MP-DPD：面向宽带功率放大器能效数字预失真的低复杂度混合精度神经网络
信号处理
2024-04-25 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
数字预失真(Digital Pre-Distortion, DPD)可提升宽带射频功率放大器的信号质量。随着现代无线电系统中信号带宽的扩展，DPD的能耗日益影响整体系统效率。深度神经网络为DPD提供了有前景的进展，但其高复杂度阻碍了实际部署。本文引入开源混合精度神经网络，采用量化低精度定点参数以实现高能效DPD。该方法降低了计算复杂度与内存占用，从而在不损害线性化效能的情况下降低了功耗。将该方法应用于数字射频PA的160MHz带宽1024-QAM OFDM信号，MP-DPD与32位浮点精度DPD相比无性能损失，同时邻道功率比(ACPR)达到-43.75 (L)/-45.27 (R) dBc，误差向量幅度(EVM)达到-38.72 dB。16位定点精度MP-DPD使估算推理功耗降低了2.8倍。PyTorch学习与测试代码公开于 \url{https://github.com/lab-emi/OpenDPD}。
引用
@article{arxiv.2404.15364,
title = {MP-DPD: Low-Complexity Mixed-Precision Neural Networks for Energy-Efficient Digital Predistortion of Wideband Power Amplifiers},
author = {Yizhuo Wu and Ang Li and Mohammadreza Beikmirza and Gagan Deep Singh and Qinyu Chen and Leo C. N. de Vreede and Morteza Alavi and Chang Gao},
journal= {arXiv preprint arXiv:2404.15364},
year = {2024}
}
备注
Accepted to IEEE Microwave and Wireless Technology Letters (MWTL)