CN116648852A - 数字预失真和功率放大器系统的基于深度学习的在线适配 - Google Patents
数字预失真和功率放大器系统的基于深度学习的在线适配 Download PDFInfo
- Publication number
- CN116648852A CN116648852A CN202180085482.3A CN202180085482A CN116648852A CN 116648852 A CN116648852 A CN 116648852A CN 202180085482 A CN202180085482 A CN 202180085482A CN 116648852 A CN116648852 A CN 116648852A
- Authority
- CN
- China
- Prior art keywords
- dda
- dpd
- controller
- coefficients
- optimization
- 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
Links
Landscapes
- Amplifiers (AREA)
Abstract
提供一种用于改进功率放大器系统的性能的自动调谐控制器。该控制器包括:接口,该接口包括输入端子和输出端子,接口被配置为获取功率放大器(PA)的输入信号条件;训练电路,其包括处理器和存储器,处理器和存储器运行并存储数字多尔蒂放大器(DDA)控制器(模块)、DPD控制器(模块)和DDA‑DPD神经网络(NN)。训练电路被配置为执行:对输入信号条件进行采样,并且从DPD控制器的一组多项式模型中选择DPD模型并选择DDA控制器的一组DDA优化变量;使用优化的DPD模型和DDA系数,其中,优化的DPD模型和DDA系数是通过基于预定的优化方法对DPD模型和DDA系数执行离线优化来提供的;收集优化的DPD系数和优化的DDA优化变量;使用经训练的DDA‑DPD NN来生成在线DDA最佳系数和DPD最佳系数;以及经由接口的输出端子来更新所生成的最佳DDA和DPD系数。
Description
技术领域
本发明总体上涉及一种功率放大器系统,并且更具体地涉及一种数字多尔蒂功率放大器系统和一种用于增强射频功率放大器的性能的数字预失真(DPD)系统和功率放大器系统的基于学习的自动调谐优化方法。
背景技术
无线通信数据量和速率的快速增长显著提高了无线发射机中的功耗,其中功率放大器(PA)是能耗的关键组成部分。已经提出了包括包络跟踪(ET)、多尔蒂功率放大器(DPA)、包络消除和恢复(EER)的若干高级技术以改善PA的功率增加效率(PAE)。在这些技术中,DPA是非常有前途的,这是由于其能够实现高平均效率的简单结构,其基于有源负载调制。
尽管DPA示出了用于效率增强的许多优点,但是传统的模拟DPA仍然遭受缺陷,这导致在能量效率和操作带宽方面的性能降低。传统DPA设计基于单个输入配置,其包含模拟功率分配器(可能是可调谐的)、固定相位对准、在AB类下运行的载波PA和在C类模式下运行的峰值PA,以及输出功率组合器。为了提高DPA效率,研究了若干种方法,包括栅极偏置自适应、非对称DPA、多路DPA、可调谐相位对准和自适应功率分流比。
为了获得最佳数字预失真(DPD)和PA性能,设计者需要手动地调谐电路操作参数,并且调谐过程仅对于诸如输入功率、频率和信号标准这样的固定操作条件是有效的。而在实际情况下,最佳控制参数随着输入和电路状态的变化而变化。补偿电路部分也是复杂且对于优化是具备挑战性的,使得DPA设计繁琐。这些都是基于纯模拟的设计的局限性。
需要一种更灵活的架构,诸如数字DPA(DDPA),以自适应地找到用于各种电路状态以及各种带宽、调制格式、功率电平和调制格式的输入信号的最佳控制参数。此外,在本发明中,我们提出不仅自动调谐PA的控制参数,而且随着DPD性能的变化而自动调谐PA的学习成本函数,使得这两个系统同步地改善其性能。
发明内容
一些实施方式基于以下认识:数字功率放大器(DPA)是可编程的,使得它便于设计者的电路调谐过程(自动调谐),并且可以考虑电路不平衡,诸如针对多条路径的相位延迟以及包括温度和老化的环境变化。因此,DPA不仅是灵活的,而且能够提供与模拟DPA相比增强的性能。
此外,本发明的一些实施方式提供一种用于改进功率放大器系统的性能的自动调谐控制器。该自动调谐控制器可以包括:接口,其包括输入端子和输出端子,该接口被配置为获取功率放大器(PA)的输入信号条件;训练电路,其包括处理器和存储器,该处理器和存储器运行并存储数字多尔蒂放大器(DDA)控制器(模块)、DPD控制器(模块)和DDA-DPD神经网络(NN)。在这种情况下,训练电路被配置为执行:对输入信号条件进行采样,并且从DPD控制器的一组多项式模型中选择DPD模型并选择DDA控制器的一组DDA优化变量;使用优化的DPD模型和DDA系数,其中,优化的DPD模型和DDA系数是通过基于预定的优化方法对DPD模型和DDA系数执行离线优化来提供的;收集优化的DPD系数和优化的DDA优化变量;使用经训练的DDA-DPD NN来生成在线DDA最佳系数和DPD最佳系数;以及经由接口的输出端子来更新所生成的最佳DDA和DPD系数。
根据本发明的实施方式,提供一种DPA系统、数字多尔蒂功率放大器(DDPA)系统、数字预失真(DPD)和基于学习的自动调谐方法(优化方法),其特别地提高了效率和增益,同时DPD与PA系统通过自适应控制配合工作以同时满足线性度要求。DDPA系统和优化方法可以用于包括发射机的3G、4G LTE和5G基站无线电前端的宽带移动通信。
此外,根据本发明的一些实施方式,提供一种数字多尔蒂功率放大器(DDPA)系统。该DDPA可以包括用于改进功率放大器系统的性能的自动调谐控制器以及具有控制输入和用于生成输出信号的输出的多尔蒂功率放大器(DPA)电路。在这种情况下,自动调谐控制器可以包括:接口,该接口包括输入端子和输出端子,该接口被配置为获取功率放大器(PA)的输入信号条件;训练电路,该训练电路包括处理器和存储器,该处理器和存储器运行并存储数字多尔蒂放大器(DDA)控制器(模块)、DPD控制器(模块)和DDA-DPD神经网络(NN)。在这种情况下,训练电路被配置为执行:对输入信号条件进行采样,并且从DPD控制器的一组多项式模型中选择DPD模型并选择DDA控制器的一组DDA优化变量;使用优化的DPD模型和DDA系数,其中,优化的DPD模型和DDA系数是通过基于预定的优化方法对DPD模型和DDA系数执行离线优化来提供的;收集优化的DPD系数和优化的DDA优化变量;使用经训练的DDA-DPD NN来生成在线DDA最佳系数和DPD最佳系数;经由接口的输出端子来更新所生成的最佳DDA和DPD系数。
本发明的一些实施方式提供一种DPD和数字多尔蒂放大器(DDA)系统,其在没有复杂的工程调谐的情况下完全自适应地找到最佳控制参数集,不管装置参数、环境变化,其中最佳控制的目标是例如宽带功率发射机中的高效率和合理增益。
本发明的一个实施方式是不具有对DPA装置的假设或先验知识的无模型算法,其中该算法基于黑盒优化以搜索最佳配置。最佳配置由最佳DPD模型的系数以及最佳PA系数组成。对于不同的操作条件,例如输入功率条件、频率带宽和信号调制等,离线获得该最佳配置。当离线收集到足够的最佳数据时,我们提出训练深度神经网络(DNN)模型,其将操作条件映射到最佳DPD和/或DPA配置。
一些实施方式不仅优化DPA效率,而且以灵活的方式增强增益和线性度性能,而学习成本中的线性度属性项与DPD线性化性能成比例。例如,在一些实施方式中,系统可以平衡不同频带中的增益和效率折衷,或者在某些约束下最大化效率。一个示例是优化效率,同时需要大于配置阈值的增益。在经调制信号的情况下,我们在相同的DDPA场景下优化效率、增益以及相邻信道功率比(ACPR)。ACPR是用于经调制信号以具有从主信道发射到相邻信道的有限功率的重要线性度指示符。
根据本发明的实施方式,一种数字功率放大器(DPA)系统包括:功率放大器(PA)电路,其具有控制输入和用于生成输出信号的输出;以及自适应控制电路,其由输入接口、输出接口、存储自适应控制算法的存储器和基于与存储器相关的自适应控制算法来执行指令的处理器组成,其中,输入接口接收PA电路的输入状态信号和输出信号,其中,自适应控制算法响应于输入状态信号和输出信号而确定从输出接口传输到控制输入的控制信号的控制参数以用于控制PA电路的操作。
包括附图以提供对本发明的进一步理解,附图示出了本发明的实施方式,并与说明书一起用于解释本发明的原理。
附图说明
[图1]
图1是示出现有技术的数字功率放大器(DPA)的框图;
[图2]
图2是示出根据相关技术的通过DPD(数字预失真)过程来改进功率放大器的线性度和效率的各阶段的示意图;
[图3A]
图3A是示出根据相关技术的用于PA自动调谐的新算法的详细框图的示意图;
[图3B]
图3B是示出根据本发明的实施方式的数字功率放大器(DPA)的框图的示意图;
[图4A]
图4A是示出框图的示意图,该框图图示出根据本发明的实施方式的用于DPD和DDA的共享控制模块;
[图4B]
图4B是示出框图的示意图,该框图图示出根据本发明的实施方式的使用深度神经网络来实现用于DPD和DDA的共享控制模块;
[图4B-1]
图4B-1是示出根据本发明的实施方式的实现用于DPD和DDA的DNN共享控制模块的框图;
[图4B-2]
图4B-2是示出根据本发明的实施方式的实现DPD模型和DDA优化系数的框图;
[图4C]
图4C是示出根据本发明的实施方式的使用深度神经网络来实现用于DPD和DDA的共享控制模块的框图;
[图4C-1]
图4C-1是示出根据本发明的实施方式的实现用于DPD和DDA的DNN共享控制模块的框图;
[图4D]
图4D是示出根据本发明的实施方式的实现输入信号条件的框图;
[图4E]
图4E是示出根据本发明的实施方式的用于DDA DNN控制模块和DPD DNN控制模件的DNN的若干选择的框图;
[图4F]
图4F是示出根据本发明的实施方式的用于DDA DNN控制模块和DPD DNN控制模件的DNN的其他选择的框图;以及
[图5]
图5是示出根据本发明的实施方式的用于DPD和DDA控制模块的转移学习过程的框图。
具体实施方式
下面参考附图来描述本发明的各种实施方式。应当注意,附图不是按比例绘制的,并且类似结构或功能的元件在整个附图中由相同的附图标记表示。还应注意,附图仅旨在便于描述本发明的具体实施方式。它们不旨在作为本发明的详尽描述或作为对本发明的范围的限制。此外,结合本发明的特定实施方式描述的方面不一定限于该实施方式,并且可以在本发明的任何其它实施方式中实践。
图1是根据本发明的一些实施方式的数字功率放大器(DPA)模块100的框图。DPA模块100可以是由诸如多尔蒂功率放大器、异相功率放大器、平衡功率放大器和推挽式功率放大器电路等这样的多输入功率放大器120配置的数字功率放大器(DPA)模块。作为示例,在数字功率放大器(DPA)模块100中使用多尔蒂功率放大器以解释DPA模块的功能。DPA模块100可以被称为DDPA(数字多尔蒂功率放大器)模块100。然而,应注意,取决于电路设计变化,也可以使用异相功率放大器电路、平衡功率放大器电路或推挽式功率放大器电路。
DDPA模块100可以包括基带处理模块101、数字多尔蒂放大器(DDA)自适应控制模块102、振幅比-相位控制模块(振幅-相位模块)103、信号转换器110、双输入DPA模块(DPA模块,但不限于双输入)120和用于根据由DDA自适应控制模块102生成的最佳控制参数(或控制参数)313向DPA单元120提供偏置条件(电压和/或电流)的电源供应器104。DPA模块120包括主PA(载波PA)121、峰值PA 122和输出组合器123。信号转换器110包括数模转换器(DAC)111和112以及上变频器(up-convertor)113和114。
双输入DPA 120包括用于控制载波信号的载波功率放大器(PA)121和用于控制峰值信号的峰值功率放大器(PA)122,以及用于组合来自载波PA 121和峰值PA122的信号的输出组合器123。显然,数字多尔蒂的配置可以扩展到多路多尔蒂,其中多于两个PA涉及在100中描述的类似拓扑。
当在模块100中使用除了多尔蒂放大器之外的功率放大器时,DDA自适应控制模块102可以被称为数字自适应(DA)控制模块102。
输入信号301被发送到DA自适应控制模块102。DA自适应控制模块102使用输入信号301和来自DPA模块120的输出信号300来执行数据驱动的优化,并且针对PA121和122之间的相位差θ以及PA 121和122的输入功率比α来生成最佳控制参数313。在一些情况下,控制参数313可以被称为更新的DDPA参数。更新的DDPA参数313被提供给振幅-相位模块103。此外,上述优化可以被称为功率放大器系统的基于学习的自动调谐方法。
在这种情况下,控制参数313包括栅极偏置参数PA 121(Vg1)和122(Vg2)、PA 121和122之间的相位差θ以及PA 121和122的输入功率分布(比)α。此外,电源供应器104从DDA自适应控制模块102接收栅极偏置参数,并且根据栅极偏置参数(Vg1、Vg2)将栅极偏置电压施加到PA 121和122。当振幅-相位模块103从DDA自适应控制模块102接收作为控制参数313的一部分的PA121和122之间的相位差以及PA 121和122的输入-功率比时,振幅-相位模块103生成分别施加到PA 121和PA 122的信号S1和S2。在这种情况下,信号S1和S2形成为使得信号S1和S2的振幅比以及信号S1和S2之间的相位差满足由DDA自适应控制模块102计算的最佳控制参数313指示的值。
在一些情况下,DDA自适应控制模块102可以包括电源供应器104,并且PA 121和122可以是使用基于氮化镓(GaN)的材料或其他不同的半导体器件技术制造的场效应晶体管(FET)。此外,PA 121和122可以是双极性晶体管(BPT)。在这种情况下,栅极偏置被双极性晶体管的基极电流偏置所取代。BPT可以由基于GaN的材料或其他不同的半导体器件技术形成。
输出组合器123的输出信号(例如,四分之一波传输线可以用作输出组合网络。此外,诸如基于集总组件电感器、电容器的其他格式也可以用于传导相同的组合功能)可以经由预定的带通滤波器(未示出)从天线(未示出)发射。此外,由DDA控制模块102的输入接口(未示出)来接收(检测)输出组合器123的输出信号,以分别计算控制载波PA 121和峰值PA122的控制参数313。在一些情况下,控制参数313可以被称为调谐参数。
载波PA 121和峰值PA 122中的每一个可以由指示出栅极偏置、相位和输入信号功率的控制参数313控制。相位信号和输入功率信号被施加到振幅-相位模块103。振幅-相位模块103根据由DDA自适应控制模块102产生的控制参数313,来调整载波PA 121和峰值PA122的信号的振幅比和相位。
在这种情况下,如果需要的话,信号转换器110生成相位-信号和输入-功率信号并经由驱动载波PA 121和峰值PA 122的驱动放大器(未示出)将相位-信号和输入-功率信号提供给载波PA 121和峰值PA122。
DDA自适应控制模块102包括与存储自适应控制算法的一个或多个存储器(未示出)连接的处理器(未示出),其中处理器根据预定的自适应控制算法来执行指令。此外,自适应控制算法是基于被称为自适应调谐控制的无模型优化的。
控制参数313由DDA自适应控制模块102生成,DDA自适应控制模块102通过自适应优化控制来计算控制参数313的值。在一些情况下,控制参数313可以被称为数据驱动的优化参数。
此外,DDA自适应控制模块102还包括用于接收输入信号301和双输入DPA模块120的输出信号300的输入接口(未示出),以及生成控制参数313的输出接口(未示出),该控制参数313包括用于控制双输入DPA 120以及载波PA121和峰值PA 122的相位控制信号、功率比控制信号和偏置信号。
DDA自适应控制模块102从基带处理模块101接收基带信号,并且经由输入接口来检测输出组合器123的输出信号300,以基于自适应控制算法产生控制参数313,控制参数313可以被称为数据驱动的优化参数313。在这种情况下,数据驱动的优化参数313的一部分经由输出接口被提供给振幅-相位控制模块103,用于控制PA 121和122的相位和功率比。此外,数据驱动的优化参数313的另一部分被转换为分别经由电源供应器104供应给PA 121和122以控制PA 121和122的栅极偏置的栅极偏置。
在图1中,DDPA模块100是可编程的,使得它便于设计者的电路调谐过程,并且可以完全考虑多条路径的电路不平衡和缺陷。因此,DDPA模块100不仅灵活且成本低,而且与模拟DPA相比提供更好的性能。根据本发明的实施方式的设计受益于软件设计的原理,使得控制端口可以适于通过算法达到最佳性能。
使RF功率放大器更有效意味着将其驱动到其饱和点附近的点。在这种情况下,经调制波形倾向于失真(引入由ACPR:相邻信道功率比表征的非线性度)。因此,设计目标是使功率增加效率(PAE)最大化,同时保持高增益和良好线性度(ACPR)。在一些情况下,可以通过数字预失真(DPD)来实现数字线性度。
图2示出了分别通过DPD(数字预失真)过程201和效率增强过程202来改进PA 121和122的线性度和效率的各阶段。在过程中,在步骤201中执行输入信号的数字预失真,在步骤202中执行效率增强,并且在步骤203中将通过数字预失真(DPD)和效率增强的处理而获得的输入信号提供给PA121和122。
图3A示出了我们的用于PA自动调谐的算法的详细框图,其中输入信号(输入状态信号)301被用作包括指示出频率和输入功率电平的不同状态的、但不限于这两种状态的输入状态,也可以包括诸如信号调制格式这样的其他状态。指示出频率和输入信号功率电平的输入状态信号301被馈送到DDA自适应控制模块102中以通过使用输入信号301和双输入DPA模块120的输出信号300自适应地调谐DDPA120的控制参数313,诸如栅极偏置303、主放大器和峰值放大器之间的相位差304、以及输入功率分布305。最后,经调谐参数被馈送到双输入DPA模块102。
根据电路设计变化,DPA模块120可以包括三个或多于三个功率放大器(PA)。例如,参见图3B。在这种情况下,DDA自适应控制模块102为三个或多于三个功率放大器中的每一个提供控制参数313。
图3B是示出根据本发明的实施方式的执行DPA模块的自动调谐过程的多输入数字功率放大器模块(例如,数字多尔蒂功率放大器(DDPA)系统)350的框图。
在附图中,当部件的功能类似于图1中的部件时,图1中的相同部件编号用于这些部件。此外,省略对相同部件编号的描述。
多输入数字功率放大器模块350包括基带处理模块101、DDA自适应控制模块(自动调谐控制器)351、振幅比/相位控制模块103、信号转换器110以及多输入PA模块120。在这种情况下,信号转换器110包括数模转换器(DAC)111、112和112n以及上变频器113、114和114n。
DDA自适应控制模块351可以被称为用于DPD和DDA的共享控制模块。例如,下面基于图4A至图5描述配置或功能。
DDA自适应控制模块351包括自适应控制器352、基于深度学习的在线DPD 353以及图中未示出的部分。例如,自动调谐控制器351包括训练电路以及包括输入端子和输出端子的接口。接口被配置为从基带处理模块101获取信号301,从功率放大器(PA)120获取信号条件300,并发送最佳控制参数(最佳控制参数信号)313。
训练电路包括处理器和存储器,用于运行和存储数字多尔蒂放大器(DDA)控制器(模块)、DPD控制器(模块)和DDA-DPD神经网络(NN)。训练电路被配置为执行对输入信号条件的采样,并且使用优化的DPD模型和DDA系数从DPD控制器的一组多项式模型中选择DPD模型并选择DDA控制器的一组DDA优化变量。在这种情况下,通过以下方式来提供优化的DPD模型和DDA系数:基于预定的优化方法对DPD模型和DDA系数执行离线优化,收集优化的DPD系数和优化的DDA优化变量,使用经训练的DDA-DPD NN生成在线DDA最佳系数和DPD最佳系数,以及经由接口的输出端子来更新所生成的最佳DDA和DPD系数。
多输入PA模块120包括用于控制载波信号的载波功率放大器(PA)121和用于控制峰值信号的峰值功率放大器(PA)122、用于控制第二峰值信号的第二峰值功率放大器(PA)122n、以及用于组合来自PA121、122和122n的信号的输出组合器123。在这种情况下,信号转换器110包括三个或多于三个DAC和三个或多于三个上变频器,并且多输入PA模块120包括三个或多于三个功率放大器121、122和122n。
DDA自适应控制模块351使用输入信号301和多输入PA模块120的输出信号300来生成更新的DPA参数313,并将更新的DPA参数313提供给振幅-相位模块103。然后,振幅-相位模块103向信号转换器110提供信号,使得信号转换器分别生成要施加到PA 121、PA 122和PA 122n的S1、S2和Sn。
如上所述,使用自适应控制模块351来计算最佳控制参数313。下面将提供关于最佳控制参数的详细讨论。
在图4A中,本发明的一个实施方式450是用于DPD和DDA的共享控制模块410的设计,其将最佳系数发送到DDA控制模块405和DPD控制模块401。在本发明的一些实施方式中,我们提出共享控制模块410被实现为如下:在图4B中,对于给定的输入信号条件4100,DDA-DPD深度神经网络(DNN)4101生成将被发送到DDA的在线DDA最佳系数4103,以及将被发送到DPD模型的DPD最佳系数4102。
如图4B-1所示,DDA-DPD DNN 4101需要离线训练41014。训练过程遵循以下步骤:首先,从不同频率41001、功率信号41002和信号调制格式41003等对如图4D中的输入信号条件4100进行采样41004,然后选择DPD的模型并选择DDA的一组优化变量41011。如图4B-2所示,在一个实施方式中,可以从具有不同尺寸的一组多项式模型中选择DPD模型410112并且选择DDA系数410113;在另一实施方式中,选择非线性三角模型或其他非线性度410115,而在另一实施方式中深度神经网络模型被选择作为DPD模型410116。从以下系数中选择用于DDA的一组优化变量41011:PAPR降低的阈值410120、功率比410121、相位差410117、衰减差、功率放大器的主偏置电压410118、功率放大器的峰值偏置电压410119等。DPD和DDA的这种优化可以使用以下项来完成41029:极值搜索优化41015、模拟退火41016、贝叶斯优化41017、爬山41018、最小二乘法41019等。一旦进行了这种优化,收集DDA和DPD最佳系数41013,然后这些系数与输入信号条件4100一起使用,以离线训练DDA-DPD DNN 41014。在该训练阶段,DDA-DPD DNN 41014的输入是输入信号条件4100,并且DDA-DPD DNN 41014的输出是最佳DDA和DPD系数41013。该DDN的训练可以通过任何DDN训练方法来完成。例如,在一些实施方式中,可以使用Adam方法,或梯度下降,或随机梯度下降等。当DDN的训练41014收敛时,获得将在线使用的DDA-DDP DNN,以生成针对任何新的输入信号条件4100的最佳DDA和DPD系数。
在图4C中,作为另一实施方式,共享控制模块410可以实现为如下。对于给定的输入信号条件4100,获得两个DDN,即,一个DDA DNN 4121和一个DPD DNN 4131。DDA DNN 4121生成将被发送到DDA的在线DDA最佳系数4103。DPD DNN 4131生成将被发送到DPD的在线DPD最佳系数4102。
如图4C-1所示,需要离线训练两个单独的DDA DNN 4102和DPD DNN 4103,41211、41311。训练过程遵循以下步骤:
首先,从不同频率、功率信号和信号调制格式等对输入信号条件进行采样410111,然后选择DPD的模型并选择DDA的一组优化变量41011。在一个实施方式中,可以从具有不同尺寸的一组多项式模型中选择DPD模型410122(410112)410114;在另一实施方式中,选择非线性三角模型或其它非线性度410115,但在另一实施方式中,深度神经网络模型被选择作为DPD模型410116。从以下系数中选择用于DDA的一组优化变量410113:PAPR降低的阈值410120、功率比410121、相位差410117、衰减差、功率放大器的主偏置电压410118、功率放大器的峰值偏置电压410119等。然后,对DDA和DPD进行离线优化41012,DPD和DDA的这种优化可以使用以下项来完成41029:极值搜索优化41015、模拟退火41016、贝叶斯优化41017、爬山41018、最小二乘法41019等。一旦进行了这种优化,收集DDA和DPD最佳系数41013,然后这些系数与输入信号条件4100一起使用,以离线训练DDA DNN 41211和离线训练DPD DNN41311。对于DDA DNN的训练,DNN输入是输入信号条件4100,并且DDA DNN的输出41211是最佳DDA系数4103。对于DPD DNN的训练,DNN输入是输入信号条件410111,并且DPD DNN 41311的输出是最佳DPD系数4102。这些DDN的训练可以通过任何DDN训练方法来完成。例如,在一些实施方式中,可以使用Adam方法,或梯度下降,或随机梯度下降,鲁棒DNN训练等。当DDADDN的训练41211收敛时,获得将在线使用的DDADNN,以生成针对任何新的输入信号条件410111的最佳DDA系数。当DPD DDN的训练41311收敛时,获得将在线使用的DPD DNN,以生成针对任何新的输入信号条件4100的最佳DPD系数。
如在图4E至图4F中,在本发明的不同实施方式中,可以使用不同类型的DNN 4101、4121、4131。例如,完全连接的DNN 41011、卷积神经网络41012、残差网络41013、递归神经网络41014等41015。
图5是示出根据本发明的实施方式的用于DPD和DDA控制模块的转移学习过程的框图。
在本发明的一些实施方式中,从一个单元500到另一单元501执行转移学习过程5100。例如,在转移学习的这种实现方式的一个实施方式中,我们建议从给定单元1500开始,然后对于给定的输入条件4100,离线计算相应的DDA和DPD最佳系数41013,其然后用于离线训练与单元1 500相关联的对应的DNN 41014。然后对于下一单元2 501,对于与单元1的输入条件类似或不同的给定输入条件4100,离线计算DDA和DPD最佳系数41013,该最佳系数然后用于与单元2相对应的DNN的离线训练521。用于转移学习的技巧是使用单元1的DNN的最佳系数Opt_coeff_1来热启动对单元2 510的DNN的训练。接下来,对于另一单元N5100,继续进行类似的训练,其中使用单元N-1 5100的DNN的最佳系数来启动对新的DNN的训练。
单元之间的这种转移学习还可以通过将DNN系数的一部分固定到为先前单元获得的DNN系数的最佳值来体现,并且通过仅训练DNN的系数的一部分来重新训练与新的单元相关联的新的DNN。
又一转移学习实施方式可以通过以下操作来完成:针对每个新的单元,用额外层扩展DNN,并且在仅学习额外层的系数的同时重新训练DNN,并且保持其他层的系数等于为先前单元获得的最佳系数。
本发明的上述实施方式可以以多种方式中的任何一种来实现。例如,实施方式可以使用硬件、软件或其组合来实现。当在软件中实现时,软件代码可以在任何合适的处理器或处理器集合上执行,无论是在单个计算机中提供还是在多个计算机之间分布。此类处理器可以实施为集成电路,其中一个或多个处理器在集成电路组件中。然而,处理器可以使用任何合适格式的电路来实现。
此外,本发明的实施方式可以体现为已经提供了其示例的方法。作为方法的一部分执行的动作可以以任何合适的方式排序。因此,可以构造实施方式,其中以不同于所示的顺序来执行动作,这可以包括同时执行一些动作,即使这些动作在说明性实施方式中被示出为顺序动作。
在权利要求中使用诸如“第一”、“第二”这样的序数术语来修改权利要求元素本身并不意味着一项权利要求元素相对于另一项权利要求元素的任何优先级、优先序或顺序或执行方法的动作的时间顺序,而是仅用作标签来区分具有某个名称的一项权利要求元素与具有相同名称的另一元素(但是使用了序数术语)以区分权利要求元素。
尽管已经通过优选实施方式的示例描述了本发明,但是应当理解,可以在本发明的精神和范围内做出各种其他适配和修改。
因此,所附权利要求的目的是覆盖落入本发明的真实精神和范围内的所有这样的变化和修改。
Claims (20)
1.一种用于改进功率放大器系统的性能的自动调谐控制器,所述自动调谐控制器包括:
接口,所述接口包括输入端子和输出端子,所述接口被配置为获取功率放大器PA的输入信号条件;
训练电路,所述训练电路包括处理器和存储器,所述处理器和所述存储器运行并存储数字多尔蒂放大器DDA控制器(模块)、DPD控制器(模块)和DDA-DPD神经网络NN,其中,所述训练电路被配置为执行:
对所述输入信号条件进行采样,并且从所述DPD控制器的一组多项式模型中选择DPD模型并选择所述DDA控制器的一组DDA优化变量;
使用优化的DPD模型和DDA系数,其中,所述优化的DPD模型和DDA系数是通过基于预定的优化方法对所述DPD模型和所述DDA系数执行离线优化来提供的;
收集优化的DPD系数和优化的DDA优化变量;
使用经训练的DDA-DPD NN来生成在线DDA最佳系数和DPD最佳系数;以及
经由所述接口的输出端子来更新所生成的最佳DDA和DPD系数。
2.根据权利要求1所述的自动调谐控制器,其中,离线训练是基于先前优化的DPD模型和DDA系数来执行的。
3.根据权利要求1所述的自动调谐控制器,其中,所述优化变量包括峰均比功率降低PAPR的阈值、功率比、相位差、衰减差、所述PA的主偏置电压、所述PA的峰值偏置电压。
4.根据权利要求1所述的自动调谐控制器,其中,离线训练是通过Adam方法、梯度下降方法或随机梯度下降方法来执行的。
5.根据权利要求1所述的自动调谐控制器,其中,所述输入信号条件至少包括PA的频率、信号功率电平和信号调制格式。
6.根据权利要求1所述的自动调谐控制器,其中,所述神经网络是卷积神经网络CNN、深度神经网络DNN或鲁棒DNN。
7.根据权利要求1所述的自动调谐控制器,其中,所述经训练的DDA-DPD NN已经基于所述输入信号条件以及优化的DPD和DDA系数两者被离线训练。
8.根据权利要求1所述的自动调谐控制器,其中,所述预定的优化方法是极值搜索优化、模拟退火、贝叶斯优化、爬山、遗传进化或最小二乘法。
9.根据权利要求1所述的自动调谐控制器,其中,针对一个DDA单元获得的所述DDA-DPDNN可以被转移到不同的DDA单元,其中,所述转移是通过使用来自新的DDA单元的稀疏数据对所述DDA-DPD NN进行有限调谐来完成的。
10.根据权利要求1所述的自动调谐控制器,其中,所述接口被配置为连接到至少两个功率晶体管。
11.一种数字多尔蒂功率放大器DDPA系统,所述DDPA系统包括:
根据权利要求1所述的自动调谐控制器;以及
多尔蒂功率放大器DPA电路,其具有控制输入和用于生成输出信号的输出。
12.根据权利要求11所述的DDPA系统,其中,离线训练从先前最佳点执行。
13.根据权利要求11所述的DDPA系统,其中,所述优化变量包括峰均比功率降低PAPR的阈值、功率比、相位差、衰减差、所述PA的主偏置电压、所述PA的峰值偏置电压。
14.根据权利要求11所述的DDPA系统,其中,离线训练是通过Adam方法、梯度下降方法或随机梯度下降方法来执行的。
15.根据权利要求11所述的DDPA系统,其中,所述输入信号条件至少包括PA的频率、信号功率电平和信号调制格式。
16.根据权利要求11所述的DDPA系统,其中,所述神经网络是卷积神经网络CNN、深度神经网络DNN或鲁棒DNN。
17.根据权利要求11所述的DDPA系统,其中,所述经训练的DDA-DPD NN已经基于所述输入信号条件以及优化的DPD和DDA系数两者被离线训练。
18.根据权利要求11所述的DDPA系统,其中,所述预定的优化方法是极值搜索优化、模拟退火、贝叶斯优化、爬山、遗传进化或最小二乘法。
19.根据权利要求11所述的DDPA系统,其中,针对一个DDA单元获得的所述DDA-DPD NN可以被转移到不同的DDA单元,其中,所述转移是通过使用来自新的DDA单元的稀疏数据对所述DDA-DPD NN进行有限调谐来完成的。
20.根据权利要求11所述的DDPA系统,其中,所述接口被配置为连接到至少两个功率晶体管。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/129,824 | 2020-12-23 | ||
US17/145,444 | 2021-01-11 | ||
US17/145,444 US11948071B2 (en) | 2020-12-23 | 2021-01-11 | Deep learning-based online adaptation of digital pre-distortion and power amplifier systems |
PCT/JP2021/030273 WO2022137642A1 (en) | 2020-12-23 | 2021-08-12 | Deep learning-based online adaptation of digital pre-distortion and power amplifier systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116648852A true CN116648852A (zh) | 2023-08-25 |
Family
ID=87623425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180085482.3A Pending CN116648852A (zh) | 2020-12-23 | 2021-08-12 | 数字预失真和功率放大器系统的基于深度学习的在线适配 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116648852A (zh) |
-
2021
- 2021-08-12 CN CN202180085482.3A patent/CN116648852A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9490752B2 (en) | RF amplifier having a transition shaping filter | |
EP2915251B1 (en) | Rf amplifier architecture and related techniques | |
US11948071B2 (en) | Deep learning-based online adaptation of digital pre-distortion and power amplifier systems | |
US8659353B2 (en) | Asymmetric multilevel outphasing architecture for RF amplifiers | |
Wang | Demystifying envelope tracking: Use for high-efficiency power amplifiers for 4G and beyond | |
CN111357194B (zh) | 数字功率放大器(dpa)系统和数字多尔蒂功率放大器(ddpa)系统 | |
Sanchez-Perez et al. | Dynamic load modulation with a reconfigurable matching network for efficiency improvement under antenna mismatch | |
US20220200539A1 (en) | Interactive Online Adaptation for Digital Pre-Distortion and Power Amplifier System Auto-Tuning | |
CN116648852A (zh) | 数字预失真和功率放大器系统的基于深度学习的在线适配 | |
EP3954041B1 (en) | Power amplifier system and transfer learning-based autotuning optimization method thereof | |
EP4186161A1 (en) | Deep learning-based online adaptation of digital pre-distortion and power amplifier systems | |
EP4154398A1 (en) | Interactive online adaptation for digital pre-distortion and power amplifier system auto-tuning | |
JP6510031B2 (ja) | 増幅器 | |
CN116648853A (zh) | 针对数字预失真与功率放大器系统自动调谐的交互式在线自适应 | |
CN116131773A (zh) | 基于包络跟踪和自适应数字预失真的系统及方法 | |
Lin et al. | Adaptive Bias LINC Architecture for Wireless Transmitters |
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 |