学习补偿：一种面向5G功率放大器补偿的深度神经网络框架
信号处理
2021-06-16 v1 机器学习
摘要
由于5G通信系统特性复杂，通过数学建模设计射频器件成为一项艰巨挑战。此外，此类数学模型需针对各种规格要求进行大量人工调整。本文提出一种基于学习的框架，用于建模并补偿5G通信中的功率放大器（PAs）。在该框架中，深度神经网络（DNNs）用于学习PAs的特性，同时学习相应的数字预失真（DPDs）以补偿PAs的非线性与记忆效应。在此框架之上，我们进一步提出两种频域损失，相较于朴素时域均方误差（MSE），可引导学习过程更好地优化目标。所提框架可作为传统方法的直接替代方案。该方法平均降低56.7%的非线性与记忆效应，相当于比精心设计的数学模型平均提升16.3%，在严重失真场景下甚至达到34%的增强。
引用
@article{arxiv.2106.07953,
title = {Learning to Compensate: A Deep Neural Network Framework for 5G Power Amplifier Compensation},
author = {Po-Yu Chen and Hao Chen and Yi-Min Tsai and Hsien-Kai Kuo and Hantao Huang and Hsin-Hung Chen and Sheng-Hong Yan and Wei-Lun Ou and Chia-Ming Cheng},
journal= {arXiv preprint arXiv:2106.07953},
year = {2021}
}
备注
IEEE International Conference on Communications (ICC) 2021