功率放大器

模型功率放大器与存储器

库:
射频块/电路包络/元件

描述

的功率放大器Block型号两端口功率放大器。由Volterra级数推导出的记忆多项式表达式为输入和输出信号之间的非线性关系建模。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很有用。

参数

全部展开

`模型`——模型类型
`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	类型的系数	带内频谱再生	带外谐波发生
`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-此窄带存储器多项式实现(式(19))[1])作用于输入信号的包络，不产生新的频率成分，并捕获带内光谱再生。使用这个模型来创建一个工作在高频的窄带放大器。
在任意时刻的输出信号，是下面的复维矩阵中所有元素的和 $内存深度(mem) \times 电压顺序(度)$ ：

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

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-此宽带内存多项式实现(式(18))[1])作用于输入信号的包络，产生载波频率的整数倍的频率分量，并捕获带内光谱再生。非线性程度的增加会增加产生的带外频率的数量。使用这个模型来创建工作在低频的宽带放大器。
在任何时刻的输出信号，是下面的维度实矩阵的所有元素的和 $内存深度(mem) \times 电压顺序(度)$ ：

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

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-此窄带存储器多项式实现(式(23))[1])作用于输入信号的包络，不产生新的频率成分，并捕获带内光谱再生。使用这个模型来创建一个工作在高频的窄带放大器。该模型包括前导和滞后记忆项，并提供了记忆多项式模型的广义实现。
在任何时刻的输出信号，是由一个矩阵的所有元素的和由一个元素一个元素的乘积指定

C．*米_中医，

在哪里C复系数矩阵是维数矩阵吗 $内存深度(mem) \times ｛内存深度(mem) \cdot （电压顺序(度) - 1 ） + 1 ｝$ 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。控件中没有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-该宽带存储多项式实现对输入信号的包络线进行操作，生成载波频率的整数倍频率分量，并捕获带内光谱再生。增加非线性的阶数会增加产生的带外频率的数量。使用这个模型来创建工作在低频的宽带放大器。
在任何时刻的输出信号，是由一个矩阵的所有元素的和由一个元素一个元素的乘积指定

C．*米_车车，

在哪里C复系数矩阵是维数矩阵吗 $内存深度(mem) \times ｛内存深度(mem) \cdot （电压顺序(度) - 1 ） + 1 ｝$ 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。控件中没有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，你可以根据测量的复(I,Q)输出-vs确定复系数矩阵。固化放大器的特点。作为示例，请参见中的helper函数系数矩阵的计算．
为广义汉默斯坦而且交叉项汉默斯坦模型，您可以识别的真实系数矩阵基于实测的真实通带输出vs。固化放大器的特点。

矩阵的大小取决于延迟的次数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 $内存深度(mem) \times 电压顺序(度)$ ．
为交叉项的记忆而且交叉项汉默斯坦模型，矩阵有维数 $内存深度(mem) \times ｛内存深度(mem) \cdot （电压顺序(度) - 1 ） + 1 ｝$ ．

`采样时间(s)`-输入输出数据的采样间隔
`1 e-6`(默认)| real positive scalar

用于识别系数矩阵的输入-输出数据的样本区间，指定为实正标量。

如果系数采样时间与配置块中指定的模拟步长不同，则会影响模型的准确性。为了得到最好的结果，使用至少与模拟步长相等的系数采样时间。

`Rin(欧姆)`——输入电阻
`50`(默认)| real positive scalar

输入电阻，指定为实正标量。

`溃败(欧姆)`——输出电阻
`50`(默认)| real positive scalar

输出电阻，指定为实正标量。

`接地和隐藏负极端子`-射频电路接地端子
On(默认)| off

选择此参数为接地并隐藏负极。清除该参数以暴露负极。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

用于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。我们使用使用功率放大器特性(通信工具箱)示例获得的功率放大器模型来模拟两种情况。在第一个模拟中，射频发射器发送两个音调。在第二个模拟中，射频发射机发送一个具有100 MHz带宽的5g类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)。您可以选择使用硬件测试设置，包括一个带有矢量信号收发器(VST)的NI PXI机箱，以在运行时测量信号。

打开生活的脚本

提示

为了避免非线性功率放大器工作在不希望的区域，Simulink金宝app^®输入信号必须按比例调整。当使用射频域中的非线性功率放大器放大Simulink信号时，就会发生这种情况。金宝app

算法

全部展开

系数矩阵的计算

为了计算系数矩阵，块求解一个超定线性方程组。考虑到记忆多项式当记忆长度为2，系统非线性为三度时的模型。描述这个系统的矩阵是

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

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样本信号［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))，则解为

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

可以使用MATLAB^®反斜杠运算符，提供系数矩阵的估计值。

的治疗交叉项的记忆模型是相似的。描述这个系统的矩阵是

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

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样本信号［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))，则解为

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

提供系数矩阵的估计值。

使用这个辅助函数来计算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，记忆长度，非线性程度，有无交叉项。

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程序%信号，记忆长度，非线性程度和模型类型。％版权所有:MathWorks, Inc.x = x (:);y = y (:);xLen =长度(x);开关modType情况下“memPoly”%记忆多项式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”跨项记忆多项式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);多维数据集= sidePlane。* topPlane;xVec =重塑(立方体,memLen * (memLen * (degLen-1) + 1), xLen-memLen + 1)”;结束系数= xVec \ y (memLen: xLen);a_coef =重塑(系数、memLen元素个数(系数)/ memLen);