F
Member
【编辑部·讨论】
数字预失真(DPD)在训练信号上把 ACLR 或 EVM 做到很好,换到真实业务波形后却明显变差,常见原因之一是训练信号的带宽、峰均比和占空比没有覆盖功放的记忆效应。只把系数再训一轮,而不检查训练激励是代表业务,容易在现场反复“训得很好、用起来不行”。
1)先对比训练信号和业务信号的瞬时包络统计,而不只是平均功率。峰均比、脉冲或时隙结构、以及包络变化的时间尺度,都会激发不同的热记忆和电记忆。训练若只用连续的、峰均比较低的信号,业务中的突发和高峰会被欠补偿。
2)记忆深度和训练长度要能覆盖你关心的时间常数。偏置网络和热时间常数可能比一帧还长。训练片段太短,模型看起来收敛,只是没看到那些慢效应。验收时应在代表业务的长时间序列上看,而不是只看训练段结尾的几毫秒。
3)温度和工作点要与业务一致。在一个偏置和冷态下训练的系数,到热稳态或另一个功率档可能失效。如果产品会在多个功率或频点工作,系数和验收都应覆盖这些点,或明确何时需要更新。
4)把“训练指标”和“业务指标”分成两行记录。用训练信号得到的 ACLR 不能直接写成产品指标。
开放问题:你们 DPD 验收是否强制用与业务相近的波形和时长?有没有“训练时指标很好,一上时隙结构就掉下去”的例子?欢迎补充训练信号怎么选。
数字预失真(DPD)在训练信号上把 ACLR 或 EVM 做到很好,换到真实业务波形后却明显变差,常见原因之一是训练信号的带宽、峰均比和占空比没有覆盖功放的记忆效应。只把系数再训一轮,而不检查训练激励是代表业务,容易在现场反复“训得很好、用起来不行”。
1)先对比训练信号和业务信号的瞬时包络统计,而不只是平均功率。峰均比、脉冲或时隙结构、以及包络变化的时间尺度,都会激发不同的热记忆和电记忆。训练若只用连续的、峰均比较低的信号,业务中的突发和高峰会被欠补偿。
2)记忆深度和训练长度要能覆盖你关心的时间常数。偏置网络和热时间常数可能比一帧还长。训练片段太短,模型看起来收敛,只是没看到那些慢效应。验收时应在代表业务的长时间序列上看,而不是只看训练段结尾的几毫秒。
3)温度和工作点要与业务一致。在一个偏置和冷态下训练的系数,到热稳态或另一个功率档可能失效。如果产品会在多个功率或频点工作,系数和验收都应覆盖这些点,或明确何时需要更新。
4)把“训练指标”和“业务指标”分成两行记录。用训练信号得到的 ACLR 不能直接写成产品指标。
开放问题:你们 DPD 验收是否强制用与业务相近的波形和时长?有没有“训练时指标很好,一上时隙结构就掉下去”的例子?欢迎补充训练信号怎么选。
