粒子滤波重采样算法及其在盲均衡中的应用

【摘要】： 粒子滤波方法由于在非线性和非高斯方面的独到优势,备受广大学者的关注。粒子滤波是一种基于蒙特卡罗分析和递推贝叶斯估计的非线性滤波算法,和其他预测性滤波一样,可以通过模型方程由测量空间递推得到状态空间。它采用粒子描述状态空间,用由粒子及其权重组成的离散随机测度近似真实的状态后验分布,并且根据算法递推更新离散随机测度。 但粒子滤波算法本身也存在一些不足,例如其本身固有的粒子退化现象、粒子多样性损失、重要性函数选取等问题。针对粒子退化现象,一般采用重采样的方法来处理,因此研究重采样算法对提高粒子滤波算法的效率以及应用具有非常重要的意义。 本文首先概述了论文的研究现状和研究意义。然后介绍了粒子滤波的理论基础和粒子滤波算法的原理,随后介绍了几种粒子滤波重采样算法,多项式重采样算法、分层重采样算法、系统重采样算法以及残差重采样算法。 针对粒子滤波算法出现的退化现象,本文采用先验概率密度函数代替最优重要性密度函数,并提出了一种新的粒子滤波重采样的算法——降序二分法。仿真结果表明,这种算法的平均性能优于其他的重采样算法。 此外,本文还对现有的盲均衡技术做了简介,将粒子滤波算法应用于盲均衡领域。在此过程中,利用粒子滤波的粒子特性,本文用信道的均值代替信道的真实值。这样在对信道进行辨识过程中就无需对信道的后验分布进行采样,降低了算法的计算量,同时在均衡的过程中可完成对信道的辨识。 最后,将改进的重采样算法应用在盲均衡中,进行了仿真以及分析。仿真结果表明,改进的算法能更快的收敛,比之前的三种重采样算法更快的完成信道辨识,均衡的平均效果优于之前的三种重采样算法。