CN101222240B - 异步ds-cdma盲多用户检测的粒子滤波方法 - Google Patents

Abstract

本发明涉及移动通信技术领域的一种异步DS-CDMA系统盲多用户检测的粒子滤波方法，以抑制多址干扰和远近效应，降低系统误码率。其主要步骤是：第一，产生若干个信道增益、时延以及用户符号的随机粒子，初始化随机粒子的重要性权重；第二，按照每个用户的物理信道特性所建立的马尔柯夫模型，结合用户符号粒子，对每一个信道增益和时延的随机粒子进行卡尔曼滤波估计，减小粒子分布的偏差；第三，得到粒子的联合后验概率，并将粒子加权平均得到用户符号、信道时延和增益的估计值；第四，在该过程中，进行粒子权重的更新和归一化，并根据有效采样尺寸进行粒子的重要性重采样。具有性能稳定、较易实现特点。

Description

异步DS-CDMA盲多用户检测的粒子滤波方法

技术领域

本发明涉及移动通信领域的信号检测与干扰抑制方法，具体是一种异步DS-CDMA盲多用户检测的粒子滤波方法，用于码分多址接入的移动通信技术。

背景技术

直接序列扩频码分多址(DS-CDMA)无线通信系统采用扩频技术来改善系统的抗干扰性能。它在发送端用扩频码调制，使信号所占的频带宽度远大于所传信息必需的带宽，在接收端采用相同的扩频码进行相关解扩以恢复所传信息数据。由于各用户的伪随机扩频码不严格正交，基站在用某一个特定用户的扩频码解调该用户的扩频信号时，会受到其它用户扩频信号的干扰，即多址干扰。多址干扰是影响系统容量和通信质量的主要原因，多址干扰的大小受用户发射功率和远近效应的影响。在接收端采用多用户检测方法，可有效地抑制多址干扰和远近效应，提高系统容量和通信性能，是码分多址接入无线通信系统的增强技术。

现有的多用户检测方法可分为三大类：①已知信道状态信息时，最优和次优的方法，包括极大似然估计、串行干扰消除、并行干扰消除、决策反馈检测，以及神经网络和遗传算法等；②信道状态信息的部分特征已知的半盲多用户检测；③未知信道状态信息时的多用户检测，这类方法将信道状态信息与用户符号联合检测，一般通过信道子空间分解和滤波技术先获得信道状态信息，再对用户符号进行判决。针对DS-CDMA多用户检测方法的研究，主要集中在未知信道状态信息时，盲多用户检测方法如何有效地降低系统误码率和如何减小算法复杂度这两个问题上。目前已知的盲多用户检测的主要方法有：①将信道建模为自回归模型，采用卡尔曼滤波、扩展卡尔曼滤波、混合卡尔曼滤波进行信道状态信息估计，再采用某种线性多用户检测方法进行符号检测；②采用子空间分解技术获得信道的状态信息，再进行用户符号的线性检测。这两类方法都只考虑同步DS-CDMA的信道增益估计和符号检测，与不同用户扩频信号随机到达基站的实际应用情况有较大差距，同时，这两类方法都是将信道状态信息获取和符号检测相分离，其计算复杂度依赖于用户数目的大小。

发明内容

本发明是在现有DS-CDMA系统的多用户检测方案无法在异步且信道增益和时延无法确知时获得极大后验概率的用户符号的情况下，提供的一种DS-CDMA系统上行链路的盲多用户检测方案，使基站在未知用户信道状态信息时，能有效地分离用户的扩频信号，得到具有极大后验概率的符号判决，达到降低用户误码率的目的。本发明方法基于统计信号处理的理论框架，用多个随机粒子来近似扩频信号、信道时延和增益的先验分布，再通过基站接收到的经匹配滤波器输出的扩频信号来得到随机粒子的后验分布，并通过极大后验概率准则来确定粒子估计。

本发明是通过以下技术方案实现的，首先产生若干个信道增益和时延、以及用户符号的随机粒子，初始化随机粒子的重要性权重；其次，按照每个用户的物理信道特性所建立的马尔柯夫模型，结合用户符号粒子，对每一个信道特征的随机粒子进行卡尔曼滤波估计，将估计值作为随机粒子的实际值，从而减小粒子分布的偏差；之后，得到粒子的联合后验概率，并将粒子加权平均得到用户符号和信道时延和增益的估计；在该过程中，进行粒子权重的更新和归一化，并根据有效采样尺寸进行粒子的重要性重采样。

以下对本发明方法作进一步说明：

1、基站接收到同一个蜂窝小区不同移动用户发送的混合扩频信号后，根据用户的信道增益向量H和时延向量τ的先验概率分布p(H_n-1，τ_n-1)，产生N个随机粒子{H_n-1 ⁽ⁱ⁾，τ_n-1 ⁽ⁱ⁾}，i＝1...N。其初始的重要性权重w_n ⁽ⁱ⁾设置为1/N。这些随机粒子的先验概率分布选为高斯正态分布，这些随机粒子被看作是对实际信道增益和时延的采样(粒子)。当先验概率分布未知时，产生N个元素在0和1之间的随机向量。

2、基站再随机产生N个用户符号向量粒子b_n ⁽ⁱ⁾，每个用户符号在{1，-1}中选取，然后根据各用户的伪随机扩频m序列产生N个扩频调制信号粒子b’_n ⁽ⁱ⁾。

3、基站利用信道特征的马尔柯夫模型，得到一步预测的信道增益和时延{H_n|n-1 ⁽ⁱ⁾，τ_n|n-1 ⁽ⁱ⁾}。该过程进一步包括：

I、信道增益和时延的马尔柯夫模型与信道的物理特征相联系。对用户k的信道时延建模为一阶马尔柯夫模型τ_n，k＝α_kτ_(n-1)，k+v_n，k，其中，τ_n，k为用户k在第n个符号处的信道时延，它在一个码片周期里保持不变，α_k为常数，v_n，k为高斯白噪声。对信道增益建模为二阶马尔柯夫模型h_n，k＝β_1kh_(n-1)，k+β_2kh_(n-2)，k+u_n，k，其中，h_n，k为用户k在第n个符号处的信道增益，它在一个码片周期里保持不变，β_1k、β_2k为常数，u_n，k为高斯白噪声。对用户k构成系统方程[τ_n，k h_n，k h_(n-1)，k]＝A_k[τ_(n-1)，k h_(n-1)，k h_(n-2)，k]^T+B_k[v_n，k u_n，k]^T，对所有用户K，构成3K维的参数向量和系统矩阵，然后采用卡尔曼滤波进行粒子分布估计。

II、信道模型的系统方程，进一步包括：对每个用户k，系统矩阵为 $A_k=\left[\begin{array}{ccc}{\mathrm{\α}}_k& 0& 0\\ 0& {\mathrm{\β}}_{1k}& {\mathrm{\β}}_{2k}\\ 0& 1& 0\end{array}\right],$ 噪声矩阵为 $B_k=\left[\begin{array}{cc}1& 0\\ 0& 1\\ 0& 0\end{array}\right],$ 状态向量为X_n，k＝[τ_n，k h_n，k h_(n-1)，k]^T噪声向量为W_n，k＝[v_n，k u_n，k]^T对所有用户K，状态向量为X_n＝τ_n，1 h_n，1 h_(n-1)，1…τ_n，K h_n，K h_(n-1)，K]^T，噪声向量为W_n＝[v _n，1 u_n，1…v_n，K u_n，K]^T构成3K×3K维的系统矩阵和3K×2K维的噪声矩阵

III、在本发明中采用如下方法构造测量矩阵C_n： $C_n=\left[\begin{array}{ccc}0& D_{n,1}& 0\\ ...& ...& ...\\ 0& D_{n,K}& 0\end{array}\right],$ 其中D_n，1～D_n，K为随机粒子b’_n ⁽ⁱ⁾分别延迟τ_n|n-1，k，k＝1…K后的数值。

IV、用卡尔曼滤波一步预测信道增益和时延可获取较准确的粒子分布，它对每一个随机粒子{H_n-1 ⁽ⁱ⁾，τ_n-1 ⁽ⁱ⁾}分别进行。包括以下操作：①初始化估计方差P_n-1为正定的对角矩阵，系统噪声方差阵Q为2K维正定的对角矩阵，测量噪声方差R为正定的对角矩阵；②依据系统方程，进行一步预测P_n|n-1＝AP_n-1A^T+BQB^T，X_n|n-1＝AX_n。

4、基站多用户检测算法对用户连续的3个符号{n-1，n，n+1}的3L个采样信号中经延迟后的一个符号内的L个采样信号进行处理。这是由于各用户的时延数值小于一个符号周期。设扩频码片的位周期为T_p，用户符号周期为T_b，T_b＝LT_p，其中L为扩频增益，时延在{-T_b，T_b}范围。不同用户的扩频信号经延迟后，基站接收到的异步混合扩频信号采样数为3L个，包含连续3个符号的所有采样。把信道特征随机粒子{H_n|n-1 ⁽ⁱ⁾，τ_n|n-1 ⁽ⁱ⁾}和扩频信号粒子b’_n ⁽ⁱ⁾相对应，带入 $y\left(t\right)={\mathrm{\Σ}}_{k=1}^K{\mathrm{\Σ}}_{n=-\∞}^{+\∞}{h}_k\left(n\right)b_k\left(n\right)s_k(t-\mathrm{nT}-{\mathrm{\τ}}_k\left(n\right))+w\left(t\right),$ 经匹配滤波器输出后得到 ${\tilde{y}}^{\left(i\right)}={[{\tilde{y}}_1^{\left(i\right)}{\tilde{y}}_2^{\left(i\right)}...{\tilde{y}}_K^{\left(i\right)}]}^T.$

5、获取粒子的联合概率p(y(t)|b’_n ⁽ⁱ⁾， H_n ⁽ⁱ⁾，τ_n ⁽ⁱ⁾)为用户扩频信号的概率与信道增益与时延联合概率的乘积p(y(t)|b’_n ⁽ⁱ⁾)p(y(t)|H_n ⁽ⁱ⁾，τ_n ⁽ⁱ⁾)，这是因为用户扩频信号与信道特征无关。该联合概率由预测误差获得。将基站实际接收信号 $y\left(t\right)={\mathrm{\Σ}}_{k=1}^K{\mathrm{\Σ}}_{n=-\∞}^{+\∞}{h}_k\left(n\right)b_k\left(n\right)s_k(t-\mathrm{nT}-{\mathrm{\τ}}_k\left(n\right))+w\left(t\right)$ 经匹配滤波器输出的符号y＝[y₁ y₂…y_K]^T与

做差 $e={\tilde{y}}^{\left(i\right)}-y,$ 再将一个用户符号的所有采样点上的误差累积求和，得到该随机粒子概率p(y(t)|b_n ⁽ⁱ⁾，H_n ⁽ⁱ⁾，τ_n ⁽ⁱ⁾)为 $1/\exp \left({\mathrm{\Σ}}_{j=1}^K{e}_j^2\right).$

6、联合概率p(y(t)|b’_n ⁽ⁱ⁾，H_n ⁽ⁱ⁾，τ_n ⁽ⁱ⁾)反映了粒子与实际值的相似程度，把它近似为粒子的重要性权重。

7、然后进行权重的归一化 ${\tilde{w}}_n^{\left(i\right)}=w_n^{\left(i\right)}/{\mathrm{\Σ}}_{j=1}^N{w}_n^{\left(j\right)}.$

8、对不同权重的随机粒子进行加权平均，依据极大后验概率准则 $(\hat{b},\hat{H},\widehat{\mathrm{\τ}})=\underset{b,H,\mathrm{\τ}}{\arg \max p}(b,H,\mathrm{\τ}|y\left(t\right)),$ 得到估计符号 $b_{n,\mathrm{opt}}=\mathrm{sign}(1/N{\mathrm{\Σ}}_{i=1}^N{\tilde{w}}_n^{\left(i\right)}{b}_n^{\left(i\right)}),$ 其中，sign(·)为求取数值符号。

9、将估计符号带入基站得到的各用户匹配滤波器的输出信号 $\⟨S_k\left(t\right)y^{\left(i\right)}\left(t\right)\⟩=S_k\left(t\right)\⊕{\mathrm{\Σ}}_{k=1}^K{\mathrm{\Σ}}_{n=-\∞}^{+\∞}{h}_k^{\left(i\right)}\left(n\right)b_{n,\mathrm{opt}}{s}_k(t-\mathrm{nT}-{\mathrm{\τ}}_k^{\left(i\right)}\left(n\right))$ 中，它表示用各用户的扩频码与混合扩频信号做相关处理，得到各用户的接收信号，然后构成测量矩阵，用卡尔曼滤波一步修正信道增益和时延粒子。包括以下几步：①当获取估计符号后，构造测量矩阵 $C_n=\left[\begin{array}{ccc}1& D_{n,1}& 0\\ ...& ...& ...\\ 1& D_{n,K}& 0\end{array}\right],$ 其中D_n，1到D_n，K为随机粒子b’_n ⁽ⁱ⁾的各行分别延迟T_n|n-1，k，k＝1…K后的数值；②求取新息增益 $T_n=P_{n|n-1}{C}_n^T{(C_n{P}_{n|n-1}{C}_n^T+R)}^{-1}$ ；③得到更新的估计方差P_n＝(I-T_nC_n)P_n|n-1；④进行状态的一步更新X_n＝AX_n-1+T_n(y(t)-C_nX_n|n-1)。

10、按照加权平均方法得到信道增益和时延的估计 $H_{n,\mathrm{opt}}=1/N{\mathrm{\Σ}}_{i=1}^N{\tilde{w}}_n^{\left(i\right)}{H}_n^{\left(i\right)},$ ${\mathrm{\τ}}_{n,\mathrm{opt}}=1/N{\mathrm{\Σ}}_{i=1}^N{\tilde{w}}_n^{\left(i\right)}{\mathrm{\τ}}_n^{\left(i\right)}.$

11、采用重要性重采样策略避免粒子退化，计算有效采样尺寸 ${\hat{N}}_{\mathrm{eff}}={\mathrm{\Σ}}_{i=1}^N{\left(w_n^{\left(i\right)}\right)}^2,$ ，当该数值小于算法设置门槛N_thres时，将联合粒子{b_n ⁽ⁱ⁾，H_n ⁽ⁱ⁾，τ_n ⁽ⁱ⁾)所对应的重要性权重w_n ⁽ⁱ⁾作为采样概率，并计算累积概率 $s{\tilde{w}}_n^{\left(i\right)}={\mathrm{\Σ}}_{j=1}^i{\tilde{w}}_n^{\left(j\right)},i=1...N$ ，然后产生N个{0，1}间均匀分布的随机数，当随机数位于两个累积概率和

之间时，较靠近随机数的那个累积概率所对应的粒子被复制；该方法使权重较大的粒子能得到较多的复制粒子，而权重过小的粒子则被抛弃。

12、按照时间更新顺序，重复1、2、3、4、5、6、7、8、9、10、11步骤。

本发明将统计信号处理方法应用于异步条件下DS-CDMA的信号检测与干扰抑制中，并将卡尔曼滤波技术与粒子滤波技术相结合，相比于现有的其它非盲、半盲、盲的多用户检测技术、本发明更好地利用了信道物理过程，降低了随机粒子的分布偏离，结合用户符号粒子可良好地跟踪基站接收到的混合信号，从而可以得到更小的误码率特性。本发明是唯一解决DS-CDMA系统异步条件下具有信道增益和时延时进行极大后验概率用户符号判决的方案。本方法适合实际应用，可为以码分多址为特征的第三代(3G)移动通信系统、超三代(B3G)移动通信系统、无线局域网(WLAN)、无线自组织网络(Ad Hoc)、无线广域网(WWAN)等系统的多用户信号检测方案提供重要的理论依据和具体的实现方法。

附图说明

图1为本发明DS-CDMA系统上行链路的异步多用户接收模型示意图；

图2为本发明的一个实施例(4个用户)情况下系统误码率对比曲线；

图3为图2信道时延的估计值与实际值的对比曲线；

图4为图2信道增益与实际值的对比曲线；

图5为实施例的系统误码率随用户数增长的仿真曲线。

具体实施方式

以下结合附图对本发明作进一步描述：

(1)DS-CDMA系统上行链路的异步多用户接收模型示意图

DS-CDMA系统上行链路的多用户接收模型示意图如图1所示。本发明采用中心激励基站系统，最大移动用户数为K个，随机分布于某个位置。移动用户采用扩频码对符号信息进行扩频调制后，再进行射频调制。不同移动用户的扩频信号异步到达基站接收端，首先进行射频解调，然后完成多用户检测以恢复用户符号。

(2)各用户信道增益和时延参数模型

本发明不涉及具体的信道增益和时延的建模方法，本发明所做的分析、说明和仿真都是针对一阶和两阶的马尔柯夫模型，对某用户k的信道增益和时延模型中的β_1k、β_2k和α_k为{0，1}间的随机常数。

(3)实施例

实施例1

本实施例基于码分多址接入的无线蜂窝系统。设某个小区的最大移动用户数为31，采用的扩频码为m序列伪随机码，级数为5，反馈系数为M₀M₁M₂M₃M₄M₅＝(100101)_B，产生的m序列为0000100101100111110001101110 101，各用户所使用的扩频码为该序列各偏移0～30个码字所得到的序列，如用户1的扩频码即为该序列，用户2的扩频码偏移1位，为0001001011001111100011011101010，依次类推，用户31的扩频码偏移30位，为1000010010110011111000110111010。采用的用户基带符号周期为扩频码周期的31倍。各用户的射频调制方式采用BPSK调制方式。并设各用户实际的信道增益和时延在一个符号周期里保持不变。具体为下表。

用户	用户扩频码	信道参数β1k、β2k	时延参数αk
				1	0000100101100111110001101110101	0.6539   0.0885	0.9017
2	0001001011001111100011011101010	0.7380   0.9589	0.4821
				3	0010010110011111000110111010100	0.5016   0.0003	0.0114
4	0100101100111110001101110101000	0.8377   0.3359	0.7250
				5	1001011001111100011011101010000	0.6892   0.3232	0.5309
6	0010110011111000110111010100001	0.8246   0.6313	0.6370
				7	0101100111110001101110101000010	0.9657   0.7755	0.1435
8	1011001111100011011101010000100	0.1109   0.3845	0.3691
				9	0110011111000110111010100001001	0.6562   0.2884	0.9893
10	1100111110001101110101000010010	0.0538   0.9709	0.3108
				11	1001111100011011101010000100101	0.2735   0.9459	0.1683
12	0011111000110111010100001001011	0.3514   0.3074	0.1307
				13	0111110001101110101000010010110	0.7511   0.6251	0.8714
14	1111100011011101010000100101100	0.9342   0.9474	0.3211
				15	1111000110111010100001001011001	0.8108   0.0165	0.7610
16	1110001101110101000010010110011	0.8501   0.2504	0.7315
				17	1100011011101010000100101100111	0.4749   0.7271	0.4366
18	1000110111010100001001011001111	0.7344   0.1451	0.8491
				19	0001101110101000010010110011111	0.8181   0.0359	0.1062
20	0011011101010000100101100111110	0.8548   0.4171	0.6009
				21	0110111010100001001011001111100	0.5550   0.5427	0.0758
22	1101110101000010010110011111000	0.6349   0.0760	0.3529
				23	1011101010000100101100111110001	0.4192   0.3815	0.4154
24	0111010100001001011001111100011	0.0596   0.2511	0.5408

25	1110101000010010110011111000110	0.0911   0.0290	0.7437
				26	1101010000100101100111110001101	0.8159   0.8697	0.0818
27	1010100001001011001111100011011	0.0493   0.3684	0.1468
				28	0101000010010110011111000110111	0.2817   0.0019	0.9641
29	1010000100101100111110001101110	0.9964   0.1846	0.0284
				30	0100001001011001111100011011101	0.3052   0.7239	0.6657
31	1000010010110011111000110111010	0.4682   0.2125	0.3745

附图2是设小区里的移动用户数为4，且发射功率相等的情况下，基站对异步接收的混合扩频信号，在信道增益和时延未知时用本发明方法进行多用户检测的误码率性能与其它传统的多用户检测方法在信道增益和时延精确已知时所得到的误码率性能的对比图。在该仿真中，采用的粒子个数为N＝200，信道增益和时延的初始粒子为均值为0，方差为1的高斯正态分布。从图2表明，本发明方法较低信噪比0～12dB时，误码率性能远优于匹配滤波器、迫零最小二乘检测、最小均方误差检测和串行干扰消除检测。

附图3和附图4是在小区里的移动用户数为4，且发射功率相等的情况下，在得到符号估计后，对信道增益和时延进行卡尔曼滤波修正后，按照加权平均得到的信道增益和时延的估计值与真实值的对比图。附图3和附图4表明，本发明方法在对信道建模的基础上，能较准确地跟踪信道增益和时延的分布特征。

从附图5表明，本发明方法随着用户数的增加其误码率增大，但增加较为平缓。

综上所述，本发明是目前唯一解决DS-CDMA系统异步条件下具有信道增益和时延时进行用户符号的极大后验概率判决的方案；本方法性能稳定，较易实现，适合实际应用，可为以码分多址为特征的第三代(3G)移动通信系统、超三代(B3G)移动通信系统、无线局域网(WLAN)、无线自组织网络(Ad Hoc)、无线广域网(WWAN)等系统的多用户信号检测方案提供重要的理论依据和具体的实现方法。

Claims (4)

1.一种异步DS-CDMA盲多用户检测的粒子滤波方法，包括

A、基站在射频解调后，根据用户k在前一个符号处的信道增益h_n-1，k和时延τ_n-1，k的先验概率分布p(h_n-1，k，τ_n-1，k)，产生N个随机粒子

i＝1…N，将这些随机粒子按用户顺序1到K，构成信道增益和时延的两参数联合粒子

将两参数联合粒子的重要性权重

设置为1/N；

B、随机产生用户k的N个符号粒子

i＝1…N，它们的取值为1和-1，将用户1到K的符号粒子，分别按照各个用户的扩频序列s_k(t)，对用户符号粒子进行扩频调制，获得扩频后用户的扩频符号粒子

k＝1…K，将这些随机粒子按用户顺序1到K，在一个扩频码字的时序t下分别得到扩频后N个扩频符号粒子向量

C、按照信道物理特性所确定的增益和时延的马尔柯夫模型，用卡尔曼滤波一步预测信道增益和时延的两参数联合粒子

D、将K个用户信道增益和时延的两参数联合粒子

近似为

结合用户的扩频符号粒子向量

构成三参数联合粒子

得到基站接收的异步混合扩频信号粒子 $y^{\left(i\right)}\left(t\right)={\mathrm{\Σ}}_{k=1}^k{\mathrm{\Σ}}_{n=-\∞}^{+\∞}{h}_k^{\left(i\right)}\left(n\right)b_k^{\left(i\right)}\left(n\right)s_k(t-\mathrm{nT}-{\mathrm{\τ}}_k^{\left(i\right)}\left(n\right)),$ 式中T为符号周期，经过采样数为扩频码长度L的L次采样后，用已知的各用户的扩频码进行解扩，得到各用户的接收信号粒子 ${\tilde{y}}^{\left(i\right)}={[{\tilde{y}}_1^{\left(i\right)}{\tilde{y}}_2^{\left(i\right)}...{\tilde{y}}_K^{\left(i\right)}]}^T=\mathrm{diag}(E_{b_1}...E_{b_K})\mathrm{diag}(h_1^{\left(i\right)}...h_K^{\left(i\right)})R{[b_1^{\left(i\right)}...b_K^{\left(i\right)}]}^T,$ 其中，上标T代表转置；

和

分别表示用户的发射功率和信道增益；

表示用户的符号粒子；j＝1…K；R表示扩频码的相关系数矩阵；

E、求取基站实际接收信号 $y\left(t\right)={\mathrm{\Σ}}_{k=1}^K{\mathrm{\Σ}}_{n=-\∞}^{+\∞}{h}_k\left(n\right)b_k\left(n\right)s_k(t-\mathrm{nT}-{\mathrm{\τ}}_k\left(n\right))+w\left(t\right)$ 式中T为符号周期，经匹配滤波器的输出y＝[y₁y₂…y_K]^T与接收信号粒子

的误差

其中w(t)为接收时刻t的观测噪声，再求取L个采样点上的误差平方累积和，得到粒子后验概率

为

F、更新粒子权重

G、归一化粒子权重

H、求取各用户符号的粒子滤波估计为

I、通过b_n，opt构成观测矩阵，用卡尔曼滤波一步修正信道时延和增益的两参数粒子得到

J、求取信道增益的估计为

时延的估计为 ${\mathrm{\τ}}_{n,\mathrm{opt}}=1/N{\mathrm{\Σ}}_{i=1}^N{\tilde{w}}_n^{\left(i\right)}{\mathrm{\τ}}_n^{\left(i\right)};$

K、计算有效采样尺寸

该数值若小于设置门槛N_thres，则对两参数联合粒子

进行序列重要性重采样；

L、进行时间序列n的更新，重复A、B、C、D、E、F、G、H、I、J、K步骤。

2.如权利要求1所述的方法，其特征是：

步骤A中所述的信道时延和增益的随机粒子的先验概率分布选为高斯正态分布；

步骤B中所述的扩频码为m序列伪随机噪声码，该序列由移位寄存器产生，扩频方式为用户符号与m序列按位模2加；

步骤C中所述的马尔柯夫模型如下建立，对用户k的信道时延建模为一阶马尔柯夫模型τ_n，k＝α_kτ_(n-1)，k+v_n，k，其中，τ_n，k为用户k在第n个符号处的信道时延，它在一个符号周期里保持不变，数值小于一个码片周期；α_k为常数，v_n，k为高斯白噪声；将信道增益建模为二阶马尔柯夫模型h_n，k＝β_1kh_(n-1)，k+β_2kh_(n-2)，k+u_n，k，其中，h_n，k为用户k在第n个符号处的信道增益，它在一个符号周期里保持不变；β_1k、β_2k为常数；u_n，k为高斯白噪声；对用户k构成[τ_n，kh_n，kh_(n-1)，k]＝A_k[τ_(n-1)，kh_(n-1)，kh_(n-2)，k]^T+B_k[v_n，ku_n，k]^T的系统方程，然后采用卡尔曼滤波一步预测粒子和修正粒子分布；

步骤D中所述的接收信号粒子，是将三参数联合粒子

构成的混合扩频信号通过匹配滤波器后得到的各用户接收信号粒子；

步骤E中所述的粒子后验概率是用户扩频信号粒子的概率与信道增益与时延的两参数联合粒子的概率的乘积

其中，

为平均概率1/2^K-1，

为由步骤C所获取的信道时延和增益的一步预测所确定的概率；所述的误差e对一个用户符号周期的所有采样信号进行处理；设用户符号周期为T_b，T_b＝LT_p，其中，L为扩频增益，T_p为扩频码片周期，当基站接收到在T^b中的采样数为L的混合扩频信号后，则对所有采样点处的基站接收信号经匹配滤波器的输出，与由三参数联合粒子得到的基站接收信号的输出，分别在各个采样点上做误差平方，再求取所有的误差平方累积和；

步骤F中所述的粒子权重与步骤E求取的误差平方累积和成反比；

步骤H中所述的用户符号的粒子滤波估计b_n，opt，是用后验概率准则

确定的用户符号，它通过随机粒子和粒子的重要性权重加权平均得到；

步骤I中所述的卡尔曼滤波一步修正，用于确定信道时延和增益的后验粒子分布，减小粒子的分布方差；

步骤J中所述的信道增益和时延的估计值H_o，opt和τ_n，opt，用随机粒子经函数映射后的新粒子的加权平均获得；

步骤K中所述的序列重要性重采样方法为多值复制的重采样，在权重的有效采样尺寸小于门槛值时进行，方法为：①用归一化的粒子权重作为采样概率；②计算累积概率

i＝1…N；③产生N个{0，1}间均匀分布的随机数{Z_j，j＝1，…N}，当随机数Z_j位于两个累积概率和

之间时，

和

中与Z_j距离小的累积概率所对应的粒子被复制；

步骤L中所述的时间序列更新，包括粒子的更新和

以及进行卡尔曼滤波时所做的估计方差更新

3.如权利要求1或2所述的方法，其特征是：

步骤C中所述的信道增益为马尔柯夫模型，进一步包括：对每个用户k，系统矩阵为

噪声矩阵为

状态向量为X_n，k＝[τ_n，kh_n，kh_(n-1)，k]^T，噪声向量为W_n，k＝[v_n，ku_n，k]^T，对所有用户构成3K×3K维的系统矩阵

和3K×2K维的噪声矩阵

此时状态向量为X_n＝[τ_n，1h_n，1h_(n-1)，1，…τ_n，Kh_n，Kh_(n-1)，K]^T，噪声向量为W_n＝[v_n，1u_n，1…v_n，Ku_n，K]^T；所述的卡尔曼滤波进行信道增益和时延的一步预测对每一个三参数联合粒子分别进行；开始时，初始化估计方差P_n-1为正定的对角矩阵，系统噪声方差Q为2K维正定的对角矩阵，测量噪声方差R为2K维正定的对角矩阵，然后进行以下操作：①依据系统方程，一步预测估计方差P_n|n-1＝AP_n-1A^T+BQB^T；②一步预测状态X_n|n-1＝AX_n；③一步预测输出Y_n|n-1＝C_nX_n-1，其中，C_n为测量矩阵；

步骤I中所述的卡尔曼滤波进行信道增益和时延一步修正，在得到估计符号后进行，包括以下操作：①求取新息增益

②计算更新后的估计方差P_n＝(I-T_nC_n)P_n|n-1；其中I为单位矩阵；③一步更新状态X_n＝AX_n-1+T_n(y(t)-C_nX_n|n-1)。

4.如权利要求1或2所述的方法，其特征是：

步骤E中所述的基站实际接收信号，因各用户时延不同，基站在处理时刻用到用户3个连续符号周期{n-1，n，n+1}的采样信号，各用户的时延在{-T_b，T_b}范围；

步骤I中所述的观测矩阵C_n为其中，D_n，1到D_n，K为扩频符号粒子向量

的各行分别延迟τ_n|n-1，k,k＝1…K后的数值。

Images