✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
近年来,正交频分复用索引调制(OFDM-IM)技术应运而生。该技术通过选择固定数量的子载波作为活跃子载波来承载星座符号,同时利用这些活跃子载波的索引来传输额外的信息位。本文提出了两种 OFDM-IM 的扩展方案,分别命名为广义索引调制 OFDM 1(OFDM-GIM1)和广义索引调制 OFDM 2(OFDM-GIM2)。
OFDM-GIM1 的核心在于不再固定 OFDM 子块中活跃子载波的数量。根据输入的二进制字符串,不同的活跃子载波数量被分配来承载星座符号。这种动态分配方式能够更灵活地利用频谱资源,从而提高频谱效率。
OFDM-GIM2 则是在每个子载波的同相和正交分量上分别进行独立的索引调制。通过这种方法,可以进一步增加传输的信息量,提升系统的频谱效率。
然而,两种扩展方案在低信噪比区域都存在着误码率(BER)性能下降的问题。为了解决这一问题,本文提出了一种交织技术。该技术通过对信息比特进行交织,能够有效地分散误码的影响,从而提高系统在低信噪比下的抗干扰能力。
值得注意的是,OFDM-GIM1 和 OFDM-GIM2 两种扩展方案彼此兼容。因此,本文进一步研究了这两种方案的组合,命名为 OFDM-GIM3。该方案综合了两种扩展方案的优势,能够实现更高的频谱效率和更好的误码率性能。
计算机仿真结果表明,本文提出的 OFDM-GIM3 方案在频谱效率和误码率性能方面都优于现有的技术。这将为未来无线通信系统的演进提供新的思路和方法。
本文的主要贡献包括:
-
提出两种 OFDM-IM 的扩展方案:OFDM-GIM1 和 OFDM-GIM2,能够提高系统的频谱效率。
-
针对扩展方案在低信噪比下的性能下降问题,提出了一种交织技术。
-
进一步研究了两种扩展方案的组合,即 OFDM-GIM3,能够实现更高的频谱效率和更好的误码率性能。
-
通过计算机仿真验证了所提方案的有效性。
未来的研究方向:
-
探究如何进一步优化交织技术,以提高系统在更低信噪比下的性能。
-
探索 OFDM-GIM3 方案在不同信道环境下的性能表现,并针对不同的应用场景进行优化。
-
研究 OFDM-GIM3 方案与其他先进技术(如多用户 MIMO、大规模天线技术)的融合,以构建更高效的无线通信系统。
关键词: 正交频分复用,索引调制,频谱效率,误码率,交织技术
⛳️ 运行结果
🔗 参考文献
:[1] Başar E, Aygölü Ü, Panayırcı E, et al. Orthogonal frequency division multiplexing with index modulation[J]. IEEE Transactions on signal processing, 2013, 61(22): 5536-5549.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类