DPD Coefficient Estimator

Оцените полиномиальные памятью коэффициенты для цифрового предварительного искажения

Библиотека:
Communications Toolbox / Коррекция Ухудшений RF

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

`PA In` — Усилитель мощности основополосно-эквивалентный вход
вектор-столбец

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

Типы данных: double
Поддержка комплексного числа: Да

`PA Out` — Усилитель мощности основополосно-эквивалентный выход
вектор-столбец

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

Типы данных: double
Поддержка комплексного числа: Да

`Forgetting Factor` — Упущение фактора
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.

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

`Out` — Полиномиальные памятью коэффициенты
матрица

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

Параметры

развернуть все

`Desired amplitude gain (dB)` — Желаемое амплитудное усиление
10 (значение по умолчанию) | скаляр

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

Настраиваемый: да

Типы данных: double

`Polynomial type` — Полиномиальный тип
`Memory polynomial` (значение по умолчанию) | `Cross-term memory polynomial`

Полиномиальный тип использовал для предварительного искажения в виде одного из этих значений:

Memory polynomial — Вычисляет коэффициенты перед искажением при помощи полинома памяти без перекрестных терминов
Cross-term memory polynomial — Вычисляет коэффициенты перед искажением при помощи полинома памяти с перекрестными терминами

Для получения дополнительной информации смотрите Цифровое Предварительное искажение.

`Degree` — Полиномиальная памятью степень
5 (значение по умолчанию) | положительное целое число

Полиномиальная памятью степень в виде положительного целого числа.

Типы данных: double

`Memory depth` — Полиномиальная памятью глубина
3 (значение по умолчанию) | положительное целое число

Полиномиальная памятью глубина в выборках в виде положительного целого числа.

Типы данных: double

`Algorithm` — Алгоритм оценки
`Least squares` (значение по умолчанию) | `Recursive least squares`

Адаптивный алгоритм использовал для 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 фактора
`Property` (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.

Зависимости

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

Типы данных: double

`Forgetting factor` — Упущение фактора
0.99 (значение по умолчанию) | скаляр в области значений (0, 1]

Зависимости

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) | матрица

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

`Simulate using` — Тип симуляции, чтобы запуститься
`Code 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 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 MATLAB^® интерпретатор. Эта опция требует меньшего количества времени запуска, чем Code generation метод, но скорость последующих симуляций медленнее. В этом режиме можно отладить исходный код блока.

Примеры модели

Predistort Power Amplifier Input Signal in Simulink

Предварительно исказите входной сигнал усилителя мощности в Simulink

Примените цифровое предварительное искажение (DPD) к 16-QAM сигналу случайных символов. Блок DPD Coefficient Estimator использует записанный сигнал, содержащий от сигналов ввода и вывода от усилителя мощности (PA), чтобы определить матрицу коэффициентов перед искажением. Цифровое предварительное искажение предусловий сигнала должно откорректировать ухудшения, которые вводит усилитель мощности (УМ). Эта модель не включает блок, представляющий усилителя мощности (УМ).

Характеристики блока

Типы данных	`double` \| `single`
Многомерные сигналы	`no`
Сигналы переменного размера	`yes`

Больше о

развернуть все

Цифровое предварительное искажение

Передачи радиосвязи обычно требуют широкой передачи сигнала полосы пропускания по широкому динамическому диапазону сигнала. К передаваемым сигналам по широкому динамическому диапазону и достигают высокой эффективности, усилители ВЧ-мощности (ПЕРВЕНСТВО) обычно действуют в их нелинейной области. Когда эта схема созвездия показывает, нелинейное поведение усилителя мощности (УМ) 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 усилителя мощности (УМ) нелинейное поведение в PA выход через рабочий диапазон усилителя мощности (УМ). 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 усилителя мощности (УМ).

Цифровое предыскажение может быть сконфигурировано, чтобы использовать полином памяти с или без перекрестных терминов.

Полином памяти с перекрестными терминами предварительно искажает входной сигнал как

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

Полином памяти с перекрестными терминами имеет (M +M×M× (K-1)) коэффициенты для _cm и a _mjk.
Полином памяти без перекрестных терминов предварительно искажает 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 терминов 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 усилителя мощности (УМ) 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 на усиление усилителя мощности (УМ), {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 терминами
_amk для полинома памяти без перекрестных терминов

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 для полинома памяти с или без перекрестных терминов, 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 усилителя мощности (УМ), смотрите Цифровое Предварительное искажение, чтобы Компенсировать Нелинейность Усилителя мощности.

Для фонового материала ссылки смотрите работы, перечисленные в [1] и [2].

Ссылки

[1] Морган, Деннис Р., Чжэнсян Ма, Джэехиеонг Ким, Михаэль Г. Цирдт и Джон Пэсталан. "Обобщенная полиномиальная модель памяти для цифрового предварительного искажения усилителей мощности". IEEE^® Транзакции 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™.

Смотрите также

Блоки

Объекты

comm.DPDCoefficientEstimator

Темы

Цифровое предварительное искажение, чтобы компенсировать нелинейность усилителя мощности

Введенный в R2019a

Документация

DPD Coefficient Estimator

Описание