摘要 — 随着通信容量的提高，用于数字预失真 (DPD) 以校正宽带功率放大器 (PA) 中非线性的深度神经网络 (DNN) 已变得突出。 然而，在快速 DPD 探索和客观 DPD 模型比较方面，开源和独立于测量设置的平台仍然存在空白。 本文介绍了一个用 PyTorch 编写的开源框架 OpenDPD ，以及用于 PA 建模和 DPD 学习的相关数据集。 我们引入了一个密集门控循环单元 (DGRU)-DPD，通过一种新颖的端到端学习架构进行训练，与模拟 PA 相比，它在具有非常规传输特性的新数字发射器 (DTX) 架构中的数字 PA (DPA) 上的表现优于以前的 DPD 模型。测量结果表明，我们的 DGRU-DPD 实现了 200 MHz OFDM 信号的 -44.69/-44.47 dBc 的 ACPR 和 -35.22 dB 的 EVM。OpenDPD 代码、数据集和文档可在 https://github.com/lab-emi/OpenDPD 上公开获取。索引术语 — 数字预失真、行为建模、深度神经网络、功率放大器、数字发射器