混合高斯分布的參數(shù)估計(jì)方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實(shí)施例涉及數(shù)據(jù)通訊技術(shù)，尤其涉及一種混合高斯分布的參數(shù)估計(jì)方法和 裝置。
【背景技術(shù)】
[0002] 多輸入多輸出（MultipleI噸utMultiple0u1:put，簡稱MIM0)系統(tǒng)，在不增加 帶寬的情況下能夠成倍的提高通信系統(tǒng)的容量和頻譜利用率，MIM0結(jié)合正交頻分復(fù)用 (OrthogonalRrequen巧DivisionMultiplexing,簡稱（FDM)技術(shù)構(gòu)成了MIM0 0抑M系 統(tǒng)，也是長期演進(jìn)（LongTermEvolution,簡稱LTE)系統(tǒng)中的兩大關(guān)鍵技術(shù)。MIM0技術(shù) 中的一種重要技術(shù)是空分復(fù)用的檢測(cè)技術(shù)，常用的檢測(cè)算法有基于最小均方誤差（Minimum MeanSquare化ror，簡稱匪沈）和譯碼反饋的化rbo檢測(cè)算法W及基于QR分解和M算法 (QRdecompositionbasedM-algorithm,簡稱Q畑-M)的檢測(cè)算法。Turbo-MMSE算法由 于反饋信息計(jì)算不準(zhǔn)確W及QRD-M由于選擇節(jié)點(diǎn)數(shù)有限均會(huì)導(dǎo)致計(jì)算的對(duì)數(shù)似然比（Log UkelihoodRatio,簡稱化R)偏離真實(shí)值。如何解決LLR偏離真實(shí)值的問題是提高算法 性能的一種途徑。常用的解決方案是假設(shè)化R的分布，然后根據(jù)檢測(cè)器實(shí)際計(jì)算的LLR估 計(jì)分布參數(shù)，進(jìn)而對(duì)計(jì)算的LLR進(jìn)行修正。該種解決方法的好壞直接取決于LLR分布的模 型。最常用的分布假設(shè)是高斯的，高斯模型只有均值和方差兩個(gè)參數(shù)，易于計(jì)算；由于實(shí)際 的LLR分布是不對(duì)稱的或者不僅有一個(gè)峰值，因子高斯模型不能很好的描述真實(shí)的LLR分 布。近幾年出現(xiàn)了一種常用的模型，即混合高斯模型。該模型比較適合模擬不對(duì)稱的化R 分布，但是該模型參數(shù)較多，不易估計(jì)。如何解決混合高斯對(duì)LLR建模的參數(shù)估計(jì)問題是對(duì) LLR修正提高檢測(cè)器性能的重要問題。
[0003] 現(xiàn)有技術(shù)中，通常采用期望最大化（ExpectationMaximization,簡稱EM)算法或 貪婪期望最大化（GreedyExpectationMaximization,簡稱GEM)算法對(duì)混合高斯的參數(shù)進(jìn) 行估計(jì)。但是，現(xiàn)有技術(shù)中EM算法估計(jì)參數(shù)的準(zhǔn)確度和初始值有關(guān)，而初始值是認(rèn)為設(shè)定 的，如果初始值選擇的不合適會(huì)導(dǎo)致算法不收斂或者收斂到局部最大值，而且不同的初始 參數(shù)導(dǎo)致不同的收斂速度，實(shí)現(xiàn)復(fù)雜度不具有統(tǒng)一性。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明實(shí)施例提供一種混合高斯分布的參數(shù)估計(jì)方法和裝置，能夠提高混合高斯 參數(shù)估計(jì)準(zhǔn)確性。
[0005] 本發(fā)明第一方面提供一種混合高斯分布的參數(shù)估計(jì)方法，包括：
[0006]接收發(fā)射端發(fā)送的接收信號(hào)，獲取所述接收信號(hào)對(duì)應(yīng)的發(fā)射信號(hào)的每個(gè)比特的初 始對(duì)數(shù)似然比化R;
[0007] 根據(jù)所述接收信號(hào)對(duì)應(yīng)的發(fā)射信號(hào)的每個(gè)比特的初始對(duì)數(shù)似然比LLR確定所述 發(fā)射信號(hào)的修正化R;
[0008] 對(duì)所述修正LLR進(jìn)行混合高斯建模，根據(jù)聚類算法估計(jì)出混合高斯概率密度函數(shù) 的各初始分量參數(shù)和初始混合系數(shù)；
[0009] 將所述各初始分量參數(shù)和初始混合系數(shù)作為期望最大化EM算法或貪婪EM算法的 初始值，采用EM算法或貪婪M算法進(jìn)行迭代運(yùn)算得到所述混合高斯概率密度函數(shù)的各最 終分量參數(shù)和最終混合系數(shù)；
[0010] 根據(jù)所述混合高斯概率密度函數(shù)的各最終分量參數(shù)和最終混合系數(shù)計(jì)算所述混 合高斯概率密度函數(shù)，并根據(jù)所述混合高斯概率密度函數(shù)確定所述修正LLR的最大值。
[0011] 在本發(fā)明第一方面的第一種可能的實(shí)現(xiàn)方式中，如果所述混合高斯概率密度函數(shù) 為
【主權(quán)項(xiàng)】
1. 一種混合高斯分布的參數(shù)估計(jì)方法，其特征在于，包括： 接收發(fā)射端發(fā)送的接收信號(hào)，獲取所述接收信號(hào)對(duì)應(yīng)的發(fā)射信號(hào)的每個(gè)比特的初始對(duì) 數(shù)似然比LLR; 根據(jù)所述接收信號(hào)對(duì)應(yīng)的發(fā)射信號(hào)的每個(gè)比特的初始對(duì)數(shù)似然比LLR確定所述發(fā)射 信號(hào)的修正LLR; 對(duì)所述修正LLR進(jìn)行混合高斯建模，根據(jù)聚類算法估計(jì)出混合高斯概率密度函數(shù)的各 初始分量參數(shù)和初始混合系數(shù)； 將所述各初始分量參數(shù)和初始混合系數(shù)作為期望最大化EM算法或貪婪EM算法的初始 值，采用EM算法或貪婪EM算法進(jìn)行迭代運(yùn)算得到所述混合高斯概率密度函數(shù)的各最終分 量參數(shù)和最終混合系數(shù)； 根據(jù)所述混合高斯概率密度函數(shù)的各最終分量參數(shù)和最終混合系數(shù)計(jì)算所述混合高 斯概率密度函數(shù)，并根據(jù)所述混合高斯概率密度函數(shù)確定所述修正LLR的最大值。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，如果所述混合高斯概率密度函數(shù)為
，其中，K表示高斯分量個(gè)數(shù)；ak表示第k個(gè)分量的混合 系數(shù)；Uk表示第k個(gè)分量的均值；of表示第k個(gè)分量的方差； 所述將所述各初始分量參數(shù)和初始混合系數(shù)作為期望最大化EM算法或貪婪EM算法的 初始值，采用EM算法或貪婪EM算法進(jìn)行迭代運(yùn)算得到所述混合高斯概率密度函數(shù)的各最 終分量參數(shù)和最終混合系數(shù)；包括： 根據(jù)所述各初始分量參數(shù)和初始混合系數(shù)，計(jì)算隸屬度權(quán)值wu:
其中，1 <j<K，a/k)表不第j個(gè)分量的混合系數(shù)，0(*_>表不均值iik、方差of有關(guān)的一 個(gè)未知參數(shù)的集合； 根據(jù)所述隸屬度權(quán)值通過以下公式計(jì)算新的參數(shù)：
7 其中，表示隸屬度權(quán)值，1彡i彡N，N表示數(shù)據(jù)的長度； 判斷所述EM算法或貪婪EM算法是否滿足退出條件； 如果不滿足退出條件，則根據(jù)所述新的參數(shù)計(jì)算新的隸屬度權(quán)值，進(jìn)行下一次迭代運(yùn) 算； 如果滿足退出條件，則將所述新的參數(shù)作為所述混合高斯概率密度函數(shù)的各最終分量 參數(shù)和最終混合系數(shù)。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述判斷所述EM算法是否滿足退出條件， 包括： 判斷迭代次數(shù)是否大于預(yù)設(shè)的最大迭代次數(shù)，若是，則滿足退出條件，若否，則不滿足 退出條件； 或者，判斷本次迭代結(jié)果得到的所述修正LLR的值與上次迭代結(jié)果得到的所述修正LLR的值之間的差值是否大于預(yù)設(shè)的最小差值，若是，則不滿足退出條件，若否，則滿足退出 條件。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述聚類算法為模糊C均值聚類算法。
5. -種混合高斯分布的參數(shù)估計(jì)裝置，其特征在于，包括： 獲取模塊，用于接收發(fā)射端發(fā)送的接收信號(hào)，獲取所述接收信號(hào)對(duì)應(yīng)的發(fā)射信號(hào)的每 個(gè)比特的初始對(duì)數(shù)似然比LLR; 修正模塊，用于根據(jù)所述接收信號(hào)對(duì)應(yīng)的發(fā)射信號(hào)的每個(gè)比特的初始對(duì)數(shù)似然比LLR確定所述發(fā)射信號(hào)的修正LLR; 估計(jì)模塊，用于對(duì)所述修正LLR進(jìn)行混合高斯建模，根據(jù)聚類算法估計(jì)出混合高斯概 率密度函數(shù)的各初始分量參數(shù)和初始混合系數(shù)； 所述估計(jì)模塊還用于：將所述各初始分量參數(shù)和初始混合系數(shù)作為期望最大化EM算 法或貪婪EM算法的初始值，采用EM算法或貪婪EM算法進(jìn)行迭代運(yùn)算得到所述混合高斯概 率密度函數(shù)的各最終分量參數(shù)和最終混合系數(shù)； 最大對(duì)數(shù)似然比確定模塊，用于根據(jù)所述混合高斯概率密度函數(shù)的各最終分量參數(shù)和 最終混合系數(shù)計(jì)算所述混合高斯概率密度函數(shù),并根據(jù)所述混合高斯概率密度函數(shù)確定所 述修正LLR的最大值。
6. 根據(jù)權(quán)利要求5所述的裝置，其特征在于，如果所述混合高斯概率密度函數(shù)為
其中，K表示高斯分量個(gè)數(shù)；ak表示第k個(gè)分量的混合 系數(shù)；Uk表不第k個(gè)分量的均值；表不第k個(gè)分量的方差； 所述估計(jì)模塊具體用于： 根據(jù)所述各初始分量參數(shù)和初始混合系數(shù)，計(jì)算隸屬度權(quán)值Wu:
其中，1 <j<K，a/k)表不第j個(gè)分量的混合系數(shù)，表不均值iik、方差erf有關(guān)的一 個(gè)未知參數(shù)的集合； 根據(jù)所述隸屬度權(quán)值通過以下公式計(jì)算新的參數(shù)：
其中，Wi，k表示隸屬度權(quán)值，1彡i彡N，N表示數(shù)據(jù)的長度； 判斷所述EM算法或貪婪EM算法是否滿足退出條件； 如果不滿足退出條件，則根據(jù)所述新的參數(shù)計(jì)算新的隸屬度權(quán)值，進(jìn)行下一次迭代運(yùn) 算； 如果滿足退出條件，則將所述新的參數(shù)作為所述混合高斯概率密度函數(shù)的各最終分量 參數(shù)和最終混合系數(shù)。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述估計(jì)模塊具體用于： 判斷迭代次數(shù)是否大于預(yù)設(shè)的最大迭代次數(shù)，若是，則滿足退出條件，若否，則不滿足 退出條件； 或者，判斷本次迭代結(jié)果得到的所述修正LLR的值與上次迭代結(jié)果得到的所述修正LLR的值之間的差值是否大于預(yù)設(shè)的最小差值，若是，則不滿足退出條件，若否，則滿足退出 條件。
8. 根據(jù)權(quán)利要求5所述的裝置，其特征在于，所述聚類算法為模糊C均值聚類算法。
【專利摘要】本發(fā)明實(shí)施例提供一種混合高斯分布的參數(shù)估計(jì)方法和裝置，包括：在采用混合高斯建模時(shí)，根據(jù)聚類算法估計(jì)出混合高斯概率密度函數(shù)的各初始分量參數(shù)和初始混合系數(shù)，然后將各初始分量參數(shù)和初始混合系數(shù)作為期望最大化EM算法或貪婪EM算法的初始值，采用EM算法或貪婪EM算法進(jìn)行迭代運(yùn)算得到混合高斯概率密度函數(shù)的各最終分量參數(shù)和最終混合系數(shù)。上述方法，通過聚類算法給出了混合高斯概率密度函數(shù)參數(shù)的粗估計(jì)，而EM算法在此參數(shù)基礎(chǔ)上提高參數(shù)估計(jì)的精度，聚類算法和EM算法的結(jié)合，保證了似然函數(shù)能夠收斂到全局最值點(diǎn)，而且使得似然函數(shù)收斂的時(shí)間加快，減少實(shí)現(xiàn)復(fù)雜度。
【IPC分類】H04L25-02, H04L1-06
【公開號(hào)】CN104702378
【申請(qǐng)?zhí)枴緾N201310656784
【發(fā)明人】尚秀芹, 劉華斌, 林亞, 汪浩
【申請(qǐng)人】華為技術(shù)有限公司
【公開日】2015年6月10日
【申請(qǐng)日】2013年12月6日