comm.DPDCoefficientEstimator

Оцените полиномиальные коэффициенты памяти для цифрового предварительного искажения

Описание

The comm.DPDCoefficientEstimator Система object™ оценивает коэффициенты полинома памяти для цифрового предварительного искажения (DPD) нелинейного усилителя степени, учитывая эквивалентный вход основной полосы и эквивалентный выход основной полосы степени. Для получения дополнительной информации см. Раздел «Цифровое предварительное искажение».

Чтобы вычислить коэффициенты предварительного искажения:

Создайте comm.DPDCoefficientEstimator Объекту и установите его свойства.
Вызывайте объект с аргументами, как будто это функция.

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

Создание

Синтаксис

estimator = comm.DPDCoefficientEstimator

estimator = comm.DPDCoefficientEstimator(Name,Value)

Описание

estimator = comm.DPDCoefficientEstimator создает Системный объект оценки цифрового коэффициента предварительного искажения для оценки коэффициентов полинома памяти для цифрового предварительного искажения (DPD) нелинейного усилителя степени.

пример

estimator = comm.DPDCoefficientEstimator(Name,Value) устанавливает свойства с помощью одной или нескольких пар "имя-значение". Для примера, comm.DPDCoefficientEstimator('PolynomialType','Cross-term memory polynomial') конфигурирует системный объект оценки коэффициента предварительного искажения, чтобы оценить коэффициенты для многочлена памяти с перекрестными терминами. Заключайте каждое имя свойства в кавычки.

Свойства

расширить все

Если не указано иное, свойства являются нетронутыми, что означает, что вы не можете изменить их значения после вызова объекта. Объекты блокируются, когда вы вызываете их, и release функция разблокирует их.

Если свойство настраивается, можно изменить его значение в любой момент.

Для получения дополнительной информации об изменении значений свойств смотрите Разработку системы в MATLAB Использование Системных объектов.

`DesiredAmplitudeGaindB` - Желаемый коэффициент усиления амплитуды
`10` (по умолчанию) | скаляром

Желаемый коэффициент усиления амплитуды в дБ, заданный как скаляр. Это значение свойства выражает требуемый 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 предварительного искажения, заданный как одно из следующих значений:

'Memory polynomial' - Вычисляет коэффициенты предварительного искажения с помощью полинома памяти без перекрестных членов
'Cross-term memory polynomial' - Вычисляет коэффициенты предварительного искажения с помощью полинома памяти с перекрестными терминами

Для получения дополнительной информации см. Раздел «Цифровое предварительное искажение».

`Degree` - Полиномиальная степень памяти
`5` (по умолчанию) | положительное целое число

Степень памяти-полином, заданная как положительное целое число.

Типы данных: double

`MemoryDepth` - Память-полином глубины
`3` (по умолчанию) | положительное целое число

Полиномиальная глубина памяти в выборках, заданная как положительное целое число.

Типы данных: double

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

Адаптивный алгоритм, используемый для эквализации, задается как одно из следующих значений:

'Least squares' - Оцените полиномиальные коэффициенты памяти с помощью алгоритма наименьших квадратов
'Recursive least squares' - Оцените полиномиальные коэффициенты памяти с помощью рекурсивного алгоритма наименьших квадратов

Для справочного материала алгоритма смотрите работы, перечисленные в [1] и [2].

Типы данных: char | string

`ForgettingFactor` - Коэффициент забывания
`0.99` (по умолчанию) | скаляром в области значений (0, 1]

Коэффициент забывания, используемый рекурсивным алгоритмом наименьших квадратов, заданный как скаляр в области значений (0, 1]. Уменьшение коэффициента забывания уменьшает время сходимости, но делает выходные оценки менее стабильными.

Настраиваемый: Да

Зависимости

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

Типы данных: double

`InitialCoefficientEstimate` - Оценка начального коэффициента
`[]` (по умолчанию) | матрица

Оценка начального коэффициента для рекурсивного алгоритма наименьших квадратов, заданная как матрица.

Если InitialCoefficientEstimate является пустой матрицей, оценка начального коэффициента для рекурсивного алгоритма наименьших квадратов выбрана автоматически, чтобы соответствовать полиному памяти, который является тождествами функцией, так что выход равен входу.
Если InitialCoefficientEstimate является непустой матрицей, количество строк должно быть равно MemoryDepth.
- Если PolynomialType является 'Memory polynomial', количество столбцов является степенью полинома памяти.
- Если PolynomialType является 'Cross-term memory polynomial', количество столбцов должно равняться m (n -1) + 1. m - глубина памяти полинома, а n - степень полинома памяти.

Для получения дополнительной информации см. Раздел «Цифровое предварительное искажение».

Зависимости

Чтобы включить это свойство, установите значение Algorithm равным '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 предопределить комплексный сгенерированный модулированный сигнал путем использования полинома памяти для компенсации нелинейностей в усилителе степени.

Входные параметры

расширить все

`paIn` - Эквивалентный вход усилителя степени
Вектор-столбец

Степень эквивалентный вход усилителя в виде вектора-столбца.

Типы данных: double
Поддержка комплексного числа: Да

`paOut` - Выход эквивалентной полосы частот усилителя степени
Вектор-столбец

Степень эквивалентную полосу частот усилителя выхода, заданную как вектор-столбец той же длины, что и paIn.

Типы данных: double
Поддержка комплексного числа: Да

Выходные аргументы

расширить все

`coef` - Полиномиальные коэффициенты памяти
матрица

Полиномиальные коэффициенты памяти, возвращенные как матрица. Для получения дополнительной информации см. Раздел «Цифровое предварительное искажение».

Функции объекта

Чтобы использовать функцию объекта, задайте системный объект в качестве первого входного параметра. Например, чтобы освободить системные ресурсы системного объекта с именем obj, используйте следующий синтаксис:

release(obj)

расширить все

Общий для всех системных объектов

`step`	Запуск алгоритма системного объекта
`release`	Отпустите ресурсы и допустите изменения в значениях свойств системного объекта и входных характеристиках
`reset`	Сброс внутренних состояний Системного объекта

Примеры

свернуть все

Предварительный входной сигнал усилителя степени

Открыть Live Script

Примените цифровое предварительное искажение (DPD) к входному сигналу усилителя степени. Системный объект оценки коэффициентов DPD использует записанный сигнал, содержащий входные и выходные сигналы усилителя степени, чтобы определить матрицу коэффициентов предварительного искажения.

Загрузите файл, содержащий входные и выходные сигналы для усилителя степени.

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

Сгенерируйте системный объект оценки коэффициента DPD и системный объект передающего фильтра приподнятого косинуса.

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

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

Оцените цифровые коэффициенты памяти-полинома перед искажением.

coef = estimator(PA_input,PA_output);

Сгенерируйте объект DPD System с помощью coef, оценочные коэффициенты, выводимые из оценки коэффициента DPD, как для матрицы коэффициентов.

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

Сгенерируйте 2000 случайных символов и примените 16-QAM модуляцию к сигналу. Примените фильтр передачи приподнятого косинуса к модулированному сигналу.

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

Примените цифровое предварительное искажение к данным. Объект DPD System возвращает предварительно искаженный сигнал, чтобы предоставить в качестве входного сигнала усилителю степени.

y = dpd(x);

Формат матрицы коэффициентов для полинома памяти перед цифровым искажением

Открыть Live Script

Эти примеры показывают формат матрицы коэффициентов для полинома памяти DPD при помощи случайным образом сгенерированной матрицы коэффициентов. Пример:

Создает цифровое предварительное искажение Системного объекта сконфигурированное с помощью матрицы коэффициентов полинома памяти с установленной глубиной памяти 3 и полиномиальную степень, установленную на 5 состоящий из случайных значений.
Предопределяет сигнал с помощью полинома памяти матрицы коэффициентов.
Сравнивает один предварительно искаженный элемент выхода с соответствующим элементом входа, который был вручную вычислен с помощью полинома памяти матрицы коэффициентов.

Создайте матрицу коэффициентов, представляющую предыскажение с выходом, равным входу, сгенерировав матрицу нулей коэффициентов 3 на 5 и установив coef(1,1) элемент в 1. Добавьте малые случайные комплексные нелинейные условия к матрице коэффициентов.

coef = zeros(3,5);
coef(1,1) = 1;
coef = coef + 0.01*(randn(3,5)+1j*randn(3,5));

Создайте объект DPD System с помощью матрицы полиномиальных коэффициентов памяти, coef.

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

Сгенерируйте входной сигнал и предопределите его с помощью dpd Системный объект.

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

Сравните искаженные вручную выходы для входа соответствующего элемента выхода 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 перекрестной Матрицы коэффициентов для полинома цифровой памяти перед искажением

Открыть Live Script

Создает объект digital предыскажения System, сконфигурированный с помощью межтермической памяти полинома матрицы коэффициентов с установленной глубиной памяти 3 и полиномиальную степень, установленную на 5 состоящий из случайных значений.
Предопределяет сигнал, используя перекрестную память полинома матрицы коэффициентов.
Сравнивает один предварительно искаженный элемент выхода с соответствующим элементом входа, который был вручную вычислен с помощью межтермической матрицы коэффициентов полинома 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, используя перекрестную память полинома матрицы коэффициентов, coef.

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

Сгенерируйте входной сигнал и предопределите 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 о

расширить все

Цифровое предварительное искажение

Передачи беспроводной связи обычно требуют широкополосной передачи сигнала в широкой динамической области значений сигналов. Чтобы передавать сигналы в широкой динамической области значений и достигать высокой эффективности, усилители степени RF (PA) обычно работают в своей нелинейной области. Как показывает эта схема созвездия, нелинейное поведение PA вызывает искажения сигнальных созвездий, которые защемляют амплитуду (искажение AM-AM) и фазу скручивания (искажение AM-PM) точек совокупности, пропорциональных амплитуде точки совокупности.

Цель цифрового предварительного искажения состоит в том, чтобы найти нелинейную функцию, которая линеаризирует чистый эффект нелинейного поведения PA на выходе PA через рабочую область значений PA. Когда вход PA x (<reservedrangesplaceholder9>), и функция перед искажением f (u (<reservedrangesplaceholder6>)), где u (<reservedrangesplaceholder4>) является истинным сигналом, который будет усилен, выход PA приблизительно равен <reservedrangesplaceholder3> × <reservedrangesplaceholder2> (<reservedrangesplaceholder1>), где G - желаемая амплитудная выгода PA.

Цифровое предыскажение может быть сконфигурирован, чтобы использовать полином памяти с перекрестными терминами или без них.

Полином памяти с перекрестными терминами предопределяет входной сигнал как

$x (n) = f (u (n)) ≜ \sum_{m =0}^{M - 1} c_{m} \times u (n - m) + \sum_{m =0}^{M - 1} \sum_{j =0}^{M - 1} \sum_{k =0}^{K - 1} a_{m j k} \times u (n - m) \times | u (n - j) |^{k} .$

У полинома памяти со взаимными условиями есть (M + <reservedrangesplaceholder5> × <reservedrangesplaceholder4> × (K - 1)) коэффициенты для cm и <reservedrangesplaceholder0> mjk.
Полином памяти без перекрестных членов предваряет 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 членов имеет M × K коэффициентов для _amk.

Оценка функции предварительного искажения и коэффициентов

Оценка коэффициента DPD использует косвенную архитектуру обучения, чтобы найти f функции (u (n)), чтобы предопределить u входного сигнала (n), который предшествует входу PA.

Алгоритм оценки коэффициентов DPD моделирует нелинейные эффекты памяти PA на основе работы в справочных работах Morgan et al [1] и Schetzen [2], используя теоретический фундамент, разработанный для систем Вольтерры.

В частности, обратное отображение из вывода PA, нормированного усилением PA, {y (n )/ G}, на вход PA, {x (n)}, обеспечивает хорошее приближение к f функции (u (n)), необходимому для предопределения {u (n)} для создания { x (n)}.

Ссылаясь на полиномиальные уравнения памяти выше, оценки вычисляются для полиномиальных коэффициентов памяти:

_cm и _amjk для полинома памяти с перекрестными терминами
_amk для полинома памяти без перекрестных членов

Полиномиальные коэффициенты памяти оцениваются с помощью алгоритма метода наименьших квадратов или рекурсивного алгоритма наименьших квадратов. Алгоритм аппроксимации методом наименьших квадратов или рекурсивный алгоритм наименьших квадратов используют вышеприведенные полиномиальные уравнения памяти для полинома памяти с перекрестными терминами или без них путем замены {u (n)} на {y (n )/ G}. Порядок функции и размерность матрицы коэффициентов заданы степенью и глубиной полинома памяти.

Для примера, который подробно описывает процесс точной оценки полиномиальных коэффициентов памяти и предварительного искажения входного сигнала PA, см. «Цифровое предварительное искажение» для компенсации нелинейностей усилителя степени.

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

Ссылки

[1] Морган, Деннис Р., Чжэнсян Ма, Джейхён Ким, Майкл Г. Зиердт и Джон Пасталан. «Обобщенная модель Полинома памяти для цифрового предварительного искажения Степени усилителей». IEEE^® Транзакции по обработке сигналов. Том 54, № 10, октябрь 2006, стр. 3852-3860.

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

Расширенные возможности

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

Указания и ограничения по применению:

Смотрите Системные объекты в Генерации кода MATLAB (MATLAB Coder).

См. также

Введенный в R2019a

Документация

comm.DPDCoefficientEstimator

Описание

Создание

Синтаксис

Описание

Свойства

DesiredAmplitudeGaindB - Желаемый коэффициент усиления амплитуды 10 (по умолчанию) | скаляром

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

Degree - Полиномиальная степень памяти 5 (по умолчанию) | положительное целое число

MemoryDepth - Память-полином глубины 3 (по умолчанию) | положительное целое число

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

ForgettingFactor - Коэффициент забывания 0.99 (по умолчанию) | скаляром в области значений (0, 1]

Зависимости

InitialCoefficientEstimate - Оценка начального коэффициента [] (по умолчанию) | матрица

Зависимости

Использование

Синтаксис

Описание

Входные параметры

paIn - Эквивалентный вход усилителя степени Вектор-столбец

paOut - Выход эквивалентной полосы частот усилителя степени Вектор-столбец

Выходные аргументы

coef - Полиномиальные коэффициенты памяти матрица

Функции объекта

Общий для всех системных объектов

Примеры

Предварительный входной сигнал усилителя степени

Формат матрицы коэффициентов для полинома памяти перед цифровым искажением

Формат перекрестной Матрицы коэффициентов для полинома цифровой памяти перед искажением

Подробнее о

Цифровое предварительное искажение

Ссылки

Расширенные возможности

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

См. также

Объекты

Блоки

Темы

Документация Communications Toolbox

Поддержка

`DesiredAmplitudeGaindB` - Желаемый коэффициент усиления амплитуды
`10` (по умолчанию) | скаляром

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

`Degree` - Полиномиальная степень памяти
`5` (по умолчанию) | положительное целое число

`MemoryDepth` - Память-полином глубины
`3` (по умолчанию) | положительное целое число

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

`ForgettingFactor` - Коэффициент забывания
`0.99` (по умолчанию) | скаляром в области значений (0, 1]

`InitialCoefficientEstimate` - Оценка начального коэффициента
`[]` (по умолчанию) | матрица

`paIn` - Эквивалентный вход усилителя степени
Вектор-столбец

`paOut` - Выход эквивалентной полосы частот усилителя степени
Вектор-столбец

`coef` - Полиномиальные коэффициенты памяти
матрица

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