用于数据处理的方法、装置和计算机可读介质

技术领域

本公开的非限制性和示例实施例总体上涉及数据处理技术领域，并且具体地涉及用于训练人工神经网络(ANN)的方法、装置和计算机程序产品。

背景技术

本部分介绍了可以有助于更好地理解本公开的方面。因此，本部分的陈述应当从这一角度来阅读，而不应当被理解为对现有技术中存在的内容或对现有技术中不存在的内容的承认。

现代无线服务需要通过包络信号在幅度以及相位上调制的射频(RF)载波的有效且线性的传输。功率效率和线性度的矛盾的要求对发射器、特别是对其功率放大器(PA)提出了非常严格的要求。

尽管在线性度方面，A类PA是最好的，但是与其他放大类(诸如“AB”、“C”和Doherty放大器)相比，它们的效率相当差。但是，较高的效率会引起较高的非线性度，并且PA输出将会失真，通常会达到无法满足系统性能要求的程度。因此，通常将AB类功率放大器或其他变体与某种合适形式的线性化方案一起使用。

数字预失真(DPD)已经被认为是补偿PA的非线性的一种流行方法。在具有DPD的PA系统中，可以通过对PA的输出进行采样来对PA的传输特性进行建模，并且计算其逆特性。然后，将数字基带信号乘以PA的非线性传输特性的倒数，上变频为RF频率，并且应用于PA输入。以这种方式，DPD引擎可以校正PA的输出失真并且获取较高的效率。

DPD技术的挑战是PA的失真(即，非线性)特性可能随时间、温度和偏置而变化，并且设计正确的预失真算法并不容易。

发明内容

本公开的各种实施例主要旨在提供用于数据处理的方法、装置和计算机存储介质。

在本公开的第一方面，提供了一种数据处理的方法。该方法包括：获得用于训练ANN的输入参考数据和第一输出参考数据；通过抑制第一输出参考数据中的噪声来生成第二输出参考数据；以及基于输入参考数据和第二输出参考数据来训练ANN。

在一些实施例中，生成第二输出参考数据还可以包括：基于输入参考数据和第一输出参考数据，通过多项式拟合生成第二输出参考数据。在一些实施例中，生成第二输出参考数据还可以包括：基于最小二乘(LS)准则来生成第二输出参考数据。

在一些实施例中，生成第二输出参考数据可以包括：基于输入参考数据和第一输出参考数据来分别确定第二输出参考数据的幅度和相位；以及基于所确定的幅度和相位来生成第二输出参考数据。在一些其他实施例中，确定第二输出参考数据的幅度和相位可以包括：基于第一输出参考数据相对于输入参考数据的幅度，通过多项式拟合来确定幅度；以及基于第一输出参考数据相对于输入参考数据的相位，通过多项式拟合来确定相位。

在一些实施例中，生成第二输出参考数据可以包括：基于输入参考数据和第一输出参考数据来分别确定第二输出参考数据的同相分量和正交分量；以及基于所确定的同相分量和正交分量来生成第二输出参考数据。

在一些实施例中，该方法还可以包括：基于经训练的ANN确定要被应用于PA的DPD的参数。在一些实施例中，获得输入参考数据和第一输出参考数据可以包括：获得被输入到PA的训练数据作为输入参考数据；以及获得响应于训练数据而从PA输出的反馈数据作为第一输出参考数据。

在本公开的第二方面，提供了一种用于数据处理的装置。该装置包括：至少一个处理器；以及至少一个存储器，该至少一个存储器包括计算机程序代码；至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使该装置至少：获得用于训练ANN的输入参考数据和第一输出参考数据；通过抑制第一输出参考数据中的噪声来生成第二输出参考数据；以及基于输入参考数据和第二输出参考数据来训练ANN。

在本公开的第三方面，提供了另一用于数据处理的装置。该装置包括：用于获得用于训练ANN的输入参考数据和第一输出参考数据的部件；用于通过抑制第一输出参考数据中的噪声来生成第二输出参考数据的部件；以及用于基于输入参考数据和第二输出参考数据来训练ANN的部件。

在本公开的第四方面，提供了一种计算机程序。该计算机程序包括指令，该指令在由装置执行时使该装置执行根据本公开的第一方面的方法。

在本公开的第五方面，提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序在由设备的至少一个处理器执行时使该设备执行本公开的第一方面的方法。

在本公开的第六方面，提供了一种用于通信的设备。该设备包括：PA；以及DPD，该DPD耦合到PA的输入；其中DPD的参数基于ANN被获得，该ANN利用输入参考数据和输出参考数据被训练；并且其中输出参考数据是通过抑制从PA输出的反馈数据中的噪声被生成的。

附图说明

根据以下参考附图的详细描述，本公开的各个实施例的上述和其他方面、特征和益处将变得更加完全清楚，在附图中，相同的附图标记用于表示相同或等同的元素。附图被示出是为了促进更好地理解本公开的实施例，并且不一定按比率绘制，在附图中：

图1示出了可以在其中实现本公开的实施例的无线通信网络；

图2示出根据本公开的示例实施例的数据处理方法的流程图；

图3示意性地示出了ANN的图；

图4示出了根据本公开的实施例的经由多项式拟合重构干净训练数据的示例；

图5至6示出了根据本公开的实施例的重构干净训练数据的另一示例；

图7示出了根据本公开的实施例的重构干净训练数据的方法的流程图；

图8示出了根据本公开的实施例在基于ANN的PA系统中配置DPD的示例；

图9示出了根据本公开的实施例的基于利用干净数据训练的ANN而配置的DPD的幅度到幅度特性的曲线；

图10示出了没有DPD的PA系统的原始频谱；

图11示出了具有传统DPD的PA系统的频谱；

图12示出了具有根据本公开的实施例而设计的DPD的PA系统的频谱；以及

图13示出了根据本公开的示例实施例的可以用于数据处理的装置的简化框图。

具体实施方式

在下文中，将参考说明性实施例描述本公开的原理和精神。应当理解，所有这些实施例被给出仅为了使得本领域技术人员更好地理解和进一步实践本公开，而不是为了限制本公开的范围。例如，作为一个实施例的一部分而示出或描述的特征可以与另一实施例一起使用以产生又一实施例。为了清楚起见，在本说明书中没有描述实际实现的所有特征。

在说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可以包括特定的特征、结构或特性，但是不必每个实施例都包括特定特征、结构或特性。而且，这样的短语不一定是指相同的实施例。此外，当结合实施例描述特定的特征、结构或特性时，可以认为无论是否明确描述，结合其他实施例影响这样的特征、结构或特性是在本领域技术人员的知识范围内。

应当理解，尽管本文中可以使用术语“第一”和“第二”等来描述各种元素，但是这些元素不应当受这些术语的限制。这些术语仅用于区分一个元素和另一元素。例如，在不脱离示例实施例的范围的情况下，第一元素可以被称为第二元素，并且类似地，第二元素可以被称为第一元素。如本文中所使用的，术语“和/或”包括一个或多个所列术语的任何和所有组合。

本文中所使用的术语仅出于描述特定实施例的目的，而非旨在限制示例实施例。如本文中所使用的，单数形式的“一个(a)”、“一个(an)”和“该(the)”也旨在包括复数形式，除非上下文另外明确指出。将进一步理解，当在本文中使用时，术语“包括(comprises)”、“包括(comprising)”、“具有(has)”、“具有(having)”、“包括(includes)”和/或“包括(including)”指定所述特征、元素和/或组件等的存在，但是不排除一个或多个其他特征、元素、组件和/或其组合的存在或增加。

如在本申请中所使用的，术语“电路系统”可以是指以下一个或多个或全部：

(a)纯硬件电路实现(诸如仅在模拟和/或数字电路系统中的实现)；以及

(b)硬件电路和软件的组合，诸如(如适用)：

(i)(多个)模拟和/或数字硬件电路与软件/固件的组合，以及

(ii)具有软件(包括(多个)数字信号处理器)的(多个)硬件处理器、软件和(多个)存储器的任何部分，这些部分一起工作以使装置(诸如移动电话或服务器)执行各种功能；以及

(c)需要软件(例如，固件)才能操作的(多个)硬件电路和/或(多个)处理器，诸如(多个)微处理器或(多个)微处理器的一部分，但是当操作不需要该软件时，软件可以不存在。

电路系统的这种定义适用于该术语在本申请中的所有使用，包括在任何权利要求中。作为另一示例，如本申请中所使用的，术语“电路系统”也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及其(或它们的)随附软件和/或固件的一部分的实现。术语电路系统还覆盖(例如并且如果适用于特定权利要求元素)用于计算设备的基带集成电路或处理器集成电路。

如本文中所使用的，术语“通信网络”是指遵循任何合适的通信标准的网络，诸如5G、新无线电(NR)、长期演进(LTE)、高级LTE(LTE-A)、宽带码分多址(WCDMA)，高速分组接入(HSPA)等。“通信网络”也可以称为“通信系统”。此外，网络设备之间、网络设备与终端设备之间或通信网络中的终端设备之间的通信可以根据任何适当的通信协议来执行，包括但不限于全球移动通信系统(GSM)、通用移动电信系统(UMTS)、长期演进(LTE)、新无线电(NR)、5G、无线局域网(WLAN)标准(诸如IEEE 802.11标准)、和/或当前已知或将在未来开发的任何其他适当的通信标准。

如本文中所使用的，术语“网络设备”是指通信网络中终端设备经由其接收服务的节点。例如，网络设备可以包括但不限于基站(BS)和节点B(NB)、演进型NB(eNB)、5G NB(gNB)或接入点(AP)等。

术语“终端设备”是指可以能够通信的任何终端设备。作为示例而非限制，终端设备也可以称为通信设备、UE、订户站(SS)、便携式订户站、移动站(MS)或接入终端(AT)。终端设备可以包括但不限于移动电话、蜂窝电话、智能电话、IP语音(VoIP)电话、无线本地环路电话、平板电脑、可穿戴终端设备、个人数字助理(PDA)、便携式计算机、台式计算机、图像捕获终端设备(诸如数码相机)、游戏终端设备、音乐存储和播放设备、车载无线终端设备、无线端点、移动站、笔记本电脑嵌入式设备(LEE)、笔记本电脑安装设备(LME)、USB加密狗、智能设备、无线客户驻地设备(CPE)等。在以下描述中，术语“终端设备”、“通信设备”、“终端”、“用户设备”和“UE”可以互换使用。

作为又一示例，在物联网(IOT)场景中，终端设备可以表示执行监测和/或测量并且将这样的监测和/或测量的结果发送到另一终端设备和/或网络设备的机器或其他设备。在这种情况下，终端设备可以是机器对机器(M2M)设备，在3GPP上下文中可以将其称为机器类型通信(MTC)设备。作为一个特定示例，终端设备可以是实现3GPP窄带物联网(NB-IoT)标准的UE。这样的机器或设备的示例是传感器、计量设备(诸如电表)、工业机械、或者家用或个人电器(例如，电冰箱、电视机、个人可穿戴设备(诸如手表)等)。在其他情况下，终端设备可以代表能够监测和/或报告其操作状态或与其操作相关联的其他功能的车辆或其他设备。

图1示出了可以在其中实现本公开的实施例的示例无线通信网络100。如图1所示，无线通信网络100可以包括一个或多个网络设备(也称为网络节点)，例如，网络设备101，网络设备101可以是eNB或gNB的形式。将理解，网络设备101也可以是NB、基站收发站(BTS)和/或基站子系统(BSS)、AP等的形式。网络设备101向一组终端设备(例如，终端设备102)提供无线电连接性。网络设备101和终端设备102两者配备有发射器和接收器(或收发器)以实现它们之间的通信。

功率放大器(PA)是发射器(或收发器)中的重要组件，并且必须进行精心设计以实现有效的通信。由于高效率，AB类和C类PA已经广泛用于发射器/收发器中。然而，高效率伴随着高非线性度，这可能会引起系统性能下降并且这是不希望的。

通过补偿PA的非线性度，可以改善系统性能。DPD已经被视为用于补偿的候选。在具有DPD的PA系统中，输入信号可以在进入PA之前进行预失真，并且以这种方式，PA输出处的失真可以得到校正。

DPD技术的挑战是PA的失真(即，非线性度)特性可能会改变(例如，随着时间、温度和偏置)，因此，确定DPD操作的适当的参数/算法可能并不容易。

在DPD领域中，用于设计DPD参数/算法的传统方法是使用Volterra级数、其某些变体或Volterra级数与其他技术(例如，正交处理)的组合。但是，这些方法通常非常复杂，并且解决非线性度拟合问题的能力很低。

确定DPD参数的另一种方式是使用反馈机制，即，采样PA的输出信号并且使用它来校正DPD的参数。该机制利用输入训练参考数据和输出参考数据。输出参考数据可以从有噪声和非线性的PA的反馈中收集。利用这种反馈机制，反馈中的噪声可能会引起对PA的传输特性的不正确估计，并且引起不适当的DPD设计。

在本公开的一些实施例中，提出了基于ANN来训练DPD。对于无线发射器的低通等效行为建模，ANN和Volterra级数两者都受到微波领域的特别关注。本公开的发明人已经观察到，ANN具有比Volterra强得多的拟合能力，但是在嘈杂的情况下表现不佳。尽管可以使用某些技术(例如，在ANN中使用的调节)来抑制ANN对噪声的敏感性，但其性能无法满足DPD应用的要求。

为了解决这个问题和其他类似的问题，在本公开的一些实施例中，提出将干净的训练数据用于ANN。利用干净的训练数据，基于DPD的ANN较适合于宽带非线性度应用。

在一些实施例中，可以对原始有噪声的训练数据(其可以从PA的反馈中获得)进行预处理(例如，经由多项式拟合)，以构造新的干净的训练数据。该方案克服了ANN在嘈杂情况下的缺点，同时保持了其非线性度拟合能力的优势。在一些另外的实施例中，可以基于一些优化准则(例如，LS准则)来重构新的训练数据。

作为示例而非限制，在一些实施例中，首先计算输出参考数据相对于输入训练参考数据的幅度(AM)对AM和AM对PM曲线。然后可以使用回归方法(例如，基于LS的多项式拟合)来拟合这些曲线。拟合的多项式可以用于重构没有噪声或抑制噪声并且保持非线性度特性的新的输出参考数据。注意，在一些其他实施例中，很多其他拟合功能(例如，分段拟合)可以用于该目的。

重构的新的输出参考数据用于训练ANN(例如，基于延迟抽头回传(BP)的ANN)，以便确定DPD的适当参数。由于在重构的新的输出参考数据中的得到抑制的噪声，因此可以将ANN中神经元的数目选择为较高，以达到较好的性能而不会引起过度拟合。

为了促进对本文中提出的解决方案的理解，下面将参考图2至13描述一些实施例。

图2示出了根据本公开的实施例的示例方法200。该方法可以由训练装置来实现，该训练装置可以例如在图1中的网络设备101或终端设备102的收发器中实现，或者可以向收发器提供输入。然而，应当理解，方法200也可以由数据处理的其他设备、装置或云来实现。仅出于说明目的而非限制，下面将参考训练装置来描述方法300。

如图2所示，在框210处，训练装置获得用于训练ANN的输入参考数据和第一输出参考数据。注意，实施例不限于ANN的任何特定应用。仅出于说明而非限制的目的，ANN可以用于确定PA中的用于DPD的配置/参数。在这样的实施例中，在框210处，训练装置可以获得被输入到PA的训练数据作为输入参考数据；并且获得响应于训练数据而从PA输出的反馈数据作为第一输出参考数据。

另外，实施例不限于ANN的任何特定结构。仅用于说明，图3示意性地示出了延迟抽头BP ANN的图，然而，应当理解，本公开的实施例不限于此。图3中所示的示例ANN包括多个神经元(在图3中表示为小圆圈)。另外，在输入的神经元中采用抽头延迟线(在图3中由符号v表示)来模拟PA的记忆效应。在图3中，I

在框220处，训练装置通过抑制第一输出参考数据中的噪声来生成第二输出参考数据。在一些实施例中，第一输出参考数据可以从PA的反馈中收集并且可以包括噪声。在这种情况下，输入参考数据与第一输出参考数据之间的关系不能准确地反映PA的传输特性。通过抑制第一输出参考数据中的噪声，在框220处生成的第二输出参考数据较干净并且较适合于训练ANN。

实施例不限于用于抑制第一输出参考数据中的噪声以便在框220处获得干净的第二输出参考数据的任何特定方式。换言之，现在已知的或将来开发的任何适当的预加工(pretreatment)或预处理(preprocessing)可以用于这个目的。在一些实施例中，仅出于说明而没有限制，训练装置可以基于输入参考数据和第一输出参考数据通过多项式拟合来生成第二输出参考数据。例如，在框220处，训练装置可以基于LS准则通过多项式拟合来生成第二输出参考数据。

图4示出了经由多项式拟合重构第二输出参考数据的示例。具体地，示出了第一输出参考数据(在框210处获得，并且可以被称为原始输出)相对于输入参考数据(也在框210处获得并且可以被称为原始输入)的AM-AM曲线410、以及经由对曲线410的多项式拟合而重构的AM-AM曲线420。在图4中，横轴代表输入参考数据的幅度(其在此可以表示为A_I)，并且纵轴代表输出参考数据的幅度(其在此可以表示为A_O)。如图4所示，由于第一输出参考数据中的噪声，形成AM-AM曲线410的黑点被分散。与之相对照，通过对曲线410的多项式拟合而重构的AM-AM曲线420较细，这意味着噪声被抑制。第二输出参考数据可以直接从AM-AM曲线420得出。

备选地或另外地，在一些实施例中，训练装置可以基于输入参考数据和第一输出参考数据分别确定第二输出参考数据的幅度和相位，并且基于所确定的幅度和相位生成第二输出参考数据。

作为示例而非限制，在框220处，训练装置可以基于第一输出参考数据相对于输入参考数据的幅度(例如，基于第一输出参考数据的AM-AM增益曲线)，通过多项式拟合来确定第二输出参考数据的幅度。同样地，训练装置可以基于第一输出参考数据相对于输入参考数据的相位(例如，基于第一输出参考数据的AM-PM增益曲线)，通过多项式拟合来确定第二输出参考数据的相位。

图5至6示出了基于第一输出参考数据的AM-AM增益曲线和AM-PM增益曲线经由多项式拟合重构第二输出参考数据的示例。

具体地，图5示出了第一输出参考数据相对于输入参考数据的AM增益的曲线510、以及第二输出参考数据(其在框220处获得并且可以被称为经重构的训练数据)相对于输入参考数据的AM增益的曲线520。在图5中，横轴代表输入参考数据的幅度(其在此可以表示为A_I)，并且纵轴代表幅度的增益，其可以表示为G_A＝|A_O/A_I|。通过对曲线510的多项式拟合，获得曲线520并且对应地获得第二输出参考数据的幅度。显然，曲线520所示的幅度增益比曲线510所示的更明确，这意味着在被重构的第二输出参考数据中的得到抑制的噪声。

同样，图6示出了第一输出参考数据相对于输入参考数据的PM增益的曲线610、以及被重构的训练数据相对于输入参考数据的PM增益的曲线620。在图6中，横轴代表输入参考数据的幅度(即，A_I)，并且纵轴代表相位增益，其可以表示为G_P＝phase(A_O/A_I)。通过对曲线610的多项式拟合，获得曲线620并且对应地获得第二输出参考数据的相位。显然，曲线620所示的相位增益比曲线610所示的更明确，曲线610还示出了被重构的第二输出参考数据中的得到抑制的噪声。然后，基于图5中第二输出参考数据的幅度和图6中的第二输出参考数据的相位，确定第二输出参考数据，即干净的训练数据。

作为另一备选，在框220处，训练装置可以经由图7中所示的操作700生成第二输出参考数据。具体地，在图7中所示的示例中，在框710处，训练装置可以基于输入参考数据和第一输出参考数据确定第二输出参考数据的同相(I)分量，在框720处，基于输入参考数据和第一输出参考数据确定第二输出参考数据的正交(Q)分量；并且在框730处，基于所确定的I和Q分量生成第二输出参考数据。注意，在一些实施例中，I和Q分量中的每个可以以与参考图4至6描述的方式相似的方式来生成。

现在返回参考图2。在框230处，训练装置基于输入参考数据和在框220处生成的并且比原始的第一输出参考数据更干净的第二输出参考数据来训练ANN。为了说明而非限制，用于训练ANN的准则可以包括最小化目标数据和ANN的输出的平方误差之和。

在一些实施例中，经训练的ANN可以用于确定可以被应用于PA的用于DPD的配置/参数。也就是说，在一些示例实施例中，方法200还可以包括框240，其中训练装置基于经训练的ANN确定用于DPD的配置/参数。

图8示出了根据本公开的实施例的基于ANN在PA系统中配置DPD的示例。例如，可以使用方法200来训练用于配置DPD的ANN。如图8所示，从PA 801的反馈链(其可以包括衰减器802、IQ调制器803以及ADC 804和805)收集的数据被输入到预处理模块806以在进入ANN807之前生成干净的训练数据。输入到预处理模块806的反馈数据可以由I分量I_out和Q分量Q_out表示。例如，预处理模块806可以使用参考方法200的框220描述的操作，使用反馈数据I_out和Q_out作为第一输出参考数据，来生成具有I分量I_out_cln和Q分量Q_out_cln的干净的训练数据。如图8所示，从预处理模块806输出的干净的训练数据与具有I分量I_in和Q分量Q_in的输入参考数据一起被输入到ANN 807，以训练ANN 807。已知的或未来将要开发的任何适当的准则可以用于训练，并且实施例不限于任何特定的训练算法。在一些实施例中，类似于参考方法200的框230描述的操作可以用于训练。

然后，经训练的ANN 807可以用于基于输入参考数据(I_in和Q_in)确定用于DPD808的参数/系数，该输入参考数据可以从PA 801的输入侧获得，例如在IQ调制器809之前。如图8所示，由ANN 807确定的系数(Coeff)的副本被应用于DPD 808。

图9示出了根据本公开的实施例的基于利用干净数据进行训练的ANN而配置的DPD的AM-AM特性。与传统DPD相比，图9所示的DPD的AM-AM特性更准确。

根据本公开的实施例而设计的DPD的准确的传输特性引起PA系统的较好的性能，如图10至12所示。为了比较，图10示出了没有DPD的PA系统的原始频谱。从图10可以看出，带外衰减约为-70dBm，仅比带内响应低约25dBm，这意味着强烈的带外干扰。

图11示出了具有传统DPD的PA系统的频谱。可以看出，带外衰减约为-90dBm，这意味着与图10相比，带外干扰减小了。图12示出了具有根据本公开的实施例而设计的DPD的PA系统的频谱。在这种情况下，带外衰减减小到-100dBm，这意味着与图11所示的具有传统DPD的PA系统相比，带外干扰甚至更低。

尽管参考DPD和PA系统描述了一些实施例，但是应当理解，本文中提出的实施例不限于这样的特定应用场景。取而代之的是，所提出的用于经由预处理来获得用于ANN的干净的训练数据的解决方案可以应用于存在类似问题和/或需要干净的训练数据的任何应用。

注意，在一些实施例中，实现方法200的训练装置可以是ANN的一部分。在另一实施例中，训练装置可以是分开的装置，其可以在需要时连接到ANN。

备选地或另外地，ANN和/或训练装置可以是DPD模块的一部分。在另一实施例中，ANN和/或训练装置仅在需要时才可以连接到DPD模块。

在一些实施例中，ANN、训练装置和/或DPD模块可以是PA系统的一部分。在另一实施例中，ANN、训练装置和/或DPD模块仅在需要时才可以连接到PA系统。

本公开的一些实施例还提出了一种用于通信的设备，该设备可以包括网络设备(例如，图1中的网络设备101)或终端设备(例如，图1中的终端设备102)。用于通信的设备包括PA和DPD，该DPD耦合到PA的输入。另外，DPD的参数基于ANN被获得，该ANN利用输入参考数据和输出参考数据被训练，并且输出参考数据通过抑制从PA输出的反馈数据中的噪声被生成，例如，根据方法200。

图13示出了装置1300的简化框图，该装置1300可以体现在通信设备中/作为通信设备来体现，该通信设备可以包括但不限于网络设备或终端设备。在一些实施例中，装置1300可以与通信设备分开，并且可以在需要时连接到通信设备。

如图13的示例所示，装置1300包括控制装置1300的操作和功能的处理器1310。例如，在一些实施例中，处理器1310可以借助于存储在与其耦合的存储器1320中的指令1330来实现各种操作。存储器1320可以是适合于本地技术环境的任何合适的类型，并且可以使用任何合适的数据存储技术来实现，作为非限制性示例，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、固定存储器和可移动存储器。在一些示例实施例中，存储器1320可以是非瞬态计算机可读介质。尽管在图13中仅示出了一个存储器单元，但是在一些实施例中，装置1300中可以存在多个物理上不同的存储器单元。

处理器1310可以是适合于本地技术环境的任何适当类型，并且作为非限制性示例，可以包括以下一项或多项：通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、中央处理单元(CPU)、现场可编程门阵列(FPGA)、专用电路(ASIC)、GPU(图形处理单元)、NPU(神经网络处理单元)、AI(人工智能)加速器和基于多核处理器架构的处理器。装置1300还可以包括以其任何组合的多个处理器1310。

处理器1310还可以与一个或多个收发器1340耦合，该收发器1340使得能够与其他装置、模块或设备通信。在一些实施例中，处理器1310和存储器1320可以协同操作以实现参考图2至7描述的方法200。应当理解，以上参考图2至12描述的所有特征也可以适用于装置1300，并且因此这里将不详细描述。

本公开的各个实施例可以通过计算机程序或计算机程序产品来实现，该计算机程序或计算机程序产品由以下一项或多项可执行：处理器(例如，图13中的处理器1310)、软件、固件、硬件或其组合。

尽管在DPD和PA的上下文中描述了一些实施例，但是不应当将其解释为限制本公开的精神和范围。本公开的原理和概念可以较普遍地适用于其他应用场景。

另外，本公开还可以提供包含如上所述的计算机程序的载体(例如，图13中的计算机指令/程序1330)。载体包括计算机可读存储介质。计算机可读存储介质可以包括例如光盘或电子存储器设备，诸如RAM(随机存取存储器)、ROM(只读存储器)、闪存、磁带、CD-ROM、DVD、蓝光盘等。

本文中描述的技术可以通过各种部件来实现，使得实现用实施例描述的对应装置的一个或多个功能的装置，不仅包括现有技术部件，还包括用于实现对应装置的一个或多个功能的部件，并且该装置可以包括用于每个分开功能的分开部件、或者可以被配置为执行两个或更多个功能的部件。例如，这些技术可以以硬件(例如，电路或处理器)、固件、软件或其组合来实现。对于固件或软件，实现可以通过执行本文中描述的功能的模块(例如，过程、功能等)来进行。

上面已经参考方法和装置的框图和流程图图示描述了本文中的一些示例实施例。将理解，框图和流程图图示的每个框以及框图和流程图图示的框的组合可以分别通过包括计算机程序指令的各种部件来实现。这些计算机程序指令可以被加载到通用计算机、专用计算机或其他可编程数据处理装置上以产生机器，从而使得在计算机或其他可编程数据处理装置上执行的指令创建用于实现在一个或多个流程图框中指定的功能的部件。

虽然本说明书包含很多特定的实现细节，但是这些不应当被解释为对任何实现或可能要求保护的范围的限制，而应当被解释为对可能特定于特定实现的特定实施例的特征的描述。在分开实施例的上下文中在本说明书中描述的某些特征也可以在单个实施例中组合实现。相反，在单个实施例的上下文中描述的各种特征也可以分开地在多个实施例中或以任何合适的子组合来实现。此外，尽管以上可以将特征描述为以某些组合起作用并且甚至最初如此要求保护，但是在某些情况下，可以从组合中排除来自所要求保护的组合中的一个或多个特征，并且所要求保护的组合可以针对子组合或子组合的变体。

对于本领域技术人员而言很清楚的是，随着技术的进步，本发明构思可以以各种方式来实现。给出上述实施例以用于描述而不是限制本公开，并且应当理解，如本领域技术人员容易理解的，在不脱离本公开的精神和范围的情况下，可以进行修改和变型。这样的修改和变型被认为在本公开和所附权利要求的范围内。本公开的保护范围由所附权利要求书限定。