一、PA的非线性困境：为何需要DPD？

功率放大器(PA)是无线通信发射链路中最关键的器件之一，也是效率与线性度这对矛盾体最集中的战场。PA在接近饱和区工作时效率最高，但此时的非线性效应也最为显著——信号产生幅度和相位失真，频谱发生“再生”现象，邻道泄漏功率比(ACPR)恶化，误差矢量幅度(EVM)攀升，严重时甚至导致通信链路中断。

为了兼顾效率与线性度，数字预失真(DPD)技术应运而生。其核心思想并不复杂：在信号进入PA之前，预先叠加一个与PA失真特性“相反”的补偿信号，两者级联后，非线性效应被相互抵消，整体呈现近似线性的响应。DPD的基本实现路径是对PA的逆幅度-幅度(AM-to-AM)和幅度-相位(AM-to-PM)特性进行精确建模，据此生成预失真系数，引入反向失真到输入波形中。

在5G及未来的6G通信系统中，载波频率攀升、信号带宽持续扩大（从20 MHz到200 MHz甚至更宽）、调制阶数不断提高（256-QAM乃至更高），这些趋势使得PA的非线性行为愈发复杂，DPD面临的挑战也随之升级。

二、传统DPD的“天花板”

主流的传统DPD方案基于Volterra级数及其简化变体，其中最具代表性的当属记忆多项式(MP)模型和广义记忆多项式(GMP)模型。

记忆多项式模型可理解为Volterra级数的“对角线简化版”——仅保留Volterra核中对角项的元素，从而在非线性阶数和记忆深度之间取得折中。其预测信号y(n)由如下形式给出：

y(n) = Σ Σ a_{k,q} · x(n−q) · |x(n−q)|^{k-1} (k取奇数，q为记忆深度)

其中k为非线性阶数，q为记忆深度索引，a_{k,q}为对应的复系数。GMP模型在此基础上进一步引入包络偏移项，增强了建模能力。

然而，这些基于多项式的模型存在根本性的局限：

第一，计算复杂度呈指数增长。 当记忆深度和非线性阶数增加时，基函数的数量急剧膨胀。以全Volterra模型为例，其系数数量随非线性阶数和记忆深度的乘积呈组合爆炸，在实际硬件实现中几乎不可行。即便是简化后的MP模型，在宽带场景下所需系数依然可观。

第二，模型表达能力有限。 传统多项式模型本质上假设PA的行为是静态且无记忆的，仅通过多项式来描述输入输出之间的瞬时关系。而在现代宽带通信中，PA表现出强烈的记忆效应——当前输出不仅取决于当前输入，还与前序时刻的信号状态有关。此外，I/Q不平衡、DC偏移、串扰等发射链路缺陷进一步增加了建模难度，传统方法难以全面捕捉这些复杂特征。

第三，缺乏自适应性。 PA的特性会随时间、温度、偏压及器件老化而漂移。传统DPD依赖固定的多项式系数，若要在变化的环境中保持性能，就需要频繁重新标定，这在商用设备中是极大的运维负担。

三、神经网络DPD：AI开辟的新路径

AI与DPD的融合，并非简单地用神经网络“替代”多项式模型，而是从根本上改变了DPD的设计范式。

在与PA的复杂行为博弈中，传统多项式模型像是在用一组固定的“规则”逼近一个高维曲面，而神经网络则通过大量数据“学习”出这个曲面的真实形状。这是两种截然不同的哲学：前者依赖先验的数学结构，后者依赖数据驱动的模式发现。

AI驱动的DPD框架由三个关键步骤构成：

• 步骤一：PA特性表征与数据采集。 通过耦合器将PA的输出信号反馈至接收链路，采集输入输出信号的幅度和相位数据，构建大规模训练数据集。

• 步骤二：后失真神经网络模型的训练。 利用采集的数据，训练一个神经网络来学习PA的逆特性。训练完成后，该网络即可作为预失真器，对基带信号进行预处理。

• 步骤三：模型部署与在线自适应。 将训练好的模型部署到实际系统中，持续监控性能并根据需要进行微调，形成“训练-部署-更新”的闭环。

网络架构的演进

在神经网络的选择上，学术界和工业界已经探索了多种架构：

多层感知机(MLP)与全连接前馈网络是最基础的方案，通过若干隐藏层学习输入信号到预失真输出的非线性映射。这类网络结构简单，参数较少，便于硬件实现。例如TinyMLDPD采用了仅含821个系数的全连接前馈网络，在高精度与低复杂度之间取得了平衡。

LSTM与注意力机制的引入显著提升了模型对PA记忆效应的建模能力。LSTM天然擅长处理时间序列中的长短期依赖关系，这与PA的记忆效应高度吻合。进一步地，有研究在LSTM中集成加性注意力(Attention)机制，使网络能够自主识别关键时间步长，增强了DPD的线性化能力。

时域卷积网络(TCN)则是另一种高效的选择。TCN-DPD架构通过非因果扩张卷积与优化的激活函数相结合，以极少的参数（500个参数即可实现优异性能）完成宽带PA的线性化。

门控循环单元(GRU)与DeltaGRU代表了当前的前沿方向。OpenDPDv2框架中的TRes-DeltaGRU架构在传统GRU基础上引入了时间残差路径，支持时间稀疏性和定点量化的联合优化，大幅降低了推理能耗。

训练方案：从实验室到部署

AI-DPD的训练通常采用间接学习架构(ILA)：首先利用PA的输入输出信号训练一个后失真网络作为PA逆模型，然后将其直接用作预失真器。训练时的损失函数通常结合时域误差（如归一化均方误差NMSE）和频域约束（如ACPR和EVM），以确保模型同时在时域和频域上达成线性化目标。

以MATLAB提供的NN-DPD离线训练流程为例：首先采集PA在不同功率、不同频率下的输入输出波形，将输出信号作为网络输入、输入信号作为目标标签，训练一个全连接神经网络；测试阶段将训练好的网络置于PA之前，验证其预失真性能。

在实际部署中，训练可以采取“离线预训练 + 在线微调”的混合策略：先在实验室环境中用充分的数据训练一个基础模型，部署到现场后利用反馈链路的数据进行增量更新，以适应实际工作环境的变化。

四、技术优势：AI-DPD为何胜出？

与传统基于多项式的方案相比，AI-DPD的优势体现在多个维度：

建模精度更高。 神经网络作为通用函数逼近器，理论上可以拟合任意复杂的非线性关系，无需像多项式那样预设基函数的具体形式。这使得NN-DPD能够同时处理PA的非线性失真、记忆效应以及I/Q不平衡等发射链路缺陷。

参数效率更优。 相比传统多项式需要大量系数来描述高阶非线性（尤其跨越多阶记忆深度时），精心设计的轻量级神经网络可以用更少的参数实现更优的线性化效果。例如SparseDPD仅用64个参数（74%稀疏度）即实现了-59.4 dBc的ACPR和-54.0 dBc的EVM。

自适应性更强。 AI模型天然支持在线学习和自适应更新。当PA特性因温度变化或器件老化而漂移时，模型可以通过反馈数据进行持续微调，无需人工干预。

五、实测效果：数据说话

AI-DPD的线性化效果已经被大量实验验证。以下引用几组公开的基准测试结果：

在OpenDPDv2框架的测试中，FP32精度的TRes-DeltaGRU-DPD模型在3.5 GHz GaN Doherty PA上驱动TM3.1a 200 MHz 256-QAM OFDM信号时，实现了ACPR为-59.9 dBc、EVM为-42.1 dB的优异性能。

TCN-DPD模型在DPA_200MHz数据集上的测试结果显示：ACPR达到-51.58/-49.26 dBc（左/右邻道）、EVM为-47.52 dB、NMSE为-44.61 dB，且仅需500个参数，在缩减至200参数时仍保持优于此前模型的线性化效果。

在FPGA加速器实现方面，SparseDPD在Xilinx Zynq-7Z010 FPGA上以170 MHz运行，在仅消耗241 mW动态功率的情况下，依然达到ACPR为-59.4 dBc、EVM为-54.0 dBc、NMSE为-48.2 dB的表现。

这些数据表明，AI-DPD不仅在线性化性能上大幅超越传统多项式方法，而且通过架构优化和压缩技术，已经具备了在功耗敏感的实际系统中部署的可行性。

六、算力挑战与破解之道

不可否认，神经网络DPD的算力需求是一个需要正视的问题。原始的NN-DPD模型往往依赖大量参数来实现有效线性化，这会在RF系统的数字后端显著增加能耗。对于一个需要在纳秒级时间内完成每样本推理的实时DPD系统来说，算力约束是头等大事。

好消息是，针对这一挑战已经形成了一套系统性的解决方案：

第一，轻量化架构设计。 轻量级神经网络在设计上减少了参数数量，降低了算力需求，并提高了内存利用效率，对于计算资源有限的移动设备和物联网设备特别适用。

第二，剪枝与稀疏化。 非结构化剪枝技术可以在不损失精度的情况下大幅减少有效参数数量。SparseDPD实现了74%的稀疏度，仅用64个参数就达到了与传统方案相当甚至更优的线性化性能。

第三，量化与定点化。 将32位浮点运算转换为8位或更低精度的定点运算，可以成倍降低乘加操作的能耗。OpenDPDv2支持时间稀疏性和定点量化的联合优化，在56%的时间稀疏率下将推理能耗降低了4.5倍，同时保持-51.8 dBc的ACPR和-35.2 dB的EVM。

第四，专用硬件加速。 针对RNN/GRU的专用加速器正在出现。DPD-NeuralEngine是一款基于GRU的超快速、小面积、低功耗DPD加速器，采用22nm工艺实现了6.6 TOPS/W/mm²的能效密度，展示了AI-DPD芯片化部署的巨大潜力。

第五，FPGA协同部署。 基于AI的DPD不仅能提升频谱效率，还可降低功率回退需求和散热压力，尤其是当部署在Agilex FPGA这类专为低时延并行处理设计的硬件上时，效果更为显著。

七、温度变化的挑战与对策

PA的温度敏感性是DPD工程落地中最棘手的问题之一。随着环境温度和芯片结温的变化，PA的增益特性、相位响应以及记忆效应特征都会发生漂移。传统DPD需要定期重新标定来应对这种变化，在商用的5G/6G基站中，频繁的在线标定既中断服务又增加系统复杂度。

AI与DPD的结合为解决这一问题提供了几条行之有效的技术路径：

路径一：温度感知的数据增强训练。 在离线训练阶段，有意识地在不同温度下采集PA的输入输出数据，覆盖从低温（-40℃）到高温（+85℃）的完整工作范围。神经网络通过在这些多温度数据上进行训练，“学会”了在各种温度条件下有效线性化PA的能力，本质上是在模型参数中编码进了温度适应性。

路径二：在线自适应更新。 基于深度强化学习的DPD方案(DRL-DPD)能够在动态环境中持续调整预失真策略，当环境温度变化导致ACLR测量值下滑时，内置的安全强化学习算法会自动触发模型参数的微调，确保信号质量始终维持在合规阈值之上。

路径三：温度嵌入的模型结构。 将温度传感器读数作为神经网络的额外输入特征，使模型能够明确地感知温度变化并自动调整补偿策略。这种方法将温度补偿问题转化为多输入条件下的非线性回归问题，网络可同时学习信号特征和温度信息之间的耦合关系。

路径四：无反馈补偿。 一些研究展示了基于多项式级数扩展的温度补偿方案——通过引入简单的实值温度函数，将温度依赖性直接纳入DPD系数表达式中，从而无需实时反馈路径即可补偿PA的温度诱导行为变化，避免了系数重新计算。

八、未来展望

AI与DPD的融合仍处于快速演进阶段。从算法层面看，Transformer架构和自注意力机制在序列建模上的巨大成功暗示着它们也可能在DPD领域大放异彩；从硬件层面看，随着神经网络加速器的能效比持续提升，在射频前端芯片内部集成AI-DPD引擎将不再是天方夜谭；从系统层面看，“离线训练+在线微调”的边云协同模式有可能成为基站部署的标配。

AI驱动的数字预失真技术正在从实验室走向大规模商用。它不仅仅是一个技术优化方案，更代表了一种范式转型——从基于固定模型的线性化补偿，迈向数据驱动、持续学习和自适应优化的智能化射频系统。在5G-Advanced和6G的舞台上，这场“AI×RF”的跨界融合才刚刚拉开序幕。