大规模 MIMO 的时域与频域数字预失真：方法与性能分析

在大规模多用户 (MU) 多输入多输出 (MIMO) 正交频分复用 (OFDM) 系统中使用多达数百根天线，给旨在线性化非线性功率放大器 (PA) 的数字预失真 (DPD) 带来了复杂度挑战。传统时域 (TD) DPD 的复杂度随 PA 数量缩放，而频域 (FD) DPD 的复杂度则随用户设备 (UE) 数量缩放。本文全面分析了不同最先进的 TD 和 FD-DPD 方案在丰富散射和视距 (LOS) 信道以及存在天线串扰情况下的复杂度和线性化性能。我们提出了一种 novel 低复杂度 FD 卷积神经网络 (CNN) DPD。我们还提出了一种适用于任何具有可微结构的 FD-DPD 的学习算法。分析表明，FD-DPD（尤其是所提出的 FD CNN）在用户较少的 LOS 场景中更为可取，因为其在复杂度和线性化性能之间具有良好的权衡。另一方面，在用户较多或各向同性散射信道的场景中，UE 之间显著的互调失真会降低 FD-DPD 的性能，使得 TD-DPD 更为合适。所提出的学习算法使得 FD-DPD 在天线串扰下能够优于通过间接学习架构优化的 TD-DPD。