CN100553166C - 基于粒子滤波的信道估计方法 - Google Patents

Abstract

一种基于粒子滤波的信道估计方法，用于无线传输技术领域。本发明根据已知导频信息对信道进行最小平方估计，得到导频处信道估计的初始值，再设置粒子范围和粒子数目，给出每个粒子的初始权重；根据接收天线接收来的信号利用似然函数分别计算出每个粒子的权重的似然函数值，并对每个粒子的似然函数值进行归一化，得到每个粒子的归一化的权重值；利用贝叶斯原理，求出当前信道值的概率分布函数值；根据判断条件对粒子进行重采样；传递当前的粒子到下一个导频处；最终得到发送所有导频处的信道估计值，再进行内插算法，得到所有发送数据符号的信道估计值，从而完成信道信息的估计。本发明性能稳健、鲁棒性强、抗噪声的能力强的特点，而且易于实现。

Description

基于粒子滤波的信道估计方法

技术领域

本发明涉及一种无线通信的信道估计方法，具体是一种基于粒子滤波的信道估计方法，用于无线传输技术领域。

背景技术

无线通信中信号在传播过程受到信道衰减、多径时延扩展和多普勒频率扩展等因素的影响，在接收端为了能较好地恢复出发送信号通常采用相干解调的方法，而相干解调需要信道信息，它可通过信道估计来获得，信道估计器的性能直接影响系统性能，是接收机的关键技术之一，对宽带移动通信系统性能的好坏起着至关重要的作用。但由于无线信道是频域和时域上的时变信道且是非线性的，数学建模和定量分析都比较困难，往往采用线性的信号处理方法来对非线性的时变无线信道进行近似的估计。但在许多要求对动态系统进行实时估计的问题中，系统的非线性往往成为困扰着最优估计的重要因素。由于实时处理和计算存储量的要求，通常选用递推滤波算法来求解此类问题，包括扩展卡尔曼滤波(EKF)、修正增益的扩展卡尔曼滤波(MGEKF)等。它们基本思想是通过采用参数化的解析形式对系统的非线性进行近似，以寻求满意的估计精度。但扩展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，否则，滤波初期估计协方差下降太快会导致滤波不稳定甚至发散。修正增益的扩展卡尔曼滤波算法虽然通过改善增益矩阵，相应改善了状态协方差的估计性能，但该方法对测量误差有一定限制。若测量误差较大，则算法在收敛精度、收敛时间及稳定性等方面表现得很不理想。为解决上述问题，随着计算存储成本的下降，一种崭新的基于贝叶斯原理的序贯蒙特卡罗粒子滤波器(PF)逐渐受到重视。

经对现有技术的文献检索发现，K.Huber等在2003年的IEEE国际通信大会(IEEE International Conference on Communications)上发表文章“粒子滤波在MIMO无线通信中的应用(Application of Particle Filters to MIMOWireless Communications)”，该文提出一种适应于MIMO系统的基于粒子滤波的信道估计方法，该方法在假设信道是AR模型的前提上使用导频信息进行初始信道信息的估计，再利用信道的AR模型，得到信道的各个粒子，从而进行粒子滤波得到信道估计值，但该方法有个明显的缺点就是假设信道统计信息是已知的，这往往不符合信道的实际情况，因此这种方法有很大的局限性。另外，该方法未提出一种很好的重采样算法。检索中还发现，W.H Chin等在2002年的IEEE国际数字信号处理大会(IEEE International Conference on Digital SignalProcessing)上发表文章“空时块编码系统中使用粒子滤波的信道估计(Channeltracking for space-time block coded systems using particle filtering)”中提出了一种适用于MISO系统得基于粒子滤波的信道估计方法，其核心仍旧是建立在已知信道是AR模型的，仍旧没有提出很好的重采样算法。因此，上述两篇文章提出的算法不大适用于信道未知的实际情况，工程实际意义不是很突出。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于粒子滤波的信道估计方法，使其在不知道信道统计信息的环境下保持估计性能稳健、鲁棒性强、抗噪声的能力强的特点，而且易于实现。

本发明是通过以下技术方案实现的，本发明根据已知导频信息对信道进行最小平方估计，得到导频处信道估计的初始值，再设置粒子范围和粒子数目，给出每个粒子的初始权重；根据接收天线接收来的信号利用似然函数分别计算出每个粒子的权重的似然函数值，并对每个粒子的似然函数值进行归一化，得到每个粒子的归一化的权重值；利用贝叶斯原理，求出当前信道值的概率分布函数值；根据判断条件对粒子进行重采样；传递当前的粒子到下一个导频处；最终得到发送所有导频处的信道估计值，再进行内插算法，得到所有发送数据符号的信道估计值，从而完成信道信息的估计。本发明性能稳健、鲁棒性强、抗噪声的能力强的特点，而且易于实现。

以下对本发明方法作进一步的说明，包括如下步骤：

1.首先，根据采用的通信系统是单天线系统还是多天线系统，设置相应的导频信息；

考虑所采用的通信系统是单天线系统还是多天线系统，如果是单天线系统，对导频的设置没有任何特殊要求，如果是多天线系统，则在发送端发送的不同天线及不同时刻构成的导频矩阵必须满秩，因此这些导频可以是互相正交也可以不正交，这样在接收天线端可以很容易地对不同发送天线的导频符号进行解耦和分离。本发明采用的是一维空间的粒子滤波器，所采用的信号处理方法都是建立在一维空间的贝叶斯原理和一维空间的序贯蒙特卡罗法的基础上的，因此，本发明针对信道信息是包含幅度和相位的复数信息，把复数的实部和虚部分离开来，分别对实部和虚部进行各自的基于粒子滤波法的跟踪与估计，整个过程结束前，再把信道实部和虚部信息合并成完整的信道信息。采用一维空间的信道实部和虚部分别处理的方法，避免了原理极其复杂且运算量极大的贝叶斯原理下联合概率密度问题的求解问题，从而大大减小了分析复杂度和运算量。

2.利用导频符号，求出基于最小平方准则(LS)下的初始的信道估计值，再把LS估计得到的复数形式的信道信息分解成实部形式和虚部形式的信道信息。

这个过程对单天线系统很简单，就是在频域求出各导频符号对应的初始信道估计值；对多天线系统也比较简单，就是在第1步天线解耦的前提下求出各导频符号对应的初始信道值。这个初始信道值可以通过逆傅立叶变换(IFFT)得到时域的信道信息，在时域采用最小均方误差算法(LMS)或递归最小二乘算法(RLS)得到时域信道估计值，这个时域信道估计值再通过傅立叶变换(FFT)而得到频域的信道值，这个信道信息的精度高于LS算法得到的初始的信道值。为减小计算复杂度，本发明的实施实例中采用LS方法而不采用较为复杂的LMS或RLS方法。

3.利用得到的实部和虚部形式的初始的信道估计值，进行粒子滤波的序贯重要采样法的初始化设置，初始化设置包括抽取随机样本，即设置粒子的数目、粒子范围、各个粒子所对应的权重；

初始化设置就是抽取一系列样本(粒子)，包括设置粒子的数目M、粒子范围、各个粒子所对应的权重1/M。每一个需要信道估计的时频块都需要M个权重为1/M的粒子进行采样。本发明重要采样法的信道粒子的初始值的设置不同于已知信道为AR模型的设置方法，在已知信道为AR模型的设置方法中，后面时刻信道粒子初始值是前面时刻信道粒子初始值的服从AR模型的转换值。因此本发明的信道粒子值的初始值是建立在LS算法的基础上的，它不需要任何已知信道统计信息。序贯重要采样法的核心思想是根据贝叶斯原理对一系列随机样本(粒子)所表示的先验概率和信道的当前量测值进行加权运算，得到先验概率下的信道估计值。这里信道的当前量测值就是第2步估计处理的初始信道估计值，得到的后验概率下的信道估计值就是本发明所要求的准确的信道估计值。随机样本(粒子)的个数越多，蒙特卡罗的特性和后验概率密度的函数表示就越接近，序贯重要采样法的性能就越接近于最优贝叶斯估计。但是粒子数目太多会导致计算复杂度增加，而且粒子数目增加到一定的程度就逼近于最优值，合理的粒子数目一般通过比较计算机仿真结果和计算复杂度的情况下得到。

4.根据噪声方差得到以信道粒子值为条件的接收信号的条件概率密度，即先验概率；

根据噪声估计得到噪声的估计方差，在 $\sqrt{\frac{W_T}{N_T}}T[n,k]H[n,k]=Y[n,k]+\mathrm{\η}[n,k]$ 中，T[n，k]表示n时刻k子载波的发送信号，H[n，k]表示信道，Y[n，k]表示接收信号，η[n，k]表示噪声，W_T表示第N_T根发送天线上的发送功率，则运用LS估计方法得到式子 $H[n,k]=\sqrt{\frac{N_T}{P_T}}{T}^{-1}[n,k]X[n,k],$ 则得到信噪比SNR满足 $\mathrm{SNR}=\frac{W_T}{{\mathrm{\σ}}_{\mathrm{\η}}^2[n,k]},$ 因此可以推导出噪声方差 ${\mathrm{\σ}}_{\mathrm{\η}}^2[n,k]=\frac{W_T}{\mathrm{SNR}}.$

5.用上一步先验概率和当前的接收信号来更新每个粒子的权值，即运用贝叶斯公式得到以当前接收信号为条件的信道粒子值的后验概率密度，然后再对所有粒子的权值进行归一化，得到各个粒子的新的权重值；

本发明对插入导频的时频点进行信道估计，假设经过OFDM解调之后t时刻导频子载波上的已有的数据序列为y_0：t＝[y₀，…，y_t]^T；根据噪声估计得到噪声的估计方差，用这个方差根据式 $Y[n,k]=\sqrt{\frac{W_T}{N_T}}T[n,k]H[n,k]+\mathrm{\η}[n,k]$ 得到先验概率密度p(y_t|h_t ⁱ)，i＝1，2，…，M，M表示粒子总数，即以信道粒子值为条件的接收信号的条件概率密度；对于后验概率密度函数p(h_t|y_0：t)的贝叶斯估计可以表示为 $p\left(h_t\right|y_{0:t})=\frac{p\left(y_t\right|h_t)p\left(h_t\right|y_{0:t-1})}{p\left(y_t\right|y_{0:t-1})};$ 为了能够递归的计算p(h_t|y_0：t)的贝叶斯估计，本发明利用序贯重要采样，使用粒子和它们相对应的权重值表示要求的后验概率密度函数是其中重要的思想，即 $p\left(h_t\right|y_t)\≅\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_t^i\mathrm{\δ}(h_t-h_t^i),$ 具体的表达式为 $w_t^i=w_{t-1}^i\frac{p\left(y_t\right|h_t)p\left(h_t\right|h_{t-1})}{\mathrm{\π}\left(h_t\right|h_{t-1},y_t)},$ π(h_t|h_t-1，y_t)表示了当前系统的先验知识，如果π(h_t|h_t-1，y_t)越接近真实的后验概率函数，粒子滤波器的性能就越好；使用先验重要函数的表式形式可以把 $w_t^i=w_{t-1}^i\frac{p\left(y_t\right|h_t)p\left(h_t\right|h_{t-1})}{\mathrm{\π}\left(h_t\right|h_{t-1},y_t)}$ 的问题化简为 $w_t^i=w_{t-1}^{i}p\left(y_t\right|h_t),$ 再用接收信号和信道信息粒子构成的先验概率和当前的接收信号来更新每个粒子的权值；然后，再对所有粒子的权值进行归一化，如 $w_t^i=\frac{w_t^i}{{\mathrm{\Σ}}_i{w}_t^i},$ 这样就得到各个粒子的新的权重值。噪声方差在信道跟踪的初始阶段设置为比理论值大的值，在初步跟踪到信道之后，设置为便于精确的跟踪的值。而且，在慢时变信道中噪声方差设置为比理论值大的值，在快时变信道中，设置为比理论值小的值。由于本发明中信道粒子值的初始值设置是根据LS算法得到的信道粗略估计值进行取样得到的，因此本发明可以按顺序地得到观测值，进行在线推理，因而当接收数据到达时，就需要更新后验分布，本发明采用按顺序的方法，不需要存储所有数据，从而简化了计算。

6.根据滤波器退化检测公式，性能低于门限值时，进行重采样算法；

利用粒子滤波器退化检测公式 $N_{\mathrm{eff}}=\frac{M}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\hat{w}}_n^{\left(i\right)}\right)}^2\right)}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\stackrel{\‾}{w}}_n^{\left(i\right)}\right)}^2\right)}$ 进行检测，M为重采样前的初始粒子个数，如果滤波器性能下降低于门限值，即当N_eff＜N_th(N_th≤M)，进行重采样算法。重采样不仅计算量很大，而且如果使用不当会导致系统性能大大降低，因此没有必要在每一步都进行重采样，当滤波器性能下降至低于一个门限值时，即N_eff＜N_th时，再进行重采样。重采样门限值N_eff满足 $N_{\mathrm{eff}}=\frac{M}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\hat{w}}_n^{\left(i\right)}\right)}^2\right)}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\stackrel{\‾}{w}}_n^{\left(i\right)}\right)}^2\right)},$ 其中 ${\hat{w}}_n^{\left(i\right)}=M{\stackrel{\‾}{w}}_n^{\left(i\right)}.$ 选取权重值大的粒子进行重采样。这里使用的重采样过程是不同于以往文献中基于信道模型的(例如AR模型)，而是基于接收信号的后验分布，然后引入一定的扩展性，对于变化的信道有不错的跟踪性能。具体的步骤如下：在第5步中得到了所有粒子的值和更新权值之后，把这些离散的粒子看作是信道的离散概率密度分布，利用离散的积分方法，把这概率密度转换成概率分布。然后对概率分布的概率轴进行M等分，对重新分割的分布轴上进行分配粒子，并且在分配粒子的时候引入向外延拓的粒子，即在重采样算法采样好的基础上再适当地人为扩大粒子的取值范围，以便适应信道的变化。

7.进行加权运算，即对所有信道粒子值和它们的概率密度来求出数学期望值，得到当前时刻的准确的信道估计值，这些信道估计值为实部和虚部的形式；

由于本发明把信道的实部和虚部分开进行处理，因此当粒子滤波器得到信道粒子的权重后，利用初信道粒子的初始值进行加权运算，分别得到实部和虚部的信道估计值，即对所有信道粒子值和它们的概率密度(权重)来求出数学期望值，得到当前时刻实部和虚部的信道估计值，再合并实部和虚部得到最终复数形式的信道估计值，如式 $\hat{H}[n,k]=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{wr}}_t^i{\tilde{H}}_t^i[n,k]+j\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{wi}}_t^i{\tilde{H}}_t^i[n,k],$ wr_t ⁱ和wi_t ⁱ分别表示信道实部和虚部在t时刻的粒子值，i表示M个粒子中的第i个粒子。在权重更新过程中，如果粒子滤波器出现退化现象，则运用重采样后的信道粒子值和权重进行加权运算，即求出信道粒子值的数学期望值，再进行实部和虚部合并而得到复数形式的信道估计值。

8.返回到第5步，进行下一时刻的迭代运算。

由于粒子滤波是一种时间上递归的信号处理方法，所以所有时刻的导频符号对应的准确的信道估计值应通过不断的迭代运算得到，因此返回第5步是为下一次信道估计做准备。

9.根据以上步骤求出的各个时刻的导频符号的准确信道估计值，合并实部和虚部的形式的信道估计值，使信道估计值为能体现幅度和相位信息的复数形式；最后，利用插值的方法得到数据符号的信道信息值，从而为下一环节的数据检测或译码提供较为准确的信道信息。

本发明克服了现有技术中的不足，使其在不知道信道统计信息的环境下具有估计性能稳健、鲁棒性强、抗噪声的能力强的特点，且易于实现。相比于K.Huber及W.H Chin等人提出的几种基于粒子滤波的信道估计方法，本发明更加符合实际信道未知的特点，无需已知任何信道统计信息，且提出了更好的重采样算法。相比于求解此类问题的递推滤波算法(EKF、MGEKF等)，本发明具有估计精度高、收敛时间短且性能稳定的特点。另外，本发明通过天线解耦、导频信息的实部和虚部分解，把二维甚至多维空间中基于贝叶斯原理的条件概率求解问题化简为一维空间中条件概率的求解问题，且运用基于概率分布函数值的重采样算法大大简化了粒子滤波算法的计算复杂度。而且本发明采用灵活的噪声估计算法，从具有抗噪声能力强的特点。因此，随着计算存储成本的下降，基于粒子滤波的信道估计算法越来越受到重视，本发明提出的基于粒子滤波的信道估计算法可以通过硬件来实现，具有一定的工程应用价值。

附图说明

图1是信道估计方法示意图

图2是序贯重要采样法流程图

图3是序贯重要采样法原理图

图4是基于概率分布的重采样算法原理图

图5是MSE仿真性能图

图6是BER仿真性能图

具体实施方式

如图1所示，结合实例对本发明的技术方案作进一步描述：

以一个2发2收的MIMO-OFDM系统为例，信道带宽为6.4MHz，子载波数为32。信道为多径瑞利衰落信道，信道多径数目为2，时延为[0ns，260ns]，功率延迟分布服从指数衰减。数据传输时，发送天线每隔6个OFDM符号插入连续两个符号的导频序列，不同天线上的导频序列互相正交。由于在每一个发射和每一个接收天线之间存在一条信道，所以每个信道估计结果实际包含对4个信道的估计。

本发明进行信道估计的步骤如下：

1.首先在导频上安排时间上连续排列的块状导频，这种分配导频的方法应用于2发2收的每个发送天线上。如图1所示，假设有天线1和天线2，这种导频分配具体如下：在时刻1，天线1上面分配全为1的导频数据，天线2上也是分配同样为1的块导频；在时刻2，天线1上面仍旧分配全为1的导频数据，天线2上则分配全为-1的导频数据。导频分配之后加入数据段的数据，相隔6个时刻之后再加入如上的导频，分配方法也是一样的。这么做的目的在于使接收端可以利用连续导频的数据和信道慢衰落的特点，进行天线相关的数据分离，从而简化了粒子滤波器的计算复杂度。上面不同天线导频的分配方式是互相正交的，也可采样不是正交的形式，例如在时刻1，天线1上面分配全为1的导频数据，天线2上也是分配同样为2的块导频；在时刻2，天线1上面仍旧分配全为1的导频数据，天线2上则分配全为1的导频数据，这样也可以满足本方明的要求。因此，本发明的对多天线系统导频符号的要求是在由N_T个发送天线、N_T个连续时刻上构成的导频矩阵是满秩矩阵。

2.在接收端，在接收导频的时候，每个接收天线利用连续的两个导频时刻的导频数据，进行简单的加减运算便可以得到发送天线1和发送天线2的信道分离的数据。具体操作可以如下：接收天线1上导频时刻1的数据加上接收天线1上导频时刻2的数据可以得到2倍的经过发送天线1到接收天线1信道H₁₁的发送数据。接收天线1上导频时刻1的数据减去接收天线1上导频时刻2的数据可以得到2倍的经过发送天线2到接收天线1信道H₂₁的发送数据。接收天线2上导频时刻1的数据加上接收天线2上导频时刻2的数据可以得到2倍的经过发送天线2到接收天线2信道H₂₂的发送数据。接收天线2上导频时刻1的数据减去接收天线2上导频时刻2的数据可以得到2倍的经过发送天线1到接收天线2信道H₁₂的发送数据。

3.根据四个导频信道相关数据的分离结果，可以对于每个信道(H₁₁，H₂₁，H₁₂，H₂₂)进行粒子滤波信道估计。这种估计是在所有子载波上进行的，在对每个子载波的每个信道估计的时候，由于信道信息是复数形式的，如果直接进行粒子滤波器的应用将会涉及到二维的粒子滤波过程，这和二维随机变量的联合估计相关，复杂度较高。但是由于导频数据的设计是实数，所以在接收端只要将第2步得到的数据进行进一步的实虚部分离，实虚部分离之后得到的两部分信息分别是导频信号经过一个信道的实部参数构成的虚拟信道和虚部参数构成虚拟信道的接收结果。对于这样一个结果，如果知道导频的数据和接收噪声，那么就可以估计出这两种虚拟接收信号的概率分布情况。

4.通过前三步，本发明可以得到2发2收系统每2个连续导频块的每个子载波的4个信道的8个虚拟接收信号。对于每个虚拟接收信号进行粒子滤波。首先利用LS算法对这些信道有个粗略的估计，以这个粗略的估计为基础，初始化粒子滤波器的初始粒子。确定粒子滤波器的粒子范围和粒子个数，然后把每个粒子的权值设为1/M(其中M是粒子总数)，本例中粒子数目可以设置为50，粒子的步长可设置为0.05，正负两个方向取粒子值，则可以得到50个信道粒子值；若取100个粒子值，则粒子的步长可设置为0.025，正负两个方向取粒子值，则可以得到100个信道粒子值。注意，粒子数目的增加会导致估计精度增加，同时也导致计算复杂度增加，但是当粒子数目增加一定的程度，估计精度很难提高，因此必须在估计精度和计算复杂度之间取平衡值，本例中，根据计算机仿真结果，粒子值为100时即可以达到很好的性能。

5.根据噪声估计得到噪声的估计方差，在 $\sqrt{\frac{W_T}{N_T}}T[n,k]H[n,k]=Y[n,k]+\mathrm{\η}[n,k]$ 中，T[n，k]表示n时刻k子载波的发送信号，H[n，k]表示信道，Y[n，k]表示接收信号，η[n，k]表示噪声，W_T表示第N_T根发送天线上的发送功率，则运用LS估计方法得到式子 $H[n,k]=\sqrt{\frac{N_T}{P_T}}{T}^{-1}[n,k]Y[n,k],$ 则得到信噪比SNR满足 $\mathrm{SNR}=\frac{W_T}{{\mathrm{\σ}}_{\mathrm{\η}}^2[n,k]},$ 因此可以推导出噪声方差 ${\mathrm{\σ}}_{\mathrm{\η}}^2[n,k]=\frac{W_T}{\mathrm{SNR}}.$ 考虑到粒子滤波器的序贯统计特性，粒子滤波器本身就有较强的抗噪声能力，因此在实际的应用中，对噪声的估计并不用非常精确，可以根据不同的情况设置相应的噪声方差。在 ${\mathrm{\σ}}_{\mathrm{\η}}^2[n,k]=\frac{W_T}{\mathrm{SNR}}$ 中，SNR＝10时，发送天线上的发送功率为W_T时，噪声方差为0.1，在信道跟踪的初始阶段，可以根据噪声方差的理论值如0.1，把噪声方差设置较大的值如0.3，以便于系统的跟踪。在初步跟踪到信道之后，可以把这个噪声方差设置为适当的值如0.1，以便精确的跟踪。一般在慢时变信道中，噪声方差值可以设置得大一些，本发明的估计算法仍然能够快速跟踪和收敛；在快时变信道中，噪声方差应该设置的小一点，以更好地跟踪信道的变化。噪声方差的灵活设置和使用，可以使本发明提出的基于粒子滤波的信道估计方法适应于各种不同情况下的信道。

6.用噪声的估计方差得到条件为信道信息粒子值的接收信号分布的条件分布p(h_t|h_t)。如式 $\sqrt{\frac{W_T}{N_T}}T[n,k]H[n,k]=Y[n,k]+\mathrm{\η}[n,k],$ 如果噪声η[n，k]的方差已知，即噪声为服从高斯分布N(0，σ_η ²)的白噪声，Y[n，k]为接收信号，T[n，k]为已知的导频信号，则信道频域传输函数H[n，k]的条件概率密度p(y_t|h_t)就可以推导出来，因此粒子值的先验概率就可以确定。用每个信道估计粒子的接收信号分布来更新每个粒子的权值，即 ${w^{*}}_t^{\left(m\right)}={w^{*}}_{t-1}^{\left(m\right)}p\left(y_t\right|h_t^{\left(m\right)}).$ 然后再对所有粒子的权值进行归一化，即 $w_t^{\left(m\right)}=\frac{{w^{*}}_t^{\left(m\right)}}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w^{*}}_t^{\left(i\right)}}.$

7.利用更新后的粒子和对应的权值估计出这个虚拟信道的信道估计， $p\left(h_t\right|y_t)\≅\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_t^i\mathrm{\δ}(h_t-h_t^i).$ 同样的操作应用于所有的所有接收天线的子载波的所有8个虚拟信道，得到这个时刻的所有子载波的导频符号的信道估计值。

8.利用粒子滤波器退化检测公式 $N_{\mathrm{eff}}=\frac{M}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\hat{w}}_n^{\left(i\right)}\right)}^2\right)}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\stackrel{\‾}{w}}_n^{\left(i\right)}\right)}^2\right)}$ 进行检测，M为重采样前的初始粒子个数，如果滤波器性能下降低于门限值，即当N_eff＜N_th(N_th≤M)，进行重采样算法。重采样不仅计算量很大，而且如果使用不当会导致系统性能大大降低，因此没有必要在每一步都进行重采样，当滤波器性能下降至低于一个门限值时，即N_eff＜N_th时，再进行重采样。重采样门限值N_eff满足 $N_{\mathrm{eff}}=\frac{M}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\hat{w}}_n^{\left(i\right)}\right)}^2\right)}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\stackrel{\‾}{w}}_n^{\left(i\right)}\right)}^2\right)},$ 其中 ${\hat{w}}_n^{\left(i\right)}=M{\stackrel{\‾}{w}}_n^{\left(i\right)}.$ 本发明在序贯重要采样步骤后加一个重采样步骤，其算法流图如图2所示，序贯重要采样法的原理如图3所示，选取权重值大的粒子进行重采样，重采样算法采用基于概率分布的重采样算法，如图4所示，M表示重采样前粒子的个数，对先验概率p(h_t|y_t)进行积分运算，则得到它的概率分布函数，因此可以发现先验概率值越大的粒子所对应的概率分布函数值越大，即图4中F(h_t|y_t)函数的斜率越大。

9.最后，根据利用粒子滤波器估计出来的导频符号的信道估计值，运用插值的方法得到数据符号的信道估计值，从而为下一环节的数据检测或译码模块提供信道信息。

本发明采用基于粒子滤波的信道估计方法，在贝叶斯原理和蒙特卡罗采样原理的基础上采用序贯重要采样法和基于概率分布函数的重采样法对无线信道进行跟踪和估计，仿真结果表明这种信道估计方法好于传统的信道估计方法，如图5和图6表示。图5表明基于粒子滤波的信道估计方法的最小均方误差(MSE)性能好于基于扩展卡尔曼(EKF)的信道估计方法和基于最小平方的信道估计方法(LS)，且随着粒子数目的增加，MSE的性能也相应变好，但是粒子数目增加到一定的程度，MSE的性能提高不是很明显。图6表明采用基于粒子滤波的信道估计方法的系统的比特误码率(BER)性能好于采用扩展卡尔曼(EKF)信道估计方法和最小平方的信道估计方法(LS)的系统。本发明也适用于单发单收(SISO)、单发多收(SIMO)、多发单收(MISO)的通信系统，具有很广的适用范围。

Claims (4)

1.一种基于粒子滤波的信道估计方法，其特征在于，利用导频信息进行初始信道估计，再在初始信道值的基础上利用粒子滤波得到准确的信道估计，其中，基于粒子滤波的信道估计原理是以信道粒子值为条件的接收信号的条件概率密度作为先验概率，与当前接收信号构造贝叶斯模型，计算出以当前接收信号为条件的信道粒子值的后验概率密度，对所有粒子的权值进行归一化并进行加权运算从而得到准确的信道估计值，具体包括如下步骤：

①根据采用的通信系统是单天线系统还是多天线系统，设置相应的导频信息；

②利用导频信息求出基于最小平方准则LS下的初始信道估计值，再把LS估计得到的复数形式的信道信息分解成实部形式和虚部形式的信道信息；

③利用得到的实部和虚部形式的初始的信道估计值，进行粒子滤波的序贯重要采样法的初始化设置，初始化设置包括抽取随机样本，即设置粒子的数目、粒子范围、各个粒子所对应的权重；

④根据噪声方差得到以信道粒子值为条件的接收信号的条件概率密度，即先验概率；

⑤用该先验概率和当前的接收信号来更新每个粒子的权值，即运用贝叶斯公式得到以当前接收信号为条件的信道粒子值的后验概率密度，然后再对所有粒子的权值进行归一化，这样就得到各个粒子的新的权重值；

⑥根据滤波器退化检测公式，性能低于门限值时，进行重采样算法；

⑦进行加权运算，即对所有信道粒子值和它们的概率密度来求出数学期望值，得到当前时刻的准确的信道估计值，这些信道估计值为实部和虚部的形式；

⑧返回到步骤⑤，进行下一时刻的迭代运算；

⑨根据以上步骤求出的各个时刻的导频符号的准确信道估计值，合并实部和虚部的形式的信道估计值，使信道估计值为能体现幅度和相位信息的复数形式；最后利用插值的方法得到数据符号的信道信息值，从而为下一环节的数据检测或译码提供较为准确的信道信息。

2.根据权利要求1所述的基于粒子滤波的信道估计方法，其特征是，所述的步骤①中，天线为多天线系统时，不同天线不同时刻构成的导频矩阵为满秩矩阵，对不同发送天线的导频符号进行解耦和分离。

3.根据权利要求1所述的基于粒子滤波的信道估计方法，其特征是，所述步骤④中：当噪声方差在慢时变信道中在信道跟踪的初始阶段设置为比理论值大的值，在初步跟踪到信道之后，设置为便于精确跟踪的值；而当噪声方差在快时变信道中在信道跟踪的初始阶段设置为比理论值小的值，在初步跟踪到信道之后，设置为便于精确跟踪的值。

4.根据权利要求1所述的基于粒子滤波的信道估计方法，其特征是，所述重采样算法，使用基于所述以当前接收信号为条件的信道粒子值的后验概率密度，利用离散的积分将概率密度转化为概率分布，然后对概率分布的概率轴进行等分，在重新分割后的分布轴上分配粒子，并且在分配粒子的时候引入向外延拓的粒子，以适应信道的变化。

Images