# 数字预失真的建模：研究地图与第一批硬证据

> 状态：evidence-backed v1  
> 研究对象：RF 功率放大器（PA）行为建模、逆模型/预失真器建模、参数估计、低复杂度部署与在线自适应。

## 1. 核心判断

数字预失真（DPD）不是单纯“把一个非线性函数拟合得更准”，而是一个受 **带宽、记忆效应、功放工作点、反馈采样、算力/功耗、实时适配速度** 共同约束的多目标系统辨识问题。

研究评价应同时覆盖：

- **线性化能力**：ACLR/ACPR、EVM、NMSE、频谱再生；
- **模型效率**：参数量、MACs、存储、采样率、训练样本量；
- **实时性**：推理时延、模型提取/更新速度；
- **鲁棒性**：跨功率、跨带宽、跨载波配置、温漂与老化；
- **硬件可实现性**：FPGA/GPU/ASIC、定点量化、吞吐与功耗。

## 2. 建模谱系

| 模型家族 | 表达能力 | 复杂度 | 主要价值 | 关键风险 |
|---|---:|---:|---|---|
| Memoryless Polynomial | 低 | 低 | 无记忆基线、快速诊断 | 无法处理宽带记忆效应 |
| Memory Polynomial (MP) | 中 | 低-中 | 工业常用基线 | 复杂交叉记忆表达不足 |
| Generalized Memory Polynomial (GMP) | 中-高 | 中 | 宽带 DPD 经典强基线 | 参数量随阶数/记忆深度增长 |
| Volterra / Pruned Volterra | 高 | 很高 | 理论表达力强 | 组合爆炸、部署困难 |
| CPWL / DVR / LUT / Spline | 中-高 | 低-中 | 可控复杂度、硬件友好 | 分区/节点设计敏感 |
| Neural DPD | 高 | 中-高 | 强非线性、长记忆、联合特征学习 | 数据、稳定性、硬件成本 |
| Physics-informed / Hybrid | 高 | 中 | 结合 PA 先验与学习能力 | 结构设计与训练复杂 |

## 3. 代表性研究者 / 资源锚点

### Anding Zhu — University College Dublin

重点：高频非线性系统建模、PA 行为模型、DPD、模型复杂度控制、采样率降低、动态模型尺寸与快速自适应。UCD RF & Microwave Research Group 的 2024 公开论文继续推进 **多指标 Pareto 模型提取** 与 **动态资源块下的核函数/系数共享 DPD**，说明该团队已从“模型精度”转向“多指标 + 动态资源 + 实时部署”。

### Fadhel M. Ghannouchi — University of Calgary

重点：宽带无线发射机行为建模、DPD、Doherty/高效率 PA、多频带线性化。其与 Oualid Hammi、Mohamed Helaoui 合著的专著是行为建模与预失真体系化入口。

### Pere L. Gilabert — Universitat Politècnica de Catalunya (UPC)

重点：PA 非线性建模、LUT/MP/GMP、特征选择、机器学习 DPD、FPGA/GPU 实现。2024 年工作直接比较 GMP DPD 在 GPU 与 FPGA 上的资源、精度、吞吐与线性化表现，适合做“算法-硬件协同”基准。

### Dennis R. Morgan 等 — Bell Labs / Lucent

2006 年提出 GMP DPD 经典模型，至今仍是大量低复杂度与神经 DPD 论文的核心基线之一。

### Mikko Valkama / Alberto Brihuega / Lauri Anttila 等

重点：大规模阵列、mmWave、OTA/波束相关 DPD 与低复杂度自适应。其 28 GHz、64 单元阵列、400 MHz 5G NR 的工作代表 DPD 从“单 PA”向“阵列级辐射线性化”迁移。

## 4. 必读论文 / 硬证据清单

1. **Morgan, Ma, Kim, Zierdt, Pastalan (2006)**, *A Generalized Memory Polynomial Model for Digital Predistortion of RF Power Amplifiers*, IEEE TSP 54(10), 3852–3860. DOI: 10.1109/TSP.2006.879264.  
   价值：GMP 经典模型，建立 MP + lagging/leading cross-term 的强基线。  
   来源：https://dblp.org/rec/journals/tsp/MorganMKZP06.html

2. **Anding Zhu (2016)**, *Behavioral modeling for digital predistortion of RF power amplifiers: from Volterra series to CPWL functions*.  
   价值：从 Volterra 到 CPWL 的模型约束与实现综述。  
   来源：https://researchrepository.ucd.ie/entities/publication/3aedbfd7-d4ef-4f50-97ad-6318616397f4

3. **Anding Zhu (2015)**, *Decomposed Vector Rotation-Based Behavioral Modeling for Digital Predistortion of RF Power Amplifiers*, IEEE TMTT. DOI: 10.1109/TMTT.2014.2387853.  
   价值：非 Volterra 型行为的紧凑表达。  
   来源：https://researchrepository.ucd.ie/entities/publication/728a6b42-faa6-4a51-80ca-7506440831d7

4. **Yue Li, Xiaoyu Wang, Anding Zhu (2020)**, *Sampling Rate Reduction for Digital Predistortion of Broadband RF Power Amplifiers*, IEEE TMTT 68(3), 1054–1064. DOI: 10.1109/TMTT.2019.2944813.  
   价值：用 1.5× 信号带宽采样实现有效 DPD，并报告相对传统 5× 采样约三分之一功耗，直接指向 DPD 数字前端功耗瓶颈。  
   来源：https://researchrepository.ucd.ie/entities/publication/799cb8c8-20b7-4ba5-89be-e19ff8d62321

5. **Yue Li, Anding Zhu (2020)**, *On-Demand Real-Time Optimizable Dynamic Model Sizing for Digital Predistortion of Broadband RF Power Amplifiers*.  
   价值：模型结构可随工作状态动态增删项，体现“运行时复杂度自适应”。  
   来源：https://researchrepository.ucd.ie/entities/publication/a9c72572-be82-489e-b148-c58b3995d372

6. **H. Yin, A. Zhu (2024)**, *Pareto-Optimal Multimetric Model Extraction for Digital Predistortion of RF Power Amplifiers for Error Spectrum Redistribution*, IEEE TMTT. DOI: 10.1109/TMTT.2024.3467250.  
   价值：从单一 NMSE/ACLR 优化走向多指标 Pareto 优化。  
   来源：https://www.ucd.ie/hertz/publications/

7. **H. Yin, A. Zhu (2024)**, *Combined Kernel Function and Coefficient Sharing for Digital Predistortion of RF Power Amplifiers With Dynamic Resource Block Allocation*, IEEE TMTT. DOI: 10.1109/TMTT.2024.3450718.  
   价值：面向动态 RB 分配，研究模型共享与计算复用。  
   来源：https://www.ucd.ie/hertz/publications/

8. **Wantao Li, Gabriel Montoro, Pere L. Gilabert (2024)**, *GPU versus FPGA implementation of a digital predistortion linearizer for wideband radiofrequency power amplifiers*, AEU 174, 155040. DOI: 10.1016/j.aeue.2023.155040.  
   价值：GMP DPD 的 GPU/FPGA 实现对比，适合作为硬件部署基准。  
   来源：https://www.sciencedirect.com/science/article/pii/S1434841123005149

9. **Alberto Brihuega et al. (2020)**, *Piecewise Digital Predistortion for mmWave Active Antenna Arrays: Algorithms and Measurements*.  
   价值：28 GHz、64 单元、400 MHz 5G NR 阵列实测；说明波束变化会驱动 DPD 频繁更新。  
   来源：https://arxiv.org/abs/2003.06348

10. **Pablo Pascual Campo et al. (2019)**, *Gradient-Adaptive Spline-Interpolated LUT Methods for Low-Complexity Digital Predistortion*.  
    价值：Spline-LUT + 低复杂度梯度自适应，覆盖 sub-6 GHz 与 28 GHz 阵列。  
    来源：https://arxiv.org/abs/1907.02350

11. **Fadhel M. Ghannouchi, Oualid Hammi, Mohamed Helaoui (2015)**, *Behavioral Modeling and Predistortion of Wideband Wireless Transmitters*.  
    价值：行为建模与预失真系统教材级入口。  
    来源：https://onlinelibrary.wiley.com/doi/book/10.1002/9781119004424

## 5. 当前最值得深挖的六个方向

### A. 低复杂度但高表达力的模型结构
目标不是简单增加 NN 深度，而是在 GMP/CPWL/Spline/NN 之间寻找 **Pareto 前沿**：相同 ACLR/EVM 下最小 MACs、参数量与存储。

### B. 动态模型尺寸 / 在线结构选择
PA 工作点、载波数量与带宽不断变化；固定模型会长期过配或欠配。研究重点是 term pruning、gating、动态 kernel/feature selection。

### C. 采样率与反馈链路降成本
反馈 ADC/DAC 与高速采样是 DPD 功耗大头。需要联合研究低采样率辨识、alias cancellation、频带选择与压缩观测。

### D. Neural / Hybrid DPD
重点不是“NN 比 GMP 高 0.x dB”，而是：是否能在相同硬件预算下处理更长记忆、跨工况泛化，并保持稳定在线更新。

### E. Massive MIMO / mmWave / OTA DPD
从“每个 PA 一个 DPD”转向波束域、阵列域、共享 DPD、OTA 反馈与辐射方向上的失真优化。

### F. 硬件感知建模
把 FPGA/GPU/ASIC 的定点位宽、并行度、存储访问、吞吐和功耗直接写入模型目标函数。

## 6. 建议实验基线

第一阶段统一比较：

- MP
- GMP
- Pruned GMP
- DVR / CPWL 或 Spline-LUT
- 轻量 MLP/TCN Neural DPD
- Hybrid GMP + residual NN

所有模型同时输出：NMSE、ACLR/ACPR、EVM、参数量、MACs/sample、训练时间、推理延迟、量化后性能、跨功率/跨带宽泛化。

## 7. 下一步证据深化

1. 为每个核心研究者建立 person/resource card；
2. 建 2018–2026 DPD 论文趋势表，按模型结构、频段、带宽、PA 架构、训练方法、硬件平台分类；
3. 收集公开实验数据/代码，形成可复现实验入口；
4. 单独建立 Neural DPD vs GMP 的公平评测协议；
5. 增加产业资源：基站 SoC/RF 厂商、测试测量平台、FPGA/ASIC 实现链。

## 8. 边界说明

2026 年已经出现把 DPD 用于量子控制链路失真补偿的工作，但其对象从无线 PA 线性化扩展到量子控制通道，应作为“DPD 方法外溢”观察，不与无线发射机主线混为一谈。