CN104702384A

CN104702384A - 基于量化信息的上行mu-mimo系统检测方法

Info

Publication number: CN104702384A
Application number: CN201510131885.3A
Authority: CN
Inventors: 任品毅; 赵兰奇; 孙黎; 杜清河; 吕刚明; 李国兵
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2015-03-24
Filing date: 2015-03-24
Publication date: 2015-06-10

Abstract

本发明公开了一种基于量化信息的上行MU-MIMO系统检测方法：1)用户向基站反馈信道状态信息，为了减少复杂度和反馈开销，该信息是被量化的；2)接收机采用模数转换器，则接收信号具有量化误差；3)在已知模数转换器量化精度与信道状态信息量化精度的前提下，接收机通过信号处理使每个用户的信干噪比最大化，从而进行多用户检测；4)采用迫零算法进行单用户检测，该方法考虑实际系统量化对MU-MIMO接收机的影响，通过信号处理的方法提高系统性能。

Description

基于量化信息的上行MU-MIMO系统检测方法

技术领域

本发明涉及无线通信上行多用户多天线(MU-MIMO)系统，具体涉及一种基于量化信道状态信息和接收信息的上行MU-MIMO系统的检测方法。

背景技术

在MU-MIMO系统中，多个用户使用相同频率同时进行通信。在MU-MIMO上行链路中，基站端的接收机需要消除用户间干扰(CCI)。发端用户的信噪比(SNR)越高，在基站接收端对其余用户的干扰也越强，所以不能通过提升信噪比来达到改善接收性能的目的。如果能够有效的抑制CCI，便可以提升系统的性能，所以MU-MIMO检测算法的主要工作就是抑制用户间干扰。

绝大多数MU-MIMO系统假设检测器接收到的信道输出信号是无限精度的，即检测器的接收信号是连续的。但在实际MU-MIMO系统中，接收端需要模数转换器(ADC)将输入信号由模拟域信号转换为数字域信号，以便在数字域进行信号处理。ADC的分辨率可能会限制MU-MIMO检测器性能。在高速率数据流的情况下，高精度的ADC将导致系统的高功率消耗、高电路复杂度和存储空间的大幅开销。为了克服上述弊端，采用低精度的ADC是一种折衷的解决方法。针对MU-MIMO上行传输系统，块对角化(BD)算法是一种现在广为使用的线性算法，具有复杂度低、检测性能较好等优点，其思想是将MU-MIMO系统的信道分解成为多个互不干扰的SU-MIMO信道，再进行单用户检测。最大化信干噪比(MSINR)算法是以令每个用户的接收信号的信干噪比最大化为准则而得到的一种MU-MIMO线性检测算法。

BD算法和MSINR算法都在非量化MU-MIMO系统中表现出很好的性能。在量化的上行MU-MIMO系统中，检测器的性能很可能受限于ADC的分辨率。BD算法和MSINR算法在量化信息时性能有所降低。

发明内容

本发明的目的在于克服MU-MIMO系统中多用户检测在量化信息和量化信道条件下的性能下降，提供一种基于量化信息的上行MU-MIMO系统检测方法。

为达到上述目的，本发明采用了以下技术方案：

1)用户向基站反馈量化信道状态信息；

2)基站的接收机采用模数转换器对接收信号进行转换，得到量化接收信息；

3)在已知模数转换器量化精度与信道状态信息量化精度的前提下，上述接收机通过信号处理使每个用户的信干噪比最大化，从而实现多用户检测；

4)经过步骤3)后，上述接收机进行单用户检测。

所述步骤2)中，基站的接收机采用有限精度模数转换器；接收信号经过模数转换器转换，由模拟信号变为数字信号，并具有量化误差。

所述信号处理具体包括以下步骤：

3.1)上述接收机根据模数转换器量化精度与信道状态信息量化精度，得到统计的信道状态信息量化误差方差和接收信息量化误差方差

3.2)上述接收机计算每个用户的信干噪比：

SINR = \frac{{| | G_{k} J_{k} | |}_{F}^{2}}{{| | G_{k} J_{\overset{&OverBar;}{k}} | |}_{F}^{2} + {| | G_{k} q | |}_{F}^{2} + {| | G_{k} Q_{k} | |}_{F}^{2} + {| G_{k} | |}_{F}^{2} σ_{N}^{2}};

其中，q表示接收信息量化误差向量，Q_k表示第k个用户的信道状态信息量化误差；为噪声方差；J_k为第k个用户的信道状态信息量化信号；L表示用户数，G_k为使第k个用户的信干噪比最大化的处理矩阵，

G_{k} = \arg \max \frac{{| | G_{k} J_{k} | |}_{F}^{2}}{{| | G_{k} J_{\overset{&OverBar;}{k}} | |}_{F}^{2} + {| | G_{k} | |}_{F}^{2} σ_{q}^{2} + {| | G_{k} | |}_{F}^{2} σ_{Q}^{2} + {| G_{k} | |}_{F}^{2} σ_{N}^{2}};

3.3)通过广义最大特征值的方法求解G_k：G_k的求解就是找出的N_k个最大广义特征值对应的特征向量

g_{k 1}, g_{k 2}, . . ., g_{k N_{k}}, G_{k} = [g_{k 1}, g_{k 2}, . . ., g_{k N_{k}}],

N_k为第k个用户的发射天线数，I_M表示M×M维的单位矩阵；

3.4)利用G_k进行多用户检测：将求解得到的G_k左乘量化接收信息。G_k左乘量化接收信息后得到第k个用户的多用户检测结果。

本发明具有以下有益效果：

本发明在进行多用户信号检测过程中，考虑实际系统量化对MU-MIMO接收机的影响，在接收机已知模数转换器量化精度与信道状态信息量化精度的条件下，通过信号处理使每个用户的信干噪比(SINR)最大化，能够在量化接收信息和信道状态信息的条件下实现多用户检测，提高检测器性能，减少复杂度，提高每个用户的信干噪比，并获得更好的系统性能。

附图说明

图1为本发明的系统模型图；

图2为本发明与现有技术的误码率(BER)性能比较图；

图3为本发明与现有技术在不同量化精度下的误码率性能比较图；

图4为本发明与现有技术随量化精度变化的比较图。

具体实施方式

下面结合附图和实施例对本发明做详细描述。

本发明方法适用的系统模型参见图1。在上行MU-MIMO系统中，L个用户(UE)与基站(BS)进行通信。第k个用户有N_k个发射天线，基站有M个接收天线。x_k表示第k个用户的发射信号向量，表示x_k的检测估计值。Y表示基站端的接收信号向量，即信道输出信号。基站接收的M维加性噪声矩阵N服从均值为零、协方差为的复高斯分布。L个用户通过复高斯信道向基站端发射信号x₁,x₂…x_L，通过复高斯信道，基站端的接收信号向量Y，即信道输出信号可以表示为：其中，H_k表示第k个用户的信道矩阵。假设信道状态在每个帧内保持不变，且各帧之间相互独立。

本发明考虑量化的上行MU-MIMO系统检测器的误码率性能较之于理想条件下的上行MU-MIMO系统检测器性能差距较大，需要改善。一种方法是提高量化精度，但在高速率数据流的情况下，高精度的ADC将导致系统的高功率消耗、高电路复杂度和存储空间的大幅开销。采用低精度的ADC是一种折衷的解决方法。所以本发明采用一种QMSINR算法，用以在低量化精度条件下，提高系统误码率性能。

检测器的输入信号为量化接收信息R(采用ADC对接收信号进行转换得到)，可以表示为：

R＝Q(Y)＝Y+q

信道状态信息为量化信号(J_k)，可以表示为：

J_k＝Q(H_k)＝H_k+Q_k

其中Q(·)表示量化操作，q和Q_k分别表示接收信息量化误差向量和第k个用户的信道状态信息量化误差。由于接收机配置有均匀的ADC，对于基站第i个接收天线，1≤i≤M，l∈{I,R}(即l为实部集合或虚部集合)有：

E[q_i,l]＝0

E[r_i,lq_i,l]＝0

q_i,l为q的第i个元素的实部或虚部，r_i,l为R的第i个元素的实部或虚部。上述公式表示q_i,l的均值为0，且q_i,l与r_i,l的协方差为0。

Y的概率密度函数在每个量化区间内可以看做是均匀分布，那么Δ为模数转换器步进值，为q的方差，Q_k的方差均为

采用处理矩阵G_k(k＝1,2…,L)来抑制CCI、噪声和量化误差，得到乘积P_k，P_k表示经过处理矩阵G_k左乘检测器量化输入的结果：

\begin{matrix} P_{k} = G_{k} (Y + q) \\ = G_{k} Σ_{i = 1, i &NotEqual; k}^{L} (J_{i} - Q_{i}) x_{i} + G_{k} N + G_{k} q \\ = G_{k} J_{k} x_{k} + G_{k} J_{\overset{&OverBar;}{k}} x_{\overset{&OverBar;}{x}} + G_{k} N + G_{k} q - G_{k} Σ_{i = 1}^{L} Q_{i} x_{i} \end{matrix}

其中，J_k＝[J₁,…,J_k-1,J_k+1,…,J_L]，x_k＝[x₁,…,x_k-1,x_k+1,…,x_L]；

则第k个用户的SINR可以表示为：

SINR = \frac{{| | G_{k} J_{k} | |}_{F}^{2}}{{| | G_{k} J_{\overset{&OverBar;}{k}} | |}_{F}^{2} + {| | G_{k} q | |}_{F}^{2} + {| | G_{k} Q_{k} | |}_{F}^{2} + {| G_{k} | |}_{F}^{2} σ_{N}^{2}}

G_k的设计应该使得第k个用户的SINR最大化，即：

G_{k} = \arg \max \frac{{| | G_{k} J_{k} | |}_{F}^{2}}{{| | G_{k} J_{\overset{&OverBar;}{k}} | |}_{F}^{2} + {| | G_{k} | |}_{F}^{2} σ_{q}^{2} + {| | G_{k} | |}_{F}^{2} σ_{Q}^{2} + {| G_{k} | |}_{F}^{2} σ_{N}^{2}}

通过广义最大特征值的方法可以得到，G_k的求解就是找出的N_k个最大广义特征值对应的特征向量，H表示共轭转置，I_M表示M×M维的单位矩阵，N_k为第k个用户的发射天线数，所以，求解矩阵的N_k个最大广义特征值，它们所对应的特征向量为(即为的特征向量，分别对应N_k个最大广义特征值)，并且

G_{k} = [g_{k 1}, g_{k 2}, . . ., g_{k N_{k}}] .

此时可以通过G_k进行多用户检测。

最后，再通过算法，例如迫零(ZF)算法，进行单用户检测。

复杂度是系统考虑的一个重要指标。由于上行MU-MIMO系统检测算法经过不同MU-MIMO检测，等效为L个SU-MIMO信道，再采用ZF算法进行检测。所以QMSINR算法、MSINR算法和BD算法的复杂度差异主要体现在MU-MIMO检测阶段。表1给出了QMSINR算法、MSINR算法和BD算法的复杂度计算结果。其中，假设每个用户天线数相同，N表示每个用户的天线数。

表1:本发明与现有技术的复杂度(1<w<3)

从表1可以看出，QMSINR算法复杂度仅比MSINR多L个复数加法运算；虽然BD算法的复杂度最低，但其误码性能也最差。所以QMSINR算法的复杂度增加很少，但系统的性能提高较大。

针对上行MU-MIMO系统进行仿真，由于仿真目的主要验证方法性能，所以采用无编码传输，并且假设各用户的信道为准静态非频选信道。系统的发射端有10个用户，每个用户含有4个天线，基站端有40个天线，信道为瑞丽衰落信道。模数转换器采用3～6bit量化，MU-MIMO检测分别采用BD、MSINR算法和QMSINR算法，等效SU-MIMO系统检测采用迫零(ZF)算法。仿真通过10000帧的数据实现，每帧包含100个QPSK调制信号。

从图2可以看出，在相同的量化精度下QMSINR算法误码率性能最好，MSINR算法的误码率性能优于BD算法。QMSINR算法检测性能提升明显，这是由于QMSINR算法不仅考虑了用户间的干扰和噪声干扰，也将量化误差的干扰考虑在内，并且对它们进行了抑制。

从图3可以看出，QMSINR在高信噪比时，误码率性能优势显著。其原因是在高信噪比时，量化误差干扰成为影响系统的主要因素，QMSINR算法考虑到量化误差，所以其在高信噪比时拥有较大优势，而且在低信噪比时，不亚于MSINR算法。此外，还观察到，当信噪比较高时，MSINR算法的误码率曲线有上升的趋势，这是由于随着信噪比的增加，由量化误差引入的干扰将远远大于噪声干扰，MSINR算法仅考虑了噪声干扰而忽略量化误差干扰，所以计算得到用户的信干噪比减小，从而导致系统的误码率曲线上升。

从图4可以看出，QMSNR和MSINR的误码率的负对数均随量化精度的提高而提高，可以看出，QMSINR相对MSINR具有一个bit(比特)的增益。

总之，本发明公开了一种基于量化信息的上行MU-MIMO系统检测方法：1)用户向基站反馈信道状态信息，为了减少复杂度和反馈开销，该信息是被量化的；2)接收机采用模数转换器，则接收信号具有量化误差；3)在已知模数转换器量化精度与信道状态信息量化精度的前提下，接收机通过信号处理使每个用户的信干噪比最大化，从而进行多用户检测；4)进行单用户检测；该方法考虑实际系统量化对MU-MIMO接收机的影响，通过信号处理的方法提高系统性能。

Claims

1.基于量化信息的上行MU-MIMO系统检测方法，其特征在于：包括以下步骤：

1)用户向基站反馈量化信道状态信息；

4)经过步骤3)后，上述接收机进行单用户检测。

2.根据权利要求1所述基于量化信息的上行MU-MIMO系统检测方法，其特征在于：所述步骤2)中，基站的接收机采用有限精度模数转换器；接收信号经过模数转换器转换，由模拟信号变为数字信号，并具有量化误差。

3.根据权利要求1所述基于量化信息的上行MU-MIMO系统检测方法，其特征在于：所述信号处理具体包括以下步骤：

3.2)上述接收机计算每个用户的信干噪比：

SINR = \frac{{| | G_{k} J_{k} | |}_{F}^{2}}{{| | G_{k} J_{\overset{&OverBar;}{k}} | |}_{F}^{2} + {| | G_{k} q | |}_{F}^{2} + {| | G_{k} Q_{k} | |}_{F}^{2} + {| | G_{k} | |}_{F}^{2} σ_{N}^{2}};

G_{k} = \arg \max \frac{{| | G_{k} J_{k} | |}_{F}^{2}}{{| | G_{k} J_{\overset{&OverBar;}{k}} | |}_{F}^{2} + {| | G_{k} | |}_{F}^{2} σ_{q}^{2} + {| | G_{k} | |}_{F}^{2} σ_{Q}^{2} + {| | G_{k} | |}_{F}^{2} σ_{N}^{2}};

3.3)通过广义最大特征值的方法求解G_k：G_k的求解就是找出的N_k个最大广义特征值对应的特征向量 N_k为第k个用户的发射天线数，I_M表示M×M维的单位矩阵；

3.4)利用G_k进行多用户检测：将求解得到的G_k左乘量化接收信息。