Linearization based networks of neurons for power amplifiers
Linéarisation à base de réseaux de neurones pour amplificateurs de puissance
Résumé
The spectacular growth of space telecommunications during the last two decades requires an always higher data transmission speed and a flawless service quality. Nevertheless, in order to optimize the link budget and the spectral efficiency, the embedded High Power Amplifiers (HPA) are used close to their saturation point, which leads to strongly non-linear emitted signals. To circumvent this issue, a linearizer is often implemented before the amplifier. However, the linearization devices used today are not able adapt to different amplifiers or to HPA characteristics drift under the influence of aging and temperature variations : they are not adaptive. The objective of the work presented in this dissertation is the design of an innovating architecture capable of linearizing several HPA transfer characteristics. Analog Neural Networks (ANN) provide attractive performances for non-linear functions modelling and are reconfigurable. They are therefore a relevant choice to respond to this specific issue. First, a patented, innovating, generic, fast and accurate technique to determine the predistortion functions is detailed and used with the characteristics of three HPA provided by the French Space Agency (CNES). Then, the modelling of these predistortion functions with neural networks and behavioral static and dynamic simulations of these networks validate the concept of adaptive analog predistortion based on neural networks. Eventually, an analog predistortion ASIC, designed in a CMOS 0.35μm technology, including a neural network and an innovative configurable phase-shifting circuit, is described. The integrated circuit is able to generate the different predistortion functions and will be later embedded in a test-bench to demonstrate its ability to adaptively linearize several High Power Amplifiers.
L’essor des télécommunications spatiales au cours des deux dernières décennies impose de transmettre les données à des débits toujours plus importants et avec une qualité de service irréprochable. Néanmoins, afin d’obtenir un bilan de liaison et une efficacité spectrale optimaux, l’amplificateur de puissance embarqué doit être utilisé près de sa zone de saturation, ce qui entraîne de fortes non-linéarités des signaux émis. Afin de contourner ce problème, les amplificateurs sont souvent précédés d’un linéariseur. Les dispositifs de linéarisation embarqués actuellement sont toutefois incapables de s’adapter à différents amplificateurs ou de prendre en compte les dérives des caractéristiques des amplificateurs au cours du temps et en fonction de la température : ils ne sont pas adaptatifs. L’objectif de cette thèse est de concevoir une architecture innovante capable de linéariser différentes caractéristiques de transfert d’amplificateurs de puissance. Les réseaux de neurones analogiques offrent des performances intéressantes d’approximation de fonctions non-linéaires et sont reconfigurables. Ils représentent donc une solution pertinente pour répondre à cette problématique. Tout d’abord, une technique innovante, générique, rapide et précise d’extraction des fonctions de prédistorsion, ayant fait l’objet d’un brevet, est présentée et appliquée aux caractéristiques de trois amplificateurs fournies par le CNES. La modélisation de ces fonctions de prédistorsion par des réseaux de neurones valide ensuite, grâce à des simulations comportementales statiques et dynamiques, le concept de prédistorsion analogique adaptative par réseaux de neurones. Enfin, un ASIC analogique de prédistorsion, développé en technologie CMOS 0, 35μm, comprenant un réseau de neurones et un circuit de déphasage réglable novateur est présenté. Le circuit, capable de générer les différentes fonctions de prédistorsion avec une grande précision, pourra par la suite être intégré dans un banc de test permettant de linéariser de manière adaptative divers amplificateurs de puissance afin d’en évaluer les performances réelles.