Tipos de investigación

Tipos de investigación

Investigación …

Resumen— Texto entre 100 y 150 palabras que muestra la temática presentada, señalando además que se encuentra en el documento.

Palabras clave— 3 a 5 palabras o expresiones que fundamentan el documento.

Abstract— This paper presents a free software tool that supports the next-generation Mobile Communications, through the automatic generation of models of components and electronic devices based on neural networks. This tool enables the creation, training, validation and simulation of the model directly from measurements made on devices of interest, using an interface totally oriented to non-experts in neural models. The resulting model can be exported automatically to a traditional circuit simulator to test different scenarios.

Keywords— wireless communications, modeling, simulation, neural networks, software tools.

I. INTRODUCCIÓN

E

N los sistemas de comunicaciones móviles de tercera generación (3G), por ejemplo WCDMA (Wideband Code Division Multiple Access) y UMTS (Universal Mobile Telecomunications System), hacia los cuales migrarán la mayoría de las redes de comunicación celulares, el modelado de los componentes del sistema se ha convertido en un punto crítico del ciclo de diseño del sistema, debido a las técnicas de modulación digital modernas [1]. Los nuevos estándares pueden introducir una distorsión en el comportamiento de los dispositivos que son parte del sistema (p.e. teléfonos móviles y sus componentes internos tales como amplificadores de potencia) debido generalmente a los cambios que aplican a la señal modulada, generando efectos de no-linealidad y de memoria (cuando una señal de salida depende de valores retrasados en el tiempo de una señal de entrada).

Los amplificadores de potencia (PA por su sigla en inglés power amplifier) son partes esenciales de un transmisor digital inalámbrico moderno (p.e. los teléfonos celulares). La Fig. 1 muestra un diagrama de bloques simplificado de cómo podría ser una comunicación digital por teléfono celular. La voz que proviene del interlocutor (señal analógica) debe ser digitalizada para ser transmitida a través de la red celular inalámbrica, y esta tarea es realizada por un convertidor Analógico/Digital. Luego, la voz digitalizada es comprimida para reducir la tasa de bits y el ancho de banda utilizado. También es codificada, para dar formato a los datos de manera tal que el receptor pueda detectar y minimizar los errores mediante la operación de decodificación. Luego de esta etapa, un modulador de señal ajusta la señal portadora para garantizar la comunicación. Pero la señal sufre atenuación y necesita una previa amplificación. Por lo tanto, el elemento final perteneciente a esta cadena es un PA, que se encarga de amplificar la señal antes de su viaje hacia la antena más próxima y el extremo receptor de la cadena de comunicación.

Figura 1. Diagrama de bloques simplificado de un transmisor digital inalámbrico.

El modelado del comportamiento no lineal y con memoria en dispositivos electrónicos ha sido objeto de investigación y de un creciente interés a lo largo de los últimos años [2]-[4] lo cual ha llevado recientemente a proponer nuevas alternativas al clásico análisis con circuito equivalente, tales como las Redes Neuronales Artificiales (RNA) [3]. Actualmente, el modelado y simulación de elementos no lineales componentes de un sistema de comunicación inalámbrica con RNA es un campo en crecimiento que genera una creciente atención por la gran variedad de posibles aplicaciones industriales [5][6].

En el dinámico mercado de las comunicaciones móviles, los modelos basados en RNA son especialmente adecuados ya que podrían ser utilizados para acelerar el desarrollo de nuevos productos. Por ejemplo, los modelos neuronales podrían contribuir a una significativa reducción del ciclo de diseño de un producto cuando una nueva tecnología de dispositivo aparece en el mercado, lo que los convierte en objeto de interés particular en la industria. Un modelo neuronal puede ser utilizado durante la etapa de diseño de sistema para lograr una evaluación rápida de su performance y de sus características principales.

Los modelos neuronales pueden ser un enlace eficiente entre las mediciones y las simulaciones, permitiendo anticipar las consecuencias tecnológicas para la performance de un circuito. El modelo puede ser entrenado directamente con los datos extraídos del sistema real en cuestión, logrando una disminución en el ciclo del diseño y desarrollo de nuevos productos (más comúnmente llamado time-to-market).

Sin embargo, el proceso de desarrollo de un modelo neuronal no es trivial e involucra considerables puntos críticos tales como la generación de datos, la normalización de los mismos, la definición de una topología de RNA, la cantidad de neuronas en capa oculta, las reglas de aprendizaje, entre otras. Como las técnicas de RNA son relativamente nuevas para la comunidad de los ingenieros electrónicos que deben desarrollar un modelo neuronal en vez de un circuito equivalente, es frecuente que se presenten dificultades para ellos en el momento de la toma de decisiones para generar un modelo.

Por lo tanto, una herramienta que dé soporte al desarrollo de modelos neuronales puede ser de especial interés para los ingenieros involucrados en el mundo de las comunicaciones móviles, cuyos conocimientos sobre la teoría de RNA puede ser limitada. Para este propósito, este trabajo presenta una herramienta de software que brinda soporte a la generación de modelos neuronales directamente desde las mediciones. Dichos modelos pueden ser exportados también a un simulador de circuitos. La generación automática de los modelos puede ayudar a asegurar implementaciones de modelos mutuamente consistentes para los diversos simuladores soportados.

La organización del trabajo es la siguiente: en la Sección II se explican las características principales de la herramienta. La Sección III muestra detalles de la implementación La Sección IV muestra un caso de estudio modelado con la herramienta de software desarrollada. Finalmente, se pueden encontrar las conclusiones en la Sección V.

II. CARACTERÍSTICAS DE LA HERRAMIENTA DE SOFTWARE

En la actualidad, existen productos disponibles en el mercado, tanto comerciales como no-comerciales, que permiten la creación y uso de modelos neuronales. Aun así, en la mayoría de estos, se asume que el usuario es un experto en teoría de RNA, porque es necesario un buen entendimiento sobre cómo trabaja el paradigma de RNA para definir un modelo. Es muy probable que un ingeniero electrónico que debe diseñar un modelo neuronal para, p.e. un amplificador PA, no tenga un nivel de

...