[发明专利]基于信息序列的自适应渐消扩展卡尔曼粒子滤波的多普勒频移估计方法

说明书

技术领域

本发明涉及一种多普勒频移估计算法，尤其涉及一种基于信息序列的自适应渐消 扩展卡尔曼粒子滤波的多普勒频移估计方法。涉及专利分类号H04电通信技术H04B传输 H04B1/00不包含在H04B3/00至H04B13/00单个组中的传输系统的部件；不以所使用的传 输媒介为特征区分的传输系统的部件H04B1/69扩频技术H04B1/707利用直接序列调制的。

背景技术

目前，很多学者针对多普勒频移提出了多种估计算法，这些方法很难适用于高动 态环境下的多普勒频移估计。在高动态环境下对多普勒频移估计进行研究，为多普勒频移 补偿提供依据，能有效提高通信系统的保密性，降低误码率，从而提高系统的通信能力。多 普勒频移估计方法中，公式表达复杂，计算过程繁琐，常把待估计的非线性函数进行局部的 线性化处理，对于高动态下多普勒频移估计系统存在系统不能准确建模或模型误差易随时 间发生改变的问题。

发明内容

本发明针对以上问题的提出，而研制的一种基于信息序列的自适应渐消扩展卡尔 曼粒子滤波的多普勒频移估计方法，包括如下步骤：

考虑到扩展卡尔曼滤波算法是基于矩阵向量的运算，采用矢量表示法能更好的应 用此方法，故采用天线接收机接收到的信号参数；采用矢量表法定义采样信号；得到信号的 观测值，以及算法状态变量的初始值。而得到这两项也是信号采集结束的标志；

这样将信号矩阵向量化能够从运动的速度、加速度、加加速度三个方面来考虑，提 高估计精度。

—将采样信号的载波相位作为粒子滤波方程的状态变量，进行动态展开后，得到 系统的状态转移矩阵和噪声干扰矢量的协方差矩阵；使用带有渐消因子的自适应渐消卡尔 曼对状态向量的估计得到最优滤波估计；

—通过AFEKF产生重要性密度函数，通过高斯近似不断更新后验证分布实现递推 估计，完成AFEKPF(adaptivefadingextendedkalmanparticlefilter)粒子滤波。

作为优选的实施方式，基于矢量表示法，采样信号被定义为：

其中，n(k)^T＝[n_I(k)n_Q(k)]零均值高斯矢量，下表I、Q是指同相和正交成分，且噪 声的均方误差σ²＝N₀/2T_s，T_s为采样周期，它等于载波跟踪环路的更新间隔；A为接收信号的 幅值，θ是采样周期为T_s的信号载波相位；相应的接收机的输入信噪比为

更进一步的，对状态向量的估计过程如下：

状态方程的预测一步计算：

预测方程的预测一步计算：

最优扩展卡尔曼增益的计算：

预测方程的一步更新：

最优滤波估计的计算：

其中，R＝σ²I。为h(x_k)的线性化的因子。

更进一步的，渐消因子为公式(14)中的尺度因子

滤波过程中判断滤波发散的判据为：

式中：γ为储备系数(γ＞1)，由量测值得到；当γ＝1时满足最严格的收敛判据，即估计的真实信息协方差阵为

采用开窗估计法确定类似于Sage滤波

为了满足自适应渐消扩展卡尔曼对高速飞行器通信系统的多普勒频移估计，对式 (26)进行修改得：

其中，v₀为k＝0时的预测信息向量；

经过修改后式(27)未对历史信息取平均，而直接采用当前时刻的估计信息，比式(26)更能敏感的反映当前时刻系统模型误差。则渐消因子能够估算为：

更进一步的，使用AFEKF算法在每一时刻按照如下方式对后验密度进行近似：

式中，为k时刻的状态估计值；P为k时刻的估计方差。在粒子滤波算法中，可以用AFEKF对每个粒子进行更新，将最后得到的近似后验密度作为重要性密度函数，即