当前位置：文档之家 › 多环境下卡尔曼滤波多用户算法的性能仿真

多环境下卡尔曼滤波多用户算法的性能仿真

  • 格式：pdf
  • 大小：257.14 KB
  • 文档页数：2

ｃ ｎ ： １ １ ）ｃ （ 一 （ 月 ） 式中 Ｗ （ ） Ｃ ｎ 的 自适 应部分 ， 自适 式 Ｉ） ｎ （ 非 应部分 （ 用户 １ 的扩频码 ） ｘ Ｎ １维矩阵 ｃ 。Ｎ （ 一 ） 。 的列张成 ｓ的零空间即 ｓ＝０若 给定期 ， ， 望用户的特征 向量 ｓ ． ｃ 就可用 ｓ的奇异 ，则 值分解 求出。 众所周知 ，对于一 般 的非平稳 Ｃ Ｍ Ｄ Ａ系 统， 有下面 的状态方程 ：
至 Ｑ
Ｑ ！ Ｑ
ＣｎＮｗ ｅ ｎｏｅａ ｏ ｃ ｈａｅ Ｔ ｈ ｌｉ ｎＰｄ ｔ ｉ ｃ ｏｇｓ ｄ ｒｕｓ
高 新 技 术
多环境下卡尔曼滤波多用户算法的性能仿真
王 昆 陈 昕 志
（ 南职 业技 术 学 院 ， 南 郑 州 ４ ０ ４ ） 河 河 ５ ０ ６
摘 要 ： 自适应 多用 户检测 的典型 算法主要 有 ： 盲 最小均 方算 法、 归最 小二 乘算 法和卡 尔曼滤波 算法 ， 递 而卡 尔曼滤 波算法 的收敛速 度快 、 性能 强 ， 稳定性 好 。本 文在 同步 、 步加性 白噪 声 、 户满载 、 跟踪 数值 异 用 阵发 性 强干扰 等通 信环 境 下对算 法 的时 间平均信 千 比 （Ｉ 、 均输 出能 量（ ０ ） ＳＲ）平 Ｍ Ｅ 和误 码 率（ Ｅ ） 了仿 真测试 ， 比分析 了卡 尔曼滤波 算法 的性 能。 Ｂ Ｒ作 对
户 的信息字符从 ｌ ’ １ － ＋ 中独立选取 ， １１ 还假定特征 波形具有单位能量。信号模型也 可写成 向量形
（） Ａ 玎 Ｉ Ａ ６（ ） ＋ ｖｎ ＝ Ｉ（） ＋ ６ Ｉ Ｇ （ ） 式 中， 第一项为期 望用户 的信号 ， 第二项为 所有其它用 户的干扰信号之和 ，第 三项代表信
关键词 ： 多￣ｆ ４ 盲 自适应 多用 户检 测 ； 尔曼滤波 ｆ Ｌ； － 卡
１引 言
在 Ｄ ＿ Ｄ Ａ系统 中，由于用户间非理想 Ｓｃ Ｍ 正交化而产生 的非零互相关值 ，造成多用户干 扰（ Ａ ） Ｍ Ｉ， 严重限制 了系统容量 和性能 。因此出 现了能够抗多址干扰 的多用户检测器 ，这些算 法中需知道较多先验 息， 复杂度随用 户码 且 元 数呈指数率增加 ，不断发送的训 练序将 占用 大量系统资源 。 不需要训练序列 ， 只利用被测用 户扩频波形的盲 自 应多用 户检测技 术成 了研 适 究热点。 盲 自适应 多户检 测简称盲多 用户检测 ， 典 型算法有基于随即梯度最小化平均输 出能量 的
ＲＬ Ｓ
式 中 ，（） ｗ（） Ｃ ｎ的 自 Ｘ ｎ 和 是 ｌ ） 适应 部分 ， 自 ｌ ｎ （ 非 适应 部分 。 户 １ （ 用 的扩 频码 ）并且这 两部 ， 分正交（ 正交分解 。
府 用典 范表 示 ２式
Ａ 为期望用户在第 ｎ 个码元间隔的接收幅
值， （ ： ｛Ｍｏ ＝ １， ） ￡， （｝ ｏ ；。 ＂ ）
道 噪声 。
式中 ｗ 为最 佳线 性 检测 器 的 自适 应部 分。Ｆ ＋，为状态转移矩阵 ， （ １１ ｎ ｎ 一般是 未知的 ， 然 而对 于平稳 Ｃ Ｍ Ｄ Ａ系统 ， 在统计意义下 ， 一般 有 （＋ ） （ ，即 ， ＋ ，＝ 。在慢 时变 ”１ ” ＝ ） （ ｌ） ， ， Ｃ ＭＡ系统 的情况下 ， “ １ ｗ ，＋ （ Ｄ 有 （＋） ” ＝ ） ） 且 ｄ ） 的元素都是非常小的量 ， ｗ 为 Ｅ ／ ｏｆ ， ） 可忽略 ， ｛ ． ｔ ｎ ￣ ｚ （ ｗ 即有 ， （ １ ４ｔ ） ｔ ） ＇（ 。 ］ ｏ” ｐ 故对于平稳或慢时 变 ＣＤ ＭＡ系统 ， 有下面 的状态方程 ： ｔ＂ ） ｏ１ ） ，” ｗｐ（ ＋１：Ｗｐ （ ＋ １ ｆ＂ ｌ） （ 为得到观测方 程， ｅ 目： 令 ｆ ｎ Ａ 一＾， ｌ ： ： 一１； ： ＝砧 ＝１ ２ 一＾ ：０ ； ０鬈 ０ ０ ４ ‘ 真结果均经过 ２０次独立实验取 平 ４仿 ０ 把式典范表示 ２ 式代人上式 ， 得 均值 ， 迭代次数为 ２ ０ 次 ； ００ ｅＨ ＝ ｌ 月一ｖ ）Ｃ， Ｉ” （） ｓ ） －” １ （） （ （ ｗ ４ Ｍ 算法 的歹 取值为 ＿Ｌ Ｓ ５ ｉｔ ｉ＂ －￣ 令 ｙｎ＝ｉ，） ＝ ｎＱ ，当 ｗ （） ｓ） ， （） Ｙ（） ｒ（ ｄ ” ¨ １ 达到最优时可写为 ； ）ｄ（ （ （ （ ＝ ” ” ， ） ， ） ＜Ｔ — ＝ ６０ ｘ１ ．３ ０ Ｋ ｌ ａ 滤波器的状态空间模 型可表示为 ： ａ ｎ ｍ ∑ ＋ ６ Ｎ 状态方程 ：’ 。７ １＝Ｗｐ（） ，ｆ ） ｏ ＂＋ （＋ ｎ （） ” 考虑各噪声 、 异步和满载环境下取 对于平稳 Ｃ ＤＭＡ系统 ｇ （） ｗ ＂ ：０ ， 慢时 ｐ ｘｌ －； ． ＝ｌ ０￣ 变ＣＭ Ｄ Ａ系统 ｗ 很小 ， ｕ ０ 有 ４ Ｌ 算法中初始值 ｏ １１ｒ遗忘因子 ．Ｒ Ｓ ６ － ￣０， ＝ ２ ９ ０ ： （） ｄ （Ｊ ＋ （） ７程 ｖ ＝ ｕ”” ）ｅ 钡 （ ． ７ ９ 与一般动态系统模型相 比，在新的状态空 取 ｏ ９ ； ４ ａ ａ 算法 中取初 值 Ｆ （，＝ ， ．Ｋ ｌ ｎ ７ ｍ １ ）１靠 ｏ 问模型 中， 状态矢量为 ｗ 状态转移矩阵 Ｆｎ （＋
ｕ，
ｐ １ ，
（ １＝Ｆ（ ＋，） ｏｌ ） ＋ ） ” １ Ｗｐ（ 月 ，
户检
较快 的收敛速度 、 较强 的跟踪性能和数值输 出稳定
性。 ２盲多用户检测的模 型
考虑一直接序列码分多址 （ ＳＣ Ｍ ） Ｄ － Ｄ Ａ 系 统， 它有 Ｋ个用户 ， 无线信道 。盲多用户检测器 的在一个码元问隔期间的离散时间输入可用以 下信＝ ，…， Ｉ （ ：６ 月 ｎ ａ（ ， ０， 一 ） （ ＆ ） ｎ月 Ｉ
石
式 中 ｖｎ 为信号 噪声 ； ， ｎ 和 Ｓ ｎ 分 （） （ ） ｋ ） （ 别是第 ｋ 个用户的接收幅值 、 信号字符序列 和 用户扩频特征码 ； 为～常数。现在假定各个用 ｏ ｒ
（） ｛ ｆ￡ （］ ｏ￡ 们＝ １＝ （ ｏ［ 】｛ ． ￡ ） ） ｆ ｏ 一 ｝ 一 ，
４算法的性能仿真 仿真试验的环境和算法参数及初 值，均在 下列基本条件下进行 ： ４ 用户 １ ． １ 为期望用户 ，并具有单 位能量 Ａ Ｆ１ 信噪 比为 ２ ｄ ， 加性 高斯 白噪声 考 ， 其 ０Ｂ按 虑， 噪声 ｏ ０ １ 则 － ．； ￣ ０ ４ ＳＣ Ｍ ． Ｄ － Ｄ Ａ系统采用 Ｎ ３ 的 ｇｌ 扩频 ２ ＝１ ｏ ｄ 序列 ； ４ ． ３系统 中初 始用户数为 Ｋ Ｉ ， ＝Ｏ 除用 户 １ 外， 其余为 ３ １ｄ ，个 ３ｄ ， 个 ４ ｄ 。载 个 ０Ｂ３ ０ Ｂ３ ０Ｂ 满在情 况下 为增加 ２ 个 ｌｄ １ ＯＢ用 户 。在异 步 Ｄ － Ｄ Ａ系统 中 ， ＳＣ Ｍ 可将具有 Ｋ用户 的异步 系 统 可以等价位 ２ ． 个用户的同步系统 ， 当用 Ｋ１ 则 户数为 Ｋ １ ＝０的异步系统可 以看作是 用户数为 １ 的等 价同步系统 。阵发性强干扰在 三种算法 ９ 迭 代 步 数 为 ６ ０时 引 入 ３个 ４ ｄ ０ ０ Ｂ和 １ 个 １０ Ｂ的干扰 ， ０ｄ 迭代为 １０ 时撤销 ４ ２０ 个引人背 景干扰。由 Ｓ Ｒ ＯｇＥ ／ 。 Ｎ ＝ｌ ｌ ￣ ｏ ） （ 可得

合集下载

基于MATLAB的卡尔曼滤波法参数辨识与仿真

基于MATLAB的卡尔曼滤波法参数辨识与仿真

基于MATLAB的卡尔曼滤波法参数辨识与仿真童余德周永余陈永冰周岗（海军工程大学电气与信息工程学院导航工程系，武汉 430033）摘要：本文介绍了基于MATLAB的使用卡尔曼滤波法进行参数辨识的设计与仿真方法。

简述了参数辨识的概念和卡尔曼滤波法应用于参数辨识的基本原理，结合实例与最小二乘法进行比较，给出了相应的仿真结果和分析。

关键词：Matlab 参数辨识 卡尔曼滤波法 最小二乘法中图分类号：TP311 TN713 文献标识码：A 文章编号：1003-4862 (2009) 08-0047-04Kalman Filter Parameter Identification andEmulate Based on MatlabTong Yude, Zhou Yongyu, Chen Yongbing, Zhou Gang（College of Naval Architecture and Power, Naval University of Engineering, Wuhan 430033, China）Abstract:This paper introduces the methods of design and simulation of parameter identification using kalman filter theory based on Matlab.This paper also introduces the concept of parameter identification and the basic principle of how to apply kalman filter theory to parameter identification. Finally, according to two examples, the methods of kalman filter theory and least squares used in parameter identification are compared and the simulation and results are also analyzed.Key words: Matlab; parameter identification; kalman filter theory; least squares1 引言系统辨识是根据系统的输入、输出数据辨识“灰色系统”或“黑色系统”。

卡尔曼滤波

卡尔曼滤波

(n) y(n) yˆ1(n)..........(6)
式中，N 1向量 (n)表示观测数据y(n)的新的信息，简称新息。
3.2、新息过程
新息 (n)具有以下性质： 性质1 n时刻的新息 (n)与所有过去的观测数据y(1), ...，y(n-
1)正交，即：
E{(n)yH (k)} 0,1 k n 1.......(7)
二.估计原理和卡尔曼滤波
1. 状态估计原理 2. 为什么要用状态估计理论 3. 经典控制理论与现代控制理论 3. 什么是卡尔曼滤波 5.卡尔曼滤波器的应用
2.1状态估计原理
状态估计是卡尔曼滤波的重要组成部分。 一般来说，根据观测数据对随机量进行定 量推断就是估计问题，特别是对动态行为 的状态估计，它能实现实时运行状态的估 计和预测功能。比如对汽车状态估计。
在kalman滤波中，并不直接估计观测数据向量的进一步预测 ，而
是先计算状态向量的一步预测
def
x1 (n) x(n y(1),... y(n 1))........ (11)
然后再用到下式得到
y 1
(n)：
y (n) C(n) x1(n)...........(12)
1
3.2、新息过程
将上式代入新息过程的定义式（6），可得到：
卡尔曼滤波控制系统结构图
由于系统的状态x是不确定的，卡尔曼滤波器 的任务就是在有随机干扰w和噪声v的情况下给出系
统状态x的最优估算值xˆ ，它在统计意义下最接近 状态的真值x，从而实现最优控制u( xˆ )的目的。
2.4什么是卡尔曼滤波：
卡尔曼滤波是美国工程师Kalman 在线 性最小方差估计的基础上，提出的在数学结 构上比较简单的而且是最优线性递推滤波方 法，具有计算量小、存储量低，实时性高的 优点。特别是对经历了初始滤波后的过渡状 态，滤波效果非常好。
卡尔曼滤波原理及应用matlab仿真

卡尔曼滤波原理及应用matlab仿真

卡尔曼滤波原理及应用matlab仿真卡尔曼滤波(Kalman Filter)是一种最优估计算法，由美国工程师卡尔曼发明并命名。

它是一种递归算法，适用于线性以及线性化的系统。

卡尔曼滤波可以通过已知的状态方程和观测方程来计算未知的状态量，同时考虑到测量误差和系统噪声。

卡尔曼滤波的核心思想是通过已知的状态方程和观测方程来递归地更新估计值和协方差矩阵。

估计值是对状态量的估计，协方差矩阵是表示估计值的不确定性的指标，它受到测量误差和系统噪声的影响。

通过不断迭代的过程，最终得到最优的状态估计值。

卡尔曼滤波主要应用于控制系统、导航、信号处理、图像处理等领域，它可以用于预测未来的状态量和优化估计结果，提高系统的稳定性和精度。

在自主导航系统中，卡尔曼滤波可以通过传感器捕捉环境信息，实现机器人的定位、控制和路径规划。

Matlab是一种强大的数学计算软件，它提供了丰富的工具箱和函数库，可以实现卡尔曼滤波算法的仿真。

Matlab中的Kalman滤波工具箱可以用于模拟线性系统的状态估计。

通过Matlab软件，可以输入系统的状态方程和观测方程，生成真实值和观测值序列，并使用卡尔曼滤波算法估计状态量，同时展示状态量的收敛过程和误差分析。

在实际应用中，卡尔曼滤波需要针对具体的问题进行调整和优化，例如选择不同的观测量和噪声模型，选择恰当的卡尔曼增益等。

因此，在使用卡尔曼滤波进行估计时需要注意以下几点：1.确定系统的状态方程和观测方程，建立合理的模型。

2.合理估计系统噪声和观测噪声，减小误差对估计结果的影响。

3.选择合适的卡尔曼增益，平衡观测值和实际值对估计的贡献。

4.对估计结果进行误差分析，评估卡尔曼滤波的优势和局限性。

总之，卡尔曼滤波是一种重要的最优估计算法，广泛应用于控制、导航、信号处理等领域。

通过Matlab软件，可以进行卡尔曼滤波算法的仿真，并优化估计结果。

在实际应用中，需要针对具体问题进行调整和优化，以提高估计精度和稳定性。

卡尔曼滤波的仿真实现

卡尔曼滤波的仿真实现

卡尔曼滤波的仿真实现以下是一个卡尔曼滤波的仿真实现过程。

1.定义系统模型：首先，需要定义系统的状态转移方程和观测方程。

系统状态转移方程描述了状态在时间上的演变关系，观测方程描述了测量值与系统状态之间的关系。

例如，考虑一个简单的一维恒定速度系统，状态转移方程可以定义为：x(k+1) = x(k) + v(k) * dt观测方程可以定义为：z(k)=x(k)+w(k)2.初始化滤波器参数：卡尔曼滤波器需要初始化一些参数，包括状态的初始估计值和协方差矩阵。

初始估计值可以根据先验知识提供一个初始猜测，协方差矩阵则定义了该估计的方差。

在这个例子中，可以假设初始位置和速度均为0，并且初始协方差矩阵为一个较大的值。

3.实现卡尔曼滤波算法：在每个时间步骤中，进行以下步骤：-预测步骤：根据状态转移方程预测下一个状态的估计值和协方差矩阵：x_hat(k+1，k) = A * x_hat(k，k) + B * u(k)P(k+1，k)=A*P(k，k)*A^T+Q-更新步骤：根据观测方程更新状态的估计值和协方差矩阵：K(k+1)=P(k+1，k)*H^T*(H*P(k+1，k)*H^T+R)^(-1)x_hat(k+1，k+1) = x_hat(k+1，k) + K(k+1) * (z(k+1) - H *x_hat(k+1，k))P(k+1，k+1)=(I-K(k+1)*H)*P(k+1，k)其中，A和B是状态转移方程的系数矩阵，u(k)是系统的外部输入，Q是过程噪声的协方差矩阵，H是观测方程的系数矩阵，R是观测噪声的协方差矩阵。

4.生成噪声：为了模拟真实的情况，在每个时间步骤中，生成过程噪声和观测噪声。

过程噪声可以使用正态分布随机数生成，观测噪声可以根据具体应用生成。

5.执行仿真：在每个时间步骤中，首先根据当前状态和输入生成观测值。

然后，根据观测值和卡尔曼滤波算法更新状态的估计值和协方差矩阵。

最后，记录每个时间步骤下的估计状态和真实状态，并计算估计状态与真实状态之间的误差。