基于迭代的部分传输序列备选信号相关性降低峰均功率比算法

计算机应用 ›› 2011, Vol. 31 ›› Issue (12): 3223-3225.

基于迭代的部分传输序列备选信号相关性降低峰均功率比算法

胡敏,郭亚南,甘俊娜

重庆邮电大学软件技术中心，重庆 400065

收稿日期:2011-06-07 修回日期:2011-08-01 发布日期:2011-12-12 出版日期:2011-12-01
通讯作者: 郭亚南
基金资助:
重庆市教委科技计划项目

Peak-to-average power ratio reduction algorithm based on correlation between candidates of iteration partial transmitted sequence

GUO Min,GUO Ya-nan,Gan JunNa

Center of Software Technology, Chongqing University of Posts and Telecommunications，Chongqing 400065，China

Received:2011-06-07 Revised:2011-08-01 Online:2011-12-12 Published:2011-12-01
Contact: GUO Ya-nan

摘要/Abstract

摘要： 部分传输序列(PTS)算法能够有效降低正交频分复用(OFDM)系统中高峰均功率比(PAPR)问题，并且不会引入失真，但PTS算法具有较高的复杂度。针对该问题，提出一种称为相关循环迭代的PTS(CC-IPTS)新算法。该算法利用迭代PTS在搜索最优相位因子时相邻相位因子间的关系以及迭代PTS(IPTS)中备选信号间相关性的特点，进行循环迭代。仿真结果表明，所提算法不但取得了较低的算法复杂度，还有效降低了峰均功率比。

关键词: 正交频分复用, 峰均比, 相关性, 部分传说序列, 循环迭代

Abstract: The Partial Transmitted Sequence (PTS) is an efficient algorithm to solve the problem of high Peak-to-Average Power Ratio (PAPR) in Orthogonal Frequency Division Multiplexing (OFDM),but the basic algorithm of PTS has higher computational complexity. A new algorithm based on Cyclic Iteration PTS (C-IPTS) which is called Correlational Cyclic Iteration PTS(CC-IPTS) was proposed to solve this problem. The proposed algorithm reduced computational complexity by using the relation between adjacent phase factors in Iteration PTS (IPTS), and the correlation of two candidate signals in PTS and cyclic iteration. The simulation shows that CCIPTS can not only improve the PAPR performance,but also reduce computational complexity.

Key words: Orthogonal Frequency Division Multiplexing (OFDM), Peak-to-average Ratio (PAPR), correlation, Partial Transmitted Sequence (PTS), iteration

胡敏郭亚南甘俊娜. 基于迭代的部分传输序列备选信号相关性降低峰均功率比算法[J]. 计算机应用, 2011, 31(12): 3223-3225.

GUO Min GUO Ya-nan Gan JunNa. Peak-to-average power ratio reduction algorithm based on correlation between candidates of iteration partial transmitted sequence[J]. Journal of Computer Applications, 2011, 31(12): 3223-3225.

[1]	夏玉杰, 时永鹏, 高雅, 孙鹏. 降低滤波器组多载波信号峰均比的边信息嵌入选择性映射方法[J]. 计算机应用, 2021, 41(5): 1425-1431.
[2]	王磊. 改进粗糙集属性约简结合K-means聚类的网络入侵检测方法[J]. 计算机应用, 2020, 40(7): 1996-2002.
[3]	曹堉, 王成, 王鑫, 高悦尔. 基于时空节点选择和深度学习的城市道路短时交通流预测[J]. 计算机应用, 2020, 40(5): 1488-1493.
[4]	张伍, 陈红梅. 基于核模糊粗糙集的高光谱波段选择算法[J]. 计算机应用, 2020, 40(1): 258-263.
[5]	崔艺馨, 陈晓东. Spark框架优化的大规模谱聚类并行算法[J]. 计算机应用, 2020, 40(1): 168-172.
[6]	丁宁, 管新荣, 杨炜伟. 基于通用软件无线电外设的OFDM信道物理密钥量化分析[J]. 计算机应用, 2019, 39(6): 1780-1785.
[7]	程玉胜, 钱坤, 王一宾, 赵大卫. 融合萤火虫方法的多标签懒惰学习算法[J]. 计算机应用, 2019, 39(5): 1305-1311.
[8]	徐红艳, 王丹, 王富海, 王嵘冰. 融合潜在狄利克雷分布与元路径分析的用户相关性度量方法[J]. 计算机应用, 2019, 39(11): 3288-3292.
[9]	徐洪峰, 孙振强. 多标签学习中基于互信息的快速特征选择方法[J]. 计算机应用, 2019, 39(10): 2815-2821.
[10]	代刚, 张鸿. 基于语义相关性与拓扑关系的跨媒体检索算法[J]. 计算机应用, 2018, 38(9): 2529-2534.
[11]	吴沐阳, 刘峥, 王洋, 李云, 李涛. 基于指标相关性的网络运维质量评估模型[J]. 计算机应用, 2018, 38(9): 2535-2542.
[12]	马梦莹, 曾雅丽, 魏甜甜, 陈志德. 基于邻居节点预状态的无线传感器网络故障诊断算法[J]. 计算机应用, 2018, 38(8): 2348-2352.
[13]	高宝建, 王少迪, 胡云, 曹艳军. 基于正交频分复用调制的物理层并行插值加密算法[J]. 计算机应用, 2018, 38(6): 1628-1632.
[14]	王永贵, 胡彩云, 李鑫. 基于局部远亲差分增强的扰动粒子群优化算法[J]. 计算机应用, 2018, 38(5): 1239-1244.
[15]	陈柳, 冯山. 正负关联规则两级置信度阈值设置方法[J]. 计算机应用, 2018, 38(5): 1315-1319.