基于机器学习算法的射频功放行为建模研究学术报告

作者与发表信息

该研究由杭州电子科技大学的汪世杰（Shijie Wang）在蔡佳林（Jialin Cai）教授指导下完成，作为硕士学位论文于2023年4月提交。部分研究成果已发表在以下期刊： 1. MP-SVR模型相关研究发表于《International Journal of Numerical Modelling: Electronic Networks, Devices and Fields》 2. ALSTM模型相关研究发表于2021 IEEE International Workshop on Electromagnetics (IWEM)，扩展版发表于《Microwave and Optical Technology Letters》 3. PSO-DVR模型研究已投稿至《IEEE Transactions on Microwave Theory and Techniques》

学术背景与研究目的

研究领域

本研究属于无线通信系统中射频功率放大器（RF Power Amplifier, PA）行为建模领域，涉及集成电路工程与机器学习交叉学科。

研究背景

随着5G新无线电（5G NR）信号的广泛应用，高峰均功率比（Peak-to-Average Power Ratio, PAPR）和大带宽特性导致射频功放工作在非线性区域，产生严重的非线性失真和记忆效应。传统解决方案如功率回退会降低漏极效率，而数字预失真（Digital Predistortion, DPD）技术需要建立精确的功放行为模型。

研究目标

本研究旨在开发基于机器学习算法的新型行为建模方法，针对三类典型功放的挑战： 1. 多晶体管Doherty功放（Dual-Path Amplifier, DPA）的强非线性问题 2. 超宽带毫米波功放的宽带非线性问题 3. 负载调制平衡功放（Load Modulation Balanced Amplifier, LMBA）的多管有源调制强非线性问题

研究方法与流程

1. MP-SVR模型开发

研究对象：三个不同非线性程度的GaN DPA（两个标准双晶体管DPA和一个多晶体管DPA）

模型构建： - 将记忆多项式（Memory Polynomial, MP）函数作为支持向量回归（Support Vector Regression, SVR）的输入项 - 通过核函数将低维非线性问题映射到高维线性空间 - 采用ε-不敏感损失函数控制模型复杂度

实验验证： - 使用不同带宽的5G NR信号作为激励 - 采集输入输出基带信号作为训练和测试数据集 - 对比Volterra级数模型、标准SVR模型、增强型SVR（ASVR）模型

2. ALSTM模型开发

研究对象：多倍频程单管功放和超宽带毫米波功放

模型优化： - 在长短期记忆（Long Short-Term Memory, LSTM）网络中增加增强层 - 通过网格搜索确定最佳参数组合： - 隐藏层神经元数量（128-512个） - 学习率（0.001-0.1） - 批量大小（32-256） - 采用Adam优化算法加速收敛

实验设计： - 使用宽带信号（最高2GHz带宽）激励功放 - 划分70%-30%的训练-测试数据集比例 - 对比LSTM、Volterra、SVR、ASVR和MP-SVR模型

3. PSO-DVR模型开发

研究对象：负载调制平衡功放和宽带GaN DPA

算法改进： - 将分解矢量旋转（Decomposed Vector Rotation, DVR）模型与粒子群优化（Particle Swarm Optimization, PSO）算法结合 - PSO优化阈值分配策略： - 种群规模50-100 - 迭代次数100-200 - 适应度函数采用NMSE指标 - 在非线性区域自动分配更多阈值

验证方法： - 测量不同功率水平下的AM-AM和AM-PM特性 - 分析带外频谱再生情况 - 对比传统DVR模型和Volterra级数模型

主要研究成果

1. MP-SVR模型性能

• 对多晶体管DPA的建模精度显著提升：
  • 相比Volterra模型NMSE提升≥14dB
  • 相比标准SVR模型提升≥10dB
  • 相比ASVR模型提升≥9dB
• 成功解决了多晶体管间相互作用的强非线性建模问题
• 已申请国家发明专利

2. ALSTM模型突破

• 在超宽带场景下的优越表现：
  • 比Volterra模型NMSE提升≥3.3dB
  • 比基础LSTM提升≥3dB
  • 计算复杂度低于传统神经网络
• 特有的门控机制有效捕捉长期记忆效应
• 适用于毫米波频段（24-40GHz）功放建模

3. PSO-DVR创新成果

• 通过优化阈值分配实现：
  • 比Volterra模型NMSE提升≥3dB
  • 比传统DVR模型提升≥2dB
• 在LMBA的强非线性区域表现优异
• 为后续DPD应用提供了更精确的逆模型

研究结论与价值

科学价值

1. 首次将MP函数与SVR算法结合，创造了具有记忆效应的新型回归模型
2. 开发了面向超宽带场景的ALSTM架构，解决了传统RNN梯度消失问题
3. 创新性地将群体智能算法应用于DVR模型优化，提高了阈值分配效率

应用价值

1. 为5G基站中的多晶体管DPA提供了实用化建模方案
2. 毫米波功放模型可支持未来6G通信系统开发
3. PSO-DVR方法为高集成度功放设计提供了新思路

研究亮点

1. 方法论创新：首次将三种机器学习范式（支持向量机、深度学习、群体智能）系统应用于功放建模
2. 性能突破：所有新模型NMSE指标显著优于传统方法
3. 工程实用性：模型复杂度控制在可实时处理范围内，适合DPD应用
4. 跨场景适用性：覆盖从sub-6GHz到毫米波的全频段功放类型

其他贡献

1. 建立了完整的功放行为建模流程规范，包括：
   • 激励信号选择标准
   • 模型结构设计原则
   • 参数优化方法
   • 验证指标体系
2. 提供了不同场景下的模型选择指南：
   • 强非线性场景推荐MP-SVR
   • 宽带场景推荐ALSTM
   • 多管调制场景推荐PSO-DVR
3. 开源了部分模型代码，促进领域研究发展