Composite Neural Network Digital Predistortion Model for Joint Mitigation of Crosstalk, $I/Q$ Imbalance, Nonlinearity in MIMO Transmitters
Notice bibliographique
Résumé
Multi-input multi-output (MIMO) is anticipated to be a prominent technique proposed in the wireless communications to improve the system capacity and data rates of the wireless networks. However, the MIMO transmitter suffers from imperfections, such as crosstalk, power-amplifier (PA) nonlinearity, in-phase and quadrature (I/Q) imbalance, and dc offset. Investigating these effects, this paper proposes neural network (NN)-based digital predistortion (DPD) as an integral solution to compensate for crosstalk, PA nonlinearity, I/Q imbalance, and dc offset imperfections simultaneously in MIMO transmitters. The proposed NN DPD model provides a one-step single-model digital mitigation solution to multibranches of MIMO transmitters. With the increase in the dimensions of MIMO transmitter, the proposed NN-based DPD model provides a better compensation for transmitter imperfections and also reduces the complexity as compared to the state-of-the-art DPD methods. The proof-of-concept is provided with the 2×2 and 3×3 MIMO transmitters in the presence of strong PA nonlinearity, crosstalk, I/Q imbalance, and dc offset for homodyne as well as heterodyne transmitters' cases.
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) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».