用于检测和校正无源互调（PIM）的方法和装置

技术领域

本公开涉及无源互调检测和校正。

背景技术

无源互调(PIM)是信号干扰的一种形式，它可以由金属元件引起，也可以由无线网络中共享相同下行链路(DL)路径的两个或多个载波引起。

PIM是蜂窝网络运营方面临的日益严重的问题。PIM问题可能会随着现有设备的老化、在共址新的载波时、或在安装新设备时出现。在将新的载波叠加(双工)到旧的天线运行中时，PIM是一个特别的问题。

随着新的第五代(5G)技术和基础设施的引入，PIM已变得更加具有挑战性。具有共址技术可能会造成干扰，并可能显著恶化网络容量和覆盖范围。事实上，根据普遍估计，由于PIM导致的上行链路灵敏度下降1分贝(dB)能够降低宏观网络中高达11％的无线覆盖范围。不出所料，移动运营方已将减少小区站点上的PIM作为他们推出5G网络的首要任务之一。

为了减少或控制无线电站点中的PIM影响，几种PIM对消技术已经在过去被提出及实施，通过硬件聚焦(诸如使用复合材料而不是金属材料)或软件聚焦(使用用于PIM对消的算法)。

由于PIM发生的动态非线性特性，在实时流量中应用PIM对消的成功(诸如在多个载波的情况下)必须依赖于算法的方法。但是，要使PIM对消算法起作用，需要准确、高效、快速地检测PIM。

爱立信专利申请WO2017/072552(其全部内容通过引用被包括在本文)描述了一种用于检测无线通信基站中的PIM信号的方法和系统。

图1提供了这种系统的概述，其中宽带天线接收来自不同天线以及其他PIM源(诸如金属材料)的所有信号。PIM检测系统挑选信号并进行分析，然后决定是否发生了PIM。PIM检测系统的输出被给到PIM对消算法，以减少PIM对相应无线电站点的影响。图1呈现了示例无线通信系统20的框图，其包括具有无线电12a和天线13a的基站17。系统20还包括无线设备14、网络16和至少一个PIM源18。基站17还包括宽带天线22和PIM检测系统24。PIM检测系统24经由(多个)宽带天线22接收来自内部无线电12a经由天线13、来自外部无线电12c的发送器33、以及来自PIM源18的信号。无线电1、12a至少以第一DL频率F1在下行链路上传输，无线电2、12c至少以第二DL频率F2在下行链路上传输。这些下行链路信号与PIM源18交互，生成PIM信号，PIM信号与F1和F2一起被宽带天线23接收。

PIM检测系统24扫描宽带频率以检测DL信号频率F1和F2。基于这些频率，PIM检测系统24在PIM信号可能存在之处计算PIM频率。PIM检测系统24处理计算出的PIM频率的信号样本以及接收到的无线电频率的样本，将处理得到的输出与阈值进行比较，以确定是否存在PIM信号。PIM存在于PIM频率的确定结果可以经由网络16传送给远程位置。一旦PIM检测系统24在PIM频率处检测到PIM存在，无线电12中的至少一个无线电可以确定检测到PIM的PIM频率是否在上行链路信号频率信道处或在上行链路信号频率信道附近。如果是，则可以采取步骤来减少PIM。

爱立信专利申请WO2019/203704(其全部内容通过引用被包括在本文)描述了一种方法和系统，用于确定目标小区在时间窗口期间是否经历了区别于蜂窝网络站点处的其他形式的干扰的由于无源互调(PIM)导致的干扰。

发明内容

提供了一种用于检测和校正无源互调(PIM)的方法。该方法包括接收射频(RF)信号。该方法包括将RF信号提供给第一PIM检测器和第二PIM检测器。该方法还包括在由第一PIM检测器和第二PIM检测器中的至少一个PIM检测器检测到PIM后，激活PIM校正，对于第一PIM检测器和第二PIM检测器中的至少一个PIM检测器，基于调度，PIM的检测在PIM的检测时间可应用。

再次参考图2，提供了一种用于检测和校正无源互调(PIM)的装置。该装置包括处理电路和存储器，存储器包含由处理电路可执行的指令，由此该装置可操作以接收射频(RF)信号。该装置可操作以将RF信号提供给第一PIM检测器和第二PIM检测器。该装置可操作以在由第一PIM检测器和第二PIM检测器中的至少一个PIM检测器检测到PIM后，激活PIM校正，对于第一PIM检测器和第二PIM检测器中的至少一个PIM检测器，基于调度，PIM的检测在PIM的检测时间可应用。

提供了一种非暂态计算机可读介质，具有存储于其上的指令，指令用于检测和校正无源互调(PIM)，指令包括接收射频(RF)信号。指令包括将RF信号提供给第一PIM检测器和第二PIM检测器。指令包括在第一PIM检测器和第二PIM检测器中的至少一个PIM检测器检测到PIM后，激活PIM校正，对于第一PIM检测器和第二PIM检测器中的至少一个PIM检测器，基于调度，PIM的检测在PIM的检测时间可应用。

本文提供的方法和装置或基站改进了方法、装置或基站的操作方式。

附图说明

图1是现有技术的无源互调(PIM)系统的示意图。

图2是本文描述的系统的示意图。

图3是用于PIM检测的系统的示意图。

图4是示出了PIM校正器控制器(PIMC-C)和PIM校正器处理器(PIMC-P)之间的解耦的系统的示意图。

图5是人工智能/机器学习(AI/ML)驱动的PIM检测系统(APPDS)的组件视图的示意图。

图6是PIM检测业务流的序列图。

图7是图示了通用干扰确定器的逻辑的流程图。

图8是从基站(BS)到OAMTM的数据流的时序图。

图9是从OAMTM到BS的模型更新流的时序图。

图10是用于检测和校正无源互调(PIM)的方法的流程图。

具体实施方式

现在将参考附图描述各种特征，以向本领域技术人员充分传达本公开的范围。

动作或功能的序列可以在本公开中使用。应当认识到，在某些上下文中，一些功能或动作可以由专用电路、由一个或多个处理器执行的程序指令、或两者的组合来执行。

此外，计算机可读载波或载波可以包含一组适当的计算机指令，使处理器执行本文描述的技术。

本文描述的功能/动作可以不按动作的顺序发生或同时发生。进一步地，在某些图示中，某些框、功能或动作可以是可选的，并且可以被执行或不被执行；这些通常用虚线表示。

近年来，人工智能(AI)和机器学习(ML)技术的快速发展对PIM检测起到了杠杆作用。PIM检测可以使用基于深度神经网络构建的智能模型来实现，并提供相比传统系统更高的准确性和效率。此外，模型可以通过从无线电站点收集更多数据来不断地被改进，用于持续训练模型。

为了从传统的基于静态算法的静态PIM检测模型过渡到基于动态神经网络的训练模型，需要努力定义模型，但也需要定义一个框架，以促进商业产品(诸如第五代(5G)/5G之后的无线电基站)的过渡。

本文提供了一种新的智能PIM检测系统或框架来解决前文强调的问题。

如图2所示，提出了在现有PIM检测上并行地增加AI/ML驱动的PIM检测系统(APPDS)组件。

在图2中，通用干扰确定器(GID)208被引入来控制被发送给PIM校正器(PIMC)的PIM检测的最终结果。针对GID208设计了调度，用于当检测从PIMD和APPDS两者同时被接收时，从传统或旧有PIM检测器(PIMD)24、从AI/ML模型(APPDS)210、或从具有优先级设置的PIMD 24和APPDS210两者中执行PIM检测。

通过这种设计，在开始时，安装后，由于APPDS还没有准备好并且需要更多的数据来训练其模型及提供准确的PIM检测，因此可以主要依赖传统模型(PIMD)。在一些训练被完成后，APPDS 210可以被逐渐引入到系统中。

为了支持图2中呈现的解决方案，离线AI/ML模型训练管理(OAMTM)214被引入，以使用从跨不同站点的不同基站收集的数据进行离线模型训练。

在基站A17处，信号通过天线13从客户端用户设备(UE)14被接收。该信号经过双工器204，该双工器204允许通过单个路径进行双向通信，并将接收器与发送器隔离，同时允许它们共享一个共同的天线。该信号从双工器去向接收器202。该信号还从天线13向PIM检测器24以及向AI/ML驱动的PIM检测系统(APPDS)210发送。一旦针对至少一个频率的PIM被检测到，PIM检测器(PIMD)24和/或APPDS210通过通用干扰确定器208中继该信息，该通用干扰确定器208向PIM校正器(PIMC)212转发该信息。PIMC校正将要被传输的信号，然后信号被引导到发送器33、双工器204、以及最后到天线13。发送器观察接收器(TOR)206对来自发送器33的下行链路(DL)样本进行采样，并将样本传递给PIMD和APPDS两者中的模型用于进行PIM检测。来自DL路径的那些样本是APPDS210中的基于AI/ML的特征提取器506(图5)的输入。

参考图3，OAMTM 214可以被部署在云中，也可以被动态移动以获得更具成本效益的计算资源来进行离线训练。此外，由于用于训练模型的数据集可以跨不同的无线电站点从不同的基站17来收集，因此模型可以被更有效地训练。

例如，一些PIM场景可以发生在位置A、B和C、基站A、B和C17。该模型可以捕获真实无线电流量(诸如上行链路流量)期间发生的PIM检测。

特征从无线电信号中被提取，并从APPDS210(一旦其开始被使用)向数据集收集单元(DCU)312被馈送。对应于每个特征集(PIM或非PIM)的输出可以从APPDS或从PIMD得到，并且也被馈送给DCU。DCU将数据存储到数据库/文件系统(DB/FS)314。从那里，数据可以由数据集处理单元来取回和处理，以根据本领域已知的技术为学习阶段准备数据。然后，处理后的数据被馈送给AI/ML模型训练单元306用于训练。一旦训练完成，模型被存储在DB/FS 314中，并且可以由AI/ML模型操作和维护(O&M)单元(AMOU)取回。然后，AMOU可以将模型传播给将被本地APPDS210使用的不同基站。

如果PIM不在每个基站处发生，例如其仅发生在位置A，则模型可以在其他位置处更新。然后，模型应该能够有效地检测PIM何时发生在位置A以外的位置。多种不同的用于模型训练的组合可以被考虑，诸如按地区、按设备类型、按无线电技术等进行训练。

一旦PIMD 24或APPDS210检测到PIM，信息被发送给GID 208，GID 208将信息转发给PIM校正器控制器PIMC-C 304，PIM校正器控制器PIMC-C 304可以在基站17内部，诸如在基站C的情况下，或者可以在基站外部(例如，在云中)，诸如在基站A和B17的情况下。PIMC-C向每个基站17内部的PIMC处理器(PIMC-P)302生成关于如何应用校正来对消PIM的信息。

图4更详细地图示了PIMC-C 304和PIMC-P 302之间的解耦可以如何被实现。

与基站17内的传统的单个PIMC单元(未图示)相比，如图4所示，本文所描述的解决方案还提出将PIMC 212功能解耦为PIMC-控制器(PIMC-C)304和PIMC-处理器(PIMC-P)302。

上面部分中的元素是可以在不同于基站17的节点或可以在云中被实现的软件元素，并且可以对许多基站通用。它包括信号接收器404，信号接收器404将在(多个)基站17处接收到的信号的数字表示传送给PIM检测210。如前所述，PIM检测可以利用APPDS来实现。通过这种解耦，一个PIMC-C 304可以为多个基站共享，如图3所示，其中一个PIMC-C 304在基站A和B之间共享。在从GID 208接收到PIM指示后，PIMC-C 304对PIM对消算法做出决定，然后指示相应的PIMC-P 302在基站内执行所选择的PIM对消算法的详细逻辑。因为专用网络切片可以被给出用以保证PIMC-C和PIMC-P之间所需的延迟，所以PIMC-C 304可以被部署在5G核心网络中。

一旦PIMC-P校正了PIM的信号，其可以被中继到接收器202和发送器33。当PIM在上行链路的频率处被检测到时，模型可以算出其对下行链路的相应影响。在下行链路侧做出的校正可以被视为反馈，以准确检测上行链路侧的PIM。

如图4所示，在PIMC中解耦的一个优点是允许PIMC-C 304在不影响基站的情况下被动态更新。该框架有助于任何针对PIM对消或避免来训练的AI/ML模型。

本文所描述的系统提供了一个框架，在这个框架中新的AI/ML训练的PIM检测模型可以很容易地被应用于实时处理流量。它提供了更准确的PIM检测，可以有效地充分利用基站的容量。这也增加了网络操作的可靠性。

图5是AI/ML驱动的PIM检测系统(APPDS)210的组件视图。如图5所示，APPDS210包含以下组件。宽带接收器502，其从天线13捕获宽带信号并将这些信号传递给采样器504。采样器504处理时间序列数据和/或使用傅里叶变换或另一种变换方式将时间序列数据转换为频率数据表示。采样器504将从信号提取的这种频率数据表示转发给基于AI/ML的特征提取器506，该特征提取器从收集到的数据(诸如针对不同频率的最小值、最大值、均值、平均值、中间值、标准差等)中提取主要特征。基于AI/ML的特征提取器506将这些特征存储在本地DB或FS 314中。提取的特征被用于构建AI/ML PIM检测器模型510。模型510由OAMTM 214基于从来自天线的上行链路样本提取的特征来建立。该模型可选地包括由发送器通过TOR206向APPDS提供的下行链路样本。模型510产生提供给GID 208的输出。经标记的特征收集512基于PIM检测的结果标记先前存储在DB或FS中的相应特征。数据代理514负责周期性地将经标记的特征数据发送给OAMTM 214。模型配置管理(CM)代理508负责接收模型并根据基站中的调度来更新模型。

图6是PIM检测的业务流的时序图。

在步骤601，宽带502接收器接收信号。步骤602，宽带接收器502数字化或以其他方式转变原始信号。步骤603，宽带接收器502将经转变的信号发送给采样器504。在步骤604采样器504构建数据集，在步骤605将数据集转发给基于AI/ML的特征提取器506，在步骤605a将数据集存储在DB/FS 314中，并在步骤605b接收成功的确认。在步骤606，基于AI/ML的特征提取器506取回特征并构建用于PIM检测器的数据集，并且在步骤607，将数据集转发给基于AI/ML的PIM检测器510。在OAMTM 214中训练的模型由基于AI/ML的PIM检测器510用来进行PIM检测。上行链路信号被采样，相应的特征被取回并被馈送到经训练的模型中。可选地，该模型可以考虑来自TOR的下行链路样本。数据集(样本或特征)相应地被存储并发送给OAMTM中的DCU。

在步骤608，基于AI/ML的PIM检测器将AI/ML模型应用于在基站处接收的信号，以及步骤609，PIM可以被检测。在步骤610，基于AI/ML的PIM检测器510向GID 208发送PIM被检测的消息。步骤610a，GID 208运行逻辑，将结合图7详细说明，以及在步骤611，返回成功。然后，基于AI/ML的PIM检测器510通知关于PIM的经标记的特征收集512，以及步骤613，经标记的特征收集512利用PIM标记存储在DB/FS 314中的数据。在步骤614和615，成功的通知被返回。

图7是在通用干扰确定器208中运行的逻辑的流程图。

GID 208是所提出的解决方案中的关键组件之一。它基于来自PIMD 24、APPDS210或它们两者(PIMD和APPDS)的输入对PIM发生做出最终决策。这是通过基于图7中给出的调度设计的过滤器来实现的。调度710可以是基于小时、基于日、基于周或基于月的调度，并且是可配置的。在一定的时间段内，GID 208基于仅来自PIMD 24、仅来自APPDS210、或来自PIMD和APPDS的PIM检测做出决策。在PIMD和APPDS两者都提供PIM预测或检测的情况下，则优先级被应用。

在步骤702，GID 208从PIMD 24或APPDS201接收PIM指示。步骤704，GID 208使用相应的模型(PIMD或APPDS)记录PIM检测。步骤706，GID根据调度710过滤PIM指示。然后步骤708，GID 208将PIM指示发送给PIM对消(PIMC)212。

在调度中，指示了PIM检测应仅来自PIMD的时间段、指示了PIM检测应仅来自APPDS的时间段、以及指示了PIM检测可以来自PIMD和APPDS两者的时间段，具有应用于每个测量/检测的比率以选择或确定实际PIM值。调度710还被设计用于处理AI/ML模型更新。例如，在更新AI/ML模型的过程中，相应的调度可以被设置来让GID仅从PIMD得到输入，以避免在APPDS中由于模型更新而导致的任何服务中断。

返回参考图3，现在更详细地描述组件离线AI/ML模型训练管理(OAMTM)214。

OAMTM 214是训练离线AI/ML模型510的管理系统。它包含DCU 312、DPU 308、AMTU306和AMOU 310。它还具有DB或FS 314，用于存储数据集、模型、模型更新的调度、配置和部署信息。应当注意，DB/FS总是以参考标号314来指代，然而本文描述和/或图示的不同的DB/FS可以是不同的逻辑组件，并且可以被存储在不同的硬件和/或不同的位置。

DCU 312负责从存在于不同基站17中的数据代理514接收或收集数据集(基于特征)。从原始数据中提取的特征从BS17传送给OAMTM 214，OAMTM 214可以位于或部署在运营方网络内的任何服务器、数据中心或私有云中。OAMTM的部署位置可以基于那些位置的容量(计算能力和存储，以及带宽等)来决定。发送数据集而非发送原始数据显著降低了网络带宽的使用。发送特征相关数据而非发送原始数据需要更少的时间。这是所提出的解决方案中的使AI/ML模型起作用的重要元件。

DPU 308负责准备训练模型的数据集。它包括对数据集的清理，以及将其转变为适合模型训练的数据格式。

AMTU 306是OAMTM 214中的一个重要组件。它可以是基于神经网络的监督/无监督机器学习或传统的机器学习模型。训练过程收敛后，经训练的模型将被存储在DB或FS 314中。AMTU 306向AMOU 310发送关于AI/ML模型更新的准备情况的通知。

AMOU 310是负责在不同位置处的不同基站17中更新经训练的模型的组件。在接收到关于经更新的AI/ML模型的准备情况的通知后，AMOU 310更新调度710并将其发送给相应的GID 208。然后AMOU 310将更新模型发送给相应的模型CM代理508，代理508最终根据调度710在每个基站17中执行模型更新过程。

图8是图示了从两个基站17到OAMTM 214的数据流的时序图。

在步骤801，BS1 17中的数据代理514将数据集发送给OAMTM DCU 312。步骤802，BS2 17中的数据代理514将数据集发送给OAMTM DCU 312。步骤803，OAMTM中的数据收集单元312在认证和授权完成后从BS1和BS2两者接收数据集。步骤804，OAMTM中的数据收集单元312将接收到的数据集存储在配置的DB或FS 314中。步骤805，数据收集单元312从DB/FS314接收确认。步骤806，OAMTM中的数据处理单元308从DB/FS获取数据集。步骤807，DB/FS314将数据集返回给数据处理单元。步骤808，数据处理单元预处理用于AMTU 306的数据集。步骤809，DPU 308将经预处理的数据集存储回DB/FS 314或存储器缓冲。步骤810，DPU 308接收关于成功存储数据集的确认。步骤811，AMTU 306基于将被训练的模型从DB/FS 314或存储器缓冲获取数据集。步骤812，DB/FS 314或存储器缓冲将所请求的数据集返回给AMTU306。步骤813，AMTU 306在所取回的数据集上训练模型。

步骤814，在训练过程根据给定准则收敛之后，AMTU 306输出经训练的模型。步骤815，AMTU 306在DB/FS 314中存储将被部署在相应的一个或多个基站中的经训练的模型。步骤816，在经训练的模型被成功地存储在存储器中之后，AMTU 306接收确认。步骤817，AMTU 306向AMOU 310发送关于经训练的模型的状态的通知，即其已准备好被部署在实操中。

图9是图示了从OAMTM到基站的模型更新流的时序图。步骤901，在接收到通知(参考图8中的步骤817)后，OAMTM中的AMOU 310更新用于模型更新的调度710。步骤902，AMOU310将经更新的调度推送给BS1中的GID 208。步骤903，BS1中的GID 208将确认发回给AMOU310。步骤904，AMOU 310将更新的调度推送给BS2中的GID 208。需要注意的是，此步骤与步骤902并行完成。步骤905，BS2中的GID 208将确认发回给AMOU 310。步骤906，AMOU 310向DB/FS 314发送用以获取经训练的模型的请求。步骤907，AMOU 310接收经训练的模型。步骤908，AMOU 310将经训练的模型推送给基站1中的模型CM代理508。应当注意，模型CM代理可能基于来自AMOU的通知拉取经训练的模型(这在流程中未示出)。步骤909，模型CM代理508存储经更新的模型。步骤910，模型CM代理508向AMOU 310发送确认。步骤911，模型CM代理508验证接收到的模型，并根据调度准备更新模型。

调度是存储在DB/FS 314中的调度，由OAMTM中的AMOU 310设置。调度被发送给GID208，并且GID将调度存储在DB/FS 314中。

步骤912，通过重复步骤8至11，AMOU 310将经训练的模型推送给基站2中的模型CM代理508。应当注意的是，这些步骤可以针对基站1和基站2并行完成，也可以根据需要针对尽可能多的基站并行完成。

参考图10，提供了一种用于检测和校正无源互调(PIM)的方法1000。该方法包括步骤1002，接收射频(RF)信号。该方法包括步骤1004，向第一PIM检测器和第二PIM检测器提供RF信号。该方法包括步骤1006，在由第一PIM检测器和第二PIM检测器中的至少一个PIM检测器检测到PIM后，激活PIM校正，对于第一PIM检测器和第二PIM检测器中的至少一个PIM检测器，基于调度，PIM的检测在PIM的检测时间可应用。

RF信号可以由基站通过天线来接收。激活PIM校正可以包括校正将要从基站通过天线被传输的新RF信号。第一PIM检测器可以是旧有PIM检测器(PIMD)，第二PIM检测器可以是基于模型的PIM检测器。基于模型的PIM检测器可以包括特征提取器，该特征提取器从RF信号提取特征，并将特征馈送给经训练的模型用于PIM的检测。从RF信号提取的特征及相应的PIM或非PIM期望输出可以被收集和标记，用于训练模型。从RF信号提取的特征可以包括RF信号的幅度和频率测量的最小值、最大值、平均值、标准差，并且PIM或非PIM期望输出可以对应于来自基于模型的PIM检测器或来自PIMD的输出。

该方法还可以包括步骤1008，接收经由离线训练更新的新模型，并且利用新模型更新经训练的基于模型的PIM检测器。激活PIM校正可以包括将信号发送给与PIM校正器(PIMC)处理器(PIMC-P)解耦的PIMC控制器(PIMC-C)。PIMC-C和PIMC-P并非共址于同一硬件中，并且PIM校正可以由PIMC-C和PIMC-P共同实现。一个PIMC-C可以服务于多个基站。调度可以定义以下至少一项：PIM的检测仅可应用于第一PIM检测器的时间段、PIM的检测仅可应用于第二PIM检测器的时间段、以及PIM的检测并发地可应用于第一PIM检测器和第二PIM检测器两者的时间段。

再次参考图2，提供了一种用于检测和校正无源互调(PIM)的装置17。该装置包括处理电路和存储器，存储器包含由处理电路可执行的指令，通过指令该装置可操作地接收射频(RF)信号。该装置可操作地将RF信号提供给第一PIM检测器和第二PIM检测器。该装置可操作以在由第一PIM检测器和第二PIM检测器中的至少一个PIM检测器检测到PIM后，激活PIM校正，对于第一PIM检测器和第二PIM检测器中的至少一个PIM检测器，基于调度，PIM的检测在PIM的检测时间可应用。RF信号可以通过天线被接收。激活PIM校正可以包括校正将要通过天线被传输的新RF信号。第一PIM检测器可以是旧有PIM检测器(PIMD)，并且第二PIM检测器可以是基于模型的PIM检测器。基于模型的PIM检测器可以包括特征提取器，特征提取器从RF信号提取特征并将特征馈送至经训练的模型用于PIM的检测。从RF信号提取的特征以及相应的PIM或非PIM期望输出可以被收集并标记，用于训练模型。从RF信号提取的特征可以包括RF信号的幅度和频率测量的最小值、最大值、平均值、标准差，并且PIM或非PIM期望输出可以对应于来自基于模型的PIM检测器或来自PIMD的输出。

该装置还可操作地接收经由离线训练更新的新模型，并且利用新模型更新经训练的基于模型的PIM检测器。激活PIM校正可以包括将信号发送给与PIM校正器(PIMC)处理器(PIMC-P)解耦的PIMC控制器(PIMC-C)。PIMC-C和PIMC-P可以并非共址于同一硬件中，并且PIM校正可由PIMC-C和PIMC-P共同实现。一个PIMC-C可以服务于多个装置。调度可以定义以下至少一项：PIM的检测仅可应用于第一PIM检测器的时间段、PIM的检测仅可应用于第二PIM检测器的时间段、以及PIM的检测并发地可应用于第一PIM检测器和第二PIM检测器两者的时间段。该装置可以是无线电基站。

提供了一种非暂态计算机可读介质(未图示)，具有存储于其上的指令，指令用于检测和校正无源互调(PIM)。指令包括接收射频(RF)信号。指令包括将RF信号提供给第一PIM检测器和第二PIM检测器。指令包括在由第一PIM检测器和第二PIM检测器中的至少一个PIM检测器检测到PIM后，激活PIM校正，对于第一PIM检测器和第二PIM检测器中的至少一个PIM检测器，基于调度，PIM的检测在PIM的检测时间可应用。

受益于前述描述和相关附图中呈现的教导的本领域技术人员将想到修改。因此，应当理解，诸如除上述那些之外的具体形式的修改旨在被包括在本公开的范围内。先前的描述仅是说明性的并且不应被视为以任何方式进行限制。所寻求的范围由所附权利要求而不是前面的描述给出，并且落入权利要求范围内的所有变化和等同物旨在被包含在其中。尽管本文中可以使用特定术语，但是它们仅以一般和描述性的意义使用，而不是出于限制的目的。