[论文解读] 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 4

一句话总结

本文提出了一种实值时延卷积神经网络（RVTDCNN），用于宽带功率放大器（PAs）的行为建模与预失真。通过利用卷积层从I/Q信号和包络相关信号分量中提取基函数，该模型以低复杂度高效捕捉强记忆效应，性能可与更深的神经网络相媲美，同时显著降低训练负担。

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.

研究动机与目标

• 解决使用数据驱动技术对宽带功率放大器中强记忆效应进行建模的挑战。
• 降低神经网络模型在PA行为建模与预失真中的复杂度。
• 在保持宽带信号高建模精度的同时，提升训练效率。
• 利用卷积结构从I/Q信号和包络相关信号分量中有效提取基函数。
• 证明轻量级RVTDCNN可实现与深层神经网络相当的性能。

提出的方法

• RVTDCNN使用实值时延卷积层，从当前及历史输入信号的同相（I）、 quadrature（Q）和包络相关分量中提取基函数。
• 输入被组织为I/Q与包络项的图结构，使网络能够通过时间依赖关系建模记忆效应。
• 卷积层中预设计的滤波器减少了对大量反向传播的依赖，从而降低了训练复杂度。
• 卷积层中的权重共享在保持低模型复杂度的同时，有效应对强记忆效应。
• 提取的特征通过一个简单的全连接层进行最终输出预测，适用于前向或反向建模。
• 该架构采用端到端方式训练，用于行为建模与预失真，性能在宽带PA数据上进行评估。

实验结果

研究问题

• RQ1 卷积神经网络能否有效建模宽带功率放大器的非线性与记忆依赖行为？
• RQ2 在卷积层中使用预设计滤波器是否能在不损失建模精度的前提下降低训练复杂度？
• RQ3 与标准及多层神经网络相比，RVTDCNN在PA建模中的性能与复杂度表现如何？
• RQ4 RVTDCNN能否在参数增长最小化的情况下高效捕捉强记忆效应？
• RQ5 RVTDCNN是否适用于宽带通信系统中的实时预失真应用？

主要发现

• RVTDCNN在宽带PA数据上实现了与标准及多层神经网络相当的建模精度，表现出强大的泛化能力。
• 由于权重共享和预设计滤波器的存在，该模型保持了低复杂度，避免了记忆效应通常导致的参数指数级增长。
• 得益于滤波器设计与卷积特征提取，其训练复杂度显著低于传统深度神经网络。
• RVTDCNN仅通过I/Q信号与包络相关信号分量，即有效捕捉了宽带PA的非线性与记忆依赖行为。
• 实验结果证实，RVTDCNN是宽带系统中行为建模与预失真的一种可行且高效的替代方案。
• 该模型在各种宽带信号条件下均表现出稳健性能，表明其具备实际部署的适用性。