【调制宽带转换器（MWC）】AMWC可以减少模拟通道的数量和ADC的速率，实现无损次Nyquist采样，而无需升级PR信号的速度或周期（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、文章

---

💥1 概述

摘要：
本文介绍了一种调制宽带转换器（MWC），它作为一个次Nyquist采样器，利用一组快速交替的伪随机（PR）信号。通过并行模拟通道，MWC通过在时间域中将多频带频谱与PR信号混合，并获取其次Nyquist样本来压缩多频带频谱。以往，压缩比完全取决于PR信号的规格。也就是说，为了进一步降低采样率而不损失信息，需要更快和周期更长的PR信号。然而，这种PR信号发生器的实现会导致高功耗和大面积的制造。本文提出了一种新颖的模拟混叠宽带转换器（AMWC），它可以通过固定的PR信号进一步降低MWC的采样率。其主要思想是在模拟数字转换器（ADC）中引入有意的信号混叠。除了信号混合器的第一次频谱压缩外，有意的混叠再次压缩了混合频谱。我们证明了AMWC可以减少模拟通道的数量和ADC的速率，实现无损次Nyquist采样，而无需升级PR信号的速度或周期。相反，对于给定的固定模拟通道数量和采样率，AMWC提高了信号重建的性能。

电子战（EW）系统、电子情报（ELINT）系统或认知无线电的应用要求观察多频带信号，即一系列不同中心频率的窄带信号，分布在高达数十吉赫兹（GHz）的宽频率范围内。奈奎斯特采样率是宽范围内最大频率的两倍。当多频带信号是稀疏的，即由少量窄带组成时，信号可以以远低于奈奎斯特率的次奈奎斯特率进行采样而无信息损失。在已知所有窄带信号的频谱位置时，无损次奈奎斯特采样的理论下限是带宽之和，称为兰道率。当频谱位置未知时，下限加倍。

Mishali等人提出的调制宽带转换器（MWC）是一种旨在实现理论采样率下限的无损次奈奎斯特采样器。与其他在文献[4]至[6]中提出的次奈奎斯特采样器类似，MWC利用伪随机（PR）信号，周期性输出脉冲模式。MWC具有多个模拟通道，每个通道包括PR信号发生器、信号混合器、用于抗混叠的低通滤波器（LPF）和低速模拟数字转换器（ADC）。该系统通过混合和LPF过程压缩多频带频谱，随后以次奈奎斯特率进行采样。在压缩感知理论的某些条件下，可以保证对输入多频带频谱的重建。借助为MWC开发的压缩感知重建算法，已经证明MWC可以实现无损次奈奎斯特采样率的理论下限。

然而，为了实现无损次奈奎斯特采样率的下限，Mishali等人先前提出的MWC依赖于高端PR信号发生器，因为它是唯一的频谱压缩器。频谱压缩比完全依赖于PR信号在单个周期内的振荡速度和脉冲模式的长度。为了改善对于更稀疏多频带信号的压缩比，需要更长的脉冲模式的PR信号。此外，振荡速度应该比奈奎斯特率更快以实现无损压缩。然而，将具有数十吉赫兹切换速度的PR信号发生器的脉冲模式长度增加，会导致芯片工程领域的困难研究问题，如高功耗和大的制造面积，这阻碍了这种PR信号发生器芯片的商业可用性。

最近，在不升级PR信号发生器的情况下，已经在文献[15]、[16]中努力将MWC的无损次奈奎斯特采样率降至理论下限。在文献[15]中，作者提出了一种将多频带频谱分成几个正交子频带的方法，然后再与PR信号混合的方法。由于分频信号的奈奎斯特率低于原始输入，对于给定的PR信号振荡速度和脉冲模式长度，该方法实现了更高的频谱压缩比。尽管该方法导致了无损次奈奎斯特采样率的进一步降低，但需要额外的硬件资源进行频带分割，如带通滤波器、本地振荡器和与子频带数量成比例的更多独立PR信号发生器。在文献[16]中，提出了与文献[15]类似的方法，即在与PR信号混合之前将输入信号分为正交（I）和象限（Q）通道。与文献[15]中的原理相同，该方法可以降低无损次奈奎斯特采样率，尽管作者没有提到这一点。然而，该系统还需要I-Q分频的额外硬件资源。

在本文中，我们提出了一种称为模糊MWC（AMWC）的方法，它可以在给定实际PR信号的情况下降低无损次奈奎斯特采样率。AMWC的主要思想是打破抗混叠规则，通过设置先前LPF的带宽大于ADC采样率，在每个空间通道的ADC处引入有意的混叠。详细文章见第4部分。

📚2 运行结果

可视化部分代码：

fontname='times new roman';
set(0,'defaultaxesfontname',fontname);
set(0,'defaulttextfontname',fontname);
fontsize=9;
set(0,'defaultaxesfontsize',fontsize);
set(0,'defaulttextfontsize',fontsize);
set(0,'fixedwidthfontname','times');
hFig=figure;
set(hFig,'render','painters');
set(hFig,'PaperPositionMode','auto');

p=1;
    q_vars=(p+1):(13*p+1);
    q_vars=q_vars(mod(q_vars,2)==1);
    q_axis=q_vars(gcd(q_vars,p)==1);
plot(M*q_axis*fp,Data1{1,1},'b-')
hold on
p=2;
    q_vars=(p+1):(13*p+1);
    q_vars=q_vars(mod(q_vars,2)==1);
    q_axis=q_vars(gcd(q_vars,p)==1);
plot(M*q_axis*fp/p,Data1{2,1},'ro-')
p=3;
    q_vars=(p+1):(13*p+1);
    q_vars=q_vars(mod(q_vars,2)==1);
    q_axis=q_vars(gcd(q_vars,p)==1);
plot(M*q_axis*fp/p,Data1{3,1},'s-','Color',[0 0.498 0])
p=4;
    q_vars=(p+1):(13*p+1);
    q_vars=q_vars(mod(q_vars,2)==1);
    q_axis=q_vars(gcd(q_vars,p)==1);
plot(M*q_axis*fp/4,Data1{4,1},'kd-')
xlabel('Total sampling rate (f_{s,total})');
ylabel('Support recovery rate');
legend('cMWC', 'AMWC (p=2)', 'AMWC (p=3)', 'AMWC (p=4)')
grid on
xa=gca;
xa.XLim=[500000000,6500000000.00000];
xa.YLim=[0,1];
xa.XTick=[500000000,1000000000.00000,1500000000.00000,2000000000.00000,2500000000.00000,3000000000.00000,3500000000.00000,4000000000.00000,4500000000.00000,5000000000.00000,5500000000.00000,6000000000.00000,6500000000.00000];
xa.XTickLabel={'0.5';'1';'1.5';'2';'2.5';'3';'3.5';'4';'4.5';'5';'5.5';'6';'6.5'};
xa.YTick=[0,0.200000000000000,0.400000000000000,0.600000000000000,0.800000000000000,1];
xa.YTickLabel={'0';'0.2';'0.4';'0.6';'0.8';'1'};

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

Authors：Jehyuk Jang, Sanghun Im & Heung-No Lee

🌈4 Matlab代码、文章