Machine Learning for PAPR Distortion Reduction in OFDM Systems

• Main Author: Sonal, Manish
• Format: Others
• Language: English
• Published: KTH, Signalbehandling 2016
• Subjects: Index Terms- OFDM; machine learning; PAPR; neural networks
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-197682

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. === 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.