基于深度神经网络降低OFDM系统立方度量方法

针对正交频分复用信号包络波动过大的缺点,提出了利用深度神经网络降低正交频分复用系统立方度量从而减少信号包络波动的方法.仿真表明,提出的方法能够灵活控制信号包络波动大小和误比特率性能;与已有算法相比,深度神经网络算法具有更好的立方度量抑制性能,并且算法执行时间大幅降低.因此,提出的深度神经网络算法更有希望应用于实际通信系统,满足系统对于实时性的要求.     

降低OFDM系统峰均比技术的研究

研究多载波传输信号优化问题,正交频分复用(OFDM)技术的一个缺点是由于信号的高峰值平均功率比大大降低了系统中线性功放的效率.针对限幅法解决峰均比问题中存在的带外弥散、带内噪声和计算复杂度等问题,为了提高传输效率,提出一种联合冲击整形和重复限幅滤波技术来降低系统峰均比的可行性方案.有效抑制限幅噪声对系统误码率性能的影响,提高频谱效率.通过合理选择系统的相关参数可以在计算复杂度和峰均比性能改善之间取得较好折衷.数据仿真验证了所提出方案的有效性.     

解决OFDM信号功率降额问题的子载波预留方法

针对OFDM信号功率降额问题,提出了一种新的子载波预留方法。该方法利用谷值补偿算法改善OFDM信号的立方度量性能,并使用动态峰值削减算法降低OFDM信号的峰均功率比,同时对原有迭代过程进行简化,合理地控制计算开销。仿真结果表明,与传统的功率降额处理方法相比,该方法可更为有效地降低系统峰均功率比和改善OFDM信号的立方度量性能。     

一种降低OFDM系统峰均比的新方法

较大的峰均功率比限制了OFDM技术的广泛应用,如何选择复杂度低而且抑制效果良好的高峰均比算法是目前这一领域研究的重点。本文利用选择性映射方法和限幅方法在性能上的互补性,提出了一种映射和限幅的联合算法（SLM-Clipping联合算法）。仿真结果表明,该方法有效的降低了OFDM系统的峰均比,而且具有复杂度低,易实现等优点。     

基于联合算法的OFDM峰均比降低技术

针对OFDM系统具有较高峰均功率比(PAPR)的缺点,提出一种降低系统峰均比的联合算法——修正的ACE-POCS和限幅联合算法。该联合算法利用ACE-POCS算法对OFDM信号进行处理,再用限幅法进一步降低PAPR。基于OFDM系统的仿真结果表明,该联合算法可以有效降低PAPR 3.5 dB,并且不会影响系统误码率性能。     

Turbo-OFDM系统中的自适应均衡算法

为减少Turbo-OFDM(正交频分复用)系统中的载波间干扰和符号间干扰,提出一种基于频率优化和反馈滤波的均衡算法。该算法在目标误码率下,通过功率的优化配置,关闭无效的子带。利用零、极点抵消原理,通过自适应地选择级联反馈滤波器缩短信道冲激长度,从而降低Turbo码均衡算法的复杂度和OFDM的循环长度,提高频谱利用率。     

联合LDPC码与clipping降OFDM系统峰均比的方法*

针对正交频分复用(OFDM)系统中存在的高峰均比问题,提出了一种简单而有效的降低峰均比(PAPR)的联合方法,即将低密度奇偶校验码（LDPC）与传统的限幅(clipping)技术相结合的方法。该方法通过clipping技术降低OFDM信号的PAPR,同时结合LDPC码改善clipping技术带来的系统误比特率（BER）恶化与频域滤波降低带外功率辐射。MATLAB仿真结果表明,该方案能够简单而有效地降低PAPR并提高系统的BER性能,以及抑制带外功率辐射,证明了该联合方法的有效性。     

改进迭代限幅滤波TDCS峰均比抑制算法

针对现有变换域通信系统存在较高峰均比及传统迭代限幅滤波算法峰均比收敛缓慢的问题,提出了改进迭代限幅滤波变换域通信信号峰均比抑制算法。该算法通过引入限幅噪声,对其进行滤波,减少峰均比回升的同时有效消除带外频谱扩散,并在迭代过程中获得更好的峰均比抑制效果。仿真结果表明,该算法一方面能获得更好的峰均比抑制效果,一次迭代较传统算法获得约1 dB的性能增益,三次迭代效果优于传统算法四次迭代;另一方面改善带外频谱性能,加入滤波后降低带外频谱功率约5 dB。误码率的对比结果表明,改进算法所损失的系统传输性能非常低。     

OFDM水声通信降低限幅噪声的改进算法

为了降低正交频分复用（OFDM）水声（UWA）通信系统的峰均比（PAPR）,使放大器能工作在线性有效区,传统的限幅方法通常会引入较大的限幅噪声。针对这一问题,提出了一种低复杂度的降低限幅噪声的算法。该算法采用不同的限幅门限对不同的信号幅度作限幅处理,同时将处理结果以限幅向量的形式传送至接收端,以准确恢复相应被限数据的原始幅度,从而降低限幅噪声。通过理论分析和计算机仿真,结果表明该算法在少量增加系统运算复杂度的前提下,能使线性放大器工作在有效范围内,而且能够有效抑制系统的限幅噪声。     

基于部分传输序列的OFDM系统峰值平均功率比优化算法

部分传输序列(Partial transmit sequences, PTS)算法能够有效改善正交频分复用(Othogonal frequency division multiplexing, OFDM)系统的高峰值平均功率比(Peak-to-average power ratio, PAPR),但是计算复杂度较高.提出一种新的粒子群优化(Discrete particle swarm optimization, DPSO)算法,将PTS算法中最优相位因子的求解转化为具有非线性约束的全局优化问题,采用汉明距离衡量信号距离,重新定义了粒子更新公式,使相位因子能够以一定的概率与最优相位序列的排列趋于相同,得到具有较低峰值平均功率比的信号.同时,算法避免了穷举搜索,具有较低的计算复杂度.仿真结果证明,与传统PTS算法相比较,所提算法能够在搜索复杂度较低的情况下,获得良好的峰值平均功率比降低性能.     

二阶Volterra变记忆长度LMP算法

针对实际应用中非线性系统记忆长度未知致使Volterra自适应滤波器可能无法达到最优性能的问题,提出一种二阶Volterra变记忆长度LMP算法。利用Volterra滤波器二阶权系数矩阵的对称性和对称矩阵可对角化分解性质,推导得到了一阶权系数与二阶权系数个数相同的信号矢量与权系数矢量内积的二阶Volterra滤波器输出信号表达式;提出了基于DCT的二阶Volterra自适应滤波器（CSVF）及其LMP算法（CSVLMP）;采用FIR抽头长度的自适应调整思想,提出了基于DCT的二阶Volterra变记忆长度LMP算法（CSVMLMP）。记忆长度未知的非线性系统辨识的仿真结果表明,在[α]稳定分布噪声背景下,该算法在收敛速度、稳态性能和计算复杂度之间达到了较好的折中。     

多通道助听器语音降噪算法研究

维纳滤波算法是改善噪声环境下听障患者语音理解度的常用算法之一。针对传统维纳滤波算法噪声谱估计偏差大的问题,提出一种基于改进的多通道维纳滤波算法的助听器语音降噪算法。算法首先结合人耳听觉特性和助听器响度补偿的特点,将语音信号进行Gammatone分解为多路子带信号。然后在每个子带内用基于先验信噪比估计的维纳滤波器进行语音增强处理。最后通过综合子带信号,得到增强的语音。此外,为了改善维纳滤波算法噪声谱估计的问题,提出一种基于包络估计的语音活动检测算法,并用于改善维纳滤波性能。实验结果表明,与传统维纳滤波法相比,该方法能更有效地抑制残留噪声,提高语音可懂度,具有较高的实用价值。     

PSO-DBNet for Peak-to-Average Power Ratio Reduction Using Deep Belief Network

Data transmission through a wireless network has faced various signal problems in the past decades. The orthogonal frequency division multiplexing (OFDM) technique is widely accepted in multiple data transfer patterns at various frequency bands. A recent wireless communication network uses OFDM in long-term evolution (LTE) and 5G, among others. The main problem faced by 5G wireless OFDM is distortion of transmission signals in the network. This transmission loss is called peak-to-average power ratio (PAPR). This wireless signal distortion can be reduced using various techniques. This study uses machine learning-based algorithm to solve the problem of PAPR in 5G wireless communication. Partial transmit sequence (PTS) helps in the fast transfer of data in wireless LTE. PTS is merged with deep belief neural network (DBNet) for the efficient processing of signals in wireless 5G networks. Result indicates that the proposed system outperforms other existing techniques. Therefore, PAPR reduction in OFDM by DBNet is optimized with the help of an evolutionary algorithm called particle swarm optimization. Hence, the specified design supports in improving the proposed PAPR reduction architecture.     

基于LS算法的OFDM信道估计的研究与改进

OFDM信道估计中,LS算法因其运算简单,得到了广泛应用。但是在实际的系统中,由于有非理想因素的存在,使得该算法受到载波间干扰（ICI）噪声的影响;并且突发传输时,信道响应会受到外界噪声的干扰,使估计的信道响应幅值在一定范围内上下波动,并带有尖峰和毛刺。为了解决此问题,提出了一种基于LS算法的最优化FIR滤波器（切比雪夫滤波器）信道估计算法。切比雪夫滤波器在过渡带衰减很快,和理想滤波器的频率响应曲线之间的误差最小,因此该算法较之传统的加窗算法,能保证局部频率点的性能也是最优的,进而有效地减小均方误差（MSE）。在高斯白信道环境下引入突发噪声,对所提方案进行了仿真,其结果验证了该方法能有效消除通带内因突发传输引起的毛峰和尖刺。     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题．通过对模糊神经网络和微粒群算法的深入分析,提出了一种多目标微粒群算法．在算法中将网络的精确性和复杂性分别作为目标进行优化,再用一种启发性分量加权均值法来选取个体极值和全局极值．算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解,为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法．茶味觉信号识别的仿真实验验证了该算法的有效性．     

一种在LTE-Advanced载波聚合下降低CM的方法

3GPP LTE采用OFDMA作为物理层多址接入技术。而峰值引起的功率回退是OFDM技术的主要问题,因此在LTE中,采用CM(立方度量)来度量功率回退。LTE-Advanced中为了提升峰值速率引入了载波聚合技术,多个成员载波的引入可能会带来CM的提升。主要介绍一种载波聚合下降低由于重复导频引起的CM过高的方法。该方法不仅能够在多个成员载波情况下有效地降低CM,并且可以将复杂度和处理时延控制在较小范围内。     

能效最优准则下的无人机中继系统的功率分配算法

由于无人机（Unmanned aerial vehicle,UAV）机动性好且部署简单,基于无人机中继的传输技术受到了广泛关注。功率作为通信系统的重要资源,其分配问题直接影响各条链路的性能和整个通信系统的能量效率。本文以莱斯衰落信道为背景,提出了一种在系统能效准则下的无人机中继通信系统的功率分配算法。首先在双跳放大转发（Amplify-and-forward,AF）中继传输模型的基础上建立功率分配的优化模型,将功率分配问题转化为求解最大系统能效的优化问题。在最优功率分配的求解过程中,先固定发射信号功率,获得波束形成优化方案;然后通过大信噪比区间近似,将非凸优化问题转化为凸优化问题;最后利用KKT（Karush-Kuhn-Tucker）条件,计算得出功率分配方案的闭式解。仿真实验表明,本文算法相对于迭代算法降低了算法复杂度。     

一种免疫算法与SVR的Hilbert-Huang边界优化

Hilbert-Huang变换(Hilbert-Huang transform,HHT)在对信号进行经验模态分解(Empirical mode decomposition,EMD)和对各内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会出现边界问题.为了克服该问题,本文提出了基于离散均匀免疫算法(Discrete uniform immune algorithm,DUIA)和支持向量回归(Support vector regression,SVR)的HHT边界优化方法.该方法采用DUIA优化SVR的参数,并利用SVR对数据廷拓,以有效分析HHT边界问题.通过对正弦叠加信号和实际信号的仿真分析表明:所提出的算法可有效解决HHT中存在的边界问题,且其效果优于SVR的数据延拓方法.     

基于集员滤波的二阶Volterra自适应归一化最小平均P范数算法

针对Volterra非线性滤波算法计算复杂度呈幂级数增加的问题,提出了一种α稳定分布噪声下的基于集员滤波的二阶Volterra自适应滤波新算法。由于集员滤波的目标函数考虑了所有输入和期望输出的信号对,通过误差幅值的p次方的门限判决,更新Volterra滤波器的权向量,不仅有效降低了算法复杂度,而且提高了自适应算法对输入信号相关性的鲁棒性;并推导给出了权向量的更新公式。仿真结果表明,该算法计算复杂度低、收敛速度快,对噪声及输入信号相关性有较强的鲁棒性。     

Recurrent neural network modeling combined with bilinear model structure

In this paper, we propose a neural network modeling scheme for nonlinear systems. The proposed architecture is a new combination of neural network and bilinear system model in which the terms of cross-products of input and output signals within the bilinear model are taken as the inputs into the neural network. Compared with the original bilinear system, this kind of network model possesses much more adjustable parameters to fulfill the system identification. Moreover, instead of the general back-propagation method an evolutionary computation called the differential evolution algorithm is presented to update the network parameters. This algorithm is with multiple direction searches toward the global optimal solution for given optimization problem. To show the feasibility of the proposed scheme, a nonlinear chemical process system of continuously stirred tank reactor is illustrated. Many simulations and examinations are considered to verify the robustness of the proposed neural network structure on the modeling performance, including different sets of initial conditions of the algorithm and model orders.