具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

本申请实施例提供一种线性化模型的分段点确定方法，用以提高确定功率放大器的最优分段点的效率。其中，本申请所述方法和装置基于同一发明构思，由于方法及装置解决问题的原理相似，因此装置与方法的实施可以相互参见，重复之处不再赘述。

本申请实施例的技术方案中，功率放大器管理设备获取功率放大器的输入和实际输出信号，以及分段点总数；所述功率放大器管理设备依次在输入信号中的采样点中确定每个分段点，以保证通过每个分段点对应的分段集合得到的线性化模型得到的预测输出信号与所述实际输出信号的误差最小。该方法可以通过分步选取方式确定最优分段点，不仅可以提高选取最优分段点效率，还可以进一步提高分段线性模型的准确性，最终保证功率放大器的功放特性。

以下先对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。

1、分段点，用于对一组数据点进行划分，一种分段点配置对应一种分组情况。由于线性函数模型包括多个变量，对多变量进行归类分组，建立对应的分段函数模型。因此，通过配置最优的分段点，可以建立对应最优的分段函数模型，进而对线性化函数模型进行调整，从而使得线性化函数模型可以更有效的描述功率放大器的特征。

2、记忆深度，在宽带通信系统中，较宽的输入信号带宽容易使功放具有一定的记忆效应。随着输入信号带宽的增加，功率放大器的记忆效应也将趋于显著。

3、多个，表示为至少两个。

4、和/或，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“三种一般表示前后关联对象是一种“或”的关系。

下面结合附图对本申请的实施例进行说明。

如图1所示，基站100中，多个功率放大器102是其发射系统的重要组成部分。在信号发射链路，功放的线性化程度会直接影响到信号的发射质量。从输入单元101输入信号，通过所述功率放大器102进行处理，再通过输出单元103将处理后的信号再次发送出去。其中，所述基站100中还包括功率放大器管理设备104，所述功率放大器管理设备104能够对功率放大器的线性化模型进行调整，从而对功率放大器102的控制管理，以保证功率放大器102的功放特性。

然而，随着5G通信技术的发展，大规模天线技术广泛应用，基站体积也越来越大。为了降低系统功耗，功率放大器的效率也越来越高。高效率放大器的AM-AM曲线(输出信号对输入信号的幅度失真曲线)不再是单调的特性，曲线中会出现一个或几个不同深度的“坑”。传统的GMP模型在数字预失真领域有很广泛的应用，但是针对高效率的功放，GMP模型与功放匹配的契合度降低。基于分段线性函数的预失真模型具有参数配置自由、计算复杂度低的优点，但通用的均匀分段方式未能有效利用功放的行为特征，效率较低且实际性能与分段数不成正比。

但在实际情况下，功放通常工作于非线性区以提高功放的效率，从而导致功放输出信号由于输入信号瞬时幅度的不同产生幅度与相位的失真。同时，较宽的信号带宽还容易使功放具有一定的记忆效应。

为了保证发射的信号的完整性，针对功放线性化问题，数字预失真是广泛应用的功放线性化技术。假设功放的输入信号x_n，输出信号为y_n，用于描述功放特性的Volterra级数模型如下式所示：

Volterra级数模型具有深厚的理论基础，且参数提取简便，易于通过最小二乘等方法求解模型参数，常用的多项式模型如MP模型、GMP模型等均基于Volterra模型变化而来。

正规分段线性函数模型是由一组具有饱和特性的基函数线性表示的连续分片函数模型。针对特定频率的输入，函数模型的每个基函数输出频率都将较为复杂，理论上都能覆盖整个频域。

而幂级数方程的基函数输出频率只是输入频率的简单倍频与和差关系，因此多项式模型能够拟合的信号交调分量阶数(即频谱扩展宽度)与幂级数方程的阶数有关。当阶数较低时幂级数方程能够拟合的分量也较少，而分段函数模型，无论扇区数目多少，理论上都能拟合所有的分量，只是拟合精度不同，这也成为分段函数模型的一大显著特点。

通常的，分段线性函数的数学表达式如下：

为描述功放的行为特征，将上式拓展到复数域，得到线性化模型参数如下：

其中M为记忆深度，K为分段数，[β₁,β₂,...,β_K]为对应的分段点。

理论上讲模型的分段点可以自由选取，但是现有的分段线性模型中，为了简化算法的求解过程，分段点通常是默认均匀选取的。均匀选取的分段点忽略了功率放大器对不同幅度信号的失真特性，为了在相同的记忆深度和分段数的配置下，使得分段线性模型能够更好地描述功率放大器特性，需要找到对应于功率放大器的最优分段点配置。而遍历法所需的总时长随分段数的增加呈指数增长，因此分段点选取的时间复杂度也较高。

为了解决在以上的问题，本申请实施例提供了一种线性化模型的分段点确定方法。该方法可以适用于如图1所示基站中的功率放大器，下面参考图2对本申请实施例提供的一种线性化模型的分段点确定方法的流程进行详细说明。

S201：功率放大器管理设备获取功率放大器的输入信号x_n和对应的实际输出信号y_n，以及确定预设的分段点总数K。

S202：所述功率放大器管理设备在所述输入信号的多个采样点中，确定第1个分段点。

在一种实施方式中，所述功率放大器管理设备可以通过以下步骤A1和A2执行S202。

A1：依次针对所述输入信号的多个采样点中的每个采样点C_i，其中，i为1到Q之间的整数，Q为所述多个采样点的个数，执行以下步骤：

a1：将每个采样点C_i作为第1个分段点待选点，根据所述第1个分段点待选点对应的第一分段集合、预设的所述第一分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第一线性化模型。其中，所述第一分段集合包含所述输入信号中首个采样点至所述第1个分段点待选点之间的采样点。

在一种实施方式中，所述根据所述第1个分段点待选点对应的第一分段集合、预设的所述第一分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第一线性化模型，包括：

根据第1个分段点待选点，所述第一分段集合、预设的所述第一分段集合的记忆深度，建立所述第一分段集合对应的分段函数模型；所述第一分段集合对应的分段函数模型用于表征所述第1个分段点待选点、所述第一分段集合、预设的所述第一分段集合的记忆深度之间的对应关系；

根据已建立的所述分段函数模型，对所述功率放大器的线性化模型进行调整，得到第一线性化模型。

可选的，所述功率放大器的线性化模型满足以下公式：

其中，x_n表示输入信号，y_n表示预测输出信号，k表示第k个分段点，M表示记忆深度，β_k表示第k个分段点待选点对应的分段集合。

a2：根据所述第一线性化模型预测所述输入信号的第一预测输出信号。

可选的，将所述输入信号根据所述公式(3)预测得到所述输入信号的预测输出信号。

a3：计算所述第一预测输出信号与所述实际输出信号之间的误差。

可选的，所述第一预测输出信号与所述实际输出信号之间的误差，满足以下公式：y'_(n)表示所述第一预测输出信号，y_n表示所述实际输出信号。

A2：在所述多个采样点中确定对应的误差最小的采样点作为所述第1个分段点。

S203：所述功率放大器管理设备在多个第一采样点中确定第1个分段点后的其它分段点，其中，所述多个第一采样点为第k个分段点之后的采样点，k为小于K的正整数。

在一种实施方式中，所述功率放大器管理设备可以通过以下步骤B1和B2执行S203。

B1：依次针对多个第一采样点中每个第一采样点D_j执行以下步骤，其中，j为从1到N之间的整数，N为所述多个第一采样点的个数：

b1：将所述第一采样点D_j作为第k+1个分段点待选点，根据所述第k+1个分段点待选点对应的第k+1分段集合、预设的所述第k+1分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第k+1线性化模型。其中，所述第k+1分段集合包含所述输入信号中首个采样点至所述第k+1个分段点待选点之间的采样点。

在一种实施方式中，所述根据所述第k+1个分段点待选点对应的第k+1分段集合、预设的所述第k+1分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第k+1线性化模型，包括，包括：

根据第k+1个分段点待选点，所述第k+1分段集合、预设的所述第k+1分段集合的记忆深度，建立所述第k+1分段集合对应的分段函数模型；所述第k+1分段集合对应的分段函数模型用于表征所述第k+1个分段点待选点、所述第k+1分段集合、预设的所述第k+1分段集合的记忆深度之间的对应关系；

根据已建立的所述分段函数模型，对所述功率放大器的线性化模型进行调整，得到第k+1线性化模型。

b2：根据所述第k+1线性化模型预测所述输入信号的第k+1预测输出信号。

可选的，将所述输入信号根据所述公式(3)预测得到所述输入信号的第k+1预测输出信号。

b3：计算所述第k+1预测输出信号与所述实际输出信号之间的误差。

可选的，计算所述第k+1预测输出信号与所述实际输出信号之间的误差，满足以下公式：y'_(n)表示所述第k+1预测输出信号，y_n表示所述实际输出信号。

B2：在所述多个第一采样点中确定对应的误差最小的采样点作为所述第k+1个分段点。

本申请实施例提供了一种线性化模型的分段点确定方法，使得时间复杂度与分段点总数为线性关系。该方法既可以针对功率放大器特性自由配置分段方式，增强上述线性化模型和功率放大器的匹配程度；并且上述分段点选取策略可以大幅降低分段点的计算耗时，提高了确定功率放大器对应的线性化模型的最优分段点的效率；另外，功率放大器管理设备可根据最优分段点对应的线性化模型对功率放大器进行调整，以实现功率放大器特性的最优化。

基于图2所示的实施例，本申请还提供了一种线性化模型的分段点确定方法实例，使得选取分段点的时长与分段点总数成线性关系，分段点的选取算法实施方式的步骤具体流程如图3所示：

Step1：功率放大器管理设备获取功率放大器的输入信号x_(n)和实际输出信号y_(n)。

Step2：所述功率放大器管理设备依次选取第k个分段点的待选点x_i，并确定所述第k个分段点待选点x_i对应的第k分段集合β_k＝(x₁,....,x_i)。

Step3：所述功率放大器管理设备获取预设的所述第k分段集合的记忆深度M_k，所述第k分段点待选点对应的第k个分段集合β_k，建立所述第k分段点待选点x_i对应的第k个分段模型，并根据所述第k个分段模型对线性化函数模型进行调整，得到所述第k分段点待选点x_i对应的第k个线性化函数模型。

Step4：所述功率放大器管理设备根据所述第k个线性化函数模型确定所述待选点x_i对应的第k预测输出信号y′_(n)。

Step5：所述功率放大器管理设备计算所述第k预测输出信号y'_(n)和实际输出信号y_(n)的误差。

Step6：所述功率放大器管理设备判断所述第k分段点待选点x_i是否是所述第k个分段点最后一个待选点。

Step7：若所述x_i不是第k个分段点最后一个待选点，则令i＝i+1，返回step2重新执行下面步骤。

Step8：若x_i是所述第k个分段点最后一个待选点，确定所述误差最小对应的待选点x_ks作为第k个分段点(即第k个最优分段点)，x_ks为所述第k个分段点待选点中的一个待选点。

Step9：所述功率放大器管理设备确定当前k是否等于K，所述K为分段点总数。

若k等于K时，则分段点选取结束，总的最优分段点为x_1s,x₁₂,......x_Ks。x_1s表示第1个分段点，x_2s表示第2个分段点，......，x_Ks表示第K个分段点。

若k不等于K时，则令k＝k+1，返回step2重新执行下面步骤。

通过以上步骤，容易看出该选取方法关于分段点数的时间复杂度为O(K)。

基于相同的技术构思，本申请实施例还提供了一种用于确定线性化模型的分段点的装置，该装置的结构如图4所示。包括获取单元401、处理单元402。所述装置可以应用于图1所示的功率放大器管理设备中，并可以实现以上图2所示的一种线性化模型的分段点确定方法。下面对装置400中的各个单元的功能进行介绍。

获取单元401，用于获取功率放大器的输入信号x_n和对应的实际输出信号y_n，以及确定预设的分段点总数K；

处理单元402，用于依次针对所述输入信号的多个采样点中的每个采样点C_i执行以下步骤，其中，i为1到Q之间的整数，Q为所述多个采样点的个数：将所述采样点C_i作为第1个分段点待选点，根据所述第1个分段点待选点对应的第一分段集合、预设的所述第一分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第一线性化模型；根据所述第一线性化模型预测所述输入信号的第一预测输出信号，并计算所述第一预测输出信号与所述实际输出信号之间的误差；其中，所述第一分段集合包含所述输入信号中首个采样点至所述第1个分段点待选点之间的采样点；

在所述多个采样点中确定对应的误差最小的采样点作为所述第1个分段点；

所述处理单元402，还用于依次针对多个第一采样点中每个第一采样点D_j执行以下步骤，其中，所述多个第一采样点D_j为第k个分段点之后的采样点，k为小于K的正整数，j为从1到N之间的整数，N为所述多个第一采样点的个数：将所述第一采样点D_j作为第k+1个分段点待选点，根据所述第k+1个分段点待选点对应的第k+1分段集合、预设的所述第k+1分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第k+1线性化模型；根据所述第k+1线性化模型预测所述输入信号的第k+1预测输出信号，并计算所述第k+1预测输出信号与所述实际输出信号之间的误差；其中，所述第k+1分段集合包含所述输入信号中首个采样点至所述第k+1个分段点待选点之间的采样点；

在所述多个第一采样点中确定对应的误差最小的采样点作为所述第k+1个分段点。

在一种实施方式中，所述处理单元402，在根据所述第1个分段点待选点对应的第一分段集合、预设的所述第一分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第一线性化模型时，具体用于：

根据第1个分段点待选点，所述第一分段集合、预设的所述第一分段集合的记忆深度，建立所述第一分段集合对应的分段函数模型；所述第一分段集合对应的分段函数模型用于表征所述第1个分段点待选点、所述第一分段集合、预设的所述第一分段集合的记忆深度之间的对应关系；

根据已建立的所述分段函数模型，对所述功率放大器的线性化模型进行调整，得到第一线性化模型。

在一种实施方式中，所述计算所述第一预测输出信号与所述实际输出信号之间的误差，满足以下公式：y′_(n)表示所述第一预测输出信号，y_n表示所述实际输出信号。

在一种实施方式中，所述功率放大器的线性化模型满足以下公式：

其中，x_n表示输入信号，y_n表示预测输出信号，k表示第k个分段点，M表示记忆深度，β_k表示第k个分段点待选点对应的分段集合。

基于相同的技术构思，本申请实施例还提供了一种用于确定线性化模型的分段点的设备，所述设备可以应用于图1所示的功率放大器管理设备中，并可以实现如图2所示的一种用于线性化模型的分段点确定的方法。参阅图5所示，所述监测设备包括：通信模块501、处理器502、存储器503。其中，所述通信模块501、所述处理器502以及所述存储器503之间相互连接。

可选的，所述通信模块501、所述处理器502以及所述存储器503之间通过总线504相互连接。所述总线504可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。

通信模块501，用于获取功率放大器的输入信号x_n和对应的实际输出信号y_n，以及确定预设的分段点总数K；

所述通信模块501，用于获取功率放大器的输入信号x_n和对应的实际输出信号y_n，以及确定预设的分段点总数K；

所述处理器502，用于依次针对所述输入信号的多个采样点中的每个采样点C_i执行以下步骤，其中，i为1到Q之间的整数，Q为所述多个采样点的个数：将所述采样点C_i作为第1个分段点待选点，根据所述第1个分段点待选点对应的第一分段集合、预设的所述第一分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第一线性化模型；根据所述第一线性化模型预测所述输入信号的第一预测输出信号，并计算所述第一预测输出信号与所述实际输出信号之间的误差；其中，所述第一分段集合包含所述输入信号中首个采样点至所述第1个分段点待选点之间的采样点；

在所述多个采样点中确定对应的误差最小的采样点作为所述第1个分段点；

所述处理器502，还用于依次针对多个第一采样点中每个第一采样点D_j执行以下步骤，其中，所述多个第一采样点D_j为第k个分段点之后的采样点，k为小于K的正整数，j为从1到N之间的整数，N为所述多个第一采样点的个数：将所述第一采样点D_j作为第k+1个分段点待选点，根据所述第k+1个分段点待选点对应的第k+1分段集合、预设的所述第k+1分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第k+1线性化模型；根据所述第k+1线性化模型预测所述输入信号的第k+1预测输出信号，并计算所述第k+1预测输出信号与所述实际输出信号之间的误差；其中，所述第k+1分段集合包含所述输入信号中首个采样点至所述第k+1个分段点待选点之间的采样点；

在所述多个第一采样点中确定对应的误差最小的采样点作为所述第k+1个分段点。

在一种实施方式中，所述处理器502，在根据所述第1个分段点待选点对应的第一分段集合、预设的所述第一分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第一线性化模型时，具体用于：

根据第1个分段点待选点，所述第一分段集合、预设的所述第一分段集合的记忆深度，建立所述第一分段集合对应的分段函数模型；所述第一分段集合对应的分段函数模型用于表征所述第1个分段点待选点、所述第一分段集合、预设的所述第一分段集合的记忆深度之间的对应关系；

根据已建立的所述分段函数模型，对所述功率放大器的线性化模型进行调整，得到第一线性化模型。

在一种实施方式中，所述计算所述第一预测输出信号与所述实际输出信号之间的误差，满足以下公式：y′_(n)表示所述第一预测输出信号，y_n表示所述实际输出信号。

在一种实施方式中，所述功率放大器的线性化模型满足以下公式：

其中，x_n表示输入信号，y_n表示预测输出信号，k表示第k个分段点，M表示记忆深度，β_k表示第k个分段点待选点对应的分段集合。

基于以上实施方式，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被计算机执行时，使得计算机执行图2所示的实施例提供的一种用于线性化模型的分段点确定的方法。

基于以上实施方式，本申请实施例还提供了一种芯片，所述芯片用于读取存储器中存储的计算机程序，实现图2所示的实施例提供的一种用于线性化模型的分段点确定的方法。

基于以上实施方式，本申请实施例提供了一种芯片系统，该芯片系统包括处理器，用于支持计算机装置实现图4所示的实施例中装置的功能。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器用于保存该计算机装置必要的程序和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。

本申请实施例的技术方案中，功率放大器管理设备获取功率放大器的输入信号和对应的实际输出信号，以及确定预设的分段点总数K；其次，依次针对所述输入信号的多个采样点中的每个采样点C_i执行以下步骤，其中，i为1到Q之间的整数，Q为所述多个采样点的个数：将所述采样点C_i作为第1个分段点待选点，根据所述第1个分段点待选点对应的第一分段集合、预设的所述第一分段集合的记忆深度，对所述功率放大器的线性化模型进行调整，得到第一线性化模型；根据所述第一线性化模型预测所述输入信号的第一预测输出信号，并计算所述第一预测输出信号与所述实际输出信号之间的误差；在所述多个采样点中确定对应的误差最小的采样点作为所述第1个分段点；进一步的，依次针对多个第一采样点中每个第一采样点执行与第1分段点相同的步骤，确定第2个分段点，直至确定K个分段点。该方法通过以上分步选取方式确定每个集合对应的最优分段点，减少选取分段点的时长，不仅可以提高选取最优分段点效率，还可以进一步提高分段线性模型的准确性，最终保证功率放大器的功放特性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。