Оцените полиномиальные памятью коэффициенты для цифрового предварительного искажения
Communications Toolbox / Коррекция Нарушений РФ
Оцените полиномиальные памятью коэффициенты для цифрового предварительного искажения (DPD) нелинейного усилителя мощности.
Этот значок показывает блок со всеми включенными портами.
PA In
— Усилитель мощности основополосно-эквивалентный входУсилитель мощности основополосно-эквивалентный вход в виде вектор-столбца.
Типы данных: double
Поддержка комплексного числа: Да
PA Out
— Усилитель мощности основополосно-эквивалентный выходУсилитель мощности основополосно-эквивалентный выход в виде вектор-столбца той же длины как PA In.
Типы данных: double
Поддержка комплексного числа: Да
Forgetting Factor
— Упущение фактораУпущение фактора, используемого рекурсивным алгоритмом наименьших квадратов в виде скаляра в области значений (0, 1]. Уменьшение фактора упущения уменьшает время сходимости, но заставляет выходные оценки быть менее устойчивыми.
Чтобы включить этот порт, установите Algorithm на Recursive least squares
и набор Forgetting factor source к Input port
.
Типы данных: double
Out
— Полиномиальные памятью коэффициентыПолиномиальные памятью коэффициенты, возвращенные как матрица. Для получения дополнительной информации смотрите Цифровое Предварительное искажение.
Desired amplitude gain (dB)
— Желаемое амплитудное усиление
(значение по умолчанию) | скалярЖелаемое амплитудное усиление в дБ в виде скаляра. Это значение параметров выражает желаемое усиление сигнала по поводу компенсированного усилителя выход.
Настраиваемый: да
Типы данных: double
Polynomial type
— Полиномиальный типMemory polynomial
(значение по умолчанию) | Cross-term memory polynomial
Полиномиальный тип использовал в предварительном искажении в виде одного 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
(значение по умолчанию) | положительное целое числоПолиномиальная памятью степень в виде положительного целого числа.
Типы данных: double
Memory depth
— Полиномиальная памятью глубина
(значение по умолчанию) | положительное целое числоПолиномиальная памятью глубина в выборках в виде положительного целого числа.
Типы данных: double
Algorithm
— Алгоритм оценкиLeast squares
(значение по умолчанию) | Recursive least squares
Адаптивный алгоритм использовал в эквализации в виде одного из этих значений:
Least squares
— Оцените полиномиальные памятью коэффициенты при помощи алгоритма наименьших квадратов
Recursive least squares
— Оцените полиномиальные памятью коэффициенты при помощи рекурсивного алгоритма наименьших квадратов
Для материала ссылки алгоритма смотрите работы, перечисленные в [1] и [2].
Типы данных: char |
string
Forgetting factor source
— Источник упущения фактораProperty
(значение по умолчанию) | Input port
Источник фактора упущения в виде одного из этих значений:
Property
— Задайте это значение, чтобы использовать параметр Forgetting factor, чтобы задать фактор упущения.
Input port
— Задайте это значение, чтобы использовать входной порт Forgetting Factor, чтобы задать фактор упущения.
Чтобы включить этот параметр, установите Algorithm на Recursive least squares
.
Типы данных: double
Forgetting factor
— Упущение фактора
(значение по умолчанию) | скаляр в области значений (0, 1]Упущение фактора, используемого рекурсивным алгоритмом наименьших квадратов в виде скаляра в области значений (0, 1]. Уменьшение фактора упущения уменьшает время сходимости, но заставляет выходные оценки быть менее устойчивыми.
Чтобы включить этот параметр, установите Algorithm на Recursive least squares
и набор Forgetting factor source к Property
.
Типы данных: double
Initial coefficient estimate
— Начальная содействующая оценка[]
(значение по умолчанию) | матрицаНачальная содействующая оценка для рекурсивного алгоритма наименьших квадратов в виде матрицы.
Если вы задаете это значение как пустую матрицу, 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 вы задаете это значение как непустую матрицу, количество строк должно быть равно значению параметров Memory depth.
Если параметр Polynomial type устанавливается на Memory polynomial
, количество столбцов является степенью полинома памяти.
Если параметр Polynomial type устанавливается на 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.
Чтобы включить этот параметр, установите Algorithm на Recursive least squares
.
Типы данных: double
Поддержка комплексного числа: Да
Simulate using
— Тип симуляции, чтобы запуститьсяCode generation
(значение по умолчанию) | Interpreted execution
Тип симуляции, чтобы запуститься в виде Code generation
или Interpreted execution
.
Code generation
– Симулируйте модель при помощи сгенерированного кода C. В первый раз, когда вы запускаете симуляцию, Simulink® генерирует код С для блока. Код С снова используется для последующих симуляций, если модель не изменяется. Эта опция требует дополнительного времени запуска, но скорость последующих симуляций быстрее, чем Interpreted execution
.
Interpreted execution
– Симулируйте модель при помощи интерпретатора MATLAB®. Эта опция требует меньшего количества времени запуска, чем Code generation
метод, но скорость последующих симуляций медленнее. В этом режиме можно отладить исходный код блока.
Типы данных |
|
Многомерные сигналы |
|
Сигналы переменного размера |
|
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
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
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].
[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.
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.