Produto entre perceptron de camadas múltiplas e filtro de resposta ao impulso finita aplicado na modelagem comportamental de amplificadores de potência

Abstract

Resumo : A modelagem de amplificadores de potência (PAs) é essencial na concepção e otimização de sistemas de comunicação sem fio. Eles são componentes fundamentais nesses sistemas, pois são responsáveis por aumentar o sinal a um nível que pode ser transmitido a longas distâncias. No entanto, os PAs são dispositivos altamente não lineares e o seu comportamento pode ser afetado por uma série de fatores. Por isso, são necessários modelos precisos dos amplificadores de potência para prever o seu comportamento e otimizar o desempenho do sistema. Entre esses métodos, existem modelos polinomiais baseados em filtros digitais de resposta ao impulso finita (FIR) e modelos baseados em redes neurais. Com base nisso, a partir de um determinado modelo polinomial, uma nova topologia foi criada para substituir parte do modelo por uma rede neural do tipo perceptron de três camadas (TLP). Obteve-se um Erro Quadrático Médio Normalizado (NMSE) de -43,8815 dB para o modelo polinomial com P=5 (66 coeficientes), enquanto que para o modelo com a rede neural obteve-se um NMSE de -44,0168 dB para N=10 neurônios na camada oculta (68 coeficientes). Isso evidencia que a substituição parcial por uma rede neural pode aumentar a precisão da modelagem sem exigir um aumento significativo no número de coeficientes

Abstract : Behavioral modeling of power amplifiers (PAs) used in wireless communication systems is fundamental to ensure signal integrity and overall system efficiency. Among the traditional approaches, polynomial models with memory, such as those based on finite impulse response (FIR) digital filters, are widely employed to capture nonlinearities and memory effects inherent to these devices. Recently, neural network-based methods have emerged as promising alternatives due to their ability to represent highly nonlinear relationships. This work proposes a hybrid structure that combines a polynomial model with a three-layer perceptron (TLP) neural network, replacing part of the traditional model with a learning-based neural architecture. The performance evaluation was validated using the Normalized Mean Square Error (NMSE) metric. Results show that the hybrid model outperformed the conventional one: while the polynomial model with order P=5 and 66 coefficients yielded an NMSE of -43.8815 dB, the hybrid model with 10 hidden layer neurons and 68 coefficients achieved an NMSE of -44.0168 dB. These results highlight the potential of the hybrid approach for future applications in transmission systems requiring high accuracy and linearity. This shows that the partial replacement with a neural network can improve modeling accuracy without requiring a significant increase in the number of coefficients