随着社会的快速发展,我国移动通信技术取得质的飞跃。5G,即第五代移动通信技术应运而生,成为新一代移动通信系统。正交频分复用技术(OFDM)因其具有频谱利用率高、抗多径衰落及抗符号间干扰能力强等特点,在5G中扮演重要角色。但OFDM系统采用并行传输技术,利用多载波进行调制,会导致系统的峰均功率比(PAPR)较高,使信号畸变失真严重影响通信质量。因此,如何简单有效地降低PAPR值是OFDM技术的关键问题之一。本文针对这一课题,开展基于深度学习降低OFDM系统PAPR值的技术研究,具体的工作如下:(1)介绍了OFDM技术原理、PAPR的定义及分布,分析了降低OFDM系统PAPR值的三种传统技术。三种传统技术各有其优缺点,但仍没有一种各方面性能都优异的算法,因此考虑结合深度学习来降低OFDM系统PAPR值。(2)对基于深度学习降低OFDM系统PAPR值的TFNN方案和PRNet方案进行介绍,并对其仿真结果进行分析。TFNN方案是对ACE方案的改进,它使用深度学习训练获取ACE信号,可以减少IFFT运算次数,简化操作,降低运算复杂度。PRNet方案可视为对编码类技术的改进,其原理是通过对降噪自动编码器进行训练,找到OFDM信号PAPR值最低的映射,并保证信号能在接收端解映射重构出原始信号。(3)由于PRNet方案在性能上显著优于TFNN方案,因此本文对PRNet方案进行改进创新提出PRNet-RP方案。PRNet-RP方案主要对以下三个部分进行改进创新:首先对输入数据集进行预处理,使自编码器的输入符合深度学习模型的输入数据格式要求,并保留原始数据集的虚部信息。然后对损失函数做出改进,进一步明确优化目标,更有效地降低OFDM系统PAPR值,减少迭代次数。最后对PRNet方案的模型结构做出改进,将编码器和解码器最后一个子块的激活函数改为Tanh激活函数,可以避免编码后的OFDM信号去直流之后PAPR性能恶化并保证自编码器能够重构出输入序列。以上改进和优化使PRNet-RP方案能更好地应用于实际生产中。