深度学习通过新颖的合成方法推动Doherty功率放大器设计

研究人员开发了一种使用深度学习设计Doherty功率放大器的新颖方法，特别是深度卷积神经网络（CNN）结合遗传算法（GA）和双态阻抗合成。该方法解决了输出组合器中负载调制、阻抗匹配和相位补偿的复杂集成问题。使用该方法制造的原型在2.6-2.8 GHz范围内实现了超过44.2 dBm的饱和输出功率和高于71.2%的峰值漏极效率，在6 dB回退电平下漏极效率为64%。在数字预失真后，记录到的邻道泄漏比优于-51.3 dBc。 AI

影响 这项研究通过提高放大器性能，可能带来更高效、更强大的无线通信系统。

排序理由 该集群包含一篇详细介绍电子元件设计新技术的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.AI 阅读 →

• 2.6-2.8 GHz
• deep learning
• Digital predistortion of signals
• Doherty power amplifier system
• Dual-State Impedance Synthesis
• GaN HEMT-based Voltage Controlled Oscillators
• Genetic Algorithms
• Pixelated Combiners

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →