✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
一、引言
在5G及后5G无线通信系统中，增强型移动宽带（eMBB）、超可靠低延迟通信（URLLC）和海量机器类通信（mMTC）等多元应用场景对调制技术提出了严苛要求，低峰均功率比（PAPR）、低传输延迟、高频谱效率成为核心性能指标。当前主流调制技术存在难以兼顾多维度性能的短板：正交频分复用（OFDM）虽易与多输入多输出（MIMO）技术融合，但带外辐射高、对同步误差敏感且依赖循环前缀（CP），导致频谱效率受限；滤波器组多载波-偏移正交幅度调制（FBMC-OQAM）凭借优良的时频局部化特性，实现了低带外辐射和无CP传输，显著提升了频谱效率，但受Balian-Low定理约束，复正交性缺失导致虚部干扰，增加了信道估计难度，且多载波固有的高PAPR问题制约了功率放大器效率；单载波频分多址（SC-FDMA）通过离散傅里叶变换（DFT）预编码实现了低PAPR特性，适配移动终端低功耗需求，但带外辐射较高，且需依赖CP应对多径效应，频谱利用率有待提升。
为突破单一调制技术的性能瓶颈，本文提出一种新型融合调制方案，深度整合FBMC-OQAM的低带外辐射、高谱效率优势与SC-FDMA的低PAPR优势，通过“剪枝DFT预编码+单抽头尺度缩放”核心技术，在恢复FBMC系统复正交性的同时，实现低延迟传输，为下一代无线通信系统提供高效可靠的调制解决方案。
二、核心技术原理与方案设计
2.1 方案整体架构
新型融合调制方案的核心设计思路是在FBMC-OQAM系统框架中引入改进型DFT预编码机制，构建“信号映射-剪枝DFT预编码-单抽头缩放-FBMC-OQAM调制-传输”的完整链路。接收端通过“FBMC-OQAM解调-单抽头均衡-剪枝IDFT解码-信号恢复”实现数据还原。该架构保留了FBMC-OQAM无需CP的特性，同时借助预编码技术优化信号峰值特性，通过复正交性恢复解决干扰问题，最终达成低PAPR、低延迟、高谱效率的协同优化。
2.2 关键核心技术
2.2.1 剪枝DFT预编码技术
传统DFT预编码需对全部输入符号进行完整变换，计算复杂度较高。本方案采用剪枝DFT技术，通过将传统SC-FDMA的一半输入符号置零，仅对有效符号进行DFT变换，在保留DFT预编码低PAPR优势的同时，显著降低计算量。具体而言，设输入符号序列长度为N，剪枝DFT仅对前N/2个有效符号执行DFT变换，后N/2个符号置零处理，变换后的频域信号兼具单载波信号的峰值平缓特性与多载波信号的频域分集优势，为后续与FBMC-OQAM的融合奠定基础。
2.2.2 单抽头尺度缩放机制
为进一步优化信号特性并恢复FBMC系统的复正交性，在剪枝DFT预编码后引入单抽头尺度缩放技术。该机制通过对每个子载波上的频域信号乘以固定缩放因子，调整信号幅度分布，使信号在满足实正交的基础上逼近复正交条件，有效抑制FBMC-OQAM固有的虚部干扰。单抽头缩放操作结构简单，不会引入显著计算复杂度，却能大幅改善信号正交性，为后续信道估计和MIMO处理提供便利，同时进一步平滑信号峰值，强化低PAPR特性。
2.2.3 复正交性恢复与低延迟优化
FBMC-OQAM系统为满足Balian-Low定理放宽复正交条件，导致虚部干扰，增加了信号处理难度。本方案通过剪枝DFT与单抽头缩放的协同作用，改变信号频域分布特性，使信号在时域和频域的正交性得到重构，成功恢复复正交性，可直接复用OFDM成熟的检测算法，降低系统设计复杂度。同时，剪枝DFT与单抽头缩放的结合大幅缩短了FBMC信号的上升/下降周期，解决了传统FBMC延迟较高的痛点，为URLLC场景提供低延迟支撑。
三、方案性能优势分析
3.1 低PAPR特性
仿真验证表明，新型融合方案的PAPR水平与SC-FDMA相当，显著优于传统FBMC-OQAM系统。这一优势源于剪枝DFT预编码对信号峰值的平滑作用：单载波信号经DFT变换后，峰值功率分布更加均匀，避免了多载波信号叠加导致的高峰值问题；单抽头缩放进一步优化幅度分布，抑制残余高峰值。低PAPR特性可降低功率放大器的线性度要求，减少非线性失真，降低设备成本与功耗，尤其适配移动终端上行传输场景。
3.2 低延迟传输能力
新型方案的低延迟优势源于三方面设计：一是保留FBMC-OQAM无需CP的特性，避免了CP占用的传输时间，提升传输效率的同时缩短延迟；二是剪枝DFT简化了预编码计算流程，降低信号处理延迟；三是复正交性恢复使接收端可采用低复杂度单抽头均衡技术，无需复杂的干扰抑制算法，进一步减少接收端处理延迟。实测显示，该方案的信号上升/下降周期较传统FBMC-OQAM大幅缩短，端到端延迟满足URLLC场景的严苛要求。
3.3 高频谱效率
方案的频谱效率优势体现在多维度：其一，无CP传输设计避免了频谱资源浪费，相较于OFDM和SC-FDMA，相同带宽下可传输更多有效数据；其二，FBMC-OQAM的优良滤波器设计使带外辐射显著低于OFDM和SC-FDMA，减少了对相邻频段的干扰，提升了频谱共享能力，适配异步传输场景的资源分配需求；其三，符号密度与FBMC-OQAM保持一致，在高频谱利用率基础上，通过复正交性恢复提升信号检测准确性，进一步保障传输效率。双选信道仿真验证表明，该方案在高速移动和频率选择性衰落场景下仍能保持较高频谱效率，鲁棒性优于传统方案。
3.4 其他附加优势
除核心性能指标外，新型方案还具备多项实用优势：一是对原型滤波器的要求较传统FBMC系统更宽松，降低了滤波器设计难度与硬件实现成本；二是复正交性恢复便于多用户上行接入，减少用户间干扰，提升多用户场景下的系统容量；三是与MIMO技术兼容性良好，在扩频间隔内信道近似平坦时，可充分发挥MIMO的空间分集与复用优势，进一步提升系统可靠性与传输速率；四是计算复杂度仅为SC-FDMA的两倍左右，远低于传统FBMC-OQAM的干扰抑制方案，具备工程实现可行性。
四、方案局限性与优化方向
尽管新型融合方案展现出显著性能优势，但仍存在一定局限性：一是计算复杂度略高于SC-FDMA，虽在工程可接受范围内，但需进一步优化算法以适配资源受限场景；二是存在少量残余干扰，虽通常可忽略，但在极端复杂信道环境下可能影响传输性能。未来优化方向可聚焦两方面：其一，引入自适应剪枝策略，根据信道条件动态调整DFT变换的有效符号长度，实现复杂度与性能的动态平衡；其二，结合深度学习技术优化单抽头缩放因子设计，进一步抑制残余干扰，提升系统在复杂信道下的鲁棒性。
五、结论
本文提出的融合FBMC-OQAM与SC-FDMA优势的新型调制方案，通过“剪枝DFT预编码+单抽头尺度缩放”核心技术，成功实现了低PAPR、低延迟、高谱效率的协同优化。该方案保留了FBMC-OQAM低带外辐射、无CP传输的高频谱效率优势，同时借鉴SC-FDMA的低PAPR特性，通过复正交性恢复解决了传统FBMC的干扰难题，大幅缩短了传输延迟。仿真与理论分析表明，方案在双选信道下具备良好鲁棒性，计算复杂度可控，适配5G及后5G多元应用场景需求。未来通过进一步优化算法设计，有望为下一代无线通信系统提供更高效的调制技术支撑。
⛳️ 运行结果
🔗 参考文献
[1] 李黎明,信息与通信工程.基于偏移正交幅度调制的滤波器组多载波传输关键技术研究[D].哈尔滨工业大学[2026-01-14].
[2] 罗潇景.基于滤波器组的多载波(FBMC)调制系统的研究及实现[D].电子科技大学,2016.DOI:10.7666/d.D00988523.
[3] 吴垒,谢显中,张苗,等.一种低复杂度降低FBMC-OQAM峰均值比的PTS双层搜索算法[J].科学技术与工程, 2016, 16(17):9.DOI:10.3969/j.issn.1671-1815.2016.17.011.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
)
