利用贝叶斯观察分析的阵列天线自适应数字预失真的制作方法

一些示例实施例一般可以涉及移动或无线电信系统，诸如长期演进（lte）或第五代（5g）无线电接入技术或新无线电（nr）接入技术，或其它通信系统。例如，某些实施例可以涉及利用贝叶斯观察分析的阵列天线自适应数字预失真（dpd）技术。

背景技术：

移动或无线电信系统的示例可以包括通用移动电信系统（umts）陆地无线电接入网络（utran）、长期演进（lte）演进的utran（e-utran）、高级lte（lte-a）、multefire、lte-apro和/或第五代（5g）无线电接入技术或新无线电（nr）接入技术。第五代（5g）或新无线电（nr）无线系统是指下一代（ng）无线电系统和网络架构。估计nr将提供大约10-20gbit/s或更高的比特率，并且将至少支持增强型移动宽带（embb）和超可靠低延迟通信（urllc）以及大规模机器类型通信（mmtc）。预期nr将提供极限宽带和超鲁棒、低延迟连接性和大规模联网以支持物联网（iot）。随着iot和机器到机器（m2m）通信变得更加普及，将存在对于满足较低功率、低数据速率和长电池寿命的需要的网络的增长的需要。注意，在5g或nr中，可以向用户装备（即，类似于e-utran中的节点b或lte中的enb）提供无线电接入功能性的节点可以被称为下一代或5g节点b（gnb）。

技术实现要素：

一个实施例可以涉及一种方法，其可以包括从网络元件的阵列天线选择多个贴片元件、确定用于每个贴片元件的准确度置信度值、以及生成阵列天线的系数的集合。此外，可以使用准确度置信度值和系数的集合来生成非线性正向模型的集合体。此外，可以使用非线性正向模型的集合体来生成预失真信号的阵列，并且可以利用来自预失真信号的阵列的对应的预失真信号来配置阵列天线中的每个天线。

在示例实施例中，该方法还可以包括获得用于阵列天线的模型权重。在另外的示例实施例中，选择多个贴片元件可以包括选择至少四个不同的贴片元件。

在示例实施例中，确定准确度置信度值可以是基于阵列天线中的每个天线的构建数据，并且配置可以包括利用预失真信号对阵列天线进行线性化。根据另一示例实施例，确定准确度置信度值可以包括实现贝叶斯公式。

另一实施例可以涉及一种装置。该装置可以包括至少一个处理器，以及包括计算机程序代码的至少一个存储器。至少一个存储器和计算机程序代码可以被配置成利用至少一个处理器来使得该装置至少从网络元件的阵列天线中选择多个贴片元件，确定每个贴片元件的准确度置信度值，以及生成阵列天线的系数的集合。可以进一步使得该装置使用准确度置信度值和系数的集合来生成非线性正向模型的集合体，使用非线性正向模型的集合体来生成预失真信号的阵列，以及利用来自预失真信号的阵列的对应的预失真信号来配置阵列天线中的每个天线。

在示例实施例中，可以使得该装置获得用于阵列天线的模型权重。在另一示例实施例中，可以使得该装置选择至少四个不同的贴片元件。在另外的示例实施例中，确定准确度置信度值可以是基于阵列天线中的每个天线的构建数据。

在示例实施例中，可以使得该装置利用预失真信号对阵列天线进行线性化，并且在确定准确度置信度值时实现贝叶斯公式。

另一实施例可以涉及一种装置，其可以包括被配置成从网络元件的阵列天线中选择多个贴片元件的电路、被配置成确定每个贴片元件的准确度置信度值的电路、以及被配置成生成阵列天线的系数的集合的电路。该装置还可以包括被配置成使用准确度置信度值和系数的集合来生成非线性正向模型的集合体的电路、被配置成使用非线性正向模型的集合体来生成预失真信号的阵列的电路、以及被配置成利用来自预失真信号的阵列的对应的预失真信号来配置阵列天线中的每个天线的电路。

另一实施例可以涉及一种装置，其可以包括用于从网络元件的阵列天线中选择多个贴片元件的器件、用于确定每个贴片元件的准确度置信度值的器件、以及用于生成阵列天线的系数的集合的器件。该装置还可以包括用于使用准确度置信度值和系数的集合来生成非线性正向模型的集合体的器件、用于使用非线性正向模型的集合体来生成预失真信号的阵列的器件、以及用于利用来自预失真信号的阵列的对应的预失真信号来配置阵列天线中的每个天线的器件。

另一实施例可以涉及一种非暂时性计算机可读介质，其可以包括存储于其上的程序指令，以用于执行上述各种实施例中的任何一个或多个的功能。

附图说明

为了正确理解本发明，应当参考附图，其中：

图1图示了根据示例实施例的具有一个观察路径的阵列天线自适应数字预失真（dpd）。

图2图示了根据示例实施例的64-元件天线阵列8x8。

图3图示了根据示例实施例的使用rfic误差向量幅度（evm）的标准高置信度dpd模型。

图4图示了根据示例实施例的间接学习算法（ila）的一般形式。

图5图示了根据示例实施例的基于贝叶斯的高斯过程dpdnxn阵列算法。

图6图示了根据示例实施例的全阵列水平-垂直（hor-ver）2x64元件贴片。

图7图示了根据示例实施例的针对各种过程质量的相对于观察数的置信度水平的图形表示。

图8图示了根据示例实施例的针对各种耦合的观察场景的整个阵列的evm性能。

图9图示了根据示例实施例的针对每个耦合器观察方法的evm的分布。

图10图示了根据示例实施例的otasingle、otasum2、otasum3和otasum4的相当的分布曲线。

图11图示了根据示例实施例的针对耦合的场景的evm的指数分布。

图12图示了根据示例实施例的针对ota观察场景的指数分布。

图13图示了根据示例实施例的相对于用于自适应dpd的观察到的pa的数量、相对于最小二乘误差（ls）（模拟的）和ota（测量的）的evm范围。

图14图示了根据示例实施例的具有贝叶斯置信度区间和wnota的wsum4

图15图示了根据示例实施例的模型导出序列的方法的示例流程图。

图16图示了根据示例实施例的方法的示例流程图。

图17图示了根据示例实施例的装置。

具体实施方式

将容易理解的是，某些示例实施例的部件，如本文中的附图中一般描述和图示的那样，可以以广泛的多种不同的配置来布置和设计。因此，以下对用于利用贝叶斯观察分析的阵列天线自适应数字预失真（dpd）的系统、方法、装置和计算机程序产品的一些示例实施例的详细描述不旨在限制某些实施例的范围，而是代表所选择的示例实施例。

在整个本说明书中描述的示例实施例的特征、结构或特性可以以任何合适的方式在一个或多个示例实施例中组合。例如，在整个本说明书中的短语“某些实施例”、“示例实施例”、“一些实施例”或其它类似语言的使用指代以下事实：结合实施例描述的特定特征、结构或特性可以包括在至少一个实施例中。因此，在整个本说明书中的短语“在某些实施例中”、“示例实施例”、“在一些实施例中”、“在其它实施例中”或其它类似语言的出现不一定全部指代同一组实施例，并且所描述的特征、结构或特性可以以任何合适的方式在一个或多个示例实施例中组合。

另外，如果期望，下面讨论的不同功能或步骤可以以不同的顺序执行和/或彼此同时执行。此外，如果期望，所描述的功能或步骤中的一个或多个可以是可选的或者可以被组合。因此，以下描述应当被认为仅仅是某些示例实施例的原理和教导的说明，而不是对其的限制。

5g基站可以使用有源天线阵列来进行波束形成。诸如等效各向同性辐射功率（eirp）、成本、功率耗散和热生成之类的设计因子可能导致使用数字预失真（dpd）技术来缓和成本和功率耗散方面的问题。

dpd技术可以离线或实时使用。实时dpd也可以被称为自适应dpd，其可能要求使用来自天线阵列中的天线贴片的反馈观察路径。由于在微波（39ghz）下对天线输出进行采样可能是非常困难的，因此在实践中，可以针对dpd观察路径仅对几个输出进行采样。

在对天线输出进行采样时可能出现问题，因为由于诸如焊接空隙、批次间变化以及其它之类的构建过程问题，在阵列内进行采样的仅几个天线可能不是整个阵列的有效表示（具有高置信度）。这可能导致对观察路径的置信度的缺乏，并且因此导致对dpd模型的准确度的置信度的缺乏。因此，需要一种方法来使用构建统计来计算对观察路径的置信度。

图1图示了根据示例实施例的具有一个观察路径的阵列天线自适应dpd。dpd技术的使用可以提供显著的成本和功率耗散的节省。此外，实时dpd可能要求使用可靠的反馈路径来为整个阵列提供可靠的dpd模型。在示例实施例中，用于阵列天线自适应dpd的解决方案可以包括从所有nxn天线输出中进行采样，以提供将要应用于每个nxn放大器的nxndpd模型。然而，这样的方法可能是不实际的。替代的方法可以包括对一个诸如图1中所图示的天线之类的天线进行采样，以提供dpd模型并用于整个阵列。然而，在这样做时，在单个元件观察中可能出现问题，这导致对所提供的模型的准确度的非常低的置信度。在示例实施例中，可以提供通过对n个不同的天线贴片（诸如，例如，n<8）进行采样以实现针对所获取的dpd模型的高达99.9%的置信度来获得观察准确度的高置信度的方法。

如图1中所图示，在有源天线阵列中可以使用多种rfic。该特性可能要求改进的dpd线性化技术来对单个放大器进行线性化。然而，在具有阵列天线的毫米波5g系统中的自适应dpd中的问题是观察（或反馈路径）的方法。通常，可能需要观察路径来对每个放大器的输出进行采样，这可以用于模型估计。由于5g操作频率非常高，诸如例如在39ghz下，所以路径天线元件（其具有其相关联的功率放大器）可以导致高密度布局。此外，添加耦合器以观察输出信号中的每个，并然后将那些观察路由到接收器可能是有问题的。可替代地，有可能使用广播（ota）（或感应）耦合来观察整个阵列的输出。这样的ota可以是一种测量方法，其中通过在距发射天线一定距离处使用接收天线（诸如喇叭式天线）来完成测量（观察），其中远场测量将是有效的。另一方面，感应测量（观察）可以是其中使用放置在发射rfic功率放大器（pa）的输出处的耦合器来完成观察的测量。然而，这里的挑战可能是实时ota方法可能是不实际的。此外，近场观察可能与远场结果具有固有差异。

由于可能产生低置信度实时模型的过程构建问题，因此观察单个或几个元件可能不是实际rfic的真实表示。因此，为了解决有源天线阵列系统中的这样的问题，某些示例实施例可以提供技术以分析从特定观察路径提供的模型的置信度。一旦实现诸如99.8%的高置信度，则模型可以用于生成集合体模型。

图2图示了根据示例实施例的64-元件天线阵列8x8。如图2中所图示的，可以对多个贴片的各种组合进行采样。例如，在示例实施例中，有可能对诸如用于观察路径的贴片（1）、贴片（8）、贴片（57）和贴片（64）之类的三个或四个贴片进行采样。对于贴片选择的标准可以包括观察的相关性。实现有效的统计结果可能促使对具有最大空间间隔的贴片的观察，因此促使不太相关的观察。

一旦进行了观察，使用利用等式（1）和（2）中所示的贝叶斯定理的初始构建统计和条件概率，有可能相对于使用标准射频集成电路（rfic）平台获取的模型来计算该观察的置信度水平。例如，图3图示了根据示例实施例的使用rfic误差向量幅度（evm）的高置信度dpd模型。利用等式（1）和（2）的观察相对于使用图3中所图示的rfic平台获取的模型的置信度水平可能非常高，在大约99.9%的范围内。如公式（1）和（2）中所示，h和e分别表示假设和事件。最终，在例如三次或四次观察之后，每个下一个观察的置信度水平可以指数地向99.9%增加。

在一个示例实施例中，仅使用基于贝叶斯统计的四个观察，dpd模型可以具有高精确度的置信度水平。然而，在其它实施例中，基于贝叶斯统计的观察的数量可以变化，并且可以多于或少于四个观察。示例实施例可以提供一种分析方法，以使用几个观察、而不是对有源天线阵列中使用的整个功率放大器进行采样来实现实时dpd建模中的高置信度。

图4图示了根据示例实施例的间接学习算法（ila）的一般形式。ila算法可以旨在用于单个放大器线性化。在示例实施例中，ila算法的变型可以是基于贝叶斯统计分析，该贝叶斯统计分析可以适合于rfic阵列的线性化，并且可以在有源天线阵列中使用。

图5图示了根据示例实施例的基于贝叶斯的高斯过程dpdnxn阵列算法。具体地，图5图示了ila的一般形式，以及使用标准rficevm导出用于单个pa的正向模型。此外，可以分析使用贝叶斯统计的观察路径的置信度水平，并且可以提供用于单个pa元件的适当模型以在相对于ota（测量的sa）最小化残余evm的同时维持evm（离线ota）。由于阵列天线可以包括多个pa，并且用于每个pa的模型可以稍微不同于其它pa，所以用于阵列的整体模型可以包含未校正的残余误差（evm）。在某些示例实施例中，所获得的残余误差可以为大约0.5%到1%。在某些示例实施例中，期望的残余误差可以是0%。

此外，如图5中所图示，可以提供贝叶斯块的内部结构，并且可以生成nxn高斯过程系数的集合。图5还图示了使用具有nxn高斯系数的基于贝叶斯的正向模型来生成高斯非线性正向模型的集合体。例如，在示例实施例中，在每次迭代中，一旦基于贝叶斯方法获得单个pa模型系数，则可以对应地生成相关高斯集合，并且可以将结果与ota进行比较。在示例实施例中，可以使用高斯正向模型的集合体来生成预失真信号的nxn阵列。例如，在每次迭代中，一旦获得用于单个pa的基于贝叶斯的模型，就可以计算相关的预失真信号和高斯集合体。

在示例实施例中，可以提供伏尔特拉级数非线性建模技术的导出，其考虑多项式阶数k和存储器长度q&m。这里，q和m可以分别表示用于线性项和幂项的存储器深度（延迟抽头深度）。rfic放大器的正向模型ŷ[n]的估计可以导出如下：

在等式（3）中，k为幂项（非线性项）的阶数，q为用于线性项的存储器延迟抽头长度，m为用于非线性项的存储器延迟抽头长度，并且“a2k+1，q，m”表示用于每个项的模型系数。

等式（3）提供了放大器模型的系数a2k+1，q，其在此被称为ŵ。可以使用矩阵求逆来获得逆模型系数ŵ^-1。然而，在某些示例实施例中，间接学习方法可以用于逆模型估计。

根据示例实施例，可以提供基于贝叶斯的模型观察验证过程。例如，可以提供利用使用贝叶斯统计的观察的置信度水平分析的用于5g基站的自适应dpd阵列算法。在一些示例实施例中，可以将从单独的pa（进行的观察路径）提供的模型相对于从ota测量的结果获得的模型进行比较。然后，有可能自适应地维持相对于ota表征的相当的性能（evm）。

图6图示了根据示例实施例的全阵列水平-垂直（hor-ver）2x64元件贴片。考虑图6中所图示的阵列天线，尽管可以选择贴片元件的各种组合，但是可以选择hor的贴片元件（25）、（8）和ver的贴片元件（57）、（40）以用于观察路径。这可以提供元件之间的几乎最大的空间距离，这可以表明观察到的信号不太相关。在示例实施例中，执行贝叶斯分析可能要求对受争论的过程的先验知识。该信息可以通过考虑构建数据（包括例如x射线、rfic批次历史、缺陷比等）从若干种方法中导出。一旦完成了对每个贴片的观察，就可以针对观察的不确定性来检查所获得的模型的准确度置信度，该不确定性进而可以利用考虑过程不确定性、测量装备和最终测量不确定性来计算，假定它们是独立的，该最终测量不确定性可以服从均方根（rss）。这返回如下所示的不确定性σt，其中σt是总不确定性，σp是过程，并且σm是测量不确定性。

使用贝叶斯公式，可以如下计算后验知识：

在此，p(h)表示观察为正确的概率，p(e)表示测试结果为正的概率，p(-h)表示观察为错误的概率，以及p(-e)表示测试结果为负的概率。

在一个实施例中，先验知识的初始猜测可以来自构建过程（例如，过程产率=70%）。此外，从表1中所示的模拟结果（sum4确定性）获得的观察确定性可以是约0.621。该等式可以产生如下的后验知识：

表1：观察的置信度（pa的阵列呈现具有指数分布的evm发生）

根据一个示例实施例，在等式（6）中所示的第一观察处，观察/模型可能只有约79%的机会为真。接下来，来自反馈点（sum4）的观察可以为如下：

在另一个示例实施例中，在等式（7）中所示的第二观察处，观察/模型可能只有约86%的机会为真。在另外的示例实施例中，下一观察可以来自反馈点，这可以导致等式（8）中所示的以下内容：

如等式（8）中所示，在第三观察处，观察/模型有约91.1%的机会为真。在另一示例实施例中，来自反馈点的第四观察可以导致如公式（9）中所示的以下内容：

如等式（9）中所示，在第四观察中，观察/模型可能有约94.39%的机会为真，这是观察/模型准确度的高置信度水平。在示例实施例中，上述四个不同的观察可以以不同的频率执行。可替代地，在另一示例实施例中，可以使用不同的测试信号来执行四个不同的观察，以便使它们尽可能独立。

图7图示了根据示例实施例的针对各种过程质量的相对于观察数的置信度水平的图形表示。如图7中所图示的，dpd观察置信度分析使用贝叶斯统计。图7还图示了范围从80%测量确定性到98%测量确定性的结果。图7还图示了具有98%确定性的过程仅需要三个观察，而具有80%确定性的损耗过程需要八个观察以实现dpd建模的类似置信度水平。

根据实施例，有可能获得耦合器观察方法相对于ota方法的结果。虽然在实际环境中，实时自适应dpd可能仅利用耦合器观察方法，并且ota方法将是不实际的，但是某些示例实施例可以提供一方法，通过该方法，利用耦合器观察的自适应dpd将以高置信度产生与通过ota方法获得的evm结果相当的evm结果。在示例实施例中，可以针对具有单个pa、两个、三个和四个pa反馈路径的耦合器观察路径执行模拟。可以获得整个阵列的单独的pa的evm性能以及针对每个场景的ota性能。这样的性能分别在图8至13中图示。

图8图示了根据示例实施例的针对各种耦合的观察场景的整个阵列的evm性能。特别地，图8图示了针对各种耦合的观察场景的整个阵列的evm性能。在某些示例实施例中，观察场景可以分别包括但不限于：单个pa；2个pa的总和；3个pa的总和；4个pa的总和。此外，图8图示了evm扩展，并且在每个场景下是否使用ota观察路径。从图8中可以看出，ota观察路径在每种场景下都呈现优良的性能。

图9图示了根据示例实施例的针对每个耦合器观察方法的evm的分布。特别地，图9图示了针对分别包括例如单个、sum2、sum3和sum4的每个耦合器观察方法的evm的分布。如从图9中可以看出，sum4呈现指数分布，并具有在所有中最低的平均值。在示例实施例中，一旦ota观察方法用于单个、sum2、sum3和sum4，就可以获得相当的分布曲线。

图10图示了根据示例实施例的otasingle、otasum2、otasum3和otasum4的相当的分布曲线。此外，图11图示了根据示例实施例的针对耦合的场景的evm的指数分布。特别地，图10图示了从观察用于单个、sum2、sum3和sum4的ota观察方法中获得的相当的分布曲线。ota示出比耦合器观察的平均值低得多的平均值，这强调了ota方法相对于来自pa的几个耦合器观察的优越性。查看otasum4的分布结果，报告为1.611的evm平均值（1/λ）在其它实验中是最小的。

根据示例实施例，图12图示了针对耦合的场景的evm的指数分布，并且图12图示了针对ota观察场景的指数分布。此外，图13图示了根据示例实施例的相对于用于自适应dpd的观察到的pa的数量、相对于最小二乘误差（ls）（模拟的）和ota（测量的）的evm范围。从指数分布的性质中可以导出方差（1/λ^2）。在示例实施例中，可以计算这些实验的确定性参数。这些参数列于表1中，其可以用于这些实验的贝叶斯分析，包括例如情况#4，其为sum4。在示例实施例中，从贝叶斯分析中获得的置信度水平可以用于计算最终校正因子，其稍后可以应用于通过针对ota的耦合器观察实现的模型权重。

参考图5，使用ota观察路径，可以获得用于阵列的最佳模型权重（wota），并将其保存在非易失性存储器（nvm）中。然后，使用耦合的sum4路径，可以获得次优模型权重（wsum4）并将其保存到nvm中。在示例实施例中，校正因子可以从两个模型权重之间的比率中导出，并且校正因子可以应用于耦合器模型权重wsum4。此外，可以考虑来自贝叶斯分析的置信度水平，其可以是94.4%四舍五入到大约95%。通过将置信度水平乘到校正因子中，可以获得用于耦合的wsum4模型权重的下界和上界，如图14中所示。在示例实施例中，可以根据等式（9）来计算置信度水平，其中所得到的数可以乘以wn值。特别地，图14图示了根据示例实施例的具有贝叶斯置信度区间和wnota的wsum4。

根据示例实施例，所有模型权重wota、wsum4、wsum4l、wsum4h可以被保存到nvm中以在操作期间使用。根据某些示例实施例，可以实时基于所得到的性能度量（在这种情况下为误差向量幅度，evm）来使用权重。可以选择相对于ota方法产生最低evm残余的权重的集合。在操作期间，可以内插下界与上界之间的权重的适当集合，并且以查找表（lut）的形式使用。

在示例实施例中，可以在执行基于贝叶斯的验证之后执行高斯产率过程建模。对于在诸如39ghz之类的5g频率下的阵列天线，自适应dpd中的挑战可能是观察路径。这可能是由于许多原因引起的，这些原因包括例如因为otaevm性能不同于单独的paevm。这可能是pa的阵列、多输入多输出/单输入单输出（mimo/siso）所固有的。因此，自适应地优化单个pa可能不一定优化pa的集合体（ota）。另一个原因可能是39ghz下的所有pa上进行的观察路径（即，耦合器）可能是不实际的。因此，如果不是不可能的话（考虑到所需的现场可编程门阵列（fpga）资源），所有单独的pa的自适应dpd优化可能是极其困难的。

根据某些示例实施例，可以提供用于阵列天线的自适应dpd算法。用于阵列天线的自适应dpd算法可以使用少量pa输出进行的观察路径。在一个示例实施例中，pa输出进行的观察路径的数量可以高达四个。

在某些示例实施例中，自适应dpd算法可以包括设计阶段和生产/现场试验阶段。在设计阶段中，阵列天线的ota离线dpd表征可以处于开环模式中。当在开环模式时，可以使用频谱分析仪（图5，观察的ota路径）读取ota信号。此外，可以提供ota模型权重，并且可以生成ota预失真。然后，可以将ota预失真权重应用于fpga，以对pa的阵列（图5，u[n]）进行线性化。接下来，可以迭代读取ota信号、提供ota模型权重（对应于wota的ota权重）和生成ota预失真、以及将ota预失真权重应用于fpga的步骤（在每次迭代中，可以基于贝叶斯方法进行新的观察），以维持离线获得的原始evm并且以使相对于来自ota的evm的残余evm最小化。

在一个示例实施例中，设计阶段还可以包括闭环模式，其使用来自1、2、3和4个pa（图5，贝叶斯块，obs1到obs4）的进行的观察。在闭环模式中，可以获得单独的模型权重并将其适配成维持在开环模式中获得的otaevm结果。可以针对其它pa来重复该步骤，以基于图7中的贝叶斯统计获取高置信度。

根据示例实施例，可以估计模型权重以满足某些条件。一个条件可以是维持otaevm。另一条件可以是最小化残余evm。可以通过将贝叶斯置信度与进行的权重/ota权重相乘来最小化残余evm。第三条件可以是最终标准是所监测的otaevm。因此，经适配的观察权重在每个迭代中跟踪otaevm。在某些示例实施例中，模拟示出随着自适应dpd期间的观察的数量增加，evm结果接近从ls标准中获得的权重的evm结果。4个观察的反馈的总和提供了与ls相当的evm，其具有对于来自ota方法（图13）的evm的残余误差wrt。此外，可以对应地利用系数的集合∑ŵ来更新nvm。

如上所述，自适应dpd算法还可以包括生产/现场试验阶段。在此阶段中，在设计阶段期间生成的dpd权重的集合可以加载到fpga中，包括：离线ota权重，其在启动时为整个阵列提供最佳evm性能。dpd权重的集合还可以被加载到fpga中，包括进行的观察更新的权重的集合。此外，在生产/现场试验阶段，可以在生产期间使用sa&matlab提供基线dpd模型来执行室ota表征。

使用单个pa的观察反馈，可以生成高斯权重的集合。例如，一旦通过贝叶斯方法获得权重，则这些权重将被乘到高斯系数中。高斯权重的集合的生成可以在fpga中自适应地生成，同时维持evm接近otaevm（图5中观察的ota）。在示例实施例中，上述贝叶斯理论还可以示出如下模拟：随着所使用的观察的数量，evm呈现出通过ls标准获得的、并且来自ota方法的evm。

图15图示了根据示例实施例的模型导出序列的方法的示例流程图。在101处，ota可以用于观察路径，并且matlab可以用于获得模型权重wota并将模型权重加载到nvm中。在105处，耦合器sum4观察的路径可以用于获得sum4模型权重并将其保存到nvm中。在110处，sum4模型权重和ota模型权重可以用于计算乘法因子。例如，最终度量可以是ota的evm性能。因此，可以更新sum4权重，使得所得到的evm变得接近通过ota方法获得的evm。因此，可以通过比较ota权重和sum4权重来计算乘法数。在115处，通过贝叶斯分析获得的置信度可以用于使用应用到wota权重中的乘法因子来计算新的wsum4l/h耦合的模型权重。在120处，新的wsum4l、wsum4h可以被存储到nvm中并且内插在低/高界之间，并且将对应的lut保存到nvm中。

根据某些示例实施例，在实验已经在若干个高斯权重的集合上重复了若干次之后，在每次试验下的evm变化的范围（最大-最小）可以减小。此减小可以归因于用于权重生成的较大数量的观察的路径。这在图9中图示，其中每个观察1、2、3和4的数量的evm箱线图逐渐变小，同时使每个试验下的变化的范围最小化。在示例实施例中，模拟示出了使用四个观察的路径提供与ls标准的evm结果相当的evm结果。同时，其与从ota观察方法中得到的evm相当。

如图9所图示的，使用几个观察路径的自适应dpd可能不是最优解决方案，并且平均残余误差evm可能以约2%-2.5%（最大evm界限可能更高）存在。此外，图13图示了ota观察方法具有约1%的残余误差。如由贝叶斯验证所示，较大数量的观察路径（多达4个）可以产生足够的置信度（图9和图13）。这可以在观察#4处产生较小的界限，其接近于来自ota方法的evm的界限。

在某些示例实施例中，对阵列大小为16的模拟可以示出，自适应dpd最小化evm残余（其可以以约94%的高置信度重复），其中evm与ota的evm相当。另外，根据其它示例实施例，使用四个观察的路径的自适应闭环dpd可以产生约2%的总evm。虽然不是最佳的，但它在高置信度方面是可接受的。

图16图示了根据示例实施例的方法的示例流程图。在某些示例实施例中，图16的流程图可以由网络节点（诸如基站、节点b、enb、gnb或任何其它接入节点）或云配置中的一个或多个服务器来执行。某些示例实施例可以被配置成执行如由在上文和下文详细讨论的图3和17中所图示的装置执行的方法。

具体地，如图16中所图示的，该方法可以包括：在201处，从网络元件的阵列天线中选择多个贴片元件。在示例实施例中，可以选择四个贴片元件。在另一示例实施例中，可以选择八个或更少的贴片元件。用于贴片选择的标准可以包括观察值的相关性，并且实现有效的统计结果。在示例实施例中，可以以最大空间间隔来观察贴片，这导致不太相关的观察。

在一个示例实施例中，该方法还可以包括：在205处，确定每个贴片元件的准确度置信度值。在实施例中，可以基于阵列天线的每个天线的构建数据来确定准确度置信度值。构建数据可以包括但不限于x射线、rfic批次历史、缺陷比等。在另一示例实施例中，可以通过实现贝叶斯公式来执行准确度置信度值的确定。

根据示例实施例，该方法还可以包括：在210处，生成天线阵列的系数的集合。另外，根据另一示例实施例，该方法可以包括：在215处，使用准确度置信度值和系数的集合来生成非线性正向模型的集合体。该方法还可以包括：在220处，使用非线性正向模型的集合体来生成预失真信号的阵列。然后，该方法可以包括：在225处，利用来自预失真信号的阵列的对应的预失真信号来配置阵列天线中的每个天线。在另一示例实施例中，该配置可以包括利用预失真信号来对阵列天线进行线性化。

该方法可以进一步包括：在230处，从阵列天线获得模型权重。在示例实施例中，模型权重可以被保存到nvm中并且在操作期间使用，并且预失真信号可以使用模型权重来生成。

图17图示了根据示例实施例的装置。特别地，图17图示了根据示例实施例的装置10。在示例实施例中，装置10可以是通信网络中或服务这样的网络的节点、主机或服务器。例如，装置10可以是基站、节点b、演进节点b（enb）、5g节点b或接入点、下一代节点b（ng-nb或gnb）wlan接入点，移动性管理实体（mme）和/或与无线电接入网络（诸如lte网络、5g或nr或可能受益于等效过程的其它无线电系统）相关联的订阅服务器。

应当理解，在一些示例实施例中，装置10可以包括用作分布式计算系统的边缘云服务器，其中服务器和无线电节点可以是经由无线电路径或经由有线连接来彼此通信的独立装置，或者其可以位于经由有线连接来通信的相同实体中。例如，在装置10表示gnb的某些示例实施例中，其可以被配置在划分gnb功能性的中央单元（cu）和分布式单元（du）架构中。在这样的架构中，cu可以是包括诸如用户数据的传送、移动性控制、无线电接入网络共享、定位和/或会话管理等之类的gnb功能的逻辑节点。cu可以通过前传接口来控制（一个或多个）du的操作。取决于功能拆分选项，du可以是包括gnb功能的子集的逻辑节点。应当注意，本领域的普通技术人员将理解，装置10可以包括图17中未示出的部件或特征。

如图17的示例中所图示的，装置10可以包括用于处理信息并执行指令或操作的处理器12。处理器12可以是任何类型的通用或专用处理器。实际上，作为示例，处理器12可以包括通用计算机、专用计算机、微处理器、数字信号处理器（dsp）、现场可编程门阵列（fpga）、专用集成电路（asic）和基于多核处理器架构的处理器中的一个或多个。虽然图17中示出了单个处理器12，但是根据其它示例实施例，可以利用多个处理器。例如，应当理解，在某些示例实施例中，装置10可以包括可以形成可以支持多处理的多处理器系统（例如，在这种情况下，处理器12可以表示多处理器）的两个或多个处理器。在某些示例实施例中，多处理器系统可以是紧密耦合的或松散耦合的（例如，以形成计算机簇）。

处理器12可以执行与装置10的操作相关联的功能，该功能可以包括例如天线增益/相位参数的预编码、形成通信消息的单独的位的编码及解码、信息的格式化以及包括与通信资源的管理相关的过程的装置10的整体控制。

装置10可以进一步包括或耦合到至少一个存储器14（内部或外部），该存储器14可以耦合到处理器12，以用于存储可以由处理器12执行的信息和指令。存储器14可以是一个或多个存储器并且是适合于本地应用环境的任何类型，并且可以使用任何合适的易失性或非易失性数据存储技术来实现，诸如基于半导体的存储器设备、磁存储器设备和系统、光学存储器设备和系统、固定存储器和/或可移除存储器。例如，存储器14可以包括随机存取存储器（ram）54、只读存储器（rom）44、非易失性存储器、诸如磁盘或光盘之类的静态存储装置、硬盘驱动器（hdd）或任何其它类型的非暂时性机器或计算机可读介质的任何组合。例如，在实施例中，装置10可以包括非易失性介质64。在实施例中，非易失性介质64可以是可移动介质。存储器14和/或介质64可以存储软件、计算机程序代码或指令。存储在存储器14或介质64中的指令可以包括当由处理器12执行时使得装置10能够执行如本文中所述的任务的程序指令或计算机程序代码。

在一个示例实施例中，装置10还可以包括或耦合到（内部或外部）驱动器或端口，该驱动器或端口被配置成接受和读取外部计算机可读存储介质，诸如光盘、usb驱动器、闪存驱动器或任何其它存储介质。例如，外部计算机可读存储介质可以存储用于由处理器12和/或装置10执行的计算机程序或软件。

在一些示例实施例中，装置10还可以包括或耦合到一个或多个天线15，以用于向装置10发射信号和/或数据以及从装置10接收信号和/或数据。装置10还可以包括或耦合到被配置成发射和接收信息的收发器18。收发器18可以包括例如可以耦合到（一个或多个）天线15的多个无线电接口。无线电接口可以对应于多种无线电接入技术，其包括gsm、nb-iot、lte、5g、wlan、bt-le、射频标识符（rfid）、超宽带（uwb）、multefire等中的一个或多个。无线电接口可以包括诸如滤波器、转换器（例如、数模转换器等）、映射器、快速傅里叶变换（fft）模块等的部件，以生成用于经由一个或多个下行链路的传输的码元并接收码元（例如，经由上行链路（ul））。收发器18可以包括用于下转换和/或上转换rf信号的一个或多个rf链，例如包括双工器、前端rf放大器、混频器、滤波器、压控振荡器等，其中的部分或全部的激活可以根据示例实施例被激活。

因此，收发器18可以被配置成将信息调制到载波波形上以供由（一个或多个）天线15传输，并且解调经由（一个或多个）天线15接收的信息以供由装置10的其它元件进一步处理。在其它示例实施例中，收发器18可以能够直接发射和接收信号或数据。附加地或可替代地，在一些示例实施例中，装置10可以包括输入和/或输出设备（i/o设备）。

在一个示例实施例中，存储器14可以存储当由处理器12执行时提供功能性的软件模块。模块可以包括例如为装置10提供操作系统功能性的操作系统。存储器还可以存储一个或多个功能模块，诸如应用或程序，以为装置10提供附加功能性。装置10的部件可以以硬件或作为硬件和软件的任何合适的组合来实现。

根据一些示例实施例，处理器12和存储器14可以被包括在处理电路或控制电路中，或者可以形成处理电路或控制电路的部分。此外，在一些示例实施例中，收发器18可以被包括在收发电路中或者可以形成收发电路的部分。

如本文中所使用的，术语“电路”可以指代仅硬件电路实现方式（例如，模拟和/或数字电路）、硬件电路和软件的组合、模拟和/或数字硬件电路与软件/固件的组合、一起工作以使得装置（例如，装置10）执行各种功能的（一个或多个）硬件处理器与软件（包括数字信号处理器）的任何部分、和/或（一个或多个）硬件电路和/或（一个或多个）处理器、或使用软件以用于操作但是其中当不需要该软件以用于操作时该软件可能不存在的（一个或多个）硬件电路和/或（一个或多个）处理器的部分。作为另外的示例，如本文中所使用的，术语“电路”还可以覆盖仅硬件电路或处理器（或多个处理器）、或硬件电路或处理器的部分，以及其所附的软件和/或固件的实现方式。术语电路还可以覆盖例如服务器、蜂窝网络节点或设备、或其它计算设备或网络设备中的基带集成电路。

如上所述，在示例实施例中，装置10可以是网络节点或ran节点，诸如基站、接入点、节点b、enb、gnb、wlan接入点等。根据示例实施例，装置10可以由存储器14和处理器12控制以执行与本文中所述的任何示例实施例相关联的功能，诸如图15和16中所图示的流程图。另外，在某些实施例中，装置10可以包括或实现图1-14中所图示的系统。在示例实施例中，例如，装置10可以被配置成执行用于自适应dpd的过程。

例如，在一些示例实施例中，装置10可以由存储器14和处理器12控制，以从网络元件的阵列天线中选择多个贴片元件、确定每个路径元件的准确度置信度值、并生成阵列天线的系数的集合。在示例实施例中，可以选择四个贴片元件。在另一示例实施例中，可以选择八个或更少的贴片元件。用于贴片选择的标准可以包括观察的相关性，并且实现有效的统计结果。在示例实施例中，可以以最大空间间隔来观察贴片，这导致不太相关的观察。

在示例实施例中，装置10可以由存储器14和处理器12控制以确定每个贴片元件的准确度置信度值。在实施例中，可以基于阵列天线的每个天线的构建数据来确定准确度置信度值。构建数据可以包括但不限于x射线、rfic批次历史、缺陷比等。在另一示例实施例中，可以通过实现贝叶斯公式来执行准确度置信度值的确定。

根据示例实施例，装置10可以由存储器14和处理器12控制以生成天线阵列的系数的集合。另外，根据另一示例实施例，装置10可以由存储器14和处理器12控制，以使用准确度置信度值和系数的集合来生成非线性正向模型的集合体。装置10还可以由存储器14和处理器12控制，以使用非线性正向模型的集合体来生成预失真信号的阵列。然后，装置10可以由存储器14和处理器12控制，以利用来自预失真信号的阵列的对应的预失真信号来配置阵列天线中的每个天线。在另一示例实施例中，该配置可以包括利用预失真信号来对阵列天线进行线性化。

在另一示例实施例中，装置10可以由存储器14和处理器12控制以从阵列天线获得模型权重。根据示例实施例，模型权重可以被保存到nvm中并且在操作期间使用，并且预失真信号可以使用模型权重来生成。

以上实施例可以供给对网络的功能和/或对网络内的网络实体或与网络通信的用户装备的功能的显著的改进。例如，以上示例实施例可以提供dpd技术以缓和在使用有源天线阵列以进行波束形成的5g基站中的成本和功率耗散方面的问题。以上示例实施例还可以仅使用基于贝叶斯统计的四个观察来提供具有准确度的高置信度水平的dpd模型。例如，如上所述，图8图示了具有98%确定性的过程仅需要三个观察，而具有80%确定性的损耗过程需要八个观察以实现dpd建模的类似置信度水平。

根据以上示例实施例，可以提供自适应dpd阵列算法。在dpd训练阶段期间，自适应dpd阵列算法可以使用几个进行的观察路径来学习如何维持离线获得的原始evm。然后，实时地，在闭环操作中，在维持原始otmevm的伪实时（闭环）中更新模型权重（高置信度），同时相对于ota方法最小化残余evm。

根据以上示例实施例，还有可能以较小的回退功率运行rfic放大器。例如，结合dpd可以允许rfic以较高的功率（较小的回退）运行，这进而可以使得有可能关闭获得相同eirp的一些rfic。由于一些rfic可能被关断，这导致较低的dc功率耗散。因此，有可能在使用几个rfic放大器维持eirp的同时减少功率耗散/热生成。这进而降低了成本（rfic在诸如39ghz之类的5g频率下进行操作），同时改进了性能和可靠性。

作为由以上示例实施例提供的功率和成本节省的示例，并且参考图5，当pout=6dbm时，由于dpd线性化，因此存在约1到2db的功率扩展。这转化为减少rfic的数量和功率耗散，如下所述。例如，如果考虑1db功率扩展，则。此外，如果考虑2db功率扩展，则。因此，使用dpd线性化使得有可能节省功率并将rfic的数量减少到约79%至约89%之间。

考虑到典型的单极性阵列通常使用总计256个有源元件，其通常需要64个实际rfic，将设备的数量减少10%到20%可以提供显著的成本节省。另外，在功率节省方面，每个单极性阵列天线的典型功率耗散对于tx天线通常可以是大约100w，并且对于rx天线通常可以是大约100w。因此，可以预期每个双极性无线电的功率节省为2x100wx(1–0.89)=22w或2x100wx(1–0.79)=42w的功率节省。

在整个本说明书中描述的某些实施例的特征、结构或特性可以以任何合适的方式在一个或多个实施例中组合。例如，在整个本说明书中的短语“某些实施例”、“一些实施例”、“其它实施例”或其它类似语言的使用指代以下事实：结合实施例描述的特定特征、结构或特性可以被包括在本发明的至少一个实施例中。因此，在整个本说明书中的短语“在某些实施例中”、“在一些实施例中”、“在其它实施例中”或其它类似语言的出现不一定指代同一组实施例，并且所描述的特征、结构或特性可以以任何合适的方式在一个或多个实施例中组合。

本领域普通技术人员将容易理解，如上所述的本发明可以用以不同顺序的步骤和/或用不同于所公开的配置中的硬件元件的配置中的硬件元件来实践。因此，虽然已经基于这些优选实施例描述了本发明，但是对于本领域技术人员显而易见的是，某些修改、变化和替代构造将是显而易见的，同时仍保持在本发明的精神和范围内。虽然以上实施例涉及5gnr和lte技术，但是以上实施例还可以应用于任何其它当前或未来的3gpp技术，诸如高级lte和/或第四代（4g）技术。

部分术语表

dpd数字预失真

eirp等效各向同性辐射功率

enb增强节点b（lte基站）

evm具有存储器的误差向量幅度

fft快速傅里叶变换

gnb5g或nr基站

ila间接学习算法

ls最小二乘误差

lte长期演进

lut查找表

mimo多输入多输出

nr新无线电

nr-u未经许可的新无线电

ota广播

pa功率放大器

rf射频

rfic射频集成电路

siso单输入单输出

ue用户装备

ul上行链路