коммуникация. DPDCoefficientEstimator

Оцените полиномиальные памятью коэффициенты для цифрового предварительного искажения

Описание

Система comm.DPDCoefficientEstimator object™ оценивает коэффициенты полинома памяти для цифрового предварительного искажения (DPD) нелинейного усилителя мощности, учитывая основополосный эквивалентный вход и основополосный эквивалентный вывод усилителя мощности. Для получения дополнительной информации смотрите Цифровое Предварительное искажение.

Вычислить коэффициенты перед искажением:

Создайте объект comm.DPDCoefficientEstimator и установите его свойства.
Вызовите объект с аргументами, как будто это была функция.

Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты? MATLAB.

Создание

Синтаксис

estimator = comm.DPDCoefficientEstimator

estimator = comm.DPDCoefficientEstimator(Name,Value)

Описание

estimator = comm.DPDCoefficientEstimator создает цифровой содействующий Системный объект средства оценки перед искажением, чтобы оценить коэффициенты полинома памяти для цифрового предварительного искажения (DPD) нелинейного усилителя мощности.

пример

estimator = comm.DPDCoefficientEstimator(Name,Value) свойства наборов с помощью одной или нескольких пар "имя-значение". Например, comm.DPDCoefficientEstimator('PolynomialType','Cross-term memory polynomial') конфигурирует содействующий Системный объект средства оценки перед искажением, чтобы оценить коэффициенты для полинома памяти с перекрестными условиями. Заключите каждое имя свойства в кавычки.

Свойства

развернуть все

Если в противном случае не обозначено, свойства являются ненастраиваемыми, что означает, что вы не можете изменить их значения после вызова объекта. Объекты блокируют, когда вы вызываете их, и функция release разблокировала их.

Если свойство является настраиваемым, можно изменить его значение в любое время.

Для получения дополнительной информации об изменении значений свойств смотрите Разработку системы в MATLAB Используя Системные объекты (MATLAB).

`DesiredAmplitudeGaindB` — Желаемое амплитудное усиление
`10` (значение по умолчанию) | скаляр

Желаемое амплитудное усиление в дБ, заданном как скаляр. Это значение свойства выражает желаемое усиление сигнала по поводу компенсированного усилителя вывод.

Настраиваемый: да

Типы данных: double

`PolynomialType` — Полиномиальный тип
`'Memory polynomial'` (значение по умолчанию) | `'Cross-term memory polynomial'`

Полиномиальный тип используется для предварительного искажения, заданного как одно из этих значений:

'Memory polynomial' — Вычисляет коэффициенты перед искажением при помощи полинома памяти без перекрестных условий
'Cross-term memory polynomial' — Вычисляет коэффициенты перед искажением при помощи полинома памяти с перекрестными условиями

Для получения дополнительной информации смотрите Цифровое Предварительное искажение.

`Градус` Полиномиальная памятью степень
`5` (значение по умолчанию) | положительное целое число

Полиномиальная памятью степень, заданная как положительное целое число.

Типы данных: double

`MemoryDepth` — Полиномиальная памятью глубина
`3` (значение по умолчанию) | положительное целое число

Полиномиальная памятью глубина в выборках, заданных как положительное целое число.

Типы данных: double

`Algorithm` — Алгоритм оценки
`'Least squares'` (значение по умолчанию) | `'Recursive least squares'`

Адаптивный алгоритм используется для коррекции, заданной как одно из этих значений:

'Least squares' — Оцените коэффициенты полинома памяти при помощи алгоритма наименьших квадратов
'Recursive least squares' — Оцените коэффициенты полинома памяти при помощи рекурсивного алгоритма наименьших квадратов

Для материала ссылки алгоритма смотрите работы, перечисленные в [1] и [2].

Типы данных: char | string

`ForgettingFactor` — Упущение фактора
`0.99` (значение по умолчанию) | скаляр в области значений (0, 1]

Упущение фактора, используемого рекурсивным алгоритмом наименьших квадратов, заданным как скаляр в области значений (0, 1]. Уменьшение фактора упущения уменьшает время сходимости, но заставляет выходные оценки быть менее стабильными.

Настраиваемый: да

Зависимости

Чтобы включить это свойство, установите Алгоритм на 'Recursive least squares'.

Типы данных: double

`InitialCoefficientEstimate` — Начальная содействующая оценка
`[]` (значение по умолчанию) | матрица

Начальная содействующая оценка для рекурсивного алгоритма наименьших квадратов, заданного как матрица.

Если InitialCoefficientEstimate является пустой матрицей, начальная содействующая оценка для рекурсивного алгоритма наименьших квадратов выбрана автоматически, чтобы соответствовать полиному памяти, который является тождественным отображением, так, чтобы вывод был равен входному.
Если InitialCoefficientEstimate является непустой матрицей, количество строк должно быть равно MemoryDepth.
- Если PolynomialType является 'Memory polynomial', количество столбцов является степенью полинома памяти.
- Если PolynomialType является 'Cross-term memory polynomial', количество столбцов должно равняться m (n-1) +1. m является глубиной памяти полинома, и n является степенью полинома памяти.

Для получения дополнительной информации смотрите Цифровое Предварительное искажение.

Зависимости

Чтобы включить это свойство, установите Алгоритм на 'Recursive least squares'.

Типы данных: double
Поддержка комплексного числа: Да

Использование

Синтаксис

coef = estimator(paIn,paOut)

Описание

пример

coef = estimator(paIn,paOut) оценивает, что коэффициенты полинома памяти для использования Системным объектом comm.DPD предварительно искажают комплексный основополосный сигнал при помощи полинома памяти, чтобы компенсировать нелинейность в усилителе мощности.

Входные параметры

развернуть все

`paIn` — Основная полоса усилителя мощности эквивалентный вход
вектор-столбец

Основная полоса усилителя мощности эквивалентный вход, заданный как вектор-столбец.

Типы данных: double
Поддержка комплексного числа: Да

`paOut` — Основная полоса усилителя мощности эквивалентный вывод
вектор-столбец

Основная полоса усилителя мощности эквивалентный вход, заданный как вектор-столбец той же длины как paIn.

Типы данных: double
Поддержка комплексного числа: Да

Выходные аргументы

развернуть все

`coef` — Полиномиальные памятью коэффициенты
матрица

Полиномиальные памятью коэффициенты, возвращенные как матрица. Для получения дополнительной информации смотрите Цифровое Предварительное искажение.

Функции объекта

Чтобы использовать объектную функцию, задайте Системный объект как первый входной параметр. Например, чтобы выпустить системные ресурсы Системного объекта под названием obj, используйте этот синтаксис:

release(obj)

развернуть все

Характерный для всех системных объектов

`step`	Запустите алгоритм Системного объекта
`release`	Высвободите средства и позвольте изменения в значениях свойств Системного объекта и введите характеристики
`reset`	Сбросьте внутренние состояния Системного объекта

Примеры

развернуть все

Предварительно исказите входной сигнал усилителя мощности

Скрипт Open Live Script

Примените цифровое предварительное искажение (DPD) к входному сигналу усилителя мощности. Содействующий Системный объект средства оценки DPD использует полученный сигнал, содержащий сигналы ввода и вывода усилителя мощности определить матрицу коэффициентов перед искажением.

Загрузите файл, содержащий сигналы ввода и вывода для усилителя мощности.

load('commpowamp_dpd_data.mat','PA_input','PA_output')

Сгенерируйте содействующий Системный объект средства оценки DPD, и повышенная передача косинуса фильтруют Системный объект.

estimator = comm.DPDCoefficientEstimator( ...
    'DesiredAmplitudeGaindB',10, ...
    'PolynomialType','Memory polynomial', ...
    'Degree',5,'MemoryDepth',3,'Algorithm','Least squares');

rctFilt = comm.RaisedCosineTransmitFilter('OutputSamplesPerSymbol',2);

Оцените цифровые коэффициенты полинома памяти перед искажением.

coef = estimator(PA_input,PA_output);

Сгенерируйте Системный объект DPD с помощью coef, предполагаемых коэффициентов вывод от содействующего средства оценки DPD, что касается матрицы коэффициентов.

dpd = comm.DPD('PolynomialType','Memory polynomial', ...
    'Coefficients',coef);

Сгенерируйте 2 000 случайных символов и примените 16-QAM модуляцию к сигналу. Примените повышенную фильтрацию передачи косинуса к модулируемому сигналу.

s = randi([0,15],2000,1);
u = qammod(s,16);
x = rctFilt(u);

Примените цифровое предварительное искажение к данным. Системный объект DPD возвращает предварительно искаженный сигнал обеспечить, как введено к усилителю мощности.

y = dpd(x);

Формат матрицы коэффициентов для цифрового полинома памяти перед искажением

Скрипт Open Live Script

Это примеры показывает формат матрицы коэффициентов для полинома памяти DPD при помощи случайным образом сгенерированной матрицы коэффициентов. Пример:

Создает сконфигурированное использование Системного объекта цифрового предварительного искажения матрицы коэффициентов полинома памяти с набором глубины памяти к 3 и полиномиальным набором степени к 5, состоящему из случайных значений.
Предварительно искажает сигнал с помощью полиномиальной памятью матрицы коэффициентов.
Выдерживает сравнение тот предварительно исказил выходной элемент к соответствующему входному элементу, который был вручную вычислен с помощью полиномиальной памятью матрицы коэффициентов.

Создайте матрицу коэффициентов, представляющую predistorter с выводом, равным входу путем генерации матрицы коэффициентов 3 на 5 нулей и установки элемента coef(1,1) на 1. Добавьте маленькие случайные комплексные нелинейные условия в матрицу коэффициентов.

coef = zeros(3,5);
coef(1,1) = 1;
coef = coef + 0.01*(randn(3,5)+1j*randn(3,5));

Создайте Системный объект DPD с помощью матрицы коэффициентов полинома памяти, coef.

dpd = comm.DPD('PolynomialType','Memory polynomial','Coefficients',coef);

Сгенерируйте входной сигнал и предварительно исказите его с помощью Системного объекта dpd.

x = randn(20,1) + 1j*randn(20,1);
y = dpd(x);

Сравните вручную искаженный вывод для входа соответствующий выходной элемент y(18), чтобы показать, как матрица коэффициентов используется, чтобы вычислить что конкретное выходное значение.

u = x(18:-1:(18-3+1));
isequal(y(18),sum(sum(coef.*[u u.*abs(u) u.*(abs(u).^2) u.*(abs(u).^3) u.*(abs(u).^4)])))

ans = logical
   1

Формат матрицы коэффициентов перекрестного термина для цифрового полинома памяти перед искажением

Скрипт Open Live Script

Создает сконфигурированное использование цифрового predistorter Системного объекта матрицы коэффициентов полинома памяти перекрестного термина с набором глубины памяти к 3 и полиномиальным набором степени к 5, состоящему из случайных значений.
Предварительно искажает сигнал с помощью матрицы коэффициентов полинома памяти перекрестного термина.
Выдерживает сравнение тот предварительно исказил выходной элемент к соответствующему входному элементу, который был вручную вычислен с помощью матрицы коэффициентов полинома памяти перекрестного термина.

coef = zeros(3,3*(5-1)+1);
coef(1,1) = 1;
coef = coef + 0.01*(randn(3,13) + 1j*randn(3,13));

Создайте Системный объект DPD с помощью матрицы коэффициентов полинома памяти перекрестного термина, coef.

dpd = comm.DPD('PolynomialType','Cross-term memory polynomial','Coefficients',coef);

Сгенерируйте входной сигнал и предварительно исказите его с помощью Системного объекта dpd.

x = randn(20,1) + 1j*randn(20,1);
y = dpd(x);

u = x(18:-1:(18-3+1));
isequal(y(18),sum(sum(coef.*[u u*abs(u.') u*(abs(u.').^2) u*(abs(u.').^3) u*(abs(u.').^4)])))

ans = logical
   1

Больше о

развернуть все

Цифровое предварительное искажение

Передачи радиосвязи обычно требуют широкой передачи сигнала пропускной способности по широкому динамическому диапазону сигнала. Чтобы передать сигналы по широкому динамическому диапазону и достигнуть высокой эффективности, усилители ВЧ-мощности (ПЕРВЕНСТВО) обычно действуют в их нелинейной области. Когда эта схема совокупности показывает, нелинейное поведение PA вызывает искажения сигнального созвездия, которые зажимают амплитуду (искажение AM-AM) и скручивают фазу (искажение AM-PM) совокупности указывает пропорциональный амплитуде точки совокупности.

Цель цифрового предварительного искажения состоит в том, чтобы найти нелинейную функцию, которая линеаризует результирующий эффект PA нелинейное поведение в PA вывод через рабочий диапазон PA. Когда входом PA является x (n), и функцией перед искажением является f (u (n)), где u (n) является истинным сигналом, который будет усилен, PA, вывод приблизительно равен G ×u (n), где G является желаемым амплитудным усилением PA.

Цифровой predistorter может быть сконфигурирован, чтобы использовать полином памяти с или без перекрестных условий.

Полином памяти с перекрестными условиями предварительно искажает входной сигнал как

$x (n) = f (u (n)) ≜ \sum_{m =0}^{M - 1} c_{m} \times u (n - m) + \sum_{m =0}^{M - 1} \sum_{j =0}^{M - 1} \sum_{k =0}^{K - 1} a_{m j k} \times u (n - m) \times | u (n - j) |^{k} .$

Полином памяти с перекрестными условиями имеет (M +M×M× (K-1)) коэффициенты для _cm и a _mjk.
Полином памяти без перекрестных условий предварительно искажает входной сигнал как

$x (n) = f (u (n)) ≜ \sum_{m =0}^{M - 1} \sum_{k =0}^{K - 1} a_{m k} \times u (n - m) \times | u (n - m) |^{k} .$
Полином без перекрестных условий имеет M ×K коэффициенты для _amk.

Оценка функции перед искажением и коэффициентов

Содействующая оценка DPD использует косвенную архитектуру изучения, чтобы найти, что функциональный f (u (n)) предварительно искажает входной сигнал u (n), который предшествует входу PA.

Содействующие модели алгоритма оценки DPD нелинейные эффекты памяти PA на основе работы в ссылочных статьях Моргана, и др. [1 год], и Schetzen [2], с помощью теоретической основы разрабатываются для систем Волтерры.

А именно, обратное отображение от PA вывод, нормированный усилением PA, {y (n)/G}, к входу PA, {x (n)}, предоставляет хорошее приближение функциональному f (u (n)), должен был предварительно исказить {u (n)}, чтобы произвести {x (n)}.

Что касается уравнений полинома памяти выше, оценки вычисляются для полиномиальных памятью коэффициентов:

_cm и _amjk для полинома памяти с перекрестными условиями
_amk для полинома памяти без перекрестных условий

Полиномиальные памятью коэффициенты оцениваются при помощи алгоритма метода наименьших квадратов или рекурсивного алгоритма наименьших квадратов. Алгоритм метода наименьших квадратов или рекурсивные алгоритмы наименьших квадратов использует уравнения полинома памяти выше для полинома памяти с или без перекрестных условий, заменяя {u (n)} с {y (n)/G}. Функциональный порядок и размерность матрицы коэффициентов заданы степенью и глубиной полинома памяти.

Для примера, который детализирует процесс точной оценки полиномиальных памятью коэффициентов и предварительного искажения входного сигнала PA, смотрите Характеристику Усилителя мощности с DPD для Уменьшаемого Искажения Сигнала.

Для фонового материала ссылки смотрите работы, перечисленные в [1] и [2].

Ссылки

[1] Морган, Деннис Р., Чжэнсян Ма, Джэехиеонг Ким, Михаэль Г. Цирдт и Джон Пэсталан. "Обобщенная Модель Полинома Памяти для Цифрового Предварительного искажения Усилителей мощности". IEEE^® Transactions на Обработке сигналов. Издание 54, Номер 10, октябрь 2006, стр 3852–3860.

[2] М. Шецен. Волтерра и винеровские теории нелинейных систем. Нью-Йорк: Вайли, 1980.

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

Смотрите системные объекты в Генерации кода MATLAB (MATLAB Coder).

Смотрите также

Документация

коммуникация. DPDCoefficientEstimator

Описание

Создание

Синтаксис

Описание

Свойства

DesiredAmplitudeGaindB — Желаемое амплитудное усиление 10 (значение по умолчанию) | скаляр

PolynomialType — Полиномиальный тип 'Memory polynomial' (значение по умолчанию) | 'Cross-term memory polynomial'

Градус Полиномиальная памятью степень 5 (значение по умолчанию) | положительное целое число

MemoryDepth — Полиномиальная памятью глубина 3 (значение по умолчанию) | положительное целое число

Algorithm — Алгоритм оценки 'Least squares' (значение по умолчанию) | 'Recursive least squares'

ForgettingFactor — Упущение фактора 0.99 (значение по умолчанию) | скаляр в области значений (0, 1]

Зависимости

InitialCoefficientEstimate — Начальная содействующая оценка [] (значение по умолчанию) | матрица

Зависимости

Использование

Синтаксис

Описание

Входные параметры

paIn — Основная полоса усилителя мощности эквивалентный вход вектор-столбец

paOut — Основная полоса усилителя мощности эквивалентный вывод вектор-столбец

Выходные аргументы

coef — Полиномиальные памятью коэффициенты матрица

Функции объекта

Примеры

Предварительно исказите входной сигнал усилителя мощности

Формат матрицы коэффициентов для цифрового полинома памяти перед искажением

Формат матрицы коэффициентов перекрестного термина для цифрового полинома памяти перед искажением

Больше о

Цифровое предварительное искажение

Ссылки

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Системные объекты

Блоки

Темы

Введенный в R2019a

Документация Communications Toolbox

Поддержка

`DesiredAmplitudeGaindB` — Желаемое амплитудное усиление
`10` (значение по умолчанию) | скаляр

`PolynomialType` — Полиномиальный тип
`'Memory polynomial'` (значение по умолчанию) | `'Cross-term memory polynomial'`

`Градус` Полиномиальная памятью степень
`5` (значение по умолчанию) | положительное целое число

`MemoryDepth` — Полиномиальная памятью глубина
`3` (значение по умолчанию) | положительное целое число

`Algorithm` — Алгоритм оценки
`'Least squares'` (значение по умолчанию) | `'Recursive least squares'`

`ForgettingFactor` — Упущение фактора
`0.99` (значение по умолчанию) | скаляр в области значений (0, 1]

`InitialCoefficientEstimate` — Начальная содействующая оценка
`[]` (значение по умолчанию) | матрица

`paIn` — Основная полоса усилителя мощности эквивалентный вход
вектор-столбец

`paOut` — Основная полоса усилителя мощности эквивалентный вывод
вектор-столбец

`coef` — Полиномиальные памятью коэффициенты
матрица

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.