Approche par réseaux de neurones pour la linéarisation par prédistorsion adaptative des amplificateurs de puissance RF
Notice bibliographique
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.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».