LiveZilla Live Chat Software

Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Approche par réseaux de neurones pour la linéarisation par prédistorsion adaptative des amplificateurs de puissance RF

Doufana Mohamed. (2009). Approche par réseaux de neurones pour la linéarisation par prédistorsion adaptative des amplificateurs de puissance RF. Mémoire de maîtrise, Université du Québec à Chicoutimi.

[img]
Prévisualisation
PDF
3MB

Résumé

Dans ce mémoire, il est présenté des approches de modélisation et de linéarisation des amplificateurs de puissance RF avec des données en ligne (en temps réeî). Premièrement ; il est présenté une approche de modélisation adaptative et dynamique de données en ligne, basée sur les réseaux de neurones à valeurs réelles avec des retards, afin d'obtenir dynamiquement les caractéristiques AM/AM et AM/PM des amplificateurs de puissances RF. Deuxièmement ; les caractéristiques de ce modèle d'amplificateur sont adoptées pour la linéarisation par prédistorsion adaptative du signal d'entrée en bande de base. L'architecture proposée est appropriée pour linéariser adaptativement les circuits AP présentant des effets mémoire. Au lieu d'utiliser l'architecture d'apprentissage indirect, il est proposé une prédistorsion adaptative avec données en ligne pour assurer une adaptation continue sans interrompre le processus d'émission. Les imperfections du modulateur, démodulateur et des circuits CNA/CAN seront automatiquement corrigées, puisqu'ils sont inclus dans la boucle de correction. Il est adopté la prédistorsion en bande de base qui a la capacité de corriger les distorsions à l'intérieur (EVM) et l'extérieur (ACPR) de la bande utile. Dans le cas de l'architecture d'apprentissage indirect, il faut avoir deux blocs de processeur numérique (DSP) indépendants et qui fonctionnent en même temps, un bloc pour la prédistorsion, et l'autre bloc pour l'obtention des paramètres du réseau NN. Cette méthode a des problèmes concernant les bruits présents dans les entrées/sorties du bloc de la prédistorsion. Dans l'architecture proposées dans le présent travail, il est nécessaire d'avoir un seul processeur numérique basée sur des entrées/sorties sans bruits. En utilisant cette architecture de linéarisation, il est démontré, par simulation, que quasiment 25 dB du paramètre ACPR, sont supprimés en permanence après convergence à 350 kHz de décalage de fréquence, avec un modèle avec effets mémoire pour le circuit AP. L'architecture neuronaie proposée est implantée avec le logiciel (Xilinx System Generator (XSG) for DSP) dans l'environnement Matlab/Simulink.

Type de document:Thèse ou mémoire de l'UQAC (Mémoire de maîtrise)
Date:2009
Lieu de publication:Chicoutimi, Québec
Programme d'étude:Maîtrise en ingénierie
Nombre de pages:95
ISBN:9781412315869
Identifiant unique:10.1522/030113069
Sujets:Sciences naturelles et génie > Génie > Génie électrique et génie électronique
Département, module, service et unité de recherche:Départements et modules > Département des sciences appliquées > Programmes d'études de cycles supérieurs en ingénierie
Directeur(s), Co-directeur(s) et responsable(s):Park, Chan Wang
Bahoura, Mohammed
Mots-clés:Amplificateurs de puissance--Modèles mathématiques, Power amplifiers--Mathematical models, Réseaux de neurones, Neural networks (Computer science), LINEAIRE, AMPLIFICATEUR, PUISSANCE, FREQUENCE, RADIO, RADIOFREQUENCE, RESEAU, NEURONE, ADAPTIF, DYNAMIQUE
Déposé le:01 janv. 2009 12:34
Dernière modification:17 déc. 2012 21:00
Afficher les statistiques de telechargements

Éditer le document (administrateurs uniquement)

Creative Commons LicenseSauf indication contraire, les documents archivés dans Constellation sont rendus disponibles selon les termes de la licence Creative Commons "Paternité, pas d'utilisation commerciale, pas de modification" 2.5 Canada.

Bibliothèque Paul-Émile-Boulet, UQAC
555, boulevard de l'Université
Chicoutimi (Québec)  CANADA G7H 2B1
418 545-5011, poste 5630