当前位置: > 硕士毕业论文 > 30000字硕士毕业论文粒子滤波重采样算法在盲均衡中的应用与探讨

30000字硕士毕业论文粒子滤波重采样算法在盲均衡中的应用与探讨

论文类型:硕士毕业论文
论文字数:30000字
论点:滤波,粒子,算法
论文概述:

课题研究背景以及意义近年来,为了进一步改善通信效果,人们将线性均衡器、判决反馈均衡器、自适应均衡器等引入到通信系统中。但是,由于线性均衡器要求系统模型必须为线性,在克服严

论文正文:

  绪论        1.1课题研究背景以及意义近年来,为了进一步改善通信效果,人们将线性均衡器、判决反馈均衡器、自适应均衡器等引入到通信系统中。但是,由于线性均衡器要求系统模型必须为线性,在克服严重码间干扰方面具有很大的局限性,这不符合无线通信系统非线性、干扰严重的特点。同时,由于通信信道的未知性和时变性,使得判决反馈均衡器也不适用于无线通信信道中。目前主要采用基于训练序列的自适应均衡技术或不使用训练序列的盲均衡技术,而盲均衡不需要周期性的发射训练序列来更新信道估计,因而节省了带宽,更有利于通信系统向宽带、高速、大容量方向发展〔’]。因此,盲均衡技术在无线和移动通信领域受到了人们的广泛关注,并成为了通信信号处理的一个研究热点。最初的盲均衡概念是在1975年由Sato首次提出。最初,人们使用卡尔曼滤波等算法来进行盲均衡。卡尔曼滤波器是一种线性、无偏的最小方差的状态估计器,在理想情况下,卡尔曼滤波能够得到较好的滤波效果。然而,实际的无线通信环境极其复杂,大部份为非线性、非高斯、多维的环境。而卡尔曼滤波只适合处理线性、高斯系统的状态估计问题,因此在实际应用中逐渐受到限制。由于粒子滤波在处理非线性非高斯问题上的优越性,一些学者将其引入到通信信号处理领域,对粒子滤波的盲均衡算法进行了研究,表明在信噪比较低的情况下,粒子滤波盲均衡仍具有较好的均衡效果,使得粒子滤波的盲均衡算法优于以往的盲均衡算法。近年来,各种情况下的粒子滤波盲均衡算法被广泛研究,如文献[2-3」的时不变信道,文献[[4-5]的时变信道,文献[的加性高斯和非高斯信道等。2粒子滤波的研究现状和发展方向       1.2.1粒子滤波的研究现状早在二十世纪五十年代Hammersley等人就提出序贯重要性采样((SequentialImportantSampling,SIS)的方法,但其容易导致粒子退化现象,影响了它在实际中的应用。直到1993年,Gordon等人提出了采样重要性重采样算法((SamplingImportanceResampling,SIR这一概念,解决了粒子滤波算法粒子退化的问题,粒子滤波才又被广泛关注,而后又有许多改进算法相继被提出,掀起了一股粒子滤波的研究热潮。在粒子滤波技术的发展历程中,出现了许多不同的称呼,如BootstrapFilter,MonteCarloFilters,SequentialMonteCarloMethods,ParticleFilter等。直到2000年,A.Doucet等人在前人研究的基础上,对过去的这些方法进行了总结,给出了基于序贯重要性采样(SIS)的粒子滤波的通用描述,即通过寻找一组在状态空间中传播的随机样本对概率密度函数P(xk}Yk)进行近似,以样本均值代替积分运算,从而获得状态最小方差估计的过程,通常称之为标准粒子滤波。标准粒子滤波不仅对理解和改进各种粒子滤波算法很有帮助,而且对如何应用各种改进算法以及如何将各种改进措施融合在一起也具有一定的指导意义。诸如辅助粒子滤波”F(AuxiliaryPF)、无迹粒子滤波UPF(theUnscentedPF)、EPF(theExtendedPF)等针对各种不同的情形提出的各种改进的粒子滤波技术,都是在SIS的基础上得到的。同时,粒子滤波的重采样算法也被广泛关注,并取得了重大进展,一些重要的SIR算法被提出。诸如多项式重采样算法(MultinomialResampling)、分层重采样算法(StratifiedResampling)、系统重采样算法(SystematicResampling)、残差重采样算法(ResidualResampling)等,文献[详细介绍了重采样及相关算法,文献对重采样模式进行了比较。        2.2粒子滤波的发展方向目前针对粒子滤波的研究主要集中在以下几个方面【}o},(1)如何选择合适的提议分布一些学者在解决具体问题时提出最优提议分布,取得了很好的效果,但是计算量却非常之大。在条件概率密度传播算法的采样,一般提议分布取为状态转移先验概率密度函数。由于没有利用新的观测值,条件概率密度传播算法通常需要大量的粒子刁‘能准确地表达状态后验分布,辅助粒子滤波就是就这一问题提出的。(2)粒子退化及多样性损失问题SIS算法经过几步迭代后,许多粒子的权重变得特别小,即是我们经常说的“退化现象”。退化程度可以用有效采样大小来表示,有效采样大小定义为粒子数目与权重方差的比值,比值越小即表明退化现象越严重。这就意味着大量的计算浪费在那些权重极小的粒子上,这些粒子对估计的贡献几乎为零。为了解决退化问题,引入了重采样(SIR)算法。重采样算法在一定程度上解决了退化问题,但是由于重采样是对权值大的粒子进行复制,这就导致了采样后的粒子由大量重复的点组成,因而失去了多样性。而且如果系统噪声较小,那么重采样后的的粒子会集中在少数几个点上。此外,重采样削减了样本轨道这会导致在用粒子滤波器作平滑时也产生退化问题。因此,如何解决粒子的多样性损失问题也是研究的热点。参考文献[1〕侯晓宇,张三同.改进的滤波算法在OFDM系统盲均衡中的应用研究:(硕士学位论文).北京:北京交通大学.2007. 12. J. S. Liu and R. Chen. Blind deconvolution via sequential imputations[J].AmericanStatistical Association. 1995,90(430>:567-576. J. Miguez and P. M. Djuric. Blind equalization by sequential importance sampling[A].Proceedings of IEEE ISCAS, Phoenix, AZ.2002:845-848. T. Bertozzi, D. Le Ruyet, G. Rigal, and H. Vu-Thien. Joint data-channel estimation usingthe particle filtering on multipath fading. Proceedings of ICT, Tahiti Papeete, French T. Bertozzi, D. Le Ruyet, G. Rigal, and H. Vu-Thien. On particle filtering for digitalcommunications. Proceedings of IEEE Workshop SPAWC, Rome, Italy. 2003.[6] E.  Punskaya,  C.  Andrieu,  A.  Doucet,  and  W.  Fitzgerald.  Particle filtering fordemodulation in fading channels with non-Gaussian additive noise. IEEE Transactions N. J. Gordon, DBayesian StateJ. Salmond,Estimation.579-582.and A. F. M. Smith. Novel Approach to Nonlinear/Non-GaussianIEEE Proceeding-F. 1993, 140 (2):[8] B. Minaei-Bidgoli, A. Topchy and W. F. Punch. A Comparison107-111.of Resampling Methods for摘要 4-5 Abstract 5-6 1 绪论 9-13     1.1 课题研究北京以及意义 9     1.2 粒子滤波的研究现状和发展方向 9-11         1.2.1 粒子滤波的研究现状 9-10         1.2.2 粒子滤波的发展方向 10-11     1.3 本文研究的章节安排 11-13 2 粒子滤波基本理论 13-27     2.1 常见的预测滤波 13-14     2.2 粒子滤波理论基础 14-17         2.2.1 递推贝叶斯估计 15-16         2.2.2 蒙特卡罗方法 16-17     2.3 粒子滤波基本算法 17-26         2.3.1 序贯重要性采样(SIS) 17-20         2.3.2 SIS存在的问题——退化现象 20-21         2.3.3 采样重要性重采样(SIR) 21-25         2.3.4 粒子滤波算法流程 25-26     2.4 本章小节 26-27 3 粒子滤波算法在盲均衡的应用 27-38     3.1 盲均衡算法 27-34         3.1.1 基于 Bussgang技术的盲均衡算法 30-32         3.1.2 基于高阶谱理论的盲均衡算法 32-33         3.1.3 基于神经网络和模糊理论的盲均衡算法 33-34     3.2 粒子滤波盲均衡 34-37         3.2.1 系统模型 34         3.2.2 粒子滤波盲均衡 34-37     3.4 本章小节 37-38 4 改进的粒子滤波盲均衡 38-44     4.1 改进的重采样算法 38-42         4.1.1 二分法简介 38-40         4.1.2 降序二分重采样算法 40-42     4.2 改进的PF盲均衡 42     4.3 改进的PF盲均衡的实现步骤 42-43     4.4 本章小节 43-44 5 粒子滤波在盲均衡中的应用仿真 44-49     5.1 未盲均衡时的仿真 44-45     5.2 非线性下粒子滤波的性能仿真 45-46     5.3 改进的粒子滤波重采样算法盲均衡 46-48     5.4 本章小节 48-49