功率放大器

带存储器的新型功率放大器

全部展开页面

库:
射频块集/电路外壳/元件

描述

的功率放大器块模型双端口功率放大器。由Volterra级数导出的记忆多项式表达式描述了输入和输出信号之间的非线性关系。这个功率放大器包括记忆效应，因为输出响应取决于当前的输入信号和之前的输入信号。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`|`跨项记忆`|`交叉项Hammerstein`

模型类型，指定为记忆多项式，广义汉默斯坦，跨项记忆,或交叉项Hammerstein.下表总结了不同车型的特点：

模型	表征数据	类型的系数	带内频谱再生	带外谐波产生
`记忆多项式`（默认）	带通(I, Q)	复杂的	对	不
`广义汉默斯坦`	真通带	真实的	对	对
`跨项记忆`	带通(I, Q)	复杂的	对	不
`交叉项Hammerstein`	真通带	真实的	对	对

记忆多项式–该窄带记忆多项式实现（公式（19））如下：[1])对输入信号的包络进行操作，不产生新的频率分量，并捕获带内频谱再生。使用此模型创建一个在高频下工作的窄带放大器。
在任何时刻，输出信号都是以下复尺寸矩阵的所有元素之和 $内存深度（mem） \times 电压顺序(度)$ ：

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

在矩阵中，行数等于存储项数，列数等于非线性度。信号下标表示延迟量。
广义汉默斯坦–该宽带存储器多项式实现（公式（18））如下：[1])对输入信号的包络进行操作，生成载波频率整数倍的频率分量，并捕获带内频谱再生。增加非线性度会增加产生的带外频率的数量。使用此模型创建低频工作的宽带放大器。
输出信号，在任何时刻，是下列实维矩阵的所有元素的和 $内存深度（mem） \times 电压顺序(度)$ ：

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

在矩阵中，行数等于存储项数，列数等于非线性度。信号下标表示延迟量。
跨项记忆窄带存储多项式实现(公式(23))[1])对输入信号的包络进行操作，不产生新的频率分量，并捕获带内频谱再生。使用此模型创建一个在高频下工作的窄带放大器。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。
输出信号，在任何时刻，是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_CTM，

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

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

在矩阵中，行数等于存储项数，列数与非线性程度和存储项数成正比。信号下标表示延迟量。在记忆多项式模型表示交叉项。
交叉项Hammerstein–这种宽带记忆多项式实现对输入信号的包络进行操作，生成载波频率整数倍的频率分量，并捕获带内频谱再生。增加非线性阶数会增加产生的带外频率的数量。使用此模型创建低频工作的宽带放大器。
输出信号，在任何时刻，是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_CTH，

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

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

在矩阵中，行数等于存储项数，列数与非线性程度和存储项数成正比。信号下标表示延迟量。在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，指定为记忆多项式和跨项记忆模型，作为一个真实的矩阵广义汉默斯坦和交叉项Hammerstein模型。

对于记忆多项式和跨项记忆模型，您可以识别复系数矩阵基于测量的复(I,Q)输出-vs。固化放大器的特点。例如，请参见中的helper函数系数矩阵计算．
对于广义汉默斯坦和交叉项Hammerstein模型中，您可以根据测量的实际通带输出与输入放大器特性确定实际系数矩阵。

矩阵的大小取决于延迟的数量和系统的非线性程度。

对于记忆多项式和广义汉默斯坦模型，矩阵有维度 $内存深度（mem） \times 电压顺序(度)$ ．
对于跨项记忆和交叉项Hammerstein模型，矩阵有维度 $内存深度（mem） \times ｛内存深度（mem） \cdot （电压顺序(度) - 1 ） + 1 ｝$ ．

`采样时间(s)`-输入输出数据的采样间隔
`1e-6`(默认)|实正标量

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仿真步长不同，则会影响模型的准确性。为了获得最好的结果，使用至少与模拟步长一样大的系数样本时间。

`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。

`线路（欧姆）`-输出电阻
`50`(默认)|实正标量

输出电阻，指定为实正标量。

`接地和隐藏负极`-接地射频电路端子
开（默认）|关

选择此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

功率放大器非线性的数字预失真补偿

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。在第一次模拟中，RF发射机发送两个音调。在第二个模拟中，RF发射机发送一个类似5G的OFDM波形，带宽为100MHz。

功率放大器特性

使用NXP空中广播功率放大器的测量输入和输出信号对功率放大器（PA）进行表征。您可以选择使用硬件测试设置，包括带有矢量信号收发器（VST）的NI PXI机箱，以在运行时测量信号。

提示

为了避免非线性功率放大器工作在一个不需要的区域，Simulink金宝app^®输入信号必须缩放。当在射频域中使用非线性功率放大器来放大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，该块求解了一个超定线性方程组。考虑到记忆多项式模型适用于存储长度为2且系统非线性为三度的情况。描述这个系统的矩阵是

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

其元素之和等于内积

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

如果放大器的输入是五采样信号［x（1)x（2）x(3）x(4）x(5)]相应的输出是［y（1)y（2）y(3）y(4）y(5)]，然后是解决问题的方法

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

可以使用MATLAB找到^®反斜杠运算符，提供系数矩阵的估计值。

治疗跨项记忆模型是相似的。描述系统的矩阵是

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

其元素之和等于内积

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

如果放大器的输入是五采样信号［x（1)x（2）x(3）x(4）x(5)]相应的输出是［y（1)y（2）y(3）y(4）y(5)]，然后是解决问题的方法

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

提供系数矩阵的估计。

使用这个辅助函数来计算系数矩阵记忆多项式和跨项记忆模型。函数的输入是给定的输入和输出信号、存储器长度、非线性程度以及交叉项的存在或不存在。

作用a_coef = fit_memory_poly_model (x, y, memLen、degLen modType)%FIT_MEMORY_POLY_模型计算给定输入和输出的系数矩阵的过程%信号、存储长度、非线性度和模型类型。％MathWorks, Inc.版权所有x = x (:);y = y (:);xLen =长度(x);转换modType案例“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）；案例“ctMemPoly”%交叉项记忆多项式absPow=（abs（x）。^（1:degLen-1））；partTop1=重塑（（记忆：-1:1）+（0:xLen:xLen*（去记忆-2）），1，[]）；托普兰=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)”;终止coef=xVec\y（memLen:xLen）；a_coef=重塑（coef，memLen，numel（coef）/memLen）；

功率放大器块图标

功率放大器块遮罩图标是动态的，显示模型的当前类型。此表显示了此块上的图标如何根据在上设置的模型类型而变化模型块上的参数。

型号：`广义汉默斯坦`	输出:`记忆多项式`	输出:`跨项记忆`	输出:`交叉项Hammerstein`

兼容性考虑

全部展开

功率放大器块图标更新

R2021b中的行为发生了变化

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

工具书类

[1] 摩根、丹尼斯·R、马正祥、金在阳、迈克尔·G·齐尔德和约翰·帕斯塔兰。“功率放大器数字预失真的广义记忆多项式模型。”IEEE^®信号处理事务. 第54卷，第10期，2006年10月，第3852-3860页。

[2] 甘、李和埃马德·阿卜杜·埃尔拉迪。“使用直接和间接学习架构对记忆多项式系统进行数字预失真”，摘自第十一届国际信号与图像处理会议录（SIP）(F. Cruz-Roldán和N. B. Smith主编)，第654-802期。卡尔加里:AB出版社，2009。

另请参阅

放大器

话题

介绍了R2017b

功率放大器

描述

参数