CN105049097B - 非理想信道下大规模mimo线性检测硬件构架及检测方法 - Google Patents
非理想信道下大规模mimo线性检测硬件构架及检测方法 Download PDFInfo
- Publication number
- CN105049097B CN105049097B CN201510278859.3A CN201510278859A CN105049097B CN 105049097 B CN105049097 B CN 105049097B CN 201510278859 A CN201510278859 A CN 201510278859A CN 105049097 B CN105049097 B CN 105049097B
- Authority
- CN
- China
- Prior art keywords
- diagonal
- module
- matrix
- multiplier
- pulsation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0452—Multi-user MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种非理想信道下大规模MIMO线性检测硬件构架,将信道响应矩阵依次经过三角脉动乘法模块和加噪模块后分别进入三对角线求逆模块和三对角线乘法模块;三对角线求逆模块取加噪模块输出的矩阵中的三对角线元素组成三对角线矩阵并对其求逆;三对角线乘法模块将从加噪模块输出的矩阵中除去三对角线之后的矩阵,并将与三对角线求逆模块中所求的三对角线逆矩阵相乘;三对角线求逆模块的结果输入至三对角加法模块,三对角线乘法模块的结果输入至下三角脉动乘法模块,三对角加法模块和下三角脉动乘法模块进行循环迭代后将生成的矩阵输入检测模块。本发明硬件复杂度较低,大大降低了计算复杂度,同时大大提高吞吐率。
Description
技术领域
本发明属于计算机通信领域。特别涉及一种非理想信道下大规模MIMO线性检测硬件构架及检测方法。
背景技术
MIMO(Multiple-Input Multiple-Output)技术指在发射端和接收端分别使用多个发射天线和接收天线,使信号通过发射端与接收端的多个天线传送和接收。在频谱紧缺的当下并非从频率入手,同时并没有对天线的发射功率带来更大的消耗,这种技术利用了空间资源,成倍的提高系统信道容量,改善通信质量,有着相当优越的性能,被视为下一代移动通信的核心技术。已经被纳入第四代移动通信标准。
传统的小规模MIMO收发天线数都处于比较小的量级,对通信质量的改良并不明显,且没有很好的展现MIMO的最佳特性。在此基础上的大规模MIMO的基站配备了大量的天线(天线数为N),同时提供一个相对较低的用户数(用户数为M)。基本上,为基站配备一个大的天线阵列(M→∞),在这样的大比例天线下,更能带来更多的信道容量增益。现已证明,在有利的传播条件下,所有不相关的噪声快速衰落。
MIMO技术作为目前最受瞩目的未来通信技术他的理论优势是造就他高容量高精确度的基础,而落实到具体的实现,才是与我们利用这一项技术息息相关的。虽然大规模MIMO有着优越的性能,但是天线量级的巨大增幅带来了计算复杂度的指数上升。如何结合信道的具体情况,设计高效的发送及检测构架,成了将理论付诸实践的重要环节,这也是最终确定第五代移动通信标准必不可少的一部分。
目前对于预编码以及检测部分的构想已有多篇文章提及,其主要的计算复杂度在于一个M×M阶矩阵的求逆,其中M为用户天线数。精确的矩阵求逆方法,如Cholesky分解法复杂度在于O(M3)数量级。那么当M的数量极大时,这样的求逆方案带来了巨大的计算复杂度和硬件消耗。同时,对于不同框架的判别还需要依赖一个重要的因素,就是信道。比较多的研究都是基于高斯理想信道。但是在我们的实际生活中,不可能保证信道的理想性。
发明内容
发明目的:本发明的目的在于针对现有技术的不足,提供了一种复杂度低、高效率且适用更广泛的非理想信道下大规模MIMO线性检测硬件构架。
技术方案:本发明提供了一种非理想信道下大规模MIMO线性检测硬件构架,包括下三角脉动乘法模块、加噪模块、三对角线求逆模块、三对角线乘法模块、迭代模块和检测模块;其中,将信道响应矩阵依次经过所述三角脉动乘法模块和加噪模块后分别进入所述三对角线求逆模块和所述三对角线乘法模块;所述三对角线求逆模块取加噪模块输出的矩阵中的主对角线和两条次对角线组成三对角线矩阵并对所述三对角线矩阵求逆;所述三对角线乘法模块将从加噪模块输出的矩阵中除去三对角线之后的矩阵,并将与三对角线求逆模块中所求的三对角线逆矩阵相乘;所述迭代模块包含了三对角加法模块和下三角脉动乘法模块,所述三对角线求逆模块的结果输入至所述三对角加法模块,所述三对角线乘法模块的结果输入至所述下三角脉动乘法模块,所述三对角加法模块和第二下三角脉动乘法模块进行循环迭代后将生成的矩阵输入检测模块。
进一步,所述下三角脉动乘法模块包括(1+M)M/2个加法器,与(1+M)M/2个乘法器,其中M表示用户的数量。
进一步,所述三对角线求逆模块包括2个加法器和4个乘法器。
进一步,所述三对角线乘法模块包括3M个乘法器、2M个寄存器和2M个加法器。
进一步,所述下三角脉动乘法模块包括(1+M)M/2个加法器和(1+M)M/2个乘法器;所述三对角加法模块包括3个加法器。
进一步,所述检测模块包括M个乘法器,M个加法器。
本发明还提供了一种采用上述非理想信道下大规模MIMO线性检测硬件构架的线性检测方法,包括以下步骤:
步骤1:将信道响应矩阵H依次输入下三角脉动乘法模块和加噪模块生成矩阵A;矩阵A=(HHH+σ2IM),其中,H为信道响应矩阵,σ2为噪声方差,IM为单位阵,(.)H为共轭转置操作;
步骤2:将矩阵A输入至三对角线求逆模块,所述三对角线求逆模块提出待矩阵A中主对角线和两条次对角线组成三对角线矩阵X并对所述三对角线矩阵X求逆;将三对角线逆矩阵X-1输入到三对角线乘法模块和迭代模块中的三对角加法模块;
步骤3:将步骤2获得三对角线逆矩阵X-1与(A-X)矩阵输入到三对角线乘法模块中进行相乘并取反的操作,得到矩阵Q=-X-1(A-X);并将获得矩阵Q输入到迭代模块中的第二下三角脉动乘法模块;
步骤4:在迭代模块中,三对角加法模块和下三角脉动乘法模块进行循环迭代,根据公式获得近似逆矩阵其中,k为迭代次数,时钟信号控制迭代次数;
步骤5:将步骤4中获得的近似逆矩阵与接收到的向量输入到检测模块中相乘(表示为y的滤波器输出),得到基于大规模MIMO的线性检测结果,对传输信号向量的估计
进一步,所述步骤2中三对角线矩阵X求逆的方法为:根据公式
获得三对角线逆矩阵X-1,其中,qj与pj是求解的中间变量,是三对角线逆矩阵X-1中第i行第j列的元素;n为三对角线矩阵X的总列数;bj表示三对角线矩阵X中主对角线上的元素,aj表示三对角线矩阵X中一条从对角线上的元素,(·)*为共轭操作。
进一步,所述步骤4中的迭代次数为2~6次。
工作原理:本发明采用诺依曼级数求逆作为整体求逆框架,考虑大规模MIMO的主对角线从对角线占优势的特性以及非理想信道对矩阵的影响,采用三对角线矩阵作为X矩阵,有效避免了在求逆方案中进行除法运算,非常适合在硬件中的实现,大大降低了硬件复杂度。且数据流是流水线形式,有非常好的框架性。
有益效果:与现有技术相比,本发明重点考虑了信道性能的优劣,该构架适用于信道恶劣情况下的线性检测,而且本发明的硬件复杂度较低,大大降低了计算复杂度;同时,迭代计算可以得到任意精度的准确度,迭代次数的改变灵活,为性能需求不同的场合提供了更好的灵活性。且此时精确度的调整只与迭代次数有关,即只与吞吐量大小有一定关系,并不影响硬件构架。本发明还大大提高了吞吐率。
附图说明
图1:为本发明提供的非理想信道下大规模MIMO线性检测硬件构架示意图;
图2:三对角线矩阵的求逆框图;
图3:三对角线乘法模块结构示意图;
图4:对y序列做近似处理后精确逆矩阵对角线与近似对角线之间的误差示意图;
图5:则随着信道系数ζ的增加,p序列的均值w的趋势图;
图6:信道系数ζ=0.4时,采用本发明近似求逆方法与Cholesky分解精确求逆方法与主对角线求逆方案线性检测误码率曲线对比图;
图7:信道系数ζ=0.6时,采用本发明近似求逆方法与Cholesky分解精确求逆方法与主对角线求逆方案线性检测误码率曲线对比图;
图8:采用本发明三对角线诺依曼级数求逆的时序图。
具体实施方式
本实施例中建立一个MIMO信道模型进行模拟操作,采用是Kronecker模型,根据Kronecker模型写出大规模MIMO系统中上行线路的信道响应矩阵H如下式:
H=R1/2T
其中R1/2为接收端相关系数矩阵表示。传输矩阵T建模为独立的快衰落(fastfading)、几何衰减(geometric attenuation)和对数正态阴影衰落(log-normal shadowfading)的系数矩阵。
相关系数矩阵R的公式如下:
其中R(c,v)表示相关系数矩阵R中第c行第v列的元素;其中ζ(0≤ζ≤1)表示连续传输天线间的相关系数的数量级,我们将ζ定义为信道系数,当ζ=0时,为理想信道模型,当ζ=1时,表征相关性最大的信道传输情况,即最恶劣信道,θ为给定的相位,它并不影响对整个系统的性能。e为自然对数的底,e=2.7182818...;(·)*为共轭操作。
这样,影响信道响应矩阵H的决定性因素为ζ,他的大小表示了信道的理想状态。
在大规模MIMO系统中,一般有N>>M(基站天线数N远大于用户数M)。首先M个不同用户产生的并行传输比特流分别通过信道编码进行编码,然后映射到星座符号,并采取星座图集合能量归一化。让s=[s1,s2,s3,…,sM]T表示信号向量,s中包含了分别从M个用户产生的传输符号。H表维度是N×M信道响应矩阵,即为信道建模中所建立的信道响应矩阵,故基站端的接收信号向量y可以表示为
y=Hs+γ
其中γ是一个N×1维的加性高斯白噪声向量,其元素服从零均值方差为σ2的高斯分布。基站的多用户信号检测任务就是从接收机接收到的加噪声信号向量y=[y1,y2,y3,…,yN]T估计传输信号符号s。假设H能通过时域或者频域导频获得。采用最小均方误差(MMSE)线性检测理论,对传输信号向量的估计表示为
其中(.)H表示共轭转置操作,表示为y的滤波器输出,将MMSE滤波器矩阵A表示为
A=G+σ2IM
其中G=HHH表示魏莎特矩阵,其中(.)H表示共轭转置操作。IM为M阶单位矩阵。
在上行多用户大规模MIMO系统中,MMSE线性检测机制接近最佳检测机制。但是,MMSE理论不可避免地涉及到复杂矩阵A-1计算,然后才能得到MMSE估计。而一般矩阵求逆方法的计算复杂度在于O(M3),当大规模MIMO系统中M的值急剧增大时,这使得一般求逆方法的复杂度变得不能承受。本发明同时考虑到在大规模MIMO的背景下,信道传输矩阵有着一定的特性,这以此为突破口借助其他手段求取所需的逆矩阵。
为了解决上述对矩阵A的求逆问题,本发明采用诺依曼级数理论来达到近似求逆,因为这个方法只涉及加法运算和乘法运算,特别适合硬件实现,因此非常适合大规模MIMO系统。
对于一个可逆矩阵A,假设一个矩阵X满足
limm→∞(I-X-1A)m=0或limm→∞(I-AX-1)m=0;
那么A的逆可以表示为
然而公式中显示的这种无限项数的加法想要在硬件上实现是很不现实的,而且这样也不能很好的体现出硬件优势,所以取k阶诺依曼级数的近似结果作为求逆的最终结果:
其中,下标m表示阶数的标号,k表示阶数的总数,矩阵X是一个初始近似的矩阵,同时它必须易于实现求逆。考虑到非理想情况下信道模型的特点,采用三对角线矩阵作为原始矩阵:1、三对角线矩阵是稀疏矩阵利于求逆;2、虽然信道理想程度不高但是主对角线与两条次对角线依旧占优;3、相比于主对角线矩阵,三对角线矩阵具有更多的信息,在非理想信道的情况下有更大优势。
如图1所示,本实施例中采用非理想信道下大规模MIMO线性检测硬件构架,包括下三角脉动乘法模块、加噪模块、三对角线求逆模块、三对角线乘法模块、迭代模块和检测模块;其中,将信道响应矩阵H依次经过三角脉动乘法模块和加噪模块后分别进入三对角线求逆模块和三对角线乘法模块;三对角线求逆模块取加噪模块输出的矩阵A中的主对角线和两条次对角线组成三对角线矩阵X并对三对角线矩阵X求逆;三对角线乘法模块将从加噪模块输出的矩阵中除去三对角线之后的矩阵E=A-X,并与三对角线求逆模块中所求的三对角线逆矩阵X相乘取反得到矩阵Q;迭代模块包含了三对角加法模块和下三角脉动乘法模块,三对角线求逆模块的结果输入至三对角加法模块,三对角线乘法模块的结果输入至下三角脉动乘法模块,三对角加法模块和下三角脉动乘法模块进行循环迭代后将生成的矩阵输入检测模块。
其中,下三角脉动矩阵乘法模块:经典的下三角脉动乘法模块可以用来求解公式HHH,本实施例中假设已经获取信道响应矩阵H,则可以将H作为输入通入下三角脉动乘法模块,从而求出HHH。输出结果通过G=HHH通入加噪模块。硬件构架上,下三角脉动矩阵乘法模块需要(1+M)M/2个加法器,与(1+M)M/2个乘法器,其中M为用户数。
加噪模块:矩阵G作为加噪模块的一个输入,噪声σ2是加噪模块的另一个输入。将数值σ2加到G的对角线上,从而求得待求逆矩阵A=G+σ2IM。硬件构架上,加噪模块需要M个加法器。
三对角线求逆模块:如图2所示,图中字母L\F\D\U\W为构架中计算的中间变量,方框1的硬件构架涉及到一个循环,主要完成了递推中间变量qj的计算操作;方框2的硬件完成了中间变量pj的计算,从而根据进一步得到逆矩阵中主对角线元素;方框3完成了次对角线的计算。这一部分的构架共需2个加法器、4个乘法器、3个求倒数模块,延时M个时钟周期。由于我们知道这里待求的逆矩阵是一个厄米共轭矩阵,所以求得的逆矩阵也是一个厄米共轭矩阵,此处还有对求得的从对角线求共轭的方式求得另一条从对角线元素。该结果X矩阵的近似逆矩阵作为输入通入到迭代模块中。
三对角线乘法模块:如图3所示,用于求得矩阵Q, 即三对角阵与一般矩阵(A-X)乘法器。主对角线与两条次对角线为三组向量。将三组向量分别与E=(A-X)通过向量乘法器相乘,即三组向量的每个元素与E的对应行元素相乘,根据矩阵乘法中主对角线与次对角线间乘数项的时序不同可以讲三组相乘结果错位相加,这样就可以得到Q。该模块通过3M个乘法器和2M个寄存器以及2M个加法器,即可实现三对角阵与任意矩阵的乘法。结果Q作为迭代的输入之一通入迭代模块中的下三角脉动乘法模块。
迭代模块:这里的迭代模块是基于诺依曼级数,图1黑色框内为基于若依曼级数近似的矩阵求逆计算迭代,将和Q分别输入迭代模块。用时钟信号控制迭代次数,迭代计算一次时,近似的矩阵迭代2次时,输出2阶近似的矩阵 故迭代k次时,输出k阶近似的矩阵当K→∞时,近似解等于精确解A-1。所以本发明将迭代模块分为了下三角脉动乘法模块与矩阵加法模块两部分。通入乘法模块的两个输入一个是三对角线乘法模块的输出Q,一个是上一次循环迭代的近似结果相乘后得到由于本发明通过脉动矩阵完成两个矩阵的乘法。由于我们这里讨论的是厄米共轭矩阵的求逆,故框架中涉及到的所有矩阵都是厄米共轭矩阵,那么此处的乘法结果也是厄米共轭的,所以我们只需完成下三角脉动矩阵即可,上三角部分通过共轭求出。硬件构架上,下三角脉动矩阵乘法模块需要(1+M)M/2个加法器,与(1+M)M/2个乘法器。将下三角脉动矩阵乘法模块的结果通入矩阵加法模块实现之后通过不断的循环迭代,求出阶数的直到满足要求为止。此处矩阵加法模块的硬件复杂度为3个加法器。
检测模块:完成一般矩阵与向量的乘法运算。输入所求的逆矩阵与接收到的向量将两者相乘得到最终检测结果这是我们对传输向量s的线性检测结果。检测模块需要M个乘法器,M个加法器。
采用本发明提供的基于非理想信道下大规模MIMO线性检测方法,主要步骤为:
步骤1:将信道响应矩阵H依次输入下三角脉动乘法模块和加噪模块生成矩阵A;矩阵A=(HHH+σ2IM),其中,H为信道响应矩阵,σ2为噪声方差,IM为单位阵,(.)H为共轭转置操作;
步骤2:将矩阵A输入至三对角线求逆模块,所述三对角线求逆模块提出待矩阵A中主对角线和两条次对角线组成三对角线矩阵X并对所述三对角线矩阵X求逆;将三对角线逆矩阵X-1输入到三对角线乘法模块和迭代模块中的三对角加法模块;
步骤3:将步骤2获得三对角线逆矩阵X-1与(A-X)矩阵输入到三对角线乘法模块中进行相乘并取反的操作,得到矩阵Q=-X-1(A-X);并将获得矩阵Q输入到迭代模块中的下三角脉动乘法模块;
步骤4:在迭代模块中,三对角加法模块和下三角脉动乘法模块进行循环迭代,根据公式获得近似逆矩阵其中,k为迭代次数,时钟信号控制迭代次数;
步骤5:将步骤4中获得的近似逆矩阵与接收到的向量输入到检测模块中相乘(表示为y的滤波器输出),得到基于大规模MIMO的线性检测结果,对传输信号向量的估计
其中,步骤2中三对角线矩阵X求逆的方法化简步骤如下:
定义三对角线矩阵X中的各个元素表示如下:
其中,bj表示三对角线矩阵X中主对角线上的元素,aj和cj分别表示三对角线矩阵X中两条从对角线上的元素。
定义两个递推公式:
zi=bizi-1-aici-1zi-2i=2,3,…,n
yj=bjyj+1-aj+1cjyj+2j=n-1,n-2,…,1
其中,zi和yj为两个中间变量;z0=1,z1=b1,yn+1=1,yn=bn,那么 可以被表示为:
其中表示三对角线逆矩阵X-1中第i行第j列的元素。
通过s估计的公式中可以看出,因为运算HHH的结果就是一个厄米共轭矩阵,加上单位阵后,A必然还是一个厄米共轭矩阵。那么其中的三对角线矩阵X也是厄米共轭矩阵。由于此处需求逆的矩阵是厄米共轭矩阵,故X中a序列与c序列共轭统一。同时厄米共轭矩阵的逆矩阵也是厄米共轭矩阵,故只需求一半的逆矩阵另一半用共轭完成。
然而用这种精确的算法复杂度基本在O(M2)再加上本身诺依曼级数的复杂度,则结果并不比精确算法要好很多,这样失去了使用诺依曼级数的意义。所以要对上式进行化简。
化简步骤一:
在MIMO信道模型中,主对角线相对于从对角线有一定的优势,观察序列y(…yj…y1),可对该公式进行近似,舍去减号后面的部分,近似为:
yj=bjyj+1,j=n-1,n-2,…,1
经过这样的近似后,三对角求逆公式中所求的主对角部分的公式简化为:
因为近似后不再需要单独计算y序列,可顺序算出结果。这样的近似之后我们对时间复杂度进行了减半处理。对y序列做近似处理后精确逆矩阵对角线与近似对角线之间的误差。如图4所示,从中看出,ζ<=0.65时误差小于3%,而信道更加恶劣的情况下这样的对角线误差指数上升。故该近似方法在ζ小于0.65时使用,大于这一数值该系统崩溃。
化简步骤二:
上面的近似虽然在一定程度上简化了复杂度,但复杂度级数依旧在O(M2)。三对角线的逆矩阵是一个满阵,故复杂度级数较高。在本发明的系统中由于主对角线比次对角线有一定优势,所以逆矩阵也有一定的特点。设定序列其中(·)*为共轭操作。观察求解公式可知,该计算方法是先将对角线元素算出,然后以列为单位用递推的方法依次求出向外的元素,递推过程不断乘以序列p中的元素。由于在我们的大规模MIMO模型下,主对角线比次对角线有一定优势,故序列p有一定规律。我们将p序列的均值w定义为衡量系数序列p的等效值,则随着信道系数ζ的增加,w的趋势如图5所示。当ζ<=0.6的区间内,序列p的等效值皆小于0.1。根据递推公式可以得出,从主对角线开始,外层的对角线以逐次0.1倍的速率下降。如此看来,逆矩阵的有效部分集中在主对角线以及两条次对角线上。其他部分由于低于主对角线的百分之一故可以舍去。
这样我们只要计算三条对角线的数值,复杂度从O(M2)降低到了O(M)。
经过上述两步近似后整理得,求解三对角线逆矩阵X-1公式如下:
其中,qj与pj是求解的中间变量,是三对角线逆矩阵X-1中第i行第j列的元素;n为三对角线矩阵X的总列数;bj表示三对角线矩阵X中主对角线上的元素,aj表示三对角线矩阵X中一条从对角线上的元素,(·)*为共轭操作。
如图6和图7所示,在信道很恶劣的情况下(ζ=0.4)(ζ=0.6)本发明所采用的方法的误码曲线在相比于主对角线诺依曼级数方案,即将初始矩阵X设为A的主对角线矩阵与Cholesky分解求逆方法上性能的对比,可以看出三对角线诺依曼级数可以较好的完成与精确算法类似的性能,相比于主对角线诺依曼级数构架节省了3—4个迭代周期。
如图8所示,以M=4为例,从时序图中可以清晰看出数据流的迭代规律,也可以明确算出本发明的延时为5+5k,其中k为迭代次数。
本发明中三对角线诺依曼近似构架硬件复杂度:下三角脉动矩阵乘法模块消耗(1+M)M/2个加法器,(1+M)M/2个乘法器;加噪模块消耗M个加法器;三对角阵求逆消耗2个加法器和4个乘法器;-X-1E求解模块消耗3M个乘法器、2M个加法器;迭代模块中的加法部分消耗3个加法器;迭代模块中的乘法部分消(1+M)M/2个加法器,与(1+M)M/2个乘法器;检测模块中消耗M个加法器与M个乘法器。共计M2+5M+5个加法器与M2+5M+4个乘法器;检测模块需要M个乘法器和M个加法器。
如表1所示,给出了三种方案的硬件对比:
表1:
从硬件综合结果对比表可以看出,诺依曼级数近似检测构架要比基于精确求逆cholesky的线性检测构架在硬件资源占用率上和最高时钟频率上有较高的优势。由于不同场景下诺依曼级数所需迭代阶数的不同,所以不能直接对比三者的吞吐率。虽然从上表中看,同样的阶数情况下本发明提供的方法反而比主对角线构架延时长,但是在达到同一精确标准时,两者的迭代次数是不同的。
如图6,图7所示,当信道系数ζ为0,也就是理想信道情况下,主对角线诺依曼级数近似求逆需要三阶迭代而三对角线构架需要二阶迭代;当信道系数ζ为0.4时,主对角构架需六阶迭代而三对角线构架需要三阶迭代;当信道系数ζ为0.6时,主对角构架无法完成收敛而三对角线构架需要六阶迭代。由此我们给出信道情况变化时的吞吐率对比,如表2所示。
表2
根据上述吞吐率表可以看出,当理想信道情况下,诺依曼级数求逆构架的吞吐率较高,结合硬件消耗考虑,可以参用诺依曼级数近似求逆构架;当ζ=0.4时,主对角构架吞吐率已与经典构架持平,而本发明构架的吞吐率优势显现了出来;当ζ=0.6时,主对角框架已经不能收敛,而本发明构架在吞吐率上与经典构架持平,但硬件上有巨大的优势;当信道系数逼近1时,诺依曼级数近似求逆已经不能收敛。但是考虑到实际情况下信道不可能达到最恶劣的情况,所以本发明构架可以满足精确度的需求同时具有较低的复杂度。
Claims (9)
1.一种非理想信道下大规模MIMO线性检测硬件构架,其特征在于:包括第一下三角脉动乘法模块、加噪模块、三对角线求逆模块、三对角线乘法模块、迭代模块和检测模块;其中,将信道响应矩阵依次经过所述第一下三角脉动乘法模块和加噪模块后分别进入所述三对角线求逆模块和所述三对角线乘法模块;所述三对角线求逆模块取加噪模块输出的矩阵中的主对角线和两条次对角线组成三对角线矩阵并对所述三对角线矩阵求逆;所述三对角线乘法模块将从加噪模块输出的矩阵中除去三对角线之后的矩阵,并将与三对角线求逆模块中所求的三对角线逆矩阵相乘;所述迭代模块包含了三对角加法模块和第二下三角脉动乘法模块,所述三对角线求逆模块的结果输入至所述三对角加法模块,所述三对角线乘法模块的结果输入至所述第二下三角脉动乘法模块,所述三对角加法模块和第二下三角脉动乘法模块进行循环迭代后将生成的矩阵输入检测模块。
2.根据权利要求1所述的非理想信道下大规模MIMO线性检测硬件构架,其特征在于:所述第一下三角脉动乘法模块包括(1+M)M/2个加法器,与(1+M)M/2个乘法器,其中M表示用户的数量。
3.根据权利要求1所述的非理想信道下大规模MIMO线性检测硬件构架,其特征在于:所述三对角线求逆模块包括2个加法器和4个乘法器。
4.根据权利要求1所述的非理想信道下大规模MIMO线性检测硬件构架,其特征在于:所述三对角线乘法模块包括3M个乘法器、2M个寄存器和2M个加法器,其中M表示用户的数量。
5.根据权利要求1所述的非理想信道下大规模MIMO线性检测硬件构架,其特征在于:所述第二下三角脉动乘法模块包括(1+M)M/2个加法器和(1+M)M/2个乘法器;所述三对角加法模块包括3个加法器,其中M表示用户的数量。
6.根据权利要求1所述的非理想信道下大规模MIMO线性检测硬件构架,其特征在于:所述检测模块包括M个乘法器,M个加法器,其中M表示用户的数量。
7.一种采用如权利要求1所述的非理想信道下大规模MIMO线性检测硬件构架的线性检测方法,其特征在于:包括以下步骤:
步骤1:将信道响应矩阵H依次输入第一下三角脉动乘法模块和加噪模块生成矩阵A;矩阵A=(HHH+σ2IM),其中,H为信道响应矩阵,σ2为噪声方差,IM为单位阵,(.)H为共轭转置操作;
步骤2:将矩阵A输入至三对角线求逆模块,所述三对角线求逆模块提出待矩阵A中主对角线和两条次对角线组成三对角线矩阵X并对所述三对角线矩阵X求逆;将三对角线逆矩阵X-1输入到三对角线乘法模块和迭代模块中的三对角加法模块;
步骤3:将步骤2获得三对角线逆矩阵X-1与(A-X)矩阵输入到三对角线乘法模块中进行相乘并取反的操作,得到矩阵Q=-X-1(A-X);并将获得矩阵Q输入到迭代模块中的第二下三角脉动乘法模块;
步骤4:在迭代模块中,三对角加法模块和第二下三角脉动乘法模块进行循环迭代,根据公式获得近似逆矩阵其中,k为迭代次数,时钟信号控制迭代次数;
步骤5:将步骤4中获得的近似逆矩阵与接收到的向量输入到检测模块中相乘,表示为y的滤波器输出,得到大规模MIMO的线性检测结果,对传输信号向量的估计
8.根据权利要求7所述的非理想信道下大规模MIMO线性检测方法,其特征在于:所述步骤2中三对角线矩阵X求逆的方法为:根据公式
获得三对角线逆矩阵X-1,其中,qj与pj是求解的中间变量,是三对角线逆矩阵X-1中第i行第j列的元素;n为三对角线矩阵X的总列数;bj表示三对角线矩阵X中主对角线上的元素,aj表示三对角线矩阵X中一条从对角线上的元素,(.)*为共轭操作。
9.根据权利要求7所述的非理想信道下大规模MIMO线性检测方法,其特征在于:所述步骤4中的迭代次数为2~6次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510278859.3A CN105049097B (zh) | 2015-05-27 | 2015-05-27 | 非理想信道下大规模mimo线性检测硬件构架及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510278859.3A CN105049097B (zh) | 2015-05-27 | 2015-05-27 | 非理想信道下大规模mimo线性检测硬件构架及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105049097A CN105049097A (zh) | 2015-11-11 |
CN105049097B true CN105049097B (zh) | 2018-06-19 |
Family
ID=54455329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510278859.3A Active CN105049097B (zh) | 2015-05-27 | 2015-05-27 | 非理想信道下大规模mimo线性检测硬件构架及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105049097B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105634567B (zh) * | 2015-12-21 | 2018-09-07 | 东南大学—无锡集成电路技术研究所 | 一种面向mimo检测系统的可重构计算单元微结构及配置机制 |
CN105656578B (zh) * | 2016-04-07 | 2017-12-15 | 北京邮电大学 | 信道仿真仪的输入数据矢量计算方法、装置及信道仿真仪 |
CN105978609A (zh) * | 2016-04-25 | 2016-09-28 | 东南大学 | 一种相关信道下大规模mimo线性检测硬件构架及方法 |
CN106357309B (zh) * | 2016-08-15 | 2019-06-21 | 东南大学 | 基于非理想信道下大规模mimo线性迭代检测方法 |
CN108390709B (zh) * | 2018-01-29 | 2021-11-30 | 国网四川省电力公司电力科学研究院 | 一种适用于mimo系统mmse检测的ldlt分解装置与方法 |
CN108429573B (zh) * | 2018-03-02 | 2020-06-05 | 合肥工业大学 | 一种基于时间隐藏的mmse检测电路的控制方法 |
CN109981151A (zh) * | 2019-04-10 | 2019-07-05 | 重庆邮电大学 | 大规模mimo系统中改进的高斯树近似消息传递检测算法 |
CN110932762B (zh) * | 2019-10-29 | 2022-05-17 | 上海交通大学 | 面向mimo检测的格基规约辅助的信道预处理方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298649A (zh) * | 2014-09-24 | 2015-01-21 | 江苏中兴微通信息科技有限公司 | 一种低复杂度的快速并行矩阵求逆方法 |
-
2015
- 2015-05-27 CN CN201510278859.3A patent/CN105049097B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298649A (zh) * | 2014-09-24 | 2015-01-21 | 江苏中兴微通信息科技有限公司 | 一种低复杂度的快速并行矩阵求逆方法 |
Non-Patent Citations (5)
Title |
---|
A 3.8 Gb/s LARGE-SCALE MIMO DETECTOR FOR 3GPP LTE-ADVANCED;Bei Yin等;《Acoustic, Speech and Signal Processing (ICASSP),2014 IEEE International Conference on》;IEEE;20140509;3879-3883 * |
Approximative Matrix Inverse Computations for Very-large MIMO and Applications to Linear Pre-coding Systems;Hemanth Prabhu等;《2013 IEEE Wireless Communication and Networking Conference(WCNC)》;IEEE;20130410;2710-2715 * |
Hardware Efficient Approximative Matrix Inversion for Linear Pre-coding in Massive MIMO;Hemanth Prabhu等;《Circuits and Systems(ISCAS),2014 IEEE International Symposium on》;IEEE;20140605;1700-1703 * |
Large-Scale MIMO Detection for 3GPP LTE:Algorithms and FPGA Implementations;Michael Wu等;《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》;IEEE;20140321;第8卷(第5期);916-929 * |
Low-complexity ZF precoding method for downlink of massive MIMO system;Yuwei Ren等;《Electronics Letters》;20150226;第51卷(第5期);421-423 * |
Also Published As
Publication number | Publication date |
---|---|
CN105049097A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105049097B (zh) | 非理想信道下大规模mimo线性检测硬件构架及检测方法 | |
Guo et al. | Convolutional neural network-based multiple-rate compressive sensing for massive MIMO CSI feedback: Design, simulation, and analysis | |
Cao et al. | Lightweight convolutional neural networks for CSI feedback in massive MIMO | |
Zhang et al. | Efficient soft-output Gauss–Seidel data detector for massive MIMO systems | |
Song et al. | SALDR: Joint self-attention learning and dense refine for massive MIMO CSI feedback with multiple compression ratio | |
Wang et al. | A linear precoding scheme for downlink multiuser MIMO precoding systems | |
Castaneda et al. | Data detection in large multi-antenna wireless systems via approximate semidefinite relaxation | |
US9729277B2 (en) | Signal detecting method and device | |
CN104954056B (zh) | 大规模mimo线性检测中矩阵求逆的硬件构架及方法 | |
CN105915477B (zh) | 基于gs方法的大规模mimo检测方法及硬件架构 | |
Cescato et al. | Algorithms for interpolation-based QR decomposition in MIMO-OFDM systems | |
Müller et al. | Efficient linear precoding for massive MIMO systems using truncated polynomial expansion | |
CN108933619B (zh) | 一种大规模mimo混合预编码码本设计方法 | |
CN103516643A (zh) | 一种mimo检测预处理装置及方法 | |
Tan et al. | Enhanced linear iterative detector for massive multiuser MIMO uplink | |
CN106330276A (zh) | 基于sor算法的大规模mimo线性检测方法及装置 | |
Castaneda et al. | VLSI designs for joint channel estimation and data detection in large SIMO wireless systems | |
Fan et al. | Fully convolutional neural network-based CSI limited feedback for FDD massive MIMO systems | |
CN107086971A (zh) | 一种适用于多种天线配置的大规模mimo软检测方法 | |
CN105978609A (zh) | 一种相关信道下大规模mimo线性检测硬件构架及方法 | |
Wang et al. | An efficient detector for massive MIMO based on improved matrix partition | |
Tu et al. | An efficient massive MIMO detector based on second-order Richardson iteration: From algorithm to flexible architecture | |
CN106209189A (zh) | 大规模mimo系统中信号检测装置及方法 | |
Kurniawan et al. | Multidimensional Householder based high-speed QR decomposition architecture for MIMO receivers | |
CN107222246B (zh) | 一种近似mmse性能的高效大规模mimo检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |