一种基于高级克罗内克积的时间延迟神经网络，用于射频功率放大器的数字预失真

《IEEE Transactions on Microwave Theory and Techniques》：An Advanced Kronecker Product-Based Time-Delay Neural Network for Radio Frequency Power Amplifier Digital Predistortion

　　

摘要：

在最近的研究中，神经网络（NNs）已成为射频（RF）功率放大器（PAs）数字预失真（DPD）最普遍和关键的解决方案。现有的DPD NN方案可以分为两类：一类是其输入数据集包含了来自记忆多项式（MP）的非线性特性；另一类则集成了功能相位恢复模块（PRB）。这些主流的DPD NN方法在仿真研究和实际工程应用中都已被验证是有效的。然而，现有的DPD NN方案缺乏针对PA固有非线性特性的定制拟合策略，导致收敛速度慢且无法达到预期的性能指标。为了解决这一限制，本文提出了一种基于克罗内克积的时间延迟NN（AKPTDNN）。该NN建立在面向块的时延迟NN（BOTDNN）和基于克罗内克积（KP）的模块之上。它由多个线性层组成，这些层包含非线性激活函数和KP操作，专门设计用于构建以下形式的非线性特性：x(n?m1)|x(n?m2)|p，这种特性基于广义MP（GMP）模型的基函数。此外，与基于KP的模块不同，所提出的NN不会通过非线性激活函数传递包含相位特性的项，从而避免了相位特性的破坏。这些设计措施旨在减轻NN的拟合负担，其有效性已通过NN训练实验得到验证。使用具有不同带宽的正交频分复用（OFDM）信号进行的性能验证表明，AKPTDNN的收敛速度比两种参考DPD NN方案更快，这一点通过平均归一化均方误差（NMSE）和相邻信道功率比（ACPR）进行了量化。此外，对……的比较分析也证明了这一点。

显示更多