基于Kalman滤波器盲多用户检测算法研究与仿真(2)

3.1 系统为同步系统、加性高斯白噪声信道时，静态环境下的仿真

从图1中可以看到:LMS算法在迭代次数为500次左右的时候开始收敛，收敛后比较稳定，SIR值一直保持在10dB左右，不随迭代次数的增加而增长；RLS算法在迭代次数为800次左右的时候开始收敛，收敛后也相对比较稳定，SIR值一直保持在12dB左右，不随迭代次数的增加而增长；Kalman滤波算法在迭代次数为300次左右的时候就相对收敛，SIR值为11 dB左右，但是随着迭代次数的增加，SIR还呈现递增的趋势，在迭代次数为2000次的时候，SIR值已经达到了将近18dB。由图中仿真结果，Kalman滤波算法的SIR值明显大于LMS算法10dB和RLS算法的12dB，这说明Kalman滤波算法的抗干扰能力明显比其他两种算法强很多；再从收敛次数可以看出，Kalman滤波算法的收敛速度较其他两种算法快；最后从运行时间上可以看出，Kalman滤波算法的运行时间最长，LMS算法的运行时间最短，说明Kalman滤波算法的计算量大于RLS算法和LMS算法的计算量。由于运算时间长会影响到适时性，所以在实际应用中，如果硬件过硬，且计算速度达到要求，首选Kalman滤波算法。

Time Average SIR Versus Iteration Number 2018161412SIR(dB)Kalman1086420020040060080010001200Iteration Number1400160018002000RLSLMS

图1 静态环境下三种算法的SIR随迭代次数的变化曲线

6

Time Averaged Measured EOE Versus Iteration Number 10.90.80.70.6EOELMS0.50.40.30.20.10020040060080010001200Iteration Number1400160018002000RLSKalman

图2 静态环境下三种算法的EOE随迭代次数的变化曲线

从图2中可以看到:在相同的SNR背景下，LMS算法在迭代次数为300次左右的时候，EOE(剩余输出能量)的值降到了最小，但是随后又开始增长，并在迭代次数为600次左右的时候开始收敛，收敛值大约为0.18dB ; RLS算法在迭代次数为400次左右的时候开始收敛，收敛值大约为0.15dB，收敛后相对比较稳定，不随迭代次数的增加而递减;Kalman滤波算和RLS算法收敛的速度差不多，也在迭代次数在400次左右的时候开始收敛，但Kalman滤波算法的EOE明显小于RLS算法的，而且随着迭代次数的增加，其EOE的值一直呈现递减的趋势，这就说明Kalman滤波算法的收敛速度要快于LMS算法和RLS算法的。从图2和图3可以看出:在静态环境下，基于Kalman滤波算法的多用户检测算法有较好的收敛性和较强的抗多用户干扰能力，但是计算量却是相当大的；RLS算法性能居中；而 LMS算法虽然抗干扰能力稍差，但是计算复杂度最低，编程简单，对硬件要求不高，在实际系统中易于实现。

6.2 系统为同步系统、时变加性高斯白噪声信道的情况，动态环境下的仿真

相比静态环境，仿真所设的动态环境为：在迭代次数为600次时加入三个信噪比为50dB的干扰用户，再在迭代次数为1200次时将四个信噪比为50dB的干扰用户和一个信噪比为

7

40dB的干扰用户移除系统。

Time Average SIR Versus Iteration Number 20Kalman1510SIR(dB)5RLS0LMS-5020040060080010001200Iteration Number1400160018002000

图3 动态环境下三种算法的SIR随迭代次数的变化曲线

Time Averaged Measured EOE Versus Iteration Number 10.90.80.70.6EOELMSKalmanRLS0.50.40.30.20.10020040060080010001200Iteration Number1400160018002000

图3 动态环境下三种算法的EOE随迭代次数的变化曲线

从图3中可以看出:在迭代次数为600次时，在系统中加入干扰用户；在迭代次数为1200

8

次时，在系统中移除干扰用户。三种算法的SIR性能曲线都迅速出现一个抖动，并且都能重新达到收敛状态。其中从图中可以看出，对于LMS算法，当系统中加入干扰用户时，其SIR值有很大的降低，即性能下降的很厉害；当从系统中移除干扰用户时，其SIR值虽然有升高，但是升高的并不多，这说明LMS算法抗多址干扰的能力很差。RLS算法也同样有LMS算法的情况，在加入干扰用户时，SIR值也有所下降，只是下降的没有LMS那么明显；在移除干扰用户时，保持了很好的SIR值，但是SIR值也并不是很高。Kalman滤波算法只是在加入干扰用户时，SIR值有稍许的降低，但是仍旧保持着收敛递增趋势；在移除干扰用户时仍旧保持一个很好的SIR值递增趋势，而且SIR值比较高，这说明Kalman滤波算法的抗干扰能力很强。Kalman滤波算法和RLS算法的SIR性能曲线抖动很小，且很快可以重新达到收敛状态；而LMS算法的SIR性能曲线抖动很大，出现一个下降峰值，但是也可以重新达到收敛状态。这说明三种算法都具有收敛跟踪能力，并且前两种算法的收敛跟踪性能比LMS算法的好。

从图5可以看出: 在迭代次数为600次时，在系统中加入干扰用户；在迭代次数为1200次时，在系统中移除干扰用户。LMS算法下无论在系统中加入干扰用户，还是在系统中移除干扰用户，系统的EOE性能曲线都存在严重的抖动，即性能变得很差，而且经常不收敛；而RLS算法和Kalman滤波算法基本不受干扰用户的影响，都能在较轻微的抖动之后重新迅速达到收敛状态，只是RLS算法在系统用户改变时的跳变比较明显，Kalman滤波算法一直保持了很好的剩余输出能量，这说明它的抗多址干扰能力最强。通过对比可知，无论是平稳信道还是时变信道，当n＞1200时，Kalman滤波算法的剩余输出能量均接近于理论的零值，LMS算法和RLS算法的剩余输出能量则不等于零。从图4和图5可以看出:在动态环境下，LMS算法受干扰用户的干扰最大，RLS算法的性能相对比较稳定，Kalman滤波算法的性能指标最好，具有良好的抗多址干扰能力和收敛跟踪能力。

4 结论

在盲自适应多用户检测算法中，LMS算法和RLS算法以及Kalman滤波算法各有特点。前者运算复杂度低，编程简单，易于实现，但收敛速度慢，抗干扰力和跟踪信道变化能力差，乘载能力弱；后两者收敛速度快，抗干扰能力和跟踪信道变化能力强，乘载能力较强，但运算复杂度高。其中Kalman算法较RLS算法性能好，运算复杂度高。因此，实际应用中应根据具体情况具体分析。

本文所作的研究工作都是假定在同步系统中完成的，而在实际中更多的是异步系统，因

9

此对异步系统的研究也是十分重要的。由与大多数自多用户检测算法计算量大，而在目前的通信系统中还难以实现，因此可以将设计高性能、低复杂度的自多用户检测算法作为进一步研究的方向。寻求多用户检测算法与其他技术的结合，如多用户检测与智能天线技术结合、多用户检测与功率控制技术结合、多用户检测与信道编码技术结合、多用户检测与多载波调制技术等相结合[8][9]。多用户检测算法的改进与多用户检测算法和其他技术的结合必将大大推动多用户检测的发展以及3G之后技术的研究与应用。通过多用户检测技术的发展，将会使第三代移动通信系统更加完善，得到更大范围的商用。 参考文献

[1] 章坚武.移动通信[M].西安:西安电子科技大学出版社. 2003.2.

[2] 黄伟国,申敏.DS-CDMA多用户检测技术[N]。重庆邮电学院学报(自然科学版).2000:No.2 [3] 曹志刚,钱亚生.现代通信原理[M].北京:清华大学出版社.1999-7.

[4] 王维芳.DS-CDMA通信系统中多用户检测技术的研究 [D]．西安：西安科技大学，2004. [5] 王艳，付永庆，孙晓岩.一种新的盲自适应多用户检测技术[J].通信技术，2003(4)：63-65 [6] 宋春玲，吕明. CDMA中盲多用户检测技术的研究[D]．成都：电子科技大学，2004. [7] 田杰.CDMA系统中盲多用户检测技术的研究[D].西安：西安电子科技大学，2007.

[8] 杨波、刘聪锋.第三代移动通信系统TD-SCDMA中的智能天线技术[J].现代电子技术, 2003(18):96-99. [9] 何先刚，温平川.第三代移动通信系统中的多用户检测[J].重庆邮电学院学报, 2002,1（4）:33-36.

10

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于Kalman滤波器盲多用户检测算法研究与仿真(2)在线全文阅读。