Аннотация:
В данной статье осуществляется сравнение эффективности некоторых современных методов и практик стохастической оптимизации применительно к задаче цифрового предыскажения сигнала (DPD), которое является важной составляющей процесса обработки сигнала на базовых станциях, обеспечивающих беспроводную связь. В частности, рассматривается два круга вопросов о возможностях применения стохастических методов для обучения моделей класса Винера–Гаммерштейна в рамках подхода минимизации эмпирического риска: касательно улучшения глубины и скорости сходимости данного метода оптимизации и относительно близости самой постановки задачи (выбранной модели симуляции) к наблюдаемому в действительности поведению устройства. Так, в первой части этого исследования внимание будет сосредоточено на вопросе о нахождении наиболее эффективного метода оптимизации и дополнительных к нему модификаций. Во второй части предлагается новая квази-онлайн-постановка задачи и, соответственно, среда для тестирования эффективности методов, благодаря которым результаты численного моделирования удается привести в соответствие с поведением реального прототипа устройства DPD. В рамках этой новой постановки далее осуществляется повторное тестирование некоторых избранных практик, более подробно рассмотренных в первой части исследования, и также обнаруживаются и подчеркиваются преимущества нового лидирующего метода оптимизации, оказывающегося теперь также наиболее эффективным и в практических тестах. Для конкретной рассмотренной модели максимально достигнутое улучшение глубины сходимости составило 7 % в стандартном режиме и 5 % в онлайн-постановке (при том что метрика сама по себе имеет логарифмическую шкалу). Также благодаря дополнительным техникам оказывается возможным сократить время обучения модели DPD вдвое, сохранив улучшение глубины сходимости на 3 % и 6 % для стандартного и онлайн-режимов соответственно. Все сравнения производятся с методом оптимизации Adam, который был отмечен как лучший стохастический метод для задачи DPD из рассматриваемых в предшествующей работе [Pasechnyuk et al., 2021], и с методом оптимизации Adamax, который оказывается наиболее эффективным в предлагаемом онлайн-режиме.
Работа Д. А. Пасечнюка выполнена при финансовой поддержке гранта поддержки ведущих научных школ НШ- 775.2022.1.1. Работа А. М. Райгородского поддержана грантом Российского научного фонда (проект № 21-71-30005).
Поступила в редакцию: 15.01.2022 Принята в печать: 13.02.2022
Реферативные базы данных:
Тип публикации:
Статья
УДК:519.856
Язык публикации: английский
Образец цитирования:
A. V. Alpatov, E. A. Peters, D. A. Pasechnyuk, A. M. Raigorodskii, “Stochastic optimization in digital pre-distortion of the signal”, Компьютерные исследования и моделирование, 14:2 (2022), 399–416
\RBibitem{AlpPetPas22}
\by A.~V.~Alpatov, E.~A.~Peters, D.~A.~Pasechnyuk, A.~M.~Raigorodskii
\paper Stochastic optimization in digital pre-distortion of the signal
\jour Компьютерные исследования и моделирование
\yr 2022
\vol 14
\issue 2
\pages 399--416
\mathnet{http://mi.mathnet.ru/crm975}
\crossref{https://doi.org/10.20537/2076-7633-2022-14-2-399-416}
\mathscinet{http://mathscinet.ams.org/mathscinet-getitem?mr=4392447}
Образцы ссылок на эту страницу:
https://www.mathnet.ru/rus/crm975
https://www.mathnet.ru/rus/crm/v14/i2/p399
Эта публикация цитируется в следующих 2 статьяx:
Minte Zhang, Tong Guo, Guodong Zhang, Zhongxiang Liu, Weijie Xu, “Physics-informed deep learning for structural vibration identification and its application on a benchmark structure”, Phil. Trans. R. Soc. A., 382:2264 (2024)
Madhava Gaikwad, Ashwini Doke, 2023 7th International Conference on Intelligent Computing and Control Systems (ICICCS), 2023, 1193
Цитирование в формате AMSBIB
Обратная связь: