APA_200MHz

OpenDPDv2是一个统一的框架，用于PA建模、DPD学习和模型优化，以减少功耗同时保持高线性化性能。该框架包含一个名为APA_200MHz的测试信号数据集，由3.5 GHz Ampleon GaN功率放大器（PA）在41.5 dBm平均输出功率下测量得到。该数据集包含5个信道，每个信道40 MHz（200 MHz）的测试信号，为社区提供了精确的PA测量数据，可用于建模、DPD学习和其他数字信号处理算法和系统的潜在开发。

OpenDPDv2 is a unified framework for PA modeling, DPD learning, and model optimization, designed to reduce power consumption while preserving high linearization performance. This framework includes a test signal dataset named APA_200MHz, which was measured using a 3.5 GHz Ampleon GaN power amplifier (PA) at an average output power of 41.5 dBm. The dataset contains 5 channels, each with a 40 MHz bandwidth (totaling 200 MHz) of test signals, providing the research community with precise PA measurement data that can be utilized for modeling, DPD learning, and the potential development of other digital signal processing algorithms and systems.

原始信息汇总

OpenDPD 数据集概述

数据集基本信息

• 名称: OpenDPD
• 开发团队: 代尔夫特理工大学高效机器智能实验室 (Lab of Efficient Machine Intelligence)
• 框架: PyTorch
• 用途: 功率放大器(PA)建模和数字预失真(DPD)的端到端学习框架

版本信息

OpenDPDv1

• 相关论文:
  • ISCAS 2024
  • MWTL 2024
  • MWTL 2025
  • IMS 2025
• 数据集:
  • DPA_100MHz
  • DPA_160MHz
  • DPA_200MHz
• 支持模型:
  • GRU, LSTM, GMP, RVTDCNN, VDLSTM, DGRU, TCN
• 性能指标:
  • DGRU (1041参数): ACPR -58.4 dBc, EVM -39.1 dB

OpenDPDv2

• 相关论文: arXiv
• 数据集:
  • APA_200MHz
  • APA_200MHz_b
• 支持模型:
  • PGJANET, DVRJANET, TRes-DeltaGRU
• 性能指标:
  • TRes-DeltaGRU (996参数): ACPR -59.4 dBc, EVM -42.1 dB

数据集结构

. └── backbone # 特征提取器配置文件 └── datasets # 测量PA数据集 └──DPA_200MHz # 200 MHz OFDM信号的数字功率放大器 └── dpd_out # 自动生成的输出文件 └── log # 实验日志数据 └── modules # 主要功能模块 └── save # 保存的模型 └── steps # 实现步骤 └── utils # 工具库

训练流程

1. 数据获取与预处理:

   • 收集并预处理PA的基带I/Q信号
   • 数据按8:2:2比例划分为训练、测试和验证集

2. PA建模: bash python main.py --dataset_name DPA_200MHz --step train_pa --accelerator cpu

3. DPD学习: bash python main.py --dataset_name DPA_200MHz --step train_dpd --accelerator cpu

4. 量化感知学习: bash python main.py --dataset_name DPA_200MHz --step train_dpd --accelerator cpu --DPD_backbone qgru --quant --n_bits_w 16 --n_bits_a 16

5. 验证实验: bash python main.py --dataset_name DPA_200MHz --step run_dpd --accelerator cpu

引用

bibtex @INPROCEEDINGS{Wu2024ISCAS, author={Wu, Yizhuo and Singh, Gagan Deep and Beikmirza, Mohammadreza and de Vreede, Leo C. N. and Alavi, Morteza and Gao, Chang}, booktitle={2024 IEEE International Symposium on Circuits and Systems (ISCAS)}, title={OpenDPD: An Open-Source End-to-End Learning & Benchmarking Framework for Wideband Power Amplifier Modeling and Digital Pre-Distortion}, year={2024}, volume={}, number={}, pages={1-5}, keywords={Codes;Transmitters;OFDM;Power amplifiers;Artificial neural networks;Documentation;Benchmark testing;digital pre-distortion;behavioral modeling;deep neural network;power amplifier;digital transmitter}, doi={10.1109/ISCAS58744.2024.10558162}}

贡献者

• Chang Gao - 项目负责人
• Yizhuo Wu - 核心开发者
• Ang Li - 核心开发者
• Huanqiang Duan - 贡献者
• Ruishen Yang - 贡献者

搜集汇总

数据集介绍

构建方式

APA_200MHz数据集是通过实验测量构建的，具体流程包括使用R&S-SMW200A信号发生器生成OFDM基带I/Q信号，并通过3.5 GHz GaN Doherty功率放大器（PA）进行放大。输出信号通过R&S-FSW43频谱分析仪进行数字化采集。数据集包含98304个样本，采样率为983.04 MHz，信号带宽为200 MHz，采用256-QAM调制。数据被划分为60%训练集、20%验证集和20%测试集，以确保模型训练的全面性和评估的可靠性。

特点

APA_200MHz数据集具有高带宽（200 MHz）和高阶调制（256-QAM）的特点，适用于宽频带射频功率放大器的建模和数字预失真（DPD）研究。数据集包含高精度的I/Q信号样本，能够有效捕捉功率放大器的非线性特性。此外，数据集还提供了详细的实验设置和测量参数，如平均输出功率（41.5 dBm）和峰值平均功率比（PAPR为10.0 dB），为研究提供了丰富的上下文信息。

使用方法

APA_200MHz数据集主要用于神经网络的训练和评估，特别是在数字预失真（DPD）算法的开发中。研究人员可以使用该数据集训练如TRes-DeltaGRU等神经网络模型，以优化功率放大器的线性化性能。数据集的高带宽特性使其适用于宽频带信号处理任务，同时其划分的训练、验证和测试集支持模型的全面评估和调优。此外，数据集还可用于量化感知训练和动态时间稀疏性研究，以降低计算复杂度和能耗。

背景与挑战

背景概述

APA_200MHz数据集由荷兰代尔夫特理工大学微电子系的研究团队于2025年创建，主要研究人员包括Yizhuo Wu、Ang Li和Chang Gao等。该数据集是OpenDPDv2框架的重要组成部分，专注于宽带射频功率放大器(PA)的数字预失真(DPD)研究。数据集包含从3.5GHz GaN Doherty功率放大器采集的TM3.1a 256-QAM OFDM信号测量数据，带宽达200MHz，采样率为983.04MHz。该数据集的建立为神经网络DPD算法的开发与优化提供了高质量的实验数据，推动了宽带无线通信系统中功率放大器线性化技术的研究。

当前挑战

APA_200MHz数据集面临的主要挑战包括：1) 在解决功率放大器非线性失真问题上，需要应对宽带信号(200MHz)和高阶调制(256-QAM)带来的复杂非线性特性；2) 在数据集构建过程中，需要克服高采样率(近1GHz)下数据采集的硬件限制，确保信号保真度；3) 神经网络DPD模型需要平衡计算复杂度与线性化性能，在保证ACPR低于-45dBc的同时降低能耗；4) 数据集需要准确反映功率放大器的动态特性，包括热漂移和偏置点变化等长期效应。

常用场景

经典使用场景

APA_200MHz数据集作为宽带射频功率放大器（PA）行为建模与数字预失真（DPD）研究的基准测试集，其最经典的使用场景在于支持神经网络DPD算法的开发与验证。该数据集通过捕获3.5 GHz GaN Doherty功率放大器在200MHz带宽、256-QAM OFDM信号激励下的输入输出特性，为研究者提供了高保真的非线性失真特征数据。尤其在OpenDPDv2框架中，该数据集被用于训练TRes-DeltaGRU等新型DPD模型，通过时间稀疏性和量化感知训练优化模型能效比。

解决学术问题

该数据集有效解决了宽带PA非线性建模中的三大核心问题：一是突破了传统Volterra级数方法在超200MHz宽带信号下的性能瓶颈，支持神经网络模型实现-59.4 dBc的邻道功率比（ACPR）；二是通过提供精确的PA测量数据，解决了DPD研究中真实硬件行为建模数据匮乏的问题；三是为量化感知训练提供基准，使得W12A12量化模型在保持-50.3 dBc ACPR的同时降低4.5倍推理能耗，推动了能效优化理论的发展。

衍生相关工作

该数据集催生了多个标志性研究成果：DeltaGRU架构首次引入时间稀疏性概念，获IEEE MWCL 2025最佳论文；MP-DPD提出混合精度训练框架，入选ISSCC 2024；DPD-NeuralEngine基于此开发出22nm 6.6TOPS/W的RNN加速器。开源生态方面，衍生出SparseDPD FPGA加速器和TCN-DPD等时序网络变体，形成完整的算法-硬件协同设计方法论。