本發(fā)明涉及多輸入多輸出(MIMO)無(wú)線通信系統(tǒng)的信號(hào)檢測(cè)方法，具體涉及格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，屬于無(wú)線通信
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：在多輸入多輸出(multiple-inputmultiple-output，MIMO)無(wú)線通信系統(tǒng)中，MIMO信號(hào)的檢測(cè)，簡(jiǎn)稱(chēng)MIMO檢測(cè)。MIMO檢測(cè)方法的優(yōu)劣，有兩個(gè)重要的衡量指標(biāo)：1)檢測(cè)性能。以符號(hào)錯(cuò)誤率衡量。2)計(jì)算復(fù)雜度，可以用檢測(cè)過(guò)程的浮點(diǎn)運(yùn)算次數(shù)衡量。雖然目前已研究出各種MIMO檢測(cè)方法，但是，尋找一種檢測(cè)方法，其性能達(dá)到最佳或逼近最佳，同時(shí)具有很低的復(fù)雜度，而且易于以大規(guī)模集成電路實(shí)現(xiàn)，滿(mǎn)足大規(guī)模、高速M(fèi)IMO系統(tǒng)的迫切需求，這項(xiàng)工作仍然是一個(gè)嚴(yán)峻的挑戰(zhàn)。MIMO最佳檢測(cè)的實(shí)質(zhì)是在格空間的有限子集上搜索距接收信號(hào)最近的格點(diǎn)(closestlatticepoint，CLP)，通常采用所謂樹(shù)搜索方法。樹(shù)搜索方法主要分為兩類(lèi)，即深度優(yōu)先樹(shù)搜索(depth-firsttreesearching，DFTS)和廣度優(yōu)先樹(shù)搜索(breadth-firsttreesearching，BFTS)。球形譯碼(spheredecoding，SD)檢測(cè)方法以及它的各種變型屬于DFTS方法，它們能夠達(dá)到或逼近最佳性能。最佳檢測(cè)性能又稱(chēng)最大似然(maximumlikelihood，ML)檢測(cè)性能。另外，與耗盡搜索的ML檢測(cè)相比，SD具有低得多的計(jì)算復(fù)雜度。最近又研究開(kāi)發(fā)出格約減(latticereduction，LR)輔助球形譯碼檢測(cè)方法(SD-LR)，使計(jì)算復(fù)雜度進(jìn)一步降低。但是，SD檢測(cè)或SD-LR檢測(cè)有其明顯的缺點(diǎn)：1)復(fù)雜度仍然偏高，而且復(fù)雜度隨著MIMO系統(tǒng)規(guī)模(發(fā)送天線數(shù))和QAM調(diào)制階數(shù)的增加呈指數(shù)函數(shù)增加。2)SD搜索過(guò)程中，在樹(shù)的各層之間前進(jìn)或后退，即兩個(gè)方向。這樣搜索過(guò)程只能是串行的，無(wú)法并行實(shí)現(xiàn)。已有的MIMO檢測(cè)方法中，固定復(fù)雜度的球形譯碼(fixed-complexitySD，F(xiàn)SD)以及K-best算法屬于BFTS方法。最近又研究開(kāi)發(fā)出LR輔助的固定復(fù)雜度的球形譯碼(FSD-LR)以及LR輔助的K-best(K-best-LR檢測(cè)方法，進(jìn)一步降低了檢測(cè)復(fù)雜度。BFTS搜索的優(yōu)點(diǎn)在于，搜索過(guò)程中，對(duì)樹(shù)進(jìn)行逐層搜索，每層均保留一定數(shù)量的最有希望的路徑，搜索是單方向的，即只有前進(jìn)的方向。這使得BFTS可以用大規(guī)模集成電路進(jìn)行并行實(shí)現(xiàn)。早期的K-best檢測(cè)方法，搜索過(guò)程中每層所保留的最有希望路徑的數(shù)量其實(shí)是變化的，原則是每層都保留盡可能少的最有希望路徑，在保證檢測(cè)性能目標(biāo)的前提條件下，盡量減小計(jì)算復(fù)雜度。這也是BFTS搜索的本意。然而，最近報(bào)道的FSD-LR和K-best-LR，每層所保留的路徑數(shù)變成了固定的。這樣做的結(jié)果是，算法具有恒定復(fù)雜度，但復(fù)雜度未能做到最小。從電路實(shí)現(xiàn)的角度考慮，恒定復(fù)雜度其實(shí)是沒(méi)有必要的，變化的復(fù)雜度并不影響電路實(shí)現(xiàn)。最大復(fù)雜度受限以及平均復(fù)雜度最小才是應(yīng)當(dāng)致力追求的目標(biāo)，這樣才能簡(jiǎn)化電路實(shí)現(xiàn)且降低功耗。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明目的是提供一種最大復(fù)雜度受限且平均復(fù)雜度最小的格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，用于滿(mǎn)足大規(guī)模、高速M(fèi)IMO系統(tǒng)的需求。為了實(shí)現(xiàn)上述目的，本發(fā)明是通過(guò)如下的技術(shù)方案來(lái)實(shí)現(xiàn)：本發(fā)明的格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，包括以下幾個(gè)步驟：(1)已知接收復(fù)數(shù)向量復(fù)信道矩陣在預(yù)處理階段，將接收復(fù)數(shù)向量及復(fù)信道矩陣變?yōu)樽钚【秸`差MMSE形式，即其中，為復(fù)符號(hào)向量，為復(fù)高斯噪聲向量；對(duì)復(fù)信道矩陣進(jìn)行格約減，得到約減基矩陣其中，其中，為幺模矩陣；(2)將復(fù)數(shù)模型變換為實(shí)數(shù)模型，表示為x＝As+w，其中，x為接收向量、A為信道矩陣、s為符號(hào)向量、w為高斯噪聲向量；復(fù)數(shù)關(guān)系式所對(duì)應(yīng)的實(shí)數(shù)模型表示為其中，表示實(shí)數(shù)化后的約減基矩陣，U表示實(shí)數(shù)化后的幺模矩陣；接收向量x以約減基表示：其中，變換符號(hào)向量d＝U-1s；(3)計(jì)算的偽逆矩陣其中，(·)T表示矩陣轉(zhuǎn)置T；計(jì)算其中，y為判決變量向量；對(duì)偽逆矩陣進(jìn)行QR分解，對(duì)的各行按照V-BLAST檢測(cè)順序(V-BLAST檢測(cè)由Bell實(shí)驗(yàn)室提出，也稱(chēng)干擾依序逐次消去檢測(cè)，其檢測(cè)順序?yàn)椋哼x擇信號(hào)最強(qiáng)的符號(hào)首先檢測(cè)。該方法在MIMO檢測(cè)領(lǐng)域?yàn)楸娝苤?進(jìn)行重新排序：計(jì)算R為下三角矩陣，Q為標(biāo)準(zhǔn)正交矩陣(各列向量長(zhǎng)度為1，且相互正交)；(4)開(kāi)始樹(shù)搜索，搜索順序?yàn)閗＝1,2,…,2Nt，其中，Nt為發(fā)送天線數(shù)，也是復(fù)符號(hào)向量的維數(shù)；2Nt為實(shí)數(shù)化后符號(hào)向量的維數(shù)；k為任意2Nt維整數(shù)向量的元素的下標(biāo)，表示整數(shù)域，表示2Nt維整數(shù)向量空間；任意格點(diǎn)的度量定義為：λ(z)＝||R(y-z)||2，其中，λ(z)表示格點(diǎn)的度量，||·||2表示向量范數(shù)(長(zhǎng)度)的平方，為任意整數(shù)向量；從第1層到第k層的累積度量定義為：其中，表示整數(shù)向量z的第1個(gè)元素到第k個(gè)元素所組成的向量，即ri表示R的第i行；確定第k層的Kk個(gè)保留路徑，表示為集合其中m＝1,…,Kk表示整數(shù)向量z(k,m)的第1個(gè)元素到第k個(gè)元素所組成的向量，并且得到它們的累積度量m＝1,…,Kk；(5)k←k+1，重復(fù)步驟(4)，直至得到第k＝2Nt層的個(gè)保留路徑：計(jì)算在個(gè)符號(hào)向量中，選擇其中一個(gè)符號(hào)向量，其度量最小，且其元素不超過(guò)所使用的正交調(diào)幅QAM符號(hào)取值范圍，將該符號(hào)向量作為檢測(cè)結(jié)果如果所有都超出正交調(diào)幅QAM符號(hào)取值范圍，則隨機(jī)選取其中之一作為最終檢測(cè)結(jié)果最后，將轉(zhuǎn)換為復(fù)數(shù)形式格約減不僅可以針對(duì)復(fù)信道矩陣進(jìn)行，還可以針對(duì)復(fù)信道矩陣的偽逆矩陣進(jìn)行，即針對(duì)對(duì)偶格進(jìn)行格約減。步驟(1)中，對(duì)復(fù)信道矩陣采用格約減算法得到約減基矩陣所述格約減算法具體采用的是LLL算法(Lenstra-Lenstra-Lovász算法，該算法以三個(gè)人的名字命名，所有文獻(xiàn)上都寫(xiě)此英文)。步驟(4)中，Ck的確定方法如下：(4-1)第k-1層的每個(gè)父節(jié)點(diǎn)擴(kuò)展為Nc＝2個(gè)子節(jié)點(diǎn)，第k-1層的Kk-1個(gè)保留路徑為對(duì)應(yīng)的累積度量為m＝1,…,Kk-1；對(duì)于m＝1,…,Kk-1：計(jì)算：其中rkj、rkk分別表示矩陣R的第(k,j)、(k,k)個(gè)元素，zj(k+1,m)表示z(k+1,m)的第j個(gè)元素，yk、yj分別表示y的第k、j個(gè)元素；表示的計(jì)算結(jié)果，可稱(chēng)為處理后判決變量；量化判決得到子節(jié)點(diǎn)其中，表示量化判決操作，即：對(duì)于一個(gè)實(shí)數(shù)變量，取其最接近的整數(shù)；每個(gè)父節(jié)點(diǎn)zk-1(k-1,m)擴(kuò)展出Nc＝2個(gè)子節(jié)點(diǎn)，另一個(gè)子節(jié)點(diǎn)z(k,m,2)是：若z(k,m,2)＝z(k,m,1)+2；若z(k,m,2)＝z(k,m,1)-2，其中，子節(jié)點(diǎn)的獲得采用SE策略(Schnorr-Euchner策略，該策略為MIMO檢測(cè)領(lǐng)域眾所周知)；從而得到第k層的Kk-1×2個(gè)路徑；(4-2)在Kk-1×2個(gè)路徑中，計(jì)算它們的累積度量，設(shè)定的累積度量門(mén)限表示為刪除累積度量超過(guò)上限的路徑；(4-3)如果所余的路徑數(shù)量大于最大路徑數(shù)量Km，則對(duì)所余路徑的累積度量進(jìn)行排序，選擇累積度量最小的Km個(gè)路徑作為第k層的保留路徑Ck。步驟(4-2)中，Kk-1×2個(gè)路徑為[z1(k-1,m)…zk-1(k-1,m)z(k,m,n)]T,m＝1,…,Kk-1；n＝1,2它們對(duì)應(yīng)的累積度量為λk-11(zk-11(k-1,m))+Σj=1k-1[rkj(yj-zj(k-1,m))]2+[rkk(yk-z(k,m,n))]2,]]>m＝1,…,Kk-1；n＝1,2步驟(4-2)中，所述累積度量門(mén)限的確定方法如下：則所有保留路徑的累計(jì)度量m＝1,…,Kk；各層累積度量上限k＝1,2,…,2Nt的確定：按照任意格點(diǎn)的度量定義，發(fā)送格點(diǎn)的度量為λ(d)＝||R(y-d)||2＝||QTw||2＝||ν||2(1)其中，ν＝QTw，ν的各元素仍然是高斯隨機(jī)變量，且表示ν的各元素的方差，表示w各元素的方差；因此，是一個(gè)有k個(gè)自由度的x2分布(卡方分布，數(shù)學(xué)中的一種常見(jiàn)的隨機(jī)變量分布，其概率密度函數(shù)為已知，可由數(shù)學(xué)手冊(cè)等資料得到)的隨機(jī)變量，k＝1,2,…,2Nt；在第k層，選擇為保留路徑的累積度量上限，即假設(shè)的概率為P(λk1(dk1)≤λ‾k1)=1-ϵ---(2)]]>其中，0<ε＜＜1為一常數(shù)，由(8)式可見(jiàn)，ε為的概率，則有λ‾k1=F-1(1-ϵ,k)·σw2---(3)]]>其中，F(xiàn)(x,k)為具有k個(gè)自由度的χ2隨機(jī)變量的累積分布函數(shù)；參數(shù)ε的選擇將決定檢測(cè)性能；假設(shè)是最后一層的保留路徑集合中包含發(fā)送真值d的概率，其中，表示集合包含變換向量d的概率，或者說(shuō)d屬于的概率；p是為簡(jiǎn)化書(shū)寫(xiě)引入的符號(hào)而已；分析可知，p=Πk=12NtP(dk1∈Ck|d11∈C1,...,dk-11∈Ck-1)=Πk=12NtP(v12+...+vk2≤λ‾k1|v12≤λ‾11,...,v12+...+vk-12≤λ‾k-11)---(4)]]>最終的符號(hào)錯(cuò)誤概率為Pe=p·Pe|d∈C2Nt+(1-p)·Pe|d∉C2Nt.---(5)]]>當(dāng)包含d時(shí)，即將達(dá)到ML最佳檢測(cè)性能，即Pe0表示ML檢測(cè)的符號(hào)錯(cuò)誤概率；當(dāng)不包含d時(shí)，即隨機(jī)選擇中的一個(gè)路徑作為最終檢測(cè)結(jié)果，數(shù)值實(shí)驗(yàn)結(jié)果表明的估計(jì)是合理的；這樣，(11)式可改寫(xiě)為Pe=·p·Pe0+(1-p)/2---(6)]]>當(dāng)參數(shù)ε給定時(shí)，根據(jù)(9)式可以確定k＝1,…,2Nt；這樣，概率可以由(10)式用數(shù)值計(jì)算方法算出；最后，任何信噪比下的ML檢測(cè)性能Pe0為已知，Pe可由(12)式確定；即給定檢測(cè)性能要求Pe，參數(shù)ε的對(duì)應(yīng)取值就被確定。本發(fā)明的檢測(cè)方法與已有的LR輔助固定復(fù)雜度SD檢測(cè)方法相比，以及與已有的LR輔助K-best檢測(cè)方法相比，不僅檢測(cè)性能更加接近最佳檢測(cè)性能ML，而且計(jì)算復(fù)雜度降低了兩個(gè)數(shù)量級(jí)。因此，本發(fā)明的檢測(cè)方法特別適用于大規(guī)模并采用高階調(diào)制的MIMO系統(tǒng)。附圖說(shuō)明圖1是MIMO無(wú)線通信系統(tǒng)功能結(jié)構(gòu)的簡(jiǎn)化框圖；圖2是LR輔助BFTSMIMO檢測(cè)器的結(jié)構(gòu)框圖；圖3是LR輔助BFTSMIMO檢測(cè)器的檢測(cè)性能仿真結(jié)果圖；圖4是LR輔助BFTSMIMO檢測(cè)器的計(jì)算復(fù)雜度仿真結(jié)果圖。具體實(shí)施方式為使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體實(shí)施方式，進(jìn)一步闡述本發(fā)明。MIMO系統(tǒng)模型及已有相關(guān)檢測(cè)方法概述MIMO無(wú)線通信系統(tǒng)MIMO無(wú)線通信系統(tǒng)的簡(jiǎn)化原理框圖如圖1所示。原始符號(hào)序列經(jīng)信道編碼、交織(也可以不經(jīng)信道編碼、交織)，再經(jīng)串并變換，得到待發(fā)送的復(fù)數(shù)符號(hào)向量序列。序列中每個(gè)復(fù)符號(hào)向量在一個(gè)時(shí)間間隙內(nèi)并行發(fā)送，例如，不失一般性，復(fù)符號(hào)向量在間隙[0,T]內(nèi)并行發(fā)送。復(fù)符號(hào)向量表示為s·=s·1s·2...s·NtT,---(7)]]>其維數(shù)為Nt，因此發(fā)射機(jī)中需Nt個(gè)調(diào)制器和Nt副發(fā)送天線，分別調(diào)制、發(fā)送中的Nt個(gè)復(fù)符號(hào)。中的元素表示為：s·n=s·rn+js·in,n=1,2,...,Nt,---(8)]]>其中為整數(shù)集合。因此表示Nt維復(fù)整數(shù)向量空間。設(shè)無(wú)線信道為瑞利平衰落信道。Nr副接收天線(Nr≥Nt)的接收信號(hào)經(jīng)解調(diào)器解調(diào)得到Nr維接收復(fù)數(shù)向量x·=x·1x·2...x·NrT,---(9)]]>且x·=A·s·+w·,---(10)]]>其中為復(fù)信道矩陣，在接收端由檢測(cè)器中的信道估計(jì)器得到而為已知。為Nr維復(fù)高斯噪聲向量。接收向量經(jīng)檢測(cè)器檢測(cè)，得到發(fā)送符號(hào)向量的檢測(cè)結(jié)果已有的LR輔助K-bestMIMO檢測(cè)方法已有的、與本發(fā)明密切相關(guān)的MIMO檢測(cè)方法是LR輔助K-best檢測(cè)，典型過(guò)程簡(jiǎn)述如下。1：已知接收信號(hào)表示為：或者變?yōu)镸MSE擴(kuò)展系統(tǒng)，為方便起見(jiàn)，仍用原符號(hào)表示：對(duì)信道矩陣進(jìn)行格約減，得到約減基幺模矩陣2：復(fù)數(shù)模型變換為實(shí)數(shù)模型(也有不轉(zhuǎn)換為實(shí)數(shù)模型而直接采用復(fù)數(shù)模型的)，表示為x＝As+w。接收信號(hào)以約減基表示：其中d＝U-1s。3:計(jì)算的偽逆矩陣計(jì)算對(duì)進(jìn)行QR分解：其中R為上三角矩陣。4：開(kāi)始樹(shù)搜索，搜索順序?yàn)閗＝2Nt,2Nt-1,…,2,1。(任意格點(diǎn)的度量定義為：λ(z)＝||R(y-z)||2，其中為任意整數(shù)向量。的從第2Nt層到第k層的累積度量定義為：其中表示整數(shù)向量z的第k個(gè)元素到第2Nt個(gè)元素所組成的向量，即ri表示R的第i行。)確定第k層的K個(gè)保留路徑，表示為集合其中m＝1,…,K表示整數(shù)向量z(k,m)的第k個(gè)元素到第2Nt個(gè)元素所組成的向量。確定Ck的過(guò)程：第k+1層的每個(gè)父節(jié)點(diǎn)擴(kuò)展為Nc個(gè)子節(jié)點(diǎn)，這樣首先得到第k層的K×Nc個(gè)路徑。在K×Nc個(gè)路徑中，選擇累積度量最小的K個(gè)路徑，作為第k層的保留路徑Ck。這也是名稱(chēng)K-best的含義。5:k←k-1，重復(fù)第4步，直至得到第k＝1層的K個(gè)保留路徑：C1＝{z(1,1),…,z(1,K)}。計(jì)算m＝1,…,K。在符號(hào)向量m＝1,…,K中，選擇度量最小，且其元素不超過(guò)所使用的QAM符號(hào)取值范圍的符號(hào)向量作為檢測(cè)結(jié)果如果所有m＝1,…,K都超出QAM符號(hào)取值范圍，則隨機(jī)選取其中之一作為最終檢測(cè)結(jié)果將轉(zhuǎn)換為復(fù)數(shù)形式本發(fā)明提出的LR輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法本發(fā)明所提出的LR輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法與上述已有的LR輔助K-bestMIMO檢測(cè)方法的基本過(guò)程類(lèi)似，但有如下技術(shù)關(guān)鍵點(diǎn)，使得其性能/復(fù)雜度折中的效果遠(yuǎn)優(yōu)于已有檢測(cè)方法。本發(fā)明技術(shù)關(guān)鍵點(diǎn)1)每父節(jié)點(diǎn)擴(kuò)展出的子節(jié)點(diǎn)的數(shù)量在本發(fā)明所提出的LR輔助BFTS檢測(cè)方法中，每父節(jié)點(diǎn)擴(kuò)展出的子節(jié)點(diǎn)的數(shù)量?jī)H為2，即Nc＝2。這是因?yàn)椋?)信號(hào)及信道采用MMSE形式；2)對(duì)約減基的偽逆矩陣進(jìn)行QR分解，QR分解時(shí)對(duì)的各行按照V-BLAST檢測(cè)順序進(jìn)行重新排序；3)格約減算法采用LLL算法，且參數(shù)δ選取為δ＝0.99以達(dá)到最佳格約減性能。這樣就保證了Babai點(diǎn)，也就是基于MMSE的LR輔助依序逐次干擾消去檢測(cè)方法(記為MMSE-OSIC-LR)的檢測(cè)結(jié)果，已經(jīng)非常接近或者等于發(fā)送真值d，每父節(jié)點(diǎn)擴(kuò)展為2個(gè)子節(jié)點(diǎn)，以極大的概率包含了發(fā)送真值，保證了逼近最佳的檢測(cè)性能。2)每層保留路徑的累積度量限制本發(fā)明所提出的LR輔助BFTS檢測(cè)方法中，每層所保留的路徑的數(shù)量是變化的，而不像已有的LR輔助K-best檢測(cè)那樣固定為K。搜索過(guò)程中，每層所保留的路徑的數(shù)量盡可能小，具體的做法是，每層設(shè)定一個(gè)累積度量上限，凡是累積度量超過(guò)這一上限的路徑均被丟棄。敘述如下。本發(fā)明所提出的LR輔助BFTS檢測(cè)，因?yàn)槭菍?duì)進(jìn)行QR分解，得到的矩陣R是一個(gè)下三角矩陣，層搜索的順序是k＝1,2,…,2Nt，而不像已有的K-best檢測(cè)那樣層搜索順序?yàn)閗＝2Nt,…,2,1。任意格點(diǎn)的度量定義為λ(z)=||R(y-z)||2=Σi=12Nt[ri(y-z)]2,---(11)]]>其中為任意整數(shù)向量；ri表示R的第i行。的從第1層到第k層的累積度量定義為：λk1(zk1)=Σi=1k[ri(y-z)]2,---(12)]]>其中表示整數(shù)向量z的第1個(gè)元素到第k個(gè)元素所組成的向量，即對(duì)于第k層，保留的路徑表示為對(duì)應(yīng)的累積度量為m＝1,…,Kk。設(shè)定的累積度量門(mén)限表示為則所有保留路徑的累計(jì)度量m＝1,…,Kk。各層累積度量上限k＝1,2,…,2Nt的確定：按照(5)式的定義，發(fā)送格點(diǎn)的度量為λ(d)＝||R(y-d)||2＝||QTw||2＝||ν||2(13)其中ν＝QTw。顯然，ν的各元素仍然是高斯隨機(jī)變量，且表示ν的各元素的方差，表示w各元素的方差。因此，是一個(gè)有k個(gè)自由度的x2分布的隨機(jī)變量，k＝1,2,…,2Nt。在第k層，選擇為保留路徑的累積度量上限，即假設(shè)的概率為P(λk1(dk1)≤λ‾k1)=1-ϵ---(14)]]>其中0<ε＜＜1為一常數(shù)，則有λ‾k1=F-1(1-ϵ,k)·σw2---(15)]]>其中F(x,k)為具有k個(gè)自由度的x2隨機(jī)變量的累積分布函數(shù)。參數(shù)ε的選擇將決定檢測(cè)性能。假設(shè)是最后一層的保留路徑集合中包含發(fā)送真值d的概率。分析可知，p=Πk=12NtP(dk1∈Ck|d11∈C1,...,dk-11∈Ck-1)=Πk=12NtP(v12+...+vk2≤λ‾k1|v12≤λ‾11,...,v12+...+vk-12≤λ‾k-11)---(16)]]>最終的符號(hào)錯(cuò)誤概率為Pe=p·Pe|d∈C2Nt+(1-p)·Pe|d∉C2Nt.---(17)]]>很顯然，當(dāng)包含d時(shí)，即將達(dá)到ML最佳檢測(cè)性能，即表示ML檢測(cè)的符號(hào)錯(cuò)誤概率。當(dāng)不包含d時(shí)，即隨機(jī)選擇中的一個(gè)路徑作為最終檢測(cè)結(jié)果，數(shù)值實(shí)驗(yàn)結(jié)果表明的估計(jì)是合理的。這樣，(11)式可改寫(xiě)為Pe=·p·Pe0+(1-p)/2---(18)]]>當(dāng)參數(shù)ε給定時(shí)，根據(jù)(9)式可以確定k＝1,…,2Nt。這樣，概率可以由(10)式用適當(dāng)?shù)臄?shù)值計(jì)算方法算出。最后，注意到任何信噪比(SNR)下的ML檢測(cè)檢測(cè)性能Pe0為已知，Pe可由(12)式確定。反過(guò)來(lái)說(shuō)，如果給定檢測(cè)性能要求Pe，參數(shù)ε的對(duì)應(yīng)取值可以被確定。實(shí)際上，ε取值越小，檢測(cè)性能越接近ML最佳檢測(cè)性能。3)每層保留路徑的最大數(shù)量限制本發(fā)明所提出的LR輔助BFTS檢測(cè)方法中，每層保留路徑的最大數(shù)量受到限制。最大數(shù)量表示為Km。在父節(jié)點(diǎn)擴(kuò)展出子節(jié)點(diǎn)、超出累積度量上限的路徑被丟棄之后，如果所余的路徑數(shù)量大于Km，則保留Km個(gè)累計(jì)度量最小的路徑，其余丟棄。這樣做，檢測(cè)性能固然要受到一定程度的影響，但是，最大的計(jì)算復(fù)雜度受到限制，如果以大規(guī)模集成電路實(shí)現(xiàn)，則并行處理電路的規(guī)模受到限制，這是實(shí)際應(yīng)用中必須采取的措施。有益效果：為評(píng)價(jià)本發(fā)明提出的LR輔助BFTS(記為BFTS-LR)MIMO檢測(cè)方法的檢測(cè)性能與復(fù)雜度，擬針對(duì)Nt×Nr＝8×8，采用256QAM的未編碼MIMO系統(tǒng)進(jìn)行計(jì)算機(jī)仿真實(shí)驗(yàn)。算法的參數(shù)ε取值為ε＝Pe0(SNR)/10，其中Pe0(SNR)表示特定信噪比SNR下的ML最佳檢測(cè)的符號(hào)錯(cuò)誤概率。為便于比較，ML檢測(cè)器的仿真結(jié)果，以及基于MMSE的LR輔助依序逐次干擾消去檢測(cè)方法(MMSE-OSIC-LR)的仿真結(jié)果也同時(shí)給出。所有檢測(cè)器的格約減算法都采用LLL算法，算法參數(shù)δ取值為δ＝0.99以獲得最佳約減性能。本發(fā)明技術(shù)方案本發(fā)明所提出的LR輔助BFTSMIMO檢測(cè)器基本結(jié)構(gòu)如圖2所示。綜合上述措施，LR輔助BFTS檢測(cè)技術(shù)方案概括如下：實(shí)施例1:輸入：參數(shù)：k＝1,…,2Nt,Nc(＝2),Km。輸出:(發(fā)送符號(hào)向量的檢測(cè)結(jié)果).1：接收信號(hào)表示為：將接收信號(hào)及信道矩陣變?yōu)镸MSE形式，為方便起見(jiàn)，仍用原符號(hào)表示：即對(duì)信道矩陣進(jìn)行格約減，得到約減基幺模矩陣采用LLL算法，δ＝0.99。2：復(fù)數(shù)模型變換為實(shí)數(shù)模型，表示為x＝As+w，其中表示實(shí)數(shù)集合)，具體轉(zhuǎn)換方法：s=Re(s·)Im(s·),x=Re(x·)Im(x·),w=Re(w·)Im(w·),A=Re(A·)-Im(A·)Im(A·)Re(A·),]]>Re(·)表示取復(fù)數(shù)的實(shí)部，Im(·)表示取復(fù)數(shù)的虛部。接收信號(hào)以約減基表示：其中d＝U-1s。3:計(jì)算的偽逆矩陣計(jì)算對(duì)進(jìn)行QR分解，并將行向量按V-BLAST檢測(cè)順序進(jìn)行重新排序：計(jì)算注意R為下三角矩陣。4：開(kāi)始樹(shù)搜索，搜索順序?yàn)閗＝1,2,…,2Nt。(任意格點(diǎn)的度量定義為：λ(z)＝||R(y-z)||2，其中為任意整數(shù)向量。的從第1層到第k層的累積度量定義為：其中表示整數(shù)向量z的第1個(gè)元素到第k個(gè)元素所組成的向量，即ri表示R的第i行。)確定第k層的Kk個(gè)保留路徑，表示為集合其中m＝1,…,Kk表示整數(shù)向量z(k,m)的第1個(gè)元素到第k個(gè)元素所組成的向量，并且得到它們的累積度量m＝1,…,Kk。確定Ck的過(guò)程：1)第k-1層的每個(gè)父節(jié)點(diǎn)擴(kuò)展為Nc＝2個(gè)子節(jié)點(diǎn)。第k-1層的Kk-1個(gè)保留路徑為對(duì)應(yīng)的累積度量為m＝1,…,Kk-1。對(duì)于m＝1,…,Kk-1：計(jì)算：其中rkj、rkk表示矩陣R的第(k,j)、(k,k)個(gè)元素，zj(k+1,m)表示z(k+1,m)的第j個(gè)元素，yj表示y的第j個(gè)元素。量化判決得到子節(jié)點(diǎn)每個(gè)父節(jié)點(diǎn)zk-1(k-1,m)擴(kuò)展出Nc＝2個(gè)子節(jié)點(diǎn)，另一個(gè)子節(jié)點(diǎn)z(k,m,2)是：若z(k,m,2)＝z(k,m,1)+2。若z(k,m,2)＝z(k,m,1)-2。注意子節(jié)點(diǎn)的獲得采用了SE策略。2)首先得到第k層的Kk-1×2個(gè)路徑，并計(jì)算出它們的累積度量。Kk-1×2個(gè)路徑為[z1(k-1,m)…zk-1(k-1,m)z(k,m,n)]T,m＝1,…,Kk-1；n＝1,2它們對(duì)應(yīng)的累積度量為λk-11(zk-11(k-1,m))+Σj=1k-1[rkj(yj-zj(k-1,m))]2+[rkk(yk-z(k,m,n))]2,]]>m＝1,…,Kk-1；n＝1,23)在上述Kk-1×2路徑中，刪去累積度量超過(guò)設(shè)定上限的路徑。4)如果所余的路徑數(shù)量大于最大路徑數(shù)量Km，則對(duì)所余路徑的累積度量進(jìn)行排序，保留累積度量最小的Km個(gè)路徑。這樣就得到了第k層的Kk個(gè)保留路徑以及它們的累積度量m＝1,…,Kk。5:k←k+1，重復(fù)第4步，直至得到第k＝2Nt層的個(gè)保留路徑：計(jì)算在符號(hào)向量中，選擇度量最小，且其元素不超過(guò)所使用的QAM符號(hào)取值范圍的符號(hào)向量作為檢測(cè)結(jié)果如果所有都超出QAM符號(hào)取值范圍，則隨機(jī)選取其中之一作為最終檢測(cè)結(jié)果將轉(zhuǎn)換為復(fù)數(shù)形式在上述實(shí)施例1中，格約減是針對(duì)信道矩陣進(jìn)行的，或者說(shuō)是針對(duì)原始格的格約減。其實(shí)，格約減還可以針對(duì)信道矩陣的偽逆矩陣進(jìn)行，即針對(duì)對(duì)偶格進(jìn)行格約減。采用對(duì)偶格約減(DLR)的LR輔助BFTSMIMO檢測(cè)可作為本發(fā)明的實(shí)施例2，其檢測(cè)性能及計(jì)算復(fù)雜度與實(shí)施例1基本相同。檢測(cè)性能圖3示出BFTS-LR、MMSE-OSIC-LR及ML檢測(cè)器的誤符號(hào)率(SER)曲線?？梢钥闯觯词姑繉颖Ａ袈窂降淖畲髷?shù)量小到Km＝2，BFTS-LR的檢測(cè)性能也遠(yuǎn)優(yōu)于MMSE-OSIC-LR。當(dāng)Km僅增加到Km＝4時(shí)，BFTS-LR的檢測(cè)性能已十分逼近ML最佳檢測(cè)性能。計(jì)算復(fù)雜度圖4示出了各種檢測(cè)器的計(jì)算復(fù)雜度。因格約減、QR分解等預(yù)處理環(huán)節(jié)的計(jì)算復(fù)雜度是眾所周知的，圖中僅給出后續(xù)檢測(cè)環(huán)節(jié)的計(jì)算復(fù)雜度。計(jì)算復(fù)雜度以平均浮點(diǎn)運(yùn)算(FLOP)次數(shù)衡量?？偟膩?lái)看，BFTS-LR呈現(xiàn)出極低的計(jì)算復(fù)雜度。在中高信噪比范圍之內(nèi)，BFTS-LR的計(jì)算復(fù)雜度甚至可以與MMSE-OSIC-LR的計(jì)算復(fù)雜度相比擬。中高信噪比范圍粗略地定義為Pe0(SNR)<10-2時(shí)的信噪比范圍，Pe0(SNR)表示ML檢測(cè)的符號(hào)錯(cuò)誤概率?？梢?jiàn)中高信噪比范圍是實(shí)際應(yīng)用中使用的信噪比范圍。BFTS-LR的最大計(jì)算復(fù)雜度如果將BFTS-LR檢測(cè)中的累積度量限制去掉，樹(shù)搜索中每層所保留的路徑數(shù)量固定為K，則BFTS-LR演變?yōu)楣潭◤?fù)雜度的檢測(cè)方法，其檢測(cè)性能沒(méi)有變化，而其計(jì)算復(fù)雜度也就是BFTS-LR的最大復(fù)雜度，如圖4中虛線所示。這一實(shí)驗(yàn)說(shuō)明了兩個(gè)問(wèn)題。其一，BFTS-LR的最大計(jì)算復(fù)雜度是很低的。其二，最大復(fù)雜度顯著地高于平均復(fù)雜度。因此，實(shí)際中，采用固定復(fù)雜度的樹(shù)搜索是沒(méi)有必要的，不能改善檢測(cè)性能，而只是增加了計(jì)算復(fù)雜度，在大規(guī)模集成電路實(shí)現(xiàn)時(shí)，導(dǎo)致功耗和延時(shí)的增加。與已有檢測(cè)方法比較表1給出了3種檢測(cè)器的檢測(cè)性能惡化量(相對(duì)于ML檢測(cè)性能，達(dá)到同樣的SER所需的信噪比增加量)、平均復(fù)雜度和最大復(fù)雜度。MIMO系統(tǒng)為Nt×Nr＝8×8，256QAM，未編碼。所列數(shù)據(jù)均在符號(hào)錯(cuò)誤率SER＝10-5的條件下。表1BFTS-LR與已有LR輔助固定復(fù)雜度檢測(cè)方案的比較SER＝10-5檢測(cè)器1檢測(cè)器2檢測(cè)器3檢測(cè)性能惡化量0.2dB0.5dB3dB所需最大FLOP數(shù)量2.64×1037.57×1051.45×105所需平均FLOP數(shù)量1.02×1037.57×1051.45×105檢測(cè)器1：BFTS-LR，Km＝4，ε＝Pe0(SNR)/10(本發(fā)明檢測(cè)方法)。檢測(cè)器2：LR輔助固定復(fù)雜度球形譯碼(FSD-LR)，M＝36。檢測(cè)器3：LR輔助K-best，K＝16。由表1可知，本發(fā)明提供的BFTS-LR檢測(cè)方法，與已有的同類(lèi)檢測(cè)方案相比，不僅檢測(cè)性能惡化量進(jìn)一步減小，而且計(jì)算復(fù)雜度降低了2個(gè)數(shù)量級(jí)。實(shí)施例2:輸入：參數(shù)：ε,k＝1,…,2Nt,Nc(＝2),Km。輸出:(發(fā)送符號(hào)向量的檢測(cè)結(jié)果).1：接收信號(hào)表示為：將接收信號(hào)及信道矩陣變?yōu)镸MSE形式，為方便起見(jiàn)，仍用原符號(hào)表示：即計(jì)算信道矩陣的偽逆矩陣對(duì)偽逆矩陣進(jìn)行格約減，得到約減基幺模矩陣采用D-LLL算法，δ＝0.99。計(jì)算2：復(fù)數(shù)模型變換為實(shí)數(shù)模型，表示為x＝As+w，其中表示實(shí)數(shù)集合)，具體轉(zhuǎn)換方法：s=Re(s·)Im(s·),x=Re(x·)Im(x·),w=Re(w·)Im(w·),A=Re(A·)-Im(A·)Im(A·)Re(A·),]]>Re(·)表示取復(fù)數(shù)的實(shí)部，Im(·)表示取復(fù)數(shù)的虛部。接收信號(hào)以約減基表示：其中d＝U-1s。3:計(jì)算對(duì)進(jìn)行QR分解，并將行向量按V-BLAST檢測(cè)順序進(jìn)行重新排序：計(jì)算注意R為下三角矩陣。以下步驟與實(shí)施例1完全相同，略去。以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其等效物界定。當(dāng)前第1頁(yè)1 2 3