'Stochastic Channel Modelling: A Bayesian approach using reversible jump Markov chain Monte Carlo methods'
Authors
Brøndum, Rasmus Froberg ; Rubak, Ege
Term
4. term
Education
Publication year
2006
Abstract
Denne afhandling udvikler statistiske værktøjer til at beskrive og estimere impulsresponsen for en ultrabredbånds (UWB) radiokanal—det vil sige, hvordan et kort signal ændres af refleksioner og forhindringer i omgivelserne. Den omformulerer eksisterende stokastiske kanalmodeller ved hjælp af teorien om punktprocesser og gennemgår både likelihood‑baseret og bayesiansk inferens. Afhandlingen forklarer Expectation–Maximization (EM)-algoritmen til parameterestimering og viser, hvordan den kan anvendes til modellering af impulsresponsen. Den præsenterer også Markovkæde Monte Carlo (MCMC), inklusive den reversible‑jump‑variant til modeller med et varierende antal komponenter. På baggrund af denne teori konstruerer anden del en algoritme, der udfører statistisk inferens på målte impulsresponser og tilpasser en parametrisk model til data.
This thesis develops statistical tools to describe and estimate the impulse response of an ultra‑wideband (UWB) radio channel—that is, how a brief signal is altered by reflections and obstacles in the environment. It reformulates existing stochastic channel models using point process theory and reviews both likelihood‑based and Bayesian inference. The thesis explains the Expectation–Maximization (EM) algorithm for parameter estimation and shows how to apply it to impulse response modeling. It also presents Markov chain Monte Carlo (MCMC), including the reversible‑jump variant for models with a changing number of components. Building on this theory, the second part constructs an algorithm that performs statistical inference on measured impulse responses and fits a parametric model to the data.
[This abstract was generated with the help of AI]
Documents