توصيفگر ها :
تقويت‌كننده توان , شبكه عصبي , خطي سازي , مدل‌سازي غيرخطي , بهبود كيفيت سيگنال
چكيده فارسي :
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.
چكيده انگليسي :
In recent decades, the telecommunications industry has experienced remarkable growth, primarily fueled by the widespread adoption of mobile devices and portable computers. Modern communication frameworks, including advanced modulation schemes like Quadrature Amplitude Modulation (QAM) and Orthogonal Frequency-Division Multiplexing (OFDM), have elevated the demand for amplifiers exhibiting high linearity. High PAPR signals can result in considerable distortion and saturation within amplifiers, ultimately undermining their efficiency. Given that power amplifiers are the most power-intensive components in transmitter systems, their design plays a pivotal role in minimizing energy consumption and enhancing the overall efficiency of communication networks. The primary aim of this research is to design and implement a digital pre-distortion unit specifically for power amplifiers. This unit is developed to mitigate signal leakage to adjacent channels—a critical issue in densely populated frequency bands—while also minimizing the power back-off required for amplifiers. Reducing power back-off allows amplifiers to operate closer to their optimal performance levels. The application of pre-distortion techniques not only enhances linearity but also significantly improves overall system performance by ensuring that transmitted signals remain within acceptable distortion limits. This is particularly important as it directly impacts the user experience, allowing for clearer communication and more reliable connections. In this study, neural networks and deep learning methodologies are utilized to model the non-linear behavior of amplifiers. These advanced computational techniques enable the creation of models that can accurately predict and compensate for the distortions inherent in amplifier operation. By applying inverse estimations, the system effectively cancels out these distortions, resulting in a cleaner and more reliable output signal. This innovative approach leverages the strengths of machine learning to tackle longstanding challenges in telecommunications. Moreover, the adaptability of these models allows for real-time adjustments, enhancing the system’s responsiveness to varying operational conditions. The results of this research demonstrate that employing deep learning and neural networks in the pre-distortion process significantly enhances both accuracy and performance in compensating for the non-linearities of amplifiers. Specifically, the system implemented in this thesis utilizes the CGH40006 power amplifier model designed by Chalmers University in Sweden. The system operates at a central frequency of 2.14 GHz, featuring a 6W amplifier output and a bandwidth of 200 MHz. It effectively supports an OFDM modulated signal with a bandwidth of 160 MHz and a gain of 13 dB. Following the implementation of the digital pre-distortion unit based on neural networks, the results indicate a substantial reduction in the Adjacent Channel Power Ratio (ACLR) to -46.3 dB, which reflects significant improvements in spectral efficiency. Furthermore, an approximate 17.5 dB improvement in overall signal quality was observed, confirming the system's ability to enhance performance meaningfully. These results validate the effectiveness of the proposed pre-distortion unit and highlight the potential for integrating advanced machine learning techniques into modern telecommunications systems. By successfully reducing power consumption, increasing efficiency, and enhancing signal quality, this research contributes to the ongoing evolution of communication technologies. Future work could explore further optimization of the neural network models, as well as their applicability to different amplifier designs and communication protocols. Such exploration could pave the way for even more efficient and reliable systems within the ever-growing telecommunications landscape.
