Ngành truyền thông di động đang phát triển nhanh chóng. Nhu cầu ngày càng tăng về dung lượng và băng thông cần được đáp ứng bằng các phát triển trong tương lai. Điều này có nghĩa là yêu cầu về tín hiệu và băng thông cao hơn đối với các bộ thu phát trong các trạm gốc di động. Bộ thu phát là thành phần tiêu thụ điện năng cao nhất trong một trạm gốc. Đặc biệt, các thành phần tương tự thể hiện nhiều khiếm khuyết và hành vi không lý tưởng, ảnh hưởng tiêu cực đến hiệu suất năng lượng và tính toàn vẹn của tín hiệu. Những ảnh hưởng này có thể được phân tích và mô tả bằng toán học để xây dựng một thuật toán xử lý tín hiệu số cụ thể, giúp giảm thiểu một số ảnh hưởng nhất định. Công trình này xem xét các khiếm khuyết từ góc độ học máy. Sự mất cân bằng IQ của bộ điều chế cũng như tính phi tuyến của bộ khuếch đại công suất là những khiếm khuyết tiêu biểu có ảnh hưởng đáng kể đến chất lượng tín hiệu. Những ảnh hưởng này được huấn luyện cho mạng nơ-ron nhân tạo (ANN) để giảm thiểu khiếm khuyết kỹ thuật số. Hơn nữa, công trình này chỉ ra rằng các ANN có khả năng mô hình hóa các hiệu ứng khiếm khuyết khác nhau bằng một mạng duy nhất và có thể được tăng cường đơn giản bằng các tham số đầu vào khác để giảm thiểu các hiệu ứng động. Mô hình hóa dựa trên vật lý về các hiệu ứng bộ nhớ dài hạn như bộ nhớ nhiệt và bẫy điện tích là trọng tâm đặc biệt của công trình này.

Abstract:

Mobile communication is rapidly growing. Increasing demands on capacity and bandwidth have to be addressed by future developments. This means higher signal requirements and bandwidth for transceivers in mobile basestations. Transceivers are the component with highest power consumption in a basestation. Especially analog components show different impairments and nonideal behavior with negative effects on energy efficiency and signal integrity. These effects can be analyzed and mathematically described to build a specific digital signal processing algorithm, which mitigates certain effects. This work treats impairments from machine learning perspective. IQ Imbalance of modulators as well as power amplifier nonlinearities are representive impairments with significant influence on the signal quality. These effects are trained to artificial neural networks (ANNs) for digital impairment mitigation. Furthermore it is shown that the ANNs are able to model different impairment effects with a single network and can be simply enhanced by further input parameters to mitigate dynamic effects. Physically inspired modeling of long term memory effects like thermal memory and charge trapping are a special focus of this work.

Ngôn ngữ:	eng
Tác giả:	Jüschke, Patrick
Thông tin nhan đề:	Physically Inspired Predistortion of RF Power Amplifiers with Artificial Neural Networks
Nhà xuất bản:	FAU University Press
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	https://creativecommons.org/licenses/by-sa/4.0/
Nguồn gốc:	https://directory.doabooks.org/handle/20.500.12854/170246
Mô tả vật lý:	132tr
Năm xuất bản:	2023