技術(shù)特征：

1.格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，其特征在于，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；

(4)開(kāi)始樹(shù)搜索，搜索順序?yàn)閗＝1,2,…,2N_t，其中，N_t為發(fā)送天線數(shù)，也是復(fù)符號(hào)向量的維數(shù)；2N_t為實(shí)數(shù)化后符號(hào)向量的維數(shù)；k為任意2N_t維整數(shù)向量的元素的下標(biāo)，表示整數(shù)域，表示2N_t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)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r_i表示R的第i行；

確定第k層的K_k個(gè)保留路徑，表示為集合其中表示整數(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

(5)k←k+1，重復(fù)步驟(4)，直至得到第k＝2N_t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

2.根據(jù)權(quán)利要求1所述的格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，其特征在于，

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。

3.根據(jù)權(quán)利要求1或2所述的格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，其特征在于，

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。

4.根據(jù)權(quán)利要求1或2所述的格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，其特征在于，

步驟(4)中，C_k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N_c＝2個(gè)子節(jié)點(diǎn)，

第k-1層的K_k-1個(gè)保留路徑為對(duì)應(yīng)的累積度量為

對(duì)于m＝1,…,K_k-1：

計(jì)算：其中r_kj、r_kk分別表示矩陣R的第(k,j)、(k,k)個(gè)元素，z_j(k+1,m)表示z(k+1,m)的第j個(gè)元素，y_k、y_j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)z_k-1(k-1,m)擴(kuò)展出N_c＝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；

從而得到第k層的K_k-1×2個(gè)路徑；

(4-2)在K_k-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K_m，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K_m個(gè)路徑作為第k層的保留路徑C_k。

5.根據(jù)權(quán)利要求4所述的格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，其特征在于，步驟(4-2)中，K_k-1×2個(gè)路徑為

[z₁(k-1,m)…z_k-1(k-1,m)z(k,m,n)]^T,m＝1,…,K_k-1；n＝1,2

它們對(duì)應(yīng)的累積度量為

$\begin{array}{c}{\mathrm{\λ}}_{k-1}^1\left(z_{k-1}^1\right(k-1,m\left)\right)+{\mathrm{\Σ}}_{j=1}^{k-1}{\[r_{kj}(y_j-z_j(k-1,m\left)\right)\]}^2+{\[r_{kk}(y_k-z(k,m,n\left)\right)\]}^2,\\ m=1,\mathrm{...},K_{k-1};n=1,2\end{array}$

6.根據(jù)權(quán)利要求4所述的格約減輔助廣度優(yōu)先樹(shù)搜索MIMO檢測(cè)方法，其特征在于，

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

各層累積度量上限的確定：

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＝||Q^Tw||²＝||ν||² (1)

其中，ν＝Q^Tw，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,…,2N_t；

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

$P\left({\mathrm{\λ}}_k^1\right(d_k^1)\≤{\stackrel{\‾}{\mathrm{\λ}}}_k^1)=1-\mathrm{\ϵ}---\left(2\right)$

其中，0＜ε＜＜1為一常數(shù)，由(8)式可見(jiàn)，ε為的概率，則有

${\stackrel{\‾}{\mathrm{\λ}}}_k^1=F^{-1}(1-\mathrm{\ϵ},k)\·{\mathrm{\σ}}_w^2---\left(3\right)$

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；分析可知，

$\begin{array}{c}p=\underset{k=1}{\overset{2N_t}{\Π}}P\left(d_k^1\∈C_k|d_1^1\∈C_1,\mathrm{...},d_{k-1}^1\∈C_{k-1}\right)\\ =\underset{k=1}{\overset{2N_t}{\Π}}P\left({\mathrm{\ν}}_1^2+\mathrm{...}+{\mathrm{\ν}}_k^2\≤{\stackrel{\‾}{\mathrm{\λ}}}_k^1|{\mathrm{\ν}}_1^2\≤{\stackrel{\‾}{\mathrm{\λ}}}_1^1,\mathrm{...},{\mathrm{\ν}}_1^2+\mathrm{...}+{\mathrm{\ν}}_{k-1}^2\≤{\stackrel{\‾}{\mathrm{\λ}}}_{k-1}^1\right)\end{array}---\left(4\right)$

最終的符號(hào)錯(cuò)誤概率為

$P_e=p\·P_e|d\∈C_{2N_t}+(1-p)\·P_e|d\∉C_{2N_t}.---\left(5\right)$

當(dāng)包含d時(shí)，即將達(dá)到ML最佳檢測(cè)性能，即P_e0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

$P_e\stackrel{\·}{=}p\·P_{e0}+(1-p)/2---\left(6\right)$

當(dāng)參數(shù)ε給定時(shí)，根據(jù)(9)式可以確定這樣，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P_e0為已知，P_e可由(12)式確定；

即給定檢測(cè)性能要求P_e，參數(shù)ε的對(duì)應(yīng)取值就被確定。