| 主权项 |
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＝[p<sub>1</sub>，p<sub>2</sub>，...，p<sub>n</sub>]，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<sub>t</sub>|y<sub>o∶t</sub>)的贝叶斯估计表示为<img file="FSB00000890431300011.GIF" wi="723" he="124" />采用序贯重要采样，也就是<img file="FSB00000890431300012.GIF" wi="516" he="148" />这里的w<sub>t</sub>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<img file="FSB00000890431300013.GIF" wi="583" he="141" />π(c<sub>t</sub>|c<sub>t-1</sub>，y<sub>t</sub>)表示当前系统的先验概率函数，当π(c<sub>t</sub>|c<sub>t-1</sub>，y<sub>t</sub>)无限接近后验概率函数，先验概率函数的表达形式化简为<img file="FSB00000890431300021.GIF" wi="357" he="59" />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<img file="FSB00000890431300022.GIF" wi="249" he="135" />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。 |
