CN113809992A - 用于功率放大器的基于机器学习的数字预失真 - Google Patents

用于功率放大器的基于机器学习的数字预失真 Download PDF

Info

Publication number
CN113809992A
CN113809992A CN202110652386.4A CN202110652386A CN113809992A CN 113809992 A CN113809992 A CN 113809992A CN 202110652386 A CN202110652386 A CN 202110652386A CN 113809992 A CN113809992 A CN 113809992A
Authority
CN
China
Prior art keywords
machine learning
feedback signal
learning model
signal
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110652386.4A
Other languages
English (en)
Inventor
O-E·巴尔布
B·维杰尔加德
J·哈雷贝克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN113809992A publication Critical patent/CN113809992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F1/00—Details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements
    • H03F1/32—Modifications of amplifiers to reduce non-linear distortion
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F1/00—Details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements
    • H03F1/32—Modifications of amplifiers to reduce non-linear distortion
    • H03F1/3241—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits
    • H03F1/3247—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits using feedback acting on predistortion circuits
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/189—High-frequency amplifiers, e.g. radio frequency amplifiers
    • H03F3/19—High-frequency amplifiers, e.g. radio frequency amplifiers with semiconductor devices only
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/20—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers
    • H03F3/24—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers of transmitter output stages
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/20—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers
    • H03F3/24—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers of transmitter output stages
    • H03F3/245—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers of transmitter output stages with semiconductor devices only
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F1/00—Details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements
    • H03F1/32—Modifications of amplifiers to reduce non-linear distortion
    • H03F1/3241—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits
    • H03F1/3258—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits based on polynomial terms
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F2200/00—Indexing scheme relating to amplifiers
    • H03F2200/451—Indexing scheme relating to amplifiers the amplifier being a radio frequency amplifier
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F2201/00—Indexing scheme relating to details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements covered by H03F1/00
    • H03F2201/32—Indexing scheme relating to modifications of amplifiers to reduce non-linear distortion
    • H03F2201/3227—Adaptive predistortion based on amplitude, envelope or power level feedback from the output of the main amplifier
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F2201/00—Indexing scheme relating to details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements covered by H03F1/00
    • H03F2201/32—Indexing scheme relating to modifications of amplifiers to reduce non-linear distortion
    • H03F2201/3231—Adaptive predistortion using phase feedback from the output of the main amplifier
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F2201/00—Indexing scheme relating to details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements covered by H03F1/00
    • H03F2201/32—Indexing scheme relating to modifications of amplifiers to reduce non-linear distortion
    • H03F2201/3233—Adaptive predistortion using lookup table, e.g. memory, RAM, ROM, LUT, to generate the predistortion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • H04B2001/0408—Circuits with power amplifiers
    • H04B2001/0425—Circuits with power amplifiers with linearisation using predistortion

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Nonlinear Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Amplifiers (AREA)

Abstract

示例实施例涉及基于机器学习的功率放大器数字预失真。设备可以利用功率放大器来放大信号并且发送信号。信号可以由设备的内部反馈接收器接收。设备可以还包括第一机器学习模型，该第一机器学习模型被配置为仿真外部反馈接收器并且基于内部反馈信号生成仿真的反馈信号。该设备可以还包括第二机器学习模型，该第二机器学习模型被配置为基于仿真的反馈信号来确定用于功率放大器的数字预失真参数。装置，方法，和计算机程序被公开。

Description

用于功率放大器的基于机器学习的数字预失真
技术领域
本申请总体上涉及到功率放大器。具体地，本发明的一些示例实施例涉及用于功率放大器的基于机器学习的数字预失真。
背景技术
功率放大器影响通信系统的性能和吞吐量。例如，功率放大器的非线性可以生成光谱的再生长(re-growth)，这会导致相邻信道干扰或违反监管机构(regulatory body)规定的带外传输标准。此外，非线性可以引起带内失真，该失真使误差向量的幅度劣化，并最终使误码率(BER)和数据吞吐量劣化。机器学习(ML)或其他自动化过程可以被用于不同类型的设备(诸如，例如移动电话)中的不同应用。通常，机器学习使计算模型，例如神经网络，能被训练以对输入数据执行特定任务。
发明内容
该发明内容被提供来以简化形式介绍概念的选择，该概念的选择在以下具体实施方式中被进一步描述。该发明内容的目的并非旨在标识所要求的主题的关键特性或基本特性，也不旨在被用于限制所要求的主题的范围。
示例实施例改进对用于功率放大器的数字预失真参数的确定。该有益效果可以由独立权利要求的特性实现。进而，实现形式在独立权利要求、说明书以及附图中被提供。
根据一方面，提供一种装置，可以包括发送器，被配置为发送信号，其中该发送器包括功率放大器；内部反馈接收器，被配置为接收发送的信号以获得内部反馈信号；第一机器学习模型，被配置为仿真外部反馈接收器，并且基于内部反馈信号生成仿真的反馈信号；第二机器学习模型，被配置为基于仿真的反馈信号，确定用于功率放大器的数字预失真参数。
根据一方面，提供一种方法，可以包括：发送信号，其中信号利用功率放大器被放大；由内部反馈接收器接收发送的信号获得内部反馈信号；仿真外部反馈接收器，并且利用第一机器学习模型、基于内部反馈信号来生成仿真的反馈信号；利用第二机器学习模型，基于仿真的反馈信号来确定用于功率放大器的数字预失真参数。
根据一方面，提供一种系统，可以包括参考设备，被配置为发送测试信号集，该参考设备包括内部反馈接收器，该内部反馈接收器被配置为接收测试信号集以获得内部反馈信号；外部反馈接收器，被配置以接收测试信号集以获得外部反馈信号；用于训练第一基线机器学习模型以仿真外部反馈接收器、并且基于内部反馈信号来生成仿真的反馈信号的部件，其中对第一基线模型的训练基于的是内部反馈信号以及从外部反馈接收器接收到的外部反馈信号；用于训练第二基线机器学习模型以基于仿真的反馈信号来确定用于参考设备的功率放大器的数字预失真参数的部件，其中对第二基线机器学习模型的训练基于的是仿真的反馈信号和测试信号集。
根据一方面，提供一种方法，可以包括：由参考设备发送测试信号集，该参考设备包括内部反馈接收器，该内部反馈接收器被配置为接收测试信号集以获得内部反馈信号集；训练第一基线机器学习模型以仿真外部反馈接收器，并且基于内部反馈信号来生成仿真的反馈信号，其中对第一基线模型的训练基于的是内部反馈信号以及从外部反馈接收器接收到的外部反馈信号，该外部反馈信号对应于测试信号集；训练第二基线机器学习模型，以基于仿真的反馈信号来确定用于参考设备的功率放大器的数字预失真参数，其中对第二基线机器学习模型的训练基于的是仿真的反馈信号和测试信号集。
根据一方面，提供一种计算机程序，可以包括指令，该指令用于使装置至少执行以下操作：传输信号，其中信号利用功率放大器被放大；由内部反馈接收器接收发送的信号接收以获得内部反馈信号；仿真外部反馈接收器，并且利用第一机器学习模型、基于内部反馈信号来生成仿真的反馈信号；利用第二机器学习模型、基于仿真的反馈信号来确定用于功率放大器的数字预失真参数。
根据一方面，提供一种计算机程序，可以包括指令，该指令用于使装置至少执行以下操作：利用测试信号的子集来训练多个设备，其中对多个设备中的每个设备的训练包括：基于第一基线机器学习模型来初始化第一机器学习模型的实例；基于第二基线机器学习模型的子集来初始化第二机器学习模型的实例；训练第一机器学习模型的实例来仿真外部反馈接收器，并基于从设备的内部反馈接收器接收到的、特定于设备的内部反馈信号来生成仿真的反馈信号，其中对第一机器学习模型的实例的训练基于的是特定于设备的内部反馈信号以及从外部反馈接收器接收到的外部反馈信号；以及，训练第二机器学习模型的实例，以基于仿真的反馈信号来确定用于设备的功率放大器的数字预失真参数，其中dui第二基线机器学习模型实例的训练基于的是仿真的反馈信号以及测试信号的子集。
根据一方面，提供一种装置，可以包括至少一个处理器，以及包括计算机程序代码的至少一个存储器；至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置至少：传输，由发送器发送信号，其中发送器包括功率放大器；由内部反馈接收器接收发送的信号以获得内部反馈信号；由第一机器学习模型仿真外部反馈接收器，并且由第一机器学习模型基于内部反馈信号来生成仿真的反馈信号；以及由第二机器学习模型基于仿真的反馈信号来确定用于功率放大器的数字预失真参数
很多附加特性将被更容易地理解，因为其通过参照关于附图而被考虑的以下具体实施方式而变得更易于理解。
附图说明
为了提供本发明的示例实施例的进一步理解，并且构成该说明书的部分，所包括的附图图示了示例实施例并与说明书共同帮助解释示例实施例。在附图中：
图1图示了根据示例实施例的数字预失真系统的示例
图2图示了根据示例实施例的用于在6GHz以下的受限带宽的数字预失真系统的示例
图3图示了根据示例实施例的用于高带宽和毫米波支持的数字预失真系统的示例
图4图示了被配置以实践一个或多个示例实施例的装置的示例
图5图示了根据示例实施例的神经网络的示例
图6图示了根据示例实施例的基本计算单元的示例
图7图示了根据示例实施例的卷积神经网络的示例
图8图示了根据示例实施例的数字预失真校准的三级方法(three stageapproach)的示例
图9图示了用于训练基于机器学习的数字预失真模型的示例
图10图示了根据示例实施例的应用通用对抗性神经网络(GAN)以用于训练数字预失真系统的示例
图11图示了根据示例实施例的训练基于机器学习的数字预失真模型的示例
图12图示了根据示例实施例的、针对基于机器学习的数字预失真系统的实例传递学习的示例
图13图示了根据示例实施例的、对基于机器学习的数字预失真系统的通用训练和特定于设备的训练的流程图的示例
图14图示了根据示例实施例的、基于机器学习的数字预失真系统的部署和重新训练的示例
图15图示了根据示例实施例的、基于机器学习的数字预失真系统的部署和重新训练的另一示例
图16图示了根据示例实施例的应用基于机器学习的数字预失真系统的方法的示例
图17图示了根据示例实施例的用于训练基于机器学习的数字预失真系统的方法的示例
相似的附图标记被用于指定附图中的相似部分
具体实施方式
引用将在示例实施例中被详细做出，在附图中图示其示例。以下提供的关于附图的详细描述旨在作为对呈现示例的描述，并且不旨在代表本示例可以被构造或被利用的唯一形式。该描述阐明了该示例的功能和构造与操作该示例的步骤的可行顺序。然而，相同或等同的功能和顺序可由其他示例实现。
非线性功率放大器可以产生各种副作用。为减小非线性，功率放大器可以以低功率被操作，例如在其操作曲线的线性部分内的回退(back-off)模式。然而，一些传输系统，如宽带码分多址(WCDMA)系统和正交频分复用(OFDM)系统，例如无线局域网(WLAN)、第三代合作伙伴计划(3GPP)长期演进(LTE)、3GPP 5G新无线电(NR)，可以使传输信号具有高峰平功率比(PAPR)。即信号波形具有大的变化。因此，功率放大器可能需要回退到显著低于最大饱和输出功率，以避免高峰值的畸变。这可能会导致低效率，例如低于10％。随着超过90％的功率被损耗并转化为热量，放大器的性能、可靠性和运行花费可能严重降级。因此，本公开的示例实施例提供了用于功率放大器线性化的基于机器学习的数字预失真方法。
根据示例实施例，装置可以利用功率放大器来放大信号并发送信号。该信号可以由装置的内部反馈接收器接收。该装置可以还包括第一机器学习模型，该第一机器学习模型被配置为仿真外部高质量反馈接收器，并且基于内部反馈信号生成仿真的反馈信号。该外部高质量反馈接收器可以在产生阶段(production phase)被用于训练第一机器学习模型，以基于内部反馈信号模仿外部反馈信号。该装置可以还包括第二机器学习模型，该第二机器学习模型被配置为基于仿真的反馈信号来确定用于信号放大器的数字预失真参数。因此，即使在将装置部署在场之后，无论内部反馈接收器的能力有多有限，都可以维护反馈信号的足够质量，从而功率放大器的线性被改进。
图1图示了根据示例实施例的数字预失真系统100的示例。数字预失真系统100可以在装置上被体现，例如，发送器。输入信号x(t)可以被提供给数字预失真器(DPD)102，该数字预失真器可以被配置为将补充功率放大器(PA)104的压缩非线性的、非线性扩大到预失真信号z(t)。作为结果，级联DPD 102和PA 104的输出y(t)关于于输入x(t)是线性化的，如图1图示。在理想情况下，y(t)关于x(t)严格线性。然而，应当理解的是，在线性实际应用中，功率放大器的线性化可以包括使功率放大器的输出总体上或充分地的线性，例如对于特定应用。DPP 102和PA 104可以在维持充足线性度的同时被利用到其饱和点。因此，发送器的输出功率容量可以被增加给定的线性目标，或改进的线性度可以被用于在给定回退输出功率处增加发送器的效率，例如，通过针对较低的饱和点重新偏置PA 104。DPD 102可以近似为PA 104的逆(inverse)。
DPD 102可以基于无记忆模型被实现，该模型适合于具有无记忆非线性的功率放大器。在该情况下，PA 104的输出可以取决于当前输入。该即时非线性可以由以PA 104的AM/AM(波幅调制/波幅调制)和AM/PM(振幅调制/相位调制)的响应来表征，其中功率放大器输出的输出信号幅度与相位偏差可以作为其当前输入幅度的函数而被提供。例如，基于算法的无记忆多项式和查找表(LUT)可以被用以实现无记忆模型。
然而，简单无记忆模型可能不足以用于具有宽带宽的系统，其中功率放大器可能具有记忆效应，例如。由于有源器件的热能常量或具有频率依赖性行为的偏置组件。PA 104的输出可能附加地取决于过去的输入值，并且因此无记忆DPD 102可能无法充分的线性化PA 104。
用于使这种功率放大器线性化的方法是应用包括存储器结构的DPD。这种算法的示例包括基于伏尔特拉级数的算法和它的衍生物，例如Wiener,Hammerstein,Wiener-Hammerstein或并行Wiener结构和存储多项式模型。
构建具有存储器的DPD 102的方法是直接找到PA 104的逆(DLA，直接学习架构)。然而，这可能无法直接获得具有存储器的非线性系统的逆。另一方法是间接学习架构(IDLA)，该方法支持避免PA 104的模型假设和参数估计。
图2图示了根据示例实施例的用于低于6GHz的受限带宽的数字预失真系统200的示例。该示例DPD系统可以适合于低于6GHz频率和具有有限信号带宽(例如，<100MHz)的示例。设备，例如蜂窝通信系统的用户设备(UE)的示例，可以包括基带电路系统210和RF(射频)电路系统220。该RF(射频)电路系统220可以包括数字前端(DFE)、数模转换器(DAC)和模数转换器(ADC)、混频器222和功率放大器(PA)224。一个或多个RF振荡器可以被耦合到混频器222。该射频电路系统220可被配置为通过天线230来传递RF信号。该DPD系统200可以基于的是工厂(factory)处的已知参考信号的传输。内置(build-in)反馈接收器(FRx)可被配置捕获发送的信号并且将信号，例如，经由DFE 226，传送回基带电路系统210，以用于计算DPD系数。在性能显著变化时，例如由于未预料到的老化或场的外部环境的影响，或者如果并入足够的功率回退以吸收环境影响并维护符合规范，该解决方法可以被应用，。
图3图示了根据示例实施例的用于高带宽和毫米波支持的数字预失真系统的示例。设备，例如UE，可以包括基带电路310、中频(IF)电路系统320和RF电路系统330。中频电路系统320可以包括DFE、DAC、混频器、中频振荡器和/或功率放大器，以向/从RF电路系统330提供和接收中频信号(IF/V、IF/H)。此外，时钟信号(CLK)和控制数据(CTRL)可以在IF电路系统320和RF电路系统330之间被交换。该RF电路可以包括任何合适的组件，例如PA、混频器、射频振荡器、移相器(PS)和功率检测器(PD)，以经由与RF电路系统330耦合的天线模块传输和接收信号。
DPD系统300还可以包括外部测试设备340(测试盒)。该外部测试设备340可以被配置为捕获带宽高于传输信号带宽的传输信号，例如高达3倍的带宽。该外部测试设备340可以将信号传送回基带电路310，以计算DPD的系数。然而，尽管该解决方法可以更准确的计算DPD的系数，但它没有考虑到动态变化，例如在设备部署到场后，在有效操作过程中不断变化的负载效应。在这种情况下，静态DPD系数集可能提供不了足够的准确度。此外，使用类似于图2的系统也许是不可能的，因为在场操作期间，它可能无法利用内置反馈接收器在线捕获具有所需动态范围的足够大的带宽。因此，例如使用类似于图2的反馈接收器(FRx)可能无法适当的捕获该天线负载效应。
通常，确定DPD参数的方法，例如参数mmWave DPD(mDPD)系数，可能会受到以下因素的不利影响：
1)高带宽。在高带宽下，PA可以展现出存储效应，并且因此可能需要详尽的实时(live)操作条件的代表性数据以用于表征PA。此外，与不具有存储效应的DPD(例如由于较低的带宽)相比，DPD系数的数目可能相助更高。例如，5G NR版本15中的毫米波被定义为具有载波聚合(CA)选项的400MHz，使得即使是早期设备也可以支持400-1200MHz带宽。在DPD应用中，用以DPD表征的测量带宽甚至可能高于传输信号带宽的三倍以上。因此，具有2.4-3.6GHz带宽的硅上的高动态范围测量接收器可能是不现实的。
2)天线负载效应：对于毫米波操作，该天线可能包括内置于最终工业设计的有源天线。这意味着操作设备的用户可能会触摸天线(或覆盖天线的材料)，并且因而影响天线负载。一旦该天线负载发生变化该PA特性将受到影响，并且该DPD系数可能需要更新。因此，在实验室或生产线上被表征的静态解决方法可能是不充足的。如果DPD训练的实时操作得不到支持，则PA设计可能需要为负载不匹配的情形建立广泛的缓冲功率余量，这会导致与正常条件相比的次优性能。
3)设备参考信号。由于杂散发射(spurious emission)要求，UE可能被要求不进行高于大约-47dBm/1MHz的发送，除非3GPP规范的示例允许。合适的非3GPP标准UE TX参考/测试信号可用于描述PA的行为。该测试信号的功率可能需要代表实时UL传输，以便在训练期间将PA置于正确的大信号条件下。这可能只在实验室或UE生成设置中才有可能，因为最终设备可能不能在场使用大参考/测试信号。
4)在线测量：设备在PA和mDPD表征期间，可以在SISO(单输入-单输出)模式中操作。这使UE能在一个MIMO(多输入-多输出)分支上进行发送，并且使用其他MIMO分支来接收反馈信号以便完成PA表征。然而，针对上行链路MIMO，由于两个可用TX分支可能都被占用，该解决方法可能不起作用。
因此，本文公开的示例实施例提供了基于机器学习(ML)的DPD架构，该基于机器学习(ML)的DPD架构可以在将UE部署在场中之后，实现DPD参数的更准确确定。该示例实施例可以被应用于示例系统，该系统中的内置反馈接收器的带宽不足以准确的确定DPD参数。该示例实施例能够考虑到天线负载效应和老化效应，仿真高保真度，例如在缺乏外部测试设备的情况下的高分辨率(大带宽)反馈信号，使用阶段训练方法，其中参考设备的架构可以在生产期间和场被传送到不同的UE，并且一旦该UE在场进行操作，就触发在线训练。
图4图示了装置400的示例，该装置被配置为实践一个或多个示例实施例。装置400可以包括至少一个处理器402。该至少一个处理器可以包括，例如一个或多个各种处理设备，例如协同处理器、微处理器、控制器、数字信号处理器(DSP)、具有或不具有伴随DSP的处理电路，或包括集成电路的各种其他处理设备，例如特定应用集成电路(ASIC)、场可编程门阵列(FPGA)、微控制器单元(MCU)、硬件加速器、特殊用途计算机芯片或类似设备。
该装置可以还包括至少一个存储器404。该存储器可以被配置以存储，例如计算机程序代码或此类物，例如操作系统软件和应用软件。该存储器可以包括一个或多个易失性存储器设备、一个或多个非易失性存储器设备，和/或它们的组合。例如，该存储器可以体现为磁存储设备(如硬盘驱动器、软盘、磁带等)、光磁存储设备或半导体存储器，如掩膜ROM、PROM(可编程ROM)、EPROM(可擦除PROM)、闪存、RAM(随机存取存储器)等。
装置400还可以包括通信接口408，该接口被配置使装置400能够传输和/或接收信息，例如根据一个或多个无线通信标准的信号。该通信接口408可以被配置以提供至少一个无线电连接，例如3GPP移动宽带连接(例如3G、4G、5G)；无线局域网(WLAN)连接，例如由IEEE802.11系列或Wi-Fi联盟的标准化的连接；短距离无线网络连接，如蓝牙、NFC(近场通信)或RFID连接；本地有线连接，例如局域网(LAN)连接或通用串行总线(USB)连接等；或有线互联网连接。
装置400还可以包括用户接口410，该接口包括输入设备和/或输出设备。该输入设备是各种形式，如键盘、触屏，或一个或多个嵌入控制按钮。该输出设备可以包括，例如显示器、扬声器、振动电机或此类物。
当该装置被配置以实施一些功能时，一些组件和/或装置400的组件，例如至少一个处理器402和/或存储器404，可以被配置以实施该功能。此外，当至少一个处理器402被配置以实施一些功能时，该功能可以使用包括例如在存储器404中的程序代码406来实施。
本文所描述功能可以，至少部分可以，通过一个或多个计算机程序产品组件如软件组件来实施。根据示例实施例，该装置包括处理器或处理器电路，例如微处理器，在执行时由程序代码配置以执行所述操作和功能的实施例。另外，或此外，本文所描述功能可以，至少部分可以，由一个或多个硬件逻辑组件实施。例如，并且不限于，可以被使用的硬件逻辑组件的说明型类型，用于包括可编程门阵列(FPGA)、特定应用集成电路(ASIC)、特定应用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)、图形处理单元(GPU)。
装置400可以包括实施本文所描述的至少一个方法的部件。在一个示例中，该部件包括指示一个处理器402，至少一个存储器404，包括程序代码406，该至少一个存储器404和程序代码406被配置与该至少一个处理器402使装置400实施该方法。
装置400可以包括计算设备，如移动电话、平板电脑、手提电脑、物联网(IoT)设备，或此类物品。IoT设备的示例包括但不限于客户电子产品、可穿戴设备和智能家居。在一个示例中，装置400可用包括车辆，如汽车。虽然装置400被图示为单独的设备，但可以理解的是，只要此处适用，装置400的功能可以分布到多个设备上，例如将示例实施例作为云计算服务实施。
图5图示了根据示例实施例的神经网络的示例。神经网络可以包括具有若干计算层的计算图。例如，神经网络500可以包括输入层，一个或多个隐藏层以及输出层。输入层的节点i1至in，可以与第一隐藏层的m节点中的一个或多个(n11至n1m)相连接。第一隐藏层的节点可以与第二隐藏层的k节点中的一个或多个(n21至n2k)相连接。可以理解的是尽管图5的神经网络示例图示了2个隐藏层，但神经网络可以应用任何数目和任何类型的隐藏层。神经网络500还可以包括输出层。最后隐藏层的节点，如图5的示例，第二隐藏层的节点n21至n2k，可以与输出层的一个或多个节点(o1至oj)相连接。可以注意的是网络每层的节点数可以不同。节点也可以被称为神经元、计算单元或基本计算单元。术语神经网络、神经网、网络以及模型可以互相替换使用。机器学习模型或算法可以包括神经网络，但机器学习也可以作为任何其他适合的学习模型而实施。神经网络的权重可以被称为可学习参数或简称为参数。在图5的示例中，一个或多个该层可以是全面的连接层，例如该层每个节点都与前一层的每个节点相连接。
前馈神经网络是神经网络架构的示例。在前馈神经网络中可以存在任何反馈环路。每一层可以从一个或多个之前层取得输入，并且将输出提供给一个或多个之后的层。并且，某些层中单个的节点和从前一层或多层中的节点得到输入，并向一个或多个之后层的节点提供输出。在线性旁路网络架构中，输入层的一个或多个节点可以与输出层的一个或多个节点相连接。在功率放大器的数字预失真应用中，这使得隐藏层能够聚焦于补偿功率放大器的非线性。
图6图示了根据示例实施例的神经网络节点601的示例。该节点601可以被配置以从一个或多个前层的一个或多个节点接收一个或多个输入(a1至an)，并且计算基于所接收到的输入值的输出。一般来说，节点也可以从一个或多个后续层的一个或多个节点接收反馈。输入可以与参数相关联以调整特定输入到输出的影响。例如，与输入a1至an相关联的权重w1至wn可以被用于乘以输入值a1至an。节点601还可以被配置以结合输入与输出，或者激活。例如，节点601可以被配置为合计修改后的输入值。偏置或偏移量b也可以被应用于将常数添加到修改后的输入组合中。权重和偏置可以是可学习参数。例如，当神经网络被训练用于特定任务或特定情况时，与不同输入和不同节点相关联的权重的值和/或偏置可以被更新，以使与执行任务相关联的误差被降低到可接受的水平。
此外，激励函数f()可以被应用于控制节点601提供输出的时间和方式。激励函数可以是，例如非线性函数，其在0的区域内大体上是线性的，但当输入增加或减少时会限制节点的输出。激励函数的示例包括但不限于，阶梯函数，sigmoid函数、双曲正切函数、ReLu(整流线性单元)函数，以及softmax函数。输出可以提供给网络的一个或多个后续层的节点，和/或网络的一个或多个先前层的一个或多个节点。
前向传播或前向传递可以包括通过神经网络500的层供给输入数据组并产生输出。在该过程中，神经网络500的权重和偏置影响单个节点的激励，从而影响输出层提供的输出。
神经网络和其他机器学习工具的一个属性是它们能够从输入数据学习属性，例如在监督方式或无监督方式中。学习可以基于训练算法所教授的网络，或基于元级神经网络提供训练信号。
通常，训练算法可以包括改变神经网络的一些属性，使得其输出尽可能的接近期望的输出。例如，在DPD参数产生的案例中，神经网络可以被训练以提供输出，使其与参考功率放大器产生期望的(线性)输出。在训练期间，所产生的输出可以与期望的输出相比较以计算误差值或损失值。该误差可以基于损失函数计算。然后更新神经网络可以基于计算关于网络可学习参数的导数。这可以使用反向传播算法来完成示例，该算法从网络的最后一层起确定每一次的梯度，直到获得可学习参数的梯度。接着，每层的参数可以相应的更新以使损失迭代减少。该损失的示例是系统输出和期望输出数据间的平均平方误差(MSE)。在深度学习中，训练可以包括迭代过程，在每个迭代中，算法修改神经网络的参数以使网络的输出逐渐改善，即逐渐减少损失。
图7图示了卷积神经网络700的示例。卷积神经网络700包括至少一个卷积层。卷积层可以执行卷积操作以从输入数据702中提取信息，以形成多个特性图谱706。特性图谱可以通过将滤波器或内核应用于输入数据的子集而产生，例如输入数据702的块704，并通过输入数据滑动滤波器以获得特性图谱每个元素的值。该滤波器可以包括矩阵或张量，例如可以乘以输入数据以提取对应于该滤波器的特性。多个特性图谱可以基于应用多个滤波器而生成。进一步的卷积层可以将来自前一层的特性图谱作为输入，并在特性图谱706上应用相同的滤波器原理以生成另一套特性图谱708。滤波器权重可以是科学系参数，并且它们可以在训练阶段被更新，类似于神经网络500的参数。类似于节点600，激励函数可以被应用于滤波器的输出。卷积神经网络700还可以包括一个或多个其他类型的层，例如在卷积层之前、之后、和/或之间的全连接层710。输入由输出层712提供。对于DPD参数生成任务，输入可以来自内置反馈接收器的信号采样，这将在下文进一步讨论、输出可以包括适于功率放大器特性的DPD系数。
图8图示了根据示例实施例的、用于数字预失真校准三阶段方法的示例。阶段1可以包括实验室表征阶段。阶段1可以在参考设备或参考设备组上被执行，例如在初始化大规模生产之前的实验室环境中。换言之，在该阶段，测试(DUT)下的设备可以作为参考设备。参考设备以可以被称为参考单元、黄金单元或参考UE。阶段1的目标可以是训练第一机器学习算法以基于降低保真度的反馈信号来模仿高保真(hi-fi)信号。另一目标是训练第二ML模型以学习参考设备PA的行为。该第一ML模型和/或第二ML模型可以作为(多个)基线ML模型被使用，以后续用于在不同的设备中对(多个)对应的ML模块进行精细调谐。
阶段1可以包括在各种参数集上利用参考设备来训练ML模型。例如，在针对参数集所配置的范围上进行穷尽训练。因此，在阶段1，激励可以包括全测试覆盖。反馈(FB)路径可以包括经由外部测试盒(参照外部测试设备340)的反馈路径，以及来自机载(onboard)反馈路径的内置反馈接收器。该外部测试盒可以提供高保真信号，并且该内置反馈接收器可以提供降低的保真信号。阶段1的输出可以包括基线DPD系数集。
阶段2可以包括UE生成测试。在阶段2，阶段1的训练方法可以被应用于多个设备，例如生产下的全部UE。然而，激励可以包括减少的测试覆盖范围，例如，阶段1所使用的参数的子集或参数的范围。反馈路径可以包括来自外部测试盒的路径和机载反馈的路径，类似于阶段1。因此，高保真和降低保真的信号都可以被使用。在阶段2，基线ML模型可以为每个设备的特性而调整。因此，阶段2的输出可以包括特定于设备的DPD系数集。
阶段3可以包括场在线整阶段。阶段3可以在多设备中的一个或多个设备上被执行。在该阶段，该设备可能已经被部署到场并由客户或用户使用。因此，该激励包括实时传输信号，以及包括装载反馈路径的反馈路径。经由外部测试盒的反馈路径可能不可用。因此，该设备可能需要通过基于降低保真度信号重新训练第一ML模型和/或第二ML模型，以执行场在线调整。基于降低保真度反馈信号的可靠的重新训练由第一ML模型实现，该模型由阶段1和阶段2被训练为模仿外部测试盒的输出，即高保真信号。阶段3的输出领域包括适配于当前条件的特定于设备的DPD系数。
图9图示了根据示例实施例的用于训练基于机器学习的数字预失真模型的系统的示例。该系统900可以包括基带信号生成器，被配置为生成信号(例如测试信号sn)。该信号可以包括基带信号。该信号可以由涉及环境相关参数的一个或多个信号来描述，例如至少是传输功率、信号带宽、波束配置、调制和/或纠错编码方案、载波频率、温度、电池水平或天线负载中的一个。因此，该信号可以由sn(a,b,c,d,e,f,g,h)来表示，其中参数a-h代表信号参数。在该示例实施例中，参数的数目是8，然而参数的数目是可变的。该基带信号生成器901可以生成具有变化参数和/或参数值的测试信号集。
系统的RF链可以包括功率放大器902，该功率放大器902可能导致信号的非线性。因此，该系统900可以包括内部反馈接收器904(iRX)，被配置为接收发送的信号以获得内部反馈信号yn(a,b,c,d,e,f,g,h)。经功率放大的信号可以借助于天线903被辐射。然而，iRX904可以在没有无线电接口的情况下在内部接收经功率放大的信号。iRX 904也可以被称为内置(反馈)接收器或固有(反馈)接收器
系统900可以还包括外部反馈接收器914(eRX)，该外部反馈接收器914(eRX)可以被配置为通过无线电接口接收信号，例如经由天线913，以获得外部反馈信号rn(a,b,c,d,e,f,g,h)。eRX 914也可以被称为外来(反馈)接收器。eRX 914可以被配置为接收测试信号集以获得多个外部反馈信号，例如在阶段1和阶段2期间。
系统900可以还包括第一机器学习模型，ML-hi-fi模型905(ML高保真模型)，该ML-hi-fi模型905可以被配置为仿真eRX 914，并且基于内部反馈信号yn(a,b,c,d,e,f,g,h)生成仿真的反馈信号gn(a,b,c,d,e,f,g,h)。该仿真的反馈信号gn(a,b,c,d,e,f,g,h)可以包括由eRX914经由天线913接收到的信号的重新生成的版本。
如上文所讨论的，iRX 904的能力可能比eRX 914的能力更有限。例如，eRX 914可以位于外部测试设备处，该设备在例如关于成本或大小没有被限制。相对的，iRX 914可以位于被测设备(DUT)处，例如移动电话。例如，iRX 904的带宽可能低于eRX 904的带宽。并且，iRX 904的动态范围可能低于eRX 904的动态范围。iRX 904可能在关于一个或多个参数上也较差。因此，ML-hi-fi模型905可以在阶段1和阶段2中被训练以模仿由eRX 914提供的外部反馈信号。
对ML-hi-fi模型的训练可以包括从eRX 914接收外部反馈信号rn(a,b,c,d,e,f,g,h)。ML-hi-fi模型905的训练可以基于内部反馈信号yn(a,b,c,d,e,f,g,h)和外部反馈信号rn(a,b,c,d,e,f,g,h)。例如，训练ML-hi-fi模型905以模仿eRX 914可以基于生成对抗网络(GAN)的方法，例如，将涉及图10详细描述。然而，其他篡改和/或外推样本的ML方法也可以被使用。ML-hi-fi模型905的输出gn(a,b,c,d,e,f,g,h)可以包括接近rn(a,b,c,d,e,f,g,h)的重新生成的高保真信号。
系统900还可以包括第二机器学习模型，ML-mDPD模型906(ML毫米波数字预失真模型)。该ML-mDPD模型906可以被配置为基于仿真的反馈信号gn(a,b,c,d,e,f,g,h)的，确定用于功率放大器902的至少一个数字预失真参数。ML-mDPD模型906可以以任何合适的方式被实现，例如作为深度神经网络的级联，深度神经网络可以被训练以学习复合PA响应以及复合PA响应的逆，如关于图5进一步讨论的。功率放大器902可以基于由ML-mDPD模型906确定的数字预失真参数而被线性化，例如，数字预失真参数可以包括ML mDPD 906的子集或一部分，如将关于图11所进一步讨论的。
在阶段1，DUT可以包括参考设备。因此，参考设备可以包括BB信号生成器901、PA902、天线903、iRX 904、ML-hi-fi模型905以及ML-mDPD模型906。在阶段1期间，参考设备可以被配置为发送测试信号集。参考设备的iRX904可以被配置为接收测试信号集以获得内部反馈信号。然后，第一基线机器学习模型，例如基线ML-hi-fi模型，可以被训练以仿真eRX914。基线ML-hi-fi模型还可以被训练以基于内部反馈信号来生成仿真的反馈信号。基线ML-hi-fi模型的训练可以基于内部反馈信号和从参考设备的eRX 914接收到的外部反馈信号。
此外，第二基线ML模型，例如基线ML-mDPD，可以被训练以确定用于参考设备的PA902的至少一个数字预失真参数。基线ML-mDPD模型的训练可以基于仿真的反馈信号gn(a,b,c,d,e,f,g,h)，与测试信号集sn(a,b,c,d,e,f,g,h)。在推论阶段，例如在部署后使用该模型，基线ML-mDPD 906可将仿真的反馈信号gn作为输入，并提供用于使PA 902线性化的数字预失真参数作为输出。该输出可以包括经训练的ML-mDPD模型906的子集或一部分。
图10图示了根据示例实施例的应用通用对抗性神经网络(GAN)以用于训练数字预失真系统的示例。GAN可以包括生成器神经网络1002，该生成器神经网络被配置为将来自iRX 904的(多个)内部反馈信号作为输入。该GAN还包括鉴别器神经网络1004，该鉴别器神经网络可以被配置为将来自生成器神经网络1002的所生成的样本或来自eRX914的真实样本作为输入，代表真实样本或基础真实数据。鉴别器神经网络1004可以被配置为从eRX914和生成器神经网络1002中交替获得输入。鉴别器神经网络1004的任务是评估其输入是真还是假，即输入来自eRX 914还是生成器神经网络1002。
在1006，生成器1002和鉴别器1004可以基于鉴别器1004是否正确地估计了输入样本源而被训练。正确的源可以基于交换机1008的位置而被确定，其是已知的。鉴别器1004可以因正确评估输入样本源而得到奖励，生成器1002可以因欺骗鉴别器1004而得到奖励，例如在鉴别器1004做出错误评估时。奖励的确定是基于函数，该函数可以取决于状态和代理的动作，例如鉴别器1004采取的动作。奖励函数，或其近似值，可以采取任何合适的形式。奇葩可以值生成器1002能够创造一个假信号，而鉴别器1004认为这是真信号。假信号和真信号的错误与正确决定的发生有关于量化欺骗的表现。该竞争的方法使生成器1002能够基于来自iRX904的内部反馈信号被训练以模仿eRX914的操作。在部署之后，生成器神经网络1002可以被于ML-hi-fi模型905以改进内部反馈信号的质量，而不需要访问eRX914。
图11图示了根据示例实施例的训练基于机器学习的数字预失真系统的示例。ML-mDPD模型906可以包括两个ML模型ML-mDPD(PA)1102和ML-mDPD(PA-1)的级联，其可以被训练以对复合PA响应和复合PA响应的逆建模。该模型可以例如被实现作为前馈神经网络500或k层的卷积神经网络700(每层有Nk个神经元)的示例。层的激励函数可以是线性或非线性的，例如ReLu、softmax或类似物。ML-mDPD模型906可以和PA 902的输出处收集的样本进行训练，其目标是最小化差异，例如ML-mDPD 906的输出与信号sn(a,b,c,d,e,f,g,h)的未失真样本之间的均方差。ML-mDPD模型906的子集或部分可以被用作数字预失真模型，用于线性化PA 902。该子集可包括对PA响应逆建模的神经网络，例如ML-mDPD(PA-1)或其参数。因此，由ML-mDPD模型906所确定的数字预失真参数可以包括表征ML-mDPD模型906响应部分的逆的参数，ML-mDPD(PA-1)。在理想情况下，来自PA 902的输出包括相同的信号sn(a,b,c,d,e,f,g,h)。然而，在实践中，输出信号可以包括输入信号sn(a,b,c,d,e,f,g,h)的近似值。
图12图示了根据示例实施例的用于基于机器学习的数字预失真系统的传递学习的示例。在阶段2，例如UE生产阶段，多个设备的基于ML的数字预失真系统可以被训练，使得被训练用于参考设备的基线ML模型被适配于与特定于设备的特性。
参考设备1202可以包括第一基线ML模型，基线ML-hi-fi模型905-1。当前DUT 1204的第一ML模型，ML-hi-fi模型905-2可以基于参考设备1202的基线ML-hi-fi模型905-1而被初始化。例如，在精细调谐之前，当前DUT的ML-hi-fi模型905-2可以包括参考设备1202的ML-hi-fi模型905-1的副本。
参考设备1202还可以包括第二基线ML模型、基线ML-mDPD模型906-1。当前DUT1204的第二ML模型，ML-mDPD模型906-2可以基于参考设备1206的基线ML-mDPD模型906-1而被初始化，例如作为ML-mDPD模型906-1的副本。
然而，根据示例实施例，在初始化ML-mDPD模型906-2时可以考虑当前DUT 1204和参考设备1202间的相似性。例如，ML-mDPD模型906-2可以通过基线ML-mDPD模型906-1的子集而被初始化。该子集可以包括基线ML-mDPD模型906-1的层的子集。该子集可以基于当前DUT 1204和参考设备1202间的相似性度量而被确定。该相似性度量可以被计算出来，例如使用来自两个设备的健康信号、其功率放大器批号(batch number)或类似物来计算。健康信号可以包括任何发送器块的指示性能。相似性度量可以由相似性函数1208计算，该函数可以位于当前DUT 1204和参考设备1202的外部。在该情况下，阶段2的训练系统可以确定基线ML-mDPD 906-1的子集，以用于初始化ML-mDPD 906-2。或者，相似性函数1208可以包括在当前DUT 1204中。在该情况下，DUT 1204可以确定子集。图12的设置能够使DUT 1204的ML-hi-fi 905-2和ML-mDPD 906-2适配于设备的具体特性。此外，基于相似性函数的ML-mDPD906-2的初始化加速了适配过程，同时为精细调谐ML-mDPD 906-2提供了充足的自由度。
图13图示了根据示例实施例的、用于对基于机器学习的预失真系统进行通用训练和特定于设备的训练的流程图的示例。方法1300的操作可以在阶段1和/或阶段2中被执行，并且例如，在类似于图12系统中被应用。
在1301，该方法可以包括选择一个或多个参考设备。
在1302，该方法可以包括训练基线ML模型。操作1302可以包括由参考设备1202发送测试信号集。如上讨论，参考设备可以包括内部反馈接收器，该内部反馈接收器被配置为接收测试信号集，以获得内部反馈信号。该方法可以还包括训练第一基线ML模型，ML-hi-fi905-1，以仿真外部反馈接收器并基于内部反馈信号生成仿真的反馈信号。对第一基线模型ML-hi-fi 905-1的训练可以基于内部反馈信号和从外部反馈接收器收到的外部反馈信号。外部反馈信号可以对应于由外部反馈接收器接收的测试信号集，例如通过天线903和913之间的无线电接口。
在1303，该方法可以包括选择设备作为当前DUT 1202。
在1304，该方法可以包括训练特定于设备的ML模型。例如，当前DUT 1204的ML-hi-fi模型905-2和ML-mDPD模型906-2可以被训练，如上所述，以使基线ML模型适配于当前DUT1204的特定于设备的的特性。例如，操作1304可以包括基于基线ML-hi-fi模型905-1来初始化ML-hi-fi模型905-2的实例。操作1304还可以包括基于ML-mDPD 906-1的子集来初始化ML-mDPD模型906-2的实例。操作1304可以还基于设备与参考设备间的相似性度量来确定ML-mDPD模型906-1的子集。相似性度量可以基于以下至少一项而被确定：参考设备1202的功率放大器和当前DUT 1204的功率放大器的批号，以及参考设备1202和当前DUT 1204的传输性能指标。批号可以包括序列号，该序列号描述了在相同制造周期，从相同的主要材料或类似材料获得的组件。因此，批号可以被用作两个功率放大器之间的相似性测量。传输性能指标可以包括对一个或多个传输块或组件的指示。传输性能可以基于健康信号1206-1和1206-2而被确定。健康信号的示例标志，该标志是在调整解调器记录到高程度的相邻信道泄漏时被触发的。
相似性度量可以基于当前DUT 1204与参考设备1202之间的距离而被确定。相似性度量可以表述为，例如取3个离散值，例如-1＝产品不相似，0＝不确定，1＝产品相似。这三个值可以通过比较当前DUT与参考设备的特性来计算。例如：相似性＝1，如果{(DUT批次＝＝参考设备批次)&(DUT ACLR-参考设备ACLR<阈值)}。按照相似性度量，全部层，层的子集，或没有层可以在初始化当前DUT的ML-mDPD模型906-2时被传送。例如，如果相似性度量等于1，没有层可以被传送，如果相似性度量＝0，则输入和输出层可以被传送。如果相似性＝1，所有层可以被传送。
操作1304还可以包括训练ML-hi-fi模型905-2的实例以仿真外部反馈接收器，并基于从当前DUT 1204的内部反馈接收器接收的特定于设备的内部反馈信号来生成仿真的反馈信号。训练ML-hi-fi模型905-2的实例可以基于特定于设备的内部反馈信号和从外部反馈接收器接收的外部反馈信号。例如，使用图10的GAN方法，ML-hi-fi模型905-2可以被训练以模仿外部反馈接收器。一旦当前DUT 1204在场中部署，并且外部反馈信号不再可用，这使得外部反馈接收器能够更精确的仿真。例如，当ML-hi-fi模型905-2被用于改进来自内部反馈接收器的反馈信号的质量时，当前DUT 1204的功率放大器的特定于设备的特性可以被考虑到。
操作1304可以还训练实例ML-hi-fi模型905-2以基于仿真的反馈信号来确定用于当前DUT 1204的功率放大器的至少一个数字预失真参数。训练ML-mDPD 906-2可以类似于训练基线ML-mDPD 906-1。
然而，根据示例实施例，例如，可以通过在训练ML-hi-fi 905-2和ML-mDPD 906-2时，使用测试信号的子集以缩减测试覆盖。测试信号的子集可以对应于参数的子集，和/或参数值的子集。例如，为了加速适配的过程，测试信号sn(a,b,c,d,e,f,g,h)可以被生成以用于参数a-h的子集，用于参数的有限范围，和/或用于参数特定值。ML-mDPD906-2的实例的训练可以基于仿真的反馈信号和测试信号的子集。该参数集可以包括以下至少一项：传输功率、信号带宽、波束配置、调制和/或纠错编码方案、载波频率、温度、电池水平或天线负载。
在1305，方法可以包括确定是否存在任何设备剩余。如果当前设备集合的全部设备已经被训练，该方法可以结束。如果还有设备要被训练，则该过程可以移动到操作1306以确定是否应该更新基线ML模型或进一步选择参考设备。或者，该过程可以直接移动到操作1303以选择下一个设备作为当前DUT 1204。
在1306，该方法可以包括确定时段和/或性能偏移是否已被触发。如果没有，则该过程可以移动到操作1303以选择下一个设备作为当前DUT 1204，以用于可以在1304执行适配的ML模型。因此，该方法可以包括利用测试信号的子集训练多个设备。每个设备的训练可以包括上述操作。
响应于检测到时段或性能偏移在1306被触发，该过程可以移动到1302以更新基线ML模型。例如规律性周期或其他预定的间隔，或任何观测到性能转变的时候，设备可以被挑选出来以进行更大量的测试。这种全面的实验室描述可以不定时地被重访以在设备生产(阶段2)期间更新基线ML模型。这可以吸收由于组件批次变化或其他效应带来的任何转变。因此，该方法可以包括用测试信号集重新训练基线ML-hi-fi模型905-1和/或基线ML-mDPD模型906-1，该重新训练是在训练预定数量的设备之后，与或/响应检测多个设备中功率放大器线性化性能的转变。例如，如果设备生成的DPD系数的性能与之前所训练设备的性能或之前所训练设备的平均性能相差特定的阈值，该系统可以发起基线ML模型的重新训练，以使其保持更新并在精细调谐进一步设备的ML模型使减少训练迭代的次数。
备选地，从1306，该过程可以移动回1301以选择(多个)不同的参考设备，例如随机的选择。然后，基线ML模型可以基于新参考设备在1302被更新，并且进一步的设备可以基于在1304的更新的基线ML模型而被初始化。
方法1300能够高效的训练基于ML的数字预失真器，并将ML模型适配于特定于设备的特性。此外，该方法使基线ML模型的动态适配保持良好的训练效率，即使生产中的设备内有可变的特性。
图14图示了根据示例实施例的对基于机器学习的数字预失真系统的部署和重新训练的示例。该图示的程序可以应用于阶段3，例如当设备在场中操作并且获得不了已接收的外部反馈时。例如，该设备可以发送符合3GPP规范的信号，而非测试信号sn(a,b,c,d,e,f,g,h)。该设备可以包括基带信号生成器901、天线903，内部反馈接收器904，和ML-hi-fi模型905。该设备还可以包括数字预失真ML模型，例如ML mDPD(PA-1)1104，被配置为能线性化功率放大器902输出。该设备还可以包括ML-mDPD模型(未显示)
由于设备可能没有接入到外部反馈接收器，ML-hi-fi模型905可能不会在该阶段被训练。然而，如果被触发，ML-hi-fi模型905可以接收来自iPX904的内部反馈信号，并生成仿真的反馈信号gn以模仿外部反馈接收器，以便重新训练ML-mDPD模型。当学习触发器被关闭时，该设备可以根据过程的“部署”分支进行操作。响应检测学习触发器或转换到开启状态，该设备可以根据程序的“重新训练”分支进行操作。该学习触发器状态可以由网络获得，例如，该网络可以基于来自附近设备的SINR(信号-干扰-信噪比)报告被确定。或者，该学习触发器状态可以在本地确定，例如周期性，这将在下面进一步讨论。当ML-mDPD训练被触发时，例如标志被升起，该信号sn可以被存储在缓冲器1402中。该ML-hi-fi模型905也可以被激活。ML-hi-fi模型905的输出，仿真的反馈信号gn，也可以被缓冲。响应于确定信号sn和gn已被充分缓冲，ML-mDPD可以从部署切换到学习。
在1404，ML-mDPD可以基于仿真的反馈信号gn和信号sn被重新训练，该信号受支配于传输。重新训练ML-mDPD可以作为对检测到重新训练时段到期的响应。例如，该设备可以被配置为或接收关于重新训练时段的信号信息，例如每天、每周或此类。一旦重新训练时段到期，该设备可以发起重新训练。一旦学习完成，缓冲器可以在1406被刷新。该重新训练时段可以预先配置，或者其可以基于设备类型被确定。设备的类型可以包括工厂的机器人、手持设备、传感器或类似设备。不同的重新训练时段可以被预先配置或由网络节点向设备发出信号。例如，重新训练可以被配置为前者每隔几天一次，后者的示例设备每隔几月一次。
备选地或附加地，重新训练ML-mDPD可以响应于检测到功率放大器性能的改变。例如，如果传输性能度量，例如临近信道泄露量，不再能满足配置或信号的要求，重新训练可以被启动。这使设备能够适配于，例如不断变化的天线负载和老化导致的硬件组件退化。
或者，或另外，重新训练ML-mDPD可以响应检测在至少一个信号传输参数处的更新。例如，传输参数的变化，如带宽或调制或编码方案，可以影响功率放大器902的操作。因此，重新训练ML-mDPD以响应检测到的此类变化能够使传输参数动态变化的情况下维持良好的DPD性能。
备选地或附加地，重新训练ML-mDPD可以响应从网络节点接受到执行重新训练的指令，例如5G基站，gNB。这使网络节点在网络节点的覆盖范围区域内操作，能够控制设备性能，例如UE。
图15图示了根据示例实施例的应用并且重新训练基于机器学习的数字预失真系统的另一示例。该设备可以包括类似于图14的功能和/或区块。然而，该设备还可以包括老化跟踪功能1510，该功能被配置为控制学习触发器。该老化跟踪功能1510可以不间断周期性的在后台执行。在1512，该老化跟踪功能可以确定对应于到期时间(ET)的时段是否期满。如果没有，该学习触发器可以被设置或维持在1514的关闭状态。如果期满，该学习触发器可以被设置在1516的开启状态。该设备还可以包括与ML-mDPD模型训练相关联的重置功能1518。响应完成ML-mDPD的重新训练，类似于1406，该设备可以刷新缓冲器1402。此外，计时器可以被重置并且学习触发器可以被设置回关闭状态。该图14和图15的示例实施例能够使基于ML的数字预失真系统被重新训练以减轻老化及不同类型的环境影响因素的影响。
本公开的示例实施例能够改进应用于线性化功率放大器的数字预失真的精度。该示例实施例有助于毫米波系统的示例，但可以理解的是，该示例实施例也可以被应用于其他频段。
图16图示了根据示例实施例的用于应用基于机器学习的数字预失真系统的方法1600的示例。
在1601，该方法可以包括发送信号，其中该信号由功率放大器放大。
在1602，该方法可以包括由内部反馈接收器接收发送的信号，以获得内部反馈信号。
在1603，该方法可以包括仿真外部反馈计时器，并且利用第一机器学模型、基于内部反馈信号来生成仿真的反馈信号。
在1604，该方法可以包括利用第二机器学习模型基于仿真的反馈信号来确定用于功率放大器的数字预失真参数。
根据示例实施例，内部反馈接收器的带宽可以低于外部反馈接收器的带宽，和/或内部反馈接收器的动态范围可以低于外部反馈接收器的动态范围。
根据示例实施例，该方法还包括基于数字预失真参数使功率放大器线性化，其中该数字预失真参数包括第二机器学习模型的子集。
根据示例实施例，该方法可以还包括基于仿真的反馈信号和响应于以下中的一项的信号来重新训练第二机器学习模型：检测到重新训练期间的到期；检测到功率放大器的性能的改变；检测到信号的至少一个传输参数的更新；或从网络节点接收到用以执行重新训练的指令。
根据示例实施例，该方法可以还包括基于装置的类型确定重新训练的期间。
根据示例实施例，该方法可以还包括从外部反馈接收器接收外部反馈信号；基于内部反馈信号和外部反馈信号训练第一机器学习模型；以及基于仿真的反馈信号和信号确定第二机器学习模型。
根据示例实施例。该方法还包括利用第一基线机器学习模型来初始化第一机器学习模型，该第一基线机器学习模型利用至少一个参考设备被训练，以及利用第二基线机器学习模型的子集来初始化第二机器学习模型，第二基线机器学习模型的子集利用至少一个参考设备而被训练。
根据示例实施例，该第二基线机器学习模型的子集可以包括第二基线机器学习模型的层的子集。
根据示例实施例，该第一机器学习模型包括生成对抗性网络(GAN)的网络生成器。
图17根据示例实施例图示了基于机器学习的数字预失真系统的训练方法。
在1701，该方法可以包括通过参考设备发送测试信号集，该参考设备包括内部反馈接收器，该内部反馈接收器被配置为接收测试信号集以获得内部反馈信号集。
在1702，该方法可以包括训练第一基线机器学习模型以仿真外部反馈接收器并且基于内部反馈信号生成仿真的反馈信号，其中对该第一基线模型的训练基于的是内部反馈信号和以及从外部反馈接收器接收到的外部反馈信号，该外部反馈信号对应于测试信号集。
在1703，该方法包括训练第二基线机器学习模型以基于仿真的反馈信号确定用于参考设备的功率放大器的数字预失真参数，其中对第二基线机器学习模型的训练基于的是仿真的反馈信号和测试信号集。
根据示例实施例，该方法可以还包括利用测试信号子集来训练多个设备，其中对多个设备中的每个设备的训练包括：基于第一基线机器学习模型来初始化第一机器学习模型的实例；基于第二基线机器学习模型的子集来初始化第二机器学习模型的实例；训练第一机器学习模型的实例来仿真外部反馈接收器，并且基于从设备的内部反馈接收器接收到的、特定于设备的内部反馈信号来生成仿真的反馈信号，其中对第一机器学习模型的实例的训练基于的是特定于设备的内部反馈信号以及从外部反馈接收器接收到的外部反馈信号；以及训练第二机器学习模型的实例，以基于仿真的反馈信号确定用于设备的功率放大器的数字预失真参数，其中第二基线机器学习模型实例的训练基于的是仿真的反馈信号以及测试信号的子集的。
根据示例实施例，该方法还包括在训练了预定数目的设备之后，利用测试信号集重新训练第一基线机器学习模型和第二基线机器学习模型。
根据示例实施例，该方法可以还包括响应于检测到在多个设备之中功率放大器线性化性能的偏移，利用测试信号集来重新训练第一基线机器学习模型和第二基线机器学习模型。
根据示例实施例，该方法可以还包括基于设备与参考设备间的相似性度量，确定第二基线模型的子集。
根据示例实施例，该方法可以还包括基于以下至少一项来确定相似性度量：参考设备的功率放大器和设备功率放大器的批号；以及参考设备和设备的传输性能指标。
根据示例实施例，该第二基线机器学习模型的子集包括第二基线机器学习模型层的子集。
根据示例实施例，该测试信号集可以由至少是参数集的至少一个表征：传输功率、信号带宽、波束配置、调制和/或纠错编码方案、载波频率、温度、电池水平或天线负载中的一个。
根据示例实施例，该测试信号的子集可以对应于参数的子集，和/或测试信号的子集可以对应于参数值的子集。
该方法进一步的特性直接起因于如所附权利要求和整个说明书描述的装置和/或DPD训练系统或架构的功能和参数，并且因此不在此重复。需要注意的是，该方法的一个或多个步骤可以按不同的顺序执行。
装置，可以被配置以执行或导致本文所描述方法的任何方面。进一步的，计算机程序可以包括指令以使：当指令执行时，装置执行本文所描述方法的任何方面。进一步的，计算机程序被配置以，当程序执行时，使装置至少执行本文所描述方法的任何方面。进一步的，计算机程序产品或计算机可读中介可以包括程序指令以使装置执行本文所描述方法的任何方面。进一步的，装置可以包括部件以执行本文所描述方法的任何方面。根据示例实施例，该部件包括至少一个处理器，以及至少一个包括计算机程序代码的存储器；该至少一个和计算机程序代码被配置以和该至少一个处理器，使装置至少执行方法的任何方面。
本文所提供的任何范围或设备值可以在不失去所要达效果的情况下扩大或改变。并且，除非被明确禁止，任何实施例可以和任何另一实施例结合。
尽管已经用特定与结果特征和/或行为的语言描述的主题，可以理解的是，所附权利要求所定义的主题不一定限于上述特定的特征或行为。相反，上述特定的特征和行为被公开为实施权利要求和其他等同特征的示例，并且其他等价的特定和行为旨在被包括在权利要求的范围内。
将被理解的是，上述效益和优点可以涉及一个或涉及多个实施例。该实施例不限于解决任何或全部所述问题，或限于任何或全部所述效益与优点。将进一步理解的是，所提到的“一”项目可以指一个或多个该类项目。此外，所提到的“至少一个”项目或“一个或多个”项目可以指一个或多个该类项目。
本文所描述方法的步骤或操作可以以任何合适的顺序实施，或在适当处同时实施。此外，单个块可以在不偏离本文所述主题范围的情况下，从任何方法中删除。上述任何示例实施例的方面可以与所描述其他示例实施例的任何方面相结合，以形成进一步的示例实施例，并且不是去所寻求的效果。
本文所用术语“包括”包括方法、块，或被识别的元素，但该块或元素不包括排他清单，并且方法或装置可以包含额外的块或元素。
如本申请所使用的，术语“电路”可以指一个或多个或全部以下的：纯硬件电路实现(如仅在仿真和/或数字电路中的实现)和(b)硬件电路和软件的组合，如(如适用)：(i)带有软件/固件的仿真和/或数字硬件电路的组合，以及(ii)带有软件(包括数字信号处理器)、软件和存储器的任何部分，它们共同工作以使设备(如移动电话或服务器)执行各种功能)和(c)硬件电路和/或处理器，如微处理器或微处理器的一部分，需要软件(如固件)进行操作，但当不需要操作时，该软件可能不出现。电路的该定义适用于本申请中该术语的所有使用，包括任何权利要求中的所有使用。
作为进一步的示例，如本申请使用的，该术语电路也涵盖仅是硬件电路或处理器(或多个处理器)或硬件电路或处理器的部分及它的(或它们的)附带的软件和/或固件。例如，如果适用于特定的权利要求元素，术语电路还包括移动设备的基带集成电路，或处理器集成电路，或服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。
将被理解的是，以上描述仅以示例的方式提供，并且可以由本领域技术人员做出各种修改。上述所描述、示例和数据提供了对示例性实施例的结果和使用的完整描述。尽管上述各种实施例具有特定的特殊性，或参考了一个或多个单独的实施例，但本领域技术人员可以在不偏离本说明书范围的情况下对所公开实施例做出大量改动。

Claims (15)

1.一种装置，包括：
发送器，被配置为发送信号，其中所述发送器包括功率放大器；
内部反馈接收器，被配置为接收发送的所述信号以获得内部反馈信号；
第一机器学习模型，被配置为仿真外部反馈接收器，并且基于所述内部反馈信号生成仿真的反馈信号；
第二机器学习模型，被配置为基于所述仿真的反馈信号，确定用于所述功率放大器的数字预失真参数。
2.根据权利要求1的所述的装置，其中所述内部反馈接收器的带宽低于所述外部反馈接收器的带宽，并且/或者其中所述内部反馈接收器的动态范围低于所述外部反馈接收器的动态范围。
3.根据权利要求1或权利要求2的所述的装置，还包括：
用于基于所述数字预失真参数使所述功率放大器线性化的部件，其中所述数字预失真参数包括所述第二机器学习模型的子集。
4.根据权利要求1至3中任一项所述的装置，还包括：
用于基于所述仿真的反馈信号和响应于以下一项的信号来重新训练所述第二机器学习模型：
检测到重新训练时段的到期；
检测到所述功率放大器的性能的改变；
检测到所述信号的至少一个传输参数的更新；或者
从网络节点接收到用以执行重新训练的指令。
5.根据任一项前述权利要求所述的装置，还包括：
用于从所述外部反馈接收器接收外部反馈信号的部件；
用于基于所述内部反馈信号和所述外部反馈信号来训练所述第一机器学习模型的部件；
用于基于所述信号和所述仿真的反馈信号来训练所述第二机器学习模型的部件。
6.根据权利要求5的所述装置，还包括：
用于利用第一基线机器学习模型来初始化所述第一机器学习模型的部件，所述第一基线机器学习模型利用至少一个参考设备而被训练，以及
用于利用第二基线机器学习模型的子集来初始化所述第二机器学习模型的部件，所述第二基线机器学习模型利用所述至少一个参考设备而被训练。
7.根据权利要求5或权利要求6所述的装置，其中所述第一机器学习模型包括生成对抗性网络(GAN)的生成器网络。
8.一种方法，包括：
发送信号，其中所述信号利用功率放大器被放大；
由内部反馈接收器接收发送的所述信号以获得内部反馈信号；
仿真外部反馈接收器，并且利用第一机器学习模型、基于所述内部反馈信号来生成仿真的反馈信号；
利用第二机器学习模型，基于所述仿真的反馈信号来确定用于所述功率放大器的数字预失真参数。
9.一种系统，包括：
参考设备，被配置为发送测试信号集，所述参考设备包括内部反馈接收器，所述内部反馈接收器被配置为接收所述测试信号集以获得内部反馈信号；
外部反馈接收器，被配置为接收所述测试信号集以获得外部反馈信号；
用于训练第一基线机器学习模型用以仿真所述外部反馈接收器并且用以基于所述内部反馈信号来生成仿真的反馈信号的部件，其中对所述第一基线模型的所述训练基于的是所述内部反馈信号以及从所述外部反馈接收器接收到的所述外部反馈信号；
用于训练第二基线机器学习模型以基于所述仿真的反馈信号来确定用于所述参考设备的功率放大器的数字预失真参数的部件，其中对所述第二基线机器学习模型的训练是基于的是所述仿真的反馈信号和所述测试信号集。
10.一种方法，包括：
由参考设备发送测试信号集，所述参考设备包括内部反馈接收器，所述内部反馈接收器被配置为接收所述测试信号集以获得内部反馈信号集；
训练第一基线机器学习模型用以仿真外部反馈接收器并且用以基于所述内部反馈信号来生成仿真的反馈信号，其中对所述第一基线模型的所述训练基于的是所述内部反馈信号以及从所述外部反馈接收器接收到的外部反馈信号，所述外部反馈信号对应于所述测试信号集；
训练第二基线机器学习模型以基于所述仿真的反馈信号来确定用于所述参考设备的功率放大器的数字预失真参数，其中对所述第二基线机器学习模型的训练基于的是所述仿真的反馈信号和所述测试信号集。
11.根据权利要求10所述方法，还包括：
利用测试信号的子集来训练多个设备，其中对所述多个设备中的每个设备的训练包括：
基于所述第一基线机器学习模型来初始化所述第一机器学习模型的实例；
基于所述第二基线机器学习模型的子集来初始化第二机器学习模型的实例；
训练所述第一机器学习模型的所述实例，用以仿真所述外部反馈接收器，并且用以基于从所述设备的内部反馈接收器接收到的、特定于设备的内部反馈信号来生成仿真的反馈信号，其中对所述第一机器学习模型的所述实例的所述训练基于的是所述特定于设备的内部反馈信号以及从所述外部反馈接收器接收到的所述外部反馈信号；
训练第二机器学习模型的所述实例，以基于所述仿真的反馈信号来确定用于所述设备的功率放大器的数字预失真参数，其中对所述第二基线机器学习模型的所述实例的训练基于的是所述仿真的反馈信号以及所述测试信号的子集。
12.根据权利要求11的所述方法，还包括：
在训练预定数目的设备之后，利用所述测试信号集重新训练所述第一基线机器学习模型和所述第二基线机器学习模型。
13.根据权利要求11或权利要求12所述的方法，还包括：
响应在所述多个设备之中检测到功率放大器线性化性能的偏移，利用所述测试信号集来重新训练所述第一基线机器学习模型和所述第二基线机器学习模型，。
14.根据权利要求11至13中任一项所述的方法，其中所述测试信号集由包括以下至少一项的参数集表征：发送功率、信号带宽、波束配置、调制和/或纠错编码方案、载波频率、温度、电池水平或天线负载。
15.根据权利要求11至14中任一项所述的方法，其中所述测试信号的子集对应于所述参数的子集，并且/或者其中所述测试信号的子集对应于参数值的子集。
CN202110652386.4A 2020-06-12 2021-06-11 用于功率放大器的基于机器学习的数字预失真 Pending CN113809992A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI20205611 2020-06-12
FI20205611 2020-06-12

Publications (1)

Publication Number Publication Date
CN113809992A true CN113809992A (zh) 2021-12-17

Family

ID=76250178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110652386.4A Pending CN113809992A (zh) 2020-06-12 2021-06-11 用于功率放大器的基于机器学习的数字预失真

Country Status (3)

Country Link
US (1) US11431300B2 (zh)
EP (1) EP3923471A1 (zh)
CN (1) CN113809992A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024045885A1 (zh) * 2022-08-31 2024-03-07 华为技术有限公司 信息测量的方法和装置

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021054118A1 (ja) * 2019-09-18 2021-03-25 日本電気株式会社 パラメータ決定装置、信号送信装置、パラメータ決定方法、信号送信方法、及び、記録媒体
US12003261B2 (en) 2021-05-12 2024-06-04 Analog Devices, Inc. Model architecture search and optimization for hardware
US11777544B2 (en) * 2021-05-28 2023-10-03 Skyworks Solutions, Inc. Power amplifier power detection for initiating retraining of digital pre-distortion
US20230006877A1 (en) * 2021-07-05 2023-01-05 Mediatek Inc. Ai-assisted communication circuit optimization
US11770145B2 (en) * 2021-08-27 2023-09-26 Samsung Electronics Co., Ltd System and method for efficient initialization of memory digital pre-distorter coefficients to reduce calibration time
CN117882322A (zh) * 2022-02-02 2024-04-12 瑞典爱立信有限公司 硬件损伤补偿
WO2023159483A1 (en) * 2022-02-25 2023-08-31 Telefonaktiebolaget Lm Ericsson (Publ) Power feature aided machine learning to reduce non-linear distortion
TWI830276B (zh) * 2022-07-04 2024-01-21 聯發科技股份有限公司 補償功率放大器失真的方法以及系統
CN115277381B (zh) * 2022-07-29 2023-06-20 深圳市兆驰数码科技股份有限公司 基于dpd数据可用性判断机制的数据传输方法及装置
WO2024033993A1 (ja) * 2022-08-09 2024-02-15 三菱電機株式会社 歪み補償装置、歪み補償方法及び送信装置
CN115859783A (zh) * 2022-11-18 2023-03-28 中广核研究院有限公司 用于核反应堆仿真测试的多保真度网络构建方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2538553A1 (en) 2011-06-21 2012-12-26 Alcatel Lucent Apparatus and method for mitigating impairments of a transmit signal
US8976893B2 (en) 2012-06-25 2015-03-10 Telefonaktiebolaget L M Ericsson (Publ) Predistortion according to an artificial neural network (ANN)-based model
WO2016027134A1 (en) * 2014-08-22 2016-02-25 Telefonaktiebolaget L M Ericsson (Publ) Feedback transmitter and receiver sharing
US10298276B2 (en) 2016-12-08 2019-05-21 Analog Devices Global Spatial digital pre-distortion
US10581469B1 (en) * 2017-04-17 2020-03-03 DeepSig Inc. Machine learning-based nonlinear pre-distortion system
WO2019132949A1 (en) * 2017-12-29 2019-07-04 Intel IP Corporation Predistortion circuit, method for generating a predistorted baseband signal, control circuit for a predistortion circuit, method to determine parameters for a predistortion circuit, and apparatus and method for predistorting a baseband signal
WO2020019240A1 (en) 2018-07-26 2020-01-30 Nokia Shanghai Bell Co., Ltd. Method, apparatus and computer readable media for data processing
US11637609B2 (en) 2018-09-10 2023-04-25 Nokia Solutions And Networks Oy Array antenna adaptive digital pre-distortion with bayesian observation analysis

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024045885A1 (zh) * 2022-08-31 2024-03-07 华为技术有限公司 信息测量的方法和装置

Also Published As

Publication number Publication date
US20210391832A1 (en) 2021-12-16
EP3923471A1 (en) 2021-12-15
US11431300B2 (en) 2022-08-30

Similar Documents

Publication Publication Date Title
CN113809992A (zh) 用于功率放大器的基于机器学习的数字预失真
US10153793B2 (en) Apparatus and method for identification and compensation of distortion in a multi-antenna system
US10931320B2 (en) Digital predistortion in varying operating conditions
US10841018B2 (en) Communication system
US20220200540A1 (en) Model trainer for digital pre-distorter of power amplifiers
EP3267579B1 (en) Linearizing power amplifiers outputs in multi-antenna system
CN112600522A (zh) 具有功率特定性捕获选择的数字预失真
Peccarelli et al. A mutual coupling approach to digital pre-distortion and nonlinear equalization calibration for digital arrays
US12003261B2 (en) Model architecture search and optimization for hardware
US20240119264A1 (en) Digital Pre-Distortion Using Convolutional Neural Networks
JP2024520936A (ja) ハイブリッド基底関数ベースのアクチュエータ及びニューラルネットワークを備えたデジタル予歪
Li et al. MADS: A framework for design and implementation of adaptive digital predistortion systems
Freire et al. Low-pass equivalent behavioral modeling of RF power amplifiers using two independent real-valued feed-forward neural networks
US20230275788A1 (en) Signal transmission apparatus, parameter determination apparatus, signal transmission method, parameter determination method and recording medium
Lu et al. Analysis of the Influence on DPD with Memory Effect in Frequency Hopping Communication System
WO2024084629A1 (en) System for compensating the non-linear distortion introduced by a radio power amplifier based on harmonic analysis
EP4340221A1 (en) Aclr adjustable electronic device and operation method therefor
KR102631349B1 (ko) 전력 증폭기의 비선형성을 보상하는 장치 및 방법
Narayanan et al. A neural network-based DPD coefficient determination for PA linearization in 5G and beyond-5G mmWave systems
US20220337199A1 (en) Power amplifier linearizing module and power amplifier system equipped therewith
Aschbacher et al. Prototype implementation of two efficient low-complexity digital predistortion algorithms
CN117529880A (zh) 硬件的模型架构搜索与优化
EP4338298A1 (en) Model architecture search and optimization for hardware
TR2021020487A2 (tr) Güç amplifikatörlerinin dijital ön bozucusu için geliştirilmiş bir model eğitici.
CN117546420A (zh) 硬件的模型架构搜索与优化

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination