comm.DPDCoefficientEstimator

Оцените полиномиальные памятью коэффициенты для цифрового предварительного искажения

Описание

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

Вычислить коэффициенты перед искажением:

Создайте comm.DPDCoefficientEstimator объект и набор 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 release функция 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 выход.

Настраиваемый: да

Типы данных: double

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

Полиномиальный тип используется в предварительном искажении, заданном 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.

`Degree` — 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 в эквализации, 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 устойчивыми.

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 пустая матрица, начальная содействующая оценка для рекурсивного алгоритма наименьших квадратов выбрана автоматически, чтобы соответствовать полиному памяти, который является тождественным отображением, так, чтобы выход был равен входному.
Если InitialCoefficientEstimate непустая матрица, количество строк должно быть равно MemoryDepth.
- Если PolynomialType 'Memory polynomial', количество столбцов является степенью полинома памяти.
- Если PolynomialType '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 коэффициенты полинома памяти для использования comm.DPD Системный объект, чтобы предварительно исказить комплексный сгенерированный модулированный 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 выход
вектор-столбец

Основная полоса усилителя мощности эквивалентный выход, 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 записанный 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, предполагаемые коэффициенты выход 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 полиномиальный набор степени к 5 состоя 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 предыскажение с выходом, равным входу путем генерации матрицы коэффициентов 3 на 5 нулей и установки coef(1,1) элемент к 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 dpd Системный объект.

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

Сравните вручную искаженный выход для входа соответствующий выходной элемент y(18) 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 Системного объекта цифрового предыскажения матрицы коэффициентов полинома памяти перекрестного термина с набором глубины памяти к 3 и полиномиальный набор степени к 5 состоя 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 dpd Системный объект.

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 созвездия показывает, нелинейное поведение PA вызывает искажения сигнального созвездия, которые зажимают амплитуду (искажение AM-AM) и скручивают фазу (искажение AM-PM) созвездия указывает пропорциональный амплитуде точки созвездия.

Цель цифрового предварительного искажения состоит в том, чтобы найти нелинейную функцию, которая линеаризует результирующий эффект PA нелинейное поведение в PA выход 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, выход приблизительно равен G ×u (n), где G является желаемым амплитудным усилением PA.

Цифровое предыскажение может быть сконфигурировано, 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 выход, 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 в полиноме 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

comm.DPDCoefficientEstimator

Описание

Создание

Синтаксис

Описание

Свойства

DesiredAmplitudeGaindB — Желаемое амплитудное усиление10 (значение по умолчанию) | скаляр

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

Degree — Полиномиальная памятью степень5 (значение по умолчанию) | положительное целое число

MemoryDepth — Полиномиальная памятью глубина3 (значение по умолчанию) | положительное целое число

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

ForgettingFactor — Упущение фактора0.99 (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 выход вектор-столбец

Выходные аргументы

coef — Полиномиальные памятью коэффициенты матрица

Функции объекта

Характерный для всех системных объектов

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

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'`

`Degree` — 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 выход
вектор-столбец

`coef` — Полиномиальные памятью коэффициенты
матрица

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