CN101340266A - 一种基于粒子滤波器和神经网络的双选择性信道跟踪方法 - Google Patents

Abstract

本发明涉及一种基于粒子滤波器和神经网络的双选择性信道跟踪方法，其特征在于，采用基于粒子滤波和神经网络的方法对无线通信中的时间－频率双选择性信道进行良好的信道跟踪，跟踪过程不再需要插入训练序列或者导频符号，可提高系统的频谱利用率，得到高的误码率性能。本发明具有重要的实际应用价值。

Description

一种基于粒子滤波器和神经网络的双选择性信道跟踪方法

技术领域

本发明涉及多输入多输出正交频分复用(MIMO-OFDM)系统中的信道跟踪方法，确切的说是MIMO-OFDM系统中基于粒子滤波器和神经网络的时间-频率双选择性信道跟踪方法，特别涉及一种基于粒子滤波器和神经网络的双选择性信道跟踪方法。

背景技术

众所周知，MIMO和OFDM技术将是下一代移动通信的关键技术。两者的结合充分利用了空间分集、频率分集和时间分集来改善系统的容量和抗噪声性能。然而MIMO-OFDM的高效性能依赖于接收端的信道估计的准确与否。传统的信道估计的方法为基于导频的信道估计算法，但是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。1996年，Stuber在他的著作“Principles of mobile communication”中指出，在快衰落、高多普勒条件下，带宽被占用的比例可高达50％。2002年，Liu等在文章“Space time coding and Kalmanfiltering for time-selective fading channel”中提出利用卡尔曼滤波来进行信道估计和跟踪，以此来减少训练信号的长度。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。但在无线通信系统中，接收信号经常被非高斯噪声所污染。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，序贯蒙特卡罗滤波比扩展卡尔曼滤波更优越。

粒子滤波算法是序贯蒙特卡罗滤波的一种基础方法，其主要思想是利用一组相关权值的随机变量样本计算完成估计，以逼近实际的后验概率密度，当样本数目很大时，这种概率估计可近拟于真实后验概率。

设 $\{x_{0:n},{w^i}_n{\}}_{i=1}^{N_s}$ 表示随机粒子，其含有后验概率pdf p(x_0：n|y_1：n)特性，其中{xⁱ _0：n，i＝0，..，N_s}是与权值{wⁱ _n，i＝1，...，N_s}相关的状态集，且权值满足∑_iwⁱ _n＝1，则t时刻的后验概率密度可近似表示： $p\left(x_{0:n}\right|y_{1:n})\≈{\mathrm{\Σ}}_{i=1}^{N_s}{w^i}_n\mathrm{\δ}(x_{0:n}-x_{0:n}^i).$

对于粒子滤波跟踪算法，跟踪的初值是影响跟踪性能的主要因素之一。在用粒子滤波算法进行跟踪时，大多假定信道的初值已知，或者采用训练序列的方法得到信道的初值。本发明中我们采用径向基神经网络对信道进行学习训练以得到粒子滤波跟踪的精确初值。

径向基神经网络是一种三层前向局部网络：输入层由信号源节点构成，第二层为隐含层，第三层为输出层，它对输入模式的作用做出响应。从输入空间到隐含空间的变换是非线性的，而隐含空间到输出空间的变换是线性的。隐节点的激活函数是径向基函数(RBF)，它是一种关于中心点对称的非负非线性函数，通常我们采用高斯函数作为径向基函数。

发明内容

为在提高频谱利用率的前提下，使系统得到良好的误码率性能，本发明提供一种MIMO-OFDM双选择性信道的跟踪方法。为提供该跟踪方法，首先给出MIMO-OFDM双选择信道的信道模型。

设MIMO-OFDM系统中发送天线i和接收天线j间的双选择信道的冲激响应设为h_i，j(n，τ)，其中i＝0，1，M_T，j＝0，1，…，M_R，M_T和M_R分别为发送天线和接收天线的数目。则参考Proakis在“Digital Communication(Forth Edition)”所述的抽头延迟线模型：

$h_{i,j}(n,\mathrm{\τ})={\mathrm{\Σ}}_{l=0}^{L-1}{A}_l{h}_{i,j}^l(n-{\mathrm{\τ}}_{i,j}^l)+w_{i,j}\left(n\right)i=\mathrm{0,1},\·\·\·,M_T;j=\mathrm{0,1},\·\·\·,M_R---\left(1\right)$

其中L代表多径数，A_l和τ_i，j ^l分别为各径的路径增益和延迟扩展，w_i，j(n)为复噪声随机序列。单径信道h_i，j ^l(n)建模为一阶自回归AR过程，即

$h_{i,j}^l\left(n\right)={\mathrm{\αh}}_{i,j}^l(n-1),l=\mathrm{0,1},\·\·\·,L-1---\left(2\right)$

参考1996年Tsatasnis等发表的“Estimation and equalization of fading channels with randomcoefficients”将系数α确定为：

α＝J₀(2πf_dT_s)exp(j(2πf₀T_s)        (3)

其中，J₀(·)是零阶Bessel函数，f_d为最大多普勒频移，f₀是载波频偏，T_s为符号时间一种基于粒子滤波器和神经网络的MIMO-OFDM双选择性信道跟踪方法，步骤如下：

1)利用径向基神经网络对双选信道进行训练得到粒子滤波跟踪的初始值 $h_{i,j}^m\left(0\right),i=\mathrm{0,1},\·\·\·,M_T;j=\mathrm{0,1},\·\·\·,M_R;m=1,\·\·\·,M,$ 权值w_i，j ^m(0)均置1/M；

2)得到一个观测值后，利用公式(1)(2)可由h_i，j ^m(n-1)得到新的粒子集h_i，j ^m(n)；

3)对于每一个粒子，应用似然函数计算粒子权值，

${\mathrm{lik}}_{i,j}^m\left(n\right)=p\left(y\left(n\right){|h}_{i,j}^m\left(n\right)\right)=\frac{1}{{\mathrm{\σ}}_n\sqrt{2\mathrm{\π}}}{e}^{-\frac{(y\left(n\right)-h_{i,j}^m\left(n\right)\hat{x}\left(n\right))}{2{\mathrm{\σ}}_n^2}}---\left(4\right)$

4)计算归一化权值w_i，j ^m(n)；

5)重采样：具有大权值的样本，重复采样；同时小权值样本，尽量抛弃，如此获得M个随机样本，其权值设为 ${\tilde{w}}_{i,j}^m\left(n\right)=1/M,$ 样本分布渐趋于后验分布，

$p\left(h_{i,j}^m\left(n\right)\right|y(1:n))\≈{\tilde{w}}_{i,j}^m\left(n\right){\mathrm{\Σ}}_{m=1}^M{\mathrm{\δ}}_{h_{i,j}^m\left(n\right)}\left(\mathrm{dh}\left(n\right)\right)=\frac{1}{M}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\δ}}_{h_{i,j}^m\left(n\right)}\left(\mathrm{dh}\left(n\right)\right)---\left(5\right)$

6)由后验分布得到信道估计值为：

$\hat{h}\left(n\right)=E\left(h\left(n\right)\right)=\∫h\left(n\right)p\left(h\left(n\right)\right|y(1:n))\mathrm{dh}\left(n\right)\≈\frac{1}{M}{\mathrm{\Σ}}_{m=1}^M{h}_{i,j}^m\left(n\right)---\left(6\right)$

本发明方法的优点：可以对无线通信中的时间-频率双选择性信道进行良好的信道跟踪，跟踪过程不再需要插入训练序列或者导频符号，可提高系统的频谱利用率，得到高的误码率性能。

附图说明

图1为本发明方法采用的基于空时分组编码的两发两收MIMO-OFDM系统方框图；

其中，1.STBC编码器，2.STBC译码器，3.神经网络结合粒子滤波信道跟踪模块。

图2是两发两收MIMO-OFDM系统空时编码过程示意图；

其中：4.频率，5.时间，6.空时编码。

图3是径向基神经网络训练参数表；

图4是粒子滤波跟踪算法参数表；

图5是粒子滤波算法在不同跟踪初值时的系统BER性能比较。

具体实施方式

实施例：

以发射天线数为2，接受天线数为2的MIMO-OFDM系统为例来介绍这种算法。系统模型如图1所示：信息序列经过调制器调制，然后把这些调制符号通过空时编码器1进行空时编码(STBC)，经串并变换后经过快速傅立叶反变换(IFFT)，最后把码字通过发射天线发射出去。在接收端，首先对接收信号进行快速傅立叶变换(FFT)，然后经过空时译码器2译码和信道跟踪模块3，并最终译出信息序列。

图1所示系统中空时编码的过程如下：设OFDM的子载波数为N_s，输入的连续信息比特流经过调制后，以N_s为单位进行分组。在每两个连续OFDM符号间隔的开始，将两个连续的分组经串/并变换后得到符号向量X(n)＝[X(0，n)，X(1，n)，…，X(N_s-1，n)]和X(n+1)＝[X(0，n+1)，X(1，n+1)，…，X(N_s-1，n+1)]。将符号向量对应的分量进行Alamouti空时分组编码，如图2所示，其中纵向4表示频率，横向5表示时间，经空时编码6编码后得到4个向量：X₀(n)、X₁(n)、X₀(n+1)、X₁(n+1)，即4个OFDM符号，其中n代表第n个OFDM符号间隔，而下标代表天线索引。在第n个OFDM符号间隔内，编码结果X₀(n)，X₁(n)分别经过IFFT变换后由第1和第2个天线同时发射出去，在第n+1个OFDM符号间隔内，X₀(n+1)、X₁(n+1)分别经过IFFT变换后由第1和第2个天线同时发射出去。

假设信道在一个OFDM符号间隔内不变，则接收端经过解调(FFT变换)后，每个子载波上的接收信号是两个畸变发送信号的迭加，可表示为：

$Y_j(n,k)=\underset{i=0}{\overset{1}{\mathrm{\Σ}}}{X}_i(n,k)H_{ij}(n,k)+W_j(n,k),j=\mathrm{0,1};k=\mathrm{0,1},\·\·\·N_s-1$

其中X_i(n，k)，Y_j(n，k)分别是第n个OFDM符号的第k个子载波的在第i个发送天线和第j个接收天线上的的发送信号和接收信号；W_j(n，k)是第j个接收天线在第n个OFDM符号期间第k个子载波上的随机噪声。H_ij(n，k)是从第i个发射天线到第j个接收天线在第n个OFDM符号期间第k个子载波上的信道频率响应系数，

$H_{\mathrm{ij}}(n,k)={\mathrm{\Σ}}_{l=0}^{L-1}{h}_{i,j}(n,\mathrm{\τ}){|}_{\mathrm{\τ}=l}{e}^{-j\frac{2\mathrm{\π}}{K}\mathrm{lk}}$

其中h_i，j(n，τ)i＝0，1；j＝0，1为两发两收MIMO-OFDM系统中双选择信道的冲激响应。对于该信道的跟踪算法步骤如下：

1)利用径向基神经网络对双选信道进行训练得到粒子滤波跟踪的初始值

h_i，j ^m(0)，i＝0，1；j＝0，1；m＝1，…，M，权值w_i，j ^m(0)均置1/M。

2)得到一个观测值后，利用公式(1)(2)可由h_i，j ^m(n-1)得到新的粒子集h_i，j ^m(n)。

3)对于每一个粒子，应用似然函数计算粒子权值，

${\mathrm{lik}}_{i,j}^m\left(n\right)=p\left(y\left(n\right){|h}_{i,j}^m\left(n\right)\right)=\frac{1}{{\mathrm{\σ}}_n\sqrt{2\mathrm{\π}}}{e}^{\frac{(y\left(n\right)-h_{i,j}^m\left(n\right)\hat{x}\left(n\right))}{2{\mathrm{\σ}}_n^2}}$

4)计算归一化权值w_i，j ^m(n)；

5)重采样：具有大权值的样本，重复采样；同时小权值样本，尽量抛弃。如此获得M个随机样本，其权值设为 ${\tilde{w}}_{i,j}^m\left(n\right)=1/M.$ 样本分布渐趋于后验分布，

$p\left(h_{i,j}^m\left(n\right)\right|y(1:n))\≈{\tilde{w}}_{i,j}^m\left(n\right){\mathrm{\Σ}}_{m=1}^M{\mathrm{\δ}}_{h_{i,j}^m\left(n\right)}\left(\mathrm{dh}\left(n\right)\right)=\frac{1}{M}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\δ}}_{h_{i,j}^m\left(n\right)}\left(\mathrm{dh}\left(n\right)\right)$

6)由后验分布得到信道估计值为：

$\hat{h}\left(n\right)=E\left(h\left(n\right)\right)=\∫h\left(n\right)p\left(h\left(n\right)\right|y(1:n))\mathrm{dh}\left(n\right)\≈\frac{1}{M}{\mathrm{\Σ}}_{m=1}^M{h}_{i,j}^m\left(n\right)$

图3给出了径向基神经网络对双选信道进行学习训练时的参数列表：GOAL为网络输出值与目标值的均方误差，σ_i为径向基函数的宽度，c为隐层神经元的个数。参数的取得根据经验值得到。图4给出了粒子滤波算法对MIMO-OFDM双选择性信道进行跟踪时的参数列表。在采用粒子滤波算法进行信道跟踪时，粒子数的多少会影响跟踪的性能，本发明中采用粒子数N＝50对信道进行跟踪。图5给出了粒子滤波算法在不同跟踪初值时的系统误码率性能比较。从图中可以看出用径向基神经网络获得跟踪初值的系统误码率性能与跟踪初值已知时的误码率性能非常接近。证明了径向基神经网络结合粒子滤波算法的高效性。

Claims (1)

1.一种基于粒子滤波器和神经网络的双选择性信道跟踪方法，步骤如下：

1)利用径向基神经网络对双选信道进行训练得到粒子滤波跟踪的初始值h_i，j ^m(0)，i＝0，1，...，M_T；j＝0，1，...，M_R；m＝1，...，M，权值w_i，j ^m(0)均置1/M；

2)得到一个观测值后，利用公式

$h_{i,j}(n,\mathrm{\τ})={\mathrm{\Σ}}_{l=0}^{L-1}{A}_l{h}_{i,j}^l(n-{\mathrm{\τ}}_{i,j}^l)+w_{i,j}\left(n\right)$ i＝0，1，...，M_T；j＝0，1，...，M_R和公式

$h_{i,j}^l\left(n\right)=\mathrm{\α}{h}_{i,j}^l(n-1)$ l＝0，1，...，L-1可由h_i，j ^m(n-1)得到新的粒子集h_i，j ^m(n)；

3)对于每一个粒子，应用似然函数计算粒子权值，

${\mathrm{lik}}_{i,j}^m\left(n\right)=p\left(y\left(n\right)\right|h_{i,j}^m\left(n\right))=\frac{1}{{\mathrm{\σ}}_n\sqrt{2\mathrm{\π}}}{e}^{-\frac{(y\left(n\right)-h_{i,j}^m\left(n\right)\hat{x}\left(n\right))}{2{\mathrm{\σ}}_n^2}}$

4)计算归一化权值w_i，j ^m(n)；

5)重采样：具有大权值的样本，重复采样；同时小权值样本，尽量抛弃，如此获得M个随机样本，其权值设为 ${\tilde{w}}_{i,j}^m\left(n\right)=1/M,$ 样本分布渐趋于后验分布，

$p\left(h_{i,j}^m\left(n\right)\right|y(1:n))\≈{\tilde{w}}_{i,j}^m\left(n\right){\mathrm{\Σ}}_{m=1}^M{\mathrm{\δ}}_{h_{i,j}^m\left(n\right)}\left(\mathrm{dh}\left(n\right)\right)=\frac{1}{M}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\δ}}_{h_{i,j}^m\left(n\right)}\left(\mathrm{dh}\left(n\right)\right)$

6)由后验分布得到信道估计值为：

$\hat{h}\left(n\right)=E\left(h\left(n\right)\right)=\∫h\left(n\right)p\left(h\left(n\right)\right|y(1:n))\mathrm{dh}\left(n\right)\≈\frac{1}{M}{\mathrm{\Σ}}_{m=1}^M{h}_{i,j}^m\left(n\right).$

Images