CN111600665B - 基于arima滤波器的sage信道参数估计方法 - Google Patents

Abstract

本发明公开了一种基于ARIMA滤波器的SAGE信道参数估计方法，包括以下步骤：信道参数初始化；初始化漫散射分量的ARIMA滤波器，使用测量数据减去初始化时估计得到的可视距分量和强反射/散射分量，从而对漫散射分量进行初始化；建立漫散射分量的ARIMA模型；基于漫散射分量的ARIMA模型，设计ARIMA滤波器；采用基于ARIMA滤波器的SAGE信道估计方法依次计算每条路径的参数，使用ARIMA滤波器对测量信号进行滤波处理，使用SAGE算法基于滤波后的信号进行迭代优化，估计每条路径的信道参数，对ARIMA滤波器的参数也进行更新，估计漫散射分量，仿真结果表明与传统的SAGE算法相比，在真实电波传播环境下本发明方法可以更准确的估计出可视距分量、强反射分量以及漫散射分量的信道参数。

Description

基于ARIMA滤波器的SAGE信道参数估计方法

技术领域

本发明属于无线通信技术领域，具体涉及一种基于ARIMA滤波器的SAGE信道参数估计方法。

背景技术

由于无线信道具有动态特性，因此无线传输环境中信道参数时刻变化。随着无线通信技术的发展，人们对无线通信质量的要求越来越高。为了提高无线信道的通信质量，保证信号有效传输，我们需要对信道参数进行快速准确的估计，因此对高效精确的信道参数估计方法进行研究具有重要的意义。

近年来，为了对入射平面波的信道参数如：复振幅、时延、入射角、离开角、多普勒频率等进行估计，有很多高精度的参数估计方法不断提出，如：ESPRIT，MUSIC，Capon的最小方差法，空间交替期望最大化(Space Alternating Generalized Expectation,SAGE)等。其中，SAGE算法是一种高效的迭代算法，该算法目前应用较为广泛。该算法可将多维的估计问题分解为多个一维的估计问题，能够联合的估计出多个多径信号的各个参数且不局限于收发天线的阵列结构。

现有的方法大多数都是直接使用SAGE算法或改进SAGE算法对测量信号的可视距(LOS)分量和强反射分量的路径参数进行估计，但是由于原始的测量信号中含有很多漫散射分量，这些漫散射分量会对信号参数估计产生影响，从而导致SAGE算法有时无法达到全局最优，不能得到准确信道参数。针对该问题，文献[A.T.Jost,W.Wang,D.Shutin,andF.Antreich,“Using an autoregressive model for DMC,”in 2012 6th EuropeanConference on Antennas and Propagation(EUCAP),March 2012,pp.3504–3508]提出将AR与SAGE算法相结合提高SAGE算法信道估计结果。该文献利用直接利用AR模型建立漫散射分量的模型，但是估计的可视距分量、强反射分量及漫散射分量不够准确。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于ARIMA滤波器的SAGE信道参数估计方法，采用ARIMA来建立漫散射分量的模型，而且基于该模型建立ARIMA滤波器。利用ARIMA滤波器可以从测量信号中过滤掉漫散射分量，剩余信号多为强反射分量，这样可以更准确的估计出强反射分量的信道参数，从而实现信道参数的更优估计。

为了实现上述目的，本发明采用的技术方案是：基于ARIMA滤波器的SAGE信道参数估计，包括以下步骤：

S1，初始化所有路径的信道参数，具体包括每条路径的时延和复振幅；

S2，基于S1初始化的信道参数，计算初始漫散射分量，并基于所述初始漫散射分量，建立漫散射分量的ARIMA模型，基于漫散射分量的ARIMA模型，建立ARIMA滤波器；

S3，基于S2所得ARIMA滤波器，对测量信号进行滤波处理，然后使用SAGE算法基于滤波后的信号进行迭代优化，估计每条路径的信道参数，每迭代一次，对ARIMA滤波器的参数也进行更新；

S4，估计漫散射分量。

S2中，计算初始漫散射分量具体如下：

使用测量的信道频域响应减去初始化时估计的LOS分量和强反射分量，得到的剩余信号记为漫散射分量；该处估计得到的漫散射分量为初始漫散射分量；

初始漫散射分量为：

其中，

为初始化时估计得到的信道频域响应；f_m为第m个频带的频率。

S2中，建立漫散射分量的ARIMA模型为：

其中，s(n)为线性***第n个时间序列，s(n-g)为线性***第n-g个时间序列；v(n)为第n个输入序列,v(n-w)为第n-w个输入序列；p为自回归项数，即AR的阶数；q为滑动平均项数；a_g、b_w分别为AR模型和MA模型的系数；根据AR模型及MA模型的系数初始化ARIMA滤波器。

S2中，确定漫散射分量的ARIMA模型具体如下：

(1)判断漫散射分量序列是否平稳，若序列平稳，则直接确定AR模型和MA模型的阶数，并计算AR模型和MA模型的参数；若序列非平稳，则对非平稳的漫散射分量序列数据进行差分处理，得到差分阶数d，将其转换为平稳序列，然后确定AR模型和MA模型的阶数。

(2)确定ARIMA模型的参数；

采用ACF检验或ADF单位根检验方法，判断漫散射分量序列是否平稳，根据AIC准则、SC准则或FPE准则确定AR和MA的阶数。

S3具体包括以下步骤：

(1)设置迭代次数T的初始值为1；迭代的次数的最大值或估计误差小于设定值err作为迭代终止条件；

(2)设有L条路径，将路径序号i初始值设置为1，最大值设置为L；

(3)使用SAGE-ARIMA算法估计第i条路径的时延和复振幅；

基于ARIMA滤波器从待测量信号中过滤掉漫散射分量，留下强反射分量，对过滤之后的测量信号进行参数估计；

首先，计算第i条路径的条件期望；然后，计算第i条路径的似然函数，通过使第i条路径的似然函数最大化，得到第i条路径的估计参数，即时延和复振幅；

(4)路径序号更新为i+1；判断此时路径序号是否等于L，若等于L则进行下一步；反之，跳至步骤(3)；

(5)基于步骤(3)计算得到的每条路径的估计参数，重新计算漫散射分量，并更新ARIMA滤波器的时延和复振幅；

(6)根据迭代次数是否达到最大值或迭代结果是否收敛，判断是否终止迭代；

若迭代次数T达到最大值或第T次的迭代结果与第T-1次的迭代结果的差值小于误差值0.000001，则跳出迭代循环，当前测量快照的信道参数估计结束；若迭代次数小于等于设定值且迭代结果的差值大于设定值err，则迭代次数T加1，跳至步骤(1)继续进行。

S4具体如下：

(1)根据S3得到的信道参数复振幅和时延，对信道进行估计得到信道频域响应

(2)使用实际测量的信道频域响应数据减去估计得到的信道频域响应

获得估计的漫散射分量；

其中，R₁(f_m)为最终估计到的漫散射分量；

为使用本发明算法对信道进行估计得到的信道频域响应，即S4中步骤(1)中估计得到的信道频域响应；f_m为第m个频带的频率。

与现有技术相比，本发明至少具有以下有益效果：

本发明首先基于漫散射分量建立ARIMA滤波器，然后过滤掉信号中的漫散射分量，最后估计多径信号的参数，采用本发明所述方法，已经提前过滤掉了信号中的漫散射分量，剩下的信号多为可视距分量或强反射分量，使用SAGE算法进行信道参数估计可以减小漫散射分量对参数估计的影响，可以更快、更准确的估计出可视距分量或强反射分量的路径参数，除此之外，使用测量信号减去估计得到的可视距分量或强反射分量可得到漫散射分量，本发明方法还可以准确的估计漫散射分量。

附图说明

图1是本发明所述方法一种可实施的流程图。

图2是本发明实施例的具体流程图。

图3是本发明实施例提供的方法估计出信道参数后重构的第z次快照的信道冲击响应及估计到的漫散射分量。

图4是本发明实施例提供的方法与AR-SAGE算法信道参数估计结果的比较。

图5分别采用AR-SAGE算法与本发明提出的算法对余量信号进行滤波。

图6是本发明实施例提供的方法估计出到的漫散射分量通过ARIMA滤波后的功率谱图。

图7是本发明实施例提供的方法与传统SAGE算法得到的剩余分量的累积周期图。

具体实施方式

下面结合附图和实施例，对本发明做进一步的详细说明。以下例用于说明本发明，但不用来限制本发明的范围。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的保护范围应由权利要求限定。

本发明所述信道冲击响应模型，宽带信道冲激响应表示为：

其中，N(t)为t时刻实际的路径个数，α_k、τ_k、Θ_k分别为第k条路径的幅值、延迟、相位，k＝1，2，3…N(t)；

t时刻的路径个数为N，此时信道冲激响应为：

其中，c_k为第k条路径的复振幅，对上式进行傅里叶变换得到信道频域响应：

实施例

图2为本发明实施例的基于ARIMA滤波器的SAGE信道参数估计及滤波方法的流程图。参照图1和2，具体包括以下步骤：

1，设置测量序号z，并获取第z个测量快照的信道冲击响应；此处的信道冲击响应通过实际的测量得到。

2，基于串行干扰消除法初始化所有路径的信道参数，如，时延和复振幅；

3，基于上一步得到的路径参数初始值，计算初始漫散射分量，并设计初始漫散射分量的ARIMA滤波器；

从测量信号减去多有估计路径的贡献，得到的剩余量定义为漫散射分量，基于所述漫散射分量计算ARIMA参数，根据ARIMA参数设计初始ARIMA滤波器，此处得到的滤波器用于过滤漫散射分量对测量信号的影响。

4，开始迭代计算信道参数，设置迭代次数T的初始值为1；设置迭代的次数的最大值，以及估计误差作为迭代终止条件。

(1)，假设有L条路径，将路径序号初始值设置为1，最大值设置为L，依次计算每条路径的参数。

(2)，使用基于ARIMA滤波器的SAGE信道参数估计及滤波方法估计第i路径的信道参数，如：时延和复振幅；

采用ARIMA滤波器从测量信号中过滤掉漫散射分量，剩下的多为强反射分量，对剩下的信号进行参数估计，提高SAGE参数估计的精确度。具体如下：首先，计算第i条路径的条件期望；然后，计算第i条路径的似然函数，通过使第i条路径的似然函数最大化，从而得到第i条路径的估计参数，如：时延和复振幅。

(3)，路径序号更新为i+1；判断此时路径序号是否等于L，若等于L则进行下一步；反之，跳至步骤(2)。

(4)基于步骤(2)计算得到的每条路径的参数，重新计算漫散射分量，并更新ARIMA滤波器的参数。

(5)，判断是否终止迭代。若迭代次数T达到设定值或第T次的迭代结果与第T-1次的迭代结果的差值小于1*10^-6(迭代计算的结果收敛)，则跳出迭代循环；若迭代次数小于等于设定值且迭代结果的差值大于设定值1*10^-6，则迭代次数T加1，跳至步骤(5)继续进行。

(6)，判断测量序号z是否达到设置的快照的最大值，若是，则整个信道参数提取结果；否则，z加1，跳至步骤(1)继续进行，计算下一个测量快照的信道参数。

为了验证本发明所提出方法的有效性，采用实际测得的数据进行信道估计和分析；测量数据参数设置：带宽300MHz,中心频率2550000000Hz；根据测量得到的数据，并采用不同方法对测试环境的信道参数进行估计，结合仿真结果对本发明的应用效果作详细的描述。

图3表明，使用本发明提出的基于ARIMA滤波器的SAGE信道参数估计方法不但可以实现对强反射分量信道参数的有效估计，还可以对漫散射分量进行有效估计。

图4表明，采用AR-SAGE算法进行信道参数估计时，信道参数估计的不够准确，因此基于估计的信道参数重构的信号冲击响应与实际信号的CIR误差大一些。与AR-SAGE算法相比，基于ARIMA滤波器的SAGE信道参数估计方法估计出的信道参数更接近实际信道的参数。

图5表明，无论采用AR-SAGE算法还是本发明提出的算法均可实现对余量的有效滤波，但是采用本发明方法效果更好，经滤波剩余信号基本为噪声信号。

图6表明，使用本发明提出的ARIMA滤波器对漫散射分量进行滤波后，剩余信号的频谱图接近白噪声。因此本发明实施例采用的ARIMA-SAGE算法可以实现对漫散射分量的有效估计。

使用本发明提出的ARIMA滤波器对漫散射分量进行滤波后得到剩余信号，将该剩余信号的累积周期图与传统SAGE算法得到的剩余分量的累积周期图进行对比，如图7所示。图中的虚线为1％的置信线，假设偏差不超过1％的置信线，那么频谱就是常数。由图7可见，使用传统SAGE算法得到的残差不是白色的，因为使用传统SAGE算法得到的累积周期图曲线有一部分超出了置信区间。而使用本发明所述方法得到的累积周期图曲线完全位于置信度范围内，得到的残差是白色的，因此本发明实施例采用的ARIMA滤波器有效的实现了对漫散射分量的滤波。因此，本发明实施例采用的方法可实现对漫散射分量的有效估计。使用本发明所述方法估计出的信道参数可用于通信及定位等领域。

Claims (5)

1.基于ARIMA滤波器的SAGE信道参数估计方法，其特征在于，包括以下步骤：

S1，初始化所有路径的信道参数，具体包括每条路径的时延和复振幅；

S2，基于S1初始化的信道参数，计算初始漫散射分量，并基于所述初始漫散射分量，建立漫散射分量的ARIMA模型，基于漫散射分量的ARIMA模型，建立ARIMA滤波器；

S3，基于S2所得ARIMA滤波器，对测量信号进行滤波处理，然后使用SAGE算法基于滤波后的信号进行迭代优化，估计每条路径的信道参数，每迭代一次，对ARIMA滤波器的参数也进行更新；

S4，估计漫散射分量；

S3具体包括以下步骤：

(1)设置迭代次数T的初始值为1；迭代的次数的最大值或估计误差小于设定值err作为迭代终止条件；

(2)设有L条路径，将路径序号i初始值设置为1，最大值设置为L；

(3)使用SAGE-ARIMA算法估计第i条路径的时延和复振幅；

基于ARIMA滤波器从待测量信号中过滤掉漫散射分量，留下强反射分量，对过滤之后的测量信号进行参数估计；

首先，计算第i条路径的条件期望；然后，计算第i条路径的似然函数，通过使第i条路径的似然函数最大化，得到第i条路径的估计参数，即时延和复振幅；

(4)路径序号更新为i+1；判断此时路径序号是否等于L，若等于L则进行下一步；反之，跳至步骤(3)；

(5)基于步骤(3)计算得到的每条路径的估计参数，重新计算漫散射分量，并更新ARIMA滤波器的时延和复振幅；

(6)根据迭代次数是否达到最大值或迭代结果是否收敛，判断是否终止迭代；

若迭代次数T达到最大值或第T次的迭代结果与第T-1次的迭代结果的差值小于误差值0.000001，则跳出迭代循环，当前测量快照的信道参数估计结束；若迭代次数小于等于设定值且迭代结果的差值大于设定值err，则迭代次数T加1，跳至步骤(1)继续进行；

S4具体如下：

(1)根据S3得到的信道参数复振幅和时延，对信道进行估计得到信道频域响应

(2)使用实际测量的信道频域响应数据减去估计得到的信道频域响应

获得估计的漫散射分量；

其中，R₁(f_m)为最终估计到的漫散射分量，

对信道进行估计得到的信道频域响应；f_m为第m个频带的频率。

2.根据权利要求1中所述的基于ARIMA滤波器的SAGE信道参数估计方法，其特征在于，S2中，计算初始漫散射分量具体如下：

使用测量的信道频域响应减去初始化时估计得到的信道频域响应，得到的剩余信号记为漫散射分量；该处估计得到的漫散射分量为初始漫散射分量；

初始漫散射分量为：

其中，

初始化时估计得到的信道频域响应；f_m为第m个频带的频率。

3.根据权利要求1中所述的基于ARIMA滤波器的SAGE信道参数估计方法，其特征在于，S2中，建立漫散射分量的ARIMA模型为：

其中，s(n)为线性***第n个时间序列，s(n-g)为线性***第n-g个时间序列；v(n)为第n个输入序列,v(n-w)为第n-w个输入序列；p为自回归项数，即AR的阶数；q为滑动平均项数；a_g、b_w分别为AR模型和MA模型的系数；根据AR模型及MA模型的系数初始化ARIMA滤波器。

4.根据权利要求1所述基于ARIMA滤波器的SAGE信道参数估计方法，其特征在于，S2中，确定漫散射分量的ARIMA模型具体如下：

(1)判断漫散射分量序列是否平稳，若序列平稳，则直接确定AR模型和MA模型的阶数，并计算AR模型和MA模型的参数；若序列非平稳，则对非平稳的漫散射分量序列数据进行差分处理，得到差分阶数d，将其转换为平稳序列，然后确定AR模型和MA模型的阶数；

(2)确定ARIMA模型的参数。

5.根据权利要求4所述基于ARIMA滤波器的SAGE信道参数估计方法，其特征在于，采用ACF检验或ADF单位根检验方法，判断漫散射分量序列是否平稳，根据AIC准则、SC准则或FPE准则确定AR和MA的阶数。

Images