CN101662433B - 一种基于粒子滤波修正的信道预测方法 - Google Patents

Abstract

本发明涉及一种基于粒子滤波修正的信道预测方法，其包括以下步骤：a.将信道的历史信息通过训练序列得到AR线性预测模型，再用LRP信道预测算法进行预测，并输出预测值；b.对输出的预测值与实际值进行误差计算，若预测值与实际值之间的误差e小于设定值E，则采用LRP信道预测算法的预测值作为信道估计值；若预测值与实际值之间的误差e大于设定值E，则系统受非线性非高斯噪声的干扰，下一个时段进入粒子滤波器进行粒子滤波修正，并将粒子滤波的预测值作为先验概率下的信道估计值；c.更新AR线性预测模型的系数，并进行下一时段的信道预测。本发明信道估计性能稳健，鲁棒性强，抗噪声的能力强的特点，而且易于实现。

Description

一种基于粒子滤波修正的信道预测方法

技术领域

本发明属于无线通信的信道预测方法，尤其涉及一种高速移动环境下HSDPA的基于粒子滤波修正的信道预测方法。

背景技术

近年来，人们对提高无线通信系统传输能力以及在高速环境下提高通信容量的要求正在不断提高，希望即使在高速行驶的环境下也能高速地传输大量的数据信号。由于无线信道在频域和时域上的时变性和非线性，数学建模和定量分析都比较困难，实际应用中采用线性的信号处理方法来对非线性的无线信道进行近似的估计，然而无线移动通信的信道变化的复杂性使无线通信系统的性能有很大的局限性。

有许多研究者已经研究许多信道预测技术，比如说MMSE信道预测算法，子空间信道预测算法，自适应信道预测算法等。以上自适应方法都是对信道进行的线性预测。他们都是尽量在不牺牲误码率性能的同时，提高信道预测的长度。其中，最有典型意义的是A.Duel-Hallen提出的基于MMSE准则的线性信道预测算法，在预测性能和复杂度之间寻找折中。当信道情况更加复杂时，线性预测算法不能准确地预测信道状况。还有一种思路就是分析信道中的频率特性，提取和恢复信道中起决定作用的几个频率分量，利用这些频率分量进一步估计未来信道响应值。另外，通过设计自适应滤波器来不断地跟踪信道的变化，实时地改变滤波器参数，再利用这些参数来预测未来的信道响应。但是Hallen的预测方法是假定信道噪声是线性，高斯噪声，然而在实际情况中，信道噪声很可能经历非线性非高斯的干扰，这时，传统的信道预测算法的预测效果就会明显下降。

由于传统的扩展卡尔曼滤波器(EKF)和UKF总是假设p(x_t/z_1 t)为高斯分布，当真实的后验分布不是高斯分布并且偏离高斯分布很远时，使用高斯分布来近似就不能很好的描述真实的后验分布。

粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件，并在一定程度上解决了粒子数样本匾乏问题，因此近年来该算法在许多领域得到成功应用，并得到重视。

经过对现有技术的文献检索发现，2002年IEEE国际数字信号处理大会(IEEEInternational Conference on digital signal processing)上W.H Chin的文章：粒子滤波在空时块编码系统中的应用(Channel tracking for space-timeblock coded systems using particle filtering)中提出了一种用于多输入单输出系统的基于粒子滤波的信道估计方法，其核心是信道估计，并且对于粒子退化现象没有给出有效的解决方案。另外潘矜矜在2008年的桂林工学院学报上的文章：一种基于卡尔曼滤波修正的LRP信道预测算法，提出了对于信道预测AR模型修正的一种思路，该文提出当LRP信道预测性能下降时，使用卡尔曼滤波对预测模型进行修正。但是卡尔曼滤波同AR模型一样也是一种线性预测，当系统遭受非线性噪声时，该方法具有局限性，因此，上述两种方法均不太适用于高速状态下信道的预测，工程意义不是很突出。

发明内容

针对现有技术的不足，本发明所采取的一种基于粒子滤波修正的信道预测方法，使其在未知信道统计信息的环境下保持信道估计性能稳健，鲁棒性强，抗噪声的能力强的特点，而且易于实现。

为实现上述目的，本发明的技术方案为：一种基于粒子滤波修正的信道预测方法，其包括以下步骤：

a.将信道的历史信息通过训练序列得到AR线性预测模型，再用LRP信道预测算法进行预测，并输出预测值；

b.对输出的预测值与实际值进行误差计算，若预测值与实际值之间的误差e小于设定值E，则采用LRP信道预测算法的预测值作为信道估计值；若预测值与实际值之间的误差e大于设定值E，则系统受非线性非高斯噪声的干扰，下一个时段进入粒子滤波器进行粒子滤波修正，并将粒子滤波的预测值作为先验概率下的信道估计值；

c.更新AR线性预测模型的系数，并进行下一时段的信道预测。

进一步地，其包括如下步骤：

1、首先，设已知信道系数的p个过去的采样值序列c(k-1)，...，c(k-p)未来信道系数

的MMSE(基于最小均方误差)预测由p个过去的采样得出：

$\hat{c}\left(k\right)=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{w}_{j}c(k-j)---\left(1\right)$

式中：p是AR模型阶数。最佳权向量由正交法则给出：w＝R^-1r式中：w_j＝(w_j，1，...，w_j，M)^T，R为(M×M)自相关矩阵，r为(M×1)自相关量，当p＝1时，预测器为单步预测器。在先前不知道最大多普勒频移或散射波数的情况下从观察的样本能估计出R和r。注意到预测未来样本相应的模型式(1)中样本抽样速率必须符合奈奎斯特速率，即至少为最大多普勒频移的两倍。本发明选择的抽样速率虽然经过减采样处理，但仍然数倍于奈奎斯特速率，以此速率的信道相应进行预测将首先能够大大降低预测复杂度提高预测长度，还能获得比数据速率情况更佳的预测性能。

2、更高速率的信道响应可以基于预测值通过插值方式来实现。具体方法分析如下：

对于Raykeigh衰落信道，其自相关函数为r(t)＝J₀(2πf_dmt)式中J_o(·)为0阶第一类贝赛尔函数。若给定模型阶数M和抽样速率f_s，定义抽样间隔为T_s＝(P-1)/fs。不同的存储跨度影响MMSE信道预测的性能，以通过固定模型阶数P改变采样率f_s来讨论预测性能。当f_s增加时，抽样间隔显然降低，同样自相关函数r(t)＝J₀(2πf_dmt)对应的值域降低。例如，当f_dm＝100Hz，P＝10时，f_s＝25kHz时抽样间隔为0.76ms，按照这个抽样间隔自相关值将变得很小，预测导致MSE增加。反之，如果考虑减采样，那么样本间隔远，而且预测长度增加，当P＝10，f_s＝500Hz的时候抽样间隔变为38ms，预测长度大大增加。

3、由于移动台的运动速度变化引起的信道状态改变一般都具有突变性，LRP算法需要经过大量观测值作为基础，如果无法在预测的时间段内计算出误差向量，不能及时更新权系数，输出的预测值与实际值相差太大，预测性能就会下降。

4、正常情况下，先对LRP信道预测算法为基础的数据进行抽取，通过训练序列得到AR模型系数，再用LRP信道预测算法进行预测，输出相应的预测值；引入一个决策模块，对过去的预测值的误差进行计算，因为AR模型属于线性滤波模型，若预测误差大于设定值E，则系统遭受非线性非高斯噪声的干扰，下一个时段进入粒子滤波修正阶段，并将粒子滤波的预测值作为LRP算法的预测值，由于粒子滤波可以很好的对抗非线性非高斯噪声，所以其输出的预测值可以很好的跟踪信道的状态变化。在系统重新调整好后再使用LRP预测算法。本发明的实施例中采用LMS方法而不采用比较复杂的MMSE方法。

5、利用得到的AR模型系数值，进行粒子滤波的序贯重要性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，例子范围，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。本发明的信道粒子的初始值设定为系统上次建立的AR滤波器的系数。序贯重要性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测量值进行加权运算，得到先验概率下的AR模型系数，然后算出先验概率下的信道估计值。这里信道的当前测量值就是第二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)个数越多，蒙特卡洛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。

6、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重进行归一化，得到各个粒子的新的权重值。

本发明对当前的AR模型系数进行粒子滤波修正，假设AR模型为P阶，将他的P阶系数视为P维向量P＝[p₁，p₂，...，p_n]。在P维向量的周围均匀取100个点，然后根据AR模型计算出预测的信道值；对于后验概率密度函数p(c_t|y_0:t)的贝叶斯估计可以表示为 $p\left(c_t\right|y_{0:t})=\frac{p\left(y_t\right|c_t)p\left(c_t\right|y_{0:t-1})}{p\left(y_t\right|y_{0:t-1})};$ 为了能够递归的计算p(c_t|y_0:t)的贝叶斯估计，这里采用序贯重要采样，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，也就是 $p\left(c_t\right|y_t)\≈\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_t^i\mathrm{\δ}(c_t-c_t^i),$ 这里的w_t表示粒子的权重，初始可以设置为1/P。δ这里为冲击函数，用来表示离散形式的后验概率密度，具体的表达式为 $w_t^i=w_{t-1}^i\frac{p\left(y_t\right|c_t)p\left(c_t\right|c_{t-1})}{\mathrm{\π}\left(c_t\right|c_{t-1},y_t)},$ π(c_t|c_t-1，y_t)表示了当前系统的先验函数，如果π(c_t|c_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达形式可以把 $w_t^i=w_{t-1}^i\frac{p\left(y_t\right|c_t)p\left(c_t\right|c_{t-1})}{\mathrm{\π}\left(c_t\right|c_{t-1},y_t)}$ 的问题化简为 $w_t^i=w_{t-1}^{i}p\left(y_t\right|c_t),$ 再用接收信号和信道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，也就是 $w_t^i=\frac{w_t^i}{{\mathrm{\Σ}}_i{w}_t^i},$ 这样就得到各个粒子新的权重值。再利用各个粒子进行加权，得到粒子滤波修正过后的AR模型系数，接着利用该系数向量计算下一步信道预测。

7、根据滤波器退化检测公式，滤波器性能低于门限值时，为了避免退化现象，采用了重采样方法。其基本思想是通过对后验概率密度再采样N次，产生新的支撑点集

保留或复制具有较大权值的粒子，剔除权值较小的粒子。

上述方法中的重采样步骤就是利用粒子滤波退化检测公式 $N_{\mathrm{eff}}=\frac{M}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\hat{w}}_n^{\left(i\right)}\right)}^2\right)}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\tilde{w}}_n^{\left(i\right)}\right)}^2\right)}$ 进行检测，M为重采样前的初始粒子个数，如果滤波器性能低于门限值，即当N_eff＜N_th(N_th＜M)，进行重采样算法。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，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。

8、在第五步中得到了所有粒子的值和更新的权值之后，把这些离散的粒子看做是AR系数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认为扩大粒子的取值范围，以便适应信道的变化。

9、进行加权运算，即对所有系数粒子值和它们的概率密度来求出数学期望值，得到当前时刻系数的准确信道估计值。在权重更新过程中，如果粒子滤波出现退化现象，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。

10、返回到第五步，进行下一时刻的迭代运算。

相对现有技术，本发明的有益效果在于：

本发明通过建立LRP信道预测方法得到信道的预测初始值，再对AR模型系数设置粒子范围和粒子数目，给出每个粒子的初始权重；根据接收的信号分别计算出每个粒子的权重值，并对每个粒子的权重值进行归一化，得到每个粒子的归一化权重值；利用贝叶斯原理，求出当前信道的概率分布函数值；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，从而完成信道信息的估计。本发明性能稳健，鲁棒性强，具有抗噪声能力强的特点，而且易于实现。

附图说明

图1为多普勒频移为230Hz时候信道自相关函数和采样图；

图2为本发明方法预测流程图；

图3为粒子滤波重采样方法示意图；

图4是是本方法在预测阶数10，采样频率降低为500Hz，4步预测长度(8ms)时和AR模型预测效果比较图；

图5本方法在4步预测长度(8ms)下和AR模型的预测误差比较图；

图6是本方法在预测阶数10，采样频率降低为500Hz，8步预测长度(16ms)时和AR模型的预测效果比较图；

图7是本方法在8步预测长度(16ms)下和AR模型的预测误差比较图。

具体实施方式

以下对本发明的方法作进一步的说明，

下面结合实施例对本发明的技术方案作进一步描述：

以移动台速度为120km/h，载频2GHz为例。最大多普勒频移为230hz即fdm＝230Hz。AR预测模型为10阶。在HSDPA环境下每时隙长度为0.667ms，常用的信道估计算法为在每时隙里面插入8个导频，则信道值数率为12kHz，信道值间隔0.083ms。由图1可以看出，即使是在fdm＝230Hz情况下，信道自相关值在0.083ms内仍然是很高的。实际应用则无需这么高的采样率。根据Duel-Hallen的LRP方法，考虑存储和计算成本，本发明在这里对信道值采用减采样处理方法。当移动台速度为120km/h时，以采样间隔为2ms的低采样率同样能够满足系统误差要求，同时延长了预测长度。

本发明进行信道预测的步骤如下：

先对以信道估计算法为基础的数据进行抽取，通过训练序列得到初始AR模型系数，设已知衰落信道系数的p个过去的采样值序列c(k-1)，...，c(k-p)，未来信道系数

的预测由p个过去的采样得出

$\hat{c}\left(k\right)=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{P}_{j}c(k-j)$

$e\left(k\right)=d\left(k\right)-\hat{c}\left(k\right)$

w(k+1)＝w(k)+2ue(k)c(k)

式中：d(k)代表所期望的响应；c(k)＝(c(k-1)，...，c(k-p))^T；μ称为收敛因子，它决定权向量收敛到最佳权系数向量的速率。

2、如图2所示，当系统AR线性预测误差超过门限值时，系统进入粒子滤波修正阶段，由于粒子滤波能够很好的对抗非线性非高斯噪声，所以其输出的预测值可以很好的跟踪信道的状态变化。在系统重新调整好后再使用LRP预测算法。

3、通过前两步，本发明可以得到5个信道历史值c＝(c₁，c₂，c₃，c₄，c₅)和5个AR模型系数P＝(p₁，p₂，p₃，p₄，p₅)，以五个系数为基础初始化粒子滤波器的初始粒子。确定粒子滤波器的例子范围和粒子个数，然后把每个粒子的权值设为1/M。M为粒子总数，本发明把五个AR系数看做一个五维向量，在向量空间中在该点周围随机取点作为粒子。本例中粒子数目可以设置为100。粒子步长

可以设定为0.1，粒子数目的增加会导致估计精度的增加，同时也导致计算复杂度增加，但是当粒子数目增加到一定程度，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作出权衡。

4、用噪声的估计方差得到条件为信道粒子值的接收信道值的条件分布p(c_t|y_t)，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，对噪声的估计不需要特别准确，可以根据不同的情况设置相应的噪声方差。在高速环境下，噪声方差可以设置的小一些，以便更快的跟踪上信道的变化，这里取噪声方差为0.2。如式 $\hat{c}\left(k\right)=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{p}_{j}c(k-j)+n$ 如果噪声方差已知，则系数的条件概率密度p(y_t|c_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，即 $w_t^i=\frac{w_t^i}{{\mathrm{\Σ}}_i{w}_t^i}.$

5、利用更新后的粒子和对应的权值估计出这个模型系数的估计。 $p\left(c_t\right|y_t)\≈\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_t^i\mathrm{\δ}(c_t-c_t^i).$ 再利用粒子滤波退化检测公式 $N_{\mathrm{eff}}=\frac{M}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\hat{w}}_n^{\left(i\right)}\right)}^2\right)}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\tilde{w}}_n^{\left(i\right)}\right)}^2\right)}$ 进行检测，M为重采样前的初始例子个数，如果滤波器性能低于门限值，即当N_eff＜N_th(N_th＜M)，进行重采样算法，目前广泛应用的重采样方法包括多项式重采样算法(Multinomial Resamping)，分层重采样算法(Stratified Resampling)，系统重采样算法(Systematic Resampling)。这里采用分层重采样算法，M表示重采样前粒子个数，对先验概率p(c_t|y_0: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对应的概率分布函数值越大。如图3所示，

具体实现步骤如下：

步骤0：粒子的初始化

k＝0，N_th＝N₀

令i＝1，2，3......N，进行采样 $c_0^i\∝p\left(x_0\right),$ 可以由p(x₀)分布采样得到

c₀ ⁱ，此时令k＝1

步骤1：粒子重要性采样

令i＝1，2，3......N，采样 $c_0^i\∝q\left(c_k\right|c_{0.k-1}^i,\left|y_{\begin{array}{cc}0& k\end{array}}\right)$

令 $c_{0k}^i=p(x_{0:k-1}^i,x_k^i)$

令i＝1，2，3......N，同时进行重要性权值的估计 $w_t^i=w_{t-1}^i\frac{p\left(y_t\right|c_t)p\left(c_t\right|c_{t-1})}{\mathrm{\π}\left(c_t\right|c_{t-1},y_t)}$

然后讲重要性权值进行归一化处理： $w_t^i=\frac{w_t^i}{{\mathrm{\Σ}}_i{w}_t^i}$

步骤2：判断例子退化情况，决定是否进行粒子重采样

从(c_k ⁱ：i＝1，2，3......N)集合中根据w_t ⁱ重新采样得到新的N个粒子的集合 $(c_k^{{*}_i}:i=\mathrm{1,2,3}......N),$ 重新分配粒子权值 $w_t^i=1/N$

若N_eff≥N_th，返回到步骤1。其中 $N_{\mathrm{eff}}=\frac{M}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\hat{w}}_n^{\left(i\right)}\right)}^2\right)}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left({\left({\tilde{w}}_n^{\left(i\right)}\right)}^2\right)}$

步骤3：粒子重要性采样重采样(SIR)

采用不同的重采样算法根据归一化权值w_t ⁱ从集合(c_0k ⁱ：i＝1，2，3......N)中替补抽样N个粒子 $(c_{0k}^{{*}_i}:i=\mathrm{1,2,3}......N),$ $(w_k^{{*}_i}=1/N,i=1,...,N)$

步骤4：输出阶段

输出粒子{(x_k ⁽ⁱ⁾，w_k ⁽ⁱ⁾)，i＝1，...，N)}，得到当前时刻的后验均值估计。

步骤5：令k＝k+1，当下一测量值到来时，返回步骤1。

6、最后根据利用粒子滤波器估计出来的模型系数，计算出下一时刻信道估计值 $\hat{c}\left(k\right)=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{P}_{j}c(k-j),$ 从而为下一环节的系统资源调度或者编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洛采样原理的基础上采用序贯重要性采样法和基于概率分布函数的重采样法对LRP信道预测算法进行修正，仿真结果表明这种信道预测方法非线性非高斯噪声环境下好于传统的线性信道预测，如图4至图7所示。图4至图7表示基于粒子滤波的信道估计算法最小均方误差(MSE)性能好于基于(LRP)的信道修正方法。图表示基于粒子滤波的信道估计算法最小均方误差(MSE)性能好于基于扩展卡尔曼(EKF)的信道修正方法。

Claims (3)

1.一种基于粒子滤波修正的信道预测方法，其特征在于包括以下步骤：

a.将信道的历史信息通过训练序列得到AR线性预测模型，再用LRP信道预测算法进行预测，并输出预测值；

b.对输出的预测值与实际值进行误差计算，若预测值与实际值之间的误差e小于设定值E，则采用LRP信道预测算法的预测值作为信道估计值；若预测值与实际值之间的误差e大于设定值E，则系统受非线性非高斯噪声的干扰，下一个时段进入粒子滤波器进行粒子滤波修正，并将粒子滤波的预测值作为先验概率下的信道估计值；

c.更新AR线性预测模型的系数，并进行下一时段的信道预测；

该粒子滤波修正包括对粒子滤波的序贯重要性采样法的初始化设置，其中初始化设置包括设置信道粒子的数目、粒子范围及各个粒子所对应的权重，信道粒子的初始值设定为步骤a中建立的AR线性预测模型的系数，序贯重要性采样法对信道随机粒子的先验概率和信道的实际值进行加权运算，算出先验概率下的信道估计值，然后对先验概率下的AR线性预测模型系数进行粒子滤波更新，得到以当前接收信号为条件的信道粒子值的后验概率；

上述对AR线性预测模型系数进行粒子滤波更新的方法为：

假设AR模型为P阶，将其视为P维向量P＝[p₁，p₂，...，p_n]，在P维向量的周围均匀取100个点，然后根据AR线性预测模型计算出预测的信道值；对于后验概率密度函数p(c_t|y_o∶t)的贝叶斯估计表示为

采用序贯重要采样，也就是

这里的w_t表示粒子的权重，初始设置为1/P，δ这里为冲击函数，用来表示后验概率密度，表达式为π(c_t|c_t-1，y_t)表示当前系统的先验概率函数，当π(c_t|c_t-1，y_t)无限接近后验概率函数，先验概率函数的表达形式化简为

再用接收信号和信道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；然后对所有粒子的权值进行归一化，也就是

得到各个粒子新的权重值，再利用各个粒子进行加权，得到粒子滤波修正过后的AR线性预测模型系数，接着利用该系数向量计算下一步信道预测；

在上述所有粒子的值和更新的权值之后，把这些离散的粒子作为AR线性预测模型系数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。

2.根据权利要求1所述的基于粒子滤波修正的信道预测方法，其特征在于：通过对后验概率密度重采样N次，产生新的支撑点集

保留或复制具有较大权值的粒子，剔除权值较小的粒子。

3.根据权利要求2所述的基于粒子滤波修正的信道预测方法，其特征在于：上述重采样步骤是利用粒子滤波退化检测公式进行检测，M为重采样前的初始粒子个数，如果滤波器性能低于门限值，当N_eff＜N_th，N_th＜M，进行重采样算法。

Images