CN101047468A - 自适应选择的多输入多输出系统的检测方法 - Google Patents

Abstract

一种自适应选择的QRM多输入多输出检测方法，包括步骤：a)对信道矩阵H进行QR分解，得到正交矩阵Q和上三角矩阵R；b)用Q的共轭矩阵与接收信号相乘以便对接收信号进行变换，得到接收信号向量；c)对第i级的M_i个生存路径进行自适应选择；d)判断是否到达最后一级，如果到达最后一级，输出最后一级的M_N个生存路径及其度量值；e)如果步骤c判断没有到达最后一级，重复步骤b)之后的步骤，对下一级的生存路径进行自适应选择。本发明的方法与完全的QRM相比，降低了计算欧氏距离度量的次数，而选择的生存路径与完全的QRM相同。

Description

自适应选择的多输入多输出系统的检测方法

技术领域

本发明涉及一种在多自适应选择的QRM多输入多输出系统(MIMO)的检测方法，通过自适应选择的方式选出需要的M个生存路径，并降低计算欧氏距离度量的次数。

背景技术

多输入多输出(MIMO)技术是无线移动通信领域智能天线技术的重大突破。MIMO技术是指数据的发送和接收都采用了多根天线。研究表明，利用MIMO技术可以提高信道的容量，同时也可以提高信道的可靠性，降低误码率。MIMO系统的最大容量或容量上限随最小天线数的增加而线性增加。而在同样条件下，在接收端或发射端采用多天线或天线阵列的普通智能天线系统，其容量仅随天线数量的对数增加而增加。相对而言，MIMO技术对于提高无线通信系统的容量具有极大的潜力，是新一代移动通信系统采用的关键技术。

在MIMO系统中，发送端和接收端具有多个天线。可以假设发送端有NT根天线，接收端有NR根天线。接收端利用导频从接收信号中估计出信道信息。接收信号的模型可以表示为下面的公式(1)。

              r＝Hs+n    (1)

式(1)中r表示接收信号，H为信道矩阵，n为噪声信号，s为发射天线发送的符号序列。对于发送端的NT根发送天线，可以令发送符号序列s＝[s₁，…，s_NT]^T，表示传送符号的NT×1维向量。其中s_i为第i根天线发送的符号。相应的NR×1根接收天线的信号向量为r＝[r₁，…，r_NR]^T；在公式(1)中，n＝[n₁，…，n_NR]^T表示在nr根接收天线上的零均值，方差为σ²的白高斯噪声。H为NR×NT信道矩阵。MIMO接收机检测器的目的是从接收向量r中恢复发送符号s。

在目前检测算法当中，通常采用最小均方误差(MMSE)，V-BLAST(垂直贝尔实验室分层空时方式)，最大似然法(MLD)。与最小均方误差(MMSE)，V-BLAST(垂直贝尔实验室分层空时方式)相比，最大似然法(MLD)在更低的信噪比下可获得相同的误码率或误块率，有效地提高了带宽利用率，满足高速通信的要求。最大似然法(MLD)是指遍历s的所有可能性，找到使|r-Hs|²最小的s。然而，众所周知，最大似然法的复杂度随着调制点数和天线数量的增加而成指数地增长。NTT-Docomo公司提出将对信道矩阵H进行QR分解与M算法相结合来实现MLD，可以在不损失性能的前提下，有效地降低运算量，成为颇具前途的研究方法，该方法简称为QRM-MLD算法。

QRM-MLD基于多天线系统，接收端具有多个天线，首先QRM-MLD算法利用导频从接收信号中估计出信道信息，然后根据各个天线信道衰落的信噪比，按照从小到大的顺序对各天线的接收信号以及信道矩阵，重新进行排列。然后QRM-MLD算法对重新排列后的信道矩阵H进行QR分解，从而得到正交矩阵Q和上三角矩阵R，如下面的公式(2)所示。

        H＝QR           (2)

在公式(2)中，R为上三角矩阵，NT×NR矩阵Q各列相互正交，且各列的范数为1，即表示成下面的公式(3)

        Q^HQ＝I_NT×NT    (3)

利用Q的共轭矩阵与接收信号r相乘，得到下面公式(4)表示的向量y，

        y＝Q^Hr＝Rs+η   (4)

在公式(4)中，η＝Q^Hn，统计特性与噪声n一样。M算法将向量y看作接收信号，矩阵R看作信道，从R的最后一行开始，逐级做M选点的MLD检测算法。

在QRM_MLD检测中，将公式(4)展开，得到下面的公式(5)

其检测过程从s_NT开始，一直到s₁。在公式(5)中，s_NT为第1级，s₁为第NT级。当到达第一级时得到NT根发送天线的符号估计。在QRM中的每一级设置生存的路径数，并计算每一级的欧氏距离。

图1示出了QRM_MLD方法的示意图。即QRM-MLD算法利用导频对接收天线接收的信号进行信道估计，然后根据各个天线信道衰落的信噪比，按照从小到大的顺序对各天线的接收信号以及信道矩阵，重新进行排列。此后，对信道矩阵H进行QR分解，然后将Q的共轭矩阵与接收信号相乘。在此后的步骤中，复制发送符号s，计算欧氏距离，并选择生存节点。

图2给出了QRM每一级的示意图。在QRM_MLD方法中，所说的生存路径(幸存路径)，就是在某一级中，被保留下来的路径。在图2中，假设使用QPSK调制发送符号，则每个符号有4种可能。可以假设前3级的幸存路径为2，3，4。则最后剩下的4个幸存路径的符号估计分别为[a，c，f]、[a，c，g]、[a，d，h]、[b，e，i]，如图2所示。例如，图2中的第三级，路径acf、acg、adh、bei是第三级的生存路径。而且每个生存路径都对应一个欧氏距离，其对应的关系从公式(5)中可得到如下。

Kenichi Higuchi等人发表的题为“Adaptive Selection of SurvivingSymbol Replica Candidates Based on Maximum Reliability in QRM-MLD forOFCDM MIMO Multiplexing”的文章(参考文献1，参见Globecom 2004，2480-2486)给出了基于自适应选择的QRM_MLD算法。参考文献1基本思想是：

根据父节点，确定其子节点的顺序(可以根据事先的排序表来查找)。

图3给出了父节点与子节点的相对示意图。可以假设现在父节点的位置在i-1级，现在要确定的子节点i中各个调制星座点的可靠性排序。根据公式(5)，可以得到下面的公式(6)

${\hat{s}}_{N-i+1}=\frac{y_{N-i+1}-\underset{j=N-i+2}{\overset{N}{\mathrm{\Σ}}}{R}_{N-i+1,j}{s}_j}{R_{N-i+1,N-i+1}}---\left(6\right)$

在公式(6)中，s_N-i+2，…，s_N为此路径下第i级以上的符号估计。然后，根据

在二维空间中的位置来确定各个星座点的排序。可以通过查表来确定各星座点的排序，如图4(a)、(b)、(c)、(d)所示。在图4中，×表示星座点的位置。在图4中，首先将空间分为若干块，如图4(a)所示，星座点是16QAM，将空间分为64块，对应每一个区域，都有一个星座点的可靠性排序表。然后根据接收点位于哪个区域，通过对应的可靠性排序表查表得到星座点的排序。其确定的方法如下所示。

第一步：坐标轴如图4(a)所示，判断

位于哪个象限，判断的象限如阴影所示。

第二步：首先移动坐标轴，如图4(b)所示，在图4(b)中，四象限的区域就是在图4(a)中的阴影部分。然后在新的四象限区确定判断的

位于哪个象限。

第三步：首先移动坐标轴，如图4(c)所示，在图4(c)中，四象限的区域就是在图4(b)中的阴影部分。然后在新的四象限区确定判断的

位于哪个象限。

第四步：确定了

位于64个区域的那个区域，然后根据位于的区域查到对应的表得到对

来说，星座点的可靠性排序。

在当前层，根据自适应选择的方法得到当前M个候选的输出。

举例如下，假设各级的生存路径都为3，每个父节点下面有两个子节点。图5中给出了第i-1级的3个生存路径的度量(metric)。图6给出了第i级的6个度量值。并按大小排序(完全的QRM_MLD的方法)。并标出了哪三个度量值对应了幸存路径。图7以树的结构表示了图5和图6。

参考文献1中的自适应选择方法如下：

对第i-1级的M_i-1个度量值进行排序，作为i级度量值的初始值。从中选出最小的，并在此i-1级的节点下，从排好序的子节点中(度量值从下到大)挑出度量值最小的子节点，作为选出的第一个。然后计算此父节点下这个子节点的度量值，并更新度量值。然后在更新的度量值中选最小的值，并重复以上过程，直到选择了M_i个生存路径为止。图8、图9a、图9b分别以度量值和树形图的方式给出了选择的示意图。

从图8中看出，假设M＝3，幸存路径所对应的度量值的排序序号为4、1、3。而按完全的QRM_MLD得到的排序序号是1，2，3。这就造成了所得到的生存路径对应的M个度量值不是最小的M个，从而使性能受到损失。

参考文献1中揭示的QRM自适应的方法不能找到最小的M个度量值的原因在于，如图8所示，在左边比较时，开始选择第一个度量值时，选出i-1阶的度量为最小的值，然后根据先前排序。在此父节点下，选出最小的子节点作为第一个生存路径，并得到新的度量值来更新旧的度量值。如图8的第1步所示。在选择的过程中也是如此，其基本方式为：根据当前的最小的度量值，来选择下一个的幸存路径，来选择子节点(第1步)或兄弟节点(第4步)。但是，父节点(兄节点)的度量最小，但子节点(弟节点)不一定最小，例如第1步。而且，参考文献1中的方法是父节点和子节点的度量一起比较，例如第3步。造成得到的M个度量值的顺序不是从小到大的顺序得到的。如图8所示，如果M＝6，得到的顺序是4，1，3，2，6，5。如M＝3，得到的顺序是4、1、3。

如果真正的最大似然解是标号为2的度量值所对应的生存路径，那么在第i级，最大似然解的路径已经被丢掉了。而在第i级，QRM_MLD的生存路径包含了最大似然解的生存路径。

Hiroyuki Kawai等人发表的题为“Likelihood function for QRM-MLDsuitable for soft-decision turbo decoding and its performance for OFCDMMIMO multiplexing in multipath fading channel”的文章(作为参考文献2，参见IEICE Trans.Commun.，vol.E88-B，No.1，Jan.，2005，pp：47-56)公开了一种适用于QRM-MLD的软判断方法。然而，参考文献2同样存在着上述问题，即所得到的生存路径对应的M个度量值不是最小的M个，从而使性能受到损失问题。

发明内容

鉴于上述问题，提出了本发明。本发明的目的是提供一种自适应选择的QRM MIMO检测方法，该方法能够根据某个父节点下子节点的可靠性顺序，通过自适应选择的方式选出需要的M个生存路径。

为了实现本发明的目的，根据本发明的一个方面，提供一种自适应选择的QRM多输入多输出检测方法，包括步骤：a)对信道矩阵H进行QR分解，得到正交矩阵Q和上三角矩阵R；b)用Q的共轭矩阵与接收信号相乘以便对接收信号进行变换，得到经变换的接收信号；c)对第i级的M_i个生存路径进行自适应选择；d)判断是否到达最后一级，如果到达最后一级，输出最后一级的M_N个生存路径及其度量值；e)如果步骤c判断没有到达最后一级，重复步骤b之后的步骤，对下一级的生存路径进行自适应选择。

根据本发明的另一个方面，提供一种自适应选择的QRM多输入多输出检测方法，包括步骤：a)对接收信号进行变换，使靠近调制中心的一个星座点位于星座图的原点；b)进行预处理，将经过变换的接收信号的实部与虚部分开；c)对经过处理的接收信号进行QR分解，得到正交矩阵Q和上三角矩阵R；d)用Q的共轭矩阵与接收信号相乘以便对接收信号进行变换，得到经变换的接收信号；e)对第i级的M_i个生存路径进行自适应选择；f)判断是否到达最后一级，如果到达最后一级，输出最后一级的M_N个生存路径及其度量值；g)如果步骤f判断没有到达最后一级，重复步骤e之后的步骤，对下一级的生存路径进行自适应选择。

与传统的自适应选择的方法相比，本发明的方法克服了传统的自适应选择选出的M个生存路径的度量值可能不是度量值最小的M个的缺点。与完全的QRM相比，降低了计算欧氏距离度量的次数，而选择的生存路径与完全的QRM相同。

附图说明

通过阅读和理解下面参考附图对本发明优选实施例所做的详细描述，将使本发明的这些和其它目的、特征、和优点变得显而易见。其中：

图1是根据现有技术的QRM_MLD的方法的示意图；

图2是现有技术的QRM的示意图；

图3是表示父节点与子节点的相对关系的示意图；

图4a至4d是表示现有技术(参考文献1)根据位置查表进行排序的示意图；

图5示出了第i-1级的3个生存路径的(度量)的示意图；

图6示出第i级的6个度量值，并进行排序的示意图；

图7是以树的结构表示图5和图6所示的关系的示意图；

图8是根据现有技术(参考文献1)以度量值的方式给出了选择的示意图；

图9a至图9b分别以树形图的方式给出了现有技术(参考文献1)选择的示意图；

图10是表示根据本发明实施例1的在第i级的自适应QRM的方法的流程图；

图11是表示根据本发明实施例的QRM自适应方法的流程图；

图12a～图12f是根据本发明实施例以度量值的方式进行选择的示意图；

图13a是16QAM调制的示意图；

图13b是变换后的调制示意图；

图14是表示根据本发明实施例2的自适应QRM的方法的流程图；和

图15是实部与虚部单独划分的区域的示意图。

具体实施方式

下面参照附图对作为本发明实施例的自适应选择的QRM MIMO检测方法进行详细说明，在描述过程中省略了对于本发明来说是不必要的细节和功能，以防止对本发明的理解造成混淆。

在参考文献1的基础上，经过查表后得到了已有信息(可以假设先前为i-1阶，现在为i阶，在第i-1阶的生存路径为M_i-1个，在第i阶的生存路径为M_i个)如下：

a)在i-1阶的M_i-1个生存路径的度量值。

b)在生存路径的每一个父节点下，其子节点调制符号度量值的排序(通过查表得到)。

实施例1

本发明利用这两者的信息，改进了自适应选择的方法。图10示出了在第i级自适应QRM的方法的流程图。下面结合图10对本发明的实施例进行详细描述。

首先，得到了第i-1级的M_i-1个生存路径的度量值。在每个生存路径下，以i-1级为父节点下的各个子节点的排序。第i级的生存路径为M_i。

然后，在步骤S1001，根据第i-1级的各个父节点及第i级的排序，计算出各个父节点下最小的度量值以得到M_i-1个度量值。接下来，在步骤S1002，在所得到的M_i-1个度量值中，选取最小的度量值，并输出对应的生存路径。此后，在步骤S1003，判断是否选取了M_i。如果在步骤S1003判断的结果表明已经选择了M_i个生存路径，流程则进入步骤S1004，输出M_i个生存路径及其度量值，然后结束该流程，进入第i+1级。如果在步骤S1003的判断结果表明没有选择完M_i个生存路径，流程则进入步骤S1005。在步骤S1005，根据在步骤S1002中选择的路径和排序表重新更新此路径下的度量值，然后返回到步骤S1002，重复执行以后的步骤(后面将结合实例对选择生存路径的过程进行详细描述)。

下面参考图11描述根据本发明的QRM自适应选择方法的流程图。作为一个实施例，可以假设接收信号为r，信道为H，发送天线的数量为N，各级的生存路径数为M_i。

在步骤S1101中，按前面给出的公式(2)对信道矩阵H进行QR分解，得到正交矩阵Q和上三角矩阵R。然后，在步骤S1102，按前述公式(5)对接收信号r进行变换，得到经变换的接收信号y。接下来，在步骤S1103，对第i级的M_i个生存路径进行自适应选择(具体选择过程在后面结合图10说明)。此后，在步骤S1104，判断是否到了最后一级，如果判断结果为肯定，流程则进行到S1105，输出最后一级的M_N个生存路径及其度量值。如果在步骤S1104判断还没有到达最后一级，对下一级的生存路径进行自适应选择(即，将i的值加1)，重复步骤S1103之后的流程。

下面结合图10的流程对图11中的步骤S1103自适应选择生存路径的步骤进行详细描述。

作为实例，可以假设第i-1级的度量值如图5所示，第i级的度量值如图6所示。其树图如图7所示。可以假设M_i-1＝3，M_i＝3。

初始时，已知信息为在第i-1级标号为1、2、3的三个节点以及它们相应的度量值。在第i-1级标号为1的节点下的两个第i级节点的标号按度量值大小的顺序为4、5(目前还不知道第i级4、5两个节点的度量值，但知道它们度量值的排序)；在第i-1级标号为2的节点下的两个第i级节点的标号按度量值大小的顺序为1、2(目前不知道第i级1、2两个节点的度量值，但知道它们度量值的排序)；在第i-1级标号为3的节点下的两个第i级节点的标号按度量值大小的顺序为3、6(目前不知道第i级3、6两个节点的度量值，但知道它们度量值的排序)。

计算步骤开始后，在步骤S1001，根据第i-1级的各个父节点及第i级的排序，计算出各个父节点下最小的度量值。得到M_i-1个度量值。则在第i-1级标号为1的节点下找到第i级标号为4的节点；在第i-1级标号为2的节点下找到第i级标号为1的节点；在第i-1级标号为3的节点下找到第i级标号为3的节点。计算这3个第i级节点的度量值，如图12a所示。此后，在步骤S1002，在这M_i-1个度量值中，选取最小的度量值，并输出对应的生存路径。参见图12b，在这3个度量值中，标号为1的度量值最小。因此与其对应的生存路径被选中。接下来，在步骤S1003，由于只选了一个生存路径，所以流程进入了步骤S1005。在步骤S1005中，根据排序表重新更新此路径下的度量值。参见图12b，由于在第i级标号为1的节点，其父节点在第i-1级的标号为1。根据排序表，在第i级与之相邻的节点标号为2。所以，计算第i级标号为2的度量值，并在相应的位置更新(参见图12b中所示的第2个位置)，然后流程返回S1002。选择第2个、第3个生存路径的过程如图12c、图12d所示。

然而，在选择了M_i＝3个生存路径时，进入步骤S1004，输出其生存路径及其度量值进入第i+1级。当M_i＝4、5、6时其选择的过程如图12e、图12f所示。当M_i＝3时，得到的排序序号时依次为1、2、3，与QRM_MLD的相同。以下证明：用此种方法得到的M_i个生存路径与用QRM_MLD的相同。以图5和图6为例，首先，第一个选出的一定是在i-1阶的M_i-1个生存路径的父节点下的子节点中最小的。根据已知信息，即在i-1阶的M_i-1个生存路径的度量值，和在生存路径的每一个父节点下，其子节点调制符号度量值的排序(查表得到)，在生存路径的每一个父节点下，其子节点调制符号度量值的排序(查表得到)，参见图12a、图12b。在第1步中，“在每个父节点中(一共M_i-1个)，选出其第i阶度量值最小的子节点，计算其第i阶的度量值，M_i-1个，如图12a所示”。由于得到每个父节点下的最小度量值，然后在其中选取最小的度量值，所以不可能有比此最小值还小的度量值。然后更新度量值，计算第2个，同理，得到的第2个也是第二小的最小值，依次类推。

实施例2

下面参考图14描述本发明的自适应选择的QRM MIMO检测方法的第二实施例。

如图14所示，在步骤S1401，对接收信号进行变换，使基本位于调制中心的某个星座点位于星座图的原点，并且星座点的值为整数。这是因为计算度量值或进行干扰消除时(公式(6)中的分子)等，需要进行大量的乘法运算，其中参与运算的有调制的星座点。在定点DSP的运算中，如果两个数都是小数，那么运算复杂度较高，但两个参与的乘法运算中某个数是2ⁿ，那么运算就可以用移位来实现，运算会简单。变换前的调制星座图为图13a，根据图13a，对星座点进行平移和缩放得到星座图为图13b。令变换前的星座点为s，则变换后的星座点可以用公式(7)表示。

          y＝(s-a)/f    (7)

在公式(7)中，a＝space+j*space(space如图13a所示(图13a中没有表明“space”))。a为复数。f＝2*space。f为实数。在图13b中，星座点的实部和虚部的取值都变为(-1，0，1，2)，乘法运算变得简单。

根据公式(7)可以得到下面的表达式(8)

          s＝f*y+a      (8)

将表达式(8)代入(1)，得到表达式(9)

            r-H*a＝H*f*y+n    (9)

可以令公式(9)中r2＝r-H*a，H2＝H*f，于是得到公式(10)

            r2＝H2*y+n        (10)

在步骤S1402，进行预处理，将经过变换的接收信号的实部与虚部分开，得到公式(11)

            r₃＝H₃*Y+n₃       (11)

在公式(11)中，

$H_3=\left[\begin{array}{cc}R\left(H2\right)& -I\left(H2\right)\\ I\left(H2\right)& R\left(H2\right)\end{array}\right]$ $r3=\left[\begin{array}{c}R\left(r2\right)\\ I\left(r2\right)\end{array}\right]$ $Y=\left[\begin{array}{c}R\left(y\right)\\ I\left(y\right)\end{array}\right]$ $n_3=\left[\begin{array}{c}R\left(n\right)\\ I\left(n\right)\end{array}\right]$

这是由于根据调制的星座图，实部和虚部可以单独判决。而且，对下一级的星座点进行排序时也会简单。如图4所示，判断星座点的区域时需要存储。例如，图4需要64个区域，就要存储64种排序。而将实部与虚部分开，只划分4种区域即可，如图15所示。

接下来，在步骤S1403，对处理后的信号进行QR分解，并进行变换。得到H₃＝Q*R，z＝Q^H*r₃。此后的步骤S1404至1406与图11中的步骤S1103、S1104、S1105相同。具体地讲，在步骤S1404，对第i级的M_i个生存路径进行自适应选择。此后，在步骤S1405，判断是否到了最后一级，如果判断结果为肯定，流程则进行到S1406，输出最后一级的M_N个生存路径及其度量值。如果在步骤S1405判断还没有到达最后一级，则对下一级的生存路径进行自适应选择(即，将i的值加1)，重复步骤S1404之后的流程。

至此对本发明的自适应选择的QRM MIMO检测方法进行了描述。下面的表1和表2给出了本发明的方法与QRM_MLD和QRM自适应方法在复杂度及性能方面的比较。

表1是在第i级需要计算的度量次数，令调制星座点数为C。

       表1：复杂度比较

QRM_MLD	QRM自适应	本发明的方法
			Mi-1×C	Mi	Mi+Mi-1-1

             表2：性能比较

QRM_MLD	QRM自适应	发明
			标准	差于QRM_MLD	与QRM_MLD一样

从上面的表1和2可以看出，就复杂度而言，本发明的方法与QRM_MLD相比，明显降低了计算欧氏距离度量的次数。另外，表2中的数据表明，用本发明的方法选择的生存路径与完全的QRM相同，优于QRM自适应方法。

至此已经结合优选实施例对本发明进行了描述。应该理解，本领域技术人员在不脱离本发明的精神和范围的情况下，可以进行各种其它的改变、替换和添加。因此，本发明的范围不局限于上述特定实施例，而应由所附权利要求所限定。

Claims (12)

1.一种自适应选择的QRM多输入多输出检测方法，包括步骤：

a)对信道矩阵H进行QR分解，得到正交矩阵Q和上三角矩阵R；

b)用Q的共轭矩阵与接收信号相乘以对接收信号进行变换，得到接收信号向量；

c)对第i级的M_i个生存路径进行自适应选择；

d)判断是否到达最后一级，如果到达最后一级，输出最后一级的M_N个生存路径及其度量值；

e)如果步骤c判断没有到达最后一级，重复步骤b)之后的步骤，对下一级的生存路径进行自适应选择。

2.根据权利要求1所述的方法，其中所述步骤c)包括根据第i-1级的M_i-1个生存路径的度量值，在每个生存路径下，对以第i-1级为父节点下的各个子节点的排序得到第i级的生存路径M_i的步骤。

3.根据权利要求2所述的方法，进一步包括根据第i-1级的各个父节点及第i级的排序，计算出各个父节点下最小的度量值以得到M_i-1个度量值的步骤。

4.根据权利要求3所述的方法，进一步包括在所得到的M_i-1个度量值中，选取最小的度量值，并输出对应的生存路径的步骤。

5.根据权利要求4所述的方法，进一步包括判断是否选取了第i级的生存路径M_i，如果已经选择了M_i个生存路径，则输出M_i个生存路径及其度量值的步骤。

6.根据权利要求5所述的方法，进一步包括如果没有选择完M_i个生存路径，则针对M_i-1个度量值选择的生存路径和排序表重新更新此路径下的度量值，选取最小的度量值，并输出对应的生存路径的步骤。

7.一种自适应选择的QRM多输入多输出检测方法，包括步骤：

a)对接收信号进行变换，使靠近调制中心的一个星座点位于星座图的原点；

b)进行预处理，将经过变换的接收信号的实部与虚部分开；

c)对经过处理的接收信号进行QR分解，得到正交矩阵Q和上三角矩阵R；

d)用Q的共轭矩阵与接收信号相乘以便对接收信号进行变换，得到经过变换的接收信号；

e)对第i级的M_i个生存路径进行自适应选择；

f)判断是否到达最后一级，如果到达最后一级，输出最后一级的M_N个生存路径及其度量值；

g)如果步骤f判断没有到达最后一级，重复步骤e)之后的步骤，对下一级的生存路径进行自适应选择。

8.根据权利要求7所述的方法，其中所述步骤e)包括根据第i-1级的M_i-1个生存路径的度量值，在每个生存路径下，对以第i-1级为父节点下的各个子节点的排序得到第i级的生存路径M_i的步骤。

9.根据权利要求8所述的方法，进一步包括根据第i-1级的各个父节点及第i级的排序，计算出各个父节点下最小的度量值以得到M_i-1个度量值的步骤。

10.根据权利要求9所述的方法，进一步包括在所得到的M_i-1个度量值中，选取最小的度量值，并输出对应的生存路径的步骤。

11.根据权利要求10所述的方法，进一步包括判断是否选取了第i级的生存路径M_i，如果已经选择了M_i个生存路径，则输出M_i个生存路径及其度量值的步骤。

12.根据权利要求11所述的方法，进一步包括如果没有选择完M_i个生存路径，则针对M_i-1个度量值选择的生存路径和排序表重新更新此路径下的度量值，选取最小的度量值，并输出对应的生存路径的步骤。

Images