对随机过程建模的设备和方法与流程

本公开整体涉及一种用于对随机过程建模的系统和方法，更具体地，涉及一种用于使用减小长度的最小二乘(ls)自回归(ar)参数估计对随机过程建模的系统和方法。

背景技术：

ar模型可在信号处理期间被用作随机过程的类型的代表或模型，以描述特定的时变过程。ar模型指定输出变量线性取决于它自身的之前值和随机项，因此ar模型为随机差分方程的形式。

对于随机过程的自协方差或自相关函数，获取ar参数的典型方法是通过求解尤尔沃克(yule-walker，yw)方程。使用这个方法，具有滞后p的ar模型能够使用直至长度p的相同的相关性准确地再现随机过程，其中，p为整数。假设使用p阶ar模型，一种典型的ar参数估计方法能够准确地匹配直至长度p的自相关性。因此，为了对长相关性建模，需要大的p，这通常指示增加的复杂性和低效率。

技术实现要素：

根据一个实施例，一种用于对随机过程建模的设备包括：自相关处理器，被配置为产生或估计随机过程的长度m的自相关性，其中，m为整数；最小二乘估计处理器，连接到自相关处理器，并被配置为通过使用ls回归估计p阶ar参数来对随机过程建模，其中，p为小于m的整数。

根据一个实施例，一种用于对随机过程建模的方法包括：由自相关处理器产生或估计随机过程的长度m的自相关性，其中，m为整数；由最小二乘估计处理器通过使用ls回归估计p阶ar参数来对随机过程建模，其中，p为小于m的整数。

根据一个实施例，一种制造用于对随机过程建模的设备的方法包括：将所述设备与至少一个其他设备形成在晶片或封装件上，其中，所述设备包括自相关处理器和被配置为通过使用ls回归估计p阶自回归参数来对由长度m的自相关性表示的随机过程建模的ls估计处理器；测试所述设备，其中，测试所述设备的步骤包括使用一个或多个电光转换器、一个或多个将光信号分割成两个或更多个光信号的分光器、以及一个或多个光电转换器来测试所述设备。

根据一个实施例，一种构建集成电路的方法包括：针对所述集成电路的层的特征的集合产生掩模布局，其中，掩模布局包括用于包括用于对随机过程建模的设备的一个或多个电路特征的标准单元库宏，所述设备包括自相关处理器和ls估计处理器，ls估计处理器被配置为通过使用ls回归估计p阶自回归参数来对由长度m的自相关性表示的随机过程建模，其中，p为整数且p小于m；在产生掩模布局期间忽略宏的相关位置以符合布局设计规则；在产生掩模布局之后，检查符合布局设计规则的宏的相关位置；在检测到所述宏中的任何宏不符合布局设计规则时，通过将各个不符合的宏修改为符合布局设计规则来修改掩模布局；根据针对所述集成电路的层的特征的集合的修改的掩模布局，产生掩模；根据掩模制造所述集成电路层。

附图说明

通过下面的结合附图的详细描述，本公开的特定实施例的上述和其他方面、特征和优点将更加清楚，其中：

图1示出根据一个实施例的用于对随机过程建模的设备的示例性框图；

图2示出根据一个实施例的对随机过程建模的方法的示例性流程图；

图3示出根据一个实施例的从估计的ar参数得到的卡尔曼(kalman)滤波器的示例性框图；

图4示出根据一个实施例的构建卡尔曼滤波器的方法的示例性流程图；

图5示出根据一个实施例的用于信道估计的设备的示例性框图；

图6示出根据一个实施例的信道估计的方法的示例性流程图；

图7示出根据一个实施例的制造用于对随机过程建模的设备的方法的示例性流程图；

图8示出根据一个实施例的构建集成电路的方法的示例性流程图。

具体实施方式

在下文中，参照附图详细描述本公开的实施例。应注意，即使相同的元件在不同的附图中被示出，它们也将由相同的参考标号指定。在下面的描述中，仅提供具体细节(诸如，详细配置和组件)以帮助全面理解本公开的实施例。因此，本领域技术人员应清楚，在不脱离本公开的范围的情况下，可对这里描述的实施例做出各种改变和修改。此外，为了清楚和简洁，公知的功能和结构的描述被省略。下面描述的术语是考虑本公开的功能而限定的术语，并且可根据用户、用户的意图或习惯而不同。因此，术语的定义应基于贯穿说明书的内容来确定。

本公开可具有各种修改和各种实施例，其中，参照附图在以下详细描述实施例。然而，应理解，本公开不限于实施例，而是包括本公开的范围内的所有修改、等同物和替换物。

虽然包括序数(诸如，第一、第二等)的术语可用于描述各种元件，但是结构元件不被这些术语限制。这些术语仅用于将一个元件与另一元件区分。例如，在不脱离本公开的范围的情况下，第一结构元件可被称为第二结构元件。类似地，第二结构元件也可被称为第一结构元件。如在此使用的，术语“和/或”包括一个或多个相关项的任何组合和所有组合。

在此使用的术语仅用于描述本公开的各种实施例，而不意图限制本公开。除非上下文明确地另有指示，否则单数形式也意图包括复数形式。在本公开中，应理解，术语“包括”或“具有”指示特征、数量、步骤、操作、结构元件、部件或它们的组合的存在，但不排除一个或多个其他特征、数量、步骤、操作、结构元件、部件或它们的组合的存在或添加的可能性。

除非不同地定义，否则在此使用的所有术语具有与本公开所属领域的技术人员所理解的含义相同的含义。除非在本公开中明确定义，否则如在通用字典中定义的这样的术语将被解释为具有与相关领域的语境含义相同的含义，而不被解释为具有理想的或过于形式的含义。

本公开的一个实施例涉及一种使用减小长度的lsar参数估计拟合较长的相关性来对随机过程建模的设备和方法。本公开的一个实施例涉及一种使用从减小长度的lsar参数估计获取的ar模型的卡尔曼滤波器的设备和方法。本公开的一个实施例涉及一种基于减小长度的lsar参数估计使用卡尔曼滤波器估计信道的设备和方法。

本设备和方法利用具有减少数量的参数的长相关性来降低复杂性。本设备和方法提供ls公式以在使用“短”ar过程拟合“长”相关性时估计ar参数。根据一个实施例，本设备和方法使用p阶ar过程对具有已知的自相关性的随机过程建模。本设备和方法提供ls估计以对具有远大于p的长度的自相关性建模。根据一个实施例，本设备和方法还可应用基于减小长度的ls的ar参数来实现卡尔曼滤波器，并使用卡尔曼滤波器用于信道估计(ce)，以提高缓慢变化的信道的ce质量。本设备和方法还可使用ar过程得到其他控制方法，诸如，动态控制。本设备和方法可应用基于减小长度的ls的ar参数估计对具有长相关性的任何随机过程建模。

图1示出根据一个实施例的用于对随机过程建模的设备的示例性框图。

参照图1，设备100包括自相关处理器101和ls估计处理器103。

自相关处理器101包括输入端和输出端。自相关处理器101被配置为接收关于随机过程的数据，产生随机过程的长度m的自相关性(其中，m为整数)，并输出自相关性。

ls估计处理器103包括连接到自相关处理器101的输出端的输入端以及输出端。ls估计处理器103被配置为通过使用ls回归估计p阶ar参数对由自相关性表示的随机过程建模，其中，p为整数且p远小于m。

图2示出根据一个实施例的对随机过程建模的方法的示例性流程图。

参照图2，在201，由自相关处理器产生随机过程的长度m的自相关性，其中，m为整数。

在203，由ls估计处理器通过使用ls回归估计p阶ar参数对随机过程建模，其中，p为整数且p远小于m。

图3示出根据一个实施例的从估计的ar参数(例如，基于减小长度的ar参数估计产生的ar参数)得到的卡尔曼滤波器的示例性框图。

参照图3，卡尔曼滤波器300包括自相关处理器301、ls估计处理器303和卡尔曼滤波器系统参数产生处理器305。

自相关处理器301包括输入端和输出端。自相关处理器301被配置为接收关于随机过程的数据，产生随机过程的长度m的自相关性(其中，m为整数)，并输出自相关性。

ls估计处理器303包括连接到自相关处理器301的输出端的输入端以及输出端。ls估计处理器303被配置为通过使用ls回归估计p阶ar参数对由自相关性表示的随机过程建模，其中，p为整数且p远小于m。

卡尔曼滤波器系统参数产生处理器305包括连接到ls估计处理器303的输出端的输入端以及输出端。卡尔曼滤波器系统参数产生处理器305被配置为使用由ls估计处理器303估计的p阶ar参数来产生卡尔曼滤波器参数。

图4示出根据一个实施例的构建卡尔曼滤波器的方法的示例性流程图。

参照图4，在401，由自相关处理器产生随机过程的长度m的自相关性，其中，m为整数。

在403，由ls估计处理器通过使用ls回归估计p阶ar参数对随机过程建模，其中，p为整数且p远小于m。

在405，由卡尔曼过滤器系统参数产生处理器使用估计的p阶ar参数产生卡尔曼滤波器参数。

图5示出根据一个实施例的用于基于正交频分复用(ofdm)的系统中的信道估计的设备的示例性框图。

参照图5，设备500包括基于初始导频的信道估计处理器501、卡尔曼滤波器503和信道插值处理器505。

基于初始导频的信道估计处理器501包括输入端和输出端。基于初始导频的信道估计处理器501被配置为提取信道的导频信号。在一个实施例中，基于初始导频的信道估计处理器501包括：参考信号(rs)提取处理器，包括输入端和输出端；解扰器，包括连接到rs提取处理器的输出端的输入端以及输出端，其中，解扰器被配置为对提取的参考信号解扰。解扰的参考信号用于获取初始信道估计。基于初始导频的信道估计处理器501的输出为参考信号资源元素(re)的初始信道估计。基于初始导频的信道估计处理器501接收可被表示为yk＝hksk+nk的参考信号re的信号，其中，sk为参考信号，hk为信道，nk为噪声。基于初始导频的信道估计处理器501使用参考信号提取和解扰来确定sk。在一个实施例中，初始信道估计为其中，初始信道估计从基于初始导频的信道估计处理器501被输出，并被输入到卡尔曼滤波器503用于进一步改进。

卡尔曼滤波器503包括连接到解扰器的输出端的输入端以及输出端。卡尔曼滤波器503被如上关于图3所述来配置，以处理初始信道估计，从而提供参考信号资源元素(re)的改进的信道估计。

信道插值处理器505包括连接到卡尔曼滤波器503的输出端的输入端以及输出端。信道插值处理器505对参考信号re执行信道插值以提供关于数据re的信道估计，其中，ar模型用于对信道的时域相关性建模。

图6示出根据一个实施例的信道估计的方法的示例性流程图。

参照图6，在601，由自相关处理器针对随机过程产生或估计长度m的自相关性，其中，m为整数。

在603，由ls估计处理器通过使用ls回归估计p阶ar参数，对随机过程建模，其中，p为整数且p远小于m。

在605，由卡尔曼滤波器系统参数产生处理器使用估计的p阶ar参数产生卡尔曼滤波器的系统参数，其中，卡尔曼滤波器如上关于图3所述。

在607，将卡尔曼滤波器初始化。

在609，接收信道观测yn和噪声方差其中，n和u是整数。

在611，更新卡尔曼滤波器的第n次迭代，其中，n为整数。

在613，针对每次迭代确定信道估计。

根据一个实施例，本ls估计设备和方法牺牲最先的p个相关值的精确匹配，以实现均方误差意义上的对更长的相关距离的更好拟合。基于卡尔曼滤波器的ce的本ar参数估计设备和方法实现显著的性能增益和复杂性降低。

根据一个实施例，本设备和方法采用m个已知的相关值，其中，m＞＞p。本设备和方法通过求解ls方程来估计ar模型的p个参数。作为结果的ar模型可接近地对长度远大于p的相关性建模。在通信系统中，这样的ar模型可用于对缓慢变化的信道的时域统计建模。基于信道的已知的时域相关性，可基于ar模型得到卡尔曼滤波器，以估计该信道。由于利用长时相关性，因此ce质量可显著提高。

本设备和方法提供可有效表现长相关性的减小长度的lsar参数估计，减小长度的lsar参数估计对于利用具有低复杂性的长相关性的不同应用的实际实现是非常有帮助的。基于卡尔曼滤波器的ce方法是这样的应用的一个示例。

由ar(p,k)表示的具有大小为k的向量状态的p阶ar过程可被表示为如下的式(1)：

其中，hn是第n时间间隔(timeinstance)中的k×1状态变量，p、n和k是整数，ai是作为ar参数的k×k矩阵，zn是作为用于对过程噪声建模的具有单位方差的白高斯过程的k×1向量，b是也作为ar参数的k×k矩阵。

长度n的自相关矩阵可被表示为其中，对应的随机过程是广义平稳的。可通过求解表示为如下式(2)的yw方程来获得ar参数：

作为结果的ar过程的自相关性可被表示为基于ywar参数估计的自相关值与真实的自相关序列的最先的p个值精确地匹配，如下式(3)所示：

如果匹配给定的自相关序列中的更多的值，则p增大，其中，后续应用的复杂性也随着p增大而增加。

为了使用小的p来拟合长的自相关性，可使用如下式(4)所示的ls公式：

其中，是由ar参数确定的自相关函数，m＞＞p。一般而言，没有的封闭形式(closedform)表示。

然而，对于ar参数[a1,…,ap]的集合，存在针对由ar(p,k)模型产生的过程的对应的自相关序列对于任意正整数m，这个自相关序列满足下式(5)所示的属性：

通过使用将被匹配的已知的自相关矩阵替代式(5)右手边(rhs)的m×p自相关矩阵，可获得如下面式(6)所示的近似：

使用将被估计的ar参数，最先的m个自相关值可被表示为已知的自相关值的线性组合。因此，ls问题可被表示为如下式(7)：

上面式(7)的ls解可被表示为如下式(8)：

通过选择m>p，可改进对较长自相关序列的拟合。例如，系统可使用ar(4，1)过程对具有5hz多普勒扩展(dopplerspread)的缓慢变化的信道的自相关性建模，其中，真实的自相关函数可由0阶贝塞尔函数(besselfunction)给定。可比较使用ywar参数估计与具有不同的m(即，在ls方程中考虑的自相关性的不同长度)的本lsar参数估计所产生的自相关性。随着m增大，对真实的自相关函数的拟合随之改进。

根据一个实施例，本系统和方法使用用于ce提高的卡尔曼滤波器来应用估计的ar参数。卡尔曼滤波器是利用以往的信道观测和对应的时域相关性的有效方式。在每次卡尔曼滤波器更新中，基于系统模型的预测以及基于来自新的观测的新息(innovation)的修正被包括在内。然而，卡尔曼滤波器对模型误匹配敏感。减小长度的lsar参数估计能够提高具有低复杂性的建模精度。

上述图5示出根据一个实施例的ofdm系统中的基于卡尔曼滤波器的ce的示例性示图。参考信号被提取，随后被解扰。初始信道估计基于参考信号re的解扰的参考信号被执行。卡尔曼滤波器处理初始信道估计，以提供参考信号re的改进的信道估计。对参考信号re的信道插值被执行，以提供关于数据re的信道估计。本系统使用ar模型对信道的时域相关性建模。

在获得ar参数[a1,…,ap]之后，系统方程可被表示为如下式(9)的矩阵形式：

hn＝chn-1+gzn(9)

其中，是组成参考信号位置的信道的kp×1状态向量，zn是协方差为kp×kp单位矩阵的kp×1零均值高斯向量。

对于ar系统方程c和g可被表示为如下式(10)和(11)：

g＝[b,0k,…,0k]^t(11)

其中，ik是单位矩阵，0k是零矩阵，k为整数。

在第n次迭代中，新的观测如下式(12)所示被获取：

yn＝dhn+un(12)

其中，d＝[ik,0k,…,0k]是k×kp观测矩阵，un是具有协方差的零均值高斯观测噪声。

根据一个实施例，本系统在每个周期提供卡尔曼滤波器更新，如下式(13)至(17)所示：

mn＝cσn-1c^h+gg^h,误差协方差预测(13)

新息(14)

kn＝mnd^hγn^-1,卡尔曼滤波器增益(15)

xn＝cxn-1+kn(yn-dcxn-1),状态估计(16)

σn＝(i-knd)mn,误差协方差估计(17)

对于n＝1，可使用如下式(18)和(19)所示的初始化：

x0＝0kp(18)

其中，σ0是自相关序列ri的矩阵，k、p和i是整数。

在每次迭代中的估计的信道可被表示为如下式(20)：

其中，xn是状态估计。

本减小长度的lsar参数估计相比于典型的ywar参数估计在对具有长相关性的随机过程建模方面实现显著增益。

上述图6示出根据一个实施例的使用lsar参数估计的基于卡尔曼滤波器的ce的示例性流程图。与包括上面式(15)中的p×p矩阵求逆的在每次迭代执行的卡尔曼滤波器更新相比，本lsar参数估计被更少地执行。因此，由于m×m矩阵求逆在许多次迭代中仅计算一次，所以m×m矩阵求逆是可以忽略的。

根据一个实施例，本设备和方法提供用于使用已知自相关性拟合ar模型的基于减小长度的ls的ar参数估计。本设备和方法可应用基于减小长度的ls的ar参数，使用小数量的系数对具有长相关性的随机过程建模，来降低复杂性。在一个实施例中，本系统将基于减小长度的ls的ar参数应用于基于卡尔曼滤波器的信道估计。

图7示出根据一个实施例的制造用于对随机过程建模的设备的方法的示例性流程图。

参照图7，在701，将所述设备与至少一个其他设备形成在晶片或封装件上，其中，所述设备包括自相关处理器和被配置为通过使用ls回归估计p阶ar参数对由长度m的自相关性表示的随机过程建模的ls估计处理器，其中，p为整数且p远小于m。

在703，测试所述设备。测试所述设备的步骤可包括：使用一个或多个电光转换器、一个或多个将光信号分割成两个或更多个光信号的分光器、以及一个或多个光电转换器来测试所述设备。

图8示出根据一个实施例的构建集成电路的方法的示例性流程图。

参照图8，在801，构建初始布局数据。例如，针对所述集成电路的层的特征的集合产生掩模布局，其中，掩模布局包括用于对随机过程建模的设备的一个或多个电路特征的标准单元库宏，所述设备包括自相关处理器和ls估计处理器，ls估计处理器被配置为通过使用ls回归估计p阶ar参数来对由长度m的自相关性表示的随机过程建模，其中，p为整数且p远小于m，并且在产生掩模布局期间忽略宏的相关位置以符合布局设计规则。

在803，执行设计规则检查。例如，所述方法可在产生掩模布局之后检查符合布局设计规则的宏的相关位置。

在805，调整布局。例如，在检测到所述宏中的任何宏不符合布局设计规则时，所述方法可通过将各个不符合的宏修改为符合布局设计规则来修改掩模布局。

在807，产生新的布局数据。例如，所述方法可根据针对所述集成电路的层的特征的集合的修改的掩模布局，产生掩模。然后，可根据该掩模制造集成电路层。

虽然已经在本公开的具体实施方式中描述了本公开的特定实施例，但是在不脱离本公开的范围的情况下，本公开可进行各种形式的修改。因此，本公开的范围不应仅基于描述的实施例来确定，而是基于权利要求及其等同物来确定。