CN106789814A - 一种降低fbmc‑oqam***papr的低复杂度slm算法 - Google Patents

Abstract

本发明公开了一种降低FBMC‑OQAM***PAPR的低复杂度SLM算法，即低复杂度色散选择性映射(LD‑SLM)算法，包括以下步骤：S1、生成U个长度为N的相位旋转矢量；S2、将当前数据块与旋转矢量相乘；S3、对信号进行采样、滤波和调制；S4、计算区间为中间两个连续符号周期T_c；S5、保存PAPR值最小时的旋转矢量u_min；S6、根据u_min选择最佳旋转矢量，更新输入信号矩阵返回步骤S2对下一个信号周期的信号X_m+1重复上述步骤，直至m＝M‑1。本发明在优化算法复杂度的同时，具有降低***PAPR的特性，考虑了FBMC‑OQAM信号的自然重叠部分，缩短了搜索时间，比色散选择性映射(DSLM)算法在复杂度上更有优势。

Description

一种降低FBMC-OQAM***PAPR的低复杂度SLM算法

技术领域

本发明涉及一种通信技术的优化方法，尤其涉及一种降低FBMC-OQAM***PAPR的低复杂度SLM算法。

背景技术

滤波器组多载波(FBMC)是一种频谱效率高、实现复杂度尚可、无需同步的多载波传输方案。偏移正交幅度调制(OQAM)可以消除FBMC***中各子带交叠将带来的载波间干扰(ICI)。FBMC与OQAM结合，具有很多OFDM技术没有的优势，例如优秀的频率定位和较低的功率谱密度(PSD)旁瓣等，比OFDM更适合5G无线接入技术(RAT)。FBMC-OQAM***日益成为无线电波即将到来的5G无线接入技术(RAT)的领跑者。像正交频分复用(OFDM)一样，FBMC-OQAM存在较高的PAPR，这将降低高功率放大器(HPA)的效率，导致信号失真、频谱扩展、***性能下降。所以，FBMC-OQAM***PAPR减小技术是目前研究的一个重大课题。

PAPR减小技术可以分为以下几种：限幅技术、编码技术、加扰技术、自适应预失真技术和离散傅立叶变换(DFT)扩频技术。限幅技术是在峰值附近采用限幅或非线性饱和来减少PAPR，包括块缩放技术、削波和滤波技术、傅里叶映射技术、以及判决辅助重建技术；编码技术是选择能够使PAPR最小或PAPR减小的码字，可以使用Colay互补序列、M序列和Hadamard码；加扰技术是对输入数据进行加扰，并发射具有最小PAPR的数据块；自适应预失真技术可以补偿OFDM***中HPA的非线性效应。

FBMC-OQAM由于其重叠结构而无法运用OFDM中很好降低PAPR的方法。目前，有学者讨论了PAM符号的FBMC-OQAM***降低PAPR的方案，但是这些方案仅限于PAM符号且BER性能较差。还有学者实现了运用迭代补偿的剪切方案减小FBMC-OQAM***的PAPR，但是该***需要设计一个复杂的接收机来满足剪切噪音的补偿。多模块联合优化(MBJO)技术和滑动窗口语音预留(SWTR)技术目前也都运用于FBMC-OQAM***的PAPR降低中，但是它们有一个较高的复杂度。有学者提出了一种重叠的选择性映射(OSLM)方法，提出连续符号之间的独立性假设不成立，考虑了FBMC-OQAM的自然重叠，但是有一个巨大的内存和计算复杂度。后来又有学者提出一种色散选择性映射(DSLM)方法，这种方法与传统的SLM类似，同时考虑了FBMC-OQAM的重叠性，解决了FBMC-OQAM信号时间色散的性质，但是计算的是[0，4T]区间内的PAPR值，复杂度比较高。基于上述陈述，本发明在SLM算法的基础上进行改进，合理利用FBMC信号的重叠性质和功率分布规律，提出了一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，即LD-SLM算法。

发明内容

由对FBMC-OQAM信号的平均功率仿真可知，每个信号周期的能量主要集中分布在[T,3T]内，本发明提出了一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，即LD-SLM算法。传统的SLM算法只计算[0，T]区间内所有点数PAPR值，在此区间搜索最小PAPR值，这是无法匹配FBMC-OQAM信号重叠性质的，结果导致不能有效降低FBMC-OQAM***PAPR，本发明在传统的SLM的基础上进行改进，根据FBMC-OQAM信号功率分布集中在中间[T,3T](T为符号周期)区间的特点，计算集中在区间[T,3T]内符号的PAPR值，找出区间[T,3T]内最小PAPR值来选择最佳旋转符号。

一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，包括以下步骤：

S1、首先初始化旋转矢量，生成U个长度为N的相位旋转矢量：

其中：n∈[0,N-1]，u∈[0,U-1]；

S2、将当前数据块与旋转矢量相乘，每个输入数据块X_m都与U个不同的旋转矢量相乘：

其中：·表示矩阵点对点乘法；

S3、对信号进行采样、滤波和调制，由于FBMC-OQAM信号的重叠性质，需要考虑当前数据块之前的信号，从而得到如下信号：

其中：m∈[0,2π]，t∈[0,(m+1/2)T+4T]；

S4、根据下列公式计算信号xu(^t)的PAPR，计算区间为Tc；

S5、根据PAPR计算的结果，选择最优旋转方案，得到当PAPR值最小时的旋转矢量编号，即并将u_min作为边信息保存在U_SI＝[U_SI u_min]中；

S6、最后更新输入，根据u_min选择最佳旋转矢量，与当前数据块相乘，更新输入信号矩阵然后返回步骤S2中，对下一个信号周期的信号X_m+1重复上述步骤，直至m＝M-1。

所述LD-SLM算法只计算集中在区间[T,3T]内符号的PAPR值，找出区间[T,3T]内最小PAPR值来选择最佳旋转符号，不是SLM算法的[0，T]区间，也不是DSLM的[0，4T]区间。

本发明提出的一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，在优化算法复杂度的同时，具有降低***PAPR的特性，既考虑到了FBMC-OQAM信号的自然重叠部分，又缩短了搜索时间，比DSLM算法在时间复杂度上更有优势，与DSLM算法相比，由于计算PAPR值之前步骤相同，即输入的FBMC信号经过采样和滤波，通过滤波器需要2N(L_h+1)(MT₀+L_h-1)个实数乘法，接着将每个数据块与生成的旋转矢量相乘，需要UN(L_h+T/2)个复数乘法；对当前数据块和之前数据块进行调制需要UN((2m+1)T/2+4T)个复数乘法；计算PAPR值时需要2UNT_c个实数乘法和NUT_c个实数加法，求最大值需要NUT_c次查找比较，求均值和取对数运算分别需要1次实数除法和UNT_c次对数运算，以及1次实数乘法，此处将1次实数乘法、实数加法、实数除法、对数运算和一次查找比较运算均记作1次实数运算；因此，主要比较计算PAPR时的区别,即对公式的实现算法不同，因此DSLM算法的计算复杂度为：C_DSLM＝16MNUT+4MNUT+M，即C_DSLM＝20MNUT+M；本发明提出的LD-SLM算法，采样、滤波和与旋转因子相乘的过程与DSLM相同，由于在求取最佳旋转因子时，PAPR计算区间为[T,3T]，因此旋转和计算PAPR时的计算量有所区别，对于低复杂度SLM算法的计算复杂度为：C_LD-SLM＝8MNUT+2MNUT+M，即C_LD-SLM＝10MNUT+M；式中：N为子载波个数；M为数据块个数；T为码元宽度/符号周期；K为采样因子/重叠因子；L_h为滤波器冲激响应长度；T₀为采样周期，T_c为计算PAPR值所取的区间，m为当前数据块，且m∈[0,M-1]；通过分析对比上述结果可知，本发明提出的LD-SLM算法比DSLM算法在复杂度上减少10MNUT次实数运算，C_LD-SLM≈0.5CDSLM，计算复杂度降低约50％，本发明提出的一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，由于综合考虑了FBMC-OQAM符号的重叠性，即信号大部分能量集中在第2和第3连续的两个FBMC-OQAM符号周期内，故能够很好的适用于FBMC-OQAM***，在降低***的PAPR时，本发明提出的LD-SLM算法的性能与DSLM算法非常接近，且计算复杂度与DSLM算法相比减少10MNUT次实数运算，即计算复杂度降低约50％。

附图说明

图1为FBMC-OQAM信号模型；

图2为FBMC-OQAM连续4个数据块功率分布；

图3为SLM技术框图；

图4为OFDM-SLM***不同U值下PAPR；

图5为U＝4时不同方案下PAPR分布；

图6为FBMC信号与OFDM信号对比。

具体实施方式

为了进一步说明本发明的技术方案，下面对照附图并结合具体实施例对本发明进行详细的说明。

实施例

本发明提出的一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，包括以下步骤：

S1、首先初始化旋转矢量，生成U个长度为N的相位旋转矢量：

其中：n∈[0,N-1]，u∈[0,U-1]；

S2、将当前数据块与旋转矢量相乘，每个输入数据块X_m都与U个不同的旋转矢量相乘：

其中：·表示矩阵点对点乘法；

S3、对信号进行采样、滤波和调制，由于FBMC-OQAM信号的重叠性质，需要考虑当前数据块之前的信号，从而得到如下信号：

其中：m∈[0,2π]，t∈[0,(m+1/2)T+4T]；

S4、根据下列公式计算信号x^u(t)的PAPR，计算区间为T_c；

分析图2仿真结果可知每个信号的功率主要分布在每个信号周期的中间2T区间，故此处T_c∈[mT+T,mT+3T]，跨越2T，而DSLM技术中T_c∈[mT,mT+4T]，跨越4T；

S5、根据PAPR计算的结果，选择最优旋转方案，得到当PAPR值最小时的旋转矢量编号，即并将u_min作为边信息保存在U_SI＝[U_SI u_min]中；

S6、最后更新输入，根据u_min选择最佳旋转矢量，与当前数据块相乘，更新输入信号矩阵然后返回步骤S2中，对下一个信号周期的信号X_m+1重复上述步骤，直至m＝M-1。

图1所示为FBMC-OQAM信号模型；在FBMC-OQAM***中，我们采用基于OQAM调制的信号传输，对于含有M个复杂输入信号，N个子载波的发射端可以写成：

其中和分别是第n个子载波上传输的第m个数据块的实部和虚部，信号的实部和虚部在时域上相差T/2(T为符号周期，也称码元宽度)，对信号进行过采样，采样周期为T₀，过采样因子为K，过采样因子K≥4时，采样后信号的PAPR值与连续信号的PAPR值非常接近，下文仿真中K取4；紧接着信号通过滤波器，通过原型滤波器h(t)和被N个子载波调制之后可以得到：

其中，n＝0,1,…,N-1；然后，在N个子载波信号上叠加，可以得到在第m个数据块上的信号：

其中：L为原型滤波器h(t)的长度，可以看出X_m(t)的长度为(L+T/2)；最后，将M个数据块叠加在一起可以得到FBMC-OQAM最终信号X(t)：

由(2)和(4)可得：

其中，n＝0,1,…,N-1；m＝0,1,…,M-1，h(t)为原型滤波器的脉冲响应，本文采用PHYDYAS原型滤波器，运用频谱抽样技术，滤波器的长度为L＝kN-1，k为重叠因子，N为子载波数数量，其中：

滤波器的脉冲响应如下：

其中，为标准化常量。

图2所示为4个相邻数据块的功率分布，从图中可以看出，每个FBMC-OQAM信号持续4.5T，与随后的3个信号均重叠，且从图中可以看出FBMC-OQAM信号的功率主要分布在其信号持续周期的第2至第3个符号周期之间，即集中在[mT,(m+2)T]之间。对于原型滤波器，能量主要位于主瓣，其长度影响着FBMC-OQAM信号脉冲响应的持续时间，我们定义FBMC-OQAM信号的功率分布如下：

P_avg[X(t)]＝|X(t)|²

图3所示为传统的用于减小OFDM***PAPR的SLM技术的框图。将输入数据X与具有U个不同相位的序列相乘，得到一个修正的数据块X^u，其中n＝0,1,…,N-1，u＝1,…,U。对U个独立的序列{X^u[n]}取IFFT得到序列x^u＝[x^u[0],x^u[1],…,x^u[N-1]]^T，选择其中具有最小PAPR的序列发射：

图4所示为OFDM-SLM***不同U值下PAPR，为了使接收机能够恢复原始数据块，需要将作为边信息(Side Information，SI)保存在USI矩阵中，我们选取10⁵个FBMC符号，64个子载波，16个数据块作为仿真参数，仿真OFDM信号运用SLM技术，取不同U值时的PAPR性能，图中曲线从右到左分别是Original，U＝4，U＝8，U＝16，U＝32时PAPR的CCDF曲线，分析仿真结果可知，相比原始OFDM***，运用SLM技术后，其PAPR值有效降低，且随着U值的增大，性能对比也有所提升。

图5所示为U＝4时不同方案下PAPR分布，选取10⁵个FBMC符号进行仿真，参数选择为：周期T＝64，子载波数N＝64，采用4-QAM调制，向量旋转矢量范围为，过采样因子K为4，采样周期T₀取4T，选择原型滤波器，跨度为4T。由前面的分析可知，FBMC-OQAM信号的能量主要集中在第2和第3符号周期，故仿真时我们选取的仿真区间为[T,3T]，在这个区间计算PAPR的值比之前计算[0，4T]范围内的PAPR值的计算次数大大降低。图5为原始FBMC-OQAM信号PAPR性能与运用DSLM以及运用LD-SLM的FBMC-OQAM在N＝64时的PAPR性能对比情况。由图5中仿真结果可以看出，采用LD-SLM算法后，FBMC-OQAM信号的PAPR性能与原始FBMC信号相比有3.5dB的提升；与采用DSLM技术相近，相差只有约0.5dB性能。这说明本文提出的LD-SLM技术在降低FBMC-OQAM***的PAPR性能上与DSLM相近，但相较原始信号有明显提升。

图6所示为FBMC信号与OFDM信号对比图。我们将运用LD-SLM技术的FBMC-OQAM信号的PAPR与运用传统SLM技术的OFDM信号的PAPR性能作对比。从图6中可以看出，采用LD-SLM算法的FBMC-OQAM信号的PAPR性能与SLM算法PAPR性能很接近，这意味着本文提出的LD-SLM减小PAPR的方案能合理利用FBMC-OQAM信号的重叠性质，且能显著减小信号的PAPR。从图6也可以看出，备选信号数增加时，***PAPR性能进一步提高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，即LD-SLM算法，其特征在于，包括以下步骤：

S1、首先初始化旋转矢量，生成U个长度为N的相位旋转矢量：

$P^u={\[P_0^u,P_1^u,...,P_{N-1}^u\]}^T,$

其中：n∈[0,N-1]，u∈[0,U-1]；

S2、将当前数据块与旋转矢量相乘，每个输入数据块X_m都与U个不同的旋转矢量相乘：

$X_m^u=X_m\·P^u,$

其中：·表示矩阵点对点乘法；

S3、对信号进行采样、滤波和调制，由于FBMC-OQAM信号的重叠性质，需要考虑当前数据块之前的信号，从而得到如下信号：

其中：m∈[0,2π]，t∈[0,(m+1/2)T+4T]；

S4、根据下列公式计算信号x_u(t)的PAPR，计算区间为Tc；

${\mathrm{PAPR}}_{T_c}^u=\frac{\underset{0\≤t\≤T_c}{max}|x^u\left(t\right){|}^2}{\frac{1}{T_c}{\∫}_0^{T_c}|x^u\left(t\right){|}^{2}dt};$

S5、根据PAPR计算的结果，选择最优旋转方案，得到当PAPR值最小时的旋转矢量编号，即并将u_min作为边信息保存在U_SI＝[U_SI u_min]中；

S6、最后更新输入，根据u_min选择最佳旋转矢量，与当前数据块相乘，更新输入信号矩阵然后返回步骤S2中，对下一个信号周期的信号X_m+1重复上述步骤，直至m＝M-1。

2.根据权利要求1所述的一种降低FBMC-OQAM***PAPR的低复杂度SLM算法，其特征在于，所述LD-SLM算法只计算集中在区间[T,3T]范围内符号的PAPR值，找出区间[T,3T]内最小PAPR值来选择最佳旋转符号。