Modelagem comportamental e pré-distorção digital de amplificadores de potência baseadas em redes neurais com arquitetura perceptron de três camadas

Abstract

Resumo: Este trabalho se utiliza das redes neurais artificiais (RNAs) não recursivas, com a topologia perceptron de múltiplas camadas (MLP - Multi Layer Perceptron), como ferramenta para a modelagem comportamental das características de transferência direta e inversa de amplificadores de potência (PAs - Power Amplifiers) para sistemas de comunicação sem fio. São propostas duas estruturas MLP, uma para a modelagem comportamental e outra para a extração do inverso do comportamento do PA, usando um pósdistorçor (PoD - Post-Distorter). Ambos novos modelos apresentaram melhor desempenho computacional e menores erros de modelagem que abordagens anteriores. Sobre o teste do modelo comportamental baseado em 2 redes MLP com 1 saída cada, dois resultados importantes foram obtidos: primeiro, com um número semelhante de números de coeficientes, foi observado que o erro quadrático médio normalizado (NMSE - normalized mean square error) diminui de 1,3 dB com a utilização do modelo proposto em comparação com a abordagem tradicional que utiliza 1 rede MLP com 2 saídas; segundo, em uma situação onde os dois modelos alcançaram um NMSE=-40 dB, observou-se que o número de coeficientes de rede do modelo proposto diminuiu em 40% em relação ao modelo tradicional (de 62 para 38 coeficientes de valores reais). No teste dos resultados do modelo PoD proposto, em comparação com a abordagem tradicional em um cenário de mesma quantidade de coeficientes, foram alcançadas melhorias nas métricas NMSE e na relação de potência do erro no canal adjacente (ACEPR - adjacent channel error power ratio) de 21 dB.

Abstract: This work addresses non recursive multi layer perceptron (MLP) artificial neural networks (ANNs) as a tool for the behavioral modeling of the forward and inverse transfer characteristics of power amplifiers (PAs) for wireless communication systems. Two MLP structures are proposed, one for the PA behavioral modeling and another for the extraction of the PA inverse behavior, using a post-distorter (PoD). Both novel approaches have better performance, in terms of modeling accuracy and computational complexity, than previous approaches. Concerning the MLP-based behavioral modeling test, two important results are obtained. First, in case of similar number of network parameters, it is observed that the proposed RNA-based model can reduce the normalized mean-square error (NMSE) by up to 1.3 dB; second, in a situation of comparable modeling accuracy (NMSE = -40 dB), it is observed that the proposed RNA-based model can reduce the number of network parameters by up to 40% (from 62 to 38 real-valued parameters). Concerning the MLP-based PoD test results, in a scenario of similar number of model coefficients, improvements in NMSE and adjacent channel error power ratio (ACEPR) metrics up to 21 dB are achieved by the use of the proposed MLP-based PoD model.