A low‐spur harmonic‐cancelation digital predistortion based on neural network for frequency‐hopping HF transmitters
Notice bibliographique
Résumé
Abstract High frequency (HF) transmitter implemented with the multioctave broadband power amplifier (PA) is always faced with the problem of interfering harmonics because of the nonlinearity of the PA. With the harmonic‐cancelation digital predistortion (HC‐DPD) scheme, the harmonics at lower frequencies can be canceled by the injected components and the harmonics at higher frequencies can be filtered out using a low‐pass filter (LPF). However, the HC‐DPD scheme brings the problem of unwanted spurs while lowering the requirements for sampling rate. In this article, a time‐delay neural network (TDNN) model is used to replace the conventional memory polynomial (MP) model in the forward modeling. Theoretical derivation and simulation results validate the effectiveness of the TDNN model in harmonic cancelation and spur suppression. Further, a frequency‐agile neural network (FANN) model is proposed based on the TDNN model. By adding the carrier frequency to the inputs of the network, the trained model can apply to all the trained carrier frequencies and is more friendly to the frequency‐hopping scenarios. Experiments were carried out on a 2–30 MHz HF transmitter testbench. Measurement results show that the harmonic‐to‐fundamental power ratio, the adjacent channel power ratio (ACPR), and the error vector magnitude (EVM) performances were all improved by more than 20 dB. Compared with the MP model, the unwanted spurs can be suppressed by up to 22 dB. In addition, the number of total model coefficients of the proposed FANN model is only 22% of that of the TDNN model under the frequency‐hopping scenario.
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 ».