Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Machine Learning for PAPR Distortion Reduction in OFDM Systems
KTH, School of Electrical Engineering (EES), Signal Processing.
2016 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

The purpose of the project is to investigate the possibility of using modern machine learning to model nonlinear analog devices like the Power Amplifier (PA), and study the feasibility of using such models in wireless systems design. Orthogonal frequency division multiplexing (OFDM) is one of the most prominent modulation technique used in several standards like 802.11a,802.11n, 802.11ac and more. Telecommunication systems like LTE, LTE/Aand WiMAX are also based on OFDM. Nevertheless, OFDM system shows high peak to average power (PAPR) in time domain because it comprises of many subcarriers added via inverse fast Fourier transform(IFFT). HighPAPR results in an increased symbol error rate, while degrading the efficiency of the PA. Digital predistortion (DPD) still suffers from high symbol error rate (SER) and reduced PA efficiency, when there is an increase in peak back off(PBO). A receiver based nonlinearity distortion reduction approach can be justified by the fact that base stations have high computation power. A iterative-decision-feedback mitigation technique can be implemented as a receiver side compensation assuming memoryless PA nonlinearities. For successful distortion reduction the iterative-decision based technique required the knowledge of the transmitter PA. The author proposes to identify the nonlinear PA model using machine learning techniques like nonlinear regression and deep learning. The results show promising improvement in SER reduction with small PA model learning time.

Abstract [sv]

Syftet med detta projekt är att undersöka möjligheterna att använda modernmaskininlärning för att beskriva ickelinjära analoga enheter såsom effektförstärkareoch att studera hur användbart det är att använda sådana modeller föratt designa trådlösa kommunikationssystem. OFDM (ortogonal frekvensmultiplex)är en av de vanligast förekommande modulationsteknikerna, som användsi standarder såsom 802.11a, 802.11n, 802.11ac and andra. Telekommunikationssystemsom LTE, LTE/A och WiMAX baseras också på OFDM. Dock resulterarOFDM i hög toppeffekt i förhållande till medeleffekten (hög PAPR) i tidsdomänen,eftersom signalen består av många delkanaler som summeras mha inversdiskret fouriertransform (IFFT). En hög PAPR resulterar i ökad symbolfelshaltoch försämrar effektiviteten hos effektförstärkaren. Digital predistortion (DPD)kan förbättra situationen men ger fortfarande hög symbolfelshalt och försämradförstärkareffektivitet, när man drar ned sändeffekten för undvika kvarvarandeickelineariteter. Att minska förvrängningen från ickelineariteterna vid mottagarenkan motiveras i system där basstationerna har hög beräkningsförmåga. Enmetod för att reducera förvrängningarna kan implementeras på mottagarsidan,baserad på iterativ beslutsåterkoppling, under antagandet om att sändarens effektförstärkarehar en minneslös ickelinearitet. För att störningsreduceringenska fungera väl, krävs god kunskap om sändarens effektförstärkare. Författarenföreslår att identifiera en ickelinjär modell för förstärkaren mha maskininlärningstekniker,såsom ickelinjär regression och djup inlärning. Resultaten visarlovande förbättringar av symbolfelshalten med en låg inlärningstid för förstärkarmodellen.

Place, publisher, year, edition, pages
2016. , 69 p.
Series
TRITA-EE, ISSN 1653-5146 ; 2016:194
Keyword [en]
Index Terms- OFDM, machine learning, PAPR, neural networks
National Category
Electrical Engineering, Electronic Engineering, Information Engineering
Identifiers
URN: urn:nbn:se:kth:diva-197682OAI: oai:DiVA.org:kth-197682DiVA: diva2:1052869
Educational program
Master of Science - Wireless Systems
Presentation
2016-11-16, SIP conference room, Osquldas vag 10, floor 3, Stockholm, 09:00 (English)
Supervisors
Examiners
Available from: 2017-02-08 Created: 2016-12-07 Last updated: 2017-02-08Bibliographically approved

Open Access in DiVA

manish sonal(7852 kB)483 downloads
File information
File name FULLTEXT01.pdfFile size 7852 kBChecksum SHA-512
bdd39d90d41b1345517a075d243112217bc4a533e341b5affdc2163da1c8a92fb7a4b7c064fb186515fe76ad948f4150babce9f10951d758678db04ad532c399
Type fulltextMimetype application/pdf

By organisation
Signal Processing
Electrical Engineering, Electronic Engineering, Information Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 483 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 1127 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf