OFDM-PAPR

1、PAPR

峰值幅度(Peak Amplitude)和均方根(Root Mean Square )幅度是常用的两种度量信号幅度的方式。

峰均功率(Peak-to-Average-Power Ratio)比定义为:
PAPR=\frac {|x|^2_{peak}}{x^2_{rms}}=C^2
其中,C通常称之为峰值因子(Crest Factor),或者也叫Peak-to-Average Ratio,简称PAR。

因一波形的峰值幅度恒大于等于RMS幅度,因此,PAPR \geq 1

注:

对于一个离散信号x,它的均方根幅度为:
x_{rms}=\sqrt{\frac {1}{N} \sum_{n=1}^{N} |x_n|^2}
峰值幅度为:
x_{peak}=max[|x|]

2、QAM信号的PAPR

QAM信号的PAPR很容易由星座图推出,如,PAPR_{QPSK}=1PAPR_{16QAM}=1.8

%% Generate PRBS data
N_sim = 65535;
prbs_data = idinput(N_sim,'prbs',[0,1],[0,1]);

%% QAM Modulation
M = 64;
Bin_data = vec2mat(prbs_data,log2(M));
Dec_data = bi2de(Bin_data);
QAM_data = qammod(Dec_data,M).';

X_peak = max(abs(QAM_data));
X_rms = rms(QAM_data);
PAPR = (X_peak/X_rms)^2;

仿真结果:

M 4 16 64
PAPR 1.00 1.81 2.33
3、OFDM信号的PAPR

OFDM信号可以看成QAM信号的叠加:
x_{OFDM}(t)=\sum_{n=0}^{N_{sc}}x_n(t)e^{j2\pi nft}
其中,x_n(t)为加载到第n个子载波上的QAM信号。

中心极限理论阐述了独立同分布的、均值为零的随机变量,在变量数据量趋向于无穷时,其线性组合可以近似看作是一种均值为零的高斯分布。

在OFDM中,实际发射的信号是多个子载波信号的叠加,这将不可避免地导致信号的包络变化非常剧烈,如果N个子载波的信号均以相同的相位相加时,就会产生一个OFDM信号的峰值功率,这个峰值功率是平均功率的N倍,也就是说,最大峰值功率与平均功率的比值为N,当然实际一般不会这么大。

M = 16;                                % m-QAM
N_sc = 512;                            % number of subcarrier
N_data = 200;                          % number of subcarrier carrying data
N_symbol = 200;                        % number of OFDM symbol

%% Generate PRBS data
N_sim = 65535;
prbs_data = idinput(N_sim,'prbs',[0,1],[0,1]).';

%if data is too short for a block, repeat itself
if N_sim<N_data*N_symbol*log2(M)   
    prbs_data = repmat(prbs_data,1,ceil(N_data*N_symbol*log2(M)/N_sim));
end
prbs_data = prbs_data(1:N_data*N_symbol*log2(M)); 

%% QAM Mapping
Bin_data = vec2mat(prbs_data,log2(M));
Dec_data = bi2de(Bin_data);
QAM_data = qammod(Dec_data,M).';

%% OFDM Modulation
QAM_mat = reshape(QAM_data,[],N_symbol).';
QAM_mat_ups = [QAM_mat zeros(N_symbol,(N_sc-N_data))];
QAM_mat_ups = circshift(QAM_mat_ups,[0,-N_data/2]); 
OFDM_mat = ifft(QAM_mat_ups.').';
OFDM_data = reshape(OFDM_mat.',1,[]);

X_peak = max(abs(OFDM_data));
X_rms = rms(OFDM_data);
PAPR = (X_peak/X_rms)^2;

仿真结果:

N_data 160 180 200 220 240
PAPR 10.67 10.45 11.16 11.59 12.23

注:这个仿真结果和很多参数设置有关,这里仅仅为了反应PAPR与子载波数量的关系。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,509评论 6 504
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,806评论 3 394
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 163,875评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,441评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,488评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,365评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,190评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,062评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,500评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,706评论 3 335
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,834评论 1 347
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,559评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,167评论 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,779评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,912评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,958评论 2 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,779评论 2 354

推荐阅读更多精彩内容