Accueil > Documentations scientifiques > Revues récentes > Mada-ETI > Archives > Volume 2, 2020 > Influence des algorithmes d’apprentissage du modèle neuronal sur la (...)

• 
  Influence des algorithmes d’apprentissage du modèle neuronal sur la performance de la prédistorsion des signaux FBMC-OQAM
  Mada-ETI, 2020, vol 2, page 153-162

  Auteurs : Rakotonirina H.B., Randriamitantsoa P.A., Randriamitantsoa A.A.

  Mots clés : Prédistorsion, Réseau de Neurones, Algorithme d’apprentissage, Approximation, Amplificateur, MSE
  
  

  FR :
  Dans cet article, nous avons traité les signaux FBMC-OQAM (Filter Bank MultiCarrier- Offset Quadrature Amplitude Modulation) et nous avons proposé un modèle neuronal de type feedforward pour approximer la caractéristique de transfert inverse de l’amplificateur et linéariser ce denier à l’aide de la technique de prédistorsion. La performance de cette technique dépend de l’algorithme d’apprentissage du modèle neuronal. Comme critère de performance, nous avons utilisé le MSE (Mean Squared Error). Et les résultats révèlent que c’est l’algorithme de Levenberg Marquardt qui donne la meilleure performance.

  EN :
  In this article, we have processed the FBMC-OQAM (Filter Bank MultiCarrier- Offset Quadrature Amplitude Modulation) signals and we proposed a feedforward neural model to approximate the inverse transfer characteristic of the amplifier and linearize this denier using the predistortion technique. The performance of this technique depends on the learning algorithm of the neural model. As a performance criterion, we used the MSE (Mean Squared Error). And the results reveal that it is the Levenberg Marquardt algorithm that gives the best performance.

  Télécharger