CN117411505A - Rf通信组件执行的方法和rf通信组件 - Google Patents
Rf通信组件执行的方法和rf通信组件 Download PDFInfo
- Publication number
- CN117411505A CN117411505A CN202211082217.2A CN202211082217A CN117411505A CN 117411505 A CN117411505 A CN 117411505A CN 202211082217 A CN202211082217 A CN 202211082217A CN 117411505 A CN117411505 A CN 117411505A
- Authority
- CN
- China
- Prior art keywords
- circuit
- compensator
- output signal
- neural network
- communication
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 89
- 230000006735 deficit Effects 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003446 memory effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
- H04B1/40—Circuits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/36—Modulator circuits; Transmitter circuits
- H04L27/362—Modulation using more than one carrier, e.g. with quadrature carriers, separately amplitude modulated
- H04L27/364—Arrangements for overcoming imperfections in the modulator, e.g. quadrature error or unbalanced I and Q levels
-
- 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
- H04B1/06—Receivers
- H04B1/16—Circuits
- H04B1/30—Circuits for homodyne or synchrodyne receivers
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/09—Supervised learning
-
- 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
- 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
- H03F1/3294—Acting on the real and imaginary components of the input signal
-
- 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
- H03F3/195—High-frequency amplifiers, e.g. radio frequency amplifiers with semiconductor devices only in integrated circuits
-
- 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
- H04B1/0475—Circuits with means for limiting noise, interference or distortion
-
- 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
- H04B1/06—Receivers
- H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
- H04B1/12—Neutralising, balancing, or compensation arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
- H04L2027/0024—Carrier regulation at the receiver end
- H04L2027/0026—Correction of carrier offset
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
- H04L2027/0083—Signalling arrangements
- H04L2027/0085—Signalling arrangements with no special signals for synchronisation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Transmitters (AREA)
- Burglar Alarm Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
射频(RF)通信组件包括RF通信电路和补偿器装置。补偿器装置接收输入,所述输入包括预补偿信号的I分量、预补偿信号的Q分量和所述RF通信电路的操作条件,所述RF通信电路包括引起多个信号损害的多个RF电路组件;所述补偿器装置对所述输入进行神经网络计算;以及所述RF通信组件生成补偿后的输出信号,所述补偿后的输出信号补偿了所述多个信号损害的至少一部分。使用该信号可以补偿至少一部分信号损害。
Description
技术领域
本发明的实施例涉及使用神经网络的通信电路的优化。
背景技术
在现代无线通信系统中,射频(radio frequency,RF)电路是降低系统吞吐量的信号损害的主要来源。在其他损害中,非线性和记忆效应(memory effect)会导致严重的频谱再生。由于高带外功率,频谱再生会显著降低信号质量。记忆效应会导致传输信号中的不对称。在使用宽带宽、高频、高功率和高阶调制的当前和下一代无线系统中,这些损害变得更加严重和复杂。此外,在5G通信系统的边缘设备中,高发送功率和有限的供电电压能恶化RF电路的非线性。
可以进一步改进无线通信系统中现有的RF电路以使运营商和用户受益。这些改进也可以适用于其他多接入(multi-access)技术和采用这些技术的电信标准。
发明内容
在一个实施例中,提供一种RF通信组件执行的方法,RF通信组件包括RF通信电路和补偿器装置。该方法包括补偿器装置接收输入的步骤,其中该输入包括预补偿信号的I分量、预补偿信号的Q分量和RF通信电路的操作条件。RF通信电路包括引起信号损害的RF电路组件。该方法还包括补偿器装置对输入进行神经网络计算的步骤;RF通信组件生成补偿后输出信号,该信号补偿了至少一部分信号损害。其中,该操作条件可以是编码后的操作条件。
在另一个实施例中,RF通信组件包括RF通信电路,该RF通信电路包括引起信号损害的RF电路组件。RF通信组件还包括处理硬件,该处理硬件包括补偿器装置。处理硬件用于通过补偿器装置接收输入,该输入包括预补偿信号的I分量、预补偿信号的Q分量和RF通信电路的操作条件,并对输入进行神经网络计算。RF通信组件可操作产生补偿后输出信号,该补偿后输出信号补偿了至少一部分信号损害。
其他方面和特征对于本领域普通技术人员而言在结合附图阅读以下具体实施例的描述时将变得显而易见。
本申请的RF通信组件生成的输出信号补偿了RF电路组件引起的至少一部分信号损害。
附图说明
本发明通过示例而非限制的方式在附图的图中示出,其中相同的附图标记指示相似的组件。需要说明的是,本发明中对“一”或“一个”实施例的不同称谓并不一定是同一个实施例,这样的称谓意味着至少一个。此外,当结合实施例描述特定特征、结构或特性时,指的是在本领域技术人员的知识范围内可以结合其他实施例实现这种特征、结构或特性,无论是否明确描述。
图1A是根据一个实施例的包括RF发送器(transmitter,Tx)电路和补偿器神经网络(compensator neural network,CPN)的RF通信组件的框图。
图1B是根据另一个实施例的包括RF Tx电路和CPN的RF通信组件的框图。
图2A是根据一个实施例的包括RF Tx电路和系数生成器神经网络(coefficientgenerator neural network,CGN)的RF通信组件的框图。
图2B是根据另一个实施例的包括RF Tx电路和CGN的RF通信组件的框图。
图3是根据一个实施例的包括RF接收器(Rx)电路和CPN的RF通信组件的框图。
图4是根据一个实施例的包括RF Rx电路和CGN的RF通信组件的框图。
图5A是示出根据一个实施例的用于训练补偿装置的系统的框图。
图5B是示出根据另一实施例的用于训练补偿装置的系统的框图。
图6是示出根据一个实施例的用于训练补偿装置的方法的流程图。
图7是示出根据一个实施例的用于补偿RF通信电路引起的损害的方法的流程图。
图8是示出根据一个实施例的包括补偿装置的设备的框图。
具体实施方式
在以下描述中,阐述了许多具体细节。然而,应当理解,可以在没有这些具体细节的情况下实践本发明的实施例。在其他情况下,未详细示出众所周知的电路、结构和技术,以免混淆对本描述的理解。然而,本领域的技术人员将理解,本发明可以在没有这些具体细节的情况下实施。本领域的普通技术人员通过所包含的描述将能够实现适当的功能而无需过度实验。
本发明的实施例提供了一种基于人工智能(artificial-intelligent,AI)的方法和系统来补偿由RF通信电路引起的损害,例如,RF发送器(Tx)电路、RF接收器(Rx)电路等。本文描述的RF通信电路包括多个RF电路组件,例如,滤波器、混频器、本地振荡器、RF放大器、基带放大器。这些RF电路组件会引起多种类型的信号损害,例如I-Q增益不对称、频率相关的I-Q失配(frequency-dependent I-Q mismatch,FDIQ)、频率无关的I-Q失配(frequency-independent I-Q mismatch,FIIQ)、非线性、直流(direct current,DC)偏移等。由于需要大量校准数据,独立校准这些电路组件中的每一个组件不仅耗时而且效率低下。此外,每个组件的校准可能会为每个组件产生局部优化,但局部优化的聚合可能不会为整个RF通信电路产生全局优化。
本文公开的基于AI的方法和系统利用神经网络来补偿上述损害。最初,对仿真器神经网络(emulator neural network)进行训练,以模仿多组件RF通信电路的特性。对于RFTx电路(也称为“Tx电路”),补偿器神经网络连接到训练后的仿真器神经网络的输入端,并被训练以补偿由Tx电路引起的损害。对于RF Rx电路(也称为“Rx电路”),补偿器神经网络连接到训练后的仿真器神经网络的输出端,并被训练以补偿由Rx电路引起的损害。
在以下描述中,除非另有说明,包括同相信号分量和正交信号分量的信号由大写字母表示。同相信号分量和正交信号分量中的每一个由小写字母表示。例如,信号X=x(I)+x(Q),信号V=v(I)+v(Q)。此外,为了简化符号,模拟信号和其对应的数字信号用相同的字母表示。例如,数字信号Z在数模转换后仍用Z表示,模拟信号V在模数转换后仍用V表示。
图1A是根据一个实施例的RF通信组件180的框图。根据一个实施例,RF通信组件180包括补偿器装置100,该补偿器装置100对由Tx电路110引起的损害执行开环(open-loop)补偿。在本实施例中,Tx电路110是多组件RF通信电路。补偿器装置100包括耦接到Tx电路110的输入的补偿器神经网络(compensator neural network,CPN)120。CPN 120已经被训练用以补偿由Tx电路110引起的损害。DAC151将CPN的数字输出(Z)120转换成模拟信号,该模拟信号被输入到Tx电路110以产生补偿后的输出信号(Y)。
在一个实施例中,CPN 120接收作为预补偿同相数据x(I)的第一时间序列(timesequence)数据和作为预补偿正交数据x(Q)的第二时间序列数据。另外,CPN120接收Tx电路110的编码后的操作条件Ω。操作条件包括但不限于Tx电路110的功率、调制和编码方案(modulation and coding scheme,MCS)、频率、信道带宽(channel bandwidth,CBW)、资源块(resource block,RB)和温度。在一个实施例中,在CPN 120的输入层处操作条件被编码并分别与x(I)通道的x(I)和x(Q)通道的x(Q)关联(concatenate)。或者,CPN 120在与x(I)通道和x(Q)通道分开的通道中编码和处理操作条件。在本实施例中,CPN 120执行的补偿是开环的,因为没有来自Tx电路110的输出端的反馈。
稍后将参考图5A描述CPN 120的训练。在推理阶段,经过训练的CPN 120(也称训练后的CPN 120)接收输入信号X=(x(I),x(Q))和Tx电路110的编码后的操作条件,并生成预补偿后的信号Z。对于每个时刻t,从输入信号的时间序列X(t-p:t)产生输出信号Y(t),其中p为可配置值。
图1B是根据一个实施例的RF通信组件182的框图。RF通信组件182包括对由Tx电路110引起的损害执行闭环(closed-loop)补偿的补偿装置150。补偿装置150包括耦接到Tx电路110的输入的CPN 122。CPN 122接收输入信号X=(x(I),x(Q))和Tx电路110的编码后的操作条件Ω,并产生预失真信号(也可以称为预补偿后的信号)Z。在本实施例中,ADC152转换Tx电路110的输出并反馈给CPN 122。CPN 122在推理阶段使用训练阶段得到的参数(例如过滤器权重和偏差值(bias))以生成输出信号。CPN 122可以在训练阶段中更新参数,更新可以基于CPN 122的输入和模仿Tx电路110的特性的仿真器神经网络的输出之间的差异。
图2A是根据一个实施例的RF通信组件280的框图。RF通信组件280包括对由Tx电路110引起的损害执行开环补偿的补偿器装置200。在该实施例中,补偿器装置200包括耦接到Tx电路110的输入的补偿器电路220。在一个实施例中,补偿器电路220包括具有可配置的补偿器系数的补偿器。补偿器装置200还包括系数生成器神经网络(coefficient generatorneural network,CGN)230,其被训练以生成用于补偿器电路220的补偿器系数C(i),其中i是用于总共N阶补偿器系数的运行索引。稍后将参照图5A描述CGN 230的训练。
CGN 230接收输入信号X=(x(I),x(Q))和Tx电路110的编码后的操作条件Ω,并生成补偿器系数C(i)。操作条件可以在CGN 230的输入层处分别与x(I)和x(Q)关联,或者被CGN 230在与x(I)通道和x(Q)通道分开的通道中处理。
在一个实施例中,DAC 151将补偿电路220的输出(Z)转换为模拟信号并输入到Tx电路110。在每个时刻t,Tx电路110从输入信号时间序列X(t-p:t)产生输出信号Y(t),其中p是可配置的值。
图2B是根据一个实施例的RF通信组件282的框图。RF通信组件282包括补偿器装置250,该补偿器装置250对由Tx电路110引起的损害执行闭环补偿。补偿器装置250包括补偿器电路220并且还包括CGN 232,训练后的CGN 232生成用于补偿器电路220的滤波器系数C(i),其中i是总共N个滤波器系数的运行索引。
CGN 232接收输入信号X=(x(I),x(Q))和Tx电路110的编码后的操作条件Ω,并为补偿器电路220生成补偿器系数C(i),其中i是总共N阶补偿器系数的运行索引。在该实施例中,ADC 152转换Tx电路110的输出并反馈给CGN 232。因此,CGN 232可以在推理阶段使用训练阶段得到的参数(例如过滤器权重和偏差值)。具体的,在推理阶段,使用训练阶段得到的参数,对接收的输入(包括输入信号X=(x(I),x(Q))和Tx电路110的编码后的操作条件Ω)执行神经网络计算,生成补偿器系数C(i)。CPN 232可以在训练阶段中更新参数,更新可以基于CGN232的输入和模仿Tx电路110的特性的仿真器神经网络的输出之间的差异。
图3是根据一个实施例的RF通信组件380的框图。RF通信组件380包括补偿由Rx电路310引起的损害的补偿装置300。在该实施例中,Rx电路310是多组件RF通信电路。补偿器装置300包括耦接到Rx电路310的输出的CPN320。Rx电路310接收输入信号X=(x(I),x(Q))并输出受损信号V=(v(I),v(Q))。ADC 152将受损信号V转换为数字信号。CPN 320接收数字信号并产生补偿后的输出信号Z。
在一个实施例中,CPN 320还接收Rx电路310的编码后的操作条件Σ。操作条件包括但不限于Rx电路310的功率、MCS、频率、CBW、RB和温度。编码后的操作条件可以在CPN 320的输入层处分别与v(I)和v(Q)关联,或者被CPN320在与v(I)通道和v(Q)通道分开的通道中处理。稍后将参考图5B描述CPN 320的训练。
图4是根据一个实施例的RF通信组件480的框图。RF通信组件480包括补偿由Rx电路310引起的损害的补偿器装置400。补偿器装置400包括耦接到Rx电路310的输出端的补偿器电路420。ADC 152将Rx电路的输出(V)转换为数字信号。补偿器电路420接收数字信号并产生补偿后的输出信号Z。在一个实施例中,补偿器电路420包括具有可配置的补偿器系数的补偿器。补偿器装置400进一步包括CGN 430,训练后的CGN 430产生用于补偿器电路420的补偿器系数C(i),其中i是总共N阶补偿器系数的运行索引。稍后将参考图5B描述CGN 430的训练。
CGN 430接收输入信号V=(v(I),v(Q))和Rx电路310的编码后的操作条件Σ,并生成补偿器系数C(i)。已结合图3描述了操作条件Σ。编码后的操作条件可以在CGN 430的输入层处分别与v(I)和v(Q)关联,或者CPN 430在与v(I)通道和v(Q)通道分开的通道中处理编码后的操作条件。
图5A是示出根据一个实施例的用于训练补偿器装置520的系统的框图。在一些实施例中,补偿器装置520可以是补偿器装置神经网络(例如100(图1A)、150(图1B)、200(图2A)或250(图2B)神经网络)。对应图1A和图1B,补偿器装置神经网络包括CPN(例如图1A和图1B中的CPN);对应图2A和图2B,补偿器装置神经网络包括模拟补偿器电路的补偿模块和CGN(例如图2A和图2B中的CGN)。
参照图1A、1B、2A和2B,补偿器装置520的训练包括两个阶段。在第一阶段,训练仿真器神经网络(称为Tx神经网络或TxN 510)以模仿Tx电路110,例如,对Tx电路110的输入和输出以及由Tx电路110引起的损害进行建模。在训练TxN 510之后,它的参数(例如,过滤器权重和偏差值)是固定的,并在第二训练阶段中使用该参数训练补偿器装置520中的神经网络(例如,CPN 120或122,或CGN 330或332)。神经网络被训练以优化多目标损失函数(multi-objective loss function)。在一个实施例中,可以训练TxN 510和神经网络以优化相同的多目标损失函数或两个不同的多目标损失函数。
TxN 510的训练数据可以从具有不同操作条件和/或物理特性的多个Tx电路(也称为“真实Tx电路”)获得。输入训练数据包括同相时间序列数据x(I)、正交时间序列数据x(Q)和由TxN 510模仿的真实Tx电路的编码后的操作条件。相同的输入训练数据被馈送到TxN510和真实Tx电路。从真实Tx电路的输出与TxN的输出之间的差异方面来测量损失。在训练TxN 510并固定TxN 510的过滤器权重之后,将训练后的TxN 510连接到补偿器装置520的输出。当训练补偿器装置520时,补偿器装置520的输入是真实值,从该真实值与TxN的输出之间的差异方面来测量损失。其中,在图2A和2B对应的补偿器装置神经网络的训练中,CGN接收输入信号X=(x(I),x(Q))和TxN510的编码后的操作条件Ω生成补偿器系数,模拟补偿器电路的补偿模块根据所述补偿器系数生成预补偿后的输出信号到训练后的TxN 510。
图5B是示出根据一个实施例的用于训练补偿器装置522的系统的框图。在一些实施例中,补偿器装置522可以是补偿器装置神经网络(例如补偿器装置300(图3)或400(图4)的神经网络),对应图3,补偿器装置神经网络包括CPN;对应图4,补偿器装置神经网络包括模拟补偿器电路的补偿模块和CGN。
参照图3和图4,补偿器装置522的训练包括两个阶段。在第一阶段,训练仿真器神经网络(称为Rx神经网络或RxN 512)以仿真Rx电路310,例如,对Rx电路310的输入和输出以及由Rx电路310引起的损害进行建模。在训练RxN 512之后,RxN 512的参数(例如,过滤器权重和偏差值)被固定并在第二训练阶段中被使用以训练补偿器装置522中的神经网络(例如,CPN 320或CGN 430)。神经网络被训练以优化多目标损失函数。在一个实施例中,可以训练RxN 512和神经网络以优化相同的多目标损失函数或两个不同的多目标损失函数。
RxN 512的训练数据可以从具有不同操作条件和/或物理特性的多个Rx电路(也称为“真实Rx电路”)获得。RxN 512的训练过程与TxN 510的训练过程类似,不再重复。当训练补偿器装置522时,补偿器装置522的输入是真实值,并且从这个真实值和补偿器装置522的输出之间的差异的方面来测量损失。
在图5A和5B的实施例中的第二阶段训练期间,损失计算器560计算多目标损失函数,该损失函数测量输入信号x和补偿后输出信号之间的差异(x和/>都是复数信号)。其中,对于图5A的实施例,补偿后输出信号是TxN的输出;对于图5B的实施例,补偿后输出信号是补偿器装置522的输出;损失计算器560可以调整x和/>以考虑由Tx或Rx电路中的电路组件执行并由TxN 510或RxN512模仿的任何频域滤波和转换。在损失被计算之前,对信号的幅度(Amplitude)应用归一化。
在训练期间,权重更新模块570基于关于神经网络权重的梯度来更新神经网络权重。作为示例,权重更新模块570可以实施基于梯度的优化算法,例如Adam算法(Kingma等人,ADAM:一种随机优化方法,arXiv:1412.6980)。
多目标损失函数可以是一个或多个时域损失(例如,均方误差(mean squareerror,MSE)、误差矢量幅度(error vector magnitude,EVM))和一个或多个频域损失(例如,均方绝对误差(mean absolute error,MAE),基于相邻信道泄漏功率比(adjacentchannel leakage power ratio,ACLR)的规范损失)。在TxN 510、RxN520以及补偿器520和522的训练中使用的多目标损失函数可以包括上述损失的相同或不同组合。
在一个实施例中,多目标损失函数可以包括时域损失,例如两个信号x和之间的均方误差(mean square error,MSE)。MSE可以表述如下:
在傅里叶变换的频谱域中,区间中的每个复数(complex number)代表特定的频率范围。绝对值描述了特定频率点的功率幅度(magnitude)。由于传输信号的功率幅度通常大于带外信号,因此可以使用平均绝对误差(mean absolute error,MAE)来代替或补充时域损失MSE,以避免在带内信号上的偏颇(biasing),可以更公平的评估损失。因此,多目标损失函数可能包括频域损失,例如x的STFT和的STFT之间的MAE,其中STFT代表短时傅里叶变换(Short Time Fourier Transform),它同时应用于x和/>MAE可以表示如下:
代替上述损失或除了上述损失之外,多目标损失函数可以包括频域损失,例如利用相邻信道泄漏功率比(adjacent channel leakage power ratio,ACLR)计算的规范损失。根据3GPP规范,ACLR是以指派的信道频率(即带内频率)为中心的滤波后平均功率与以相邻信道频率(即带外频率)为中心的滤波后平均功率的比率。规范损失被定义为最小化x和之间的ACLR差异。ACLR的公式和规范损失如下:
代替上述损失或除了上述损失之外,多目标损失函数可以包括时域损失,例如误差矢量幅度(error vector magnitude,EVM)。EVM测量信号的星座点偏离理想位置的距离,例如,补偿后的输出信号符号与理想正交幅度调制(quadrature amplitudemodulation,QAM)符号之间的差异(即误差向量)。可以计算误差矢量的均方根(root meansquare,RMS)平均幅度作为EVM,误差矢量的RMS平均幅度被归一化到理想的信号参考幅度。用于测量发送器的EVM的方法在本领域中是已知的。EVM可用于量化补偿后输出信号中的性能损失,并可在补偿器520的训练期间优化EVM。
在一个实施例中,损失计算器560和权重更新模块570的操作可以由通用处理器、专用硬件或用于训练神经网络的加速器来执行。
图6是示出根据一个实施例的用于训练补偿器装置的方法600的流程图。方法600可以由具有RF通信电路(例如,Tx电路110和/或Rx电路210)的系统来执行,或者训练的补偿器可以被从中下载的系统(例如,服务器计算机)来执行。补偿器装置可以是图5A中的补偿器装置520或图5B中的补偿器装置522。
方法600开始于步骤610,此时系统训练仿真器神经网络以模仿RF通信电路,该RF通信电路包括引起多个信号损害的多个RF电路组件。在步骤620,系统训练第二神经网络(例如,补偿器装置神经网络),该第二神经网络耦接到训练后的仿真器神经网络。其中,补偿器装置神经网络可以是图5A和图5B实施例中提到的补偿器装置神经网络。训练第二神经网络以优化多目标损失函数,该多目标损失函数包括一个或多个时域损失和一个或多个频域损失。其中,系统训练CPN以优化多目标损失函数,或者系统训练补偿器装置神经网络中的CGN以优化多目标损失函数。
图7示出根据一个实施例的用于补偿RF通信电路引起的损害的方法700的流程图。方法700可以由具有RF通信电路(例如,Tx电路110和/或Rx电路210)的系统来执行。更具体地,方法700可以由RF通信组件执行,例如,结合图1A、1B、2A、2B、3和4描述的任何RF通信组件。
方法700开始于步骤710,此时补偿器装置接收到输入,该输入包括预补偿信号的I分量、预补偿信号的Q分量和RF通信电路的编码后的操作条件。RF通信电路包括引起多个信号损害的多个RF组件。在步骤720,补偿器装置对输入执行神经网络计算。在步骤730,RF通信组件生成补偿后的输出信号,该信号补偿了至少一部分信号损害。
在一个实施例中,RF通信电路包括RF Tx电路,RF Tx电路的输入端耦接到补偿器装置。在另一个实施例中,RF通信电路包括RF Rx电路,RF Rx电路的输出端耦接到补偿器装置。
在一个实施例中,补偿器装置包括CPN,CPN可操作的根据输入生成预补偿后的输出信号或输出信号到RF Tx电路。在另一实施例中,补偿器装置包括CGN和补偿器电路。CGN可操作的根据输入生成补偿器系数,并且补偿器电路可操作的根据补偿器系数生成预补偿后的输出信号或输出信号到RF Tx电路,RF Tx电路接收预补偿后的输出信号,输出输出信号,该输出信号是补偿后的输出信号,由于补偿器电路输出到RF Tx电路的预补偿后的输出信号补偿了至少一部分信号损害,所以RF通信组件输出的是已补偿了至少一部分信号损害的信号。
在一个实施例中,操作条件包括以下一项或多项:RF通信电路的功率、MCS、频率、CBW、RB和温度。在一个实施例中,补偿器装置用于接收补偿后输出信号(即作为反馈信号的RF Tx电路的输出),以生成下一个预补偿后的输出信号。
在一个实施例中,仿真器神经网络被训练以模仿RF通信电路。然后训练耦接到仿真器神经网络的第二神经网络以优化多目标损失函数,该多目标损失函数包括一个或多个时域损失和/或一个或多个频域损失。一个或多个频域损失可以包括以下中的一个或多个:频域规范损失和频域MAE。频域规范损失是真实值的ACLR与补偿后输出信号的ACLR之间的差异,其中,对于RF通信组件包括RF发送器(Tx)电路的情况,补偿后输出信号是TxN的输出;对于RF通信组件包括RF接收器(Rx)电路的情况,补偿后输出信号是训练阶段补偿器装置神经网络的输出;其中ACLR是以指派的信道频率为中心的滤波后平均功率与以相邻信道频率为中心的滤波后平均功率的比率。频域MAE是利用真实值的短时傅里叶变换(Short TimeFourier Transform,STFT)与补偿后输出信号的STFT之间的差计算的。
所述一个或多个时域损失可包括以下一项或多项:利用真实值和补偿后输出信号之间的差异计算的时域MSE,以及利用补偿后输出信号的符号与理想QAM符号之间的差异计算的时域EVM。
图8是示出根据一个实施例的设备800的示意图。设备800可以是无线设备。设备800包括处理硬件830,其可以包括任何通用和/或专用计算电路,例如中央处理电路(central processing circuit,CPU)、图形处理单元(graphics processing unit,GPU)、数字信号处理器(digital signal processor,DSP)、媒体处理器、神经处理电路(neuralprocessing circuit,NPU)、AI加速器、专用集成电路(application-specific integratedcircuit,ASIC)等。在一个实施例中,处理硬件830可以在神经网络(例如任何上述神经网络)的训练阶段和推理阶段评估上述多目标损失函数和神经网络权重更新。
设备800还包括存储器820。存储器820可以包括片上和片外存储器设备,例如动态随机存取存储器(dynamic random access memory,DRAM)、静态RAM(SRAM)、闪存和其他易失性或非易失性存储设备。存储器820可以存储一个或多个神经网络890,例如用于RF损害补偿的任何前述神经网络。存储器820可包括指令,当由处理硬件830执行时,使处理硬件830执行神经网络890的训练阶段和推理阶段。
本文描述的神经网络890可以包括全连接网络(fully-connected network,FC)、卷积神经网络(convolutional neural network,CNN)、递归神经网络(recurrent neuralnetwork,RNN)、图神经网络(graph neural network,GNN)、基于自证明的网络(self-attestation-based network)(例如变压器)等中的一个或者多个。神经网络的一个非限制性示例是由6个卷积层组成的CNN,其中第一个卷积层具有128个样本点的输入序列(输入长度)。在每个样本中,两个输入通道分别用于I和Q。每层的输出通道号为16-32-64-64-128-2。除了最后一个输出层,每个卷积层后面都跟着批标准化(batch normalization)层和参数整流线性单位(Parametric Rectified Linear Unit,PReLU)激活函数。
设备800还包括RF通信电路810,其包括多个电路组件。RF通信电路810可以是Tx电路和/或Rx电路。由RF通信电路810引起的损害可以由补偿器装置880来补偿,该补偿器装置880可以是任何前述的补偿器装置。在一个实施例中,补偿器装置880可以包括通用或专用硬件以执行神经网络操作。在替代实施例中,补偿器装置880可以包括指令,当由处理硬件830执行时,使处理硬件830执行用于RF损害补偿的神经网络操作。可以理解,图8的实施例为了说明的目的而被简化。可以包括额外的硬件组件。
参考图1B、2B、2A、2B、3和4,其中公开的一个或多个补偿器装置可以在硬件电路中实施、由硬件电路执行的软件实施或由硬件和软件的组合实施。硬件电路可以是专用或通用硬件。软件可以存储在任何非暂时性计算机可读介质上以供设备800使用或由设备800执行的方法使用。
本文已经描述了各种功能组件、块或模块。如本领域技术人员将理解的,功能块或模块可以通过电路(专用电路或通用电路,其在一个或多个处理器和编码指令的控制下操作)实现,其通常包括多个晶体管,这些晶体管被配置为根据这里描述的功能和操作来控制电路的操作。
虽然本发明已经根据几个实施例进行了描述,但是本领域技术人员将认识到本发明不限于所描述的实施例,并且可以在所附权利要求的精神和范围内通过修改和变更来实施。该描述因此被认为是说明性的而不是限制性的。
Claims (24)
1.一种射频(RF)通信组件执行的方法,其特征在于,所述RF通信组件包括RF通信电路和补偿器装置,该方法包括:
所述补偿器装置接收输入,所述输入包括预补偿信号的I分量、预补偿信号的Q分量和所述RF通信电路的操作条件,所述RF通信电路包括引起多个信号损害的多个RF电路组件;
所述补偿器装置对所述输入进行神经网络计算;以及
所述RF通信组件生成补偿后的输出信号,所述补偿后的输出信号补偿了所述多个信号损害的至少一部分。
2.根据权利要求1所述的方法,其特征在于,所述RF通信电路包括RF发送器(Tx)电路,所述RF发送器(Tx)电路的输入端耦接到所述补偿器装置,所述补偿器装置对所述输入进行神经网络计算,产生预补偿后的输出信号并输出到所述RF Tx电路,所述RF Tx电路的输出信号是所述补偿后的输出信号。
3.根据权利要求1所述的方法,其特征在于,所述RF通信电路包括RF接收器(Rx)电路,所述RF接收器(Rx)电路的输出端耦接到所述补偿器装置,所述补偿器装置对所述输入进行神经网络计算,产生所述补偿后的输出信号。
4.如权利要求1或者2所述的方法,其特征在于,
所述补偿器装置中的补偿器神经网络(CPN)根据所述输入,产生预补偿后的输出信号或输出信号并输出到RF发送器(Tx)电路。
5.如权利要求1或者2所述的方法,其特征在于,还包括:
所述补偿器装置中的系数生成器神经网络(CGN)根据所述输入生成补偿器系数;以及
所述补偿器装置中的补偿器电路根据所述补偿器系数生成预补偿后的输出信号或输出信号并输出到RF发送器(Tx)电路。
6.根据权利要求1所述的方法,其特征在于,所述操作条件包括以下中的一个或多个:所述RF通信电路的功率、调制和编码方案(MCS)、频率、信道带宽(CBW)、资源块(RB)和温度。
7.如权利要求1所述的方法,其特征在于,还包括:
所述补偿器装置接收作为反馈信号的所述RF发送器(Tx)电路的输出以产生下一个预补偿后的输出信号。
8.如权利要求1所述的方法,其特征在于,还包括:
训练仿真器神经网络来模仿所述RF通信电路;以及
使用训练后的仿真器神经网络训练第二神经网络以优化多目标损失函数,所述多目标损失函数包括一个或多个时域损失和/或一个或多个频域损失。
9.如权利要求8所述的方法,其特征在于,所述一个或多个频域损失包括以下中的一个或多个:频域规范损失和频域平均绝对误差(MAE),其中所述频域规范损失是真实值的相邻信道泄漏功率比(ACLR)与训练阶段的补偿后的输出信号的ACLR之间的差,其中所述ACLR是以指派的信道频率为中心的滤波后平均功率与以相邻信道频率为中心的滤波后平均功率的比率,其中所述频域MAE是利用所述真实值的短时傅里叶变换(STFT)与补偿后输出信号的STFT之间的差计算的。
10.如权利要求8所述的方法,其特征在于,所述一个或多个时域损失包括以下中一个或多个:利用真实值和训练阶段的补偿后输出信号之间的差异计算的时域均方误差(MSE),以及利用补偿后的输出信号的符号和理想正交幅度调制(QAM)符号之间的差异计算的时域误差矢量幅度(EVM)。
11.如权利要求9或者10所述的方法,其特征在于,所述RF通信电路包括RF Tx电路,所述训练阶段的补偿后输出信号是训练后的仿真器神经网络的输出信号;或者,所述RF通信电路包括RF Rx电路,所述训练阶段的补偿后输出信号是所述第二神经网络的输出。
12.如权利要求1所述的方法,其特征在于,
所述RF通信电路包括RF Rx电路,所述RF Rx电路的输出端耦接到所述补偿器装置,所述补偿器装置中的CPN根据所述输入,产生所述补偿后的输出信号,所述补偿器装置接收的所述预补偿信号的I分量、预补偿信号的Q分量是从所述Rx电路接收的。
13.如权利要求1所述的方法,其特征在于,所述RF通信电路包括RF Rx电路,所述RF Rx电路的输出端耦接到所述补偿器装置,所述补偿器装置中的CGN根据所述输入生成补偿器系数;以及所述补偿器装置中的补偿器电路根据所述补偿器系数生成所述补偿后的输出信号,其中,所述补偿器装置接收的所述预补偿信号的I分量、预补偿信号的Q分量是从所述Rx电路接收的。
14.一种射频(RF)通信组件,其特征在于,包括:
RF通信电路,包括引起多个信号损害的多个RF电路组件;以及
包括补偿器装置的处理硬件,该处理硬件用于:
所述补偿器装置接收输入,所述输入包括预补偿信号的I分量、预补偿信号的Q分量和RF通信电路的操作条件;以及
对所述输入进行神经网络计算,其中
所述RF通信组件用于生成补偿后的输出信号,所述补偿后的输出信号补偿了所述多个信号损害中的至少一部分。
15.根据权利要求14所述的RF通信组件,其特征在于,所述RF通信电路包括RF发送器(Tx)电路,所述RF发送器(Tx)电路具有耦接到所述补偿器装置的输入端。
16.根据权利要求14所述的RF通信组件,其特征在于,所述RF通信电路包括RF接收器(Rx)电路,所述RF接收器(Rx)电路具有耦接到所述补偿器装置的输出端。
17.根据权利要求14所述的RF通信组件,其特征在于,所述补偿器装置包括补偿器神经网络(CPN),所述补偿器神经网络(CPN)用于根据所述输入生成预补偿后的输出信号或输出信号并输出到RF发送器(Tx)电路。
18.根据权利要求14所述的RF通信组件,其特征在于,所述补偿器装置包括系数生成器神经网络(CGN)和补偿器电路,所述CGN用于根据所述输入生成补偿器系数,并且所述补偿器电路根据所述补偿器系数生成预补偿后的输出信号或输出信号并输出到RF发送器(Tx)电路。
19.根据权利要求14所述的RF通信组件,其特征在于,所述操作条件包括以下中的一个或多个:所述RF通信电路的功率、调制和编码方案(MCS)、频率、信道带宽(CBW)、资源块(RB)和温度。
20.根据权利要求14所述的RF通信组件,其特征在于,所述补偿器装置用于接收作为反馈信号的所述RF发送器(Tx)电路的输出以产生下一个预补偿后的输出信号。
21.根据权利要求14所述的RF通信组件,其特征在于,所述处理硬件进一步用于训练仿真器神经网络以模仿所述RF通信电路,并且训练耦接到所述仿真器神经网络的第二神经网络以优化多目标损失函数,所述多目标损失函数包括一个或多个时域损失和/或一个或多个频域损失。
22.根据权利要求14所述的RF通信组件,其特征在于,所述一个或多个频域损失包括以下中的一个或多个:频域规范损失和频域平均绝对误差(MAE),其中所述频域规范损失是真实值的相邻信道泄漏功率比(ACLR)与训练阶段的补偿后的输出信号的ACLR之间的差,其中所述ACLR是以指派的信道频率为中心的滤波后平均功率与以相邻信道频率为中心的滤波后平均功率的比率,其中所述频域MAE是利用所述真实值的短时傅里叶变换(STFT)与补偿后输出信号的STFT之间的差计算的。
23.根据权利要求18所述的RF通信组件,其特征在于,所述一个或多个时域损失包括以下中一个或多个:利用真实值和训练阶段的补偿后的输出信号之间的差异计算的时域均方误差(MSE),以及利用所述补偿后的输出信号的符号和理想正交幅度调制(QAM)符号之间的差异计算的时域误差矢量幅度(EVM)。
24.根据权利要求22或者23所述的RF通信组件,其特征在于,所述RF通信电路包括RFTx电路,所述训练阶段的补偿后输出信号是训练后的仿真器神经网络的输出信号;或者,所述RF通信电路包括RF Rx电路,所述训练阶段的补偿后输出信号是第二神经网络的输出。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163218435P | 2021-07-05 | 2021-07-05 | |
US17/857,134 | 2022-07-04 | ||
US17/857,134 US20230006877A1 (en) | 2021-07-05 | 2022-07-04 | Ai-assisted communication circuit optimization |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117411505A true CN117411505A (zh) | 2024-01-16 |
Family
ID=84786382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211082217.2A Pending CN117411505A (zh) | 2021-07-05 | 2022-09-06 | Rf通信组件执行的方法和rf通信组件 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230006877A1 (zh) |
CN (1) | CN117411505A (zh) |
TW (1) | TWI810056B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7385443B1 (en) * | 2007-01-31 | 2008-06-10 | Medtronic, Inc. | Chopper-stabilized instrumentation amplifier |
US10097396B2 (en) * | 2014-08-22 | 2018-10-09 | Texas Instruments Incorporated | TX IQ mismatch pre-compensation |
US10396919B1 (en) * | 2017-05-12 | 2019-08-27 | Virginia Tech Intellectual Properties, Inc. | Processing of communications signals using machine learning |
US10868661B2 (en) * | 2019-03-14 | 2020-12-15 | Kumu Networks, Inc. | Systems and methods for efficiently-transformed digital self-interference cancellation |
US11405116B2 (en) * | 2020-05-15 | 2022-08-02 | Samsung Electronics Co., Ltd. | Systems and methods for mitigating in-phase and quadrature mismatch |
US11431300B2 (en) * | 2020-06-12 | 2022-08-30 | Nokia Technologies Oy | Machine learning based digital pre-distortion for power amplifiers |
-
2022
- 2022-07-04 US US17/857,134 patent/US20230006877A1/en active Pending
- 2022-09-06 TW TW111133727A patent/TWI810056B/zh active
- 2022-09-06 CN CN202211082217.2A patent/CN117411505A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230006877A1 (en) | 2023-01-05 |
TW202404279A (zh) | 2024-01-16 |
TWI810056B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10153793B2 (en) | Apparatus and method for identification and compensation of distortion in a multi-antenna system | |
Bajaj et al. | Deep neural network-based digital pre-distortion for high baudrate optical coherent transmission | |
US8594231B2 (en) | Power series digital predistorter and distortion compensation control method therefor | |
DE102007026022A1 (de) | Systeme, Verfahren und Vorrichtungen für lineare EER-(Envelope Elimination and Restoration) Sender | |
US9374044B2 (en) | Architecture of nonlinear RF filter-based transmitter | |
EP2795792B1 (en) | Adaptive predistortion for a non-linear subsystem based on a model as a concatenation of a non-linear model followed by a linear model | |
US10756682B1 (en) | Compensating for transmitter nonlinearities | |
US20050123066A1 (en) | Adaptive pre-distortion method and apparatus for digital rf transmitters | |
Naskas et al. | Neural-network-based adaptive baseband predistortion method for RF power amplifiers | |
CN104954294B (zh) | 一种发射机的支路相位失配检测和校正系统 | |
CN103685109B (zh) | 宽带数字预失真多载波功率放大系统及其功放增益均衡装置与方法 | |
CN115589209A (zh) | 补偿功率放大器失真的方法以及系统 | |
Tripathi et al. | Swish activation based deep neural network predistorter for RF-PA | |
CN110765720A (zh) | 一种复值流水线递归神经网络模型的功放预失真方法 | |
CN111064439A (zh) | 一种改善短波数字预失真性能的系统及方法 | |
US9819318B2 (en) | Architecture of a low bandwidth predistortion system for non-linear RF components | |
US20150055731A1 (en) | Digital Transmitter With Sample Rate Digital Predistortion | |
TWI810056B (zh) | Rf通信組件執行的方法和rf通信組件 | |
CN111082756A (zh) | 一种用于mimo发射机的数模混合预失真结构 | |
Zhu et al. | A blind AM/PM estimation method for power amplifier linearization | |
Wu et al. | Symbol-based over-the-air digital predistortion using reinforcement learning | |
RU2731128C1 (ru) | Способ совместной цифровой линеризации усилителя мощности и квадратурного модулятора | |
TWI830276B (zh) | 補償功率放大器失真的方法以及系統 | |
Singh et al. | A Method to Enhance Power Amplifier Linearity Using Time Delay Estimation & Correction Technique | |
Jueschke et al. | Machine learning using neural networks in digital signal processing for RF transceivers |
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 |