коммуникация. DPDCoefficientEstimator

Оценка коэффициентов памяти-полинома для цифровой предыскаженности

Описание

comm.DPDCoefficientEstimator Система object™ оценивает коэффициенты многочлена памяти для цифрового предварительного искажения (DPD) нелинейного усилителя мощности, учитывая эквивалентный вход основной полосы частот и эквивалентный выход основной полосы частот усилителя мощности. Дополнительные сведения см. в разделе Цифровая предистория.

Для вычисления коэффициентов предыскажения:

Создать comm.DPDCoefficientEstimator и задайте его свойства.
Вызовите объект с аргументами, как если бы это была функция.

Дополнительные сведения о работе системных объектов см. в разделе Что такое системные объекты?.

Создание

Синтаксис

оценщик = коммуникация. DPDCoefficientEstimator

оценщик = коммуникация. DPDCoefficientEstimator (Имя, Стоимость)

Описание

estimator = comm.DPDCoefficientEstimator создает цифровой блок оценки коэффициента предыскажений Системный объект для оценки коэффициентов многочлена памяти для цифрового предыскажения (ДПД) нелинейного усилителя мощности.

пример

estimator = comm.DPDCoefficientEstimator(Name,Value) задает свойства, используя одну или несколько пар имя-значение. Например, comm.DPDCoefficientEstimator('PolynomialType','Cross-term memory polynomial') конфигурирует объект системы оценки коэффициента предыскажений для оценки коэффициентов для многочлена памяти с перекрестными членами. Заключите каждое имя свойства в кавычки.

Свойства

развернуть все

Если не указано иное, свойства не настраиваются, что означает невозможность изменения их значений после вызова объекта. Объекты блокируются при их вызове, и release функция разблокирует их.

Если свойство настраивается, его значение можно изменить в любое время.

Дополнительные сведения об изменении значений свойств см. в разделе Проектирование системы в MATLAB с использованием системных объектов.

`DesiredAmplitudeGaindB` - Требуемый коэффициент усиления амплитуды
`10` (по умолчанию) | скаляр

Требуемый коэффициент усиления амплитуды в дБ, заданный как скаляр. Это значение свойства выражает желаемый коэффициент усиления сигнала на выходе компенсированного усилителя.

Настраиваемый: Да

Типы данных: double

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

Полиномиальный тип, используемый для предыскажений, указывается как одно из следующих значений:

'Memory polynomial' - вычисляет коэффициенты предыскажений с помощью многочлена памяти без перекрестных терминов;
'Cross-term memory polynomial' - вычисляет коэффициенты предыскажений с помощью многочлена памяти с перекрестными членами;

Дополнительные сведения см. в разделе Цифровая предистория.

`Degree` - Память-полиномиальная степень
`5` (по умолчанию) | положительное целое число

Память - полиномиальная степень, заданная как положительное целое число.

Типы данных: double

`MemoryDepth` - Глубина памяти-полинома
`3` (по умолчанию) | положительное целое число

Глубина памяти-полинома в выборках, заданная как положительное целое число.

Типы данных: double

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

Адаптивный алгоритм, используемый для выравнивания, указанный как одно из следующих значений:

'Least squares' - Оценка полиномиальных коэффициентов памяти с помощью алгоритма наименьших квадратов
'Recursive least squares' - Оценка полиномиальных коэффициентов памяти с помощью рекурсивного алгоритма наименьших квадратов

Для получения справочной информации по алгоритму см. работы, перечисленные в [1] и [2].

Типы данных: char | string

`ForgettingFactor` - Коэффициент забывания
`0.99` (по умолчанию) | скаляр в диапазоне (0, 1]

Коэффициент забывания, используемый алгоритмом рекурсивных наименьших квадратов, заданный как скаляр в диапазоне (0, 1]. Уменьшение коэффициента забывания уменьшает время сходимости, но приводит к снижению стабильности выходных оценок.

Настраиваемый: Да

Зависимости

Чтобы включить это свойство, установите для параметра Algorithm значение 'Recursive least squares'.

Типы данных: double

`InitialCoefficientEstimate` - Начальная оценка коэффициента
`[]` (по умолчанию) | матрица

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

Если InitialCoefficientEstimate является пустой матрицей, начальная оценка коэффициента для рекурсивного алгоритма наименьших квадратов выбирается автоматически, чтобы соответствовать многочлену памяти, который является единичной функцией, так что выход равен входу.
Если InitialCoefficientEstimate является непустой матрицей, число строк должно быть равно MemoryDepth.
- Если PolynomialType является 'Memory polynomial', число столбцов - степень многочлена памяти.
- Если PolynomialType является 'Cross-term memory polynomial'число столбцов должно быть равно m (n-1) + 1. m - глубина памяти многочлена, n - степень многочлена памяти.

Дополнительные сведения см. в разделе Цифровая предистория.

Зависимости

Чтобы включить это свойство, установите для параметра Algorithm значение 'Recursive least squares'.

Типы данных: double
Поддержка комплексного номера: Да

Использование

Синтаксис

coef = оценщик (paIn, paOut)

Описание

пример

coef = estimator(paIn,paOut) оценивает коэффициенты многочлена памяти для использования comm.DPD Задача системы состоит в том, чтобы предустанавливать комплексный сигнал основной полосы частот с использованием многочлена памяти для компенсации нелинейности в усилителе мощности.

Входные аргументы

развернуть все

`paIn` - Эквивалентный вход усилителя мощности
вектор столбца

Эквивалентный вход усилителя мощности, определяемый как вектор столбца.

Типы данных: double
Поддержка комплексного номера: Да

`paOut` - Эквивалентный выход усилителя мощности в основной полосе
вектор столбца

Эквивалентный выход усилителя мощности в основной полосе, определяемый как вектор столбца той же длины, что и paIn.

Типы данных: double
Поддержка комплексного номера: Да

Выходные аргументы

развернуть все

`coef` - Коэффициенты памяти-полинома
матрица

Коэффициенты памяти-полинома, возвращаемые в виде матрицы. Дополнительные сведения см. в разделе Цифровая предистория.

Функции объекта

Чтобы использовать функцию объекта, укажите объект System в качестве первого входного аргумента. Например, для освобождения системных ресурсов объекта System с именем obj, используйте следующий синтаксис:

release(obj)

развернуть все

Общие для всех системных объектов

`step`	Запустить алгоритм объекта System
`release`	Деблокирование ресурсов и разрешение изменений значений свойств объекта системы и входных признаков
`reset`	Сброс внутренних состояний объекта System

Примеры

свернуть все

Входной сигнал усилителя мощности Predistort

Открыть сценарий в реальном времени

Примените цифровое предыскажение (DPD) к входному сигналу усилителя мощности. Объект системы оценки коэффициента DPD использует захваченный сигнал, содержащий входные и выходные сигналы усилителя мощности, для определения матрицы коэффициентов предыскажений.

Загрузите файл, содержащий входные и выходные сигналы усилителя мощности.

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

Создайте системный объект оценки коэффициента DPD и системный объект фильтра передачи с увеличенным косинусом.

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

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

Оцените цифровые коэффициенты памяти и полинома предыскажений.

coef = estimator(PA_input,PA_output);

Создание системного объекта DPD с помощью coefоцененные коэффициенты, выводимые из блока оценки коэффициента DPD, как для матрицы коэффициентов.

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

Генерировать 2000 случайных символов и применять 16-QAM модуляцию к сигналу. Применить фильтрацию передачи с увеличенным косинусом к модулированному сигналу.

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

Применение цифровой предыскажения к данным. Объект DPD System возвращает предварительно записанный сигнал для подачи на вход усилителя мощности.

y = dpd(x);

Формат матрицы коэффициентов для полинома памяти с цифровым предыскажением

Открыть сценарий в реальном времени

Эти примеры показывают формат матрицы коэффициентов для многочлена памяти DPD с использованием произвольно сформированной матрицы коэффициентов. Пример:

Создает цифровой объект предыскажений System, настроенный с использованием матрицы полиномиальных коэффициентов памяти с глубиной памяти, равной 3 и степень полинома, установленная как 5 состоит из случайных значений.
Предисторирует сигнал, используя матрицу коэффициента памяти-полинома.
Сравнивает один предварительно записанный выходной элемент с соответствующим входным элементом, который был вычислен вручную с использованием матрицы коэффициентов полинома памяти.

Создайте матрицу коэффициентов, представляющую предыскажатель с выходом, равным входу, путем генерации матрицы коэффициентов 3 на 5 нулей и установки значения coef(1,1) элемент в 1. Добавьте небольшие случайные комплексные нелинейные члены к матрице 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 полиномиальных коэффициентов памяти. coef.

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

Генерировать входной сигнал и предустанавливать его с помощью dpd Системный объект.

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

Сравнение искаженных вручную выходных данных для входного соответствующего выходного элемента y(18) чтобы показать, как матрица коэффициентов используется для вычисления этого конкретного выходного значения.

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 поперечных коэффициентов для полинома памяти с цифровым предыскажением

Открыть сценарий в реальном времени

Создает цифровой системный объект предыскажателя, настроенный с использованием матрицы многомерных коэффициентов памяти с глубиной памяти, равной 3 и степень полинома, установленная как 5 состоит из случайных значений.
Предысторирует сигнал, используя матрицу многомерных коэффициентов памяти.
Сравнивает один предварительно записанный выходной элемент с соответствующим входным элементом, который был вычислен вручную с использованием матрицы многомерных коэффициентов памяти.

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 многомерных коэффициентов памяти, coef.

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

Генерировать входной сигнал и предустанавливать 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

Подробнее

развернуть все

Цифровая предыстория

Передачи беспроводной связи обычно требуют передачи сигнала с широкой полосой пропускания в широком динамическом диапазоне сигналов. Для передачи сигналов в широком динамическом диапазоне и достижения высокой эффективности усилители мощности РЧ (РА) обычно работают в своей нелинейной области. Как показывает эта диаграмма созвездия, нелинейное поведение PA вызывает искажения сигнальных созвездий, которые сжимают амплитуду (искажения AM-AM) и фазу скручивания (искажения AM-PM) точек созвездия, пропорциональную амплитуде точки созвездия.

Цель цифрового предыскажения состоит в том, чтобы найти нелинейную функцию, которая линеаризует суммарный эффект нелинейного поведения ПА на выходе ПА в рабочем диапазоне ПА. Когда вход PA равен x (n), а функция предыскажения равна f (u (n)), где u (n) является истинным сигналом, подлежащим усилению, выход PA приблизительно равен G × u (n), где G является желаемым усилением амплитуды PA.

Цифровой предыскажатель может быть сконфигурирован для использования многочлена памяти с перекрестными терминами или без них.

Многочлен памяти с перекрестными терминами предустанавливает входной сигнал как

$x (n) = f (u (_{n))}^{}_{} ≜\summ=0M-1cm\timesu_{(}^{n-m)}_{}^{}_{}^{}_{} +∑m=0M−1∑j=0M−1∑k=0K−1amjk×u (n-m)^{} \times$ | u (n-j) | k.

Многочлен памяти с перекрестными членами имеет коэффициенты (M + M × M × (K-1)) для cm _и amjk.
Полином памяти без перекрестных терминов предустанавливает входной сигнал как

$x (n) = f (u (_{n))}^{}_{}^{}_{} ≜\summ=0M-1\sumk=0K-1amk\timesu (n-m) \times^{} |$ u (n-m) | k.
Многочлен без перекрестных членов имеет коэффициенты M × K для _amk.

Оценка функции предыскажения и коэффициентов

Оценка коэффициента DPD использует непрямую архитектуру обучения, чтобы найти функцию f (u (n)) для прогнозирования входного сигнала u (n), который предшествует входу PA.

Алгоритм оценки коэффициентов DPD моделирует нелинейные эффекты памяти PA, основываясь на работах Morgan и др. [1] и Schetzen [2], используя теоретическую основу, разработанную для систем Volterra.

В частности, обратное отображение из выходного сигнала РА, нормализованного коэффициентом усиления РА, {y (n )/G}, на вход РА, {x (n)}, обеспечивает хорошую аппроксимацию функции f (u (n)), необходимой для предыскажения {u (n)} для получения {x (n)}.

Ссылаясь на вышеприведенные уравнения полинома памяти, вычисляют оценки для коэффициентов «память-полином»:

_см и _amjk для многочлена памяти с перекрестными терминами
_amk для многочлена памяти без перекрестных терминов

Коэффициенты памяти-многочлена оцениваются с использованием алгоритма аппроксимации методом наименьших квадратов или рекурсивного алгоритма аппроксимации методом наименьших квадратов. Алгоритм подгонки наименьших квадратов или алгоритмы рекурсивных наименьших квадратов используют уравнения многочленов памяти выше для многочлена памяти с перекрестными членами или без них путем замены {u (n)} на {y (n )/G}. Порядок функций и размерность матрицы коэффициентов определяются степенью и глубиной многочлена памяти.

Пример, детализирующий процесс точной оценки коэффициентов полинома памяти и предыскажения входного сигнала ПА, см. в разделе Цифровая предистория для компенсации нелинейности усилителя мощности.

Справочный материал см. в работах, перечисленных в [1] и [2].

Ссылки

[1] Морган, Деннис Р., Чжэнсян Ма, Джэхён Ким, Майкл Г. Зиердт и Джон Пасталан. «Обобщенная модель полинома памяти для цифровой предыскажения усилителей мощности». Транзакции IEEE ® при обработке сигналов. Том 54, номер 10, октябрь 2006, стр. 3852-3860.

[2] М. Схецен. Теории нелинейных систем Вольтерры и Винера. Нью-Йорк: Уайли, 1980.

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

Примечания и ограничения по использованию:

См. Системные объекты в создании кода MATLAB (кодер MATLAB).

См. также

Представлен в R2019a

Документация

коммуникация. DPDCoefficientEstimator

Описание

Создание

Синтаксис

Описание

Свойства

DesiredAmplitudeGaindB - Требуемый коэффициент усиления амплитуды 10 (по умолчанию) | скаляр

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

Degree - Память-полиномиальная степень 5 (по умолчанию) | положительное целое число

MemoryDepth - Глубина памяти-полинома 3 (по умолчанию) | положительное целое число

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

ForgettingFactor - Коэффициент забывания 0.99 (по умолчанию) | скаляр в диапазоне (0, 1]

Зависимости

InitialCoefficientEstimate - Начальная оценка коэффициента [] (по умолчанию) | матрица

Зависимости

Использование

Синтаксис

Описание

Входные аргументы

paIn - Эквивалентный вход усилителя мощности вектор столбца

paOut - Эквивалентный выход усилителя мощности в основной полосе вектор столбца

Выходные аргументы

coef - Коэффициенты памяти-полинома матрица

Функции объекта

Общие для всех системных объектов

Примеры

Входной сигнал усилителя мощности Predistort

Формат матрицы коэффициентов для полинома памяти с цифровым предыскажением

Формат матрицы поперечных коэффициентов для полинома памяти с цифровым предыскажением

Подробнее

Цифровая предыстория

Ссылки

Расширенные возможности

Создание кода C/C + + Создайте код C и C++ с помощью MATLAB ® Coder™

См. также

Объекты

Блоки

Темы

Документация по инструментам связи

Поддержка

`DesiredAmplitudeGaindB` - Требуемый коэффициент усиления амплитуды
`10` (по умолчанию) | скаляр

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

`Degree` - Память-полиномиальная степень
`5` (по умолчанию) | положительное целое число

`MemoryDepth` - Глубина памяти-полинома
`3` (по умолчанию) | положительное целое число

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

`ForgettingFactor` - Коэффициент забывания
`0.99` (по умолчанию) | скаляр в диапазоне (0, 1]

`InitialCoefficientEstimate` - Начальная оценка коэффициента
`[]` (по умолчанию) | матрица

`paIn` - Эквивалентный вход усилителя мощности
вектор столбца

`paOut` - Эквивалентный выход усилителя мощности в основной полосе
вектор столбца

`coef` - Коэффициенты памяти-полинома
матрица

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™