Kalman濾波和EM算法對M-to-M信道的參數(shù)估計

李新年

（伊犁師范學院 文理系，新疆 奎屯 833200）

Kalman濾波和EM算法對M-to-M信道的參數(shù)估計

李新年

（伊犁師范學院 文理系，新疆 奎屯 833200）

本文將在隨機微分方程(S D E)建立的M-t o-M狀態(tài)空間模型基礎(chǔ)上，通過對該線性模型進行離散化，然后利用離散K a l m a n濾波對其狀態(tài)空間進行估計，最后，再利用基于濾波的E M算法對該離散空間模型參數(shù)進行估計.

EM算法；Kalman濾波；M-to-M;隨機微分方程

1 M-to-M隨機狀態(tài)空間模型

對于M-t o-M信道，有很多種隨機形式可用于同相和正交分量所得到的狀態(tài)空間表達式，具體選擇主要取決于實際應用.由此我們將選擇更為一般的線性狀態(tài)空間模型，通常隨機狀態(tài)空間表達式為:

其中：X(t)=[XI(t)TXQ(t)T]T

其中y(t)為信號的觀測值，X(t)為可變的同相和正交分量，v(t)為連續(xù)時間下的觀測噪聲.

2 M-to-M信道模型的離散化

下面將利用E M算法和K a l m a n濾波器，通過估計M-t o-M信道模型參數(shù)和狀態(tài)來描述整個過程.下面我們對模型進行離散化[6]:

下標k屬于序集{0,1,…},xk∈R2n為離散時間狀態(tài)限量，yk∈R1為離散時間觀測向量，ωk∈R2為離散時間時間狀態(tài)噪聲，vk∈R2為離散時間觀測噪聲，Ak=Φ(tk+1,tk)，其中Φ(t,t0)為(25)式的基本矩陣，

噪聲過程ωk和vk假定為獨立零均值和單位方差的高斯過程.

系統(tǒng)參數(shù)θk={Ak,Bk,Ck,Dk}和狀態(tài)是未知的，但可以利用基于濾波的E M算法，從獲得的觀測信號YN={y1,y2,…,yN}數(shù)據(jù)估計出來確定參數(shù)，再利用K a l m a n濾波器估計出信道狀態(tài).

3 信道參數(shù)的確定

基于濾波的E M算法通過一組K a l m a n濾波器獲得高斯狀態(tài)空間模型的一個極大似然參數(shù)估計(簡稱M L E),令θk= {Ak,Bk,Ck,Dk}表示(3)中的系統(tǒng)參數(shù)，{Pθ：θk∈Θ}表示由系統(tǒng)參

k數(shù)θk誘導的一組概率測度，其中Θ為θk所在的參數(shù)空間R2n×2n×R2n×2×R2n×R2.E M算法由已知的數(shù)據(jù)Yk計算系統(tǒng)參數(shù)θk的M L估計，E步由所給完全數(shù)據(jù)來估計對數(shù)似然函數(shù)的條件期望

其中θk表示在時間k時估計的系統(tǒng)參數(shù)，極大化后發(fā)現(xiàn)：

求期望和對其進行極大化，一直這樣進行下去，模型參數(shù)序列收斂到實際參數(shù).E M算法描述如下：

其中E（·）表示期望算子.(6)式為模型(3)中的每一次迭代都給出了E M參數(shù)估計，而且，因為)在θk和是連續(xù)的，在似然曲面上E M算法收斂到一個駐點，從而參數(shù)可以通過條件期望計算出來[6]：

ei為歐幾里得空間中的單位向量，例如考慮2 n=2時：

估計得出：

其中T r（·）為矩陣的跡，在(9)式中r(1)i和N(1)i滿足下列遞歸式：

4 結(jié)論

系統(tǒng)參數(shù)θk={Ak,Bk,Ck,Dk}用E M算法進行估計，即可估計出M-t o-M隨機狀態(tài)空間模型系統(tǒng)參數(shù).由于K a l m a n濾波器和E M算法均可由計算機編程實現(xiàn)，因而接下來工作將通過實驗模擬現(xiàn)實場景，通過實驗比對來驗證K a l m a n濾波器和E M算法對M-t o-M隨機狀態(tài)空間模型系統(tǒng)參數(shù)估計，這將是一個非常有意義的工作.

〔1〕G.Casella,R.L.BergerStatisticalInference.2nd Edition(2002).

〔2〕G.Bishop and G.Welch,An introduction to the Kalman filters.University of North Carolina,(2001).

〔3〕J.L.Speyer and W.H.Chung,Stochastic processes, Estimation, and Control, Ralph C. Smith,North Carolina State University,pp.197-201(2008).

〔4〕Peter,S.Maybeck,Stochastic,models,estimation and control,New York,Academic Pr voll.2(1979).

〔5〕A.G.Zajic,G.L.Stuber,Three-Dimensional Modeling and Simulation of Wideband MIMO Mobile-to-Mobile Channels,IEEE Trans.Veh.Technol,vol 8,no.3 pp. 1260-1275,Feb.(2009).

〔6〕A.S.Akki, Statistical properties of mobile-to-mobile land communication channels，IEEE Trans. Veh. Technol.vol.43 no.4,pp.826-831,Nov.(1994).

〔7〕J.L.Speyer and W.H.Chung,Stochastic processes, Estimation,and Control,Ralph C.Smith, North Carolina State University,pp.197-201(2008).

〔8〕M.M.Olama,S.M.Djouadi,and C.D.Charalambous, Stochastic Differential Equations for Modeling,Estimation and Identification of Mobile-to-Mobile Communication Channels .IEEE Transactions on Wireless Communications,Vol.8,No.4,April(2009).

〔9〕M.Patzold.VERDIKT Project Proposal:Mobile-to-Mobile Communication Systems(M-to-M),Mobile Communicationsatthe University ofAgder(UiA), Norway,(2007).

O 241.8

A

1673-260 X（2012）09-0019-03本文將在隨機微分方程(S D E)建立的M-t o-M狀態(tài)空間模型基礎(chǔ)上，通過對該線性模型進行離散化，然后利用離散K a l m a n濾波對其狀態(tài)空間進行估計，最后，再利用基于濾波的E M算法對該離散空間模型參數(shù)進行估計.