CN102215188B - 改进人工蜂群粒子滤波信道估计方法 - Google Patents
改进人工蜂群粒子滤波信道估计方法 Download PDFInfo
- Publication number
- CN102215188B CN102215188B CN 201110165789 CN201110165789A CN102215188B CN 102215188 B CN102215188 B CN 102215188B CN 201110165789 CN201110165789 CN 201110165789 CN 201110165789 A CN201110165789 A CN 201110165789A CN 102215188 B CN102215188 B CN 102215188B
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- particles
- new
- primary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的目的在于提供改进人工蜂群粒子滤波信道估计方法,包括以下步骤:写出待估计变量的状态方程和观测方程,从建议分布中采样产生初始粒子和相应权值,将初始粒子中随机抽取半数粒子进行优化,计算适应度函数值,并归一化得到概率值,概率值最大的粒子为全局最优点,根据概率值确定粒子的复制数量,复制的粒子要在最优值附近搜索产生新值,搜索要向最优值方向,将产生的新粒子再次计算适应度函数和概率值、并与原粒子比较,若新粒子的概率大则保留,反之放弃,如此迭代,当达到设定迭代次数时停止,将优化后的粒子和剩余的半数初始粒子联合作为粒子滤波的建议分布实现信道估计。本发明收敛速度快、计算量少、估计精度高。
Description
技术领域
本发明涉及的是一种信号处理的方法。
背景技术
粒子滤波适用于任何非线性非高斯系统的状态估计问题,使用非常灵活,被广泛应用于各个工程领域。粒子滤波的建议分布是否恰当直接关系到粒子滤波的估计精度和估计效率。Ronghua Guo等人采用Unscented卡尔曼滤波确定粒子滤波的建议分布([1]Ronghua Guo,Zheng Qin,Chen Chen.An adaptiveunscented particle filter for tracking ground maneuveringtarget.Proceedings of IEEE international conference on mechatronics andautomation.2007:2138-2143P),但这种方法将粒子的后验概率分布近似为高斯分布,不满足这一条件时该方法的估计精度有限。而群智能优化算法对系统没有任何限制,因此将群智能优化算法与粒子滤波相结合既能保证粒子滤波在各类系统中的广泛适用性又能提高粒子滤波的估计精度,是近年来研究人员的研究重点。Seongkeun Park等人采用遗传算法优化粒子滤波的建议分布([2]Seongkeun Park,Jae Pil Hwang,Euntai Kim.A new evolutionary particlefilter for the prevention of sample impoverishment.IEEE transactionson evolutionary computation.2009,(13):801-809P),提高了算法的估计精度但遗传算法收敛速度较慢,计算量大。Gongyuan Zhang等人采用粒子群优化算法优化粒子滤波的建议分布([3]Gongyuan Zhang,Yongmei cheng,FengYang,et al.Particle filter based PSO.2008 international conferenceon intelligent computation and automation.2008:121-124P),粒子群优化算法的优化效率要高于遗传算法,但计算量大,计算复杂。
发明内容
本发明的目的在于提供收敛速度快、计算量少、估计精度高的改进人工蜂群粒子滤波信道估计方法。
本发明的目的是这样实现的:
本发明改进人工蜂群粒子滤波信道估计方法,其特征是:
(1)写出待估计变量的状态方程和观测方程,从建议分布中采样产生初始粒子和相应权值:
采用一阶AR模型模拟瑞利衰落信道,状态方程为:观测方程为:其中Hk为k时刻信道状态值, 为第一类零阶Bessel函数,fdTS为归一化多普勒频移,为复高斯白噪声,Yk为观测值,Xk为已知发送符号信息,Wk为高斯噪声;
(2)将初始粒子中随机抽取半数粒子进行优化,计算每个待优化粒子的适应度函数值,并归一化得到概率值:
(3)概率值最大的粒子为全局最优点,根据概率值确定粒子的复制数量,复制的粒子要在最优值附近搜索产生新值,搜索要向最优值方向:
复制后的粒子按下式向最优值方向搜索产生新粒子:
r1、r2均为0到1之间的值;
(4)将产生的新粒子再次计算适应度函数和概率值、并与原粒子比较,若新粒子的概率大于原粒子则保留新粒子,若新粒子的概率小于原粒子则放弃新粒子,如此反复迭代:
(5)设定步骤(4)的迭代次数,当达到设定迭代次数时停止迭代,将优化后的粒子和步骤(2)中剩余的半数初始粒子联合作为粒子滤波的建议分布实现信道估计。
本发明的优势在于:本发明收敛速度快、计算量少、估计精度高,适合任意非线性非高斯系统的状态估计问题。
附图说明
图1为本发明的流程图;
图2(a)为信道实际值图2(b)为改进人工蜂群粒子滤波估计值;
图3为本发明改进人工蜂群粒子滤波(IABCPF)与一般粒子滤波(PF)及unscented粒子滤波(UPF)信道估计精度比较;
图4为本发明改进人工蜂群粒子滤波(IABCPF)与遗传(GA)优化的粒子滤波、粒子群优化(PSO)粒子滤波的收敛速度比较。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~4,采用改进人工蜂群粒子滤波算法估计瑞利快衰落信道。
写出待估计变量的状态方程和观测方程。从建议分布中采样产生初始粒子和相应权值。
采用一阶AR模型模拟瑞利衰落信道,状态方程为:
观测方程为:
其中:Hk为k时刻信道状态值;为第一类零阶Bessel函数,fdTS为归一化多普勒频移,本例中模拟快衰落信道;为复高斯白噪声;Yk为观测值;Xk为已知发送符号信息;Wk为高斯噪声。
将初始粒子中随机抽取半数粒子进行优化,计算每个待优化粒子的适应度函数值,并归一化得到概率值。
归一化得到概率值:
概率值最大的粒子为全局最优点,根据概率值确定粒子的复制数量,复制的粒子要在最优值附近搜索产生新值,搜索要向最优值方向。
复制后的粒子按下式向最优值方向搜索产生新粒子:
r1、r2均为0到1之间的值,本例中均取0.5。
将产生的新粒子再次计算适应度函数和相应概率值,与原粒子比较,若新粒子的概率大则保留新粒子,若新粒子的概率小于原粒子则放弃新粒子,如此反复迭代。
达到设定迭代次数时停止迭代。将优化后的粒子和其余半数初始粒子联合作为粒子滤波的建议分布实现信道估计。
k时刻信道估计值Hk为:
采用改进人工蜂群粒子滤波算法估计信道结果如图2(b)所示。
图3为本发明改进人工蜂群粒子滤波(IABCPF)算法与一般粒子滤波算法(PF)及文献[1]中采用的unscented粒子滤波算法(UPF)进行信道估计精度比较。图3表明了本发明算法的估计精度优于文献[1]中的UPF算法和一般粒子滤波算法(PF)。
图4为本发明改进人工蜂群粒子滤波(IABCPF)算法与遗传优化粒子滤波算法(GA)、粒子群优化粒子滤波算法(PSO)的收敛速度比较。其中,采用遗传优化粒子滤波算法(GA)为文献[2]中的改进算法,粒子群优化粒子滤波算法(PSO)为文献[3]中的改进算法。图4表明了本发明提出的改进人工蜂群算法收敛速度最快。
本发明所述的将初始粒子中的半数粒子进行优化,其主要内容为:粒子的多样性是保证估计精度的关键,半数粒子保持不变,可以保持粒子多样性,其余半数粒子进行优化,使粒子向最优方向移动,可以提高估计精度,通过减少优化粒子数量实现了降低计算量。
本发明所述的搜索要向最优值方向,其主要内容为:不同于一般人工蜂群算法,每一次迭代粒子在限定范围内随机产生,改进人工蜂群算法每次迭代中粒子朝最优方向搜索,从而提高的收敛速度。
Claims (1)
1.改进人工蜂群粒子滤波信道估计方法,其特征是:
(1)写出待估计变量的状态方程和观测方程,从建议分布中采样产生初始粒子和相应权值:
采用一阶AR模型模拟瑞利衰落信道,状态方程为:Hk=aHk-1+Vk-1,观测方程为:Yk=XkHk+Wk,其中Hk为k时刻信道状态值,a=J0(2πfdTs),为第一类零阶Bessel函数,fdTS为归一化多普勒频移,Vk-1为复高斯白噪声,Yk为观测值,Xk为已知发送符号信息,Wk为高斯噪声;
(2)将初始粒子中随机抽取半数粒子进行优化,计算每个待优化粒子的适应度函数值,并归一化得到概率值:
(3)概率值最大的粒子为全局最优点,根据概率值确定粒子的复制数量,复制的粒子要在最优值附近搜索产生新值,搜索要向最优值方向:
gbest=argmax(Pj),gbest为当前的全局最优解,
复制后的粒子为:
复制后的粒子按下式向最优值方向搜索产生新粒子:
(4)将产生的新粒子再次计算适应度函数和概率值、并与原粒子比较,若新粒子的概率大于原粒子则保留新粒子,若新粒子的概率小于原粒子则放弃新粒子,如此反复迭代:
(5)设定步骤(4)的迭代次数,当达到设定迭代次数时停止迭代,将优化后的粒子和步骤(2)中剩余的半数初始粒子联合作为粒子滤波的建议分布实现信道估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110165789 CN102215188B (zh) | 2011-06-20 | 2011-06-20 | 改进人工蜂群粒子滤波信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110165789 CN102215188B (zh) | 2011-06-20 | 2011-06-20 | 改进人工蜂群粒子滤波信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102215188A CN102215188A (zh) | 2011-10-12 |
CN102215188B true CN102215188B (zh) | 2013-10-30 |
Family
ID=44746323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110165789 Expired - Fee Related CN102215188B (zh) | 2011-06-20 | 2011-06-20 | 改进人工蜂群粒子滤波信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102215188B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104579588B (zh) * | 2015-02-05 | 2018-01-30 | 哈尔滨工业大学 | 用于空间调制信号的检测方法 |
KR101974455B1 (ko) * | 2017-12-22 | 2019-05-03 | 인천대학교 산학협력단 | 사회적 사물 인터넷을 기반으로 빅 데이터의 특징 선택 모델링 최적화 장치 및 방법 |
CN117150874B (zh) * | 2023-09-15 | 2024-04-16 | 齐齐哈尔大学 | 基于粒子滤波算法的刀具磨损状态预测算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1866763A (zh) * | 2006-05-11 | 2006-11-22 | 上海交通大学 | 基于粒子滤波的信道估计方法 |
CN101459455A (zh) * | 2007-12-14 | 2009-06-17 | 华为技术有限公司 | 信道估计方法、信号检测方法及装置 |
CN101662433A (zh) * | 2009-06-23 | 2010-03-03 | 中山大学 | 一种基于粒子滤波修正的信道预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007137484A1 (fr) * | 2006-05-11 | 2007-12-06 | Shanghai Jiao Tong University | Procédé et dispositif d'estimation de canaux |
-
2011
- 2011-06-20 CN CN 201110165789 patent/CN102215188B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1866763A (zh) * | 2006-05-11 | 2006-11-22 | 上海交通大学 | 基于粒子滤波的信道估计方法 |
CN101459455A (zh) * | 2007-12-14 | 2009-06-17 | 华为技术有限公司 | 信道估计方法、信号检测方法及装置 |
CN101662433A (zh) * | 2009-06-23 | 2010-03-03 | 中山大学 | 一种基于粒子滤波修正的信道预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102215188A (zh) | 2011-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN105469611B (zh) | 一种短时交通流预测模型方法 | |
CN103674001B (zh) | 一种基于增强自适应时频峰值滤波的光纤陀螺去噪方法 | |
CN108845306A (zh) | 基于变分模态分解的激光雷达回波信号去噪方法 | |
CN103117817B (zh) | 一种时变衰落信道下的频谱检测方法 | |
CN104677632A (zh) | 利用粒子滤波与谱峭度的滚动轴承故障诊断方法 | |
CN102832617B (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
CN102215188B (zh) | 改进人工蜂群粒子滤波信道估计方法 | |
CN103684350B (zh) | 一种粒子滤波方法 | |
Feng et al. | Overview of nonlinear Bayesian filtering algorithm | |
CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
CN113642508A (zh) | 基于参数自适应vmd与优化svm的轴承故障诊断方法 | |
CN113051529A (zh) | 一种基于统计观测局地化均权重粒子滤波数据同化方法 | |
CN110659620A (zh) | 基于模糊控制的滤波降噪方法 | |
CN110118979B (zh) | 基于广义互熵的改进差分进化算法估计多径参数的方法 | |
CN102339270B (zh) | 自适应重采样粒子滤波算法 | |
Zhang et al. | A smarter particle filter | |
CN103793614A (zh) | 突变滤波算法 | |
CN112396297B (zh) | 一种洪水过程遭遇时间和量级发生规律的解析方法和系统 | |
CN110111275A (zh) | 一种信号降噪的方法、系统及计算机存储介质 | |
Khorshidi et al. | GA-inspired particle filter for mitigating severe sample impoverishment | |
CN107330468B (zh) | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 | |
CN112907953B (zh) | 一种基于稀疏gps数据的公交行程时间预测方法 | |
Zhang et al. | Design of an adaptive particle filter based on variance reduction technique | |
Jiang et al. | Frequency hopping signal parameter estimation algorithm based on time-frequency point correlation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131030 Termination date: 20190620 |
|
CF01 | Termination of patent right due to non-payment of annual fee |