Adaptive Digital Predistortion of Wireless Power Amplifiers/Transmitters Using Dynamic Real-Valued Focused Time-Delay Line Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle