正交頻分復用（OFDM）信號的一個主要缺點是信號包絡波動過大。峰均功率比是常用的度量OFDM信號包絡波動大小的指標,而近期研究表明立方度量可以更加準確地度量OFDM信號包絡波動。傳統(tǒng)限幅濾波技術可以有效降低立方度量,但其濾波設計并不能保證處理后的信號性能達到最優(yōu)。針對這一問題,提出了一種最優(yōu)的限幅濾波設計方案來降低立方度量,其關鍵思想是考慮濾波操作對信號帶內(nèi)、帶外部分的影響,將濾波器設計建模為一個優(yōu)化問題,通過求解得到最優(yōu)的濾波器,并與限幅操作結(jié)合降低立方度量。由于優(yōu)化問題的求解復雜度較高,還提出了一種基于深度神經(jīng)網(wǎng)絡的最優(yōu)限幅濾波實現(xiàn)方案。仿真結(jié)果表明,所提出的最優(yōu)限幅濾波算法及其神經(jīng)網(wǎng)絡實現(xiàn)方案性能相當,但后者的復雜度要低得多。與其它的已知算法相比,新提出的算法及其神經(jīng)網(wǎng)絡實現(xiàn)方案的性能都具有明顯的優(yōu)勢。 

【文章來源】：計算機工程與科學. 2020,42(08)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

基于深度神經(jīng)網(wǎng)絡降低OFDM信號CM的系統(tǒng)框圖

眾所周知,限幅濾波算法可以有效減少OFDM信號的包絡波動,但代價是誤比特率會增加,所以將從這2個方面來評估算法的性能。圖2給出了本文提出的最優(yōu)限幅濾波算法及其基于神經(jīng)網(wǎng)絡的實現(xiàn)方案的誤比特率BER(Bit Error Rate)對比,可以看出兩者的誤比特率BER性能非常接近。同時,圖2也給出了文獻[5,21]所提方案的仿真結(jié)果,在仿真時,對2種方案的限幅率進行調(diào)整,使得它們的BER性能與本文所提的最優(yōu)限幅濾波算法及其神經(jīng)網(wǎng)絡實現(xiàn)方案的性能相近,由此可以對這4種方案的CM抑制性能進行公平的比較。圖3顯示的是在BER性能相近的情況下各種方案降低OFDM信號CM的能力。圖3中使用了互補累積分布函數(shù)CCDF(Complementary Cumulative Distribution Function)來描述RCM降低的性能,CCDF表示的是RCM超過某個閾值的概率。如圖3所示,最優(yōu)限幅濾波算法具有最好的CM抑制性能,在CCDF=10-4時,與原始信號相比,RCM的大小減少了3.6 dB,基于神經(jīng)網(wǎng)絡的方案性能與之相比約有0.2 dB的降級。而文獻[5]和文獻[21]的方案性能要劣于本文提出的2種方案,其原因在于這2種方案在進行濾波時并未采用最優(yōu)的濾波器設計。

圖3顯示的是在BER性能相近的情況下各種方案降低OFDM信號CM的能力。圖3中使用了互補累積分布函數(shù)CCDF(Complementary Cumulative Distribution Function)來描述RCM降低的性能,CCDF表示的是RCM超過某個閾值的概率。如圖3所示,最優(yōu)限幅濾波算法具有最好的CM抑制性能,在CCDF=10-4時,與原始信號相比,RCM的大小減少了3.6 dB,基于神經(jīng)網(wǎng)絡的方案性能與之相比約有0.2 dB的降級。而文獻[5]和文獻[21]的方案性能要劣于本文提出的2種方案,其原因在于這2種方案在進行濾波時并未采用最優(yōu)的濾波器設計。從圖2和圖3可以看出,最優(yōu)限幅濾波算法與其基于深度學習的實現(xiàn)方案具有相近的性能。但是,最優(yōu)限幅濾波算法涉及優(yōu)化問題的求解,具有較高的計算復雜度。而基于深度學習的實現(xiàn)方案可以在線下對神經(jīng)網(wǎng)絡進行學習訓練,訓練之后的網(wǎng)絡僅涉及簡單的代數(shù)運算,計算復雜度大大降低。

【參考文獻】：
期刊論文
[1]Doherty功放的貝葉斯正則化神經(jīng)網(wǎng)絡逆向建模研究[J]. 南敬昌,胡婷婷,盛爽爽,高明明.  計算機工程與科學. 2018(08)
[2]降低OFDM系統(tǒng)PAPR的改進SLM算法[J]. 季策,祝雯靖,魏穎,賈佃霞.  通信學報. 2018(04)
[3]抑制LOFDM系統(tǒng)PAPR非線性壓擴變換算法[J]. 彭斯明,沈越泓,袁志鋼,苗譽威,簡偉.  通信學報. 2015(03)



本文編號：3585108