CƠ SỞ LÝ THUYẾT
Mô hình hành vi
Trong những năm gần đây, sự phát triển mạnh mẽ của công nghệ thông tin và viễn thông, đặc biệt là trong lĩnh vực vô tuyến, đã dẫn đến nhiều ứng dụng mới Mạch khếch đại công suất đóng vai trò quan trọng trong hệ thống thông tin không dây, điều này được chứng minh qua số lượng lớn nghiên cứu nhằm tìm hiểu hạn chế và tối ưu hóa hiệu suất của mạch này.
Hình 2 1: Sơ đồ khối của hệ thống truyền thông không dây
Bộ khuếch đại là thiết bị chuyên dụng để khuếch đại công suất tín hiệu, bao gồm hai loại chính trong mạch đầu cuối RF: bộ khuếch đại công suất (PA) và bộ khuếch đại nhiễu thấp (LNA) PA thường được sử dụng trong máy phát để nâng cao mức công suất tín hiệu trước khi phát ra qua anten Việc tăng công suất này rất quan trọng để đạt được tỷ số tín hiệu trên nhiễu mong muốn tại máy thu.
Hình 2 2: Sơ đồ mạch khuếch đại tại bộ phận phát
Hình 2 3: Sơ đồ khối mạch khuếch đại tại bộ phận thu
Bộ khuếch đại cao tần có nhiệm vụ khuếch đại tín hiệu vô tuyến để đạt công suất cần thiết cho máy thu, đồng thời giảm thiểu độ méo Đối với máy phát di động nhỏ, hiệu suất công suất là yếu tố quan trọng do chúng thường sử dụng pin Tuy nhiên, việc tăng hiệu suất công suất có thể dẫn đến tình trạng phi tuyến và tăng độ méo phi tuyến Mặc dù phi tuyến không nghiêm trọng trong các ứng dụng sử dụng tín hiệu pha, nhưng với những quy định băng tần mới, yêu cầu tốc độ dữ liệu cao hơn đã thúc đẩy việc chuyển sang khối biến điệu mà thông tin sóng mang bao gồm cả biên độ và pha Nếu biên độ mang thông tin không thể khôi phục độ méo, điều này sẽ ảnh hưởng đến chất lượng tín hiệu nhận được và tăng tốc độ bit lỗi.
PA cho những ứng dụng băng rộng, khía cạnh quan trọng nhất để cần sự mô hình hoá của thiết bị là sự phi tuyến của hệ thống
Hình 2 4: Sơ đồ khối của mạch khuếch đại siêu cao tần phi tuyến
Bộ khuếch đại công suất (PA) đóng vai trò quan trọng trong chất lượng tín hiệu của hệ thống viễn thông, đặc biệt khi hoạt động ở mức công suất cao và độ phi tuyến lớn Điều này đã thu hút sự quan tâm của nhiều nhà nghiên cứu nhằm khám phá giới hạn và tối ưu hóa hiệu suất của PA Mặc dù các nghiên cứu trước đây chủ yếu dựa vào quan sát thực nghiệm về hành vi tín hiệu vào/ra, nhưng chúng đã tạo nền tảng cho các nghiên cứu tiếp theo, dẫn đến việc phát triển lý thuyết mô hình hành vi đầu tiên cho mạch PA.
Trong bối cảnh tổng quát của hệ thống nhận dạng, mô hình PA được phân chia thành hai nhóm chính dựa trên loại dữ liệu cần thiết: mô hình vật lý và mô hình thực nghiệm.
Mô hình vật lý của PA yêu cầu hiểu biết về các thành phần của hệ thống thực và mối quan hệ cấu tạo của chúng Nó mô tả các nguyên tắc lý thuyết liên quan đến sự tương tác của các linh kiện điện tử, bao gồm cả thành phần thụ động và tích cực phi tuyến Mô hình này hình thành tập các phương trình phi tuyến liên quan đến điện thế và dòng điện Việc sử dụng mô hình mạch tương đương thực nghiệm giúp mô phỏng mạch và đạt được kết quả chính xác, với hiệu quả phụ thuộc vào chất lượng của mô hình linh kiện tích cực Để đạt độ chính xác cao, cần đầu tư thời gian và mô tả chi tiết cấu trúc nội của PA.
2.1.3 Mô hình hành vi (BM-Behavioral Model):
Khi mạch tương đương của PA không có sẵn, mô hình hành vi (hộp đen) là lựa chọn tối ưu để mô phỏng mạch ở mức độ hệ thống Mô hình này dựa hoàn toàn vào quan sát tín hiệu vào/ra, do đó, độ chính xác của dữ liệu vào/ra rất quan trọng để tạo ra cấu trúc mô hình chính xác Việc xử lý và lựa chọn tham số cho mô hình nhằm rút ngắn thời gian là một vấn đề cốt lõi mà mô hình hành vi quan tâm Điều này dẫn đến việc các cấu trúc mô hình khác nhau và tập dữ liệu quan sát khác nhau có thể tạo ra sự khác biệt lớn trong ứng dụng và kết quả mô phỏng Mặc dù mô hình hành vi có thể tái tạo gần chính xác tập dữ liệu đã sử dụng, nó cũng có thể áp dụng cho các bộ dữ liệu khác liên quan đến cùng một tác động, hoặc cho các mô hình PA khác với kỹ thuật khác nhau Do đó, khả năng dự đoán của mô hình hành vi cần được xem xét một cách thận trọng, khác với mô hình vật lý.
Mô hình hoá vi mạch khuếch đại siêu cao tần
Mô hình hành vi, hay còn gọi là mô hình hộp đen, không yêu cầu hiểu biết về vật lý của hệ thống mà chỉ dựa vào việc đo lường tín hiệu đầu vào và đầu ra Các tham số của mô hình này được xác định từ dữ liệu tính toán ngõ vào/ra, do đó, kỹ thuật tính toán và chất lượng dữ liệu sẽ ảnh hưởng trực tiếp đến độ chính xác của mô hình.
Mô phỏng có thể bị hạn chế trong nhiều tình huống thực tế do tính phức tạp của các mô hình thành phần Khi một mô hình trở nên quá phức tạp, cả tốc độ và độ chính xác của mô phỏng sẽ bị giảm Một giải pháp hiệu quả là xây dựng mô hình hành vi chung để mô tả hành vi điện của các thành phần Mô hình hành vi là một công cụ khoa học chính xác, thể hiện hành vi đo lường của đối tượng tuyến tính hoặc phi tuyến thông qua các phương trình đơn giản, phụ thuộc vào các biến độc lập kiểm soát hành vi Các thông số của mô hình có thể được tính toán từ dữ liệu đo lường hoặc dữ liệu mô phỏng Việc khai thác mô hình thường áp dụng cho transistor, trong khi mô phỏng dựa trên mô hình giúp giảm bớt độ phức tạp.
Hình 2 5:Tổng quan của mô hình hành vi
2.2.2 Nền tảng nhận dạng hệ thống phi tuyến: Để hình thành một khung lý thuyết phân tích những phương pháp khác nhau về mô hình hành vi mạch PA, một cách thuận lợi là xem lại những nguyên tắc cơ bản của lý thuyết nhận dạng hệ thống
Trong khung lý thuyết này, PA được mô tả như một hàm phi tuyến hoặc một toán hạng hệ thống, có thể là động hoặc tĩnh Nếu PA là tĩnh, đầu ra y(t) có thể được xác định duy nhất như một hàm tức thời của tín hiệu vào x(t), với y(t) = f(x(t)) Tuy nhiên, khi PA có hiệu ứng nhớ với tín hiệu cao tần biến điệu, nó trở thành động, dẫn đến việc đầu ra không còn được xác định duy nhất từ ngõ vào tức thời mà còn phụ thuộc vào quá khứ của ngõ vào và tình trạng của hệ thống Do đó, mối quan hệ giữa y(t) và x(t) không thể được mô hình hóa đơn giản bằng một hàm, mà trở thành một toán tử ánh xạ từ hàm x(t) sang hàm y(t).
PA được biểu diễn bằng một phương trình vi phân phi tuyến bằng không:
Mô hình hành vi PA dựa trên công thức (2.3) cần được ước tính thành số (digital) để phù hợp với môi trường thời gian rời rạc, trong đó biến thời gian trở thành một chuỗi mẫu đồng nhất tương ứng với chu kỳ lấy mẫu TS Thời gian và tín hiệu thời gian liên tục có thể được chuyển đổi thành tsTS, x(t) x(s) và y(t) y(s), với s ∈Z Như vậy, giải pháp cho phương trình vi phân phi tuyến trong phương trình (2.3) có thể được biểu diễn một cách rõ ràng.
Y(s) là ngõ ra tại thời điểm tức thời sTS, phụ thuộc phi tuyến vào hàm phi tuyến trong hệ thống, được biểu diễn bởi ( − ) Tín hiệu vào hiện tại là x(s), trong khi x(s-q) là tín hiệu vào quá khứ Sự mở rộng phi tuyến này của bộ lọc đáp ứng xung vô hạn (nonlinear IIR) được coi là khái niệm tổng quát cho mô hình hành vi PA đệ quy.
Kết quả từ nhận dạng hệ thống chỉ ra rằng một hệ thống có thể được biểu diễn dưới dạng phương trình (2.5) mà không cần tín hiệu ra hồi tiếp.
Mô hình phi tuyến đa chiều với nhiều đối số được định nghĩa qua hàm (.) và được mở rộng với mạch lọc số đáp ứng xung hữu hạn (nonlinear FIR - Finite Impulse Response) Mô hình này cung cấp một cái nhìn tổng quát về hành vi hồi tiếp và không hồi tiếp, từ đó giúp nghiên cứu và phân tích các hệ thống phức tạp.
Nhiều mô hình khác nhau đã sử dụng các hàm đa biến, đặc biệt là trong nhận dạng hệ thống phi tuyến Sự quan tâm lớn đối với hai hàm này đến từ sự hỗ trợ toán học mạnh mẽ mà chúng cung cấp, đồng thời chúng cũng dẫn đến phương pháp cổ điển trong việc xây dựng mô hình cho mạch phi tuyến.
(2.4) và (2.5) có thể biểu diễn bằng những mạch lọc đa thức và mạng neural nhân tạo (artificial neural networks – ANNs)
Trong hàm (.) có thể thay thế bằng một hàm đa biến tương đương như sau: y( ) = ( ), ( −1), … , ( − )
Phương trình (2.6) chỉ ra rằng hệ thống phi tuyến tương đương với chuỗi số hạng nhiều biến Mặc dù khái niệm này đơn giản, nhưng kiến trúc mô hình đa thức FIR lại có số lượng tham số rất lớn.
Hàm (.) có thể được thay thế bằng một đa thức đa chiều, tạo ra cấu trúc đa thức IIR đệ quy với ít tham số hơn so với mô hình trực tiếp Tuy nhiên, cấu trúc này thường khó đạt được độ chính xác cao hơn so với cấu trúc trực tiếp, dẫn đến việc khó ứng dụng trong mô hình hóa mạch.
Đối với đa thức FIR, có nhiều lợi thế trong việc mô hình hóa mạch PA nhờ vào việc ngõ ra tuyến tính trong việc xác định các thông số như hệ số (kernels) và hàm chỉ phụ thuộc vào ngõ vào bị trì hoãn Bên cạnh đó, việc tính toán có thể thực hiện một cách hệ thống thông qua phương pháp nhận dạng tuyến tính thông thường.
Nếu hàm (.) và (.) tương đương với chuỗi Taylor, thì mạch lọc FIR được xem như chuỗi Volterra Chuỗi Volterra đặc biệt quan trọng vì nó tối ưu cho mô hình hành vi PA, thể hiện tốt các tính chất mô hình trong tín hiệu nhỏ và phi tuyến vừa Tuy nhiên, chuỗi Volterra không đáp ứng hiệu quả với mô hình hoạt động trong chế độ phi tuyến mạnh.
Hàm (.) có thể thay thế bất cứ hàm đa miền nào, ví dụ như chuỗi Wiener, trực giao với nhiễu Gaussian trắng khi có tín hiệu tác động Những chuỗi này cho kết quả tối ưu trong các vùng lân cận ở mức công suất sử dụng và cho các loại hình tín hiệu đầu vào trong mô hình Do đó, hàm FIR tuân theo mô hình phi tuyến mạnh khi băng thông và tín hiệu tác động gần với thực nghiệm.
Mạch lọc đa thức FIR được biểu diễn trong hình 2.6, trong đó số lượng trì hoãn Z -1 cần được chú ý; số lượng trì hoãn Z -1 cao thể hiện mức độ phi tuyến lớn của mô hình Tương tự, mạch lọc đa thức IIR được thể hiện trong hình 2.7.
Hình 2 6: Cấu trúc kinh điển của mạch lọc phi tuyến FIR (a) Mạch lọc tiêu biểu ở bậc thứ nhất (b) Mạch lọc tiêu biểu ở bậc thứ ba( 1 )
1 Nguồn tài liệu tham khảo[8] trang 6
Hình 2 7: Cấu trúc tổng quan của mạch lọc tuyến tính đệ quy phi tuyến yếu
Khi hàm (.) và (.) được coi như tương đương với ANNs (Artificial Neural Networks) thì phương trình (2.4) và (2.5) được viết lại như sau:
Mô hình PA mức hệ thống
Mô hình hành vi PA ở mức độ hệ thống sử dụng mô hình PA tương đương thông thấp, chỉ xử lý tín hiệu thông tin biên độ phức Tất cả các ảnh hưởng chi tiết liên quan đến tần số sóng mang cần được kết hợp xử lý một cách chi tiết Sự khác biệt này làm nổi bật mô hình ở cấp độ mạch, trong khi mô hình PA ở cấp độ mạch duy trì dãy thông mạch RF đầy đủ.
Tín hiệu cao tần có thể được viết lại:
(t r t e [ 0 ( )] r t t t s j w t t o (2.9) ω0: tần số sóng mang, tín hiệu biên độ phức: ̃(t) = ( ) ∅( ) (2.10)
PA có thể thu thập thông tin hữu ích thông qua thiết bị xử lý bao hình sóng mang Mặc dù có thể trình bày mô hình hóa hành vi băng thông ở mức hệ thống với x(t)y(t), hầu hết các mô hình hành vi PA đã được công bố là mạch tương đương bao hình phức thông thấp, trong đó ( ) là ánh xạ từ ( ) Do đó, mô hình mà chúng ta xem xét ở đây thuộc loại mạch tương đương thông thấp ở mức hệ thống.
2.3.1 Mô hình PA không nhớ:
Mô hình hành vi không nhớ cấp hệ thống là mô hình mà phản ứng đầu ra xảy ra ngay lập tức khi có sự thay đổi ở đầu vào Mô hình này có thể được diễn tả bằng hai hàm đại số liên quan đến biên độ đầu vào tức thời rx(t), với đầu ra bao gồm phần thực và phần ảo, tương ứng là thành phần biên độ ry(t) và thành phần pha Φy(t).
Hai ví dụ thường được sử dụng cho mô hình không nhớ tương đương thông thấp là:
(a) Một đa thức với hệ số phức a2n+1
(b) Được sử dụng rộng rãi là mô hình Salel:
1 + ∅ [ ( )] (2.13) Trong đó ∝ , , ∝ ∅ , ∅ là những tham số phù hợp cho đặc tính AM-AM của PA đo được tính của tín hiệu ( ) và đặc tính AM-PM của tín hiệu
∅ ( ) Biên độ không nhớ và pha phi tuyến có thể được trình bày theo mô hình hình 2.11
Hình 2 11: Mô hình hành vi không nhớ biểu trưng AM-AM và AM-PM
2.3.2 Mô hình PA nhớ tuyến tính
Khi tín hiệu băng thông rộng, mô hình AM-AM và AM-PM không còn phù hợp do hiệu ứng nhớ trong PA Nhiều mô hình đã được phát triển để xử lý hiệu ứng nhớ này, xuất phát từ các hạn chế của băng thông hệ thống Ý tưởng chính là băng thông của tín hiệu đầu vào không quá hẹp so với hệ thống, với sóng CW là ví dụ điển hình Biến trong mô hình PA không nhớ là hàm theo tần số, trong đó băng thông của PA cần được giải quyết bằng cách lấy mẫu băng thông tại các điểm tần số cụ thể Điều này dẫn đến các mô hình AM-AM và AM-PM không nhớ được tham số hóa theo tần số, tạo ra những mở rộng đáng chú ý.
Tần số góc của sóng mang RF là yếu tố quan trọng trong việc xử lý tần số phụ thuộc của chuyển đổi AM-AM và AM-PM Khi đưa tín hiệu CW để kiểm tra, với A là biên độ và tần số, dịch tần từ đến = − sẽ tương ứng với bao hình hình sin phức của tín hiệu ( ).
Trong bài viết này, chúng ta xem xét hiệu ứng nhớ trong mạch lọc, được mô tả qua các phương trình (2.14) và (2.15) Hiệu ứng nhớ có thể hiểu như một biến tần số của ngõ vào, với khả năng thể hiện ở cả ngõ vào và ngõ ra của mạch lọc tương đương thông thấp tuyến tính Nếu bộ lọc được kết hợp với khối không nhớ, như mô hình two-box Wiener, nó có thể mô hình hóa thực thi đồ thị AM-AM và AM-PM thông qua đại lượng ( ) Điều này cho thấy rằng khi thay đổi tần số, đồ thị AM-AM và AM-PM sẽ có hình dạng tương tự nhưng bị dịch biên độ, và hiệu ứng tần số phụ thuộc có thể được mô hình hóa bằng độ lớn của hàm chuyển ngõ vào ( ) Ngược lại, nếu mạch lọc được đặt sau khối không nhớ, chẳng hạn như mô hình two-box Hammerstein, nó có thể mô hình hóa dịch ngang của sóng AM-AM.
Mô hình ba hộp Wiener-Hammerstein thường được sử dụng để thực hiện đồng thời hai hiệu ứng lọc tiền và hậu, nhằm xử lý sóng AM-PM Cấu trúc này bao gồm lọc tuyến tính và phi tuyến, cùng với lọc không nhớ, giúp tối ưu hóa hiệu suất trong các ứng dụng liên quan.
Các mô hình Poza-Sarkozy-Berger, Saleh và Abuelma’atti đều dựa trên nguyên tắc trực quan đã được giải thích, mặc dù mỗi mô hình đề xuất những lựa chọn khác nhau để phù hợp với tần số phụ thuộc của sóng AM-AM và AM-PM, cũng như để xây dựng các bộ lọc cần thiết.
Mô hình Abuelma’atti không tương thích với cấu trúc Wiener-Hammerstein, mà thay vào đó, nó áp dụng chuỗi các nhánh Hammerstein song song trong pha và mạch phi tuyến trực giao Một số mô hình khác trong nhóm này không được thử nghiệm để phát triển kiến trúc chuyên dụng, mà chỉ xử lý một tập hợp các thông số của cấu trúc đã được định nghĩa Các mô hình này có thể áp dụng cho mạch phi tuyến lọc không nhớ, bộ lọc phi tuyến không nhớ, và cả bộ lọc phi tuyến có nhớ, bao gồm các bậc mà mạch phi tuyến không nhớ thể hiện sóng AM-AM và AM-PM được đo tại tần số trung tâm.
2.3.3 Mô hình PA nhớ phi tuyến:
Trong một số trường hợp, cần xem xét mô hình hành vi có hiệu ứng nhớ phi tuyến, đặc biệt là đối với đáp ứng méo biến điệu (IMD) của tín hiệu 2-tone tần số phụ thuộc Hiệu ứng này, còn được gọi là đáp ứng xung phi tuyến hoặc đáp ứng biến điệu ngẫu nhiên số, có thể được quan sát ngay cả trong băng tần hẹp Do đó, hiệu ứng bộ nhớ thường xuất hiện trong các mạch PAs siêu cao tần không dây, đặc biệt khi tín hiệu có băng thông tương đối.
Trong các hệ thống như CDMA hoặc GSM-1800, khi tần số sóng mang gần 2GHz được điều chế với băng thông nhỏ chỉ 5MHz hoặc 200KHz, việc xác định giới hạn băng thông của mạch khuếch đại công suất (PA) trong kết nối mạng trở nên khó khăn.
Một phương pháp dự đoán cho vấn đề mô hình hoá hành vi PA gần đây được đề xuất bởi Asbeck và sau đó được bổ sung bởi Draxler
Một ý tưởng để mở rộng đặc tính AM-AM và AM-PM là PA cần có hiệu ứng nhớ lâu, với độ lợi và pha không chỉ phụ thuộc vào biên độ bao hình tức thời rx(t) mà còn vào thông số ̃( ) Điều này sau này được áp dụng để mô hình hóa hiệu ứng động, chẳng hạn như hiệu ứng do sự toả nhiệt của thiết bị hoặc do nguồn cung cấp thay đổi công suất.
PA được diễn đạt từ hàm độ lợi phức phi tuyến thay đổi động
( ) = [ ( ), ̃( )] ( ) ( ) (2.17) Phương trình (2.17) tương đương với chuỗi Taylor bậc nhất như sau:
Công thức (2.18) mô tả sự tương đương giữa [ ( )] và [ ( )][1 +ℎ ( )∗ ( )], trong đó [ ( )] đại diện cho sự biến đổi AM-AM/AM-PM không nhớ đã được tính toán, và ℎ ( ) là đáp ứng xung lực của một mạch lọc tuyến tính bất kỳ.
Toán tử tích chập “*” được sử dụng trong mô hình hóa PA như hình 2.12, với hàm độ lợi phức phụ thuộc vào biên độ tức thời và thông số ̃( ) từ bao hình biên độ qua mạch lọc tuyến tính Phương pháp này do Ku phát triển, nhằm mô hình hóa hiệu ứng nhớ trong PA khi bị kích thích bởi tín hiệu RF 2-tone, với biên độ A và tần số sóng mang Giả sử hai tần số này đối xứng tại một tần số sóng mang ảo, tín hiệu 2-tone tương ứng với tín hiệu bao hình phức hình sin.
Trong một phương pháp để tích hợp bộ nhớ vào mô hình, tác giả đã trình bày đa thức bậc lẻ theo sau các phương pháp AM-AM/AM-PM không có bộ nhớ của hệ số phức a2n+1.
Ngõ ra bao hình phức của nó là:
Tổng quan
Để xây dựng mô hình hành vi cho hệ thống PA, cần thực hiện các thí nghiệm như quan sát hành vi phi tuyến, xác định cấu trúc mô hình, tính toán tham số và thu thập dữ liệu từ đối tượng mô phỏng Quá trình này bao gồm huấn luyện dữ liệu, kiểm tra và xác nhận mô hình thông qua việc so sánh kết quả với dữ liệu thực tế Hệ thống mô hình hành vi của PA được thể hiện qua lưu đồ trong hình 3.1, mô tả thuật toán cho việc mô hình hóa hệ thống khuếch đại siêu cao tần phi tuyến.
Hình 3 1: Lưu đồ xây dựng mô hình cho đối tượng
Đo đạc dữ liệu
Để xây dựng mô hình cho mạch PA, việc thu thập dữ liệu là bước quan trọng nhất, cần thiết trước khi tiến hành mô hình hóa.
Hu ấn luyện D ữ li ệu huấn luy ện
D ữ liệu đo đạc Đối tượng c ần mô phỏng
Xác nh ận mô hình
Việc xây dựng mô hình hành vi phụ thuộc vào chất lượng dữ liệu đo và kỹ thuật đo, điều này ảnh hưởng trực tiếp đến độ chính xác của mô hình Có hai phương pháp chính để thu thập dữ liệu.
Cách đơn giản nhất để đo đạc là thực hiện trực tiếp trên đối tượng Tuy nhiên, phương pháp này có nhược điểm là dữ liệu đo được không có công cụ kiểm tra độ chính xác và đôi khi cần thiết bị hỗ trợ bên ngoài như máy phát tín hiệu cao tần hay máy phát tín hiệu đa tần số, nhưng không phải lúc nào cũng có sẵn.
Đo đạc và thu thập dữ liệu thông qua phần mềm mô phỏng yêu cầu đối tượng cần mô hình hóa phải có sẵn trong thư viện của phần mềm Phương pháp này đảm bảo rằng dữ liệu được tạo ra có tính xác thực cao.
Trong luận văn này, tác giả sử dụng phần mềm mô phỏng ADS (Advanced Design System) để thu thập dữ liệu, nhằm đáp ứng nhu cầu nghiên cứu Mặc dù có nhiều phần mềm thiết kế và mô phỏng hệ thống cao tần trên thị trường, nhưng ADS được lựa chọn do sự quen thuộc và tính gần gũi với tác giả.
3.2.1.Giới thiệu chương trình mô phỏng ADS (Advanced Design System):
ADS là phần mềm tự động thiết kế mạch điện tử do Agilen EEsof EDA, một đơn vị của Agilent Technologies, phát triển Phần mềm này cung cấp môi trường thiết kế tích hợp cho các ứng dụng RF trong thiết bị điện tử như điện thoại di động, máy nhắn tin, mạng không dây, truyền hình vệ tinh, hệ thống radar và liên kết dữ liệu tốc độ cao ADS còn cung cấp nhiều kiểu và mô hình mô phỏng đa dạng.
ADS là phần mềm tiên phong trong sáng tạo và công nghệ, mang đến giao diện mạnh mẽ và dễ sử dụng cho lĩnh vực thương mại Được thiết kế cho các ứng dụng siêu cao tần, ADS sở hữu thư viện lớn các mô hình thành phần thụ động và truyền thẳng, bao gồm cả các thành phần phi tuyến Ngoài ra, phần mềm này còn cung cấp một thư viện ví dụ phong phú, giúp người dùng dễ dàng thực hành và áp dụng kiến thức.
Agilent ADS hỗ trợ toàn diện trong quá trình thiết kế mạch, bao gồm sơ đồ mạch, mạch in và mô phỏng mạch ở cả miền tần số lẫn miền thời gian, giúp người thiết kế tối ưu hóa hiệu suất và tính chính xác của sản phẩm.
RF với đầy đủ những đặc tính và sự tối ưu mà không cần thay đổi những công cụ khác
Hình 3 2: Giao diện của phần mền ADS
- Giao diện dễ dàng sử dụng, phần mền tích hợp thiết kế và mô phỏng cho kết quả nhanh chóng và chính xác
- Những ứng dụng cụ thể được tích luỹ trong nhiều năm được đóng gói trong DesignGuides với một giao diện dễ sử dụng
3.2.2.Mô hình cho PA với tín hiệu vào 2-tone:
Mạch PA được thiết kế bằng phần mềm ADS, với dữ liệu vào/ra lấy từ thiết kế này RF_PA_CKT (Mạch Khuếch Đại Công Suất Tần Số Radio) là mạch khuếch đại hai tầng sử dụng BJT (Transistor tiếp giáp lưỡng cực) hoạt động ở tần số trung tâm 2GHz, có độ lợi tín hiệu khoảng 30dB và công suất đầu ra đạt 15dBm Mạch khuếch đại này được cung cấp để hỗ trợ mô phỏng bao hình mạch khuếch đại ở cấp độ mạch.
Tín hiệu vào là tín hiệu công suất, tần số f=1.95GHz±10MHz
Thiết bị đầu cuối được phối hợp với trở kháng ZPΩ
Hình 3 3: Sơ đồ mô phỏng mạch PA với tín hiệu vào 2-tone
Mạch được mô phỏng bằng phương pháp cân bằng hoạ tần (Harmonic balance), sử dụng biến quét RFpwr (biên độ tín hiệu vào theo công suất) để xác định đáp tuyến giữa độ lợi và biên độ tín hiệu vào Kết quả mô phỏng cho thấy đáp tuyến như trong hình 3.3.
Hình 3 4: Đáp tuyến độ lợi của mạch PA với tín hiệu vào 2-tone
Dựa trên đáp tuyến chọn dãy động biên độ của mạch PA từ -36dBm đến -22dBm, chúng ta chia tập dữ liệu thành hai tập con Tập dữ liệu huấn luyện có biên độ công suất Ptrain từ -36dBm đến -24dBm, trong khi tập dữ liệu kiểm tra mô hình có biên độ Ptest từ -35dBm đến -23dBm.
3.2.3.Mô hình của PA với tín hiệu vào WCDMA:
Mạch khuếch đại trong mô hình này sử dụng mạch RF_PA_CKT tương tự như trong hình 3.2, chỉ khác ở tín hiệu đầu vào là WCDMA (3GPP uplink) với tần số f=1.95GHz Tác giả đã thực hiện mô phỏng bằng phương pháp cân bằng hoạ tần (Harmonic balance) với biến quét RFpwr (biên độ tín hiệu vào theo công suất) để xác định đáp tuyến giữa độ lợi và biên độ tín hiệu vào Kết quả mô phỏng cho thấy đáp tuyến như thể hiện trong hình 3.5.
Hình 3 5: Mô hình mô phỏng PA với tín hiệu vào CDMA
Hình 3 6: Đáp tuyến độ lợi của mạch PA với tín hiệu vào WCDMA
Dựa trên đáp tuyến chọn dãy động biên độ của mạch PA từ -36dBm đến -14dBm, chúng ta chia tập dữ liệu thành hai tập con: tập huấn luyện với biên độ công suất Ptrain từ -34dBm đến -14dBm và tập kiểm tra mô hình với biên độ Ptest từ -35dBm đến -15dBm.
Xây dựng mô hình PA
Mô hình hoá hành vi PA đóng vai trò quan trọng trong việc xây dựng cấu trúc mô hình chính xác và hiệu quả Như đã đề cập trong chương 2, mô hình mạng nơ-ron hồi tiếp với độ trễ thời gian (TDNN), hay còn gọi là NARX (Mạng hồi quy phi tuyến với đầu vào ngoại sinh), gần gũi với khái niệm đa thức nhớ Cấu trúc TDNN có khả năng phụ thuộc không chỉ vào đầu vào trong quá khứ mà còn vào đầu ra trong quá khứ, phù hợp với hiệu ứng nhớ trong hành vi của đối tượng Trong luận văn này, tác giả đã chọn hình 2.8 để phát triển mô hình hành vi cho mạch khuếch đại siêu cao tần, nhấn mạnh tính chất hồi tiếp và độ trễ đầu ra của mô hình, dẫn đến việc TDNN còn được gọi là mô hình NARX.
Mô hình Nonlinear Autoregressive Network with Exogenous Inputs (NARX) được sử dụng để nhận dạng mối quan hệ giữa ngõ vào và ngõ ra của PA, bao gồm ba lớp Lớp ngõ vào có hai tín hiệu: tín hiệu vào bị làm trễ và tín hiệu ngõ ra hồi tiếp cũng bị làm trễ, với M=7 tapped-delay, phản ánh quá khứ của tín hiệu vào, điều này là cần thiết cho mô hình có hiệu ứng nhớ Lớp ẩn chứa N neurons kết nối với lớp ra, bao gồm một neuron tuyến tính.
Hình 3 7: Kiến trúc mô hình NARX
Mối quan hệ vào/ra của mô hình NARX ở hình 3.6 được mô tả như sau: y(s)=f((x(s),x(s-1),…,x(s-q 1 );y(s),y(s-1),…,y(s-q 2 )) (3.1)
Trong đó, y(s): ngõ ra hiện tại tại thời điểm tức thời sTS, với Ts: chu kỳ lấy mẩu theo biến thời gian q 1 ,q 2 : theo hiện độ sâu phi tuyến
Tất cả các neural đều có giá trị phân cực, và có nhiều mức độ lựa chọn thuật toán huấn luyện cùng với các thông số cần tối ưu để mô tả hệ thống, ngoại trừ thông số trọng lượng Để nâng cao độ chính xác của mạng và tốc độ huấn luyện, tín hiệu đầu vào cần được chuẩn hóa miền của các neural ẩn, với hàm kích hoạt được chọn là hàm tagsimod, nên chuẩn hóa trong khoảng [-1, +1] M đại diện cho độ sâu hoặc số mẫu tín hiệu vào được trì hoãn, ảnh hưởng đến độ chính xác trong việc định hình đặc tuyến băng thông, trong khi N là số neural ẩn được chọn để phù hợp nhất với dạng sóng huấn luyện.
Mô hình hành vi của PA được xây dựng dựa trên kiến trúc NARX, được huấn luyện bằng dữ liệu đo tín hiệu vào/ra trong miền thời gian Sóng công suất tín hiệu vào/ra được biểu diễn qua các số hạng mẫu rời rạc, trong đó các tap trì hoãn TDL giữa các mẫu liên tiếp được nhân với thời gian lấy mẫu TS và được tính toán theo công thức cụ thể.
MTS = M/FS, với FS là tần số lấy mẫu dữ liệu Các thông số mạng được tối ưu hóa bằng thuật toán lan truyền hồi tiếp bậc hai Thuật toán Levenberg-Marquardt được lựa chọn vì hiệu suất và tốc độ xử lý tốt Để đánh giá độ chính xác của mô hình NARX, lỗi bình phương trung bình (MSE) được tính toán.
Trong đó, T là số cặp của tín hiệu vào/ra trong tập hợp
Một mạng neuron (Neural network – NN) hiệu quả cần phải hoạt động tốt trên các tập dữ liệu mới, khác biệt với tập dữ liệu huấn luyện Một mô hình NN có giá trị hàm MSE (Mean Square Error) thấp trong quá trình huấn luyện không phải lúc nào cũng đảm bảo hiệu suất tốt Việc quá huấn luyện do số lượng epochs hoặc iterations quá nhiều có thể dẫn đến giảm hiệu suất của mô hình Do đó, việc chia nhỏ tập dữ liệu huấn luyện thành các tập nhỏ hơn, không nhất thiết có độ dài bằng nhau, là cần thiết Nếu hiệu suất chỉ được cải thiện trên dữ liệu huấn luyện mà không trên dữ liệu xác nhận, hiện tượng quá huấn luyện xảy ra và quá trình học sẽ dừng lại Kỹ thuật “dừng sớm” (early-stop) được áp dụng để ngăn chặn tình trạng này Sau khi hoàn thành huấn luyện, một tập dữ liệu kiểm tra với tốc độ lấy mẫu khác so với tập dữ liệu gốc sẽ được sử dụng để đánh giá mô hình.
Mô hình này cho thấy sự mạnh mẽ và đáng tin cậy, cho phép chúng ta đạt được nhiều điểm hơn trong cùng một khoảng thời gian, ngay cả khi thử nghiệm với tập dữ liệu khác hoặc dữ liệu có tần suất khác nhau.
Trong nghiên cứu này, chúng tôi thực hiện việc lấy tham số cho mô hình NARX, nhằm đảm bảo rằng dạng sóng tín hiệu dữ liệu vào/ra được đo đạc hoặc mô phỏng phù hợp với thiết bị của mô hình Thủ tục huấn luyện mô hình NARX dựa trên các mô phỏng đặc tính động của PA bằng tín hiệu biến điệu biên độ Mục tiêu chính là thay thế mô hình mạch điện tương đương phức tạp của PA bằng một mô hình toán học đơn giản hơn, đó là mô hình NARX.
Việc khởi tạo mạng là rất quan trọng trong việc huấn luyện mô hình NARX với thuật toán lan truyền hồi tiếp Các trọng số ban đầu được chọn ngẫu nhiên trong khoảng [-1,+1] Tập hợp dữ liệu huấn luyện được chuẩn hóa theo phương trình (3.3) để tín hiệu vào nằm trong khoảng [-1,+1], do đó hàm tác động cho các nơ-ron ẩn được chọn là hàm tangsig Hàm tangsig được lựa chọn vì nó là hàm cơ bản cho mô hình hành vi của PA, cho phép đại diện cho một hệ thống động ở bất kỳ thứ bậc nào mà không cần biết trước.
Sau khi quá trình huấn luyện hội tụ, các tham số của mô hình NARX đã được xác định, bao gồm số lượng neuron ẩn, giá trị phân cực và trọng số Qua một số thử nghiệm, số lượng neuron được chọn là N và số mẫu trì hoãn của tín hiệu vào là M Tập dữ liệu sử dụng để huấn luyện, xác nhận và kiểm tra gồm 50,000 mẫu, được chia theo tỷ lệ 70:15:15.
KẾT QUẢ MÔ PHỎNG MÔ HÌNH HOÁ MẠCH KHUẾCH ĐẠI CÔNG SUẤT
Mô hình NARX cho PA
Nhiều cấu trúc mạng nơ-ron (NNs) đã được đề xuất để mô hình hóa mạch PA, nhưng không phải tất cả đều phù hợp cho hệ thống động và phi tuyến Đặc tính động của thiết bị yêu cầu mô hình phải phản ánh sự thay đổi theo thời gian và phụ thuộc vào giá trị quá khứ của biến ngõ vào/ra Để giải quyết vấn đề này, mô hình NARX được giới thiệu, bao gồm ba lớp: biến ngõ vào cùng các mẩu trì hoãn, lớp ẩn phi tuyến và lớp ngõ ra là sự kết hợp tuyến tính của các nơ-ron ẩn Mô hình NARX thường được sử dụng cho các hệ thống động và phi tuyến nhờ khả năng xấp xỉ đạo hàm theo thời gian qua các độ trễ ngõ vào/ra Việc lựa chọn giải thuật huấn luyện và tối ưu hóa các thông số, ngoại trừ trọng số, là rất linh hoạt để cải thiện độ chính xác và tốc độ huấn luyện Tín hiệu ngõ vào cần được chuẩn hóa trong miền của các nơ-ron ẩn, đặc biệt khi sử dụng hàm kích hoạt tangsimod, chuẩn hóa nên nằm trong khoảng [-1, +1] M đại diện cho số mẫu tín hiệu vào được trì hoãn, trong khi N là số nơ-ron ẩn được chọn cho phù hợp với dạng sóng huấn luyện Kiến trúc NARX và phương trình phân tích tương quan của tín hiệu vào/ra được trình bày trong hình 4.1.
Hình 4 1: Mô hình hoá của PA sử dụng NARX
Mô phỏng với tín hiệu vào 2-tone
Sơ đồ mô phỏng trong hình 3.2 tạo ra một tập dữ liệu được chia thành hai tập con là Pin và Ptest, mỗi tập có 30.000 mẫu Tập Pin được sử dụng để huấn luyện mô hình, trong khi Ptest dùng để kiểm tra hiệu suất của mô hình sau khi huấn luyện Sau 45 epoch, mô hình đạt được sự hội tụ với MSE là 3,06e-7 Kết quả huấn luyện của mô hình mạng neuron được so sánh với dữ liệu đầu ra của mạch PA, như thể hiện trong hình 4.3.
Hình 4 2: Biểu đồ hội tụ của quá trình huấn luyện
Hình 4 3: Ngõ ra của mô hình NARX và ngõ ra của PA
Hình 4 4: Phần mở rộng của tín hiệu huấn luyện ở hình 4.3
Sau khi hoàn tất quá trình huấn luyện, tập dữ liệu Ptest với 30.000 mẫu, tương thích với tập Pin, đã được đưa vào mô hình NARX để kiểm tra tính xác thực Kết quả kiểm tra được trình bày rõ ràng trong hình 4.5 và hình 4.6.
Hình 4 5: Tín hiệu kiểm tra; ngõ ra của PA và mô hình NARX
Hình 4 6: Phần mở rộng kết quả kiểm tra ở hình 4.5
Hình 4 7: Sự hội tụ của mô hình NARX
Kết quả kiểm tra tính xác thực của mô hình cho thấy hiệu suất tốt trong miền thời gian, như minh họa trong hình 4.5 và 4.6 Tín hiệu đầu ra của mô hình được chuyển sang miền tần số và so sánh với dữ liệu đo thực tế Sự so sánh này trong miền tần số về mật độ công suất phổ (PSD) được trình bày trong hình 4.8 Chỉ số MSE trong miền tần số, được tính toán theo công thức (3.2), có giá trị là 3.3e-7.
Hình 4 8: So sánh PSD mô hình NARX với dữ liệu đo đạc.
Mô phỏng với tín hiệu W-CDMA
Sử dụng sơ đồ mô phỏng và đáp tuyến thu được, một tập dữ liệu gồm 20.000 mẫu được chia thành hai tập con Pin và Ptest, mỗi tập có 10.000 mẫu Tập Pin được sử dụng để huấn luyện mô hình, trong khi Ptest dùng để kiểm tra hiệu quả của mô hình sau khi huấn luyện Sau 80 epoch, mô hình hội tụ với MSE đạt 3,214e-7 Kết quả huấn luyện của mô hình mạng neuron được so sánh với dữ liệu đầu ra của mạch PA, như trình bày trong hình 4.9.
Sau khi hoàn tất quá trình huấn luyện, tập dữ liệu Ptest gồm 10.000 mẫu, tương thích với tập Pin, đã được đưa vào mô hình NARX để kiểm tra tính xác thực Kết quả của quá trình kiểm tra này được trình bày trong hình 4.11 và hình 4.12.
Hình 4 9: Biểu đồ hội tụ quá trình huấn luyện với tín hiệu CDMA
Hình 4 10: Ngõ ra của mô hình NARX và ngõ ra của PA
Hình 4 11: Phần mở rộng của tín hiệu huấn luyện ở hình 4.9
Hình 4 12:Tín hiệu kiểm tra; ngõ ra của PA và mô hình NARX
Hình 4 13: Phần mở rộng kết quả kiểm tra ở hình 4.11
Hình 4 14: Sự hội tụ của mô hình NARX
Kết quả kiểm tra tính xác thực của mô hình cho thấy sự phù hợp tốt trong miền thời gian, như thể hiện ở hình 4.11 và hình 4.12 Tín hiệu ngõ ra của mô hình đã được chuyển sang miền tần số, hiển thị qua hình 4.15 bằng hàm Pwelch trong Matlab R Sự so sánh về mật độ công suất phổ (PSD) trong miền tần số được trình bày ở hình 4.16, với chỉ số MSE tính toán theo công thức (3.2) là 0.2874%.
Hình 4 15: PSD ngõ ra của mô hình NARX với tín hiệu WCDMA
Hình 4 16: So sánh giữa ngõ ra của NARX với dữ liệu đo.