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