ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2025. №12

УДК: 621.375.026

методы разреживания двунаправленной

LSTM модели цифрового корректора

Л.И. Аверина, Н.Е. Гутерман, А.А. Хайдаров

Воронежский государственный университет,

394018, Воронеж, Университетская площадь, 1

Статья поступила в редакцию 17 ноября 2025 г.

Аннотация. В работе представлены два подхода к формированию разреженной рекуррентной нейронной сети, используемой в качестве модели цифрового корректора в задаче линеаризации СВЧ усилителя мощности. Проведен сравнительный анализ исследуемых методов с широко распространенным бесструктурным прунингом модели. Изложенная методика позволяет синтезировать цифровой корректор с высоким уровнем разреженности без введения дополнительных гиперпараметров и необходимости тонкой настройки нейронной сети. Разреженная модель, в свою очередь, имеет компактный вид и снижает вычислительную сложность корректора, тем самым допуская эффективное введение цифровых предыскажений в передающем тракте как пользовательского оборудования, так и многоканальных базовых станций.

Ключевые слова: цифровой корректор, нелинейный усилитель мощности, рекуррентная нейронная сеть, разреживающий вариационный дропаут, регуляризация.

Финансирование: Исследование выполнено за счет гранта Российского научного фонда № 24-19-00891, https://rscf.ru/project/24-19-00891/.

Автор для переписки: Гутерман Никита Евгеньевич, n.guterman@internet.ru

Литература

1. Назаров Л.Е., Зудилин А.С. Влияние нелинейностей передатчика на многочастотные сигналы с ортогональным частотным мультиплексированием // Журнал радиоэлектроники. – 2010. – №. 12. – С. 5-5.

2. Аверина Л.И., Шутов В.Д., Рыбалкин Р.А. Бесструктурное моделирование усилителей мощности с учетом инерционных свойств // Известия высших учебных заведений. Радиоэлектроника. – 2013. – Т. 56. – №. 1. – С. 50-57.

3. Ghoniem A.A. et al. An error vector magnitude performance modeling and analysis methodology for 5G mm-Wave Transmitters // IEEE Microwave and Wireless Technology Letters. – 2023. – Т. 33. – №. 6. – С. 771-774.

4. Haider M.F. et al. Predistortion-based linearization for 5G and beyond millimeter-wave transceiver systems: A comprehensive survey // IEEE Communications Surveys & Tutorials. – 2022. – Т. 24. – №. 4. – С. 2029-2072.

5. Аверина Л.И., Гутерман Н.Е. Сравнительный анализ архитектур обучения цифрового корректора в задаче линеаризации широкополосного усилителя мощности // Радиотехника. – 2025. – №. 9. – С. 45-53.

6. Chen P. et al. Behavioral modeling of GaN power amplifiers using long short-term memory networks // 2018 International Workshop on Integrated Nonlinear Microwave and Millimeter-wave Circuits (INMMIC). – IEEE, 2018. – С. 1-3.

7. Аверина Л.И., Бугров О.В. Цифровые корректоры на основе нейронных сетей для линеаризации усилителей мощности // Вестник Воронежского государственного университета. Серия: Физика. Математика. – 2017. – №. 1. – С. 5-14.

8. Xu G. et al. GRU-Attention Model for Linearizing Millimeter-Wave Transmitters in Vehicle to Satellite Communication Systems // IEEE Transactions on Vehicular Technology. – 2024. – Т. 73. – №. 11. – С. 15992-16000.

9. He Z., Tong F. Residual RNN models with pruning for digital predistortion of RF power amplifiers // IEEE Transactions on Vehicular Technology. – 2022. – Т. 71. – №. 9. – С. 9735-9750.

10. Tanio M., Ishii N., Kamiya N. A sparse neural network-based power adaptive DPD design and its hardware implementation // IEEE Access. – 2022. – Т. 10. – С. 114673-114682.

11. Watanabe T., Ohseki T., Kanno I. Hardware-efficient Neural Network Digital Predistortion for Terahertz Power Amplifiers Using DeepShift and Pruning // IEEE Access. – 2025.

12. Li W. et al. GPU-Based Implementation of Pruned Artificial Neural Networks for Digital Predistortion Linearization of Wideband Power Amplifiers // IEEE Journal of Microwaves. – 2025. – Т. 5. – №. 3. – С. 726-738.

13. Liu Z. et al. Low computational complexity digital predistortion based on convolutional neural network for wideband power amplifiers // IEEE Transactions on Circuits and Systems II: Express Briefs. – 2021. – Т. 69. – №. 3. – С. 1702-1706.

14. Molchanov D., Ashukha A., Vetrov D. Variational dropout sparsifies deep neural networks // International conference on machine learning. – PMLR, 2017. – С. 2498-2507.

15. Kingma D.P., Salimans T., Welling M. Variational dropout and the local reparameterization trick // Advances in neural information processing systems. – 2015. – Т. 28.

16. Louizos C., Welling M., Kingma D.P. Learning sparse neural networks through L₀ regularization // arXiv preprint arXiv:1712.01312. – 2017.

17. Sun J. et al. Behavioral modeling and linearization of wideband RF power amplifiers using BiLSTM networks for 5G wireless systems // IEEE Transactions on Vehicular Technology. – 2019. – Т. 68. – №. 11. – С. 10348-10356.

18. Lobacheva E. et al. Structured sparsification of gated recurrent neural networks // Proceedings of the AAAI Conference on Artificial Intelligence. – 2020. – Т. 34. – №. 04. – С. 4989-4996.

19. Lobacheva E., Chirkova N., Vetrov D. Bayesian sparsification of recurrent neural networks // arXiv preprint arXiv:1708.00077. – 2017.

20. Wen L. et al. Structured pruning of recurrent neural networks through neuron selection // Neural Networks. – 2020. – Т. 123. – С. 134-141.

21. Ngoya E., Quindroit C., Nebus J.M. On the continuous-time model for nonlinear-memory modeling of RF power amplifiers // IEEE Transactions on Microwave Theory and Techniques. – 2009. – Т. 57. – №. 12. – С. 3278-3292.

22. Kingma D.P., Welling M. Auto-encoding variational bayes // arXiv preprint arXiv:1312.6114. – 2013.

23. Chirkova N., Lobacheva E., Vetrov D. Bayesian compression for natural language processing // arXiv preprint arXiv:1810.10927. – 2018.

24. Louizos C., Ullrich K., Welling M. Bayesian compression for deep learning // Advances in neural information processing systems. – 2017. – Т. 30.

25. Morgan D.R. et al. A generalized memory polynomial model for digital predistortion of RF power amplifiers // IEEE Transactions on signal processing. – 2006. – Т. 54. – №. 10. – С. 3852-3860.

Для цитирования:

Аверина Л. И., Гутерман Н. Е., Хайдаров А. А. Методы разреживания двунаправленной LSTM модели цифрового корректора // Журнал Радиоэлектроники. – 2025. – №. 12. https://doi.org/10.30898/1684-1719.2025.12.6