Detection of MDPSK in Fading Channels using Gaussian Particle Filter

 
Detection of MDPSK in Fading Channels using Gaussian
 
Particle Filter
 
1
P. Sudhakar, 2P. Gopi Krishna, 3Dr. D. Elizabeth Rani
 
 
1
Asst. Prof.Dept. of ECE, VIEW, Visakhapatnam,AP,India.
2
Asst. Prof.Dept. of ECE, VIEW, Visakhapatnam,AP,India
3
Professor & HOD, GITAM University,
Visakhapatnam – 530 045, AP, India.
 
 
Abstract‐ 
We  propose  Gaussian  particle  filtering  approach  for  solving  the  problem  of  corrupting  the 
MDPSK  signals  by  fading  as  well  as  noise.  Particle  filtering  is  a  powerful  tool  for  non  linear 
problems  but  it  faces  sampling  degeneration  problem  which  leads  to  re‐sampling  process. 
Gaussian  Particle  Filtering  doesn’t  need  re‐sampling  process  because  it  approximates  the 
posterior distribution as Gaussian.GPF is preferable than PF for fading channels. 
 
Key Words: GPF, MDPSK, Fading Channels, non‐Gaussian Noise 
 
I.INTRODUCTION  theoretically  to  solve  the  problem  of 
In digital wireless systems multi path fading  demodulation  of  M‐ary  differential  phase 
is  the  most  common  phenomena.  The  shift  keying  (MDPSK)  in  fading  channels. 
random attenuations and delays are due to  Here  GPF  is  used  to  estimate  the  posterior 
constructive and destructive combination of  distribution  of  the  symbols  in  M‐ary  DPSK 
number  of  multi  paths  received  at  the  signals in fading channels with non Gaussian 
receiver.  This  type  of  fading  effects  the  additive noise. The fading channel problems 
message coded signals transmitted through  can be written in the form of Dynamic State 
wireless  channel  and  causes  signal  Space  (DSS)  model.  The  model  represents 
variations.  So,  it  is  difficult  to  demodulate  the unknown variable xn  as the distribution 
the  modulated  signals  in  fading  p(xn|xn‐1)  where  n  is  the  time.  The 
transmission  channels  in  the  presence  of  observations  yn  in  the  application  are 
non  Gaussian  additive  noise.  Many  filters  usually  noisy  and  distorted  versions  of  xn. 
have been proposed to solve it. [3], [5], [6].  the  distribution  p(yn|xn)  represents  the 
In  general  particle  filtering  uses  observation  equation  conditioned  on  the 
stochastic  grid  approximation  for  the  unknown  state  variable  xn  which  is  to  be 
conditional  probability  distribution  of  the  estimated.  We  denote  by  x0:t  and  y0:t  the 
symbols  with  particles.  It  needs  more  signal  and  observations  up  to  time  n  , 
computational  efforts  because  of  re‐ respectively,i.e.,  x0:n={x0,x1,…xn}  and 
sampling  process  [4],  [1].  In  this  paper  y0:n={y0,y1,….yn}  Our  aim  is  to  estimate 
Gaussian  particle  filter  is  analyzed  recursively in time, 

International Journal of Power System Operation and Energy Management ISSN (PRINT): 2231 – 4407, Volume‐3, Issue‐2, 2013 
39 
 Detection of MDPSK in Fading Channels using Gaussian Particle Filter
 
• The  filtering  distribution  or  the  marginal  part) and b (MA part) are chosen so that the 
posterior  of  the  state  at  time  n  can  be  cut‐off  frequency  of  the  filter  matches  the 
written as  normalized  channel  Doppler  frequency  fdT 
P(xn|y0:n)=Cnp(xn|y0:n‐1)p(yn|xn) (1)  where T is the symbol rate, fdT are familiar 
Where Cn  is  the  normalizing  constant  given  values. The additive complex noise corrupts 
by  the  output  of  the  filter  by  a  zero‐mean 
Cn=(∫p(xn|y0:n‐1)p(yn|xn)dxn)‐1 (2)  Gaussians  with  k  components.  For 
• The  predictive  distribution  can  be  identifying  the  variance  of  the  distribution 
expressed as  of the noise samples drawn, we introduce a 
p(xn+1|y0:n)=∫ (xn+1|xn)p(xn|y0:n)dxn (3)  latent  variable  zt,  zt  Є  Rz  =  {1,2,……k}, 
GPF  approximates  posterior  mean  and  t={1,2,…..}such that pr(zt=j)=λj, for j=1,2,….k, 
covariance  of  the  unknown  state  using  Σ λ  = 1 .  Conditional  upon  r1:t  and  z1:t,  the 
importance  sampling.  The  assumption  of  problem can be formulated in the following 
additive  Gaussian  noise  can  be  relaxed  to  linear  state  space  form  xt:t‐q+1=Axt‐1:t‐q+Bvt, 
be  non  Gaussian  and  non  additive  in  the  yt=C(t1:t)xt:t‐q+1+D(zt)wt,  (4)  where  yt  is  the 
case  of  GPF.GPF  is  quite  similar  to  particle  output of the filter, xt  is defined so that gt= 
filter by the fact that particles are obtained  bT  xt:t‐q+1,  A  is  a  function  of  a, 
using  importance  sampling.  However  re‐ B=(1,0,0,…..0)T, C(r1:t)=st(r1:y)bT and D= . We 
sampling  is  not  required,  unlike  particle  assume x0:1‐q  ~ Nc( ,P0) , where P0>0, and let 
filtering (PF), in the GPF.  vt~Nc(0,1),  wt~Nc(0,1)  be  mutually 
This results in reduce complexity of GPF and  independent  for  all  t>0.  The  symbols  rt  the 
is a major advantage.  channel 
  characteristics  xt  and  latent  variables  are 
II. CHANNEL SPECIFICATION AND ESTIMATION  unknown  for  t>0  whereas  A,B,C(r1:t),D(zt), 
Digitally  modulated  signals:  Let  rt  indicates  and P0 are known for each r1:t Є Rt, zt Є Rz. 
one of the combination of N possible set of  Estimation Objectives: Obtain the maximum 
information  of  k  bits  rtЄR,  a  posterior  estimates  of  the  symbols  arg 
t={1,2,…..N}.where  t  is  a  discrete  time  p(rt|y1:t)  and  arg  p(rt‐L|y1:t),  where  L>0. 
index.  The  modulated  signal  transmitted  Since these conditional probabilities involve 
may  be  represented  as  a  prohibitive  computational  cost 
smod(τ)=Re[st(r1:t)exp(j2πfcτ)],  where  fc  is  a  exponential in the number of observations, 
carrier  frequency,  and  st(.)  function  these do not admit any analytical solution. 
performs  converting  from  digital  sequence   
to  waveform.  It  is  assumed  that  rt  is  III. GAUSSIAN PARTICLE FILTER 
homogeneous,  M‐state,  Markov  chain  with  The  GPF  approximates  the  filtering  and 
known probabilities pij=Pr{rt+1=j|rt=i}, i, j ЄR,  predictive  distributions  in  (1)  and  (3)  by 
and  also  Σ = 1 for  each  i,  and  initial  Gaussian  densities  using  the  particle 
distribution pi=pr{r1=i}, Σ = 1 for I ЄR. [3]  filtering methodology [7], [4], [2]. The basic 
Fading  Channel  observations:  A  Rayleigh  idea of Monte Carlo methods is to consider 
fading  channel  can  explained  by  a  a collection of particles for representing the 
multiplicative  discrete  time  disturbance  gt.  distribution  P  (xn)  of  a  random  variable,  xn. 
The  fading  channel  is  modeled  as  an  M particles X= {  ( ),  ( ),…..  ( )} are generated 
ARMA(q,q) process where q is the order of  under  certain  conditions  known  as 
the  filter  [6].  The  ARMA  coefficients  a  (AR  importance sampling distribution π(xn). The 

International Journal of Power System Operation and Energy Management ISSN (PRINT): 2231 – 4407, Volume‐3, Issue‐2, 2013 
40 
 Detection of MDPSK in Fading Channels using Gaussian Particle Filter
 
weighted factors for the particles is given as  predictive  distribution  is  given  by 
a  set  of  values  W  =  {w(1),  w(2),…..,  w(M)},  p(xn+1|y0:n)=∫p(xn+1|xn)p(xn|y0:n)dxn  ≈∫ 
where  w(j)  =  p(  ( ) )/  π(  ( ) ).  The  set  {X,W}  p(xn+1|xn) N(xn; n, n)dxn. (8) 
represents  samples  from  the  posterior  A  Monte  Carlo  approximation  for  the 
distribution p(xn).  predictive distribution is given by 
  P (xn+1|y0:n) ≈ Σ p(xn+1| ()) (9) 
A. Measurement Update  where  ( ) are  particles  from  N  (xn  ; n,  Σn). 
After  receiving  the  nth  observation  yn,  the  From  these  observations,  M  samples 
filtering  distribution  is  given  by  P  denoted as ( ) are obtained from p(xn+1| ( )). 
(xn|y0:n)=Cn  p(xn|y0:n‐1)p(yn|xn)   
≈ Cnp(yn|xn)N(xn; n,  n).  (5)  The  GPF  IV. CONCLUSION 
measurement  update  step  approximates  The  Gaussian  particle  filter  provides  much 
the  above  density  as  Gaussian,  i.e,  better performance for demodulation of M‐
(xn|y0:n)  =  N  (xn  ; n,Σn).  In  general,  ary  differential  phase  shift  keying(MDPSK) 
analytical  expressions  for  the  mean  n  and  signals  under  conditions  of  Rayleigh  fading 
covariance  n  of P (xn|y0:n) are not available.  channels  in  non‐Gaussian  additive  noise 
However, for the GPF update, Monte Carlo  than  Particle  filtering.  The  parallelizability 
estimates of  n  and  n  can be computed from  update of the 
the samples  ( ) and their weights, where the  filtering  and  predictive  distributions  as 
samples  are  obtained  from  an  importance  Gaussians  which  leads  to  the  absence  of 
sampling  function  π(xn|y0:n).  This  leads  to  resampling 
measurement  update  algorithm  as  follows  process  makes  it  convenient  for  real  time 
GPF – measurement update algorithm.  applications. Gaussian particle filter can also 
1.  Choose  the  samples  from  importance  be implemented for nonlinear systems with 
function π(xn|y0:n) & denote them as { ( )} .  Gaussian noise. 
2.  Calculate  the  respective  weights  by  ŵ( )=   
p(yn| ( ))N(xn= ( ); n, n) Π ( ) y0: n  REFERENCES 
3. Normalize the weights as ( )= ŵ( )/ Σ ŵ( ).   
4.  Estimate the mean and covariance by n  = Σ ( [1].  A.  Doucet,  J.  F.  G.  de  Freitas,  and  N.  J. 
) ( ) n = Σ ( ) ( n ( )) (μ ( ) ) (6) 
Gordon, Sequential Monte Carlo Methods in 
GPF – time update algorithm  Practice. 
1. Draw samples from N(xn; n, n) and denote  New York: Springer‐Verlag, 2000. 
them as { ( )} . [2]  J.  Geweke,  “Bayesian  inference  in 
2. For j=1, 2,…...M, sample from p(xn+1|xn=  ( econometrics  models  using  Monte  Carlo 
) ) to obtain { ( ) } . 
integration,” 
3. Compute the mean  n+1  and covariance  n+1  Econometrica,  vol.  33,  no.  1,  pp.  1317–
as n+1 = Σ ( ) n+1= Σ (μn+1 xn+1 (j))(μn+1xn+1 (j))H (7)  1339, 1989. 
  [3]  I.  B.  Collings  and  J.  B.  Moore,  “An 
B. Time Update  adaptive hidden Markov model approach to 
Assuming  that  the  samples  from  p(xn+1|xn)  FM and M‐ary 
can be drawn at any time n. with the value  DPSK  demodulation  in  noisy  fading 
p(xn|y0:n) approximated as Gaussian, we can  channels,” Signal Processing, vol. 47, no. 1, 
obtain  predictive  distribution  p(xn+1|y0:n)  pp. 71‐ 84, 1995. 
and  approximate  as  Gaussian.  The 

International Journal of Power System Operation and Energy Management ISSN (PRINT): 2231 – 4407, Volume‐3, Issue‐2, 2013 
41 
 Detection of MDPSK in Fading Channels using Gaussian Particle Filter
 
[4]  J.  S.  Liu  and  R.  Chen,  “Monte  Carlo 
methods  for  dynamic  systems,”  J.  Amer. 
Statist. Assoc., 
vol. 93, no. 443, pp. 1032–1044, 1998. 
[5]  P.  Hoeher  and  J.  Lodge,  “Turbo  DPSK: 
Iterative  differential  PSK  demodulation  and 
channel  decoding,”  IEEE  Trans.  Commun., 
vol. 47, no. 6, pp. 837–843, 1999. 
[6]  J.  Lodge  and  M.  L.  Moher,  “Maximum 
likelihood  sequence  estimation  of  CPM 
signals transmitted over Rayleigh flat‐fading 
channels,”  IEEE  Trans.  Commun.,  vol.  38, 
pp. 787–794, 1990. 
[7]  N.  Gordon,  D.  Salmond,  and  C.  Ewing, 
“Bayesian state estimation for tracking and 
guidance  using  the  bootstrap  filter,”  J. 
Guidance,  Contr.,Dyn.,  vol.  18,  no.  6,  pp. 
1434–1443, Nov.‐Dec. 1995. 

International Journal of Power System Operation and Energy Management ISSN (PRINT): 2231 – 4407, Volume‐3, Issue‐2, 2013 
42