OFDM信号降峰均比(PAPR)的子载波预留算法及ADMM求解方法

渺小的颗星

已于 2025-05-20 11:35:02 修改

阅读量1.1k

点赞数 18

分类专栏：无线通信文章标签：算法

于 2025-05-15 17:20:51 首次发布

本文链接：https://blog.csdn.net/weixin_40319158/article/details/147983522

版权

无线通信专栏收录该内容

2 篇文章

订阅专栏

文章目录

前言
一、引言
二、子载波预留算法
总结

前言

该博客介绍了如何使用子载波预留技术来降低OFDM系统的PAPR。通过在频域选择并预留部分子载波，可以有效地减少信号峰值，防止非线性功率放大器的失真。同时，文档详细介绍了利用迫近映射，对无穷范数 $L_\infty$ 求极值的凸优化问题。

一、引言

正交频分复用（OFDM）技术已经成为现代告诉无线通信中最常用的技术之一，是5G时代最重要的信号调制方式。它利用了时频正交的特性，能够应对多径衰落、频率漂移和干扰等问题。虽然OFDM技术在提高通信速率方面非常有效，但是它的信号峰均比（PAPR）偏大，在信号经过功放时，容易使功放进入饱和状态、从而导致信号失真。因此，如何降低信号的峰均比PAPR是OFDM技术中一个很重要的问题。降PAPR算法有很多，这里只介绍子载波预留算法（Tone Reservation, TR）。

二、子载波预留算法

1.算法思想

对于 $K$ 个子载波的OFDM信号 $S (k)$ ，其中 $\in \left[ {0,K - 1} \right]$ ，经过IFFT之后得到时域信号： $s(n){\rm{ }} = \frac{1}{N}\cdot\sum\limits_{k = 0}^{K - 1} {S(k)} \cdot {{\operatorname{e}}^{j2\pi \cdot \frac{kn}{N}}},n \in [0,N - 1]$ ，当不同子载波之间的相关性比较高时，时域很有可能出现比平均功率大得多的信号，这也是OFDM信号峰均比较高的原因。而子载波预留算法利用原本 $K$ 个子载波之外的若干额外子载波资源，来抵消原本 $K$ 个子载波之间的相关性，从而降低时域峰值信号功率。

2.算法原理

频域预留个 $L$ 子载波用于降低时域信号PAPR，预留子载波序列为 $C\left( l \right),l \in [0,L - 1]$ ，转换到时域为 $\in [0,N - 1]$ 。那么此时峰均比为：

${\rm{PAPR}}\left[ {s(n){\rm{ }} + c\left( {\rm{n}} \right)} \right] = \frac{{{\rm{max}}\left( {{{\left[ {s(n){\rm{ }} + c\left( {\rm{n}} \right)} \right]}^2}} \right)}}{{E\left( {{{\left[ {s(n){\rm{ }} + c\left( {\rm{n}} \right)} \right]}^2}} \right)}}\tag{1}$

当子载波数目较大且预留子载波个数远小于 $K$ 时，分母 $E\left( {{{\left[ {s\left( {\rm{n}} \right) + c\left( {\rm{n}} \right)} \right]}^2}} \right)$ 的期望接近 $E\left( {x{{\left( {\rm{n}} \right)}^2}} \right)$ 且是个常数。因此，为了使OFDM信号 $s\left( {\rm{n}} \right) + c\left( {\rm{n}} \right)$ 的PAPR最低，即设计满足如下优化问题的向量：
${\bf{\hat c}} = \mathop {{\rm{argmin}}}\limits_{\bf{c}} \left( {\left\| {{\bf{s + c}}} \right\|_\infty ^2} \right) = {\bf{F}} \cdot \mathop {{\rm{argmin}}}\limits_{\bf{C}} \left\| {{\bf{s}} + {\bf{FC}}} \right\|_\infty ^{}\tag{2}$
式中， ${\bf{F}}$ 为DFT矩阵， $\left\| \cdot \right\|_\infty ^{}$ 为无穷范数，取向量幅度的最大值。
正常到这里，对于OFDM信号降PAPR的子载波预留TR算法就讲完了。而在实际应用时，(2)式的优化问题是一个非平滑的凸优化问题，往往伴随着巨大的运算量，实时性很难保证，因此问题的关键在于如何快速求解出(2)式非平滑凸优化问题。这是一个典型的无穷范数 $L_\infty$ 求极值的凸优化问题，这里介绍一种算法：AD-LPMM，该算法是交替方向乘子法(ADMM)的一种特殊形式，有兴趣的可以查找相关资料。

3.子载波预留算法的AD-LPMM算法

式 (2) 是一个无约束非平滑凸优化问题，可将 (2) 式问题转化为如下形式：
$\begin{array}{c} {\bf{\hat x,\hat z}} = \mathop {{\rm{argmin}}}\limits_{{\bf{x,z}}} H({\bf{x,z}}) \equiv {h_1}({\bf{x}}) + {h_2}({\bf{z}})\\ s.t.{\rm{ }}{\bf{Ax}} + {\bf{Bz}} = {\bf{d}} \end{array}\tag{3}$
式中， ${h_1}(x) = 0,{h_2}(z) = {\left\| z \right\|_\infty },{\bf{A = F}},{\bf{B}} = - {\bf{I}},{\bf{d}} = - {\bf{s}},{\bf{x}} = {\bf{C}},{\bf{z}} = {\bf{s + FC}}$ 。(3)式问题可用AD-LPMM算法求解：
AD-LPMM
Initialization: ${{\mathbf{x}}^{\mathbf{0}}}\in {{\mathbb{C}}^{L}},{{\mathbf{z}}^{\mathbf{0}}}\in {{\mathbb{C}}^{N}},{{y}^{\mathbf{0}}}\in {{\mathbb{C}}^{N}},\rho >0,\alpha \ge \rho {{\lambda }_{\max }}\left( {{\mathbf{A}}^{H}}\mathbf{A} \right),\beta \ge \rho {{\lambda }_{\max }}\left( {{\mathbf{B}}^{H}}\mathbf{B} \right)$ .
General step: for any k = 0,1,…execute the following:
$\begin{array}{l} (a){\rm{ }}{{\bf{x}}^{k + 1}} = {\rm{pro}}{{\rm{x}}_{\frac{1}{\alpha }{h_1}}}\left[ {{{\bf{x}}^k} - \frac{\rho }{\alpha }{{\bf{A}}^H}\left( {{\bf{A}}{{\bf{x}}^k} + {\bf{B}}{{\bf{z}}^k} - {\bf{c}} + \frac{1}{\rho }{{\bf{y}}^k}} \right)} \right]\\ (b){\rm{ }}{{\bf{z}}^{k + 1}} = {\rm{pro}}{{\rm{x}}_{\frac{1}{\beta }{h_2}}}\left[ {{{\bf{z}}^k} - \frac{\rho }{\beta }{{\bf{B}}^H}\left( {{\bf{A}}{{\bf{x}}^{k + 1}} + {\bf{B}}{{\bf{z}}^k} - {\bf{c}} + \frac{1}{\rho }{{\bf{y}}^k}} \right)} \right]\\ (c){\rm{ }}{{\bf{y}}^{k + 1}} = {{\bf{y}}^k} + \rho \left( {{\bf{A}}{{\bf{x}}^{k + 1}} + {\bf{B}}{{\bf{z}}^{k + 1}} - {\bf{c}}} \right) \end{array}\tag{4}$
上式中， ${\rm{pro}}{{\rm{x}}_ \cdot }\left[ \cdot \right]$ 表示迫近映射，详细可以参考维基百科。

3.1 ${{h}_{1}}(x)$ 的迫近映射：

因为 ${{h}_{1}}(x)=0$ ，所以： $\text{pro}{{\text{x}}_{\frac{1}{\alpha }{{h}_{1}}}}\left( \mathbf{x} \right)=\mathbf{x}$ .

3.2 ${{h}_{2}}(x)$ 的迫近映射：

根据Moreau分解， $\frac{1}{\beta }{{h}_{2}}\left( \mathbf{x} \right)$ 的迫近映射可以表示为：
$\begin{array}{c} {\rm{pro}}{{\rm{x}}_{\frac{1}{\beta }{{\left\| \cdot \right\|}_\infty }}}\left( {\bf{x}} \right) = {\bf{x}} - \frac{1}{\beta }{\rm{pro}}{{\rm{x}}_{\beta \left\| \cdot \right\|_\infty ^*}}\left( {\beta {\bf{x}}} \right)\\ = {\bf{x}} - \frac{1}{\beta }{\rm{pro}}{{\rm{x}}_{\left\| \cdot \right\|_\infty ^*}}\left( {\beta {\bf{x}}} \right)\\ = {\bf{x}} - \frac{1}{\beta }{\rm{pro}}{{\rm{j}}_{{{\left\| \cdot \right\|}_1} \le 1}}\left( {\beta {\bf{x}}} \right) \end{array}$
上式中 $\left\| \cdot \right\|_\infty ^* = {\delta _{{{\left\| \cdot \right\|}_1} \le 1}}\left( {\bf{z}} \right)$ 是 ${\left\| \cdot \right\|_\infty }$ 的对偶函数 (是一个指示函数)，当 ${\left\| \cdot \right\|_1} \le 1$ 时函数输出0，否则函数输出为 $\infty$ 。上式中第二个等号成立是因为 $\beta \left\| \cdot \right\|_\infty ^* = \left\| \cdot \right\|_\infty ^*$ ，第三个等号成立是因为指示函数 ${\delta _{{{\left\| \cdot \right\|}_1} \le 1}}\left( {\bf{z}} \right)$ 的迫近映射与投影到集合 ${\left\| \cdot \right\|_1} \le 1$ 等价。 ${\rm{pro}}{{\rm{j}}_{{{\left\| \cdot \right\|}_1} \le 1}}\left( {\beta {\bf{x}}} \right)$ 可进一步简化，令 ${\bf{z}} = \beta {\bf{u}}$ ： $\begin{array}{c} {\rm{pro}}{{\rm{j}}_{{{\left\| \cdot \right\|}_1} \le 1}}\left( {\beta {\bf{x}}} \right) = \mathop {\arg \min }\limits_{{{\left\| {\bf{z}} \right\|}_1} \le 1} \frac{1}{2}{\left\| {{\bf{z}} - \beta {\bf{x}}} \right\|^2}\\ = \beta \cdot \mathop {\arg \min }\limits_{{{\left\| {\beta {\bf{u}}} \right\|}_1} \le 1} \frac{1}{2}{\left\| {\beta {\bf{u}} - \beta {\bf{x}}} \right\|^2}\\ = \beta \cdot \mathop {\arg \min }\limits_{{{\left\| {\bf{u}} \right\|}_1} \le \frac{1}{\beta }} \frac{1}{2}{\left\| {\beta {\bf{u}} - \beta {\bf{x}}} \right\|^2}\\ = \beta \cdot \mathop {\arg \min }\limits_{{{\left\| {\bf{u}} \right\|}_1} \le \frac{1}{\beta }} \frac{1}{2}{\left\| {{\bf{u}} - {\bf{x}}} \right\|^2}\\ = \beta \cdot {\rm{pro}}{{\rm{j}}_{{{\left\| \cdot \right\|}_1} \le \frac{1}{\beta }}}\left( {\bf{x}} \right) \end{array}$
上式中第二个等号成立是因为 ${\bf{z}} = \beta {\bf{u}}$ 变换后，相当于对 ${\bf{z}}$ 进行了 $\beta$ 倍的压缩，因此第一行的最小化问题与第二行的等价；倒数第二行的等号成立是因为优化指标乘以一个非0的系数之后，不改变原优化问题。而投影 ${\rm{pro}}{{\rm{j}}_{{{\left\| \cdot \right\|}_1} \le \frac{1}{\beta }}}\left( {\bf{x}} \right)$ ：
$\text{pro}{{\text{j}}_{{{\left\| \cdot \right\|}_{1}}\le \frac{1}{\beta }}}\left( \mathbf{x} \right)=\left\{ \begin{matrix} \mathbf{x}\text{, }if{{\left\| \mathbf{x} \right\|}_{1}}\le \frac{1}{\beta } \\ sgn \left( \mathbf{x} \right)\cdot \max \left\{ \left| \mathbf{x} \right|-{{\alpha }_{x}},0 \right\}\text{, }else \\ \end{matrix} \right.$
式中 $\left( \cdot \right)$ 表示取数据的正负号， ${{\alpha }_{x}}$ 是 ${{\left\| sgn \left( \mathbf{x} \right)\cdot \max \left\{ \left| \mathbf{x} \right|-\alpha ,0 \right\} \right\|}_{1}}=\frac{1}{\beta }$ 的正数解，可以利用二分法进行查找。综上： $\text{pro}{{\text{x}}_{\frac{1}{\beta }{{\left\| \cdot \right\|}_{\infty }}}}\left( \mathbf{x} \right)=\left\{ \begin{matrix} 0\text{ ,}if{{\left\| \mathbf{x} \right\|}_{1}}\le \frac{1}{\beta } \\ \mathbf{x}-sgn \left( \mathbf{x} \right)\cdot \max \left\{ \left| \mathbf{x} \right|-{{\alpha }_{x}},0 \right\}\text{ ,}else\text{ } \\ \end{matrix} \right.$
通过以上的变换之后，关于式(4)的求解问题就只剩下简单的向量和矩阵操作，实际操作中可以根据所需精度和实时性要求调整AD-LPMM算法的参数 $\rho$ , $\alpha$ , $\beta$ 以及迭代次数。

4.仿真结果

子载波数 $K = 624$ ，额外预留子载波数 $L = 48$ ，时域采样点数 $N = 1024$ ， $\rho=0.25$ ， $\alpha = 2.44 \times {10^{ - 4}}$ ， $\beta = 0.25$ ，调制方式为QPSK。图(1)是原始OFDM信号和脉冲整形PS-OFDM的信号时域幅度图。
在这里插入图片描述