一种大规模MIMO系统中的低复杂度信号检测方法与流程

本发明属于无线通信技术领域，涉及一种大规模mimo系统中的低复杂度信号检测方法。

背景技术：

大规模多输入多输出(multipleinputmultipleoutput,mimo)技术作为第五代通信系统中物理层关键传输技术之一，在基站端通过配置数十至数百根阵列天线，在同一时频资源上为多个用户提供服务。大规模天线阵提供的高分集增益和空间分辨率，在实现传输可靠性的同时，使得系统频谱效率和能量效率得到大幅度提升。然而，要充分利用大规模mimo技术的优势，面临许多无线传输的瓶颈问题，其中一个就是上行链路的多用户信号检测问题，特别是随着用户数增加，由于用户间干扰进一步加大，给高质量信号恢复带来严重的挑战。

在大规模mimo系统中，最佳信号检测器当属最大似然(maximumlikelihood，ml)算法，但该算法需要遍历搜索所有发送信号组合，因此其所需计算量随发射天线数和调制阶数的乘积呈指数规律增长。ml算法引起的巨大计算复杂度导致其难以在现实中应用。近年来，针对大规模mimo系统，基于机器学习或者人工智能，相继提出了几种近似最优的检测算法。其中的经典算法包括似然上升搜索(likelihoodascentsearch,las)算法及主动禁忌搜索(reactivetabusearch,rts)算法。这两种算法回避了ml算法“蛮干”遍历搜索过程，只需给定初始解，就可通过多次迭代得到发送信号矢量的最优估计值，其计算复杂度分别为ο(k²)、ο(mk)+ο(k³)，其中m表示qam调制阶数，k表示用户数(假设各用户均配置单天线)。然而这两种算法在高阶调制模式下的性能并不理想。watarufukuda结合并行干扰消除，提出了基于置信传播(beliefpropagation,bp)算法。shengwu提出一种随机mcmc(randomizedmarkovchainmontecarlo,r-mcmc)信号检测算法，通过采用随机方式来更新当前发送信号矢量检测值中的符号，有效地缓解了传统mcmc算法在高信噪比条件下出现的“熄火”现象，该算法计算复杂度约为ο(k³)。基于因子图(factorgraph,fg)数学模型，tanumaydatta提出了基于近似消息传播(approximatemessagepassing,amp)的信号检测算法，其计算复杂度约为ο(kn)。然而，需要指出的是，以上研究通常采用低阶调制模式，同时假设基站天线数与用户数相等，即n＝k。在实用系统中，受导频污染的制约，用户数k只能远小于基站天线数n，即系统负荷因子k/n＝1。经研究表明，对于大规模mimo系统，基站即使采用线性检测算法，如迫零(zero-forcing,zf)和最小均方误差(mmse)算法，也可取得接近ml的性能，在系统负荷较小时尤为如此。然而，这些检测算法均涉及高维矩阵求逆运算，即使采用cholesky分解来实现，矩阵求逆运算也需要ο(k³)的计算量，因而在实际运用中难以快速有效的实施。

技术实现要素：

有鉴于此，本发明的目的在于提供一种在大规模mimo系统中基于二维双连续投影(2d-dsp)的迭代信号检测方法，解决传统线性检测算法会涉及高维矩阵求逆的问题，从而获得一种低复杂度的快速信号检测方法。

为达到上述目的，本发明提供如下技术方案：

一种大规模mimo系统中的低复杂度信号检测方法，具体包括以下步骤：

s1：将大规模mimo系统中信号检测问题转换成求解线性方程组；

s2：利用二维双连续投影(two-dimensionaldoublesuccessiveprojection,2d-dsp)迭代方法求解线性方程组；

s3：基站接收端对发送信号矢量的估计。

进一步，步骤s1中，将大规模mimo系统中信号检测问题转变成线性方程组的求解问题，具体包括：在大规模mimo系统中，基站端接收信号矢量y＝hx+n通过最小均方误差(mmse)滤波，x的估计值表示为将其变形为其中表示实数域信道矩阵，表示实数域用户发送信号矢量，表示实数域噪声矢量，表示实数域mmse滤波矩阵，g＝h^th为格雷姆矩阵，i2k表示2k阶单位矩阵，表示匹配滤波信号，上标^t表示对矩阵求转置，上标^-1表示矩阵求逆，σ²/2表示实数域噪声矢量中元素的方差、n表示基站天线数，k表示大规模mimo系统中的单天线用户数目。

进一步，步骤s2中，利用2d-dsp迭代方法对线性方程组进行迭代求解，具体为：在第t次外迭代中的第i+1次内迭代后解向量其中表示第t次外迭代且第i+1次内迭代解向量，αt,i和βt,i表示迭代系数，γ1和γ2表示单位向量，t∈{1,2,...,t}，i∈{1,2,...,2k}，t表示最大迭代次数，k表示大规模mimo系统中的单天线用户数目。

进一步，步骤s3具体包括：将完成t次迭代后的解向量作为基站对发送信号矢量的估计值，其中表示第t次外迭代，第2k次内迭代的结果，t表示最大迭代次数，k表示大规模mimo系统中的单天线用户数目。

本发明的有益效果在于：本发明针对上行链路大规模mimo系统中信号检测问题，利用二维双连续投影(2d-dsp)迭代思想，提出一种低复杂度的信号检测方法。该方法与传统线性检测算法相比，通过几次简单的迭代运算来求取解向量，从而避免了高维矩阵求逆运算，大大降低了计算复杂度，较好的实现了性能与计算复杂度的折中。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为大规模mimo通信系统模型示意图；

图2为本发明提供的大规模mimo系统中的低复杂度信号检测方法总体流程图；

图3为本发明提供的基于2d-dsp迭代信号检测方法的具体实现流程图；

图4为本发明与现有的mmse信号检测算法的信噪比变化的对比图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图4，本发明的系统环境为多用户大规模mimo系统如图1所示。假设系统由一配置n根天线的基站和k个单天线终端用户组成，满足n？k。k个用户将各自待传输的信息比特流，分别经过各自的信道编码器和调制器，形成发送符号矢量xc∈￡^k×1，从k个用户的发送天线上同时发射出去。在接收端，基站根据接收信号yc∈￡^n×1进行信号恢复。令hc∈￡^n×k表示k个用户到基站的复数域信道矩阵，则基站接收信号yc可表示为：

yc＝hcxc+nc

其中nc表示均值为0，协方差矩阵为σ²in的复高斯背景噪声矢量，in表示n阶单位矩阵。

为了适应2d-dsp方法，先将信号模型从复数域转化到实数域进行处理(本实施例中以无下标c的变量即为实数变量)。

则与对应的实数域信号模型为y＝hx+n

其中h表示对应的2n×2k维实数域信道矩阵，

其中和分别表示取矢量/矩阵的实部和虚部。基于以上系统并结合图2和图3，对本发明提供的大规模mimo系统中的低复杂度信号检测方法进行详细说明。

(1)将大规模mimo系统中信号检测问题转换成求解线性方程组

在大规模mimo系统中，基站端接收信号矢量y＝hx+n通过最小均方误差(mmse)滤波，x的估计值可表示为将其变形为于是大规模mimo系统中信号检测问题转变成线性方程组的求解问题。表示实数域信道矩阵，表示实数域用户发送信号矢量，表示实数域噪声矢量，表示实数域mmse滤波矩阵，g＝h^th为格雷姆矩阵，i2k表示2k阶单位矩阵，表示匹配滤波信号，上标^t表示对矩阵求转置，上标^-1表示矩阵求逆。σ²/2、n分别表示实数域噪声矢量中元素的方差和基站天线数，k表示大规模mimo系统中的单天线用户数目。

(2)利用二维双连续投影(2d-dsp)迭代方法求解线性方程组

2d-dsp方法通过强加petrov-galerkin条件向二维搜索子空间上ξ＝span{γ1,γ2}投影且要求与二维约束子空间η＝span{γ1,γ2}正交来寻找线性方程组的解具体来说，petrov-galerkin条件要求每一次内部迭代在二维子空间ξ＝span{γ1,γ2}中寻找近似解同时要求相应残量与二维子空间η＝span{γ1,γ2}正交，即

且

即，在设定初始解2d-dsp法迭代求解线性方程组的过程可分析如下。

根据2d-dsp方法，在第t次外迭代过程中的第i+1次内迭代的结果可表示为，

其中t∈{1,2,...,t}表示外迭代次数，t表示最大外迭代次数；i∈{1,2,...,2k}表示内迭代次数，k表示大规模mimo系统中的单天线用户数目。每执行完2k次内迭代后，外迭代次数t的值增加1；同时，每执行一次内迭代，i的值增加1；αt,i和βt,i表示第t次外迭代中的第i次内迭代的系数。根据有

通过化简，系数αt,i和βt,i可表示为：

其中l＝<wγ1,γ1>ν＝<wγ1,γ2>＝<wγ2,γ1>，τ＝<wγ2,γ2>，令γ1＝ei，γ2＝ej，ei和ej分别表示单位矩阵i2k的第i列和第j列。k表示大规模mimo系统中的单天线用户数目。

(3)基站接收端对发送信号矢量的估计

将完成t次迭代后的解向量作为基站对发送信号矢量的估计，其中表示第t次外迭代，第2k次内迭代的结果，t表示最大迭代次数，k表示大规模mimo系统中的用户数目。

总结上述分析，最终得到低复杂度大规模mimo系统中信号检测方法。结合图3所示，具体实现流程将其详细实施步骤归纳如下：

1)初始化mmse滤波矩阵w、匹配滤波输出mmse滤波矩阵的对角矩阵d，初始解向量以及设置参数f＝3；

2)设置循环变量初始值t＝1，i＝1；

3)判断i≤f，若成立，j＝i-f+2k，否则j＝i-f；

4)求取2d-dsp方法的迭代参数并执行二维双连续投影迭代算法：求取迭代方法参数：

λi＝wi,iwi,j-wi,j²，

执行二维双连续投影迭代算法：

5)内部for循环变量自增：i＝i+1；

6)判断内部for循环变量i是否小于2k，若成立，跳转至步骤3)，否则执行步骤7)；

7)外部for循环变量自增：t＝t+1；

8)判断外部for循环变量t是否小于t，若成立，跳转至步骤3)，否则，结束程序。

实验验证：采用蒙特卡洛仿真验证本发明提出的基于2d-dsp的mmse信号检测算法的性能。仿真中，假设传输信道服从随机瑞利衰落，信道编码采用码率为1/2，生成码字为[133o171o](下标o表示八进制)的标准卷积码，调制模式为64-qam，用户平均发送功率设定为1。基站接收端采用维特比译码方式。在基站天线数n＝128，用户数k＝16。图4给出了基于2d-dsp的mmse信号检测算法、基于neumann级数展开的mmse信号检测算法及基于cholesky分解的mmse信号检测算法(基于neumann级数展开的mmse信号检测算法及基于cholesky分解的mmse信号检测算法均来源于“large-scalemimodetectionfor3gpplte:algorithmsandfpgaimplementation,ieeejournalofselectedtopicsinsignalprocessing”)的误码率(biterrorratio，ber)性能随信噪比(signalnoiseratio，snr)变化的对比图。从图4中可以看出，随snr增加，各算法的ber逐渐降低；同时，随着迭代次数的增加，基于2d-dsp的mmse信号检测算法性能和基于neumann级数展开的mmse信号检测算法性能会逐步逼近基于cholesky分解的mmse信号检测算法性能。然而，在相同的迭代次数下，基于2d-dsp的mmse信号检测算法性能要优于基于neumann级数展开的mmse信号检测算法性能。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。