型切換。

無線應用中用戶接入是隨時的，模型切換的基本要求是不能干擾用戶的正常使用，最低也要保證基本功能不受干擾，如不能產生掉線、斷話等。那么，在模型切換時，要選擇系統(tǒng)合適的時間。如tdd制式系統(tǒng)可選擇上行時隙來切換模型；而fdd制式因下行是常發(fā)系統(tǒng)，所以需要占據系統(tǒng)的校正時刻進行模型切換。

本發(fā)明構建開放性架構，能夠根據無線應用場景動態(tài)學習，選擇算法及實現(xiàn)；可以滿足在不同應用場景、不同用戶需求、不同功放模型、不同預失真算法方案下最優(yōu)實時dpd裝置。采用軟硬件協(xié)同的在線學習數字預失真裝置，克服了傳統(tǒng)dpd裝置的設計方法中軟件與硬件的過早分離結構固定的弊端。軟硬件協(xié)同設計dpd裝置，既滿足短時無線設備發(fā)射性能指標，也滿足無線系統(tǒng)的長時性能統(tǒng)計指標。

綜上所述，本發(fā)明具有以下技術效果：

本發(fā)明具有在線學習能力，能夠在線檢測系統(tǒng)狀態(tài)，根據檢測結果啟動模型適配或模型搜索，找到最優(yōu)化的軟硬件協(xié)同設計的dpd裝置，其能滿足無線系統(tǒng)的臨道干擾要求，且同時滿足裝置系統(tǒng)速度、面積、功耗、靈活性等要求。

盡管上文對本發(fā)明進行了詳細說明，但是本發(fā)明不限于此，本技術領域技術人員可以根據本發(fā)明的原理進行各種修改。因此，凡按照本發(fā)明原理所作的修改，都應當理解為落入本發(fā)明的保護范圍。