非线性项的选择装置及方法、辨识系统及补偿系统

摘要

本发明实施例提供一种非线性项的选择装置及方法、辨识系统及补偿系统。该选择装置包括：线性系数计算器，利用测量数据对非线性系统的线性特性进行测量以获得多个线性系数；非线性项选择器，利用多个线性系数对非线性系统的非线性模型展开项进行选择，以得到非线性系统的非线性项。通过本发明实施例，可以简化非线性模型，降低非线性模型的复杂度。

说明书

技术领域

本发明涉及通信系统中非线性器件的系统建模和补偿领域，特别涉及一种与 Volterra级数展开的非线性模型相关的、非线性项的选择装置及方法、辨识系统及补 偿系统。

背景技术

Volterra级数展开是一种描述非线性系统的常用方法。它的特点是系统某一时间 点的输出值与先前一段时间内的输入值都相关，因此适合用于描述有记忆效应的非线 性系统。在通信系统中常用来建立功率放大器等器件的模型。

目前，根据记忆非线性系统的特点，可以利用Weiner模型对其进行描述。图1 是一个Weiner结构示意框图。模块101是线性滤波器，令其系数为A₁，A₂……A_m， 其输入信号为Y，输出信号X。模块102是无记忆的非线性器件，令其系数为B₀， B₁，B₂……B_k，其输入信号为X，输出信号Z。

则对模块101，有其中X_T表示T时刻模块101的输出信号， Y_T+1-i表示模块101在T时刻前第i-1个输入信号，i=1时表示T时刻的输入信号。对 模块102，则有其中X_T表示T时刻模块102的输入信号， Z_T表示T时刻模块102的输出信号。整个系统的Volterra展开则可以描述为：

$Z_T=B_0+\underset{n=1}{\overset{k}{\Sigma }}{B}_n{\left(\underset{i=1}{\overset{m}{\Sigma }}{A}_i{Y}_{T+1-i}\right)}^n---\left(1\right)$

图2是现有技术中的非线性建模的示意图，给出了通常的非线性模型建模方法。 其中，模块201为非线性装置/系统；模块202（Nonlinear Model Terms）为各种常见 的非线性模型展开项（例如Volterra级数展开）；模块203进行计算；模块204得到 非线性模型。由此，利用测量数据计算（如RLS，MLS等方法）出各非线性项的系 数，可以得出非线性模型。

但是，发明人发现：Volterra级数的项数随着模型记忆长度和阶数增加而指数增 长，使得模型的复杂度大大增加，从而降低了模型的实用价值。而如图2所示的方法 没有根据系统的特点对其非线性项进行筛选，除了项数过多且复杂度较大外，还可能 带来过训练等问题，使得模型准确性下降。

下面列出了对于理解本发明和常规技术有益的文献，通过引用将它们并入本文中， 如同在本文中完全阐明了一样。

【参考文献1】D.Morgan,Z.Ma,J.Kim,M.Zierdt,and J.Pastalan,“A generalized  memory polynomial model for digital predistortion of RF power amplifiers,”IEEE Trans. Signal Process.,vol.54,no.10,pp.3852–3860,Oct.2006.)。

【参考文献2】《自适应滤波器原理》，赫金著，郑宝玉等译，ISBN：9787121106651， 时间：2010-5-1，电子工业出版社。

发明内容

本发明实施例提供一种非线性项的选择装置及方法、辨识系统及补偿系统。目的 在于降低非线性模型的复杂度，提高模型的准确性。

根据本发明实施例的一个方面，提供一种非线性项的选择装置，所述选择装置包 括：

线性系数计算器，利用测量数据对非线性系统的线性特性进行测量以获得多个线 性系数；

非线性项选择器，利用所述多个线性系数对所述非线性系统的非线性模型展开项 进行选择，以得到所述非线性系统的非线性项。

根据本发明实施例的又一个方面，提供一种非线性项的选择方法，所述选择方法 包括：

利用测量数据对非线性系统的线性特性进行测量以获得多个线性系数；

利用所述多个线性系数对所述非线性系统的非线性模型展开项进行选择，以得到 所述非线性系统的非线性项。

根据本发明实施例的又一个方面，提供一种非线性的辨识系统，所述辨识系统包 括：

线性系数计算器，利用测量数据对非线性系统的线性特性进行测量以获得多个线 性系数；

非线性项选择器，利用所述多个线性系数对所述非线性系统的非线性模型展开项 进行选择，以得到所述非线性系统的非线性项；

非线性系数计算器，利用测量数据对所述非线性系统的非线性特性进行测量以获 得所述非线性系统的多个非线性系数；

非线性模型建立器，根据所述非线性项和所述非线性系数获得所述非线性系统的 非线性模型。

根据本发明实施例的又一个方面，提供一种非线性的补偿系统，所述补偿系统包 括：

线性系数计算器，利用测量数据对非线性系统的逆系统的线性特性进行测量以获 得多个线性系数；

非线性项选择器，利用所述多个线性系数对所述逆系统的非线性模型展开项进行 选择，以得到所述逆系统的非线性项；

非线性系数计算器，利用测量数据对所述逆系统的非线性特性进行测量以获得所 述逆系统的多个非线性系数；

非线性模型补偿器，根据所述逆系统的非线性项和非线性系数，获得所述非线性 系统的补偿模型。

本发明的有益效果在于：通过使用线性系数对非线性模型展开项进行选择，舍 弃贡献较小的项而保留贡献较大的项；可以简化非线性模型，降低非线性模型的复杂 度。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的 原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。 在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等 同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更 多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中 的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在， 但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

图1是一个Weiner结构示意框图；

图2是现有技术中的非线性建模的示意图；

图3是本发明实施例1的选择装置的一个构成示意图；

图4是本发明实施例1的非线性建模的示意图；

图5是本发明实施例1的非线性项选择器的一个构成示意图；

图6是本发明实施例1的获得非线性项的一个示意图；

图7是本发明实施例1的获得非线性项的又一示意图；

图8是某一典型的三阶有记忆非线性系统的建模项数示意图；

图9是图8所示的三阶有记忆非线性系统的模型精确度示意图；

图10是本发明实施例2的选择方法的一个流程图；

图11是本发明实施例4的建立补偿模型的示意图；

图12是本发明实施例4的将补偿模型应用于接收端的示意图；

图13是本发明实施例4的将补偿模型应用于发射端的示意图。

具体实施方式

参照附图，通过下面的说明书，本发明的前述以及其它特征将变得明显。在说 明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明的 原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明 包括落入所附权利要求的范围内的全部修改、变型以及等同物。

在本发明中，可以将公式（1）展开，得到：

$Z_T=B_0+\underset{n=1}{\overset{k}{\Sigma }}{B}_n\left(\underset{p=1}{\overset{m}{\Sigma }}\underset{q=1}{\overset{m-p+1}{\Sigma }}\underset{\Sigma n_i=n}{\Sigma }(C_n^{n_1}{C}_{n-n_1}^{n_2}{C}_{n-n_1-n_2}^{n_3}...C_{n_p}^{n_p})(A_q^{n_1}{A}_{q+1}^{n_2}...A_{q+p-1}^{n_p})(Y_{T+1-q}^{n_1}{Y}_{T-q}^{n_2}...Y_{T+1-q+p}^{n_m})\right)---\left(2\right)$

其中是根据多项式定理得到的多项式的n次幂展开后 由p个不同项相乘的项的系数，表示n中选n₁个的组合数。表示线性系数A_q的n₁次幂，表示T时刻前第q-1个输入信号的n₁次幂。由此上式可以得出此 模型volterra展开的后的任一项系数。

对于阶数固定为n的某一项来说，其系数由B_n，共同决定。其中由阶数n和各乘积项的 阶数唯一确定，因此总系数在同阶系数中的相对大小由决定。所 以可以通过测量系统的线性系数A₁，A₂……A_m来探讨其非线性系数中各项的相对大 小。

将目标系统当作线性系统，非线性模块102带来的非线性效应当作噪声，可以 很容易用最小均方误差法（LMS，Least Mean Square），递归最小二乘法（RLS， Recursive Least Square）等方法计算出系统的线性系数A₁，A₂……A_m。利用A₁， A₂……A_m可以计算出第n阶的任意项的系数中的 部分。对固定的第n阶项来说，B_n是定 值，可以代表此项的系数在所有n阶项 系数的相对大小。

在本发明中，可以设定一个阈值（如0.01），某系数与所有系数中最大值的比 的绝对值小于阈值时可以认为在第n阶项中，此项的贡献较小，舍去的话对模型的精 度影响较小。利用此规则可以利用系统的线性系数事先对系统的Volterra展开项进行 筛选，舍去贡献较小的项，保留贡献较大的项，从而简化Volterra展开项，达到降低 复杂度的目的。以下对本发明进行详细的说明。

实施例1

本发明实施例提供一种非线性项的选择装置，对非线性系统的非线性项进行选择。

图3是本发明实施例的选择装置的一个构成示意图，如图3所示，所述选择装置 300包括：线性系数计算器301和非线性项选择器302；

其中，线性系数计算器301利用测量数据对非线性系统的线性特性进行测量以获 得多个线性系数；非线性项选择器302利用多个线性系数对非线性系统的非线性模型 展开项进行选择，以得到非线性系统的非线性项。

在本实施例中，非线性系统可以是如图1所示的系统，可以利用Weiner模型进 行描述。线性系数计算器301可以利用测量数据对非线性系统的线性特性进行测量， 得到非线性系统的多个线性系数。具体如何计算可以参考现有技术。

图4是本发明实施例的非线性建模的示意图。如图4所示，可以通过非线性项的 选择装置300得到非线性项；其中，线性系数计算器301可以由线性相关项模块（Linear  Related Terms）401和计算模块（Calculation）402构成。

如图4所示，非线性系统403输入为Y，输出为Z。并且可以通过非线性模型项 模块（Nonlinear Model Terms）404和计算模块（Calculation）405得到非线性项的系 数；并通过非线性建模模块（Nonlinear Model）406得到非线性模型。

也就是说，本实施例可以首先利用测试数据对线性特性进行测量，得出其线性系 数，以此线性系数为参考，使用选择装置300对非线性模型展开项进行选择，丢掉贡 献较小的项并保留贡献较大的项，从而得出系统的非线性项。再利用测试数据计算出 各非线性项的系数，得到简化的非线性模型。

在具体实施时，非线性项选择器302可以进行归一化处理，并可以与预设的阈值 进行比较等。图5是本发明实施例的非线性项选择器302的一构成示意图。

如图5所示，非线性项选择器302可以包括：归一化器501、比较器502和项获 取器503。其中，归一化器501对多个线性系数进行归一化处理并取绝对值；比较器 502将归一化器501输出的系数与预设的阈值比较；项获取器503基于大于或等于阈 值的系数来获取非线性系统的非线性项。

在一个实施方式中，项获取器503具体可以用于：将大于或等于阈值的系数作为 一阶项系数，其对应的项作为一阶项；将一阶项系数与N-1阶项系数两两相乘，并且 合并项相同的乘积之后，选择大于或等于阈值的系数作为N阶项系数，N阶项系数 对应的项作为N阶项；其中，N为大于1的正整数。

图6是本发明实施例的获得非线性项的一示意图，给出了图3中非线性项选择器 302的一种内部结构。如图6所示，首先可以将线性系数组归一化并取绝对值（601）， 使其绝对值最大为1。然后与阈值（例如0.01）进行比较，抛弃小于阈值的系数（602）， 剩余系数记为一阶项参考系数，其对应的项即为筛选后的一阶项（603）。

并且，在本实施方式中，可以将一阶项参考系数与自身系数两两相乘（604），合 并项相同的乘积（605），与阈值比较并抛弃小于阈值的系数（606）后得到的系数组 记为二阶项参考系数，对应的项即为二阶项（607）。将二阶项参考系数与一阶项参考 系数两两相乘（608），合并项相同的乘积（609），抛弃小于阈值的系数（610）后记 为三阶项参考系数（411），对应的项即为三阶项。以此类推，求第N阶项只需将第 N-1阶项参考系数与一阶项参考系数两两相乘，合并相同项乘积并舍弃低于阈值的系 数后，剩余N阶项参考系数对应的项即为第N阶项。直到达到需要的阶数为止。

在另一个实施方式中，项获取器503具体可以用于：将大于或等于阈值的系数作 为一阶项系数，一阶项系数对应的项作为一阶项；从一阶项系数中选择N个相乘并 计算所有组合，并且合并项相同的乘积之后，选择大于或等于阈值的系数作为N阶 项系数，N阶项系数对应的项作为N阶项；其中，N为大于1的正整数。

图7是本发明实施例的获得非线性项的又一示意图，给出了图3中非线性项选择 器302的另一种内部结构。如图7所示，可以首先将线性系数组归一化并取绝对值 （701），使其绝对值最大为1。然后与阈值（例如0.01）进行比较，抛弃小于阈值的 系数（702），剩余系数记为一阶项参考系数，其对应的项即为筛选后的一阶项（703）。

并且，在本实施方式中，可以将一阶项参考系数与自身系数两两相乘（704），合 并项相同的乘积（705），抛弃小于阈值的系数（706）后得到的系数组记为二阶项参 考系数，对应的项即为二阶项（707）。将一阶项参考系数任选三个相乘（708），遍历 所有组合，合并项相同的乘积（709），抛弃小于阈值的系数（710）后记为三阶项参 考系数（711），对应的项即为三阶项。以此类推，求第N阶项只需将一阶项参考系数 任选N个连乘，遍历所有组合，合并项相同的乘积，舍弃低于阈值的系数后，剩余N 阶项参考系数对应的项即为第N阶项。直到达到需要的阶数为止。

值得注意的是，以上仅对非线性项选择器的构成进行了示意性的说明，本发明不 限于此，还可以根据实际情况确定具体的实施方式。

图8是某一典型的三阶有记忆非线性系统的建模项数示意图，对利用传统Volterra 展开建模的项数和利用本发明筛选后建模的项数进行了比较。其中，本发明选择阈值 （th）为5e-3。

图9是图8所示的三阶有记忆非线性系统的模型精确度示意图，对利用传统 Volterra展开建模的模型精确度和利用本发明筛选后建模的模型精确度进行了比较。 其中，记忆长度（Memory Length）大于17的Volterra展开由于复杂度过高，难以得 出相应的模型数据。

其中，图9中纵坐标可以表示在同样的输入数据下，模型输出与实际系统输出的 差与实际系统输出数据之比，单位是dB。

由图8和9可知，本发明建立的模型与使用全部项的Volterra模型精确度相当， 但是项数可以减少一个数量级以上。

由上述实施例可知，通过使用线性系数对非线性模型展开项进行选择，舍弃贡献 较小的项而保留贡献较大的项；可以简化非线性模型，降低非线性模型的复杂度。

实施例2

本发明提供一种非线性项的选择方法，对应于实施例1的非线性的选择装置，相 同的内容不再赘述。

图10是本发明实施例的选择方法的一个流程图，如图10所示，该选择方法包括：

步骤1001，利用测量数据对非线性系统的线性特性进行测量以获得多个线性系 数；

步骤1002，利用多个线性系数对非线性系统的非线性模型展开项进行选择，以 得到非线性系统的非线性项。

在具体实施时，步骤1002中利用多个线性系数对非线性系统的非线性模型展开 项进行选择，具体可以包括：对多个线性系数进行归一化处理并取绝对值；将处理后 的系数与预设的阈值比较；基于大于或等于阈值的系数来获取非线性系统的非线性项。

在一个实施方式中，基于大于或等于阈值的系数来获取非线性系统的非线性项， 具体可以包括：将大于或等于阈值的系数作为一阶项系数，一阶项系数对应的项作为 一阶项；将一阶项系数与N-1阶项系数两两相乘，并且合并项相同的乘积之后，选择 大于或等于阈值的系数作为N阶项系数，N阶项系数对应的项作为N阶项；其中，N 为大于1的正整数。

在另一个实施方式中，基于大于或等于阈值的系数来获取非线性系统的非线性项， 具体可以包括：将大于或等于阈值的系数作为一阶项系数，一阶项系数对应的项作为 一阶项；从一阶项系数中选择N个相乘并计算所有组合，并且合并项相同的乘积之 后，选择大于或等于阈值的系数作为N阶项系数，N阶项系数对应的项作为N阶项； 其中，N为大于1的正整数。

由上述实施例可知，通过使用线性系数对非线性模型展开项进行选择，舍弃贡献 较小的项而保留贡献较大的项；可以简化非线性模型，降低非线性模型的复杂度。

实施例3

在实施例1的基础上，本发明实施例提供一种非线性的辨识系统，与实施例1相 同的内容不再赘述。

在本实施例中，该辨识系统可以包括：线性系数计算器、非线性项选择器、非线 性系数计算器和非线性模型建立器。

其中，线性系数计算器利用测量数据对非线性系统的线性特性进行测量以获得多 个线性系数；非线性项选择器利用多个线性系数对非线性系统的非线性模型展开项进 行选择，以得到非线性系统的非线性项；非线性系数计算器利用测量数据对非线性系 统的非线性特性进行测量以获得非线性系统的多个非线性系数；非线性模型建立器根 据非线性项和非线性系数获得非线性系统的非线性模型。

在本实施例中，线性系数计算器和非线性项选择器可以构成如实施例1所述的非 线性项的选择装置；该辨识装置可以对应如图4所示的非线性建模。

由上述实施例可知，通过使用线性系数对非线性模型展开项进行选择，舍弃贡献 较小的项而保留贡献较大的项；可以简化非线性模型，降低非线性模型的复杂度。

实施例4

在实施例1的基础上，本发明实施例提供一种非线性的补偿系统，与实施例1相 同的内容不再赘述。

在本实施例中，该补偿系统可以包括：线性系数计算器、非线性项选择器、非线 性系数计算器和非线性模型补偿器。

其中，线性系数计算器利用测量数据对非线性系统的逆系统的线性特性进行测量 以获得多个线性系数；非线性项选择器利用多个线性系数对逆系统的非线性模型展开 项进行选择，以得到逆系统的非线性项；非线性系数计算器，利用测量数据对逆系统 的非线性特性进行测量以获得逆系统的多个非线性系数；非线性模型补偿器根据逆系 统的非线性项和非线性系数，获得非线性系统的补偿模型。

在本实施例中，建立补偿模型与建立辨识模型（器件/系统模型）的主要区别是： 建立系统/器件模型时是将输入信号作为源数据，将输出信号作为目标数据，通过选 定一定的项，和计算各项的系数得出模型。将同样的输入信号输入模型后得到的模型 输出非常接近实际器件/系统的输出信号。

而建立补偿模型则是将输出信号作为源数据，将输入信号作为目标数据，通过选 定一定的项，和计算各项的系数得出补偿模型。将实际器件/系统的输出信号输入模 型后得到的模型输出非常接近实际器件/系统的输入信号。

图11是本发明实施例的建立补偿模型的示意图。如图11所示，可以将输入信号 和输出信号互换，将输出数据作为源数据，输入数据作为目标数据。首先可以测量出 目标系统的逆系统的线性系数，然后可以利用非线性项选择器得到逆系统的非线性补 偿项。利用RLS，MLS等方法计算出对应的系数，可得到输入/输出与目标器件或系 统相反的逆模型，可以用于对其进行非线性补偿。

图12是将补偿模型应用于接收端的示意图，图13是将补偿模型应用于发射端的 示意图。可以如图12和图13所示，将补偿模型应用在通信系统中。

其中，图12是在接收端进行补偿，利用补偿模型处理非线性器件/系统的输出数 据，得出接近输入数据的补偿数据。图13是在发射端进行补偿。利用补偿模型对发 送数据进行预补偿，预补偿数据通过非线性器件/系统后得到与原始数据接近的数据。

本发明以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本发 明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实 现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本 发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储 器等。

以上结合具体的实施方式对本发明进行了描述，但本领域技术人员应该清楚， 这些描述都是示例性的，并不是对本发明保护范围的限制。本领域技术人员可以根据 本发明的精神和原理对本发明做出各种变型和修改，这些变型和修改也在本发明的范 围内。

关于包括以上实施例的实施方式，还公开下述的附记：

（附记1）一种非线性项的选择装置，所述选择装置包括：

线性系数计算器，利用测量数据对非线性系统的线性特性进行测量以获得多个线 性系数；

非线性项选择器，利用所述多个线性系数对所述非线性系统的非线性模型展开项 进行选择，以得到所述非线性系统的非线性项。

（附记2）根据附记1所述的选择装置，其中，所述非线性项选择器包括：

归一化器，对所述多个线性系数进行归一化处理并取绝对值；

比较器，将所述归一化器输出的系数与预设的阈值比较；

项获取器，基于大于或等于所述阈值的系数来获取所述非线性系统的非线性项。

（附记3）根据附记2所述的选择装置，其中，所述项获取器具体用于：将大于 或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一阶项；

将所述一阶项系数与N-1阶项系数两两相乘，并且合并项相同的乘积之后，选择 大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作为N阶项； 其中，所述N为大于1的正整数。

（附记4）根据附记2所述的选择装置，其中，所述项获取器具体用于：将大于 或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一阶项；

从所述一阶项系数中选择N个相乘并计算所有组合，并且合并项相同的乘积之 后，选择大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作 为N阶项；其中，所述N为大于1的正整数。

（附记5）一种非线性项的选择方法，所述选择方法包括：

利用测量数据对非线性系统的线性特性进行测量以获得多个线性系数；

利用所述多个线性系数对所述非线性系统的非线性模型展开项进行选择，以得到 所述非线性系统的非线性项。

（附记6）根据附记5所述的选择方法，其中，利用所述多个线性系数对所述非 线性系统的非线性模型展开项进行选择包括：

对所述多个线性系数进行归一化处理并取绝对值；

将处理后的系数与预设的阈值比较；

基于大于或等于所述阈值的系数来获取所述非线性系统的非线性项。

（附记7）根据附记6所述的选择方法，其中，基于大于或等于所述阈值的系数 来获取所述非线性系统的非线性项具体包括：

将大于或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一 阶项；

将所述一阶项系数与N-1阶项系数两两相乘，并且合并项相同的乘积之后，选择 大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作为N阶项； 其中，所述N为大于1的正整数。

（附记8）根据附记6所述的选择方法，其中，基于大于或等于所述阈值的系数 来获取所述非线性系统的非线性项具体包括：

将大于或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一 阶项；

从所述一阶项系数中选择N个相乘并计算所有组合，并且合并项相同的乘积之 后，选择大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作 为N阶项；其中，所述N为大于1的正整数。

（附记9）一种非线性的辨识系统，所述辨识系统包括：

线性系数计算器，利用测量数据对非线性系统的线性特性进行测量以获得多个线 性系数；

非线性项选择器，利用所述多个线性系数对所述非线性系统的非线性模型展开项 进行选择，以得到所述非线性系统的非线性项；

非线性系数计算器，利用测量数据对所述非线性系统的非线性特性进行测量以获 得所述非线性系统的多个非线性系数；

非线性模型建立器，根据所述非线性项和所述非线性系数获得所述非线性系统的 非线性模型。

（附记10）根据附记9所述的辨识系统，其中，所述非线性项选择器包括：

归一化器，对所述多个线性系数进行归一化处理并取绝对值；

比较器，将所述归一化器输出的系数与预设的阈值比较；

项获取器，基于大于或等于所述阈值的系数来获取所述非线性系统的非线性项。

（附记11）根据附记10所述的辨识系统，其中，所述项获取器具体用于：将大 于或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一阶项；

将所述一阶项系数与N-1阶项系数两两相乘，并且合并项相同的乘积之后，选择 大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作为N阶项； 其中，所述N为大于1的正整数。

（附记12）根据附记10所述的辨识系统，其中，所述项获取器具体用于：将大 于或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一阶项；

从所述一阶项系数中选择N个相乘并计算所有组合，并且合并项相同的乘积之 后，选择大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作 为N阶项；其中，所述N为大于1的正整数。

（附记13）一种非线性的补偿系统，所述补偿系统包括：

线性系数计算器，利用测量数据对非线性系统的逆系统的线性特性进行测量以获 得多个线性系数；

非线性项选择器，利用所述多个线性系数对所述逆系统的非线性模型展开项进行 选择，以得到所述逆系统的非线性项；

非线性系数计算器，利用测量数据对所述逆系统的非线性特性进行测量以获得所 述逆系统的多个非线性系数；

非线性模型补偿器，根据所述逆系统的非线性项和非线性系数，获得所述非线性 系统的补偿模型。

（附记14）根据附记13所述的补偿系统，其中，所述非线性项选择器包括：

归一化器，对所述多个线性系数进行归一化处理并取绝对值；

比较器，将所述归一化器输出的系数与预设的阈值比较；

项获取器，基于大于或等于所述阈值的系数来获取所述非线性系统的非线性项。

（附记15）根据附记14所述的补偿系统，其中，所述项获取器具体用于：将大 于或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一阶项；

将所述一阶项系数与N-1阶项系数两两相乘，并且合并项相同的乘积之后，选择 大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作为N阶项； 其中，所述N为大于1的正整数。

（附记16）根据附记14所述的补偿系统，其中，所述项获取器具体用于：将大 于或等于所述阈值的系数作为一阶项系数，所述一阶项系数对应的项作为一阶项；

从所述一阶项系数中选择N个相乘并计算所有组合，并且合并项相同的乘积之 后，选择大于或等于所述阈值的系数作为N阶项系数，所述N阶项系数对应的项作 为N阶项；其中，所述N为大于1的正整数。

（附记17）一种发射机，所述发射机包括如附记13至16任一项所述的补偿系统。

（附记18）一种接收机，所述接收机包括如附记13至16任一项所述的补偿系统。

（附记19）一种通信系统，所述通信系统包括如附记17所述的发射机、或者如 附记18所述的接收机。