[論文レビュー] Convolutional Neural Network for Behavioral Modeling and Predistortion of Wideband Power Amplifiers

Xin Hu, Zhijun Liu+9 more|arXiv (Cornell University)|May 20, 2020

Advanced Power Amplifier Design参考文献 43被引用数 4

ひとこと要約

本稿では、広帯域パワー・アンプ（PA）の行動モデル化および予歪みに向けた実数値時遅延畳み込みニューラルネットワーク（RVTDCNN）を提案する。I/Qおよびエナベルド依存信号成分から基本関数を抽出する畳み込み層を活用することで、低複雑性でありながら強いメモリ効果を効果的に捉えることができ、深層ニューラルネットワークと同等の性能を達成しつつ、トレーニング負荷を軽減する。

ABSTRACT

In this paper, we propose a novel behavior model for wideband PAs using a real-valued time-delay convolutional neural network (RVTDCNN). The input data of the model are sorted and arranged as the graph composed of the in-phase and quadrature (I/Q) components and envelope-dependent terms of current and past signals. We design a pre-designed filter using the convolutional layer to extract the basis functions required for the PA forward or reverse modeling. The generated rich basis functions are modeled using a simple fully connected layer. Because of the weight sharing characteristics of the convolutional structure, the strong memory effect does not lead to a obvious increase in the complexity of the model. Meanwhile, the extraction effect of the pre-designed filter also reduces the training complexity of the model. The experimental results show that the performance of the RVTDCNN model is almost the same as the NN models and the multilayer NN models.

研究の動機と目的

• データ駆動的手法を用いて、広帯域パワー・アンプにおける強いメモリ効果をモデル化する課題に対処すること。
• PAの行動モデル化および予歪みのためのニューラルネットワークモデルの複雑性を低減すること。
• 広帯域信号における高いモデル化精度を維持しつつ、トレーニング効率を向上させること。
• I/Qおよびエナベルド依存信号成分からの基本関数抽出に畳み込み構造を活用すること。
• 軽量なRVTDCNNが深層ニューラルネットワークと同等の性能を達成できることを示すこと。

提案手法

• RVTDCNNは、現在および過去の入力信号の同相（I）、正交（Q）、およびエナベルド依存成分から基本関数を抽出する実数値時遅延畳み込み層を用いる。
• 入力はI/Qおよびエナベルド項のグラフとして構造化され、時間的依存性を通じてメモリ効果をモデル化できる。
• 畳み込み層に事前に設計されたフィルタを導入することで、バックプロパゲーションの必要性が低減され、トレーニング複雑性が低下する。
• 畳み込み層における重み共有により、強いメモリ効果がある中でもモデル複雑性が低く抑えられる。
• 抽出された特徴量は単純な全結合層を経由して、前方または逆方向モデル化の最終出力予測が行われる。
• アーキテクチャは、広帯域PAデータ上で評価されるエンドツーエンドのトレーニングを経て、行動モデル化および予歪みに用いられる。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワークは、広帯域パワー・アンプの非線形的かつメモリ依存的挙動を効果的にモデル化できるか？
• RQ2 畳み込み層に事前に設計されたフィルタを用いることで、モデル化精度を損なわずにトレーニング複雑性を低減できるか？
• RQ3 標準的および多層ニューラルネットワークと比較して、RVTDCNNはPAモデル化において性能および複雑性の点で優れているか？
• RQ4 RVTDCNNは、パrameter数の増加を最小限に抑えて、強いメモリ効果を効率的に捉えることができるか？
• RQ5 RVTDCNNは、広帯域通信システムにおけるリアルタイム予歪み応用に適しているか？

主な発見

• RVTDCNNは、標準的および多層ニューラルネットワークと同等のモデル化精度を達成しており、広帯域PAデータにおいて優れた一般化性能を示している。
• 重み共有と事前に設計されたフィルタのおかげで、モデル複雑性が低く抑えられ、通常のメモリ効果に伴うパrameter数の指数的増加を回避している。
• フィルタ設計と畳み込み特徴抽出のおかげで、従来の深層ニューラルネットワークと比較してトレーニング複雑性が顕著に低減している。
• RVTDCNNは、I/Qおよびエナベルド依存信号成分のみを用いて、広帯域PAの非線形的かつメモリ依存的挙動を効果的に捉えている。
• 実験結果から、RVTDCNNは広帯域システムにおける行動モデル化および予歪みの実用的かつ効率的な代替手段であることが確認された。
• モデルの性能は、さまざまな広帯域信号条件においても安定しており、実装への適性が示唆されている。