TWI830276B - 補償功率放大器失真的方法以及系統 - Google Patents

Abstract

補償器補償功率放大器電路的失真。 訓練功率放大器神經網路 (PAN) 以使用表徵功率放大器電路的預定輸入和輸出信號對對功率放大器電路進行建模。 然後對補償器進行訓練，以對 PAN 接收到的信號進行預失真。 補償器使用經過訓練的神經網路來優化補償器輸入和 PAN 輸出之間的損失，並且所述損失是根據包括一個或多個時域損失函數和一個或多個頻域損失函數的多目標損失函數計算的。 訓練後的補償器執行信號補償，從而將預失真後的信號輸出到功率放大器電路。

Description

補償功率放大器失真的方法以及系統

本發明的實施例涉及使用神經網路(neural network)來優化功率放大器。

在大多數射頻(radio frequency，RF)通信系統中，功率放大器(power amplifier，PA)是可導致嚴重頻譜再生的非線性和記憶效應的主要來源。由於高帶外(out-of-band)功率，頻譜再生會顯著降低信號品質。記憶效應會導致傳輸信號的不對稱。這些問題成為下一代5G技術的關鍵問題。此外，在5G通信系統的邊緣設備中，高發射功率和有限的供電電壓都會惡化功率放大器的非線性。

為了克服功率放大器的上述問題，考慮到集成複雜性和有效性，數字預失真(digital pre-distortion，DPD)已成為一種常見且實用的機制。DPD生成預失真後的信號以補償功率放大器引起的損害。用於DPD設計的傳統技術通常包括推導數學功率放大器模型和計算表徵DPD的相應反向函數。由於5G通信系統的複雜特性，通過數學建模設計射頻(RF)組件是一項具有挑戰性的任務。此外，這些數學模型需要針對各種規範要求進行大量手動調整。因此，需要改進功率放大器的設計。

在一個實施例中，提供了一種補償功率放大器失真的方法。該方法包括以下步驟：使用表徵功率放大器電路的預定輸入和輸出信號對，訓練功率放大器神經網路(power amplifier neural network，PAN)以對功率放大器電路進行建模；訓練補償器以對PAN接收到的信號進行預失真。補償器使用訓練後的神經網路來優化補償器輸入和PAN輸出之間的損失，並且所述損失是根據包括一個或多個時域損失函數和一個或多個頻域損失函數的多目標損失函數計算的。該方法還包括通過訓練後的補償器進行信號補償從而將預失真後的信號輸出到功率放大器電路的步驟。

在另一個實施例中，提供了一種用於補償功率放大器失真的系統。該系統包括存儲神經網路模型的記憶體和耦接到記憶體的處理硬體。處理硬體用於使用表徵功率放大器電路的預定輸入和輸出信號對，訓練PAN以對功率放大器電路進行建模；並訓練補償器對PAN接收到的信號進行預失真。 補償器使用訓練後的神經網路來優化補償器輸入和PAN輸出之間的損失，所述損失是根據多目標損失函數計算的，所述多目標損失函數包括：一個或多個時域損失函數和一個或多個頻域損失函數。處理硬體還用於通過訓練後的補償器進行信號補償，從而向所述功率放大器電路輸出預失真後的信號。

其他方面和特徵對於所屬領域具有通常知識者而言在結合附圖閱讀以下具體實施例的描述時將變得顯而易見。

在以下描述中，闡述了許多具體細節。然而，應當理解，可以在沒有這些具體細節的情況下實踐本發明的實施例。在其他情況下，未詳細示出眾所周知的電路、結構和技術，以免混淆對本發明的理解。然而，所屬領域具有通常知識者將理解，本發明可以在沒有這些具體細節的情況下實施。所屬領域的普通技術人員通過所包含的描述將能夠實現適當的功能而無需過度實驗。

本發明的實施例提供了一種基於人工智慧(artificial-intelligent，AI)的方法和系統來補償RF電路引起的損害，例如功率放大器引起的失真。最初，訓練第一神經網路來建模功率放大器的特性。然後將補償器連接到經過訓練的第一神經網路的輸入端，其中補償器包括第二神經網路。在一個實施例中，第二神經網路是係數生成神經網路(coefficient generator neural network，CGN)，其被訓練以生成用於數位預失真器(digital pre-distorter，DPD)的濾波器係數。DPD生成預失真後的信號以抵消功率放大器的失真。在另一個實施例中，第二神經網路是DPD神經網路，其被訓練以產生預失真後的信號以抵消功率放大器的失真。

根據本發明的實施例，第一神經網路和第二神經網路的訓練可以基於一個或多個時域損失和一個或多個頻域損失的組合。例如，時域損失可以包括均方誤差(mean square error, MSE)和誤差向量幅度(error vector magnitude, EVM)。頻域損失可以包括平均絕對誤差(mean absolute error，MAE)和規範損失(specification loss)。兩個頻域損失的組合可以同時減少頻譜再生和根據通信規範優化電路設計。

第1A圖示出了根據實施例的用於補償功率放大器110引起的失真的系統100。系統100可以部署在無線設備中。更具體地說，在無線設備的發射器部分中。系統100包括DPD 120、CGN 130和數位限幅(clip)單元150。DPD 120和CGN 130一起稱為補償器180。系統100耦接到功率放大器110。在功率放大器110是類比功率放大器的實施例中，系統100可以還包括數位類比轉換器(digital-to-analog converter，DAC)151和類比數位轉換器(ADC)152。在功率放大器110是數位功率放大器的另一個實施例中，數位信號可以在系統100和功率放大器110之間傳輸而無需DAC 151和ADC 152的轉換。因此，DAC 151和ADC 152被用虛線框示出表示它們在替代實施例中可以不包括在系統100中。下面對信號補償的描述以類比功率放大器為例。可以理解，所公開的信號補償也適用於數位功率放大器。

DPD 120接收輸入信號 x並產生預失真後的信號z以補償功率放大器110引起的失真。在一個實施例中，DPD 120可配置有一組補償器係數。從DPD 120輸出的預失真後的信號z被數位限幅單元150限幅以限制功率放大器110接收的信號幅度。限幅可以加速CGN 130的訓練階段中的收斂（convergence）。限幅後的信號由DAC 151轉換為類比信號，該類比信號被功率放大器110放大為輸出信號 x’。對於每個時刻t，輸出信號 x’(t)從輸入信號的時間序列 生成，其中 p是可配置值。

DPD的係數由CGN 130計算。在一個實施例中，CGN130使用限幅後的信號和經過ADC轉換的功率放大器輸出 x’(t−1−q: t−1)在時刻t計算濾波器係數 c(i)，其中 q是可配置值， i是用於總共N階濾波器係數的運行索引。CGN 130可以在運行時更新濾波器係數 c(i)。

在一個實施例中，CGN 130是被訓練以生成用於DPD 120的係數的神經網路。另外，功率放大器110可被神經網路建模，訓練功率放大器神經網路 (PAN)以在CGN訓練中使用訓練後的PAN。

第1B圖是示出根據一個實施例的系統100 (圖1A)的訓練配置的框圖。可以在兩個訓練階段中訓練系統100。在第一階段，訓練功率放大器神經網路(power amplifier neural network, PAN) 111以表徵不可微的(non-differentiable)功率放大器電路(例如，第1A圖中的功率放大器110) 的非線性行為和記憶效應。在完成PAN 111的訓練後，PAN 111的權重被固定並在第二訓練階段中使用。在第二訓練階段訓練CGN 130。在一個實施例中，訓練PAN 111和CGN 130中一者或兩者以優化多目標損失函數(multi-objective loss function)。在一個實施例中，可以訓練PAN 111和CGN 130以優化相同的多目標損失函數或兩個不同的多目標損失函數。

PAN 111 的訓練資料可以從多個實際功率放大器（即，功率放大器電路）獲得，並作為具有兩個通道的時間序列資料處理，包括同相(in-phase, I)通道和正交(quadrature, Q)通道（例如， x= {I _t, Q _t}, t = 0, 1, . . . T)。在訓練PAN 111時，實際功率放大器的輸出是基準真相(ground truth)，損失是在基準真相和PAN輸出之間的差的方面被測量的。在訓練PAN111並固定PAN111的濾波器權重之後，在CGN 130的訓練中使用訓練後的PAN 111。當訓練CGN 130時，DPD 120的輸入是基準真相，損失是在該基準真相和PAN的輸出之間的差的方面被測量的。在下面對多目標損失函數的描述中，基準真相表示為 x，PAN輸出表示為 。需要注意的是，PAN 111訓練中的基準真相 x是實際功率放大器的輸出，而CGN 130訓練中的基準真相 x是輸入信號。在計算損失之前，對基準真相 x和PAN輸出 應用幅度歸一化。

在一個實施例中，多目標損失函數包括時域損失和頻域損失的組合。這些損失可以被加權和相加以產生總損失值。 在訓練階段的每個時期(epoch)，損失計算器160評估損失函數（例如，計算總損失值）並且權重更新模組170計算關於神經網路權重的梯度(gradient)。作為示例，權重更新模組170可以實施基於梯度的優化演算法，例如Adam演算法（Kingma等人，ADAM：一種用於隨機(stochastic)優化的方法，arXiv：1412.6980）。

在一個實施例中，多目標損失函數可以包括時域損失，例如基準真相 x和PAN輸出 之間的均方誤差(mean square error, MSE)。MSE可以表述如下：

在傅裡葉變換的頻譜域中，區間中的每個複數(complex number)代表一特定的頻率範圍。絕對值描述了特定頻率點的功率幅度。由於傳輸信號的功率幅度通常大於帶外信號，因此可以使用平均絕對誤差(mean absolute error, MAE)來代替或補充時域損失MSE，可以更公平的評估損失。因此，多目標損失函數可以包括頻域損失，例如基準真相 x的STFT和PAN輸出 的STFT之間的MAE，其中STFT代表應用于 x和 兩者的短時傅裡葉變換(Short Time Fourier Transform)。MAE可以表示如下：

代替上述損失或除了上述損失之外，多目標損失函數可以包括頻域損失，例如利用相鄰通道洩漏功率比（adjacent channel leakage power ratio, ACLR）計算的規範損失。根據3GPP規範，ACLR是以指派的通道頻率（即帶內頻率）為中心的濾波後平均功率與以相鄰通道頻率（即帶外頻率）為中心的濾波後平均功率的比率。規範損失被定義為最小化基準真相 x和PAN輸出 之間的ACLR差異。 ACLR的公式和規範損失如下：

代替上述損失或除了上述損失之外，多目標損失函數可以包括時域損失，例如誤差向量幅度(error vector magnitude，EVM)。EVM測量信號的星座點偏離理想位置的距離，例如，PAN輸出符號和理想正交幅度調製(quadrature amplitude modulation，QAM)符號之間的差（即誤差向量）。可以計算EVM作為誤差向量的均方根(root mean square, RMS)平均幅度，誤差向量的幅度被歸一化到理想的信號參考幅度。用於測量發射機的EVM的方法在本領域中是已知的。EVM可用於量化PAN輸出中的性能損失，並且EVM可以在CGN 130的訓練期間被優化。

在一個實施例中，損失計算器160和權重更新模組170的操作可以由功率放大器110所在的設備上的通用處理器來執行。在另一個實施例中，系統100可以包括用於訓練神經網路的專用硬體或加速器。在PAN 111和CGN 130的訓練中使用的多目標損失函數可以包括上述損失的相同或不同組合。

第2A圖是根據另一實施例的用於補償功率放大器110引起的失真的系統200的框圖。系統200可以部署在無線設備中，更具體地說，在無線設備的發射器部分中。系統200包括DPD 120和CGN 230，它們一起稱為補償器280。如果功率放大器110是類比功率放大器，則系統200還可以包括DAC 151和ADC 152。

CGN 230接收輸入，該輸入包括功率放大器110的輸出和輸入信號 x。根據輸入，CGN 230生成 Δ係數(delta coefficient)　 c(i)’，其中 i是用於總共N階濾波器係數的運行索引。Δ係數是在兩個連續更新時刻係數的增量或減量。補償器280包括累加器250以累加Δ係數，並向DPD 120發送累加的輸出(即，濾波器係數 c(i)’)。係數可以被初始化為零。

第2B圖是根據一個實施例的示出用於訓練CGN 230的組件的框圖。訓練遵循與前面結合第1B圖描述的相同的兩階段訓練過程。當訓練PAN 111和CGN 230 時，損失計算器260計算多目標損失函數，該函數測量基準真相 x和PAN輸出 之間的差異。PAN 111訓練中的基準真相 x是實際功率放大器的輸出，DPD神經網路420訓練中的基準真相 x是輸入信號。權重更新模組270基於關於神經網路權重的梯度來更新神經網路權重。多目標損失函數可以是一個或多個時域損失（例如MSE、EVM）和一個或多個頻域損失(例如MAE、基於ACLR的規範損失)的組合。在PAN 111和CGN 230的訓練中使用的多目標損失函數可以包括相同或不同的上述損失的組合。

第3A圖是根據另一實施例的用於補償功率放大器110引起的失真的系統300的框圖。系統300可以部署在無線設備中，更具體地說，在無線設備的發射器部分中。系統300包括DPD 120和CGN 330，它們一起稱為補償器380。如果功率放大器110是類比功率放大器，則系統300還可以包括DAC 151和ADC 152。

CGN 330接收輸入，該輸入包括功率放大器110的輸出、輸入信號 x和先前生成的係數。根據輸入，CGN 230 生成濾波器係數 c(i)，其中 i是用於總共N階濾波器係數的運行索引。CGN 330的輸出被發送到DPD 120。

第3B圖是示出根據一個實施例的用於訓練CGN 330的組件的框圖。訓練遵循與前面結合第1B圖的描述相同的兩階段訓練過程。當訓練PAN 111和CGN 330 時，損失計算器360計算多目標損失函數，該函數測量基準真相 x和PAN輸出 之間的差異。PAN 111訓練中的基準真相 x是實際功率放大器的輸出，DPD神經網路420訓練中的基準真相 x是輸入信號。權重更新模組370基於關於神經網路權重的梯度來更新神經網路權重。多目標損失函數可以是一個或多個時域損失（例如MSE、EVM）和一個或多個頻域損失（例如MAE、基於ACLR的規範損失）的組合。在PAN 111和CGN 330的訓練中使用的多目標損失函數可以包括上述損失的相同或不同組合。

第4A圖是根據另一個實施例的用於補償功率放大器110引起的失真的系統400的框圖。系統400包括DPD神經網路420，該神經網路是被訓練以生成預失真後的信號 z的神經網路。DPD神經網路420是功率放大器110的補償器。在功率放大器是類比的實施例中，預失真後的信號 z被DAC 151轉換為類比信號以用於功率放大器110。

第4B圖是示出根據一個實施例的用於訓練DPD神經網路420的組件的框圖。訓練遵循與前面結合第1B圖的描述相同的兩個階段訓練過程。當訓練PAN 111 和DPD神經網路420時，損失計算器460計算多目標損失函數，該函數測量基準真相 x和PAN輸出 之間的差異。PAN 111訓練中的基準真相 x是實際功率放大器的輸出，DPD神經網路420訓練中的基準真相 x是輸入信號。權重更新模組470基於關於神經網路權重的梯度來更新神經網路權重。多目標損失函數可以是一個或多個時域損失（例如MSE、EVM）和一個或多個頻域損失（例如MAE、基於ACLR的規範損失）的組合。在PAN 111和DPD神經網路420的訓練中使用的多目標損失函數可以包括上述損失的相同或不同組合。

第5圖是根據一個實施例的補償功率放大器失真的方法500的流程圖。方法500可以由電子設備執行，例如第6圖中的設備600。在一些實施例中，方法500可以由第1A、2A、3A和4A圖中的系統100、200、300和400中的任何一個執行。或者，方法500可以由包括記憶體和處理硬體的服務器電腦系統執行。 處理硬體執行神經網路訓練，並將訓練後的神經網路提供給功率放大器所在的設備。

在步驟510，系統使用表徵功率放大器電路的預定輸入和輸出信號對，訓練功率放大器神經網路(power amplifier neural network，PAN)以對功率放大器電路建模。在步驟520，系統訓練補償器以對PAN接收的信號進行預失真。補償器可以是第1A圖中的補償器180，其包括DPD 120和CGN 130兩者。或者，補償器可以是第2A圖中的補償器280，其包括DPD 120、累加器250和CGN 230。在另一個實施例中，補償器可以是第3A圖中的補償器380，包括DPD 120和CGN 330。在又一個實施例中，補償器可以是第4A圖中的補償器420，也稱為DPD神經網路420。

補償器使用訓練後的神經網路以優化補償器輸入和PAN輸出之間的損失。 根據包括一個或多個時域損失和一個或多個頻域損失的多目標損失函數計算損失。在步驟510和520的訓練階段完成後，系統在步驟530開始推理階段，其中補償器執行信號補償以向功率放大器電路輸出預失真後的信號。

在一個實施例中，多目標損失函數可以至少包括頻域規範損失，其是補償器輸入的ACLR和PAN輸出的ACLR之間的差。在一個實施例中，多目標損失函數可以至少包括利用補償器輸入的STFT和PAN輸出的STFT之間的差(差異)計算的頻域MAE。在一個實施例中，多目標損失函數可以至少包括利用PAN輸出符號和理想正交幅度調製(quadrature amplitude modulation，QAM)符號之間的差(差異)計算的時域EVM。在一個實施例中，多目標損失函數可以至少包括利用補償器輸入和PAN輸出之間的差(差異)計算的時域MSE。在一個實施例中，用於訓練PAN和補償器的多目標損失函數可以包括上述頻域和時域損失的任意組合，非限制性示例包括時域MSE、頻域MAE和頻域規範損失的組合。

在一個實施例中，訓練補償器包括訓練CGN以生成用於DPD的濾波器係數的操作，該DPD對PAN接收的信號進行預失真。CGN被訓練以優化DPD的輸入和PAN輸出之間的損失。CGN的輸入可以包括PAN輸出和DPD的數位限幅後(digitally-clipped)的輸出。

在另一個實施例中，訓練補償器包括訓練CGN以生成Δ係數並隨時間累積Δ係數以生成用於DPD的濾波器係數的操作，該DPD對PAN接收的信號預失真。CGN被訓練以優化DPD的輸入和PAN輸出之間的損失。在又一實施例中，訓練補償器包括訓練DPD神經網路的操作，該DPD神經網路對PAN接收的信號進行預失真。訓練DPD神經網路以優化DPD神經網路的輸入和PAN輸出之間的損失。

第6圖是示出根據一個實施例的設備600的示意圖，設備600包括補償器來補償功率放大器引起的失真。設備600可以是無線設備。設備600包括處理硬體630，其可以包括任何通用和/或專用計算電路，例如中央處理電路(central processing circuit，CPU)、圖形處理單元(graphics processing unit，GPU)、數位訊號處理器(digital signal processor，DSP)、媒體處理器(media processor)、神經處理電路 (neural processing circuit，NPU)、AI加速器、專用積體電路 (application-specific integrated circuit，ASIC) 等。在一個實施例中，處理硬體630可以在功率放大器神經網路(PAN)、係數生成器神經網路(CGN)和/或數位預失真器(digital pre-distorter, DPD) 神經網路的訓練期間評估上述多目標損失函數和神經網路權重更新。

設備600進一步包括記憶體620。記憶體620可以包括片上和片外記憶體設備，例如動態隨機存取記憶體(dynamic random access memory，DRAM)、靜態RAM(static RAM，SRAM)、快閃記憶體(flash memory)以及其他易失性或非易失性存放裝置。記憶體620可以包括指令，當被處理硬體610執行時，使處理硬體610執行PAN、CGN和/或DPD神經網路的神經網路訓練。記憶體620還可以存儲神經網路模型以用作前述的PAN、CGN和/或DPD神經網路。

本文所述的神經網路或神經網路模組可以包括全連接網路(fully-connected network，FC)、卷積神經網路(convolutional neural network，CNN)、迴圈神經網路(recurrent neural network，RNN)、圖神經網路(graph neural network，GNN)，基於自證明的網路(self-attestation-based network)(例如變壓器)等中的一個或者多個。前述的PAN、CGN和/或DPD神經網路可以是相同或不同的神經網路。

前述PAN、CGN和/或DPD神經網路的非限制性示例可以是由6個卷積層組成的CNN，其中第一個卷積層具有128個樣本點的輸入序列（輸入長度）。在每個樣本中，兩個輸入通道分別用於I和Q。每層是具有內核大小為3、步幅(stride)為1的一維（1-D）卷積，每層的輸出通道號為16-32-64-64-128-2。除了最後一個輸出層，每個卷積層後面都跟著批標準化(batch normalization)層和PReLU啟動函數。

設備600還包括RF電路640，RF電路640還至少包括功率放大器電路610。功率放大器電路610可以是類比功率放大器電路或數位功率放大器電路。功率放大器電路610引起的失真可以被補償器680補償，補償器680可以是補償器180（第1A圖）、280（第2A圖）、380（第3A圖）或420（第4A圖）中的任何一個。補償器680包括用於生成濾波器係數、Δ係數或預失真後的信號的神經網路。補償器680可以包括通用或專用硬體以執行神經網路操作。可以理解，第6圖的實施例為了說明的目的而被簡化。可以包括額外的硬體組件。

參考第1B、2B、3B和4B圖，PAN 111、補償器(180、280、380、420)、CGN(130、230、330)和DPD(120, 220, 320)中的一個或多個可以在硬體電路、由硬體電路執行的軟體或硬體和軟體的組合中實施。 硬體電路可以是專用或通用硬體。 軟體可以存儲在任何非暫時性電腦可讀介質上以由設備600使用或由設備600執行的方法使用。

在本發明中，提出了一種用於功率放大器補償的基於學習的架構。該架構提高了5G通信網路中使用的功率放大器的性能。該框架使用深度神經網路(deep neural network，DNN) 來學習功率放大器的行為和特性。使用代表不可微功率放大器電路的訓練後的神經網路，然後在端到端訓練範例中學習相應的預失真補償。此外，兩個頻域損失（即MAE和基於ACLR的規範損失）可同時用於最小化頻譜再生並根據通信規範優化電路設計。

本文已經描述了各種功能組件、塊或模組。如所屬領域具有通常知識者將理解的，功能塊或模組可以通過電路（專用電路或通用電路，其在一個或多個處理器和編碼指令的控制下操作）實現，其通常包括多個電晶體，這些電晶體被配置為根據這裡描述的功能和操作來控制電路的操作。

雖然本發明已經根據幾個實施例進行了描述，但是所屬領域具有通常知識者將認識到本發明不限於所描述的實施例，並且可以在所附請求項的精神和範圍內通過修改和變更來實施。該描述因此被認為是說明性的而不是限制性的。

100        系統 120        DPD 130 、230、330        CGN 150        數位限幅單元 180、280、380        補償器 151        DAC 152        ADC 111        PAN 170、270、370        權重更新模組 160、260 、360        損失計算器 200、300            系統 250        累加器 420        補償器 470        權重更新模組 460        損失計算器 500        方法 510、520、530        步驟 600        設備 630        處理硬體 620        記憶體 610        功率放大器電路 640        RF電路 680        補償器

本發明通過示例而非限制的方式在附圖的圖中示出，其中相同的附圖標記指示相似的組件。需要說明的是，本發明中對“一”或“一個”實施例的不同稱謂並不一定是同一個實施例，這樣的稱謂意味著至少一個。此外，當結合實施例描述特定特徵、結構或特性時，指的是在所屬領域具有通常知識者的知識範圍內可以結合其他實施例實現這種特徵、結構或特性，無論是否明確描述。 第1A圖示出了根據第一實施例的補償功率放大器引起的失真的系統。 第1B圖示出根據第一實施例的訓練配置的框圖。 第2A圖示出了根據第二實施例的補償功率放大器引起的失真的系統。 第2B圖是示出根據第二實施例的訓練配置的框圖。 第3A圖示出了根據第三實施例的補償功率放大器引起的失真的系統。 第3B圖是示出根據第三實施例的訓練配置的框圖。 第4A圖示出了根據第四實施例的補償功率放大器引起的失真的系統。 第4B圖是示出根據第四實施例的訓練配置的框圖。 第5圖示出了根據一個實施例補償功率放大器引起的失真的方法的流程圖。 第6圖示出了根據一個實施例的包括補償器的設備的框圖。

500                                方法 510、520、530             步驟

Claims (12)

1. 一種補償功率放大器失真的方法，包括：使用表徵功率放大器電路的預定輸入和輸出信號對，訓練功率放大器神經網路(PAN)以對所述功率放大器電路進行建模；訓練補償器以對所述PAN接收的信號進行預失真，其中所述補償器使用訓練後的神經網路來優化補償器輸入和PAN輸出之間的損失，並且所述損失是根據多目標損失函數計算的，所述多目標損失函數包括：一個或多個時域損失函數和一個或多個頻域損失函數；以及通過訓練後的補償器進行信號補償，以向所述功率放大器電路輸出預失真後的信號；其中，訓練所述補償器包括：訓練係數生成器神經網路(CGN)以生成用於數位預失真器(DPD)的濾波器係數，所述DPD對所述PAN接收到的信號進行預失真，其中所述CGN被訓練以優化所述DPD的輸入與所述PAN輸出之間的損失；其中，所述CGN的輸入包括所述PAN輸出和所述DPD的數位限幅後的輸出；或者，訓練所述補償器包括：訓練係數生成器神經網路(CGN)以生成Δ係數；以及在時間上累積所述Δ係數，以生成DPD的濾波器係數，所述DPD對所述PAN接收的信號進行預失真，其中所述CGN被訓練以優化所述DPD的輸入和所述PAN輸出之間的損失。
2. 根據請求項1所述的方法，其中，所述多目標損失函數至少包括頻域規範損失，所述頻域規範損失是所述DPD的輸入的相鄰通道洩漏功率比(ACLR)與所述PAN輸出的ACLR之差，其中所述ACLR是以指派的通道頻率為中心的濾波後平均功率與以相鄰通道頻率為中心的濾波後平均功率的比率。
3. 根據請求項2所述的方法，其中，用於訓練所述PAN和所述補償器的多目標損失函數至少包括頻域規範損失、頻域平均絕對誤差(MAE)，以及時域均方誤差(MSE)，其中，所述MAE是利用所述DPD的輸入的短時傅裡葉變換(STFT)與所述PAN輸出的STFT之間的差計算的，所述MSE是利用所述DPD的輸入和所述PAN輸出之間的差計算的。
4. 根據請求項1所述的方法，其中，所述多目標損失函數至少包括利用所述DPD的輸入的短時傅裡葉變換(STFT)和所述PAN輸出的STFT之間的差計算的頻域平均絕對誤差(MAE)。
5. 根據請求項1所述的方法，其中，所述多目標損失函數至少包括利用PAN輸出符號和理想正交幅度調製(QAM)符號之間的差計算的時域誤差向量幅度(EVM)。
6. 如請求項1所述的方法，其中，所述多目標損失函數至少包括利用所述DPD的輸入和所述PAN輸出之間的差計算的時域均方誤差(MSE)。
7. 一種補償功率放大器失真的系統，包括：記憶體，存儲神經網路模型；以及處理硬體，耦接到所述記憶體，所述處理硬體用於：使用表徵功率放大器電路的預定輸入和輸出信號對，訓練功率放大器神經網路(PAN)以對所述功率放大器電路進行建模；訓練補償器以對所述PAN接收的信號進行預失真，其中所述補償器使用訓練後的神經網路來優化補償器輸入和PAN輸出之間的損失，所述損失是根據多目標損失函數計算的，所述多目標損失函數包括：一個或多個時域損失函數和一個或多個頻域損失函數；以及通過訓練後的補償器進行信號補償，從而向所述功率放大器電路輸出預失真後的信號； 其中，訓練所述補償器包括：訓練係數生成器神經網路(CGN)以生成用於數位預失真器(DPD)的濾波器係數，所述DPD對所述PAN接收到的信號進行預失真，其中所述CGN被訓練以優化所述DPD的輸入與所述PAN輸出之間的損失；其中，所述CGN的輸入包括所述PAN輸出和所述DPD的數位限幅後的輸出；或者，訓練所述補償器包括：訓練係數生成器神經網路(CGN)以生成Δ係數；以及在時間上累積所述Δ係數，以生成DPD的濾波器係數，所述DPD對所述PAN接收的信號進行預失真，其中所述CGN被訓練以優化所述DPD的輸入和所述PAN輸出之間的損失。
8. 根據請求項7所述的系統，其中，所述功率放大器電路是數位電路，或者是類比電路。
9. 根據請求項7所述的系統，其中，所述多目標損失函數至少包括頻域規範損失，所述頻域規範損失是所述DPD的輸入的相鄰通道洩漏功率比(ACLR)與所述PAN輸出的ACLR之差，其中所述ACLR是以指派的通道頻率為中心的濾波後平均功率與以相鄰通道頻率為中心的濾波後平均功率的比率。
10. 根據請求項7所述的系統，其中，所述多目標損失函數至少包括利用所述DPD的輸入的短時傅裡葉變換(STFT)和PAN輸出的STFT之間的差計算的頻域平均絕對誤差(MAE)。
11. 如請求項7所述的系統，其中，所述多目標損失函數至少包括利用PAN輸出符號和理想正交幅度調製(QAM)符號之間的差計算的時域誤差向量幅度(EVM)。
12. 根據請求項7所述的系統，其中，所述多目標損失函數至少包括利用所述DPD的輸入和所述PAN輸出之間的差計算的時域均方誤差(MSE)。