Agenda

Soutenance de doctorat de Thuy Pham Trong : Modélisation comportementale neuronale extensible en bande passante des amplificateurs de puissance RF large bande

Mardi 24 mars 2026 à 14h (heure de Paris) à Télécom Paris

Télécom Paris, 19 place Marguerite Perey F-91120 Palaiseau [y aller], amphi 3 et en visioconférence

Titre intégral : Modélisation comportementale neuronale extensible en bande passante des amplificateurs de puissance RF large bande : Réseaux de neurones NARX et facteur de mérite unifié

Titre original : Bandwidth-Scalable Neural Behavioral Modeling of Wideband RF Power Amplifiers: NARX Neural Networks and a Unified Figure of Merit

Jury

  • Yves Louet, Professeur, CentraleSupélec (Examinateur)
  • Myriam Ariaudo Professeure, ENSEA (Rapporteur)
  • Juan-Mari Collantes, Professeur, Universidad del País Vasco UPV/EHU (Rapporteur)
  • Francois Rivet, Maître de conférences, Université de Bordeaux (Examinateur)
  • Morgan Roger, Maître de conférences, CentraleSupélec (Examinateur)
  • Patricia Desgreys Professeure, Télécom Paris (LTCI) (Directrice de thèse)
  • Dang-Kièn Germain Pham, Maître de conférences, Télécom Paris (LTCI) (Co-encadrant)
  • Reda Mohellebi, Ingénieur de Recherche, Télécom Paris (LTCI) (Invité)
  • Pierre Almairac Ingénieur, NXP (Invité)

Résumé

Les amplificateurs de puissance RF large bande sont confrontés à un compromis fondamental entre efficacité et linéarité. Pour y remédier, des modèles comportementaux précis sont indispensables comme substituts numériques pour le développement de la pré-distorsion numérique (DPD), permettant une validation sûre et systématique sans les risques liés aux itérations matérielles. Cette thèse développe des méthodes de modélisation neuronale extensibles en bande passante, privilégiant la précision, la robustesse et une complexité adaptée à l’implémentation.

En savoir plus
L’architecture NARXNN est établie comme un compromis idéal par rapport aux approches polynomiales. Pour améliorer la fidélité dans les régimes fortement non linéaires, une architecture par morceaux (PW-NARXNN) est proposée ; sur le jeu de données de référence, elle améliore le NMSE à -39.2 dB avec une augmentation modérée des paramètres (666 contre 377 du modèle global), offrant une meilleure fidélité spectrale. La généralisation est ensuite validée sur un PA LDMOS avec des signaux 5G-NR de 20 à 100MHz, en utilisant des tests d’interpolation et d’extrapolation pour quantifier la robustesse. Enfin, un facteur de mérite (FoM) unifié est introduit, combinant précision, stabilité et complexité. Ce métrique identifie systématiquement le NARXNN comme la solution la plus performante parmi les modèles évalués.

    Toutes les soutenances de doctorat