用于数字预失真的残差神经网络
信号处理
2020-10-20 v2
摘要
跟踪射频功率放大器（PA）的非线性行为具有挑战性。为了解决这个问题，我们在残差学习与 PA 非线性之间建立了联系，并提出了一种新颖的残差神经网络结构，称为残差实值时延神经网络（R2TDNN）。R2TDNN 不是学习 PA 的整体行为，而是通过在输入层和输出层之间添加恒等快捷连接来专注于学习其非线性行为。特别是，我们将 R2TDNN 应用于数字预失真，并在真实的 PA 上测量实验结果。与 Liu 等人和 Wang 等人最近提出的神经网络相比，R2TDNN 在归一化均方误差和邻道功率比方面取得了最佳的线性化性能，且计算复杂度更低或相似。此外，R2TDNN 表现出显著更快的训练速度和更低的训练误差。
引用
@article{arxiv.2005.05655,
title = {Residual Neural Networks for Digital Predistortion},
author = {Yibo Wu and Ulf Gustavsson and Alexandre Graell i Amat and Henk Wymeersch},
journal= {arXiv preprint arXiv:2005.05655},
year = {2020}
}
备注
Add details of training hyperparameters; Accepted for publication at GlobeCom 2020