基于PSO优化的OFDM系统PAPR抑制PTS算法MATLAB仿真

最新推荐文章于 2024-07-04 11:15:56 发布

我爱C编程

最新推荐文章于 2024-07-04 11:15:56 发布

阅读量498

点赞数

分类专栏： Matlab通信和信号文章标签： matlab PSO OFDM系统 PAPR抑制PTS

本文链接：https://blog.csdn.net/hlayumi1234567/article/details/129388905

版权

Matlab通信和信号专栏收录该内容

275 篇文章 214 订阅

订阅专栏

该文介绍了使用MATLAB进行OFDM系统中部分传输序列(PTS)和粒子群优化(PSO)算法的PAPR降低仿真。通过设置不同的参数，如子载波数量、符号数量和PSO迭代次数等，对比分析了PTS和不同V值下的PSO算法对PAPR的影响，展示了算法的优化效果和性能比较。

摘要由CSDN通过智能技术生成

1.算法仿真效果

matlab2022a仿真结果如下：

2.MATLAB核心程序

................................................................
%子载波数量
NsubCarrier    = 1024;    
%符号数量
NSymb          = 1e3;                  
%QPSK
mod_idx        = 2;       
%subblocks 
Nsub_blk       = [2 4 8 16 32];           
%over sample rate
OverSampleRate = 4;          
%1 -> adjacency partition;2 -> interlaced partition
Partition      = 1;      
%weighting factor
W              = 1;                          
%PSO粒子群数量
Npso           = 20;      
%PSO迭代次数
Iters          = 50;                        
c1             = 2; 
c2             = 2;   
Vmax           = 0.2;                    
wmax           = 0.9;                     
wmin           = 0.4;        

w              = wmax-(wmax-wmin)/Iters*(1:Iters); 
v_min          = -Vmax;  
v_max          = Vmax;
...........................................................

%PAPR
for n = 1:1:NSymb
    
    Datatx    = floor(rand(Length_data,1)*(2^mod_idx));
    DataMap   = MapSymb(Datatx+1);
    Symbol_tx = Initial_Pattern;
    Symbol_tx(Position_pilot) = round(rand(Length_pilot,1));
    Symbol_tx(Position_data)  = DataMap;
    
    %PAPR without PTS
    Symbol_ifft    = ifft([Symbol_tx(1:NsubCarrier/2);zeros(NsubCarrier*(OverSampleRate-1),1);Symbol_tx(NsubCarrier/2+1:end)]);
    PowerPerBit    = abs(Symbol_ifft).^2;
    PowerMean      = mean(PowerPerBit);
    PowerMax       = max(PowerPerBit);
    
    PAPRNoPTS(1,n) = PowerMax/PowerMean;
....................................................................................
    end
    n
end

PAPRNoPTS = 10*log10(PAPRNoPTS);
PAPR_PSO  = 10*log10(PAPR_PSO);

for k = 1:1:length(PAPR0)
    CntNoPTS(k) = sum( PAPRNoPTS > PAPR0(k) );
    for ii = 1:1:length(Nsub_blk)
        Cnt_PSO(ii,k) = sum( PAPR_PSO(ii,:) > PAPR0(k) );
    end
end

CntNoPTS = CntNoPTS./NSymb;
Cnt_PSO  = Cnt_PSO./NSymb;


figure
plot(papr_gbest2);
xlabel('PSO优化迭代次数');
ylabel('PAPR');


figure
semilogy(PAPR0,CntNoPTS,'-bs',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.0,0.0]);
hold on
semilogy(PAPR0,Cnt_PSO(1,:),'-mo',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.5,0.9,0.0]);
hold on;
semilogy(PAPR0,Cnt_PSO(2,:),'-b^',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.2,0.9,0.5]);
hold on;
semilogy(PAPR0,Cnt_PSO(3,:),'-r>',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);
hold on;
semilogy(PAPR0,Cnt_PSO(4,:),'-k<',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.3,0.3]);
hold on;
semilogy(PAPR0,Cnt_PSO(4,:),'-r<',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.3,0.9,0.3]);

grid on;
legend('without PTS','V = 2','V = 4','V = 8','V = 16','V = 32');
xlabel('PAPR0(dB)');
ylabel('Pr(PAPR>PAPR0)');

xlim([5 12]);
hold off
a464

3.算法涉及理论知识概要

部分传输序列(Partial Transmit Sequence , PTS)由于其不受载波数量限制，并且能够有效的，无失真的降低OFDM信号峰均比，而受到广泛关注。部分传输序列算法(PTS)最初是由S.H.Muller和J.B.Huber于1997年提出。PTS算法的核心思想是将具有N个符号的输入序列按照一定的分割方式分割成V个子数据块，并且保持每个子数据块仍含有N个符号。然后对V个子数据块进行相位加权与合并处理，选择具有最小PAPR的一组符号进行传输，达到降低OFDM信号PAPR的目的。传统的PTS算法理论比较多，现成的资料也比较多，这里就不多做介绍了，通过仿真，对比PTS和没有PTS下。目前OFDM的PAPR主要算法有信号预畸变，信号扰码，编码三个方向来解决。

在本课题中，我们将在传统PTS算法基础上引入了TR的思路到改进后的PTS算法中，引入的意义为：先预留出若干子载波来加载削峰信号，然后利用优化过的PTS算法对OFDM符号的PAPR进行抑制，之后再利用改进的TR算法对符号的PAPR进行进一步的抑制。整个算法的流程如下所示：

步骤一：加入门限，降低PTS算法的复杂度（但是这样会降低性能）

当满足要求：

算法就停止搜索，这样的话，就降低的算法的复杂度，但是会影响性能。

步骤二：加入限幅的方法

通过这个方法，可以在步骤一的基础上，提高性能，使其在复杂度降低的前提下，保存系统的性能不变。

PSO初始化为一群随机粒子（随机解）。然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值。另一个极值是整个种群目前找到的最优解，这个极值是全局机制。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。
PSO初始化为一群随机粒子（随机解）。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值（pbest和gbest）”来更新自己。在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。

对于公式（1）：

公式（1）中的第一部分称为记忆项，表示上次速度大小和方向的影响；
公式（1）中的第二部分称为自身认知项，是从当前点指向粒子自身最好点的一个矢量，表示粒子的动作来源于自己经验的部分；
公式（1）中的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量，反映了粒子间的协调合作和知识共享。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。

综上所述，标准PSO算法流程：
初始化一群微粒（群体规模为N），包括随机位置和速度；
评价每个微粒的适应度；
对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；
对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；
根据公式（2）、（3）调整微粒的速度和位置；
未达到结束条件则转到第二步。
迭代终止条件根据具体问题一般选为最大迭代次数Gk或微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。