基于序贯蒙特卡罗算法的多天线快时变信道的盲跟踪

《基于序贯蒙特卡罗算法的多天线快时变信道的盲跟踪》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第2期江铭炎等：基于序贯蒙特卡罗算法的多天线快时变信道的盲跟踪·43·基于序贯蒙特卡罗算法的多天线快时变信道的盲跟踪江铭炎，袁东风(山东大学信息科学与工程学院,山东济南250100)摘要：针对通信系统时变信道采用蒙特卡罗算法进行盲信道跟踪，并将该盲跟踪算法用于多天线信道及空时分组编码的情况，在相同的系统条件下与卡尔曼滤波跟踪算法进行了性能比较，并讨论了系统存在载波频偏情况下的跟踪性能。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：时变信道跟踪；蒙特卡罗算法；空时分组码；多输入多输出中图分类号：TN92文献标识码：A文章编号：1000-436X(2007)02-00

2、40-05BlindtrackingbasedonMonteCarloalgorithmoverMIMOfasttime-varyingchannelsJIANGMing-yan,YUANDong-feng(SchoolofInformationScienceandEngineering,ShandongUniversity,Jinan250100,China)Abstract:TheMonteCarloalgorithmwasappliedfortime-varyingchanneltrackingincommunicationsystemandinmulti-antennachan

3、nelswithspacetimeblockcoding(STBC).ThealgorithmwascomparedwithKalmanfilteringmethodunderthesamecondition,thetrackingperformancewasdiscussedwhenthesystemhadcarrierfrequencyoffset.Simulationresultsshowthattheproposedmethodhasgoodperformanceintrackingthetime-varyingchannel.Keywords:time-varyingchan

4、neltracking;MonteCarloalgorithm;spacetimeblockcoding;MIMO第2期江铭炎等：基于序贯蒙特卡罗算法的多天线快时变信道的盲跟踪·43·1引言收稿日期：2005-03-15；修回日期：2007-01-05基金项目：国家自然科学基金资助项目(60672037)；山东省自然科学基金项目(Y2006G06)FoundationItems:TheNationalNaturalScienceFoundationofChina(60672037)；TheNaturalScienceFoundationofShandongProvince(Y2006G

5、06)在通信系统进行信道实时估计的应用中，系统的非线性及非高斯噪声成为困扰得到准确估计的重要因素，对于非线性通信系统可采用推广卡尔曼滤波算法，但推广卡尔曼滤波算法只适用于滤波误差和预测误差很小的情况。采用重要度采样蒙特卡罗算法-粒子滤波器算法(PF，particlefiltering)实现递推贝叶斯滤波，适用于任何能用状态空间模型及传统的卡尔曼滤波表示的非线性系统，跟踪估计精度可逼近最优估计[1]。序贯蒙特卡罗算法利用一些随机样本(粒子)和权值来表示系统随机变量的未知分布，主要原理是采用随机变量的迭代运算完成未知分布的逼近，并能应用于非线性随机系统。由于计算机运算速度的不断提高，基于计

6、算的蒙特卡罗算法开始受到极大关注并成为研究热点，近年来，在目标跟踪、导航、数字通信信道盲解卷积、瑞利信道下的联合信道估计和检测[2]、未知模型中信号的序列估计[3]及通信领域中得到了成功应用[1]。本文应用蒙特卡罗算法进行盲时变信道跟踪，并应用于多天线分组编码系统，研究了在系统具有载波频偏时的系统性能，与采用卡尔曼滤波跟踪方法进行跟踪的性能进行了比较。第2期江铭炎等：基于序贯蒙特卡罗算法的多天线快时变信道的盲跟踪·43·2序贯蒙特卡罗算法考虑如下非线性，非高斯随机状态空间模型(1)(2)其中，为系统在k时刻的状态，为系统状态的观测结果，k∈自然数集N，，分别为独立同分布的过程噪声和观测

7、噪声，,为有界的非线性映射。假设初始概率密度函数(pdf)为，按贝叶斯统计学,跟踪问题可通过获得的观测数据序列以递推的方式估计出系统状态的后验概率密度函数，可通过递推预测和更新2个阶段完成。假设k−1时刻的概率密度函数已知,由式(1)采用Chapman-Kolmogorov公式得(3)式(3)中应用到，即当式(1)所述的状态方程为一阶马尔可夫过程时，由式(1)及噪声的统计值可确定状态演化的概率密度为。在时刻k获得观测值后，利用贝叶斯规则更新先验