基于深度卷积神经网络的非线性功率放大器行为建模通用架构
信号处理
2020-06-09 v1
摘要
功率放大器的非线性是无线传输系统中可达容量的主要限制之一。非线性损伤由功率放大器的非线性失真与调制器缺陷决定。Volterra 模型、若干紧凑 Volterra 模型与神经网络模型均已被展示用于建立功率放大器非线性模型。然而，随着信号带宽变宽或载波聚合数量增加，这些模型的计算代价上升且其实现需要更多信号处理资源。一种完全不同的方法使用深度卷积神经网络从训练数据中学习以辨识非线性失真。本文提出一种基于深度实值卷积神经网络（DRVCNN）的低复杂度通用架构，以构建功率放大器的非线性行为。由于多个输入各自等价于一个输入向量，DRVCNN 张量权重由训练数据基于当前与历史包络相关项、以及输入的 I 与 Q 分量构建。该通用框架在单载波与多载波功率放大器建模中的有效性得到验证。
引用
@article{arxiv.2006.03763,
title = {A General Architecture for Behavior Modeling of Nonlinear Power Amplifier using Deep Convolutional Neural Network},
author = {Xin Hu and Zhijun Liu and You Li and Lexi Xu and Sun Zhang and Qinlong Li and Jia Hu and Wenhua Chen and Weidong Wang and Mohamed Helaoui and Fadhel M. Ghannouchi},
journal= {arXiv preprint arXiv:2006.03763},
year = {2020}
}