Modelado del comportamiento de un amplificador de potencia para 5G utilizando Machine Learning
DOI:
https://doi.org/10.52428/20758944.v20i55.1101Palabras clave:
Machine Learning, ADS, Amplificador, Modelado, 5GResumen
El propósito principal de esta investigación es modelar el comportamiento de un amplificador de radiofrecuencia (RF) mediante técnicas de machine learning. Para lograr este objetivo, utilizamos el software Advanced Design System (ADS) de Keysight, primero se obtienen los datos de gráficas relevantes, los cuales se transforman en datos tabulares. Estos datos son esenciales para el entrenamiento del modelo. Se emplea el intérprete de Python de ADS, para este propósito. Los resultados obtenidos muestran una notable concordancia con el comportamiento esperado del amplificador RF, lo que confirma la efectividad del enfoque propuesto. Este hallazgo no sólo valida la viabilidad de modelar amplificadores, sino que también sugiere la aplicabilidad de estas técnicas en el modelado de diversos sistemas electrónicos con un alto grado de precisión y fiabilidad.
Descargas
Citas
Colzani, A., Fumagalli, M., Fonte, A., Traversa, A., & Ture, E. (2022, September). Long-Reach
E-band HPA for 5G Radio Link. In 2022 52nd European Microwave Conference (EuMC) (pp. 760-763). IEEE.
Dikmese, S., Anttila, L., Campo, P. P., Valkama, M., & Renfors, M. (2019, August). Behavioral modeling of power amplifiers with modern machine learning techniques. In 2019 IEEE MTT-S https://doi.org/10.1109/IMC-5G47857.2019.9160381
International Microwave Conference on Hardware and Systems for 5G and Beyond (IMC-5G)(pp. 1-3). IEEE.
Huo, Y., Dong, X., & Xu, W. (2017). 5G cellular user equipment: From theory to practical
https://doi.org/10.1109/ACCESS.2017.2727550
https://doi.org/10.1109/ACCESS.2017.2727550 hardware design. IEEE Access, 5, 13992-14010.
https://doi.org/10.1109/ACCESS.2017.2727550
Ji, H. G., Jeong, J. H., & Kang, D. M. (2023). Balanced GaN HPA MMIC for 5G FR2 Band Base
https://doi.org/10.5515/KJKIEES.2023.34.6.444
https://doi.org/10.5515/KJKIEES.2023.34.6.444
https://doi.org/10.5515/KJKIEES.2023.34.6.444
Station. The Journal of Korean Institute of Electromagnetic Engineering and Science, 34(6), 444-449.
Liu, B., Deferm, N., Zhao, D., Reynaert, P., & Gielen, G. G. (2012). An efficient high-frequency linear RF amplifier synthesis method based on evolutionary computation and machine learning techniques. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 31(7), 981-993. https://doi.org/10.1109/TCAD.2012.2187207
Ma, R., Benosman, M., Manjunatha, K. A., Komatsuzaki, Y., Shinjo, S., Teo, K. H., & Orlik, P.
V. (2018, August). Machine-learning based digital Doherty power amplifier. In 2018 IEEE International Symposium on Radio-Frequency Integration Technology (RFIT) (pp. 1-3). IEEE.
Mounir, M., El Mashade, M. B., Aboshosha, A. M., & Youssef, M. I. (2022). Impact of HPA nonlinearity on the performance of power domain OFDM-NOMA system. Engineering Research Express, 4(2), 025004 https://doi.org/10.1088/2631-8695/ac5aa2
![](https://revistas.univalle.edu/public/journals/1/submission_1101_1103_coverImage_es_ES.jpg)
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Miguel Angel Chiri Yupanqui, Hugo Orlando Condori Quispe
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.