一种基于有限距离译码的解随机化采样格译码方法
【专利摘要】本发明涉及一种基于有限距离译码的解随机化采样格译码方法，包括：初始化设置；建立MIMO系统格解码模型；对信道矩阵依次进行格约减和QR分解；对接收信号按照深度优先的搜索策略进行采样译码，得到格约减域中的候选格点；译码输出。本发明提出的译码方法在初始设置的采样次数固定的情况下，随着初始设置的候选格点列表长度的变大，树中节点数的增加，译码性能逐渐接近解随机化采样译码算法的译码性能，并且最终能够以少于解随机化采样译码算法的访问节点数和候选格点数获得和解随机化采样译码算法相同的性能。本发明将常用的广度优先搜索策略改为深度优先，以更少的搜索节点数得到逼近最优的性能，降低了复杂度，提高了译码效率。
【专利说明】一种基于有限距离译码的解随机化采样格译码方法【技术领域】
[0001]本发明属于无线电通信领域，涉及一种基于有限距离译码的解随机化采样格译码方法。
【背景技术】
[0002]具有多天线的多入多出(multiple-1nput multiple-output,ΜΙΜΟ)系统已经被应用于现代无线通信。多天线技术可以突破单输入单输出系统下的Shannon容量极限，成倍地提高通信系统的容量。而可靠的并且计算高效的译码算法是获得最优的系统性能的重要因素。
[0003]在MMO系统中，最大似然(maximum likelihood, ML)译码提供了最优的错误性能，但是它却遭受了关于发射天线数呈指数趋势增长的复杂度，因此其复杂度太高而难以得到广泛的应用。为了实现低复杂度的译码，具有低复杂度的线性译码被应用，例如迫零(zero forcing, ZF)和最小均方误差(minimum mean square error, MMSE)线性译码。然而，这些线性译码相比于ML译码在性能上具有较大的差距。为了缩小线性译码和ML译码在性能上的差距，应用格约减(lattice reduction, LR)技术的格约减辅助(LR-aided)译码被提出，例如LLL-aided译码。格约减辅助译码能够在保持低复杂度的情况下获得更优的性能，然而随着系统维度的增加，格约减辅助译码与ML译码在性能上的差距会逐渐扩大。因此，为了改善格约减辅助译码的性能，对于能够提升性能并且计算高效的次优的译码算法提出了迫切的需求。
[0004]为此，文 献《Decodingby Sampling I1:Derandomization and Soft-OutputDecoding》提出了解随机化采样译码算法。该算法是对格约减辅助串行干扰消除(LR-aidedSIC)译码算法的改进，与LR-aided SIC译码算法将预检测信号直接取整到最接近的整数而得到判决信号所不同的是，解随机化采样译码算法首先根据离散高斯分布将预检测信号随机取整到它周围的整数(称作候选整数)。预检测信号取整返回某一候选整数的概率，即采样概率，服从离散高斯分布。候选整数距离预检测信号越近，采样概率则越大，表示该候选整数越有可能被采到。然后，根据每个候选整数在采样过程中被采到的平均次数与阈值I比较的结果进一步确定对候选整数的取舍。满足被采到的平均次数大于等于I的候选整数被保留作为当前译码层的一个判决信号，而被采到的平均次数小于I的候选整数则被舍去。
[0005]解随机化采样算法按照如上所叙述的采样规则从顶层(第η层)到底层(第I层)逐层进行采样译码，即采用广度优先的扩展方式，最终构成了一个树结构。树的根节点(在第η+1层定义一个虚拟节点，此结点称作根节点)到叶节点(位于第I层的节点称作叶节点)的每一条路径上的节点即构成一个格约减域中的候选格点，遍历此树即可得到格约减域中的候选格点列表。然后，将格约减域的候选格点映射回格约减前的原始信号空间。最终，在原始信号空间的候选格点中，选择距离接收信号距离最近的格点作为译码结果。
[0006]从以上分析可以看出，初始设置的采样次数的大小对于候选整数的取舍有很大的影响，初始设置的采样次数越大就会有越多的候选整数被采集到，因此每层所保留的判决信号就会越多，树的分支也就会越多，最终导致所采集到的候选格点越多，而候选格点数越多，其中出现最接近接收信号的格点的概率就会越大，因此译码性能就会越好。当初始设置的采样次数足够大的时候可以达到近似最优的性能。但是随着候选格点增多，同时也带来了复杂度的增加，遍历树时访问的节点数将大大增加，降低了效率。
[0007]因此，基于以上分析可见，为了进一步降低复杂度，迫切需要一种能以更低的复杂度及更高的效率来获得接近最优性能的译码算法。
【发明内容】
[0008]为了克服解随机化采样译码算法由于搜索节点较多导致复杂度增加从而影响译码效率的不足，本发明提出一种新型的用于有限距离译码的解随机化采样格译码方法，采取深度优先的搜索策略，以更少的搜索节点得到逼近最优的性能，减小了译码复杂度，提高了译码效率。
[0009]为了便于理解本发明的技术方案，下面介绍一下本发明的技术原理和设计思路。
[0010]当初始设置的采样次数变大时，解随机化采样译码算法采集到的候选格点增加，而在这些候选格点中，只有距离接收信号最近的格点才是最终的译码结果。因此要降低复杂度，提高效率，就要以尽可能小的复杂度找到最可能是最优格点的列表，减少候选格点列表中不太可能导致最优解的候选格点。而候选格点是通过树搜索得到的，因此设计搜索策略，以最小的访问节点个数找到最可能导致最优解的候选格点列表，是降低复杂度提高效率的关键。
[0011]解随机化采样译码算法通过对预检测信号根据离散高斯分布随机化取整并将候选整数在采样中被采到的平均次数与阈值I相比较得到当前译码层的判决信号，所得到的每一个判决信号即为当前译码层的一个节点。定义根节点到当前译码层某一节点这一路径分支上的节点采样概率的乘积为该节点处的累积采样概率。将根节点到某一叶节点这一路径分支上的节点采样概率相乘则得到此叶节点处的累积采样概率，称作全长路径累计采样概率。通过对全长路径累积采样概率观察及变换，可以发现全长路径累积采样概率会随着遍历此路径分支所得到的格约减域中的格点与接收信号的距离变小而变大，即遍历此路径分支所得到的格约减域中的格点与接收信号的距离越近则全长路径累积采样概率越大。由于格约减后的信号星座已经发生了畸变，并且由格约减域中的格点经过格约减反变换所得到的格约减前的格点不一定在格约减前的原始信号空间中，还需将所得到的格约减前的格点映射到原始信号空间。因此，格点在格约减域中与接收信号距离最近不完全等价于格点在格约减前的原始信号空间中与接收信号的距离最近。值得一提的是，虽然它们并不完全等价，但是它们之间存在着相关性。所以认为在原始信号空间中距离接收信号最近的格点在格约减域中距离接收信号也应该相对较近。而根据以上分析可知，格约减域中格点与接收信号的距离越近则全长路径累积采样概率越大。因此，以累积采样概率为度量规则进行深度优先搜索，先找到全长路径累积采样概率最大的格点添加到候选格点列表中，然后依次找到全长路径累积采样概率第二大的添加到列表中，以此类推，最终得到在格约减域中全长路径累积采样概率较大的一些格点，然后把格约减域中的候选格点列表映射到原始信号空间，从原始信号空间的候选格点中选择距离接收信号最近的格点作为译码结果。这样便减少了不必要的候选格点的生成，降低了复杂度，提高了效率。因此，树的搜索问题就变为了找出树中具有最大全长路径累积采样概率的几个叶节点。
[0012]一种基于有限距离译码的解随机化采样格译码方法，包括以下步骤:
[0013]步骤I，初始化设置。
[0014]步骤1.1,初始化节点列表Φ，将根节点放入初始节点列表Φ中。
[0015]步骤1.2，初始化候选格点列表Ψ，设定候选格点列表长度为lzc。
[0016]步骤1.3，设定初始的采样次数K。
[0017]步骤2，建立MMO系统格解码模型。
[0018]步骤2.1，建立未编码MMO复值通信系统模型。
[0019]一个由ητ根发射天线和ηκ根接收天线构成的未编码MIMO通信系统模型为:
【权利要求】
1.一种基于有限距离译码的解随机化采样格译码方法，其特征在于，按照深度优先的搜索策略进行采样译码，以更少的搜索节点数得到逼近最优的性能，所述方法包括以下步骤: 步骤I，初始化设置； 步骤1.1，初始化节点列表φ，将根节点放入初始节点列表φ中； 步骤1.2，初始化候选格点列表Ψ，设定候选格点列表长度为Izc ； 步骤1.3，设定初始的采样次数K ; 步骤2，建立MMO系统格解码模型； 步骤2.1，建立未编码MIMO复值通信系统模型； 一个由ητ根发射天线和ηκ根接收天线构成的未编码MIMO通信系统模型为: Y = ΒΧ+Ν (I) 式中，y = [H......,7 ]为接收信号向量；x =表不发送信号向量，X,ec，c为复QAM星座图集，发送信号向量元素Xi的实部和虚部取自集合
2.根据权利要求1所述的一种基于有限距离译码的解随机化采样格译码方法，其特征在于，所述步骤4.4扩展节点的方法包括以下步骤: (O由选中节点根据式(7)计算第i层的预检测信I (2)求预检测信号&周围的候选整数#，并计算候选整数的采样概率 将5周围的整数按照与^距离的远近排序得到候选整数苟，j是序号，j越小距离越近，j=l, 2，…，J，J为候选整数的个数，一般取J = 3 ; 候选整数采样概率为:
【文档编号】H04B7/04GK103780349SQ201410031136
【公开日】2014年5月7日 申请日期:2014年1月22日 优先权日:2014年1月22日
【发明者】孙艳华, 陈希爽, 杨睿哲, 孙恩昌, 司鹏搏, 张延华 申请人:北京工业大学