В этом примере показано, как реализовать фиксированную точку оптимизированный HDL формирователь луча ответа без искажений минимального отклонения (MVDR). Для получения дополнительной информации о формирователях луча смотрите Обычные и Адаптивные Формирователи луча.
Формирователь луча MVDR сохраняет усиление в направлении прибытия желаемого сигнала и ослабляет интерференцию от других направлений [1], [2].
Учитывая показания от сенсорной матрицы, такие как универсальная линейная матрица (ULA) в следующей схеме, формируют матрицу данных из выборок массива, где-by-1 вектор-столбец показаний от массива произведен во время и является одной строкой матрицы. Намного больше выборок взято, чем в массиве существуют элементы. Это приводит к количеству строк в том, чтобы быть больше очень количества столбцов. Оценка ковариационной матрицы, где Эрмитово или комплексное сопряженное транспонирование.
Вычислите ответ формирователя луча MVDR путем решения следующего уравнения для, где регулирование является векторным указыванием в направлении желаемого сигнала.
Вектор веса MVDR вычисляется из и использование следующего уравнения, которое нормирует, чтобы сохранить усиление в направлении прибытия желаемого сигнала.
Отклик системы MVDR является скалярным произведением между вектором веса MVDR и текущей выборкой от сенсорной матрицы.
Эти три уравнения в предыдущем разделе реализованы тремя первичными блоками в следующей модели. Изменения уровня дают матрицу, решают дополнительные такты, чтобы обновиться перед следующей входной выборкой. Количество тактов между допустимым входом и когда комплексная матрица решают блок, готово, дважды его вход wordlength, чтобы позволить время для итераций CORDIC, плюс 15 циклов для внутренних задержек.
load_system('MVDRBeamformerHDLOptimizedModel'); open_system('MVDRBeamformerHDLOptimizedModel/MVDR - HDL Optimized')
Вместо того, чтобы формировать матрицу данных и вычислить факторизацию Холесского ковариационной матрицы, верхняя треугольная матрица разложения QR вычисляется непосредственно и обновляется как каждый вектор данных потоки в от сенсорной матрицы. Поскольку данные обновляются неопределенно, фактор упущения применяется после каждой факторизации. Чтобы объединяться с эквивалентом матрицы строк, коэффициент упущения должен быть установлен на
Этот пример симулирует эквивалент матрицы со строками, таким образом, коэффициент упущения установлен на 0,9983.
Комплексная Частично-систолическая Матрица Решает Используя Разложение Q-less QR с блоком Forgetting Factor, реализован с помощью метода, найденного в [3]. Верхняя треугольная матрица от разложения QR идентична факторизации Холесского кроме знаков значений на диагонали. Решение матричного уравнения путем вычисления факторизации Холесского не так эффективно, или так же численно звучите как вычисление разложения QR непосредственно [4].
Откройте и симулируйте модель.
open_system('MVDRBeamformerHDLOptimizedModel')
Когда модель симулирует, можно настроить направление сигнала, регулировав угол и шумовые направления путем перетаскивания ползунков, или путем редактирования постоянных значений.
Когда направление сигнала и держащийся угол выравниваются, как обозначено синими и зелеными линиями, вы видите, что диаграмма направленности имеет усиление 0 дБ. Источники шума обнулены, как обозначено красными линиями.
Желаемый импульс появляется, когда источники шума обнулены. Этот пример симулирует с той же задержкой как оборудование, таким образом, вы видите, что сигнал обосновывается в зависимости от времени, когда симуляция запускается и когда направления изменены.
Параметры для формирователя луча устанавливаются в рабочем пространстве модели. Можно изменить параметры путем редактирования и выполнения setMVDRExampleModelWorkspace
функция.
[1] В. Бехар и др. "Оптимизация параметров управления адаптивного основанного на QR формирователя луча MVDR для затора и многопутевого подавления в приемниках GPS/GLONASS". \in: Proc. 16-я Санкт-петербургская Международная конференция по вопросам Интегрированных Систем навигации. Санкт-Петербург, Россия, май 2009, стр 325 - 334.
[2] Джек Кэпон. "Анализ спектра частоты-wavenumber с высоким разрешением". \in: издание 57. 1969, стр 1408 - 1418.
[3] К.М. Рэдер. "VLSI Систолические Массивы для Адаптивного Обнуления". \in: Журнал Обработки сигналов IEEE (июль 1996), стр 29 - 49.
[4] Чарльз Ф. ван Лоун. Введение в Научные вычисления: Матрично-векторный Подход Используя MATLAB. Второй выпуск. Prentice Hall, 2000. ISBN: 0-13-949157-0.