本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種基于大規(guī)模mimo的高效cr檢測(cè)方法和架構(gòu)。

背景技術(shù)：

大規(guī)模multiple-inputmultiple-output(massivemimo)作為下一代(5g)移動(dòng)通信的關(guān)鍵技術(shù)，和傳統(tǒng)mimo相比可以提供更好的頻譜效率并且更好地避免干擾。在5g移動(dòng)通信的具體應(yīng)用中，檢測(cè)技術(shù)是大規(guī)模mimo的必要一步，但是隨著天線數(shù)量的增加，信道矩陣的維度也隨之增加，這使得最小均方誤差(minimummeansquareerror,mmse)過濾矩陣和它的逆矩陣的計(jì)算變得極其困難，復(fù)雜度極高。因此為了降低復(fù)雜度，有了迭代法求逆的方法。成功降低復(fù)雜度并且取得較好性能的cg(conjugategradient)算法有一定的優(yōu)越性，但是其性能還不是非常理想，每次計(jì)算中也存在著較多矩陣向量的乘積，造成了更高的復(fù)雜度。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明針對(duì)現(xiàn)有技術(shù)存在的問題，提供一種基于大規(guī)模mimo的高效cr檢測(cè)方法和架構(gòu)，該發(fā)明在較優(yōu)越的cg基礎(chǔ)上解決復(fù)雜度的問題，在保持誤碼率性能的基礎(chǔ)上降低運(yùn)算復(fù)雜度，獲得更好的性能。

技術(shù)方案：本發(fā)明所述的基于大規(guī)模mimo的高效cr檢測(cè)方法包括：

(1)采用匹配濾波器根據(jù)基站接收信號(hào)向量y和信道矩陣h計(jì)算得到y(tǒng)^f＝h^hy；

(2)根據(jù)信道矩陣h計(jì)算得到gram矩陣g＝h^hh；

(3)根據(jù)gram矩陣g計(jì)算得到mmse檢測(cè)矩陣a＝g+σ²i²，其中，σ²表示噪聲方差，i表示單位矩陣；

(4)對(duì)mmse檢測(cè)矩陣a進(jìn)行不完全cholesky預(yù)處理得到矩陣m＝ll^t，并對(duì)ll^t求逆得到m^-1，最終得到經(jīng)過預(yù)處理的矩陣m^-1a；

(5)按照以下步驟進(jìn)行高效cr檢測(cè)：

a、設(shè)置v0＝0，b＝y(tǒng)^f，r0＝b，p0＝b，z0＝m^-1r0，e0＝ap0，m0＝az0，迭代次數(shù)k＝1；

b、按照下式計(jì)算：

c、將k＝k+1，并返回b進(jìn)行循環(huán)，直至達(dá)到預(yù)設(shè)迭代次數(shù)；

d、將迭代結(jié)束時(shí)的vk值作為發(fā)送信號(hào)的估計(jì)值進(jìn)行輸出。

本發(fā)明所述的基于大規(guī)模mimo的高效cr檢測(cè)架構(gòu)包括：

預(yù)處理模塊，包括匹配濾波器、gram矩陣生成器、mmse檢測(cè)矩陣生成器、ic預(yù)處理器，其中，匹配濾波器用于根據(jù)基站接收信號(hào)向量y和信道矩陣h計(jì)算得到y(tǒng)^f＝h^hy；gram矩陣生成器用于根據(jù)信道矩陣h計(jì)算得到gram矩陣g＝h^hh；mmse檢測(cè)矩陣生成器用于根據(jù)gram矩陣g計(jì)算得到mmse檢測(cè)矩陣a＝g+σ²i²，σ²表示噪聲方差，i表示單位矩陣；ic預(yù)處理器用于對(duì)mmse檢測(cè)矩陣a進(jìn)行不完全cholesky預(yù)處理得到矩陣m＝ll^t，并對(duì)ll^t求逆得到m^-1，最終得到經(jīng)過預(yù)處理的矩陣m^-1a；

高效cr檢測(cè)模塊，用于采用乘法器、加法器、共軛轉(zhuǎn)置計(jì)算陣列、延時(shí)器、除法模塊以及向量取模模塊進(jìn)行以下運(yùn)算：

a、設(shè)置v0＝0，b＝y(tǒng)^f，r0＝b，p0＝b，z0＝m^-1r0，e0＝ap0，m0＝az0，迭代次數(shù)k＝1；

b、按照下式計(jì)算：

c、將k＝k+1，并返回b進(jìn)行循環(huán)，直至達(dá)到預(yù)設(shè)迭代次數(shù)；

輸出模塊，用于將迭代結(jié)束時(shí)的vk值作為發(fā)送信號(hào)的估計(jì)值進(jìn)行輸出。

有益效果：本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)是：本發(fā)明通過消除cg算法中每一次迭代的矩陣向量乘積a*p(p為計(jì)算過程中輔助殘差的中間變量)，cr算法有效降低了復(fù)雜度并且是解決hermitian問題的算法，接著本發(fā)明提供了基于上述cr算法的高效實(shí)現(xiàn)，即通過incompletecholesky(ic)預(yù)處理來優(yōu)化cr算法的性能，通過在每一次迭代中在殘差向量r前乘以ic預(yù)處理的結(jié)果l^hl的逆矩陣，得到了最終的高效cr算法，其誤碼率性能超越了cg和cr。

附圖說明

圖1是本發(fā)明提供的基于大規(guī)模mimo的高效cr檢測(cè)架構(gòu)示意圖；

圖2是發(fā)射天線數(shù)為32，接收天線數(shù)為128，可調(diào)常數(shù)為1/9時(shí)，采用本發(fā)明cr和高效cr算法和其他檢測(cè)算法的誤碼率曲線圖；

圖3是發(fā)射天線數(shù)為16，接收天線數(shù)為128，可調(diào)常數(shù)為1/9時(shí)，采用本發(fā)明cr和高效cr算法和其他檢測(cè)算法的誤碼率曲線圖；

圖4是發(fā)射天線數(shù)為8，接收天線數(shù)為128，可調(diào)常數(shù)為1/9時(shí)，采用本發(fā)明cr和高效cr算法和其他檢測(cè)算法的誤碼率曲線圖；

圖5是信噪比為20db，接收天線數(shù)為128，可調(diào)常數(shù)為1/9時(shí)cr和cg算法復(fù)雜度與發(fā)射天線數(shù)量關(guān)系的曲線圖；

圖6是信噪比為20db，接收天線數(shù)為128，可調(diào)常數(shù)為1/9時(shí)高效cr和其他算法的復(fù)雜度與發(fā)射天線數(shù)量關(guān)系的曲線圖。

具體實(shí)施方式

本實(shí)施例中建立了一個(gè)大規(guī)模mimo信道模型進(jìn)行模擬操作。在大規(guī)模mimo系統(tǒng)中，如果基站端天線數(shù)為n，用戶端天線數(shù)為m，則一般有n＞＞m。令s＝[s1,s2,s3,...,sm]^t表示信號(hào)向量，s中包含了從m個(gè)用戶產(chǎn)生的傳輸符號(hào)，均采用64-qam方式進(jìn)行映射。h表示維度是n×m的信道矩陣，故上行鏈路基站端的接收信號(hào)向量y可以表示為

y＝hs+n

其中y的維度為n×1，n為n×1維的加性白噪聲向量。上行鏈路的信號(hào)檢測(cè)就是通過接收機(jī)接收向量y＝[y1,y2,y3,...,yn]^t估計(jì)出原傳輸信號(hào)符號(hào)s。假設(shè)h已知，其元素服從均值為0方差為1的獨(dú)立同分布，采用最小均方誤差(mmse)線性檢測(cè)方法，傳輸信號(hào)向量的估計(jì)表示為

為了根據(jù)y檢測(cè)得到本實(shí)施例提供了一種基于大規(guī)模mimo的高效cr檢測(cè)方法和架構(gòu)，方法包括：

(1)采用匹配濾波器根據(jù)基站接收信號(hào)向量y和信道矩陣h計(jì)算得到y(tǒng)^f＝h^hy；

(2)根據(jù)信道矩陣h計(jì)算得到gram矩陣g＝h^hh；

(3)根據(jù)gram矩陣g計(jì)算得到mmse檢測(cè)矩陣a＝g+σ²i²，其中，σ²表示噪聲方差，i表示單位矩陣；

(4)對(duì)mmse檢測(cè)矩陣a進(jìn)行不完全cholesky預(yù)處理得到矩陣m＝ll^t，并對(duì)ll^t求逆得到m^-1，最終得到經(jīng)過預(yù)處理的矩陣m^-1a；

(5)按照以下步驟進(jìn)行高效cr檢測(cè)：

a、設(shè)置v0＝0，b＝y(tǒng)^f，r0＝b，p0＝b，z0＝m^-1r0，e0＝ap0，m0＝az0，迭代次數(shù)k＝1；

b、按照下式計(jì)算：

c、將k＝k+1，并返回b進(jìn)行循環(huán)，直至達(dá)到預(yù)設(shè)迭代次數(shù)；

d、將迭代結(jié)束時(shí)的vk值作為發(fā)送信號(hào)的估計(jì)值進(jìn)行輸出。

如圖1所示，本實(shí)施例的架構(gòu)包括：

預(yù)處理模塊，包括匹配濾波器、gram矩陣生成器、mmse檢測(cè)矩陣生成器、ic預(yù)處理器，其中，匹配濾波器用于根據(jù)基站接收信號(hào)向量y和信道矩陣h計(jì)算得到y(tǒng)^f＝h^hy；gram矩陣生成器用于根據(jù)信道矩陣h計(jì)算得到gram矩陣g＝h^hh；mmse檢測(cè)矩陣生成器用于根據(jù)gram矩陣g計(jì)算得到mmse檢測(cè)矩陣a＝g+σ²i²，σ²表示噪聲方差，i表示單位矩陣；ic預(yù)處理器用對(duì)mmse檢測(cè)矩陣a進(jìn)行不完全cholesky預(yù)處理得到矩陣m＝ll^t，并對(duì)ll^t求逆得到m^-1，最終得到經(jīng)過預(yù)處理的矩陣m^-1a；

高效cr檢測(cè)模塊，用于采用乘法器、加法器、共軛轉(zhuǎn)置計(jì)算陣列、延時(shí)器、除法模塊以及向量取模模塊進(jìn)行以下運(yùn)算：

a、設(shè)置v0＝0，b＝y(tǒng)^f，r0＝b，p0＝b，z0＝m^-1r0，e0＝ap0，m0＝az0，迭代次數(shù)k＝1；

b、按照下式計(jì)算：

c、將k＝k+1，并返回b進(jìn)行循環(huán)，直至達(dá)到預(yù)設(shè)迭代次數(shù)；

輸出模塊，用于將迭代結(jié)束時(shí)的vk值作為發(fā)送信號(hào)的估計(jì)值進(jìn)行輸出。

對(duì)于天線配置為128×32,128×16,128×8的大規(guī)模mimo系統(tǒng)，采用64-qam映射，與ic計(jì)算相關(guān)的可調(diào)常數(shù)為1/9，基于上述算法的大規(guī)模mimo檢測(cè)算法的仿真結(jié)果見圖2，圖3和圖4。

復(fù)雜度方面，考慮算法中復(fù)數(shù)乘法的個(gè)數(shù)，令迭代次數(shù)為k，q為下三角矩陣l中的0的個(gè)數(shù)。與cg相比，發(fā)明cr算法的復(fù)雜度為2m²+k*(m²+7m)，cg的復(fù)雜度為k*(2m²+6m)，二者比較示意圖見圖5。與傳統(tǒng)求逆相比，高效cr算法的復(fù)雜度為而傳統(tǒng)求逆的復(fù)雜度為其比較示意圖見圖6。由仿真結(jié)果可知，本發(fā)明cr算法將cg的復(fù)雜度降低了20％左右，而高效cr算法將傳統(tǒng)求逆的復(fù)雜度降低了66％左右。復(fù)雜度比較見表1。在完成相同性能的前提下，本發(fā)明cr算法的復(fù)雜度小于cg算法的復(fù)雜度而本發(fā)明高效cr算法的復(fù)雜度小于傳統(tǒng)求逆的復(fù)雜度。

表1

以上所揭露的僅為本發(fā)明一種較佳實(shí)施例而已，不能以此來限定本發(fā)明之權(quán)利范圍，因此依本發(fā)明權(quán)利要求所作的等同變化，仍屬本發(fā)明所涵蓋的范圍。