基于神经网络的功率放大器行为建模与数字预失真框式框架
《IEEE Transactions on Machine Learning in Communications and Networking》:Neural Network-Based Box-Oriented Framework for Behavioral Modeling and Digital Predistortion of Power Amplifiers
【字体:
大
中
小
】
时间:2026年03月31日
来源:IEEE Transactions on Machine Learning in Communications and Networking 4.9
编辑推荐:
摘要:本文提出了一种新的基于框的框架与训练策略,该策略将传统模型与神经网络相结合,用于精确建模功率放大器行为并实现数字预失真。现有的基于神经网络的方法仅依赖实值网络,忽略了关键的复数域特性,且试图在神经网络内部学习所有的功率放大器非线性失真,从而导致模型复杂度过高。为了解决这些问
摘要:
本文提出了一种新的基于框的框架与训练策略,该策略将传统模型与神经网络相结合,用于精确建模功率放大器行为并实现数字预失真。现有的基于神经网络的方法仅依赖实值网络,忽略了关键的复数域特性,且试图在神经网络内部学习所有的功率放大器非线性失真,从而导致模型复杂度过高。为了解决这些问题,我们提出了一种新方法:使用简单的传统记忆多项式模型来描述主要的功率放大器失真,再利用神经网络来描述剩余的残余失真。基于这一框架,我们设计了三种新架构:特征增强型简化实值时延神经网络、广义简化实值时延神经网络以及并行简化实值时延神经网络,它们都将轻量级的复数多项式模型与实值时延神经网络相结合。此外,我们还提出了一种联合训练策略,以便在不同初始化方案下优化这两个模型组件。通过使用100MHz 5G-NR OFDM信号以及Skyworks商用功率放大器进行的实验验证表明,与现有的矢量分解长短期记忆模型相比,所提出的架构在归一化均方误差方面可提升1.1 dB,或使模型复杂度降低45.5%。在数字预失真实验中,所提出的模型在邻道功率比方面可提升1.22 dB,在误差向量幅度方面可提升1.07 dB,均优于矢量分解长短期记忆模型。另外,与现有最先进的SARTDNN中所采用的固定训练策略相比,所提出的联合训练方法可使建模性能提升多达1.6 dB。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号