Evaluación de un modelo basado en aprendizaje profundo para el modelado y predistorsión de amplificadores de potencia

Abstract

Este Trabajo de Fin de Máster tiene como objetivo estudiar la nueva tendencia existente de usar algoritmos de Machine Learning para el modelado y linealización de amplificadores de potencia. En particular, de entre estos algoritmos se destacan las oportunidades que representan las redes neuronales artificiales, cuyo uso permite obtener modelos de comportamientos estimados más precisos, ya que permiten superar algunas de las limitaciones existentes de los modelos tradicionales. La memoria de este trabajo se inicia planteando el contexto en el que nos encontramos trabajando y se definen los objetivos que se esperan alcanzar. A continuación, se exponen los dos tipos de modelado existentes, presentando algunas de las técnicas más importantes del modelado a nivel de circuito y de comportamiento para amplificadores. El tercer capítulo comienza presentando los elementos característicos de las redes neuronales artificiales. Y finaliza con el análisis de los distintos tipos de redes neuronales existentes utilizadas en el modelado de amplificadores de potencia. Basándose en el análisis del capítulo anterior, el cuarto capítulo explica la estructura de capas que compone al modelo seleccionado para el modelado y linealización del amplificador de potencia utilizado. El quinto capítulo comienza con la presentación de la plataforma sobre la que se ha trabajado, así como del software utilizado. Finaliza realizando ciertas aclaraciones sobre el código generado. Las pruebas y resultados obtenidos tanto en el modelado de comportamiento como en la linealización basada en predistorsión serán expuestos en el sexto capítulo. El capítulo final recoge las conclusiones obtenidas en base a las pruebas realizadas y las líneas futuras de investigación. En él queda reflejado que el uso del Machine Learning en el modelado y linealización de amplificadores de potencia es ya una realidad, ofreciendo un amplio campo de investigación con resultados muy interesantes.

This Master's Thesis aims to study the new existing trend of using Machine Learning algorithms for the modeling and linearization of power amplifiers. Particularly, among these algorithms, it focuses on artificial neural networks, whose use allows obtaining more precise estimated behavioral models, since they can break some of the existing limitations of traditional models. The Thesis report begins by raising the context in which we are working and defining the objectives that are expected to be achieved. The two existing types of modeling are defined next, presenting some of the most important techniques of circuit-level and behavioral modeling. The third chapter begins by presenting the characteristic elements of artificial neural networks. And it ends with the analysis of the different types of existing neural networks used in the modeling of power amplifiers. Based on the analysis of the previous chapter, the fourth chapter explains the layer structure that makes up the selected model for modeling and linearization of the power amplifier used. The fifth chapter begins with the presentation of the platform on which it has been worked, as well as the software used. It finishes by making certain clarifications about the generated code. The tests and results obtained in both behavior modeling and predistortion-based linearization will be presented in the sixth chapter. The final chapter collects the conclusions obtained based on the tests carried out and future lines of research. It is reflected in it that the use of Machine Learning in the modeling and linearization of power amplifiers has already been carried out, offering a wide field of research with very interesting results.