Modelagem comportamental de amplificadores de potência de radiofrequência usando termos unidimensionais e bidimensionais de séries de volterra

Abstract

Resumo: Este trabalho aborda a modelagem comportamental de amplificadores de potência de radiofrequência (PARFs) utilizando as séries de Volterra, ou seja, modelos não lineares com memória. Neste trabalho, o modelo comportamental utilizado é o equivalente passa-baixas, para reduzir a complexidade computacional. Como contribuições principais, este trabalho apresenta duas novas abordagens para a modelagem comportamental de PARFs. Os modelos propostos são casos particulares das séries de Volterra. Um dos modelos propostos inclui todos os termos unidimensionais e bidimensionais da série de Volterra. No outro modelo proposto, é introduzido um fator de truncamento que permite uma redução adicional na quantidade de coeficientes. Para testar a precisão dos modelos, são usados dados medidos e simulados em PARFs. As precisões dos modelos propostos e de um modelo amplamente utilizado na literatura, o polinômio com memória generalizado (GMP), são comparadas. O GMP é um caso particular dos modelos propostos, uma vez que ele inclui apenas um subconjunto das contribuições presentes nos modelos propostos. Verifica-se que, em comparação com a abordagem anterior, em um cenário de número similar de parâmetros, os modelos propostos reduzem o erro quadrático médio normalizado (NMSE) em até 4,1 dB. Alternativamente, observa- se que, para obter um NMSE inferior a -46 dB, o modelo proposto utiliza 60% menos coeficientes que a abordagem anterior (243 parâmetros ao invés de 602 parâmetros para o GMP)

Abstract: This work addresses the behavioral modeling of RF power amplifiers (PARFs) using the Volterra series, which are non-linear models with memory. In this work, the used behavioral model is the low-pass equivalent, to reduce the computational complexity. This work presents two new approaches for the PARFs behavioral modeling. The proposed models are particular cases of the Volterra series. One of the proposed models includes all one-dimensional and two-dimensional terms of the Volterra series. In another proposed model an additional truncation factor is introduced which allows a further reduction in the number of coefficients. Measured and simulated PARF data are used to test the accuracy of the models. The accuracies of the proposed models and a widely used method in the literature, the GMP (generalized memory polynomial), are compared. The GMP is a particular case of the proposed models, since it contains only a subset of the contributions included in the proposed models. It is found that, in comparison with the prior approach in a scenario of similar number of parameters, the proposed approaches reduce the normalized mean square error (NMSE) by up to 4.1 dB. Alternatively, it is observed that to obtain a NMSE lower than -46 dB, the proposed model uses 60% less coefficients than the previous approach (243 parameters instead of 602 parameters for GMP)