Modelagem comportamental de amplificadores de potência de RF utilizando redes neurais de ligação funcional com polinômio de chebyshev

Abstract

Resumo: Este trabalho aborda a modelagem comportamental de amplificadores de potencia de RF (PAs RF) utilizando a Rede Neural de Ligacao Funcional (FLNN) com polinomio de Chebyshev (CFLNN). De um ponto de vista matematico, um PA RF pode ser visto como um sistema passa-banda nao linear com memoria. Neste trabalho, diferentemente das abordagens anteriores, a natureza passa-banda do PA RF e imposta ao CFLNN a fim de melhorar o compromisso entre a precisao do modelo e a complexidade computacional. Duas estrategias diferentes para incorporar as restricoes de passa-banda sao investigadas: a primeira estrategia e mudar apenas o processamento dentro do CFLNN e a segunda mudar os sinais de entrada e saida do CFLNN. Os modelos comportamentais baseados em CFLNN propostos sao validados usando dados experimentais medidos em um PA classe AB baseado em transistor GaN (Nitreto de Galio). Verifica-se que, em comparacao com a abordagem caixa-preta anterior, em um cenario de numero similar de parametros, o CFLNN proposto que impoe a restricao de passa-banda modificando seus sinais de entrada e saida reduz o erro quadratico medio normalizado (NMSE) em ate 2 dB e a razao entre a potencia do sinal de erro no canal adjacente e a potencia do sinal de saida na banda passante (ACEPR) em ate 3 dB. Alternativamente, observa- se que, para obter um NMSE inferior a -45 dB, o modelo proposto que impoe a restricao de passa-banda modificando seus sinais de entrada e saida utiliza 80% menos coeficientes que a abordagem anterior (56 parametros ao inves de 281 parametros)

Abstract: This work addresses the behavioral modeling of RF power amplifiers (PAs) using the Chebyshev Functional Link Neural Network (CFLNN). From a mathematical point of view, an RF PA can be seen as a nonlinear bandpass system with memory. In here, differently from previous approaches, the bandpass nature of RF PAs is imposed on the CFLNN in order to improve the trade-off between model accuracy and computational complexity. Two different strategies for incorporating the bandpass constraints are investigated: changing the processing through the CFLNN or changing the CFLNN input and output signals. The proposed CFLNN behavioral models are validated using experimental data measured on a GaN-based class AB PA. It is verified that, in comparison with the previous black-box approach in a scenario of similar number of parameters, the proposed CFLNN that imposes the bandpass constraint by modifying its input and output signals reduces the normalized mean square error (NMSE) up to 2 dB and the adjacent channel error power ratio (ACEPR) up to 3 dB