Дискриминатор задержки NELP — различия между версиями
Материал из SRNS
Dneprov (обсуждение | вклад) (→Листинг модели) |
Dneprov (обсуждение | вклад) |
||
Строка 43: | Строка 43: | ||
{|table class="wikitable collapsible collapsed" | {|table class="wikitable collapsible collapsed" | ||
− | + | | Листинг модели | |
− | <source lang = matlab> | + | |- |
+ | |<source lang = matlab> | ||
close all; | close all; | ||
clear | clear |
Версия 21:25, 27 марта 2014
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
.
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.
Результат моделирования для дБГц, мс, :
Результаты моделирования для дБГц, мс, :
Результаты моделирования для дБГц, мс, :
Листинг модели |
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; % �спользуем 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 |