Adaptive linearization of transmitter in the presence of I/Q Imbalance using distributed spatio-temporal neural network
Notice bibliographique
Résumé
For distortion-free data transmission, digital predistortion (DPD) is now a widely accepted method to linearize the power amplifier (PA) in a transmitter. DPD requires inverse modeling of PA and processing input through inverse model before feeding it to PA. However, when modulator in transmitter also have I/Q imbalance and local oscillator (LO) leakage, they cause extra intermodulation distortion (IMD) to appear at the PA output and conventional models such as Volterra series, memory polynomial, Weiner-Hammerstein and look up table methods are not able to model the inverse modeling properly and even worsen the spectral regrowth. This paper focuses on an adaptive distributed spatiotemporal neural network (DSTNN) for adaptive predistortion which has been shown to be robust to all the linear imperfections (i.e., gain/phase errors) as well as nonlinearity (i.e., IMD) to finally mitigate all the imperfections in the transmitter system in one step, due to its unique nonlinear mapping which does not depend on quadrature relation between I and Q components. DSTNN provides one-step solution for online adaptive application, which low cost in terms of floating point operations and does not require complex matrix operations such as matrix inversion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».