CN102487309A - 一种mimo系统下的信号检测方法和装置 - Google Patents

Abstract

本发明提供了一种MIMO系统下的信号检测方法和装置，该方法可以包括：从搜索空间的第N层开始进行搜索，在上一层所保留的节点数的基础上，比较当前层中各路径的部分距离与参数λ的关系，保留部分距离小于参数λ的路径及其节点；然后进入下一层的搜索；所述参数λ基于所设定的检测性能计算得到；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果输出。本发明提供的方法在检测性能基本不变的条件下，降低了信号检测算法的复杂度，提高了接收数据的检测效率，从而也提高了传输的效率，同时硬件的实现更加简单、硬件实现的电路面积更小、实际功耗更低。本发明的方法可应用于多用户信号检测及其它信号检测。

Description

一种MIMO系统下的信号检测方法和装置

技术领域

本发明涉及信号检测技术领域，特别是涉及一种MIMO系统下的信号检测方法，可用于多天线检测或多用户检测。

背景技术

多输入多输出技术(MIMO)可以在不增加频带的前提下，成倍地提高传输速率，今天频率资源日益紧张，所以，MIMO技术被认为是下一代宽带无线通信技术中最为重要的物理层技术之一。

在MIMO系统中，为了提高信源信息传输的可靠性，在发送端，待传输信号首先经过能够提供纠错能力的信道编码，再进行空时/空频/空时频编码，而后由多幅发送天线同时或者按照一定的时间顺序发送出去。对于接收端，由多幅接收天线同时或者按照一定的时间顺序接收来自于发送端的信号，并依次进行空时/空频/空时频解码和信道译码，从而将译码结果作为待发送信号的原始信息。

接收端所进行的信道译码实质上是对接收信号的检测，即从接收信号中检测出最优信号，作为译码结果。然而，MIMO技术的信号检测技术却面临着巨大的难题，虽然最大似然(ML)算法从最小错误概率的意义上看是最优的，但是其计算复杂度大，是天线数目及调制阶数的指数形式，例如：采用16QAM(16阶正交幅度调制)方式调制、共有5幅天线时，计算复杂度为16⁵＝1048576。实时系统难以接受这样大的计算复杂度。

作为ML算法的一种近似简化，球形译码(Sphere Decoding，SD)系列算法因为其接近于或等于ML的性能以及相比于ML算法大大降低的计算复杂度日益受到广泛关注，通常其计算复杂度与天线数目间为立方关系。因此，球形译码方式成为当前MIMO信号检测的首选方案。

在球形译码方式中，相比于深度优先算法(Depth First SD，DFSD)和距离优先算法(Metric First SD，MFSD)，宽度优先算法(Breadth First SD，BFSD，又称为K-best SD算法，以下采用业界通用的简称K-best SD算法)并行进行计算，并且复杂度确定，所需时间确定，因此在实时系统中是极有希望的实用技术。然而，特别地，在要求高性能时或者在高调制阶数或大天线数的系统中，K-best SD算法的计算复杂度仍然很大，如何在不降低性能的前提下降低其复杂度仍然是当前一个迫切需要解决的问题。

目前，提出了一些对K-best SD算法的简化方案，Luis G.Barbero等人的研究(L.G.Barbero and J.S.Thompson，“A Fixed-Complexity MIMODetector Based on the Complex Sphere Decoder，”2006 IEEE 7th Workshopon Signal Processing Advances in Wireless Communications，Cannes，France：2006，pp.1-5.)提出每个节点展开的节点数受限的FSD算法，一定程度上减少了译码过程中访问的节点，但是性能和访问节点数的矛盾没有根本改善；

Cong Xiong等人(Cong Xiong，Xin Zhang，Kai Wu，and Dacheng Yang，“A simplified fixed-complexity sphere decoder for V-BLAST systems，”Communications Letters，IEEE，vol.13，2009，pp.582-584.)提出将FSD算法中保留节点数随搜索层数的增加而减少的算法，这种算法没有FSD足够的减少保留节点数目的理论依据，对所能减少的节点数目也没有一个最优化的解决方法，仅仅是固定了节点数的减少量，取值凭经验，相对随意，性能不确定。

总之，目前提出的方案的共同缺点是复杂度降低有限，同时性能没有保证。

发明内容

本发明所要解决的技术问题是提供一种MIMO系统下的信号检测方法和装置，可用于多天线检测或多用户检测。本发明在基本不降低检测性能的前提下，能够大幅度减少信号检测算法复杂度。

为了解决上述问题，本发明公开了一种MIMO系统下的信号检测方法，包括：从搜索空间的第N层开始进行搜索，在上一层所保留的节点数的基础上，比较当前层中各路径的部分距离与参数λ的关系，保留部分距离小于参数λ的路径及其节点；然后进入下一层的搜索；所述参数λ基于所设定的检测性能计算得到；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果输出。

优选的，所设定的检测性能为发送信号在保留下的路径中的概率；

将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

优选的，所述的方法还包括：确定针对各层的最大宽度B；则，在比较当前层中各路径的部分距离与参数λ之前，还包括：在上一层所保留的节点数的基础上，保留当前层中部分距离最小的B条路径；然后在所述B条路径中比较部分距离与参数λ。

优选的，所述针对每层的最大宽度B相同；或者，所述针对每层的宽度B不同。

优选的，所述的方法还可以包括：每层至少保留部分距离最小的一条路径。

优选的，所述发送信号在保留下来路径中的概率表示为：1-αP_source

其中，α为裁剪系数，源误符号率P_source；所述源误符号率P_source取自最大似然检测的误符号率。

优选的，所述发送信号在保留下来路径中的概率表示为：1-αP_source

其中，α为裁剪系数，源误符号率P_source；所述源误符号率P_source取自预设宽度的K-best SD算法的误符号率；该预设宽度用于确定信号检测中针对各层的最大宽度B。

依据本发明的另一实施例，还公开了一种MIMO系统下的信号检测方法，包括：从搜索空间的第N层开始进行搜索，确定每层需要保留的节点数M；其中，最大节点数M_max基于参数λ计算得到，所述参数λ基于所设定的检测性能计算得到；在针对每层的搜索中，保留当前层中部分距离最小的M条路径；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果输出。

优选的，所设定的检测性能为发送信号在保留下的路径中的概率；将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

优选的，确定每层需要保留的节点数M的步骤具体包括：首先确定最大节点数所对应的层，然后每层需要保留的节点数M从该层至第1层递减；M大于等于1。

优选的，所述发送信号在保留下来路径中的概率表示为：1-αP_source

其中，α为裁剪系数，源误符号率P_source；所述源误符号率P_source取自最大似然检测的误符号率。

优选的，所述发送信号在保留下来路径中的概率表示为：1-αP_source

其中，α为裁剪系数，源误符号率P_source；所述源误符号率P_source取自预设宽度的K-best SD算法的误符号率。

依据本发明的另一实施例，还公开了一种MIMO系统下的信号检测装置，包括：

信号接收单元，用于接收信号；

检测单元，用于从信道矩阵搜索空间的第N层开始进行搜索，在上一层所保留的节点数的基础上，比较当前层中各路径的部分距离与参数λ的关系，保留部分距离小于参数λ的路径及其节点；然后进入下一层的搜索；所述参数λ基于所设定的检测性能计算得到；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果；

输出单元，用于输出检测结果。

优选的，所设定的检测性能为发送信号在保留下的路径中的概率；将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

所述的装置还可以包括：确定针对各层的最大宽度B；则，在比较当前层中各路径的部分距离与参数λ之前，还包括：在上一层所保留的节点数的基础上，保留当前层中部分距离最小的B条路径；然后在所述B条路径中比较部分距离与参数λ。

依据本发明的另一实施例，还公开了一种MIMO系统下的信号检测装置，包括：

信号接收单元，用于接收信号；

检测单元，用于从信道矩阵搜索空间的第N层开始进行搜索，确定每层需要保留的节点数M；其中，最大节点数M_max基于参数λ计算得到，所述参数λ基于所设定的检测性能计算得到；在针对每层的搜索中，保留当前层中部分距离最小的M条路径；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果；

输出单元，用于输出检测结果。

优选的，所设定的检测性能为发送信号在保留下的路径中的概率；将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

优选的，确定每层需要保留的节点数M的步骤具体包括：首先确定最大节点数所对应的层，然后每层需要保留的节点数M从该层至第1层递减；M大于等于1。

与现有技术相比，本发明具有以下优点：

本发明提供的方法在检测性能基本不变的条件下，降低了信号检测算法的复杂度，提高了接收数据的检测效率，从而也提高了传输的效率，同时硬件的实现更加简单、硬件实现的电路面积更小、实际功耗更低。本发明的方法可应用于多用户信号检测及其它信号检测。

附图说明

图1是本发明的一种MIMO系统下的信号检测方法实施例的步骤流程图；

图2是根据本发明的一个实施例的发送接收结构图；

图3是根据本发明的一个实施例的四层搜索示意图；

图4是根据本发明的一个实施例的树状搜索示意图；

图5是本发明一种信号检测方法优选实施例的流程示意图；

图6是本发明的实施例的性能的理论上界、下界与仿真性能的比较示意图；

图7是根据本发明的一个实施例的仿真实验所得的性能曲线；

图8是根据本发明的一个实施例的仿真实验所得的复杂度曲线。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明提供一种MIMO系统下的信号检测方法实施例，包括以下步骤：

从搜索空间的第N层开始进行搜索，

在上一层所保留的节点数的基础上，比较当前层中各路径的部分距离与参数λ的关系，保留部分距离小于参数λ的路径及其节点；然后进入下一层的搜索；所述参数λ基于所设定的检测性能计算得到；

如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果输出。

从上面的步骤描述可以看出，参数λ是影响信号检测性能和复杂度的决定性因素。在本发明的优选实施例中，所设定的检测性能采用发送信号在保留下的路径中的概率；因为发送信号在保留下的路径中的概率可以很好的表达一个信号检测技术方案的检测性能，概率越高，那么性能越好。

具体的，将所述概率作为卡方分布归一化的累积分布函数的值，就可以计算得到卡方分布的半径作为参数λ。

发送信号在保留下的路径中的概率可以用各种数学方式表示，下面给出本发明的一个优选思想。

例1

所述发送信号在保留下来路径中的概率表示为：

1-αP_source

其中，α为裁剪系数，源误符号率P_source；

所述源误符号率P_source取自最大似然检测的误符号率。

裁剪系数通常可以基于要求实现的性能损失上界来确定，或者说，因为本算法的裁剪所引起的最多的性能损失来确定。如要求损失不大于源误符号率的10％，则该系数为0.1。当然，该值取的是上界，实际上性能损失一定小于这个数。

例2

所述发送信号在保留下来路径中的概率表示为：

1-αP_source

其中，α为裁剪系数，源误符号率P_source；

所述源误符号率P_source取自预设宽度的K-best SD算法的误符号率；该预设宽度用于确定信号检测中针对各层的最大宽度B。

本发明的例1中的概率表达式，可以将本发明的检测性能通过与最大似然检测的检测性能的比较而表达出来。本发明的例2中的概率表达式，可以将本发明的检测性能通过与预设宽度的K-best SD算法的检测性能的比较而表达出来。

当然，简单起见，本领域技术人员也可以直接依据经验或者实际需要设定一个能够表达检测性能的概率值即可。

在本发明的优选实施例中，为了进一步降低复杂度，还可以包括以下步骤：确定针对各层的最大宽度B；则，在比较当前层中各路径的部分距离与参数λ之前，还包括：在上一层所保留的节点数的基础上，保留当前层中部分距离最小的B条路径；然后在所述B条路径中比较部分距离与参数λ。

即相当于首先通过最大宽度对各层的节点(或路径)进行筛选，然后再通过参数λ进行筛选，这样可以减少比较的数量。当然，此时的检测性能可能不仅仅与参数λ相关，同时还有所确定的各层的最大宽度B相关了。

优选的是，所述针对每层的最大宽度B相同；或者，所述针对每层的宽度B不同。即针对每层的最大宽度B可以是相同的，也可以是不同的。

在大部分的实际应用中，信号检测都需要有检测结果，因此，为了保证信号检测有解，则在前述参数λ和最大宽度B的筛选过程中，每层至少保留部分距离最小的一条路径，即至少保证存在一个检测结果。

下面基于算法实现等细节层面，对本发明进行更详细的说明。但其中一些具体的数学表达并不构成对本发明实现方式的限制。

1、接收信号的数学表示

对于MIMO系统，在具有丰富散射路径的条件下，假定发送天线数为Nt，接收天线数为Nr，满足Nt≥Nr，系统模型如图2所示。为了表述方便，取Nt＝Nr＝N/2。x＝(x₁ x₂…x_N/2)^T是复数的发送矢量，y＝(y₁ y₂…y_N/2)^T是复数的接收矢量，n＝(n₁ n₂…n_N/2)^T是复数的噪声矢量，满足实部虚部方差为σ，H是N/2×N/2阶的复信道矩阵，其中每一个元素都是独立同分布的复高斯随机变量，满足E(|h_i，j|²)＝1。则接收信号可以表示为：

y＝Hx+n                                (1)

从宏观角度可以理解为，MIMO中一个发送符号(矢量)含有多个发送信号(标量)。

如果采用最大似然检测(ML)算法进行信号检测，最大似然解就是选取一组

满足：

其中，

为所有可能的发送信号的集合。当信号的调制阶数为m的时候，求出

需要穷尽2^m×N/2种可能排列。当天线数目较大、调制阶数较高的时候，ML算法的复杂度非常高，以至于无法应用，所以实际上一般采用次优的算法。例如，本发明所基于的球形译码(Sphere Decoding，SD)的宽度优先算法(K-best SD算法)。

2、矩阵的三角化和树状搜索

前述的接收信号中的复数接收矢量y、信道矩阵H、发送矢量x到实数的转化如下：

实数域的接收矢量r＝(real(y)^T，imag(y)^T)^T；

实数域的发送矢量s＝(real(x)^T，imag(x)^T)^T；

实数域的噪声矢量v＝(real(n)^T，imag(n)^T)^T；

实数域的信道矩阵 $G=\left(\begin{array}{cc}\mathrm{real}\left(H\right)& -\mathrm{imag}\left(H\right)\\ \mathrm{imag}\left(H\right)& \mathrm{real}\left(H\right)\end{array}\right).$

则式(1)可以表示为，即接收信号可以表示为：

r＝Gs+v                                           (3)

由于矩阵G可以进行QR分解，G＝QR，其中Q为N×N阶的酉矩阵，R是N×N阶的上三角矩阵，表示为：

则式(3)可以进一步表示为：

ρ＝Rs+η                                         (4)

其中：ρ＝Q^Hr，η＝Q^Hv。

或者，式(4)还可以表示为：

进一步将其展开，可以得到：

${\mathrm{\ρ}}_i=r_{i,i}{s}_i+\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}\left(r_{i,j}{s}_j\right)+{\mathrm{\η}}_i---\left(5\right)$

从式(5)可以看到，第N层的接收数据ρ_N只由本层发送数据s_N决定，不受其它层的干扰；而第N-1层的接收数据ρ_N-1除了与第N-1层的发送数据s_N-1有关外，还受到第N层发送数据s_N的影响。一般来看，第i层的接收数据ρ_i不仅与第i层的发送数据s_i有关外，还受第i+1层到第N层发送数据(s_i+1…s_N)的影响，所以当已知第i+1层到第N层的发送数据的情况下，可以求得第i层的发送数据。

设发送矢量的估计值为：

$\hat{s}={\left(\begin{array}{cccc}{\hat{s}}_1& {\hat{s}}_2& \·\·\·& {\hat{s}}_N\end{array}\right)}^T---\left(6\right)$

其中

为第i层发送矢量的估计值。则截止第i层，部分发送矢量的估计值与接收值之间的部分欧式距离(可以理解为经过信道的真实的‘部分’发送信号与‘部分’接收信号的距离)为：

$d_i=\underset{j=i}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{\ρ}}_j-\underset{k=j}{\overset{N}{\mathrm{\Σ}}}{r}_{j,k}{\hat{s}}_k)}^2---\left(7\right)$

因为第N层的接收数据ρ_N只与第N根发送数据s_N有关，所以，信号检测可以先从第N层开始，顺序到第一层。如果考虑发送信号调制方式的所有取值，最开始检测的第N层有2^m/2种选择，把每个取值的选择看作一个节点，就有2^m/2个节点；其次检测的第N-1层在第N层的基础上，相当于将第N层的每个节点都展开计算2^m/2个节点，共有2^m/2×2^m/2个节点；之后每层都在前层的节点数的基础上乘以2^m/2，最后一层共有(2^m/2)^N＝2^N×m/2个节点。将这些节点按照它们被访问的次序连接起来，就组成2^N×m/2条路径，这些路径从同一个节点出发、每个节点在下一层分出2^m/2个节点，类似于一个倒立的树，如图3所示。SD系列算法的搜索过程就可用该图来描绘。

设发送矢量的估计值为式(6)，则树状搜索到第i层的时候的部分欧式距离就为(7)，然后将本层内搜索的所有节点的部分欧式距离按照从小到大的次序排列，只保留最小的K个节点(或者可以理解为某个数目的节点)用于新的搜索。

新一层的计算则是在前一层保留节点的基础上展开新的取值选择，利用这些取值就可以求出部分发送矢量与部分接收矢量之间的部分欧式距离。排序这些部分欧式距离，保留部分欧式距离最小的固定数目的节点，则该新的一层检测结束。

在本发明的一个例子中，图3给出一个四层搜索示意，每层的节点有两种取值选择。从第三层开始，每层只保留部分欧式距离最小的4个节点，大于这个数的节点都不予保留。图4示出了一个本发明的树状搜索示意图，其中假设每层最多保留4个节点，从第三层开始有不保留的节点，用虚线表示。

通常而言，有1个节点的是第N+1层，开始计算的的是第N层，也就是说第N+1层的一个节点是不管的。一开始就有比如2个节点，为了图形的一致，多画出一层来，就可以统一到一个节点上，这一层在实际计算时是没有的。

从上面的描述可以看出，也就是说，如何确定需要保留的K个节点，是本发明的核心之一。

对此，本发明的核心思想是确定一个参数λ，比较某一路径的部分距离与λ，大于λ的路径及更大的路径都被裁剪掉，从而得到某一层所保留的路径。即本发明并不是随意确定每层需要保留的节点数K，而是通过确定一个参数λ，然后通过比较节点的部分距离与λ，然后保留小于λ的节点即可，一直搜索到最后一层，找的部分距离最小的一个节点，作为检测结果输出。

总之，可以理解为，本发明对每层需要保留的节点数目并不是随意确定的，而是基于参数λ计算得到的。对于参数λ而言，本发明希望其能够保证检测性能，因此，本发明提出了下面的解决方案。

在本发明的实施例中，从概率分布的角度出发提出了优化的裁剪搜索节点的方案。通常，在MIMO系统中，天线数为N/2时，接收机接收的N维的实数接收矢量上叠加的噪声矢量可以看成是均值为0的N维独立同分布的高斯白噪声，方差为σ，，其平方和组成自由度为N的中心卡方分布，累积分布函数为：

$F\left(d\right)={\∫}_0^d\frac{1}{{\mathrm{\σ}}^N{2}^{N/2}\mathrm{\Γ}(N/2)}{u}^{N/2-1}\exp (-\frac{u}{2{\mathrm{\σ}}^2})\mathrm{du}---\left(8\right)$

其中，

为伽玛函数。假定信道信息已经精确已知，真实的发送信号经过信道后，与接收信号之间的部分欧式距离就是叠加在上面的噪声功率，其满足中心卡方分布。因此，本发明的实施例提出对搜索节点可以依照卡方分布来进行裁剪。

卡方分布的累计分布函数包括两个参数，自由度和半径，分别对应式(8)中的N和d，在树状搜索中，自由度就对应树的层数，半径对应的就是噪声功率和，或者是经过信道的真实发送信号与接收信号的距离。设裁剪半径d＝λ，在路径搜索过程中，任何大于裁剪半径的部分距离所对应的路径可以被裁剪掉，所引起的误符号率应当小于F(λ)，当F(λ)取值很小的时候，裁剪所引起的误符号率就会很小。

将裁剪半径λ带入到卡方分布的累计分布函数中，可以得到发送信号落在该半径内的概率，之外的概率定义为裁剪损失概率P_Re，这个概率就对应裁剪所引起的误符号率。

$P_{\mathrm{Re}}=1-F\left(\mathrm{\λ}\right)=1-{\∫}_0^{\mathrm{\λ}}\frac{1}{{\mathrm{\σ}}^N{2}^{N/2}\mathrm{\Γ}(N/2)}{u}^{N/2-1}\exp (-\frac{u}{2{\mathrm{\σ}}^2})\mathrm{du}---\left(9\right)$

ML检测被认为是性能最优的，可以作为裁剪损失概率的参照，本发明称该误符号率为源误符号率P_source。在某个信噪比下，按照最大似然检测的误符号率的一定比例α(称该比例α为裁剪系数)，来确定裁剪所引起的误码损失。其中N/2是天线数，σ是噪声功率，调制阶数折算到噪声功率中。

裁剪系数通常可以基于要求实现的性能损失上界来确定，或者说，因为本算法的裁剪所引起的最多的性能损失来确定。如要求损失不大于源误符号率的10％，则该系数为0.1。当然，该值取的是上界，实际上性能损失一定小于这个数。

即本发明可以通过对参数λ的确定，控制裁剪所引起的误符号率，即能够保证检测性能，能够确定应用本发明后性能损失的上界。

在本发明的其他实施例中，也可以采用K-best SD算法的误符号率。在本发明的优选实施例中，可以同时采用最大宽度和参数λ对路径进行筛选。当本发明设定了最大宽度后，其性能不会好于相应宽度的K-best SD算法。因此，在该情形下，本发明也可以采用设定某个宽度的K-best SD算法的误符号率作为源误符号率P_source。

P_Re＝αP_source                                (10)

根据这个误码损失确定裁剪半径，将之用于每层搜索节点的取舍。

αP_source＝1-F(λ)                            (11)

式(11)经过进一步变换可以得到：

F(λ)＝1-Pα_source                              (12)

然后根据F(λ)就可以得到λ值，作为裁剪半径，用于节点裁剪的依据。

λ值的确定过程总结如下：首先可以获得ML检测在当前条件下的误符号率，其次将此误符号率乘以一个裁剪系数，作为裁剪所引起的误码的概率，接着与1相减可得裁剪后真实发送信号在保留下来路径中的概率，最后以此概率为卡方分布归一化的累积分布函数的值，可得卡方分布的半径λ，作为算法中裁剪的依据。

参照图5，下面再对本发明一种信号检测方法优选实施例的流程作进一步的介绍。

A.将信道矩阵实数化及三角化，相应的接收矢量实数化；

B.确定所需的参数λ；

其中，在本发明的优选实施例中可以通过以下过程确定所需的参数λ；根据当前的天线数、调制阶数和信噪比，以ML检测或者K-best SD检测为依据，查表得到作为源误符号率；用1减去该值，可得裁剪后真实发送信号在保留下来路径中的概率，以此概率为卡方分布归一化累积分布函数的值，可得卡方分布的半径λ；

对于K-best SD检测方法的源误符号率，通常还需要结合最大宽度进行查询而获得，因为所设定的最大宽度不同，K-best SD检测方法的源误符号率也会有所不同。

C.从已知接收信号及信道矩阵初始化如下参数：ρ、R、部分距离初始d_N＝0、层数初始值le＝N、由当前参数和设定查表得到的裁剪半径λ、K-best SD算法初始宽度值nMax＝(B B…B)，其中B为K-best SD算法的宽度取值；

其中，ρ、R参见前述说明。系统已知接收矢量y和信道矩阵H，由二者变换得到ρ、R。

nMax＝(B B…B)表示本发明为每层设定了一个最大宽度，各层的最大宽度可以相同，也可以不同，本发明对比无需加以限制。简化而言，本发明也可以直接设定一个最大宽度B，每层都采用该参数，而无需采用矢量nMax＝(B B…B)的方式。

优选的，最大宽度可以设置为无穷大；通常在具体实现中，本发明可以设定最大宽度为最大似然算法计算的宽度值：

当然，最大宽度越大，性能的上限越高，或说性能越好，但是复杂度也会随之提高。换句话说，当设定了最大宽度时，本发明的性能上界为对应宽度的K-best SD算法，即本发明和相应最大宽度的K-best SD算法的性能相当，但是通过λ的裁剪，在计算复杂度上会大大降低。

D.采用宽度优先的SD算法，即在上一层所保留的节点数的基础上，展开所有可能值，并最多保留部分距离最小的B条路径；

即本发明先采用最大宽度B对本层的路径进行检测；然后再采用λ对本层路径进行检测。

需要说明的是，在本发明的实施例中，也可以不设定最大宽度，而直接采用λ对本层路径进行检测。因为本发明的核心在于λ的设定，其可以在保证性能的前提下，大幅降低运算复杂度。

当采用计算机进行运算时，二者没有区别，而当采用芯片进行运算检测时，由于芯片面积的考虑，通常都会设定最大宽度。

E.从第2条路径开始，比较该路径的部分距离

与λ，大于λ的路径及更大的路径都被裁剪掉，得到本层所保留的路径数nMax(le)；

其中，r是矩阵R中的元素，s是需要解码的发送矢量s的元素

例如，通过步骤D保留的6个(最大宽度B)节点路径，进而通过步骤E裁剪后保留了4个节点路径，进一步降低了复杂度。

对于步骤E中的“从第2条路径开始”仅仅是本发明优选实施例的描述，因为对于信号检测而言，一定要有解，即至少要保留一个节点路径作为检测结果，所以在本实施例中采用“从第2条路径开始”。当然，由于在步骤D中已经对部分距离进行了排序，所以所保留的第一条路径就是部分距离最小的那条路径。

实际上，“从第2条路径开始”仅仅是针对实际通信过程而言的，如果在信号检测结果为空的情况也可以接受时，则本发明并不需要对最小部分距离的路径加以优先保留。

F.计算层数le＝le-1；

G.如果le＞1，跳回到步骤D继续执行；

H.如果le＝1，在当前保留的路径中，寻找部分欧式距离最小的一个，作为检测结果输出。

在本发明实施例的描述中，有些地方采用了部分距离，有些地方采用了部分欧式距离，二者表达的含义是一致的，只是由于上下文说明的方便而采用了近似的描述，在此特别予以说明。

同时，对于本发明的信号检测而言，路径和节点是相互对应的，只不过二者的描述角度不同而已，即检测路径和检测节点在本发明含义是一致的，在此特别予以说明。

本发明还可以提供另一种MIMO系统下的信号检测方法，包括以下步骤：

从搜索空间的第N层开始进行搜索，

确定每层需要保留的节点数M；其中，最大节点数M_max基于参数λ计算得到，所述参数λ基于所设定的检测性能计算得到；

在针对每层的搜索中，保留当前层中部分距离最小的M条路径；

如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果输出。

优选的，确定每层需要保留的节点数M的步骤可以具体包括：首先确定最大节点数所对应的层，然后每层需要保留的节点数M从该层至第1层递减；M大于等于1。当然，为了保证有解，还需要设定最小的M大于等于1。

例如，第N层有2个节点，第N-1层4个节点，第N-2层8个节点，第N-3层16个节点，第N-4层32个节点，第N-5层64个节点，N-6层128个节点。假设基于参数λ确定的最大节点数M_max为8，对应第N-3层，并确定第N-4层的需要保留的节点数M为6，第N-5层的需要保留的节点数M为4，第N-6层的需要保留的节点数M为2；则第N层至第N-2层的节点全部保留，第N-3层保留8个节点，第N-4层保留6个节点，第N-5层保留4个节点，第N-6层保留2个节点。

实际应用中，每层需要保留的节点数M也可以是相同的，都是最大节点数M_max；或者，按照一定规则，基于最大节点数M_max，设定各层需要保留的节点数。本发明并不需要对具体的设定规则加以限制，本领域技术人员依据实际需要设定即可。

在本发明的前述实施例中，直接用参数λ作为比对参数，而实际上，也可以对参数λ进行变换后进行应用。在上面的实施例中，其实就是将参数λ转换为每层的宽度进行应用了。也就是说，本发明对于参数λ应用形式的变换并不需要加以限制。

相似的，所设定的检测性能可以为发送信号在保留下的路径中的概率；将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

所述发送信号在保留下来路径中的概率也可以表示为：1-αP_source；其中，α为裁剪系数，源误符号率P_source；所述源误符号率P_source取自最大似然检测的误符号率。

或者，所述发送信号在保留下来路径中的概率表示为：1-αP_source；其中，α为裁剪系数，源误符号率P_source；所述源误符号率P_source取自预设宽度的K-best SD算法的误符号率。

本发明还要求公开一种MIMO系统下的信号检测装置，包括：

信号接收单元，用于接收信号；

检测单元，用于从信道矩阵搜索空间的第N层开始进行搜索，在上一层所保留的节点数的基础上，比较当前层中各路径的部分距离与参数λ的关系，保留部分距离小于参数λ的路径及其节点；然后进入下一层的搜索；所述参数λ基于所设定的检测性能计算得到；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果；

输出单元，用于输出检测结果。

优选的，所设定的检测性能为发送信号在保留下的路径中的概率；将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

在另外的优选实施例中，还可以包括：确定针对各层的最大宽度B；则，在比较当前层中各路径的部分距离与参数λ之前，还包括：在上一层所保留的节点数的基础上，保留当前层中部分距离最小的B条路径；然后在所述B条路径中比较部分距离与参数λ。

本发明还要求公开一种MIMO系统下的信号检测装置，包括：

信号接收单元，用于接收信号；

检测单元，用于从信道矩阵搜索空间的第N层开始进行搜索，确定每层需要保留的节点数M；其中，最大节点数M_max基于参数λ计算得到，所述参数λ基于所设定的检测性能计算得到；在针对每层的搜索中，保留当前层中部分距离最小的M条路径；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果；

输出单元，用于输出检测结果。

优选的，所设定的检测性能为发送信号在保留下的路径中的概率；将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

优选的，确定每层需要保留的节点数M的步骤具体包括：首先确定最大节点数所对应的层，然后每层需要保留的节点数M从该层至第1层递减；M大于等于1。

本发明的实施例以K-best SD算法为基础，提出一种基于卡方分布来裁剪搜索节点数目的简化算法(Chi-Square-Distribution-BasedComplexity-Reduced K-best SD)，简称CDRKSD算法，保证在有限增加系统误符号率的前提下，尽量降低系统计算的复杂度。

图6示出了本发明的实施例的性能的理论上界、下界与仿真性能的比较。

图7和图8示出了根据本发明的一个实施例的仿真实验的结果。其中实验环境为4发送天线、4接收天线、16QAM调制方式。

图7示出了所得的性能曲线。其中横轴是信噪比，单位是dB，纵轴是误符号率，裁剪系数取0.1。本发明的方法用RK表示，B表示本发明的搜索路径中的最大宽度。用以对比性能的传统的方法是K-best SD，其宽度用K来表示。图中可以看到，本发明的实施例的性能与宽度相当的K-best SD算法的性能接近，最大的地方也仅有0.2dB左右。

图8示出了复杂度曲线。本图用算法计算过程中所访问的节点数为纵轴来代表计算复杂度。从图中可以看到，本发明的复杂度在信噪比较低的时候作用不大，在信噪比较高(本环境下大于20dB时，对应误符号率小于5×10^-2)复杂度大为降低，这个特性对实用非常有利，因为实际应用的系统大多数工作在高信噪比下，即本发明有巨大的对实际应用价值。从图8可以看出，在高SNR(信噪比)时，各种最大宽度下本发明的平均宽度都趋于一致，即提升性能的同时，不提高计算复杂度。

从而可以看出，在裁剪系数选择0.1的情况下，本发明的实施例实现了与基于K-best SD算法的检测方法或者基于ML算法的检测方法接近的性能，但是复杂度大大降低。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种MIMO系统下的信号检测方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (18)

1.一种MIMO系统下的信号检测方法，其特征在于，包括：

从搜索空间的第N层开始进行搜索，

在上一层所保留的节点数的基础上，比较当前层中各路径的部分距离与参数λ的关系，保留部分距离小于参数λ的路径及其节点；然后进入下一层的搜索；所述参数λ基于所设定的检测性能计算得到；

如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果输出。

2.如权利要求1所述的方法，其特征在于，

所设定的检测性能为发送信号在保留下的路径中的概率；

将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

3.如权利要求1所述的方法，其特征在于，还包括：

确定针对各层的最大宽度B；

则，在比较当前层中各路径的部分距离与参数λ之前，还包括：

在上一层所保留的节点数的基础上，保留当前层中部分距离最小的B条路径；然后在所述B条路径中比较部分距离与参数λ。

4.如权利要求3所述的方法，其特征在于，

所述针对每层的最大宽度B相同；

或者，所述针对每层的宽度B不同。

5.如权利要求1所述的方法，其特征在于，还包括：

每层至少保留部分距离最小的一条路径。

6.如权利要求2所述的方法，其特征在于，

所述发送信号在保留下来路径中的概率表示为：

1-αP_source

其中，α为裁剪系数，源误符号率P_source；

所述源误符号率P_source取自最大似然检测的误符号率。

7.如权利要求3所述的方法，其特征在于，

所述发送信号在保留下来路径中的概率表示为：

1-αP_source

其中，α为裁剪系数，源误符号率P_source；

所述源误符号率P_source取自预设宽度的K-best SD算法的误符号率；该预设宽度用于确定信号检测中针对各层的最大宽度B。

8.一种MIMO系统下的信号检测方法，其特征在于，包括：

从搜索空间的第N层开始进行搜索，

确定每层需要保留的节点数M；其中，最大节点数M_max基于参数λ计算得到，所述参数λ基于所设定的检测性能计算得到；

在针对每层的搜索中，保留当前层中部分距离最小的M条路径；

如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果输出。

9.如权利要求8所述的方法，其特征在于，

所设定的检测性能为发送信号在保留下的路径中的概率；

将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

10.如权利要求8所述的方法，其特征在于，确定每层需要保留的节点数M的步骤具体包括：首先确定最大节点数所对应的层，然后每层需要保留的节点数M从该层至第1层递减；M大于等于1。

11.如权利要求8所述的方法，其特征在于，

所述发送信号在保留下来路径中的概率表示为：

1-αP_source

其中，α为裁剪系数，源误符号率P_source；

所述源误符号率P_source取自最大似然检测的误符号率。

12.如权利要求9所述的方法，其特征在于，

所述发送信号在保留下来路径中的概率表示为：

1-αP_source

其中，α为裁剪系数，源误符号率P_source；

所述源误符号率P_source取自预设宽度的K-best SD算法的误符号率。

13.一种MIMO系统下的信号检测装置，其特征在于，包括：

信号接收单元，用于接收信号；

检测单元，用于从信道矩阵搜索空间的第N层开始进行搜索，在上一层所保留的节点数的基础上，比较当前层中各路径的部分距离与参数λ的关系，保留部分距离小于参数λ的路径及其节点；然后进入下一层的搜索；所述参数λ基于所设定的检测性能计算得到；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果；

输出单元，用于输出检测结果。

14.如权利要求13所述的装置，其特征在于，

所设定的检测性能为发送信号在保留下的路径中的概率；

将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

15.如权利要求13所述的装置，其特征在于，还包括：

确定针对各层的最大宽度B；

则，在比较当前层中各路径的部分距离与参数λ之前，还包括：

在上一层所保留的节点数的基础上，保留当前层中部分距离最小的B条路径；然后在所述B条路径中比较部分距离与参数λ。

16.一种MIMO系统下的信号检测装置，其特征在于，包括：

信号接收单元，用于接收信号；

检测单元，用于从信道矩阵搜索空间的第N层开始进行搜索，确定每层需要保留的节点数M；其中，最大节点数M_max基于参数λ计算得到，所述参数λ基于所设定的检测性能计算得到；在针对每层的搜索中，保留当前层中部分距离最小的M条路径；如果当前层为第1层，则在所保留的路径中，寻找部分距离最小的一个，作为检测结果；

输出单元，用于输出检测结果。

17.如权利要求16所述的装置，其特征在于，

所设定的检测性能为发送信号在保留下的路径中的概率；

将所述概率作为卡方分布归一化的累积分布函数的值，计算得到卡方分布的半径作为参数λ。

18.如权利要求16所述的装置，其特征在于，确定每层需要保留的节点数M的步骤具体包括：首先确定最大节点数所对应的层，然后每层需要保留的节点数M从该层至第1层递减；M大于等于1。

Images