Approche par réseaux de neurones pour la linéarisation par prédistorsion adaptative des amplificateurs de puissance RF
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".