DPD算法问题.docVIP

DPD疑难问题 1. 关于结构框架 1.DPD表格结构是怎样的,总体的框架是什么样子? 两维结构，11x53 共11张大表，以1dB步进。每张大表里面，分53个等级。 2.什么是AQMC,为什么需要AQMC,AQMC的原理是什么? Analog Quadrature Modulator Compensation Gain/Phase imbalance 2. 关于自适应训练 1.预失真参数的结构是什么样子的? ，记忆多项式－――通用记忆多项式 2.由预失真参数获得预失真表格的原理是什么? 预失真参数表格化维纳非线性理论。 Take one of the simple PDC for the example. The output of the PDC isand the input is. Note, the detailed information of the PDC is described in the document DPD_HW.doc. If the readers expect to know more, please read the document. So First, we move the region from to (-1 1). Therefore the From the Weierstrass theorem described in [2], assume that is the equation of the line that is a best fit on the interval [-1 1]. The first two normalized Legendre polynomials of are shown below: And the So, 3. 11张表格的优先级是根据什么原则确定的？ 基于一些测试假设，当平均功率比额定小10dB左右，不用做预失真，其ACPFR也可以满足性能指标要求。 4.预失真参数估计的原理是什么? 间接学习模型，这样不需要先估计功放模型参数，再对参数进行反转，以避免反转时出现不可逆。 5.如何保证迭代过程中不会下坏表？如果已经下了坏表，如何恢复？ 目前对预失真表没有做过多的判断，仅仅对当前预失真表和上一次预失真表的增益进行了比较，防止因为异常情况而导致的突变。 6.如果在更新表格之前检验表格的有效性，什么样的校验准则？为什么？ 没有对表格的有效性进行检测，以后需要考虑增加校验机制。 7.如何保证新下载的表格优于被替换表格，是否采用切片下表？ 当前的算法没有该机制，因为实现非常复杂。 关于样本 一次采集的训练样本点数是根据什么准则确定的（例如4096和8192点）？ 目前是10000个点，经过测试发现，降到4000个点左右，对性能基本没有恶化。 一次训练是否采集多组训练样本计算，然后对结果进行处理？ 每次仅仅采集一组数据进行训练，后面依次进行迭代更新，并不断收敛。 采集数据时是否加入样本筛选，怎么筛选。 采集数据时，对数据进行一定的筛选，主要是通过检测其平均功率和瞬时功率是否发生变化，从达到跟踪峰均比变化的作用。 关于记忆效应相关策略 矩阵求伪逆的精度对最后的结果影响很大。请问，该如何进一步提高其精度？对于现有的改进策略，如矩阵分解再结合LMS、RLS等方法，你是如何评判的？在精度和数值稳定性方面如何平衡取舍？有没有更好的方法？ 矩阵求逆时，其精度和数字稳定性之间必需要做这种，通过实际代码的测试，可以获得准最优的精度参数，以保证DPD性能。 对于一次超过8000点样本求伪逆过程中，DSP的资源开销非常的大，是不是采用按照功率段分别求取方式，来降低每次求伪逆的开销，如何实现？ 目前没有考虑分段处理，后续可以考虑分成多个小数据段，计算后再求平均。分段的好处时，可以将到数据都移到片内，从而提高代码的运行效率。 记忆深度和多项式阶数如何确定？每层记忆深度用不同的多项式阶数还是相同的？ 针对每一个批次的功放，通过有哪些信誉好的足球投注网站得到最优的参数。每个PDC的多项式阶数可以相同也可以不同，通常是不相同的。 记忆效应的表格是整体求还是分段求？更新的时候是整体更新还是分段更新？ 如果是分段求，分段更新，能带来什么益处？ 如果是分段求，分段更新，如何连接各段表格？ 表格是整体在一起求，不单独区分无记忆和记忆。 关于表格 表格分段求取会使得预失真表格存在不可导的拐点，这样的拐点对预失真性能有哪些影响？ 目前为止，没有发现这样的现象。说的多项式拟合或数值外推吗？ 表格索引用采用功率索引和模