مقاله OpenDPD: یک چارچوب یادگیری و محک زدن منبع باز برای مدلسازی تقویتکننده توان باند پهن و پیش اعوجاج دیجیتال
| عنوان مقاله به انگلیسی | OpenDPD: An Open-Source End-to-End Learning & Benchmarking Framework for Wideband Power Amplifier Modeling and Digital Pre-Distortion |
| عنوان مقاله به فارسی | مقاله OPENDPD: یک چارچوب یادگیری و معیار پایان به منبع باز برای مدل سازی تقویت کننده قدرت پهنای باند و پیش از تقطیر دیجیتال |
| نویسندگان | Yizhuo Wu, Gagan Deep Singh, Mohammadreza Beikmirza, Leo de Vreede, Morteza Alavi, Chang Gao |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| تعداد صفحات | 5 |
| دسته بندی موضوعات | Machine Learning,Signal Processing,یادگیری ماشین , پردازش سیگنال , |
| توضیحات | Submitted 16 January, 2024; originally announced January 2024. , Comments: To be published at the 2024 IEEE International Symposium on Circuits and Systems (ISCAS), Singapore |
| توضیحات به فارسی | 16 ژانویه 2024 ارسال شد.در ابتدا ژانویه 2024 اعلام شد ، نظرات: برای انتشار در سمپوزیوم بین المللی IEEE در مدارها و سیستم ها (ISCAS) ، سنگاپور منتشر شد |
چکیده
With the rise in communication capacity, deep neural networks (DNN) for digital pre-distortion (DPD) to correct non-linearity in wideband power amplifiers (PAs) have become prominent. Yet, there is a void in open-source and measurement-setup-independent platforms for fast DPD exploration and objective DPD model comparison. This paper presents an open-source framework, OpenDPD, crafted in PyTorch, with an associated dataset for PA modeling and DPD learning. We introduce a Dense Gated Recurrent Unit (DGRU)-DPD, trained via a novel end-to-end learning architecture, outperforming previous DPD models on a digital PA DPA in the new digital transmitter (DTX) architecture with unconventional transfer characteristics compared to analog PAs. Measurements show our DGRU-DPD achieves an ACPR of -44.69/-44.47 dBc and an EVM of -35.22 dB for 200 MHz OFDM signals. OpenDPD code, datasets, and documentation are publicly available at https://github.com/lab-emi/OpenDPD.
چکیده به فارسی (ترجمه ماشینی)
با افزایش ظرفیت ارتباطی ، شبکه های عصبی عمیق (DNN) برای قبل از تقریب دیجیتال (DPD) برای اصلاح غیرخطی در تقویت کننده های قدرت پهنای باند (PA) برجسته شده اند.با این حال ، در سیستم عامل های مستقل از منبع باز و اندازه گیری برای اکتشاف سریع DPD و مقایسه مدل DPD هدف ، یک خلاء وجود دارد.در این مقاله یک چارچوب منبع باز ، OpenDPD ، ساخته شده در Pytorch ، با یک مجموعه داده مرتبط برای مدل سازی PA و یادگیری DPD ارائه شده است.ما یک واحد مکرر گیت شده متراکم (DGRU) -DPD را معرفی می کنیم ، که از طریق یک معماری یادگیری پایان به پایان به پایان می رسد ، از مدل های DPD قبلی در یک DITICE DPA DIGITAL در معماری فرستنده دیجیتال جدید (DTX) با ویژگی های انتقال غیر متعارف در مقایسه با آنالوگ ، بهتر عمل می کنیم.PASاندازه گیری ها نشان می دهد که DGRU -DPD ما ACPR از -44.69/-44.47 DBC و EVM -35.22 dB را برای سیگنال های 200 مگاهرتز OFDM به دست می آورد.کد OPENDPD ، مجموعه داده ها و مستندات به صورت عمومی در https://github.com/lab-emi/opendpd در دسترس است.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.