تصحیح دیجیتال خطاهای آنالوگ در مبدلهای آنالوگ به دیجیتال مبتنی بر hfb با استفاده از شبکه های عصبی

امروزه مبدلهای a/d پهن باند به منظور پیاده سازی موثر مفاهیم جدید مخابراتی مانند سیستم های رادیو نرم افزاری بسیار مورد توجه می باشند. مبدلهای a/d مبتنی بر بانک فیلتری هیبرید به عنوان یکی از مبدلهای با معماری موازی، گزینه ی مناسبی برای کاربردهای رادیو نرم افزاری می باشند. به هر حال، جنبه های غیر ایده آل فیلترهای آنالوگ موجب افت شدیدی در عملکرد ساختارهای hfb می شوند. در این پایان نامه، یک معماری hfb جبرانسازی شده پیشنهاد می شود که در آن خطاهای آنالوگ فیلترهای بانک فیلتری آنالیز با استفاده از شبکه های عصبی تخمین زده می شود وبر این اساس معماری کلاسیک جبرانسازی می شود. در معماری پیشنهادی، یک شاخه ی اضافی به عنوان ورودی مرجع در نظر گرفته می شود. با استفاده از خروجی های کانال مرجع و هر کانال دلخواه، مدل شبکه عصبی متناظر با فیلتر آنالوگ مربوطه، مقادیر واقعی پارامترهای فیلتر آنالوگ را تخمین می زند. سپس فیلترهای سنتز بر اساس این تخمین ها تصحیح می شوند. به دلیل همپوشانی طیفی که به واسطه ی نمونه برداری زیر نرخ نایکوییست در این مبدلها رخ می دهد، اطلاعات مربوط به خطاهای آنالوگ به صورت پیچیده ای در نمونه های داده توزیع شده است که استخراج آنها بسیار دشوار است. بنابراین این مدل از غیر خطی بودن ساختار شبکه عصبی برای استخراج اطلاعات آنالوگ طیفی استفاده می کند.