Predistorsión de amplificadores de potencia con técnicas de aprendizaje distribuido

Abstract

Este trabajo introduce ciertos aspectos que son necesarios para trabajar con el modelado y la linealización de amplificadores de potencia en entornos distribuidos. La problemática de la distorsión en amplificadores de potencia se vuelve más compleja conforme aumentan características como el ancho de banda y que cada vez adquieren mayor demanda en los sistemas de comunicaciones móviles 5G. Además, surge especial interés en técnicas que permitan la computación distribuida, que no solo permite operar sobre dispositivos más simples, sino que también habilita arquitecturas en paralelo, acelerando este tipo de cómputos. Este trabajo trata de combinar técnicas como genetic-based Volterra subespace generator (GVG) para la búsqueda del modelo y el método de dirección alterna de multiplicadores (ADMM) para modelar y linealizar amplificadores de potencia, mediante una solución distribuida. Además, se profundiza en el estudio de la validación, mediante la comprensión del impacto de la relación potencia de pico a potencia promedio (PAPR) en métricas como la divergencia de Kullback-Leibler. Éstas, se pusieron a prueba con señales 5G-NR con un ancho de banda de 50 MHz, demostrando que ADMM es capaz de alcanzar prestaciones competitivas al comparar con la resolución por mínimos cuadrados.

This work introduces certain aspects that are necessary to work with the modelling and linearisation of power amplifiers in distributed environments. The problem of distortion in power amplifiers becomes more complex as features such as bandwidth grow and are increasingly in demand in 5G mobile communications systems. In addition, there is a special interest in techniques that enable distributed computing, which not only allows operating on simpler devices, but also enables parallel architectures, accelerating this type of computation. The combination of techniques such as genetic-based Volterra subspace generator (GVG) for model search and the alternating direction method of multipliers (ADMM) for modelling and linearising power amplifiers, by means of a distributed solution, is proposed. In addition, the study of model validation is further explored by understanding the impact of the peak-to-average power ratio (PAPR) on metrics such as Kullback-Leibler divergence. These were tested on 5G-NR signals with a bandwidth of 50 MHz, demonstrating that ADMM is able to achieve competitive performance when compared to least squares resolution.