論文の概要: OpenDPD: An Open-Source End-to-End Learning & Benchmarking Framework for
Wideband Power Amplifier Modeling and Digital Pre-Distortion
- arxiv url: http://arxiv.org/abs/2401.08318v2
- Date: Wed, 24 Jan 2024 15:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 16:42:59.007892
- Title: OpenDPD: An Open-Source End-to-End Learning & Benchmarking Framework for
Wideband Power Amplifier Modeling and Digital Pre-Distortion
- Title（参考訳）: OpenDPD: 広帯域パワーアンプモデリングとディジタル事前歪みのためのオープンソースのエンドツーエンド学習とベンチマークフレームワーク
- Authors: Yizhuo Wu, Gagan Deep Singh, Mohammadreza Beikmirza, Leo C. N. de
Vreede, Morteza Alavi, Chang Gao
- Abstract要約: デジタル事前歪み(DPD)のためのディープニューラルネットワーク(DNN)が注目されている。
本稿ではPyTorchで開発されたオープンソースフレームワークOpenDPDについて述べる。
本稿では,Dense Gated Recurrent Unit (DGRU)-DPDを導入する。
- 参考スコア（独自算出の注目度）: 2.6771785584103935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rise in communication capacity, deep neural networks (DNN) for
digital pre-distortion (DPD) to correct non-linearity in wideband power
amplifiers (PAs) have become prominent. Yet, there is a void in open-source and
measurement-setup-independent platforms for fast DPD exploration and objective
DPD model comparison. This paper presents an open-source framework, OpenDPD,
crafted in PyTorch, with an associated dataset for PA modeling and DPD
learning. We introduce a Dense Gated Recurrent Unit (DGRU)-DPD, trained via a
novel end-to-end learning architecture, outperforming previous DPD models on a
digital PA (DPA) in the new digital transmitter (DTX) architecture with
unconventional transfer characteristics compared to analog PAs. Measurements
show our DGRU-DPD achieves an ACPR of -44.69/-44.47 dBc and an EVM of -35.22 dB
for 200 MHz OFDM signals. OpenDPD code, datasets, and documentation are
publicly available at https://github.com/lab-emi/OpenDPD.
- Abstract（参考訳）: 通信容量の増大に伴い、広帯域電力増幅器(PA)の非線形性を補正するデジタル事前歪み(DPD)のためのディープニューラルネットワーク(DNN)が注目されている。
しかし、オープンソースと測定セットアップに依存しないプラットフォームでは、高速なPDD探索と客観的PDモデル比較のための空白が存在する。
本稿では,PyTorch をベースとしたオープンソースフレームワーク OpenDPD と,PA モデリングと DPD 学習のためのデータセットを提案する。
本稿では,Dense Gated Recurrent Unit (DGRU)-DPDを導入し,デジタルPA (DPA) における従来の DPD モデルをアナログPAと比較して非従来型転送特性を持つ新しいデジタルトランスミッタ (DTX) アーキテクチャで上回った。
測定の結果,DGRU-DPDのACPRは-44.69/-44.47 dBc,EVMは-35.22 dBで200MHzのODM信号が得られた。
OpenDPDコード、データセット、ドキュメントはhttps://github.com/lab-emi/OpenDPDで公開されている。
関連論文リスト
- DPD-NeuralEngine: A 22-nm 6.6-TOPS/W/mm$^2$ Recurrent Neural Network Accelerator for Wideband Power Amplifier Digital Pre-Distortion [9.404504586344107]
DPD-NeuralEngine は Gated Recurrent Unit (GRU) Neural Network (NN) に基づく超高速、小型、電力効率の DPD 加速器である。
22nmのCMOS実装は2GHzで動作し、最大250MSpsのI/Q信号を処理できる。
我々の知る限り、この研究はAIベースのDPDアプリケーション固有集積回路(ASIC)アクセラレーターとしては初めてのものである。
論文 参考訳（メタデータ） (2024-10-15T16:39:50Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - MP-DPD: Low-Complexity Mixed-Precision Neural Networks for Energy-Efficient Digital Predistortion of Wideband Power Amplifiers [8.58564278168083]
Digital Pre-Distortion (DPD) は広帯域RFパワー増幅器(PA)の信号品質を向上させる
本稿では,エネルギー効率の DPD に対して,量子化された低精度固定点パラメータを用いたオープンソースの混合精度(MP)ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-04-18T21:04:39Z) - Broadband parametric amplification in DARTWARS [64.98268713737]
トラベリングウェーブパラメトリック増幅器(TWPA)は、マルチギガヘルツ増幅帯域のため、実用用途に特に適している可能性がある。
DARTWARSプロジェクトは、増幅の20ドルdBを達成できるKITWPAの開発を目指している。
測定の結果、KITWPAの長さ17,$mmの帯域幅で約9,dBの増幅が得られた。
論文 参考訳（メタデータ） (2024-02-19T10:57:37Z) - Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。
DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。
CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
論文 参考訳（メタデータ） (2023-03-17T04:20:47Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳（メタデータ） (2023-03-16T17:52:45Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳（メタデータ） (2023-03-11T16:29:13Z) - How Do Socio-Demographic Patterns Define Digital Privacy Divide? [0.5571177307684636]
デジタルプライバシは情報通信技術(ICT)システムにおいて重要なコンポーネントとなっている。
デジタルプライバシー保護レベルにはまだ差がある。
本稿では,ICTシステムにおけるディジタルプライバシ分割(DPD)問題について検討する。
論文 参考訳（メタデータ） (2022-01-20T00:59:53Z) - A Modular 1D-CNN Architecture for Real-time Digital Pre-distortion [0.0]
本研究では,1次元畳み込みニューラルネットワーク(1D-CNN)ディジタルプリディストレーション(DPD)技術を実装し,RFパワー増幅器(PA)をリアルタイムに線形化する,ハードウェアフレンドリな新しいモジュラーアーキテクチャについて報告する。
100MHzの信号を用いた実験結果から,提案した1D-CNNはリアルタイムDPDアプリケーションにおいて,他のニューラルネットワークアーキテクチャと比較して優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2021-11-18T11:30:23Z) - End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
論文 参考訳（メタデータ） (2021-06-30T13:09:30Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。