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]	宋洪涛, 于江生, 韩启龙. 工业多元时序数据质量评估方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1743-1750.
[2]	付顺旺, 陈茜, 李智, 王国美, 卢妤. 用于篡改图像检测和定位的双通道渐进式特征过滤网络[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1303-1309.
[3]	孟圣洁, 于万钧, 陈颖. 最大相关和最大差异的高维数据特征选择算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 767-771.
[4]	林于翔, 吴运兵, 阴爱英, 廖祥文. 基于语义相关性分析的多模态摘要模型[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 65-72.
[5]	陈佳, 张鸿. 基于特征增强和语义相关性匹配的图像文本检索方法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 16-23.
[6]	魏远, 林彦, 郭晟楠, 林友芳, 万怀宇. 融合出发地与目的地时空相关性的城市区域间出租车需求预测[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2100-2106.
[7]	赵静, 韩京宇, 钱龙, 毛毅. 基于改进的RAKEL算法的心电图诊断分类[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1892-1897.
[8]	李艳, 郭劼, 范斌. 元学习的不确定性特征构建及初步分析[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 343-348.
[9]	刘长红, 曾胜, 张斌, 陈勇. 基于语义关系图的跨模态张量融合网络的图像文本检索[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3018-3024.
[10]	李恒鑫, 常侃, 谭宇飞, 凌铭阳, 覃团发. 应用通道间相关性及增强信息蒸馏的彩色图像去马赛克网络[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 245-251.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.