DPD Coefficient Estimator

Оцените полиномиальные памятью коэффициенты для цифрового предварительного искажения

  • Библиотека:
  • Communications Toolbox / Коррекция Нарушений РФ

Описание

Оцените полиномиальные памятью коэффициенты для цифрового предварительного искажения (DPD) нелинейного усилителя мощности.

Этот значок показывает блок со всеми включенными портами.

Порты

Входной параметр

развернуть все

Усилитель мощности основополосно-эквивалентный вход в виде вектор-столбца.

Типы данных: double
Поддержка комплексного числа: Да

Усилитель мощности основополосно-эквивалентный выход в виде вектор-столбца той же длины как PA In.

Типы данных: double
Поддержка комплексного числа: Да

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.

Зависимости

Чтобы включить этот порт, установите Algorithm на Recursive least squares и набор Forgetting factor source к Input port.

Типы данных: double

Вывод

развернуть все

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

Параметры

развернуть все

Желаемое амплитудное усиление в дБ в виде скаляра. Это значение параметров выражает желаемое усиление сигнала по поводу компенсированного усилителя выход.

Настраиваемый: да

Типы данных: double

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.

Полиномиальная памятью степень в виде положительного целого числа.

Типы данных: double

Полиномиальная памятью глубина в выборках в виде положительного целого числа.

Типы данных: double

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

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.

Зависимости

Чтобы включить этот параметр, установите Algorithm на Recursive least squares.

Типы данных: double

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.

Зависимости

Чтобы включить этот параметр, установите Algorithm на Recursive least squares и набор Forgetting factor source к Property.

Типы данных: double

Начальная 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.

Зависимости

Чтобы включить этот параметр, установите Algorithm на Recursive least squares.

Типы данных: double
Поддержка комплексного числа: Да

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.

Характеристики блока

Типы данных

double | single

Многомерные сигналы

no

Сигналы переменного размера

yes

Больше о

развернуть все

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 Simulink® Coder™.

Введенный в R2019a

Для просмотра документации необходимо авторизоваться на сайте