A Simple Numerical Method for Non-Gaussian Signal Ensembles in Nonlinear Power Amplifiers

Resumo Técnico: Um Método Numérico Simples para Ensembles de Sinais Não Gaussianos em Amplificadores de Potência Não Lineares

Declaração do Problema
Os sistemas modernos de comunicação sem fio, particularmente aqueles que utilizam 5G/6G, MIMO massivo, ondas milimétricas (mmWave) e comunicações integradas de sensoriamento e comunicação (ISAC), enfrentam desafios significativos devido às não linearidades de hardware. Essas não linearidades, originadas principalmente de amplificadores de potência (PA) de radiofrequência (RF) operando próximos à saturação e conversores de dados de baixa resolução, introduzem distorções de amplitude e fase. Em sistemas de comunicação veicular de alta mobilidade, essas distorções degradam o desempenho de formação de feixe (beamforming), alteram os padrões de feixe e causam perda de ganho de matriz.

As ferramentas analíticas existentes frequentemente dependem de suposições que limitam sua aplicabilidade. Por exemplo, o teorema de Bussgang é restrito a processos Gaussianos, enquanto os métodos de série de Volterra podem ser computacionalmente onerosos. Além disso, muitas abordagens atuais exigem a avaliação de integrais impróprias duplas ou triplas computacionalmente intensivas para caracterizar os efeitos estatísticos da distorção não linear em ensembles de sinais não Gaussianos. Há uma necessidade de um framework geral e computacionalmente eficiente capaz de analisar sistemas não lineares sem memória com distribuições arbitrárias de sinal e ruído para apoiar o projeto de sistemas de comunicação sem fio de próxima geração robustos.

Metodologia
O artigo propõe uma extensão numérica do método da função característica (ch. f.) de Rice para a análise estocástica de sinais e ruídos em sistemas não lineares sem memória. A inovação central reside na representação da não linearidade usando uma série de Fourier de uma extensão periódica, em vez de uma transformada de Fourier ou série de potências.

A derivação procede da seguinte forma:

1. Modelagem do Sistema: A entrada é modelada como a soma de um sinal senoidal, um viés (bias) DC e um processo de ruído (que pode ser não Gaussiano). A saída do sistema é definida por funções não lineares sem memória $f(x)$ e $g(x)$.
2. Representação por Série de Fourier: As funções de transferência não lineares são expressas como séries de Fourier. Isso permite que a esperança do produto das saídas seja transformada de um problema de integral em um problema de somatório.
3. Decomposição da Função Característica: A função de correlação cruzada da saída é derivada separando a esperança em três componentes:
   • A ch. f. do viés DC.
   • A ch. f. conjunta do sinal senoidal (derivada usando funções de Bessel).
   • A ch. f. conjunta dos processos de ruído.
4. Expansão em Série: Para ruído Gaussiano, a ch. f. do ruído é expandida como um polinômio de série de Maclaurin na razão de correlação $\rho(\tau)$. Para ruído não Gaussiano, a ch. f. conjunta específica dessa distribuição é substituída.
5. Formulação Final: A correlação de saída $\Psi(\tau)$ é expressa como um somatório duplo sobre índices harmônicos e termos de expansão de ruído. Isso resulta em uma expansão em série onde o espectro de saída em cada harmônico é uma soma ponderada do espectro de entrada e suas autoconvoluções.

Principais Contribuições

• Generalização do Método de Rice: O artigo reformula o método de ch. f. de Rice utilizando coeficientes de série de Fourier para representar a não linearidade. Esta abordagem mantém a generalidade do método original, suportando um ou mais sinais senoidais e processos de ruído que não são restritos a distribuições Gaussianas.
• Eficiência Computacional: Ao transformar a avaliação das funções de correlação de saída de integrais impróprias em somatórios tratáveis, o método reduz significativamente a complexidade computacional.
• Nova Formulação Fundamental: Uma nova formulação baseada em ch. f. é derivada em termos de coeficientes de série de Fourier e uma parametrização discreta da função característica generalizada.
• Aplicabilidade a Ensembles Não Gaussianos: O framework é aplicável a processos estocásticos de qualquer distribuição, desde que o processo estocástico de tensão ou corrente de sentido amplo estacionário possua uma função característica, que sempre existe.

Resultos Numéricos
Os autores validaram o método proposto usando uma característica de transcondutância de GaN HEMT não linear impulsionada por um sinal senoidal e ruído Gaussiano.

• Configuração: O dispositivo foi modelado em modo Classe-AB com um viés próximo ao pico da curva de transcondutância. A não linearidade foi aproximada por uma extensão periódica de um ajuste polinomial aos dados do dispositivo.
• Observações:
  • O método decompôs com sucesso o espectro de saída em um componente senoidal fundamental e componentes de ruído ponderados por coeficientes de expansão.
  • À medida que a amplitude do seno de entrada aumentava, o termo do sinal fundamental exibia a compressão esperada, enquanto os termos de ruído de ordem superior ($k>0$) diminuíam rapidamente em significância.
  • A análise revelou que a tensão de viés impacta significativamente a potência do ruído. Desviar o viés do ponto de ganho máximo aumentou a potência do ruído e alterou a forma do espectro de ruído, introduzindo nulos localizados.

Significância e Alegações
O artigo afirma que o framework proposto fornece uma ferramenta computacionalmente eficiente para analisar impedimentos de RF de front-end não lineares sem depender de extensas simulações de Monte Carlo. Ele permite a caracterização de:

• Relação sinal-distorção (SDR).
• Taxa de erro de bit (BER).
• Probabilidade de interrupção (outage probability).
• Os efeitos estatísticos de não linearidades de hardware no rastreamento e gerenciamento de feixes em sistemas veiculares e futuros sistemas 6G.

Os autores enfatizam que este método não pretende substituir os métodos de série de Volterra, mas sim abordar uma classe diferente de problemas ao fornecer uma análise tratável para sistemas não lineares sem memória com entradas estocásticas. O framework suporta o desenvolvimento de algoritmos de comunicação conscientes da distorção, como detecção de dados baseada em verossimilhança e receptores MAP, que levam em conta as estatísticas de distorção não Gaussianas em vez de depender de convenções Gaussianas. O trabalho futuro é identificado como a extensão do framework para sinais modulados e a investigação de distribuições não Gaussianas para o design de sistemas consciente da distorção.