[논문 리뷰] Convolutional Neural Network for Behavioral Modeling and Predistortion of Wideband Power Amplifiers

Xin Hu, Zhijun Liu외 9명|arXiv (Cornell University)|2020. 05. 20.

Advanced Power Amplifier Design참고 문헌 43인용 수 4

한 줄 요약

이 논문은 폭넓은 대역의 전력 증폭기(PA)를 위한 실수값 시간지연 컨볼루션 신경망(RVTDCNN)을 제안한다. I/Q 및 에너지에 의존하는 신호 성분으로부터 기저 함수를 추출하기 위해 컨볼루션 계층을 활용함으로써, 높은 복잡도 없이 강한 메모리 효과를 효과적으로 포착할 수 있으며, 더 깊은 신경망 수준의 성능을 달성하면서도 학습 부담을 줄였다.

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.

연구 동기 및 목표

• 데이터 기반 기법을 사용하여 폭넓은 대역의 전력 증폭기에서 강한 메모리 효과를 모델링하는 데 도전하는 것.
• PA 행동 모델링 및 선왜곡을 위한 신경망 모델의 복잡도를 줄이는 것.
• 폭넓은 대역 신호에서 높은 모델링 정확도를 유지하면서 학습 효율성을 향상시키는 것.
• I/Q 및 에너지에 의존하는 신호 성분으로부터 효과적인 기저 함수 추출을 위해 컨볼루션 구조를 활용하는 것.
• 경량 RVTDCNN이 더 깊은 신경망과 동등한 성능을 달성할 수 있음을 보여주는 것.

제안 방법

• RVTDCNN은 실수값 시간지연 컨볼루션 계층을 사용하여 현재 및 과거 입력 신호의 in-phase(I), quadrature(Q), 그리고 에너지에 의존하는 성분으로부터 기저 함수를 추출한다.
• 입력을 시간적 의존성을 통해 메모리 효과를 모델링할 수 있도록 I/Q 및 에너지 항목의 그래프 구조로 구성한다.
• 컨볼루션 계층 내의 사전 설계된 필터는 광범위한 역전파의 필요성을 줄여 학습 복잡도를 낮춘다.
• 컨볼루션 계층의 가중치 공유로 강한 메모리 효과가 있음에도 불구하고 낮은 모델 복잡도를 유지한다.
• 추출된 특징들은 최종 출력 예측을 위한 단순한 완전 연결 계층을 통과시켜 정방향 또는 역방향 모델링을 수행한다.
• 아키텍처는 행동 모델링 및 선왜곡을 위한 엔드 투 엔드 학습을 수행하며, 폭넓은 대역 PA 데이터를 기반으로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 컨볼루션 신경망이 폭넓은 대역 전력 증폭기의 비선형성 및 메모리 의존적 행동을 효과적으로 모델링할 수 있는가?
• RQ2 컨볼루션 계층에 사전 설계된 필터를 사용할 경우, 모델링 정확도를 희생시키지 않고도 학습 복잡도를 줄일 수 있는가?
• RQ3 기본 및 다층 신경망과 비교하여 RVTDCNN의 성능 및 복잡도는 어떻게 되는가?
• RQ4 최소한의 파rameter 증가로 RVTDCNN이 강한 메모리 효과를 효율적으로 포착할 수 있는가?
• RQ5 RVTDCNN은 폭넓은 대역 통신 시스템에서 실시간 선왜곡 응용에 적합한가?

주요 결과

• RVTDCNN은 표준 및 다층 신경망과 동등한 모델링 정확도를 달성하여 폭넓은 대역 PA 데이터에서 강력한 일반화 능력을 보였다.
• 가중치 공유와 사전 설계된 필터 덕분에 낮은 복잡도를 유지하였으며, 일반적으로 메모리 효과로 인해 발생하는 지수적 파라미터 증가를 피했다.
• 필터 설계와 컨볼루션 특징 추출 덕분에 기존의 깊은 신경망에 비해 학습 복잡도가 크게 감소하였다.
• RVTDCNN은 오직 I/Q 및 에너지에 의존하는 신호 성분만을 사용하여 폭넓은 대역 PA의 비선형성 및 메모리 의존적 행동을 효과적으로 포착하였다.
• 실험 결과에 따르면 RVTDCNN은 폭넓은 대역 시스템에서의 행동 모델링 및 선왜곡에 실용적이고 효율적인 대안임을 확인하였다.
• 모델의 성능는 다양한 폭넓은 대역 신호 조건에서 뛰어난 안정성을 보였으며, 실용적 구현에 적합함을 시사하였다.