基于信赖域EM算法进行多径时延估计.docVIP

基于信赖域EM算法进行多径时延估计 　　摘 要： EM算法进行多径时延估计时，能将多维问题转化为一维问题，计算简单，但是当数据缺失比较多，信噪比低，接收信号比较弱时收敛速度会很慢，有时甚至无法收敛。而信赖域法具有可靠性，有效性和很强的全局收敛性。因此，提出一种将信赖域法和EM算法相结合的思想，即提高了收敛特性，又降低了计算的复杂度。并通过仿真实验分析，结果表明该方法能有效解决收敛速度慢，及无法收敛的问题。 　　关键词： 最大估计算法； 信赖域； 多径信号； 参数估计 　　中图分类号： TN955?34 文献标识码： A 文章编号： 1004?373X（2013）08?0027?04 　　多径传播会造成电磁波等无线传输信号经过不同的时延到达接收端，通过对这些不同的时延进行估计，可以有效了解通信信道的质量，以及判断辐射源所在位置，目前被广泛应用于通信系统、雷达系统、地质勘探以及生物医学等领???。对于时延参数的估计，常采用极大似然估计（Maximum Likelihood Estimation）法，一般通过对一组观察随机变量的联合概率密度函数进行参数最大化得到的[1]。鉴于多信号多参数估计问题所需多维优化的复杂性，在多径时延估计问题中直接使用极大似然方法会涉及复杂的多维优化运算[2]。1988年为了减小运算复杂度和降低优化维数，Feder等人提出了基于最大似然准则的EM算法，利用迭代的一维优化取代上述多维优化问题，实现了基于最大似然准则的多径时延估计方法[3]。然而该方法当不可观测变量的信息量比较大时，收敛速度较缓慢，且当接收信号比较微弱，信噪比较低时，收敛速度更加缓慢甚至有时无法实现收敛。信赖域法是求解最优化问题的另一类有效方法，该方法的基本思想是通过求解一系列二次函数在信赖域中的极小值点逼近最优化问题的解。该方法具有稳定的数值性能，而且迭代次数少，具有可靠性，有效性和很强的全局收敛性。然而该方法也有其缺点，当信赖域子问题的Hessian矩阵不正定时，在数值计算上存在一定困难，其次每次迭代都需要求解信赖域子问题，计算量太大。而EM算法的特点就是降维处理，将多维优化问题转换为一维问题，因此将这两种方法结合即提高了多径时延在弱信号和低信噪比情况下的估计性能，又降低了计算量。并且通过实验仿真也验证了该方法在信噪比比较低的情况，在接收信号比较微弱的情况下可以有效提高EM算法的收敛性能。 　　1 信号模型 　　假设多径传播环境下的接收信号是多条经过一定延时后的直达波信号线性叠加后的信号，则接收信号的离散时间信号模型可以表示为： 　　[y（n）=i=1Dαis（n-τi）+w（n），n=1，2，…，N] （1） 　　式中：[D]为接收信号中多径信号的个数；[N]为连续观测的样本数；[w（n）]为接收信号噪声；[αi]为第[i]路多径信号分量相对于源信号的幅度衰减系数；[τi]为第[i]路多径信号相对于直达波的时延差值。 　　2 利用EM算法对多径时延进行估计 　　Feder 和Weinsten于1988年提出利用EM算法对叠加信号进行时延估计，具体方法如图1所示。 　　图1中，[y（n）]是观测到的信号，其是不完全信号，如式（1）所示。通过[y（n）]确定一组完全数据[x（n）]，可以表示为： 　　[x（n）=α1s（n-τ1）+w1（n）α2s（n-τ2）+w2（n） ?αis（n-τi）+wi（n）] （2） 　　式中[α，τ]即为带估计的参数。并在时域将完全数据进行分解，成为[i]路多径信号，然后每一路分别进行最大似然估计[3]。有： 　　[U（θ，θ′）=e-12i=1Dn=1Nxi（n）-αis（n-τi）2（σ2βi）-1] （3） 　　从式（3）中可以看到，[U（θ，θ′）]要取得最大值，实际上就应该满足： 　　[minτ1，τ2，???，τi；α1，α2，???，αin=1Nxi（n）-αis（n-τi）2] （4） 　　因此，每条支路分别进行E步和M步为： 　　E步：利用前面迭代的结果[α（m）i，τ（m）i]代替[θ′]，从而构造各个支路的[x（m）i（n）]： 　　[x（m）i（n）=α（m）is（n-τ（m）i）+βiy（n）-i=1D（α（m）is（n-τ（m）i））] （5） 　　M步：根据上一步得到的[x（m）i（n）]，通过： 　　[α（m+1）i=n=1Nx（m）i（n）s?（n-τ）n=1Ns（n-τ）2] （6） 　　[τ（m+1）i=argmaxxin=1Nx（m）i（n）s?（n-τ）] （7） 　　通过式（6）和式（7）得到第（m+1）次迭代的参数估计值[θ（m+1）i]。 　　开始迭代时，每次迭代都会增大每条支路的最大似然函数值，当收敛于似然函数