Frequency-domain digital predistortion for Massive MU-MIMO-OFDM Downlink
数字预失真（DPD）是一种常用的方法来补偿功率放大器（PA）的非线性效应。然而，大多数DPD算法的计算复杂度在大规模多用户（MU）多输入多输出（MIMO）正交频分复用（OFDM）的下行链路中成为问题，其中基站（BS）中可能多达几百个PA需要线性化。在本文中，我们提出了一种基于卷积神经网络（CNN）的DPD在频域中，发生在预编码之前，信号空间的维数取决于用户的数量，而不是BS天线的数量。对基于广义记忆多项式（GMP）的功率放大器的仿真结果表明，提出的基于CNN的DPD算法可以在实现相同误符号率（SER）的同时，以较小的功率增加为代价，随着BS天线数量的增加，可以节省非常大的复杂度。
2022-05-10 eess.SP
A Digital Predistortion Scheme Exploiting Degrees-of-Freedom for Massive MIMO Systems
无线发射机中非线性失真的主要来源是功率放大器（PA）。传统的数字预失真（DPD）方案使用高阶多项式来精确地近似和补偿PA的非线性。这对于在大规模多输入多输出（MIMO）系统中缩放到数十或数百个PA是不实际的。在大规模多输入多输出系统中，由于自由度（DoF）过多，存在多于一个的候选预编码矩阵，并且每个预编码矩阵需要不同的DPD多项式阶数来补偿PA非线性。本文提出了一种利用下一代前端的大量自由度实现的低阶DPD方法。我们提出了一种新的间接学习结构，通过级联自适应迫零预编码和DPD迭代地适应信道和PA失真。我们的解决方案使用3阶多项式来实现与针对100 × 10大规模多输入多输出配置使用11阶多项式的常规DPD相同的性能。实验结果表明，计算复杂度降低了70%，实现了超低延迟通信。
2018-01-18 eess.SP
Digital Predistortion for Hybrid MIMO Transmitters
本文研究了混合波束形成大规模天线发射机的数字预失真（DPD）线性化。我们提出了一种新的DPD处理和学习技术的天线子阵列，它利用了一个组合的信号的各个功率放大器（PA）的输出结合基于去相关的学习规则。实际上，所提出的方法导致在预期接收器的方向上的非线性失真最小化。该特征是非常期望的，因为其他方向上的发射由于波束成形而自然较弱。所提出的参数学习技术只需要一个单一的观察接收器，因此支持简单的硬件实现。它也被证明是明显优于目前的国家的最先进的技术，它只利用一个单一的PA学习。反馈网络的幅度和相位不平衡的分析表明，该技术是强大的，甚至高水平的这种不平衡。最后，我们还表明，阵列系统的带外发射在所有空间方向上都表现良好，基本上低于相应的单天线发射机，由于DPD和波束成形的综合效应。
2018-04-06 eess.SP
Digital Predistortion for Multiuser Hybrid MIMO at mmWaves
在基于多用户混合预编码的宽带毫米波系统中，如何有效抑制功率放大器（PA）的非线性失真是一个开放性的研究课题。在本文中，我们首先进行详细的信号和失真建模的宽带多用户混合MIMO系统中，在每个子阵列中的一个银行的非线性PA，同时也考虑到不可避免的天线/PA分支之间的串扰。在推导出的模型的基础上，我们提出了一种高效的闭环（CL）数字预失真（DPD）解决方案，尽管存在串扰，但每个发射链或子阵列仅需要一个单输入DPD单元，与最先进的多维DPD解决方案相比，提供了显着的复杂性优势。我们表明，在空间相关的多径传播下，每个DPD单元可以向每个预期用户提供线性化，或者更一般地，向发生相干传播的所有空间方向提供线性化，并且所提出的CL DPD系统对串扰是鲁棒的。提供了基于实际测量的毫米波PA模型的大量数值结果，证明并验证了所提出的DPD系统在不同评估场景中的出色线性化性能。
2020-05-18 eess.SP
Walsh-domain Neural Network for Power Amplifier Behavioral Modelling and Digital Predistortion
本文针对沃尔什-哈达玛收发器架构的基带算法并行化问题，将基于神经网络的数字预失真算法适配到该架构，通过跨域知识蒸馏预训练实现了与正交方案相当的线性化性能，为全基带链适配低功耗超高带宽沃尔什收发器奠定基础。
2024-02-15 eess.SP
Low Complexity Neural Network Digital Predistortion of Wideband Power Amplifiers through Feature Selection
Katholieke Universiteit Leuven（荷语鲁汶大学）
针对通信带宽增加致数字预失真算法复杂度上升的问题，提出低复杂度特征选择NN DPD架构，用LASSO和MRMR算法构建输入表示，利用实测数据集证明该方法在保持性能时可降低30%计算复杂度。
2026-07-20 eess.SP
Gradient-Adaptive Spline-Interpolated LUT Methods for Low-Complexity Digital Predistortion
本文提出了用于功率放大器（PA）线性化的新型数字预失真（DPD）解决方案，特别强调降低未来5G及超宽带无线电系统中的处理复杂度。第一种提出的方法，被称为样条的Hammerstein（SPH）的方法，建立在复杂的样条插值查找表（LUT），其次是线性有限脉冲响应（FIR）滤波器。第二种方法，基于样条的记忆多项式（SMP）的方法，包含多个并行复杂的样条插值LUT连同输入延迟线，以便更通用的内存建模可以实现。对于这两种结构，基于梯度的学习算法推导出有效地估计LUT控制点和其他相关的DPD参数。提供了大量的实验结果，特别关注5G新无线电（NR）系统，显示了多个低于6 GHz的PA样本以及28 GHz有源天线阵列的成功线性化，包括高达200 MHz的信道带宽。显式的性能复杂度的比较也报告之间的SPH和SMP DPD系统和广泛应用的普通内存多项式（MP）DPD解决方案。结果表明，所提出的方法的线性化能力是非常接近的普通MP DPD，特别是与建议的SMP方法，同时具有显着降低的处理复杂度。
2020-07-02 eess.SP
Piecewise Digital Predistortion fo mmWave Active Antenna Arrays: Algorithms and Measurements
在本文中，我们描述了一种新的框架数字预失真（DPD）的线性化强非线性毫米波有源天线阵列。具体来说，我们制定了一个分段（PW）闭环（CL）DPD解决方案和低复杂度的梯度自适应参数学习算法，以及区域划分方法，可以有效地处理深度压缩的PA单元。波束控制对DPD性能的影响进行了研究，表现出很强的波束依赖性，因此需要频繁更新的DPD。为了便于快速适应，一个廉价的，非迭代的，修剪算法，它允许显着减少模型系数的量。所提出的方法通过在64元件有源天线阵列发射机上进行广泛的空中RF测量进行了验证，该发射机工作在28 GHz载波频率下，并传输符合400 MHz 5G新无线电（NR）标准的正交频分复用波形。所获得的结果表明，所提出的解决方案具有出色的线性化能力，在带内波形质量和带外发射方面均符合频率范围2（FR 2）的新5G NR要求。所提出的PW-CL DPD的表现优于国家的最先进的PW DPD的基础上的间接学习架构，以及经典的单多项式为基础的DPD解决方案的线性化性能和计算复杂性的一个明确的保证金。
2020-04-30 eess.SP
Second-Order Perturbation Theory-Based Digital Predistortion for Fiber Nonlinearity Compensation
基于一阶微扰理论的非线性补偿（PB-NLC）技术已被广泛研究，以克服偏振复用（Pol-Mux）光纤通信系统中信道内克尔非线性的不利影响。然而，FO-PB-NLC技术的NLC性能在Pol-Mux长距离光传输系统的高度非线性区域中受到显著限制。在本文中，我们将FO理论扩展到二阶（SO），以提高NLC的性能。该技术被称为SO-PB-NLC。对Pol-Mux光传输系统的SO微扰场进行了详细的理论分析。在此之后，我们研究了一些简化的假设，以降低实现复杂性的SO-PB-NLC技术。单信道系统的数值仿真结果表明，与FO-PB-NLC技术相比，SO-PB-NLC技术具有更好的误码率性能和更长的传输距离。复杂度分析表明，所提出的SO-PB-NLC技术具有降低的计算复杂度相比，每跨度一步的数字反向传播。
2021-06-27 eess.SP
Digital Predistortion of Power Amplifiers for Quantum Computing
Institute of High-Frequency Technology, Hamburg University of Technology（高频技术研究所，汉堡工业大学）
本文提出在量子计算中使用数字预畸变技术以提高功率放大器的线性度和量子比特门操作的保真度。
2026-01-10 eess.SP quant-ph
TCN-DPD: Parameter-Efficient Temporal Convolutional Networks for Wideband Digital Predistortion
Department of Microelectronics, Delft University of Technology, The Netherlands（代尔夫特理工大学电子系）；Leiden Institute of Advanced Computer Science (LIACS), Leiden University, The Netherlands（莱顿大学先进计算机科学研究所）
针对射频功率放大器的宽带非线性问题，提出参数高效的TCN-DPD架构，集成非因果扩张卷积与优化激活函数，在OpenDPD框架和DPA_200MHz数据集上实现优异线性化性能，参数效率优于现有模型。
2025-06-13 cs.AI eess.SP
SFOL DME Pulse Shaping Through Digital Predistortion for High-Accuracy DME
SFOL（Stretched-FrOnt-Leg）脉冲是一种高精度测距设备（DME）脉冲，开发用于在全球导航卫星系统中断期间支持飞机的替代定位和导航。为了便于使用SFOL脉冲，最好使用已经部署的传统DME来传输SFOL脉冲，而不是仅通过软件更改来传输当前的高斯脉冲。当尝试在传统DME中发送SFOL脉冲时，最大的挑战是由发送单元中的脉冲整形电路和功率放大器引起的脉冲形状失真，使得原始SFOL脉冲形状不再被保留。这封信提出了一种基于逆学习的DME数字预失真方法，并提出了成功发射SFOL脉冲的测试平台的基础上，商业传统DME，旨在发送高斯脉冲。
2021-11-01 cs.SY eess.SP eess.SY
SparseDPD: A Sparse Neural Network-based Digital Predistortion FPGA Accelerator for RF Power Amplifier Linearization
Delft University of Technology（代尔夫特理工大学）
本文提出SparseDPD，一种基于稀疏神经网络的FPGA加速器，通过无结构剪枝优化，实现高效实时无线通信中的射频功率放大器线性化。
2025-06-19 cs.AR eess.SP
OpenDPDv2: A Unified Learning and Optimization Framework for Neural Network Digital Predistortion
Department of Microelectronics, Delft University of Technology（电子工程系，代尔夫特理工大学）
OpenDPDv2通过统一学习和优化框架，结合时间稀疏性和定点量化，降低神经网络数字预失真推理能耗并保持高性能。
2026-08-12 cs.AI eess.SP
Companding and Predistortion Techniques for Improved Efficiency and Performance in SWIPT
本文针对功率分割型 SWIPT 系统中 PA 与 EH 非线性导致的效率问题，提出联合压扩与 DPD 的设计准则，在不损失信息传输性能的前提下显著提升能量收集和功率传输效率。
2024-05-23 eess.SP
DeltaDPD: Exploiting Dynamic Temporal Sparsity in Recurrent Neural Networks for Energy-Efficient Wideband Digital Predistortion
Department of Microelectronics, Delft University of Technology（代尔夫特理工大学微电子系）；Ampleon Netherlands B.V.（阿姆佩隆荷兰公司）；Leiden Institute of Advanced Computer Science (LIACS), Leiden University（莱顿先进计算机科学研究所（LIACS），莱顿大学）；School of Electrical and Electronic Engineering, University College Dublin（都柏林大学学院电子与电气工程学院）
针对宽带射频PA的DPD能耗挑战，提出DeltaDPD，利用RNN的动态时间稀疏性减少运算和内存访问，在保持良好线性化性能的同时将推理功率降低1.8倍，代码将开源。
2025-04-29 cs.AI cs.CV cs.LG
Design and Implementation of a Neural Network Based Predistorter for Enhanced Mobile Broadband
数字预失真是校正无线发射机的模拟RF前端中的非线性的过程。这些非线性导致相邻信道泄漏，降低发射信号的误差矢量幅度，并且经常迫使发射机将其发射功率降低到器件的更线性但功率效率较低的区域。大多数预失真技术是基于多项式模型与间接学习架构，已被证明是过度敏感的噪声。在这项工作中，我们使用基于神经网络的预失真与一种新的神经网络训练方法，避免了间接学习架构，并表现出显着的改善，在相邻通道泄漏率和误差矢量幅度。此外，我们表明，通过使用基于神经网络的预失真器，我们能够实现42%的延迟减少和9.6%的吞吐量增加FPGA加速器与15%的乘法每个样本相比，类似的执行内存多项式实现。
2019-07-01 eess.SP
MP-DPD: Low-Complexity Mixed-Precision Neural Networks for Energy-Efficient Digital Predistortion of Wideband Power Amplifiers
Delft University of Technology（代尔夫特理工大学）；Leiden University（莱顿大学）
本文提出开源混合精度神经网络MP-DPD，通过采用量化低精度定点参数降低计算复杂度与内存占用，在保证线性化效果的同时显著降低功耗，并在160MHz-BW 1024-QAM OFDM信号测试中实现与32位浮点精度相当的性能且推理功耗降低2.8倍。
2024-04-18 cs.AI cs.CV cs.LG
A Modular 1D-CNN Architecture for Real-time Digital Pre-distortion
Mitsubishi Electric Research Labs（三菱电机研究实验室）；Mitsubishi Electric Corporation（三菱电机株式会社）
本文提出了一种新颖的硬件友好的模块化结构，用于实现一维卷积神经网络（1D-CNN）数字预失真（DPD）技术，以实时线性化射频功率放大器（PA）。我们的设计的模块化性质使DPD系统能够适应可变的资源和时序约束。我们的工作还提出了一种联合仿真结构，以验证DPD性能与实际功率放大器硬件在-循环。100 MHz信号的实验结果表明，所提出的1D-CNN获得优于其他神经网络架构的实时DPD应用相比，性能。
2021-11-18 cs.LG eess.SP
Amplifier-Coupled Tone Reservation for Minimization of OFDM Nonlinear Distortion
OFDM信号的非线性失真是一个严重的问题，当涉及到能量有效的功率放大器（PA）的利用。典型地，峰均功率比（PAPR）降低算法和数字预失真算法被独立地用于对抗相同的现象。本文提出了一种利用功率放大器的预失真特性来降低非线性失真功率的放大器耦合音保留（ACTR）算法。定义了优化问题。证明了它的凸性。提出了一种计算效率高的解决方案。最后，它的性能进行了比较，对两个国家的最先进的TR算法通过仿真和测量。结果表明，所提出的解决方案是有利的，无论是在非线性失真功率和所需的计算次数。
2021-04-20 eess.SP
Linearizing Active Antenna Arrays: Method and Measurements
在本文中，我们提供了一个新的框架，有效的数字预失真（DPD）的线性化有源天线阵列与多个和相互不同的非线性功率放大器。所提出的方法建立在使用组合反馈信号的基础上，该组合反馈信号本质上表征接收端处的可观察到的非线性失真。该方法通过在64单元有源天线阵列发射机上进行广泛的无线射频测量进行了验证，该发射机在28 GHz载波频率下工作，并传输200 MHz宽的5G新无线电（NR）波形。所得到的结果表明，所提出的解决方案，这使得一个非常有效的实施在实际系统中的优秀的线性化能力。
2019-07-18 eess.SP
Receiver-Side Physics-Informed Residual Digital Twin for Predictive Fine Tracking in Inter-Satellite Optical Links
Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Professionals for Smart Technology (PST)（智能技术专业人员（PST））；Qatar University（卡塔尔大学）
针对星间光链路精跟踪中的残余视轴运动问题，提出接收端物理信息残差数字孪生，结合物理模型与残差学习，在标称场景降低14.1%指向误差，并提升鲁棒性。
2026-09-23 eess.SP
A 3-step Low-latency Low-Power Multichannel Time-to-Digital Converter based on Time Residual Amplifier
本文提出一种基于三步架构和时间残差放大器的低功耗多通道TDC，通过主从模块抗PVT变化，在130 nm CMOS下实现每通道2.2 mW功耗、0.051 mm²面积及优于21 ps RMS的定时精度。
2023-06-01 eess.SP
On Deep Learning Classification of Digitally Modulated Signals Using Raw I/Q Data
本文研究基于原始I/Q数据的数字调制信号深度学习分类，通过残差网络和卷积神经网络在独立生成的不同数据集上进行跨数据集训练与测试，评估神经网络的泛化能力。
2023-07-05 eess.SP
Low Complexity Kolmogorov-Arnold Network-based DPD for Analog RoF Fronthaul
Federal University of Campina Grande (UFCG)（坎皮纳格兰德联邦大学）；KTH Royal Institute of Technology（皇家理工学院）；College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院）；Institute of Telecommunications, Riga Technical University（里加技术大学电信研究所）
首次提出并实验验证了基于Kolmogorov-Arnold网络的数字预失真模型ETDKAN，通过引入物理约束和符号化降低复杂度，在A-RoF系统中实现了与神经网络相当的线性化性能且复杂度接近记忆多项式。
2026-06-26 eess.SP physics.optics
Physics-Informed Digital Twins for Channel Estimation and Traffic Prediction of Non-Terrestrial Networks
University of Waterloo（滑铁卢大学）；National Mobile Communications Research Laboratory, School of Information Science and Engineering, Southeast University（东南大学信息科学与工程学院）
提出物理信息数字孪生框架，通过物理先验张量引导的信道重构和轨道自适应时空图神经网络实现高精度信道估计与流量预测。
2026-05-22 eess.SP
Inverse Design of Compact and Wideband Inverted Doherty Power Amplifiers Using Deep Learning
提出深度学习辅助方法逆设计紧凑宽带倒置Doherty功率放大器，结合CNN和遗传算法生成像素化合路网络，实现1.9-2.5 GHz内峰值效率51%-63%、回退效率48%-54%。
2026-06-26 cs.AI cs.AR cs.SY
Deep Learning-Driven Inverse Design of Doherty Power Amplifiers Using Pixelated Combiners and Dual-State Impedance Synthesis
Tampere University（塔尔皮奥大学）；Chalmers University of Technology（挑战者技术大学）
提出一种结合深度卷积神经网络、像素化布局和遗传算法的三端口Doherty合成器设计方法，实现峰值和回退功率条件下的双态阻抗合成，在2.6-2.8 GHz频段内饱和输出功率>44.2 dBm，峰值漏极效率>71.2%。
2026-08-25 cs.AI cs.AR cs.SY
How to Bridge the Sim-to-Real Gap in Digital Twin-Aided Telecommunication Networks
Institute for Intelligent Networked Systems（智能网络系统研究所）；Department of Engineering（工程系）
本文综述了通过数字孪生校准和仿真到现实差距感知训练策略来弥合合成数据与真实数据之间差异的两种互补方法。
2026-05-27 cs.LG eess.SP
Efficient And Scalable Neural Residual Waveform Coding With Collaborative Quantization
Indiana University（印第安纳大学）；Electronics and Telecommunications Research Institute（电子通信研究院）
神经语音编解码器中期望可扩展性和效率，其支持各种设备上的应用的宽范围的比特率。我们提出了一个协同量化（CQ）方案，共同学习的LPC系数和相应的残差码本。CQ不是简单地将LPC硬塞进神经网络，而是以集成的方式将高级神经网络模型的计算能力与传统的高效且特定于域的数字信号处理方法连接起来。我们证明，CQ实现了更高的质量比它的前身在9 kbps，甚至更低的模型复杂度。我们还表明，CQ可以扩展到24 kbps，它优于AMR-WB和Opus。作为一种神经波形编解码器，CQ模型的参数不到100万，远远少于许多其他生成模型。
2020-02-13 cs.MM cs.SD eess.AS
PRNU Emphasis: a Generalization of the Multiplicative Model
光响应非均匀性（PRNU）是一种相机特有的模式，广泛用于解决多媒体取证问题，如设备识别或伪造检测。该指纹的理论分析通常依赖于用于去噪残差的乘法模型。该设置假设从场景辐照度到预处理亮度的非线性映射，即相机响应函数（CRF）与光学和数字预处理流水线的组合，是伽马校正。然而，这种假设在实践中很少成立。在这封信中，我们改进了乘法模型，包括这种非线性映射的影响，去噪残差。我们还提出了一种方法来估计这种影响。结果表明，典型的相机的响应偏离伽马校正。对于固定FPR $0.01$，使用我们的模型的实验设备识别平均将TPR增加了$4.93\, \%$。
2022-02-24 eess.IV eess.SP
Multi-modal Residual Perceptron Network for Audio-Video Emotion Recognition
Warsaw University of Technology（华沙理工大学）
音频-视频情感识别现在受到深度神经网络建模工具的攻击。在已发表的论文中，作为一项规则，作者只展示了多模态优于仅音频或仅视频模态的情况。然而，也有情况下的优势，在单峰可以found. In我们的研究中，我们假设，对于情感事件的模糊类别，模态内和模态间的噪声信息间接表示在建模神经网络的参数阻碍了更好的性能，在现有的后期融合和端到端的多模态网络的训练策略。为了利用和克服这两种解决方案中的不足，我们定义了一个多模态残差感知器网络，它从多模态网络分支执行端到端学习，从而推广更好的多模态特征表示。对于所提出的多模态残差感知器网络和用于流媒体数字电影的新颖时间增强，最先进的平均识别率对于The Ryerson Audio-Visual Database of Emotional Speech and Song数据集提高到91.4%，对于Crowd-sourced Emotional Multi-modal Actors数据集提高到83.15%。此外，多模态剩余感知器网络概念显示了其在处理信号源的多模态应用中的潜力，而不仅仅是光学和声学类型。
2021-07-30 cs.AI cs.SD eess.AS
Deep Learning-Driven Black-Box Doherty Power Amplifier with Pixelated Output Combiner and Extended Efficiency Range
Chalmers University of Technology（查尔姆斯理工大学）
提出一种基于深度卷积神经网络和遗传算法的黑盒Doherty功率放大器逆设计方法，通过像素化输出合成网络实现扩展回退效率范围，原型在2.75 GHz下效率超过74%，9-dB回退时效率高于52%。
2026-07-02 cs.AI cs.AR cs.SY
A time-to-digital converter with steady calibration through single-photon detection
Università degli Studi di Padova（帕多瓦大学）；Padua Quantum Technologies Research Center, Università degli Studi di Padova（帕多瓦量子技术中心，帕多瓦大学）；Istituto Nazionale di Fisica Nucleare (INFN) – sezione di Padova（意大利国家核物理研究所（INFN）帕多瓦分部）
本研究提出了一种基于FPGA的时间到数字转换器，通过单光子检测实现稳定校准，具有低抖动和高稳定性，适用于量子密钥分发等应用。
2026-02-25 eess.SP physics.ins-det quant-ph
