基于序贯蒙特卡罗算法的mimo信道跟踪

基于序贯蒙特卡罗算法的mimo信道跟踪

ID:4245953

大小:387.58 KB

页数:5页

时间:2017-11-30

基于序贯蒙特卡罗算法的mimo信道跟踪_第1页
基于序贯蒙特卡罗算法的mimo信道跟踪_第2页
基于序贯蒙特卡罗算法的mimo信道跟踪_第3页
基于序贯蒙特卡罗算法的mimo信道跟踪_第4页
基于序贯蒙特卡罗算法的mimo信道跟踪_第5页
资源描述:

《基于序贯蒙特卡罗算法的mimo信道跟踪》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、http://www.paper.edu.cn基于序贯蒙特卡罗算法的MIMO信道跟踪阙大顺,刘宇武汉理工大学信息工程学院,武汉(430063)E-mail:y_l912@hotmail.com摘要:针对无线通信信道具有时间选择性与频率选择性两个特征,目前流行的空时处理技术的关键假设在于接收机已知MIMO信道状态信息,而MIMO信道是时变的,所以如何跟踪MIMO信道就变得十分重要。本文主要研究了多输入多输出(MIMO)时变频率选择性衰落信道的跟踪问题。将信道冲击响应近似看作一个低阶的自回归矢量过程,

2、利用序贯蒙特卡罗滤波对MIMO系统中的信道进行了跟踪,在相同的系统条件下与卡尔曼滤波算法作了比较。仿真结果表明,序贯蒙特卡罗算法可以对时变信道进行很好的跟踪。关键词:MIMO系统;序贯蒙特卡罗算法;卡尔曼滤波1.引言信息论的研究已表明,多输入多输出(MIMO)通信系统与单天线通信系统相比,具有成倍线性增长的信道容量和频谱利用率,因此它是新一代移动通信技术的主要发展方向之一,但其中也有大量的空时信号处理问题需要解决,特别是当MIMO信道是时间—频率双选择性衰落时,其空时信号处理问题更复杂。为获得较好

3、的性能增益,一般都要求接收端有效地完成信道估计与跟踪。大多数通信系统都假定,先利用训练序列来“探测”信道,以此获得信道状态信息。然而,为了获得可信的信道估计,信道带宽的相当一部分被训练序列所占用。目前,信号处理与通信领域遵循三种简单的假定:所考虑的系统是线性的,信号与噪声序列是平稳、高斯分布。虽然这些假定在某些领域是正确的,且极大地减少了所需算法的计算复杂性,但是在许多应用领域,已发现这些假定是不合适的。特别是高斯分布太保守,以至于不能更好地描述信号与噪声的冲击性与非对称性。众所周知,在无线通信系

4、统中,接收信号经常被非髙斯噪声所污染。对于时变信道的跟踪,在线性高斯系统中,没有一种算法能优于卡尔曼滤波。然而,[1]在涉及到非线性状态转移与非高斯噪声的信道跟踪问题上,序贯蒙特卡罗滤波甚至比扩展卡尔曼滤波(EKF)更优越。本文将利用序贯蒙特卡罗滤波来研究非髙斯噪声下MIMO无线衰落信道的跟踪问题。2.MIMO系统模型图1MIMO系统模型-1-http://www.paper.edu.cn一个典型的MIMO系统模型如图1所示。我们可用式(1)来描述这个模型Ntrhtj,,=+∑ijtisntj,j

5、=1,2,L,Nr(1)i=1其中Nt表示发射天线数目,Nr表示接收天线数目,rt,j表示在t时刻第j个接收天线收到的数据,st,i表示在t时刻第i个发射天线发送的数据,hij表示在t时刻从第i个发射天线到第j个接收天线的无线信道的状态信息,nt,j表示在t时刻在第j个接收天线测量的噪声。c(t)v(t)Sb(t)y(t)ynnG(t)++Sampling图2频率平坦衰落信道连续时间模型[2]考虑独立同分布的数据符号Sn通过频率平坦的衰落信道的情况。其系统框图如图2所示,其中发射的符号序列可表示为

6、bt()=−∑nSnsδ(tnT),且Ts是符号周期。数据流经一脉冲成形滤波器G(t)带限后发射。衰落信道的时变复系数是一复的高斯随机过程,用c(t)表示,其幅度

7、c(t)

8、服从瑞利分布。信道由衰落过程c(t)和加性噪声v(t)组成。通常,c(t)可以被看作为由噪声激励的非线性马尔可夫过程,其中噪声分布可以是高斯的也可以是非高斯的。在接收机端,假设载波完全同步,接收信号被以与符号速率相同的采样频率1/Ts采样。上述通信系统的基带表示可以被看作一动态状态空间(DSS)模型。接收信号为:TyScv=+

9、(2)nnnnT其中:SSnn=[000L]且vn是复高斯白噪声,其实部和虚部都是零均值,方差2为δ/2的独立同分布的过程。通常,信道可以用一非线性马尔可夫过程描述为:vcf=+()cv(3)nnn−1TTTT其中:cc=⎡⎤ccL且矢量vv=h,h=[10L0]。在这里,可以把信道nn⎣⎦nn−−1pnn看作是一个p阶的线性自回归(AR)过程:cT=+cv(4)nnn−1这里的隐含变量是:xn={cn,Sn},在上述动态状态空间模型已知的情况下,感兴趣的是检测被传输的数据并跟踪信道变化,即就是已

10、知观测值y0:n估计{cn,Sn}。从贝叶斯检测的角度看,在已知观测值y0:n的条件下,xn的所有信息都可以由边缘后验概率分布p(xn

11、yn)得到。对这一概率密度函数的解析计算涉及到高维的积分运算,因而在实际中是不可行的。因此人们提出用序列蒙特卡罗方法来估计这一分布。3.MIMO信道模型文献中对于时变无线通信信道的建模,已有许多种方法,例如Jakes模型与AR模型。[3]Jakes模型:根据Jakes关于WSSUS的假定,所有信道抽头都是独立的,因此,所有-2-http://www

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。