⚡ electrical engineering

Low Complexity Neural Network Digital Predistortion of Wideband Power Amplifiers through Feature Selection

本文提出了一种基于神经网络的低复杂度数字预失真架构，该架构利用离线 LASSO 和 MRMR 特征选择流水线，在保持与多项式方法相当的宽带功率放大器线性化性能的同时，实现了高达 30% 的计算成本降低。

原作者： Cel Thys, Rodney Martinez Alonso, Ali H Alsarraf, Dominique Schreurs, Sofie Pollin

发布于 2026-07-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Cel Thys, Rodney Martinez Alonso, Ali H Alsarraf, Dominique Schreurs, Sofie Pollin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

数字调谐器：为什么你的手机需要更聪明的数学

想象一下，你正试图在一个嘈杂拥挤的体育场里向远方传递一条秘密信息。如果你只是大声喊叫，你的声音可能会失真、破裂，或者淹没在回声中，导致你的朋友无法理解。在无线通信的世界里，这种“大声喊叫”是由一种叫做功率放大器 (Power Amplifier, PA) 的设备完成的。它的工作是将来自手机或基站的微弱信号进行放大，使其能够传输得更远。但问题在于：当这些放大器为了提高效率而努力工作时，它们会变得“脾气暴躁”，开始扭曲信号，增加不必要的噪声和失真。这就像是当你试图唱高音时，声音发生了破音。

为了解决这个问题，工程师们使用了一种巧妙的技巧，叫做数字预失真 (Digital Predistortion, DPD)。可以将 DPD 视为一种“预先校正”步骤。在信号进入放大器之前，计算机先故意以与放大器产生失真完全相反的方式对信号进行“破坏”。这样，当那个脾气暴躁的放大器试图扭曲信号时，它反而无意中修复了计算机制造的“混乱”，从而在另一端留下一个清晰、完美的信号。随着我们的世界对更快的互联网和更宽信道（例如未来 6G 网络使用的“FR3”频段）的需求日益增长，信号变得更加复杂，放大器也变得更加“暴躁”。这迫使负责预校正的计算机变得极其复杂，需要海量的计算能力——就像为了修正一个句子而雇佣了一千名数学家一样。那么大问题来了：我们能否在不需要超级计算机的情况下，获得同样完美的信号呢？

论文的核心思想：挑选最好的食材

这篇题为《通过特征选择实现宽带功率放大器的低复杂度神经网络数字预失真》的论文，正是针对这一问题展开研究。来自比利时的研究团队注意到，虽然神经网络 (Neural Networks, NNs) 在修复这些失真信号方面表现出色（通常比旧方法效果更好），但它们也非常笨重且缓慢。对于处理每一条数据，它们都需要成千上万个数学步骤（称为 FLOPs），这对于我们设备内部的微型芯片来说负担过重。

该团队的解决方案有点像是在烹饪一道高级料理时，只使用最核心的食材。他们没有把所有可能的香料和蔬菜都扔进锅里（这是目前复杂的神经网络的做法），而是创建了一个智能的“购物清单”生成器。他们称之为特征选择 (Feature Selection) 流水线。

以下是他们的“智能购物”流程：

大堆食材： 首先，他们生成了一个庞大的潜在线索（特征）列表，用来帮助计算机理解放大器是如何表现异常的。这个列表基于传统的数学模型，规模巨大，包含超过 300,000 个潜在线索。
第一次筛选 (LASSO)： 他们使用一种叫做 LASSO 的工具快速剔除无用的线索。这就像一位严厉的厨师说：“我们不需要 50 种盐，我们只需要那些真正能增加风味的盐。”这一步将列表缩减到了一个更易于管理的规模。
最终精选 (MRMR)： 接下来，他们使用一种名为 MRMR（最小冗余最大相关性）的方法。这是终极过滤器。它观察剩余的线索并询问：“这些线索中，哪些能提供其他线索所没有的新信息且非常重要？”它会移除任何仅仅是重复信息的线索。

通过这个过程，他们得到了一份仅包含 100 到 200 个最重要的线索的精简且高效的清单。他们将这份短名单输入到一个比常规神经网络更小、更快的神经网络中。

研究发现：更快、更聪明，且同样出色

研究人员在真实硬件上测试了这种新的“特征选择”方法，具体使用了两台运行在 15 GHz 频段（属于 FR3 频段）的不同功率放大器。他们将这种新方法与标准的重型神经网络以及旧的多项式模型进行了对比。

结果非常令人振奋。在测试中，新方法在保持相同信号清晰度的同时，成功地降低了高达 30% 的计算成本。

对于其中一个放大器，他们仅使用 595 个 FLOPs（数学步骤）就达到了 -37 dB 的信号质量（以 NMSE 衡量）。而标准的神经网络需要 797 个 FLops 才能达到类似的结果。
对于第二个更难处理的放大器，他们仅用 234 个 FLOPs 就达到了 -34 dB 的质量，相比标准方法减少了 32% 的计算量。

当他们在物理硬件上实际运行信号并测量现实世界的性能时，该方法再次展现了卓越的表现。即使使用更少的资源，它也能产生更低的误差率 (EVM) 和更干净的信号 (ACLR)。例如，其中一个模型仅用 407 个 FLOPs 就实现了仅为 1.38% 的误差率，而标准模型需要消耗更多能量才能达到 1.88% 的稍高误差率。

总结

作者认为，通过在神经网络开始“烹饪”之前进行艰苦的“食材挑选”（这是一个离线过程），我们可以构建一个更轻量、更快速的实时运行系统。他们不仅是在计算机上进行模拟，还在实际硬件上进行了测量，并发布了数据供他人查证。

虽然他们并不声称解决了世界上所有的难题，但他们展示了一条清晰的前行之路：我们并不需要通过让神经网络变得更大、更重来获得更好的结果。有时候，秘诀就在于知道该忽略哪些线索。这种方法可以帮助未来的 6G 网络变得更加高效，让我们的设备在通信时既能更快，又不会耗尽电池或需要昂贵的大型芯片。

技术摘要：通过特征选择实现低复杂度神经网络宽带功率放大器数字预失真

问题陈述
向 6G 无线系统（特别是频率范围 3，即 FR3，7–24 GHz）的演进，要求功率放大器（PA）能够在接近饱和的状态下高效运行。这种运行方式会引入显著的非线性失真，因此需要数字预失真（DPD）进行线性化处理。虽然基于神经网络（NN）的 DPD 方法（如相位归一化神经网络，PNN）已展示出优于传统 Volterra 模型（如记忆多项式 MP 和广义记忆多项式 GMP）的线性化性能，但它们面临着一个阻碍实际部署的关键障碍：计算复杂度。NN 模型通常每个 IQ 采样点需要数千次浮点运算（FLOPs），显著超过了多项式模型典型的几百次 FLOPs。这种高昂的计算成本阻碍了其在资源受限的数字前端硬件中的实时实现。

方法论
作者提出了一种“特征选择 NN-DPD”架构，旨在弥合高性能神经网络与低复杂度多项式模型之间的差距。该方法将 DPD 问题解耦为两个不同的阶段：

离线特征工程流水线：
- 特征生成： 系统从输入信号中生成一个全面的、受 Volterra 启发的特征空间。这包括延迟样本的实部和虚部、包络项（ $|x(n)|^p$ ）以及结合不同记忆深度的 I/Q 分量的交叉项。这创建了一个庞大的候选特征矩阵（ $F \approx 321,200$ 个特征）。
- LASSO 剪枝： 为了解决高阶 Volterra 基函数之间高度互相关的问题，采用了最小绝对收缩和选择算子（LASSO）。这种 $\ell_1$ 正则化回归促进了稀疏性，将候选集减少到约 2,000 个非零特征。
- MRMR 排序： 随后使用最小冗余最大相关（MRMR）算法对剩余特征进行排序。该算法选择一组特征，使这些特征在最大化与目标输出互信息的同时，最小化特征之间的冗余。超参数 $k$ （通常为 100–200 个特征）决定了最终的输入规模。
在线低复杂度推理：
- 选定的前 $k$ 个特征作为紧凑型实值时延神经网络（TDNN）的输入。
- 该架构利用了带有相位归一化操作（应用于输入和输出）的残差 PNN 结构。
- 至关重要的是，计算密集型的特征选择是在离线完成的。在实时运行期间，仅执行前 $k$ 个特征的生成和神经网络推理，从而大幅降低了运行时 FLOPs 计数。

核心贡献

新颖架构： 引入了特征选择 NN-DPD，它用预先计算的、优化的特征集取代了标准神经网络中计算沉重的、数据驱动的特征提取过程。
混合流水线： 集成了 LASSO 和 MRMR 算法，以构建一个紧凑、信息化且非冗余的输入表示，该表示源自用于 GMP 模型的相同 Volterra 特征。
开放基准测试： 作者公开了测量的宽带 FR3 PA 数据集（两个 15 GHz 器件，采用 100 MHz 信号），以支持可重复的研究和开放基准测试。

结果
所提方法使用来自两个不同 PA（一个低增益 GaAs 放大器和一个高增益放大器）且由 100 MHz 64-QAM 信号驱动的测量数据进行了验证。

复杂度降低： 特征选择 NN 与基准 PNN 相比，实现了高达 30% 的计算复杂度降低，同时保持了相当的线性化性能。具体而言，对于 -37 dB 的目标归一化均方误差（NMSE），所提方法需要 595 FLOPs，而基准 PNN 为 797 FLOPs（提升了约 25%）。在第二个器件测试中，它以 234 FLOPs 实现了 -34 dB NMSE，较 PNN 基准降低了 32%。
线性化性能： 在误差矢量幅度（EVM）和相邻信道泄漏比（ACLR）方面，所提模型在同等复杂度水平下始终优于或匹配 PNN 基准。例如，在 407 FLOPs 下，所提模型实现了 1.38% 的 EVM，而 PNN 为 1.88%。它还展示了最低的最差情况 ACLR，比无 DPD 的 PA 改善了高达 10 dB，比同类 PNN 模型改善了 3.8 dB。
权衡优化： 研究利用贝叶斯优化来调整超参数（包括输入特征数量 $k$ ），证明了所提方法可以移动帕累托前沿（Pareto front），即在给定复杂度下提供更好的性能，或在给定性能下实现更低的复杂度。

意义与主张
论文声称，所提方法成功改善了基于神经网络的 DPD 的复杂度-性能权衡。通过针对输入特征而非仅仅针对网络架构进行优化，该方法使神经网络能够达到最先进 PNN 的线性化精度，同时显著降低计算负担。这种降低使得神经网络 DPD 在资源受限的硬件中进行实时部署变得更加可行，解决了限制神经网络 DPD 在实际系统中应用的核心障碍。作者指出，该工作是在测量的 FR3 数据上进行的验证，且数据集的公开可用性支持了进一步的开放基准研究。他们也谦虚地建议，未来的工作可以包括检查所选特征，以开发更具可解释性的神经网络 DPD 算法。

数字调谐器：为什么你的手机需要更聪明的数学

论文的核心思想：挑选最好的食材

研究发现：更快、更聪明，且同样出色

总结

类似论文