Digital Pre-Distortion [in Russian]

Slides: https://github.com/bayesgroup/bayesgr...
Speaker: Danila Doroshin, Huawei

Усилитель мощности является важной частью базовой станции мобильной связи 5G. Кроме непосредственно усиления сигнала, усилитель генерирует нежелательный шум, вызванный нелинейностью в работе транзисторов. На выходе усилителя получается электромагнитная волна большой мощности, поэтому очистка выходного сигнала цифровыми алгоритмами не представляется возможной. Вместо очистки выходного сигнала используется подход цифрового предыскажения (https://en.wikipedia.org/wiki/Multidi..., заключающийся в предварительной обработке сигнала специальной функцией. В случае достаточно точного приближения данной функции к обратной функции усилителя такая технология позволяет понизить уровень шума до приемлемых показателей.
Самыми простыми в реализации и самыми распространенными в литературе являются полиномиальные модели (https://ieeexplore.ieee.org/stamp/sta.... Они линейны по коэффициентам, поэтому их оптимизация, как правило, является выпуклой задачей. Однако, в случае сигналов 5G полиномиальные модели могут не дотягивать до требуемой точности, либо могут потребоваться полиномы высокого порядка (больше 10) и от большого количества входных отсчётов (больше 30). В качестве более выразительных моделей обычно рассматриваются модели типа Wiener-Hammerstein (https://smartech.gatech.edu/bitstream... , стр. 11). Фактически модель Wiener-Hammerstein является нейронной сетью из двух слоёв: первый слой свёрточный, второй – полиномиальный. Такая модель уже перестаёт быть линейной по коэффициентам и требует привлечения более сложных методов оптимизации.
Вычислительная сложность нейронных сетей, как правило, исчисляется в более чем сотнями тысяч умножений и таком же количестве сложений. Однако, индустрия беспроводной связи выдвигает довольно жесткие требования к применяющимся моделям, ограничивая вычисления порядком 1000 умножений на прямом проходе модели. Данная особенность заставляет искать компактные архитектуры моделей.
Вторая особенность состоит в необходимости реализации модели в фиксированной арифметике. Стоит отметить необходимость постоянно адаптировать модель к меняющейся окружающей среде, типу входного сигнала, постепенному износу усилителя. Адаптация происходит за счет постоянного захвата выходного сигнала с усилителя. При этом метод адаптации такой как обратное распространение ошибки также должен работать в фиксированной арифметике.