CN101159517A - 基于离散粒子群算法的v-blast系统检测方法 - Google Patents

Abstract

本发明公开了一种基于离散粒子群算法的V－BLAST系统检测方法，它涉及人工智能技术领域，其目的是为了克服现有方法存在较高的计算复杂度和误码率的不足，采用本发明方法可以得到较好的误码率性能并降低实现的复杂度。该方法的实现步骤为：1.初始化粒子群，粒子群大小为m，随机产生各粒子的位置矢量，位置矢量的维数与发射天线数相同。设置变异概率为pm，进化代数t＝0；设定算法终止条件是：最大迭代代数为ga；2.计算粒子的适应度，并判断是否满足迭代终止条件，若满足终止条件则算法结束，不满足终止条件则转到步骤3；3.更新粒子位置、执行变异操作、更新个体极值和全局极值、转到步骤2。本发明可用来解决无线通信领域中垂直分层空时系统的检测问题。

Description

基于离散粒子群算法的V-BLAST系统检测方法

技术领域

本发明属于人工智能技术领域，涉及一种人工智能技术在通信技术领域中的多输入多输出，即MIMO技术中的应用，具体地说是一种基于离散粒子群算法的垂直分层空时系统V-BLAST检测方法。该方法可以用来解决无线通信领域中垂直分层空时系统的检测问题，以提高系统性能、降低实现的复杂度。

背景技术

多输入多输出技术，即MIMO技术，是无线通信领域的重大突破。该技术能在不增加带宽的情况下成倍的提高通信系统的容量和频谱利用率，是新一代移动通信系统采用的关键技术之一。空时编码技术是MIMO通信系统的主要空时处理技术之一，它将信道编码技术与天线分集技术相结合，大幅度地增加了无线通信系统的容量，为无线通信系统带来了分集增益和编码增益，并且改善了传统单天线系统的带宽效率，为解决无线信道的带宽问题提供了新的解决途径。空时编码技术中，分层空时码的一种：垂直分层空时系统，即V-BLAST系统，以其高频带利用率受到了研究者的广泛关注，目前的研究主要集中在提高系统性能、降低实现的复杂度以及在宽带中的应用方面。

国内外学者提出了很多不同的检测方法来提高V-BLAST系统的检测性能，但均存在不同的问题，主要是复杂度较高的问题。最大似然检测方法作为最优检测方法，具有最好的检测性能，但是其指数复杂度也是最高的。

根据V-BLAST系统的特点，人们给出了许多不同的检测方法。美国Bell实验室的Golden等人给出了经典的Golden检测方法，该方法是一种串行干扰抵消方法，首先用迫零算法完成信噪比最大的信号的检测，然后从接收信号中减去该信号，再完成对信噪比次最大信号的检测，如此循环，直至完成所有信号的检测，但该方法中多次的求逆和排序操作使得其计算复杂度很高；挪威Ashish Bhargave等人给出了一种将干扰抵消与最大似然相结合的检测方法，在性能和计算复杂度之间取了折衷，但是估计信道矩阵所需的大量训练序列导致了实际的传输速率的降低。

发明内容

本发明的目的在于：为了克服现有方法存在较高的计算复杂度和误码率的不足，针对V-BLAST系统的特点，提出了一种基于离散粒子群算法的V-BLAST系统检测方法，与其它经典的V-BLAST系统检测方法相比能获得较低的计算复杂度和较好的误码率性能。

本发明的技术方案是：基于基本的离散粒子群算法，并结合克隆选择算法中的变异算子，提出一种基于离散粒子群算法的V-BLAST系统检测方法，即NDPSO-VBLAST。本发明的技术方案具体实现步骤如下：

(1)、初始化粒子群，设定初始参数。其中初始化粒子群的条件是：粒子群大小为m，随机产生各粒子的位置矢量，位置矢量的维数与发射天线数相同，即b_i＝[b_i1，b_i2，…，b_iM]^T，其中：i＝1，2，…，m，M是发射天线数，符号T表示矩阵转置；设置变异概率为pm，进化代数t＝0；设定终止条件是：最大迭代代数为ga；

(2)、计算粒子的适应度，将粒子的当前位置置为个体极值p_i，群体中适应度最优的粒子的位置置为全局极值p_g；并判断算法是否满足迭代终止条件，若满足终止条件则算法结束，不满足终止条件则转到步骤(3)；

(3)、更新粒子位置、执行变异操作、更新个体极值和全局极值、转到上述步骤(2)。

2、根据权利要求1所述的基于离散粒子群算法的V-BLAST系统检测方法，所说的更新粒子位置、执行变异操作、更新个体极值和全局极值，其方法如下：

(1)、更新粒子位置：由新的离散粒子群算法的运动方程更新粒子的位置，由B(t)得到B(t+1)，其中：

B(t)＝[b₁(t)，b₂(t)，…，b_m(t)]，          b_i(t)＝[b_i1(t)，b_i2(t)，…，b_iM(t)]^T；

B(t+1)＝[b₁(t+1)，b₂(t+1)，…，b_m(t+1)]，  b_i(t+1)＝[b_i1(t+1)，b_i2(t+1)，…，b_iM(t+1)]^T；

(2)、对B(t+1)进行变异操作：依据变异概率pm对B(t+1)中的各粒子的位置向量进行变异操作，即b_id(t+1)中的各基因位以概率pm取反，得到B′(t+1)，其中：

i＝1，2，…，m；d＝1，2，…，M；

(3)、更新个体极值p_i和全局极值p_g：计算B(t+1)、B′(t+1)中各粒子的适应度，在{b_i(t)，b_i(t+1)，b_i′(t+1)}中选择适应度最优的粒子作为更新后的p_i，然后在[p₁，p₂，…，p_m]中选择适应度最优的个体极值作为更新后的p_g。

本发明与现有的技术相比具有以下优点：

1、本发明与其它经典的V-BLAST系统检测方法相比，获得了非常好的误码率性能，所获得的误码率曲线在多种V-BLAST天线结构情况下，都非常接近最大似然检测方法的误码率曲线，甚至与最大似然检测方法的误码率曲线完全重合，同时验证了本发明的有效性；

2、本发明复杂度较低，经过ga次迭代，本发明总的计算复杂度为：

$O\left(\mathrm{\α\β}{M}^3\right)+O\left(\mathrm{\α\β}{M}^3\right)+O\left(3\mathrm{\α\β}{M}^2\right)+O\left(\frac{{\mathrm{\α}}^2\mathrm{\β}{M}^3-\mathrm{\α\β}{M}^2}{2}\right)+O\left(\mathrm{\α}{M}^2\right)=O\left(M^3\right)$

与ML方法的指数复杂度O(P^M)相比，其中：P为调制阶数，M为发射天线数，本发明的计算复杂度较低。

附图说明

图1是本发明V-BLAST系统发射接收示意图

图2是本发明检测方法的流程图

图3是本发明NDPSO-VBLAST与其它检测方法之间的误码率比较：4发4收图

图4是本发明NDPSO-VBLAST与其它检测方法之间的误码率比较：4发8收图

图5是本发明NDPSO-VBLAST与其它检测方法之间的误码率比较：8发8收图

图6是本发明NDPSO-VBLAST与其它检测方法之间的误码率比较：8发12收图

具体实施方式

参照图1，它是本发明V-BLAST系统发射接收示意图，而本发明方法主要用在该系统最后一步检测方法中。

参照图2，它是本发明检测方法的流程图，为了具体说明本发明的优势和特点，下边对该发明的实现过程进行说明，并用实际的检测分类过程，把得到的数据和结果绘制在图3～图6中。

1、初始化粒子群，设定初始参数

参照图1，定义发射天线数为M，接收天线数为N，采用BPSK调制，传输数据帧长为L的V-BLAST系统。单一信号流经串并转换变成M路子信号流，经符号调制后，分别送到相应的发射机发送出去。不论发送天线数为多少，总发送功率必须保持不变，且每个天线的发送功率相等，为总功率的1/M。接收端用N个天线接收数据。N个接收天线都是相互独立的，并且共信道工作，每个接收天线均同时接收来自M个发送天线的信号。假设数据传输为爆发burst式的，即每发送L个符号为一个数据爆发。同时，为了使问题简单化，我们还假设发射天线之间、接收天线之间均完全不相关，且发送的数据也是相互独立的。V-BLAST系统一般要求接收天线数不少于发射天线数。

定义粒子的适应度函数如下：

f(b)＝‖r-Hb‖²    (1)

若b为发送信号矩阵的第i列，i＝1，2，…L，则r为接收信号矩阵(N×L)的第i列，H为信道转移矩阵(N×M)。

设粒子群大小为m，随机产生各粒子的位置矢量，位置矢量的维数与发射天线数相同，即b_i＝[b_i1，b_i2，…，b_iM]^T，i＝1，2，…，m。设置变异概率为pm，进化代数t＝0。并设定最大迭代次数ga为终止条件。

2、计算粒子的适应度

根据式(1)计算粒子的适应度，将粒子的当前位置置为个体极值p_i，初始群体中适应度最优的粒子的位置置为全局极值p_g。

判断算法是否满足迭代终止条件，即迭代次数是否达到设定的最大迭代代数ga。

3、更新粒子位置、执行变异操作、更新个体极值和全局极值

更新粒子位置：按照新的离散粒子群算法的运动方程更新粒子的位置，新的运动方程为：

v_i(t+1)＝-c₁x_i(t)+c₂p_i(t)+c₃p_g(t)    (2)

$x_{\mathrm{ik}}(t+1)=\left\{\begin{array}{c}+1,{\mathrm{\&rho;}}_{\mathrm{ik}}(t+1)<v_{\mathrm{ik}}(t+1)\\ -1,{\mathrm{\&rho;}}_{\mathrm{ik}}(t+1)\&GreaterEqual;v_{\mathrm{ik}}(t+1)\end{array}\right.$

其中，ρ_ik(t)∈[-1，+1]，是随机产生的；i＝1，2，…，m；k＝1，2，…，d；t为迭代次数；这里速度矢量作为判别阈值矢量，由上一代的x_i(t)，p_i(t)，p_g(t)决定；c₁+c₂+c₃＝1，确保阈值v_ik(t+1)∈[-1，+1]，x_ik(t+1)是由v_ik(t+1)决定的一个概率选择阈值，v_ik(t+1)的大小决定了x_ik(t+1)趋向于判决选择为+1还是-1。参数c₁为惰性系数，表示相信自己的程度，c₂为社会学习系数，表示相信经验的程度，c₃为认知系数，表示相信周围个体的程度。

通过新的运动方程，由B(t)得到B(t+1)，

B(t)＝[b₁(t)，b₂(t)，…，b_m(t)]，            b_i(t)＝[b_i1(t)，b_i2(t)，…，b_iM(t)]^T；

B(t+1)＝[b₁(t+1)，b₂(t+1)，…，b_m(t+1)]，    b_i(t+1)＝[b_i1(t+1)，b_i2(t+1)，…，b_iM(t+1)]^T。

对B(t+1)进行变异操作：依变异概率pm对B(t+1)中的各粒子的位置向量进行变异操作，即对b_id(t+1)中的各基因位以概率pm取反，得到B′(T+1)，其中：i＝1，2，…，m；d＝1，2，…，M。

更新个体极值p_i和全局极值p_g：计算B(t+1)、B′(t+1)中各粒子的适应度，在{b_i(t)，b_i(t+1)，b_i′(t+1)}中选择适应度最优的粒子作为更新后的p_i，然后在[p₁，p₂，…，p_m]中选择适应度最优的个体极值作为更新后的p_g。

之后判断算法是否满足终止条件，若满足，则算法结束；若不满足，令t＝t+1，继续执行上述操作，更新粒子位置。

本发明将用在V-BLAST系统检测中，其性能可通过如下四个计算机仿真实验给出。

为了验证NDPSO-VBLAST方法的优越性，我们将其与基于ML方法、基于标准遗传算法、基于最小均方误差准则的排序干扰抵消方法和Golden方法等经典的V-BLAST系统检测方法在平坦的准静止瑞利衰落信道环境下的性能做出比较。调制方式均为BPSK，帧长50，发送帧数为1000。考虑到ML方法的复杂度问题，这里均进行了10次仿真并取平均值。分别对4×4、4×8、8×8和8×12的V-BLAST系统进行仿真，仿真中标准遗传算法、本发明方法均以最大迭代次数ga为终止条件。这里把“基于标准遗传算法的V-BLAST系统检测方法”简称为“GA-VBLAST”，把“基于最小均方误差准则的排序干扰抵消方法”简称为“MMSE-OSIC”。

实验1.4发4收的V-BLAST系统

这里分别尝试迭代10代和20代的两种情况。遗传算法的种群规模为20，选择概率为0.4，交换概率为0.6，变异概率为p_m＝1/M(M为发射天线数目)；NDPSO-VBLAST的粒子群大小为m＝10，变异概率p_m＝1/M，c₁＝0.1，c₃＝0.9×(ga-t)/ga，其中t为当前迭代次数，c₂＝0.9-c₃。实验结果如图3所示。

从图3中可以看出，作为最优检测方法，ML获得了最好的误码率性能，但是其指数复杂度也是最高的；NDPSO-VBLAST在迭代10代的情况下误码率曲线非常接近ML方法的误码率曲线，在迭代20代的情况下两种检测方法的误码率曲线几乎完全重合了；相比其它常用检测方法，NDPSO-VBLAST的误码率要低的多，在信噪比SNR为10dB的时候，误码率达到10^-3；在SNR为6dB的时候误码率即达到10^-2。同时GA-VBLAST在迭代相同的代数的情况下不能获得良好的误码率性能，主要原因是迭代代数较少且遗传算法种群多样性不好，易于不成熟收敛，存在算法机理上的不足和缺陷。

实验2.4发8收的V-BLAST系统

最大迭代代数ga＝20，NDPSO-VBLAST、GA-VBLAST参数设置与4发4收V-BLAST系统一致。实验结果如图4所示。

从图4中可以看出，在迭代20代的情况下，NDPSO-VBLAST在4发8收，即接收天线数目大于发射天线数目的V-BLAST系统中，可以获得比4发4收系统还要好的性能，与ML方法误码率曲线相比几乎完全逼近，而且在SNR为8dB的时候，NDPSO-VBLAST的误码率可以达到10^-5，比4发4收系统中的10^-3有很好的改善，这说明接收天线数目越多，系统的性能越好。

实验3.8发8收的V-BLAST系统

因为发射天线数目的增加，将导致解空间维数的增加，所以这里相应的增大迭代代数为ga＝50，并将变异概率设为p_m＝3/M，分别考察粒子群规模m＝10和m＝15的两种情况，其余NDPSO-VBLAST、GA-VBLAST参数保持不变。实验结果如图5所示。

从图5中我们可以看出，在8×8系统中，在迭代50代、粒子群规模为10的情况下：参看图5(a)，本发明的误码率曲线在信噪比较高，如SNR≥8dB时，离ML方法的误码率曲线还有一定的距离，但是增大粒子群规模为：m＝15后，参看图5(b)，上述两方法的误码率曲线的逼近就非常理想了，即NDPSO-VBLAST检测方法和ML检测方法的误码率曲线基本重合。

实验4.8发12收的V-BLAST系统

NDPSO-VBLAST、GA-VBLAST的参数与实验3一致，在迭代50代的条件下，分别考察粒子群规模m为10和15的两种情况，得到图6所示结果。

从图6中可以看到在增加了粒子群规模后，NDPSO-VBLAST的误码率曲线基本和ML方法的误码率曲线重合，验证了实验3的相关结论。同时，我们还验证了在相同发射天线数目的情况下，接收天线数目越多，系统性能越好的结论。在相同的仿真参数条件下，图6(a)在SNR为8dB时，NDPSO-VBLAST的误码率略低于10^-5，比图5(a)的略高于10^-3有很大的改善；图6(b)在SNR为8dB时，NDPSO-VBLAST的误码率为10^-5，比图5(b)的10^-3同样获得了将近两个数量级的误码率改善。

Claims (2)

1.基于离散粒子群算法的V-BLAST系统检测方法，其具体实现步骤如下：

(1)、初始化粒子群，设定初始参数；其中初始化粒子群的条件是：粒子群大小为m，随机产生各粒子的位置矢量，位置矢量的维数与发射天线数相同，即b_i＝[b_i1，b_i2，…，b_iM]^T，其中：i＝1，2，…，m，M是发射天线数，符号T表示矩阵转置；设置变异概率为pm，进化代数t＝0；设定终止条件是：最大迭代代数为ga；

(2)、计算粒子的适应度，将粒子的当前位置置为个体极值p_i，群体中适应度最优的粒子的位置置为全局极值p_g；并判断算法是否满足迭代终止条件，若满足终止条件则算法结束，不满足终止条件则转到步骤(3)；

(3)、更新粒子位置、执行变异操作、更新个体极值和全局极值、转到上述步骤(2)。

2.根据权利要求1所述的基于离散粒子群算法的V-BLAST系统检测方法，所说的更新粒子位置、执行变异操作、更新个体极值和全局极值，其方法如下：

(1)、更新粒子位置：由新的离散粒子群算法的运动方程更新粒子的位置，由B(t)得到B(t+1)，其中：

B(t)＝[b₁(t)，b₂(t)，…，b_m(t)]，           b_i(t)＝[b_i1(t)，b_i2(t)，…，b_iM(t)]^T；

B(t+1)＝[b₁(t+1)，b₂(t+1)，…，b_m(t+1)]，   b_i(t+1)＝[b_i1(t+1)，b_i2(t+1)，…，b_iM(t+1)]^T；

(2)、对B(t+1)进行变异操作：依据变异概率pm对B(t+1)中的各粒子的位置向量进行变异操作，即b_id(t+1)中的各基因位以概率pm取反，得到B′(t+1)，其中：

i＝1，2，…，m；d＝1，2，…，M；

(3)、更新个体极值p_i和全局极值p_g：计算B(t+1)、B′(t+1)中各粒子的适应度，在{b_i(t)，b_i(t+1)，b_i′(t+1)}中选择适应度最优的粒子作为更新后的p_i，然后在[p₁，p₂，…，p_m]中选择适应度最优的个体极值作为更新后的p_g。

Images