本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種萊斯因子估計(jì)方法及系統(tǒng)。

背景技術(shù)：

在車載移動(dòng)通信中，多徑嚴(yán)重影響著無線信號(hào)的傳播。實(shí)際上，路邊的建筑、樹木以及其它障礙會(huì)造成信號(hào)的隨機(jī)衰落，當(dāng)信號(hào)強(qiáng)度變小時(shí)，車輛之間的通信將變得非常困難。人們采用主路徑(信號(hào)路徑)和輔助路徑(所有非信號(hào)路徑)的能量之比來衡量無線多徑信道的衰落程度，稱為萊斯(Rician)因子。該名稱源于眾所周知的萊斯模型，即當(dāng)接收信號(hào)是一個(gè)復(fù)數(shù)常值(對(duì)應(yīng)于主路徑)加上一個(gè)復(fù)高斯隨機(jī)變量(對(duì)應(yīng)于所有的輔助路徑)時(shí)，其幅度服從萊斯分布。萊斯因子的引入目的是用來區(qū)分主路徑和輔助路徑的，一旦多徑特性被確定，人們就可以采用合適的信號(hào)檢測(cè)策略來完成無線通信或定位。

萊斯因子估計(jì)的準(zhǔn)確性對(duì)無線通信性能的影響至關(guān)重要，常用的估計(jì)方法是借助接收樣本的二階矩和四階矩。從數(shù)學(xué)角度來看，它是一個(gè)方程組的解，該方程組具有兩個(gè)未知數(shù)(主路徑能量和噪聲能量)和兩個(gè)方程(所測(cè)量的二、四矩)。但是，這個(gè)模型不適用于典型城市環(huán)境的車載移動(dòng)通信，這是因?yàn)檫@時(shí)發(fā)射機(jī)和接收機(jī)的相對(duì)運(yùn)動(dòng)，將導(dǎo)致隨機(jī)衰落從而影響接收信號(hào)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于，解決現(xiàn)有技術(shù)中存在的上述問題，提供了一種萊斯因子估計(jì)方法及系統(tǒng)，通過采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，計(jì)算接收樣本的二、四和六階矩以構(gòu)建估計(jì)參數(shù)方程組和建立接收樣本的似然函數(shù)，能夠有效提高萊斯因子的估計(jì)精度。

為了實(shí)現(xiàn)上述目的，一方面，本發(fā)明提供了一種萊斯因子估計(jì)方法。該方法包括步驟：采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，獲得接收樣本模型；根據(jù)接收樣本模型計(jì)算接收樣本的二階矩、四階矩和六階矩，構(gòu)建并求解估計(jì)參數(shù)的方程組，以獲取估計(jì)參數(shù)的數(shù)值；根據(jù)估計(jì)參數(shù)的數(shù)值對(duì)萊斯因子進(jìn)行估計(jì)。

優(yōu)選地，該方法還包括：當(dāng)估計(jì)參數(shù)的數(shù)值有多組取值時(shí)，根據(jù)接收樣本模型，建立接收樣本似然函數(shù)；根據(jù)估計(jì)參數(shù)的多組取值確定估計(jì)參數(shù)的唯一取值，并根據(jù)估計(jì)參數(shù)的唯一取值對(duì)萊斯因子進(jìn)行估計(jì)。

優(yōu)選地，采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，獲得接收樣本模型步驟具體包括：

其中，g(s_l；m_l,Ω_l)為s_l的概率密度函數(shù)；s_l為第l個(gè)接收樣本的主路徑分量的幅度，服從Nakagami分布；m_l為的第l個(gè)接收樣本的未知的形狀參數(shù)，Ω_l為第l個(gè)接收樣本的未知的擴(kuò)展參數(shù)，Γ(m_l)為伽馬函數(shù)。

優(yōu)選地，根據(jù)接收樣本模型計(jì)算接收樣本的二階矩、四階矩和六階矩，構(gòu)建并求解估計(jì)參數(shù)的方程組，以獲取估計(jì)參數(shù)的數(shù)值步驟具體包括：

其中，和分別表示接收信號(hào)的二階矩、四階矩和六階矩的估計(jì)，Ω表示未知的擴(kuò)展參數(shù)，m表示未知的形狀參數(shù)，σ²表示噪聲方差。

優(yōu)選地，根據(jù)接收樣本模型，建立接收樣本似然函數(shù)步驟具體包括：

其中，m表示未知的形狀參數(shù)，σ²表示方差，r表示接收信號(hào)，Ω表示未知的擴(kuò)展參數(shù)，θ表示主路徑分量的相位。

另一方面，本發(fā)明提供了一種萊斯因子估計(jì)系統(tǒng)。該系統(tǒng)包括第一計(jì)算模塊用于采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，獲得接收樣本模型；第二計(jì)算模塊，用于根據(jù)接收樣本模型計(jì)算接收樣本的二階矩、四階矩和六階矩，構(gòu)建并求解估計(jì)參數(shù)的方程組，以獲取估計(jì)參數(shù)的數(shù)值；第三計(jì)算模塊，用于根據(jù)估計(jì)參數(shù)的數(shù)值對(duì)萊斯因子進(jìn)行估計(jì)。

優(yōu)選地于，第二計(jì)算模塊還用于：當(dāng)估計(jì)參數(shù)的數(shù)值有多組取值時(shí)，根據(jù)接收樣本模型，建立接收樣本似然函數(shù)；根據(jù)估計(jì)參數(shù)的多組取值確定估計(jì)參數(shù)的唯一取值。

優(yōu)選地，第一計(jì)算模塊具體用于：

其中，g(s_l；m_l,Ω_l)為s_l的概率密度函數(shù)；s_l為第l個(gè)接收樣本的主路徑分量的幅度，服從Nakagami分布；m_l為的第l個(gè)接收樣本的未知的形狀參數(shù)，Ω_l為第l個(gè)接收樣本的未知的擴(kuò)展參數(shù)，Γ(m_l)為伽馬函數(shù)。

優(yōu)選地，第二計(jì)算模塊具體用于：

其中，和分別表示接收信號(hào)的二階矩、四階矩和六階矩的估計(jì)，Ω表示未知的擴(kuò)展參數(shù)，m表示未知的形狀參數(shù)，σ²表示噪聲方差。優(yōu)選地，第二模塊用于根據(jù)接收樣本模型，建立接收樣本似然函數(shù)，具體包括：

其中，m表示未知的形狀參數(shù)，σ²表示噪聲方差，r表示接收信號(hào)，Ω表示未知的擴(kuò)展參數(shù)，θ表示主路徑分量的相位。

本發(fā)明提供的一種萊斯因子估計(jì)方法及系統(tǒng)，通過采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，計(jì)算接收樣本的二、四和六階矩以構(gòu)建估計(jì)參數(shù)方程組和建立接收樣本的似然函數(shù)，能夠有效提高萊斯因子的估計(jì)精度。

附圖說明

圖1為本發(fā)明實(shí)施例提供的一種萊斯因子估計(jì)方法的流程示意圖；

圖2為性能仿真中圖1中萊斯因子與采用傳統(tǒng)方法計(jì)算的萊斯因子的均值和標(biāo)準(zhǔn)差隨K值的變化圖；

圖3為性能仿真中圖1中萊斯因子與采用傳統(tǒng)方法計(jì)算的萊斯因子的均值和標(biāo)準(zhǔn)差隨參數(shù)m的變化圖；

圖4為本發(fā)明實(shí)施例提供的一種萊斯因子估計(jì)系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)、清楚、完整的說明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

圖1為本發(fā)明實(shí)施例提供的一種萊斯因子估計(jì)方法的流程示意圖。如圖1所示，該方法包括步驟101-104：

步驟101:采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，獲得接收樣本模型。

將經(jīng)預(yù)處理和數(shù)字采樣后獲得的第l個(gè)接收樣本記為r_l，其中，l＝1,…,L，L為接收樣本的總數(shù)。接收樣本中包括主路徑分量和輔路徑分量：

r_l表示第l個(gè)接收樣本；θ_l為第l個(gè)接收樣本的主路徑分量的相位，服從在區(qū)間[0,2π]上的均勻分布；n_l是第l個(gè)接收樣本的噪聲分量，服從方差為σ²的復(fù)高斯分布，即L為接收樣本總數(shù)；s_l表示第l個(gè)接收樣本的主路徑分量的幅度，服從Nakagami分布，其概率密度函數(shù)為：

其中，m_l為第l個(gè)接收樣本的未知的形狀參數(shù)，Ω_l為第l個(gè)接收樣本的未知的擴(kuò)展參數(shù)，Γ(m_l)為伽馬函數(shù)。

此外，r₁,…,r_L是獨(dú)立同分布的隨機(jī)變量。萊斯因子為主路徑和輔助路徑的能量之比，根據(jù)式(1)和(2)可以推導(dǎo)出其表達(dá)式為：

步驟102，根據(jù)接收樣本模型計(jì)算接收樣本的二階矩、四階矩和六階矩，構(gòu)建并求解估計(jì)參數(shù)的方程組，以獲取估計(jì)參數(shù)的數(shù)值。

根據(jù)(3)式可知，為了得到萊斯因子K的可靠估計(jì)，需要先求出Ω和σ²的有效估計(jì)。記r＝[r₁,…,r_L]^T，和分別為2、4和6階非中心矩的一致估計(jì)，如式(4)-(6)所示，它們均為r的函數(shù)。

其中，|r|＝|re^-jθ|，結(jié)合式(1)進(jìn)行推導(dǎo)可得：

根據(jù)式(4)-(7)可得出估計(jì)參數(shù)方程組：

為了更加清楚地展現(xiàn)方程組(8)的求解過程，記x₁＝Ω，x₂＝σ²，x₃＝1/m，則相應(yīng)的方程組(8)可以記為：

根據(jù)方程組(9)中的第1個(gè)和第2個(gè)方程，可得：

其中，根據(jù)式(10)和(11)，方程組(9)中的第3個(gè)方程可以寫為：

根據(jù)式(10)，可以將式(12)重寫為：

根據(jù)式(11)可得：

將式(14)代入式(12)中可得：

進(jìn)一步可以得到：

進(jìn)一步可以得到：

其中，由方程組(9)中第一個(gè)方程可知將其代入式(17)中可得：

其中且進(jìn)一步可以得到：

因式(19)是x₁的一元二次方程，求解它我們能夠得到x₁的兩個(gè)解。顯然，x₁的估計(jì)值必須是正實(shí)數(shù)，即其中代表正實(shí)數(shù)集合。在計(jì)算時(shí)，如果有充足的接收樣本，那么一定存在。求解出后，通過方程組(9)可以得到x₂，x₃的估計(jì)和同樣地，和也必須是正實(shí)數(shù)，即

步驟103，根據(jù)估計(jì)參數(shù)的數(shù)值對(duì)萊斯因子進(jìn)行估計(jì)。

將估計(jì)參數(shù)的數(shù)值代入式(3)中，以對(duì)萊斯因子進(jìn)行估計(jì)：

如果方程組(9)的解均不符合式(20)，則需要更多的接收樣本重新進(jìn)行計(jì)算以對(duì)方程組(9)進(jìn)行求解。如果根據(jù)方程組(9)求解的估計(jì)參數(shù)的數(shù)值有多組取值時(shí)，根據(jù)接收樣本模型，建立接收樣本似然函數(shù)。根據(jù)估計(jì)參數(shù)的多組取值確定估計(jì)參數(shù)的唯一取值，并根據(jù)估計(jì)參數(shù)的唯一取值對(duì)萊斯因子進(jìn)行估計(jì)。

其中，根據(jù)接收樣本模型，建立接收樣本似然函數(shù)的過程如下，且為了簡化推導(dǎo)過程，將r_l的下角標(biāo)省略，統(tǒng)一用r表示：

利用全概率定理可以得到

其中h_rsθ(r,s,θ；σ²,m,Ω)是r，s和θ的聯(lián)合概率密度函數(shù)，h_r(r；σ²,m,Ω)是r的概率密度函數(shù)，h_r|sθ(r；s,θ,σ²)是在給定s和θ時(shí)r的條件概率密度函數(shù)。當(dāng)給定s和θ時(shí)，其概率密度函數(shù)為

根據(jù)上式，式(22)可以被改寫為

其中，C＝(m^mexp{-|r|²/σ²})/((πσ)²Γ(m)Ω^m)，

β＝1/σ²+m/Ω>0，μ＝2>0，

是拋物柱面(Parabolic Cylinder Function)函數(shù)，Φ(x；y；a)＝₁F₁(；y；a)是Kummer Confluent超幾何函數(shù)。由上可知，r的似然函數(shù)可以寫為：

需要說明的是，式(25)可以通過數(shù)值計(jì)算方法來求解。將估計(jì)參數(shù)的數(shù)值的多組取值代入式(25)中，選取使該似然函數(shù)的取值最大的那組估計(jì)參數(shù)的數(shù)值為估計(jì)參數(shù)的唯一取值，并將估計(jì)參數(shù)的唯一取值代入式(3)中，以對(duì)萊斯因子進(jìn)行估計(jì)。

通過以下性能仿真實(shí)驗(yàn)進(jìn)一步證明本發(fā)明提出的一種萊斯因子估計(jì)方法能達(dá)到的有益效果。

基于萊斯信號(hào)模型的傳統(tǒng)估計(jì)方法采用二、四階矩進(jìn)行計(jì)算可以得到萊斯因子的估計(jì)統(tǒng)計(jì)量為：

采用蒙特卡洛方法對(duì)采用本發(fā)明實(shí)施例提供的萊斯因子估計(jì)法計(jì)算出的萊斯因子和采用傳統(tǒng)估計(jì)方法計(jì)算出的萊斯因子進(jìn)行性能分析，獨(dú)立仿真的次數(shù)是1000。假設(shè)隨機(jī)信號(hào)具有Nagakami模型，噪聲服從高斯分布，σ²＝1。仿真結(jié)果如圖2和3所示。

圖2為和的均值和標(biāo)準(zhǔn)差隨K值的變化曲線，其中和的標(biāo)準(zhǔn)差作為置信區(qū)間，考慮了兩種典型的m值，即m＝5和參數(shù)m＝20。從圖中可以看出的均值偏差遠(yuǎn)小于與真值相差無幾。圖3給出的是和的均值和置信區(qū)間隨參數(shù)m的變化曲線，考慮了兩種K值，即K＝5和K＝15。圖3的結(jié)果表明的均值偏差仍小于尤其是在K值比較大的情況。注意到當(dāng)K＝5時(shí)，隨著m的增大，的均值和真值之間的偏差隨之增大，說明所提出的估計(jì)方法在K＝5時(shí)更適用于小m值情況。

本發(fā)明實(shí)施例提供的一種萊斯因子估計(jì)方法，通過采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，計(jì)算接收樣本的二、四和六階矩以構(gòu)建估計(jì)參數(shù)方程組和建立接收樣本的似然函數(shù)，能夠有效提高萊斯因子的估計(jì)精度。

圖4為本發(fā)明實(shí)施例提供的一種萊斯因子估計(jì)系統(tǒng)的結(jié)構(gòu)示意圖。該系統(tǒng)200包括第一計(jì)算模塊201，第二計(jì)算模塊202和第三計(jì)算模塊203。

第一計(jì)算模塊201用于采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，獲得接收樣本模型。

第一計(jì)算模塊具體用于：

其中，g(s_l；m_l,Ω_l)為s_l的概率密度函數(shù)；s_l為第l個(gè)接收樣本的主路徑分量的幅度，服從Nakagami分布；m_l為的第l個(gè)接收樣本的未知的形狀參數(shù)，Ω_l為第l個(gè)接收樣本的未知的擴(kuò)展參數(shù)，Γ(m_l)為伽馬函數(shù)。

第二計(jì)算模塊202用于根據(jù)接收樣本模型計(jì)算接收樣本的二階矩、四階矩和六階矩，構(gòu)建并求解估計(jì)參數(shù)的方程組，以獲取估計(jì)參數(shù)的數(shù)值。

第二計(jì)算模塊具體用于：

其中，和分別表示接收信號(hào)的二階矩、四階矩和六階矩的估計(jì)，Ω表示未知的擴(kuò)展參數(shù)，m表示未知的形狀參數(shù)，σ²表示噪聲方差。

第二計(jì)算模塊還用于當(dāng)估計(jì)參數(shù)的數(shù)值有多組取值時(shí)，根據(jù)接收樣本模型，建立接收樣本似然函數(shù)；根據(jù)估計(jì)參數(shù)的多組取值確定估計(jì)參數(shù)的唯一取值。

第二模塊用于根據(jù)接收樣本模型，建立接收樣本似然函數(shù)，具體包括：

其中，m表示未知的形狀參數(shù)，σ²表示噪聲方差，r表示接收信號(hào)，Ω表示未知的擴(kuò)展參數(shù)，θ表示主路徑分量的相位。

第三計(jì)算模塊203用于根據(jù)估計(jì)參數(shù)的數(shù)值對(duì)萊斯因子進(jìn)行估計(jì)。

本發(fā)明提供的系統(tǒng)實(shí)施例與方法實(shí)施例相對(duì)應(yīng)，在此不作贅述。

本發(fā)明實(shí)施例提供的一種萊斯因子估計(jì)系統(tǒng)，通過采用Nagakami分布對(duì)接收樣本的主路徑分量進(jìn)行建模，計(jì)算接收樣本的二、四和六階矩以構(gòu)建估計(jì)參數(shù)方程組和建立接收樣本的似然函數(shù)，能夠有效提高萊斯因子的估計(jì)精度。

以上的具體實(shí)施方式，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上僅為本發(fā)明的具體實(shí)施方式而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。