10280

جبران اثرات غيرخطي تقويت كننده هاي توان در سيستم هاي مخابراتي به كمك يادگيري عميق

كارشناسي

مهندسي برق-مخابرات

1404

دكتر سيد عليرضا نظام الحسيني

1404/11/28

مهندسي برق

Power Amplifiers Nonlinearities Mitigation via Deep learning

اعوجاج‌هاي غيرخطي ايجادشده توسط تقويت‌كننده‌هاي توان يكي از چالش‌هاي اساسي در سامانه‌هاي ارتباطات بي‌سيم هستند، زيرا با افزايش نرخ خطاي سمبل، موجب كاهش قابليت اطمينان كلي سيستم مي‌شوند و راهكارهاي متداول موجود معمولاً در شرايط غيرخطي شديد كارايي لازم را ندارند، چرا كه يا به مدل‌سازي بسيار دقيق تقويت‌كننده توان وابسته‌اند يا از ساختارهاي مدولاسيون با منظومه ثابت استفاده مي‌كنند؛ در اين پژوهش، دو معماري آشكارسازي مبتني بر يادگيري عميق براي رفع اين محدوديت‌ها پيشنهاد شده است كه معماري نخست با استفاده از يك گيرنده مبتني بر شبكه عصبي در كنار مدولاسيون متداول، عملكرد آشكارسازي را در حضور اعوجاج‌هاي غيرخطي بهبود مي‌دهد و معماري دوم كه مدل انتها‌به‌انتها نام دارد، منظومه فرستنده و فرآيند آشكارسازي گيرنده را به‌صورت هم‌زمان در يك چارچوب يكپارچه يادگيري عميق بهينه‌سازي مي‌كند، به‌طوري‌كه نتايج شبيه‌سازي در شرايط خطي، شبه‌خطي و غيرخطي تقويت‌كننده توان نشان مي‌دهد مدل انتها‌به‌انتها به‌صورت پيوسته عملكردي بهتر از آشكارساز مبتني بر بيشينه‌سازي درست‌نمايي و همچنين آشكارساز مبتني بر يادگيري عميق دارد و در سناريوهاي به‌شدت غيرخطي با تطبيق هوشمندانه شكل منظومه و ايجاد مرزهاي تصميم‌گيري غيرخطي متناسب با ويژگي‌هاي تقويت‌كننده توان، موفق به كاهش نرخ خطاي سمبل به ميزان چندين مرتبه بزرگي مي‌شود و اين نتايج نشان مي‌دهد يادگيري انتها‌به‌انتها رويكردي مقاوم، قدرتمند و مقياس‌پذير براي دستيابي به ارتباطات قابل اعتماد در حضور نواقص سخت‌افزاري واقع‌بينانه است.