CN103297374B - 一种基于叠加训练序列的低复杂度pts方法 - Google Patents

Abstract

本发明公开了一种基于叠加训练序列的低复杂度PTS方法。本发明研究了贪婪原理和遗传算法的规律，提出了基于此规律产生待选加权系数的方法，并通过对待选加权系数按照一定规律进行翻转而获得了更多的待选加权系数，解决了基于传统PTS算法的OFDM***中的高计算复杂度的问题。同时，通过对待选发送信号叠加训练序列，也对信号的峰均功率比做出了大大的改善。

Description

一种基于叠加训练序列的低复杂度PTS方法

技术领域

本发明涉及出正交频分复用(OrthogonalFrequencyDivisionMultiplexing，简称OFDM)移动通信***中对OFDM信号进行改善的技术领域，特别是涉及一种降低OFDM***峰均比的PTS方法。

背景技术

正交频分复用(OFDM)具有抗多径衰落、频谱利用率高等优点，因而在无线通信***，包括地面数字视频广播(DVB-T)，数字音频广播(DAB)，无线局域网(WLAN)等领域已经得到广泛的应用。但是OFDM仍然存在很多缺点，其中一个最主要的问题就是OFDM信号具有高峰均功率比。当OFDM信号通过高功率放大器时，过大的PAPR值将会有明显的带内失真，进而会提高误码率和造成非预期的带外失真。

针对OFDM***的高峰均比问题，许多有效的解决方案已经提出。其中限幅法是最简单的一种方法，文献“Y.-CWangandZ.-Q.Luo,OptimizedIterativeClippingandFilteringforPAPRReductionofOFDMSignals,IEEETransactionsoncommunications,Vol.59,No.1,pp.1-4,January2011.”中限幅引入的带内失真和带外辐射会提高误码率。文献“MaryamSabbaghian,YongjunKwak,BesmaSmida,andVahidTarokh,NearShannonLimitandLowPeaktoAveragePowerRatioTurboBlockCodedOFDM,IEEETransactionsoncommunications,Vol.59,No.8,pp.2042-2045,August2011”提出了一种编码方式，虽然获取了良好的PAPR性能，但是其编码方式复杂度较高，数据率的降低也限制了它的应用。扰码技术中提出的选择映射法SLM(SelectedMapping)，例如文献“R.W.Bauml,R.F.H.Fishcher,andJ.B.Huber,Reducingthepeak-to-averagepowerratioofmulticarriermodulationbyselectedmapping,IETElectron.Lett.,Vol.32,no.22,pp.2056-2057,Oct.1996”中，它仅牺牲了一点误码率便获得了良好的PAPR性能，但是大量使用快速傅里叶反变换(IFFT)，却大大增加***的计算复杂度。

扰码技术中的另一种方法叫部分传输序列法PTS(Partialtransmitsequense)，文献中“S.H.MullerandJ.B.Huber,OFDMwithreducedpeak-to-averagepowerratiobyoptimumcombinationofpartialtransmitsequences,IETElectronicsLett.,pp.368-369,1997”，“Sheng-JuKu,Chin-LiangWang,andChiuan-HsuChen,AReduced-ComplexityPTS-BasedPAPRReductionSchemeforOFDMSystems,IEEETransactionsonWirelessCommunications,Vol.9,No.8,pp.2455-2460,August2010”与SLM方法相比，只需要少量的IFFT便可达到预期效果。专利“CN101340417A，李旭，姚道仓“OFDM***中改进型降低峰均比的迭代PTS方法””，相较传统的算法计算量小，但PAPR降低得不多。PTS算法要求对加权系数进行复杂的搜索，而且计算复杂度将随着子块数目的增加而以指数形式增加。为了解决这个问题，许多次优PTS算法相继被提出。专利“时龙兴等，“OFDM***降低峰均比技术中SLM和PTS的边带信息传输方法””中采用将边带符号和数据符号的组合，可避免发送边带信息，但是由于需要对两种符号进行两种编码，因此算法的编码和解码过程较为繁琐。

本发明提出了一种基于叠加训练序列的次优加权系数的搜索方法。该算法能够有效降低搜索加权系数的次数，明显降低了***的计算复杂度，而且获得良好的PAPR性能。

发明内容

本发明目的是为了更有效地克服OFDM***中存在的缺陷，提出了一种可以降低OFDM***峰均功率比，并能有效地应用于实际通信***中的方法。

本发明的创新之处在于提出了一种基于贪婪算法和遗传算法用于产生待选加权系数的方法。本发明的创新之处在于利用上述算法与训练序列相结合，降低OFDM***的峰均功率比PAPR。

本发明是一种基于叠加训练序列的低复杂度PTS方法。所述方法具体过程包括以下步骤：

一种基于叠加训练序列的低复杂度PTS方法，其特征在于：具体实现过程步骤如下：

步骤1输入二进制数据比特流，调制后得到映射信号X，并将其分割成V个不相交的频域部分传输序列X_v，进行快速傅里叶反变换IFFT后获得时域部分传输序列x_v，其中v∈(1,V)，N表示经过映射后信号的长度；

步骤2利用式(1)为时域部分传输序列x_v叠加训练序列：

$x_s=\sqrt{1-\mathrm{\α}}{x}_v+\sqrt{\mathrm{\α}}{x}_z---\left(1\right)$

其中x_z表示一种训练序列，α表示功率分配因子α∈(0,1)；x_s表示叠加后的时域部分传输序列，s∈(1,V)；

步骤3设置次优加权系数向量的最大搜索次数为Search_max，再将加权系数向量的搜索次数初始化为N_search＝0；

步骤4产生具有随机性的P组加权系数向量：

$b^m=\[b_1^m,b_2^m,...b_V^m\]---\left(2\right)$

其中，式(2)中m表示第m组加权系数向量，且m∈(1,P)；表示第m组加权系数向量的第v块加权系数，的值是由包含W个值的集合Q{·}中随机产生；

步骤5利用上述产生的P组加权系数向量分别对时域部分传输序列x_s信号进行扰码，获得OFDM符号x′，计算所有P组OFDM符号的PAPR值，并找出具有最小PAPR的OFDM符号所对应的一组加权系数向量b^t，并将所有P组加权系数向量做上标记，存储于集合A中如式(3)表示：

$b^t=\[b_1^t,b_2^t,...b_V^t\]---\left(3\right)$

其中t∈(1,P)；

步骤6固定b^t中第一个加权系数因子然后依次将剩余的加权系数因子进行翻转，即利用集合Q{·}中其他值代替该加权系数因子，最终产生了下一代待搜索的S组加权系数向量，且该S组加权系数向量中的加权系数因子与b^t中的加权系数因子只有一个不同，其余都相同，S可表示为：

S＝(W-1)*(V-1)(4)

其中W表示可选因子数；

步骤7让N_search＝N_search+1，如果N_search＞1，将S组加权系数向量与集合A中的所有向量做对比，将其中没有被标记过的k组向量单独放入集合B中，k≤S，此时再用集合B中的加权系数向量分别对时域部分传输序列x_s信号进行扰码后得到信号x_s′，计算PAPR值并找出具有最小PAPR值的OFDM符号所对应的加权系数向量，并将其赋值给b^t，标记该代所有加权系数向量组，放入集合A；如果N_search＝1，则直接将S组加权系数向量对时域部分传输序列x_s信号进行扰码，计算PAPR值并找出具有最小PAPR的OFDM符号所对应的加权系数向量，再将其赋值给b^t；

步骤8判断如果N_search＝Search_max则终止搜索，发送扰码后的信号x_s′及其边带信息；如果N_search＜Search_max则转到步骤6。

附图说明

图1OFDM***不同算法下PAPR的互补累积概率分布曲线图；

图中，改进PTS算法中参数设置W＝4，Search_max＝200，其中横坐标表示PAPR门限值(dB)，纵坐标表示互补累积概率分布函数CCDF值；

图2OFDM***不同算法下PAPR的互补累积概率分布曲线图；

图中，改进PTS算法中参数设置W＝4，Search_max＝1000，其中横坐标表示PAPR门限值(dB)，纵坐标表示互补累积概率分布函数CCDF值；

图3OFDM***不同算法下PAPR的互补累积概率分布曲线图；

图中，改进PTS算法中参数设置W＝2，Search_max＝30，其中横坐标表示PAPR门限值(dB)，纵坐标表示互补累积概率分布函数CCDF值；

图4改进PTS算法不同相位因子下PAPR的互补累积概率分布曲线图；

图中，改进改进PTS算法中参数设置W＝4，Search_max＝1000，其中横坐标表示PAPR门限值(dB)，纵坐标表示互补累积概率分布函数CCDF值。

具体实施方式

下面结合附图对本发明做进一步说明(以W＝2，V＝4为例)：

步骤1输入二进制数据比特流，调制后得到映射信号X，并将其分割成V个不相交的频域部分传输序列X_v，进行快速傅里叶反变换IFFT后获得时域部分传输序列x_v,其中v∈(1,V)，N表示经过映射后信号的长度；

步骤2利用式(1)为时域部分传输序列x_v叠加训练序列：

$x_s=\sqrt{1-\mathrm{\α}}{x}_v+\sqrt{\mathrm{\α}}{x}_z---\left(1\right)$

其中x_z表示一种训练序列，α表示功率分配因子α∈(0,1)；x_s表示叠加后的时域部分传输序列，s∈(1,V)；

步骤3设置次优加权系数向量的最大搜索次数为Search_max＝10，再将加权系数向量的搜索次数初始化为N_search＝0；

步骤4产生具有随机性的P组加权系数向量：

$b^m=\[b_1^m,b_2^m,...b_V^m\]---\left(2\right)$

其中，式(2)中m表示第m组加权系数向量，且m∈(1,P)；表示第m组加权系数向量的第v块加权系数，的值是由包含W＝2个值的集合Q{1,-1}中随机产生；

步骤5利用上述产生的P组加权系数向量分别对时域部分传输序列x_s信号进行扰码，获得OFDM符号x′，计算所有P组OFDM符号的PAPR值，并找出具有最小PAPR的OFDM符号所对应的一组加权系数向量b^t，假设求出的b^t＝[1,1,1,1]，再将所有P组加权系数向量做上标记，存储于集合A中；

步骤6固定b^t中第一个加权系数因子然后依次将剩余的加权系数因子进行翻转，即利用集合Q{1,-1}中其他值代替该加权系数因子，最终产生了下一代待搜索的S＝3组加权系数向量，这三组加权系数向量可以表示为[1,-1,1,1]，[1,1,-1,1]，[1,1,1,-1]，如此该S组加权系数向量中的加权系数因子与b^t中的加权系数因子只有一个不同，其余都相同；

步骤7让N_search＝N_search+1，如果N_search＞1，将S组加权系数向量与集合A中的所有向量做对比，将其中没有被标记过的k组向量单独放入集合B中，k≤S，此时再用集合B中的加权系数向量分别对时域部分传输序列x_s信号进行扰码后得到信号x_s′，计算PAPR值并找出具有最小PAPR值的OFDM符号所对应的加权系数向量，并将其赋值给b^t，标记该代所有加权系数向量组，放入集合A；如果N_search＝1，则直接将S组加权系数向量对时域部分传输序列x_s信号进行扰码，计算PAPR值并找出具有最小PAPR的OFDM符号所对应的加权系数向量，再将其赋值给b^t；

步骤8判断如果N_search＝Search_max则终止搜索，发送扰码后的信号x_s′及其边带信息；如果N_search＜Search_max则转到步骤6。

结合上述的具体实施方式，对附图进行说明(图中的叉熵PTS算法的仿真依据文献“YajunWang,WenChen,andChinthaTellambura,PAPRReductionMethodBasedonParametricMinimumCrossEnropyforOFDMsignals,IEEECommunicationsLett.,Vol.14,No.7,June2010.”；图中选择映射算法的仿真依据文献“R.W.Bauml,R.F.H.Fishcher,andJ.B.Huber,“Reducingthepeak-to-averagepowerratioofmulticarriermodulationbyselectedmapping,”IETElectron.Lett.,Vol.32,no.22,pp.2056-2057,Oct.1996”)：

图1OFDM***不同算法下PAPR的互补累积概率分布曲线图。各种算法仿真参数设置如下：采用子载波数为256，采用QPSK调制，过采样因子L＝4，改进PTS算法的V＝8，W＝4，Search_max＝200。从图中可以看出CCDF在10^-3处，原始算法的PAPR值为11.3dB，而其余算法的PAPR值均低于8dB。改进PTS算法比传统PTS算法性能约差0.6dB，但是其性能比叉熵PTS算法略高0.2dB，且计算复杂度比传统PTS低。传统PTS和改进PTS算法的计算复杂度的对比表如下：

图2OFDM***不同算法下PAPR的互补累积概率分布曲线图。各种算法仿真参数设置如下：子载波数为256，采用QPSK调制，过采样因子L＝4，改进PTS算法的V＝8，W＝4，Search_max＝1000。从仿真参数可知，最大搜索次数增加至1000次。从仿真图可以看出改进PTS算法比传统PTS算法的PAPR值低0.2dB，而比叉熵PTS算法的PAPR值高0.2dB，但是改进PTS算法的计算复杂度是传统PTS算法的6.5％(CMRR＝0.9344，CARR＝0.9812)。对比图2、3可以发现，增加了最大搜索次数值Search_max，改进PTS算法能够获得较好的PAPR性能，但是相应的计算复杂度也有一定的增加。

图3OFDM***不同算法下PAPR的互补累积概率分布曲线图。各种算法仿真参数设置如下：子载波数为256，采用QPSK调制，过采样因子L＝4，改进PTS算法的V＝8，W＝2，Search_max＝30。从仿真参数可知，改进PTS算法的仿真降低了最大搜索次数，限定了可选集合Q{·}中值的个数。从仿真图可以看出，改进PTS算法与叉熵PTS算法的CCDF曲线重合，因此改进PTS算法需要一定的搜索次数才能获得比较良好的性能。

图4改进PTS算法不同相位因子下PAPR的互补累积概率分布曲线图。各种算法仿真参数设置如下：子载波数为256，采用QPSK调制，过采样因子L＝4，改进PTS算法的V＝8，W＝4，Search_max＝1000。从仿真图可以看出改进的PTS算法中为待传输序列叠加了训练序列后PAPR性能提高了，而且随着功率分配因子的增加，PAPR性能改善越明显。

Claims (1)

1.一种基于叠加训练序列的低复杂度PTS方法，其特征在于：具体实现过程步骤如下：

步骤1输入二进制数据比特流，调制后得到映射信号X，并将其分割成V个不相交的频域部分传输序列X_v，进行快速傅里叶反变换IFFT后获得时域部分传输序列x_v，其中v∈(1,V)，N表示经过映射后信号的长度；

步骤2利用式(1)为时域部分传输序列x_v叠加训练序列：

$x_s=\sqrt{1-\mathrm{\α}}{x}_v+\sqrt{\mathrm{\α}}{x}_z---\left(1\right)$

其中x_z表示一种训练序列，α表示功率分配因子α∈(0,1)；x_s表示叠加后的时域部分传输序列，s∈(1,V)；

步骤3设置次优加权系数向量的最大搜索次数为Search_max，再将加权系数向量的搜索次数初始化为N_search＝0；

步骤4产生具有随机性的P组加权系数向量

$b^m=\[b_1^m,b_2^m,...b_V^m\]---\left(2\right)$

其中，式(2)中m表示第m组加权系数向量，且m∈(1,P)；表示第m组加权系数向量的第v块加权系数，的值是由包含W个值的集合Q{·}中随机产生；

步骤5利用上述产生的P组加权系数向量分别对时域部分传输序列x_s信号进行扰码，获得OFDM符号x′，计算所有P组OFDM符号的PAPR值，并找出具有最小PAPR的OFDM符号所对应的一组加权系数向量b^t，如式(3)表示：

$b^t=\[b_1^t,b_2^t,...b_V^t\]---\left(3\right)$

其中t∈(1,P)；再将所有P组加权系数向量做上标记，存储于集合A中；

步骤6固定b^t中第一个加权系数因子然后依次将剩余的加权系数因子进行翻转，即利用集合Q{·}中其他值代替该加权系数因子，最终产生了下一代待搜索的S组加权系数向量，且该S组加权系数向量中的加权系数因子与b^t中的加权系数因子只有一个不同，其余都相同，S可表示为：

S＝(W-1)*(V-1)(4)

其中W表示可选因子数；

步骤7让N_search＝N_search+1，如果N_search＞1，将S组加权系数向量与集合A中的所有向量做对比，将其中没有被标记过的k组向量单独放入集合B中，k≤S，此时再用集合B中的加权系数向量分别对时域部分传输序列x_s信号进行扰码后得到信号x′_s，计算PAPR值并找出具有最小PAPR值的OFDM符号所对应的加权系数向量，并将其赋值给b^t，标记该代所有加权系数向量组，放入集合A；如果N_search＝1，则直接将S组加权系数向量对时域部分传输序列x_s信号进行扰码，计算PAPR值并找出具有最小PAPR的OFDM符号所对应的加权系数向量，再将其赋值给b^t；

步骤8判断如果N_search＝Search_max则终止搜索，发送扰码后的信号x′_s及其边带信息；如果N_search＜Search_max则转到步骤6。