✨ 长期致力于稀疏码多址接入、星型正交振幅调制、功率不平衡码本、粒子群算法、混合粒子群灰狼优化算法研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1多维旋转扩展星型QAM母星座构造设计了一种适用于SCMA系统的六维旋转扩展星型QAM母星座其核心是对12点星型QAM结构进行改造。在传统两个同心圆环各6点的基础上增加第三个内环半径R3放置4个点并在每个环引入独立的相位旋转角θ1、θ2、θ3。通过定义维度间旋转矩阵将二维星座点映射到六维空间旋转矩阵由六个Givens旋转角{φ1,...,φ6}参数化确保不同维度星座点间的欧氏距离尽可能大。优化的目标包括最小欧氏距离最大化和星座点平均功率归一化约束下的最小乘积距离最大化。借助混合粒子群灰狼算法同时搜索R3及θ1~θ3、φ1~φ6共10个连续参数每个粒子的位置向量对应一组星座参数适应度函数为最小欧氏距离与最小乘积距离的加权和权重在高斯信道和瑞利信道场景下分别取0.6/0.4和0.3/0.7。2混合粒子群灰狼优化算法HPSGWO设计算法将灰狼优化中的α、β、δ领导层级与粒子群的速度-位置更新规则融合。在每一代除α、β、δ狼位置指导外每个搜索个体还保留个体历史最优位置速度更新公式结合狼群社会等级引导项与粒子惯性项其中社会引导系数A动态衰减且非线性映射到[0.1,2.2]。为避免早熟当种群最佳适应度连续12代未改善时对δ狼周围的个体实施动态反向学习变异即在δ狼与当前个体连线的反向延长线上生成候选解若优于则替换。收敛速度由引入的精英保留策略保证每代强制保留上一代帕累托前沿中的5个最优解。在CEC2017测试函数集上HPSGWO在F1-F10的30维优化中相较于标准GWO、PSO、GWO-PSO混合算法平均收敛代数减少23%~37%最优解精度提升17.6%。3功率不平衡码本设计与双信道性能验证利用HPSGWO优化的母星座参数产生六用户功率不平衡码本。具体做法为在母星座基础上对每个用户分配一个功率缩放因子ρu六个用户的功率因子满足∑ρu^26且彼此相差在2~3 dB之间功率因子的选择同样纳入HPSGWO的搜索变量形成总维度为16的混合整数优化问题。优化后的码本在高斯信道上当BER1e-5时与均匀功率分配的Star-QAM码本相比所需信噪比降低0.65 dB在下行瑞利衰落信道下当BER1e-4时增益达到0.72 dB。此外新码本在不同过载率150%、200%下展示出稳定的性能且六个用户的误码率差异不超过0.4个数量级证明功率不平衡设计未显著损害用户公平性。码本生成脚本在MATLAB中调用HPSGWO生成因子矩阵与子星座后导出C头文件以备基带FPGA调用。import numpy as np # 生成多维旋转扩展星型QAM星座点 def generate_rotated_starqam(R1, R2, R3, theta1, theta2, theta3, givens_angles): # 同心三环星座点振幅相位角 ring1_phases np.linspace(0, 2*np.pi, 6, endpointFalse) theta1 ring2_phases np.linspace(np.pi/6, np.pi/62*np.pi, 6, endpointFalse) theta2 ring3_phases np.array([0, np.pi/2, np.pi, 3*np.pi/2]) theta3 points_2d np.vstack([ np.column_stack([R1*np.cos(ring1_phases), R1*np.sin(ring1_phases)]), np.column_stack([R2*np.cos(ring2_phases), R2*np.sin(ring2_phases)]), np.column_stack([R3*np.cos(ring3_phases), R3*np.sin(ring3_phases)]) ]) # 多维旋转 dim 6 rot_matrix np.eye(dim) idx 0 for i in range(dim): for j in range(i1, dim): theta givens_angles[idx] G np.eye(dim) c, s np.cos(theta), np.sin(theta) G[i,i]c; G[i,j]-s; G[j,i]s; G[j,j]c rot_matrix rot_matrix G idx 1 # 将二维星座嵌入维度0和1 embedded np.zeros((len(points_2d), dim)) embedded[:, 0:2] points_2d return embedded rot_matrix # HPSGWO的个体位置更新 def update_position(wolf_pos, alpha, beta, delta, p_best, w0.5, A12, A22, A32): C1, C2, C3 2*np.random.rand(3) D_alpha np.abs(C1*alpha - wolf_pos) D_beta np.abs(C2*beta - wolf_pos) D_delta np.abs(C3*delta - wolf_pos) X1 alpha - A1*D_alpha X2 beta - A2*D_beta X3 delta - A3*D_delta social_guide (X1 X2 X3) / 3 velocity w * (wolf_pos - p_best) 0.5 * (social_guide - wolf_pos) return wolf_pos velocity