本發(fā)明涉及dpd(digitalpre-distortion，數(shù)字預(yù)失真)技術(shù)領(lǐng)域，特別涉及一種軟硬件協(xié)同的數(shù)字預(yù)失真的方法及裝置。

背景技術(shù)：

軟硬件協(xié)同設(shè)計，其主要內(nèi)容是協(xié)調(diào)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(shè)計。

傳統(tǒng)dpd裝置由fpga(field-programmablegatearray，可編程邏輯器件)和dsp(digitalsignalprocessor，數(shù)字信號處理器)組成。系統(tǒng)設(shè)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(yù)失真參數(shù)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(shù)訓(xùn)練的實時性。

移動互連網(wǎng)、物聯(lián)網(wǎng)時代的到來，無線通信數(shù)據(jù)量、數(shù)據(jù)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(shè)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(wǎng)絡(luò)必須解決多種網(wǎng)絡(luò)架構(gòu)下的良好兼容和無縫對接。不同信號制式的應(yīng)用場景，配合不同類型或結(jié)構(gòu)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(shè)備效率關(guān)鍵算法之一，在多種無線通信場景中，一成不變結(jié)構(gòu)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(xùn)練模型：為不同應(yīng)用場景、不同制式信號、不同類型功放訓(xùn)練出一套性能相對較好、兼具穩(wěn)定性的模型；

·開發(fā)相應(yīng)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(shè)備建立相同模型的軟件。

在設(shè)備運行階段，雖然無線通信場景千變?nèi)f化，但是結(jié)構(gòu)固定dpd裝置，其適應(yīng)性低，導(dǎo)致無線設(shè)備的無線射頻指標波動，無線設(shè)備效率降低。

技術(shù)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(shù)字預(yù)失真的方法及裝置，解決了現(xiàn)有技術(shù)在研發(fā)階段將軟硬件界面分割完畢，無法適應(yīng)不斷變化的無線通信環(huán)境的問題。

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

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

根據(jù)檢測到的無線通信設(shè)備的工作狀態(tài)對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)失真模型；

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

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

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

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

優(yōu)選地，所述對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)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(shù)據(jù)特征提取引擎通過對采集的樣本數(shù)據(jù)進行提取，得到樣本數(shù)據(jù)特征；

模型搜索引擎利用所得到的量化配置信息和樣本數(shù)據(jù)特征，對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)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(shù)據(jù)特征包括：數(shù)據(jù)峰值功率、平均功率、峰均比、鏈路時延以及數(shù)據(jù)相位。

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

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

當所述模型參數(shù)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(shù)字預(yù)失真模型庫中的量化模型參數(shù)更新到無線通信設(shè)備的數(shù)字預(yù)失真濾波模塊中。

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

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

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

量化及更新模塊，用于對所獲取的最優(yōu)數(shù)字預(yù)失真模型進行模型參數(shù)量化處理，并將量化后的模型參數(shù)更新到無線通信設(shè)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(jù)系統(tǒng)配置信息和采集的樣本數(shù)據(jù)，檢測無線通信設(shè)備的工作狀態(tài)，以及當檢測到的無線通信設(shè)備的工作狀態(tài)不滿足當前系統(tǒng)的工作需求時，啟動數(shù)字預(yù)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(shù)據(jù)特征提取引擎通過對采集的樣本數(shù)據(jù)進行提取，得到樣本數(shù)據(jù)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(shù)據(jù)特征，對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)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(shù)據(jù)特征包括：數(shù)據(jù)峰值功率、平均功率、峰均比、鏈路時延以及數(shù)據(jù)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(shù)量化及更新引擎將所獲取的最優(yōu)數(shù)字預(yù)失真模型進行模型參數(shù)量化處理，得到量化模型參數(shù)，并將所得到的量化模型參數(shù)保存到數(shù)字預(yù)失真模型庫中；

更新單元，用于當所述模型參數(shù)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(shù)字預(yù)失真模型庫中的量化模型參數(shù)更新到無線通信設(shè)備的數(shù)字預(yù)失真濾波模塊中。

與現(xiàn)有技術(shù)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(shè)計，為最優(yōu)實現(xiàn)提供了可選擇性，特別是對于數(shù)字預(yù)失真這種對運算時效敏感的算法，軟硬件的協(xié)同設(shè)計更能提供優(yōu)選方案。并且，在產(chǎn)品發(fā)布后，仍然能夠通過在線模型搜索訓(xùn)練出與應(yīng)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(shù)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(shù)字預(yù)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(shù)字預(yù)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(xué)習(xí)模塊的結(jié)構(gòu)示意圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明的優(yōu)選實施例進行詳細說明，應(yīng)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(shù)字預(yù)失真的方法流程圖，如圖2所示，包括以下步驟：

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

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

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

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

其中，所述對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)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(shù)據(jù)特征提取引擎通過對采集的樣本數(shù)據(jù)進行提取，得到樣本數(shù)據(jù)特征；模型搜索引擎利用所得到的量化配置信息和樣本數(shù)據(jù)特征，對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)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(shù)據(jù)特征包括：數(shù)據(jù)峰值功率、平均功率、峰均比、鏈路時延以及數(shù)據(jù)相位。

其中所述對所獲取的最優(yōu)數(shù)字預(yù)失真模型進行模型參數(shù)量化處理，并將量化后的模型參數(shù)更新到無線通信設(shè)備中包括：模型參數(shù)量化及更新引擎將所獲取的最優(yōu)數(shù)字預(yù)失真模型進行模型參數(shù)量化處理，得到量化模型參數(shù)，并將所得到的量化模型參數(shù)保存到數(shù)字預(yù)失真模型庫中；當所述模型參數(shù)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(shù)字預(yù)失真模型庫中的量化模型參數(shù)更新到無線通信設(shè)備的數(shù)字預(yù)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(shù)字預(yù)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(jù)系統(tǒng)配置信息和采集的樣本數(shù)據(jù)，檢測無線通信設(shè)備的工作狀態(tài)；所述在線尋優(yōu)模塊302，用于根據(jù)檢測到的無線通信設(shè)備的工作狀態(tài)對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)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(shù)字預(yù)失真模型進行模型參數(shù)量化處理，并將量化后的模型參數(shù)更新到無線通信設(shè)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(jù)系統(tǒng)配置信息和采集的樣本數(shù)據(jù)，檢測無線通信設(shè)備的工作狀態(tài)，以及當檢測到的無線通信設(shè)備的工作狀態(tài)不滿足當前系統(tǒng)的工作需求時，啟動數(shù)字預(yù)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(shù)據(jù)特征提取引擎通過對采集的樣本數(shù)據(jù)進行提取，得到樣本數(shù)據(jù)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(shù)據(jù)特征，對數(shù)字預(yù)失真模型進行在線尋優(yōu)，獲取最優(yōu)數(shù)字預(yù)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(shù)據(jù)特征包括：數(shù)據(jù)峰值功率、平均功率、峰均比、鏈路時延以及數(shù)據(jù)相位。所述量化及更新模塊303包括：量化單元，用于模型參數(shù)量化及更新引擎將所獲取的最優(yōu)數(shù)字預(yù)失真模型進行模型參數(shù)量化處理，得到量化模型參數(shù)，并將所得到的量化模型參數(shù)保存到數(shù)字預(yù)失真模型庫中；更新單元，用于當所述模型參數(shù)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(shù)字預(yù)失真模型庫中的量化模型參數(shù)更新到無線通信設(shè)備的數(shù)字預(yù)失真濾波模塊中。

本發(fā)明根據(jù)無線通信場景，參考算法資源池中的算法模型庫，在線學(xué)習(xí)對應(yīng)場景的dpd算法模型進行尋優(yōu)；參考dpd裝置的模型復(fù)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(jù)系統(tǒng)需求與可提供的運算與存儲資源，動態(tài)調(diào)整dpd裝置的軟硬件設(shè)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(fù)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(nóng)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(shè)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(fù)雜的環(huán)境中，其突出要求是大數(shù)據(jù)量、多用戶接入、低延時，可采用適應(yīng)性更強的可變復(fù)雜模型。依靠mimo(multiple-inputmultiple-output，多輸入多輸出)來實現(xiàn)大數(shù)據(jù)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(shè)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(shù)估計模塊、樣本采集模塊以及dpd在線學(xué)習(xí) 模塊。所述dpd濾波模塊用于在線實時鏈路數(shù)據(jù)進行預(yù)失真濾波處理；所述dpd參數(shù)估計模塊用于基于樣本數(shù)據(jù)的離線非實時預(yù)失真參數(shù)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(shù)估計的樣本數(shù)據(jù)。dpd在線學(xué)習(xí)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(jù)狀態(tài)檢測的結(jié)果，來搜索與當前系統(tǒng)匹配更佳的數(shù)字預(yù)失真模型；功放：是指功率放大器，在無線設(shè)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(shù)據(jù)，來自無線基站設(shè)備下行發(fā)射鏈路。配置信息是與dpd裝置相關(guān)的無線場景配置信息，由無線設(shè)備控制器下發(fā)。

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

而本文要描述的核心部分是dpd在線學(xué)習(xí)模塊，其組成框圖如附圖5所示，該模塊的學(xué)習(xí)功能不會阻塞dpd參數(shù)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(xué)習(xí)過程。所述dpd在線學(xué)習(xí)模塊的主要工作流程：狀態(tài)診斷及控制引擎根據(jù)采集的樣本數(shù)據(jù)與系統(tǒng)配置信息進行工作狀態(tài)檢測；如果檢測結(jié)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(shù)據(jù)送往數(shù)據(jù)特征提取引擎，用來提取數(shù)據(jù)特征；將系統(tǒng)配置信息送往配置信息量化引擎，產(chǎn)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(shù)據(jù)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(shù)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(xué)習(xí)dpd裝置，檢測無線通信設(shè)備配置狀態(tài)、鏈路數(shù)據(jù)狀態(tài)，以此來判斷dpd裝置在當前無線環(huán)境下的適應(yīng)性。

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

第一步：建立在線學(xué)習(xí)dpd裝置；

算法是一組解決實際問題的步驟，dpd算法是一個數(shù)據(jù)驅(qū)動算法，通過算法迭代來跟蹤系統(tǒng)變化，以提高無線設(shè)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(yù)失真濾波和預(yù)失真濾波系數(shù)自適應(yīng) 更新。而學(xué)習(xí)dpd裝置除了包含以上兩個關(guān)鍵部分外，還包含一個dpd模型學(xué)習(xí)模塊。

在線學(xué)習(xí)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(shù)據(jù)及系統(tǒng)配置信息，檢測無線通信設(shè)備的配置狀態(tài)及鏈路數(shù)據(jù)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(xué)習(xí)流程。

常見的無線通信設(shè)備的配置狀態(tài)及鏈路數(shù)據(jù)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(guān)鍵指標。

第三步：配置信息量化引擎、數(shù)據(jù)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(shù)據(jù)特征抽象引擎利用采集到大量樣本數(shù)據(jù)，分析抽取其關(guān)鍵的數(shù)據(jù)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(yīng)用場景的標識是系統(tǒng)配置及鏈路數(shù)據(jù)。在線學(xué)習(xí)dpd裝置無法直接利用原始信息與數(shù)據(jù)，按照模型能夠識別的參數(shù)、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(shè)備，有不同的效果和適應(yīng)性，模型搜索引擎需要將樣本數(shù)據(jù)庫中的大量數(shù)據(jù)，抽取相應(yīng)的數(shù)據(jù)特征作為模型搜索的輸入，需要數(shù)據(jù)特征抽象引擎提取原始樣本數(shù)據(jù)的數(shù)據(jù)特征。

在線學(xué)習(xí)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(xué)習(xí)dpd裝置使用的數(shù)據(jù)特征包括：數(shù)據(jù)峰值功率、平均功率、功率分布、鏈路時延與數(shù)據(jù)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(shù)、無線環(huán)境緊密相關(guān)，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(xué)習(xí)裝置的核心模塊。其功能是根據(jù)系統(tǒng)在線檢測模塊的檢測結(jié)果，利用量化配置信息和樣本數(shù)據(jù)特征，針對當前無線場景合對算法模型尋優(yōu)。其包含基礎(chǔ)算法模型庫，可以適配到已知的應(yīng)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(yīng)無線系統(tǒng)的多變需求，通過量化配置信息、樣本數(shù)據(jù)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(chǎn)品商用研發(fā)階段，可針對產(chǎn)品應(yīng)用場景、不同功放類型，建立基礎(chǔ)算法模型庫。這是可依靠技術(shù)經(jīng)驗與積累，利用成熟的算法建立模型庫集，其是在線學(xué)習(xí)裝置在線模型庫的一個子集。部分無線產(chǎn)品應(yīng)用環(huán)境復(fù)雜多變，基礎(chǔ)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(chǔ)算法模型庫在算法上的完備模型。從算法原理上看，基礎(chǔ)算法模型庫是完備算法模型庫的一個子集。前者關(guān)注資源少、迭代快、實現(xiàn)簡單、適應(yīng)性強，是來自經(jīng)驗或積累的已有模型的集合；而后者關(guān)注性能好、差異化能力等，是在理論基礎(chǔ)上自動搜索得到的模型集合。對于產(chǎn)品研究團隊，也可以通過后期運維來獲取在實際應(yīng)用場景中算法模型的更新情況，以此實際場景反哺技術(shù)研發(fā)，開拓思路并積累經(jīng)驗，從而建立dpd算法模型的大數(shù)據(jù)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(guān)心系統(tǒng)的功能，而不關(guān)心系統(tǒng)是如何構(gòu)建的。其中，最重要的是系統(tǒng)輸出對于輸入的依賴關(guān)系。從結(jié)構(gòu)化視角看，只關(guān)心系統(tǒng)內(nèi)的連接性，就是關(guān)于構(gòu)成系統(tǒng)的各模塊的互連。

二：根據(jù)dpd算法方案按照規(guī)則數(shù)據(jù)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??；

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(shù)據(jù)類型，數(shù)據(jù)位寬、運算類型等；這些要根據(jù)算法的需求來設(shè)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(yù)失真濾波要求對鏈路數(shù)據(jù)進行實時處理，故其運算量決定于：數(shù)字采樣率及dpd多項式；預(yù)失真濾波系數(shù)更新部分，其運算量主要取決于：dpd多項式、樣本數(shù)據(jù)的特征以及為更新系數(shù)進行模型求解的參數(shù)估計 方法。

3、分析算法的數(shù)據(jù)流；

dpd算法可分解為多個子任務(wù)，子任務(wù)之間有確定且簡單的交互。dpd算法是一個數(shù)據(jù)驅(qū)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(wù)。

dpd濾波是順序數(shù)據(jù)流，根據(jù)無線系統(tǒng)的射頻指標要求，數(shù)據(jù)流為16bit的復(fù)數(shù)。按照數(shù)據(jù)流向劃分為以下幾個部分：

1)、樣本數(shù)據(jù)的特性計算：主要是頻域或者時域的特性提取。

2)、根據(jù)dpd模型構(gòu)建控制流與數(shù)據(jù)流。

3)、根據(jù)濾波模型，完成濾波操作。

而dpd系數(shù)估計不是完全的順序數(shù)據(jù)流，其包含運算次數(shù)不迭代數(shù)據(jù)流，就無法整體設(shè)計成為規(guī)則的數(shù)據(jù)通路。

4、按照規(guī)則數(shù)據(jù)流原則，將算法子任務(wù)劃分為若干基本運算組件；

規(guī)則數(shù)據(jù)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(diào)用的計算量很大的操作。數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)流，而dpd濾波系數(shù)更新過程則往往包含非規(guī)則數(shù)據(jù)流。

三：根據(jù)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(yù)失真濾波與濾波系數(shù)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(shè)計能動態(tài)協(xié)調(diào)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(wù)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(jù)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(shù)據(jù)流與控制流，是否lsi計算，是否包含超越函數(shù)。

軟件實現(xiàn)，對在處理器位寬內(nèi)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(fù)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(gòu)，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(gòu)如何，訓(xùn)練出更好的架構(gòu)總是有意義的，這就是同形架構(gòu)變換。

無論是硬件實現(xiàn)或者軟件實現(xiàn)，處理規(guī)則的數(shù)據(jù)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(shù)據(jù)流或者復(fù)雜控制流。硬件實現(xiàn)更合適處理規(guī)則的數(shù)據(jù)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(shù)據(jù)流和復(fù)雜控制流的處理適應(yīng)性較好。dpd算法是由若干規(guī)則的數(shù)字信號處理算法，以及部分較為復(fù)雜的算法組成；故此部分是具體實現(xiàn)時的核心和關(guān)鍵所在。

本方法采用em算法。軟硬件協(xié)同的數(shù)字預(yù)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(jīng)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(xùn)練過程中心的移動。

(6)重復(fù)迭代：重復(fù)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(xùn)練。

四：根據(jù)dpd算法需求，調(diào)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(jù)算法方案的變化，調(diào)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(shè)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(gòu)設(shè)計中，努力設(shè)計出各個方面都滿足要求的架構(gòu)。但是必須承認，架構(gòu)設(shè)計有一部分不僅是技術(shù)，而也是一種藝術(shù)。在動態(tài)調(diào)整軟硬件界面時，考慮數(shù)據(jù)流的相鄰關(guān)系。如需要考慮的因素有：處理數(shù)據(jù)的位寬變化、基本運算組件間的數(shù)據(jù)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(shè)計能夠動態(tài)調(diào)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(shè)計中，不同的實現(xiàn)選擇，有時在可量化的技術(shù)層面不分伯仲，但是，若從架構(gòu)的易實現(xiàn)、可擴展、接口交互上考慮，那么這些藝術(shù)性的考慮，會讓兩個設(shè)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(shù)據(jù)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(shù)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(shù)據(jù)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(jù)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(shù)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(shù)據(jù)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(yīng)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(chǎn)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(jù)系統(tǒng)的校正時刻進行模型切換。

本發(fā)明構(gòu)建開放性架構(gòu)，能夠根據(jù)無線應(yīng)用場景動態(tài)學(xué)習(xí)，選擇算法及實現(xiàn)；可以滿足在不同應(yīng)用場景、不同用戶需求、不同功放模型、不同預(yù)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(xué)習(xí)數(shù)字預(yù)失真裝置，克服了傳統(tǒng)dpd裝置的設(shè)計方法中軟件與硬件的過早分離結(jié)構(gòu)固定的弊端。軟硬件協(xié)同設(shè)計dpd裝置，既滿足短時無線設(shè)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(shù)效果：

本發(fā)明具有在線學(xué)習(xí)能力，能夠在線檢測系統(tǒng)狀態(tài)，根據(jù)檢測結(jié)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(shè)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(shù)領(lǐng)域技術(shù)人員可以根據(jù)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(yīng)當理解為落入本發(fā)明的保護范圍。