一种基于改进人工蜂群算法的OFDM信号峰均比降低方法技术

本发明专利技术涉及一种基于改进人工蜂群算法的OFDM信号峰均比降低方法，针对人工蜂群‑部分传输序列(ABC‑PTS)算法中相位旋转因子解空间离散且个数较少的特点，提出先随机决定决定靠近学习对象(正向学习)还是远离学习对象(反向学习)，再随机选取学习维度的邻域探索策略。如果是正向学习，那么在两个食物源位置(旋转因子组)值不同的维度中随机选取一个维度作为要探索的维度l；如果是反向学习，那么在两个食物源位置(旋转因子组)值相同的维度中随机选取一个维度作为要探索的维度l。避免了原有ABC‑PTS算法邻域探索中解不更新的现象，能够更有效地搜索相位因子组合，提高了探索效率进而提升了PAPR抑制性能。仿真结果表明，改进的ABC‑PTS算法可以获得更好的峰均比性能。

A PAPR Reduction Method for OFDM Signals Based on Improved Artificial Bee Colony Algorithms

The present invention relates to a method for reducing peak-to-average ratio of OFDM signals based on improved artificial bee colony algorithm. In view of the characteristics of discrete and fewer phase rotation factor solutions in the artificial bee colony partial transmission sequence (ABC PTS) algorithm, a neighborhood exploration is proposed, which first randomly decides whether to approach the learning object (forward learning) or far from the learning object (reverse learning), and then randomly chooses the learning dimension. Strategy. If it is positive learning, then one dimension is randomly selected as the dimension L to be explored in two dimensions with different values of food source location (rotation factor group); if it is reverse learning, then one dimension is randomly selected as the dimension L to be explored in two dimensions with the same values of food source location (rotation factor group). It avoids the phenomenon that the solution of the original ABC PTS algorithm is not updated in the neighborhood exploration, and can search for the combination of phase factors more effectively, which improves the exploration efficiency and thus improves the PAPR suppression performance. The simulation results show that the improved ABC PTS algorithm can achieve better PAPR performance.

【技术实现步骤摘要】
一种基于改进人工蜂群算法的OFDM信号峰均比降低方法
本专利技术涉及通信
，更具体地，涉及OFDM时域信号峰均比(PAPR)的降低方法。
技术介绍
正交频分复用(OFDM)技术作为第四代无线通信的核心技术，是一种有效对抗频率选择性衰落和窄带干扰的高速传输技术。在OFDM系统中，由于发射信号是许多调制信号的和，当每个子载波上的符号同相时，发射信号的峰值功率会比其平均功率高许多。这就要求发射端的功率放大器必须有很大的线性工作区域，导致功率放大器效率低。作为OFDM系统的主要问题之一的高峰值平均功率比问题一直是学术界的研究重点。在OFDM信号抑制PAPR研究领域中，部分传输序列(PTS)是其中效果显著的一种方法。近年来，人工蜂群算法(ABC)被用于数值优化问题与PTS结合来搜索更好的相位因子组。然而，由于现有的人工蜂群＝部分传输序列(ABC-PTS)的邻域探索策略存在解不更新的现象，导致计算冗余，影响PAPR抑制性能。
技术实现思路
为了克服现有技术存在的不足，本专利技术提出了一种基于改进人工蜂群算法的OFDM信号峰均比降低方法。为了实现上述目的，本专利技术提出的方法具体步骤如下：a)初始化系统参数limit及最大递推数；b)随机产生大小为S的初始解Ai，i＝1，2，...，S，每个解代表一个食物源，也表示一个旋转因子组bi＝[bi1，bi2，...，biV]T，计算每个食物源的适应度(花蜜数量)，食物源适应度计算公式如下：其中f(bi)为旋转因子组bi对应的PAPR。将适应度较大的S/2个解作为雇佣蜂解，其余S/2作为旁观蜂解；c)对于每个雇佣蜂解bi，进行邻域解探索：在其他雇佣蜂解中随机选取一个bk作为学习对象，再随机决定学习方向和解更新的维度l，改动雇佣蜂解维度l的值得到欲探索的邻域解并计算此邻域解对应的适应度，若适应度大于雇佣蜂解，那么该雇佣蜂解更新为此邻域解；其中，步骤c)的具体求法如下：i.解更新的维度l的确定：对当前食物源bi与另一个雇佣蜂(即学习对象)的位置bk，先进行差异统计，将bi与bk相比具有相同值的维度与不同值的维度序号记录到两个集合Dsame和Ddif中，Dsame中记录具有相同值的维度，Ddif记录具有不同值的维度序号。即Dsame＝{d1，d2，...，dm}中的任一元素dx使得Ddif＝{d1，d2，...，dn}中的任一元素dx使得显然m+n＝V。接着确定学习方向，产生一个[0，1]的伪随机数a，若a≤0.5则靠近学习对象(正向学习)，否则远离学习对象(反向学习)。然后确定更新维度，若学习方向是正向学习，那么l＝RAND(Ddif)表示在Ddif中随机中随机选取一个维度l；若学习方向是方向学习，那么l＝RAND(Dsame)10.表示在Dsame中随机中随机选取一个维度l。特别的，若Ddif中无元素，那么就确定为反向学习，在Dsame中随选取一个维度l；若Dsame中午元素，那么就确定为正向学习，在Ddif中随机选取一个维度l。ii.更新策略：欲探索的新食物源位置b′i是在bi的基础上，改动维度l的值bil。如果学习方向是正向学习，那么b′il＝bkl如果是反向学习，那么b′il＝NRAND(R，bkl)其中，NRAMD表示在解空间R中随机选取非bil的一个解。d)对于每个雇佣蜂解计算各自被选概率计算公式为：e)对于每个旁观蜂，根据步骤d)计算的概率通过轮盘赌的方式选择一个雇佣蜂解，自身变成这个雇佣蜂解之后，利用与步骤c)中雇佣蜂的邻域探索策略相同的方式决定探索的邻域解，计算此邻域解对应的适应度，若适应度大于雇佣蜂解那么该雇佣蜂解更新为此邻域解；f)记录最好的雇佣蜂解；g)对于每个雇佣蜂解，观察他们不曾更新的迭代次数，如果达到limit次，那么抛弃这个雇佣蜂解，在解空间内随机生成一个解替代这个雇佣蜂解；h)这个过程循环执行，直到迭代次数达到了最大递推数时算法结束；以现有的技术相比，本专利技术的有益效果为：本专利技术的邻域探索策略可以保证迭代后一代b′i与当前代bi不相同，成功避免了ABC-PTS的解不更新的问题。另一方面，随机决定正向学习与反向学习的做法保持了标准人工蜂群算法的探索思想。附图说明图1传统的PTS的基本原理框图图2改进的ABC-PTS算法流程图图图3邻域解探索策略流程图图4改进的ABC-PTS与ABC-PTS的PAPR性能比较图5改进的ABC-PTS与ABC-PTS的平均PAPR收敛情况比较具体实施方式下面结合附图对本专利技术做进一步的描述，以便对本专利技术方法的技术特征及优点进行更深入的诠释。但本专利技术的实施方式并不限于此。本专利技术提供一种基于改进人工蜂群算法的OFDM信号峰均比降低方法，具体实施步骤如下：1.降低OFDM的PAPR的ABC-PTS的步骤a)首先，确定OFDM频域数据信号D＝{D1，D2，...，DN-1}和长度N，确定平均分割块数V，分块为{D(v)|v＝1，2，...，V}，其中D(v)表示第个v分块，显然，b)对每个分块进行N点的IFFT计算：d(v)＝IFFT(D(v))c)引入复数旋转因子组B＝{bv|v＝1，2，...，V}作为辅助信息，其中其中，K为旋转因子可选值的个数。用步骤b)得到的各个分块的时域信号d(v)分别乘以对应的旋转因子组bv后进行加和得到总的时域信号x，如图1所示，x满足：c)x的峰均比计算公式为：2.采用改进的ABC-PTS找到最佳旋转因子组Bp，Bp满足：最佳旋转因子即最优解搜索算法如图2所示：a)初始化系统参数limit及最大递推数；b)随机产生大小为S的初始解Ai，i＝1，2，...，S，每个解代表一个食物源，也表示一个旋转因子组bi＝[bi1，bi2，...，biV]T，计算每个食物源的适应度(花蜜数量)，食物源适应度计算公式如下：其中f(bi)为旋转因子组bi对应的PAPR。将适应度较大的S/2个解作为雇佣蜂解，其余S/2作为旁观蜂解；c)对于每个雇佣蜂解bi，进行邻域解探索：在其他雇佣蜂解中随机选取一个bk作为学习对象，再随机决定学习方向和解更新的维度l，改动雇佣蜂解维度l的值得到欲探索的邻域解并计算此邻域解对应的适应度，若适应度大于雇佣蜂解，那么该雇佣蜂解更新为此邻域解；其中，步骤c)的具体求法如图3所示：ii.解更新的维度l的确定：对当前食物源bi与另一个雇佣蜂(即学习对象)的位置bk，先进行差异统计，将bi与bk相比具有相同值的维度与不同值的维度序号记录到两个集合Dsame和Ddif中，Dsame中记录具有相同值的维度，Ddif记录具有不同值的维度序号。即Dsame＝{d1，d2，...，dm}中的任一元素dx使得Ddif＝{d1，d2，...，dn}中的任一元素dx使得显然m+n＝V。接着确定学习方向，产生一个[0，1]的伪随机数a，若a≤0.5则靠近学习对象(正向学习)，否则远离学习对象(反向学习)。然后确定更新维度，若学习方向是正向学习，那么l＝RAND(Ddif)表示在Ddif中随机中随机选取一个维度l；若学习方向是方向学习，那么l＝RAND(Dsame)表示在Dsame中随机中随机选取一个维度l。特别的，若Ddif中无元素，那么就确定为反向学习，在Dsame中随选取一个维度l；若Dsame中午元素，本文档来自技高网...

【技术保护点】
1.一种基于改进人工蜂群算法的OFDM信号峰均比降低方法，其特征在于，包括如下步骤：a)初始化系统参数limit及最大递推数；b)随机产生大小为S的初始解，每个解代表一个食物源，也表示一个旋转因子组，计算每个食物源的适应度(花蜜数量)将适应度较大的S/2个解作为雇佣蜂解，其余S/2作为旁观蜂解；c)对于每个雇佣蜂解bi，进行邻域解探索：在其他雇佣蜂解中随机选取一个bk作为学习对象，再随机决定学习方向和解更新的维度l，改动雇佣蜂解维度l的值得到欲探索的邻域解并计算此邻域解对应的适应度，若适应度大于雇佣蜂解，那么该雇佣蜂解更新为此邻域解；d)对于每个雇佣蜂解计算各自被选概率；e)对于每个旁观蜂，根据步骤d)计算的概率通过轮盘赌的方式选择一个雇佣蜂解，自身变成这个雇佣蜂解之后，利用与步骤c)中雇佣蜂的邻域探索策略相同的方式决定探索的邻域解，计算此邻域解对应的适应度，若适应度大于雇佣蜂解那么该雇佣蜂解更新为此邻域解；f)记录最好的雇佣蜂解；g)对于每个雇佣蜂解，观察他们不曾更新的迭代次数，如果达到limit次，那么抛弃这个雇佣蜂解，在解空间内随机生成一个新解替代这个雇佣蜂解；h)这个过程循环执行，直到迭代次数达到了最大递推数时算法结束。...

【技术特征摘要】
1.一种基于改进人工蜂群算法的OFDM信号峰均比降低方法，其特征在于，包括如下步骤：a)初始化系统参数limit及最大递推数；b)随机产生大小为S的初始解，每个解代表一个食物源，也表示一个旋转因子组，计算每个食物源的适应度(花蜜数量)将适应度较大的S/2个解作为雇佣蜂解，其余S/2作为旁观蜂解；c)对于每个雇佣蜂解bi，进行邻域解探索：在其他雇佣蜂解中随机选取一个bk作为学习对象，再随机决定学习方向和解更新的维度l，改动雇佣蜂解维度l的值得到欲探索的邻域解并计算此邻域解对应的适应度，若适应度大于雇佣蜂解，那么该雇佣蜂解更新为此邻域解；d)对于每个雇佣蜂解计算各自被选概率；e)对于每个旁观蜂，根据步骤d)计算的概率通过轮盘赌的方式选择一个雇佣蜂解，自身变成这个雇佣蜂解之后，利用与步骤c)中雇佣蜂的邻域探索策略相同的方式决定探索的邻域解，计算此邻域解对应的适应度，若适应度大于雇佣蜂解那么该雇佣蜂解更新为此邻域解；f)记录最好的雇佣蜂解；g)对于每个雇佣蜂解，观察他们不曾更新的迭代次数，如果达到limit次，那么抛弃这个雇佣蜂解，在解空间内随机生成一个新解替代这个雇佣蜂解；h)这个过程循环执行，直到迭代次数达到了最大递推数时算法结束。2.根据权利要求1所述的方法，其特征在于，采用部分传输序列(PTS)作为OFDM信号降低PAPR方法，针对PTS中解空间离散且解个数较少的特点，结合改进的人工蜂群算法(ABC)的邻域探索策略来选取PTS的最优旋转因子组。3.根据权利要求1所述的方法，其特征在于，步骤a)设置控制参数limit记录某个解更新次数，如果某个解连续经过limit次循环，仍然...

【专利技术属性】
技术研发人员：谭潇，邓质权，戴宪华，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44