dc.contributor.advisor | Becerra González, Juan Antonio | es |
dc.creator | Álvarez López, Luis | es |
dc.date.accessioned | 2019-10-09T17:55:20Z | |
dc.date.available | 2019-10-09T17:55:20Z | |
dc.date.issued | 2019 | |
dc.identifier.citation | Álvarez López, L. (2019). Mitigación de efectos no lineales en sistemas de comunicación basado en técnicas de aprendizaje profundo. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla. | |
dc.identifier.uri | https://hdl.handle.net/11441/89549 | |
dc.description.abstract | En este trabajo se presentan tanto el desarrollo matemático e implementación de una red neural compleja
como la aplicación del algoritmo Random Forest al problema de cálculo de importancias de los
regresores utilizados en el modelado, basado en series de Voterra, de un amplificador de potencia. En primer
lugar, se ha realizado una descripción de la situación actual de los algoritmos de aprendizaje profundo. En
esta descripción se han ofrecido detalles sobre su origen, aplicaciones actuales y evolución. Seguidamente,
se presenta una vista en profundidad del campo de las redes neuronales, que concluye con el desarrollo
matemático de una red neuronal compleja. A continuación, se encuentra una introducción teórica a los
amplificadores operacionales, el origen de su comportamiento no lineal y las diferentes soluciones que han
sido estudiadas. La parte experimental se basa en la aplicación del algoritmo de Random Forest al cálculo de
un vector de importancias de regresores, el cual podría ser usado para reducir un modelo de Volterra para
ganar eficiencia energética sin perder demasiada precisión. Para la validación del algoritmo se ha utilizado
una señal 5G-NR de 30 MHz, mientras que el amplificador operacional fue fijado a un punto de operación de
+27:5 dBm de potencia media de salida, correspondiente a 1:2 dB de compresión de ganancia. Los resultados
experimentales muestran las ventajas de este algoritmo respecto a otros. | es |
dc.description.abstract | In this project, both a mathematical development of a Complex Valued Neural Network (CVNN) and the
application of a Random Forest algorithm to Volverra regressors importance estimation are presented.
Firstly, an overview about machine and deep learning algorithms is presented, where details about the
origin, actual application and future are discussed. After this, an insight into the field of artificial neural
networks (ANNs) is offered. This insight concludes with an explanation of the mathematical development of
a CVNN. Following, a theoretical introduction to power amplifiers (PAs), the origin of their nonlinearities
and the different solutions that have been approached is presented. Finally, experimental part is based on the
application of Random Forest to Volterra regressors importance calculation, from which pruning decisions
can be made. The validation of the presented technique was executed over a 30 MHz 5G-NR signal. The
PA operating point was fixed to +27:5 dBm of average output power which corresponds to 1:2 dB of gain
compression. Experimental results are illustrated with figures which show the advantages of this algorithm
against others. | es |
dc.format | application/pdf | es |
dc.language.iso | ing | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Mitigación de efectos no lineales en sistemas de comunicación basado en técnicas de aprendizaje profundo | es |
dc.title.alternative | Application of deep learning methods to the mitigation of nonlinear effects in communication systems | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Teoría de la Señal y Comunicaciones | es |
dc.description.degree | Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación | es |
idus.format.extent | 81 p. | es |