Modelado del comportamiento de un amplificador de potencia para 5G utilizando Machine Learning

Autores/as

  • Miguel Angel Chiri Yupanqui Universidad Mayor de San Andrés
  • Hugo Orlando Condori Quispe Universidad Mayor de San Andrés

DOI:

https://doi.org/10.52428/20758944.v20i55.1101

Palabras clave:

Machine Learning, ADS, Amplificador, Modelado, 5G

Resumen

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

Los datos de descargas todavía no están disponibles.

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

Descargas

Publicado

27-06-2024

Cómo citar

Chiri Yupanqui, M. A., & Condori Quispe, H. O. (2024). Modelado del comportamiento de un amplificador de potencia para 5G utilizando Machine Learning. Journal Boliviano De Ciencias, 20(55), 6–14. https://doi.org/10.52428/20758944.v20i55.1101

Número

Sección

Proyecto de Ingeniería Aplicada