基于神經(jīng)網(wǎng)絡(luò)的智能DPD引擎方法
加入技術(shù)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(chǎn)品之一，展示了人工智能 （AI） 的潛力。機(jī)器學(xué)習(xí) （ML） 是人工智能的一個(gè)子集，它正在通過(guò)支持決策和數(shù)據(jù)分析等任務(wù)來(lái)改變行業(yè)。在通信領(lǐng)域，人工智能和機(jī)器學(xué)習(xí)正在推進(jìn)數(shù)字預(yù)失真 （DPD），這是一種對(duì)于減少信號(hào)失真和提高功率放大器 （PA） 效率至關(guān)重要的技術(shù)。
傳統(tǒng)的 DPD 模型可能會(huì)在 5G 等現(xiàn)代通信系統(tǒng)中遇到非線性和記憶效應(yīng)的問(wèn)題。他們假設(shè) PA 的行為是靜態(tài)的且無(wú)內(nèi)存的，依賴于僅考慮瞬時(shí)輸入輸出關(guān)系的多項(xiàng)式模型。
然而，人工智能和機(jī)器學(xué)習(xí)擅長(zhǎng)學(xué)習(xí)復(fù)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(jīng)網(wǎng)絡(luò)的DPD框架，該框架利用PA數(shù)據(jù)來(lái)減少增益/相位誤差，提高效率，提高頻譜性能，超越傳統(tǒng)方法。
提高 PA 效率：數(shù)字預(yù)失真與 AI 創(chuàng)新的結(jié)合
數(shù)字預(yù)失真是一項(xiàng)關(guān)鍵技術(shù)，使功率放大器能夠在飽和區(qū)域附近高效運(yùn)行而不影響線性度。通過(guò)擴(kuò)展 PA 的線性工作范圍，DPD 使射頻 （RF） 設(shè)計(jì)人員能夠利用非線性 PA 的效率，同時(shí)保持正交頻分復(fù)用 （OFDM） 等復(fù)雜調(diào)制方案所需的發(fā)射信號(hào)線性度。
DPD 的核心是引入預(yù)失真器系數(shù)，這些系數(shù)是通過(guò)對(duì) PA 的反幅度到幅度 （AM-to-AM） 和幅度到相位 （AM-to-PM） 特性進(jìn)行建模而得出的。該過(guò)程通過(guò)在輸入波形中引入精確的抗失真來(lái)有效補(bǔ)償 PA 的非線性。因此，DPD 提高了信號(hào)質(zhì)量，同時(shí)使 PA 能夠以最高效率運(yùn)行。
文章“簡(jiǎn)化您的5G基站收發(fā)器發(fā)射機(jī)陣容、設(shè)計(jì)和評(píng)估”詳細(xì)討論了DPD算法，以及ADI的ADRV9040射頻收發(fā)器如何為設(shè)計(jì)和實(shí)現(xiàn)提供簡(jiǎn)化的硬件平臺(tái)。圖1說(shuō)明了用于線性化PA響應(yīng)的DPD概念。
功率放大器表現(xiàn)出接近飽和的非線性，導(dǎo)致信號(hào)失真、頻譜重新增長(zhǎng)和效率降低，特別是在具有 I/Q 不平衡和記憶效應(yīng)等損傷的高帶寬系統(tǒng)中。人工智能和機(jī)器學(xué)習(xí)，特別是神經(jīng)網(wǎng)絡(luò) （NN），通過(guò)對(duì) PA 失真進(jìn)行建模和動(dòng)態(tài)優(yōu)化預(yù)失真，提供了一種變革性的解決方案。這種人工智能驅(qū)動(dòng)的方法提高了效率和適應(yīng)性，超越了傳統(tǒng)方法，同時(shí)平衡了性能和計(jì)算復(fù)雜性。
使用神經(jīng)網(wǎng)絡(luò)模型優(yōu)化 DPD 引擎：提出的游戲規(guī)則改變者框架
人工神經(jīng)網(wǎng)絡(luò)是人工智能的基石，特別是在深度學(xué)習(xí)中，旨在克服傳統(tǒng)機(jī)器學(xué)習(xí)算法的局限性。受人腦處理信息能力的啟發(fā)，神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)識(shí)別模式、學(xué)習(xí)和決策，使其成為解決復(fù)雜非線性問(wèn)題的理想選擇。例如，在 5G LTE 系統(tǒng)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?dāng)_和 PA 非線性等挑戰(zhàn)。
與基于多項(xiàng)式的 DPD 解決方案不同，后者需要廣泛的系統(tǒng)力學(xué)知識(shí)并在可擴(kuò)展性方面遇到困難，NN 模型擅長(zhǎng)以更少的約束處理復(fù)雜的非線性行為。本節(jié)介紹一個(gè)擬議的NN DPD框架，以減輕非線性和發(fā)射機(jī)損傷。
該過(guò)程涉及三個(gè)關(guān)鍵步驟：表征 PA 并收集大量數(shù)據(jù)，訓(xùn)練后失真神經(jīng)網(wǎng)絡(luò)模型，以及部署具有性能監(jiān)控和調(diào)整的模型。通過(guò)利用機(jī)器學(xué)習(xí)，這種方法將大型數(shù)據(jù)集轉(zhuǎn)化為可作的見(jiàn)解，從而為現(xiàn)代通信挑戰(zhàn)提供強(qiáng)大、可擴(kuò)展的解決方案。
第 1 步：PA 表征數(shù)據(jù)收集
為了設(shè)計(jì)和實(shí)施用于優(yōu)化無(wú)線功率放大器的 AI/ML 模型，收集全面、高質(zhì)量的表征數(shù)據(jù)以準(zhǔn)確反映 PA 在不同條件下的實(shí)際性能至關(guān)重要。圖 2 顯示了一個(gè)示例設(shè)置，可用于 PA 表征數(shù)據(jù)收集工作。
圖2所示的臺(tái)式配置允許通過(guò)提取S參數(shù)、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(zhuǎn)換等參數(shù)來(lái)進(jìn)行完整的表征。表 1 提供了用于輸入模型的數(shù)據(jù)點(diǎn)的完整列表。然而，值得注意的是，模型的維度會(huì)影響其響應(yīng)時(shí)間。此外，捕獲的數(shù)據(jù)必須先數(shù)字化，然后才能在訓(xùn)練過(guò)程中使用。
這種嚴(yán)格而系統(tǒng)的數(shù)據(jù)收集方法為開(kāi)發(fā)能夠準(zhǔn)確預(yù)測(cè)和優(yōu)化 PA 性能的 AI/ML 模型奠定了基礎(chǔ)。通過(guò)利用這個(gè)全面的數(shù)據(jù)集，設(shè)計(jì)人員可以實(shí)現(xiàn)可靠、高效的無(wú)線通信系統(tǒng)。
第 2 步：模型訓(xùn)練
模型訓(xùn)練過(guò)程包括將表 1 中收集的信號(hào)（少量或全部）饋入該系統(tǒng)，并通過(guò)損失函數(shù)優(yōu)化 DPD 模型以最大限度地減少誤差。神經(jīng)網(wǎng)絡(luò)架構(gòu)由相互連接的節(jié)點(diǎn)層（例如人工神經(jīng)元）組成，組織成主要的核心組件（圖3和表2）。
在訓(xùn)練過(guò)程中，隱藏層向前傳播數(shù)據(jù)，同時(shí)通過(guò)使用梯度下降的反向傳播來(lái)優(yōu)化權(quán)重和偏差。可以調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，以包括更多的神經(jīng)元來(lái)表示高度非線性組件，或包括更少的神經(jīng)元來(lái)表示更平滑的元。
雖然深入討論用于創(chuàng)建有效且可擴(kuò)展的 AI 模型訓(xùn)練環(huán)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(gè)用于數(shù)據(jù)分析和機(jī)器學(xué)習(xí)的無(wú)代碼平臺(tái)。KNIME 具有圖形用戶界面 （GUI），使用戶能夠通過(guò)簡(jiǎn)單地拖放節(jié)點(diǎn)來(lái)設(shè)計(jì)工作流程，無(wú)需廣泛的編碼知識(shí)。這些工作流程高度可視化且易于理解，使該平臺(tái)可供廣大受眾使用。
對(duì)于那些喜歡基于 Python 的方法的人來(lái)說(shuō)，帶有 TensorFlow 的 Keras 提供了顯著的優(yōu)勢(shì)。這種組合將 Keras 的簡(jiǎn)單性與 TensorFlow 的穩(wěn)健性和可擴(kuò)展性融為一體，使其成為從實(shí)驗(yàn)到生產(chǎn)級(jí)深度學(xué)習(xí)應(yīng)用程序等項(xiàng)目的絕佳選擇。
在 PA 表征工作中，將收集數(shù)百萬(wàn)個(gè)樣本——70% 將用于訓(xùn)練，30% 保留用于測(cè)試和驗(yàn)證，以評(píng)估模型模仿 PA 行為的能力。模型性能將使用準(zhǔn)確性、精確度、召回率、F1 分?jǐn)?shù)和 ROC-AUC 等指標(biāo)進(jìn)行評(píng)估。
第 3 步：神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證和部署
部署過(guò)程首先驗(yàn)證模型以確保穩(wěn)健性和準(zhǔn)確性，使用驗(yàn)證數(shù)據(jù)在訓(xùn)練和停止標(biāo)準(zhǔn)期間監(jiān)控質(zhì)量，而測(cè)試數(shù)據(jù)則獨(dú)立評(píng)估準(zhǔn)確性和泛化性。解決過(guò)度擬合和欠擬合對(duì)于確保模型能夠很好地泛化到新數(shù)據(jù)至關(guān)重要。
通過(guò)限制層數(shù)、隱藏神經(jīng)元或參數(shù)數(shù)以簡(jiǎn)化模型、擴(kuò)展訓(xùn)練數(shù)據(jù)集，甚至通過(guò)修剪（例如，刪除對(duì)性能沒(méi)有顯著貢獻(xiàn)的冗余神經(jīng)元）來(lái)增強(qiáng)泛化，可以緩解過(guò)度擬合。另一方面，通過(guò)增加隱藏神經(jīng)元以提高模型復(fù)雜性和/或調(diào)整超參數(shù)（例如學(xué)習(xí)率、批量大小或正則化強(qiáng)度）來(lái)提高性能，從而解決緩解欠擬合的問(wèn)題。
ML 工程師必須平衡這些策略并迭代評(píng)估 DPD 模型的性能，以實(shí)現(xiàn)穩(wěn)健且可通用的模型，同時(shí)密切關(guān)注模型的執(zhí)行速度。圖 4 說(shuō)明了神經(jīng)網(wǎng)絡(luò) DPD 模型評(píng)估系統(tǒng)架構(gòu)的高級(jí)框圖。
無(wú)論如何，確定隱藏神經(jīng)元的最佳數(shù)量需要在訓(xùn)練過(guò)程中進(jìn)行實(shí)證研究、反復(fù)試驗(yàn)或自適應(yīng)方法。這些調(diào)整確保神經(jīng)網(wǎng)絡(luò)在復(fù)雜性和性能之間實(shí)現(xiàn)適當(dāng)?shù)钠胶?，從而?shí)現(xiàn)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(jīng)網(wǎng)絡(luò)（CNN）加速器芯片）可以促進(jìn)該模型的部署。
將 AI/ML 與 DPD 系統(tǒng)集成：挑戰(zhàn)與機(jī)遇
將人工智能和機(jī)器學(xué)習(xí)集成到 DPD 系統(tǒng)中具有巨大的改進(jìn)潛力，但也帶來(lái)了實(shí)際挑戰(zhàn)。DPD 系統(tǒng)需要低延遲和高處理速度，這對(duì)于計(jì)算密集型 ML 模型來(lái)說(shuō)可能很難實(shí)現(xiàn)。此外，溫度波動(dòng)和硬件老化等動(dòng)態(tài)作條件需要實(shí)時(shí)學(xué)習(xí)或遷移學(xué)習(xí)等自適應(yīng)技術(shù)來(lái)保持最佳性能。
能源效率是另一個(gè)關(guān)鍵因素，因?yàn)?AI/ML 模型，尤其是深度學(xué)習(xí)架構(gòu)，通常比傳統(tǒng)的 DPD 方法消耗更多的功率，因此不太適合能源敏感環(huán)境。未來(lái)的實(shí)驗(yàn)應(yīng)該使用輕量級(jí)神經(jīng)網(wǎng)絡(luò)進(jìn)行，輕量級(jí)神經(jīng)網(wǎng)絡(luò)是標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)的優(yōu)化版本。
這些輕量級(jí)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)具有更少的參數(shù)、更少的計(jì)算量并且內(nèi)存效率更高。它們對(duì)于計(jì)算資源有限的應(yīng)用特別有用，例如移動(dòng)和物聯(lián)網(wǎng) （IoT） 設(shè)備或其他資源有限的系統(tǒng)。
許多機(jī)器學(xué)習(xí)模型（尤其是深度神經(jīng)網(wǎng)絡(luò)）缺乏可解釋性，使其與 DPD 系統(tǒng)的集成更加復(fù)雜。當(dāng)決策過(guò)程不透明時(shí)，調(diào)試和優(yōu)化具有挑戰(zhàn)性，因?yàn)檫@些模型將復(fù)雜的作簡(jiǎn)化為權(quán)重、偏差和激活函數(shù)。
結(jié)論：通過(guò) AI/ML 進(jìn)行 DPD 演進(jìn)
隨著大規(guī)模 MIMO 等 5G 技術(shù)需要更低的功耗和更高的精度，DPD 系統(tǒng)必須不斷發(fā)展以應(yīng)對(duì)新的復(fù)雜性。AI/ML 將有助于通過(guò)自適應(yīng)學(xué)習(xí)和混合建模等創(chuàng)新實(shí)現(xiàn)可擴(kuò)展、節(jié)能的解決方案。神經(jīng)網(wǎng)絡(luò)能夠?qū)?fù)雜的非線性和記憶效應(yīng)進(jìn)行建模，通過(guò)在沒(méi)有顯式數(shù)學(xué)公式的情況下近似非線性函數(shù)來(lái)簡(jiǎn)化 DPD 系統(tǒng)設(shè)計(jì)。
AI/ML 的集成提高了電源效率，使 PA 能夠更接近飽和地運(yùn)行，同時(shí)通過(guò)非線性 PA 降低成本。盡管面臨挑戰(zhàn)，人工智能/機(jī)器學(xué)習(xí)驅(qū)動(dòng)的系統(tǒng)在提高 DPD 系統(tǒng)的準(zhǔn)確性、適應(yīng)性和可擴(kuò)展性方面仍具有巨大的前景。
將傳統(tǒng)的基于多項(xiàng)式的方法與 AI/ML 技術(shù)相結(jié)合的混合方法提供了平衡的解決方案，將經(jīng)典模型的可解釋性與 AI/ML 的高級(jí)功能相結(jié)合。通過(guò)創(chuàng)新策略應(yīng)對(duì)這些挑戰(zhàn)，人工智能/機(jī)器學(xué)習(xí)可以推動(dòng) DPD 系統(tǒng)的變革性進(jìn)步，支持現(xiàn)代通信技術(shù)的發(fā)展。
評(píng)論