DeltaDPD：利用循环神经网络中动态时序稀疏性实现低能耗宽带数字失真补偿
信号处理
2025-08-26 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
数字失真补偿（DPD）是增强宽带射频功率放大器（PA）信号质量的流行技术。随着带宽和数据率的提升，DPD 在实际部署中面临显著的能耗挑战，这与其效率目标形成对比。现有技术的 DPD 模型依赖于循环神经网络（RNN），其计算复杂度限制了系统效率。本文引入 DeltaDPD，探索输入信号和 RNN 中神经元隐藏状态的动态时序稀疏性，用于低能耗 DPD，从而减少算术运算和内存访问，同时保持令人满意的线性化性能。将 TM3.1a 200 MHz 带宽 256-QAM OFDM 信号应用于 3.5 GHz GaN Doherty PA，DeltaDPD 实现了 -50.03 dBc 的相邻频道功率比（ACPR）、-37.22 dB 的归一化均方误差（NMSE）和 -38.52 dBc 的误向量幅度（EVM），并实现 52% 的时序稀疏性，导致推估推理功耗降低 1.8 倍。DeltaDPD 代码将在正式出版后于 https://www.opendpd.com 发布。
引用
@article{arxiv.2505.06250,
title = {DeltaDPD: Exploiting Dynamic Temporal Sparsity in Recurrent Neural Networks for Energy-Efficient Wideband Digital Predistortion},
author = {Yizhuo Wu and Yi Zhu and Kun Qian and Qinyu Chen and Anding Zhu and John Gajadharsing and Leo C. N. de Vreede and Chang Gao},
journal= {arXiv preprint arXiv:2505.06250},
year = {2025}
}
备注
Accepted to IEEE Microwave and Wireless Technology Letters (MWTL)