Apr, 2024

MP-DPD: 低复杂度的混合精度神经网络用于宽带功率放大器的高能效数字预畸变

PDF
TL;DR应用混合精度神经网络降低功耗的数字预失真（DPD）技术，在无线电系统中实现了高效的信号线性化、降低能耗，并取得了与 32-bit 浮点精度 DPDs 相当的性能指标。
digital pre-distortiondpdneural networksenergy-efficientlow-precision parameters
发现论文，激发创造
  • OpenDPD: 一个用于宽带功放建模和数字前置失真的开源端到端学习和基准测试框架

    通过使用 PyTorch 构建的开源框架 OpenDPD，该论文提出了一种新的 DGRU-DPD 方法，用于修正宽带功率放大器中的非线性问题，并与先前的 DPD 模型进行了比较，结果表明在 DTX 架构中，DGRU-DPD 在数字 PA DPA 中表现优异，并且公开了相关的代码、数据集和文档。

    Jan, 2024

  • 毫米波有源天线阵列的分段数字预畸变：算法与测量

    本文提出一种基于数字预畸变技术对毫米波天线阵列进行线性化的新框架，并提出了一种区域分割方法和低复杂度的参数学习算法，以及一个剪枝算法来弥补波束控制对性能的影响，实现了优秀的线性化效果，适用于 5G NR 标准，并在性能上优于现有技术。

    Mar, 2020

  • 准确、无乘法的深度神经网络的硬件 - 软件协同设计

    通过动态定点数编程，将深度神经网络（DNNs）从浮点数向量转换为 8 位定点数，从而实现低功耗和能耗，并增加分类准确性。

    May, 2017

  • 朝能效巨型 MIMO 迈进：利用图神经网络预编码以减轻非线性功率放大器畸变

    在扭曲受限的情况下，使用图形神经网络来学习通道和预编码矩阵之间的映射，以最大程度地提高受非线性畸变影响的总速率，增加能效。

    Dec, 2023

  • 学习补偿：5G 功率放大器补偿的深度神经网络框架

    本文提出了一种基于深度神经网络和数字预畸变来补偿 5G 通信中功率放大器的非线性和记忆效应的框架，该框架能够有效地降低这些效应并取得了较好的优化结果。

    Jun, 2021

  • 深度神经网络的超低精度无乘训练

    本文提出了一种自适应分层比例缩放的位编码量化（ALS-POTQ）方法和无乘积 MAC 的方法（MF-MAC），可以消除线性层中所有 FP32 乘法和重量偏差校正和参数化比率裁剪技术来提高稳定性和提高准确性，从而获得比现有方法更高的能源效率和准确性。

    Feb, 2023

  • 基于二次幂量化的神经网络能效硬件加速

    通过使用二次幂量化和基于位移乘累加运算代替传统的乘累加运算，以及基于对数量化的新型剪枝方法，本文在基于 Zynq UltraScale + MPSoC ZCU104 SoC FPGA 的硬件神经网络加速器中实现了 Power-of-Two (PoT) 权重，实现了至少 $1.4x$ 的能效提升。

    Sep, 2022

  • 基于深度学习的一比特正交频分复用接收机

    本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

    Nov, 2018

  • FxP-QNet: 一种用于混合低精度 DNN 设计的训练后量化器，采用动态定点表示

    本文提出一种新的深度神经网络固定点量化框架 (FxP-QNet)，该框架可以在保证网络精度的前提下，根据网络对低精度的需求动态地设计不同精度的量化级别。在基准测试 (ImageNet) 中，模型的内存需求得到了 7.16 倍 - 10.36 倍的压缩，同时准确率只有不到 2% 的损失。

    Mar, 2022

  • PDP: 无需参数的可导修剪就是你所需的

    提出一种高效、有效的训练时裁剪方案 ——Parameter-free Differentiable Pruning（PDP），可适用于各种视觉和自然语言任务，支持无结构裁剪约束，基于训练时动态权重函数生成软裁剪掩码并得到最新的模型大小、精确度和培训成本。

    May, 2023