结合遗传性质的大规模mimo系统las信号检测算法
【专利摘要】本发明提供了一种结合遗传性质的大规模MIMO系统LAS信号检测算法，在原有LAS算法基础上引入全局最优化遗传算法，采用解向量的标准代价函数作为迭代停止准则，并将迭代次数设置为自适应，用解向量质量更新需要的迭代次数，提高了执行效率，同时继承上一次得到的优质解向量的元素，加入变异因子改变向量当中某些位置的元素的值，跳出同一搜索区域，让搜索在不同优质解区域中执行，减少了算法所需要的浮点运算次数，降低了系统复杂度，同时提高了搜索能力，降低了系统的误码概率，进而提高了系统的可靠性。
【专利说明】
结合遗传性质的大规模MI MO系统LAS信号检测算法
技术领域
[0001] 本发明设及MIMO信号检测技术领域，具体设及一种结合遗传性质的大规模MIMO系 统LAS信号检测算法。
【背景技术】
[0002] 多输入多输出技术(Multiple-Input Multiple-Output，MIM0)是指在发射端和接 收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接 收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频 谱资源和天线发射功率的情况下，可W成倍的提高系统信道容量，显示出明显的优势、被视 为下一代移动通信的核屯、技术。发射端通过空时映射将要发送的数据信号映射到多根天线 上发送出去，接收端将各根天线接收到的信号进行空时译码从而恢复出发射端发送的数据 信号。
[0003] 大规模MIMO系统是指在基站侧使用大规模的天线阵列对多个移动终端提供数据 传输服务。基站将会配备多达数十根或者上百根的天线，是目前MIMO通信系统天线数量的 一到两个数量级W上，而在移动端则只配置廉价的单根天线。大规模MIMO系统极大的扩展 了天线阵列的规模，充分的利用了空间自由度。与传统MIMO相比，主要有W下几点优势①提 高系统容量、频谱效率和能量效率;②降低硬件成本，提高系统鲁棒性;③提高数据传输可 靠性。
[0004] 当发端信号发送概率相同时，最大似然(Maximum Likelihood,ML)检测相当于MAP (Maximum a posteriori ,MAP)检测，具有最佳检测性能。然而对基于垂直贝尔实验室分层 空时（Vertical-Bell Labs Layered Spaced-Time,V-BLAST)结构的MIMO系统来说，ML检测 的运算复杂度与发射天线数目、调制阶数呈指数关系，极大的处理复杂度在大规模MIMO系 统中变得不可实现。
[0005] 次优检测的球形译码（Sphere Decoding,SD)检测方法将捜索空间锁定在W接收 符号为中屯、的球体内，试图寻找具有最小ML度量的发射信号向量，检索近似的发射符号星 座点，同时不停优化约束条件从而减小球的半径。球形译码算法在ML算法的基础之上减少 了算法的复杂度，但它的复杂度与发端天线数目的二次方根呈指数关系，在天线数目较大 时同样变得难W实现。
[0006] 而另一类信号检测算法线性检测算法，ZF/MF/MMSE检测算法虽然实现简单复杂度 低，但是当发端用户数目和收端天线数目相差不大时，性能极差。排序连续干扰抵消 (Ordered Successive Interference Cancellation,OSIC)算法在线性检测算法的基础上 改善了信号检测的性能，但其复杂度也较高。
[0007] 局部捜索算法在低复杂度的情况下有较好的性能。局部捜索算法当中的似然上升 捜索化化el化ood Ascent Search,LAS)算法基于贪婪思想持续地在当前解的邻域中进行 捜索，与OSIC检测算法相比，提高了检测性能，降低了系统的平均复杂度。然而运种局部捜 索LAS算法容易陷入局部极小而不能保证全局最优化能力。其衍生算法多初始化向量LAS (MIV-LAS)算法进行多点并行捜索，多捜索候选集LAS(MSCS-LAS)算法扩大邻域捜索结构， 从而增大捜索面积，增强信号检测能力。但运两个衍生算法都没有一个合适的函数对多点 并行的初值个数及邻域捜索范围进行合适的控制。一旦初值或者捜索集个数确定就固定不 变从而增大了算法的复杂度，没有很好的自适应能力。另一个LAS衍生算法是基于随机列表 的LAS算法，在多初始化向量LAS算法的基础上，通过一个适值函数来自适应的控制多点并 行捜索的个数，从而降低算法的复杂度同时获得较好的性能。
[0008] 几种衍生算法都改善了LAS算法的性能，但是在多次迭代检测过程当中并没有合 理的继承每次迭代得到的优质解的性质，使得下一次迭代又从一个新的质量较差的初值出 发进行捜索，使得检测性能不佳，计算复杂度较高。
【发明内容】
[0009] 本申请通过提供一种结合遗传性质的大规模MIMO系统LAS信号检测算法，在原有 LAS算法基础之上引入全局最优化遗传算法，W解决现有技术中大规模MIMO系统信号检测 性能不佳，计算复杂度较高的技术问题。
[0010] 为解决上述技术问题，本申请采用W下技术方案予W实现：
[0011] -种结合遗传性质的大规模MIMO系统LAS信号检测算法，包括如下步骤：
[0012] Sl:通过匹配滤波检测得到的解向量作为初始迭代点
其中，为初始 值，为匹配滤波检测得到的解向量；
[OOK] 52:执行似然上升捜索算法，得到本次迭代的最佳解向量^^"，即将最大似然代价 函数作为解向量适应度的评价标准，适应度最高的解向量即为本次迭代的最佳解向量
[0014] S3:选择:判断本次迭代的最佳解向量的最大似然代价函数是否小于历史最 佳解向量dbest的最大似然代价函数，如果是，则进入步骤S4，否则，进入步骤S5 ;
[0015] S4:令
；
[0016] S5:计算最大巧代次数Nmax,更新当前迭代次数m=m+l;
[0017] S6:判断当前迭代次数m是否大于最大迭代次数Nmax，如果是，则进入步骤S8,否则 进入步骤S7;
[001引S7:遗传与变异:随机改变历史最佳解向量dbBst中C个位置的值，得到第m次迭代的 初始值，进入步骤S2;
[0019] S8:输出dbest为最终解向量。
[0020] 进一步地，步骤S5中最大迭代次数Nmax的具化i+當方诀九，
[0021] 本次迭代的最佳解向量的质量为：
，式中，N =Nr为接收天线的数目，O2为接收端噪声的方差，H为信道增益矩阵，y为接收端接收到的信 号；
[0022]计算出本次迭代的迭代次数
C中，Cl为指标 参数，是一个常数，Npmin为设置的最小迭代次数；
[002引如果Np<Nmax，则更新最大迭代次数Nmax = Np，否则，不更新最大迭代次数Nmax。
[0024] 进一步地，步骤S7中，随机改变的解向量元素的个数C不宜太小，也不能太大。如果 向量中改变位置的元素过多会让之前得到的解的优良性质得不到继承，过少又会让迭代进 入局部最小，不能增大捜索面积。因为捜索过程有很大的随机性，因此需要仿真得出需要改 变解向量元素的个数占总解向量元素个数的比例，由仿真结果分析知该比例的最佳值为1/ 8。
[0025] 与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是:本发明在低 复杂度的情况下，提高了信号检测性能，从而实现了大规模MIMO系统信号的有效检测，为大 规模MIMO系统信号的传输提供可靠保障。
【附图说明】
[0026] 图1为本发明的流程图；
[0027] 图2为不同算法的误码率性能对比图；
[0028] 图3为不同算法的复杂度对比图；
[0029] 图4为本发明在不同天线数目时的误码率性能对比图。
【具体实施方式】
[0030] 本申请实施例通过提供一种结合遗传性质的大规模MIMO系统LAS信号检测算法， 在原有LAS算法基础之上引入全局最优化遗传算法，W解决现有技术中大规模MIMO系统信 号检测性能不佳，计算复杂度较高的技术问题。
[0031] 为了更好的理解上述技术方案，下面将结合说明书附图W及具体的实施方式，对 上述技术方案进行详细的说明。
[0032] 实施例
[0033] 信号检测的性能影响着大规模MIMO系统的可靠性，信号检测的复杂度影响着大规 模MIMO系统的可实现性。而常见信号检测算法存在检测性能不佳、复杂度较高的问题，本发 明的目的就是提供一种在低复杂度情况下具有优质性能的大规模MIMO系统信号检测算法。
[0034] -种结合遗传性质的大规模MIMO系统LAS信号检测算法，如图1所示，包括如下步 骤：
[0035] SI:通过匹配滤波检测得到的解向量作为初始迭代点
庚中，为初始 值，^^5^为匹配滤波检测得到的解向量;此处选择匹配滤波检测的原因是它的复杂度较低， 不需要矩阵的求逆运算操作。
[0036] S2:执行似然上升捜索算法，得到本次迭代的最佳解向量即将最大似然代价 函数作为解向量适应度的评价标准，适应度最高的解向量即为本次迭代的最佳解向量 J best 式，；
[0037] 83:选择:判断本次迭代的最佳解向量^/,^'^的最大似然代价函数是否小于历史最 佳解向量dbBst的最大似然代价函数，如果是，则进入步骤S4，否则，进入步骤S5;该步骤应用 最优保存策略，舍弃适应度低的解向量，选择适应度最高的解向量，使它有机会被选中进入 下一次迭代，最优保存策略是算法收敛的一个重要条件。
[003引 S4:4
[0039] S5:利用适应度最高的解向量计算最大迭代次数Nmax，更新当前迭代次数m=m+l;
[0040] 最大迭代次数Nmax的具体计算方法为：
[0041] 本次迭代的最佳解向量4；；^的质量为
式中，N =Nr为接收天线的数目，O2为接收端噪声的方差，H为信道增益矩阵，y为接收端接收到的信 号；
[00创计算出本次迭代的迭代次数冲，Cl为指标 参数，是一个常数，Npmin为设置的最小迭代次数；
[0043] 如果Np<Nmax，贝惕新最大迭代次数Nmax = Np，否则，不更新最大迭代次数Nmax。
[0044] 在4-QAM调制当中，取Cl和Npmin均为2。
[0045] S6:判断当前迭代次数m是否大于最大迭代次数Nmax，如果是，则进入步骤S8，否则 进入步骤S7;
[0046] S7:遗传与变异:随机改变历史最佳解向量dbBst中C个位置的值，得到第m次迭代的 初始值进入步骤S2;
[0047] 步骤S7的遗传与变异操作有W下两个优点：1)可W利用之前迭代的结果继承得到 一个质量更优的初始值。运个初始值质量通过执行LAS算法性能会优于MF算法。2)引入随机 参量，改变解向量当中某些元素的值，让迭代不会陷入局部重复循环，增大捜索面积，增强 捜索能力让最后解向量的性能更优。
[0048] 随机改变的解向量元素的个数C不宜太小，也不能太大。如果向量中改变位置的元 素过多会让之前得到的解的优良性质得不到继承，过少又会让迭代进入局部最小，不能增 大捜索面积。因为捜索过程有很大的随机性，因此需要仿真得出需要改变解向量元素的个 数占总解向量元素个数的比例，由仿真结果分析知该比例的最佳值为1/8。当需要改变解向 量元素的个数占总解向量元素个数的比例为1 /8时，改变向量元素的个数不会因为太小让 算法进入同一个区域不断捜索，也不会太大让优质向量的元素得不到有效的继承，所W在 保证良好误码率性能的同时所需的平均浮点运算次数最小、复杂度最小。
[0049] S8:输出dbest为最终解向量。
[0050] 为了进一步验证本发明的性能和有益效果，本实施例进行了如下仿真：
[0051] 图2是收发天线数目为32根、4-QAM调制模式下不同算法的误码率邸R性能对比图， 图3是收发天线数目为32根、4-QAM调制模式下不同算法的复杂度对比图。从2、3图中可W看 出匪SE-OSK排序串行干扰抵消算法性能最差，匪SE-LAS算法与匪SE-OSIC算法相比极大的 提高了系统的肥R性能，当信噪比同为12地时匪SE-OSIC的邸R为1〇-2，而匪沈-LAS的肥R可W 提高一个数量级达到1(T3。而LAS算法容易陷入局部最小，为了逃离局部最小设置多个初值。 初值为20个不同的随机向量时，增大了捜索范围，因此多初始化向量LAS(MIV-LAS)的BE財生 能优于MMSE-LAS，但多初始化向量LAS算法设置迭代次数为固定个数，当解向量质量较好的 时候与较差的时候都采用相同的迭代次数，致使得到解向量较差的情况，没有更多的迭代 次数改善解向量的质量。基于遗传算法的MIMO系统LAS算法与MF-RLB-LAS算法都拥有最优 的邸R性能，采用了解向量的标准代价函数作为迭代停止准则。本发明将迭代次数设置为自 适应，用解向量质量更新需要的迭代次数，提高了执行效率，同时继承上一次得到的优质解 向量的元素，加入变异因子改变向量当中某些位置的元素的值，跳出同一捜索区域，让捜索 在不同优质解区域中执行，减少了算法所需要的浮点运算次数，降低了系统复杂度。同时提 高了捜索能力，降低了系统的误码概率，使BER性能更优，提高了系统的可靠性。因此本发明 的算法性能最优、复杂度最小。
[0052] 图4为不同天线数目结合遗传算法的MIMO系统LAS信号检测算法的误码率BER性能 对比图。从图4中可W看出随着天线数目的增加，B邸性能更优，信噪比12地时，天线数目为8 的肥R为1.5X 1〇-3,而天线数目为100的B邸性能却可W达到4.2Xl〇-5,性能有极大的改善。 在邸R性能为1〇-4时，天线数目为100的MIMO系统与单输入单输出SISO的理论性能相比所需 信噪比相差不到0.1地。由此可W看出本发明有良好的检测性能且体现出了大规模特性。所 谓大规特性就是随着天线数目的增加性能变得更优。
[0053] 本申请的上述实施例中，通过提供一种结合遗传性质的大规模MIMO系统LAS信号 检测算法，在原有LAS算法基础上引入全局最优化遗传算法，采用解向量的标准代价函数作 为迭代停止准则，并将迭代次数设置为自适应，用解向量质量更新需要的迭代次数，提高了 执行效率，同时继承上一次得到的优质解向量的元素，加入变异因子改变向量当中某些位 置的元素的值，跳出同一捜索区域，让捜索在不同优质解区域中执行，减少了算法所需要的 浮点运算次数，降低了系统复杂度，同时提高了捜索能力，降低了系统的误码概率，进而提 高了系统的可靠性。
[0054] 应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例， 本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应 属于本发明的保护范围。
【主权项】
1. 一种结合遗传性质的大规模ΜΙΜΟ系统LAS信号检测算法，其特征在于，包括如下步 骤： S1:通过匹配滤波检测得到的解向量作为初始迭代点，<=端f，其中，游为初始值， ?/完,f为匹配滤波检测得到的解向量； S2:执行似然上升捜索算法，得到本次迭代的最佳解向量即将最大似然代价函数 作为解向量适应度的评价标准，适应度最高的解向量即为本次迭代的最佳解向量^^''"; S3:选择:判断本次迭代的最佳解向量?/；*的最大似然代价函数是否小于历史最佳解向 量dbest的最大似然代价函数，如果是，则进入步骤S4，否则，进入步骤S5; S4:令沪W二式; S5:计算最大迭代次数Nmax，更新当前迭代次数m=m+l; S6:判断当前迭代次数m是否大于最大迭代次数Nmax，如果是，则进入步骤S8，否则进入 步骤S7; S7:遗传与变异:随机改变历史最佳解向量dbBst中C个位置的值，得到第m次迭代的初始 值端，进入步骤S2; S8:输出dbest为最终解向量。2. 根据权利要求1所述的结合遗传性质的大规模ΜΙΜΟ系统LAS信号检测算法，其特征在 于，步骤S5中最大迭代次数Nmax的具体计算方法为： 本次迭代的最佳解向量的质量为：，式中，N = Nr为 接收天线的数目，σ2为接收端噪声的方差，Η为信道增益矩阵，y为接收端接收到的信号； 计算出本次迭代的迭代次i式中，Cl为指标参数， 是一个常数，Npmin为设置的最小迭代次数； 如果Np<Nmax，则更新最大迭代次数Nmax = Np，否则，不更新最大迭代次数Nmax。3. 根据权利要求1所述的结合遗传性质的大规模ΜΙΜΟ系统LAS信号检测算法，其特征在 于，步骤S7中，随机改变的解向量元素个数C占总解向量元素个数的比例最佳值为1/8。
【文档编号】H04B7/08GK105978616SQ201610236896
【公开日】2016年9月28日
【申请日】2016年4月18日
【发明人】吴玉成, 廖晓慧, 刘小翠, 王延, 张天林, 喻琼
【申请人】重庆大学