做OFDM系统的人，几乎都被PAPR这个指标教育过。无论是实验室里用信号分析仪抓OFDM时域波形，还是在芯片验证阶段盯着功放电流找原因，最后都会回到同一个问题：多载波叠加出来的时域包络怎么就这么不平坦。拿一段很普通的16QAM-OFDM信号，实时功率相对平均值高出10dB以上的符号并不稀罕，这对功放设计、ADC动态范围、射频前端线性度全是压力。
这篇文章我想顺着OFDM的IFFT结构，把PAPR问题的根源拆清楚，再把常用的处理手段分成两类讲明白：一类是削波、压扩、星座扩展这些确定性方法，另一类是SLM、PTS这些概率性方法。最后结合5G NR上行常用的DFT-s-OFDM，以及最近讨论度很高的OFDM ISAC一体化波形，聊聊工程上到底该怎么选。适合正在做物理层算法、或者需要评估OFDM波形方案的人当作一份实践参考。
1. 高PAPR从哪里来：时域叠加的峰值陷阱
1.1 从IFFT看OFDM的时间信号构造
OFDM的发送信号在数学上并不复杂。频域数据符号 (X[k]) 经过N点IFFT，得到时域序列：
[ x[n] = \frac{1}{\sqrt{N}} \sum_{k=0}^{N-1} X[k] e^{j2\pi kn/N} ]
翻译成人话就是：每个子载波都是一个复正弦，带着各自的幅度和相位，在时间轴上叠加。数据的随机性决定这些复正弦的相位是杂乱分布的，某个时刻如果一大堆子载波的相位恰好一致，它们的实部或虚部就会同时往一个方向顶，瞬时幅度立刻被抬高。
我经常用这个类比：一群人本来各说各话，周围声压很均衡，但突然所有人冲着同一个方向喊同一句话，那一瞬间的声压就会爆掉。OFDM的峰值就是这些子载波偶尔“齐喊”的结果。QAM调制阶数越高，星座点分布的相位和幅度越多样，这种“齐喊”的偶然性越大，包络波动就越剧烈。
PAPR的定义本身很简单，就是符号内峰值功率对平均功率的比值：
[ PAPR = 10\log_{10} \frac{\max|x[n]|^2}{E\left[|x[n]|^2\right]} \quad \text{(dB)} ]
但简单归简单，真正用的时候坑很多，后面我会专门讲。
1.2 什么时候最容易“撞峰”：子载波数量与调制阶数的影响
很多人以为子载波越多，PAPR一定越高，这话不能说错，但要分怎么看。
从统计角度看，子载波数N越大，时域信号的实部和虚部越接近高斯分布（中心极限定理），幅度近似服从瑞利分布。也就是说，出现大幅度的概率尾巴是存在的，而且随着N增大，CCDF曲线尾部的收敛速度会变慢。实测对比256点有效子载波和1024点有效子载波，在CCDF的0.1%概率点上，PAPR大约会差0.5~1dB，并不是线性暴涨。
更需要注意的其实是调制阶数。QPSK的星座点和16QAM、64QAM比，峰值出现概率是有差别的。高阶QAM里外圈星座点的功率本来就比平均功率高不少，一旦这些点叠加出同相情形，峰就会更夸张。不过坦白说，调制阶数对PAPR的影响远没有很多人想象的那么大，主要推手仍然是子载波叠加数量。
还有一点容易忽略：上面讨论的都是基带复信号。到了射频端，经过IQ调制、上变频、滤波器之后，包络形状会发生细微变化，DAC的非理想特性也可能让峰值重新“长”出来。所以基带仿真结果只能当作参考，真正做功放回退评估时一定要预留余量。
2. 衡量PAPR的正确姿势：CCDF曲线与过采样细节
2.1 只报最大PAPR会被随机性骗到
我见过不少初做OFDM的人，写个仿真脚本循环几百个符号，算完最大PAPR是多少dB，就当作系统指标报上去。这是典型的被随机性骗到。
OFDM符号之间的PAPR差异非常大。同一个系统里，有些符号可能只有7dB，有些符号能到12dB。如果你只跑了几百个符号，抓到最大值可能是11dB，换一组随机种子再跑，最大值变成11.8dB也不奇怪。这个“最大PAPR”本身就是一个随机变量，拿来当设计指标，结果必然不稳定。
工程上更合理的做法是用CCDF曲线描述。横轴是PAPR门限 (PAPR_0)，纵轴是PAPR超过该门限的概率 (P(PAPR > PAPR_0))。比如一个无线帧里有几万个符号，要求平均每个帧最多出现一次超过门限的峰值，那就要看10^-4甚至10^-5概率点上的PAPR值。这比单个最大PAPR可靠得多。
2.2 4倍过采样才是仿真基准
仿真中漏掉峰值是另一个高频问题。如果IFFT点数刚好等于有效子载波数，采样点全是符号的等间隔采样点，峰值完全可能落在两个采样点之间，直接漏检。文献里通用做法是至少4倍过采样，也就是IFFT点数取 (4N)，数据只放在中间的N个子载波上，其余补零。
我用同一个信号做过对比：不过采样时统计出来的CCDF，比4倍过采样低0.5~1dB。这个误差相当可观，足以让“这个方案到底够不够好”的判断反转。以前有人拿着不过采样的结果去定功放回退量，样机ACLR始终超标，查了很久才发现是峰值漏检问题。
所以在这件事上，我从不讲条件：跑PAPR，过采样倍率至少4倍。想看到更真实的射频包络行为，可以上8倍，但计算量会成倍增加，一般4倍足够。
2.3 别忘了EVM、ACLR和立方度量
做PAPR优化不能只看PAPR自己降下来没有，还要同时看EVM和ACLR。削波削多了，EVM直接变差；峰压下去了但频谱长胖了，带外辐射就会超模板。这些指标之间存在强耦合，任何PAPR方案最终都要放到“EVM-ACLR-复杂度”三方框里综合评估。
另外多说一句，如果终端或基站侧关心的是功放非线性带来的互调失真，那比PAPR更贴近实际工程的是CM（立方度量，Cubic Metric）。CM是3GPP里面评估波形对功放效率影响时常用的指标，它和三阶交调失真的相关性比PAPR更强。设计低PAPR波形时，我会同时算PAPR和CM，不能PAPR好看但CM反而更差。
3. 确定性削峰技术：削波、压扩与星座扩展的代价边界
3.1 削波加迭代滤波：工程里用得最多的路子
削波是最直观的方法。时域信号幅度超过某个门限，直接掰平到门限值，相位保持不变。门限的选择通常围绕目标PAPR来，比如想让CCDF的0.1%概率点从11dB降到8dB，可以把削波门限设在平均功率加8~9dB的位置，具体要看信号的统计分布。
但直接削波有个大问题：削掉的波形边缘是硬截断，频域里会生成大量带外分量。OFDM本来就对频谱模板敏感，不处理的话ACLR基本必超。所以工程实践中都是削波配合滤波一起用：削完一波，低通滤波把带外打回去，滤波又会把时域峰值顶起来一点，于是再削、再滤。迭代三次左右，峰均比能收敛到接近目标，频谱也能压住。
迭代次数不建议太多。我实测五六次以上，峰均比几乎没有进一步改善，EVM反而开始明显恶化。削波门限和迭代次数的组合，一定要结合EVM指标一起扫一遍，不能只盯着PAPR曲线。典型经验值：16QAM下削波门限设在7dB附近，三次迭代滤波，PAPR 0.1%概率点能到8~9dB，EVM大约损失3%~5%，这个代价在很多下行场景可以接受。
务实的算法工程师会给削波加一个窗口，比如用升余弦窗对超过门限的波形做平滑过渡，而不是生硬截断。这样带外频谱特性更好，代价是等效削波门限要高零点几dB，得自己在频谱和峰均比之间找平衡。
3.2 压扩变换：用非线性交换峰均比
压扩的思路很巧妙，做过音频的人一听就懂。压缩大信号、放大弱信号，把信号的动态范围整体收紧，峰均比随之下降。收端做逆运算恢复原始信号。
具体实现里常用μ律压扩。发端把信号的幅度按对数曲线压一遍，让原本小的幅度变大，原本大的幅度变小。这样有两个好处：一是PAPR下降；二是小信号被放大后，整个信号的平均功率利用率更高，功放的工作点可以抬得更高。
代价同样明显。非线性压扩会引入接收端不可完全抵消的噪声，尤其在64QAM这种对幅度敏感的调制方式下，误码率损失明显。我在高调制阶数信号上试过μ律压扩，PAPR确实能降很多，但BER损失有时候大到不能接受。它更适合QPSK等低阶调制，或者对误码性能余量比较大的场景。
后来也有不少改进设计，比如分段压扩、指数压扩、根号压扩，本质都是在压扩曲线的陡峭程度和失真之间找折中。如果你决定用压扩，我建议别直接套经典μ律参数，先仿真画出“压扩系数-PAPR-BER”的曲线，选工作点。
3.3 星座扩展：不动判决域就能削峰的思路
星座扩展（Active Constellation Extension，ACE）是很优雅的确定性方法。核心思想：QAM星座外圈的点本来就有一定冗余功率，可以把它们朝远离原点的方向推出去。只要不越过判决边界，理论误码性能几乎不受影响。用这些小范围的星座“外推”去对冲时域上某几个最大的峰值。
实际操作并不简单。要把“哪些子载波的星座点往哪个方向推、推多少”变成一个优化问题，每一轮削峰都需要遍历峰值采样点，找最优的星座扩展量。复杂度比直接削波高不少，但好处是信号根本上是无失真的，接收机不需要精确知道扩展量，只需要在软解调时把扩展区域纳入考虑。
ACE在低阶QAM上效果很有限，因为内圈点没有扩展空间，只有外圈点能动。在64QAM、256QAM这种星座点数量多、外圈点占比高的场景，效果才比较明显。如果你做的是广播信道或者对误码率极为敏感的场景，ACE值得认真评估。
4. 概率性方案：SLM、PTS与迭代搜索的复杂度博弈
4.1 SLM：生成多个候选再挑一个“温顺”的
SLM（Selected Mapping）的思路直白：每个OFDM符号，我生成U个不同相位旋转版本，分别IFFT，选PAPR最小的那个发出去。接收端只要知道用的是哪一组相位序列，乘上共轭就能还原数据。
相位序列的生产可以很简单。用随机数生成U组长度等于有效子载波数的相位序列，每组每个子载波乘上一个 (e^{j\phi})，(\phi) 可以从 {0, π/2, π, 3π/2} 里随机取。也可以用Walsh-Hadamard矩阵生成正交性更好的序列，减少“候选之间过于相似”导致的选择增益下降。
U取多大合适？我一般从8开始试。U=8时，CCDF 0.1%概率点的PAPR通常能降2dB左右；U增加到16，进一步收益可能只有0.5dB；再往上倍增长，收益曲线迅速饱和。SLM最大的短板是计算量：每个符号要做U次IFFT，U=16就相当于模块整体计算量翻了16倍，很多时候这不可接受。
4.2 PTS：子块旋转和迭代下降搜索
PTS（Partial Transmit Sequence）换了一种玩法。频域数据先分成V个子块，每个子块单独IFFT，得到V段时域序列，然后给每段乘上旋转因子 (b_v = e^{j\varphi_v}) 再叠加。目标是找一组最优的 ({\varphi_v})，让叠加后的合成信号PAPR最小。
直接穷举所有旋转因子组合，复杂度是 (4^{V-1}) 量级，V稍微大一点就爆掉。实际工程中用迭代下降搜索：先全部设为1，算出合成信号PAPR；然后轮流固定其他V-1个块不变，只调整当前块的旋转因子，比如四个候选相位都试一遍，留下PAPR最小的一种；一轮扫完V个块，再重复几轮直到不再改善。
这个近似搜索和全局最优会有点差距，但实践下来差距很小，复杂度却从指数级降到 (4V) 次左右的计算量。PTS比SLM更灵活的地方在于，它不是整符号级别的候选，而是子块级别的组合，细调空间更大。代价是整个发送链路要做V次IFFT，和SLM一样吃计算资源。
4.3 边带信息的脆弱性：比EVM更需要注意的风险
SLM和PTS都绕不开边带信息。接收端必须知道用了哪组相位序列或哪组旋转因子，否则数据还原不出来。边带信息一旦错误，整个OFDM符号的数据全错，这个破坏力比削波多损失几个点EVM严重得多。
所以实用化的SLM/PTS方案里，边带信息会用强信道编码保护，或者用独立的参考序列承载。有些廉价实现会把索引信息调制在预设的几个导频子载波上，接收端做相关检测。但相关检测也有风险，信道恶劣时索引误判概率并不为零。如果误码率指标卡得很严，我更愿意把索引做信道编码，多花几个比特的冗余去换鲁棒性，而不是裸发索引。
也因为边带信息这个包袱，很多系统在初期评估时就直接把SLM/PTS划掉了。这时TR和DFT-s-OFDM就成了更稳妥的候选。
5. 工程选型视野：DFT-s-OFDM、TR与ISAC中的新要求
5.1 DFT-s-OFDM：为什么终端上行都爱它
5G NR上行最常用的低PAPR方案不是那些花哨的削峰算法，而是DFT-s-OFDM。它先对M个数据符号做一次M点DFT，再把DFT输出映射到给定子载波上，最后做IFFT。从频域看它是“先扩展再调制”，从时域看它本质上是带有频域均衡机制的单载波波形，包络远没有多载波叠加那么暴力。
实测同配置下，DFT-s-OFDM的CCDF 0.1%概率点通常比OFDM低2~3dB，这个收益是结构性的，不需要任何削波，也不引入失真。代价是什么呢？频域调度灵活性下降了。纯OFDM可以任意分配不连续的资源块，DFT-s-OFDM为了保持DFT结构和低PAPR特性，只能用集中式或交织式映射，调度自由度和MIMO预编码灵活性都要打折。
对终端来说，PA效率直接关系到发热和续航，上行用低PAPR波形带来的收益远大于调度灵活性的损失。所以从LTE到NR，上行链路始终保留DFT-s-OFDM这个选项。做终端物理层的人，如果被PAPR问题困扰，优先想想能不能把波形切到DFT-s-OFDM这条路上，这往往是最省心的一步。
5.2 TR预留子载波：接收端可以不关心的削峰手段
TR（Tone Reservation）是另一种我在工程里很看好的方案。思路是：在频域预留少量子载波不放数据，专门让它们合成抵消信号，去时域里消掉那些大峰值。接收端把这些预留子载波直接扔掉就行，完全不需要知道发送端具体做了什么，天然躲开了边带信息问题。
实现的朴素版本并不复杂。先找到时域波形里最大的几个峰值，每个峰值对应一个削峰核信号——通常是用升余弦窗或者汉明窗做成的窄脉冲，把它移相到峰值位置，乘以适当的幅度和相位，叠加进原始信号。每处理完一个峰，PAPR就降一点，迭代几次就能压到门限以下。预留子载波数量通常占总子载波的3%~5%，削峰能力已经可观。
TR没有带内失真，对EVM几乎没有影响，代价是频域损失了3%~5%的谱效率，以及发送端多出一路信号叠加的计算。在DVB-T2这类广播系统里，TR被用来配合功放效率优化，效果非常实际。
5.3 ISAC与OFDM：感知对波形包络提出的新要求
最近“OFDM ISAC”这个方向热度很高，也就是让同一个OFDM波形同时干通信和感知两件事。感知在这里的主要任务是发大功率无线信号，然后接收目标的回波，测距、测速、成像。这里有个矛盾被很多人忽略了：感知最希望的是把平均功率推到极致来提升回波SNR，而OFDM那高高隆起的峰值要求功放必须大幅回退才能正常工作。回退一多，平均功率就上不去，感知距离直接打折。
这个矛盾让低PAPR波形设计在ISAC里变得比纯通信系统更关键。我看到的不少联合设计里，TR思路被重新捡起来：既然感知本来就需要在某些子载波上发专用的感知波形，这些子载波完全可以兼任“削峰预留资源”，数据子载波负责通信，感知子载波在完成感知任务的同时偷偷把峰值削掉。一石二鸟，既保了感知功率，又稳了通信波形包络。
另外，ISAC需要的宽带信号往往对应更大的IFFT点数，PAPR统计尾巴反而更重，波形设计时不能只看通信侧的EVM，还要看感知链路的峰均比承受能力。这已经超出了单纯“降低PAPR”的范畴，变成波形联合优化的问题。
6. 一套可复现的PAPR仿真流程与我的测试数据
6.1 仿真参数设定与核心代码
我自己常跑的一套对比平台，参数固定在这样：有效子载波数M=256，IFFT点数Nfft=1024（4倍过采样），调制方式16QAM，统计符号数50000个。循环前缀长短对PAPR统计几乎没影响，所以这里不刻意加。
核心脚本用MATLAB写大概长这样：
% papr_ccdf_sim.m M = 256; % 有效子载波数 OSR = 4; % 过采样倍数 Nfft = M * OSR; % IFFT点数 Nsim = 50000; % 统计符号数 papr_dB = zeros(1, Nsim); for n = 1:Nsim data = randi([0 1], M*4, 1); % 16QAM，每个符号4bit syms = qammod(data, 16, 'gray', 'InputType', 'bit'); fx = zeros(Nfft, 1); fx(Nfft/2-M/2+1 : Nfft/2+M/2) = syms; % 数据映射到中间 tx = ifft(fx) * sqrt(Nfft); papr_dB(n) = 10*log10(max(abs(tx).^2) / mean(abs(tx).^2)); end % 绘制CCDF th = 0:0.1:15; ccdf = arrayfun(@(t) mean(papr_dB > t), th); semilogy(th, ccdf); grid on; xlabel('PAPR0 (dB)'); ylabel('P(PAPR > PAPR0)');削波处理的函数写起来也短：
function tx_clipped = clip_signal(tx, papr_target_dB, avg_power) A = sqrt(10^(papr_target_dB/10) * avg_power); tx_clipped = tx; idx = abs(tx) > A; tx_clipped(idx) = A * exp(1i*angle(tx(idx))); endSLM的仿真也不复杂，关键是生成U组相位序列后做U次IFFT，并记录最小PAPR对应的索引，发送端多两行代码，接收端多一步解相位。整套脚本跑下来，50000个符号在普通PC上大概几十秒到几分钟，足够支撑方案选型。
6.2 我的实测CCDF数据
以下数据是在上面这套配置下，跑50000个16QAM符号统计出来的，0.1%概率点上的PAPR数值，供参考：
| 方案 | CCDF@1e-3 (dB) | 是否有失真 | 额外复杂度 | 接收端要求 |
|---|---|---|---|---|
| 原始OFDM | 11.2 | 无 | 无 | 无 |
| 削波(7dB)+3次迭代滤波 | 8.6 | 有(EVM约3%~5%) | 低 | 无 |
| SLM, U=8 | 9.1 | 无 | 8次IFFT | 边带信息 |
| PTS, V=4, 迭代下降 | 8.9 | 无 | 4次IFFT+搜索 | 边带信息 |
| DFT-s-OFDM | 7.8 | 无 | 增加M点DFT | 无 |
注意这个表是我的个人测试数据，具体数值跟过采样倍数、有效子载波位置、调制方式都有关，不要把某个数字当成普适结论。比如DFT-s-OFDM在不同子载波分配方式下，CCDF的0.1%点能在7dB到8.5dB之间浮动。但它比OFDM低2~3dB这个结论是结构性的，很稳。
6.3 选型心得和一次ACLR超标的教训
如果给一个选型口诀，我通常会这么说：终端上行优先想DFT-s-OFDM，这是零成本结构性收益；广播/控制信道对误码率敏感，TR或者削波+滤波优先，因为不要边带信息；数据信道有足够计算余量，再考虑SLM或PTS，但边带信息一定做好保护；ISAC或者雷达感知类波形，把TR和感知子载波结合是更值得投入的方向。
最后分享一个具体教训。以前做一套广播发射链路，削波加滤波方案仿真阶段一切正常，CCDF、EVM都达标，定稿时用的三次迭代。结果整机联调时ACLR总是超了2dB左右，怎么调功放都压不下去。后来一步步排查，发现是发射链路最后一级滤波器的群时延波动，把削波处理掉的峰值又重新“拱”了回来。解决方法是把滤波器带宽稍微放宽，同时增加一次削波滤波迭代，最终ACLR压下来了，代价是EVM多损失了大约0.5%。
从那以后我养成了两个习惯：一是基带仿真必须把发射端的滤波器响应和群时延波动建模进去，只看理想低通滤波不保险；二是任何PAPR方案在定稿前，至少要在CCDF、EVM、ACLR三张曲线上同时看结果，缺哪一项都可能让后续整机联调吃苦头。
PAPR问题说到底不是“能不能降”的问题，而是“用什么代价降”的问题。每个方案都有自己的甜点位，希望这些实践记录能帮你少走一点弯路。
