一种用于无线通信系统的高并行和低复杂度均衡算法的制作方法

1.本发明涉及但不限于无线通信技术领域，尤指一种用于无线通信系统的高并行和低复杂度均衡算法。


背景技术：

2.信息通信技术、媒体、金融和保险等行业在当前的数字化转型过程中居于领导地位。支持数字化的关键技术包括软件定义设备、大数据、区块链、网络安全、虚拟现实(vr)和增强现实(ar)等。在人们日常生活中有越来越多的复杂应用出现，这对于无线通信来说也提出了更高的挑战。
3.多输入多输出(multiple-input multiple-output，简称为：mimo)技术作为移动通信的关键技术，由于其具有高网络容量、低延迟和高鲁棒性等特点，越来越受到人们的关注。在大规模mimo系统中，天线数量增加，计算复杂度也将急剧增加。大规模mimo系统由于急剧增长的天线数会带来非常复杂及大量的运算，这对基带处理算法和电路实现都是一个非常高的挑战。因此，提出了对能够实际应用的大规模mimo均衡算法的技术需求。
4.现有mimo系统均衡算法基于传统梯度搜索进行，然而，上述现有mimo系统均衡算法在硬件实现上仍然面临以下局限性：第一，传统的梯度搜索方法并行性低；第二，传统的梯度搜索方法需要进行多次搜索，硬件实现代价高。


技术实现要素：

5.本发明的目的：本发明实施例提供了一种用于无线通信系统的高并行和低复杂度均衡算法，以现有mimo系统均衡算法由于基于传统梯度搜索进行，从而导致该算法具有并行性低、且硬件实现代价高的问题。
6.本发明的技术方案：本发明实施例提供一种用于无线通信系统的高并行和低复杂度均衡算法，包括：根据多输入输出系统(mimo系统)的输入输出关系，采用高并行和低复杂度均衡算法执行对所述mimo系统中发送信号s的估计，所述发送信号s即为估计向量s，所述高并行和低复杂度均衡算法包括：
7.步骤1，设置估计向量s的迭代初值，包括：通过对mimo系统中接收向量y进行矩阵变化，并根据估计向量s中元素与接收向量y矩阵变化后向量中元素的象限关系，确定估计向量s的迭代初值s(0)；
8.步骤2，通过设计估计向量s的迭代策略，计算出迭代后的估计向量，包括：计算基本矩阵w，并设置迭代初值s(0)和迭代参数，通过多次迭代得到第t次迭代后的估计向量s(t)；
9.步骤3，通过设计星座点搜索方案，并根据第t次迭代后的估计向量s(t)，计算估计向量s的最终估计值。
10.可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，所述mimo系统的上行链路中，基站端的nr个接收天线同时与单天线的nt个用户进行通信和数据
传输，所述mimo系统的输入输出关系式表示为：y＝hs+n；
11.其中，nr＞＞；
12.估计向量s表示nt个用户的发送信号，估计向量s大小为nt
×
1；1；表示星座图中的星座点数量；
13.接收向量y表示nr个基站天线接收到的信号，接收向量y大小为nr
×
1；
14.h代表瑞利衰落信道矩阵；
15.是加性高斯白噪声；
16.所述用于无线通信系统的高并行和低复杂度均衡算法，用于实现对y＝hs+n中发送信号s的估计，即s为估计向量。
17.可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，所述步骤1中，
18.步骤11，采用对角占优矩阵g＝hhh对接收向量y进行矩阵变化，通过矩阵变换得到的匹配滤波向量y
mf
＝hhy大小为nt
×
1；其中，h为信道矩阵；
19.步骤12，基于估计向量s的第k个元素与步骤11中得到的匹配滤波向量y
mf
＝hhy的k个元素位于同一象限中的特点，得到估计向量s的迭代初值s(0)第k个元素可以表示为：
[0020][0021]
步骤13，根据y
mf
第k个元素所在象限确定迭代初值s(0)的第k个元素。
[0022]
可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，所述步骤13中，
[0023]ymf
第k个元素所在象限分别为一、二、三、四象限时，估计向量s的迭代初值s(0)的第k个元素分别设置为别设置为
[0024]
可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，所述步骤2包括：
[0025]
步骤21，设定基本矩阵w，并对基本矩阵w进行计算；
[0026]
步骤22，设定迭代初值和初始参数为：s(-1)＝s(0)、c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(-1)＝q(0)＝wc(0)；
[0027]
步骤23，设置迭代次数t，进行迭代计算，得到第t次迭代后对最开始发送信号s的估计值s(t)。
[0028]
可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，
[0029]
所述步骤21中，根据mmse检测算法设定作为中间计算矩阵的基本矩阵为：w＝hhh+n0e
s-1int
；
[0030]
其中，n0为噪声方差，为传输信号功率，i为一个nt
×
nt的单位矩阵。
[0031]
可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，
[0032]
所述步骤22中，设定的迭代初值为：s(-1)＝s(0)；设定的初始参数包括：c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(-1)＝q(0)＝wc(0)；其中，s、c和q分别是nt
×
1的复数向量，α是一个参数；
[0033]
可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，
[0034]
所述步骤23中，每次迭代执行如下两个计算：
[0035]
s(t+1)＝α(t)(s(t)+β(t)c(t))+(1-α(t))s(t-1)；
[0036]
c(t+1)＝α(t)(c(t)-β(t)q(t))+(1-α(t))c(t-1)；
[0037]
且每次迭代中，三个迭代参数为分别根据上一次迭代计算结果计算得到的：
[0038]
q(t)＝wc(t)；
[0039][0040][0041]
进行t次迭代后得到s(t)，所述s(t)表示进行完成t次迭代后，对最开始发送信号s的估计值。
[0042]
可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，所述步骤3包括：
[0043]
采用星座点搜索方案计算t次迭代后的估计向量s(t)与星座图中所有其他星座点之间的距离，并根据t次迭代后的估计向量s(t)得到估计向量s的最终估计值。
[0044]
可选地，如上所述的用于无线通信系统的高并行和低复杂度均衡算法中，
[0045]
所述步骤3中，估计向量s的最终估计值的第k个元素表示为：
[0046]
s_k＝2《0.5(s(t)_k+1))-1；
[0047]
其中，《*》代表对*进行四舍五入操作。
[0048]
本发明的有益效果：根据大规模mimo系统的特点，本发明实施例提供了一种用于无线通信系统的高并行和低复杂度均衡算法，通过提出一种改进的高并行和低复杂度均衡算法来解决大规模mimo系统均衡算法中并行性低、复杂度高的问题。本发明实施例的技术方案中，根据大规模mimo系统的特点，通过并行迭代部分、基于象限的初值计算部分和星座点搜索部分，上述三个部分的具体计算方法都可以降低均衡算法的复杂度，提高算法精度。本发明实施例提供的技术方案，具体具备如下有益效果：
[0049]
(1)、降低计算的复杂度：采用本发明实施例提供的均衡算法，可以将均衡算法大量矩阵求逆的o(nt3)复杂度降低为o(nt2)。
[0050]
(2)、提高并行性：采用本发明实施例提供的均衡算法，可以避免传统均衡算法的大量串行计算过程。通过循环迭代，估计信号(即估计向量s)中的每个元素可以一次性全部计算完成，大幅提升了并行性，有利于算法的硬件实现。
附图说明
[0051]
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0052]
图1为本发明实施例提供的用于无线通信系统的高并行和低复杂度均衡算法所应用的mimo系统的模型示意图；
[0053]
图2为图1所示实施例提供的mimo系统的信号收发的原理示意图；
[0054]
图3为本发明实施例提供的一种用于无线通信系统的高并行和低复杂度均衡算法的流程图。
具体实施方式
[0055]
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
[0056]
上述背景技术中已经说明，在大规模mimo系统中，随着天线数量增加，计算复杂度也将急剧增加。大规模mimo系统由于急剧增长的天线数会带来非常复杂及大量的运算，这对基带处理算法和电路实现都是一个非常高的挑战。因此，提出了对能够实际应用的大规模mimo均衡算法的技术需求。
[0057]
然而，现有mimo系统均衡算法由于基于传统梯度搜索进行，存在算法具有并行性低、且硬件实现代价高的缺点。因此，目前亟需寻找一种能够实际应用的大规模mimo均衡算法，同时兼顾低复杂度和高并行度。
[0058]
为了解决上述现有mimo系统均衡算法并行性低、且硬件实现代价高的问题，本发明实施例通过提出一种改进的高并行均衡算法来解决大规模mimo均衡算法并行性低、复杂度高的问题，具体提出一种用于无线通信系统的高并行和低复杂度均衡算法。
[0059]
本发明提供以下几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0060]
图1为本发明实施例提供的一种用于无线通信系统的高并行和低复杂度均衡算法所应用的mimo系统的模型示意图，图2为图1所示实施例提供的mimo系统的信号收发的原理示意图。
[0061]
本发明实施例提供的用于无线通信系统的高并行和低复杂度均衡算法，主要包括如下三部分内容：基于象限的初值计算部分、并行迭代部分和星座点搜索部分。
[0062]
如图1所示，在mimo系统上行链路中，基站端有nr个接收天线，这些接收天线同时与单天线的nt个用户进行通信和数据传输，系统模型如图1所示，通常需要满足nr＞＞的条件。参照如图2所示信号收发原理，该mimo系统中，通过信道编码，nt个用户的比特流信息并行编码并将结果映射到星座图上的点，最后生成nt个用户发送的信号向量。
[0063]
向量s∈q，其中，向量s表示nt个用户的发送信号，向量s大小为nt
×
1，其中表示星座图上点的集合。以向量y表示nr个基站天线接收到的信号，向量y大小为nr
×
1。该mimo系统的输入输出关系如下公式(1)所示：
[0064]
y＝hs+n；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0065]
公式(1)是mimo系统中信号的基础传输模型，发送信号是s，接收信号是y。本发明实施例提供的技术方案中要实现，在基站端的接收信号y知道后，如何估计发送信号s。上述公式(1)中，公式(1)中，h代表瑞利衰落信道矩阵，这个信道矩阵h中的每个元素都是服从均值为0，方差为1的独立同分布；是加性高斯白噪声，它的每个元素服从均值为0，方差为σ2的独立同分布。本发明实施例提供的均衡算法的主要目的就是完成mimo系统中对于发送信号的估计，即估计公式(1)中的发送信号s。
[0066]
本发明实施例提供的用于无线通信系统的高并行和低复杂度均衡算法主要包括三部分内容：(1)设置迭代初值；(2)设计迭代策略；(3)设计星座点搜索方案。
[0067]
图3为本发明实施例提供的一种用于无线通信系统的高并行和低复杂度均衡算法
的流程图。如图3所示，本发明实施例提供的用于无线通信系统的高并行和低复杂度均衡算法包括如下步骤：
[0068]
步骤一，设置迭代初值：
[0069]
通常来说迭代初值设置为零向量，原因是最终解的先验信息不知道。需要注意的是，对于大规模mimo系统的上行链路，当nr＞＞时，信道矩阵h是渐近正交的。因此，对于上行链路大规模mimo系统来说，gram矩阵g＝hhh是对角占优的，并且对角线上的所有元素都是正的，其值接近于nr，采用对角占优矩阵对接收向量y进行矩阵变化，变换后得到的匹配滤波向量y
mf
＝hhy是一个nt
×
1的复数向量。这就意味着，估计向量s的第k个元素与匹配滤波向量y
mf
＝hhy的k个元素位于同一象限中；其中，匹配滤波y
mf
是一个nt
×
1的复数向量。基于上述特点，迭代初值s(0)的第k个元素可以通过象限的某个点来进行确定。因此，对于q-qam调制，估计向量s的迭代初值s(0)第k个元素可以表示为如下公式(2)：
[0070][0071]
因此，可以根据匹配滤波向量y
mf
的第k个元素所在象限确定迭代初值s(0)的第k个元素。匹配滤波向量y
mf
第k个元素所在象限分别为一、二、三、四象限时，估计向量s的迭代初值s(0)的第k个元素分别设置为在迭代初值s(0)设置完成后，进行迭代计算，如下步骤二具体介绍迭代测量的设计方案。
[0072]
步骤二，设计迭代策略：
[0073]
首先需要进行基本矩阵的w的运算，根据mmse检测算法设定基本矩阵为：w＝hhh+n0e
s-1int
；其中，n0为噪声方差，为传输信号功率，i为一个nt
×
nt的单位矩阵。随后需要设定迭代初值及初始参数，即s(-1)＝s(0)、c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(-1)＝q(0)＝wc(0)。
[0074]
其中s、c和q是三个nt
×
1的复数向量，α是一个参数。其中，基本矩阵w是中间过程计算的矩阵。
[0075]
迭代共进行t次，每次以字母t表示，即t＝0，1，...，t-1。每次迭代完成如下两个计算：
[0076]
s(t+1)＝α(t)(s(t)+β(t)c(t))+(1-α(t))s(t-1)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0077]
c(t+1)＝α(t)(c(t)-β(t)q(t))+(1-α(t))c(t-1)；
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0078]
其中，三个参数分别根据上一次迭代计算结果进行计算，具体表达式如下：
[0079]
q(t)＝wc(t)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0080][0081][0082]
最终进行t次迭代后，可以得到s(t)。
[0083]
s(t)表示进行完成t次迭代后，对最开始发送信号s的估计值。
[0084]
步骤三，设计星座点搜索方案：
[0085]
星座点搜索方案可以用于计算估计向量s(t)与星座图中所有其他星座点之间的距离，最后根据估计向量s(t)得到估计向量s的最终估计值。考虑到s(t)是一个nt
×
1向量，
对于q-qam来说，使用现有的均衡算法需要计算nt
×
q次距离。因此，下面将简化欧几里得距离的计算。在星座图中，星座点按正方形排列，星座图被划分为多个正方形区域，则使用四舍入法可以找到最近的点，估计向量s的最终估计值的第k个元素可以表示为：
[0086]
s_k＝2(0.5(s(t)_k+1))-1；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0087]
其中，《*》代表对*进行四舍五入操作。
[0088]
本发明实施例提供的用于无线通信系统的高并行和低复杂度均衡算法，通过提出一种改进的高并行和低复杂度均衡算法来解决大规模mimo系统均衡算法中并行性低、复杂度高的问题。本发明实施例的技术方案中，根据大规模mimo系统的特点，通过基于象限的初值计算部分、并行迭代部分和星座点搜索部分，上述三个部分的具体计算方法都可以降低均衡算法的复杂度，提高算法精度。本发明实施例提供的技术方案，具体具备如下有益效果：
[0089]
(1)、降低计算的复杂度：采用本发明实施例提供的均衡算法，可以将均衡算法大量矩阵求逆的o(nt3)复杂度降低为o(nt2)；
[0090]
(2)、提高并行性：采用本发明实施例提供的均衡算法，可以避免传统均衡算法的大量串行计算过程。通过循环迭代，估计信号(即估计向量s)中的每个元素可以一次性全部计算完成，大幅提升了并行性，有利于算法的硬件实现；
[0091]
(3)、本发明提供的高并行和低复杂度均衡算法，可广泛应用于现役和在研的多型战机和民机航电系统中，对于提升飞机无线通信系统通信效率具有重要作用，市场前景广阔、具有显著的军事、经济和社会效益。
[0092]
以下通过一个具体实施示例对本发明实施例提供的用于无线通信系统的高并行和低复杂度均衡算法的具体实施方式进行示意性说明。
[0093]
实施示例
[0094]
该实施示例中，以nr＝128，nt＝8，64-qam调制的mimo系统为例进行示意性说明。
[0095]
第一步，根据mimo系统特点，采用对角占优矩阵对接收向量y进行矩阵变化，计算出y
mf
＝hhy。
[0096]
其中，信道矩阵h是一个128
×
8的复数矩阵，接收向量y是一个128
×
1的复数向量，矩阵变换后的计算结果y
mf
是一个8
×
1的复数向量。随后根据y
mf
的值计算得到迭代初值s(0)。s(0)是一个8
×
1的复数向量，其第k个元素的计算方法由公式(8)确定：
[0097]
s(0))k＝
±4±
4i；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0098]
第二步，计算8
×
8的复数矩阵w＝hhh+n0e
s-1int
。并设定s(-1)＝s(0)、c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(
‑‑
1)＝q(0)＝wc(0)。
[0099]
其中s、c和q是三个8
×
1的复数向量，α是一个参数。该实施示例中，为了提升mimo系统性能，迭代次数选择3次，即t＝＝3。那么迭代过程中每次迭代的t取值分别为0，1，2。
[0100]
当t＝0时，计算迭代参数分别为：
[0101]
q(-1)＝q(0)＝wc(0)；
[0102][0103][0104]
随后，计算迭代的估计向量s和迭代残差c分别为：
[0105]
s(1)＝α(0)(s(0)+β(o)c(0))+(1-α(0))s(
‑‑
1)；
[0106]
c(1)＝α(0)(c(0)-β(c)q(0))+(1-α(0))c(-1)。
[0107]
当t＝1时，计算迭代参数分别为：
[0108]
q(1)＝q(1)＝wc(1)；
[0109][0110][0111]
随后，计算迭代的估计向量s和迭代残差c分别为：
[0112]
s(2)＝α(1)(s(1)+β(1)c(1))+(1-α(1))s(0)；
[0113]
c(2)＝α(1)(c(1)-β(1)q(1))+(1-α(1))c(0)。
[0114]
当t＝2时，计算迭代参数分别为：
[0115]
q(2)＝q(2)＝wc(2)；
[0116][0117][0118]
随后，计算迭代的估计向量s和迭代残差c分别为：
[0119]
s(3)＝α(2)(s(2)+β(2)c(2))+(1-α(2))s(1)；
[0120]
c(3)＝α(2)(c(2)-β(2)q(2))+(1-α(2))c(1)。
[0121]
第三步，根据3次迭代后的向量s(3)的值，针对64-qam调制，依照公式(8)可以求出估计向量s的最终估计值。
[0122]
本发明实施例提供的用于无线通信系统的高并行和低复杂度均衡算法，具有以下优势：
[0123]
1、复杂度降低。采用本发明的均衡算法，可以将均衡算法大量矩阵求逆的o(nt3)复杂度降低为o(nt2)。
[0124]
2、并行性提高。采用本发明的均衡算法，可以避免原始均衡算法的大量串行计算过程。通过循环迭代，估计信号的每个元素可以一次性全部计算完成，大幅提升了并行性，有利于算法的硬件实现。
[0125]
需要说明的是，本发明提出的用于无线通信系统的高并行和低复杂度均衡算法，可广泛应用于现役和在研的多型战机和民机航电系统中，对于提升飞机无线通信系统通信效率具有重要作用，市场前景广阔、具有显著的军事、经济和社会效益。
[0126]
虽然本发明所揭露的实施方式如上，但内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。