استفاده از شبكه‌هاي عصبي در طراحي واحد پيش‌اعوجاج براي تقويت‌كننده توان راديويي

اصفهان : دانشگاه صنعتي اصفهان

برق - الكترونيك

كارشناسي ارشد

در دهه‌هاي اخير، صنعت مخابرات شاهد رشد چشمگير استفاده از دستگاه‌هاي مختلف از جمله تلفن‌هاي همراه و رايانه‌هاي قابل حمل بوده است. اين رشد نيازمند سيستم‌هايي با راندمان بالا و مصرف توان كمتر مي‌باشد. طراحي تقويت‌كننده‌هاي توان يكي از چالش‌هاي اصلي در اين زمينه است كه نيازمند بهبود همزمان راندمان و خطي بودن تقويت‌كننده‌ها مي‌باشد. اين مسئله منجر به توسعه تكنيك‌هاي پيش‌اعوجاج براي بهبود رفتار خطي تقويت‌كننده‌ها شده است. تقويت‌كننده‌هاي توان با راندمان بالا معمولاً همراه با اعوجاج‌هايي هستند كه موجب افزايش ميزان خطا و كاهش بهره‌وري داده‌ها مي‌شوند. در سيستم‌هاي مخابراتي نوين، مانند مدولاسيون‌هاي OFDM و QAM كه نسبت توان حداكثر به ميانگين توان (PAPR) بالايي دارند، نياز به خطي‌سازي دقيق دامنه به دليل تغييرات شديد در دامنه افزايش مي‌يابد. تقويت‌كننده‌هاي توان در اين سيستم‌ها دچار اشباع مي‌شوند كه منجر به كاهش راندمان و از دست رفتن اطلاعات مي‌گردد. همچنين، به دليل اينكه بيشترين توان در سيستم‌هاي فرستنده مخابراتي توسط بلوك تقويت‌كننده توان مصرف مي‌گردد، كاهش توان مصرفي و افزايش راندمان اين بلوك تأثير به‌سزايي در مصرف كل توان فرستنده دارد. بنابراين، خطي‌سازي تقويت‌كننده‌هاي توان براي حفظ كيفيت سيگنال و بهبود بازدهي بسيار اهميت دارد. هدف اصلي اين پژوهش، طراحي و پياده‌سازي يك واحد پيش‌اعوجاج ديجيتال براي تقويت‌كننده‌هاي توان راديويي است. اين واحد پيش‌اعوجاج بايد به گونه‌اي طراحي شود كه نشت سيگنال به كانال‌هاي مجاور را به حداقل برساند و ميزان عقب‌نشيني از توان حداكثر تقويت‌كننده را كاهش دهد. در اين پژوهش، از شبكه‌هاي عصبي و يادگيري عميق براي طراحي واحد پيش‌اعوجاج ديجيتال بهره گرفته شده است. اين واحد پيش‌اعوجاج با استفاده از مدل‌هاي غيرخطي تقويت‌كننده و تخمين وارون آن‌ها، اعوجاج‌هاي ورودي به تقويت‌كننده را جبران مي‌كند. نتايج اين تحقيق نشان مي‌دهد كه استفاده از شبكه‌هاي عصبي و يادگيري عميق مي‌تواند دقت و كارايي بالاتري در مدل‌سازي و جبران اعوجاج‌هاي تقويت‌كننده‌هاي توان فراهم كند. استفاده از شبكه‌هاي عصبي براي مدل‌سازي و جبران اعوجاج، به دليل توانايي اين روش‌ها در يادگيري و تعميم الگوهاي پيچيده، مي‌تواند منجر به بهبود عملكرد سيستم‌هاي پيش‌اعوجاج شود. در اين راستا، اين پژوهش به بررسي مدل‌هاي مختلف شبكه‌هاي عصبي، از جمله شبكه‌هاي عصبي عميق و شبكه‌هاي عصبي پيچشي پرداخته و با بهبود آنها سعي مي‌كند بهترين مدل‌ را براي استفاده در واحد پيش‌اعوجاج انتخاب ‌كند. در نهايت، واحد پيش‌اعوجاج ديجيتال طراحي‌شده پياده‌سازي و ارزيابي مي‌شود تا صحت نتايج تحقيق تأييد گردد. اين واحد پيش‌اعوجاج با استفاده از نرم‌افزار PyTorch شبيه‌سازي و طراحي شده و سپس با استفاده از يك سيستم آماده و برخط مورد ارزيابي قرار مي‌گيرد. نتايج تجربي نشان داده‌اند كه استفاده از واحد پيش‌اعوجاج ديجيتال مي‌تواند بهبود قابل‌توجهي در كيفيت سيگنال و كاهش نشت سيگنال به كانال‌هاي مجاور به همراه داشته باشد. همچنين، اين روش منجر به كاهش مصرف توان سيستم و افزايش راندمان كلي آن مي‌شود. اين نتايج نشان‌دهنده قابليت‌هاي بالقوه تكنيك‌هاي پيش‌اعوجاج ديجيتال براي بهبود عملكرد سيستم‌هاي مخابراتي است. اين تحقيق مي‌تواند به بهبود راندمان و عملكرد تقويت‌كننده‌هاي توان كمك كند و راهكاري مؤثر براي جبران رفتار غيرخطي تقويت‌كننده‌ها ارائه دهد. در پياده‌سازي اين پايان‌نامه، از يك سيستم آماده‌شده توسط دانشگاه چالمرز سوئد و داراي تقويت‌كننده توان از مدل $CGH40006$ استفاده شده است. اين سيستم با فركانس مركزي $2.14GHz$ و پهناي باند $200MHz$ كار مي‌كند و تقويت‌كننده داراي توان $6W$ و بهره سيگنال كوچك $13dB$ است. سيگنال استفاده‌شده داراي پهناي باند $160MHz$ و با مدولاسيون $OFDM$ است كه خود متشكل از 4 سيگنال با پهناي باند $40MHz$ و مدولاسيون $QAM$ است. پس از طراحي و پياده‌سازي واحد پيش‌اعوجاج ديجيتال مبتني بر شبكه عصبي، ميزان نشت اطلاعات به كانال‌هاي مجاور كاهش تقريبي $17.5dB$ داشته و همچنين ميزان ميانگين مربعات خطاي نرمال‌شده سيستم به $-46.3dB$ رسيده است.

232279

مدار مجتمع

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان