CN101542993A - 用于确定信号矢量的方法与系统 - Google Patents

Abstract

一种用于确定信号矢量的方法，所述信号矢量包括来自所接收的信号矢量的多个分量，所述方法包括：对表示通信信道特征的并根据通信信道上的噪声的方差信息被扩展的信道矩阵进行QR分解，其中信号矢量经由所述的通信信道接收；利用所述已扩展的信道矩阵的QR分解执行多个确定步骤，其中在各步中确定信号矢量的一组可能的子矢量，并且在各步中，该组中的可能的子矢量的个数低于预定的最大个数；并且选择在多个确定步骤的最后一步中所确定的该组可能的子矢量的一个矢量作为信号矢量。

Description

用于确定信号矢量的方法与系统

相关申请的交叉引用

本申请要求2006年5月4日提交的美国专利临时申请60/797,509的优先权，为此将其全部内容通过引用并入本文中。

技术领域

本发明涉及用于确定信号矢量的方法与系统。

背景技术

由于多个发射和接收天线的使用显著地提高了系统容量，因而多输入多输出(MIMO)系统作为有应用前景的下一代通信系统的备选方案已受到越来越多的关注。因为最优的最大似然(ML)检测产生指数级的复杂度，因此不适合于实际应用，因而通常使用次优的检测算法。然而，例如，低复杂度的零化加抵消算法(参见文献[1])存在显著的多样化损失和功率损耗的问题。

为了寻求具有低复杂度但接近最大似然检测的性能的算法，人们作了很多努力，其中球解码(参见文献[2]-[8])以及与所谓的M-算法相结合的QR分解(QRD-M)(参见文献[9])是最具吸引力的。这两种算法都是基于树搜索的算法，其中球解码是深度优先搜索，QRD-M是广度优先搜索。球解码通过只搜索落在超球面内的那些候选者来降低复杂度，QRD-M算法通过在每步中仅保留具有最小累积度量的那些候选者来降低复杂度。尽管平均起来球解码的复杂度低于QRD-M算法，但是球解码的最坏情形的复杂度是相当高的。

本发明旨在提出一种比传统的检测方法的性能有所改进的检测方法。

发明内容

一种用于确定信号矢量的方法，所述信号矢量包括来自所接收的信号矢量的多个分量，所述方法包括：对表示通信信道的特征、并且已根据所述通信信道上的噪声的方差信息被扩展的信道矩阵进行QR分解，所述信号矢量经由所述通信信道接收；利用所述已扩展信道矩阵的QR分解执行多个确定步骤，其中，在每一个步骤中确定所述信号矢量的一组可能的子矢量，并且在每一个步骤，该组中的可能的子矢量的个数低于预定的最大个数；选择在所述多个确定步骤的最后一步中所确定的一组可能的子矢量的一个矢量作为信号矢量。

在其它的实施例中，提供了根据所述用于确定信号矢量的方法的系统和计算机程序产品。

附图说明

以下参照附图说明本发明的示例性实施例。

图1示出了根据本发明实施例的通信系统。

图2示出了根据本发明实施例的流程图。

具体实施方式

示例性地，在一个实施例中，进行QRD-M算法以用于检测，该算法不是基于迫零，而是基于信号矢量的MMSE(最小均方差)估计的。与传统的QRD-M算法相比，该算法可以保持QRD-M算法的接近最大似然性能而总复杂度可以降低50％。基于MMSE估计的QRD-M方法也可看作是基于MMSE滤波原理的预滤波式QRD-M算法。

在用于确定信号矢量的方法的上下文中所描述的实施例可以类似地对系统和计算机程序产品有效。

待确定的信号矢量例如通过发射机发送，并且最大个数小于可以通过发射机发送的所有信号矢量的个数。信号矢量也可以例如根据多用户MIMO或根据CDMA由多个发射机发送。

这意味着确定步骤中不是所有可能的子矢量都被考虑在内，这使复杂度降低。当根据最大似然搜索确定子矢量时，这意味着该搜索不是穷举的。

例如，对于信号矢量的各分量来说，当多个可能的分量值可由发射机发送时，预定的最大个数可小于可能的分量值个数的乘方，该乘方的次数为信号矢量的分量的个数。

在一个实施例中，在一个步骤中所确定的一组可能的子矢量中的所有子矢量具有相同的维数。然而，这不是必须的，这些子矢量也可以具有不同的维数。所执行的确定步骤的次数可以是信号矢量的分量的个数。

在一个实施例中，利用QRD-M算法基于扩展信道矩阵来确定信号矢量。

该方法还包括利用MMSE滤波矩阵对所接收到的信号矢量进行预滤波。然后可以利用QRD-M算法基于经过预滤波的已接收信号矢量来确定多组子矢量。

如上所述，在一个实施例中，确定信号矢量的最小均方差估计，并且利用QRD-M算法基于最小均方差估计确定信号矢量。

例如，在多个确定步骤的第一步中，确定出信号矢量的第一分量的一组可能的符号。并且，在除了第一步之外的每个确定步骤中，所述的一组子矢量基于前一步中的一组子矢量来确定。

在一个实施例中，在除了第一步之外的每个步骤中，一组子矢量中的子矢量的维数比在前一步骤中所确定的一组子矢量中的子矢量的维数大一个维数。

在一个实施例中，在除了第一步之外的每个步骤中，子矢量组中的各子矢量是使在前一步中所确定的子矢量组中的子矢量被扩展信号矢量的分量的一个可能符号所得到的，其中在前一步骤中所确定的子矢量的信号矢量的分量不包括可能符号。

在一个实施例中，信号矢量的分量的顺序是基于已扩展信道矩阵的QR分解的矩阵R、列范数或行范数、或者是基于后滤波的信噪比，其中，子矢量按照该顺序逐步地扩展。

信号矢量例如通过多个发送天线发送并且例如通过多个接收天线接收。信道矩阵的各分量表征了从发送天线之一到接收天线之一的信道增益。

在本发明的实施例中，例如在接收机中所使用的电路可以是设计为具有相应功能的硬件电路，也可以是编程为具有相应功能的可编程单元，例如处理器。

图1示出了根据本发明实施例的通信系统100。

通信系统100包括发射机101和接收机102。发射机101包括多个发射天线103，各发射天线103与各自的发送单元104耦接。

给各发送单元104提供信号矢量 $\underset{\‾}{s}={[s_1,s_2,\·\·\·,s_{N_t}]}^T$ 的分量，其中N_t是发射天线103的个数。各发送单元104利用各自的天线103发射信号矢量s的各个分量，从而一起发送信号矢量s。已发射的信号矢量经通信信道108由接收机102的多个接收天线105以已接收信号矢量 $\underset{\‾}{r}={[r_1,r_2,\·\·\·,r_{N_t}]}^T$ (T表示转置)的形式接收，各接收天线105与各自的接收单元106耦接。N_r表示接收天线105的个数，其中N_t≤N_r。

由于假设N_t和N_r都大于1，因此通信系统100是MIMO(多输入多输出)系统，例如是N_t＝N_r＝4或8、并且是具有20MHz的系统带宽、工作在5GHz的中心频率的MIMO-OFDM(正交频分复用)系统。调制例如是根据QPSK(正交相移键控)或16QAM(正交幅度调制)进行。发射机101也可以包括用于对待发送数据进行turbo编码(例如根据3GPP)的电路并且可以包括比特交织器。对于调制，可以使用格雷映射(gray mapping)。接收机102进行各自的反向操作，例如比特解交织和turbo解码。

每个接收天线105接收已接收信号矢量r的一个分量，并且各个分量通过耦接到天线的接收单元106输出，并馈送到检测器107。

通信信道108假定为准静态平坦衰落信道。发射天线103和接收天线105之间的通信信道108的传输特性可以通过复信道矩阵H模型化。H的分量H_j，i表征了从第i发射天线103至第j接收天线105的路径增益。例如通过在发射信号矢量s之前进行信道估计，可以认为信道矩阵H对于接收机102而言是已知的。

已接收信号矢量r可以记为：

r＝H·s+η                                (1)

其中 $\underset{\‾}{\mathrm{\η}}={[{\mathrm{\η}}_1,{\mathrm{\η}}_2,\·\·\·,{\mathrm{\η}}_{N_t}]}^T$ 为矢量，该矢量的第j分量表示第j接收天线中方差为N_o的加性高斯白噪声(AWGN)。

通信系统100例如可以根据V-BLAST架构而形成。

信号矢量s是由单个数据流生成的，所述单个数据流在发射机101中被多路分解为N_t个子流。各子流被编码成符号，并且子流的一个符号对应于信号矢量s的一个分量。

检测器107利用已接收信号矢量r生成估计信号矢量s％，该矢量s％是对初始发送的信号矢量s的估计。

以下，描述一些可以被检测器107用来确定估计信号矢量s％的检测方法。

估计矢量s％可以根据最大似然检测的解来确定，如(2)式所示：

${\underset{\‾}{\overset{^}{s}}}_{\mathrm{MLD}}=\arg \underset{\underset{\‾}{s}\∈{\mathrm{\Ω}}^{N_t}}{\min }{\left|\right|\underset{\‾}{r}-\underset{\‾}{H}\underset{\‾}{s}\left|\right|}^2---\left(2\right)$

其中Ω表示调制尺寸，即对于所有i，都有s_i∈Ω。

根据最大似然检测，对

的

个候选矢量进行穷举搜索。因此其复杂度高。

对H进行QR分解，从而H＝QR，其中Q是正交矩阵，R是上三角矩阵，其中R_i，j(j≥i)为非零元素，且R_i，i对所有i为正实数，并且假设N_r≥N_t，则等式(2)可以改写为：

${\underset{\‾}{\overset{^}{s}}}_{\mathrm{MLD}}=\arg \underset{\underset{\‾}{s}\∈{\mathrm{\Ω}}^{N_t}}{\min }{\left|\right|\underset{\‾}{y}-R\underset{\‾}{s}\left|\right|}^2$

$=\arg \underset{\underset{\‾}{s}\∈{\mathrm{\Ω}}^{N_t}}{\min }\{\underset{j=1}{\overset{N_t}{\mathrm{\Σ}}}{|y_j-\underset{i=j}{\overset{N_t}{\mathrm{\Σ}}}{R}_{j,i}{s}_i|}^2+\underset{k=N_t+1}{\overset{N_r}{\mathrm{\Σ}}}{\left|y_k\right|}^2\}$

$=\arg \underset{\underset{\‾}{s}\∈{\mathrm{\Ω}}^{N_t}}{\min }\{\underset{j=1}{\overset{N_t}{\mathrm{\Σ}}}{|R_{j,j}({\hat{s}}_j-s_j)+\underset{i=j+1}{\overset{N_t}{\mathrm{\Σ}}}{R}_{j,i}({\hat{s}}_i-s_i)|}^2+\underset{k=N_t-1}{\overset{N_r}{\mathrm{\Σ}}}{\left|y_k\right|}^2\}---\left(3\right)$

其中y＝Q ^H r，并且

是迫零解，表示各个矩阵的伪求逆。可以看出，第二项与所发射的信号矢量s无关，因此在最小化步骤中可以忽略。

可以通过采用球解码进行检测，从而避免了导致极高复杂度的穷举搜索。

球解码器只检验落入半径为d的超球面内的那些点作为估计s％的候选矢量，即满足式(4)的那些矢量s：

$\underset{j=1}{\overset{N_t}{\mathrm{\Σ}}}{|R_{j,j}({\hat{s}}_j-s_j)+\underset{i=j+1}{\overset{N_t}{\mathrm{\Σ}}}{R}_{j,i}({\hat{s}}_i-s_i)|}^2\≤d^2---\left(4\right)$

为了确定哪些点s在超球面内，在球检测的每步中采用了越来越严格的必要条件，例如，在第一步中，

${\left|R_{N_t,N_t}({\hat{s}}_{N_t}-s_{N_t})\right|}^2\≤d^2$

用于在超球面中找到矢量的分量

在第二步中，

${\left|R_{N_t,N_t}({\hat{s}}_{N_t}-s_{N_t})\right|}^2$

$+{|R_{N_t-1,N_t-1}({\hat{s}}_{N_t-1}-s_{N_t-1})+R_{N_t-1,N_t}({\hat{s}}_{N_t}-s_{N_t})|}^2\≤d^2$

用于找到给定

时的分量

以此类推，如文献[5]和[7]所表示，最终可以找到所有的点。

通过球解码，N_t维的联合搜索降为N_t个一维搜索，其中后面的一级与先前的所有级相关，这实际上是深度优先的树搜索。一旦找到在超球面内的一点，则半径立即减小为新的较小值，并且再次执行搜索步骤，直到找到最大似然估计为止。

球解码的复杂度极大地取决于初始半径d的选择。如果d选得太大，则会找出太多的点；如果d选得太小，则找不到点，并且必须增大半径并重复搜索。如文献[7]中所提出的，可以利用以下准则得到d值：

${\left|\right|\underset{\‾}{r}-\underset{\‾}{\mathrm{Hs}}\left|\right|}^2={\left|\right|\underset{\‾}{\mathrm{\η}}\left|\right|}^2\≈N_{o}E\left\{{\mathrm{\χ}}_{2N_r}^2\right\}=N_o{N}_r\≤d^2---\left(5\right)$

其中E{·}表示期望值运算。因此，可以根据d²＝kN_oN_r选择d，其中k≥1为比例系数。通过反复试验，可以得到适合的k值。

如果在指定的超球面内没有找到任何点时增大半径，则尽管以较高复杂度为代价，仍可保证球解码器实现ML性(即保证可找到最优的最大似然解)。为了降低复杂度而不损害ML性，可采用以下的一些排序方案。

·基于分支度量的排序：球解码器的一个缺点在于其复杂度极大地取决于初始半径的选择。文献[4]中所提出的排序方案不但降低了复杂度，而且使复杂度不受初始半径的影响。该新算法总是从具有最小分支度量的星座点开始搜索，例如，在第一步中，首先选择使

最小的

在第二步中，在给定

的情况下，首先选择使 ${|R_{N_t-1,N_t-1}({\hat{s}}_{N_t-1}-s_{N_t-1})+R_{N_t-1,N_t}({\hat{s}}_{N_t}-s_{N_t})|}^2$ 最小的以此类推。如果信道的条件很好，则通过该算法找到的第一点很可能是最大似然估计。因此可以极大地降低了预期的复杂度。

·基于R的排序：R的对角线元素可以被最大化以减少每步中落入指定球内的点的数目，从而降低复杂度。例如，在第一步中，使用 ${\left|R_{N_t,N_t}({\hat{s}}_{N_t}-s_{N_t})\right|}^2\≤d^2$ 找到所有的

对于固定的d，当

较大时，将会得到较小的

由于在树搜索的上级中降低复杂度更加明显，所以最大化R_j，j比最大化R_i，i(假设j＞i)更重要。因此，如果对于j＝1至j＝N_t，R_j，j是从最小至最大的词典排序(DiagR排序)，则预计可以更大地降低复杂度。该排序可以与基于分支度量的排序相结合以进一步降低复杂度。

·基于H的排序：球解码的搜索过程包括干扰抵消。在基于干扰抵消的检测方法中，首先检测最强的信号可得出更可靠的结果并产生更好的性能。因此，基于H的列范数的排序(H-norm排序)、基于的行范数的排序(Hinv排序)以及V-BLAST排序(参见文献[1])，这些先前在V-BLAST检测中所使用的所有排序方案可以直接用于球解码。该排序也可以与基于分支度量的排序相结合。

在一个实施例中，检测器107根据QRD-M算法(参见文献[9])确定

为了使公式(3)中的度量最小，QRD-M算法在每步中只保留具有最小累积度量的M个分支。这意味着，只有

的M个候选矢量的分量(就已确定的而言)才在后续的步骤中予以考虑。这意味着在每步之后(即在确定另一个可能的分量

的每步之后)，只有M个矢量保留为

的子矢量。

例如，在第一步中，只存储了具有最小

的Ω个可能

中的M个。在第二步中，只存储了具有最小累积度量 ${\left|R_{N_t,N_t}({\hat{s}}_{N_t}-s_{N_t})\right|}^2+{|R_{N_t-1,N_t-1}({\hat{s}}_{N_t-1}-s_{N_t-1})+R_{N_t,N_t-1}({\hat{s}}_{N_t}-s_{N_t})|}^2$ 的

和

的MΩ个组合(由第一步得出的

的M个已存储可能乘以的Ω个可能)中的M个，以此类推。在最后一步中，具有最小累积度量的

被选作最大似然估计。该最大似然值可能不是通过穷举搜索所得到的最优的一个。因此，QRD-M算法实质上是次优检测法，并且仅当 $M={\mathrm{\Ω}}^{N_t}$ 时，该算法才成为穷举化的最大似然搜索。当M＝1时，它实质上是具有干扰抵消的迫零检测。

QRD-M算法优于球解码的优点在于：当M固定时该算法的复杂度是固定的。对于球解码，最好情况与最差情况的复杂度可能相差甚远。但是，总的预计的复杂度仍然低于QRD-M算法的复杂度。

当QRD-M算法用于检测以提高系统性能时，除了基于分支度量的排序之外，也可以使用上述的球解码的排序。如文献[9]中所述，基于H的列范数的排序例如应用于标准QRD-M算法中。

对于球解码，大部分通信系统的预期复杂度为O(N_t ³)(参见文献[5])。搜索到的节点个数可以用于表示复杂度，或者更精确地说，根据(3)式所进行的实数乘法的次数可以用于表示复杂度。可以认为，检测一点是否在球内的复杂度是可以忽略的。而且，在复杂度的计算中信道矩阵的运算也可以认为是忽略不计的。应当指出，当j＝i时，R_j，i为实数，当j≠i时，R_j，i为复数。

对于编码系统，工作SNR例如设为7dB。当SNR增大时，复杂度通常会降低。从仿真分析可以看出，基于分支度量的排序(参见文献[4])对复杂度具有最显著的影响，复杂度变得不受初始半径影响。然而对于那些不考虑度量的排序，复杂度随半径增大而猛增。假设初始半径选择适当的话，则H-norm排序和DiagR排序可以有助于降低一点复杂度。

当初始半径过大时，它们的复杂度甚至高于没有排序的情形。基于DiagR的排序通常产生比基于H-norm的排序低的复杂度。当排序的度量算法与DiagR或H-norm排序相结合时，其平均复杂度可降低大约25％。

对于16QAM调制的4×4系统，例如，就所搜索到的节点的平均个数和所进行的实数乘法的平均次数而言，相应地，工作SNR设为15dB，可以看出，对于大范围的初始半径，H-norm排序和DiagR排序产生的复杂度比没有排序的情形低。当维数增加时，例如对于8×8系统，当采用排序时，复杂度的降低会变得更明显。

在没有排序和具有分支度量排序的球解码之间的最大复杂度在实际情形中可能相差甚远。

在表1和表2中，分别给出了对于QPSK和16QAM调制的4×4系统的最大似然实现方案之间复杂度比较的研究的总结。对于球解码，同DiagR排序相反，由于与H-norm排序相结合的度量排序不会带来太大的复杂度，所以与H-norm排序相结合的度量排序用作基准。对于QRD-M算法，为了实现ML性，M＝4用于QPSK，M＝16用于16QAM。应当指出，该比较只是针对难于确定的ML。

	实数乘法的平均次数	实数乘法的最大次数	节点的平均个数	节点的最大个数
					ML	2272	2272	85(1+4+16+64)	85
QRD-M(M＝4)	304	304	13(1+4+4+4)	13
					球解码器	150	2052	14	151

表1：QPSK调制的4×4系统的复杂度比较

	实数乘法的平均次数	实数乘法的最大次数	节点的平均个数	节点的最大个数
					ML	330880	330880	4369(1+4+256+4096)	4396
QRD-M(M＝4)	3520	3520	49(1+16+16+16)	49
					球解码器	200	8248	19	676

表2：16QAM调制的4×4系统的复杂度比较

从表1和表2中可以看出，与QRD-M和实际的ML检测相反，因为球解码的复杂度不易受调制尺寸的影响，所以球解码通常具有最低的平均复杂度并且对于16QAM调制而言其优点更明显。球解码器的问题在于其最差情形的复杂度明显高于其平均复杂度。解决该问题的一个途径是简单地限制复杂度的上限。如果没有找到任何点，则可以认为迫零解是ML估计。但是，这将使系统劣化。

如上所述的QRD-M算法可以被视为根据迫零解计算分支度量值。因为尤其在信道矩阵(在QR分解中的对应的上三角矩阵)条件差时，迫零算法易受噪声增加的影响，所以在一个实施例中，基于伪求逆MMSE(最小均方差)算法的QRD-M算法用于检测。在一个实施例中，由Hassibi在文献[10]中所提出的伪求逆MMSE算法应用于MMSE VBLAST零化和抵消检测。

由于在处理较差信道效果方面，MMSE优于迫零算法，所以认为通过该方法可以提高最差分支的性能。因此，分支的个数可以减少以实现相同等级的BER性能。

如上所述，信号模型表示为：

r＝H·s+η                                    (6)

标准的MMSE滤波矩阵可以记为：

W ^H＝H ^H(HH ^H+N_O I)^-1＝(H ^H H+]N_O I)^-1 H ^H

信道矩阵利用关于噪声的方差信息扩展为 $\underset{\‾}{G}=\left[\begin{array}{c}\underset{\‾}{H}\\ \sqrt{N_{O}I}\end{array}\right],$ 其中I是N_t×N_t单位矩阵。并且，令 $\underset{\‾}{\overset{~}{y}}=\left[\begin{array}{c}\underset{\‾}{r}\\ \underset{\‾}{O}\end{array}\right],$ 其中O是N_t×1零列矢量。于是，然后ML检测问题可以记为：

${\underset{\‾}{\overset{~}{s}}}_{\mathrm{ml}}=\arg \underset{\underset{\‾}{s}\∈{\mathrm{\Ω}}^{N_t}}{\min }{\left|\right|\underset{\‾}{r}-\underset{\‾}{H}\underset{\‾}{s}\left|\right|}^2$

$=\arg \underset{\underset{\‾}{s}\∈{\mathrm{\Ω}}^{N_t}}{\min }\{{\left|\right|\underset{\‾}{\overset{~}{y}}-\underset{\‾}{G}\underset{\‾}{s}\left|\right|}^2-N_O{\left|\right|\underset{\‾}{s}\left|\right|}^2\}$

其中 $\underset{\‾}{\overset{~}{R}}={\underset{\‾}{\overset{~}{Q}}}^H\underset{\‾}{G},$

表示R的分量，

是MMSE估计。除了多一项N_O||s||²参与搜索过程之外，可以以与球解码或者QRD-M算法相同的方式进行搜索过程。例如对于QPSK，该项为常数并且在搜索过程中可以忽略。

从仿真结果中可以看出，M＝4且H-norm排序的基于伪求逆MMSE的QRD-M能够获得与M＝8且V-BLAST排序的基于传统迫零的QRD-M类似的性能。当采用V-BLAST排序时，其性能几乎可达到ML的性能并且超出其基于迫零的对照物大约10dB。

预滤波QRD-M检测方案可以应用于正交频分与码分复用(OFCDM)MIMO系统(参见文献[11])。

预滤波QRD-M检测方案，即基于MMSE估计的QRD-M检测方法，可以应用于如图1所示的MIMO系统，例如应用于OFCDM(正交频分与码分复用)MIMO系统，也可以应用于例如GSTBC-OFDM系统或GSTBCOFCDM系统的GSTBC(分组空时块编码)系统的接收机(参见文献[12])。

所述的预滤波QRD-M检测方案也可以用于多用户码分多址(CDMA)系统的基站中的检测。在此情况下对应的信号模型可以记为：

r＝R d+η                            (8)

其中r＝[r₁，r₂，…，r_k]^T，r_j表示第j个与扩频码匹配的滤波输出，R表示k个活动用户的相关矩阵，d表示所发射的信号矢量，η表示滤除AWGN噪声的码序列。当用户的扩频码不是正交时，被滤除的噪声不再是AWGN。

不同用户的信道增益和多径效应都合并在相关矩阵R中。

以下参照图2说明根据本发明实施例的一种检测方法。

图2示出了根据本发明实施例的流程图。

在步骤201中，例如通过MIMO系统的接收机接收信号矢量。

可以假定，接收信号矢量所经由的信道可以由信道矩阵来表征。

在步骤202中，根据通信信道上的噪声的方差信息扩展信道矩阵。例如，在以上所使用的符号中，矩阵G是根据 $\underset{\‾}{G}=\left[\begin{array}{c}\underset{\‾}{H}\\ \sqrt{N_O\underset{\‾}{I}}\end{array}\right]$ 由信道矩阵H生成的，其中如上所述，N_o表示通信信道上的噪声的方差。

在步骤203中，对已扩展信道矩阵进行QR分解。

在步骤204中，利用已扩展信道矩阵的QR分解执行多个确定步骤，其中，在每一个步骤确定出信号矢量的一组可能的子矢量，并且在每一个步骤，该组中的可能的子矢量的个数低于预定的最大个数。在最后的确定步骤之后，在最后的确定步骤中所确定出的一组可能的子矢量的一个矢量被选作信号矢量。

例如根据QRD-M算法执行多个确定步骤。

如果信道特性不快速变化，则可以利用相同的扩展信道矩阵和相同的QR分解确定出多个信号矢量。

而且，基于MMSE的QRD-M方案可以与文献[11]中所述的自适应格形扩展(trellis extension)方案相结合以降低计算复杂度。

在此文中，引用了下述公开文献：

[1]P.W.Wolniansky，G.J.Foschini，G.D.Golden and R.A.Valenzuela，″V-BLAST：An architecture for realizing very high data rates over therich-scattering wireless channel，″in IEEE ISSSE-98，(Pisa，Italy)，pp.295-300，Sept.1998.

[2]E.Viterbo and J.Boutros，″A Universal Lattice Decoder for FadingChannels，″IEEE Trans.Inform.Theory，vol.45，no.5，pp.1639-1642，July1999.

[3]Oussama Damen，Ammar Chkeif and Jean-Claude Belfiore，″Lattice CodeDecoder for Space Time Codes，″IEEE Commun.Lett.，vol.4，no.5，pp.161-163，May 2000.

[4]Albert M.Chan and Inkyu Lee，″A New Reduced-Complexity球Decoder for Multiple Antenna Systems，″IEEE International Conference onCommunications，vol.1，pp.460-464，May 2002.

[5]Babak Hassibi and Haris Vikalo，″On the expected complexity of integerleast-squares problems，″IEEE International Conference on Acoustics，Speech and Signal Processing，vol.2，pp.1497-1500，2002.

[6]Erik Agrell，Thomas-Eriksson，Alexander Vardy and Kenneth Zeger，″Cloest Point Search in Lattices，″IEEE Trans.Inform.Theory，vol.48，no.8，pp.2201-2214，Aug.2002.

[7]Bertrand M.Hochwald，Stephan ten Brink，″Achieving Near-Capacity ona Multiple-Antenna Channel，″IEEE Trans.Commun.，vol.51，no.3，pp.389-399，March 2003.

[8]Mohamed Oussama Damen，Hesham El Gamal and Giuseppe Caire，″OnMaximum-Likelihood Detection and the Search for the Closest LatticePoint，″IEEE Trans.Inform.Theory，vol.49，no.10，pp.2389-2402，Oct.2003.

[9]Kyeong Jin Kim and Ronald A.Iltis，″Joint Detection and ChannelEstimation Algorithms for QSCDMA Signals Over Time-Varying Channels，″IEEE Trans.Commun.，vol.50，no.5，pp.845-855，May 2002.

[10]Babak Hassibi，″AnEfficient Square-Root Algorithm for BLAS T，″IEEEInternational Conference on Acoustics，Speech and Signal Processing，vol.2，pp.737-740，June 2000.

[11]Kenichi Higuchi，Hiroyuki Kawai，Noriyuki Maeda，and MamoruSawahashi，″Adaptive Selection of Surviving Symbol Replica CandidatesBased on Maximum Reliability in QRM-MLD for OFCDM MIMOMultiplexing，″in Global Telecoomunications Conference，vol.4，pp.2480-2486，2004.

[12]Sumei Sun，Yan Wu，Yuan Li，and T.T.Tjhung，″A novel iterativereceiver for coded MIMO-OFDM systems，″in IEEE InternationalConference on Communications，vol.4，pp.2473-2477，2004.

Claims (18)

1.一种用于确定信号矢量的方法，所述信号矢量包括来自所接收的信号矢量的多个分量，所述方法包括：

对表示通信信道的特征、并且已根据所述通信信道上的噪声的方差信息被扩展的信道矩阵进行QR分解，所述信号矢量经由所述通信信道接收；

利用所述已扩展信道矩阵的QR分解执行多个确定步骤，其中，在每一个步骤中确定所述信号矢量的一组可能的子矢量，并且在每一个步骤，该组中的可能的子矢量的个数低于预定的最大个数；

选择在所述多个确定步骤的最后一步中所确定的一组可能的子矢量的一个矢量作为信号矢量。

2.根据权利要求1所述的方法，其中，所述信号矢量已通过发射机发送，并且所述最大个数小于可以通过所述发射机发送的所有信号矢量的个数。

3.根据权利要求2所述的方法，其中，对于所述信号矢量的各分量，多个可能的分量值可通过所述发射机发送，并且所述预定的最大个数小于可能的分量值的个数的乘方，该乘方的次数是所述信号矢量的分量的个数。

4.根据权利要求1或3中任一项所述的方法，其中，在一个步骤中所确定的一组可能的子矢量中的所有子矢量具有相同的维数。

5.根据权利要求1到4中任一项所述的方法，其中，所执行的确定步骤的次数是所述信号矢量的分量的个数。

6.根据权利要求1到5中任一项所述的方法，其中，利用QRD-M算法基于所述已扩展信道矩阵来确定所述信号矢量。

7.根据权利要求1到6中任一项所述的方法，还包括利用MMSE滤波矩阵对所接收的信号矢量进行预滤波。

8.根据权利要求7所述的方法，其中，利用QRD-M算法基于已经过预滤波的所述接收信号矢量来确定多组子矢量。

9.根据权利要求1到8中任一项所述的方法，还包括确定所述信号矢量的最小均方差估计，并且利用QRD-M算法基于所述最小均方差估计确定所述信号矢量。

10.根据权利要求1到9中任一项所述的方法，其中，在所述多个确定步骤的第一步骤中，确定所述信号矢量的第一分量的一组可能的符号。

11.根据权利要求10所述的方法，其中，在除了第一步之外的每个确定步骤中，所述的一组子矢量基于前一步骤中的一组子矢量来确定。

12.根据权利要求11所述的方法，其中，在除了第一步骤之外的每个步骤中，所述的一组子矢量中的子矢量的维数比在前一步骤中所确定的一组子矢量中的子矢量的维数大一个维数。

13.根据权利要求12所述的方法，其中，在除了第一步骤之外的每个步骤中，所述的一组子矢量中的各子矢量是通过使在前一步骤中所确定的一组子矢量中的子矢量被扩展所述信号矢量的分量的一个可能的符号得到的，其中在前一步骤中所确定的子矢量不包括可能的符号。

14.根据权利要求13所述的方法，其中，所述信号矢量的分量的顺序是基于所述已扩展信道矩阵的所述QR分解的矩阵R、列范数或行范数或者是基于V-BLAST排序，所述子矢量按照所述顺序逐步地扩展。

15.根据权利要求1到14中任一项所述的方法，其中，所述信号矢量通过多个发送天线发送并且通过多个接收天线接收。

16.根据权利要求15所述的方法，其中，所述信道矩阵的各分量表征了从所述发送天线之一到所述接收天线之一的信道增益。

17.一种用于确定信号矢量的系统，所述信号矢量包括来自所接收的信号矢量的多个分量，所述系统包括：

分解电路，其适配于对表示通信信道的特征、并已根据所述通信信道上的噪声的方差信息被扩展的信道矩阵进行QR分解，所述信号矢量经由所述通信信道接收；

确定电路，其适配于利用所述已扩展信道矩阵的QR分解执行多个确定步骤，其中在各个步骤中，所述信号矢量的一组可能的子矢量被确定，并且在各个步骤中，该组中的可能的子矢量的个数低于预定的最大个数；

选择电路，其适配于选择在所述多个确定步骤的最后一步中所确定的一组可能的子矢量的一个矢量作为信号矢量。

18.使计算机执行用于确定信号矢量的方法的计算机程序单元，所述信号矢量包括来自所接收的信号矢量的多个分量，所述方法包括：

对表示通信信道的特征、并且已根据所述通信信道上的噪声的方差信息被扩展的信道矩阵进行QR分解，所述信号矢量经由所述通信信道接收；

利用所述已扩展信道矩阵的QR分解执行多个确定步骤，其中，在每一个步骤中确定所述信号矢量的一组可能的子矢量，并且在每一个步骤，该组中的可能的子矢量的个数低于预定的最大个数；

选择在所述多个确定步骤的最后一步中所确定的一组可能的子矢量的一个矢量作为信号矢量。

Images