Measured PA Datasets

用于OpenDPD框架的功率放大器测量数据集，包含200 MHz OFDM信号的数字功率放大器数据。

A power amplifier measurement dataset for the OpenDPD framework, containing digital power amplifier data of 200 MHz OFDM signals.

原始信息汇总

数据集概述

数据集名称: Measured PA Datasets

数据集内容: 包含数字功率放大器（PA）的测量数据，具体包括200 MHz OFDM信号的数据集。

数据集结构:

└── datasets └── DPA_200MHz

数据集使用

数据集用途: 用于训练和验证数字预失真（DPD）模型，以及PA的行为模型。

数据集处理:

• 数据分割: 数据集按照8:2:2的比例分为训练集、测试集和验证集。
• 数据预处理: 原始数据被分割成短帧，以增强训练过程的效率。

数据集命令行操作:

1. PA模型训练:

   python main.py --dataset_name DPA_200MHz --step train_pa --accelerator cpu

2. DPD模型训练:

   python main.py --dataset_name DPA_200MHz --step train_dpd --accelerator cpu

3. DPD模型验证:

   python main.py --dataset_name DPA_200MHz --step run_dpd --accelerator cpu

数据集环境要求

环境配置: 项目测试环境为PyTorch 2.1，运行于Ubuntu 22.04 LTS。

环境安装:

• 使用Miniconda创建Python环境，并安装必要的库，如PyTorch、numpy等。

• 示例命令:

  conda create -n pt python=3.11 numpy matplotlib pandas scipy tqdm pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

数据集贡献

贡献方式: 用户可以贡献自己的骨干神经网络、预训练模型或测量PA数据集，以丰富和完善OpenDPD项目。

搜集汇总

数据集介绍

构建方式

该数据集的构建基于对数字发射机输出的基带I/Q信号的采集与预处理，旨在为功率放大器（PA）的行为建模提供高质量的数据支持。原始数据通过分段处理，以缓解梯度消失问题，并增强训练过程的效率。数据集包含了来自数字发射机的三种不同信号带宽，并按照8:2:2的比例划分为训练集、测试集和验证集，确保了模型的全面评估。

特点

该数据集的主要特点在于其针对功率放大器建模的专门设计，涵盖了多种信号带宽，能够有效支持深度学习框架中的序列到序列学习方法。此外，数据集的分段处理和合理的划分比例，使得模型训练过程更加稳定和高效。通过提供详细的信号数据，该数据集为研究数字预失真（DPD）技术提供了坚实的基础。

使用方法

使用该数据集时，用户可以通过提供的命令行接口进行端到端（E2E）训练，包括数据采集与预处理、PA建模、DPD学习和验证实验等步骤。具体操作包括运行`main.py`脚本，并根据需要选择不同的步骤和加速器（如CPU或GPU）。此外，用户还可以通过提供的脚本文件（如`train_all_pa.sh`和`train_all_dpd.sh`）快速复现研究结果，确保实验的可重复性。

背景与挑战

背景概述

Measured PA Datasets（测量功率放大器数据集）是由Yizhuo Wu等研究人员在2024年创建的，旨在支持OpenDPD框架的开发与验证。该数据集主要用于建模功率放大器（PA）和数字预失真（DPD），通过提供实际测量的PA数据，帮助研究人员训练和验证深度学习模型。该数据集的创建不仅为功率放大器的行为建模提供了高质量的数据支持，还推动了数字预失真技术在无线通信领域的应用。

当前挑战

Measured PA Datasets在构建过程中面临的主要挑战包括：1）数据采集与预处理的复杂性，尤其是如何从功率放大器中获取高质量的基带I/Q信号，并进行有效的数据分割与增强；2）模型训练的稳定性与效率，特别是在处理长序列数据时，如何避免梯度消失问题并提升训练效果；3）验证与测试阶段的多样性，确保模型在不同PA上的泛化能力。此外，数据集的开放性也带来了如何确保数据隐私与安全的挑战。

常用场景

经典使用场景

Measured PA Datasets数据集的经典使用场景主要集中在功率放大器（PA）的行为建模与数字预失真（DPD）技术的研究中。该数据集通过提供数字发射机产生的基带I/Q信号，支持端到端的深度学习框架，用于训练PA的行为模型和DPD模型。具体而言，数据集被划分为训练、测试和验证集，用于优化PA模型的性能，并通过DPD模型进一步校正PA的非线性失真，从而提高信号的线性度和效率。

实际应用

在实际应用中，Measured PA Datasets数据集为无线通信系统的设计和优化提供了重要支持。通过使用该数据集训练的PA模型和DPD技术，可以有效减少信号失真，提高发射机的功率效率，从而降低能耗并延长设备寿命。此外，该数据集还支持硬件实现中的低复杂度量化技术，进一步推动了高效能无线通信设备的商业化应用。

衍生相关工作

基于Measured PA Datasets数据集，已衍生出多项经典工作，包括OpenDPD框架和MP-DPD技术。OpenDPD通过端到端的深度学习方法，实现了PA行为建模和DPD的高效训练，而MP-DPD则进一步引入了混合精度量化技术，显著降低了硬件实现的复杂度。这些工作不仅在学术界引起了广泛关注，还为工业界提供了实用的解决方案，推动了无线通信技术的进步。