Beschreibung
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.
Bewertungen
Es gibt noch keine Bewertungen.