一种降低滤波器组多载波系统的峰均功率比的方法

本发明属于移动通信，具体指一种降低滤波器组多载波系统(fbmc)的峰均功率比(papr)的方法。

背景技术：

1、随着科技的进步与通信技术的快速发展，人们对于移动通信的要求越来越高，滤波器组多载波技术(filter bank multicarrier，fbmc)的研究成为人们关注的焦点。滤波器组多载波技术可有效提高数据传输效率和信道可靠性。与现有的正交频分复用技术(orthogonal frequency division multiplexing，ofdm)相比，滤波器组多载波系统具有较低的正交性要求，不需要严格的同步，而ofdm子载波对频偏敏感。fbmc具有更高的频谱效率，无需循环前缀对抗符号间干扰，采用非矩形原型滤波器，旁瓣很低，避免了不相邻载波间的干扰。但是滤波器组多载波系统有严重的子带交叠现象，为了避免这种情况，通常采用偏移正交幅度调制(offset quadrature amplitude modulation,oqam)与fbmc系统相结合。然而fbmc-oqam技术与ofdm技术一样都存在峰均功率比(peak-to-average powerratio,papr)较高的问题，这将导致信号失真，系统性能下降等问题。papr是一种用于衡量信号波形在传输中出现峰值功率过大的重要参数，其表示信号的峰值功率与平均功率之间的比值，因此降低fbmc系统的papr是新一代移动通信需要解决的问题。

技术实现思路

1、为解决fbmc系统存在峰均功率比过高的问题，一般采用部分传输序列(partialtransmit sequence,pts)算法，但考虑到pts算法的计算复杂度较高，本发明提供一种pts算法与改进粒子群优化(particle swarm optimization,pso)算法相结合的方法，去降低fbmc系统的papr。

2、为了达到上述目的，本发明采用的技术方案：

3、一种降低滤波器组多载波系统的峰均功率比的方法，具体步骤如下：

4、步骤(1)，首先，将输入信号经过oqam预处理后变为复数信号，再将复数信号通过在n个子载波上进行调制，最后通过叠加获得滤波器组多载波序列信号。然后，在u(u≥2)维空间随机生成p个具有位置和速度的粒子群，并对部分传输序列算法(pts算法)参数与改进粒子群优化算法(pso算法)参数进行初始化。参数具体如下：

5、设置pso算法初始惯性权重wini，最终惯性权重wend，缩放因子δ，学习因子c1和c2，学习因子c1的最大值c11，最小值c12，学习因子c2的最小值c21，最大值c22，最大速度限制vmax，位置xid，粒子最优位置pid，种群最优位置pgd，旋转因子bv，最大迭代次数g，pts分块数v，符号数l，子载波n。

6、步骤(2)，使用pts算法对步骤(1)得到的滤波器组多载波序列信号中的n个子载波进行分块，再对其进行快速傅里叶逆变换(inverse fast fourier transform,ifft)与滤波器处理。具体如下：

7、步骤2.1：使用pts算法对输出信号中的n个子载波进行分块

8、将n个子载波信号划分成v个子数据块，其中随机划分法降低papr的效果最强，因此本发明选取随机分割法，从n个子载波中随机分配个子载波到一个子数据块内进行分割。

9、步骤2.2：对分割完的子块进行ifft变换

10、步骤2.3：再将经步骤2.2后的子块进行滤波器处理

11、所述的滤波器采用phydyas滤波器，通常选取k＝4，当k＝4时对应的频域采样系数h0为1，h1为0.971960，h2为h3为0.235147。

12、步骤(3)，将处理后的每个子块分别乘以不同的相位旋转因子再相加，得到新的输出信号，并从此步开始迭代。

13、每个子数据块乘以不同的相位旋转因子bv，再将每个子数据块相加，可得新的输出信号，相位旋转因子bv为：

14、

15、其中，相位的取值范围为[0,2π)，通常在中取有限个点，旋转因子bv为离散值，v为每个子块的序号。

16、步骤(4)，根据传统峰均功率比papr公式，计算步骤(3)得到的新输出信号的papr值，将其作为粒子的适应值，并更新粒子最优位置pid和种群最优位置pgd.。具体如下：

17、步骤4.1：计算新的输出信号的papr值

18、在计算papr时，fbmc-oqam系统与传统ofdm不同，它具有重叠的数据块结构，因此需要重新定义papr，本发明将新输出信号s(t)分成不同间隔的数据块结构以适应fbmc-oqam系统的特点，可以将s(t)分成l+k个段，那么每段间隔的papr可以通过公式(1)求得，并将计算得到的papr值作为粒子的适应值：

19、

20、其中，|s(t)|是输入信号的幅度值，e{·}为信号的期望；i表示段的序列号；t表示时域周期。

21、通常采用互补累积函数(complementary cumulative distribution，ccdf)来衡量低滤波器组多载波系统的峰均比，其表示信号papr大于γ的概率，式子为:

22、ccdf(papr)＝p(papr>γ)＝1-p(papr≤γ)＝1-(1-e-γ)n(3)

23、其中，p表示某一件事的概率，γ表示门限值；n表示ifft的位数。

24、步骤4.2：更新粒子最优位置pid和种群最优位置pgd

25、根据公式(2)计算出新输出信号的papr值后，将其作为粒子的适应值，根据适应值越小，粒子适应能力越强的原则，更新粒子最优位置pid和种群最优位置pgd。

26、步骤(5)，由步骤(4)可得粒子最优位置pid和种群最优位置pgd，根据速度更新公式和位置更新公式更新粒子的速度和位置，当速度超过最大值时，让速度等于设定的边界值，然后使用sigmoid函数和位置更新函数进行概率映射和位置更新。具体如下：

27、步骤5.1：更新粒子的速度和位置

28、速度更新公式为：

29、vid(g+1)＝δ*w(g)*vid(g)+c1(g)*rand*(pid(g)-xid(g))+c2(g)*rand*(pgd(g)-xid(g))

30、

31、

32、其中，δ·w(g)·vid(g)为惯性部分，表示粒子对上一次未迭代粒子速度的继承。对算法进行改进增加δ，δ为缩放因子，增加了粒子的惯性权重，从而增加了粒子的速度，促进了粒子对全局的搜索。w(g)为惯性权重因子，一般用来平衡全局搜索和局部搜索，w(g)采用线性变化表达式，当粒子开始搜索时，w(g)较大，粒子会进行全局搜索，随着时间和迭代次数的增加，w(g)逐渐减小，粒子会从全局搜索转变为局部搜索。vid(g)表示每次迭代的粒子速度。c1表示粒子下一步动作来源于自身经验所占的权重，若c1＝0，会丧失种群多样性，易陷入局部最优解，为无私型粒子群算法。c2表示粒子下一步动作来源于其他粒子经验所占的权重，若c2＝0，会丧失社会部分，失去每次迭代最优解的信息，收敛速度缓慢，为自我认知型粒子群算法。c1和c2都不为0时，两者兼顾，可以保持搜索效果和搜索效率的平衡，为完全型粒子群算法。

33、c1(g)·rand·(pid(g)-xid(g))为自我认知部分，粒子学习上一次未迭代粒子的部分，其中rand为随机数。c2(g)·rand·(pgd(g)-xid(g))为全局认知部分，是粒子学习群体最优的部分。较小的c1值，会使粒子全局搜索能力变弱，较大的c2值，会使粒子过早的进行局部最优解的搜索，因此，对算法进行改进，学习因子c1和c2采用非线性表达式，让其随着迭代次数的增加改变。

34、wini表示惯性因子的初始值；wend表示惯性因子的结束值。c11表示学习因子c1的最大值；c12表示学习因子c1的最小值；c21表示学习因子c2的最小值；c22表示学习因子c2的最大值。g表示当前迭代的次数,g表示总迭代次数。

35、步骤5.2：限制速度vid(g+1)的范围

36、对每个粒子的移动速度vid(g+1)的范围进行限制，以权衡算法的探索能力与效率。当粒子的速度较大时，它们具备更强的搜索能力，能够覆盖更广泛的搜索空间，但这也可能导致它们在搜索过程中忽略掉一些潜在的最优解。这种情况下，粒子的移动距离较大，但需要防止过度追求速度而忽略了全局最优解的可能性。相反，当粒子的速度较小时，它们的搜索能力较弱，可能会局限在某个局部区域，无法有效地跳出局部最优解，算法的收敛速度会变得较慢，因为粒子的移动距离较小，所以需要对粒子的最大和最小速度进行限制，速度限制表达式为：

37、

38、其中，-vmax表示速度移动范围的最小值；vmax表示速度移动范围的最大值。vid(g+1)表示下一次迭代的粒子速度。

39、步骤5.3：使用sigmoid函数和位置更新函数进行概率映射和位置更新

40、使用sigmoid函数对速度vid进行概率映射，将速度vid映射到[0,1]范围内，转换成位变化概率，即某位变化的概率。在pso算法中，当速度vid越接近0时，粒子位变化的概率就越高。但在搜索寻优的过程中，当速度vid接近0时，粒子是越来越靠近最优解的，位变化的概率应越来越小，而算法反而却越大，影响了算法的寻优能力；当速度vid不接近0时，位变化的概率应是越来越大，进行寻优。原始sigmoid函数在速度vid等于0时，值为0.5，位变化的概率较高，影响全局搜索能力，改进后的sigmoid函数在速度vid较大时，位变化的概率较大，在速度vid接近0时，位变化的概率较小，满足搜索寻优条件。

41、所述改进后的sigmoid函数为：

42、

43、当粒子的最优位置为0时，粒子的当前位状态可能为1，因此需要采取行动以最大程度将粒子的位状态转变为0。相反地，当粒子的最优位置为1时，粒子的当前位状态可能为0，这时需要调整粒子的位状态以使其接近1。原始位置更新函数仅仅基于sigmoid函数与随机数rand的比较来决定位状态的变化，当sigmoid函数大于rand随机数时，让xid(g+1)为1，否则，让xid(g+1)为0，而没有考虑到粒子之前的位状态。

44、改进后的位置更新函数基于sigmoid函数与随机数比较来确定是否进行位变化。当sigmoid函数大于随机数时，表示速度不接近于零，此时位变化的概率较高，因此需要执行位变化操作。如果当前位置xid(g)为0，则将其更新为1；如果当前位置xid(g)为1，则将其更新为0。反之，当sigmoid函数小于随机数时，表示速度接近于零，位变化的概率较低，因此保持原位状态不进行位变化操作。

45、进一步，所述改进后的位置更新函数为：

46、

47、步骤(6)，判断是否达到设置的最大迭代次数，若满足，则当前种群的最优位置xid则为要寻找的最优解，即为求得的最优papr值，否则返回步骤3。

48、本发明的有益效果为：

49、(1)本发明对速度更新公式增加了缩放因子δ，增加了粒子的惯性权重，从而提高了粒子对全局的搜索能力，并且改进学习因子c1和c2，采用非线性表达式，让其随着迭代次数的增加改变，平衡搜索效果和搜索效率。

50、(2)本发明改进sigmoid函数和位置更新函数，当速度vid接近0时，位变化的概率越来越小；当速度vid不接近0时，位变化的概率越来越大，并使用位置更新函数进行位变化，能够增强算法的寻优能力。

51、(3)本发明不仅能够有效降低fbmc系统的papr，还能够降低计算过程的复杂度。