Adaptive Digital Predistortion of Wireless Power Amplifiers/Transmitters Using Dynamic Real-Valued Focused Time-Delay Line Neural Networks
Notice bibliographique
Résumé
Neural networks (NNs) are becoming an increasingly attractive solution for power amplifier (PA) behavioral modeling, due to their excellent approximation capability. Recently, different topologies have been proposed for linearizing PAs using neural based digital predistortion, but most of the previously reported results have been simulation based and addressed the issue of linearizing static or mildly nonlinear PA models. For the first time, a realistic and experimentally validated approach towards adaptive predistortion technique, which takes advantage of the superior dynamic modeling capability of a real-valued focused time-delay neural network (RVFTDNN) for the linearization of third-generation PAs, is proposed in this paper. A comparative study of RVFTDNN and a real-valued recurrent NN has been carried out to establish RVFTDNN as an effective, robust, and easy-to-implement baseband model, which is suitable for inverse modeling of RF PAs and wireless transmitters, to be used as an effective digital predistorter. Efforts have also been made on the selection of the most efficient training algorithm during the reverse modeling of PA, based on the selected NN. The proposed model has been validated for linearizing a mildly nonlinear class AB amplifier and a strongly nonlinear Doherty PA with wideband code-division multiple access (WCDMA) signals for single- and multiple-carrier applications. The effects of memory consideration on linearization are clearly shown in the measurement results. An adjacent channel leakage ratio correction of up to 20 dB is reported due to linearization where approximately 5-dB correction is observed due to memory effect nullification for wideband multicarrier WCDMA signals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».