Technische Samenvatting: Trade-offs in Sparse Oplossingen voor GMP DPD via Least Squares Thresholding

Probleemstelling

Satellietcommunicatiesystemen worden geconfronteerd met een kritieke uitdaging in het balanceren van een hoge datadoorvoer met strikte SWaP-beperkingen (Size, Weight, and Power) die inherent zijn aan ruimtevaarthardware. Een primaire bottleneck is de vermogensversterker (Power Amplifier, PA), die nabij verzadiging moet werken om het vermogensefficiëntie te maximalen. Deze werking induceert echter significante nietlineaire distorties, specifiek AM/AM (amplitude-naar-amplitude) en AM/PM (amplitude-naar-fase) nietlineariteiten. Deze effecten veroorzaken spectrale regrowth in aangrenzende frequentiebanden, wat de wettelijke spectrale maskers (bijv. FCC, ITU) schendt en de constellatiediversiteit bij de ontvanger degradeert.

Om deze problemen te mitigeren, wordt Digital Pre-Distortion (DPD) toegepast, waarbij de PA doorgaans wordt gemodelleerd met behulp van Generalized Memory Polynomials (GMP), een gespecialiseerde subset van de Volterra-reeks. Hoewel GMP effectief geheugeneffecten en cross-termen modelleert, is het gebruik van de volledige set GMP-kernels computationeel prohibitief voor omgevingen met beperkte SWaP-capaciteit. De selectie van een optimale subset van kernels is een NP-Hard probleem. Bestaande dynamische zoekmethoden, zoals Orthogonal Matching Pursuit (OMP) en Matching Pursuit (MP), pakken dit aan, maar brengen een hoge computationele overhead met zich mee. Bovs wordt in het artikel opgemerkt dat MP steunt op een orthogonaliteitsaanname die niet standhoudt wanneer deze wordt toegepast op de sterk gecorreleerde feature-matrices die kenmerkend zijn voor GMP-modellen.

Methodologie

De auteurs stellen een statische zoekbenadering voor genaamd Least Squares Thresholding (LST) om een ijle (sparse) subset van GMP-kernels te identificeren. De methodologie opereert binnen een Iterative Learning Architecture (ILA), waarbij de inverse van de PA wordt geschat en toegepast op de pre-distortie blok.

1. Modelformulering: De output van de PA wordt gemodelleerd als een lineaire combinatie van GMP-basisfuncties. Het doel is om de coëfficiëntvector $x$ op te lossen in de vergelijking $Ax = b$, waarbij $A$ de GMP-featurematrix is en $b$ het doelsignaal.
2. Sparse Optimalisatie: In plaats van op te lossen voor alle coëfficiënten, is het doel om de $L_0$-norm (aantal niet-nul elementen) van de oplossingsvector $\hat{x}$ te minimaliseren onder de restrictie $A\hat{x} = b$.
3. Algoritme Vergelijking:
   • OMP (Orthogonal Matching Pursuit): Een hongerig (greedy) algoritme dat iteratief de kolom selecteert die het meest gecorreleerd is met de residu en het least squares probleem opnieuw oplost voor de volledige geselecteerde set bij elke stap. Het is computationeel duur vanwege de herhaalde matrixinversies.
   • MP (Matching Pursuit): Vereenvoudigt OMP door coëfficiënten te updaten via scalaire projectie, uitgaande van de aanname dat de geselecteerde kernels orthogonaal zijn aan de eerder geselecteerde subspace. Het artikel betoogt dat deze aanname ongeldig is voor GMP vanwege de hoge inter-kernel correlatie.
   • LST (Least Squares Thresholding): Een statische benadering die eenmalig de initiële correlaties tussen alle kolommen en het doelsignaal berekent. Het sorteert deze correlaties in afdescenderende volgorde en voegt greedily kernels toe aan de support set op basis van deze vaste volgorde, waarbij alleen een least squares probleem wordt opgelost voor de huidige set. Dit voorkomt de herhaalde re-correlatie en matrixoperaties van OMP.

Belangrijkste Bijdragen

• Systematische Vergelijking: Dit werk presenteert de eerste systematische vergelijking van een statische zoekbenadering (LST) tegenover dynamische greedy algoritmen (OMP en MP), specifiek voor sparse GMP-DPD onder SWaP-restricties.
• Theoretisch Inzicht: Het artikel biedt een theoretische demonstratie van waarom de onderliggende orthogonaliteitsaanname van MP faalt in de context van sterk gecorreleerde GMP-featurematrices, wat leidt tot suboptimale prestaties.
• Complexiteitsreductie: De auteurs demonstreren dat LST een significante reductie in computationele complexiteit bereikt vergeleken met OMP, terwijl de linearisatieprestaties nagenoeg identiek blijven.
• Innovatieve Metriektoepassing: De studie gebruikt Normalized Mutual Information (NMI) als een fidelity-metriek naast standaard RF-metrieken (ACPR, EVM, NMSE) om statistische afhankelijkheid en nietlineaire residuele distorties te vangen die lineaire correlatie mogelijk mist.

Resultaten

Experimenten werden uitgevoerd met een GaN-gebaseerde vermogensversterker (Cree CGH40006-TB) met een 200 MHz bandbreedte 64-QAM signaal. Het GMP-model maakte gebruik van 322 totale kernels ($h=11, l=6, j=4$).

• Prestaties: Bij ongeveer 20–25 niet-nul kernels bereikten zowel LST als OMP prestatie-metrieken (NMSE, ACPR, EVM, NMI) die bijna identiek zijn aan de volledige ridge regression oplossing.
  • EVM: LST bereikte een EVM van -27,48 dB, wat aanzienlijk beter is dan de 3GPP 64-QAM limiet van -21,94 dB.
  • NMI: LST presteerde marginaal beter dan Ridge Regression (0,7365 vs. 0,7335), wat duidt op impliciete regularisatie.
  • MP Prestaties: MP vertoonde merkbaar slechtere prestaties over alle metrieken (bijv. een EVM van -24,27 dB), wat de negatieve impact van de ongeldige orthogonaliteitsaanname bevestigt.
• Complexiteit: LST demonstreerde een 2,77× reductie in computationele operaties vergeleken met OMP.
  • LST Operaties: $\approx 2,67 \times 10^{11}$
  • OMP Operaties: $\approx 7,39 \times 10^{11}$
  • MP Operaties: $\approx 4,72 \times 10^{11}$

Betekenis en Claims

Het artikel claimt dat LST een praktische oplossing biedt voor de implementatie van sparse GMP-DPD in ruimtevaarthardware waar real-time verwerking en laag stroomverbruik cruciaal zijn. Door complexe dynamische zoekmethoden te vervangen door een statische thresholding-benadering, bereiken de auteurs een drastische vermindering van de FPGA computationele last zonder in te boeten op de linearisatiekwaliteit.

De betekenis van dit werk ligt in de validatie dat een statische, vooraf berekende ordening van kernels voldoende is voor GMP-DPD, wat de noodzaak voor complexere dynamische algoritmen zoals OMP in dit specifieke domein uitdaagt. De auteurs concluderen dat toekomstig werk zich zal richten op het integreren van deze sparse kernel selectie in een Iterative Learning Control (ILC) loop en het valideren van de benadering op daadwerkelijke FPGA-hardware.