OpenDPD：用于宽带功率放大器建模和数字预失真的开源端到端学习与基准测试框架
机器学习
2024-09-04 v2 信号处理
摘要
随着通信容量的增长，用于校正宽带功率放大器（PA）非线性的数字预失真（DPD）深度神经网络（DNN）变得突出。然而，在快速DPD探索和客观DPD模型比较方面，缺乏开源且独立于测量设置的平台。本文提出了一个开源框架OpenDPD，用PyTorch编写，并附带用于PA建模和DPD学习的数据集。我们引入了一种密集门控循环单元（DGRU）-DPD，通过新颖的端到端学习架构进行训练，在具有与传统模拟PA不同传输特性的新型数字发射机（DTX）架构的数字PA（DPA）上，性能优于先前的DPD模型。测量结果显示，对于200 MHz OFDM信号，我们的DGRU-DPD实现了-44.69/-44.47 dBc的ACPR和-35.22 dB的EVM。OpenDPD代码、数据集和文档可在https://github.com/lab-emi/OpenDPD公开获取。
引用
@article{arxiv.2401.08318,
title = {OpenDPD: An Open-Source End-to-End Learning & Benchmarking Framework for Wideband Power Amplifier Modeling and Digital Pre-Distortion},
author = {Yizhuo Wu and Gagan Deep Singh and Mohammadreza Beikmirza and Leo C. N. de Vreede and Morteza Alavi and Chang Gao},
journal= {arXiv preprint arXiv:2401.08318},
year = {2024}
}
备注
To be published at the 2024 IEEE International Symposium on Circuits and Systems (ISCAS), Singapore