ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2025, № 12 · МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ЗАДАЧАХ РАДИОЭЛЕКТРОНИКИ

Методы разреживания двунаправленной LSTM модели цифрового корректора

Л.И. Аверина1, Н.Е. Гутерман1, А.А. Хайдаров1

1 Воронежский государственный университет, Воронеж, Россия
Полный текст DOI: 10.30898/1684-1719.2025.12.6 УДК 621.375.026 EDN IOYXQI

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.

  • цифровой корректор
  • нелинейный усилитель мощности
  • рекуррентная нейронная сеть
  • разреживающий вариационный дропаут
  • регуляризация
Abstract (in English)

Sparse-learning methods for bidirectional LSTM model of digital predistorter

Two sparse-learning methods for recurrent neural network used as a digital predistorter for microwave power amplifier linearization are presented. Comparative analysis of investigated approaches with unstructured pruning is carried out. Described methods make it possible to build a sparse digital predistorter without using additional hyperparameters and fine-tuning. Sparse neural network, in turn, is a compact implementation of digital predistorter with reduced computational complexity. Such attractive feature allows effective digital predistortion in the transmitter path of both user equipment and multichannel base stations.

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

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.