Linearizability Assessment of a 3.5 GHz 16-Chain Fully Digital MIMO Transmitter Under Wideband Modulated Signals
Notice bibliographique
Résumé
This paper investigates the linearizability of a custom-built 16 -chain fully digital MIMO transmitter system. The transmitter front-end consists of multistage, Class-AB power amplifiers (PAs) and a stacked patch antenna array. To assess the linearizability of the RF front end, an iterative learning control (ILC) solution is proposed to identify the predistorted signal that results in the desired modulated signal with the least distortion at the output. ILC is then applied to the 16 -chain transmitter front-end for orthogonal frequency-division multiplexing (OFDM) signals of 8 dB peak-to-average ratio (PAPR) and instantaneous modulation bandwidths of $60,80,100$, and 120 MHz. The experimental results show that the average root normalized mean square error (RNMSE) of all 16 chains can be reduced from values up to $28 \%$ to values below $2 \%$ across all 16 chains for all bandwidths, while the average adjacent channel power ratio (ACPR) is improved from -36 dB to $-54,-52,-51,-48 \mathrm{~dB}$ for $60,80,100$, and 120 MHz, respectively. The performance of pruned Volterra-based single-input single-output (SISO) and multiple-input single-output (MISO) digital predistortion (DPD) is compared against the ILC benchmark. Compared to the ILC benchmark, pruned-Volterra SISO and MIMO DPD exhibited significantly degraded performance. These results suggest that current DPD modeling approaches, potentially formulated based on smaller MIMO systems, need to be revisited to account for non-idealities impacting linearizability in larger-scale massive MIMO transmitters. The proposed linearizability assessment methodology can support the development of future massive MIMO RF front-end designs and DPD linearization techniques for improved system-level performance.
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) | 0,001 | 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 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 ».