论文部分内容阅读
正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术作为一种高速信息传输技术,近年来以其频谱利用率高、抗衰落能力强,且能在频率选择性衰落信道中进行高速数据传输等优点,被认为是未来第四代移动通信的核心技术之一。但较高的峰均功率比(Peak To Average Power Ratio PAPR)现象一直是限制OFDM技术的广泛应用的主要问题,因此如何降低OFDM系统的PAPR成为目前研究的热点。粒子群优化算法(Particle Swarm Optimization, PSO)是一种基于鸟群觅食行为的优化算法。由于PSO算法操作相对简单、涉及参数少,在当今的优化领域中受到越来越多人的关注。但算法自身仍存在容易陷入局部最优的缺点。为此很多改进算法应运而生,本文在归纳总结了近年来的众多研究成果的基础上,重点研究了基于种群分类与动态学习因子的粒子群改进算法。该算法在保持了PSO本身无需过多原始信息就能完成寻优的优点的同时,大大的提高了寻优的精度。理论上非常适合解决OFDM信号的PAPR抑制问题。相位优化组合法是一种有效的OFDM信号PAPR抑制算法,其抑制过程的关键是寻找使PAPR最低的最优子载波相位。针对该方法普遍存在的抑制效果不够理想的缺点。本文将基于种群分类与动态学习因子的粒子群改进算法与相位优化组合相结合,提出了一种基于PSO算法的OFDM信号的PAPR抑制算法。该方法先把PAPR的抑制问题转化成最优子载波相位向量的寻优问题,通过PSO改进算法寻找到最优子载波相位,最后求解抑制后的OFDM信号的PAPR。实验结果表明,本文提出的算法不但有效的降低了信号的PAPR,且抑制效果不受子载波数的限制。在与其它算法的性能比较中也可以看出该方法能更有效的抑制高PAPR的出现,可见该方法的提出是成功的。