這里我選擇的演算法是PTS演算法，
關于創新點，我初步考慮在PTS基礎上，適當的引入些TR的思想，并對PTS做一些改進，
傳統PTS > 一般性能
自適應+PTS > 較1有所提高
自適應+PTS 結合 限幅法 > 較2略有提高
“自限幅適應PTS” +“分段預留子載波” >較3進一步提高
傳統的PTS演算法，理論比較多，現成的資料也比較多，這里就不多做介紹了，通過仿真，對比PTS和沒有PTS下，
在做整體的復雜度分析的時候，發現這么做，系統過于復雜，雖然性能略有提高，但復雜度大大提高了，所以這里我修改了方法，使用門限的PTS，從而減少了系統的復雜度，
同時，加入限幅的思想，使得簡化的PTS性能優于同引數的PTS，從而實作，不僅簡化了系統，還提高了系統性能的目的，
這里，基本原理如下所示：
在PTS全域搜索的時候，預先設定好一個門限值，如果搜索到
那么就直接退出搜索，
所以使用這個方法，可以進行快速的搜索，而不用像全域搜索那樣，全部搜索一遍，這種門限法僅僅是抑制了高于門限值的出現的概率，而并沒有抑制低于門限值，
但是使用這個方法，可以大大降低PTS演算法的復雜度，
然后針對這個方法存在的局限，加入限幅的思想，從而抑制高于門限的值，
限幅器的設計如下所示：
C限幅門限PTS分段預留子載波
這個演算法，我的方法是適當的引入了TR的思路到改進后的PTS演算法中，引入的意義為：先預留出若干子載波來加載削峰信號，然后利用優化過的PTS演算法對OFDM符號的PAPR進行抑制，之后再利用改進的TR演算法對符號的PAPR進行進一步的抑制，
這么干的目的，就是使得，演算法在復雜度較低的情況下，進一步提高系統的性能，雖然傳統的PTS和TR演算法比較復雜，但是本方法，結合了兩種演算法的優勢，并使用其中的簡化方法，進行優勢互補，從而在演算法復雜度較低的情況下，進一步提高系統的性能，
這里，我們使用改進后的PTS和TR進行結合，整個演算法的流程如下所示：
步驟一：加入門限，降低PTS演算法的復雜度（但是這樣會降低性能）
當滿足要求：
的時候
演算法就停止搜索，這樣的話，就降低的演算法的復雜度，但是會影響性能，
步驟二：加入限幅的方法
通過這個方法，可以在步驟一的基礎上，提高性能，使其在復雜度降低的前提下，保存系統的性能不變，
步驟三：改進PTS和TR的結合
為了和TR結合，首先，PTS分組必須為隨機分組，并隨機的保留一定的預留子載波，然后先執行PTS，再執行TR，
步驟四：執行TR
將得到的頻域信號X進行IFFT變換得到時域信號x，對x的每個子載波上的資料限幅，對取反后的限幅差值進行N點FFT變換，得到的頻域反向限幅差值信號的預留子載波上的資料即為削峰資料，用其替代X中預留子載波上的資料即可有效地消除峰值信號，
通過仿真，我們的演算法的仿真結果如下所示：
CCDF：
從上面的仿真結果可知，改進后的PTS-TR演算法，其誤碼率性能最佳，并且解決理論誤碼率曲線，
復雜度統計：
第一種，演算法的復雜度最大，第二種復雜度最小，第三種演算法，性能進一步提高了，而復雜度略微提高，
從上面的仿真結果可知，改進后的PTS演算法，在性能上和傳統的PTS演算法相似，但是其復雜度大大降低了，只有原演算法的1/7，
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/135088.html
標籤：其他