⚡ electrical engineering

PAPR Reduction for AFDM by Affine-Domain Circular Shift without Side Information

本文提出了一种针对仿射频率除法复用（AFDM）的新型峰均功率比（PAPR）降低技术，该技术利用无需侧信息的仿射域循环移位，采用最大似然接收机来检测移位，并与现有方案相比实现了 2.5 到 4 dB 的 PAPR 降低。

原作者： The Khai Nguyen, Ebrahim Bedeer

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： The Khai Nguyen, Ebrahim Bedeer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过一条非常嘈杂、颠簸的道路（就像一辆在高速公路上疾驰的汽车）发送信息。在无线通信的世界里，这条“道路”是电波，而“颠簸”是由多普勒效应引起的（当你移动速度很快时，信号会发生畸变，就像救护车飞驰而过时警笛声听起来会发生变化一样）。

为了应对这些颠簸的道路，工程师们使用了一种名为 AFDM（仿射频率分割复用）的技术。你可以把 AFDM 想象成一种特殊的卡车，旨在携带能够更好地在这些颠博路面上生存的数据符号（包裹），而旧款卡车（如 OFDM）则难以做到这一点。

然而，这种特殊的卡车有一个问题：PAPR（峰均功率比）。

问题： “颠簸”的信号

想象一下你的数据信号是一个波形。通常，波形的幅度是稳定的（平均功率）。但有时，波形会突然飙升到一个极高的峰值（峰值）。

平均值： 你的卡车正常的巡航速度。
峰值： 突然出现的巨大加速跳跃。

如果你的卡车（功率放大器）必须处理这种突然的巨大跳跃，它可能会损坏、过热或导致信息失真。为了防止这种情况，工程师通常不得不建造一个非常昂贵、强大的引擎来应对最大的可能跳跃，尽管你的卡车 99% 的时间都在以正常速度巡航。这是非常低效的。

旧方案 vs. 新思路

以前的方法尝试通过以下方式来解决：

改变卡车的设计（改变参数），但这需要向接收端发送一份“便条”（辅助信息/Side Information）来解释你做了哪些改变。如果便条丢失了，接收端就无法读取信息。
挤压波形（压缩/companding），但这会扭曲信息的形状。

本文作者提出了一种新的、聪明的技巧：
他们不再改变卡车的设计，而是简单地在装载之前旋转货物。

解决方案：“循环移位”

想象你的数据是一串珠子项链（信号）。

技巧： 发送端将这串项链向左或向右旋转（移位）。
目标： 他们尝试各种不同的旋转方式。他们寻找那种能让信号“峰值”降到最低的特定旋转方式。
结果： 他们选择了那个特定的旋转方式并发送。现在的信号变得更加平滑，这意味着卡车不需要那么大的引擎。

但这里有一个陷阱： 如果你旋转了项链，接收方如何知道你旋转了多少次？如果他们不知道，就无法将其“反向旋转”来读取信息。通常，你需要发送一份“便条”（辅助信息）说：“我旋转了 5 次。”但发送便条会浪费空间，且容易丢失。

奇迹：“盲检测侦探”

这篇论文最大的创新在于接收端的盲检测器（Blind Detector）。它不需要便条，它能自己推断出旋转量。

它是这样工作的，使用一个类比：

导频（Pilot）： 在 AFDM 信号中，有一个特殊的“标记”或“导频”（就像一颗鲜红色的珠子），它被放置在特定的位置，周围环绕着空隙（保护带）。
移位： 当发送端旋转信号时，那颗红色的珠子也会移动到新的位置。
تعتبر
侦探： 接收端观察传入的信号。它知道红色珠子的“形状”以及周围空隙的特征。即使信号经过了颠簸的路面，接收端也可以通过数学方法分析红色珠子的模式和周围的空隙，从而得出结论：“啊哈！红色珠子在这个位置，这意味着发送者一定将信号旋转了这么多次。”

作者开发了一个数学上的“侦探”（称为基于极大似然估计的检测器），它非常擅长在有噪声的情况下识别这种模式。

确保可靠性：“间距”规则

作者意识到，如果尝试每一种可能的旋转（例如，旋转 1 颗珠子、2 颗珠子、3 颗珠子……），接收端可能会产生混淆。如果你旋转 1 颗珠子与旋转 2 颗珠子，红色珠子最终落下的位置几乎是一样的，侦探可能会猜错。

为了解决这个问题，他们增加了一条规则：只尝试间隔较大的旋转。

不再尝试每一颗珠子的旋转，而是只尝试旋转 10 颗、20 颗、30 颗珠子等。
这使得“红色珠子”落在非常明显的不同位置，让侦探更容易准确猜测。

实验结果

论文通过模拟（计算机测试）来观察效果如何好：

功率节省： 他们将信号的“峰值”降低了 2.5 到 4 dB。用通俗的话说，这意味着卡车可以依靠更小、更高效的引擎运行，而不会损坏。
更少的错误： 因为信号更平滑，引擎不再挣扎，信息到达时的错误更少（更低的误码率）。
无需便条： 他们在不需要向接收端发送任何额外“便条”（辅助信息）的情况下实现了这一点。接收端完全是靠自己推断出来的。

总结

作者找到了一种方法，通过在发送之前旋转数据，来平滑高速无线信号中的“颠簸”。他们发明了一个智能接收器，可以通过观察一个特殊标记来推断出数据的旋转量，而无需任何额外指令。这使得系统更加高效和可靠，特别是在适用于汽车或卫星等高速移动物体的场景中。

技术摘要：基于无侧边信息仿射域循环移位的 AFDM PAPR 降低技术

问题陈述
仿射频率除复用（AFDM）是一种面向高移动性场景（如车载和卫星通信）的有前途的多载波技术，因为它能够像 OFDM 一样在剧烈的多普勒频移下保持完整的时延-多普勒多样性。然而，与 OFDM 类似，AFDM 信号表现出较高的峰均功率比（PAPR）。高 PAPR 要求功率放大器具有更大的回退量，从而导致能量效率降低或产生显著的非线性失真和误码率。

现有的 AFDM PAPR 降低方法面临特定的局限性：

一些方法需要向接收端传输侧边信息（SI），这降低了频谱效率并增加了复杂度。
其他方法（如压缩技术或预调制扩展）可能会降低信道估计的精度，或者无法充分利用 AFDM 特有的导频结构。
最近的盲检测方法（如 [8]）实现了中等的 PAPR 降低，但可能无法完全优化移位选择，或无法处理候选密度与检测可靠性之间的权衡。

方法论
本文提出了一种基于仿射域循环移位的新型 PAPR 降低方案，且无需侧边信息（SI）。该方法由三个组成部分构成：

发射端的仿射域循环移位：
发射机不再传输原始信号向量 $x$ ，而是寻找 $x$ 的一个循环移位版本（记作 $x \gg k$ ），使其在经过 AFDM 调制后能产生最低的 PAPR。调制过程涉及预啁啾操作（ $\Lambda_2^H$ ）及逆离散傅里叶变换（IDFT）。作者证明，时域信号的 PAPR 取决于预啁啾信号 $\tilde{s}_0 = \text{IDFT}\{a_2 \otimes x\}$ 。通过在预啁啾之前对 $x$ 进行移位，相位关系会发生变化，从而改变时域的峰值功率。发射机选择使峰值功率最小化的移位索引 $\hat{k}$ ，该索引属于一组候选集合。
基于最大似然估计（MLB）的盲接收机：
由于没有传输 SI，接收机必须盲检测应用于发射端的移位索引 $\hat{k}$ 。所提出的方法利用了 AFDM 特有的导频结构，即在仿射域中嵌入导频符号并被零值保护间隔包围。

机制： 当信号通过双选择性信道时，有效信道矩阵 $H_{eff}$ 会在接收信号中创建对应于不同信道路径（时延）的独特分段。
检测： 接收机通过对接收信号进行反向循环移位来测试候选移位。对于每个候选移位，它计算导频相关分段与预期信道结构（即能量是否集中在对应于信道抽头的特定 bin 中）的对齐似然度。
整数与非整数多普勒： 论文推导了在整数和非整数多普勒移位下接收分段的概率密度函数（PDF）。对于非整数情况，使用离散频率步长的黎曼和来近似似然度，以处理积分的复杂性。

候选间距策略：
为了减轻 MLB 检测器无法区分非常接近的候选者（例如，仅相差一个样本的移位）的风险，作者建议限制候选集。通过强制执行最小间距 $D$ （单位为样本）来确保任何两个候选移位之间存在间距。这不仅减少了搜索复杂度，更重要的是，它确保了不同候选者的导频位置在被盲估计器检测时具有足够的区分度。

主要贡献

无 SI 的 PAPR 降低： 本文引入了一种通过仿射域循环移位降低 AFDM PAPR 的方法，无需侧边信息，从而保持了频谱效率。
盲检测移位： 推导了一种基于最大似然估计（MLB）的盲检测器，该检测器利用 AFDM 固有的导频和保护带结构来恢复应用的移位。该方法在进行移位检测时不需要信道状态信息（CSI）。
优化候选间距： 本研究指出，密集的候选集可能会因为候选者之间的相似性而降低盲检测性能。因此提出了间距约束（ $D$ ），以平衡 PAPR 降低增益与检测可靠性。
复杂度分析： 论文提供的复杂度分析表明，虽然发射机复杂度随候选数量线性增加，但接收机复杂度仍然可控，其取决于较小的参数（最大时延和间距）。

仿真结果
该方法使用 16-QAM 调制和固态功率放大器（SSPA）模型进行了评估。

PAPR 降低： 根据候选间距的不同，该方案实现了相对于原始 AFDM 2.5 到 4 dB 的 PAPR 降低。具体而言，在 $N$ 个候选者中进行搜索可获得高达 4 dB 的增益，而将间距扩大到 $2Q$ 个样本时，增益则降至 2.5 dB。
误码率（SER）：
- 当候选间距为 $D = Q$ 或 $2Q$ 时，在使用 SSPA 的情况下，该方法在 SER 为 $10^{-4}$ 时比原始 AFDM（未进行 PAPR 降低）获得了约 2 dB 的增益。
- 该性能与 [8] 中的最先进方法在 $N=256$ 个子载波时相当。
- 对于 $N=512$ 个子载波，该方法在 SER 为 $10^{-4}$ 时比 [8] 高出约 1 dB，这归功于更多子载波带来的更大候选集。
- 在放大器线性度较差（低饱和幅度 $A_{sat}$ ）的情况下，所提出的方案显著优于非降低型 AFDM，避免了由非线性失真引起的误差平台。

意义与主张
论文声称，所提出的方法为高移动性 AFDM 系统提供了一种实用的 PAPR 降低解决方案。其主要意义在于，在不产生侧边信息频谱开销的情况下，实现了显著的 PAPR 降低（高达 4 dB）以及相应的 SER 提升，且不会造成其他盲技术中常见的信道估计性能下降。通过利用 AFDM 特有的导频结构，该方法能够实现移位的可靠盲检测，使其适用于对频谱效率要求极高且必须保证信道估计不受影响的场景。作者得出结论，通过优化候选间距来权衡搜索复杂度与检测可靠性是合理的。