CN114826452B - 一种低SNR下Nakagami-m参数估计方法、系统、设备及终端 - Google Patents

一种低SNR下Nakagami-m参数估计方法、系统、设备及终端 Download PDF

Info

Publication number
CN114826452B
CN114826452B CN202210273136.4A CN202210273136A CN114826452B CN 114826452 B CN114826452 B CN 114826452B CN 202210273136 A CN202210273136 A CN 202210273136A CN 114826452 B CN114826452 B CN 114826452B
Authority
CN
China
Prior art keywords
moment
noise
nakagami
algorithm
inv
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.)
Active
Application number
CN202210273136.4A
Other languages
English (en)
Other versions
CN114826452A (zh
Inventor
任光亮
李欢
丁健
邵佳琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202210273136.4A priority Critical patent/CN114826452B/zh
Publication of CN114826452A publication Critical patent/CN114826452A/zh
Application granted granted Critical
Publication of CN114826452B publication Critical patent/CN114826452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3911—Fading models or fading generators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于通信技术领域，公开了一种低SNR下Nakagami‑m参数估计方法、系统、设备及终端，利用Nakagami‑m生成模型和高斯白噪声产生实际中服从Nakagami‑m分布的衰落数据，对INV算法偶数阶矩去掉噪声的影响，定量分析去掉噪声的偶数阶矩对INV算法的影响，对INV算法添加修正项，计算修正项系数，给出算法的表达式和实现形式。本发明重点分析低SNR时影响传统算法性能的因素，并对该因素进行数学建模，该模型取决于SNR和采样点数目M，针对该因素提出改进算法，适用于民用移动通信中衰落参数描述、军事领域散射通信中参数估计以及链路自适应技术，结果表明该算法大大提高了低SNR下的估计精度。

Description

一种低SNR下Nakagami-m参数估计方法、系统、设备及终端
技术领域
本发明属于通信技术领域，尤其涉及一种低SNR(Signal to Noise Ratio)下Nakagami-m参数估计方法、系统、设备及终端。
背景技术
目前，在移动通信系统中，信道是整个通信传输的基础，信道衰落特性影响着整个通信系统的传输速率和传输方案。在移动通信系统中关于衰落信道的建模通常有Rayleigh、Rice信道等，但是这两种信道模型和实际信道数据相差太大，后来人们基于提出了一种具备一般性的Nakagami-m信道模型。Nakagami信道模型可以模拟一般性的衰落信道，特别适合那些衰落处于Rayleigh和Rice之间的衰落模型也包含这两种衰落，因此Nakagami-m信道模型能更准确描述信道的真实环境。现有的算法基本考虑的都是高SNR的环境，一部分算法基对于噪声的影响忽略不计。这些算法在低信噪比下估计性能很差，原因在于低信噪比下噪声对矩的各阶矩估计的影响是非常大的。有学者研究了噪声对矩估计器的影响，也只是研究对偶数阶矩的影响，但是一个重要的问题在于当信道采样点数有限时，噪声对奇数阶矩也存在不可忽略的干扰项，这个干扰项对矩估计算法的所有阶矩都会产生影响，而现有的论文并未考虑到这一点，导致这些算法在低SNR下的估计精度大大降低。最终导致了在低SNR下并没有合适的估计算法。
散射通信由于其优异的稳定性、保密性以及抗干扰特性而广泛应用于军事领域。散射信道由于信道的特殊性在不同时刻下时延功率谱相差较大，单纯用Rayleigh和Rice描述其衰落特性是比较粗糙的，此时用Nakagami-m衰落模型来刻画散射信道更加合适。散射信道具有独特的信道特性，首先是路径损耗大，这意味着接收端的SNR会比较低，其次散射信道频率选择性衰落严重，且衰落具备慢时变特性，这些因素都会导致散射通信系统频带利用率下降。此时基于Nakagami-m参数的链路自适应技术可以有效地提高系统吞吐量，那么就需要接收端在较低的SNR下能够准确地估计衰落参数m。
近些年来，有很多文献都在研究Nakagami-m的估计，其中绝大部分论文研究的都是无噪声环境下或者高信噪比下的m参数估计。Abdi和Kaveh利用参数m的定义，利用Nakagami-m分布的二阶和四阶无噪声样本矩，提出了m的逆归一化方差(INV)估计。而样本矩随着阶数升高，其估计算法会导致估计的不准确性。所以对于估计算法来说，也应该考虑低阶样本矩。也有学者利用Nakagami-m分布的一阶和三阶矩的比值，提出了m参数估计算法，进一步推广到基于分数阶矩的m参数估计算法。有学者基于分布的一阶矩、二阶矩和三阶矩提出了新的改进算法，也加入了对称分布噪声，但其考虑的信噪比为高信噪比20dB。Chen和Beaulieu研究了加性高斯白噪声(AWGN)下的m参数估计问题，提出了一种基于四阶矩条件的矩估计器，但是这种估计器仅考虑了噪声的偶数阶矩，在低SNR下估计精度较差。Tepedelenlioglu和Gao提出了一种新的基于整数矩的m参数估计算法，可用于无噪声和AWGN环境，其考虑的也是高信噪比条件下，而且该算法需要进行搜索拟合，并未考虑噪声的影响。有学者提出了基于广义矩估计的近似闭式解得到一二阶矩的广义矩估计算法，应用在无噪声估计中性能良好，且算法简单，但是在算法分析时也没考虑噪声的影响。也有文献基于极大似然(ML)的m参数估计算法是一个包含自然对数函数和双gamma函数的超越方程的解，并且在高斯噪声存在时是利用处理数据使之逐渐逼近无噪声的超越方程解的方法进行推导，但是该方法存在严重缺陷，计算量太高，无法实用。
然而，基于矩估计的各种算法更适合无噪的环境或者高信噪比的环境，在实际中也只应用于信道条件比较好的通信场景，但是对于一些低SNR的通信场景来说，尤其是散射信道来说，无法准确估计m参数。另外，有些算法需要比较大的信道采样点，如果实际通信系统采样点较少，也难以有好的估计效果。
通过上述分析，现有技术存在的问题及缺陷为：
(1)在移动通信系统中关于衰落信道的建模通常有Rayleigh、Rice信道等，但是这两种信道模型和实际信道数据相差太大。
(2)散射信道由于信道的特殊性在不同时刻下时延功率谱相差较大，单纯用Rayleigh和Rice描述其衰落特性是比较粗糙的。
(3)由于样本矩随着阶数升高，现有估计算法会导致估计的不准确性；同时现有的改进算法考虑的信噪比为高信噪比条件。
(4)现有算法适合无噪的环境或者高信噪比的环境，对于一些低SNR的通信场景来说，尤其是散射信道来说，无法进行准确估计；有的算法需要比较大的信道采样点，如果实际通信系统采样点较少，也难以有好的估计效果。
发明内容
针对现有技术存在的问题，本发明提供了一种低SNR下Nakagami-m参数估计方法、系统、设备及终端，尤其涉及一种低信噪比下估计Nakagami-m参数的新方法。
本发明是这样实现的，一种低SNR下Nakagami-m参数估计方法，所述低SNR下Nakagami-m参数估计方法包括：在低SNR的情况下，噪声会对矩估计器的偶数阶矩产生较大的干扰，更重要的是，噪声的奇数阶矩也不能被忽略，而这会进一步加大噪声对偶数阶矩的影响，这些影响极大的降低了m参数的估计性能。而本发明则是在这一事实上所作的改进。具体来说，本发明是在原始INV算法上做的改进。原始的INV算法需要利用信道采样点二四阶进行估计，本发明首先对实际的二四阶矩进行去噪得到新的二四阶矩，但是一三阶矩的存在使得新得到的二四阶矩依然受到噪声的影响。所以，本发明首次分析并建立了噪声在一三阶矩下的数学模型，并且推导了该模型对新得到的二四阶矩的影响，随后首次提出采用激活函数作修正项的方式来减小该影响，最后推导了激活函数的参数，并给出了基于迭代方式的实现形式。利用Nakagami-m生成模型和高斯白噪声产生实际中服从Nakagami-m分布的衰落数据，对INV算法偶数阶矩去掉噪声项带来的影响，定量分析此时新的偶数阶矩对INV算法的影响，对此时的INV算法添加修正项，计算修正项的系数，最后给出算法的表达式和实现形式。
进一步，所述低SNR下Nakagami-m参数估计方法包括以下步骤：
步骤一，利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，给定信噪比γ，生成10000个高斯白噪声n，得到实际中的衰落
Figure BDA0003554856020000041
步骤二，计算
Figure BDA0003554856020000042
的一、二、三、四阶矩μ1，μ2，μ3，μ4；对INV算法偶数阶矩去掉噪声影响，获取接收端系统的平均信噪比
Figure BDA0003554856020000043
步骤三，根据
Figure BDA0003554856020000044
的二四阶矩展开公式对
Figure BDA0003554856020000045
的二阶矩和四阶矩去掉噪声，计算消除噪声后的H的二阶矩
Figure BDA0003554856020000046
和四阶矩
Figure BDA0003554856020000047
步骤四，结合低SNR下噪声n一三阶矩的实际模型，定量分析
Figure BDA0003554856020000048
和
Figure BDA0003554856020000049
对INV算法产生的影响，并得到推导结果；
步骤五，结合步骤四中对
Figure BDA00035548560200000410
的分析结果构建修正项模型，推导模型的相关系数，提出利用添加修正项τ的方式消除
Figure BDA00035548560200000411
的影响；
步骤六，给出最终的m参数估计器表达式，并给出对应的实现形式，再此基础上检测低SNR下不同参数估计算法的均值和归一化均方误差。
步骤一的作用：通过模型和噪声模拟接收端的采样数据，为后面参数估计提供数据基础。步骤二的作用：得到采样点的各阶矩，方便后面各阶矩的去噪和分析。步骤三的作用：对偶数阶矩去噪，尽量减小噪声对偶数阶矩的影响。步骤四的作用：推导噪声一三阶矩对去噪后偶数阶矩的影响。步骤五的作用：构建修正项模型进一步减小噪声一三阶矩的影响。步骤六的作用：给出最终结果，并验证结果。
进一步，所述步骤一中，利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，M取10000；给定信噪比γ，γ的范围为0dB～10dB，生成10000个高斯白噪声采样点n，将H和n相加得到实际中的衰落
Figure BDA00035548560200000412
Figure BDA00035548560200000413
进一步，所述步骤二中的计算
Figure BDA0003554856020000051
的一、二、三、四阶矩如下所示：
Figure BDA0003554856020000052
所述步骤三中的获取接收端系统的平均信噪比
Figure BDA0003554856020000053
为：
Figure BDA0003554856020000054
所述步骤四中的计算消除噪声后的
Figure BDA0003554856020000055
的二阶矩
Figure BDA0003554856020000056
和二阶矩
Figure BDA0003554856020000057
为：
Figure BDA0003554856020000058
Figure BDA0003554856020000059
Figure BDA00035548560200000510
其中，
Figure BDA00035548560200000511
表示从采样点计算得到的噪声功率。
进一步，所述步骤五中的分析
Figure BDA00035548560200000512
和
Figure BDA00035548560200000513
对INV产生的影响包括：
(1)理想条件下的INV算法在得到理想二阶矩u2和理想四阶矩u4后，通过下式估计m参数：
Figure BDA00035548560200000514
(2)对
Figure BDA00035548560200000515
和
Figure BDA00035548560200000516
进行分析：
在低信噪比下，噪声的奇数阶矩服从正态分布：
Figure BDA00035548560200000517
其中，ni表示噪声样本，Δ1表示噪声的一阶矩，Δ2表示噪声的三阶矩，根据中心极限定理，Δ1和Δ2都服从正态分布，而且Δ1和Δ2是具有一定的相关性，经过计算得到Δ1和Δ2的具体分布参数以及相关系数ρ，如下式所示：
Figure BDA00035548560200000518
Figure BDA0003554856020000061
Figure BDA0003554856020000062
Figure BDA0003554856020000063
和
Figure BDA0003554856020000064
理论分析如下式所示：
Figure BDA0003554856020000065
通过理论推导得：
Figure BDA0003554856020000066
Figure BDA0003554856020000067
(3)对
Figure BDA0003554856020000068
进行建模：
Figure BDA0003554856020000069
Figure BDA00035548560200000610
其中，Δ表示实际中
Figure BDA00035548560200000611
与理想INV估计中
Figure BDA00035548560200000612
之差，当Ω确定时，E[R]随之确定，则Δ是两个正态分布相加，结果为正态分布；实际中Δ服从高斯分布N1，
Figure BDA00035548560200000613
服从高斯分布N2：
N1～N(0,f(γ，M))
Figure BDA00035548560200000614
新的INV算法如下式所示：
Figure BDA00035548560200000615
进一步，所述步骤六中的结合步骤五对
Figure BDA0003554856020000071
的分析给出修正项包括：
(1)对
Figure BDA0003554856020000072
进行修正分析：
结合步骤五，得到的新的INV分母实际上服从高斯分布N2，其中N2的均值是理想值，N2的方差与平均信噪比
Figure BDA0003554856020000073
和采样点M有关系；当采样点M固定时，
Figure BDA0003554856020000074
N1的方差随着
Figure BDA0003554856020000075
提高而下降；Ω的大小并不影响参数估计，故令Nakagami分布中的Ω取1。
(2)对
Figure BDA0003554856020000076
添加τ修正项，并计算修正项系数：
对原始INV算法添加修正项τ，在低信噪比下，N1的方差较大，则相应的τ也较大；高信噪比下，N1的方差较小，则相应的τ也会变小。
利用激活函数模拟修正项τ，激活函数取决于三个参数，分别是两端的极限值和中值点；左边极限值因为
Figure BDA0003554856020000077
较小而比较高；右端极限值由于
Figure BDA0003554856020000078
较高可以设置为0；而中值取决于m的大小，故将激活函数设置如下：
Figure BDA0003554856020000079
k1的计算：考虑m较大，信噪比较低时，
Figure BDA00035548560200000710
是单边高斯分布；故求解τ的上限值：
Figure BDA00035548560200000711
最终计算得到
Figure BDA00035548560200000712
k2的计算：通过离线搜索得到k2的近似值，且k2＝1/2；
最终修正项τ表示为：
Figure BDA00035548560200000713
(3)给出m参数估计器的迭代实现算法：
Figure BDA0003554856020000081
对于τ，给定初值，m取10；采用迭代算法，迭代次数取10，算法包括：
①c取初始值m/2＝5记为c0，利用新算法估计m的值，记为m0，记迭代次数k＝0；
②判断此时k是否到达最大迭代次数，如果到达，结束迭代过程；否则，令ck＝mk/2，k＝k+1，进入步骤③；
③将ck重新带入新算法中重新估计m的值，记为mk，进入步骤②。
本发明的另一目的在于提供一种实施所述的SNR下Nakagami-m参数估计方法的SNR下Nakagami-m参数估计系统，所述SNR下Nakagami-m参数估计系统包括：
实际衰落计算模块，用于利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，给定信噪比γ，生成10000个高斯白噪声n，得到实际中的衰落
Figure BDA0003554856020000082
阶矩和信噪比计算模块，用于计算
Figure BDA0003554856020000083
的一、二、三、四阶矩μ1，μ2，μ3，μ4；对INV算法偶数阶矩去掉噪声影响，获取接收端系统的平均信噪比
Figure BDA0003554856020000084
噪声消除模块，用于根据
Figure BDA0003554856020000085
的二四阶矩展开公式对
Figure BDA0003554856020000086
的二阶矩和四阶矩去掉噪声，计算消除噪声后的
Figure BDA0003554856020000087
的二阶矩
Figure BDA0003554856020000088
和二阶矩
Figure BDA0003554856020000089
定量分析模块，用于结合低SNR下一三阶矩的实际模型，定量分析
Figure BDA00035548560200000810
和
Figure BDA00035548560200000811
对INV产生的影响，并得到推导结果；
修正项添加模块，用于结合定量分析模块中对
Figure BDA00035548560200000812
的分析结果构建修正项模型，推导模型的相关系数，提出利用添加修正项τ的方式消除
Figure BDA00035548560200000813
的影响；
参数估计模块，用于给出最终的m参数估计器表达式，并给出对应的实现形式，在此基础上检测低SNR下不同参数估计算法的均值和归一化均方误差。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
利用Nakagami-m生成模型和高斯白噪声产生实际中服从Nakagami-m分布的衰落数据，对INV算法偶数阶矩去掉噪声的影响，定量分析去掉噪声的偶数阶矩对INV算法的影响，对所述INV算法添加修正项，计算修正项的系数，最后给出算法的表达式和实现形式。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
利用Nakagami-m生成模型和高斯白噪声产生实际中服从Nakagami-m分布的衰落数据，对INV算法偶数阶矩去掉噪声的影响，定量分析去掉噪声的偶数阶矩对INV算法的影响，对所述INV算法添加修正项，计算修正项的系数，最后给出算法的表达式和实现形式。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的SNR下Nakagami-m参数估计系统。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明与现有技术相比具有以下优点：
第一，针对当前各种m参数算法都难以应用在低SNR下的的问题，本发明分析了低SNR下的噪声对奇数阶矩的影响。在低信噪比下只有在采样点数M无限大时噪声N0的各奇数阶矩才为零，但是实际上的采样点数M是有限的，根据中心极限定理可知噪声N0的奇数阶矩服从高斯分布。结合采样点M和当前系统SNR对奇数阶矩进行定量的数学建模，这个模型体现出了低SNR下有限采样点下当对m参数估计算法的影响。
第二，分析了噪声对m参数估计算法产生影响的基础上，本发明提出了通过添加修正项τ来减小m参数估计的误差范围。具体来说，本发明也提出了相应的修正项模型来解决噪声带来的影响。
第三，无论是分析、建模噪声的影响还是提出修正项的模型，这一改进思想不仅适用于实数信道，也适合于复数信道，而且最重要的是适合一部分估计器，可以应用于传统的基于矩估计的m参数估计算法中。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明提出了一种新的m参数估计算法。本发明是在基于阶矩的估计算法上进行的改进，主要原因是复杂度低，容易实现，适用性强。
本发明涉及通信中信道参数估计技术，进一步涉及到低SNR下估计Nakagami-m参数的方法，可以用于民用移动通信中衰落参数的描述，还可以应用于军事领域散射通信中参数估计以及链路自适应技术。
本发明重点分析了低SNR时影响传统算法性能的因素，并对该因素进行了数学建模，该模型主要取决于SNR和采样点数目M，最后针对该因素提出了改进算法，结果表明本发明提出的算法大大提高了低SNR下的估计精度。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
本发明的技术方案填补了国内外业内技术空白：本发明主要针对低SNR下传统方法无法准确估计Nakagami分布中m参数的问题，首次对影响该问题的噪声因素进行了详细分析，尤其时首次分析了噪声的奇数阶矩带来的影响，随后提出了利用修正项来减小该影响，从而大大提高了低SNR下估计性能。这也是目前首次针对低SNR下m参数估计的研究方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的低SNR下Nakagami-m参数估计方法流程图；
图2是本发明实施例提供的低SNR下Nakagami-m参数估计系统结构框图；
图3是本发明实施例提供的在m＝1时各种参数估计算法的均值和归一化均方误差示意图；
图4是本发明实施例提供的在m＝3时各种参数估计算法的均值和归一化均方误差示意图；
图5是本发明实施例提供的在m＝5时各种参数估计算法的均值和归一化均方误差示意图；
图6是本发明实施例提供的在m＝7时各种参数估计算法的均值和归一化均方误差示意图；
图7是本发明实施例提供的在m＝9时各种参数估计算法的均值和归一化均方误差示意图；
图8是本发明实施例提供的在SNR为0dB时不同m下各种参数估计算法的均值和归一化均方误差示意图；
图中：1、实际衰落计算模块；2、阶矩和信噪比计算模块；3、噪声消除模块；4、定量分析模块；5、修正项添加模块；6、参数估计模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种低SNR下Nakagami-m参数估计方法、系统、设备及终端，下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
实施例1
本发明的目的在于针对现有技术的不足，提出了一种新的m参数估计算法。本发明是在基于阶矩的估计算法上进行的改进，主要原因是复杂度低，容易实现，适用性强。本发明是这样的实现的，一种新的m参数估计参算法包括：利用Nakagami-m生成模型和高斯白噪声产生实际中服从Nakagami-m分布的衰落数据，对INV(Inverse Normalized Variance)算法偶数阶矩去掉噪声的影响，定量分析去掉噪声的偶数阶矩对INV算法的影响，对此时的INV算法添加修正项，计算修正项的系数，最后给出算法的表达式和实现形式。
如图1所示，本发明实施例提供的低SNR下Nakagami-m参数估计方法，包括以下步骤：
S101，利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，给定信噪比γ，生成10000个高斯白噪声样本n，得到实际中的衰落
Figure BDA0003554856020000121
S102，计算衰落
Figure BDA0003554856020000122
的一、二、三、四阶矩μ1，μ2，μ3，μ4；获取接收端系统的平均信噪比
Figure BDA0003554856020000123
对INV算法偶数阶矩去掉噪声影响；
S103，根据衰落
Figure BDA0003554856020000124
的二四阶矩展开公式对衰落
Figure BDA0003554856020000125
的二阶矩和四阶矩去掉噪声，计算消除噪声后的
Figure BDA0003554856020000126
的二阶矩
Figure BDA0003554856020000127
和四阶矩
Figure BDA0003554856020000128
S104，结合低SNR下一三阶矩的实际模型，定量分析新得到的二阶矩
Figure BDA0003554856020000129
和四阶矩
Figure BDA00035548560200001210
对INV产生的影响，并得到推导结果；
S105，结合S104中对
Figure BDA00035548560200001211
的分析结果构建修正项模型，推导模型的相关系数，提出利用添加修正项τ的方式消除二阶矩和四阶矩的影响；
S106，给出最终的m参数估计器表达式mnew，并给出对应的实现形式，在此基础上检测低SNR下不同参数估计算法的均值和归一化均方误差。
如图2所示，本发明实施例提供的低SNR下Nakagami-m参数估计系统，包括：
实际衰落计算模块1，用于利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，给定信噪比γ，生成10000个高斯白噪声n，得到实际中的衰落
Figure BDA0003554856020000131
阶矩和信噪比计算模块2，用于计算
Figure BDA0003554856020000132
的一、二、三、四阶矩μ1，μ2，μ3，μ4；获取接收端系统的平均信噪比
Figure BDA0003554856020000133
对INV算法偶数阶矩去掉噪声影响；
噪声消除模块3，用于根据
Figure BDA0003554856020000134
的二四阶矩展开公式对
Figure BDA0003554856020000135
的二阶矩和四阶矩去掉噪声，计算消除噪声后的
Figure BDA0003554856020000136
的二阶矩
Figure BDA0003554856020000137
和四阶矩
Figure BDA0003554856020000138
定量分析模块4，用于结合低SNR下一三阶矩的实际模型，定量分析
Figure BDA0003554856020000139
和
Figure BDA00035548560200001310
对INV产生的影响，并得到推导结果；
修正项添加模块5，用于结合定量分析模块中对
Figure BDA00035548560200001311
的分析结果构建修正项模型，推导模型的相关系数，提出利用添加修正项τ的方式消除
Figure BDA00035548560200001312
的影响；
参数估计模块6，用于给出最终的m参数估计器表达式mnew，并给出对应的实现形式，在此基础上检测低SNR下不同参数估计算法的均值和归一化均方误差。
本发明实施例提供的低SNR下Nakagami-m参数估计方法具体包括：
首先，需要利用Nakagami-m生成模型形成10000个服从Nakagami-m衰落的采样点H，然后给定信噪比γ，γ的范围为0dB～10dB，生成10000个高斯白噪声采样点n，然后将H和n相加得到实际中的衰落
Figure BDA00035548560200001313
其次，得到
Figure BDA00035548560200001314
的一二三四阶矩μ1，μ2，μ3，μ4。对INV算法偶数阶矩去掉噪声的影响，首先得到实际的信噪比
Figure BDA00035548560200001315
然后根据对
Figure BDA00035548560200001316
的二四阶矩展开公式对
Figure BDA00035548560200001317
的二阶矩和四阶矩去掉噪声得到
Figure BDA00035548560200001318
结合低SNR下一三阶矩的实际模型，定量分析
Figure BDA00035548560200001319
对此时INV算法的影响，并得到此时推导结果。最后，根据分析的结果，提出利用添加修正项τ的方式对消除
Figure BDA0003554856020000141
带来的影响，此时首先提出了简易的修正项模型，然后推导模型的相关系数。给出最终的m参数估计器表达式mnew，并给出对应的实现形式，然后在此基础上检测低SNR下不同参数估计算法的均值和归一化均方误差。
实施例2
本发明实施例提供的低SNR下Nakagami-m参数估计方法包括以下步骤：
步骤1，需要利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，这里M取10000。然后给定信噪比γ，γ的范围为0dB～10dB，生成10000个高斯白噪声采样点n，然后得到实际中的衰落采样点
Figure BDA0003554856020000142
Figure BDA0003554856020000143
步骤2，计算
Figure BDA0003554856020000144
的一、二、三、四阶矩如下所示：
Figure BDA0003554856020000145
Figure BDA0003554856020000146
步骤3，获取接收端系统的平均信噪比
Figure BDA0003554856020000147
为了模拟真实的信噪比估计，也考虑到散射系统信噪比估计较为精确，所以：
Figure BDA0003554856020000148
步骤4，计算消除噪声后的
Figure BDA0003554856020000149
的二阶矩
Figure BDA00035548560200001410
和二阶矩
Figure BDA00035548560200001411
Figure BDA00035548560200001412
Figure BDA00035548560200001413
Figure BDA00035548560200001414
其中
Figure BDA00035548560200001415
表示从采样点计算得到的噪声功率。
步骤5，分析
Figure BDA00035548560200001416
和
Figure BDA00035548560200001417
对INV产生的影响：
(4.1)理想条件下的INV算法在得到理想二阶矩u2和理想四阶矩u4后，会通过下式估计m参数：
Figure BDA00035548560200001418
而实际中得到的
Figure BDA0003554856020000151
和
Figure BDA0003554856020000152
都是有一定误差的，下面就具体分析
Figure BDA0003554856020000153
和
Figure BDA0003554856020000154
与理想条件下的u2和u4之间的关系；
(4.2)对
Figure BDA0003554856020000155
和
Figure BDA0003554856020000156
进行分析：
在低信噪比下，噪声的奇数阶矩不严格为零，服从正态分布。这一结果对此时的INV算法的分母部分造成了一定的误差，从而极大的影响了m参数的估计，具体如下式所示：
Figure BDA0003554856020000157
其中ni表示噪声样本，Δ1表示噪声的一阶矩，Δ2表示噪声的三阶矩，根据中心极限定理，Δ1和Δ2都服从正态分布，而且Δ1和Δ2是具有一定的相关性，经过具体的计算可以得到Δ1和Δ2的具体分布参数以及它们的相关系数ρ，具体如下式所示：
Figure BDA0003554856020000158
Figure BDA0003554856020000159
Figure BDA00035548560200001510
此时，
Figure BDA00035548560200001511
和
Figure BDA00035548560200001512
理论分析如下式所示：
Figure BDA00035548560200001513
通过理论推导可得：
Figure BDA00035548560200001514
Figure BDA00035548560200001515
(4.3)对
Figure BDA00035548560200001516
进行建模：
Figure BDA0003554856020000161
Figure BDA0003554856020000162
其中Δ表示实际中
Figure BDA0003554856020000163
与理想INV估计中
Figure BDA0003554856020000164
之差，当Ω确定时，E[R]也随之确定，那么Δ可认为是两个正态分布相加，结果依然为正态分布。所以实际中Δ服从高斯分布N1，
Figure BDA0003554856020000165
服从高斯分布N2，具体如下：
N1～N(0,f(γ，M))
Figure BDA0003554856020000166
此时，新的INV算法如下式所示：
Figure BDA0003554856020000167
步骤6，结合步骤5中对
Figure BDA0003554856020000168
的分析，给出修正项：
(6.1)对
Figure BDA0003554856020000169
进行修正分析：
结合步骤5，本发明得到新的INV算法分母实际上服从高斯分布N2，其中N2的均值是本发明所需要的理想值，N2的方差与平均信噪比
Figure BDA00035548560200001610
和采样点M有关系，当采样点M固定时，
Figure BDA00035548560200001611
即此时N1的方差随着
Figure BDA00035548560200001612
提高而下降。另外，Ω的大小并不影响参数估计，所以令Nakagami分布中的Ω取1；
(6.2)对
Figure BDA00035548560200001613
添加τ修正项，并计算修正项系数：
为了减小N1带来的估计误差，本发明对原始INV算法添加修正项τ。由上述分析得知，在低信噪比下，N1的方差较大，则相应的τ也较大；高信噪比下，N1的方差较小，则相应的τ也会变小。
所以，本发明用激活函数模拟这个修正项τ，激活函数主要取决于三个参数，分别是两端的极限值和中值点。左边极限值因为
Figure BDA00035548560200001614
较小而比较高；右端极限值由于
Figure BDA00035548560200001615
较高可以设置为0；而中值取决于m的大小，因此，可将激活函数设置如下：
Figure BDA0003554856020000171
k1的计算：考虑m较大，信噪比较低时，
Figure BDA0003554856020000172
是单边高斯分布。所以求解τ的上限值，即：
Figure BDA0003554856020000173
最终计算得到
Figure BDA0003554856020000174
k2的计算：通过离线搜索本发明可以得到k2的近似值，这里直接给出，k2＝1/2。
所以最终修正项τ可以表示为：
Figure BDA0003554856020000175
(6.3)给出本发明m参数估计器的迭代实现算法：
本发明的算法如下所示：
Figure BDA0003554856020000176
对于具体的τ，本发明先给定一个初值，即m取10；随后采用迭代算法，迭代次数取10，算法步骤如下：
a：c取初始值m/2＝5记为c0，利用新算法估计m的值，记为m0，记迭代次数k＝0；
b：判断此时k是否到达最大迭代次数，如果到达，结束迭代过程；否则，令ck＝mk/2，k＝k+1，进入c；
c：将ck重新带入新算法中重新估计m的值，记为mk，进入b。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明方法可应用于链路自适应技术，通过在接收端对信道估计得到的参数进行估计，可以得到当前衰落的严重程度，从而可以在发射端选择最佳的链路传输方案
本发明方法也可应用定位算法，通过在接收端信道估计得到的参数进行估计，可以得到当前m参数，如果m较大，说明可以进行精确定位，如果m参数较小，则不适合定位。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
1.仿真条件：
本发明的仿真实验使用Matlab R2018b仿真软件，仿真硬件平台的处理器为Inteli7 7700k CPU，主频为3.6GHz。系统参数设置：SNR向量设置为0：4：20dB，m参数考虑1、3、5、7、9，Ω设为1，Nakagami-m采样点数目M取10000，仿真循环次数取50000。
2.仿真的内容及其结果分析：
为了验证本发明的实际效果，分别在每个m下对每个SNR仿真传统算法、论文算法以及本发明改进算法的估计均值和估计归一化均方误差。
图3给出了m＝1时各种算法的性能，可以发现，的在高信噪比下相差不大，低信噪比下能明显看出改进算法归一化均方误差较小，则估计的稳定性比较好。
图4、图5、图6即m＝3、m＝5和m＝7时，可以发现低SNR下均值效果和均方误差效果都比较好，相比于传统算法估计精度和稳定性都有大幅度提升。
图7中m＝9，此时m比较大，在SNR从0dB到8dB，本发明算法的估计精度偏小，但是依然比传统效果好很多，从归一化均方误差来看，随着SNR增加，估计的精度越来越接近真实的m值。
图8则在0dB下对不同m参数的估计精度和从归一化均方误差做了对比，从估计精度来看，更接近真实m，从归一化均方误差来看，比当前算法效果都要好。
上述仿真分析证明了本发明所提方法的正确性与有效性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种低SNR下Nakagami-m参数估计方法，其特征在于，所述低SNR下Nakagami-m参数估计方法包括：
步骤一，利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，给定信噪比γ，生成10000个高斯白噪声n，得到实际中的衰落
Figure FDA0003989221150000011
步骤二，计算
Figure FDA00039892211500000117
的一阶矩、二阶矩、三阶矩、四阶矩μ1，μ2，μ3，μ4；对INV(InverseNormalized Variance )算法偶数阶矩去掉噪声影响，获取接收端系统的平均信噪比
Figure FDA0003989221150000012
步骤三，根据
Figure FDA0003989221150000013
的二阶矩四阶矩展开公式对
Figure FDA0003989221150000014
的二阶矩和四阶矩去掉噪声，计算消除噪声后的
Figure FDA0003989221150000015
的二阶矩
Figure FDA0003989221150000016
和四阶矩
Figure FDA0003989221150000017
步骤四，结合低SNR下一阶矩三阶矩的实际模型，定量分析
Figure FDA0003989221150000018
和
Figure FDA0003989221150000019
对INV产生的影响，并得到推导结果；
所述定量分析
Figure FDA00039892211500000110
和
Figure FDA00039892211500000111
对INV产生的影响包括：
(1)理想条件下的INV算法在得到理想二阶矩u2和理想四阶矩u4后，通过下式估计m参数：
Figure FDA00039892211500000112
(2)对
Figure FDA00039892211500000113
和
Figure FDA00039892211500000114
进行分析：
在低信噪比下，噪声的奇数阶矩服从正态分布：
Figure FDA00039892211500000115
其中，ni表示噪声样本，Δ1表示噪声的一阶矩，Δ2表示噪声的三阶矩，根据中心极限定理，Δ1和Δ2都服从正态分布，而且Δ1和Δ2是具有一定的相关，经过计算得到Δ1和Δ2的具体分布参数以及相关系数，如下式所示：
Figure FDA00039892211500000116
Figure FDA0003989221150000021
Figure FDA0003989221150000022
Figure FDA0003989221150000023
和
Figure FDA0003989221150000024
理论分析如下式所示：
Figure FDA0003989221150000025
通过理论推导得：
Figure FDA0003989221150000026
Figure FDA0003989221150000027
(3)对
Figure FDA0003989221150000028
进行建模：
Figure FDA0003989221150000029
Figure FDA00039892211500000210
其中，Δ表示实际中
Figure FDA00039892211500000211
与理想INV估计中
Figure FDA00039892211500000212
之差，当Ω确定时，E[R]随之确定，则Δ是两个正态分布相加，结果为正态分布；实际中Δ服从高斯分布N1，
Figure FDA00039892211500000213
服从高斯分布N2：
Figure FDA00039892211500000214
INV算法如下式所示：
Figure FDA00039892211500000215
步骤五，结合步骤四中对
Figure FDA0003989221150000031
的分析结果构建修正项模型，推导模型的相关系数，提出利用添加修正项τ的方式消除
Figure FDA0003989221150000032
的影响；
步骤六，给出最终的m参数估计器表达式，并给出对应的实现形式，在此基础上检测低SNR下不同参数估计算法的均值和归一化均方误差；
首先对实际的二阶矩四阶矩进行去噪得到新的二阶矩四阶矩，分析并建立了噪声在一阶矩三阶矩下的数学模型，并且推导该模型对新得到的二阶矩四阶矩的影响，随后采用激活函数作修正项的方式，最后推导了激活函数的参数，并给出了基于迭代方式的实现形式；利用Nakagami-m生成模型和高斯白噪声产生实际中服从Nakagami-m分布的衰落数据，对INV算法偶数阶矩去掉噪声项带来的影响，定量分析此时新的偶数阶矩对INV算法的影响，对此时的INV算法添加修正项，计算修正项的系数，最后给出算法的表达式和实现形式。
2.如权利要求1所述的低SNR下Nakagami-m参数估计方法，其特征在于，所述步骤一中，利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，M取10000；给定信噪比γ，γ的范围为0dB～10dB，生成10000个高斯白噪声采样点n，将H和n相加得到实际中的衰落
Figure FDA0003989221150000033
Figure FDA0003989221150000034
3.如权利要求1所述的低SNR下Nakagami-m参数估计方法，其特征在于，所述步骤二中的计算
Figure FDA0003989221150000035
的一阶矩、二阶矩、三阶矩、四阶矩如下所示：
Figure FDA0003989221150000036
所述步骤三中的获取接收端系统的平均信噪比
Figure FDA0003989221150000037
为：
Figure FDA0003989221150000038
所述步骤四中的计算消除噪声后的
Figure FDA0003989221150000039
的二阶矩
Figure FDA00039892211500000310
和二阶矩
Figure FDA00039892211500000311
为：
Figure FDA0003989221150000041
Figure FDA0003989221150000042
Figure FDA0003989221150000043
其中，
Figure FDA0003989221150000044
表示从采样点计算得到的噪声功率。
4.如权利要求1所述的低SNR下Nakagami-m参数估计方法，其特征在于，所述步骤六中的结合步骤五对
Figure FDA0003989221150000045
的分析给出修正项包括：
(1)对
Figure FDA0003989221150000046
进行修正分析：
结合步骤五，得到INV分母实际上服从高斯分布N2，其中N2的均值是理想值，N2的方差与平均信噪比
Figure FDA0003989221150000047
和采样点M有关系；当采样点M固定时，
Figure FDA0003989221150000048
N1的方差随着
Figure FDA0003989221150000049
提高而下降；Ω的大小并不影响参数估计，故令Nakagami分布中的Ω取1；
(2)对
Figure FDA00039892211500000410
添加τ修正项，并计算修正项系数：
对原始INV算法添加修正项τ，在低信噪比下，N1的方差较大，则相应的τ也较大；高信噪比下，N1的方差较小，则相应的τ也会变小；
利用激活函数模拟修正项τ，激活函数取决于三个参数，分别是两端的极限值和中值点；左边极限值因为
Figure FDA00039892211500000411
较小而比较高；右端极限值由于
Figure FDA00039892211500000412
较高可以设置为0；而中值取决于m的大小，故将激活函数设置如下：
Figure FDA00039892211500000413
k1的计算：考虑m较大，信噪比较低时，
Figure FDA00039892211500000414
是单边高斯分布；故求解τ的上限值：
Figure FDA00039892211500000415
最终计算得到
Figure FDA00039892211500000416
k2的计算：通过离线搜索得到k2的近似值，且k2＝1/2；
最终修正项τ表示为：
Figure FDA0003989221150000051
(3)给出m参数估计器的迭代实现算法：
Figure FDA0003989221150000052
对于τ，给定初值，m取10；采用迭代算法，迭代次数取10，算法包括：
①c取初始值m/2＝5记为c0，利用迭代实现算法估计m的值，记为m0，记迭代次数k＝0；
②判断此时k是否到达最大迭代次数，如果到达，结束迭代过程；否则，令ck＝mk/2，k＝k+1，进入步骤③；
③将ck重新带入迭代实现算法中重新估计m的值，记为mk，进入步骤②。
5.一种应用如权利要求1～4任意一项所述的低SNR下Nakagami-m参数估计方法的低SNR下Nakagami-m参数估计系统，其特征在于，所述低SNR下Nakagami-m参数估计系统包括：
实际衰落计算模块，用于利用Nakagami-m生成模型形成M个服从Nakagami-m衰落的采样点H，给定信噪比γ，生成10000个高斯白噪声n，得到实际中的衰落
Figure FDA0003989221150000053
～
阶矩和信噪比计算模块，用于计算H的一阶矩、二阶矩、三阶矩、四阶矩μ1，μ2，μ3，μ4；对INV算法偶数阶矩去掉噪声影响，获取接收端系统的平均信噪比
Figure FDA0003989221150000054
噪声消除模块，用于根据
Figure FDA0003989221150000055
的二四阶矩展开公式对
Figure FDA0003989221150000056
的二阶矩和四阶矩去掉噪声，计算消除噪声后的
Figure FDA0003989221150000057
的二阶矩
Figure FDA0003989221150000058
和二阶矩
Figure FDA0003989221150000059
定量分析模块，用于结合低SNR下一三阶矩的实际模型，定量分析
Figure FDA00039892211500000510
和
Figure FDA00039892211500000511
对INV产生的影响，并得到推导结果；所述定量分析
Figure FDA0003989221150000061
和
Figure FDA0003989221150000062
对INV产生的影响包括：
(1)理想条件下的INV算法在得到理想二阶矩u2和理想四阶矩u4后，通过下式估计m参数：
Figure FDA0003989221150000063
(2)对
Figure FDA0003989221150000064
和
Figure FDA0003989221150000065
进行分析：
在低信噪比下，噪声的奇数阶矩服从正态分布：
Figure FDA0003989221150000066
其中，ni表示噪声样本，Δ1表示噪声的一阶矩，Δ2表示噪声的三阶矩，根据中心极限定理，Δ1和Δ2都服从正态分布，而且Δ1和Δ2是具有一定的相关，经过计算得到Δ1和Δ2的具体分布参数以及相关系数，如下式所示：
Figure FDA0003989221150000067
Figure FDA0003989221150000068
Figure FDA0003989221150000069
Figure FDA00039892211500000610
和
Figure FDA00039892211500000611
理论分析如下式所示：
Figure FDA00039892211500000614
通过理论推导得：
Figure FDA00039892211500000612
Figure FDA00039892211500000613
(3)对
Figure FDA0003989221150000071
进行建模：
Figure FDA0003989221150000072
Figure FDA0003989221150000073
其中，Δ表示实际中
Figure FDA0003989221150000074
与理想INV估计中
Figure FDA0003989221150000075
之差，当Ω确定时，E[R]随之确定，则Δ是两个正态分布相加，结果为正态分布；实际中Δ服从高斯分布N1，
Figure FDA0003989221150000076
服从高斯分布N2：
Figure FDA0003989221150000077
INV算法如下式所示：
Figure FDA0003989221150000078
修正项添加模块，用于结合定量分析模块中对
Figure FDA0003989221150000079
的分析结果构建修正项模型，推导模型的相关系数，提出利用添加修正项τ的方式消除
Figure FDA00039892211500000710
的影响；
参数估计模块，用于给出最终的m参数估计器表达式，并给出对应的实现形式，再次基础上检测低SNR下不同参数估计算法的均值和均方误差。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～4任意一项所述的低SNR下Nakagami-m参数估计方法的步骤。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～4任意一项所述的低SNR下Nakagami-m参数估计方法的步骤。
8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求5所述的低SNR下Nakagami-m参数估计系统。
CN202210273136.4A 2022-03-19 2022-03-19 一种低SNR下Nakagami-m参数估计方法、系统、设备及终端 Active CN114826452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210273136.4A CN114826452B (zh) 2022-03-19 2022-03-19 一种低SNR下Nakagami-m参数估计方法、系统、设备及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210273136.4A CN114826452B (zh) 2022-03-19 2022-03-19 一种低SNR下Nakagami-m参数估计方法、系统、设备及终端

Publications (2)

Publication Number Publication Date
CN114826452A CN114826452A (zh) 2022-07-29
CN114826452B true CN114826452B (zh) 2023-05-16

Family

ID=82530429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210273136.4A Active CN114826452B (zh) 2022-03-19 2022-03-19 一种低SNR下Nakagami-m参数估计方法、系统、设备及终端

Country Status (1)

Country Link
CN (1) CN114826452B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115765920B (zh) * 2022-10-12 2024-07-02 西安电子科技大学 基于Nakagami-m参数的二维链路自适应方法及通信方法和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022975A (zh) * 2014-06-11 2014-09-03 清华大学 高速移动链路信道参数估计方法
CN105846926A (zh) * 2016-04-15 2016-08-10 西安电子科技大学 时域自相关Nakagami-m衰落复信道仿真方法
CN109547140A (zh) * 2019-01-15 2019-03-29 华北电力大学（保定） 基于af协议的双媒质混合衰落通信系统性能分析方法
CN110798275A (zh) * 2019-10-16 2020-02-14 西安科技大学 一种矿井多模无线信号精确识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8948703B2 (en) * 2010-11-23 2015-02-03 I-Shou University Evaluation device and method for providing a transceiver system with performance information thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022975A (zh) * 2014-06-11 2014-09-03 清华大学 高速移动链路信道参数估计方法
CN105846926A (zh) * 2016-04-15 2016-08-10 西安电子科技大学 时域自相关Nakagami-m衰落复信道仿真方法
CN109547140A (zh) * 2019-01-15 2019-03-29 华北电力大学（保定） 基于af协议的双媒质混合衰落通信系统性能分析方法
CN110798275A (zh) * 2019-10-16 2020-02-14 西安科技大学 一种矿井多模无线信号精确识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SNR Estimation in Nakagami-m Fading With Diversity Combining and Its Application to Turbo Decoding;A. Ramesh等;《IEEE TRANSACTIONS ON COMMUNICATIONS》;20021130;1719-1724页 *
低信噪比下的信道测量及参数提取算法研究;任秋洁;《中国优秀硕士学位论文全文数据库信息科技辑》;20141015(第10期);58-63页 *

Also Published As

Publication number Publication date
CN114826452A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
JP5004953B2 (ja) 通信デバイスの試験におけるジッタの補償及び生成
US8422605B2 (en) System and method for linear distortion estimation by way of equalizer coefficients
US9369310B2 (en) Equalisation of a signal received over a wireless channel
Flam et al. On MMSE estimation: A linear model under Gaussian mixture statistics
CN114826452B (zh) 一种低SNR下Nakagami-m参数估计方法、系统、设备及终端
WO2015100544A1 (zh) 基于零偏垂直地震剖面数据估计品质因子的方法和装置
CN110907911A (zh) 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法
US11832067B2 (en) Open-loop multichannel audio impulse response measurement and capture path evaluation
CN104934041A (zh) 基于多目标优化联合块对角化的卷积盲信号分离方法
Ivanović et al. Signal adaptive hardware implementation of a system for highly nonstationary two-dimensional FM signal estimation
CN106972949B (zh) 一种基于自适应补偿技术的分数阶网络系统状态估计方法
CN111444474A (zh) 一种基于乘性噪声相关自适应ckf的目标跟踪方法
CN108459920A (zh) 一种试验数据野值的辨识与修正方法
CN117176265B (zh) 一种场景信道模拟回放方法、系统及设备
CN114938232B (zh) 基于lstm的同时同频全双工数字域自干扰抑制方法
CN114792053B (zh) 一种基于初值-速率相关退化模型的可靠性评估方法
US10433198B2 (en) Channel sounding testing device and method to estimate large-scale parameters for channel modelling
US20050216260A1 (en) Method and apparatus for evaluating speech quality
US20140226600A1 (en) Channel Estimation Method, Channel Estimation Apparatus and Communication Device for CDMA Systems
US6430524B1 (en) Data processing method and apparatus
CN111600665A (zh) 基于arima滤波器的sage信道参数估计方法
CN117040975A (zh) 一种莱利信道的k因子估计方法、装置、终端及介质
JP6760200B2 (ja) 推定プログラム、推定方法および推定装置
Parashar et al. Shaping probability density function of quantization noise in fixed point systems
CN117200919A (zh) 一种基于矩和噪声样本的Nakagami-m参数估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant