Дискриминатор задержки NELP — различия между версиями
Материал из SRNS
Korogodin (обсуждение | вклад) (→Дискриминационная характеристика) |
Dneprov (обсуждение | вклад) (→Дискриминационная характеристика) |
||
Строка 25: | Строка 25: | ||
* расстройка по частоте <math>{{\varepsilon }_{\omega }}=10</math> Гц, | * расстройка по частоте <math>{{\varepsilon }_{\omega }}=10</math> Гц, | ||
* каждая точка моделируемой дискриминационной характеристики усреднялась 1000 раз, | * каждая точка моделируемой дискриминационной характеристики усреднялась 1000 раз, | ||
− | * корреляционная функция дальномерного кода соответствует сигналу с BPSK : <math>\rho \left( {{\varepsilon }_{\tau }} \right)=1-\frac{\left| {{\varepsilon }_{\tau }} \right|}{{{\tau }_{chip}}}</math>. | + | * корреляционная функция дальномерного кода соответствует сигналу с BPSK : <math>\rho \left( {{\varepsilon }_{\tau }} \right)=1-\frac{\left| {{\varepsilon }_{\tau }} \right|}{{{\tau }_{chip}}}</math>; |
+ | * коррелированность шумов квадратур E, P, L моделируется с помощью [[Моделирование коррелированных гауссовых СВ|разложения Холецкого.]] | ||
Строка 46: | Строка 47: | ||
|title = Листинг модели | |title = Листинг модели | ||
|content = <source lang = matlab> | |content = <source lang = matlab> | ||
+ | Файл ro.m | ||
+ | |||
+ | function r = ro( x ) | ||
+ | |||
+ | global tauChip; | ||
+ | r = (abs(x) < tauChip).*(1 - abs(x)./tauChip); | ||
+ | |||
+ | |||
+ | end | ||
+ | |||
+ | |||
+ | Файл main.m | ||
+ | |||
close all; | close all; | ||
clear | clear |
Версия 13:57, 24 марта 2020
Описание дискриминатора
Non-coherent Early minus Late Power (NELP) - некогерентный дискриминатор задержки, описываемый следующим соотношением:
,
где
,
,
,
.
- сдвиг дальномерного кода между запаздывающей и опережающей компонентами.
Дискриминационная характеристика
Дискриминационная характеристика описывается выражением (для квадратур с единичной дисперсией)
.
Ее крутизна .
Для проверки формул составлена модель в Matlab.
В модели принято:
- длительность символа дальномерного кода мкс,
- расстройка по частоте Гц,
- каждая точка моделируемой дискриминационной характеристики усреднялась 1000 раз,
- корреляционная функция дальномерного кода соответствует сигналу с BPSK : ;
- коррелированность шумов квадратур E, P, L моделируется с помощью разложения Холецкого.
Результат моделирования для дБГц, мс, :
Результаты моделирования для дБГц, мс, :
Результаты моделирования для дБГц, мс, :
Листинг модели
Файл ro.m
function r = ro( x )
global tauChip;
r = (abs(x) < tauChip).*(1 - abs(x)./tauChip);
end
Файл main.m
close all;
clear
clc
global tauChip
tauChip = 1e-3/511; % Длительность чипа
NoiseEnable = 1;
Np = 1000;
Tc = 0.001; % Период интегрирования в корреляторе
qcno_dB = 45;
stdn_IQ = 1; % СКО шума квадратурных сумм
qcno = 10^(qcno_dB/10);
A_IQ = stdn_IQ * sqrt(2 * qcno * Tc);
tauIst = tauChip/5;
deltaTau = tauChip/10;
Dp=stdn_IQ^2; % Дисперсия promt компоненты
Dpe=ro(deltaTau/2)*stdn_IQ^2; % Взаимная дисперсия promt-early/late
Del=ro(deltaTau)*stdn_IQ^2; % Взаимная дисперсия early-late
L=chol([Dp Dpe Dpe; % Используем разложение Холецкого
Dpe Dp Del;
Dpe Del Dp])';
tauExtr= [tauIst-2*tauChip:4*tauChip/1000:tauIst+2*tauChip];
NtauExtr = length(tauExtr);
EpsPhi = 1*rand(1,1)*2*pi;
EpsW = 1*10*2*pi;
SdTeor = 2*qcno*Tc*sinc(EpsW*Tc/2 /pi)^2*(4/tauChip - 2*(deltaTau/tauChip^2)); % Теоретическая крутизна
Ud = zeros(1,NtauExtr);
Udteor = zeros(1,NtauExtr);
p = nan(1,NtauExtr);
p_early = nan(1,NtauExtr);
p_late = nan(1,NtauExtr);
EpsTau = nan(1,NtauExtr);
for k = 1:NtauExtr
EpsTau(k) = tauIst - tauExtr(k);
p(k) = ro(EpsTau(k));
p_late(k) = ro(EpsTau(k)+deltaTau/2);
p_early(k) = ro(EpsTau(k)-deltaTau/2);
for n = 1:Np
nI = L * randn(3,1); % Применяем результат разложения Холецкого и получаем коррелированные шумы
nQ = L* randn(3,1);
mI = A_IQ * p(k) * sinc(EpsW*Tc/2 /pi) * cos(EpsW*Tc/2 + EpsPhi);
mIe = A_IQ*p_early(k) * sinc(EpsW*Tc/2 /pi) * cos(EpsW*Tc/2 + EpsPhi);
mIl = A_IQ*p_late(k) *sinc(EpsW*Tc/2 /pi) * cos(EpsW*Tc/2 + EpsPhi);
mQ = -A_IQ * p(k) * sinc(EpsW*Tc/2 /pi) * sin(EpsW*Tc/2 + EpsPhi);
mQe = -A_IQ*p_early(k) * sinc(EpsW*Tc/2 /pi) * sin(EpsW*Tc/2 + EpsPhi);
mQl = -A_IQ*p_late(k) * sinc(EpsW*Tc/2 /pi) * sin(EpsW*Tc/2 + EpsPhi);
I = mI + NoiseEnable*nI(1,1);
Ie = mIe + NoiseEnable*nI(2,1);
Il = mIl + NoiseEnable*nI(3,1);
Q = mQ + NoiseEnable*nQ(1,1);
Qe = mQe + NoiseEnable*nQ(2,1);
Ql = mQl + NoiseEnable*nQ(3,1);
Ud(k) = Ud(k) + (Ie^2-Il^2) + (Qe^2-Ql^2);
end
Udteor(k) = 2*qcno*Tc*(sinc(EpsW*Tc/2 /pi)^2)*(p_early(k)^2 - p_late(k)^2);
if ~mod(k,100)
fprintf('Progress: %.2f %%\n', k*100/NtauExtr)
end
end
plot(EpsTau/tauChip, [Ud/Np; Udteor; SdTeor*EpsTau])
xlabel('\epsilon_{tau}/\tau_{chip}')
ylim([min(Udteor)-10 max(Udteor)+10])
grid on
function r = ro( x )
global tauChip;
r = (abs(x) < tauChip).*(1 - abs(x)./tauChip);
end
Файл main.m
close all;
clear
clc
global tauChip
tauChip = 1e-3/511; % Длительность чипа
NoiseEnable = 1;
Np = 1000;
Tc = 0.001; % Период интегрирования в корреляторе
qcno_dB = 45;
stdn_IQ = 1; % СКО шума квадратурных сумм
qcno = 10^(qcno_dB/10);
A_IQ = stdn_IQ * sqrt(2 * qcno * Tc);
tauIst = tauChip/5;
deltaTau = tauChip/10;
Dp=stdn_IQ^2; % Дисперсия promt компоненты
Dpe=ro(deltaTau/2)*stdn_IQ^2; % Взаимная дисперсия promt-early/late
Del=ro(deltaTau)*stdn_IQ^2; % Взаимная дисперсия early-late
L=chol([Dp Dpe Dpe; % Используем разложение Холецкого
Dpe Dp Del;
Dpe Del Dp])';
tauExtr= [tauIst-2*tauChip:4*tauChip/1000:tauIst+2*tauChip];
NtauExtr = length(tauExtr);
EpsPhi = 1*rand(1,1)*2*pi;
EpsW = 1*10*2*pi;
SdTeor = 2*qcno*Tc*sinc(EpsW*Tc/2 /pi)^2*(4/tauChip - 2*(deltaTau/tauChip^2)); % Теоретическая крутизна
Ud = zeros(1,NtauExtr);
Udteor = zeros(1,NtauExtr);
p = nan(1,NtauExtr);
p_early = nan(1,NtauExtr);
p_late = nan(1,NtauExtr);
EpsTau = nan(1,NtauExtr);
for k = 1:NtauExtr
EpsTau(k) = tauIst - tauExtr(k);
p(k) = ro(EpsTau(k));
p_late(k) = ro(EpsTau(k)+deltaTau/2);
p_early(k) = ro(EpsTau(k)-deltaTau/2);
for n = 1:Np
nI = L * randn(3,1); % Применяем результат разложения Холецкого и получаем коррелированные шумы
nQ = L* randn(3,1);
mI = A_IQ * p(k) * sinc(EpsW*Tc/2 /pi) * cos(EpsW*Tc/2 + EpsPhi);
mIe = A_IQ*p_early(k) * sinc(EpsW*Tc/2 /pi) * cos(EpsW*Tc/2 + EpsPhi);
mIl = A_IQ*p_late(k) *sinc(EpsW*Tc/2 /pi) * cos(EpsW*Tc/2 + EpsPhi);
mQ = -A_IQ * p(k) * sinc(EpsW*Tc/2 /pi) * sin(EpsW*Tc/2 + EpsPhi);
mQe = -A_IQ*p_early(k) * sinc(EpsW*Tc/2 /pi) * sin(EpsW*Tc/2 + EpsPhi);
mQl = -A_IQ*p_late(k) * sinc(EpsW*Tc/2 /pi) * sin(EpsW*Tc/2 + EpsPhi);
I = mI + NoiseEnable*nI(1,1);
Ie = mIe + NoiseEnable*nI(2,1);
Il = mIl + NoiseEnable*nI(3,1);
Q = mQ + NoiseEnable*nQ(1,1);
Qe = mQe + NoiseEnable*nQ(2,1);
Ql = mQl + NoiseEnable*nQ(3,1);
Ud(k) = Ud(k) + (Ie^2-Il^2) + (Qe^2-Ql^2);
end
Udteor(k) = 2*qcno*Tc*(sinc(EpsW*Tc/2 /pi)^2)*(p_early(k)^2 - p_late(k)^2);
if ~mod(k,100)
fprintf('Progress: %.2f %%\n', k*100/NtauExtr)
end
end
plot(EpsTau/tauChip, [Ud/Np; Udteor; SdTeor*EpsTau])
xlabel('\epsilon_{tau}/\tau_{chip}')
ylim([min(Udteor)-10 max(Udteor)+10])
grid on