We apply RLS algorithm, LMS algorit

We apply RLS algorithm, LMS algorithm and the proposed algorithm to linearize the PA and compare their performance in terms of convergence speed, spectral regrowth suppression and constellation diagrams. The normalized mean square error (NMSE) is observed to determine the required iteration number of each algorithm. If the difference between the maximum and the minimum of the 100 consecutive NMSE values is smaller than 0.2dB, the algorithm is regarded as
converged. In all power spectral density (PSD) lines, output PSDs are normalized with respect to input PSD for easy visual comparison. Fig. 5(a) shows the convergence curves of RLS algorithm, LMS algorithm and the proposed algorithm. In Fig. 5(a), the green solid line is the convergence curve of RLS algorithm, the green dash line is the convergence curve of RLS algorithm with conventional polynomials model [14], the black solid line is the convergence curve of LMS algorithm (δ = 0.05), the black dash line is the convergence curve of LMS algorithm (δ = 0.005), the blue solid line is the convergence curve of the proposed algorithm (1/n), and the blue dash line is the convergence curve of the proposed algorithm (δ(n)). Fig. 5(a) indicates that RLS algorithm converges quickly and steady. In addition, the RLS algorithm with orthonormal polynomials converges faster than that with conventional polynomials as the orthonormal basis functions can improve the numerical stability. LMS algorithm converges quickly but unsteady when the step size δ =0.05. On the contrary, LMS algorithm converges steady but slowly when the step size δ =0.005. The proposed algorithm achieves almost the same performance as that of the RLS algorithm. Moreover, the proposed algorithm with δ(n) converges a bit slowly than the proposed algorithm with 1/n does. Theoretically, the convergence speed of the proposed algorithm with 1/n should be the same as that of the RLS algorithm. However, in practice, the new basis functions ψ may not be exactly orthonormal for a given set of data samples. Therefore, some performance degradation in convergence speed happens in our simulation results, which validate our analysis in Section III-B. Table IV shows the details of all the algorithms discussed above

ผลลัพธ์ (ไทย) 1:

เราใช้อัลกอริทึม RLS อัลกอริทึม LMS และอัลกอริทึมเสนอ linearize PA และเปรียบเทียบประสิทธิภาพของพวกเขาในแง่ของความเร็วในการลู่เข้า ไดอะแกรมการปราบปรามและกลุ่มดาวนั้นสเปกตรัม ข้อผิดพลาดมาตรฐานค่าเฉลี่ยกำลังสอง (NMSE) ย่อยเพื่อกำหนดจำนวนการเกิดซ้ำที่จำเป็นของแต่ละอัลกอริทึม ถ้าผลต่างระหว่างค่าสูงสุดและต่ำสุดของค่า NMSE ต่อเนื่อง 100 มีขนาดเล็กกว่า 0.2dB อัลกอริทึมที่ถือเป็นconverged ในบรรทัดทั้งหมดในพลังงานความหนาแน่นสเปกตรัม (PSD) ผล PSDs ได้ตามปกติกับ PSD อินพุตสำหรับการเปรียบเทียบภาพง่าย Fig. 5(a) แสดงเส้นโค้งบรรจบกันของอัลกอริทึม RLS, LMS อัลกอริทึม และอัลกอริทึมนำเสนอ Fig. 5(a) เส้นทึบสีเขียวเป็นเส้นโค้งบรรจบกันของอัลกอริทึม RLS บรรทัดสีเขียวเส้นประเป็นเส้นโค้งบรรจบกันของอัลกอริทึมบทบาทกับ polynomials ทั่วไป [14] เส้นทึบสีดำคือ เส้นโค้งบรรจบกันของอัลกอริทึม LMS (δ = 0.05), เส้นดำเส้นประเป็นเส้นโค้งบรรจบกันของอัลกอริทึม LMS (δ = 0.005), เส้นทึบสีน้ำเงินเป็นเส้นโค้งบรรจบกันของขั้นตอนวิธีการนำเสนอ (1/n) และเส้นประสีน้ำเงินเป็นเส้นโค้งบรรจบกันของขั้นตอนวิธีการนำเสนอ (δ(n)) Fig. 5(a) บ่งชี้ว่า อัลกอริทึม RLS converges steady อย่างรวดเร็ว และ อัลกอริทึมบทบาทกับ orthonormal polynomials converges เร็วกว่ากับ polynomials ธรรมดาที่เป็นฟังก์ชันพื้นฐาน orthonormal สามารถปรับปรุงความมั่นคงเป็นตัวเลข อัลกอริทึม LMS converges รวดเร็วแต่ unsteady เมื่อขั้นตอนขนาดδ = 0.05 ดอก อัลกอริทึม LMS converges steady แต่ช้าเมื่อขั้นตอนขนาดδ = 0.005 อัลกอริทึมนำเสนอได้รับเกือบประสิทธิภาพเดียวกันกับอัลกอริทึม RLS นอกจากนี้ อัลกอริทึมที่นำเสนอกับ δ(n) converges บิตช้ากว่าอัลกอริทึมที่นำเสนอกับ 1/n ไม่ ตามหลักวิชา ความเร็วในการลู่เข้าของอัลกอริทึมที่นำเสนอกับ 1/n ควรจะเหมือนกับอัลกอริทึมบทบาท อย่างไรก็ตาม ในทางปฏิบัติ ψฟังก์ชันพื้นฐานใหม่ไม่ได้เหมือน orthonormal กำหนดชุดข้อมูลตัวอย่าง ดังนั้น บางประสิทธิภาพความเร็วบรรจบกันเกิดขึ้นของผลการทดลอง การตรวจสอบวิเคราะห์ของเราในส่วน III-บี ตาราง IV แสดงรายละเอียดของอัลกอริทึมทั้งหมดที่กล่าวถึงข้างต้น

ผลลัพธ์ (ไทย) 3:

เราใช้ขั้นตอนวิธีขั้นตอนวิธี RLS , LMS และเสนอวิธี linearize PA และเปรียบเทียบประสิทธิภาพการทำงานของพวกเขาในแง่ของความเร็วกลุ่มปราบปราม regrowth สเปกตรัมและภาพกลุ่มดาว ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย ( nmse ) เป็นที่สังเกตว่าต้องซ้ำหมายเลขของแต่ละขั้นตอนวิธีถ้าความแตกต่างระหว่างสูงสุดและต่ำสุดของ 100 ติดต่อกัน nmse ค่ามีขนาดเล็กกว่า 0.2db ขั้นตอนวิธีการ ถือเป็น
ลู่เข้า อำนาจสเปกตรัมทั้งหมดความหนาแน่น ( PSD ) สายออกจ้างคนที่เป็นปกติเกี่ยวกับ PSD สำหรับการใส่ภาพได้ง่าย ภาพที่ 5 ( ) แสดงภาพเส้นโค้งของ RLS ขั้นตอนวิธี ขั้นตอนวิธี LMS และเสนอขั้นตอนวิธี ในรูปที่ 5 ( )เส้นทึบสีเขียว คือ การบรรจบกันของ RLS โค้งขั้นตอนวิธี , เส้นประสีเขียว คือ การบรรจบกันของขั้นตอนวิธีแบบโค้ง RLS ด้วยพหุนามแบบ [ 14 ] เส้นทึบสีดำมีการลู่เข้าของขั้นตอนวิธี LMS โค้ง ( δ = 0.05 ) , เส้นประสีดำคือการลู่เข้าของขั้นตอนวิธี LMS โค้ง ( δ = 0.005 ) , สายแข็งสีฟ้าเป็นเส้นโค้งบรรจบกันของวิธีที่เสนอ ( 1 / n )และเส้นประสีฟ้าเส้นโค้งบรรจบกันของวิธีที่เสนอ ( δ ( N ) ภาพที่ 5 ( RLS ) บ่งชี้ว่าขั้นตอนวิธี converges อย่างรวดเร็วและมั่นคง นอกจากนี้ ขั้นตอนวิธีการท RLS ด้วยพหุนามด้วยพหุนาม - เร็วกว่าที่ปกติเป็นฟังก์ชั่นพื้นฐานการทสามารถปรับปรุงเสถียรภาพเชิงตัวเลขขั้นตอนวิธี LMS converges อย่างรวดเร็ว แต่ไม่มั่นคง เมื่อขั้นตอนขนาดδ = 0.05 ในทางตรงกันข้าม , LMS ขั้นตอนวิธีหามั่นคง แต่ช้า เมื่อขั้นตอนขนาดδ = 0.005 . วิธีที่เสนอสามารถเกือบเดียวกันประสิทธิภาพของ RLS ขั้นตอนวิธี นอกจากนี้ วิธีที่เสนอกับδ ( n ) - บิตช้ากว่าวิธีที่เสนอกับ 1 / N ไม่ ในทางทฤษฎีการบรรจบกันของวิธีที่เสนอมีความเร็ว 1 / N ควรเป็นเช่นเดียวกับที่ของ RLS ขั้นตอนวิธี อย่างไรก็ตาม ในทางปฏิบัติ ใหม่พื้นฐานฟังก์ชันการทψอาจไม่ตรงให้ชุดของตัวอย่างข้อมูล ดังนั้นบางประสิทธิภาพการย่อยสลายความเร็วในการลู่เข้าเกิดขึ้นในแบบของเรา ซึ่งการตรวจสอบการวิเคราะห์ของเราในส่วน iii-b.ตารางที่ 4 แสดงรายละเอียดทั้งหมดของอัลกอริทึมที่กล่าวถึงข้างต้น