Reduction of the non-linear distorsion effects in a multicarrier modulation using neural networks
Réduction des effets des non-linéarités dans une modulation multiporteuse à l'aire de réseaux de neurones
Résumé
This document presents research work done with the ETSN department in Supélec, Rennes campus, about reduction of the non-linear effects in an OFDM modulation using neural networks.
First the documents starts with an introduction to digital communications, and particularly to the OFDM modulation. Today several norms use this technique, mainly because the channel equalization is simple to make, and as such data can be sent more efficiently on multipath channels. However the temporal OFDM signal is sensitive to the power amplifier non-linearities and several techniques have been studied to limit these effects.
Then the neural networks are presented, with their use in function approximation. After having described the two most usual neural network architectures, the higher-order networks, such as the RPN, are introduced. The learning techniques of these networks are also described.
In the different compensators studied in this document, the neural network is put in the receiver, after the channel equalization. Its goal is to correct the received signal to compensate the non-linear effects. First the neural network is in the frequency domain. In a 4 carrier OFDM system with a QAM-16 modulation, an SSPA amplifier, a 0dB back-off and for a bit error rate of 10-2, the neural corrector brings a 1.5dB gain on the signal to noise ratio. But difficulties appear with a higher number of carriers.
For this reason we simplified the neural networks by putting it in the temporal domain. This technique is closer to other solutions already proposed in monocarrier systems, but a few differences are still present in the channel equalization and the type of function that the neural network must realize. A compensator with a RPN network has shown good performance, even with a higher number of carriers. We mesured a 8dB gain in a 48 carrier OFDM system with a QAM-16 modulation, an SSPA amplifier and a 0dB back-off. In these conditions, the systems allows to divide the amplifier power, and therefore the power consumption, by 4, while still having the same transmission quality.
The temporal RPN compensator is then simulated in a multipath channel, to show that the compensation is still efficient in a severe channel. A comparision with another comensator is also presented. Our compensator is less complex, to the detriment of the performance.
This document ends with prospects than can extend the work done in this thesis.
First the documents starts with an introduction to digital communications, and particularly to the OFDM modulation. Today several norms use this technique, mainly because the channel equalization is simple to make, and as such data can be sent more efficiently on multipath channels. However the temporal OFDM signal is sensitive to the power amplifier non-linearities and several techniques have been studied to limit these effects.
Then the neural networks are presented, with their use in function approximation. After having described the two most usual neural network architectures, the higher-order networks, such as the RPN, are introduced. The learning techniques of these networks are also described.
In the different compensators studied in this document, the neural network is put in the receiver, after the channel equalization. Its goal is to correct the received signal to compensate the non-linear effects. First the neural network is in the frequency domain. In a 4 carrier OFDM system with a QAM-16 modulation, an SSPA amplifier, a 0dB back-off and for a bit error rate of 10-2, the neural corrector brings a 1.5dB gain on the signal to noise ratio. But difficulties appear with a higher number of carriers.
For this reason we simplified the neural networks by putting it in the temporal domain. This technique is closer to other solutions already proposed in monocarrier systems, but a few differences are still present in the channel equalization and the type of function that the neural network must realize. A compensator with a RPN network has shown good performance, even with a higher number of carriers. We mesured a 8dB gain in a 48 carrier OFDM system with a QAM-16 modulation, an SSPA amplifier and a 0dB back-off. In these conditions, the systems allows to divide the amplifier power, and therefore the power consumption, by 4, while still having the same transmission quality.
The temporal RPN compensator is then simulated in a multipath channel, to show that the compensation is still efficient in a severe channel. A comparision with another comensator is also presented. Our compensator is less complex, to the detriment of the performance.
This document ends with prospects than can extend the work done in this thesis.
Ce mémoire présente les travaux effectués au sein de l'équipe ETSN de Supélec, campus de Rennes, sur la réduction des effets des non linéarités dans une modulation OFDM, à l'aide de réseaux de neurones.
Tout d'abord, le mémoire commence par une introduction aux communications numériques et en particulier à la modulation OFDM. Aujourd'hui, plusieurs standards reposent sur cette technique de transmission, en particulier en raison de la simplicité de l'égalisation du canal, et donc la possibilité de transmettre avec plus d'efficacité des données sur des canaux multitrajets. Cependant le signal OFDM temporel est particulièrement sensible aux non-linéarités présentes dans l'amplificateur d'émission et diverses techniques sont étudiées pour diminuer ces effets.
Ensuite, les réseaux de neurones sont présentés, ainsi que leur utilisation dans le domaine de l'approximation de fonctions. Après avoir décrit les deux modèles de réseaux de neurones les plus courants, les réseaux d'ordre supérieur, tels que le RPN, sont introduits. Les techniques d'apprentissage de ces différentes architectures de réseaux de neurones sont également décrites.
Dans les différents correcteurs étudiés dans cette thèse, le réseau de neurones est placé dans le récepteur, après l'égalisation de canal. Son objectif est de corriger le signal reçu afin de compenser les effets des non-linéarités. Dans un premier temps le réseau de neurones est placé dans le domaine fréquentiel. Dans un système OFDM à 4 porteuses avec une modulation MAQ16, un amplificateur de type SSPA, un recul de 0 dB et pour un taux d'erreur binaire de 10-2, le correcteur avec un réseau RPN apporte un gain de 1,5 dB de rapport signal sur bruit. Cependant des difficultés apparaissent durant la phase d'apprentissage du réseau de neurones avec un nombre de porteuses supérieur.
Pour palier ce défaut, les réseaux de neurones décrits précédemment sont simplifiés en étant placés dans le domaine temporel. Ce système est plus proche des solutions déjà proposées pour la compensation des non-linéarités dans une modulation monoporteuse, avec toutefois des différences au niveau de l'égalisation du canal et de la nature de la fonction que doit accomplir le réseau de neurones. Un correcteur basé sur un réseau RPN a montré de très bonnes performances, même en augmentant le nombre de porteuses. Un gain de 8 dB a été mesuré pour un taux d'erreur binaire de 10-2 dans un système OFDM à 48 porteuses, une modulation MAQ16 et un amplificateur de type SSPA avec un recul de 0 dB. Le système présenté permet donc dans ces conditions de diviser la puissance de l'amplificateur, et donc sa consommation d'énergie, par un facteur supérieur à 4 tout en conservant la même qualité de transmission.
Le correcteur à RPN dans le domaine temporel est ensuite simulé sur un canal multitrajet, afin de vérifier que la compensation reste efficace dans le cas d'un canal sévère. Enfin les deux approches proposées (fréquentielle et temporelle) sont comparées, au niveau des performances obtenues et de la puissance de calcul nécessaire dans le récepteur. Une comparaison avec une autre approche proposée dans la littérature est également présentée. Le correcteur temporel basé sur un RPN est bien moins complexe que le système cité, au détriment d'une légère dégradation des performances.
Ce mémoire se conclut par quelques perspectives de recherche pouvant prolonger les travaux accomplis durant cette thèse.
Tout d'abord, le mémoire commence par une introduction aux communications numériques et en particulier à la modulation OFDM. Aujourd'hui, plusieurs standards reposent sur cette technique de transmission, en particulier en raison de la simplicité de l'égalisation du canal, et donc la possibilité de transmettre avec plus d'efficacité des données sur des canaux multitrajets. Cependant le signal OFDM temporel est particulièrement sensible aux non-linéarités présentes dans l'amplificateur d'émission et diverses techniques sont étudiées pour diminuer ces effets.
Ensuite, les réseaux de neurones sont présentés, ainsi que leur utilisation dans le domaine de l'approximation de fonctions. Après avoir décrit les deux modèles de réseaux de neurones les plus courants, les réseaux d'ordre supérieur, tels que le RPN, sont introduits. Les techniques d'apprentissage de ces différentes architectures de réseaux de neurones sont également décrites.
Dans les différents correcteurs étudiés dans cette thèse, le réseau de neurones est placé dans le récepteur, après l'égalisation de canal. Son objectif est de corriger le signal reçu afin de compenser les effets des non-linéarités. Dans un premier temps le réseau de neurones est placé dans le domaine fréquentiel. Dans un système OFDM à 4 porteuses avec une modulation MAQ16, un amplificateur de type SSPA, un recul de 0 dB et pour un taux d'erreur binaire de 10-2, le correcteur avec un réseau RPN apporte un gain de 1,5 dB de rapport signal sur bruit. Cependant des difficultés apparaissent durant la phase d'apprentissage du réseau de neurones avec un nombre de porteuses supérieur.
Pour palier ce défaut, les réseaux de neurones décrits précédemment sont simplifiés en étant placés dans le domaine temporel. Ce système est plus proche des solutions déjà proposées pour la compensation des non-linéarités dans une modulation monoporteuse, avec toutefois des différences au niveau de l'égalisation du canal et de la nature de la fonction que doit accomplir le réseau de neurones. Un correcteur basé sur un réseau RPN a montré de très bonnes performances, même en augmentant le nombre de porteuses. Un gain de 8 dB a été mesuré pour un taux d'erreur binaire de 10-2 dans un système OFDM à 48 porteuses, une modulation MAQ16 et un amplificateur de type SSPA avec un recul de 0 dB. Le système présenté permet donc dans ces conditions de diviser la puissance de l'amplificateur, et donc sa consommation d'énergie, par un facteur supérieur à 4 tout en conservant la même qualité de transmission.
Le correcteur à RPN dans le domaine temporel est ensuite simulé sur un canal multitrajet, afin de vérifier que la compensation reste efficace dans le cas d'un canal sévère. Enfin les deux approches proposées (fréquentielle et temporelle) sont comparées, au niveau des performances obtenues et de la puissance de calcul nécessaire dans le récepteur. Une comparaison avec une autre approche proposée dans la littérature est également présentée. Le correcteur temporel basé sur un RPN est bien moins complexe que le système cité, au détriment d'une légère dégradation des performances.
Ce mémoire se conclut par quelques perspectives de recherche pouvant prolonger les travaux accomplis durant cette thèse.