CN117546410A - 基于混合基函数的执行器和神经网络的数字预失真 - Google Patents
基于混合基函数的执行器和神经网络的数字预失真 Download PDFInfo
- Publication number
- CN117546410A CN117546410A CN202280043747.8A CN202280043747A CN117546410A CN 117546410 A CN117546410 A CN 117546410A CN 202280043747 A CN202280043747 A CN 202280043747A CN 117546410 A CN117546410 A CN 117546410A
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- actuator
- dpd
- based actuator
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 433
- 230000006870 function Effects 0.000 claims abstract description 269
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims description 110
- 238000012545 processing Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 24
- 238000005070 sampling Methods 0.000 description 23
- 230000005540 biological transmission Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000006978 adaptation Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000001994 activation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 101710165631 Dihydropyrimidine dehydrogenase [NADP(+)] Proteins 0.000 description 3
- 101710183660 NAD-dependent dihydropyrimidine dehydrogenase subunit PreA Proteins 0.000 description 3
- 101710183648 NAD-dependent dihydropyrimidine dehydrogenase subunit PreT Proteins 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 239000002800 charge carrier Substances 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003446 memory effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000007725 thermal activation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- 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
- H03F1/3258—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits based on polynomial terms
-
- 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
- H04B1/62—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 for providing a predistortion of the signal in the transmitter and corresponding correction in the receiver, e.g. for improving the signal/noise ratio
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03343—Arrangements at the transmitter end
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/38—Synchronous or start-stop systems, e.g. for Baudot code
- H04L25/40—Transmitting circuits; Receiving circuits
- H04L25/49—Transmitting circuits; Receiving circuits using code conversion at the transmitter; using predistortion; using insertion of idle bits for obtaining a desired frequency spectrum; using three or more amplitude levels ; Baseband coding techniques specific to data transmission systems
-
- 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
- H04L27/366—Arrangements for compensating undesirable properties of the transmission path between the modulator and the demodulator
- H04L27/367—Arrangements for compensating undesirable properties of the transmission path between the modulator and the demodulator using predistortion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Nonlinear Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Physics & Mathematics (AREA)
- Amplifiers (AREA)
- Transmitters (AREA)
Abstract
提供了与混合基函数、基于神经网络的数字预失真(DPD)相关的系统、设备和方法。用于射频(RF)收发器的示例装置包括数字预失真(DPD)致动器,用于接收与所述RF收发器的非线性部件相关联的输入信号并输出预失真信号。DPD致动器包括基于基函数的致动器,以使用与非线性部件的第一非线性特性相关联的基函数集合来执行第一DPD运算。DPD致动器还包括基于神经网络的致动器,以使用与非线性部件的第二特性相关联的第一神经网络来执行第二DPD操作。预失真信号基于所述基于基函数的致动器的第一输出信号和基于神经网络的致动器的第二输出信号。
Description
相关申请的交叉引用
本申请要求2021年5月12日提交的题为“使用神经网络进行功率放大器线性化的数字预测”的美国临时专利申请第63/187536号的优先权和权益,以及2022年4月29日提交的题为“基于混合基函数的致动器和神经网络的数字预测”的美国非临时专利申请第17/732764号的优先权和权益,其全部内容通过引用合并于此,如同在下文中充分阐述一样,并用于所有适用目的。
技术领域
本公开一般涉及电子器件,并且更具体地涉及具有基于混合基函数的致动器和神经网络的数字预失真(DPD)。
背景技术
射频(RF)系统是以大约3千赫兹(kHz)到300千兆赫(GHz)的RF范围内的电磁波形式发送和接收信号的系统。RF系统通常用于无线通信,蜂窝/无线移动技术是一个突出的例子,但也可以用于诸如有线电视的有线通信。在这两种类型的系统中,其中各种部件的线性起着至关重要的作用。
RF部件或诸如RF收发器之类的系统的线性在理论上易于理解。也就是说,线性通常是指部件或系统提供与输入信号成正比的输出信号的能力。换句话说,如果部件或系统是完全线性的,则输出信号与输入信号的比率的关系是直线。在现实生活中的部件和系统中实现这种行为要复杂得多,并且必须解决对线性的许多挑战,通常以牺牲一些其他性能参数为代价,例如效率和/或输出功率。
功率放大器(PA)由固有非线性的半导体材料制成,并且必须在相对高的功率电平下工作,在考虑RF系统的线性设计时,功率放大器通常是首先要分析的部件。具有非线性失真的PA输出可能导致调制精度降低(例如,误差矢量幅度(EVM)降低)和/或带外发射。因此,无线RF系统(例如,长期演进(LTE)和毫米波或第五代(5G)系统)和电缆RF系统都具有严格的PA线性规范。
DPD可用于增强PA的线性度。通常,DPD涉及在数字域中对作为PA输入的信号进行预失真,以减少和/或消除预计由PA引起的失真。预失真可以通过PA模型来表征。可以基于来自PA的反馈(即,基于PA的输出)来更新PA模型。PA模型在预测PA将引入的失真方面越准确,对PA的输入的预失真在减少放大器引起的失真的影响方面就越有效。
在RF系统中执行DPD不是一项容易的任务,因为多种因素会影响DPD的成本、质量和稳健性。物理约束,如空间/表面积以及法规,可能会对DPD的要求或规范造成进一步的约束。由于在最先进的RF系统中使用的采样率不断增加,DPD变得特别具有挑战性,因此在设计DPD时必须进行权衡和独创性。
附图说明
为了提供对本公开及其特征和优点的更完整理解,结合附图参考以下描述,其中相同的附图标记表示相同的部分,其中:
图1提供了根据本公开的一些示例的示例性射频(RF)收发器的示意框图,其中可以实现混合基函数、基于神经网络的数字预失真(DPD);
图2提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD块的示例性布置的示意图;
图3提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD块的示例性布置的示意图;
图4提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD的示例性布置的示意图;
图5提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD的示例性布置的示意图;
图6提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的离线训练和在线致动的方案的图示;
图7提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD的示例性布置的示意图;
图8提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD中的组合器的示例性布置的示意图;
图9提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD中的组合器的示例性布置的示意图;
图10提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD中的组合器的示例性布置的示意图;
图11提供了根据本公开的一些示例的混合基函数、基于神经网络的DPD中的示例性PA状态估计和预测实现的示意图;
图12提供了根据本公开的一些示例的用于混合基函数、神经网络DPD中的神经网络致动器的示例性硬件架构的示意图;和
图13提供了示出根据本公开的一些示例的用于执行混合基函数、基于神经网络的DPD的方法的流程图。
具体实施方式
综述
本公开的系统、方法和装置每个都具有若干创新示例,其中没有一个单独负责本文公开的所有期望属性。本说明书中描述的主题的一个或多个实现方式的细节在以下描述和附图中阐述。
为了使用本文提出的神经网络来说明DPD,首先了解可能在RF系统中发挥作用的现象可能是有用的。以下基本信息可以被视为可以适当解释本公开的基础。提供此类信息仅用于解释目的,因此不应以任何方式解释为限制本公开及其潜在应用的广泛范围。
如上所述,在考虑RF系统的线性设计时,PA通常是要分析的第一个部件。具有线性和高效的PA对于无线和电缆RF系统是必不可少的。虽然线性对于诸如低噪声放大器之类的小信号放大器也很重要,但线性的挑战对于PA来说尤其明显,因为这样的放大器通常需要产生相对高水平的输出功率,并且因此特别容易进入不能再忽视非线性行为的某些操作条件。一方面,当放大器对具有高功率电平的信号进行操作(这种操作条件通常被称为“饱和操作”)时,用于形成放大器的半导体材料的非线性行为往往会恶化,从而增加其输出信号中的非线性失真量,这是非常不希望的。另一方面,在相对高的功率电平下操作(即,在饱和下操作)的放大器通常也以其最高效率工作,这是非常期望的。因此,线性度和效率(或功率水平)是两个性能参数,对于这两个参数,通常必须找到可接受的折衷,因为在这些参数中的一个方面的改进是以牺牲另一个参数为次优为代价的。为此,术语“回退”在本领域中被用来描述输入功率(即,提供给待放大放大器的信号的功率)应该降低多远以实现期望的输出线性度的测量(例如,回退可以被测量为提供最大功率的输入功率与提供期望线性度的输入功率之间的比率)。因此,减小输入功率可以在线性方面提供改进,但是导致放大器的效率降低。
同样如上所述,DPD可以对PA的输入进行预失真,以减少和/或消除由放大器引起的失真。为了实现这一功能,在高水平上,DPD涉及形成PA如何影响输入信号的模型,该模型定义了要应用于输入信号的滤波器的系数(这种系数被称为“DPD系数”),以试图减少和/或消除由放大器引起的输入信号的失真。以这种方式,DPD将试图通过对要提供给放大器的输入信号应用相应的修改来补偿放大器对要发送的信号应用不期望的非线性修改。
DPD算法中使用的模型通常是自适应模型,这意味着它们是在迭代过程中通过基于进入放大器输入的数据和从放大器输出的数据之间的比较逐渐调整系数而形成的。DPD系数的估计基于输入和输出数据(即,PA的输入和输出)的有限序列的获取,通常称为“捕获”,并形成反馈回路,其中基于捕获的分析来调整模型。更具体地说,传统的DPD算法是基于通用记忆多项式(GMP)模型的,该模型包括形成一组通常被称为“更新方程”的多项式方程,并在广泛的解空间中搜索方程的合适解,以更新PA的模型。为此,DPD算法解决了一个反问题,从一组观察结果中,得出这些观察结果的偶然因素。
在存在非线性效应的情况下求解逆问题可能具有挑战性,并且可能是不适定的。特别地,本公开的发明人意识到,基于GMP的PA模型可能由于信号动力学和存储多项式数据所需的有限存储器深度而具有局限性,特别是在现有技术的RF系统中使用的不断增加的采样率的情况下。
可用于高频的固态器件在现代半导体技术中具有重要意义。部分由于其大的带隙和高迁移率,基于III-N的晶体管(即,采用具有来自周期表第III族的至少一种元素(例如Al、Ga、In)的第一子晶格和氮(N)的第二子晶格的化合物半导体材料作为沟道材料的晶体管),例如基于GaN的晶体管,对于高频应用可能是特别有利的。特别地,可以使用GaN晶体管来构建PA。
虽然GaN晶体管在截止频率和效率方面具有所需的特征,但它们的行为由于被称为电荷捕获的效应而变得复杂,其中晶体管沟道中的缺陷位点捕获电荷载流子。捕获电荷的密度在很大程度上取决于栅极电压,其中栅极电压通常与信号幅度成比例。更为复杂的是,相反的效果可能同时与电荷捕获的效果竞争。也就是说,当一些电荷载流子被缺陷位点捕获时,其他电荷载流子从陷阱中释放,例如,由于热激活。这两种效应具有截然不同的时间常数:每当栅极电压增加时,缺陷部位都可能迅速充满陷阱电荷,而陷阱电荷的释放则较慢。释放时间常数可以是10微秒,最高可达毫秒,在4G或5G数据的符号周期的时间尺度上,这种影响通常非常明显,尤其是对于包含突发的数据。
本公开的各种示例提供了旨在改进在为RF系统(例如但不限于毫米波/5G技术的无线RF系统)提供线性且高效的放大器(例如,PA)方面的上述一个或多个缺点的系统和方法。特别地,本公开的各方面提供了一种DPD布置,其利用基于基函数的致动器和基于神经网络(NN)的致动器的组合。
如本文所使用的,基于基函数的致动器可以是指DPD致动器,其执行DPD操作作为使用基函数集合对非线性部件(例如,PA)的输入信号进行预失真的一部分。基函数可以指函数空间的特定基的元素。函数空间中的每个函数都可以表示为基函数的线性组合,就像向量空间中的每一个向量都可以表示为由基向量的线性组合一样。基函数的一些例子可以基于Volterra级数、GMP模型(它是Volterra级数的子集)和/或线性分段函数。
如本文所使用的,基于神经网络的致动器可以是指DPD致动器,其执行DPD操作作为使用一个或多个神经网络对非线性部件(例如,PA)的输入信号进行预失真的一部分。神经网络是深度学习模型,是机器学习的一个子集。例如,神经网络可以包括多个层,例如,输入层,后面是一个或多个隐藏层(例如,全连接层或卷积层)和输出层。每一层可以包括一组权重和/或偏差,其可以变换从前一层接收的输入,并且所得到的输出可以传递到下一层。可以训练和调整每一层中的权重和/或偏差,例如,以处理输入信号和/或观测信号或指示非线性部件的输出的反馈信号,对基于基函数的致动器的输出信号进行后处理,在预失真输入信号时更新基于基函数致动器的参数,和/或组合由基于基函数的致动器和基于神经网络的致动器产生的信号。通常,基于神经网络的致动器所使用的一个或多个神经网络可以具有任何合适的架构(例如,卷积神经网络、递归神经网络等)。
根据本公开的一个方面,一种用于RF收发器的装置可以包括DPD致动器,用于接收与RF收发器的非线性分量(例如,PA)相关联的输入信号并输出预失真信号。DPD致动器可以包括基于基函数的致动器和基于神经网络的致动器。基于基函数的致动器可以使用与非线性部件的第一非线性特性相关联的一组基函数来执行第一DPD操作。在一些示例中,基函数集可以基于Volterra级数、GMP模型和/或动态偏差减少(DDR)模型。基于神经网络的致动器可以使用与非线性部件的第二非线性特性相关联的一个或多个神经网络来执行第二DPD操作。第一和第二非线性特性可以相同或不同。通常,第一和第二非线性特性可以包括非线性部件的任何合适阶(例如,3阶、5阶、10阶、11阶等)的非线性特性和/或任何数量的非线性特性。DPD致动器可以基于所述基于基函数的致动器的第一输出信号和基于神经网络的致动器的第二输出信号来输出预失真信号。基于基函数的致动器和基于神经网络的致动器可以以各种配置来布置,例如,以并联配置或级联配置,并且可以以各种方式相互作用以产生预失真信号。
对于并联配置,基于基函数的致动器和基于神经网络的致动器中的每一个可以处理指示非线性部件的输出的输入信号或反馈信号中的至少一个(其中输出从发射器路径回环到接收器路径以供观察)。在这方面,基于基函数的致动器可以通过使用该组基函数处理输入信号或反馈信号中的至少一个来执行第一DPD操作,以产生第一输出信号。基于神经网络的致动器可以通过使用一个或多个神经网络处理输入信号或反馈信号中的至少一个来执行第二DPD操作,以产生第二输出信号。此外,在一个示例中,DPD致动器还可以包括组合器,用于组合输入信号、第一输出信号和/或第二输出信号以提供预失真信号。组合器可以在将这些信号相加在一起之前对输入信号、第一输出和/或第二输出信号执行各种数据变换(例如,信号对准、上采样、滤波、使用另一神经网络的处理等)。在另一示例中,作为执行第二DPD操作的一部分,代替组合第一输出信号和第二输出信号,基于神经网络的致动器的第二输出输出信号可以用于更新基于基函数的致动器的参数,并且基于基函数的致动器可以进一步使用更新的参数生成第一输出信号。
对于级联配置,基于基函数的致动器和基于神经网络的致动器可以依次串联布置。在一个示例中,基于神经网络的致动器可以耦合到基于基函数的致动器的输出。在这方面,基于基函数的致动器可以通过使用该组基函数处理指示非线性部件的输出的输入信号或反馈信号中的至少一个来执行第一DPD操作,以产生第一输出信号。随后,基于神经网络的致动器可以通过使用一个或多个神经网络处理基于基函数的致动器的第一输出信号来执行第二DPD操作,以产生第二输出信号。在一些情况下,基于神经网络的致动器可以通过使用一个或多个神经网络处理输入信号来进一步生成第二输出信号。在另一示例中,基于基函数的致动器可以耦合到基于神经网络的致动器的输出。在这方面,基于神经网络的致动器可以通过使用一个或多个神经网络处理输入信号或反馈信号中的至少一个来执行第二DPD操作,以产生第二输出信号。随后,基于基函数的致动器可以通过使用该组基函数处理基于神经网络的致动器的第二输出信号来执行第一DPD操作,以生成第一输出信号。
在一些方面中,对于并联配置和/或级联配置,基于基函数的致动器和/或基于神经网络的致动器可以分别作为第一DPD操作和/或第二DPD操作的一部分来预处理(例如,变换)它们各自的输入。附加地或替代地,对于并联配置,作为第二DPD操作的一部分,基于神经网络的致动器可以进一步对输入信号或反馈信号中的至少一个进行下采样。
在一些方面中,由基于神经网络的致动器用于第二DPD操作的一个或多个神经网络可以包括估计神经网络模型和预测神经网络模型。基于神经网络的致动器可以基于反馈信号的可用性在估计神经网络模型或预测神经网络模型之间进行选择。在这方面,当反馈信号可用或有效时,基于神经网络的致动器可以通过使用估计神经网络模型来处理输入信号和反馈信号来生成第二输出信号。另一方面,当缺乏反馈信号的可用性时,基于神经网络的致动器可以通过使用预测神经网络模型来处理输入信号来生成第二输出信号。此外,在一些方面,一个或多个神经网络可以具有递归的内部状态。在这方面,基于神经网络的致动器可以通过使用估计神经网络模型或预测神经网络模型中选择的一个来处理输入信号或反馈信号中的至少一个来产生第二输出信号,并且进一步处理与估计神经网络模型或预测神经网络模型中的至少一个相关联的先前状态信息。基于神经网络的致动器可以基于第二输出信号进一步更新与估计神经网络模型或预测神经网络模型中的至少一个相关联的状态信息。
此外,在一些方面中,基于神经网络的致动器可以包括神经网络处理器(例如,硬件加速器)以执行神经网络特定操作(例如,卷积、校正线性单元(ReLU)操作等)。基于神经网络的致动器可以进一步包括存储器以存储与一个或多个神经网络(例如,估计神经网络模型和预测神经网络模型)相关联的参数(例如,训练的权重)。基于神经网络的致动器可以利用神经网络处理器基于存储的参数执行第二DPD操作。
本文描述的系统、方案和机制有利地利用神经网络来辅助DPD致动。例如,对DPD使用基函数可能有局限性。神经网络通常可以提供比基函数更高的自由度,并且可以对可能不容易用分析或数学函数表示的任意复杂函数进行建模。例如,基于神经网络的致动器可以对基于基函数的致动器未被设计为建模和/或校正(例如,由于硬件资源限制和/或期望利用)和/或由于变化(例如,模拟增益设置、温度、信号功率等)而无法建模的非线性特性和/或长期记忆效应进行建模和校正。此外,与传统的DPD不同,在传统的DPD中,观测数据(例如,从发射机反馈到接收机的反馈信号)仅用于自适应,从观测时间到致动时间可能具有秒级的长延迟,本文公开的基于神经网络的致动器可以将观测数据用于致动或补偿,其可以具有从观察时间到致动时间的微秒量级的较短延迟。因此,本公开可以在线性化非线性部件方面提高DPD性能。虽然在RF系统中线性化PA的上下文中讨论了本公开的各方面,但是所公开的混合基函数、基于神经网络的DPD可以应用于线性化任何合适的非线性部件。此外,所公开的混合基函数、基于神经网络的DPD技术适用于无线基站和/或无线移动手持机(例如,用户设备)。
具有混合基函数、基于神经网络的DPD布置的RF收发器示例
图1提供了根据本公开的一些示例的示例性RF收发器100的示意框图,其中可以实现混合基函数、基于神经网络的DPD。如图1所示,RF收发器100可以包括DPD电路110、发射机电路120、PA 130、天线140和接收机电路150。
DPD电路110被配置为接收由x表示的输入信号102,该输入信号102可以是数字样本序列并且可以是矢量。通常,如本文所使用的,本图中使用的每个小写粗体斜体单字母标签(例如,图1中所示的标签x、z、y和y’)都指向量。在一些示例中,输入信号102x可以包括频域中的一个或多个活动信道,但是,为了简单起见,描述了仅具有一个信道(即,带内频率的单个频率范围)的输入信号。在一些示例中,输入信号x可以是基带数字信号。DPD电路110被配置为基于输入信号102x生成输出信号104,输出信号104可以由z表示。DPD输出信号104z可以被进一步提供给发射机电路120。
根据本公开的各方面,DPD电路110可以包括基于基函数的致动器112和基于神经网络的致动器114。基于基函数的致动器112可以使用与非线性部件的第一非线性特性相关联的一组基函数来执行第一DPD操作。在一些示例中,基函数集可以是Volterra级数或Volterra级数的子集(例如,GMP和/或DDR)。基于神经网络的致动器114可以使用与非线性部件的第二非线性特性相关联的一个或多个神经网络来执行第二DPD操作。DPD电路110可以基于基于基函数的致动器112的第一输出信号和基于神经网络的致动器114的第二输出信号来输出预失真信号104z。通常,基于基函数的致动器112和基于神经网络的致动器114可以使用硬件和/或软件的任何适当组合来实现。在某些方面中,基于基函数的致动器112可以利用查找表(LUT)来存储基函数集合和相关联的DPD系数集合,其可以由c表示,并且基于神经网络的致动器114可以包括用于执行神经网络操作的硬件加速器(例如,神经网络处理器)。基于基函数的致动器112和基于神经网络的致动器114可以以各种配置来布置,例如,以并联配置或级联配置,并且可以以各种方式相互作用以产生预失真信号。在一些方面中,DPD电路110可以可选地包括组合器116,如虚线框所示,例如,当基于基函数的致动器112和基于神经网络的致动器114布置成并联配置时,组合基于基函数致动器112和神经网络致动器114的输出。下面将更全面地讨论使用基于基函数的致动器112和基于神经网络的致动器114来执行DPD的机制。在一些情况下,DPD电路110可以被称为混合基函数、基于神经网络的DPD。
发射机电路120可以被配置为将信号104z从基带信号上变频为更高频率的信号,例如RF信号。由发射机120生成的RF信号可以被提供给PA 130,PA 130可以被实现为包括N个单独PA的PA阵列。PA 130可以被配置为放大由发射机120生成的RF信号(因此,PA 130可以由基于DPD电路110的输出的驱动信号驱动),并输出放大的RF信号131,放大的RF信息131可以由y(例如,矢量)表示。
在一些示例中,RF收发器100可以是无线RF收发器,在这种情况下,它还将包括天线140。在无线RF系统的背景下,天线是一种设备,用作在空间中无线传播的无线电波与在发射器、接收器或收发器中使用的金属导体中移动的电流之间的接口。在传输期间,RF收发器的发射器电路可以提供电信号,该信号被PA放大,并且该信号的放大版本被提供给天线的端子。然后,天线可以将来自PA输出的信号的能量作为无线电波进行辐射。天线是所有无线电设备的重要组成部分,用于无线电广播、广播电视、双向无线电、通信接收机、雷达、手机、卫星通信和其他设备。
具有单个天线元件的天线通常将广播在球面波阵面中的所有方向上均匀辐射的辐射方向图。相控天线阵列通常是指用于将电磁能聚焦在特定方向上,从而产生主波束的天线元件的集合,这一过程通常被称为“波束成形”。相控天线阵比单天线系统具有许多优势,如高增益、执行方向控制的能力、,以及同时通信。因此,相控阵天线阵列在无数不同的应用中被更频繁地使用,例如移动/蜂窝无线技术、军事应用、飞机雷达、汽车雷达、工业雷达和Wi-Fi技术。
在RF收发器100是无线RF收发器的示例中,放大的RF信号131y可以被提供给天线140,天线140可以被实现为包括多个天线元件(例如N个天线元件)的天线阵列。天线140被配置为无线地发送放大的RF信号131y。
在RF收发器100是相控天线阵列系统的无线RF收发器的示例中,RF收发器100可以进一步包括波束形成器布置,其被配置为改变提供给PA阵列130的各个PA的输入信号,以引导由天线阵列140生成的波束。这种波束形成器布置没有在图1中具体示出,因为它可以以不同的方式实现,例如作为模拟波束形成器(即,在模拟域中修改要由PA阵列130放大的输入信号,即,在这些信号已经从数字域转换到模拟域之后),作为数字波束形成器(即,其中要由PA阵列130放大的输入信号在数字域中被修改,即,在这些信号从数字域转换到模拟域之前),或者作为混合波束形成器(即其中要由PA阵列130放大的输入信号部分地在数字域中和部分地在模拟域中被修改)。
理想地,来自PA 130的放大的RF信号131y应该只是发射机电路120的输出的上变频和放大版本,例如,输入信号102x的上变频、放大器和波束成形版本。然而,如上所述,放大的RF信号131y可以具有主信号分量之外的失真。这种失真可以由PA 130的响应中的非线性引起。如上所述,可能希望减少这种非线性。因此,RF收发器100可以进一步包括反馈路径(或观察路径),该反馈路径允许RF收发器分析来自PA 130的放大的RF信号131y(在传输路径中)。在一些示例中,反馈路径可以如图1A所示实现,其中反馈信号151y’可以从PA 130提供给接收机电路150。然而,在其他示例中,反馈信号可以是来自探测天线元件的信号,该探测天线元件被配置为感测由天线140(未在图1A中具体示出)发送的无线RF信号。
因此,在各种示例中,PA 130的输出或天线140的输出的至少一部分可以作为反馈信号151提供给接收器电路150。接收器电路150的输出耦合到DPD电路110,特别是耦合到基于基函数的致动器112和/或基于神经网络的致动器114。以这种方式,接收器电路150的输出信号151(y’),即来自PA 130的输出信号131(y),可以通过接收器电路150提供给基于基函数的致动器112和/或基于神经网络的致动器114。如上所述,基于基函数的致动器112和基于神经网络的致动器114可以被布置为并联配置或级联配置。对于并行配置,基于基函数的致动器112和基于神经网络的致动器114中的每一个可以处理输入信号102x或反馈信号151y’中的至少一个。对于级联配置,基于基函数的致动器112和基于神经网络的致动器114可以一个接一个地串联布置,并且基于基函数致动器112和神经网络致动器114中的一个可以处理输入信号102x或反馈信号151y’中的至少一个以产生第一输出信号,并且基于基函数的致动器114和基于基函数致动器112中的另一个使用一个或多个神经网络处理基于基函数促动器的第一输出信号以产生第二输出信号。下面参照图2-5更全面地讨论并行配置和级联配置的细节。在一些情况下,DPD电路110可任选地包括DPD适配电路以处理所接收的信号(例如,输入信号102x和/或反馈信号151y’)以更新由DPD致动器电路112施加到输入信号102X的DPD系数以产生致动器输出104z。基于致动器输出z的信号被提供作为PA 130的输入,这意味着DPD致动器输出z可以用于控制PA 130的操作。
如图1进一步所示,在一些示例中,发射机电路120可以包括数字滤波器122、数模转换器(DAC)124、模拟滤波器126和混频器128。在这样的发射机中,预失真信号104z可以由数字滤波器122在数字域中进行滤波,以生成滤波的预失真输入,即数字信号。数字滤波器122的输出然后可以由DAC 124转换为模拟信号。由DAC 124生成的模拟信号然后可以由模拟滤波器126进行滤波。模拟滤波器126的输出然后可以由混频器128上变频为RF,混频器128可以接收来自本地振荡器(LO)162的信号,以将来自模拟滤波器126经滤波的模拟信号从基带转换为RF。实现发射机电路120的其他方法也是可能的并且在本公开的范围内。例如,在另一种实现方式(在附图中未示出)中,数字滤波器122的输出可以由DAC 124直接转换为RF信号(例如,在直接RF架构中)。在这样的实现中,由DAC 124提供的RF信号然后可以由模拟滤波器126进行滤波。由于在该实施方式中DAC 124将直接合成RF信号,因此在这样的实施方式中,图1A中所示的混频器128和本地振荡器162可以从发射机电路120中省略。
如图1进一步所示,在一些示例中,接收器电路150可以包括数字滤波器152、模数转换器(ADC)154、模拟滤波器156和混频器158。在这样的接收机中,反馈信号151可以由混频器158下变频到基带,混频器158可以从本地振荡器(LO)160(其可以与本地振荡器160相同或不同)接收信号,以将反馈信号151从RF转换到基带。混频器158的输出然后可以由模拟滤波器156进行滤波。模拟滤波器156的输出然后可以由ADC 154转换为数字信号。然后,由ADC 154产生的数字信号可由数字滤波器152在数字域中滤波,以产生经滤波的下变频反馈信号151y’,其可为指示PA 130的输出y的数字值序列,且其也可被建模为向量。反馈信号151y’可以被提供给DPD电路110。实现接收器电路150的其他方法也是可能的并且在本公开的范围内。例如,在另一种实现方式(在本图中未示出)中,RF反馈信号151y’可以由ADC 154直接转换为基带信号(例如,在直接RF架构中)。在这样的实现中,由ADC 154提供的下变频信号然后可以由数字滤波器152进行滤波。由于在该实施方式中ADC 154将直接合成基带信号,因此在这样的实施方式中,可以从接收器电路150中省略图1A中所示的混频器158和本地振荡器160。
上述RF收发器100可以有进一步的变化。例如,虽然关于基带频率描述了上变频和下变频,但是在RF收发器100的其他示例中,可以使用中频(IF)代替。IF可以用在超外差无线电接收机中,其中在完成对接收信号中的信息的最终检测之前,将接收到的RF信号移位到IF。由于几个原因,转换为IF可能是有用的。例如,当使用几个阶段的滤波器时,它们都可以设置为固定的频率,这使它们更容易构建和调谐。在一些示例中,RF发射机120或接收机150的混频器可以包括几个这样的IF转换级。在另一示例中,尽管在RF收发器100的发射(TX)路径(即,要由发射机120处理的信号的信号路径)和接收(RX)路径(即,要由接收器150处理的信号的信号路径)中的每一个中示出了单路径混频器,但是在一些示例中,TX路径混频器128和RX路径混频器158可以分别被实现为正交上变频器和下变频器,在这种情况下,它们中的每个将包括第一混频器和第二混频器。例如,对于RX路径混频器158,第一RX路径混频器可以被配置为通过混合反馈信号151和由本地振荡器160提供的本地振荡器信号的同相分量来执行下变频以生成同相(I)下变频的RX信号。第二RX路径混频器可以被配置为通过将反馈信号151与由本地振荡器160提供的本地振荡器信号的正交分量(正交分量是与本地振荡器信号同相分量偏移90度的分量)混合来执行下变频以生成正交(Q)下变频的RX信号。可以将第一RX路径混频器的输出提供给I信号路径,并且可以将第二RX路径混频器输出提供给Q信号路径,Q信号路径可以与I信号路径基本上异相90度。通常,发射机电路120和接收机电路150可以使用零IF架构、直接转换RF架构、复杂IF架构、高(实)IF架构或任何合适的RF发射机和/或接收机架构。
通常,RF收发器100可以是被配置为支持在大约3kHz到300GHz的RF范围内的电磁波形式的信号的发送和接收的任何设备/装置或系统。在一些示例中,RF收发器100可以用于无线通信,例如,在任何合适的蜂窝无线通信技术的基站(BS)或用户设备(UE)设备中,例如全球移动通信系统(GSM)、码分多址(CDMA)或LTE。在另一示例中,RF收发器100可以例如用作毫米波无线技术(例如5G无线)的BS或UE设备,或者在其中使用(即,高频/短波长频谱,例如,具有在大约20和60GHz之间的范围内的频率,对应于在大约5和15毫米之间的范围中的波长)。在又一示例中,RF收发器100可以用于使用Wi-Fi技术的无线通信(例如,2.4GHz的频带,对应于大约12cm的波长,或者5.8GHz的频带、频谱,对应于约5cm的波长),例如,在诸如台式机、笔记本电脑、视频游戏控制台、智能手机、平板电脑、智能电视、数字音频播放器、汽车、打印机等的支持Wi-Fi的设备中。在一些实现中,支持Wi-Fi的装置可以例如是智能系统中的节点,该节点被配置为与其他节点(例如,智能传感器)进行数据通信。仍然在另一个示例中,RF收发器100可以用于使用蓝牙技术的无线通信(例如,从大约2.4到大约2.485GHz的频带,对应于大约12cm的波长)。在其他示例中,RF收发器100可用于发送和/或接收无线RF信号,用于通信以外的目的,例如,在汽车雷达系统中,或在诸如磁共振成像(MRI)的医疗应用中。在其他示例中,RF收发器100可以用于有线通信,例如在有线电视网络中。
基于基函数的致动器和基于神经网络的致动器的并联和级联布置示例
如上所述,基于基函数的致动器112和基于神经网络的致动器114可以被布置成并联配置或级联配置,并且可以以各种方式相互作用以从输入信号102x生成预失真信号104z。在高电平下,基于基函数的致动器112的输入可以是输入信号102x、反馈信号151y’或基于神经网络的致动器114的输出的任何子集或变换版本。类似地,基于神经网络的致动器114的输入可以是输入信号102x、反馈信号151y’或基于基函数的致动器112的输出的任何子集或变换版本。预失真信号104z可以取自基于基函数的致动器112的输出、基于神经网络的致动器114的输出、或者输入信号x、基于基函数致动器112的输出来和/或基于神经网络致动器114的输出来的组合波形。图2和图3是关于图1讨论的,其中基于基函数的致动器112和基于神经网络的致动器114被布置成并联配置。图4和图5是关于图1讨论的,其中基于基函数的致动器112和基于神经网络的致动器114被布置成级联配置。为了简单起见,图2-5可以使用与图1中相同的附图标记来指代相同的元件或相同的信号。
图2提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的示例性布置200的示意图。例如,图1的DPD电路110的基于基函数的致动器112和基于神经网络的致动器114可以被布置在如布置200中所示的并联配置中。
如图2所示,基于基函数的致动器112和基于神经网络的致动器114中的每一个可以将输入信号102x或反馈信号151y’(表示PA 130输出的输出信号131y)中的至少一个作为输入。例如,基于基函数的致动器112可以通过使用一组基函数(例如,Volterra级数、GMP、DDR函数、分段线性函数等)处理输入信号102x或反馈信号151y’中的至少一个来执行第一DPD操作,以产生输出信号202。基于神经网络的致动器114可以通过使用一个或多个神经网络(例如卷积神经网络、递归神经网络等)处理输入信号102x或反馈信号151y’中的至少一个来执行第二DPD操作,以产生输出信号204。
更具体地,在一个示例中,作为第一操作的一部分,基于基函数的致动器112可以使用一组基函数来处理输入信号102x,以生成输出信号202。在另一示例中,作为第一操作的一部分,基于基函数的致动器112可以使用一组基函数来处理输入信号102x和反馈信号151y’,以产生输出信号202。类似地,在一个示例中,作为第二DPD操作的一部分,基于神经网络的致动器114可以使用一个或多个神经网络来处理输入信号102x,以生成输出信号204。在另一个例子中,作为第二DPD操作的一部分,基于神经网络的致动器114可以通过一个或多个神经网络处理输入信号102x和反馈信号151y’,以产生输出信号204。也就是说,可以训练一个或多个神经网络来更新和调整其参数,以生成预失真信号104z的至少一部分或分量。
此外,在一些方面中,基于基函数的致动器112可以在将该组基函数应用于输入之前对其输入(例如输入信号102x和/或反馈信号151y’)进行预处理。类似地,基于神经网络的致动器114可以在将一个或多个神经网络应用于输入之前对其输入(例如输入信号102x和/或反馈信号151y’)进行预处理。预处理的一些示例可以包括包络幅度计算、下采样等。在某些方面中,基于基函数的致动器112可以是基于LUT的致动器,其中基函数集合和相关联的线性组合系数(例如,c)被存储为LUT。基于基函数的致动器112可以计算输入信号102x的幅度(例如,基于复数的带同相/正交相位(I/Q)信号),并且使用所计算的幅度基于来自LUT的表查找来生成输出信号202。基于神经网络的致动器114可以使输入信号102x和/或反馈信号151y’通过一个或多个神经网络中的至少第一神经网络的网络层。
如图2中进一步所示,组合器116可以组合输入信号102x、基于基函数的致动器112的输出信号202和/或基于神经网络的致动器114的输出信号204,以生成预失真信号104z。随后,预失真信号104z可以被发送到DAC 124用于传输。组合器116可以具有各种结构,如下面将参照图8-10更全面地讨论的。在一些情况下,输入信号102x、预失真信号104z、反馈信号151y’、基于基函数的致动器112的输出信号202和基于神经网络的致动器114的输出信号204是数字基带I/Q信号(包括复数I/Q样本)。
布置200可以有利地允许基于基函数的致动器112和基于神经网络的致动器114独立地操作,例如,单独地优化和/或适配。在这方面,由基于基函数的致动器112使用的基函数集合可以被配置为线性化PA 130的第一非线性特性,并且由基于神经网络的致动器114使用的一个或多个神经网络可以被配置成线性化第二非线性特性。第一和第二非线性特性可以是不同的(例如,不同的非线性阶数或非线性阶数的不同组合)。可替换地,第一和第二非线性特性可以是相同的,其中基于神经网络的致动器114处的一个或多个神经网络可以被训练以适应可能导致PA 130的非线性变化的动态条件。
图3提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的示例性布置300的示意图。例如,图1的DPD电路110的基于基函数的致动器112和基于神经网络的致动器114可以被布置为并联配置,如布置300中所示。图3的布置300可以基本上类似于图2的布置200。例如,布置300中的基于基函数的致动器112可以以与上面讨论的布置200中的基于基础函数的致动器122基本相似的方式操作。然而,预失真信号104z对应于基于基函数的致动器112的输出,而不是如图2所示的基于基函数致动器112和基于神经网络的致动器114的组合输出。
如图3所示,基于神经网络的致动器114的输出信号304被提供给基于基函数的致动器112。更具体地,基于神经网络的致动器114可以通过使用一个或多个神经网络(例如,卷积神经网络、递归神经网络等)处理输入信号102x或反馈信号151y’中的至少一个来执行DPD操作,以产生输出信号304。输出信号304可以用于更新基于基函数的致动器112的参数。因此,可以训练一个或多个神经网络以生成PA 130的DPD特征(例如,非线性特征),并更新基于基函数的致动器112的参数,用于预失真输入信号。在某一示例中,输出信号304可用于更新由基于基函数的致动器112使用的DPD系数(或编程LUT)以生成预失真信号104z。
此外,在一些方面中,基于基函数的致动器112可以在应用该组基函数之前对其输入(例如输入信号102x和/或反馈信号151y’)进行预处理,和/或基于神经网络的致动器114可以在应用如上文参考图2所讨论的一个或多个神经网络之前对其输入(例如输入信号102x和/或反馈信号151y’)进行预处理。
装置300可以有利地使用基于神经网络的致动器114来辅助基于基函数的致动器112,例如,以适应基于基函数致动器112可能无法单独实现的动态条件。在一些示例中,基于神经网络的致动器114可以适应PA 130处的动态变化,并且可以代替DPD适应电路来更新基于基函数的致动器112(的DPD系数和/或LUT)。
通常,上面讨论的并行DPD装置200和/或300可以以不同的采样率操作。例如,基于基函数的致动器112可以以全信号采样率操作,而基于神经网络的致动器114可以以较低的速率(下采样速率)操作,如下面参考图6和图7所讨论的。在一些情况下,基于神经网络的致动器114还可以包括以不同采样率操作的多个神经网络,如下面将参照图7更全面地讨论的。以这种方式,基于神经网络的致动器114可以考虑动态变化和/或长期记忆效应,这些动态变化和(或)长期记忆效应可能不会被基于基函数的致动器112所使用的基函数集合跟踪或建模。
图4提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的示例性布置400的示意图。例如,图1的DPD电路110的基于基函数的致动器112和基于神经网络的致动器114可以被布置为级联配置,如布置400中所示。
如图4所示,基于基函数的致动器112耦合到基于神经网络的致动器114的输出。例如,基于神经网络的致动器114可以通过使用一个或多个神经网络(例如,卷积神经网络、递归神经网络等)处理输入信号102x或反馈信号151y’中的至少一个来执行DPD操作,以产生输出信号402。基于基函数的致动器112可以通过使用一组基函数(例如,Volterra级数、GMP、DDR函数、分段线性函数等)来处理基于神经网络的致动器114的输出信号402以生成预失真信号104z来执行另一DPD操作。也就是说,一个或多个神经网络可以被训练并适于在由基于基函数的致动器112处理之前预处理输入信号102x或反馈信号151y’中的至少一个(例如生成特征)。
此外,在一些方面中,基于神经网络的致动器114可以在应用一个或多个神经网络之前对其输入(例如输入信号102x和/或反馈信号151y’)进行预处理。附加地或可替换地,基于基函数的致动器112可以在应用该组基函数之前对其输入(例如,基于神经网络的致动器114的输出信号402)进行预处理。
装置400可以有利地使用基于神经网络的致动器114来辅助基于基函数的致动器112从输入信号102x和/或反馈信号151y’生成特征。在一些示例中,基于神经网络的致动器114的输出信号402可以包括与PA 130的特性或输入信号102x上的变换相关联的信息,这些信息不能容易地被基于基函数的致动器112捕获或表示。
图5提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的示例性布置500的示意图。例如,图1的DPD电路110的基于基函数的致动器112和基于神经网络的致动器114可以被布置为级联配置,如布置500中所示。图5的布置500可以基本上类似于图4的布置400,但是基于基函数的致动器112和基于神经网络的致动器114在信号路径中的顺序被交换。如图5所示,基于神经网络的致动器114耦合到基于基函数的致动器112的输出。
例如,基于基函数的致动器112可以通过使用一组基函数(例如,Volterra级数、GMP、DDR函数、分段线性函数等)处理输入信号102x或反馈信号151y’中的至少一个来执行DPD操作,以产生输出信号502。随后,基于神经网络的致动器114可以通过处理基于基函数的致动器112的输出信号502来执行另一DPD操作,以生成预失真信号104z。此外,在一些方面中,基于神经网络的致动器114还可以使用一个或多个神经网络来处理输入信号102x或反馈信号151y’。这样,(由基于神经网络的致动器114使用的)一个或多个神经网络可以被训练并适于后处理基于基函数的致动器112的输出信号和/或处理输入信号102x或反馈信号151y’。
此外,在一些方面中,基于基函数的致动器112可以在将一个或多个神经网络应用于输入之前对其输入(例如输入信号102x和/或反馈信号151y’)进行预处理。附加地或替代地,基于神经网络的致动器114可以在将基函数集合应用于输入之前对其输入(例如,基于基函数的致动器112的输出信号502)进行预处理。
布置500可以有利地使用基于神经网络的致动器114来考虑未由基于基函数的致动器112建模的特征(例如,动态变化和/或非线性效应)。例如,基于基函数的致动器112可能具有有限的存储器,因此可能无法校正或线性化PA 130的某些长期存储器效应。因此,基于神经网络的致动器114可以被训练为修改基于基函数的致动器112的输出以校正长期变化。附加地或可替换地,基于基函数的致动器112可以执行不太复杂的DPD操作,而基于神经网络的致动器114可以执行更复杂的DPD。例如,因为基函数可以基于分析方程,因此可能具有局限性(例如,可以对某些非线性进行建模,但不能对其他更复杂或更高阶的非线性进行建模)。因此,基于神经网络的致动器114可以用于对任意非线性函数(例如,具有更高的自由度)进行建模,其可以由分析数学方程表示,也可以不由分析数学方程式表示。
从以上讨论中可以看出,各种DPD布置200、300、400和500具有不同的优点。因此,根据硬件资源(例如,存储器)的可用性、线性化下的PA 130的非线性特性(例如,俘获电荷、记忆效应等)和/或目标线性化性能度量,可以使用DPD布置200、300、400或500来配置DPD电路110。此外,在一些方面中,DPD装置200、300、400和/或500中的基于神经网络的致动器114可以包括神经网络处理器或加速器(例如,图6的加速器670和/或图7的加速器760)。神经网络处理器或加速器可以具有允许神经网络特定处理的有效计算的架构和/或硬件操作(例如,具有用于组合卷积层中的前一层的加权输出的乘加运算的层处理、ReLU运算、偏置运算等)。
具有神经网络模型的DPD布置示例
本公开的一个方面提供了具有放大器状态估计分支的DPD布置,所述放大器状态估计支路基于神经网络模型并且被配置为估计、预测和补偿诸如信号动力学或GaN电荷捕获之类的慢效应。
神经网络已被证明在广泛的应用中具有以良好的精度近似任意非线性函数的能力。神经网络模型可以被配置为同时进行PA输出的传输(例如,输入信号102x)和环回观测(例如,反馈信号151y’)和生成有用的特征向量(PA状态估计)。这种神经网络也可以用具有不同动态行为的各种波形来训练,例如,引起GaN-PA电荷捕获或结温度变化的行为。此外,在一些示例中,状态动力学模型可以被配置为采用先前的状态估计和下一个输入信号并预测下一个状态(PA状态预测),假设PA状态变化主要由输入激励引起。因此,对未来状态的预测可能不再需要观测通道。为了解决信号/系统动态的更长的时间跨度,在一些示例中,可以用下采样波形来训练该模型,该下采样波形可以主要包括(例如,仅包括)系统的长期演变。结合以采样率运行的预失真模型(在各种示例中可以是神经网络模型或GMP模型),两者的组合可以通过组合器模型利用动态系统执行预失真,即,类似于图2的组合器116的将两个模型的输出和输出I/Q样本取到DAC(例如DAC 124)的模型。由于PA状态估计网络以低采样率运行,因此可以构建加速器(例如,图6的加速器670和/或图7的加速器760)来处理模型的致动。
纯粹基于传输信号对PA中从微秒到毫秒的长期效应进行建模通常需要长的捕获缓冲区(例如,数万个样本)和非常深的记忆模型。本文提出的具有放大器状态估计分支的DPD布置被配置为首先通过在致动期间比较传输信号和观测信号的短捕获来估计当前PA状态(与传统实现中的自适应相反)。这样的DPD布置可以进一步被配置为使用当前PA状态和未来传输信号来跟踪和预测未来PA状态,而无需观察。在一些示例中,这样的DPD布置可以被配置为利用估计的PA状态来生成逐采样校正信号以补偿主DPD致动。
图6-12示出了具有神经网络模型的DPD布置的各个方面。图6提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的离线训练和在线致动的方案600的图示。方案600包括在图6左侧示出的离线训练和在图6右侧示出的在线致动。为了不使附图混乱而在图6中仅示出了DPD致动的突出元件,但是在线致动可以包括在组合器116的输出和PA130的输入之间的发送器电路(例如,类似于至少包括DAC 124的发射机电路120)以及在PA 130的输出和捕获缓冲器660之间的接收器电路(例如,类似于包括ADC 154的接收器电路150)。在一些方面中,可以使用方案600来训练和部署图1的DPD电路110和/或图2的布置200。为了简单起见,图6可以使用与图1和图2相同的附图标记来表示相同的元件或相同的信号。
如图6右侧的在线致动所示,图1的DPD电路110的基于基函数的致动器112和基于神经网络的致动器114以与图2的布置200基本相似的方式布置。例如,在线致动可以包括基于基函数的致动器112使用一组基函数和一组相关联的DPD系数来处理输入信号102x,以产生输出信号202。在线致动可以进一步包括基于神经网络的致动器114以处理捕获的信号662以产生输出信号204。组合器116可以将基于基函数的致动器112的输出信号202和基于神经网络的致动器114的输出信号204组合以产生预失真信号104z。通常,组合器116可以组合来自基于基函数的致动器112的输出信号202、来自基于神经网络的致动器114的输出信号204和/或输入信号102x,以生成预失真信号104z。
组合器116可以具有各种结构。图6示出了用于组合器116的一个示例结构。在所示的示例中,组合器116可以包括后处理电路640以后处理输出信号204和输入信号102x以输出后处理信号642。组合器116还可以包括信号求和电路630,用于将后处理信号642与(来自基于基函数的致动器112的)输出信号202相加以生成预失真信号104z。此外,可以将延迟添加到来自基于基函数的致动器112的输出信号202、来自基于神经网络的致动器114的输出信号204和/或用于组合之前的时间对准的输入信号102x中的任何一个,如下面将参考图7更全面地讨论的。组合器116的各种示例结构将在下面参考图8-10进行更全面的讨论。如上面参考图1类似地讨论的,预失真信号104z可以被发送到PA 130用于传输。此外,在线致动可以包括捕获存储器或缓冲器660(例如,实现为DPD电路110的一部分)。捕获缓冲器660可以对表示PA 130的输出的预失真信号104z(或传输信号)和反馈信号151y’(或观测信号)进行多次捕获。例如,每个捕获可以包括一定数量的数字I/Q样本。在一些示例中,可以根据特定的占空比来执行捕获,例如,取决于用于存储捕获的可用存储器和/或PA 130的存储器效果。例如,预失真信号104z的短段(例如,N个样本)和/或反馈信号151y’的短段可以以特定的时间间隔被捕获。
在图6所示的示例中,基于神经网络的致动器114可以包括神经网络加速器670。神经网络加速器670可以对神经网络模型610执行处理,例如,该神经网络模型被专门训练用于与基于基函数的致动器112一起执行DPD操作(例如,包括PA状态预测、PA状态估计和/或非线性预补偿)。在一些方面中,神经网络加速器670可以具有允许神经网络特定处理的有效计算的架构和/或硬件操作(例如,具有用于组合卷积层中的前一层的加权输出的乘加运算的层处理单元、ReLU运算、偏置运算等)。如图6中进一步所示,基于神经网络的致动器114可以包括下采样电路682以对捕获的信号662进行下采样以提供下采样的信号683。神经网络加速器670可以根据训练的神经网络模型610来处理下采样信号683,以提供输出信号676。在一些方面中,例如,当神经网络模型610是递归神经网络模型时,神经网络加速器670可以可选地跟踪神经网络模型610的内部状态(例如,如674所示),并且可以处理下采样信号683和内部状态674以生成输出信号676。基于神经网络的致动器114还可以包括上采样电路680以对神经网络模型610的输出信号676进行上采样以生成信号204。也就是说,604内的操作(包括基于基函数的致动器112和组合器116)可以以全采样率(例如,以输入信号102x的采样率)执行,而608内的操作(包括基于神经网络的致动器114)则可以以较低的采样率执行。例如,下采样电路682可以按因子K对其输入进行下采样,并且上采样电路680可以按相同的因子K对输入信号进行上采样,其中K可以是2、3、4或任何合适的值。虽然图6示出了以下采样速率操作的基于神经网络的致动器114,但在其他方面,基于神经网络致动器114可以以与基于基函数的致动器112相同的全信号采样速率操作。
在一个方面中,由组合器116使用由神经网络加速器670实现的PA状态估计和跟踪的输出(例如信号204)补偿的PA 130可以表现出短期记忆效应。这些短期记忆效应可以通过基于基函数的致动器112来处理(校正)。在一些示例中,基于基函数的致动器112、基于神经网络的致动器114和组合器116可以包括在DPD致动器电路(例如,DPD电路110)内。在一些情况下,基于基函数的致动器112可以被称为主DPD或采样率致动器,并且神经网络模型610可以被称为PA状态估计模型。
如图6的左侧所示,预训练可以包括以下过程。首先,可以利用到PA 130的各种输入刺激从传输路径和观察路径捕获数据(例如,如图6右侧所示的目标硬件),以形成训练数据集(如捕获602所示)。捕获602可以包括预失真信号104z和/或反馈信号151y’的捕获。接下来,可以使用优化算法来训练神经网络模型610,以基于捕获的数据602来估计PA状态。最后,可以与PA状态估计模型一起训练组合器模型(对组合器116进行建模)以生成校正信号(例如,预失真信号104z)。在一些示例中,PA状态估计模型可以与主DPD模型(对基于基函数的致动器112建模)和组合器模型一起训练,以基于捕获的数据602估计PA状态。在其他示例中,可以首先基于捕获的数据602对主DPD模型进行预训练,然后可以与预训练的主DPD模块和组合器一起对PA状态估计模型进行训练,以基于捕获数据602估计PA状态。换言之,可以使用捕获602来训练神经网络模型610,例如,通过使预失真信号104z和/或反馈信号151y’的捕获通过神经网络模型的各层,并使用反向传播来更新神经网络模型610的权重(或参数),直到神经网络模型610的输出被优化(即,当神经网络模型610预测的输出与期望信号之间的误差被最小化或满足某些标准时)。在一些示例中,在训练PA状态估计模型或神经网络模型610之后,可以执行进一步的修剪和量化612和/或任何其他后处理,以生成神经网络模型表示614。在一些示例中,神经网络模型表示614可以包括训练的权重参数。神经网络模型表示614可以由基于神经网络的致动器114用于在线致动。例如,神经网络模型表示614(训练的参数)可以存储在存储器中,并且神经网络加速器670可以使用存储的参数来执行神经网络处理。
如图6的右侧进一步所示,部署后操作可以包括以下过程。首先,可以捕获来自主DPD的输出(例如,基于基函数的致动器112)的传输信号的短片段(例如,预失真信号104z)。可选地,可以捕获来自PA 130的输出的观测信号的短片段(例如,反馈信号151y’)。接下来,预训练的PA状态估计模型(例如,模型610)可以使用捕获的信号662来估计PA状态。在一些示例中,如果观测可用,则预训练的PA状态估计模型可以通过比较捕获的传输信号(例如,预失真信号104的捕获)和捕获观测信号(例如反馈信号151的捕获)来直接估计PA状态。与其中观察仅用于自适应的现有技术DPD实现(即使用观察来找到致动器中的下一组系数的优化算法)相比,在图6的右侧所示的PA状态估计和补偿DPD布置(其类似于图2的布置200)中从捕获时间到致动效果具有大约几秒的延迟,观察被直接馈送到致动器(例如,基于基函数的致动器112)中用于补偿,从捕获到致动具有微秒级的延迟。在一些示例中,预训练的PA状态估计模型可以使用先前的PA状态和捕获的传输信号来估计PA状态(如果观测不可用)。这与使用前馈模型的现有技术DPD实现形成对比,该前馈模型不具有根据需要自校正来自观测的模型漂移的能力,并且不具有用于最佳性能的明确的观测接收机占空比机制。在下一过程中,组合器116可以组合主DPD的输出(例如信号202)和估计的PA状态向量(例如信号204),以生成最终预失真信号,然后将其馈送到PA 130。之后,主DPD可以在不知道PA状态估计模型和组合器模型的情况下执行其自己的自适应。最后,PA状态估计模型可以执行自适应,其中可以使用任何合适的已知优化算法(例如随机梯度下降)来执行参数更新。
关于样本抽取,在一些示例中,包括在神经网络加速器670中的PA状态估计模型可以以抽取的样本速率操作,以在长时间范围内(例如,微秒量级)捕获记忆效应。可选的确定性变换可以在第一次下采样之前应用于输入。在一些示例中,PA状态估计模型可以包括多个下采样级,如图7和图11所示。
图7提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的示例性布置700的示意图。布置700可以基本上类似于图2的布置200和/或用于图6的方案600中的在线致动的DPD硬件,并且可以提供基于神经网络的致动器114的内部元件以及基于基函数的致动器112、组合器116和基于神经网络致动器114之间的相互作用(或协调)的更详细视图。为了简单起见,图7可以使用与图1、图2和图6中相同的附图标记来表示相同的元件或相同的信号。
如图7所示,布置700可以包括基于基函数的致动器112、基于神经网络的致动器114、组合器116、对准缓冲器720、延迟电路710、712、714和上采样电路762。基于基函数的致动器112可以使用一组基函数和相关联的DPD系数来处理输入信号102x(例如,用用于传输的数据编码的数字基带I/Q信号),以产生输出信号202。对准缓冲器720可以类似于捕获缓冲器660。对准缓冲器720可以包括对反馈信号151y’(指示PA 130的输出的观测信号)的捕获(例如N I/Q样本)、对基于基函数的致动器112的输出信号202的捕获(例如N I/Q样本)和/或预失真信号104z(组合器116的输出)的捕获(例如N I/Q样本)。反馈信号151y’、预失真信号104z和输出信号202可以处于全信号采样率(例如Fs),并且时间对准并存储在对准缓冲器720中。例如,由于传输路径和反馈路径中的处理和/或信号传播延迟,可以将相应的延迟添加到输出信号202和预失真信号104z以及反馈信号151y’中的每一个,使得在缓冲器720中存储的这些信号之间在采样电平上可以存在一一对应。
如图7中进一步所示,基于神经网络的致动器114可以包括变换和特征生成块730(例如,数字电路和执行指令代码的处理器)、类似于下采样电路682的一个或多个下采样电路740、一个或更多串并(S/P)电路750、类似于神经网络加速器670的神经网络加速器760和类似于上采样电路680的上采样电路762。变换和特征生成块730可以将时间对准的反馈信号151y’、预失真信号104z、输出信号202和/或附加特征732作为输入,并基于这些输入生成信号734(例如,与PA 130的非线性特性相关的特征)。附加特征732的一些示例可以包括但不限于模拟增益设置(在发送路径和/或接收路径中)、温度(例如,当前操作温度)、反馈信号151y’的符号功率、和/或可能导致DPD表现不同的任何操作参数和/或测量。附加特征732可以由其他电路(例如,检测和/或测量电路)提供和/或从CPU可访问寄存器读取。例如,模拟增益设置可以直接从电路(例如,检测和/或测量电路)获得。或者,模拟增益设置可以通过寄存器进行数字控制,并且可以读回。作为另一示例,包括基于基函数的致动器112和基于神经网络的致动器114的DPD装置或RF收发器可以包括温度感测电路,并且可以经由寄存器读取来提供当前操作温度的指示。
信号734可以由下采样电路740进行下采样。S/P电路750可以对下采样信号执行串并转换,并将转换后的信号752提供给神经网络加速器760。例如,神经网络加速器760可以利用并行处理来处理信号752。例如,神经网络模型(例如,模型610)可以一次对下采样样本块进行操作,并且S/P电路750可以将目标样本块提供给神经网络加速器760。基于神经网络的致动器114可以可选地包括多个并行的下采样路径,如由下采样电路740和相关联的S/P电路750用虚线所示。在一些示例中,不同的下采样路径以不同的下取样速率执行。也就是说,神经网络加速器760可以以不同的速率运行多个神经网络模型,例如,用于估计或预测不同的PA状态信息。在通过相应的神经网络处理信号752之后,神经网络加速器760可以生成输出信号204。在将基于神经网络的致动器114的输出提供给组合器116之前,上采样电路762可以将输出信号204上采样为信号763。在一些示例中,当基于神经网络的致动器114包括具有不同下采样因子的多个下采样路径时,上采样电路762可以根据相应的下采样因子对来自神经网络加速器760的输出进行上采样,使得信号763可以以全信号采样率返回。通常,上采样可以作为基于神经网络的致动器114的一部分或在神经网络加速器760处或在基于神经网络致动器114外部的处理的一部分来执行。
如图7中进一步所示,输入信号102x、由基于基函数的致动器112产生的信号202和由基于神经网络的致动器114产生的信号763可以分别被延迟电路710、712和714延迟,然后将它们提供给组合器116。如上所述,可能存在来自不同路径的处理和/或信号传播延迟。因此,延迟电路710、712和714可以在组合器116之前对输入信号102x、信号202和信号763进行时间对准。例如,延迟电路710可以将输入信号102x延迟K个样本,延迟电路712可以将信号202延迟L个样本,并且延迟电路714可以将该信号763延迟P个样本,其中K、L和P可以具有不同的值。组合器116可以组合延迟的输入信号102x、基于基函数的致动器112的延迟的输出信号202和基于神经网络的致动器114的延迟输出信号763,以生成预失真信号104z。组合器116可以具有如图6所示的结构或如下面参照图8-10所讨论的其他结构。
如上所述,用于组合图2和6-7所示的基于基函数的致动器112的输出和基于神经网络的致动器114的输出的组合器116可以具有各种结构。图6示出了用于组合器116的一个示例结构。图8-10示出了组合器结构的其他变型。
图8提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD中的组合器的示例性布置800的示意图。例如,可以使用布置800来布置DPD电路110中的组合器116。如图8所示,组合器116可以包括求和电路810、乘法电路820、低通滤波器(LPF)电路830和上采样电路840。
在布置800中,上采样电路840可以例如根据如上所述在基于神经网络的致动器114处执行的下采样,对由基于神经网络致动器114输出的信号204进行上采样。例如如果基于神经网络的致动器114以(输入信号102x的)全信号采样率的一半操作,则上采样电路840可以将输出信号204上采样2,使得上采样的信号842可以处于相同的全信号采样率。LPF电路830可以使上采样的信号842通过LPF。乘法电路820可以将输入信号102x与滤波后的信号832相乘以提供信号822。求和电路810可以将信号822与基于基函数的致动器112输出的信号202求和,以生成预失真信号104z。
虽然在图8中未示出,但是布置800可以包括类似于延迟电路710、712和/或714的延迟电路,以在乘法电路820处的乘法之前对信号102和832进行时间对准和/或在求和电路810处的求和之前对信号202和822进行时间对准。此外,在一些示例中,上采样操作可以是可选的,例如,当基于神经网络的致动器114以与基于基函数的致动器112相同的速率操作时。
图9提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD中的组合器的示例性布置900的示意图。例如,可以使用布置900来布置DPD电路110中的组合器116。如图9所示,组合器116可以包括基本上类似于布置800的求和电路910、乘法电路920、LPF电路930和上采样电路940。然而,在布置900中,组合器116不利用输入信号102x来生成预失真信号104z。
例如,上采样电路940可以例如根据如上所述在基于神经网络的致动器114处执行的下采样,对由基于神经网络致动器114输出的信号204进行上采样。LPF电路930可以使上采样的信号942通过LPF。乘法电路920可以将信号202与滤波后的信号932相乘以提供信号922。求和电路910可以将信号922与基于基函数的致动器112输出的信号202求和,以生成预失真信号104z。
虽然在图9中未示出,但是布置900可以包括类似于延迟电路710、712和/或714的延迟电路,以在乘法电路920处的乘法之前对信号932和202进行时间对准和/或在求和电路910处的求和之前对信号922和202进行时间对准。此外,在一些示例中,上采样操作可以是可选的,例如,当基于神经网络的致动器114以与基于基函数的致动器112相同的速率操作时。
图10提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD中的组合器的示例性布置1000的示意图。例如,可以使用布置1000来布置DPD电路110中的组合器116。如图10所示,组合器116可以包括求和电路1010、神经网络1020、LPF电路1030和上采样电路1040。
在布置1000中,上采样电路1040可以例如根据如上所述在基于神经网络的致动器114处执行的下采样,对由基于神经网络致动器114输出的信号204进行上采样。LPF电路1030可以使上采样的信号1042通过LPF。神经网络1020(例如,由神经网络处理器或加速器执行,例如图6的加速器670、图7的加速器760和/或图12的神经网络处理器核心1240)可以处理上采样信号1032和输入信号102x以提供信号1022。神经网络1020可以包括训练成将基于神经网络的致动器114的输出与输入信号102x组合的权重。求和电路1010可以将信号1022与基于基函数的致动器112输出的信号202求和,以生成预失真信号104z。
虽然在图10中未示出,但是布置1000可以包括类似于延迟电路710、712和/或714的延迟电路,以在神经网络1020的处理之前对信号1032和102进行时间对准和/或在求和电路1010处求和之前对信号1022和202进行时间对准。此外,在一些示例中,上采样操作可以是可选的,例如,当基于神经网络的致动器114以与基于基函数的致动器112相同的速率操作时。
通常,组合器116可以组合输入信号x、基于基函数的致动器112输出的信号202和/或基于神经网络的致动器114输出的信号204以生成预失真信号104z。在一些方面中,组合器116可以在组合之前对基于神经网络的致动器114输出的输出信号204进行上采样和/或滤波。附加地或可替换地,组合器116可以在组合之前将基于神经网络的致动器114输出的信号204与输入信号102x相乘。附加地或可替换地,组合器116可以在组合之前将基于神经网络的致动器114输出的信号204与基于基函数的致动器112输出的信号202相乘。附加地或可替换地,组合器116可以在组合之前使204和/或输入信号102x通过神经网络。
图11提供了根据本公开的一些示例的用于混合基函数、基于神经网络的DPD的示例性PA状态估计和预测实现1100的示意图。例如,DPD电路110的基于神经网络的致动器114可以如实现1100中所示来实现。如图11所示,基于神经网络的致动器114可以包括PA状态估计阶段1102和PA状态预测阶段1104。基于神经网络的致动器114可以包括估计神经网络模型1116和预测神经网络1126。在一些方面中,估计神经网络模型1116和预测神经网络模型1126可以由神经网络处理器或加速器(例如,图6的加速器670、图7的加速器760和/或图12的神经网络处理器核心1240)执行。
在PA状态估计阶段1102期间,基于神经网络的致动器114可以利用估计神经网络模型1116进行PA状态估计。例如,基于神经网络的致动器114可以基于指示PA 130的输出的输入信号102x(例如,承载数据以供PA 130传输的数字基带I/Q信号)和反馈信号151y’来估计PA状态1118。基于神经网络的致动器114可以对输入信号102x和反馈信号151y’执行一个或多个阶段的变换1110和/或下采样1112,并将变换和/或向下采样的信号1114提供给估计神经网络模型1116以进行处理。估计神经网络模型1116可以包括多个神经网络层(例如,包括输入层、一个或多个隐藏层和输出层),每个层具有一组权重,并且变换和/或下采样的信号1114可以通过每个层进行处理以提供估计的PA状态1118。
在PA状态预测阶段1104期间,基于神经网络的致动器114可以利用预测神经网络模型1126进行PA状态预测。例如,基于神经网络的致动器114可以基于输入信号102x(例如,承载用于由PA 130传输的数据的数字基带I/Q信号)来预测PA状态1128。基于神经网络的致动器114可以对输入信号102x执行一个或多个阶段的变换1120和/或下采样1122,并将变换的和/或降采样的信号1124提供给预测神经网络模型1126进行处理。预测神经网络模型1126可以包括多个神经网络层(例如,包括输入层、一个或多个隐藏层和输出层),每个层具有一组权重,并且变换和/或下采样的信号1124可以通过每个层进行处理以提供预测的PA状态1128。
在一些方面,基于神经网络的致动器114可以基于反馈信号151y’的可用性在PA状态估计阶段1102和PA状态预测阶段1104之间切换。在这方面,基于神经网络的致动器114可以基于反馈信号151y’的可用性在估计神经网络模型1116和预测神经网络模型1126之间进行选择。例如,如果反馈信号151y’(观察)可用,则基于神经网络的致动器114可以选择估计神经网络模型1116。然而,如果缺乏反馈信号151y’的可用性,则基于神经网络的致动器114可以选择预测神经网络模型1126,
此外,在一些方面中,基于神经网络的致动器114可以包括共享存储器1130(例如,存储器),以存储与估计神经网络模型1116和/或预测神经网络模型1126相关联的状态信息。状态信息可以被反馈到估计神经网络模型1116和/或预测神经网络模型1126,用于处理以生成相应的PA状态。基于神经网络的致动器114还可以包括延迟电路1132,用于在估计神经网络模型1116和/或预测神经网络模型1126进行处理之前延迟PA状态信息。例如,估计神经网络模型1116可以处理变换和/或下采样的信号1114和先前状态信息1134(例如先前估计的PA状态1118和/或先前预测的PA状态1128),以输出新的估计PA状态1118。随后,可以用新的估计PA状态1118来更新共享存储器1130处的状态信息。类似地,预测神经网络模型1126可以处理变换的和/或下采样的信号1124以及先前的状态信息1134(例如先前估计的PA状态1118和/或先前预测的PA状态1128),以输出新的预测PA状态1128。随后,可以用新的预测PA状态1128来更新共享存储器1130处的状态信息。
换句话说,当反馈信号151y’(观测)不可用时,例如,由于观测接收器(例如,接收器电路150)处的占空比循环,基于神经网络的致动器114可以利用预测神经网络模型1126根据输入信号102x和先前的状态信息1134来预测另一PA状态。另一方面,当反馈信号151y’(观测)可用时,基于神经网络的致动器114可以利用估计神经网络模型1116根据输入信号102x和反馈信号151y’来估计未来的PA状态。在一些示例中,估计神经网络模型1116可以进一步基于先前的状态信息1134来估计未来的PA状态。通常,估计神经网络模型1116和预测神经网络模型1126可以根据反馈信号151y’的可用性以交替的方式运行。
在一些方面中,基于神经网络的致动器114可以包括在估计神经网络模型1116之后的进一步处理阶段,以处理PA状态1118以生成估计PA状态1119。类似地,基于神经网络的致动器114可以包括在预测神经网络模型1126之后的进一步处理阶段,以处理PA状态1128以生成预测PA状态1129。
虽然图11示出了用于在PA状态估计阶段1102和PA状态预测阶段1104期间执行操作的两个独立路径,但是基于神经网络的致动器114可以以任何合适的方式来实现,例如,共享至少一些硬件块和电路。
图12提供了根据本公开的一些示例的用于混合基函数、神经网络DPD中的神经网络致动器的示例性硬件架构1200的示意图。体系结构1200可以与图11的实施方式1100结合使用。例如,DPD电路110的基于神经网络的致动器114可以使用使用实现1100和架构1200实现的来实现。如图12所示,体系结构1200可以包括权重存储器1210、多路复用器1220、推理控制器1230、神经网络处理器核心1240、激活存储器1250和直接存储器存取(DMA)控制器1260。
权重存储器1210可以是任何合适的易失性或非易失性存储器。存储器的一些示例可以包括双数据速率随机存取存储器(DDR RAM)、同步RAM(SRAM)、动态RAM(DRAM)、闪存、只读存储器(ROM)等。激活存储器1250可以被配置为存储估计神经网络模型信息1212和预测神经网络模型信息1214。例如,估计神经网络模型信息1212可以包括权重参数和/或与估计神经网络模块1116的神经网络层相关联的任何其他信息。类似地,预测神经网络模型信息1214可以包括权重参数和/或与预测神经网络模块1126的神经网络层相关联的任何其他信息。
多路复用器1220可以基于反馈信号(或观察信号)有效性指示信号1222在存储在存储器1210处的估计神经网络模型信息1212或预测神经网络模型信号1214之间进行选择。例如反馈信号有效性指示信号1222指示反馈信号151y’是有效的(或可用的),多路复用器1220可以选择估计神经网络模型信息1212,并将估计神经网络模式信息1212输出到神经网络处理器核心1240。然而,如果反馈信号有效性指示信号1222指示反馈信号151y’无效(或不可用),则复用器1220可以选择预测神经网络模型信息1214,并将预测神经网络模式信息1214输出到神经网络处理器核心1240。
激活存储器1250可以是任何合适的易失性存储器,例如DDR RAM、SRAM、DRAM等。激活存储器1250可被配置为存储输入数据1252、循环状态信息1254和输出数据1256。例如,输入数据1252可以包括输入信号102x的捕获(在由PA 130传输之前通过混合基函数、如本文所公开的基于神经网络的DPD进行预失真)和反馈信号151y’(表示PA 130的输出)的捕获。循环状态信息1254可以包括由估计神经网络模型信息1212所定义的神经网络所估计的先前PA状态(例如,PA状态1118、1119)和/或由预测神经网络模型信号1214所定义的神经元网络所预测的先前PA状态(例如,PA状态1128、1129)。输出数据1256可以包括由基于神经网络的致动器114产生的输出信号204。输出信号204可以用于生成如本文所公开的用于PA 130的预失真信号104z。
DMA控制器1260可以是被配置为在神经网络处理器核心1240和混合基函数、基于神经网络的DPD电路110中的其他元件之间提供存储器访问(例如,用于流式传输数据)的硬件设备。例如,信号路径可以耦合到DPD电路110内的基于基函数的致动器112和组合器116,如图6-10所示。在一些方面中,DMA控制器1260可以将输入数据1252从DPD捕获缓冲器(例如,捕获缓冲器660)传送到激活存储器1250。在一些方面中,信号路径可以包括其他电路,诸如下采样电路(例如,下采样电路682、740、1112)、上采样电路(如,上采样电路680、840、940、1040)、滤波电路(例如LPF电路830、930、1030)、乘法电路(例如乘法电路820、920)、神经网络处理器(例如,图6的加速器670和/或图7的加速器760和/或神经网络处理器1240)、求和电路(例如,求和电路630、810、910、1010)等。
神经网络处理器核心1240可以被配置为执行神经网络特定的操作(例如,卷积、ReLU操作、偏置操作等)。神经网络处理器核心1240可根据多路复用器1220处的选择,使用估计神经网络模型信息1212或预测神经网络模型消息1214来处理在输入数据1252处捕获的输入信号102x(数字I/Q样本块)和/或反馈信号151y’(数字I/Q样本块)。例如,当反馈信号151y’可用时,神经网络处理器核心1240可以使用估计神经网络模型信息1212来处理输入信号102x和反馈信号151y’,以产生估计的PA状态(未来PA状态)。当在输入数据1252处缺乏反馈信号151y’的可用性时,神经网络处理器核心1240可以使用预测神经网络模型信息1214来处理输入信号102x,以生成预测的PA状态(未来的PA状态)。
推理控制器1230可以被配置为以给定的节奏触发神经网络处理器核心1240的推理。例如,推理控制器1230可以同步神经网络处理器核心1240的输入、输出和/或操作,使得数据可以在基于神经网络的致动器114与组合器116和/或基于基函数的致动器112之间流动。此外,推理控制1230可以向神经网络处理器核心1240通知要执行的神经网络模型(例如,估计神经网络模型或预测神经网络模型)。例如,在一些情况下,推理控制器1230可以向神经网络处理器核心1240提供与PA状态估计和/或预测相关联的其他信息。
通常,权重存储器1210、多路复用器1220、推理控制器1230、神经网络处理器核心1240、激活存储器1250和DMA控制器1260可以以任何合适的方式布置。在一些方面中,权重存储器1210、多路复用器1220、推理控制器1230、神经网络处理器核心1240、激活存储器1250和/或DMA控制器1260可以被实现为神经网络硬件加速器(例如,图6的加速器670和/或图7的加速器760)的一部分。
尽管图12是在利用估计神经网络模型和预测神经网络模型的基于神经网络的致动器114的上下文中讨论的,但各方面不限于此。例如,结构1200可以由利用任何适当数量的神经网络的基于神经网络的致动器114使用,其中与各个神经网络相关联的参数可以存储在加权存储器1210中,并且神经网络处理器1240可以使用各个参数来处理输入。例如,架构1200可以用于上述布置200、300、400和/或500中的基于神经网络的致动器114。
图13提供了示出根据本公开的一些示例的用于执行混合基函数、基于神经网络的DPD的方法1300的流程图。方法1300可以通过混合基函数、基于神经网络的DPD来实现,以将输入信号(例如,输入信号102x)预失真到非线性分量(例如,PA 130),如上面参考图1-12所讨论的。在图13中,每个操作以特定顺序示出一次,但是操作可以根据需要并行执行、重新排序和/或重复。
在1302处,可以使用第一致动电路(例如,基于基函数的致动器112)基于一组基函数、DPD系数和指示非线性部件的输出的输入信号或反馈信号(例如反馈信号151y’)中的至少一个来生成第一信号(例如信号202)。基函数和DPD系数的集合可以与非线性分量的第一非线性特性相关联。
在1304,可以使用第二致动器电路(例如,基于神经网络的致动器114)基于神经网络(例如,神经网络模型610、神经网络1020、估计神经网络模型1116、预测神经网络模型1126、估计神经神经网络模型信息1212和/或预测神经网络模式信息1214)和输入信号或反馈信号中的至少一个来生成第二信号(例如,信号204)。所述神经网络与所述非线性部件的第二非线性特性相关联.
在1306,可以基于第一信号和第二信号生成预失真信号(例如,预失真信号104z)。
在一些方面中,第一致动器电路和第二致动器电路可以被布置成并联配置。因此,在1302生成第一信号可以包括将基函数集合和DPD系数应用于输入信号或反馈信号中的至少一个。此外,在1304生成第二信号可以包括将神经网络应用于输入信号或反馈信号中的至少一个。在一些方面中,在1306处产生预失真信号可包括组合由第一致动器电路产生的第一信号和由第二致动器电路产生第二信号,例如,如上文参考图2、6、7-10所讨论的。在一些方面中,在1306处生成预失真信号可进一步包括将输入信号与由第一致动器电路生成的第一信号和由第二致动器电路产生的第二信号相组合,例如,如上文参考图8-10所讨论的。在一些方面中,在1306处生成预失真信号可以包括基于第二致动器电路的第二信号更新第一致动器电路的参数,例如,如以上参考图3所讨论的。
在一些方面中,第一致动器电路和第二致动器电路可以被布置为级联配置。因此,在一个方面中,在1302处生成第一信号可包括将基函数集合和DPD系数应用于输入信号或反馈信号中的至少一个,并且在1304处生成第二信号可包括例如将神经网络应用于由第一致动器电路生成的第一信号,如上文参考图5所讨论的。在另一个方面,在1304处生成第二信号可以包括将神经网络应用于输入信号或反馈信号中的至少一个,并且在1302处生成第一信号可以包括例如将基函数和DPD系数的集合应用于由第一致动器电路生成的第一信号,如上面参考图4所讨论的。
在一些方面中,神经网络可以包括估计神经网络模型(例如,模型1116)和预测神经网络模型(例如,模型1126),例如如上面参考图11-12所讨论的。因此,在1304生成第二信号可以包括:基于反馈信号是否有效在所述估计神经网络模型或所述预测神经网络模型之间进行选择。在1304生成第二信号可以进一步包括:响应于所述反馈信号有效,将所述估计神经网络模型应用于所述输入信号和所述反馈信号。在1304生成第二信号可以进一步包括:响应于所述反馈信号无效,将所述预测神经网络模型应用于所述输入信号。
示例
示例1提供了一种用于射频(RF)收发器的装置。该装置包括数字预失真(DPD)致动器,用于接收与所述RF收发器的非线性部件相关联的输入信号并输出预失真信号,其中DPD致动器包括基于基函数的致动器,用于使用与所述非线性部件的第一非线性特性相关联的基函数集合来执行第一DPD操作;基于神经网络的致动器,用于使用与所述非线性部件的第二非线性特性相关联的第一神经网络来执行第二DPD操作,其中所述预失真信号基于所述基于基函数的致动器的第一输出信号和所述基于神经网络的致动器的第二输出信号。
示例2提供了根据前述和/或下述示例中的一个或多个的装置,其中所述基于基函数的致动器通过使用所述基函数集合处理所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个来执行所述第一DPD操作,以生成所述第一输出信号。
示例3提供了根据前述和/或下述示例中的一个或多个的装置,其中所述基于基函数的致动器进一步通过将变换操作应用于所述输入信号或所述反馈信号中的所述至少一个来执行所述第一DPD操作。
示例4提供了根据前述和/或下述示例中的一个或多个的装置,其中所述基于神经网络的致动器通过以下方式执行第二DPD操作基于所述基于神经网络的致动器的第二输出信号更新所述基于基函数的致动器的参数;所述基于基函数的致动器通过进一步使用更新的参数生成第一输出信号来进一步执行第一DPD操作。
示例5提供了根据前述和/或下述示例中的一个或多个的装置,其中所述基于基函数的致动器通过使用所述基函数集合来处理所述基于神经网络的致动器的第二输出信号以产生所述第一输出信号来执行所述第一DPD操作。
示例6提供了根据前述和/或下述示例中的一个或多个的装置,其中所述基于神经网络的致动器通过以下方式执行第二DPD操作:使用所述第一神经网络处理所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个以产生所述第二输出信号。
示例7提供了根据前面和/或下面的示例中的一个或多个的装置,其中基于神经网络的致动器进一步通过将变换操作应用于输入信号或反馈信号中的至少一个来执行第二DPD操作。在一个示例中,变换包括基于与反馈信号相关联的模拟增益设置、温度或符号功率中的至少一个来生成特征。
示例8提供了根据前述和/或以下示例中的一个或多个的装置,其中基于神经网络的致动器进一步通过对输入信号或反馈信号中的至少一个进行下采样来执行第二DPD操作。
示例9提供了根据前述和/或下述示例中的一个或多个的装置,其中所述基于神经网络的致动器通过以下方式执行第二DPD操作:使用所述第一神经网络处理所述基于基函数的致动器的第一输出信号以产生所述第二输出信号。
示例10提供了根据前述和/或以下示例中的一个或多个的装置,其中基于神经网络的致动器通过使用第一神经网络处理输入信号来进一步执行第二DPD操作。
示例11提供了根据前述和/或以下示例中的一个或多个的装置,其中DPD致动器还包括组合器,用于将基于基函数的致动器的第一输出信号与基于神经网络的致动器的第二输出信号组合以生成预失真信号。
示例12提供了根据前述和/或下述示例中的一个或多个的装置,其中所述组合器进一步将所述输入信号与所述基于基函数的致动器的第一输出信号和所述基于神经网络的致动器的第二输出信号组合以产生所述预失真信号。
示例13提供了根据前述和/或以下示例中的一个或多个的装置,其中组合器在将基于基函数的致动器的第一输出信号与基于神经网络的致动器的第二输出信号组合之前,进一步将基于神经网络致动器的第二传输信号与基于基函数致动器的输入信号或第一输出信号相乘。
示例14提供了根据前述和/或下述示例中的一个或多个的装置,其中在将所述基于基函数的致动器的第一输出信号与所述基于神经网络的致动器的第二输出信号组合之前,所述组合器还将变换操作应用于所述基于神经网络的致动器的第二输出信号。
示例15提供了根据前述和/或以下示例中的一个或多个的装置,其中应用于基于神经网络的致动器的第二输出信号的变换操作与上采样、滤波、信号对准或不同于第一神经网络的第二神经网络中的至少一个相关联。
示例16提供了根据前述和/或以下示例中的一个或多个的设备,其中DPD致动器还包括组合器,该组合器使用不同于第一神经网络的第二神经网络处理所述基于神经网络的致动器的输入信号或第二输出信号中的至少一个,以产生第三输出信号;以及将所述第三输出信号与所述基于基函数的致动器的第一输出信号组合以产生所述预失真信号。
示例17提供了根据前述和/或以下示例中的一个或多个的设备,其中组合器进一步将变换操作应用于基于神经网络的致动器的第二输出信号。
示例18提供了根据前述和/或以下示例中的一个或多个的设备,其中应用于基于神经网络的致动器的第二输出信号的变换操作与上采样操作或滤波操作中的至少一个相关联。
示例19提供了根据前面和/或下面的示例中的一个或多个的装置,其中基于神经网络的致动器进一步使用第二神经网络执行第二DPD操作,并且其中第一神经网络和第二神经网以不同的采样率操作。例如,基于基函数的致动器以第一采样率执行第一DPD操作,并且基于神经网络的致动器以不同于第一采样率的第二采样率执行第二DPD操作。
示例20提供了一种用于射频(RF)收发器的装置。该装置包括数字预失真(DPD)致动器,用于对与所述RF收发器的非线性部件相关联的输入信号执行DPD,其中DPD致动器包括第一致动器,用于基于基函数集合和DPD系数来处理所述输入信号以产生第一输出信号;第二致动器,用于使用一个或多个神经网络来处理所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个以产生第二输出信号;组合器,用于基于所述第一输出信号和所述第二输出信号生成预失真信号,其中所述基函数集合、所述DPD系数和所述一个或多个神经网络各自与所述非线性部件的一个或多个非线性特性相关联。
示例21提供了根据前述和/或下述示例中的一个或多个的装置,其中所述第二致动器基于所述反馈信号的可用性在所述一个或多个神经网络中的第一神经网络和第二神经网络之间进行选择。
示例22提供了根据前述和/或下述示例中的一个或多个的装置,其中所述第二致动器通过使用所述第一神经网络来处理所述输入信号和所述反馈信号来产生所述第二输出信号,其中使用所述第一神经网络是基于所述反馈信号的可用性。
示例23提供了根据前述和/或下述示例中的一个或多个的装置,其中所述第二致动器通过使用所述第二神经网络来处理所述输入信号来产生所述第二输出信号,其中使用所述第二神经网络是基于所述反馈信号的不可用性。
示例24提供了根据前述和/或以下示例中的一个或多个的装置,其中第二致动器通过使用所述第一神经网络或所述第二神经网络中选择的一个来产生所述第二输出信号,以处理所述输入信号或所述反馈信号中的至少一个;和与所述第一神经网络或所述第二神经网络中的至少一个相关联的先前状态信息;和基于所述第二输出信号更新与所述第一神经网络或所述第二神经网络中的至少一个相关联的状态信息。
示例25提供了根据前述和/或下述示例中的一个或多个的装置,进一步包括存储器,用于存储与所述一个或多个神经网络相关联的参数;和神经网络处理器,用于执行神经网络特定操作;其中所述第二致动器通过使用所述神经网络处理器和所存储的参数来处理所述输入信号或所述反馈信号中的至少一个。
示例26提供了一种用于执行数字预失真(DPD)以预失真非线性分量的输入信号的方法。该方法包括使用第一致动器电路基于基函数集合、DPD系数和所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个来生成第一信号,其中所述基函数集合和所述DPD系数与所述非线性部件的第一非线性特性相关联;使用第二致动器电路基于神经网络和所述输入信号或所述反馈信号中的至少一个生成第二信号,其中所述神经网络与所述非线性部件的第二非线性特性相关联;以及基于所述第一信号和所述第二信号生成预失真信号。
示例27提供了根据前面和/或下面的示例中的一个或多个的方法,其中生成第一信号包括将基函数集合和DPD系数应用于输入信号或反馈信号中的至少一个;并且生成第二信号包括将神经网络应用于输入信号或反馈信号中的至少一个。
示例28提供了根据前面和/或下面的示例中的一个或多个的方法,其中生成预失真信号包括组合由第一致动器电路生成的第一信号和由第二致动器电路产生的第二信号。
示例29提供了根据前面和/或下面的示例中的一个或多个的方法,其中生成预失真信号还包括将输入信号与由第一致动器电路生成的第一信号和由第二致动器电路产生的第二信号相组合。
示例30提供了根据前面和/或下面的示例中的一个或多个的方法,其中生成预失真信号包括基于第二致动器电路的第二信号更新第一致动器电路的参数。
示例31提供了根据前面和/或下面的示例中的一个或多个的方法,其中生成第一信号包括将基函数集合和DPD系数应用于输入信号或反馈信号中的至少一个;并且生成第二信号包括将神经网络应用于由第一致动器电路生成的第一信号。
示例32提供了根据前面和/或下面的示例中的一个或多个的方法,其中生成第二信号包括将神经网络应用于输入信号或反馈信号中的至少一个;并且生成第一信号包括将基函数集合和DPD系数应用于由第一致动器电路生成的第一信号。
示例33提供了根据前面和/或下面的示例中的一个或多个的方法,其中神经网络包括估计神经网络模型和预测神经网络模型;并且生成所述第二信号包括,基于反馈信号是否有效在所述估计神经网络模型或所述预测神经网络模型之间进行选择;响应于所述反馈信号有效,将所述估计神经网络模型应用于所述输入信号和所述反馈信号;响应于所述反馈信号无效,将所述预测神经网络模型应用于所述输入信号。
变体和实现
本文参考“用于PA的输入信号”来解释使用基于基函数的致动和基于神经网络的致动的组合来执行DPD的各种示例,所述“用于PA的输入信号”是用于PA的驱动信号,即,基于本文所述的输入信号x生成的信号。然而,在使用基于基函数的致动和基于神经网络的致动的组合的DPD的其他示例中,“用于PA的输入信号”可以是用于偏置N个PA的偏置信号。因此,本公开的示例还涵盖DPD布置,该DPD布置包括基于基函数的致动器和基于神经网络的致动器的组合,类似于本文所述和附图中所示的那些致动器,不同之处在于,代替修改PA的驱动信号,DPD布置可以被配置为修改PA的偏置信号,这可以基于由DPD适配电路(例如本文所述的DPD自适应电路)生成的控制信号来完成,其中PA的输出基于用于偏置PA的偏置信号。在本公开的其他方面中,可以如本文所述调整PA的驱动信号和偏置信号,以使用神经网络实现DPD。
虽然本文中参考PA提供了一些描述,但通常,本文中提出的包括基于基函数的致动器和基于神经网络的致动器的组合的DPD的各种示例适用于PA以外的放大器,例如低噪声放大器、可变增益放大器等,以及除了放大器之外的RF收发器的非线性电子部件(即可能表现出非线性行为的部件)。此外,尽管本文参考毫米波/5G技术提供了一些描述,但通常,本文中提出的使用神经网络的DPD的各种示例可适用于毫米波/5G以外的任何技术或标准的无线通信系统,适用于无线通信系统以外的任何无线RF系统,和/或适用于无线RF系统以外的RF系统。
尽管以上参考如图1-13所示的示例性实施方式描述了本公开的实施方式,但本领域技术人员将意识到,上述各种教导可应用于多种其他实施方式。
在某些情况下,本文讨论的特征可适用于汽车系统、安全关键工业应用、医疗系统、科学仪器、无线和有线通信、无线电、雷达、工业过程控制、音频和视频设备、电流传感、仪器(可以是高精度的)和其他基于数字处理的系统。
在以上示例的讨论中,系统的组件,例如多路复用器、乘法器、加法器、延迟抽头、滤波器、转换器、混频器和/或其他组件,可以容易地被替换、替换或以其他方式修改,以适应特定的电路需要。此外,应该注意的是,使用互补的电子设备、硬件、软件等为在各种通信系统中实现与应用硬件配置的模型架构搜索相关的本公开的教导提供了同样可行的选择。
如本文所提出的用于使用混合基函数、基于神经网络的DPD技术的各种系统的部分可以包括执行本文所述功能的电子电路。在一些情况下,系统的一个或多个部分可以由专门配置用于执行本文所述功能的处理器提供。例如,处理器可以包括一个或多个专用组件,或者可以包括被配置为执行本文所述功能的可编程逻辑门。电路可以在模拟域、数字域或混合信号域中操作。在一些情况下,处理器可以被配置为通过执行存储在非瞬态计算机可读存储介质上的一个或多个指令来执行本文所述的功能。
在一个示例示例中,可以在相关联的电子设备的板上实现本图的任意数量的电路。该板可以是通用电路板,该通用电路板可以容纳电子设备的内部电子系统的各种组件,并且进一步提供用于其他外围设备的连接器。更具体地,板可以提供电连接,通过该电连接系统的其他组件可以电通信。任何合适的处理器(包括DSP、微处理器、支持芯片组等)、计算机可读的非瞬态存储器元件等,可以基于特定的配置需求、处理需求、计算机设计等适当地耦合到板。诸如外部存储器、附加传感器、用于音频/视频显示的控制器和外围设备的其他组件可以作为插入卡、经由电缆附接到板,或者集成到板本身中。在各种示例中,本文所描述的功能可以以仿真形式实现为在一个或多个可配置(例如,可编程)元件内运行的软件或固件,所述一个或更多个可配置元件布置在支持这些功能的结构中。提供仿真的软件或固件可以在包括允许处理器执行那些功能的指令的非暂时性计算机可读存储介质上提供。
在另一示例示例中,本图的电路可以被实现为独立模块(例如,具有被配置为执行特定应用或功能的相关组件和电路的设备),或者被实现为插入到电子设备的专用硬件中的插件模块。注意,本公开的特定示例可以部分地或全部地容易地包括在片上系统(SOC)封装中。SOC表示将计算机或其他电子系统的组件集成到单个芯片中的IC。它可能包含数字、模拟、混合信号,以及通常的RF功能:所有这些功能都可以在单个芯片基板上提供。其他示例可以包括多芯片模块(MCM),其中多个独立的IC位于单个电子封装内并且被配置为通过电子封装彼此紧密交互。
还必须注意的是,此处概述的所有规格、尺寸和关系(例如,图1-12所示的装置、DPD布置和/或RF收发器的部件数量)仅用于示例和教学目的。在不脱离本公开的精神或所附权利要求的范围的情况下,可以显著地改变这样的信息。应当理解,该系统可以以任何合适的方式进行合并。沿着类似的设计备选方案,本图中所示的电路、组件、模块和元件中的任何一个都可以组合成各种可能的配置,所有这些都清楚地在本说明书的广泛范围内。在前面的描述中,已经参考特定的处理器和/或组件布置描述了示例示例。在不脱离所附权利要求的范围的情况下,可以对这样的示例进行各种修改和改变。因此,说明书和附图应被视为说明性的,而不是限制性的。
注意,在本文提供的众多示例中,可以根据两个、三个、四个或更多个电组件来描述相互作用。然而,这样做只是为了清楚和举例说明。应当理解,该系统可以以任何合适的方式进行合并。根据类似的设计备选方案,图中所示的任何组件、模块和元件都可以组合成各种可能的配置,所有这些都清楚地在本规范的广泛范围内。在某些情况下,通过仅参考有限数量的电元件来描述给定流集合的一个或多个功能可能更容易。应当理解,图及其教导的电路是容易扩展的,并且可以容纳大量的部件以及更复杂/复杂的布置和配置。因此,所提供的示例不应限制电路的范围或抑制电路的广泛教导,因为电路可能应用于无数其他架构。
请注意,在本说明书中,对包括在“一个示例”、“示例示例”、“具体示例”、“另一示例”、“一些示例”、“各种示例”和“其他示例”、“替换示例”等等中的各种特征(例如,元件、结构、模块、组件、步骤、操作、特性等)的引用,旨在意味着任何这样的特征被包括在本公开的一个或多个示例中,但可以或不一定被组合在相同的示例中。此外,如本文所用,包括在权利要求中,在项目列表中(例如,以“至少一个”或“一个或多个”等短语开头的项目列表)所用的“或”表示包容性列表,使得例如,[A、B或C中的至少一个]的列表表示A或B或C或AB或AC或BC或ABC(即A和B和C)。
使用本领域技术人员常用的术语来描述说明性示例的各个方面,以将其工作的实质传达给本领域其他技术人员。例如,术语“连接”是指连接的事物之间的直接电连接,而没有任何中间设备/组件,而术语“耦合”是指所连接事物之间的直接电连接,或通过一个或多个无源或有源中间设备/部件的间接连接。在另一个例子中,术语“电路”是指一个或多个无源和/或有源部件,它们被布置为彼此协作以提供期望的功能。此外,如本文所用,术语“基本上”、“近似地”、“大约地”可用于通常指在目标值的+/-20%以内,例如在目标值的+/-10%以内,基于本文所述或中已知的特定值的上下文。
本领域技术人员可以确定许多其他的改变、替换、变化、更改和修改,并且本公开包括落入示例和所附权利要求的范围内的所有这样的改变、替代、变化、更改和修改。注意,上述装置的所有可选特征也可以相对于本文所述的方法或过程来实现,并且示例中的细节可以在一个或多个示例中的任何地方使用。
Claims (20)
1.一种用于射频(RF)收发器的装置,所述装置包括:
数字预失真(DPD)致动器,用于接收与所述RF收发器的非线性部件相关联的输入信号并输出预失真信号,其中所述DPD致动器包括:
基于基函数的致动器,用于使用与所述非线性部件的第一非线性特性相关联的基函数集合来执行第一DPD操作;和
基于神经网络的致动器,用于使用与所述非线性部件的第二非线性特性相关联的第一神经网络来执行第二DPD操作,
其中所述预失真信号基于所述基于基函数的致动器的第一输出信号和所述基于神经网络的致动器的第二输出信号。
2.根据权利要求1所述的装置,其中所述基于基函数的致动器通过使用所述基函数集合处理所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个来执行所述第一DPD操作,以生成所述第一输出信号。
3.根据权利要求2所述的装置,其中:
所述基于神经网络的致动器通过以下方式执行第二DPD操作:
基于所述基于神经网络的致动器的第二输出信号更新所述基于基函数的致动器的参数;和
所述基于基函数的致动器进一步通过以下方式执行第一DPD操作:
进一步使用所述更新的参数来生成所述第一输出信号。
4.根据权利要求1所述的装置,其中所述基于基函数的致动器通过使用所述基函数集合来处理所述基于神经网络的致动器的第二输出信号以产生所述第一输出信号来执行所述第一DPD操作。
5.根据权利要求1所述的装置,其中所述基于神经网络的致动器通过以下方式执行第二DPD操作:使用所述第一神经网络处理所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个以产生所述第二输出信号。
6.根据权利要求1所述的装置,其中所述基于神经网络的致动器通过以下方式执行第二DPD操作:使用所述第一神经网络处理所述基于基函数的致动器的第一输出信号以产生所述第二输出信号。
7.根据权利要求1所述的装置,其中所述DPD致动器还包括组合器,用于将所述基于基函数的致动器的第一输出信号与所述基于神经网络的致动器的第二输出信号组合以产生预失真信号。
8.根据权利要求7所述的装置,其中所述组合器进一步将所述输入信号与所述基于基函数的致动器的第一输出信号和所述基于神经网络的致动器的第二输出信号组合以产生所述预失真信号。
9.根据权利要求7所述的装置,其中在将所述基于基函数的致动器的第一输出信号与所述基于神经网络的致动器的第二输出信号组合之前,所述组合器还将变换操作应用于所述基于神经网络的致动器的第二输出信号。
10.根据权利要求1所述的装置,其中所述DPD致动器还包括组合器,所述组合器用于:
使用不同于第一神经网络的第二神经网络处理所述基于神经网络的致动器的输入信号或第二输出信号中的至少一个,以产生第三输出信号;和
将所述第三输出信号与所述基于基函数的致动器的第一输出信号组合以产生所述预失真信号。
11.一种用于射频(RF)收发器的装置,所述装置包括:
数字预失真(DPD)致动器,用于对与所述RF收发器的非线性部件相关联的输入信号执行DPD,其中所述DPD致动器包括:
第一致动器,用于基于基函数集合和DPD系数来处理所述输入信号以产生第一输出信号;和
第二致动器,用于使用一个或多个神经网络来处理所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个以产生第二输出信号;和
组合器,用于基于所述第一输出信号和所述第二输出信号生成预失真信号,
其中所述基函数集合、所述DPD系数和所述一个或多个神经网络各自与所述非线性部件的一个或多个非线性特性相关联。
12.根据权利要求11所述的装置,其中所述第二致动器基于所述反馈信号的可用性在所述一个或多个神经网络中的第一神经网络和第二神经网络之间进行选择。
13.根据权利要求12所述的装置,其中所述第二致动器通过使用所述第一神经网络来处理所述输入信号和所述反馈信号来产生所述第二输出信号,并且其中使用所述第一神经网络是基于所述反馈信号的可用性。
14.根据权利要求12所述的装置,其中所述第二致动器通过使用所述第二神经网络来处理所述输入信号来产生所述第二输出信号,并且其中使用所述第二神经网络是基于所述反馈信号的不可用性。
15.根据权利要求12所述的装置,其中所述第二致动器:
通过使用所述第一神经网络或所述第二神经网络中选择的一个来产生所述第二输出信号,以处理:
所述输入信号或所述反馈信号中的至少一个;和
与所述第一神经网络或所述第二神经网络中的至少一个相关联的先前状态信息;和
基于所述第二输出信号更新与所述第一神经网络或所述第二神经网络中的至少一个相关联的状态信息。
16.根据权利要求11所述的装置,还包括:
存储器,用于存储与所述一个或多个神经网络相关联的参数;和
神经网络处理器,用于执行神经网络特定操作;
其中所述第二致动器通过使用所述神经网络处理器和所存储的参数来处理所述输入信号或所述反馈信号中的至少一个。
17.一种用于执行数字预失真(DPD)以预失真非线性分量的输入信号的方法,所述方法包括:
使用第一致动器电路基于基函数集合、DPD系数和所述输入信号或指示所述非线性部件的输出的反馈信号中的至少一个来生成第一信号,其中所述基函数集合和所述DPD系数与所述非线性部件的第一非线性特性相关联;
使用第二致动器电路基于神经网络和所述输入信号或所述反馈信号中的至少一个生成第二信号,其中所述神经网络与所述非线性部件的第二非线性特性相关联;和
基于所述第一信号和所述第二信号生成预失真信号。
18.根据权利要求17所述的方法,其中:
生成所述第一信号包括将所述基函数集合和所述DPD系数应用于所述输入信号或所述反馈信号中的至少一个;和
生成第二信号包括将神经网络应用于输入信号或反馈信号中的至少一个。
19.根据权利要求18所述的方法,其中生成所述预失真信号包括组合由所述第一致动器电路生成的第一信号和由所述第二致动器电路生成的第二信号。
20.根据权利要求17所述的方法,其中:
所述神经网络包括估计神经网络模型和预测神经网络模型;和
所述生成第二信号包括:
基于反馈信号是否有效在所述估计神经网络模型或所述预测神经网络模型之间进行选择;
响应于所述反馈信号有效,将所述估计神经网络模型应用于所述输入信号和所述反馈信号;和
响应于所述反馈信号无效,将所述预测神经网络模型应用于所述输入信号。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163187536P | 2021-05-12 | 2021-05-12 | |
US63/187,536 | 2021-05-12 | ||
US17/732,764 US12028188B2 (en) | 2021-05-12 | 2022-04-29 | Digital predistortion with hybrid basis-function-based actuator and neural network |
US17/732,764 | 2022-04-29 | ||
PCT/US2022/028294 WO2022240732A1 (en) | 2021-05-12 | 2022-05-09 | Digital predistortion with hybrid basis-function-based actuator and neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117546410A true CN117546410A (zh) | 2024-02-09 |
Family
ID=83998183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280043747.8A Pending CN117546410A (zh) | 2021-05-12 | 2022-05-09 | 基于混合基函数的执行器和神经网络的数字预失真 |
Country Status (5)
Country | Link |
---|---|
US (1) | US12028188B2 (zh) |
EP (1) | EP4338284A1 (zh) |
JP (1) | JP2024520936A (zh) |
CN (1) | CN117546410A (zh) |
WO (1) | WO2022240732A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11948071B2 (en) * | 2020-12-23 | 2024-04-02 | Mitsubishi Electric Research Laboratories, Inc. | Deep learning-based online adaptation of digital pre-distortion and power amplifier systems |
FR3124910B1 (fr) * | 2021-07-05 | 2023-06-02 | Commissariat Energie Atomique | Dispositif de linéarisation, par prédistorsion numérique, d’un amplificateur de puissance d’un système de communication |
WO2024065725A1 (en) * | 2022-09-30 | 2024-04-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and apparatuses for perfoming digital predistortion using a combintion model |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101058733B1 (ko) | 2004-01-02 | 2011-08-22 | 삼성전자주식회사 | 전력 증폭기의 비선형 왜곡 특성을 보상하는 전치보상 장치 |
US8326239B1 (en) | 2009-10-16 | 2012-12-04 | Qualcomm Atheros, Inc. | Power amplifier linearization using digital predistortion |
US8351877B2 (en) | 2010-12-21 | 2013-01-08 | Dali Systems Co. Ltfd. | Multi-band wideband power amplifier digital predistorition system and method |
EP2538553A1 (en) | 2011-06-21 | 2012-12-26 | Alcatel Lucent | Apparatus and method for mitigating impairments of a transmit signal |
CN102594749A (zh) | 2012-02-28 | 2012-07-18 | 中兴通讯股份有限公司 | 一种数字预失真处理方法及装置 |
US8811532B2 (en) * | 2012-03-16 | 2014-08-19 | Telefonaktiebolaget L M Ericsson (Publ) | Architecture and the training method of a PA DPD system with space mapping applied in the predistorter |
US9160280B1 (en) | 2014-05-21 | 2015-10-13 | King Fahd University Of Petroleum And Minerals | Memory polynomial based digital predistorter |
WO2015184623A1 (zh) | 2014-06-05 | 2015-12-10 | 华为技术有限公司 | 可重配的发射机和接收机及其重配方法 |
US20160285485A1 (en) | 2015-03-26 | 2016-09-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for multiband predistortion using time-shared adaptation loop |
US9722644B2 (en) | 2015-08-18 | 2017-08-01 | Nokia Solutions And Networks Oy | Frequency switching within time domain digital pre-distortion |
KR102386806B1 (ko) | 2016-10-28 | 2022-04-14 | 구글 엘엘씨 | 신경 아키텍처 검색 |
US10581469B1 (en) * | 2017-04-17 | 2020-03-03 | DeepSig Inc. | Machine learning-based nonlinear pre-distortion system |
JP6963627B2 (ja) | 2017-07-21 | 2021-11-10 | グーグル エルエルシーGoogle LLC | 畳み込みニューラルネットワークのためのニューラルアーキテクチャ検索 |
US10469109B2 (en) | 2017-09-19 | 2019-11-05 | Qualcomm Incorporated | Predistortion for transmitter with array |
US11303251B2 (en) | 2017-10-02 | 2022-04-12 | Nanosemi, Inc. | Digital predistortion adjustment based on determination of load condition characteristics |
CN111436225B (zh) | 2017-12-29 | 2023-06-16 | 苹果公司 | 无线发射器的预失真电路以及生成预失真基带信号的方法 |
US10320340B1 (en) | 2018-01-11 | 2019-06-11 | Analog Devices Global Unlimited Company | Frequency-shaped digital predistortion |
JP2021523629A (ja) | 2018-05-11 | 2021-09-02 | ナノセミ, インク.Nanosemi, Inc. | 非線形システム用デジタル補償器 |
US11405004B2 (en) | 2018-06-05 | 2022-08-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Low-power approximate DPD actuator for 5G-new radio |
US11568259B2 (en) | 2019-10-15 | 2023-01-31 | Zoox, Inc. | Cross batch normalization |
KR20210050961A (ko) | 2019-10-29 | 2021-05-10 | 삼성전자주식회사 | 증폭기의 입력 신호를 처리하는 전자 장치 및 그 동작 방법 |
US11601134B2 (en) | 2020-01-10 | 2023-03-07 | Robert Bosch Gmbh | Optimized quantization for reduced resolution neural networks |
US11283666B1 (en) * | 2020-02-29 | 2022-03-22 | Space Exploration Technologies Corp. | Stochastic digital pre-distortion compensation in a wireless communications system |
WO2021178909A1 (en) | 2020-03-05 | 2021-09-10 | Waymo Llc | Learning point cloud augmentation policies |
CN111900937A (zh) * | 2020-06-02 | 2020-11-06 | 中兴通讯股份有限公司 | 一种预失真方法、系统、设备及存储介质 |
US11431300B2 (en) * | 2020-06-12 | 2022-08-30 | Nokia Technologies Oy | Machine learning based digital pre-distortion for power amplifiers |
US20220200540A1 (en) * | 2020-12-21 | 2022-06-23 | Ulak Haberlesme A.S. | Model trainer for digital pre-distorter of power amplifiers |
US11648962B1 (en) | 2021-01-19 | 2023-05-16 | Zoox, Inc. | Safety metric prediction |
CN117413466A (zh) * | 2021-03-16 | 2024-01-16 | F·甘诺奇 | 用于具有多重损伤的传输系统中的人工智能驱动的数字预失真的装置和方法 |
US11568860B2 (en) | 2021-05-31 | 2023-01-31 | Rockspoon, Inc. | System and method for federated, context-sensitive, acoustic model refinement |
US20230006611A1 (en) | 2021-07-05 | 2023-01-05 | Mediatek Inc. | Ai-assisted power amplifier optimization |
-
2022
- 2022-04-29 US US17/732,764 patent/US12028188B2/en active Active
- 2022-05-09 WO PCT/US2022/028294 patent/WO2022240732A1/en active Application Filing
- 2022-05-09 JP JP2023570019A patent/JP2024520936A/ja active Pending
- 2022-05-09 CN CN202280043747.8A patent/CN117546410A/zh active Pending
- 2022-05-09 EP EP22808116.2A patent/EP4338284A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022240732A1 (en) | 2022-11-17 |
US20220368571A1 (en) | 2022-11-17 |
EP4338284A1 (en) | 2024-03-20 |
US12028188B2 (en) | 2024-07-02 |
JP2024520936A (ja) | 2024-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10812166B2 (en) | Beam steering digital predistortion | |
US12028188B2 (en) | Digital predistortion with hybrid basis-function-based actuator and neural network | |
EP2517362B1 (en) | Active antenna array with modulator-based pre-distortion | |
EP3381129B1 (en) | Linearization of active antenna array | |
US11277103B2 (en) | Digital predistortion device and method | |
Liu et al. | Multi-stream spatial digital predistortion for fully-connected hybrid beamforming massive MIMO transmitters | |
CN114389923B (zh) | 对相控天线阵列使用编码的数字预失真 | |
Liu et al. | Power scalable beam-oriented digital predistortion for compact hybrid massive MIMO transmitters | |
US20110095820A1 (en) | Method for pre-distorting a power amplifier and the circuit thereof | |
JP2022089551A (ja) | 信号処理装置及びビーム間干渉抑制方法 | |
CN109981505B (zh) | 功率可扩展的波束定向数字预失真装置及方法、收发系统 | |
US12003261B2 (en) | Model architecture search and optimization for hardware | |
EP3327949A1 (en) | Mimo precoding | |
EP3465952B1 (en) | Method and apparatus for antenna array calibration using on-board receiver | |
EP4277127A1 (en) | Digital predistortion with neural-network-assisted physical modeling of envelope features | |
US20220376659A1 (en) | Model architecture search and optimization for hardware | |
CN117060864A (zh) | 包络特征的神经网络辅助物理建模的数字预失真 | |
Ayed et al. | Digital predistortion of millimeter-wave hybrid beamforming transmitters using observation receivers with low-bit resolution analog-to-digital converter | |
CN117529880A (zh) | 硬件的模型架构搜索与优化 | |
CN117546420A (zh) | 硬件的模型架构搜索与优化 | |
US11689229B2 (en) | Wireless communication device and distortion compensation method |
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 |