基于神經網絡的智能DPD引擎方法
加入技術交流群
ChatGPT 由 OpenAI 于 2022 年 11 月推出，成為采用速度最快的軟件產品之一，展示了人工智能 （AI） 的潛力。機器學習 （ML） 是人工智能的一個子集，它正在通過支持決策和數據分析等任務來改變行業。在通信領域，人工智能和機器學習正在推進數字預失真 （DPD），這是一種對于減少信號失真和提高功率放大器 （PA） 效率至關重要的技術。
傳統的 DPD 模型可能會在 5G 等現代通信系統中遇到非線性和記憶效應的問題。他們假設 PA 的行為是靜態的且無內存的，依賴于僅考慮瞬時輸入輸出關系的多項式模型。
然而，人工智能和機器學習擅長學習復雜的模式，提供更精確的解決方案。本文介紹了一種基于人工神經網絡的DPD框架，該框架利用PA數據來減少增益/相位誤差，提高效率，提高頻譜性能，超越傳統方法。
提高 PA 效率：數字預失真與 AI 創新的結合
數字預失真是一項關鍵技術，使功率放大器能夠在飽和區域附近高效運行而不影響線性度。通過擴展 PA 的線性工作范圍，DPD 使射頻 （RF） 設計人員能夠利用非線性 PA 的效率，同時保持正交頻分復用 （OFDM） 等復雜調制方案所需的發射信號線性度。
DPD 的核心是引入預失真器系數，這些系數是通過對 PA 的反幅度到幅度 （AM-to-AM） 和幅度到相位 （AM-to-PM） 特性進行建模而得出的。該過程通過在輸入波形中引入精確的抗失真來有效補償 PA 的非線性。因此，DPD 提高了信號質量，同時使 PA 能夠以最高效率運行。
文章“簡化您的5G基站收發器發射機陣容、設計和評估”詳細討論了DPD算法，以及ADI的ADRV9040射頻收發器如何為設計和實現提供簡化的硬件平臺。圖1說明了用于線性化PA響應的DPD概念。
功率放大器表現出接近飽和的非線性，導致信號失真、頻譜重新增長和效率降低，特別是在具有 I/Q 不平衡和記憶效應等損傷的高帶寬系統中。人工智能和機器學習，特別是神經網絡 （NN），通過對 PA 失真進行建模和動態優化預失真，提供了一種變革性的解決方案。這種人工智能驅動的方法提高了效率和適應性，超越了傳統方法，同時平衡了性能和計算復雜性。
使用神經網絡模型優化 DPD 引擎：提出的游戲規則改變者框架
人工神經網絡是人工智能的基石，特別是在深度學習中，旨在克服傳統機器學習算法的局限性。受人腦處理信息能力的啟發，神經網絡擅長識別模式、學習和決策，使其成為解決復雜非線性問題的理想選擇。例如，在 5G LTE 系統中，使用基于 NN 的 DPD 方法可以有效解決 I/Q 不平衡、相移、直流偏移、串擾和 PA 非線性等挑戰。
與基于多項式的 DPD 解決方案不同，后者需要廣泛的系統力學知識并在可擴展性方面遇到困難，NN 模型擅長以更少的約束處理復雜的非線性行為。本節介紹一個擬議的NN DPD框架，以減輕非線性和發射機損傷。
該過程涉及三個關鍵步驟：表征 PA 并收集大量數據，訓練后失真神經網絡模型，以及部署具有性能監控和調整的模型。通過利用機器學習，這種方法將大型數據集轉化為可作的見解，從而為現代通信挑戰提供強大、可擴展的解決方案。
第 1 步：PA 表征數據收集
為了設計和實施用于優化無線功率放大器的 AI/ML 模型，收集全面、高質量的表征數據以準確反映 PA 在不同條件下的實際性能至關重要。圖 2 顯示了一個示例設置，可用于 PA 表征數據收集工作。
圖2所示的臺式配置允許通過提取S參數、輸出功率、功率附加效率（PAE）、輸入阻抗、輸入回波損耗、功率增益、AM到PM轉換等參數來進行完整的表征。表 1 提供了用于輸入模型的數據點的完整列表。然而，值得注意的是，模型的維度會影響其響應時間。此外，捕獲的數據必須先數字化，然后才能在訓練過程中使用。
這種嚴格而系統的數據收集方法為開發能夠準確預測和優化 PA 性能的 AI/ML 模型奠定了基礎。通過利用這個全面的數據集，設計人員可以實現可靠、高效的無線通信系統。
第 2 步：模型訓練
模型訓練過程包括將表 1 中收集的信號（少量或全部）饋入該系統，并通過損失函數優化 DPD 模型以最大限度地減少誤差。神經網絡架構由相互連接的節點層（例如人工神經元）組成，組織成主要的核心組件（圖3和表2）。
在訓練過程中，隱藏層向前傳播數據，同時通過使用梯度下降的反向傳播來優化權重和偏差。可以調整網絡結構，以包括更多的神經元來表示高度非線性組件，或包括更少的神經元來表示更平滑的元。
雖然深入討論用于創建有效且可擴展的 AI 模型訓練環境的最佳 AI 硬件、軟件和工具超出了本文的范圍，但我們建議 AI 工程師探索 KNIME，這是一個用于數據分析和機器學習的無代碼平臺。KNIME 具有圖形用戶界面 （GUI），使用戶能夠通過簡單地拖放節點來設計工作流程，無需廣泛的編碼知識。這些工作流程高度可視化且易于理解，使該平臺可供廣大受眾使用。
對于那些喜歡基于 Python 的方法的人來說，帶有 TensorFlow 的 Keras 提供了顯著的優勢。這種組合將 Keras 的簡單性與 TensorFlow 的穩健性和可擴展性融為一體，使其成為從實驗到生產級深度學習應用程序等項目的絕佳選擇。
在 PA 表征工作中，將收集數百萬個樣本——70% 將用于訓練，30% 保留用于測試和驗證，以評估模型模仿 PA 行為的能力。模型性能將使用準確性、精確度、召回率、F1 分數和 ROC-AUC 等指標進行評估。
第 3 步：神經網絡模型驗證和部署
部署過程首先驗證模型以確保穩健性和準確性，使用驗證數據在訓練和停止標準期間監控質量，而測試數據則獨立評估準確性和泛化性。解決過度擬合和欠擬合對于確保模型能夠很好地泛化到新數據至關重要。
通過限制層數、隱藏神經元或參數數以簡化模型、擴展訓練數據集，甚至通過修剪（例如，刪除對性能沒有顯著貢獻的冗余神經元）來增強泛化，可以緩解過度擬合。另一方面，通過增加隱藏神經元以提高模型復雜性和/或調整超參數（例如學習率、批量大小或正則化強度）來提高性能，從而解決緩解欠擬合的問題。
ML 工程師必須平衡這些策略并迭代評估 DPD 模型的性能，以實現穩健且可通用的模型，同時密切關注模型的執行速度。圖 4 說明了神經網絡 DPD 模型評估系統架構的高級框圖。
無論如何，確定隱藏神經元的最佳數量需要在訓練過程中進行實證研究、反復試驗或自適應方法。這些調整確保神經網絡在復雜性和性能之間實現適當的平衡，從而實現高效且有效的模型部署。邊緣人工智能嵌入式MCU（例如ADI的MAX78000卷積神經網絡（CNN）加速器芯片）可以促進該模型的部署。
將 AI/ML 與 DPD 系統集成：挑戰與機遇
將人工智能和機器學習集成到 DPD 系統中具有巨大的改進潛力，但也帶來了實際挑戰。DPD 系統需要低延遲和高處理速度，這對于計算密集型 ML 模型來說可能很難實現。此外，溫度波動和硬件老化等動態作條件需要實時學習或遷移學習等自適應技術來保持最佳性能。
能源效率是另一個關鍵因素，因為 AI/ML 模型，尤其是深度學習架構，通常比傳統的 DPD 方法消耗更多的功率，因此不太適合能源敏感環境。未來的實驗應該使用輕量級神經網絡進行，輕量級神經網絡是標準神經網絡的優化版本。
這些輕量級神經網絡的設計具有更少的參數、更少的計算量并且內存效率更高。它們對于計算資源有限的應用特別有用，例如移動和物聯網 （IoT） 設備或其他資源有限的系統。
許多機器學習模型（尤其是深度神經網絡）缺乏可解釋性，使其與 DPD 系統的集成更加復雜。當決策過程不透明時，調試和優化具有挑戰性，因為這些模型將復雜的作簡化為權重、偏差和激活函數。
結論：通過 AI/ML 進行 DPD 演進
隨著大規模 MIMO 等 5G 技術需要更低的功耗和更高的精度，DPD 系統必須不斷發展以應對新的復雜性。AI/ML 將有助于通過自適應學習和混合建模等創新實現可擴展、節能的解決方案。神經網絡能夠對復雜的非線性和記憶效應進行建模，通過在沒有顯式數學公式的情況下近似非線性函數來簡化 DPD 系統設計。
AI/ML 的集成提高了電源效率，使 PA 能夠更接近飽和地運行，同時通過非線性 PA 降低成本。盡管面臨挑戰，人工智能/機器學習驅動的系統在提高 DPD 系統的準確性、適應性和可擴展性方面仍具有巨大的前景。
將傳統的基于多項式的方法與 AI/ML 技術相結合的混合方法提供了平衡的解決方案，將經典模型的可解釋性與 AI/ML 的高級功能相結合。通過創新策略應對這些挑戰，人工智能/機器學習可以推動 DPD 系統的變革性進步，支持現代通信技術的發展。
評論