基于深度学习的、硬件高效型功率放大器负载识别技术

《IEEE Journal of Selected Topics in Electromagnetics, Antennas and Propagation》：Deep-Learning Based Hardware-Efficient Load Identification for Power Amplifiers

　　

摘要：

在蜂窝基站中，功率放大器（PA）的性能会因天线阻抗的变化而显著下降。传统的保护技术通常使用环形器或阻抗检测电路，但这些方法会增加功耗和系统复杂性，并且在大规模MIMO系统中的可扩展性有限。本文提出了一种硬件效率较高的方法，该方法利用深度学习直接从测量的PA I/Q数据中估计负载阻抗，从而无需使用额外的检测硬件。该方法基于负载阻抗与大信号晶体管动态之间的耦合关系，将负载识别问题转化为一个逆电磁问题，其中卷积神经网络学习从增益、效率和频谱特性等性能参数到反射系数Γ之间的非线性映射关系。通过对100瓦Doherty PA的仿真和实验测量验证，该方法的平均平方误差（NMSE）为-35.4 dB（平均|ΔΓ| ≈ 0.002）。行为建模对比表明，考虑Γ影响的模型在不匹配情况下仍能保持较高的精度，相比仅使用50 Ω阻抗的传统方法，NMSE提高了23.8 dB。这项工作展示了深度学习技术如何解决自适应射频发射机架构中的复杂电磁逆问题，实现具有紧凑外形因子的硬件高效方案。训练好的推理模型和代表性测试数据示例将在论文发表后通过https://github.com/lab-emi/OpenDPD提供。