一种基于阴影域的改进型BB搜索树检测方法与流程

本发明涉及一种基于阴影域的改进型bb搜索树检测方法，主要应用于大规模多输入多输出(mimo)场景，其属于移动通信技术领域。

背景技术：

目前，第五代移动通信系统(5g)的相关研究正在积极开展，并且于2018年已经形成了第一版5g标准。其中，大规模mimo技术是研究和讨论的热点。通过在基站侧使用大量的收发天线，大规模mimo系统可以利用额外的自由度，并行传输多个数据流，同时提高分集增益，从而可以极大的增加频谱利用率、提高传输可靠性并改善系统的能量效率。

由于基站使用大量的收发天线，如何设计出适合大规模场景下使用的高性能检测算法成了应用中面临的重要挑战。虽然针对传统的mimo系统已经提出了很多检测方法，如mmse(minimummeansquareerror，最小均方误差)，ml(maximumlikelihood，最大似然)，zf(zeroforcing，破零)，球形译码方法等，但是这些检测方法随着大规模mimo场景下天线数目的增加其检测性能并没有达到最优。基于以上问题，在大规模mimo系统中提出了新的检测方法如rts(reactivetabusearch，主动性禁忌搜索)、las(likelihoodascentsearch，似然上升搜索)检测方法、基于bb(branchandbound，分支界限)搜索树的lbts(likelihood-basedtreesearch，最大似然搜索树)方法以及2qp(2-stagequadraticprogramming，二阶二次规划)检测方法。这些新的检测算法和之前的检测算法相比其性能有所提升，但是，在天线数目增多的大规模mimo系统中，这些新算法在高阶调制和较高信噪比场景下，其检测性能无法达到最优且其检测复杂度较高。

技术实现要素：

基于上述问题，本发明提出了一种应用于大规模mimo场景的基于阴影域的改进型bb搜索树检测方法，实现了ber(biterrorrate，误比特率)性能较好且适用于高阶正交幅度调制，同时大大降低了计算复杂度。

本发明提出一种基于阴影域的改进型bb搜索树检测方法，如图1所示，包括以下步骤：

s1：利用已知的信道矩阵和发送符号构造qp(quadraticprogramming，二次规划)模型；

s2：运用阴影域算法对qp模型进行求解分别得到落入阴影域不可靠符号的向量及没有落入阴影域的可靠符号的向量；

s3：对落入阴影域的不可靠符号采用分支界限法进行分支，并运用合适的修剪策略得出需要的检测向量；

s4：将可靠符号的向量量化后与得到的检测向量进行整合并在解调制后得到检测结果。

本发明假设mimo系统的发送天线数为nt，接收天线数为nr，并在接收端采用m阶正交幅度调制；

优选的，s1中的qp模型是基于松弛因子将ml模型转化得到的；

优选的，s1中的所述qp模型为：

约束于

优选的，s2中所述落入阴影域的不可靠符号是将求解qp模型得到的解向量与其最接近的整数的绝对值相比所得到的差值与门限值δ比较得出，若差值大于门限值则认为是不可靠的，否则是可靠的。

优选的，所述门限值δ的取值范围为0.2-0.3。

进一步的，步骤s3所述分支方法为：将第一个不可靠信号作为第一个节点的分支变量并进行分支，进一步求解该分支问题看是否得到满足整数条件的解向量，如果没得到则需将这层所有节点进行分支。

优选的，s3所述的修剪策略为深度修剪，宽度修剪和基于代价函数值的近似值修剪。

本发明的方法不仅在低阶调制时表现出较好的性能，而且还适用于高阶调制，在天线数目较多时，性能表现依然良好，还大大降低了计算复杂度。

附图说明

图1为本发明大规模mimo场景下基于阴影域的改进型bb搜索树检测方法流程示意图；

图2为nt＝32，nr＝32，调制方式为64qam时，本发明与现有技术的性能对比图。

具体实施方式

为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。

为了更好的说明该方法的具体实施步骤，在mimo场景下，以nt＝nr＝32时的64qam调制为例进行说明。

本发明提出的大规模mimo场景下基于阴影域的改进型bb搜索树检测方法实施例，包括：

步骤1：在mimo系统中，假设发送天线数为nt，接收天线数为nr，且信道为静态平坦衰落信道，在发送端将传输符号向量x经m阶qam(quadratureamplitudemodulation，正交幅度调制)方式调制后，通过无线信道h传输出去；h表示静态平坦衰落信道的增益矩阵，服从标准正太分布。

步骤2：在接收端接收到接收向量，将复值域ml方法模型转化为实值域ml模型，并将其转换为优化问题，利用松弛因子，优化模型转换为qp模型。

步骤2中所述的实值的ml模型转换优化问题的具体过程是：

通过公式将实数集合转换为整数集合将信道矩阵h转换为半正定矩阵q，q＝h^th，实值ml检测模型转换为其中，

进一步，运用松弛思想，将问题转换为qp模型：约束于m是qam调制的星座大小，i＝[1,1,1,...,1]^t是一个2nt×1的列向量，0表示一个2nt×1的全零向量，发送端向量x转换为正整数向量z的每个元素(符号)的下限是0，上限是y表示接收端接收到的数据向量；

步骤3：对qp模型进行求解，运用阴影域思想，得到落入阴影域的不可靠符号的向量及没有落入阴影域的可靠符号的向量γ，η，对没有落入阴影域的可靠符号向量η进行量化；

采用内点法对步骤3中qp模型进行求解。对qp模型求解得其解向量后，判断解向量的元素是否落入阴影域，阴影域的具体标准是：解向量元素与其最接近的整数的绝对值的差值是否大于一个门限值δ(范围为：0.2～0.3)，若大于此门限值则认为该元素对应的符号是不可靠的，否则，是可靠的。

步骤4：借鉴分支界限法，将落入阴影域的第一个符号作为根节点，d＝1，将节点进行分支，每个节点可分为两个互斥的条件节点，具体的表达式为：约束于或代表节点0的解向量；

步骤5：解第d层节点子问题，计算每个节点的代价函数值是否满足整数约束，运用修剪策略，保留本层最有可能出现最优解得m个节点。

修剪策略包括：1)宽度修剪，运用m方法将每层中最可能出现最优解的前m个符号提取出来进行再分支，删除本层其他节点；2)深度修剪：只要下降一层，至少有一个节点更接近最优整数解，选择适合的深度，可降低复杂度；3)基于代价函数值的近似值策略，这个策略取决于松弛因子的代价函数值与量化的整数向量的代价函数值的差值，差值越小，近似连续解越接近整数解。对于访问节点m，给出判决门限，判断代价函数的差值，若满足条件，视为找到了最优解，这可视为一种修剪策略。

对于节点m的最优连续解为其代价函数值为其中m＝0,1,2,...,nv，nv是访问节点数量，同时在相同的位置定义量化的最优连续解，用表示，对应的代价函数值为近似解为：

是一个大于零的很小的值，通过可以在性能和复杂度之间做一个平衡，越大，复杂度越低，性能越差，标准的等于0。

步骤6：层数d加1，是否满足最大深度，若满足进入步骤7，若不满足回到步骤5；

步骤7：从本层节点中解向量中找到最优解并量化，与步骤2得到的量化后的检测向量整合，解调制，得到信号检测的结果。

为了体现本发明方法性能优势，调制方式为64qam，如图2所示，将mmse、qp、2qp、bb、以及本文提出的方法(图2中的improved-bb曲线)进行性能比较。因qp方法没有考虑检测符号的可靠性，2qp在qp方法的基础上，考虑可靠性，对qp的解向量进行筛选，提取不满足门限值的符号，再次进行qp检测，2qp(见图2中2qp曲线)相对qp(见图2中qp曲线)方法，提高了可靠性。其中，δ＝0.25能够保证落入阴影域的符号数量较为合适，因为当δ非常小时(δ＜0.1)，会导致有大量符号落入搜索树过程，这种情况下，特别是比较低信噪比情况下，搜索树过程并不能优化第一次qp的检测性能。当δ非常大时(δ＞0.4)，即使有些符号距离最近的整数很远，但大多数符号都会通过整数约束，会导致检测性能较差；对于64qam，当时能保证在使用内点法解节点问题时的迭代次数最少，大大降低复杂度。传统bb方法比qp、2qp以及mmse方法性能更优，但本文改进的方法性能稳定，如图2中在ber＝10^-4，且d＝16，w＝2时(见图2中bb(16，2)曲线)，改进的bb搜索树方法与传统bb搜索树有大约1db的性能增益，与qp方法相比有大约6db的性能增益，与2qp相比有大约4db的性能增益。同时，深度增加，性能更优，又如：当d＝32，w＝4，ber＝10^-4时(见图2中bb(32，4)曲线)，改进bb搜索树检测方法与qp方法相比有大约10db的性能增益，与2qp方法相比有7db的性能增益，与d＝16，w＝2的改进的bb搜索方法相比有3db的性能增益。深度增加，宽度增加，性能更好，这其实是在拿复杂度换取性能，可以通过宽度和深度在性能和复杂度之间权衡。

以上所述仅为本发明较佳的实施例而已，并不用以限制本发明，凡在本发明方法和原则之内，所做的任何修改、同等替换、改进等，均应包含在本发明保护的范围之内。