CN101207404A - 最大相似度检测方法与系统 - Google Patents

Abstract

一种最大相似度检测方法。处理接收数据以取得多个参数，并设定一初始半径。根据所述参数执行一搜寻程序，并以一限制函数决定每一阶层部分欧氏距离的上限值，依据所述上限值判断一子网格是否超过一搜寻范围。

Description

最大相似度检测方法与系统

技术领域

本发明涉及一种无线通讯技术，特别是涉及一种最大相似度检测方法与系统。

背景技术

近年来，无线通讯需求快速增长，在频谱有限的情形下，探讨高频谱效益的通讯技术便因应而生。多输入多输出(Multiple Input Multiple Output，简称为MIMO)是近年来最热门的技术，其借着在传送端架设多个天线，在同频段中同时传送多份数据来提高传输效率。显然地，这些传送信号将会在接收端互相干扰，但若同样在接收端架设多个天线进行接收，便可进行信号分离与检测。MIMO技术至今已被广泛使用在新兴技术规格中，例如，电机及电子工程师学会(Institute of Electrical and Electronic Engineers，简称为IEEE)802.11n以及802.16e。图1示出了典型的MIMO传收信号模型。

假设传送端有N_t根传送天线，接收端有N_r根接收天线，则其基频等效信号模型为：

$\tilde{y}=\tilde{H}\tilde{s}+\tilde{n},$

其中，

$\tilde{y}=\left[\begin{array}{c}{y}_1\\ y_2\\ .\\ .\\ .\\ y_{N_r}\end{array}\right],$ $\tilde{s}=\left[\begin{array}{c}{s}_1\\ s_2\\ .\\ .\\ .\\ s_{N_t}\end{array}\right],$ $\tilde{n}=\left[\begin{array}{c}{n}_1\\ n_2\\ .\\ .\\ .\\ n_{N_r}\end{array}\right],$

代表接收端的噪声，

代表信道的转换函数，h_ij表示第j个传送天线到第i个接收天线的信道响应。在基频信号模型中，都是复数向量，其可以转换成实数信号模型，该实数信号模型表示为：

y＝Hs+n，

亦即，

MIMO接收机的任务便是根据接收信号y检测出传送信号s。

一般而言，最大可靠度检测(MLD)被视为最佳的讯号检测方法，但其复杂度与传送端天线个数(N_t)以及信号调变阶数(M_c)呈指数增加。例如，传送端有4个天线，即信号s含有4个符元，每个符元采用64-QAM调变，则接收端必须针对64⁴种可能逐一检测才能找出最大可靠度(Maximum Likelihood，简称为ML)的解。因此，许多复杂度较低的次佳(Sub-optimal)算法(例如纵式贝尔实验室多层次空-时技术(Vertical BellLaboratories Layered Space-Time，简称为V-BLAST)、强制归零(ZeroForcing，简称为ZF)、最小均方误差(Minimum Mean Square Error，简称为MMSE)...等等)被发展出来。然而，一种称为球状解码(Sphere Decoding，简称为SD)的方法使得MLD的复杂度可以大幅降低。以实数信号模型为例，SD能够低复杂度的关键在于，SD则允许检测器逐一计算部份符元的部份成本函数，因此可以及早排除一些已经明显超出成本限制的信号组合。以下以数学方法说明MLD基本上可以转换成另一个等效形式：

${\hat{s}}_{\mathrm{ML}}=\arg \underset{s\∈\mathrm{\Λ}}{\min }{\left|\right|y-\mathrm{Hs}\left|\right|}^2$

$=\arg \underset{s\∈\mathrm{\Λ}}{\min }\{{(s-{\tilde{s}}_{\mathrm{ZF}})}^H{H}^{H}H(s-{\tilde{s}}_{\mathrm{ZF}})+y^H(I-H{\left(H^{H}H\right)}^{-1}{H}^H)y\}$

$=\arg \underset{s\∈\mathrm{\Λ}}{\min }\left\{{(s-{\tilde{s}}_{\mathrm{ZF}})}^H{H}^{H}H(s-{\tilde{s}}_{\mathrm{ZF}})\right\}$

$=\arg \underset{s\∈\mathrm{\Λ}}{\min }{\left|\right|H(s-{\tilde{s}}_{\mathrm{ZF}})\left|\right|}^2\≤r^2$

其中符号″Λ″表示所有符元向量s的集合，而是转换后的成本函数。若将所有{Hs}的集合称为网格(lattice)，则s可视为其对应网格点(Lattice Point)的坐标(Coordinates)。MLD便是搜寻所有可能的网格点坐标s，找出一个和

距离(Norm)最小的网格点。因此，可将

当作一个球心，当定义一个适当的半径(Radius)r后，便可建立一个多维空间的抽象球面。MLD便是搜寻球面里距离球心

最近的网格点的坐标，如图2所示。若再进一步化简MLD的等效式，其可表示为：

${\hat{s}}_{\mathrm{ML}}=\arg \underset{s\∈\mathrm{\Λ}}{\min }{\left|\right|y-\mathrm{Hs}\left|\right|}^2$

$=\arg \underset{s\∈\mathrm{\Λ}}{\min }\left\{{(s-{\tilde{s}}_{\mathrm{ZF}})}^H{H}^{H}H(s-{\tilde{s}}_{\mathrm{ZF}})\right\}$

$=\arg \underset{s\∈\mathrm{\Λ}}{\min }\left\{{(s-{\tilde{s}}_{\mathrm{ZF}})}^H{R}^{H}R(s-{\tilde{s}}_{\mathrm{ZF}})\right\}$

$=\arg \underset{s\∈\mathrm{\Λ}}{\min }{\left|\right|R(s-{\tilde{s}}_{\mathrm{ZF}})\left|\right|}^2$

R为一上三角矩阵(Upper Triangular Matrix)，可由QR分解(QRDecomposition)或查尔斯基因子分解(Cholesky Factorization)来取得。由于设定一个上限值r²来限制搜寻范围，则其成本函数

${\left|\right|R(s-{\tilde{s}}_{\mathrm{ZF}})\left|\right|}^2=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{r}_{m,m}^2{|(s_m-{\tilde{s}}_{\mathrm{zf},m})+\underset{j=m+1}{\overset{M}{\mathrm{\Σ}}}\frac{r_{m,j}}{r_{m,m}}(s_j-{\tilde{s}}_{\mathrm{zf},j})|}^2\≤r^2.$

由上列方程式可看出，整体欧式距离(Euclidean Distance，简称为ED)基本上是由M(＝2N_t)个欧式距离增量(Euclidean Distance Increment，简称为EDI)|e_i|²所构成，其中，

${\left|e_m\right|}^2=r_{m,m}^2{|(s_m-{\tilde{s}}_{\mathrm{zf},m})+\underset{j=m+1}{\overset{M}{\mathrm{\Σ}}}\frac{r_{m,j}}{r_{m,m}}(s_j-{\tilde{s}}_{\mathrm{zf},j})|}^2.$

而累积到第m层的部份欧氏距离(Partial Euclidean Distance，简称为PED)可以定义成

$d_m=\underset{i=m}{\overset{M}{\mathrm{\Σ}}}{r}_{i,i}^2{|(s_i-{\tilde{s}}_{\mathrm{zf},i})+\underset{j=i+1}{\overset{M}{\mathrm{\Σ}}}\frac{r_{i,j}}{r_{i,i}}(s_j-{\tilde{s}}_{\mathrm{zf},j})|}^2$

$=d_{m+1}+{\left|e_m\right|}^2.$

由于d_m只与[s_m，s_m+1，…s_M]有关，因此很容易可以将SD的搜寻过程转化成递归的(Recursive)树状搜寻(Tree Search)结构，如图3所示。此外，根据Schnorr-Euchner(SE)列举法，定义

如下：

${\tilde{s}}_{m|m+1}=\left\{\begin{array}{cc}{\tilde{s}}_{\mathrm{zf},m}-\frac{1}{r_{m,m}}\left(\underset{j=m+1}{\overset{M}{\mathrm{\Σ}}}{r}_{m,j}(s_j-{\tilde{s}}_{\mathrm{zf},j})\right),& m=\mathrm{1,2},\·\·\·,(M-1)\\ {\tilde{s}}_{\mathrm{zf},M},& m=M\end{array}\right..$

当搜寻至第m层时，SE会优先对硬式决策后的点 ${\hat{s}}_{m|m+1}=\mathrm{slice}\left({\tilde{s}}_{m|m+1}\right)$ 搜寻，之后会以

为中心呈Z型(Zigzag)来列举节点。如此可确保每一层所列举的节点顺序，其EDI是由小到大排列的，因此SE可加快平均搜寻速度。

如上所述，球状解码中的PED是随着搜寻的深度而单调增加，且阶层的搜寻顺序影响译码效率甚大。

发明内容

基于上述目的，本发明实施例披露了一种最大相似度检测方法。处理接收数据以取得多个参数，并设定一初始半径。根据所述参数执行一搜寻程序，并以一限制函数决定每一阶层部份欧氏距离的上限值，依据所述上限值判断一子网格是否超过一搜寻范围。

本发明实施例还披露了一种最大相似度检测系统，包括一前处理单元、一组成单元与一搜寻单元。该前处理单元用以处理接收数据以取得多个参数，并设定一初始半径。根据所述参数执行一搜寻程序，并以一限制函数决定每一阶层部份欧氏距离的上限值，依据所述上限值判断一子网格是否超过一搜寻范围。

本发明实施例还披露了一种通讯装置，包括一处理单元，其用以处理接收数据以取得多个参数，并设定一初始半径。根据所述参数执行一搜寻程序，并以一限制函数决定每一阶层部份欧氏距离的上限值，依据所述上限值判断一子网格是否超过一搜寻范围。

附图说明

图1示出了典型MIMO数据模型的示意图。

图2示出了球状译码的示意图。

图3示出了深度优先搜寻的示意图。

图4示出了根据阶层排序并利用QR分解或Cholesky分解产生上三角矩阵的示意图。

图5示出了虚拟程序代码(Pseudo Code)的示意图。

图6示出了欧式距离增量的示意图。

图7示出了本发明实施例的最大相似度检测方法的步骤流程图。

图8示出了改善的译码延迟的示意图。

图9示出了本发明实施例的部份欧氏距离(PED)限制函数(ConstraintFunction)的示意图。

图10示出了利用本发明方法的DF-SE而有较高的比例可完成搜寻的示意图。

图11-14示出了在2x2、3x3与4x4情形下，本发明的BER与理论上最佳BER的比较图。

图15-17示出了利用本发明方法大量减少节点搜寻数(复杂度)的统计图。

图18示出了习知方法与本发明方法间差异的示意图。

图19示出了决定信道排序索引向量与产生上三角角矩阵R的实施方法示意图。

图20示出了本发明实施例的最大相似度检测系统的架构示意图。

附图符号说明

610～组成单元

630～前处理单元

650～搜寻单元

H～矩阵

R～上三角矩阵

具体实施方式

为了使本发明的目的、特征、及优点能更明显易懂，下文特举较佳实施例，并结合附图图3至图20详细说明。本发明说明书提供不同的实施例来说明本发明不同实施方式的技术特征。其中，实施例中的各组件的配置是为了说明之用，并非用以限制本发明。且实施例中图式标号的部分重复，是为了简化说明，并非意指不同实施例的间的关联性。

本发明实施例披露了一种最大相似度检测(MLD)方法与系统。

为了降低搜寻MLD的复杂度，球状解码(SD)方法被引入MIMO中。SD是先限定一个合理的半径r，并且只搜寻半径为r的球面里的网格点。然而，若把原来前文所述的H矩阵的行向量适当交换(等效于将传送天线的索引(Index)顺序交换)，则可在不影响搜寻结果的情形下大幅降低搜寻的时间。

另一方面，若SD搜寻的球面半径越小，包含的网格点便越少，因此搜寻速度可以越快。再者，由于搜寻的过程中，每往下一层搜寻，PED的值是单调增加的，这表示越上层的PED越小于r²。因此，可以将越上层的子网格(Sub-lattice)限制在越小的球面里，如此便可更进一步加快搜寻速度。如上所述，本发明藉由对H矩阵的行向量交换与设定PED限制条件以加快搜寻速度。

深度优先的算法可搭配Schnorr-Euchner列举(Enumeration)来达到相当有效率的搜寻，其原理是在每一层只往下拜访让EDI最小的子节点，当搜寻至最底层后，若所得的ED小于目前r²，则将r²更新为ED。当搜寻至最底层或搜寻至某层的PED已经大于r²时，便停止往下搜寻，转而往上搜寻让上一层EDI次小的母节点，如图3所示。DF的一个特点是当每找到一个距离球心更近的网格点，球面半径就可以缩成该网格点与球心的距离。

藉由树状搜寻的观点来解释SD，可知若能在越上层就终止某节点的后续搜寻，则可省下的搜寻量越多。

因此，本发明在SD求取上三角矩阵R的QR分解过程中辅以排序，使得上三角矩阵R的越右下角的对角元素越大越好(由于上三角矩阵R的对角元素相乘必为定值，所以等效于左上角的元素越小越好)，如图4所示。搜寻树越上层对应到越右下角的r_m，m ²，由于 ${\left|e_m\right|}^2=r_{m,m}^2{|(s_m-{\tilde{s}}_{\mathrm{zf},m})+\underset{j=m+1}{\overset{M}{\mathrm{\Σ}}}\frac{r_{m,j}}{r_{m,m}}(s_j-{\tilde{s}}_{\mathrm{zf},j})|}^2,$ 当右下角的r_m，m ²越大时，|e_m|²越有机会变得较大，因此在上层的PED就越容易超过给定的球面限制，亦即可以越快终止后续的搜寻。此外，在一个完整的搜寻路径中，PED一定是从上层到下层逐渐增加的，因此可以用较小的球面半径来限制较上层的PED，如此一来便可将上层节点搜寻范围缩小，大幅减少可能的搜寻路径。

为了交换H矩阵的行向量，可根据通道矩阵行向量的长度大小来进行排序，长度越小的行向量排在矩阵H的越左边。

藉由改良D.Wubben等人提出的算法″Efficient algorithm for decodinglayered space-time codes″可求得满足上述需求的三角矩阵R，并且保证QR分解后的r_M，M ²一定是所有排列方法中最大的。

为了达到减少总搜寻路径的目的，现有技术利用图5中的伪码(PseudoCode)来实现。参考图5，利用修正项F_k来调整各层PED上的半径限制，故同样能够使PED的限制值在越上层越小。此修正值的增量(F_k+1-F_k)与噪声功率以及R的对角元素r_k，k成正比，即必须事先估算噪声功率。然而，经由模拟发现EDI与r_k，k(等同于伪码中的l_k，k)几乎没有强烈的比例关系，如图6所示。此外，在DF(depth-first)搜寻过程中，r²会逐渐缩小，但此修正项F_k并不能随之进行调整。

因此，本发明是根据目前的r²对维度越小的子网格分配半径越小的子球面，此分配函数可事先定义，并可依系统或应用需求做适当调整。借着这样的方法，不需要事先知道噪声功率或是上三角矩阵R的对角元素，此外子球面半径可随搜寻过程逐渐缩小，可更快地完成搜寻。

图7示出了本发明实施例的最大相似度检测方法的步骤流程图，其说明如下。而本发明与已知方法的差异可参考图18。

为了方便说明，以下提出一个DF的具体实施例，但其并不用以限定本发明。用SD的树状搜寻算法来实现MLD时，需要先算出一个强迫归零(Zero-forcing)的向量

(步骤S701)。获得此向量的作法为 ${\tilde{s}}_{\mathrm{ZF}}={\left({\tilde{H}}^H\tilde{H}\right)}^{-1}{\tilde{H}}^H\tilde{y}.$ 当N_t＝N_r且

为一满秩(Full Rank)矩阵时，可简化成 ${\tilde{s}}_{\mathrm{ZF}}={\tilde{H}}^{-1}\tilde{y}.$ 当对

作硬式决策(Hard Decision)后，可得到一组初始解 ${\hat{s}}_{\mathrm{ZF}}=\mathrm{slice}\left({\tilde{s}}_{\mathrm{ZF}}\right)$ (步骤S702)。如上文所述，将

当作一初始r²，或者利用DF搜寻到的第一个解的ED来当作初始r²(步骤S703)。另外，决定一信道排序索引向量(Channel Ordering Index Vector)，并且利用图19所示的流程求得一个上三角矩阵R，以使得H^HH＝R^HR(步骤S704)，其中H的行向量已经过排序索引向量进行排序。就上三角矩阵R来说，其对角元素能尽量符合左上角的值较小，右下角的值较大的需求，故可改善解码延迟，如图8所示。

在决定r²后，根据定义好的PED限制函数constraint_function(m)将r²乘以对应函数值，并取得各层的PED上限值(或视为包含子网格的子球面半径)(步骤S705)。在接下来的搜寻过程中，利用一成本函数来检视子网格的PED是否已经超出搜寻范围(步骤S706)，该成本函数如下所示：

$d_m=\underset{i=m}{\overset{M}{\mathrm{\Σ}}}{r}_{i,i}^2{|(s_i-{\tilde{s}}_{\mathrm{zf},i})+\underset{j=i+1}{\overset{M}{\mathrm{\Σ}}}\frac{r_{i,j}}{r_{i,i}}(s_j-{\tilde{s}}_{\mathrm{zf},j})|}^2$

$=d_{m+1}+{\left|e_m\right|}^2$

$\≤r^2\·\mathrm{constraint}\_\mathrm{function}\left(m\right).$

上述限制函数的一个实施例如图9所示。当搜寻到一较佳解时，便会得到一个更小的r²，各个子球面的半径也会跟着缩小(步骤S707)。

本发明实施例的最大相似度检测方法决定搜寻树的阶层排序，并且根据成本函数与分配函数来搜寻阶层中的节点，以避免无谓的搜寻，其中该搜寻树的阶层排序系藉由产生强迫归零矩阵与QR分解中的排序程序来决定。该成本函数表示一网格点到一球心的距离，而该分配函数则有助于减少在较低维度的子网格的搜寻时间。此外，该分配函数可为一单调增加函数或任何输出值不大于1的函数。

本发明实施例的最大相似度检测方法令解码延迟分布有大幅提升与改善。在要求的译码延迟限制下，利用本发明方法的DF-SE有较高的比例可以完成搜寻，如图10所示。另外，本发明提出的限制式PED作法，其位错误率(Bit Error Rate，简称为BER)效能在2x2和3x3的情形下几乎不会退化，而在4x4的情形下也只在64-QAM时有微乎其微的退化，如图11-14所示。此外，利用本发明方法的DF-SE在复杂度上有相当明显的减少，如图15-17所示。

图20示出了本发明实施例的最大相似度检测系统的架构示意图。

本发明实施例的最大相似度检测系统包括一组成单元610、一前处理单元630与一搜寻单元650。组成单元610取得SNR、RTC、N_t、N_r、M_c...等参数来决定作用于每一阶层的限制函数。前处理单元630根据一强迫归零向量计算一初始解与一初始半径，藉由QR分解产生一上三角矩阵，并且取得一排序索引向量。搜寻单元650搜寻一较佳解以更新球状半径r，并根据PED函数将r²乘以一对应的比例因子，以取得每一层PED的上限值，并且利用该上限值判断一子网格是否超出搜寻范围。根据一较佳解得到的较小的r²可减少在后续搜寻时每一子球状表面的半径。

下文将说明阶层排序的详细实施流程。

在一开始求强迫归零解(s_ZF＝(H^HH)^-1H^Hy)的过程中，可先利用运算过程中的中间产物来判断排序后的矩阵H的第一个与最后一个行向量应该为何。基本上是以H^HH对角元素值最小的索引值来选择第一个行向量。例如，考虑一个矩阵H为复数的型式：

$H^{H}H=\left[\begin{array}{cccc}12.6278& 4.4504-4.9968i& -2.4224-0.9386i& -1.6446+0.661i\\ 4.4504+4.9968i& 12.4287& 3.7209-4.1172i& 0.9654-4.4531i\\ -2.4224+0.9386i& 3.7209+4.1172i& 5.0783& 2.8153-1.9356i\\ -1.6446-0.6661i& 0.9654+4.4531i& 2.8153+1.9356i& 4.4262\end{array}\right].$

可以发现第四个对角元素4.4262最小，因此选择矩阵H的第四个行向量当作排序后的第一个行向量(first_layer_idx＝4)。接着计算(H^HH)^-1：

${\left(H^{H}H\right)}^{-1}=\left[\begin{array}{cccc}0.194& -0.1795+0.0784i& 0.1166-0.1116i& 0.0070-0.1048i\\ -0.1795-0.0784i& 0.3646& -0.2322+0.1728i& -0.0858+0.1532i\\ 0.1166+0.1116i& -0.2322-0.1728i& 0.6632& -0.1372+0.1180i\\ 0.0070+0.1048i& -0.0858-0.1532i& -0.1372-0.1180i& 0.5560\end{array}\right].$

可以发现第一个对角元素0.194最小，因此选择矩阵H的第一个行向量当做排序后的最后一个行向量(last_layer_idx＝1)。值得注意的是，若矩阵H是经由复数矩阵转换而成的实数矩阵，则其维度变成两倍，且对角元素会有重复现象，当最小的对角元素有两个时，可任挑其中一个对角元素。借着这样的方法，挑出的第一个和最后一个行向量，一定是在所有排序结果中让求得的上三角矩阵的最左上角的对角元素值最小的，同时也是让最右下角的对角元素值最大的。

在决定出第一个和最后一个行向量后，借着排序QR分解(sorted_QRD)来决定其它阶层顺序的排列，其过程可在Gram-Schmidth或是HouseholderQRD算法过程中对行向量长度辅以排序来让上三角矩阵R的对角元素尽量达到越右下越大的效果。如此一来，上层的阶层有较大的机会累积到较大的PED值，因此在上层就超出球面的机会越大，意即不良的讯号组合就越早被排除掉。

接着，对

作硬式决策后可得到一组初始解 ${\hat{s}}_{\mathrm{ZF}}=\mathrm{slice}\left({\tilde{s}}_{\mathrm{ZF}}\right).$ 可以将当作一初始限制半径r，而在DFS中，r也可以待搜寻到最下层后再决定。因此，在前置处理过程中将可得到初始的球半径r，上三角矩阵R、通道矩阵行向量的排序索引向量p以及零强迫解

SD的解码过程可视为树状搜寻，维度为n的任一子网格(Sub-lattice)皆有一串深度为n的节点组合(或视为深度为n的路径)与之对应。深度优先的搜寻过程是先以下层中让PED增量(也就是EDI)最小的那个节点优先搜寻，让第m层PED增量最小的节点为 ${\hat{s}}_{m|m+1}=\mathrm{slice}\left({\tilde{s}}_{m|m+1}\right),$ 其中，

${\tilde{s}}_{m|m+1}=\left\{\begin{array}{cc}{\tilde{s}}_{\mathrm{zf},m}-\frac{1}{r_{m,m}}\left(\underset{j=m+1}{\overset{M}{\mathrm{\Σ}}}{r}_{m,j}(s_j-{\tilde{s}}_{\mathrm{zf},j})\right),& m=\mathrm{1,2},\·\·\·,(M-1)\\ {\tilde{s}}_{\mathrm{zf},M},& m=M\end{array}\right..$

持续往下搜寻到最下层时，可以得到初始(或更新)的r²。有了r²，便可根据定义的限制函数，依照比例分配到不同层当作各层的半径限制。传统方法在各层的搜寻过程仍以r²当做衡量是否超出搜寻球体的依据。然而，藉由限制函数可以在不同阶层用不同的球体大小来限制搜寻范围，当某一节点超出限制函数所分配的半径大小，便终止该节点后续的搜寻。

需注意到，在搜寻过程中，当有新的r²被计算出，各层的限制半径便可一并随着更新，但各层限制半径并非一定要一并随着更新，且限制函数也不必维持固定。

本发明实施例的最大相似度检测方法可应用于一通讯装置(未显示)中。该通讯装置可包括一处理单元(未显示)，用以执行该最大相似度检测方法。此外，该通讯装置可为一移动台(Mobile Station)、一基地台(BaseStation)、一存取点(Access Point)、一便携装置(Portable Device)或是一桌上型计算机(Desktop)，而该处理单元可为一数字讯号处理(DigitalSignal Processing，简称为DSP)单元或一专用集成电路(Application SpecificIntegrated Circuit，简称为ASIC)。

本发明更提供一种记录介质(例如光盘片、磁盘片与抽取式硬盘等等)，其是记录一计算机可读取的权限签核程序，以便执行上述的最大相似度检测方法。在此，储存于记录介质上的权限签核程序，基本上是由多个程序代码片段所组成的(例如建立组织图程序代码片段、签核窗体程序代码片段、设定程序代码片段、以及部署程序代码片段)，并且这些程序代码片段的功能对应到上述方法的步骤与上述系统的功能方块图。

虽然本发明已以较佳实施例披露如上，然其并非用以限定本发明，本领域技术人员在不脱离本发明的精神和范围的前提下可作各种的更动与润饰，因此本发明的保护范围以本发明的权利要求为准。

Claims (25)

1.一种最大相似度检测方法，包括下列步骤：

处理接收数据以取得多个参数；

设定初始半径r；

根据限制函数决定每一阶层PED的上限值；以及

根据所述参数执行搜寻程序，并依据所述上限值判断子网格是否超过搜寻范围。

2.如权利要求1所述的最大相似度检测方法，其中，处理该接收数据的步骤还包括下列步骤：

计算强迫归零向量；

对通道矩阵H执行排序与QR分解产生上三角矩阵R；以及

取得信道排序索引向量。

3.如权利要求1所述的最大相似度检测方法，其中，决定该初始半径r的步骤还包括下列步骤：

决定初始解，并根据成本函数计算该初始半径r。

4.如权利要求3所述的最大相似度检测方法，该初始解可对该强迫归零向量执行硬式决策来取得。

5.如权利要求3所述的最大相似度检测方法，该初始解可为搜寻过程中第一次取得的候选解。

6.如权利要求2所述的最大相似度检测方法，其中，经过排序的H经QR分解后所得的该上三角矩阵R的左上至右下的对角元素比未经过排序的更趋于由小排到大。

7.如权利要求1所述的最大相似度检测方法，其中，每一层的PED上限值表示限制于每一对应维度的子网格的子球状半径。

8.如权利要求2所述的最大相似度检测方法，其还包括计算该强迫归零向量，同时决定矩阵的第一与最后行索引，使得排序后的矩阵其QR分解后的上三角矩阵R的左上对角元素为所有可能排序结果中的最小者，而该上三角矩阵R的右下对角元素为所有可能排序结果中的最大者。

9.如权利要求1所述的最大相似度检测方法，其中，该PED限制函数为根据树深而单调增加的函数。

10.如权利要求1所述的最大相似度检测方法，其还包括下列步骤：

当搜寻至最低阶层时，自该较佳解取得更新半径r；以及

利用该限制函数更新各阶层PED上限值，使得较小维度的子网格能限制在较小子球面内。

11.如权利要求10所述的最大相似度检测方法，其中，当取得该更新半径r时，可调整该限制函数。

12.一种最大相似度检测系统，包括：

前处理单元，其用以处理接收数据以取得多个参数，并且决定初始半径r；以及

搜寻单元，其用以根据限制函数决定每一阶层PED的上限值，根据所述参数执行搜寻程序，并依据所述上限值判断子网格是否超过搜寻范围。

13.如权利要求12所述的最大相似度检测系统，其还包括组成单元，用以决定应用至每一阶层的该限制函数。

14.如权利要求12所述的最大相似度检测系统，其中，该前处理单元还包括：

计算强迫归零向量；

对通道矩阵H执行排序与QR分解产生上三角矩阵R；以及

取得信道排序索引向量。

15.如权利要求14所述的最大相似度检测系统，其中，该前处理单元还包括：

决定初始解，并根据成本函数计算该初始半径r。

16.如权利要求15所述的最大相似度检测系统，该初始解可对该强迫归零向量执行硬式决策来取得。

17.如权利要求15所述的最大相似度检测系统，该初始解可为搜寻过程中第一次取得的候选解。

18.如权利要求14所述的最大相似度检测系统，其中，经过排序的H经QR分解后所得的该上三角矩阵R的左上至右下的对角元素比未经过排序的更趋于由小排到大。

19.如权利要求12所述的最大相似度检测系统，其中，每一层的PED上限值表示限制于每一对应维度的子网格的子球状半径。

20.如权利要求14所述的最大相似度检测系统，其还包括计算该强迫归零向量，同时决定矩阵的第一与最后行索引，使得排序后的矩阵其QR分解后的上三角矩阵R的左上对角元素为所有可能排序结果中的最小者，而该上三角矩阵R的右下对角元素为所有可能排序结果中的最大者。

21.如权利要求12所述的最大相似度检测系统，其中，该PED限制函数为根据树深而单调增加的函数。

22.如权利要求12所述的最大相似度检测系统，其还包括下列步骤：

当搜寻至最低阶层时，该前处理单元自该较佳解取得更新半径r；以及

利用该限制函数更新各阶层PED上限值，使得较小维度的子网格能限制在较小子球面内。

23.如权利要求22所述的最大相似度检测系统，其中，当取得该更新半径r时，可调整该限制函数。

24.一种通讯装置，包括：

处理单元，其用以处理接收数据以取得多个参数，并设定初始半径r，根据所述参数执行搜寻程序，并以限制函数决定每一阶层部份欧氏距离的上限值，依据所述上限值判断子网格是否超过搜寻范围。

25.如权利要求24所述的通讯装置，其中，该通讯装置可为移动台、基站、存取点、便携装置或是桌上型计算机。

Images