适用于OvXDM系统的双滤波平滑译码方法、装置及OvXDM系统与流程

本申请涉及译码领域，具体涉及一种适用于ovxdm系统的双滤波平滑译码方法、装置及ovxdm系统。

背景技术：

对于重叠复用系统ovxdm系统，其传统的译码中都需要不断访问格状图(trellis)中的节点，并为每一个节点设置两个存储器，一个用于存储到达该节点的相对最佳路径，一个用于存储到达该节点的相对最佳路径对应的测度。

不妨以ovtdm系统为例，由于译码过程中，需要对格状图中每个节点进行扩展，因此节点数决定了译码的复杂度，而对于重叠次数为k和调制维度为m的系统(m是大于等于2的整数)，其对应的格状图中稳定状态的节点数为m^k-1，因此译码复杂度会随着重叠次数k而指数增加。而在ovtdm系统中，系统的频谱效率为2k/符号，因此重叠次数k越大频谱效率越高。因此，一方面出于提高频谱效率的要求使得重叠次数k越大越好，另一方面出于降低译码复杂度的要求使得重叠次数k越小越好，特别地，当重叠次数k增加到一定值，例如k大于8后，译码复杂度急剧增加，现有的译码方法难以满足实时译码的要求，频谱效率与译码复杂度、译码效率形成了一对矛盾需求。

技术实现要素：

为解决上述问题，本申请提供一种适用于ovxdm系统的双滤波平滑译码方法、装置及ovxdm系统。

根据本申请的第一方面，本申请提供一种适用于ovxdm系统的双滤波平滑译码方法，包括以下步骤：

前向滤波步骤：从一估计序列中第一个符号开始到最后一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到前向滤波过程的粒子重要性权重；

后向信息滤波步骤：从所述估计序列中最后一个符号开始到第一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到后向信息滤波过程的粒子重要性权重；

双滤波权重计算步骤：根据前向滤波过程的粒子重要性权重和后向信息滤波过程的粒子重要性权重，计算双滤波过程的粒子重要性权重；

输出步骤：将每一个符号对应的粒子集中双滤波过程的粒子重要性权重最大的粒子作为此符号的估计值，输出最终的译码序列。

根据本申请的第二方面，本申请提供一种适用于ovxdm系统的双滤波平滑译码装置，包括：

前向滤波单元，用于从一估计序列中第一个符号开始到最后一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到前向滤波过程的粒子重要性权重；

后向信息滤波单元，用于从所述估计序列中最后一个符号开始到第一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到后向信息滤波过程的粒子重要性权重；

双滤波权重计算单元，用于根据前向滤波过程的粒子重要性权重和后向信息滤波过程的粒子重要性权重，计算双滤波过程的粒子重要性权重

输出单元，用于将每一个符号对应的粒子集中双滤波过程的粒子重要性权重最大的粒子作为此符号的估计值，输出最终的译码序列。

根据本申请的第三方面，本申请提供一种ovxdm系统，包括上述的适用于ovxdm系统的双滤波平滑译码装置，其中所述ovxdm系统为ovtdm系统、ovfdm系统、ovcdm系统、ovsdm系统或ovhdm系统。

本申请的有益效果是：

依上述实施的适用于ovxdm系统的双滤波平滑译码方法、装置及ovxdm系统，通过前向滤波和后向信息滤波分别计算符号对应的粒子集中各粒子的重要性权重，再结合前向滤波的粒子重要性权重和后向信息滤波的粒子重要性权重进行筛选，以输出最终的译码序列，在这过程中，充分利用了粒子间的互信息，实现ovxdm系统的译码，使得到的译码序列更加逼近真实值，同时随着重叠次数的增加，相较传统的译码方法降低了译码复杂度，提升了译码效率和系统性能。

附图说明

图1为传统ovtdm系统的发射端的结构示意图；

图2为ovtdm系统对输入符号进行重叠复用编码的平行四边形规则示意图；

图3(a)、(b)分别传统ovtdm接收端的预处理单元、序列检测单元；

图4为系统重叠复用次数k＝3时，系统输入-输出码树图；

图5为图4相应的系统的节点状态转移图；

图6为图4或图5相应的系统的格状(trellis)图；

图7为本申请一种实施例中适用于ovxdm系统的双滤波平滑译码方法的流程示意图；

图8为ovxdm系统等效卷积编码模型图；

图9为本申请一种实施例中前向滤波步骤的流程示意图；

图10为本申请一种实施例中重采样步骤的示意图；

图11为本申请一种实施例中后向信息滤波步骤的流程示意图；

图12为本申请一种实施例中适用于ovxdm系统的双滤波平滑译码装置的结构示意图；

图13本申请一种实施例中前向滤波单元的结构示意图；

图14本申请一种实施例中后向信息滤波单元的结构示意图。

具体实施方式

下面通过具体实施方式结合附图对本申请作进一步详细说明。

本申请提出一种适用于ovxdm系统的双滤波平滑译码方法、装置及ovxdm系统，其中ovxdm系统为重叠时分复用(ovtdm，overlappedtimedivisionmultiplexing)系统、重叠频分复用(ovfdm，overlappedfrequencydivisionmultiplexing)系统、重叠码分复用(ovcdm，overlappedcodedivisionmultiplexing)系统、重叠空分复用(ovsdm，overlappedspacedivisionmultiplexing)系统或重叠混合复用(ovhdm，overlappedhybriddivisionmultiplexing)系统。

不妨以ovtdm系统为例，先简要说明一下系统的收发端。

如图1所示，为ovtdm发送端的发送过程，具体步骤如下：

(1)首先设计生成发送信号的包络波形h(t)。

(2)将(1)中所设计的包络波形h(t)经特定时间移位后，形成其它各个时刻发送信号包络波形h(t-i×δt)。

(3)将所要发送的符号xi与(2)生成的相应时刻的包络波形h(t-i×δt)相乘，得到各个时刻的待发送信号波形xih(t-i×δt)。

(4)将(3)所形成的各个待发送波形进行xih(t-i×δt)叠加，形成发射信号波形。发送的信号可以表示为：

其中，重叠复用方法遵循如图2所示的平行四边形规则。

发送端将编码调制后的信号通过天线发射出去，信号在无线信道中传输，接收端对接收信号进行匹配滤波，再对信号分别进行抽样、译码，最终判决输出比特流。

如图3所示，为ovtdm接收端的接收过程，其中，图3(a)为ovtdm接收端的预处理单元，图3(b)为ovtdm接收端的序列检测单元，具体步骤如下：

(5)首先对接收信号进行同步，包括载波同步、帧同步、符号时间同步等。

(6)根据取样定理，对每一帧内的接收信号进行数字化处理。

(7)对接收到的波形按照波形发送时间间隔切割。

(8)按照一定的译码算法对切割后的波形进行译码。例如，以维特比译码进行译码。

其中，译码过程请参照图4～6，图4为重叠复用次数k＝3时，系统输入-输出码树图，图5为系统相应的节点状态转移图，图6为系统的格状(trellis)图。

如上所述，传统的译码方法(典型如维特比译码)，随着重叠次数的增加，译码复杂度急剧增加，对硬件精度要求较高，降低了系统性能。为解决这个问题，发明人通过研究和实践，将统计的思想引入译码过程，通过前向滤波和后向信息滤波两个过程，充分利用粒子间的互信息，实现ovxdm系统的译码，使得到的译码序列更加逼近真实值，同时随着重叠次数的增加，相较传统的译码方法降低了译码复杂度，提升了译码效率和系统性能。下面先对本申请的发明构思和原理进行说明。

本申请译码过程主要包括前向滤波过程和后向信息滤波过程。

前向滤波过程的原理与蒙特卡洛方法(montecarlomethods)的原理是相同的。蒙特卡洛方法是应用于统计学中的一种以概率统计理论为指导的一类非常重要的数值计算方法，其基本思想是当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。统计学中称之为蒙特卡洛方法，对应的在工程中称为粒子滤波(pf，particlefilter)。粒子滤波的思想是基于蒙特卡洛方法，利用粒子集来表示概率，可以用于任何形式的状态空间模型上，能够比较精确地表达基于观测量和控制量的后验概率分布。粒子滤波的核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(sequentialimportancesampling)。因此粒子滤波就是通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。当样本数量趋近无穷大时可以逼近任何形式的概率密度分布。

后向信息滤波过程是在前向滤波过程之后，根据前向滤波估计出的序列及其对应粒子权重，按照由后向前的顺序，对估计出的粒子再次进行滤波处理，以得到更真实的估计序列。

因此，综合来看，双滤波平滑(tfs，two-filtersmoothing)过程中，p(yt:t|xt)表示后向信息滤波，它是由p(yt+1:t|xt+1)根据下面公式计算得到的：

p(yt:t|xt)＝p(yt|xt)∫p(xt+1|xt)p(yt+1:t|xt+1)dxt+1；

其中，p(yt:t|xt)并不是指xt的概率密度，因为实际上它在xt上的积分有可能不是有限的。

双滤波平滑，其平滑分布是通过前向滤波和在xt上的辅助概率分布计算得到的。该辅助密度是通过人工分布序列γt(xt)定义的：因此和上式结合起来可表示为：反过来，由后向信息滤波递归的产生加权粒子的过程可表示为：

边缘平滑p(xt|y1:t)是通过前向滤波(ff，forwardfilter)和后向信息滤波(bif，backwardinformationfilter)的组合计算得到的：

将上式中的积分用蒙特卡洛前向滤波云表示为：

最后，粒子云使用后向滤波云表示为：

其中，粒子权重表示为：

上面是包括前向滤波和后向信息滤波的双滤波的原理说明，下面对前向滤波过程和后向信息滤波过程作具体的说明。

一、前向滤波过程：

(1)构造粒子集其中

(2)计算粒子集中每个粒子的重要性权重其中满足

(3)当粒子集满足一定条件时对其进行重采样以得到新的粒子集。

上述过程中，t≥1，i的取值为1～n。经过上述反复迭代运算，最终得到前向滤波最接近真实序列的粒子分布。

二、后向信息滤波过程：

如上所述，后向信息滤波是在前向滤波的基础上，根据前向滤波估计出的序列及其对应粒子权重，按照由后向前的顺序，对估计出的粒子再次进行后向滤波处理，以得到更真实的估计序列，其中后向信息滤波得到的粒子权重是通过人造分布序列γt(xt)计算得到的。

(4)bif初始化

初始化后向信息滤波序列的最后一个符号的粒子集及其对应的粒子权重。

(5)构造人工分布序列γt(xt)：

(6)计算后向信息滤波过程的粒子权重

计算待译码序列与估计粒子间的概率密度f(xt+1|xt)，再根据公式将其作为后向信息滤波过程的辅助概率密度，通过得到的后向信息滤波辅助概率密度再对每个粒子求其后向信息粒子归一化权重

(7)当粒子集满足一定条件时对其进行重采样。这一步骤在后向信息滤波过程中不是必须的，可以根据实际系统需求而定，目的都是确保估计的粒子最逼近真实序列，提高估计的准确性。

在步骤(7)之后，就得到了估计序列中各符号的前向滤波过程的粒子重要性权重和后向信息滤波过程的粒子重要性权重，根据前向滤波过程的粒子重要性权重和后向信息滤波过程的粒子重要性权重，计算双滤波过程的粒子重要性权重，例如，对于估计序列中每一个符号，根据公式计算各符号的双滤波过程的粒子重要性权重，其中表示双滤波过程的粒子重要性权重，表示同一符号前向滤波过程的粒子重要性权重，表示同一符号后向信息滤波过程的粒子重要性权重。最后根据一定的规则从估计序列中选出最为接近真实符号的粒子，例如，将每一个符号对应的粒子集中双滤波过程的粒子重要性权重最大的粒子作为此符号的估计值，以输出最终的译码序列。

上为本申请的适用于ovxdm系统的双滤波平滑译码方法、装置及ovxdm系统的构思及原理，下面对本申请进行详细说明。

在一实施例中，请参照图7，本申请公开的适用于ovxdm系统的双滤波平滑译码方法包括前向滤波步骤s100、后向信息滤波步骤s300、双滤波权重计算步骤s500和输出步骤s700，其中ovxdm系统可以为ovtdm系统、ovfdm系统、ovcdm系统、ovsdm系统或ovhdm系统，如图8所示，为ovxdm系统等效卷积编码模型。

前向滤波步骤s100：从一估计序列中第一个符号开始到最后一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到前向滤波过程的粒子重要性权重。具体地，请参照图9，前向滤波步骤s100包括步骤s101～s109。

步骤s101：初始化估计序列x。由于这是在前向滤波过程中，因此不妨将估计序列x称为前向滤波估计序列xf，其序列长度与待译码序列长度相同。例如，不妨令ovxdm系统接收端接收到长度为n的符号序列y，此符号序列y即为待译码序列，其重叠次数为k，以矩形波为复用波形；若每个符号的粒子数为ns，每个粒子对应一个重要性权重值。则前向滤波估计序列xf的大小为ns×n，各粒子对应的重要性权重值的集合wf的大小为ns×n。

步骤s103：从前向滤波估计序列xf中第一个符号开始到最后一个符号结束，对当前符号生成一个粒子集，如上所述，每个符号对应的粒子集中粒子个数为ns。例如，在ovxdm系统中，以二元数据流{+1，-1}为例，每个符号的可能取值只有两种：+1或者-1，因此每个符号对应的粒子集就是包括两种粒子，取值分别+1和-1。对当前符号生成粒子集的方法很多，只要生成的粒子集的分布趋近理论分布即可。

步骤s105：在对当前符号生成粒子集后，计算当前符号每个粒子与待译码序列的重要性概率密度，并计算每个粒子的重要性权重。在一实施例中，计算当前符号对应的粒子集中每个粒子的重要性权重是根据下述公式进行计算的：

其中，为粒子的重要性权重，n为待译码序列长度，ns为当前符号对应的粒子集中的粒子数，pi,j为粒子的重要性概率密度。可以看到，实质上是归一化重要性权重。

在一实施例中，当i>1时，即当前符号为第2个符号或之后的符号时，计算当前符号的粒子集中的粒子与待译码序列的重要性概率密度，可以参考前一符号的粒子集中的粒子与待译码序列的重要性概率密度。

需要说明的是，在ovxdm系统中，由于接收符号序列y是经过ovxdm编码的，因此也需要对估计的符号粒子进行ovxdm编码，再计算其重要性概率密度。

计算完当前符号对应的粒子集中各粒子的重要性权重后，再进行步骤s107。

步骤s107：判断当前符号对应的粒子集是否满足预设的粒子退化条件，若不满足，则进行下一符号，即下一符号从步骤s103开始进行。若满足，则进行步骤s109。本步骤s107是用于判断当前符号对应的粒子集中粒子的退化现象是否明显。例如，可以设定当符号对应的粒子集的有效粒子容量低于某个阈值时，那么该符号对应的粒子集就要进行重采样。需要说明的是，上述不满足预设的粒子退化条件，指的是当前符号对应的粒子集退化现象不严重，满足预设的粒子退化条件，指的是当前符号对应的粒子集退化现象严重，因而需要被重采样。

步骤s109：对当前符号的粒子集进行重采样。重采样是为了淘汰权重低的粒子，而集中于权重高的粒子，从而抑制退化现象。重采样的方法有多种，包括重要性重采样、残差重采样、分层重采样和优化组合重采样等，其基本思路就是复制权重大的粒子，淘汰权重小的粒子，通过重采样，最后生成一个新的粒子集，重采样示意图如附图10所示。

另外，步骤s103提到的“从前向滤波估计序列xf中第一个符号开始到最后一个符号结束”在具体实现时，可以从第一个符号开始先进行步骤s101，当在步骤s107的判断结果为不满足以及步骤s109之后，都进行一个判断，判断是否到达最后一个符号，若是，则前向平滑步骤s100结束，否则的话就进行下一符号的处理，即下一符号又从步骤s103开始，按照图9所示的流程，往下进行各步骤。

通过前向平滑步骤s100，即步骤s101～s109，估计序列x(前向滤波估计序列xf)中各符号都具有对应的粒子集，各粒子集中的每个粒子都具有一个重要性权重。

后向信息滤波步骤s300：从估计序列x(前向滤波估计序列xf)中最后一个符号开始到第一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到后向信息滤波过程的粒子重要性权重。在一实施例中，请参照图11，后向信息滤波步骤s300包括步骤s301～s311。

步骤s301：根据前向滤波步骤s100计算的结果，将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中重要性权重最大的粒子作为此符号的估计值，以及将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中各粒子的前向滤波过程的粒子重要性权重作为估计序列x中最后一个符号对应的粒子集中对应各粒子的后向信息滤波过程的粒子重要性权重。在一实施例中，也可以另外设置一个后向信息滤波序列xb，其长度为n，将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中重要性权重最大的粒子，作为后向信息滤波序列xb最后一个符号的估计值，可表示为如下形式：xb(n)＝xf(max,n)。同时，将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中各粒子的重要性权重赋给后向信息滤波序列xb的重要性权重wb，可表示为wb(1～ns,n)＝wf(1～ns,n)。

步骤s303：构造一人工分布序列，其中该人工分布序列的长度与待译码序列长度相同。在一实施例中，所构造的人工分布序列为：

其中，γt(xt)表示该人工分布序列；xt表示t时刻的符号。

步骤s305：从估计序列x最后一个符号开始到第一个符号结束，计算待译码序列与当前符号每个粒子的概率密度；并根据待译码序列与当前符号每个粒子的概率密度与上述人工分布序列，计算当前符号每个粒子的后向信息滤波过程的辅助概率密度。在一实施例中，计算当前符号每个粒子的后向信息滤波过程的辅助概率密度，是根据公式计算的，其中f(xt+1|xt)表示待译码序列与当前符号每个粒子的概率密度。需要说明的是，由于前向滤波过程中估计出的序列是没有经过编码的，因此需要对估计的粒子先和复用波形经过k重ovxdm编码后，再与待译码序列计算其概率密度。本案例采用多维正态分布(multivariatenormalprobabilitydensityfunction，mvnpdf)概率密度。

当然，步骤s305中提到的“从估计序列x最后一个符号开始到第一个符号结束”也可以和上面步骤s103提到的“从前向滤波估计序列xf中第一个符号开始到最后一个符号结束”的实现类似，在此不再赘述。

步骤s307：根据当前符号每个粒子的后向信息滤波过程的辅助概率密度，分别计算各粒子的后向信息滤波过程的重要性权重。在一实施例中，计算各粒子的后向信息滤波过程的重要性权重是根据公式计算的，其中其中为粒子的后向信息滤波重要性权重，n为待译码序列长度，ns为当前符号对应的粒子集中的粒子数，γi,j为粒子的辅助概率密度。可以看到，计算得到的各粒子的后向信息滤波过程的重要性权重，实际为归一化重要性权重。

步骤s309：根据当前符号的后向信息滤波过程的重要性权重来判断当前符号对应的粒子集是否满足一预设的粒子退化条件，若不满足，则进行前一符号，即当前符号的前一符号从步骤s305开始进行。若满足，则进行步骤s311。本步骤s309与步骤s107的目的是一样，两步骤中的粒子退化条件可以相同，也可以不同。

步骤s311：对当前符号的粒子集进行重采样。本步骤s311的方法和原理与步骤s109类似，在此不再赘述。步骤s309和步骤s311不是必须的，可以根据实际系统需求而定，目的都是确保估计的粒子最逼近真实序列，提高估计的准确性。

双滤波权重计算步骤s500：根据前向滤波过程的粒子重要性权重和后向信息滤波过程的粒子重要性权重，计算双滤波过程的粒子重要性权重。在一实施例中，双滤波权重计算步骤中，计算双滤波过程的粒子重要性权重是根据下面的公式计算的：

其中，表示双滤波过程的粒子重要性权重，表示前向滤波过程的粒子重要性权重，表示后向信息滤波过程的粒子重要性权重；xt^(k)表示t时刻的符号的第k个粒子，符号～表示后向过程。

输出步骤s700：根据双滤波权重计算步骤s500的计算结果，输出译码序列。在一实施例中，输出步骤s700将每一个符号对应的粒子集中双滤波过程的粒子重要性权重最大的粒子作为此符号的估计值，输出最终的译码序列。

以上就是本申请公开的适用于ovxdm系统的双滤波平滑译码方法的流程，相应地，本申请还公开了一种ovxdm系统，此ovxdm系统可以为ovtdm系统、ovfdm系统、ovcdm系统、ovsdm系统或ovhdm系统，其包括一种适用于ovxdm系统的双滤波平滑译码装置。请参照图12，适用于ovxdm系统的双滤波平滑译码装置包括前向滤波单元100、后向信息滤波单元300、双滤波权重计算单元500和输出单元700。

前向滤波单元100用于从一估计序列中第一个符号开始到最后一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到前向滤波过程的粒子重要性权重。在一实施例中，请参照图13，前向滤波单元100包括初始化单元101、粒子集生成单元103、重要性概率密度计算单元105、重要性权重计算单元107、第一判断单元109和第一重采样单元111。

初始化单元101用于初始化估计序列x，其中估计序列x的长度与待译码序列长度相同。由于这是在前向滤波过程中，因此不妨将估计序列x称为前向滤波估计序列xf，其序列长度与待译码序列长度相同。例如，不妨令ovxdm系统接收端接收到长度为n的符号序列y，此符号序列y即为待译码序列，其重叠次数为k，以矩形波为复用波形；若每个符号的粒子数为ns，每个粒子对应一个重要性权重值。则前向滤波估计序列xf的大小为ns×n，各粒子对应的重要性权重值的集合wf的大小为ns×n。

粒子集生成单元103用于从估计序列x中第一个符号开始到最后一个符号结束，对当前符号生成一个粒子集。如上所述，每个符号对应的粒子集中粒子个数为ns。例如，在ovxdm系统中，以二元数据流{+1，-1}为例，每个符号的可能取值只有两种：+1或者-1，因此每个符号对应的粒子集就是包括两种粒子，取值分别+1和-1。对当前符号生成粒子集的方法很多，只要生成的粒子集的分布趋近理论分布即可。

重要性概率密度计算单元105用于当前符号生成粒子集后，计算当前符号每个粒子与待译码序列的重要性概率密度。在一实施例中，当i>1时，即当前符号为第2个符号或之后的符号时，重要性概率密度计算单元105计算当前符号的粒子集中的粒子与待译码序列的重要性概率密度，可以参考前一符号的粒子集中的粒子与待译码序列的重要性概率密度，需要说明的是，在ovxdm系统中，由于接收符号序列y是经过ovxdm编码的，因此也需要对估计的符号粒子xfi,j进行ovxdm编码，再计算其重要性概率密度。

重要性权重计算单元107用于根据重要性概率密度计算每个粒子的重要性权重。在一实施例中，重要性权重计算单元107计算当前符号对应的粒子集中每个粒子的归一化重要性权重是根据下述公式进行计算的：

其中，为粒子的重要性权重，n为待译码序列长度，ns为当前符号对应的粒子集中的粒子数，pi,j为粒子的重要性概率密度。可以看到，实质上是归一化重要性权重。

第一判断单元109用于判断当前符号对应的粒子集是否满足预设的粒子退化条件，若不满足，则通知粒子集生成单元103对后一个符号生成粒子集。本判断单元109是用于判断当前符号对应的粒子集中粒子的退化现象是否明显。例如，可以设定当符号对应的粒子集的有效粒子容量低于某个阈值时，那么该符号对应的粒子集就要进行重采样。

第一重采样单元111用于当第一判断单元109的结果为满足时，对当前符号的粒子集进行重采样。第一重采样单元111对当前符号的粒子集进行重采样后，通知粒子集生成单元103对后一个符号生成粒子集。

第一重采样单元111进行重采样是为了淘汰权重低的粒子，而集中于权重高的粒子，从而抑制退化现象。重采样的方法有多种，包括重要性重采样、残差重采样、分层重采样和优化组合重采样等，其基本思路就是复制权重大的粒子，淘汰权重小的粒子，通过重采样，最后生成一个新的粒子集，重采样示意图如上面的附图10所示。

后向信息滤波单元300从估计序列x(前向滤波估计序列xf)中最后一个符号开始到第一个符号结束，依次计算每一个符号对应的粒子集中各粒子的重要性权重，得到后向信息滤波过程的粒子重要性权重。在一实施例中，请参照图14，后向信息滤波单元300包括设置单元301、人工分布序列构造单元303、概率密度计算单元305、辅助概率密度计算单元307和重要性权重再计算单元309，在一实施例中，还可以包括第二判断单元311和第二重采样单元313。

设置单元301用于根据前向滤波单元100计算的结果，将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中重要性权重最大的粒子作为此符号的估计值，以及将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中各粒子的前向滤波过程的粒子重要性权重作为估计序列x中最后一个符号对应的粒子集中对应各粒子的后向信息滤波过程的粒子重要性权重。在一实施例中，也可以另外设置一个后向平滑序列xb，其长度为n，设置单元301将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中重要性权重最大的粒子，作为后向平滑序列xb最后一个符号的估计值，可表示为如下形式：xb(n)＝xf(max,n)。同时，设置单元301将估计序列x(前向滤波估计序列xf)中最后一个符号对应的粒子集中各粒子的重要性权重赋给后向平滑序列xb的重要性权重wb，可表示为wb(1～ns,n)＝wf(1～ns,n)。

人工分布序列构造单元303用于构造一人工分布序列，其中该人工分布序列的长度与待译码序列长度相同。在一实施例中，人工分布序列构造单元303依据下式构造上述人工分布序列：

其中，γt(xt)表示上述人工分布序列。

概率密度计算单元305用于从所述估计序列最后一个符号开始到第一个符号结束：计算待译码序列与当前符号每个粒子的概率密度。需要说明的是，由于前向滤波过程中估计出的序列是没有经过编码的，因此需要对估计的粒子先和复用波形经过k重ovxdm编码后，再与待译码序列计算其概率密度。本案例采用多维正态分布(multivariatenormalprobabilitydensityfunction，mvnpdf)概率密度。

辅助概率密度计算单元307用于根据待译码序列与当前符号每个粒子的概率密度与所述人工分布序列，计算当前符号每个粒子的后向信息滤波过程的辅助概率密度。在一实施例中，辅助概率密度计算单元307依据公式进行计算的，其中f(xt+1|xt)表示待译码序列与当前符号每个粒子的概率密度.重要性权重再计算单元309用于根据当前符号每个粒子的后向信息滤波过程的辅助概率密度，分别计算各粒子的后向信息滤波过程的重要性权重。在一实施例中，计算各粒子的后向信息滤波过程的重要性权重是根据公式计算的，其中为粒子的后向信息滤波重要性权重，n为待译码序列长度，ns为当前符号对应的粒子集中的粒子数，γi,j为粒子的辅助概率密度。可以看到，计算得到的各粒子的后向信息滤波过程的重要性权重，实际为归一化重要性权重。

第二判断单元311用于根据当前符号的后向信息滤波过程的重要性权重来判断当前符号对应的粒子集是否满足一预设的粒子退化条件，若满足，则通知第二重采样单元对当前符号的粒子集进行重采样，若不满足，则通知概率密度计算单元307对前一符号进行计算。第二判断单元311与第一判断单元109类似，两者的粒子退化条件可以相同，也可以不同，在此不再赘述。

第二重采样单元313用于当第二判断单元311的结果为满足时，对当前符号的粒子集进行重采样。第二重采样单元313对当前符号的粒子集进行重采样，通知概率密度计算单元307对前一符号进行计算。第二重采样单元313与第一重采样单元111类似，在此不再赘述。

双滤波权重计算单元500用于根据前向滤波过程的粒子重要性权重和后向信息滤波过程的粒子重要性权重，计算双滤波过程的粒子重要性权重。在一实施例中，双滤波权重计算单元50计算双滤波过程的粒子重要性权重是根据下面的公式计算的：

其中，表示双滤波过程的粒子重要性权重，表示前向滤波过程的粒子重要性权重，表示后向信息滤波过程的粒子重要性权重。

输出单元700用于根据双滤波权重计算单元500的计算结果，输出译码序列。在一实施例中，输出单元700用于将每一个符号对应的粒子集中双滤波过程的粒子重要性权重最大的粒子作为此符号的估计值，输出最终的译码序列。

以上就是本申请公开的ovxdm系统及适用于ovxdm系统的双滤波平滑译码装置。

本申请在译码过程中，在对各符号生成粒子集时，对于一个未知的序列，由于初始阶段不知道其粒子分布，可先随机生成一组样本，通过计算粒子与观测值的重要性权重，判断粒子的可靠性，依据一定的准则，对粒子样本进行重采样，淘汰权重小得粒子，复制权重大的粒子，依次反复迭代计算，最终计算得到较为可靠的输出值。迭代次数越高，得到的结果越精确。另外，粒子的退化现象是粒子滤波器的最大缺陷，制约着粒子滤波器的发展，解决粒子退化问题的有效方法之一就是对粒子进行重采样。粒子滤波在解决非线性、非高斯问题的参数估计和状态滤波方面有着独到的优势，因此有很大的发展空间，可以将成熟的多种不同的寻优方法引入重采样过程，以便更快地提取到反映系统概率特征的典型“粒子”。

本申请通过前向滤波和后向信息滤波分别计算符号对应的粒子集中各粒子的重要性权重，再结合前向滤波的粒子重要性权重和后向信息滤波的粒子重要性权重进行筛选，以输出最终的译码序列，在这过程中，充分利用了粒子间的互信息，实现ovxdm系统的译码，使得到的译码序列更加逼近真实值，同时随着重叠次数的增加，相较传统的译码方法降低了译码复杂度，提升了译码效率和系统性能。

以上内容是结合具体的实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说，在不脱离本申请发明构思的前提下，还可以做出若干简单推演或替换。