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.
توجه کنید این مقاله به زبان انگلیسی است. |
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسیها
هنوز بررسیای ثبت نشده است.