Patrick Jüschke
Physically Inspired Predistortion of RF Power Amplifiers with Artificial Neural Networks
Reihe: FAU Studien aus der ElektrotechnikMobile communication is rapidly growing. Increasing demands on capacity and bandwidth have to be addressed by future developments. This means higher signal requirements and bandwidth for transceivers in mobile basestations. Transceivers are the component with highest power consumption in a basestation. Especially analog components show different impairments and nonideal behavior with negative effects on energy efficiency and signal integrity. These effects can be analyzed and mathematically described to build a specific digital signal processing algorithm, which mitigates certain effects. This work treats impairments from machine learning perspective. IQ Imbalance of modulators as well as power amplifier nonlinearities are representive impairments with significant influence on the signal quality. These effects are trained to artificial neural networks (ANNs) for digital impairment mitigation. Furthermore it is shown that the ANNs are able to model different impairment effects with a single network and can be simply enhanced by further input parameters to mitigate dynamic effects. Physically inspired modeling of long term memory effects like thermal memory and charge trapping are a special focus of this work.
Der Bedarf an mobiler Kommunikation wächst ständig. Höhere Nachfrage nach Kapazität und Bandbreite müssen durch zukünftige Entwicklungen adressiert werden. Um diese Zielen zu erreichen sind Sende- und Empfangseinheiten für höhere Signalanforderungen und Bandbreiten für Mobilfunkbasisstationen erforderlich. Diese Einheiten verbrauchen die meiste Energie in Basisstationen. Vor allem analoge Komponenten beeinträchtigen die Signalqualität und haben Einfluss auf die Energieeffizienz. Diese Effekte können analysiert und mathematisch in einem digitalen Signalverarbeitungsalgorithmus beschrieben werden um diese Effekte vor zu verzerren und damit abzuschwächen. Diese Arbeit betrachtet diese Effekte aus der Perspektive des maschinellen Lernens. IQ Imbalanz und Nichtlinearitäten von Leistungsverstärkern sind repräsentative Effekte mit großen Einfluss auf die Signalqualität. Diese Effekte werden zur digitalen Vorverzerrung mit künstlichen neuronalen Netzen (KNN) trainiert. Zudem wird gezeigt, das KNN dazu in der Lage sind, mehrere Effekte mit einem Modell abzubilden. Physikalisch inspirierte Modellierung von Langzeiteffekten mit neuronalen Netzen wie dem thermischen Gedächtnis oder Ladungsfallen stehen im besonderen Mittelpunkt dieser Arbeit.