A CNN-Based Digital Predistortion Method for Multi-Beam Phased-Array Transmitters
Notice bibliographique
Résumé
This paper presents a multi-beam digital predistorter (MB-DPD) for phased-array transmitters. MB-DPD uses a convolutional neural network (CNN) to compensate for nonlinear distortions, hardware impairments, and cross-beam coupling over wide ranges of multiple beams’ steering angles, without the need for interpolation. By encoding steering angles’ information alongside the I/Q baseband signals of the main and neighboring subarrays, the proposed MB-DPD scheme mitigates both in-band and out-of-band distortions for any set of beam angles’ values that fall within the training angles’ ranges. Furthermore, MB-DPD uses transfer learning to reduce the need for retraining of the CNN layer hyperparameters as the steering angles’ ranges are altered or extended. Experimental validation with a 15 MHz signal at 3.5 GHz on a 20-element phased-array demonstrates that MB-DPD improves the normalized mean square error (NMSE) by about 10 dB across the beams’ ranges and significantly improves the adjacent channel power ratio (ACPR) by about 15 dB, and it is benchmarked against beam-oriented DPD (BO-DPD), and deep neural networks (DNN) to show the robustness and distortion mitigation of MB-DPD in various multi-beam setting conditions without any need for interpolation.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».