功率放大器

型号功率放大器与存储器

展开全部页面

库:
射频块组/电路包络/元件

描述

的功率放大器块型双端口功率放大器。从Volterra级数导出的记忆多项式表达式模拟输入和输出信号之间的非线性关系。这种功率放大器包括记忆效应，因为输出响应取决于当前输入信号和以前的输入信号。这些功率放大器在传输宽带或窄带信号时非常有用。

参数

全部展开

`模型`-型号
`记忆多项式`(默认)|`广义汉默斯坦`|`交叉项的记忆`|`交叉项汉默斯坦`

模型类型，指定为记忆多项式，广义汉默斯坦，交叉项的记忆,或交叉项汉默斯坦．下表总结了不同型号的特点:

模型	描述数据	系数类型	带内光谱再生	带外谐波产生
`记忆多项式`(默认)	带通(I, Q)	复杂的	是的	没有
`广义汉默斯坦`	真正的通频带	真正的	是的	是的
`交叉项的记忆`	带通(I, Q)	复杂的	是的	没有
`交叉项汉默斯坦`	真正的通频带	真正的	是的	是的

记忆多项式的多项式实现(式(19))[1])作用于输入信号的包络，不会产生新的频率分量，并捕捉带内频谱再生。使用这个模型来创建一个工作在高频的窄带放大器。
输出信号，在任何时刻，是以下维数复杂矩阵中所有元素的和 $内存深度(mem) \times 电压等级(度)$ ：

$［ \begin{matrix} C_{11} V_{0} & C_{12} V_{0} | V_{0} | & \dots & C_{1 ，度} V_{0} {| V_{0} |}^{度 - 1} \\ C_{21} V_{1} & C_{22} V_{1} | V_{1} | & \dots & C_{2 ，度} V_{1} {| V_{1} |}^{度 - 1} \\ ⋮ & ⋮ & ⋱ & ⋮ \\ C_{mem ， 1} V_{mem - 1} & C_{mem ， 2} V_{mem - 1} | V_{mem - 1} | & \dots & C_{mem ，度} V_{mem - 1} {| V_{mem - 1} |}^{度 - 1} \end{matrix} ］．$

在矩阵中，行数等于内存项数，列数等于非线性程度。信号下标表示延迟量。
广义汉默斯坦-此宽带存储器多项式实现(式(18))[1])作用于输入信号的包络，生成载波频率的整数倍的频率分量，并捕获带内频谱再生。非线性程度的增加会增加产生的带外频率的数量。使用此模型创建工作在低频的宽带放大器。
输出信号，在任何时刻，是以下维度的实矩阵的所有元素的和 $内存深度(mem) \times 电压等级(度)$ ：

$［ \begin{matrix} C_{11} V_{0} & C_{12} V_{0}^{2} & \dots & C_{1 ，度} V_{0}^{度} \\ C_{21} V_{1} & C_{22} V_{1}^{2} & \dots & C_{2 ，度} V_{1}^{度} \\ ⋮ & ⋮ & ⋱ & ⋮ \\ C_{mem ， 1} V_{mem - 1} & C_{mem ， 2} V_{mem - 1}^{2} & \dots & C_{mem ，度} V_{mem - 1}^{度} \end{matrix} ］．$

在矩阵中，行数等于内存项数，列数等于非线性程度。信号下标表示延迟量。
交叉项的记忆的窄带存储器多项式实现(式(23))[1])作用于输入信号的包络，不会产生新的频率分量，并捕捉带内频谱再生。使用这个模型来创建一个工作在高频的窄带放大器。该模型包括领先和落后记忆项，并提供了记忆多项式模型的广义实现。
在任何时刻，输出信号都是由元素乘积指定的矩阵中所有元素的和

C．*米_中医，

在哪里C是维数的复系数矩阵吗 $内存深度(mem) \times ｛内存深度(mem) \cdot （电压等级(度) - 1 ） + 1}$ 而且

$\begin{matrix} 米_{中医} ＝［ \begin{matrix} V_{0} \\ V_{1} \\ ⋮ \\ V_{mem - 1} \end{matrix} ］［ \begin{matrix} 1 & | V_{0} | & | V_{1} | & \dots & | V_{mem - 1} | & {| V_{0} |}^{2} & \dots & {| V_{mem - 1} |}^{2} & \dots & {| V_{0} |}^{度 - 1} & \dots & {| V_{mem - 1} |}^{度 - 1} \end{matrix} ］ \\ ＝［ \begin{matrix} V_{0} & V_{0} | V_{0} | & V_{0} | V_{1} | & \dots & V_{0} | V_{mem - 1} | & V_{0} {| V_{0} |}^{2} & \dots & V_{0} {| V_{mem - 1} |}^{2} & \dots & V_{0} {| V_{0} |}^{度 - 1} & \dots & V_{0} {| V_{mem - 1} |}^{度 - 1} \\ V_{1} & V_{1} | V_{0} | & V_{1} | V_{1} | & \dots & V_{1} | V_{mem - 1} | & V_{1} {| V_{0} |}^{2} & \dots & V_{1} {| V_{mem - 1} |}^{2} & \dots & V_{1} {| V_{0} |}^{度 - 1} & \dots & V_{1} {| V_{mem - 1} |}^{度 - 1} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ & ⋮ & ⋱ & ⋮ & ⋱ & ⋮ & ⋱ & ⋮ \\ V_{mem - 1} & V_{mem - 1} | V_{0} | & V_{mem - 1} | V_{1} | & \dots & V_{mem - 1} | V_{mem - 1} | & V_{mem - 1} {| V_{0} |}^{2} & \dots & V_{mem - 1} {| V_{mem - 1} |}^{2} & \dots & V_{mem - 1} {| V_{0} |}^{度 - 1} & \dots & V_{mem - 1} {| V_{mem - 1} |}^{度 - 1} \end{matrix} ］． \end{matrix}$

在矩阵中，行数等于内存项数，列数与非线性程度和内存项数成正比。信号下标表示延迟量。属性中未出现的附加列记忆多项式模型表示交叉项。
交叉项汉默斯坦-这种宽带存储多项式实现对输入信号的包络进行操作，生成的频率成分是载波频率的整数倍，并捕获带内频谱再生。增加非线性的阶数会增加产生的带外频率的数量。使用此模型创建工作在低频的宽带放大器。
在任何时刻，输出信号都是由元素乘积指定的矩阵中所有元素的和

C．*米_车车，

在哪里C是维数的复系数矩阵吗 $内存深度(mem) \times ｛内存深度(mem) \cdot （电压等级(度) - 1 ） + 1}$ 而且

$\begin{matrix} 米_{车车} ＝［ \begin{matrix} V_{0} \\ V_{1} \\ ⋮ \\ V_{mem - 1} \end{matrix} ］［ \begin{matrix} 1 & V_{0} & V_{1} & \dots & V_{mem - 1} & V_{0}^{2} & \dots & V_{mem - 1}^{2} & \dots & V_{0}^{度 - 1} & \dots & V_{mem - 1}^{度 - 1} \end{matrix} ］ \\ ＝［ \begin{matrix} V_{0} & V_{0}^{2} & V_{0} V_{1} & \dots & V_{0} V_{mem - 1} & V_{0}^{3.} & \dots & V_{0} V_{mem - 1}^{2} & \dots & V_{0}^{度} & \dots & V_{0} V_{mem - 1}^{度 - 1} \\ V_{1} & V_{1} V_{0} & V_{1}^{2} & \dots & V_{1} V_{mem - 1} & V_{1} V_{0}^{2} & \dots & V_{1} V_{mem - 1}^{2} & \dots & V_{1} V_{0}^{度 - 1} & \dots & V_{1} V_{mem - 1}^{度 - 1} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ & ⋮ & ⋱ & ⋮ & ⋱ & ⋮ & ⋱ & ⋮ \\ V_{mem - 1} & V_{mem - 1} V_{0} & V_{mem - 1} V_{1} & \dots & V_{mem - 1}^{2} & V_{mem - 1} V_{0}^{2} & \dots & V_{mem - 1}^{3.} & \dots & V_{mem - 1} V_{0}^{度 - 1} & \dots & V_{mem - 1}^{度} \end{matrix} ］． \end{matrix}$

在矩阵中，行数等于内存项数，列数与非线性程度和内存项数成正比。信号下标表示延迟量。属性中未出现的附加列广义汉默斯坦模型表示交叉项。

`系数矩阵`-系数矩阵
1(默认)|复矩阵|实矩阵

系数矩阵，指定为复矩阵记忆多项式而且交叉项的记忆模型和作为实矩阵的广义汉默斯坦而且交叉项汉默斯坦模型。

为记忆多项式而且交叉项的记忆模型中，您可以根据测量的复杂(I,Q)输出-vs。-输入放大器特性。作为示例，请参阅中的helper函数系数矩阵计算．
为广义汉默斯坦而且交叉项汉默斯坦模型，你可以识别真实系数矩阵基于测量的真实通带输出vs。-输入放大器特性。

矩阵的大小取决于延迟的数量和系统的非线性程度。

为记忆多项式而且广义汉默斯坦模型，矩阵有维数 $内存深度(mem) \times 电压等级(度)$ ．
为交叉项的记忆而且交叉项汉默斯坦模型，矩阵有维数 $内存深度(mem) \times ｛内存深度(mem) \cdot （电压等级(度) - 1 ） + 1}$ ．

`采样时间(s)`—输入输出数据的采样间隔
`1 e-6`(默认)|实正标量

输入输出数据的抽样区间定义系数矩阵，指定为一个实数正标量。

请注意

要提高模型精度，请指定采样时间(s)参数的值等于或大于步长参数中的配置块。

`Rin(欧姆)`-输入电阻
`50`(默认)|实正标量

输入电阻，指定为实正标量。

`溃败(欧姆)`-输出电阻
`50`(默认)|实正标量

输出电阻，指定为实正标量。

`接地并隐藏负端子`—射频电路接地端子
On(默认)| off

选择该参数接地并隐藏负极。清除参数以暴露负极。通过公开这些终端，您可以将它们连接到模型的其他部分。

模型的例子

功率放大器非线性补偿的数字预失真

在发射机中使用数字预失真(DPD)来抵消功率放大器中非线性的影响。本例使用从功率放大器特性(通信工具箱)示例中获得的功率放大器模型来模拟两种情况。在第一个模拟中，射频发射机发送两个音调。在第二个模拟中，射频发射机发送具有100 MHz带宽的类似5g的OFDM波形。

打开脚本

功率放大器特性

使用NXP Airfast PA的测量输入和输出信号描述功率放大器(PA)。可选地，您可以使用硬件测试设置，包括NI PXI机箱和矢量信号收发器(VST)，以在运行时测量信号。

打开实时脚本

提示

为了避免非线性功率放大器工作在不期望的区域，采用Simulink金宝app^®输入信号必须进行缩放。当射频域的非线性功率放大器被用来放大Simulink信号时，就会发生这种情况。金宝app

算法

全部展开

系数矩阵计算

为了计算系数矩阵，该块求解一个超定线性方程组。考虑到记忆多项式当存储器长度为2，系统非线性为三次时，建立了该模型。描述系统的矩阵是

$［ \begin{matrix} C_{11} V_{0} & C_{12} V_{0} | V_{0} | & C_{13} V_{0} {| V_{0} |}^{2} \\ C_{21} V_{1} & C_{22} V_{1} | V_{1} | & C_{23} V_{1} {| V_{1} |}^{2} \end{matrix} ］，$

元素的和等于内积

$［ \begin{matrix} V_{0} & V_{1} & V_{0} | V_{0} | & V_{1} | V_{1} | & V_{0} {| V_{0} |}^{2} & V_{1} {| V_{1} |}^{2} \end{matrix} ］［ \begin{matrix} C_{11} \\ C_{21} \\ C_{12} \\ C_{22} \\ C_{13} \\ C_{23} \end{matrix} ］．$

如果放大器的输入是五采样信号［x(1）x（2）x（3）x（4）x(5))对应的输出是［y(1）y（2）y（3）y（4）y(5))，则解到

$［ \begin{matrix} x （ 2 ） & x （ 1 ） & x （ 2 ） | x （ 2 ） | & x （ 1 ） | x （ 1 ） | & x （ 2 ） {| x （ 2 ） |}^{2} & x （ 1 ） {| x （ 1 ） |}^{2} \\ x （ 3. ） & x （ 2 ） & x （ 3. ） | x （ 3. ） | & x （ 2 ） | x （ 2 ） | & x （ 3. ） {| x （ 3. ） |}^{2} & x （ 2 ） {| x （ 2 ） |}^{2} \\ x （ 4 ） & x （ 3. ） & x （ 4 ） | x （ 4 ） | & x （ 3. ） | x （ 3. ） | & x （ 4 ） {| x （ 4 ） |}^{2} & x （ 3. ） {| x （ 3. ） |}^{2} \\ x （ 5 ） & x （ 4 ） & x （ 5 ） | x （ 5 ） | & x （ 4 ） | x （ 4 ） | & x （ 5 ） {| x （ 5 ） |}^{2} & x （ 4 ） {| x （ 4 ） |}^{2} \end{matrix} ］［ \begin{matrix} C_{11} \\ C_{21} \\ C_{12} \\ C_{22} \\ C_{13} \\ C_{23} \end{matrix} ］＝［ \begin{matrix} y （ 2 ） \\ y （ 3. ） \\ y （ 4 ） \\ y （ 5 ） \end{matrix} ］，$

用MATLAB可以找到哪些^®反斜杠运算符，提供系数矩阵的估计值。

的处理交叉项的记忆模型类似。描述系统的矩阵是

$［ \begin{matrix} C_{11} V_{0} & C_{12} V_{0} | V_{0} | & C_{13} V_{0} | V_{1} | & C_{14} V_{0} {| V_{0} |}^{2} & C_{15} V_{0} {| V_{1} |}^{2} \\ C_{21} V_{1} & C_{22} V_{1} | V_{0} | & C_{23} V_{1} | V_{1} | & C_{24} V_{1} {| V_{0} |}^{2} & C_{25} V_{1} {| V_{1} |}^{2} \end{matrix} ］，$

元素的和等于内积

$［ \begin{matrix} V_{0} & V_{1} & V_{0} | V_{0} | & V_{1} | V_{0} | & V_{0} | V_{1} | & V_{1} | V_{1} | & V_{0} {| V_{0} |}^{2} & V_{1} {| V_{0} |}^{2} & V_{0} {| V_{1} |}^{2} & V_{1} {| V_{1} |}^{2} \end{matrix} ］［ \begin{matrix} C_{11} \\ C_{21} \\ C_{12} \\ C_{22} \\ C_{13} \\ C_{23} \\ C_{14} \\ C_{24} \\ C_{15} \\ C_{25} \end{matrix} ］．$

如果放大器的输入是五采样信号［x(1）x（2）x（3）x（4）x(5))对应的输出是［y(1）y（2）y（3）y（4）y(5))，则解到

$［ \begin{matrix} x （ 2 ） & x （ 1 ） & x （ 2 ） | x （ 2 ） | & x （ 1 ） | x （ 2 ） | & x （ 2 ） | x （ 1 ） | & x （ 1 ） | x （ 1 ） | & x （ 2 ） {| x （ 2 ） |}^{2} & x （ 1 ） {| x （ 2 ） |}^{2} & x （ 2 ） {| x （ 1 ） |}^{2} & x （ 1 ） {| x （ 1 ） |}^{2} \\ x （ 3. ） & x （ 2 ） & x （ 3. ） | x （ 3. ） | & x （ 2 ） | x （ 3. ） | & x （ 3. ） | x （ 2 ） | & x （ 2 ） | x （ 2 ） | & x （ 3. ） {| x （ 3. ） |}^{2} & x （ 2 ） {| x （ 3. ） |}^{2} & x （ 3. ） {| x （ 2 ） |}^{2} & x （ 2 ） {| x （ 2 ） |}^{2} \\ x （ 4 ） & x （ 3. ） & x （ 4 ） | x （ 4 ） | & x （ 3. ） | x （ 4 ） | & x （ 4 ） | x （ 3. ） | & x （ 3. ） | x （ 3. ） | & x （ 4 ） {| x （ 4 ） |}^{2} & x （ 3. ） {| x （ 4 ） |}^{2} & x （ 4 ） {| x （ 3. ） |}^{2} & x （ 3. ） {| x （ 3. ） |}^{2} \\ x （ 5 ） & x （ 4 ） & x （ 5 ） | x （ 5 ） | & x （ 4 ） | x （ 5 ） | & x （ 5 ） | x （ 4 ） | & x （ 4 ） | x （ 4 ） | & x （ 5 ） {| x （ 5 ） |}^{2} & x （ 4 ） {| x （ 5 ） |}^{2} & x （ 5 ） {| x （ 4 ） |}^{2} & x （ 4 ） {| x （ 4 ） |}^{2} \end{matrix} ］［ \begin{matrix} C_{11} \\ C_{21} \\ C_{12} \\ C_{22} \\ C_{13} \\ C_{23} \\ C_{14} \\ C_{24} \\ C_{15} \\ C_{25} \end{matrix} ］＝［ \begin{matrix} y （ 2 ） \\ y （ 3. ） \\ y （ 4 ） \\ y （ 5 ） \end{matrix} ］$

提供系数矩阵的估计值。

使用此辅助函数计算的系数矩阵记忆多项式而且交叉项的记忆模型。函数的输入是给定的输入和输出信号、存储长度、非线性程度以及交叉项的有无。

函数a_coef = fit_memory_poly_model(x,y,memLen,degLen,modType)% FIT_MEMORY_POLY_MODEL计算给定输入和输出的系数矩阵的过程%信号，记忆长度，非线性程度和模型类型。％版权所有2017 MathWorks, IncX = X (:);Y = Y (:);xLen =长度(x);开关modType情况下“memPoly”%内存多项式xrow =重塑((memLen: 1:1) + (0: xLen: xLen * (degLen-1)), 1, []);xVec = (0:xLen-memLen)' + xrow;xPow = x.*(abs(x).^(0:degLen-1));xVec = xPow(xVec);情况下“ctMemPoly”%交叉项记忆多项式absPow = (abs(x).^(1:degLen-1));partTop1 =重塑((memLen: 1:1) + (0: xLen: xLen * (degLen-2)), 1, []);topPlane =重塑(.．.的(xLen-memLen + 1, - 1), absPow ((0: xLen-memLen)“+ partTop1)]。”.．.1, memLen * (degLen-1) + 1, xLen-memLen + 1);sidePlane =重塑(x ((0: xLen-memLen) + (memLen: 1:1))。。.．.memLen 1 xLen-memLen + 1);cube = sidePlane.*topPlane;xVec =重塑(cube,memLen*(memLen*(delen -1)+1)，xLen-memLen+1).';结束coef = xVec\y(memLen:xLen);a_coef =重塑(coef,memLen,numel(coef)/memLen);

功率放大器模块图标

功率放大器块掩码图标是动态的，显示模型的当前类型。对象上设置的模型类型不同，此块上的图标会如何变化模型参数。

模型:`广义汉默斯坦`	输出:`记忆多项式`	输出:`交叉项的记忆`	输出:`交叉项汉默斯坦`

参考文献

[1] Morgan, Dennis R, Ma Zhengxiang, Jaehyeong Kim, Michael G. Zierdt和John Pastalan。功率放大器数字预失真的广义记忆多项式模型。IEEE^®信号处理汇刊．第54卷第10期，2006年10月，第3852-3860页。

[2] Gan, Li和Emad Abd-Elrady。使用直接和间接学习架构的记忆多项式系统的数字预失真。在第十一届信号与图像处理国际会议论文集(F. Cruz-Roldán和N. B. Smith, eds.)，第654-802号。卡尔加里，AB: ACTA出版社，2009。

版本历史

在R2017b中引入

全部展开

R2021b:功率放大器块图标更新

从R2021b开始，功率放大器方块图标现在更新。当您打开在R2021b之前创建的包含a的模型时功率放大器块时，软件将块图标替换为R2021b版本。

另请参阅

放大器

功率放大器

描述

参数

模型-型号记忆多项式(默认)|广义汉默斯坦|交叉项的记忆|交叉项汉默斯坦

系数矩阵-系数矩阵1(默认)|复矩阵|实矩阵

采样时间(s)—输入输出数据的采样间隔1 e-6(默认)|实正标量

Rin(欧姆)-输入电阻50(默认)|实正标量

溃败(欧姆)-输出电阻50(默认)|实正标量

接地并隐藏负端子—射频电路接地端子On(默认)| off

模型的例子

功率放大器非线性补偿的数字预失真

功率放大器特性

提示

算法

系数矩阵计算

功率放大器模块图标

参考文献

版本历史

R2021b:功率放大器块图标更新

另请参阅

主题

`模型`-型号
`记忆多项式`(默认)|`广义汉默斯坦`|`交叉项的记忆`|`交叉项汉默斯坦`

`系数矩阵`-系数矩阵
1(默认)|复矩阵|实矩阵

`采样时间(s)`—输入输出数据的采样间隔
`1 e-6`(默认)|实正标量

`Rin(欧姆)`-输入电阻
`50`(默认)|实正标量

`溃败(欧姆)`-输出电阻
`50`(默认)|实正标量

`接地并隐藏负端子`—射频电路接地端子
On(默认)| off