数字锁相放大器(DLIA)基本原理与Matlab仿真

本文介绍数字锁相放大器(DLIA)基本原理与Matlab仿真。

1.基本原理

数字锁相放大器(DLIA)原理框图如下图。

其核心部分为FPGA/DSP内部的相关运算及由正弦参考序列,D/A转换器,低通滤波器构成的DDS,DDS相关内容可以参考我以前的博文,这里对信号相关运算的原理作简要介绍。

设输入信号为携带噪声的信号,输入信号频率为,采样频率为,令,采样间隔,对信号采样个周期,总采样点数为为噪声信号。参考信号分别为正弦序列和余弦序列(采样点数和输入信号一致),由于输入信号与参考信号之间有相关性,与噪声之间几乎无关,故在下面的相关运算过程中,噪声项可忽略。对输入信号进行采样可得离散信号序列:

参考信号可以由FPGA/DSP内部生成(采用表格法),这里分别生成正弦参考序列()和余弦参考序列():

这里注意输入信号的频率和参考信号的频率要相同。

的互相关的互相关,即同相输出和正交输出的互相关信号为:

其中,采用的是无偏估计的相关运算。

从而可求得:

2.Matlab仿真

这里,我们以输入信号fm=1000Hz,信噪比为-10dB(即噪声比信号强10倍),fs=100000Hz,为例,对上述原理进行仿真,Matlab代码如下:

Matlab 复制代码
fm=1000;
fs=100000;
N=fs/fm;
k=0:1:1000;
theta=pi/8;
x=sin(2*k*pi/N + theta);%原始信号
xn=awgn(x,-10,0);%对信号加噪
subplot(9,1,1);
plot(k,x);
title('x');
subplot(9,1,2);
plot(k,xn);
title('xn');
rs=sin(2*k*pi/N);%正弦信号
subplot(9,1,3);
plot(k,rs);
title('rs');
rc=cos(2*k*pi/N);%余弦信号
subplot(9,1,4);
plot(k,rc);
title('rc');

rxs=xcorr(xn,rs,'unbiased',500);%与正弦信号作互相关
subplot(9,1,5);
plot(k,rxs);
title('rxs');
rxc=xcorr(xn,rc,'unbiased',500);%与余弦信号作互相关
subplot(9,1,6);
plot(k,rxc);
title('rxc');

n = 10;
Wn = 0.3;
[b, a] = butter(n, Wn);

rxs_filtered = filter(b, a, rxs);%对相关信号结果滤波
subplot(9,1,7);
plot(k,rxs_filtered);
title('rxs filtered');
rxc_filtered = filter(b, a, rxc);%对相关信号结果滤波
subplot(9,1,8);
plot(k,rxc_filtered);
title('rxc filtered');

amp=2*sqrt(rxs_filtered.^2+rxc_filtered.^2);%计算幅值
subplot(9,1,9);
plot(k,amp);
title('amp');
p=atan(rxc_filtered(1)/rxs_filtered(1));%计算相位

其中,最核心的部分为相关运算(这里采用的是"unbiased"即无偏估计),相关运算计算可参考我以前的博文,这里不做过多叙述。仿真结果如下图。

从仿真结果可以看出,输出幅值,相位和原输入信号幅值,相位非常接近。

总结,本文介绍了数字锁相放大器(DLIA)基本原理与Matlab仿真。

相关推荐
简简单单做算法1 年前
基于CNN卷积网络的MNIST手写数字识别matlab仿真,CNN编程实现不使用matlab工具箱
人工智能·matlab·cnn·matlab仿真·cnn卷积网络·mnist手写数字识别
sys_rst_n1 年前
【通信系统】MIMO阵列信号来向DOA估计实现~含FOCUSS、OMP、贝叶斯学习(SBL)等稀疏重构法和常规、子空间法、空间平滑滤波法
mimo天线阵列·波达方向doa估计·matlab仿真·子空间算法·压缩感知与稀疏恢复