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=hhy;
(2)根據(jù)信道矩陣h計(jì)算得到gram矩陣g=hhh;
(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=llt,并對(duì)llt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=hhy;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=hhh;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=llt,并對(duì)llt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lhl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
(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=hhy;
(2)根據(jù)信道矩陣h計(jì)算得到gram矩陣g=hhh;
(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=llt,并對(duì)llt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=hhy;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=hhh;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=llt,并對(duì)llt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
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。