MIMO-OFDM系统中联合时域和空间域信号处理的改进PTS算法

为了降低多输入多输出正交频分复用(multiple input multiple output orthogonal frequency division multiplexing, MIMO-OFDM)系统中传统部分传输序列(partial transmit sequence, PTS)算法的计算复杂度,提出了联合时域和空间域信号处理的改进PTS算法。在时域信号处理部分,通过信号子块循环移位实现备选序列的增加;在空间域部分,利用天线间信号子块交换实现峰均功率比(peak to average power ratio, PAPR)抑制。同时在接收端 ,利用子块相位旋转引起的相位差异,本方法通过比较接收信号与星座点的距离,可以实现信号的盲检测,从而有效高MIMO-OFDM系统的频谱利用率。仿真结果表明,提出的方法能有效地抑制MIMO-OFDM信号的PAPR,而且明显降低了传统PTS算法的计算复杂度,同时可获得跟传统PTS方法已知边带副信息时相似的比特误码率(bit error rate, BER)性能。     

OFDM系统中基于时域信号部分循环移位的低复杂度PTS算法

为了降低正交频分复用(orthogonal frequency division multiplexing, OFDM)信号的峰均功率比(peak to average power ratio, PAPR),提高系统的误比特率(bit error rate, BER)性能,提出了一种结合时域信号分割和部分子块循环移位的低复杂度部分传输序列(partial transmit sequence, PTS)算法,发送端仅需要一次快速傅里叶反变换(inverse fast fourier transform, IFFT)运算即可获得多个备选序列,接收端通过比较反向旋转序列与最近星座点的距离来恢复时域循环因子,实现了信号的盲检测。采用了两种不同的最佳序列选择准则:最小PAPR和最大相关性准则(cross correlation, CORR),并仿真分析了系统的PAPR性能和BER性能。结果表明,所提算法有效地抑制了OFDM信号的PAPR,提高了系统的BER性能,与传统PTS和选择性映射算法相比,明显降低了计算复杂度。     

基于峰值优化的改进PTS算法

针对正交频分复用系统的峰均功率比(peak-to-average power ratio,PAPR)较高的问题,提出基于峰值优化的部分传输序列(partial transmit sequence, PTS)算法。该算法通过分析每个采样位置的最大峰值功率出现的特点,对每个采样位置的最大峰值功率进行估计,得到采样点峰值功率的度量函数Pn,只对Pn大于等于预设阈值γ的点进行优化处理,降低了计算复杂度。提出的PTS算法与文献［20］相比,在计算复杂度和误码率性能基本相同的情况下,PAPR性能有一定程度的改善和提升。     

OFDM系统中基于盲检测的低复杂度分块SLM算法

为了降低正交频分复用(orthogonal frequency division multiplexing, OFDM)系统中传统选择性映射(conventional selected mapping, CSLM)算法的计算复杂度,提高系统的频谱利用效率,提出了一种基于盲检测的低复杂度分块选择性映射(block selected mapping, BSLM)算法,发送端利用逆快速傅里叶反变换(inverse fast fourier transform,IFFT）性质仅需少量低维IFFT运算即可获得较多的备选序列,接收端采用低复杂度的盲检测方式。仿真分析了所提算法的峰均功率比(peak to average power ratio, PAPR)、立方度量(cubic metric, CM)和误比特率(bit error rate, BER)性能。结果表明,所提算法不仅明显降低了计算复杂度,而且有效抑制了OFDM信号的PAPR和CM,获得与已知边带信息的CSLM算法相近的BER性能。     

基于动态功率阈值降低PAPR的部分传输序列算法

为了改善正交频分复用(orthogonal frequency division multiplexing, OFDM)系统的峰均功率比(peak-to-average power ratio, PAPR)性能,提出了一种基于动态功率阈值的低复杂度部分传输序列(partial transmit sequences, PTS)方法。在新的PTS方法中,引入了基于功率的判别函数,并给出了一种基于功率合理选择阈值的方法。在选取最小的PAPR值进行传输时,只对P-n大于等于阈值的样本信号进行峰值功率的计算。与传统的PTS算法相比,本文提出的算法在保证PAPR性能和误码率的情况下,能够更有效地降低计算复杂度。     

基于期望传播的分布式信号检测算法

针对大规模集中式天线阵列带来的硬件开销大与信号检测复杂度高等问题, 研究了期望传播算法在分布式广义线性模型中的应用, 提出了一种基于分布式的信号检测方案。首先将大规模天线阵列均分为多个独立并行的子阵列, 并在每个子阵列中独立地进行消息迭代更新, 再由一个集中处理模块对消息进行汇总, 直至迭代完成。仿真结果表明, 与期望一致信号检测算法相比, 提出的算法在降低计算复杂度的同时能够维持良好的检测性能, 研究表明该算法能够较好地适用于分布式广义线性模型。     

正交投影阵列信号子空间估计方法

利用特征值分解构造信号子空间存在运算量大的问题,制约了子空间类参数估计方法的实时应用。提出一种新的正交投影阵列信号子空间估计方法,该方法不需要特征值分解,通过对阵列接收数据逐级进行正交投影分解构造阵列信号子空间的一组基向量,使得每个基向量方向上信号投影能量最大,从而保证所张成的信号子空间包含最大的信号能量。定义了衡量子空间估计精度的信号和噪声子空间估计误差函数。理论分析和仿真结果表明,所提方法计算复杂度低,且子空间估计精度优于特征值分解。     

基于SVM的模拟测试生成的改进算法

在一些测试生成算法中,通过数/模和模/数转换器将模拟系统转换为离散数字系统,使得测试生成和响应分析在数字信号领域进行。提出了一种基于支持向量机（support vector machine, SVM）的模拟测试生成算法,通过SVM解决采样空间的线性分类问题,生成的测试序列可直接作为激励信号作用于被测系统,通过输出响应即可判断是否故障。为了减少计算代价,采用一种非等间距方法压缩脉冲响应采样向量,在降低采样空间维度的同时保证了测试生成的有效性。     

基于块剪枝多路径匹配追踪的多信号联合重构

针对多路径匹配追踪(multipath matching pursuit,MMP)无法利用稀疏信号的结构信息、迭代层数较高时计算复杂度较大等问题,提出了一种适用于重构块稀疏信号的块剪枝多路径匹配追踪算法。该算法以原子块作为路径扩张的节点,在一定迭代层数后引入剪枝操作,极大地降低了数据运算量。进而,针对多观测向量(multiple measurement vector,MMV)问题,提出了MMV块剪枝MMP算法,用以实现无线传感网小范围内多传感器信号的联合重构。实验表明,块剪枝MMP的重构性能优于MMP,MMV块剪枝MMP的联合重构性能优于MMV块A*正交匹配追踪、MMV子空间匹配追踪和MMV正交匹配追踪。     

基于改进粒子群优化的部分传输序列峰均比降低研究

部分传输序列(PTS)算法是解决正交频分复用(OFDM)系统高峰均功率比(PAPR)问题的有效手段,但是算法采用穷举搜索使得系统的复杂度非常高.针对该问题,将算法中最小峰均比的求解过程转化为非线性约束的优化问题,进而提出了一种新的离散粒子群优化(DPSO)方法,使得相位因子的搜索快速向最优相位序列的方向收敛,从而显著地降低了PTS算法的搜索复杂度,同时能够得到具有较小峰均功率比的信号.仿真结果证明,与传统PTS算法相比较,所提算法在搜索复杂度较低的情况下,能够获得很好的峰均功率比降低性能.     

降低多载波信号峰值平均功率比的新相位方案

针对等幅且各子载波等频率间隔的多载波信号,从瞬时包络功率出发,采用代数方法推导了一种降低峰值平均功率比(PAPR)的新相位方案。通过数值计算对峰值平均功率比的减小作用进行了验证,并给出了采用Newman相位方法计算的结果以便比较。数值结果表明,采用这种新的相位方案得到的PAPR不大于3 01dB,且随着子载波数的增大而接近2 65dB,克服了信号的非线性失真。     

降低MIMO-OFDM系统峰均比的分解并行选择映射算法

高峰均功率比(peak-to-average power ratio, PAPR)问题是多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)系统实用化的主要障碍之一,针对这一问题提出了一种分解并行选择映射(decomposed concurrent selected mapping, D-CSLM)算法,进一步提高了算法的峰均比性能。所提算法将每根天线上OFDM 符号分解为实部和虚部,分别采用相同的相位因子,在进行逆离散傅里叶变换(inverse discrete Fourier transform, IDFT)之后进行组合,选择使所有天线具有最小平均峰均比的信号进行传输。与原有的并行选择映射算法相比,所提算法具有更大的待选信号范围,峰均比降低性能更好。同时,利用实序列固有的共轭对称特性,使算法的计算复杂度保持不变。仿真结果证明,该算法在保持计算复杂度不变的前提下,显著改善了系统的峰均比性能。     

使用非线性变换降低正交频分复用的峰均比

针对正交频分复用(OFDM)所具有的高峰均比问题,提出了一种简单有效的降低峰均比的非线性变换方法。通过把OFDM信号看作随机变量,从概率统计的角度出发提出了一种新的非线性变换。经过非线性变换,将OFDM信号幅度的概率分布改变为近似的均匀分布,从而压缩了信号的动态范围,有效地降低了峰均比;在加性高斯信道下,获得了较好的误码率性能。数据仿真验证了所提出方法的有效性。     

基于降维稀疏重构的相干信源二维DOA估计方法

直接将压缩感知(compressed sensing,CS)思想应用到相干信源二维波达方向(direction of arrival,DOA)估计中会带来高计算复杂度的问题。为了解决这一问题,提出了一种基于降维稀疏重构的二维DOA估计方法,该方法利用特殊阵列结构将二维冗余字典构建问题转化为一维冗余字典的构建,同时提出了一种基于子字典空间谱重构的配对算法,从而在极大降低算法计算复杂度的同时,提高了配对成功概率。仿真结果表明,该方法对相干信源具有接近于克拉美罗下界(Cramér Rao lower bound, CRLB)的估计性能,即使是在低信噪比、少快拍数和小角度间隔的情况下,仍有良好的估计性能。     

基于动态离散粒子群优化的PTS相位系数搜索算法

部分传输序列（PTS）算法是一种有效的且无畸变的降低正交频分多路复用（OFDM）系统发送信号峰均比的算法,但其实现的时间复杂度较高。为了在不影响降低峰均比性能的前提下,减少算法实现的时间复杂度,提出了一种基于动态离散粒子群优化的PTS相位系数搜索（DDPSO-PTS）算法。该算法利用粒子群优化算法优良的迭代寻优能力,寻找最优的相位系数序列,并且通过动态调整粒子数量,来减少算法的时间复杂度。DDPSO-PTS算法的平均时间复杂度比传统的PTS算法的平均时间复杂度减小了50%到90%。仿真结果分析表明,在相邻、交织和随机分割条件下,相应的DDPSO-PTS算法的性能损失为0到0.4dB。

Abstract：

The Partial Transmit Sequence （PTS） is a very promising peak-to-average ratio （PAPR） reduction algorithm for OFDM system since it does not generate any signal distortion.However,its high time complexity makes it difficult for implementation.For reducing the time complexity with neglectable performance penalty,a dynamic discrete particle swarm optimization based PTS （DDPSO-PTS） phase coefficient search algorithm was proposed to implement the PTS approach based on the concept of particle swarm optimization （PSO） algorithm.DDPSO-PTS algorithm seeks the optimum PTS phase coefficients with the best ability of iterative optimization of Particle Swarm Optimization algorithm.The number of particles will be adjusted during iterations to reduce the time complexity.The DDPSO-PTS algorithm can reduce 50% to 90% average time complexity compared with traditional PTS algorithm.The simulations show that with adjacent,interleaved and random partitioning scheme,the performance degradations of DDPSO-PTS algorithm are 0 to 0.4dB.     

联合互协方差矩阵的快速波达方向估计

针对常规子空间类波达方向(direction-of-arrival, DOA)估计中存在的子空间分解计算量过大问题,提出了基于均匀线阵的联合互协方差矩阵(joint cross covariance matrix,JCCM)DOA估计算法。基于阵列划分和矩阵重构思想,将均匀线阵划分成两个子阵,在求得这两个子阵接收数据互协方差矩阵后,重构一个新的矩阵即JCCM,利用JCCM的部分数据进行线性运算即可得到等价的信号子空间,然后构造多项式并求根,最终实现波达角估计。理论分析和仿真实验证明,算法避开了对协方差矩阵的特征值分解运算,在保证估计精度可接受的同时,有效降低了计算量,取得了更高的估计速度。