مقایسه الگوریتم وفقی RPEM و LMS در پیش اعوجاج دهنده دیجیتال با مدل چند جمله ای حافظه دار
Publish place: Third National Conference and First International Conference on Applied Research in Electrical, Mechanical and Mechatronics Engineering
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 374
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ELEMECHCONF03_0756
تاریخ نمایه سازی: 9 مرداد 1395
Abstract:
پیش اعوجاج دهنده دیجیتالی یکی از بهترین روش های خطی سازی تقویت کننده های توان در فرستنده های رادیویی هست. امروزه به علت رشد وسیع مخابرات بی سیم و افزایش پهنای باند اعوجاج های ناشی از تقویت کننده های غیرخطی با لحاظ اثر حافظه مورد بررسی قرار می گیرند، که این مستلزم طراحی پیش اعوجاج دهنده با حذف غیرخطی با اثر حافظه است و همچنین در تقویت کننده های توان به علت تغییرات دما و کهولت قطعات نیاز به معماری یادگیری و الگوریتم وفقی برای تطبیق با این تغییرات بیش از پیش حس می شود. بر همین اساس دراین مقاله از یک پیش اعوجاج دهنده دیجیتال با مدل چند جمله ای حافظه دار استفاده می شود که ضرایب و پارامترهای مدل آن با الگوریتم های وفقی در معماری یادگیری غیرمستقیم به دست می آید. دراین مقاله برای حداقل کردن خطای تخمین ضرایب پیش اعوجاج دهنده دیجیتال با مدل چند جمله ای حافظه دار الگوریتم RPEM پیشنها می شود، که این الگوریتم در مقایسه با الگوریتم های استفاده شده در مقالات مرجع بسیار بهتری دارد. الگوریتم پیشنهادی و الگوریتم متداول LMS در متن مقاله به صورت کامل تشریح می شود و در آخر الگوریتم LMS به طور مشابه شبیه سازی می شود. نتایج به دست آمده برتری عملکرد الگوریتم RPEM نسبت به LMS را نشان می دهد.
Keywords:
Authors
حسین صالح زاده
گروه مهندسی برق، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران
جواد جاویدان
گروه مهندسی برق، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :