当前位置:首页 > 专题范文 > 公文范文 >

降低FBMC-OQAM系统中PAPR的GA-IBPSO算法

时间:2023-08-14 09:35:02 来源:网友投稿

朱海云,马天鸣,江潇潇,王春媛

(上海工程技术大学 电子电气工程学院,上海 201620)

滤波器组多载波(Filter Bank Multi-Carrier,FBMC)属于一种新型的非正交多载波调制技术,它采用对子载波进行滤波的方式来进一步抑制信号的带外频谱泄漏,同时由于系统运用了偏移正交幅度(Offset Quadrature Amplitude Modulation,OQAM)的调制方式,使得子载波之间只需满足在实数域上保持正交,获得了波形时域上的设计自由度并能够更灵活的适应信道的变化,同时还大大降低了在时频同步上的需求.因此较之正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM),FBMC更能满足当前5G通信的一些关键需求.

但是FBMC-OQAM在实际应用中也存在着一些不足之处,其中之一就是它和OFDM一样具有较高的信号峰均功率比(Peak-to-Average Power Ratio,PAPR)[1].然而FBMC-OQAM相邻数据块之间具有时域重叠特性,因此把OFDM中降低PAPR的方案直接移植到FBMC-OQAM中将难以获得良好的抑制效果.目前大部分降低FBMC-OQAM中PAPR的方案都是在OFDM中方案的基础上进行改进,使之能够适应FBMC-OQAM.文献[2]设计一种TR-μLaw抑制FBMC-OQAM中的PAPR的技术,该方法将载波预留(Tone Reservation,TR)和μ-Law压扩技术融合起来,促使两种方法的利弊互补,但是算法的复杂度较高.文献[3]设计了一种预编码技术,该技术基于修剪的离散傅里叶变换和单抽头缩放,结合了FBMC-OQAM和单载波频分多址(single carrier-frequency division multiple access,SC-FDMA)两者各自的优点,但是编解码的过程比较复杂.文献[4]在传统迭代部分传输序列(Iterative Partial Transmit Sequence Algorithm,IPTS)算法的基础上,通过将相位因子向量分为奇偶分别进行迭代,扩大了搜索范围,系统的 PAPR得到了明显的抑制,但是计算量较大.在这些PAPR抑制方案中,由于PTS技术在优化组合符号子块的同时对子载波数量没有限制,而且在信号无失真的情况下PAPR进行抑制,因此成为了当前最有吸引力和最有效的抑制方案.

考虑到寻找最佳相位组合以减小PAPR的穷举搜索的计算复杂度会随着子块的数量而增加,目前国内外的学者已经提出了一些智能优化算法应用于PTS的方案.文献[5]提出了一种基于遗传算法(Genetic Algorithm,GA)的双层部分传输序列方案,与传统方案相比可以在显著降低计算复杂度的同时获得更好的PAPR抑制效果,但在搜索后期效率较低.文献[6]设计的基于奇数分割的PTS新方案,并引入了含比例因子的粒子群优化(Particle Swarm Optimization,PSO)算法,在抑制PAPR的同时降低了计算复杂度,但在搜索后期容易陷入局部最优.

本文设计了一种改进的离散二进制粒子群优化的遗传算法(Genetic Algorithm -Improved Binary Particle Swarm Optimization,GA-IBPSO),它通过选用带外衰减性能更好的原型滤波器来代替原有的PHYDYAS(European Physical Layer for Dynamic Access)滤波器,并将遗传算法(Genetic Algorithm,GA)中的选择交叉、变异操作融入到采用双层部分传输序列(Bilayer Partial Transfer Sequence,BPTS)思想进行改进后所得到的IBPSO算法中.理论分析与仿真结果表明,与BPSO算法相比,GA-IBPSO算法虽然计算复杂度略微增加但获得了更好的PAPR抑制性能.

FBMC-OQAM系统的发送端,经过OQAM调制和串并转换后,在t时刻的基带发送信号可表示为[5]:

(1)

为了估计离散时间信号真实的PAPR值,以t/L采样率对FBMC-OQAM信号S(t)进行采样,其中L=KN,K为重叠因子,N为子载波个数.因此采样后的离散时间信号S(k)可以表示为[7]:

(2)

其中h(k)为PHYDAYS滤波器.PHYDAYS滤波器是当前FBMC-OQAM系统中使用最广泛的原型滤波器,满足近似完美重建(Near Perfect Reconstruction,NPR)条件.由式(2)不难发现,S(k)的结构具有时域重叠特性,其PAPR表示为[8]:

(3)

3.1 改进的原型滤波器

鉴于FBMC-OQAM采用了原型滤波器的缘故,因此它的信号较之OFDM而言具有更好的相邻带外泄漏抑制特性.在进行PAPR抑制之前,可以通过直接优化滤波器系数的方案设计出一种新的原型滤波器h1(k).优化的主要方法为:将阻带区域能量最小作为优化的目标函数,分别把原型滤波器的对称性、Nyquist第一准则、载波间干扰(inter-carrier interference,ICI)和符号间干扰(inter-symbol interference,ISI)小于引入的门限值作为约束条件,求解出最优的滤波器的系数.

假设设计的原型滤波器h1(k)是对称的并且满足实际信道中的NPR条件,滤波器长度为Lp,其中Lp=KN-1.经过傅里叶变换,滤波器h1(k)的传输函数可以表示为:

(4)

为了实现对旁瓣能量的抑制和降低旁瓣泄漏,不妨用P表示阻带区域的能量,它的表达式为[4]:

(5)

对h1(k)做重叠取样离散化处理,即h1(k)=[h1(0)h1(1)…h1(Lp-1)]T,此时式(5)可以进一步表示为:

(6)

限制条件1:原型滤波器的对称性:

h1(k)=h1(Lp-1-k)

(7)

限制条件2:Nyquist第一准则:

(8)

限制条件3:ISI/ICI的能量

(9)

采用直接改进滤波器系数的方法,将上述滤波器的设计问题转化为数学优化问题,根据优化目标式(6)以及约束条件式(7)~式(9)可知这是一个非线性优化问题,这里采用序贯二次规划法[9],解出即可得到设计的原型滤波器h1(k).

3.2 基于BPTS的 GA-IBPSO群智能优化算法

3.2.1 双层部分传输序列(BPTS)

(10)

BPTS是在原有PTS的基础上将N个子载波数据先后分成两层:第1层将N个子载波划分为V个不相交的子数据块,进行第1次最佳相位因子的搜索;第2层将V个子数据块再进一步分割成D个区块,再次搜索D个区块的最佳相位因子.BPTS的模型如图1所示.

图1 BPTS算法模型Fig.1 Model of BPTS algorithm

3.2.2 GA-IBPSO算法

J.Kennedy和R.C.Eberhart提出的粒子群优化算法(Particle Swarm Optimization,PSO)[10].PSO主要是基于连续区间进行搜索,考虑到一些实际工程应用中待求解的变量不是连续的.对此,J.Kennedy和R.C.Eberhart又提出了二进制粒子群优化(Binary PSO,BPSO)算法,主要用来优化离散空间约束问题,BPSO有记忆,且具有原理简单、参数少、容易实现等优点[11].

然而传统的BPSO存在两个缺陷:1)算法中的惯性权重w为固定值,而w决定了对粒子当前速度的继承有多少,w偏小时算法的全局搜索能力较差,w偏大时算法局部搜索能力较差[11];2)BPSO算法计算精度不高.对此本文提出了GA-IBPSO,首先采用非线性的动态惯性权重系数公式,让惯性权重根据粒子适应度值动态改变,调节算法在全局和局部搜索的水平,进行初步寻优,然后将GA算法的选择、交叉和变异等操作融入到BPSO中.由于GA具有简单、通用性强、鲁棒性好、适用于并行分布式处理等优点[12],可以进一步改善BPSO容易陷入局部最优解的问题,同时提高算法的优化效率和运算精确度.GA-IBPSO的关键算法步骤如下:

(1)初始化粒子群,包括位置x和速度v,以及种群大小Np=30,迭代次数G=4,加速度常数c1=c2=2,比例因子γ动态地从0.5变化到5[11];

(2)通过函数式(10),计算每个粒子的适应度函数;

(3)计算当前个体极值(Pbest)和群体极值(Gbest),Pbest是粒子所经历位置中得到最优解的位置,Gbest是整个种群中粒子搜索到的最优解的位置;

(4)分别更新每个粒子的速度和位置.

1)首先更新粒子速度,可以表示为[11]:

(11)

其中i表示粒子的索引,n表示迭代的次数,v表示粒子速度,r1、r2代表均匀分布在 [0,1]中的随机数,pi代表第i个粒子之前的最佳位置,g表示为粒子群中最优粒子的位置,xi表示第i个粒子的位置.自适应惯性权重w的调整公式表示为:

(12)

其中f代表当前适应度值,favg为平均适应度值,fmin为最小适应度值,惯性权重wmax=1、wmin=0.4.

2)然后采用优化稳定的sigmoid函数将速度映射到[0,1]区间,作为粒子下一步取值为1的概率[11],可以表示为:

(13)

3)再将粒子通过式(14)实现位置的绝对变化:当前位值由1变化为-1,或者由-1变化为1.

(14)

其中rand表示[0,1]的随机数.

(5)增加遗传算法(GA)操作,提高种群多样性和全局搜索水平.交叉和变异的操作如图2所示,其中黑球代表1,白球代表-1.

图2 粒子的交叉、变异操作Fig.2 Operations of the crossover and mutation

1)首先采用轮盘赌法选取适应度值较小的优秀粒子,自适应性选择概率表示为[12]:

(15)

其中Fi=k/fi,fi为适应度值,k为常数,N为种群个数;

2)然后采用单点交叉法为粒子xi和粒子xk在位置j处进行交叉操作,交叉概率pc可以表示为:

(16)

其中kc为[0,1]之间的常数,f为粒子xi与xk两个粒子中较大的适应度,favg为平均适应度值,fmax为当前最大的适应度值;

3)选择粒子xm的第n个因子xmn进行变异,变异概率pm可以表示为:

(17)

其中km为[0,1]之间的常数,且km远小于kc,f′为粒子xm的适应度,favg为平均适应度值,fmax为当前最大的适应度值;

(6)满足最大迭代次数的条件后,输出最优个体,否则返回步骤2)继续执行.

4.1 性能仿真和分析

本节进行MATLAB编程仿真,首先将3.1中提出的改进原型滤波器h1(k)与PHYDAYS滤波器h0(k)进行性能仿真对比,然后对基于h1(k)的FBMC-OQAM系统采用控制变量法就3.2.2中提出的GA-IBPSO算法中的几个变量参数逐一进行仿真并确定,再对参数确定后的GA-IBPSO算法和传统算法一并进行PAPR性能仿真.仿真相关参数的设置如表1所示.鉴于5G通信信道同时具有多径和时变性的特点,这里选取相对延时较为明显的ITU-VB[13]作为系统仿真时的无线信道模型.

表1 Matlab仿真参数Table 1 Simulation parameters of Matlab

首先,对两种原型滤波器自身的性能进行比较.当K=4、L=256时,h0(k)和h1(k)的脉冲响应和归一化响应分别如图3和图4所示.从图中不难看出,与h0(k)相比,h1(k)的阻带能量抑制有显著改善,这是由于最小化原型滤波器阻带能量、限制载波间干扰和符号间干扰所设计的h1(k)能够有效地减少带外能量泄漏,并且所提出的方案在FBMC-OQAM系统中实现了定向旁瓣能量抑制.

图3 滤波器h0(k)和h1(k)的脉冲响应Fig.3 Impulse responses of the filters h0(k)and h1(k)

其次,选用h1(k)进行预处理,对几种抑制算法的PAPR性能进行仿真比较.由于PAPR是随机的,于是通常运用互补累积分布函数(Complementary Cumulative Distribution Function,CCDF)来描述FBMC-OQAM的PAPR的性能,它表示计算PAPR大于某一门限值 PAPR0的概率,其定义式为[13]:

图4 滤波器h0(k)和h1(k)的归一化幅度响应Fig.4 Normalized magnitude responses of the filters h0(k)and h1(k)

CCDF(N,PAPR0)=Pr{PAPR>PAPR0}=1-(1-e-PAPR0)N

(18)

其中N为FBMC-OQAM的子载波数,PAPR0为某一确定的PAPR值.显然CCDF越小,则系统的PAPR的性能越好.为保证仿真结果的可靠性,这里将实验仿真次数设置为1000.整个PAPR仿真可以分为如下两个阶段:

1.保持参数K=4、L=256、N=64、Np=30固定不变,采用控制变量法逐一分析参数V、D、G分别发生变化时,对GA-IBPSO算法的PAPR性能所造成的影响.

(1)假定D=4、G=6,当V分别取4、8、16时,即将数据分别分成4、8、16个不相交的子块时,对GA-IBPSO算法的PAPR性能进行仿真,仿真结果如图5所示.在CCDF=0.001的情况下,V=4时,系统抑制PAPR的性能较差,V=8时性能较之前提高了1.707,V=16时性能获得了进一步提高但不明显.这是由于子块数量V的增加会使得加扰的子块数目随之增加,能够进一步扩大GA-IBPSO算法的搜索范围,因此PAPR抑制性会有着明显提高.但V的增加也会造成复杂度的急剧增大,因此经过权衡考虑后在实际仿真中选择V=8较为合适.

图5 V取不同值对GA-IBPSO算法PAPR性能的影响Fig.5 PAPR reduction results of the GA-IBPSO algorithm with different V

(2)在V=8的基础上假定G=6,当D分别取1、2、4、8时,即对这8个不相交的子块数据分别进一步划分为1、2、4、8个区块(其中D=1表示无需进行再次划分)时,对GA-IBPSO算法的PAPR性能进行仿真,仿真结果如图6所示.从图中不难发现,当V一定时,D越大,则搜索范围越广,因此PAPR的抑制效果也就越好,但是复杂度也会随之增加,因此经过权衡考虑后在实际仿真中选择D=4较为合适;

图6 D取不同值对GA-IBPSO算法PAPR性能的影响Fig.6 PAPR reduction results of the GA-IBPSO algorithm with different D

(3)在V=8、D=4的基础上,当G分别取2、6、10时,即将GA-IBPSO算法的迭代次数分别取2、6、10时对其PAPR性能进行仿真,仿真结果如图7所示.结果表明,当迭代次数G在一定范围内增加时,由于搜索得到的最优解更稳定,PAPR降低性能更好,但是计算复杂度也随之增加.同时也不难发现当算法的迭代次数达到6次以后,其PAPR性能将趋于稳定,因此经过权衡考虑后在实际仿真中选择G=6较为合适.

图7 G取不同值对GA-IBPSO算法PAPR性能的影响Fig.7 PAPR reduction results of the GA-IBPSO algorithm with different G

2.当K=4、L=256、N=64、Np=30、V=8、D=4、G=6时,将GA-IBPSO、BPSO、传统PTS、以及没有采用PAPR抑制

图8 GA-IBPSO与其他几种抑制算法的PAPR性能比较Fig.8 PAPR reduction results of the GA-IBPSO and other algorithms

算法时的FBMC-OQAM系统(FBMC-original)进行PAPR性能仿真,仿真结果如图8所示.由于本文提出的GA-IBPSO算法采用了BPTS来扩大搜索范围,同时将GA算法融入BPSO中来进一步优化相位因子,因此它较之其他算法来说可以获得更好的PAPR抑制效果.

4.2 计算复杂度分析

接着对GA-IBPSO、BPSO、PTS这3种算法的计算复杂度进行比较.算法复杂度的改善通常采用计算复杂度减少率(Computational Complexity Reduction Ratio,CCRR)来进行衡量,其定义式为[14]:

(19)

(20)

(21)

(22)

(23)

+2(L+1)MN

(24)

+G(2D-1)(NP+1)

(25)

表2 GA-IBPSO与BPSO、PTS的计算复杂度Table 2 Computational complexities of GA-IBPSO,BPSO,and PTS

表2给出了3种算法在N=64、V=8、D=4、G=2时各自的计算复杂度.从表中不难发现,尽管GA-IBPSO的计算复杂度较BPSO稍高,但相对于PTS来说计算量明显降低了许多.

本文提出了一种GA-IBPSO算法用来降低FBMC-OQAM中的PAPR,它将GA融入到BPSO算法中,并借助于改进的原型滤波器来进一步提升PAPR抑制能力.理论推导和仿真实验证明,相较于BPSO算法,采用所提出的GA-IBPSO方案通过计算量的略微增加,获得了更好的PAPR抑制效果.

猜你喜欢子块原型复杂度基于八叉树的地震数据分布式存储与计算智能计算机与应用(2022年10期)2022-11-05基于特征值算法的图像Copy-Move篡改的被动取证方案现代计算机(2021年36期)2021-03-14包裹的一切小资CHIC!ELEGANCE(2021年45期)2021-01-11一种低复杂度的惯性/GNSS矢量深组合方法中国惯性技术学报(2019年6期)2019-03-04基于波浪式矩阵置换的稀疏度均衡分块压缩感知算法计算机应用(2018年12期)2019-01-07《哈姆雷特》的《圣经》叙事原型考证英美文学研究论丛(2018年2期)2018-08-27求图上广探树的时间复杂度中央民族大学学报(自然科学版)(2017年2期)2017-06-11论《西藏隐秘岁月》的原型复现剑南文学(2016年14期)2016-08-22某雷达导51 头中心控制软件圈复杂度分析与改进火控雷达技术(2016年3期)2016-02-06原型理论分析“门”人间(2015年20期)2016-01-04

推荐访问:算法 降低 系统