智能数字预失真：利用级联和人工神经网络模型以及剪枝技术应对下一代挑战

《IEEE Microwave Magazine》：Smart Digital Predistortion: Leveraging Cascaded and Artificial Neural Network Models With Pruning for Next-Generation Challenges

数字预失真技术在5G-NR中通过级联模型和人工神经网络提升功率放大器线性度，采用模型降阶解决复杂度问题，实验证明两者在ACPR和EVM指标上均表现优异，选择依据为性能需求与计算效率平衡。

　　

摘要：

在快速发展的电信领域中，数字预失真（DPD）技术已成为提高功率放大器（PA）线性和功率效率的重要解决方案，尤其是在5G新无线电（5G-NR）技术要求的背景下。本研究探讨了先进的DPD架构，重点比较了级联模型和人工神经网络（ANN）的性能，特别关注它们在应对高带宽和高峰均功率比（PAPR）信号所带来的挑战方面的有效性。为了降低复杂性并避免过拟合，我们为这两种模型类型实现了模型阶数降低技术。实验结果证实，N级级联模型和ANN在满足严格的线性指标（包括邻频道功率比（ACPR）和误差矢量幅度（EVM））方面表现更为优异。我们的研究结果表明，尽管这两种方法都能有效解决双输入宽带PA中的非线性问题，但具体选择哪种方法取决于特定的性能要求，包括计算效率和线性化精度。