基于交替方向乘法（ADMM）的PAPR约束下传输波束成形器设计的方法研究（Matlab代码实现）

 👨‍🎓个人主页：研学社的博客  

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解

---

💥1 概述

上一次介绍的是用Python代码编程的，这次用Matlab代码实现。回顾见：

基于交替方向乘法（ADMM）的PAPR约束下传输波束成形器设计的方法研究（Python代码实现）

摘要
本文研究了峰值平均功率比( PAPR )约束对发射波束成形器设计问题的影响，目标是在功率效率(最大化平均发射功率)与主瓣功率波动、峰值旁瓣电平( PSL )等指标之间建立折中。通常，在发射波束成形中使用单位模权重来最大化平均发射功率。然而，单模权重以牺牲其他性能指标为代价来最大化功率效率。研究表明，即使将设计问题从单模条件( PAPR )中稍微放松，即设置PAPR，也会在可忽略功率效率损失的情况下显著改善其他性能指标。为了实现指标之间的折衷，给出了一种基于交替方向乘子法( ADMM )的发射波束形成器设计方案。该方案既适用于窄带和宽带波束形成器，也适用于其他相关问题，如单模雷达波形设计问题。

原文摘要：

Abstract

This study examines the effect of peak-to-average power ratio (PAPR) constraint on the transmit beamformer design problem with the goal of establishing a trade-off between the power efficiency (maximizing the average transmitted power) and other metrics such as the power level fluctuation in mainlobe, peak-sidelobe level (PSL), etc. Typically, unimodular weights are utilized in transmit beamforming to maximize the average transmitted power. Yet, unimodular weights maximize the power efficiency at the expense of other performance metrics. It is shown that even a slight relaxation of the design problem from the unimodular condition (PAPR=1), say setting PAPR⩽1.1, results in a significant improvement in other performance metrics at a negligible loss of power efficiency. To achieve the trade-off between the metrics, an alternating direction method of multipliers (ADMM) based solution to the transmit beamformer design is given. The suggested solution is applicable to both narrowband and wideband beamformers and also to some other related problems such as the unimodular radar waveform design (code design) problem.

在传统的窄带发射波束成形器中，每个天线元件发射相同的低通等效信号，并按选定的复值权重进行缩放。发射波束模式设计的问题是确定权重，使得几个要求，如平顶光束模式、低旁瓣、功率效率等。很满意。通常，单模权重（具有恒定幅度的权重）用于传输波束成形，以最大化传输功率。功率最大化对于扩展传感器的仪表范围非常重要，该范围与 平均功率孔径(平均功率×孔径)1/4 [1]，并且还提高了信噪比（SNR），影响了传感器进行的估计操作的准确性。除了发射功率最大化之外，具有平坦主瓣和低旁瓣的波束模式对于传感系统的可靠性非常理想，[1]。对旁瓣电平的考虑，如峰值旁瓣电平（PSL）和积分旁瓣电平（ISL）是接收波束成形系统的主要考虑因素，有几种有效的方法可以优化[2]，[3]。遗憾的是，发射波束成形应用特有的功率最大化要求与其他要求（旁瓣抑制、平坦主瓣）相冲突，并且在发射波束成形器的构造中必须进行工程权衡。在本文中，我们研究了峰均功率比（PAPR）约束下的发射波束成形问题，以便在高功率效率下设计具有低旁瓣的平顶波束模式时进行这种权衡。

雷达信号处理文献[4]、[5]、[6]、[7]、[8]、[9]中研究了PAPR约束下的发射波束成形问题。例如，在PAPR约束下，在PAPR约束下，在发射波束成形问题的求解中考虑了允许每个天线元件传输独立波形的波形分集特征。文献中的几种方法，如[5]，[4]，[5]，[7]在初始设计阶段忽略了PAPR约束，并通过[10]中给出的操作将没有PAPR约束获得的解投影到满足约束的向量集上。.尽管问题分为两个阶段，但这些方法已被证明可以提供良好的性能。与这些方法不同，在PAPR约束下将序列设计问题转化为无约束问题，可以通过基于梯度的数值搜索求解[11]。

主动检测波形设计的数学公式（发射码设计）与发射波束成形问题非常相似。与发射波束成形一样，众所周知，通过为代码设计问题选择单模序列，波形能量可以最大化。单模块序列还通过最大化入射到目标上和从目标反射的能量来最大化可实现的灵敏度[13]。因此，设计具有低自相关旁瓣的周期性或非周期性单模块序列是有源传感系统的主要目标，参见[4]，[14]，[15]，[16]，[17]，[18]，[19]。由于低自相关旁瓣问题与信号频谱形状的平坦度直接相关，因此单模序列的频谱整形问题已在包括[15]，[17]，[20]，[21]在内的多项工作中进行了研究。[20]提出SHAPE算法，通过引入辅助变量来设计满足时间包络和光谱约束的序列。在[15]中，使用拉格朗日规划神经网络（LPNN）来设计满足谱约束的单模序列。[21]中描述的ANSLM 以与单模序列相关的频谱通带中的纹波较高为代价，将峰值阻带电平与通带电平的最小值之比降至最低。

本研究利用乘法交替方向法（ADMM）求解PAPR约束下的发射波束成形问题。众所周知，ADMM收敛到凸问题的独特全局最优值[22]。然而，对于非凸问题，不可能确保解决方案的最优性，甚至无法确保ADMM迭代的收敛性。尽管遇到了这些挫折，ADMM还是成功地用于许多问题。在[17]中，ADMM在引入辅助变量分离目标函数的线性项和二次项，仅对线性项施加非凸单模约束后，设计了具有低自相关旁瓣的单模序列。此外，ADMM通过控制通带纹波和峰值阻带电平来解决频谱形状波形设计问题。[19]提出了一种基于ADMM的频域/角域非凸幅度约束的优化问题，并给出了阵列模式合成、波形设计和鲁棒波束成形等算例，证明了所提方法的有效性。在[18]中，提出了一种基于ADMM的算法PhareADMM，通过引入辅助幅度和相位变量来规避目标函数中的绝对值算子来解决相位检索问题。通过利用离散傅里叶变换（DFT）的酉性质进行简单修改，PhareADMM用于设计具有低自相关旁瓣的单模周期序列[18]。ADMM在许多优化问题中的成功应用也引发了对其收敛性的广义研究[23]。

在这项研究中，我们使用类似于[18]中的PhareADMM配方的配方。主要区别在于将 PAPR 约束包含在问题中。包含 PAPR 约束需要为波束模式形状和 PAPR 约束引入不同的惩罚参数。更具体地说，增强拉格朗日函数是在ADMM的原始和辅助变量更新步骤中最小化的目标函数，通过使用光束模式形状和PAPR约束的不同惩罚参数来定义。我们还建议使用一个简单的关系来专门为此问题设置惩罚参数。建议的多个惩罚参数是单独控制约束违规，如[24]。

📚2 运行结果

 部分代码：

L = N; % DFT

% the desired spectrum
b = N*ones(L,1);
b(sb) = b(sb)*10^(-PSL_desired_dB/20);

% error weight for weighted LS
h = N*ones(L,1);
h(pb) = h(pb)/kw;

% initialization
w_k = w_one;
y_k = zeros(L,1)+1i*zeros(L,1);
z_k = y_k/rho_L;
lambda_k = zeros(N,1)+1i*zeros(N,1);
tau_k = lambda_k/rho_N;

k = 1;

norm_err = sc+eps; % normalized error
while k<=k_max && norm_err>sc
    %%% Step-1: Auxiliary variable update
    % Obtain v^(k+1)
    P = norm(w_k+tau_k,2)^2;
    v_kplus = nearestvec_low_PAPR(w_k+tau_k,P,papr);
    
    % Obtain beta^(k+1) and alpha^(k+1)
    g = fft(w_k)+z_k;
    beta_kplus = angle(g);
    alpha_kplus = (rho_L*abs(g)+2*b.*h)./(rho_L+2*h);
    
    %%% Step-2: Primal variable update
    % Determine w^(k+1)
    gamma_kplus = alpha_kplus.*exp(1i*beta_kplus);
    s = gamma_kplus-z_k;
    baugm = N*ifft(s)+n_A*(v_kplus-tau_k);
    w_kplus = Aaugm_i*baugm;
    
    %%% Step-3: Dual update
    % Update z^(k+1) and tau^(k+1)
    z_kplus = z_k+(fft(w_kplus)-gamma_kplus);
    tau_kplus = tau_k+(w_kplus-v_kplus);
    
    % Index update
    norm_err = norm(w_kplus-w_k)/norm(w_k);
    z_k = z_kplus;
    tau_k = tau_kplus;
    w_k = w_kplus;
    k = k+1;
end
% Polish the transmitter weights
P = N;
w_star = nearestvec_low_PAPR(w_k,P,papr);

% Save the final weights to a mat file (note the output directory)
save('../results/Unimodular2_PAPR-ADMM_weights.mat','w_star');

BP=fft(w_star);
X_dB = 20*log10(abs(BP));
X_dB = X_dB-min(X_dB(pb));

ripple = max(X_dB(pb))-min(X_dB(pb));
psl = min(X_dB(pb))-max(X_dB(sb));
disp(['PSL: ' num2str(psl) 'dB, ripple: ' num2str(ripple) 'dB']);

% Finally, save the resulting plot to a PNG file (note the output directory)
plot(0:N-1,X_dB,'LineWidth',3);
axis([1 N min(X_dB)-3 max(X_dB)+3]);
ylabel('Spectrum (dB)');
xlabel('Frequency Grid Index');
legend(['\sigma = ' num2str(papr) ]);
saveas(gcf, '../results/Unimodular2_PAPR-ADMM_spectrum.png');

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1] Ö. Çayır, Ç. Candan, Transmit beamformer design with a PAPR constraint to trade-off between beampattern shape and power efficiency, Digit. Signal Process. 99 (2020) 102674, doi: 10.1016/j.dsp.2020.102674.

[2] Ö. Çayır, Ç. Candan, Transmit beamformer design with a PAPR constraint to trade-off between beampattern shape and power efficiency

🌈4 Matlab代码、数据、文章讲解