本文關(guān)鍵詞：基于粒子濾波的非線性衛(wèi)星信道盲均衡方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：現(xiàn)代通信中,衛(wèi)星通信系統(tǒng)已經(jīng)成為傳輸信息的重要方式。為充分利用星上功率資源,高功率放大器通常工作在飽和狀態(tài),但其非線性特性勢必會造成信道的非線性失真,導(dǎo)致傳輸信號發(fā)生不同程度的畸變,對接收端信號的解調(diào)及信息恢復(fù)產(chǎn)生不利影響。非線性信道均衡能夠有效消除信道產(chǎn)生的非線性干擾,提高接收機的誤碼率性能。粒子濾波技術(shù)在處理非線性問題方面具有明顯優(yōu)勢,論文圍繞粒子濾波在非線性衛(wèi)星信道盲均衡中的應(yīng)用展開研究,旨在利用粒子濾波方法解決非線性均衡問題,本文的主要貢獻及創(chuàng)新點如下：1.針對衛(wèi)星信道中高功率放大器產(chǎn)生非線性失真的問題,提出了一種基于粒子濾波技術(shù)的盲均衡方法,通過將非線性信道建模為狀態(tài)空間模型,對非線性特性參數(shù)及發(fā)送序列進行聯(lián)合估計。該算法無需對模型進行線性化處理,而是將未知參數(shù)和符號序列看成一高維狀態(tài),然后利用帶權(quán)值的粒子對此高維狀態(tài)的后驗分布進行近似,最后利用最小均方誤差準(zhǔn)則得到參數(shù)的估計以及最大后驗準(zhǔn)則得到符號序列的估計。仿真結(jié)果表明,粒子濾波非線性盲均衡較傳統(tǒng)Volterra均衡方法性能有所提高。2.粒子濾波盲均衡算法中,高維狀態(tài)的準(zhǔn)確估計需要利用大量的采樣粒子,計算量較大。針對該問題,本文分析恒模調(diào)制信號經(jīng)過信道時的特點,通過簡化狀態(tài)空間模型,降低狀態(tài)的維數(shù),直接對信號幅度和附加調(diào)制相位進行估計來減少計算量；并通過改進參數(shù)的采樣分布,提高了算法的參數(shù)估計精度及均衡性能。3.粒子退化是標(biāo)準(zhǔn)粒子濾波算法固有的缺陷,重采樣方法能夠解決退化問題,但由于權(quán)值高的粒子被多次選中,最終導(dǎo)致粒子的多樣性喪失,出現(xiàn)枯竭現(xiàn)象。遺傳粒子濾波算法能夠避免重采樣操作造成的粒子枯竭問題,但變異算子的盲目性使算法估計精度不高。針對該問題,本文提出了一種自適應(yīng)進化粒子濾波方法,利用自適應(yīng)引導(dǎo)變異思想克服盲目變異的不足。此方法能夠抑制粒子退化并保持粒子多樣性,處理非線性信道盲均衡問題時,提高了參數(shù)估計精度,而且改善了盲均衡性能。
【關(guān)鍵詞】：衛(wèi)星信道 高功率放大器 非線性失真 盲均衡 粒子濾波 聯(lián)合估計 粒子退化 自適應(yīng)引導(dǎo)變異
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN927.2
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 第一章 緒論11-19
• 1.1 課題背景和意義11
• 1.2 研究現(xiàn)狀11-15
• 1.2.1 非線性均衡方法12-13
• 1.2.2 盲均衡技術(shù)13-14
• 1.2.3 存在問題14
• 1.2.4 粒子濾波盲均衡14-15
• 1.3 研究內(nèi)容及思路15-17
• 1.4 結(jié)構(gòu)安排17-19
• 第二章 粒子濾波理論19-31
• 2.1 貝葉斯濾波19-20
• 2.2 標(biāo)準(zhǔn)濾波方法簡介20-23
• 2.2.1 Kalman濾波21
• 2.2.2 擴展Kalman濾波(EKF)21-22
• 2.2.3 無味Kalman濾波(UKF)22-23
• 2.3 粒子濾波23-29
• 2.3.1 蒙特卡洛方法23-24
• 2.3.2 貝葉斯重要性采樣24-25
• 2.3.3 序貫重要性采樣25-26
• 2.3.4 粒子退化與重采樣26-29
• 2.4 粒子濾波的收斂性29-30
• 2.5 本章小結(jié)30-31
• 第三章 非線性衛(wèi)星信道下的粒子濾波盲均衡方法31-47
• 3.1 HPA非線性模型31-34
• 3.1.1 無記憶非線性模型32
• 3.1.2 有記憶非線性模型32-34
• 3.2 信號模型及問題描述34-36
• 3.2.1 非線性接收信號基帶模型34-36
• 3.2.2 非線性信道盲均衡的數(shù)學(xué)描述36
• 3.3 非線性衛(wèi)星信道下的粒子濾波盲均衡方法36-42
• 3.3.1 狀態(tài)空間模型36-37
• 3.3.2 算法框架37-39
• 3.3.3 參數(shù)初始化39-40
• 3.3.4 實驗仿真40-42
• 3.4 改進的粒子濾波盲均衡方法42-46
• 3.4.1 簡化的狀態(tài)空間模型43
• 3.4.2 非時變參數(shù)估計43-45
• 3.4.3 實驗仿真45-46
• 3.5 本章小結(jié)46-47
• 第四章 自適應(yīng)進化粒子濾波盲均衡方法47-59
• 4.1 重采樣方法47-49
• 4.1.1 多項式重采樣48
• 4.1.2 殘差重采樣48
• 4.1.3 分層重采樣48
• 4.1.4 系統(tǒng)重采樣48-49
• 4.2 粒子枯竭問題49
• 4.3 遺傳粒子濾波算法49-53
• 4.3.1 遺傳算法49-51
• 4.3.2 遺傳粒子濾波算法51-53
• 4.4 自適應(yīng)進化粒子濾波非線性盲均衡方法53-56
• 4.4.1 自適應(yīng)引導(dǎo)變異53-55
• 4.4.2 自適應(yīng)進化粒子濾波盲均衡方法55-56
• 4.5 實驗仿真56-58
• 4.6 本章小結(jié)58-59
• 第五章 結(jié)束語59-61
• 5.1 論文主要工作及創(chuàng)新59-60
• 5.2 工作展望60-61
• 致謝61-63
• 參考文獻63-67
• 作者簡介67

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 曹凱;陳國虎;江樺;馬歡;;自適應(yīng)引導(dǎo)進化遺傳算法[J];電子與信息學(xué)報;2014年08期

2 夏楠;邱天爽;李景春;;穩(wěn)定分布噪聲下基于粒子濾波的多徑時變信道盲均衡算法[J];通信學(xué)報;2013年11期

3 郭業(yè)才;徐冉;;改進的非線性衛(wèi)星信道均衡器[J];計算機應(yīng)用;2013年11期

4 夏楠;邱天爽;李景春;李書芳;;一種卡爾曼濾波與粒子濾波相結(jié)合的非線性濾波算法[J];電子學(xué)報;2013年01期

5 楊寧;錢峰;朱瑞;;基于遺傳算法的改進粒子濾波算法[J];上海交通大學(xué)學(xué)報;2011年10期

6 劉順蘭;蔣樹南;;非線性信道的均衡算法研究[J];電子學(xué)報;2010年10期

7 曲彥文;張二華;楊靜宇;;一般性粒子濾波算法收斂特性[J];計算機研究與發(fā)展;2010年01期

8 姜波;楊軍;朱江;張爾揚;;基于MWF的非線性Volterra濾波[J];信號處理;2008年05期

9 王磊;劉郁林;;基于粒子濾波器的盲辨識和盲均衡新方法[J];通信學(xué)報;2006年10期

  本文關(guān)鍵詞：基于粒子濾波的非線性衛(wèi)星信道盲均衡方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：272457