CN109787931A - 一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 - Google Patents
一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 Download PDFInfo
- Publication number
- CN109787931A CN109787931A CN201810232247.4A CN201810232247A CN109787931A CN 109787931 A CN109787931 A CN 109787931A CN 201810232247 A CN201810232247 A CN 201810232247A CN 109787931 A CN109787931 A CN 109787931A
- Authority
- CN
- China
- Prior art keywords
- solution
- bee
- dimension
- neighborhood
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006872 improvement Effects 0.000 title description 3
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- UELITFHSCLAHKR-UHFFFAOYSA-N acibenzolar-S-methyl Chemical compound CSC(=O)C1=CC=CC2=C1SN=N2 UELITFHSCLAHKR-UHFFFAOYSA-N 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 3
- 208000021907 Central cloudy dystrophy of François Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明涉及一种基于改进人工蜂群算法的OFDM信号峰均比降低方法,针对人工蜂群‑部分传输序列(ABC‑PTS)算法中相位旋转因子解空间离散且个数较少的特点,提出先随机决定决定靠近学习对象(正向学习)还是远离学习对象(反向学习),再随机选取学习维度的邻域探索策略。如果是正向学习,那么在两个食物源位置(旋转因子组)值不同的维度中随机选取一个维度作为要探索的维度l;如果是反向学习,那么在两个食物源位置(旋转因子组)值相同的维度中随机选取一个维度作为要探索的维度l。避免了原有ABC‑PTS算法邻域探索中解不更新的现象,能够更有效地搜索相位因子组合,提高了探索效率进而提升了PAPR抑制性能。仿真结果表明,改进的ABC‑PTS算法可以获得更好的峰均比性能。
Description
技术领域
本发明涉及通信技术领域,更具体地,涉及OFDM时域信号峰均比(PAPR)的降低方法。
背景技术
正交频分复用(OFDM)技术作为***无线通信的核心技术,是一种有效对抗频率选择性衰落和窄带干扰的高速传输技术。在OFDM***中,由于发射信号是许多调制信号的和,当每个子载波上的符号同相时,发射信号的峰值功率会比其平均功率高许多。这就要求发射端的功率放大器必须有很大的线性工作区域,导致功率放大器效率低。作为OFDM***的主要问题之一的高峰值平均功率比问题一直是学术界的研究重点。在OFDM信号抑制PAPR研究领域中,部分传输序列(PTS)是其中效果显著的一种方法。近年来,人工蜂群算法(ABC)被用于数值优化问题与PTS结合来搜索更好的相位因子组。然而,由于现有的人工蜂群=部分传输序列(ABC-PTS)的邻域探索策略存在解不更新的现象,导致计算冗余,影响PAPR抑制性能。
发明内容
为了克服现有技术存在的不足,本发明提出了一种基于改进人工蜂群算法的OFDM信号峰均比降低方法。
为了实现上述目的,本发明提出的方法具体步骤如下:
a)初始化***参数limit及最大递推数;
b)随机产生大小为S的初始解Ai,i=1,2,...,S,每个解代表一个食物源,也表示一个旋转因子组bi=[bi1,bi2,...,biV]T,计算每个食物源的适应度(花蜜数量),食物源适应度计算公式如下:
其中f(bi)为旋转因子组bi对应的PAPR。将适应度较大的S/2个解作为雇佣蜂解,其余S/2作为旁观蜂解;
c)对于每个雇佣蜂解bi,进行邻域解探索:在其他雇佣蜂解中随机选取一个bk作为学习对象,再随机决定学习方向和解更新的维度l,改动雇佣蜂解维度l的值得到欲探索的邻域解并计算此邻域解对应的适应度,若适应度大于雇佣蜂解,那么该雇佣蜂解更新为此邻域解;
其中,步骤c)的具体求法如下:
i.解更新的维度l的确定:
对当前食物源bi与另一个雇佣蜂(即学习对象)的位置bk,先进行差异统计,将bi与bk相比具有相同值的维度与不同值的维度序号记录到两个集合Dsame和Ddif中,Dsame中记录具有相同值的维度,Ddif记录具有不同值的维度序号。即Dsame={d1,d2,...,dm}中的任一元素dx使得Ddif={d1,d2,...,dn}中的任一元素dx使得显然m+n=V。
接着确定学习方向,产生一个[0,1]的伪随机数a,若a≤0.5则靠近学习对象(正向学习),否则远离学习对象(反向学习)。
然后确定更新维度,若学习方向是正向学习,那么
l=RAND(Ddif)
表示在Ddif中随机中随机选取一个维度l;
若学习方向是方向学习,那么
l=RAND(Dsame)
10.表示在Dsame中随机中随机选取一个维度l。特别的,若Ddif中无元素,那么就确定为反向学习,在Dsame中随选取一个维度l;若Dsame中午元素,那么就确定为正向学习,在Ddif中随机选取一个维度l。
ii.更新策略:
欲探索的新食物源位置b′i是在bi的基础上,改动维度l的值bil。如果学习方向是正向学习,那么
b′il=bkl
如果是反向学习,那么
b′il=NRAND(R,bkl)
其中,NRAMD表示在解空间R中随机选取非bil的一个解。
d)对于每个雇佣蜂解计算各自被选概率计算公式为:
e)对于每个旁观蜂,根据步骤d)计算的概率通过轮盘赌的方式选择一个雇佣蜂解,自身变成这个雇佣蜂解之后,利用与步骤c)中雇佣蜂的邻域探索策略相同的方式决定探索的邻域解,计算此邻域解对应的适应度,若适应度大于雇佣蜂解那么该雇佣蜂解更新为此邻域解;
f)记录最好的雇佣蜂解;
g)对于每个雇佣蜂解,观察他们不曾更新的迭代次数,如果达到limit次,那么抛弃这个雇佣蜂解,在解空间内随机生成一个解替代这个雇佣蜂解;
h)这个过程循环执行,直到迭代次数达到了最大递推数时算法结束;
以现有的技术相比,本发明的有益效果为:本发明的邻域探索策略可以保证迭代后一代b′i与当前代bi不相同,成功避免了ABC-PTS的解不更新的问题。另一方面,随机决定正向学习与反向学习的做法保持了标准人工蜂群算法的探索思想。
附图说明
图1 传统的PTS的基本原理框图
图2 改进的ABC-PTS算法流程图图
图3 邻域解探索策略流程图
图4 改进的ABC-PTS与ABC-PTS的PAPR性能比较
图5 改进的ABC-PTS与ABC-PTS的平均PAPR收敛情况比较
具体实施方式
下面结合附图对本发明做进一步的描述,以便对本发明方法的技术特征及优点进行更深入的诠释。但本发明的实施方式并不限于此。
本发明提供一种基于改进人工蜂群算法的OFDM信号峰均比降低方法,具体实施步骤如下:
1.降低OFDM的PAPR的ABC-PTS的步骤
a)首先,确定OFDM频域数据信号D={D1,D2,...,DN-1}和长度N,确定平均分割块数V,分块为{D(v)|v=1,2,...,V},其中D(v)表示第个v分块,显然,
b)对每个分块进行N点的IFFT计算:
d(v)=IFFT(D(v))
c)引入复数旋转因子组B={bv|v=1,2,...,V}作为辅助信息,其中 其中,K为旋转因子可选值的个数。用步骤b)得到的各个分块的时域信号d(v)分别乘以对应的旋转因子组bv后进行加和得到总的时域信号x,如图1所示,x满足:
c)x的峰均比计算公式为:
2.采用改进的ABC-PTS找到最佳旋转因子组Bp,Bp满足:
最佳旋转因子即最优解搜索算法如图2所示:
a)初始化***参数limit及最大递推数;
b)随机产生大小为S的初始解Ai,i=1,2,...,S,每个解代表一个食物源,也表示一个旋转因子组bi=[bi1,bi2,...,biV]T,计算每个食物源的适应度(花蜜数量),食物源适应度计算公式如下:其中f(bi)为旋转因子组bi对应的PAPR。将适应度较大的S/2个解作为雇佣蜂解,其余S/2作为旁观蜂解;
c)对于每个雇佣蜂解bi,进行邻域解探索:在其他雇佣蜂解中随机选取一个bk作为学习对象,再随机决定学习方向和解更新的维度l,改动雇佣蜂解维度l的值得到欲探索的邻域解并计算此邻域解对应的适应度,若适应度大于雇佣蜂解,那么该雇佣蜂解更新为此邻域解;其中,步骤c)的具体求法如图3所示:
ii.解更新的维度l的确定:
对当前食物源bi与另一个雇佣蜂(即学习对象)的位置bk,先进行差异统计,将bi与bk相比具有相同值的维度与不同值的维度序号记录到两个集合Dsame和Ddif中,Dsame中记录具有相同值的维度,Ddif记录具有不同值的维度序号。即Dsame={d1,d2,...,dm}中的任一元素dx使得Ddif={d1,d2,...,dn}中的任一元素dx使得显然m+n=V。
接着确定学习方向,产生一个[0,1]的伪随机数a,若a≤0.5则靠近学习对象(正向学习),否则远离学习对象(反向学习)。
然后确定更新维度,若学习方向是正向学习,那么
l=RAND(Ddif)
表示在Ddif中随机中随机选取一个维度l;
若学习方向是方向学习,那么
l=RAND(Dsame)
表示在Dsame中随机中随机选取一个维度l。特别的,若Ddif中无元素,那么就确定为反向学习,在Dsame中随选取一个维度l;若Dsame中午元素,那么就确定为正向学习,在Ddif中随机选取一个维度l。
ii.更新策略:
欲探索的新食物源位置b′i是在bi的基础上,改动维度l的值bil。如果学习方向是正向学习,那么
b′il=bkl
如果是反向学习,那么
b′il=NRAND(R,bkl)
其中,NRAMD表示在解空间R中随机选取非bil的一个解。
d)对于每个雇佣蜂解计算各自被选概率计算公式为:
e)对于每个旁观蜂,根据步骤d)计算的概率通过轮盘赌的方式选择一个雇佣蜂解,自身变成这个雇佣蜂解之后,利用与步骤c)中雇佣蜂的邻域探索策略相同的方式决定探索的邻域解,计算此邻域解对应的适应度,若适应度大于雇佣蜂解那么该雇佣蜂解更新为此邻域解;
f)记录最好的雇佣蜂解;
g)对于每个雇佣蜂,观察他们不曾更新的迭代次数,如果达到limit次,那么抛弃这个雇佣蜂解,在解空间内随机生成一个解替代这个雇佣蜂解;
h)这个过程循环执行,直到迭代次数达到了最大递推数时算法结束;
3.选用步骤2搜索的最好雇佣蜂解组合即最佳旋转因子组Bp,得到最终进行传输的子载波数据xp,则xp满足:
下面例举一个具体实施的例子,并对其进行仿真实验,首先设定如下参数:
表1参数设置
OFDM符号个数 | 10<sup>4</sup> |
OFDM子载波数N | 128 |
调制方式 | 16QAM |
相位因子候选数K | 2 |
迭代次数G | 30 |
limit | 3 |
种群大小S | 30 |
以PAPR的CCDF衡量改进的ABC-PTS抑制PAPR的性能,结合表1的参数设置,改进的ABC-PTS和ABC-PTS参数设置相同,为了更客观的比较,计算机还仿真了原始的最优解(OPTS)以及原始信号(Original)的PAPR的CCDF,如图4所示。
当Pr(PAPR>PAPR0)=10-3时,原始的OFDM信号的PAPR是10.54dB,OPTS可将PAPR降低到5.11dB,ABC-PTS方法可将PAPR降低到5.87dB,而本文提出的改进的ABC-PTS可以将PAPR降低到5.60dB。与原始信号相比,改进的ABC-PTS的PAPR降低了4.94dB;与ABC-PTS相比,改进的ABC-PTS获得了0.27dB的减少量。而在计算复杂度方面,用穷举搜索的OPTS的计算复杂度为KV-1=216-1=32768次搜索,改进的ABC-PTS复杂度和ABC-PTS算法相当,搜索次数为SG=30×30=900。
图5给出了改进的ABC-PTS与ABC-PTS的PAPR性能与迭代次数的关系。纵坐标是实验10000次的PAPR的平均数。改进的ABC-PTS在迭代次数从1到30的情况下降低PAPR的性能都优于ABC-PTS。迭代20次的情况下,ABC-PTS平均PAPR是5.249dB,而改进的ABC-PTS平均PAPR是5.018dB,降低了0.231dB。迭代50次的情况下,ABC-PTS平均PAPR是5.062dB,而改进的ABC-PTS平均PAPR是4.889dB,降低了0.173dB。另外,改进的ABC-PTS在迭代50次的情况比迭代20次的情况平均PAPR仅仅降低了0.129dB,而计算复杂度却增加了1.5倍。因此对于本发明提出的改进的ABC-PTS算法,递推数设置为20是一个比较合适的选择。
以上所述的本发明的实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (9)
1.一种基于改进人工蜂群算法的OFDM信号峰均比降低方法,其特征在于,包括如下步骤:
a)初始化***参数limit及最大递推数;
b)随机产生大小为S的初始解,每个解代表一个食物源,也表示一个旋转因子组,计算每个食物源的适应度(花蜜数量)将适应度较大的S/2个解作为雇佣蜂解,其余S/2作为旁观蜂解;
c)对于每个雇佣蜂解bi,进行邻域解探索:在其他雇佣蜂解中随机选取一个bk作为学习对象,再随机决定学习方向和解更新的维度l,改动雇佣蜂解维度l的值得到欲探索的邻域解并计算此邻域解对应的适应度,若适应度大于雇佣蜂解,那么该雇佣蜂解更新为此邻域解;
d)对于每个雇佣蜂解计算各自被选概率;
e)对于每个旁观蜂,根据步骤d)计算的概率通过轮盘赌的方式选择一个雇佣蜂解,自身变成这个雇佣蜂解之后,利用与步骤c)中雇佣蜂的邻域探索策略相同的方式决定探索的邻域解,计算此邻域解对应的适应度,若适应度大于雇佣蜂解那么该雇佣蜂解更新为此邻域解;
f)记录最好的雇佣蜂解;
g)对于每个雇佣蜂解,观察他们不曾更新的迭代次数,如果达到limit次,那么抛弃这个雇佣蜂解,在解空间内随机生成一个新解替代这个雇佣蜂解;
h)这个过程循环执行,直到迭代次数达到了最大递推数时算法结束。
2.根据权利要求1所述的方法,其特征在于,采用部分传输序列(PTS)作为OFDM信号降低PAPR方法,针对PTS中解空间离散且解个数较少的特点,结合改进的人工蜂群算法(ABC)的邻域探索策略来选取PTS的最优旋转因子组。
3.根据权利要求1所述的方法,其特征在于,步骤a)设置控制参数limit记录某个解更新次数,如果某个解连续经过limit次循环,仍然没有更新,说明这个解为局部最优解,将此解放弃,再随机生成新解替代原来的解。
4.根据权利要求1所述的方法,其特征在于步骤b),食物源适应度计算公式如下:其中f(bi)为旋转因子组bi对应的PAPR。
5.根据权利要求1所述的方法,其特征在于,所述步骤c)的邻域探索策略差异统计是将bi与bk相比具有相同值的维度与不同值的维度序号记录到两个集合Dsame和Ddif中,Dsame中记录具有相同值的维度,Ddif记录具有不同值的维度序号。
6.根据权利要求1所述的方法,其特征在于,所述步骤c)中学习方向的确定为产生一个[0,1]的伪随机数a,若a≤0.5则靠近学习对象(正向学习),否则远离学习对象(反向学习)。
7.根据权利要求1所述的方法,其特征在于,所述步骤c)解更新维度的确定为:若学习方向是正向学习,那么l=RAND(Ddif),表示在Ddif中随机中随机选取一个维度l;若学习方向是方向学习,那么l=RAND(Dsame),表示在Dsame中随机中随机选取一个维度l。特别的,若Ddif中无元素,那么就确定为反向学习,在Dsame中随选取一个维度l;若Dsame中午元素,那么就确定为正向学习,在Ddif中随机选取一个维度l。
8.根据权利要求1所述的方法,其特征在于,所述步骤c)欲探索的新食物源位置b′i是在bi的基础上,改动维度l的值bil。如果学习方向是正向学习,那么b′il=bkl;如果是反向学习,那么b′il=NRAND(R,bkl),NRAMD表示在解空间R中随机选取非bil的一个解。
9.根据权利要求1所述的方法,其特征在于,所述步骤d)中每个雇佣蜂被旁观蜂选择的概率计算公式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232247.4A CN109787931A (zh) | 2018-03-20 | 2018-03-20 | 一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232247.4A CN109787931A (zh) | 2018-03-20 | 2018-03-20 | 一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109787931A true CN109787931A (zh) | 2019-05-21 |
Family
ID=66495710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810232247.4A Pending CN109787931A (zh) | 2018-03-20 | 2018-03-20 | 一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109787931A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112583449A (zh) * | 2020-12-04 | 2021-03-30 | 青岛鼎信通讯股份有限公司 | 一种适用于中压载波***的自适应抑制峰均比的方法 |
CN114745243A (zh) * | 2022-03-31 | 2022-07-12 | 青岛鼎信通讯股份有限公司 | 一种适用于中压载波***的人工蜂群峰均比抑制技术 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894273A (zh) * | 2010-05-26 | 2010-11-24 | 北京航空航天大学 | 一种基于人工蜂群优化边缘势场函数无人机目标识别方法 |
CN103544547A (zh) * | 2013-11-02 | 2014-01-29 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
CN104504439A (zh) * | 2014-11-26 | 2015-04-08 | 沈阳建筑大学 | 基于改进人工蜂群算法的约束多目标优化方法 |
CN105629735A (zh) * | 2016-02-22 | 2016-06-01 | 南京航空航天大学 | 一种航空发动机在线自适应最优pid控制器设计方法 |
CN106228184A (zh) * | 2016-07-19 | 2016-12-14 | 东北大学 | 一种基于优化极限学习机的高炉故障检测***及方法 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
-
2018
- 2018-03-20 CN CN201810232247.4A patent/CN109787931A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894273A (zh) * | 2010-05-26 | 2010-11-24 | 北京航空航天大学 | 一种基于人工蜂群优化边缘势场函数无人机目标识别方法 |
CN103544547A (zh) * | 2013-11-02 | 2014-01-29 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
CN104504439A (zh) * | 2014-11-26 | 2015-04-08 | 沈阳建筑大学 | 基于改进人工蜂群算法的约束多目标优化方法 |
CN105629735A (zh) * | 2016-02-22 | 2016-06-01 | 南京航空航天大学 | 一种航空发动机在线自适应最优pid控制器设计方法 |
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
CN106228184A (zh) * | 2016-07-19 | 2016-12-14 | 东北大学 | 一种基于优化极限学习机的高炉故障检测***及方法 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
Non-Patent Citations (2)
Title |
---|
YAJUN WANG: ""A PAPR Reduction Method Based on Artificial Bee Colony Algorithm for OFDM Signals"", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
王亚军: ""减少OFDM***的峰均功率比的研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112583449A (zh) * | 2020-12-04 | 2021-03-30 | 青岛鼎信通讯股份有限公司 | 一种适用于中压载波***的自适应抑制峰均比的方法 |
CN114745243A (zh) * | 2022-03-31 | 2022-07-12 | 青岛鼎信通讯股份有限公司 | 一种适用于中压载波***的人工蜂群峰均比抑制技术 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | A suboptimal PTS algorithm based on particle swarm optimization technique for PAPR reduction in OFDM systems | |
Almazini et al. | Grey Wolf Optimization Parameter Control for Feature Selection in Anomaly Detection. | |
CN109787931A (zh) | 一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 | |
CN103916355A (zh) | 一种认知ofdm网络中子载波的分配方法 | |
CN112329371B (zh) | 一种基于IALO-BP神经网络的Doherty功率放大器逆向建模方法 | |
CN109905344B (zh) | 基于部分传输序列的ofdm信号峰均比抑制方法 | |
CN107017975A (zh) | 一种基于正交频分复用的时频分集拷贝方法 | |
CN109274629B (zh) | Ofdm***中峰值功率优化方法及发射*** | |
Singh et al. | On the PTS optimization using the firefly algorithm for PAPR reduction in OFDM systems | |
CN105681244A (zh) | 基于蝙蝠算法的ofdm***中抑制papr的方法 | |
Ren et al. | Sparse PTS scheme based on TR schemes for PAPR reduction in FBMC‐OQAM systems | |
CN115657620A (zh) | 基于室内可见光通信的多目标协调优化控制方法及*** | |
Jayasankar et al. | Novel selective mapping with oppositional hosted cuckoo optimization algorithm for PAPR reduction in 5G UFMC systems | |
Ait-Saadi et al. | A PAPR Reduction for OFDM Signals Based on Self-Adaptive Multipopulation DE algorithm. | |
CN111478871B (zh) | 基于补给索引的高频谱效率载波索引调制方法 | |
CN112800384A (zh) | 基于自适应大领域搜索的gtsp求解算法 | |
Gao et al. | A PAPR reduction algorithm based on harmony research for OFDM systems | |
CN109039983B (zh) | 一种降低fbmc传输信号阻带能量的方法 | |
Gao et al. | Minimizing PAPR of OFDM signals using suboptimal partial transmit sequences | |
CN108924076A (zh) | Co-ofdm***中一种联合改进的ts-pso-pts峰均比抑制方案 | |
CN115146702A (zh) | 一种变压器故障诊断方法、介质及*** | |
JP6559789B2 (ja) | Ofdmシステムにおけるpapr低減のためのツリー探索トーン予約 | |
CN104517141B (zh) | 基于负载平衡与粒子群算法的射频识别网络布局方法 | |
Hou et al. | PAPR reduction of OFDM systems using embedded SLM-PTS combination scheme | |
CN109194603B (zh) | 降低mimo-ofdm***峰均功率比的导向交织方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190521 |
|
WD01 | Invention patent application deemed withdrawn after publication |