本發(fā)明屬于無線通信技術(shù)領(lǐng)域，具體涉及差分空間調(diào)制(differential spatial modulation，DSM)通信系統(tǒng)中的一種信號檢測方法。

背景技術(shù)：

對于DSM系統(tǒng)，傳輸?shù)谋忍胤謩e用于調(diào)制天線排列矩陣和激活天線上傳輸?shù)腖-PSK符號。理論上來說，所有的可能的天線排列矩陣有N_t！個(gè)，但是實(shí)際上只能選用其中個(gè)用來調(diào)制信息，剩余的天線排列矩陣視為無效，其中，表示取整函數(shù)。天線排列矩陣A_q(q＝1,2,...,Q)是N_t×N_t的滿秩矩陣，A_q的每一列都只有一個(gè)非零元素。因此，每個(gè)天線排列矩陣A_q一對一地對應(yīng)一個(gè)天線序列向量其中(j＝1,2,...,N_t)代表著A_q的第j列元素中非零元素的位置。Q個(gè)天線排列矩陣A_q(q＝1,2,...,Q)對應(yīng)Q個(gè)天線序列向量

在每N_t個(gè)時(shí)隙里，發(fā)送一個(gè)N_t×N_t的空時(shí)矩陣X_k，傳遞B＝log₂(Q)+N_tlog₂(L)比特的信息。其中，B₁＝log₂(Q)個(gè)比特用于在Q個(gè)可能的天線排列矩陣中選擇一個(gè)A_q，另外B₂＝N_tlog₂(L)個(gè)比特用于調(diào)制N_t個(gè)L-PSK符號所以，得到第k個(gè)發(fā)送矩陣為：其中，diag[·]表示將向量對角化為矩陣。

DSM系統(tǒng)的差分調(diào)制為：S_k＝S_k-1X_k,其中，初始化S₀為(N_t×N_t)的對角矩陣。

在接收端，收到的第k個(gè)接收矩陣表示為：Y_k＝H_kS_k+n_k,其中，和分別表示信道矩陣和噪聲矩陣，它們的元素分別滿足和的復(fù)高斯分布。假定信道參數(shù)在N_t個(gè)時(shí)隙里保持不變，有H_k-1≈H_k。收到的Y_k可以表示為：Y_k＝Y(jié)_k-1X_k+N_k,其中，N_k＝n_k-n_k-1X_k。

DSM的ML檢測可以表示為：其中，χ是所有有效的DSM發(fā)射矩陣的集合，隨著N_t指數(shù)增長。因此，當(dāng)DSM系統(tǒng)的傳輸速率較高時(shí)，ML檢測并不實(shí)用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提出一種低復(fù)雜度差分檢測方法。相比于傳統(tǒng)的逐塊搜索的ML檢測，本專利提出的檢測算法采用逐符號檢測。具體來說，首先跟傳統(tǒng)的空間調(diào)制檢測一樣，先在每個(gè)時(shí)隙分別進(jìn)行估計(jì)，得到每個(gè)時(shí)隙激活天線的序號和相應(yīng)的符號然后，這N_t個(gè)估計(jì)的天線索引共同決定激活的天線矩陣的索引。

低復(fù)雜度差分檢測方法，包括以下步驟：

S1、對于i＝1,2,...,N_t，利用HL-ML檢測算法得到N_t個(gè)初步估計(jì)的序號和符號最終可以得到和其中，是Y_k的第i列，是Y_k-1的第l_i列，是數(shù)字解調(diào)程序；

S2、對于所有可能的天線索引向量依次與S1得到的進(jìn)行比較，記N_q為與L_q的相同元素?cái)?shù)目，可以得到N＝[N₁,...,N_q,...,N_Q]，將所述N中的元素按照降序排列，得到其中，和分別是N中的最大元素和最小元素，記m_q為與相應(yīng)的天線排列矩陣的序號，得到m＝[m₁,...,m_q,...,m_Q]；

S3、如果認(rèn)為得到的有效，與之相應(yīng)的即為最終的檢測結(jié)果；

S4、如果認(rèn)為得到的無效，定義Q_M作為N中的最大元素的數(shù)量，選擇m＝[m₁,...,m_q,...,m_Q]中的前P種有效的天線排列矩陣進(jìn)行進(jìn)一步的檢測，其中，P≥Q_M，是天線排列矩陣A_q對應(yīng)的天線索引向量L_q的第j個(gè)元素，j＝1,2,...,N_t。

本發(fā)明的有益效果是：

本發(fā)明結(jié)合HL-ML檢測和ML檢測，首先通過逐時(shí)隙進(jìn)行HL-ML檢測得到激活天線和傳輸符號的初步結(jié)果，減少計(jì)算復(fù)雜度，在初步檢測結(jié)果不理想的情況下，擴(kuò)大搜索空間進(jìn)行進(jìn)一步的檢測以提高檢測精度。本發(fā)明相對于ML檢測而言，大大縮小了最大后驗(yàn)概率檢測的搜索空間，從而大大降低了運(yùn)算復(fù)雜度；并可達(dá)到與ML概率檢測近似的檢測精度。

附圖說明

圖1是不同天線配置下的初步檢測得到的天線序號向量有效的概率隨著信噪比的變化。圖(a)是N_t＝4，N_r＝4，圖(b)是N_t＝6，N_r＝6。

圖2是不同天線配置下不同檢測算法的性能對比圖。圖(a)是N_t＝4，N_r＝4，圖(b)是N_t＝6，N_r＝6。

圖3是不同天線配置下不同檢測算法的計(jì)算復(fù)雜度對比圖。圖(a)是N_t＝4，N_r＝4，圖(b)是N_t＝6，N_r＝6。

具體實(shí)施方式

下面將結(jié)合實(shí)施例和附圖，對本發(fā)明方法進(jìn)行進(jìn)一步說明。

本發(fā)明結(jié)合HL-ML檢測和ML檢測，首先通過逐時(shí)隙進(jìn)行HL-ML檢測得到激活天線和傳輸符號的初步結(jié)果，減少計(jì)算復(fù)雜度，在初步檢測結(jié)果不理想的情況下，擴(kuò)大搜索空間進(jìn)行進(jìn)一步的檢測以提高檢測精度。本發(fā)明相對于ML檢測而言，大大縮小了最大后驗(yàn)概率檢測的搜索空間，從而大大降低了運(yùn)算復(fù)雜度；并可達(dá)到與ML概率檢測近似的檢測精度。

S1、對于i＝1,2,...,N_t，利用HL-ML檢測算法得到N_t個(gè)初步估計(jì)的序號和符號最終可以得到和其中，是Y_k的第i列，是Y_k-1的第l_i列，是數(shù)字解調(diào)程序；

S2、對于所有可能的天線索引向量依次與S1得到的進(jìn)行比較，記N_q為與L_q的相同元素?cái)?shù)目，可以得到N＝[N₁,...,N_q,...,N_Q]，將所述N中的元素按照降序排列，得到其中，和分別是N中的最大元素和最小元素，記m_q為與相應(yīng)的天線排列矩陣的序號，得到m＝[m₁,...,m_q,...,m_Q]；

S3、如果認(rèn)為得到的有效，與之相應(yīng)的即為最終的檢測結(jié)果；

S4、如果認(rèn)為得到的無效，需要進(jìn)行進(jìn)一步的檢測。這種情況下N中的最大元素可能不止一個(gè)。定義Q_M作為N中的最大元素的數(shù)量，選擇m＝[m₁,...,m_q,...,m_Q]中的前P種有效的天線排列矩陣進(jìn)行進(jìn)一步的檢測，其中，P≥Q_M，是天線排列矩陣A_q對應(yīng)的天線索引向量L_q的第j個(gè)元素，j＝1,2,...,N_t。

圖1是不同天線配置下的初步檢測得到的天線序號向量有效的概率隨著信噪比的變化。圖(a)是N_t＝4，N_r＝4，圖(b)是N_t＝6，N_r＝6。圖2和圖3中ML表示傳統(tǒng)的ML檢測方法，LBD表示本發(fā)明提供的低復(fù)雜度檢測方法。圖2是不同天線配置下不同檢測算法的性能對比圖。圖(a)是N_t＝4，N_r＝4，圖(b)是N_t＝6，N_r＝6。圖3是不同天線配置下不同檢測算法的計(jì)算復(fù)雜度對比圖。圖(a)是N_t＝4，N_r＝4，圖(b)是N_t＝6，N_r＝6。