Mostrar el registro sencillo del ítem

Trabajo Fin de Grado

dc.contributor.advisorBecerra González, Juan Antonioes
dc.creatorÁlvarez López, Luises
dc.date.accessioned2019-10-09T17:55:20Z
dc.date.available2019-10-09T17:55:20Z
dc.date.issued2019
dc.identifier.citationÁlvarez 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.urihttps://hdl.handle.net/11441/89549
dc.description.abstractEn 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.abstractIn 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.formatapplication/pdfes
dc.language.isoinges
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleMitigación de efectos no lineales en sistemas de comunicación basado en técnicas de aprendizaje profundoes
dc.title.alternativeApplication of deep learning methods to the mitigation of nonlinear effects in communication systemses
dc.typeinfo:eu-repo/semantics/bachelorThesises
dc.type.versioninfo:eu-repo/semantics/publishedVersiones
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses
dc.contributor.affiliationUniversidad de Sevilla. Departamento de Teoría de la Señal y Comunicacioneses
dc.description.degreeUniversidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicaciónes
idus.format.extent81 p.es

FicherosTamañoFormatoVerDescripción
TFG-2615-ALVAREZ.pdf2.813MbIcon   [PDF] Ver/Abrir  

Este registro aparece en las siguientes colecciones

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Excepto si se señala otra cosa, la licencia del ítem se describe como: Attribution-NonCommercial-NoDerivatives 4.0 Internacional