CN104038269A - 一种提高高阶mimo系统中吞吐量稳定性的方法 - Google Patents

Abstract

本发明公开了一种提高高阶MIMO系统中吞吐量稳定性的方法，包括以下步骤：通过引入信道条件数，在高阶MIMO下讨论了信道状况对深度优先树搜索算法复杂度及对宽度优先树搜索算法性能的影响，并给出了衡量算法复杂度稳定性的指标。基于这些讨论，本发明提出了一种基于信道条件数的吞吐量稳定的检测算法，该的算法在搜索过程中采用宽度与深度优先相结合以最大程度的保证性能和稳定复杂度，并可以根据信道的状况灵活调整两种树搜索方法的结合方案。理论分析及仿真结果表明，在高阶MIMO系统下，本发明提出的吞吐量稳定的检测算法，较宽度优先的算法具有更低的平均复杂度及更好的性能。同时，它的复杂度或吞吐量也比较稳定，非常适合实际的需求。

Description

一种提高高阶MIMO系统中吞吐量稳定性的方法

技术领域

本发明属于无线通信技术领域，具体涉及一种提高高阶MIMO系统中吞吐量稳定性的方法。

背景技术

接收端的检测性能是实现多入多出系统增益的关键环节。最大似然检测可以达到误比特率最小意义下的最优接受，但ML检测要考虑所有可能的信号矢量，因而其复杂度随信号矢量的维数(MIMO系统的发射天线数)成指数(信号星座阶数)增长。若需要更高的容量而采用更多的天线数和更大的信号星座时(如3GPP Release11中收发两端支持8根天线，高达64QAM的调制方式)，ML算法就不再实用。另一方面，典型的低复杂度检测器，例如迫零检测器，误比特率性能差于最大似然性能，且在信道状况不好时迫零检测器的性能恶化会更加严重。为了以可接受的复杂度达到最优的性能，类ML检测器受到广泛关注与研究。特别地，典型的类ML检测器如深度优先的球形译码算法和宽度优先的K-best算法均可以逼近ML性能。为了进一步降低复杂度，一些技术包括添加球半径限制和概率剪枝被提出并应用于球形译码算法中；另外，胜者路径扩展(Winner Path Extension，WPE)技术被用于降低K-best算法扩展过程的复杂度。然而，深度优先的算法有吞吐量不稳定的问题，而宽度优先的方法达到ML性能时需要足够大的K值因而具有很高的复杂度。

为了解决上述问题，一些基于球形译码和K-best算法的改进算法受到关注，如将球形译码算法和K-best相结合的混合球形译码算法；在不同信道条件下选取不同K值的组合K-best(Combined K-best，CD)方法。然而，目前的类ML算法及其各种改进算法很少关注具有高调制阶数及天线数多的高阶MIMO系统，例如LTE-A支持的收发天线数目为8而调制阶数为64QAM的情况。在这样的高阶MIMIO系统下，深度优先方法的不稳定的问题尤为突出，且在信道状况差的时候更加严重。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种提高高阶MIMO系统中吞吐量稳定性的方法，该方法可以有效的提高MIMO系统中吞吐量的稳定性。

为达到上述目的，本发明所述的提高高阶MIMO系统中吞吐量稳定性的方法，其特征在于，包括以下步骤：

1)高阶MIMO系统中发射端发射信号至接收端时，根据信道矩阵H得信道矩阵条件数κ(H)；

2)判断信道矩阵条件数κ(H)与预设条件阈值κ_th的大小，当κ(H)＞κ_th，则在第N层到第N-L_b+1层上采用宽度优先的K-best算法进行搜索，其他层上采用深度优先球形译码算法进行搜索，最终保留的结果为类最大似然估计，其中，N为总的搜索层数，且N≥8，L_b为宽度优先K-best算法的最大层数；

当κ(H)≤κ_th，则在第N层到第N-L_s+1层上采用宽度优先的K-best算法搜索，其他层上采用深度优先球形译码算法进行搜索，最终保留的结果为类最大似然估计，其中，L_s为宽度优先K-best算法的最小层数，L_s＝2，L_b＞L_s，L_b≥max{L_s+1，N-8}；

3)根据类最大似然估计恢复发射信号。

获得预设的条件阈值κ_th的方法为：κ(H)在增大的过程中，当STD平均访问节点数最先小于深度优先球形译码算法平均访问节点数时，κ(H)的值为条件阈值κ_th的大小。

通过仿真的方法得到预设的条件阈值κ_th，其中，γ为信噪比，c₁为斜率常数，c₂为指数常数，c₃为截距常数；且当N＝8时，c₁＝1.31×10^-4；c₂＝4.277；c₃＝-19.84；当N＝10时，c₁＝9.60×10^-11；c₂＝8.525；c₃＝35.95。

所述的步骤1)中信道矩阵条件数κ(H)为：

$\mathrm{\κ}\left(H\right)=\left|\right|H\left|\right|\left|\right|H^{-1}\left|\right|=\frac{{\mathrm{\σ}}_{\max }\left(H\right)}{{\mathrm{\σ}}_{\min }\left(H\right)}$

其中，σ_max(H)为信道矩阵的最大奇异值，σ_min(H)为信道矩阵的最小奇异值。

本发明具有以下有益效果：

本发明所述的提高高阶MIMO系统中吞吐量稳定性的方法在高阶MIMO系统中发射端发射信号至接收端时，先获取信道矩阵条件数，然后根据比较信道矩阵条件数与预设条件阀值的大小，然后根据判断的结果得到需要采用宽度优先的K-best算法进行搜索的层，其他层则通过深度优先球形译码算法进行搜索，最终保留的结果为类最大似然估计，然后根据所述类最大似然估计恢复发射信号，从而有效的提高高阶MIMO系统中吞吐量的稳定性，并且使高阶MIMO系统的平均复杂度降低、性能更好。

附图说明

图1为本发明中获取预设条件阈值κ_th时的示意图；

图2为本发明与深度优先算法的BER比较图；

图3为本发明与宽度优先算法的BER比较图；

图4为本发明与现有方法的平均复杂度比较图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明所述的提高高阶MIMO系统中吞吐量稳定性的方法包括下步骤：

1)设发射端配备N_T根天线，接收端配备N_R根接收天线，且N_R≥N_T，发送符号向量通过信道后，在接收端进行接收，接收向量表示为复值模型：

$\hat{y}=\hat{H}\hat{s}+\hat{n}$

其中，为N_T×1维的发送符号，为N_R×N_T维的信道矩阵，为独立同分布的复高斯噪声，方差为σ²，若令：

则复值模型转化为实值模型y＝Hs+n；

对信道矩阵QR进行分解，并通过Q^T左乘上式，性能最优的最大似然检测可以用下式表达：

$s^{\mathrm{ML}}=\arg \underset{s\∈{\mathrm{\Ω}}^N}{\min }{\left|\right|y-\mathrm{Hs}\left|\right|}^2=\arg \underset{s\∈{\mathrm{\Ω}}^N}{\min }{\left|\right|z-\mathrm{Rs}\left|\right|}^2$

其中，z＝Q^Ty，定义部分欧式距离P_k及距离增量B_k的表达式为：

$\left\{\begin{array}{c}{P}_k=P_{k+1}+B_k,k=N,N-1,...1\\ B_k={(z_k-{\mathrm{\Σ}}_{j=k}^N{r}_{k,j}{s}_j)}^2\end{array}\right.$

其中，P_N+1＝0，然后根据信道矩阵H得信道矩阵条件数κ(H)；

2)判断信道矩阵条件数κ(H)与预设条件阈值κ_th的大小，当κ(H)＞κ_th，则在第N层到第N-L_b+1层上采用宽度优先的K-best算法进行搜索，其他层上采用深度优先球形译码算法进行搜索，最终保留的结果为类最大似然估计，其中，N为总的搜索层数，且N≥8，L_b为宽度优先K-best算法的最大层数；

当κ(H)≤κ_th，则在第N层到第N-L_s+1层上采用宽度优先的K-best算法搜索，其他层上采用深度优先球形译码算法进行搜索，最终保留的结果为类最大似然估计，其中，L_s为宽度优先K-best算法的最小层数，L_s＝2，L_b＞L_s，L_b≥max{L_s+1，N-8}；

3)根据类最大似然估计恢复发射信号。

获得预设的条件阈值κ_th的方法为：κ(H)在增大的过程中，当STD平均访问节点数最先小于深度优先球形译码算法平均访问节点数时，κ(H)的值为条件阈值κ_th的大小。

通过仿真的方法得到预设的条件阈值κ_th，其中，γ为信噪比，c₁为斜率常数，c₂为指数常数，c₃为截距常数；且当N＝8时，c₁＝1.31×10^-4；c₂＝4.277；c₃＝-19.84；当N＝10时，c₁＝9.60×10^-11；c₂＝8.525；c₃＝35.95。

所述的步骤1)中信道矩阵条件数κ(H)为：

$\mathrm{\κ}\left(H\right)=\left|\right|H\left|\right|\left|\right|H^{-1}\left|\right|=\frac{{\mathrm{\σ}}_{\max }\left(H\right)}{{\mathrm{\σ}}_{\min }\left(H\right)}$

其中，σ_max(H)为信道矩阵的最大奇异值，σ_min(H)为信道矩阵的最小奇异值。

为了验证本发明的性能，将本发明与其它算法进行了类比，主要从BER、超越概率及平均访问节点数这三方面来比较，本发明仿真的主要的参数见表1。

表1

确定预设的条件阈值κ_th，沿信道矩阵条件数κ(H)增大的方向，当STD平均访问节点数最先小于DF-SD平均访问节点数时，将此时的信道矩阵条件数κ(H)为预设的条件阈值κ_th。如图1所示，信道矩阵条件数κ(H)，其复杂度在统计意义上不断增大，两种算法复杂度增大的速度不同，存在一个交点，投影于信道矩阵条件数的横轴，即可确定出预设的条件阈值κ_th。表2给出了8发8收和10发10收系统下各信噪比处的预设条件阈值κ_th，观察表中的结果可以观察到，预设条件阈值κ_th随着信噪比的增加而单调递增，这是因为随着信噪比增加，噪声方差会减小，DF-SD中使用的初始球半径会更小，从而有效的缩小搜索范围，从仿真的结果得预设条件阈值κ_th和信噪比γ的关系为：

${\mathrm{\κ}}_{\mathrm{th}}=c_1{\mathrm{\γ}}^{c_2}+c_3$

式中的参数在8发8收和10发10收下分别为： $\begin{array}{c}{c}_1=1.31\×{10}^{-4};\\ c_2=4.277;\\ c_3=-19.84;\end{array}$ 和 $\begin{array}{c}{c}_1=9.60\×{10}^{-11};\\ c_2=8.525;\\ c_3=35.95;\end{array}.$

表2

图2比较了本发明与深度优先算法的BER。由于DF-SD的性能可以达到ML性能，因此将DF-SD的性能作为目标性能，并画出同样K值下STD算法的性能曲线作为参考，由图2可知，无论在8发8收还是10发10收系统下，CN-STD的BER均能很好的逼近DF-SD的BER，即ML性能。

图3比较了本发明与宽度优先算法的BER。实际上，CD算法是K-best采用不同K的组合，其中，CD(K₁，K₂)表示在信道状况好的时候采用K₁-best算法，而在信道状况不好的时候采用K₂-best算法，K₁＜K₂，由图3可知，与K-best相比，CD算法可以取得几乎相同的性能，而本发明可以取得更好的性能，其原因在于与宽度优先的算法相比，本发明可以更大程度的降低误差传递的影响。

图4是本发明与其他几种算法平均复杂度的比较。本发明中CN-STD的平均访问节点数大约仅为STD算法的40％，随着信噪比的增大，STD和CN-STD的复杂度降幅会更大，CN-STD对平均复杂度的削减作用非常明显，从而更加适合实际系统的需要。

表3给出了不同天线数系统下的超越概率P_e，比较了DF-SD、STD和本发明的复杂度、稳定性。如表所示，对于使用64QAM的8发8收和10发10收的MIMO系统，STD算法较DF-SD的超越概率P_e明显降低，可以从10％～30％降低至各信噪比均为2％左右。从表3中的结果可以看到，在各信噪比处，本发明的稳定性均略好于或接近于STD的稳定性。

表3

Claims (4)

1.一种提高高阶MIMO系统中吞吐量稳定性的方法，其特征在于，包括以下步骤：

1)高阶MIMO系统中发射端发射信号至接收端时，根据信道矩阵H得信道矩阵条件数κ(H)；

2)判断信道矩阵条件数κ(H)与预设条件阈值κ_th的大小，当κ(H)＞κ_th，则在第N层到第N-L_b+1层上采用宽度优先的K-best算法进行搜索，其他层上采用深度优先球形译码算法进行搜索，最终保留的结果为类最大似然估计，其中，N为总的搜索层数，且N≥8，L_b为宽度优先K-best算法的最大层数；

当κ(H)≤κ_th，则在第N层到第N-L_s+1层上采用宽度优先的K-best算法搜索，其他层上采用深度优先球形译码算法进行搜索，最终保留的结果为类最大似然估计，其中，L_s为宽度优先K-best算法的最小层数，L_s＝2，L_b＞L_s，L_b≥max{L_s+1，N-8}；

3)根据类最大似然估计恢复发射信号。

2.根据权利要求1所述的提高高阶MIMO系统中吞吐量稳定性的方法，其特征在于，获得预设条件阈值κ_th的方法为：κ(H)在增大的过程中，当STD平均访问节点数最先小于深度优先球形译码算法平均访问节点数时，κ(H)的值为预设的条件阈值κ_th的大小。

3.根据权利要求2所述的提高高阶MIMO系统中吞吐量稳定性的方法，其特征在于，通过仿真的方法得到预设的条件阈值κ_th，其中，γ为信噪比，c₁为斜率常数，c₂为指数常数，c₃为截距常数；且当N＝8时，c₁＝1.31×10^-4；c₂＝4.277；c₃＝-19.84；当N＝10时，c₁＝9.60×10^-11；c₂＝8.525；c₃＝35.95。

4.根据权利要求1所述的提高高阶MIMO系统中吞吐量稳定性的方法，其特征在于，所述的步骤1)中信道矩阵条件数κ(H)为：

$\mathrm{\κ}\left(H\right)=\left|\right|H\left|\right|\left|\right|H^{-1}\left|\right|=\frac{{\mathrm{\σ}}_{\max }\left(H\right)}{{\mathrm{\σ}}_{\min }\left(H\right)}$

其中，σ_max(H)为信道矩阵的最大奇异值，σ_min(H)为信道矩阵的最小奇异值。