Estudo comparativo entre as arquiteturas de identificação de pré-distorcedores digitais através das aprendizagens direta e indireta

Abstract

Resumo: A pré-distorção digital em banda base (DPD) é uma solução econômica no intuito de melhorar o compromisso entre a linearidade e a eficiência de amplificadores de potência (PAs) para comunicações sem fio. O projeto da DPD inclui a identificação de parâmetros de um modelo da pós-inversa ou da pré-inversa. Esse processo é baseado em medições de sinais de envoltória de valor complexo de tempo discreto. Para sinais com grande largura de banda e quando a operação do PA é feita em regimes fortemente não-lineares, os requisitos sobre a frequência de amostragem são muito rigorosos. Para relaxar as especificações no conversor analógico-digital (ADC) e digital-analógico (DAC), pode-se usar uma frequência de amostragem reduzida, ou empregar um polinômio com memória de largura de banda limitada. Além disso, para reduzir a quantidade de cálculos em uma aplicação em tempo real, os polinômios podem ser substituídos por tabelas de busca (LUTs) interpoladas linearmente. A contribuição deste trabalho é apresentar um estudo comparativo entre as arquiteturas de aprendizagem indireta (pós-inversa) e direta (pré-inversa) para a identificação de parâmetros de uma DPD aplicada em quatro cenários de frequência de amostragem reduzida. Após uma discussão teórica, os quatro estudos de caso são relatados, com base em um sinal com envoltória LTE OFDMA e o modelo polinômio com memória (MP). Os resultados da simulação em Matlab mostram que a aprendizagem indireta oferece uma capacidade de linearização muito próxima em relação à aprendizagem direta, porém exigindo um custo computacional significativamente menor. Palavras-chave: Amplificadores de potência, aprendizagem direta, aprendizagem indireta, comunicações sem fio, linearização, LUT, polinômio com memória de largura de banda limitada, pré-distorcedor digital, subamostragem.

Abstract: Digital baseband pre-distortion (DPD) is a cost-effective solution to improve the compromise between linearity and efficiency of power amplifiers (PAs) for wireless communications. The DPD design includes the parameter identification of a post-inverse or a pre-inverse model. This process is based on discrete-time complexvalued envelope signal measurements. For larger envelope bandwidths and stronger nonlinear regimes, the sampling frequency requirements are very stringent. To relax the specifications on the analog-to-digital (ADC) and digital-to-analog converter (DAC), a reduced sampling frequency, or the application of a limited bandwidth memory polynomial can be employed. Furthermore, to reduce the amount of calculations in a real-time application, polynomials can be replaced by linearly interpolated lookup tables (LUTs). This work contribution is to report a careful comparison between indirect (post-inverse) and direct (pre-inverse) learning architectures for the DPD identification, applied in four scenarios of reduced sampling frequency. After a theoretical discussion, the four case studies are reported, based on an LTE OFDMA envelope signal and the memory polynomial (MP) model. The results of the simulation in Matlab show that indirect learning offers a linearization capability that is very close to direct learning, but requires a significantly lower computational cost. Key-words: Band-limited memory polynomial, digital pre-distorter, direct learning, indirect learning, linearization, LUT, power amplifiers, subsampling, wireless communications.