專利名稱：多入多出系統(tǒng)的迭代檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及無線通信技術(shù)領(lǐng)域，尤其是涉及一種多入多出系統(tǒng)的通信技術(shù)，具體的講，是一種多入多出系統(tǒng)的迭代檢測方法。

背景技術(shù)：
數(shù)據(jù)速率的增加和有限的無線資源之間的矛盾現(xiàn)在已變得日益嚴重，可能會成為將來在無線衰落信道上進行無線通信的瓶頸。由于MIMO(多入多出)信道比SISO(單入單出)信道[1，6]具有更大的容量，在過去十年中，利用MIMO信道的無線通信倍受關(guān)注。MIMO系統(tǒng)是利用多根發(fā)射天線和多根接收天線進行數(shù)據(jù)傳輸?shù)臒o線通信系統(tǒng)，能夠提供高數(shù)據(jù)率和大吞吐量以及更大的通信距離。MIMO信道在頻譜沒有任何費用的情況下能夠提供大的數(shù)據(jù)傳輸速率和可靠性，因此具有巨大的潛能。MIMO已經(jīng)成為第4代(4G)通信的熱門技術(shù)，并成為在幾乎所有新的無線標準(如HSDPA，802.11n，802.16e，802.10等)中很關(guān)鍵的一部分。MIMO系統(tǒng)中，分層空時碼結(jié)構(gòu)因其可以獲得最高的復用增益而受到更多的關(guān)注。現(xiàn)有的分層空時碼的檢測方法包括迫零(ZF)檢測、最小均方誤差(MMSE)檢測、串行干擾消除(SIC)檢測、最大似然(ML)檢測及最大后驗概率(MAP)檢測等等。其中最大后驗概率(MAP)檢測和最大似然(ML)檢測為最優(yōu)的檢測算法。在信源發(fā)送先驗概率等先驗信息的條件下，這兩種檢測方法都可以獲得最優(yōu)性能。但是這兩種檢測方法的復雜度均與發(fā)送天線數(shù)成指數(shù)次方關(guān)系，對于實時性要求較高的無線通信不能滿足要求。例如最大后驗概率MAP檢測方法，在符號矢量樹圖中采用貪婪的搜索算法，保留樹形結(jié)構(gòu)中所有可能的路徑，其復雜度是發(fā)送天線數(shù)的指數(shù)次方。例如發(fā)送天線數(shù)是4、進行QPSK調(diào)制(發(fā)送符號個數(shù)為4)時，第4層發(fā)送天線上有4個節(jié)點，第3層發(fā)送天線上有4×4＝16個節(jié)點，第2層發(fā)送天線上有16×4＝64個節(jié)點，第1層發(fā)送天線上有64×4＝256個節(jié)點?？偣残枰阉?4＝256條路徑，然后需要計算所有可能的256條路徑的矢量后驗概率P(sj|y)，j分別取區(qū)間[1，256]內(nèi)的自然數(shù)。然后從該256個矢量后驗概率中選出最大值，對應(yīng)的矢量即為發(fā)送符號矢量的估計值(硬判決)。而當發(fā)送天線數(shù)是4、采用16QAM調(diào)制(發(fā)送符號個數(shù)為16)時，第4層發(fā)送天線上有16個節(jié)點，第3層發(fā)送天線上有16×16＝256個節(jié)點，第2層發(fā)送天線上有256×16＝4096個節(jié)點，第1層發(fā)送天線上有4096×4＝65536個節(jié)點。16QAM調(diào)制需要搜索65536條路徑，然后需要計算所有可能的65536條路徑的矢量后驗概率P(sj|y)，j分別取區(qū)間[1，65536]內(nèi)的自然數(shù)。然后從該65536個矢量后驗概率中選出最大值，對應(yīng)的矢量即為發(fā)送符號矢量的估計值(硬判決)。這樣的計算復雜度太高，通信系統(tǒng)無法容忍。因此在實際的通信系統(tǒng)中通常采用次優(yōu)算法。
次優(yōu)的檢測方法(如ZF檢測、MMSE檢測、SIC檢測等方法)具有比ML算法低的多的復雜度，但是他們的性能也明顯的比ML檢測差很多。
次優(yōu)的檢測方法中，串行干擾消除(SIC)是一種判定反饋技術(shù)[1]，F(xiàn)oschini在V-BLAST系統(tǒng)中用到了該技術(shù)數(shù)據(jù)流分離為N個不相關(guān)的子流，每一子流由N根發(fā)送天線中的一根發(fā)送。在每一次迭代中，接收機檢測一個子流(天線)并從接收信號中減去干擾以簡化檢測復雜度。
假設(shè)在檢測過程中遵循如下的天線排序

每一元素ak表示天線編號。在第一檢測層，通過子流的檢測方法，如ZF或MMSE等檢測方法，來檢測第一子流(天線)a1及其對應(yīng)的符號

從接收信號r(1)＝r中減去

的干擾，得到 其中，為信道矩陣H(1)的第a1列。系統(tǒng)模型(1)將簡化為(N-1)×M的MIMO r(2)＝H(2)x(2)+n 其中，新的信道矩陣H(2)為H(1)去掉了第a1列得到。x(2)為具有N-1項的列矢量。
同樣的，接收機的檢測裝置可以以線性的復雜度逐根刪除天線。
實際上，SIC算法是一種特殊情況的樹形檢索算法，該算法樹隨著發(fā)送天線的數(shù)目成指數(shù)生長。SIC檢測算法在每一層僅保留一個節(jié)點(符號)

從樹形檢索的觀點，我們稱節(jié)點(符號)序列

為幸存路徑，其中1≤k≤N。
需要說明的是，SIC的性能取決于1)天線的刪除順序；以及2)每一層(天線)檢測方法的性能。SIC僅考慮了信號對干擾噪聲比(SINR)，因此SIC會造成誤差傳播，尤其是信道狀態(tài)信息(CSI)不理想時。由于誤差傳播，非最佳的排序或子流檢測方法將導致性能的退化。
由于SIC的天線刪除順序嚴重影響檢測性能[2]，因此出現(xiàn)了多種不同的排序方法，如H-norm排序(根據(jù)天線的信道增益排序)，DiagR排序(根據(jù)信道矩陣H的QR因數(shù)分解的對角因子來排序)，Hinv排序(根據(jù)天線的SINR排序)等等，以提高檢測性能。所有這些排序僅考慮了信道矩陣H的影響，并沒有利用接收信號的信息以及星座的形狀的盡可能的信息。然而，星座形狀也影響排序的準確性。例如，BPSK相對于16QAM或8PSK具有更好的檢測性能。簡而言之，與對星座點具有較大的最小歐幾里德距離(minimum Euclidean distance)的接收信號比具有較小的最小歐幾里德距離的接收信號具有更大的可靠性。所有這些決定可靠度的因素都可統(tǒng)一反映在接收信號的最大后驗概率(A PostorioriProbability，APP)。
在文獻[3]和[4]中，Seethaler提供了一種稱為dynamic-nulling-and-canceling(DNC)的排序方法，該方法不僅考慮了SINR，還考慮了接收信號的影響以最大化后驗概率 其中，

表示天線ak的MMSE后均衡(post-equalization)信噪比(SNR)，Ik為瞬時可靠因子(IFR)，是無偏歐幾里德檢測[5]的函數(shù)，該函數(shù)利用了接收信號r的可靠性信息。
用于MIMO檢測的DNC技術(shù)是最大化每一檢測層的后驗概率來降低SIC過程中的誤差傳播。由于DNC顯著減少了誤差傳播，因此對于大的多入多出MIMO，如4QAM的8×8MIMO，取得了好的檢測性能。
但是，隨著調(diào)制級別(modulation level)的增大，星座的最小歐幾里德距離會變得越來越小，而隨著最小歐幾里德距離的減小，IFR的影響會很快消失，因此DNC方法的性能受星座形狀的限制。該方法僅在簡單調(diào)制星座下，如4QAM，才具有較好的性能。在某些情況下，反而會取得比其他方法更差的性能。
目前，對于MIMO檢測，如何平衡檢測性能和計算復雜度仍然是一個大的挑戰(zhàn)。


發(fā)明內(nèi)容
本發(fā)明的主要目的在于提供一種多入多出系統(tǒng)的迭代檢測方法，既保證MIMO檢測的性能，又降低計算的復雜度。
為了實現(xiàn)上述目的，本發(fā)明實施例的多入多出系統(tǒng)的迭代檢測方法，包括 計算步驟，基于最大后驗概率通過計算參數(shù)在第k檢測層從備選天線中計算最可靠天線，并搜索該最可靠的天線對應(yīng)的具有最大后驗概率的前S條路徑來作為幸存路徑，其中，S≥1；當k＝1時，所述計算參數(shù)為初始化的計算參數(shù)，k>1時，所述計算參數(shù)為根據(jù)第k-1檢測層的檢測結(jié)果更新后的計算參數(shù)； 天線刪除步驟，根據(jù)計算結(jié)果更新計算參數(shù)，并把最可靠天線從備選天線中刪除； 迭代步驟，使k＝k+1，利用遞歸算法重復上述計算步驟和天線刪除步驟，直至刪除完畢所有備選天線； 將最后一層檢測層的具有最大后驗概率的一條幸存路徑作為檢測結(jié)果。
本發(fā)明的檢測方法具有低的運算復雜度和接近最大似然檢測的性能。



此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本申請的一部分，并不構(gòu)成對本發(fā)明的限定。在附圖中 圖1為本發(fā)明實施例的基于MAP實現(xiàn)MIMO檢測的方法流程圖； 圖2為顯示本發(fā)明的復數(shù)和實數(shù)的MAP-DOM算法的SER性能的示意圖； 圖3為MIMO系統(tǒng)的大小對SNR的示意圖； 圖4a為根據(jù)本發(fā)明S＝2時MAP-DOM算法和非動態(tài)排序的性能比較示意圖； 圖4b為根據(jù)本發(fā)明S＝4時MAP-DOM算法和非動態(tài)排序的性能比較示意圖。

具體實施例方式 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合附圖對本發(fā)明的具體實施例進行詳細說明。在此，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，但并不作為對本發(fā)明的限定。
為了解決現(xiàn)有MIMO檢測方法中性能與計算復雜度之間的矛盾，本發(fā)明提供一種基于最大后驗概率的動態(tài)排序的新的SIC檢測方法，通過引入了動態(tài)排序算法以避免性能減退，并利用遞歸算法來降低計算的復雜度。本發(fā)明還通過多條幸存路徑的動態(tài)排序來進一步提高檢測的性能。因此本發(fā)明的檢測方法具有低的運算復雜度和接近最大似然檢測的性能。
首先為了描述的方便，在此先對后面要出現(xiàn)的主要符號進行說明 N為發(fā)射天線數(shù)； M為接收天線數(shù)； S為幸存路徑數(shù)； H為M×N的信道矩陣，其中hi為矩陣H的第i列，對應(yīng)第i根發(fā)送天線；r為M×1的MIMO接收信號矢量； x為N×1的MIMO發(fā)射信號矢量； n是M×1的噪聲矢量； Ck表示天線k的星座點的集合，1≤k≤N；

為按照排序

刪除掉了k根天線(a1至ak)的接收信號的SIC檢測結(jié)果； (f1，…，fn)＝SCG[n]F表示從集合F中排序并選擇n個最大值，其中fi∈F，f1≥f2≥…≥F當中的任何其他值； (f1，…，fn)＝SCL[n]F表示從集合F中排序并選擇n個最小值，其中fi∈F，f1≤f2≤…≤F當中的任何其他值； (·)k為矢量(·)的第k項； (·)i，j為矩陣(·)的第i行第j列元素； (·)T為矩陣或矢量的轉(zhuǎn)置；

為矩陣或矢量的厄密共軛轉(zhuǎn)置(hermitian transposition)； 為構(gòu)造的一個新的矢量集合，如果A為空，則如果B為空，則 (一)本發(fā)明的檢測方法的基本原理 為了更清楚的理解本發(fā)明，下面對本發(fā)明的基于最大后驗概率的新的檢測方法的基本原理進行闡述。
本發(fā)明針對如下MIMO系統(tǒng)模型發(fā)送天線數(shù)為N、接收天線數(shù)為M的線性的MIMO系統(tǒng)，發(fā)送信號矢量x為x＝(x1，...，xN)T，接收信號矢量r為r＝(r1，...，rM)T，其中(·)T在此表示向量的轉(zhuǎn)置，M≥N，r和x之間具有如下關(guān)系 r＝Hx+n (1) 其中，x具有零平均，協(xié)方差矩陣

I為單位矩陣；n為M×1的復高斯白噪聲(AWGN)矢量，其具有零平均、圓形對稱復數(shù)高斯分布，n＝(n1，…，nM)T，協(xié)方差

(σ2為噪聲功率)，并且n和x不相關(guān)。H為M×N的信道矩陣，其中hi為矩陣H的第i列，對應(yīng)第i根發(fā)送天線。
對于線性的MIMO系統(tǒng)(1)，檢測的目標是找出具有最大后驗概率(APP)的矢量 其中，Ck為第k根天線的星座點的集合，1≤k≤N； 集合包括所有可能的發(fā)送符號的集合。
直接的途徑，是利用成指數(shù)的計算復雜度窮舉搜索

在實踐中，用于實時的系統(tǒng)是不容許的，尤其是當MIMO的大小很大時，例如，4×4的MIMO設(shè)置和16QAM，要發(fā)送的符號的數(shù)目將為 本發(fā)明的基于MAP的算法的基本思想之一是減小集合

的大小至S，其中S≥1，我們稱這S個矢量為幸存路徑。
假設(shè)

是一種檢測的排序，并且 為S個幸存路徑的集合，其中P(x|r)表示后驗概率，這些幸存路徑具有如下關(guān)系 P(x(N，1)|r)≥P(x(N，2)|r)≥…≥P(others|r)； 相當?shù)模琈AP的公式(2)等同于 即從S個幸存路徑的集合中找出具有最大后驗概率(APP)的矢量，其計算的復雜度與幸存路徑成正比例關(guān)系。
但是，尋找S條幸存路徑仍具有指數(shù)的計算復雜度。
串行干擾消除(SIC)技術(shù)提供了一種遞歸的思想以利用近似線性的計算復雜度來獲得接近MAP檢測性能。對于傳統(tǒng)的SIC檢測方法，第k層的一條新的幸存路徑由第k-1層的舊的幸存路徑通過一步擴展得到，其中同樣的，第k層的S條新的幸存路徑的集合χ(k)＝{x(k，1)，…，x(k，S)}可以從第k-1層的S條舊的幸存路徑的集合χ(k-1)＝{x(k-1，1)，…，x(k-1，S)}利用如下算法遞推地推導出來 其中SCG[S]表示從集合

中按順序選擇S個最大的值。對于第k層，尋找S條幸存路徑的計算復雜度與可能的路徑數(shù)成正比。利用這種方式，多條路徑檢測大大降低了復雜度并在性能僅有微小降低的情況下避免了指數(shù)計算。
SIC的誤差傳播將導致嚴重的檢測性能的退化。為了消除這種影響，應(yīng)首先刪除掉最可靠的天線，這就需要對天線進行動態(tài)排序。
在第k層，假設(shè)通過排序

已經(jīng)去掉了k-1根天線，則仍然還具有N-k+1根天線，這N-k+1根沒有去掉的天線(備選天線)可以用集合表示。最可靠的天線必須具有最大的APP 其中為具有最大的APP的發(fā)送矢量。這樣，對第k層，更新的排序

為

它仍然具有指數(shù)的計算復雜度。
同樣的，可如前面所描述的，在本發(fā)明中假設(shè)第k-1層的S條幸存路徑為χ(k-1)＝{x(k-1，1)，…，x(k-1，S)}，一種次優(yōu)的方法為在這種情況下，最可靠天線可通過如下標準定義 其中為天線ak的次優(yōu)的硬判決(hard-decision)結(jié)果。
由于尋找

的復雜度與幸存路徑的數(shù)目、星座的大小|C|成比例，因此動態(tài)排序的總的復雜度與S×|C|×|A(k)|成正比。尤其是，當S＝1，復雜度降低為與|C|×|A(k)|＝|C|×(N-k+1)成比例。在實踐中，對于動態(tài)排序(DLO)，s＝1時，該算法也能夠達到比較好的性能。
對于高的信噪比(SNR)和大的S，次優(yōu)的最可靠的天線等于最優(yōu)的最可靠的天線具有很高的概率。
簡言之，結(jié)合動態(tài)排序和幸存路徑檢測，第k層的檢測工作遞歸為 最后，將χ(N)中的第一條幸存路徑x(N，1)選擇為最終決定的檢測結(jié)果xfinal。
需要說明的是，在上面基于MAP的一條路徑或多條路徑檢測的闡述中，為了簡化符號，幸存路徑的數(shù)目為一固定值。在實際當中，對于不同的檢測層，幸存路徑的數(shù)目可以設(shè)為不同的值Sk，以平衡性能和復雜度的關(guān)系。可靜態(tài)地根據(jù)經(jīng)驗設(shè)定S1≥S2≥…≥SN。另一種方式是基于一定的基準或范圍動態(tài)地調(diào)整Sk的值。
另，在公式(6)中，假設(shè)在集合

中搜索

，以簡化討論，其中χ(k-1)為S條幸存路徑的集合。并且在S＝1時，就能夠達到好的性能并具有低的復雜度。
本發(fā)明的基于MAP的檢測算法是基于一條或多條幸存路徑的近似。在于高信噪比(SNR)的環(huán)境及足夠大的S值，多條路徑方法的性能接近MAP檢測。
(二)利用高斯分布近似的APP的計算 在動態(tài)排序和S條幸存路徑檢測中，都需要計算矢量x的APP。遞推地運用Bayes規(guī)則(Bayes rule)
其中，xk為矢量x的元素，1≤k≤N；

為刪除了(x1，...，xk)的接收信號。計算矢量x的APP是本發(fā)明中比較關(guān)鍵的步驟，下面首先描述如何計算標量符號xk的APP。
對于系統(tǒng)模型(1)，令

為接收信號r的迫零(ZF)檢測結(jié)果。當H為滿秩矩陣(full column rank matrix)，P(xk|r)的后驗概率等于P(xk|yzf)，對后驗概率P(xk|yzf)運用Bayes規(guī)則 其中標量xk為天線k的發(fā)送符號，C為星座點集合。
下面將推導分布f(r|xk)及基于f(r|xk)的一些結(jié)果。
可以很容易地證明[3]f(yZF|xk)為具有期望值μk＝xk·ek和協(xié)方差

的高斯概率密度函數(shù)(PDF)。其中，ek為一單位矢量，其第k個元素為1。σ2I為噪聲矢量n的相關(guān)系數(shù)矩陣。
令W表示維納均衡器(Wiener estimator)，

則具有i)對Ck運用矩陣求逆引理(matrixinversion lemma)，得到 帶入到f(yZF|xk)，并進行擴展，得到





在公式(8)中，φ(xk|r)＝|yMMSE，k/Wk，k-xk|為發(fā)送天線k的無偏歐幾里德距離，這種檢測方法稱為無偏MMSE檢測[7]。一般的，無偏MMSE檢測的錯誤概率輕微的小于傳統(tǒng)MMSE檢測。對于常數(shù)調(diào)制(constant modulation)，無偏MMSE檢測等于常規(guī)的MMSE檢測。
無偏歐幾里德距離左邊的因子

稱為MMSE后均衡信噪比(MMSEpost-equalization SNR)，其明確了天線k的無偏MMSE檢測的信號對干擾噪聲比(SINR)。由于對每根天線的單位發(fā)送功率，MMSE檢測的均方誤差(MSE)等于

并且 SINRk＝1/MSEk-1，因此本發(fā)明中定義如下公式作為r條件下符號xk的測度 為了方便，下文中將用λ(xk|r)，λ(xk|yZF)和λ(xk|yMMSE)表示次測度，這些表示具有相同的含義。
由此，如果接收機沒有關(guān)于發(fā)送符號xk的先驗信息(priori information)，具有l(wèi)og-max的標量xk的APP近似等于 其中為對天線k的無偏MMSE檢測的具有最小無偏歐幾里德距離的星座點。
標量xk的后驗概率APP由如下決定(1)信道統(tǒng)計SINRk，它描述了長期的信道可靠性。以及(2)瞬時可靠因子(IRF)，它描述了當前時刻瞬時符號的可靠性。瞬時可靠因子的值越大，就越可靠。
(三)本發(fā)明的動態(tài)排序算法 如前面所討論的，最可靠的天線首先被刪除，以消除SIC的誤差傳播的影響。假設(shè)χ(k-1)＝{x(k-1，1)，…，x(k-1，S)}為第k-1層通過一定排序

的S條幸存路徑的集合，并且則通過算法(6)就可發(fā)現(xiàn)最可靠的天線 其中， 為了進一步的簡化發(fā)現(xiàn)最可靠天線的復雜度，在此例如僅考慮S＝1的特殊情況，此時假設(shè)接收機沒有關(guān)于發(fā)送矢量x的先驗信息(priori information)，則通過如下具有最大后驗概率的算法發(fā)現(xiàn)最可靠的天線



將公式(8)帶入上式，可以得到 上面計算

的算法中，

為刪除了矢量x(k-1，1)的接收信號；

為天線ak的瞬時可靠因子(IRF)；

為星座

中無偏MMSE檢測的最佳點(具有最小無偏歐幾里德距離的星座點)

為次優(yōu)點(具有第二最小歐幾里德距離)。
上述搜索最可靠天線的計算復雜度是線性的，并且與星座的大小

以及待刪除的天線數(shù)成正比。
(四)本發(fā)明的幸存路徑(一條或多條幸存路徑)數(shù)據(jù)檢測算法假設(shè)通過一定排序

刪除了k-1根天線，并得到了S條幸存路徑，如果接收機沒有發(fā)送信號的先驗信息，第k層的S條幸存路徑可以通過下式計算出來 令

為接收矢量

的ZF檢測結(jié)果，其中

為矢量x的第

個元素。由于yZF為

的線性函數(shù)，并具有期望值E{yZF}＝0及方差

因此可以得到

|J|為

和yZF之間的雅各比行列式(Jacobideterminant)，概率密度函數(shù)
由此，可以得到概率密度函數(shù)和測度之間的遞歸關(guān)系


因此， 基于上面的討論


幸存路徑具有最小的測度之和。第k層的幸存路徑的測度之和可通過將標量xk的測度與第k-1層的幸存路徑的相應(yīng)測度之和相加得出。搜索S條幸存路徑的復雜度與

成比例。
由上述描述可知，每次選擇具有最大后驗概率(APP)的路徑作為幸存路徑(survivor-paths)，經(jīng)過推導，等效的選擇方法為每次選擇具有最小測度的路徑作為幸存路徑。
(五)遞歸計算 對于第k層，為了計算MMSE檢測結(jié)果

(其中H(k)為去掉了k-1列的信道矩陣H)，需要計算矩陣乘法和矩陣求逆。
以矩陣D(k)表示

如果直接計算每一層的D(k)，更新D(k)的總的復雜度接近O(N4)，為本發(fā)明的檢測算法中最大計算量的部分。
因此，需要一種計算D(k)的更簡單的算法。在文件[3]中，D(k)可以從D(k-1)中通過如下遞歸算法計算出來
其中，D11，D12，D21，D22，d1，d2以及δ為矩陣D(k-1)中的元素
其中，δ對應(yīng)著矩陣D(k-1)的第ak行和第ak列的元素。

為信道矩陣H(k-1)的天線/列的下標。
遞歸式通過

初始化。更新D(k)的復雜度降低到O(N3)。
同樣的，本發(fā)明對計算MMSE檢測，也采用遞歸算法。以

表示更新前的矢量，以

表示更新后的矢量，其中

為天線指標。y(k)和y(k+1)之間的關(guān)系將為
其中，


并且

其中，γ對應(yīng)著矩陣C(k-1)的第ak行和第ak列的元素。

對應(yīng)矢量y(k)的第ak個元素。
另外，在公式(13)中，計算S條幸存路徑僅需以O(shè)(N2)的復雜度計算一次。公式(14)除了刪除一行和一列外不需要其他數(shù)學操作。MMSE更新的總的計算復雜度從O(N4)降低為O(N2)。
基于上述的原理和算法，下面將詳細的描述本發(fā)明的MIMO檢測的算法流程。在下面的流程中，分別用χ(k)，y(k)，L(k)，O(k)表示幸存路徑、MMSE結(jié)果、測度和天線排序的集合。圖1為本發(fā)明實施例的基于MAP實現(xiàn)MIMO檢測的方法流程圖。如圖1所示，本實施例的MIMO檢測方法包括如下步驟 (一)首先進行預處理 步驟S100中，初始化參數(shù)矩陣(矩陣乘法C和逆矩陣D)、MMSE檢測結(jié)果、幸存路徑的測度、幸存路徑、天線排序等
D(1)＝(C(1)+σ2I)-1
L(0)＝{L(0，1)＝0} χ(0)＝{x(0，1)＝zeros(1，N)}
其中y(1，1)表示MMSE檢測結(jié)果，L(0，1)為y(1，1)對應(yīng)的測度，x(0，1)為幸存路徑。
然后，迭代變量k從1至N，進行基于MAP的動態(tài)排序的SIC檢測，具體包括 步驟S200，搜索最可靠天線。該步驟由包括 步驟S201，根據(jù)矩陣D對角元素計算每根備選天線

的SINR 其中diag(D(k))表示選擇方陣D(k)的對角元素。
步驟S202，根據(jù)MMSE檢測結(jié)果計算每根天線的瞬時可靠因子I。
步驟S203，根據(jù)公式(10)計算每根天線的可靠度并選擇擁有最佳可靠度的天線ak(最可靠的天線)，同時根據(jù)計算的可靠度更新天線排序
步驟S300，根據(jù)公式(11)計算第k層的天線ak對應(yīng)的測度并選擇最小測度對應(yīng)的S個路徑作為幸存路徑，具體包括 i)迭代變量i從1到S，計算每一星座點所有可能的測度 ii)從

中挑選出S個最小值作為第k層的測度

，該S個最小值對應(yīng)的S條路徑為幸存路徑，同時記錄相應(yīng)的星座點及MMSE檢測結(jié)果。
步驟S400，更新具有記錄的星座點的幸存路徑χ(k)，并將天線ak從備選天線中刪除。
步驟S500，更新參數(shù)矩陣和MMSE檢測結(jié)果。本步驟中通過公式(13)、(12)和(14)的遞歸算法更新y(k)、D(k)和C(k)。
判斷是否檢測完第N層天線，如果檢測完第N層，則根據(jù)動態(tài)排序選擇第一個幸存路徑χ(N)，并將它作為最后的檢測結(jié)果。由此便完成了MIMO系統(tǒng)的檢測。
通常，MIMO檢測是在復數(shù)域完成(系統(tǒng)模型(1)中的所有元素都是復數(shù))。由于MIMO檢測的性能受刪除順序的嚴重影響。從理論上，越精細的排序會有越高的檢測性能。
根據(jù)復數(shù)和實數(shù)之間的換算關(guān)系，任何復數(shù)方程式可以用等效實數(shù)方程式來表示。同樣，復數(shù)的MIMO系統(tǒng)可以等效地表示成如下所示的實數(shù)MIMO系統(tǒng)。因此本發(fā)明實施例還將實數(shù)系統(tǒng)模型進一步擴展為實數(shù)系統(tǒng)模型，以增強檢測的性能。
在復數(shù)模型中，公式(1)中的所有x，r，n以及H等都是復數(shù)。它可以擴展為等效的實數(shù)模型
其中，

{·}和

{·}表示變量的實數(shù)部分(實部)和虛數(shù)部分(虛部)。
由于實部和虛部的不相關(guān)性，對于QAM調(diào)制，總可以將復數(shù)符號分為兩個不相關(guān)的實數(shù)子符號。例如，一個16QAM符號總可以分為兩個4PAM符號。
對于本發(fā)明的檢測算法(本發(fā)明對多條幸存路徑的檢測算法可稱為基于MAP動態(tài)排序多條路徑檢測(MAP-DOM)算法)采用實數(shù)符號來增強檢測性能是有效的?？偪梢詮母毜膭討B(tài)排序中增強檢測性能。直接地，這也帶來了計算上的復雜度，但由于實數(shù)符號星座的大小比復數(shù)符號星座要小很多，因此，當復數(shù)符號星座大小很大，例如64QAM，實數(shù)算法的復雜度仍然要比復數(shù)算法的復雜度低。
絕大多數(shù)的MIMO檢測方法都比較復雜，包括多種計算操作，例如矩陣求逆、QR分解、排序(Sort)等。這些操作的復雜度深受其具體的算法的影響，因此要準確的分析MIMO檢測的復雜度比較困難。
為了方便，下面僅通過忽略一些細節(jié)差異對MAP-DOM算法的復雜度進行近似的估計。利用如下假設(shè) (1)MIMO裝配由相同數(shù)目的TX天線和RX天線，M＝N；每一數(shù)據(jù)流具有相同的調(diào)制方法，如16QAM；每一層具有相同數(shù)量的幸存路徑，如S條幸存路徑。
(2)運算單位具有復數(shù)的乘法或除法的復雜度，加法或減法被忽略；假設(shè)實數(shù)操作的復雜度為復數(shù)操作復雜度的1/4。
(3)假設(shè)矩陣乘法或矩陣求逆的復雜度為N3。
(4)當S值很小時，忽略排序(sort)的復雜度(線性復雜度)。
總的MAP-DOM算法的復雜度包括兩部分由Cinit表示的初始計算和由Citer表示的迭代計算。
1)初始計算Cinit 對于復數(shù)系統(tǒng)，Cinit包括1×矩陣乘法，1×矩陣求逆，以及2×矩陣和矢量乘法(y(1，1)＝D(1)(H(1)r))?？偟膹碗s度為Cinit→2N3+2N2。
實數(shù)MAP-DOM算法與復數(shù)算法具有相同的復雜度。
2)Citer MAP-DOM算法的迭代數(shù)為N(實數(shù)算法為2N)，復雜度為從1到N相加(對實數(shù)算法為從1到2N) 概略的，每次迭代的復雜度如下(n為迭代變量) 動態(tài)層排序近似為|C|·n 多條路徑檢測近似為|C|·S 參數(shù)矩陣和矢量的更新近似為2n2+S·n 因此，可估計出總的復雜度對復數(shù)系統(tǒng)Citer約為2/3N3+1/2(S+|C|)·N2，對于實數(shù)系統(tǒng)Citer約為 表1.
總之，如表1所示，MAP-DOM算法的復雜度由如下因素決定 (1)發(fā)送天線數(shù)N，復雜度接近O(N3)； (2)幸存路徑數(shù)S和星座大小|C|，當發(fā)送天線數(shù)N固定，MAP-DOM算法的復雜度與S和|C|的和成正比； (3)由于實數(shù)算法將每一星座的點數(shù)降低為

因此復數(shù)算法比實數(shù)算法對星座大小|C|更敏感； (4)當|C|比較小，如4QAM，復數(shù)算法比實數(shù)算法具有更低的復雜度。但是，隨著調(diào)制級別(Level)的增加，實數(shù)算法將比復數(shù)算法具有更低的復雜度。MIMO的一個目標是利用有限的帶寬實現(xiàn)高速率數(shù)據(jù)傳輸。因此技術(shù)發(fā)展的傾向是在MIMO系統(tǒng)中利用高級別調(diào)制，例如16QAM或64QAM，此時實數(shù)算法由于具有更高的檢測性能及更低的計算復雜度而優(yōu)于復數(shù)算法。
對于復數(shù)系統(tǒng)和實數(shù)系統(tǒng)，MAP-DOM算法總的復雜度相接近。當幸存路徑比較少時，在更新步驟實數(shù)系統(tǒng)的復雜度高于復數(shù)系統(tǒng)的復雜度，但隨著幸存路徑的增加和星座的增大，該兩種運算都具有近似的漸進線復雜度。由于實數(shù)算法每根天線具有

的星座點，復數(shù)算法比實數(shù)算法對星座大小更敏感。隨著星座點的增加，復數(shù)算法的復雜度將超過實數(shù)算法的復雜度。
下面通過計算機模擬展示不同的MIMO設(shè)置的性能。
A.符號差錯率(SER)性能估計 對復數(shù)系統(tǒng)和實數(shù)系統(tǒng)都進行SER性能估計。在此，僅提供具有16QAM的8×8MIMO系統(tǒng)的檢測結(jié)果，對于其他不同的MIMO配置，也已證實可以得到相近似的結(jié)果。圖2顯示復數(shù)和實數(shù)的MAP-DOM算法的SER性能示意圖。其中DOM-C表示復數(shù)MAP-DOM算法，其后面的數(shù)字2和4為幸存路徑數(shù)；DOM-R表示實數(shù)MAP-DOM算法，其后面的數(shù)字2和4為幸存路徑數(shù)。該圖對應(yīng)N＝M＝8，16QAM的MIMO系統(tǒng)，可以得出如下結(jié)論 對于不同的MIMO設(shè)置在很大的范圍內(nèi)DOM-C和DOM-R都可以取得接近ML的性能。當S＝4時，與ML檢測相比，當SER等于10-4，DOM-R的性能下降不到0.5dB，DOM-C也僅具有2dB以內(nèi)的性能下降。
DOM-R的性能優(yōu)于DOM-C的性能，這個優(yōu)點來自于更精細的動態(tài)排序。當M比較小時，DOM-R的性能比DOM-C高2M或性能相當。
對于絕大多數(shù)的MIMO設(shè)置，S設(shè)置為4就足夠了，更大的S僅帶來性能的稍微增強。
B.幸存路徑的個數(shù)的影響 圖3顯示了MIMO的大小與SNR門限的關(guān)系示意圖。該圖中的曲線對應(yīng)SER為10-4，N＝M，16QAM。模擬結(jié)果顯示，對于不同的MIMO設(shè)置，隨著幸存路徑數(shù)量的增加，DOM-R和DOM-C具有快速接近ML檢測的性能。
MIMO配置越大，SNR門限越低。由于隨著天線數(shù)目的增多，每一天線的信道容量增加并達到一極限。
通過圖3還可以看出如何設(shè)置幸存路徑的數(shù)目以平衡檢測性能與計算復雜度。在實踐中，對于16QAM的調(diào)制，S＝4的DOM-R和S＝6的DOM-C就可以取得與ML檢測相當?shù)男阅?，性能退化小?dB。
C.動態(tài)排序的作用 為了示例動態(tài)排序的作用，圖4a和圖4b分別比較了S＝2和S＝4時MAP-DOM(DOM-R及DOM-C)與非動態(tài)排序的多路徑算法(NDOM-R及NDOM-C)的性能。由圖4a及圖4b可以看出，(DOM-R及DOM-C)的性能比(NDOM-R及NDOM-C)的性能要好至少5dB。這個有益效果來自于動態(tài)排序，一個好的動態(tài)排序方法可以顯著的減輕誤差傳播。
對于非動態(tài)排序，NDOM-R僅稍微優(yōu)于NDOM-C，這是由于NDOM-R不能從更精細的排序中獲得進一步的增益。
綜上所述，本發(fā)明提供了一中具有接近ML檢測性能的新的MIMO檢測方法，該方法不僅具有近似于最佳的性能，還具有低的計算復雜度。該方法基于MAP標準，并通過動態(tài)排序和多路徑檢測提高了性能。動態(tài)排序降低了誤差傳播，多路徑檢測提高了檢測的準確性。并且通過實數(shù)擴展的為本發(fā)明的檢測方法的提供了更加精確的天線排序方法，進一步提高了系統(tǒng)的性能。
由于多路徑檢測算法使理論分析變得困難，因此本發(fā)明通過計算機模擬估算MAP-DOM的性能，通過不同MIMO設(shè)置、不同動態(tài)排序以及不同數(shù)量的幸存路徑下的性能比較，說明MAP-DOM具有接近ML檢測的性能(性能下降小于0.5dB)，并具有低的計算復雜度。
利用遞歸算法，MAP-DOM MIMO檢測的復雜度大大降低，對于不同的MIMO設(shè)置具有很好的可測量性，并且通過改變幸存路徑的數(shù)目可以容易的調(diào)節(jié)復雜度和性能之間的平衡。與SD算法不同，對于不同的SNR和信道狀況，MAP-DOM具有固定的復雜度。
以上所述的具體實施例，對本發(fā)明的目的、技術(shù)方案和有益效果進行了進一步詳細說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限定本發(fā)明的保護范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
參考文獻 [1]G.J.Foschini，“Layered space-time architecture for wireless communication in fading environments whenusing multiple antennas”，Bell Labs.Tech.J.，vol.2，pp.41-59，1996. [2]Yongmei Dai，Sumei Sun，and Zhongding Lei.“A Comparative Study of QRD-M Detection and SphereDecoding for MIMO-OFDM Systems”，Personal，Indoor and Mobile Radio Communications，2005.PIMRC 2005.IEEE 16th International Symposium on，2005. [3]D.Seethaler，Artes，H，and Hlawatsch，F(xiàn).“Dynamic nulling-and-cancelling with near-ML performance forMIMO communication systems”，Acoustics，Speech，and Signal Processing，2004.Proceedings.Volume 4(2004)Page(s)iv-777-iv-780. [4]D.Seethaler，H.Artes，and F.Hlawatsch.“Dynamic Nulling-and-Canceling for Efficient Near-MLDecoding of MIMO Systems”，Signal Processing，IEEE Transactions on.54.12(2006)4741-4752. [5]J.M.Cioffi，et al.“MMSE decision-feedback equalizers and coding.I.Equalization results”，Communications，IEEE Transactions on.43.10(1995)2582-2594. [6]J.G.Proakis and D.G.Manolakis，“Digital Signal ProcessingPrinciples，Algorithms，and Applications2ed”，Macmillan Publishing Company，1992。
權(quán)利要求
1.一種多入多出系統(tǒng)的迭代檢測方法，其特征在于，該方法包括
計算步驟，基于最大后驗概率通過計算參數(shù)在第k檢測層從備選天線中計算最可靠天線，并搜索該最可靠的天線對應(yīng)的具有最大后驗概率的前S條路徑來作為幸存路徑，其中，S≥1；當k＝1時，所述計算參數(shù)為初始化的計算參數(shù)，k>1時，所述計算參數(shù)為根據(jù)第k-1檢測層的檢測結(jié)果更新后的計算參數(shù)；
天線刪除步驟，根據(jù)計算結(jié)果更新計算參數(shù)，并把最可靠天線從備選天線中刪除；
迭代步驟，使k＝k+1，利用遞歸算法重復上述計算步驟和天線刪除步驟，直至刪除完畢所有備選天線；
將最后一層檢測層的具有最大后驗概率的一條幸存路徑作為檢測結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于
所述計算參數(shù)包括矩陣乘法、逆矩陣、最小均方誤差MMSE檢測結(jié)果、幸存路徑的測度、幸存路徑以及天線排序；所述計算步驟包括
根據(jù)逆矩陣對角元素計算每根備選天線的信號對干擾噪聲比SINR；
根據(jù)最小均方誤差MMSE檢測結(jié)果計算每根備選天線的瞬時可靠因子；
根據(jù)所述信號對干擾噪聲比SINR及瞬時可靠因子計算天線的可靠度并選擇具有最佳可靠度的天線；
搜索最可靠的天線對應(yīng)的具有最小測度的S個路徑作為幸存路徑。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于
初始化的矩陣乘法、逆矩陣、最小均方誤差MMSE檢測結(jié)果、幸存路徑的測度、幸存路徑以及天線排序分別為
D(1)＝(C(1)+σ2I)-1
χ(0)＝{x(0，1)＝zeros(1，N)}
其中，y(1)、
χ(0)、
分別表示MMSE檢測結(jié)果、幸存路徑的測度、幸存路徑以及天線排序的集合，H為信道矩陣，σ2為噪聲功率，I為單位矩陣，y(1，1)為MMSE檢測結(jié)果，r為接收信號矢量，L(0，1)為y(1，1)對應(yīng)的測度，x(0，1)為幸存路徑；
根據(jù)如下公式計算每根備選天線的信號對干擾噪聲比SINR
根據(jù)如下公式計算天線的可靠度
其中Iak為瞬時可靠因子，A(k)為備選天線的集合；
根據(jù)如下公式搜索幸存路徑
其中表示從備選天線對應(yīng)的星座點的所有可能的測度中排序并選擇S個最小值。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，搜索幸存路徑的步驟包括
迭代變量i從1到S，根據(jù)如下公式計算每一星座點所有可能的測度
其中i表示幸存路徑，j表示第i條幸存路徑對應(yīng)的星座點，L(k-1,i)表示第k-1層的第i條幸存路徑的測度，λ(xj|y(k，j))表示第k層標量xj的測度；
從
中挑選出S個最小值作為第k層的測度
對應(yīng)的S個路徑為幸存路徑。
5.根據(jù)權(quán)利要求3所述的方法，其特征在于
根據(jù)計算結(jié)果更新計算參數(shù)是指
根據(jù)計算的備選天線的可靠度更新天線排序；
根據(jù)如下公式更新幸存路徑
根據(jù)如下公式更新矩陣乘法、逆矩陣及最小均方誤差MMSE檢測結(jié)果
6.根據(jù)權(quán)利要求1所述的方法，其特征在于
不同檢測層幸存路徑的數(shù)目相同。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于
不同檢測層幸存路徑的個數(shù)不相同，該個數(shù)通過靜態(tài)設(shè)置確定或者通過動態(tài)調(diào)整確定。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于
靜態(tài)設(shè)置的不同檢測層幸存路徑Sk的數(shù)目滿足S1≥S2≥…≥SN。
9.根據(jù)權(quán)利要求1所述的方法，其特征在于
所述多入多出系統(tǒng)為復數(shù)系統(tǒng)。
10.根據(jù)權(quán)利要求1所述的方法，其特征在于
所述多入多出系統(tǒng)為由復數(shù)系統(tǒng)通過如下變換得到的為實數(shù)系統(tǒng)
其中
和
分別表示變量的實數(shù)部分和虛數(shù)部分。
全文摘要
本發(fā)明提供一種多入多出系統(tǒng)的迭代檢測方法，該方法包括計算步驟，基于最大后驗概率通過計算參數(shù)在第k檢測層從備選天線中計算最可靠天線，并計算該最可靠的天線對應(yīng)的具有最大后驗概率的前S條路徑來作為幸存路徑，其中，S≥1；當k＝1時，所述計算參數(shù)為初始化的計算參數(shù)，k＞1時，所述計算參數(shù)為根據(jù)第k-1檢測層的檢測結(jié)果更新的計算參數(shù)；天線刪除步驟，根據(jù)計算結(jié)果更新計算參數(shù)，并把最可靠天線從備選天線中刪除；迭代步驟，使k＝k+1，利用遞歸算法重復上述計算步驟和天線刪除步驟，直至刪除完畢所有備選天線；將最后一層檢測層的具有最大后驗概率的第一條幸存路徑作為檢測結(jié)果。本發(fā)明的檢測方法具有低的運算復雜度和接近最大似然檢測的性能。
文檔編號H04B7/08GK101499840SQ20081000920
公開日2009年8月5日 申請日期2008年1月29日 優(yōu)先權(quán)日2008年1月29日
發(fā)明者陳建平, 戰(zhàn) 張, 加山英俊 申請人:株式會社Ntt都科摩