CN105634568A - 一种基于大规模mimo系统信号检测的llr计算方法 - Google Patents

Abstract

本发明公开了一种基于大规模MIMO系统信号检测的LLR计算方法，该方法沿用了NSA算法体系，并进一步改造传统NSA直接计算的架构，采用迭代计算方式计算硬判决输出；同时对传统的NSA计算方式进行深入分解和重新结合，避免了对核心矩阵的直接求逆运算，最终得到信号向量的硬判决输出。根据前面计算得到的硬判决输出，并利用前面计算步骤产生的已知的矩阵信息，提供了一种基于NSA算法体系，低复杂度地近似计算LLR的算法。本发明方法兼有NSA方法的优势，并进一步增强其硬件实现优势，适用MMSE信号检测系统并支持输出软信息LLR，保证了整个系统性能的高准确性和低复杂度。

Description

一种基于大规模MIMO系统信号检测的LLR计算方法

技术领域

本发明属于无线通信技术领域，尤其是涉及一种基于大规模MIMO系统信号检测的LLR计算方法。

背景技术

在下一代(5G)移动通信技术中，大规模多输入多输出(Multiple-InputMultiple-Output,MIMO)天线技术被视为一种核心的技术被广泛关注与研究。这项技术能极大地提高频谱效率、系统容量而不用额外地增加频带带宽消耗。但是，相对于传统的小规模MIMO技术(通常基站天线数N＝4,8)，大规模MIMO技术需要前所未有的天线数(通常考虑80以上)，这使得系统计算复杂度急剧增加，使研究者们和工程师们设计大规模MIMO系统遭受到严重的挑战。其中一个关键的挑战来自于对上行线路信号检测的低复杂度算法的设计。一般地，在大规模MIMO系统中，线性检测技术比如迫零(Zero-Forcing，ZF)检测算法和最小均方误差(MinimumMeanSquareError,MMSE)检测算法能达到次最优性能，但其计算复杂度远远小于最优算法，因此线性信号检测算法被视为未来大规模MIMO系统中可靠的技术。

对于这些线性检测算法，会大量涉及到对关键矩阵的求逆计算。对大规模MIMO系统，一些准确计算矩阵逆矩阵的算法，比如QR-GramSchmidt算法，Gauss-Jordan算法，Choleskydecomposition算法等，都需要消耗非常大的计算能量。因为在大规模多用户MIMO系统中，活跃的用户数K可能会达到20甚至更大(区别于以前小规模MIMO系统同时接入的用户数K＝2,4等)，而上述的几种精确求逆算法的计算复杂度都在O(K³)数量级，所以因大量矩阵求逆计算带来的复杂度将变得不可承受。

为此，一种基于诺依曼级数近似(NeumannSeriesApproximation，NSA)的方法被用来近似矩阵的逆矩阵，这种方法被广泛应用于近期的上行线路信号检测算法中以及下行线路预编码技术中。相对于传统的精确矩阵求逆算法，NSA方法具有更强的硬件亲和性、简单的数据流，不需要昂贵的专用计算单元，以及适合硬件并行计算。但是，NSA方法只有在用来近似的级数项较少时才具有低复杂度的优势，如果需要的级数项项数过多，其复杂度甚至高于传统的精确求逆方法。

为了避免NSA方法在某些情况下带来的高复杂度缺点，一些研究团队提出了基于大规模MIMO系统避免求逆的信号检测方法，比如Gauss-Seidel线性求解方法等，这些方法能达到O(K²)低复杂度的效果。这些线性求解的方法都避免了求相关的矩阵的逆矩阵，能以低复杂度地得到信号硬判决输出，但是，这也为后面关键的软信息对数似然比(LoglikehoodRatio,LLR)的计算带来巨大的困难(甚至只能适合硬判决系统)，因此整个软信号检测算法的复杂度不能很好的降低，而且并不具备NSA算法的特有优势。为此，一种基于NSA算法体系并支持以低复杂度计算软信息LLR的算法显得很有必要。

发明内容

为了克服现有技术中存在的不足，本发明提供一种基于大规模MIMO系统信号检测的LLR计算方法，适用于可提供软输出判决信息的信号检测算法系统。

为实现上述目的，本发明采用的技术方案是：

首先给出基于大规模MIMO系统上行线路，在基站端配置N(N＝64,96,128或者更大)根天线，同时服务K个单天线用户，并满足基站天线数远远大于用户数(一般N≥8K)。s＝[s₁,s₂,...,s_K]为编码后的待传输用户信号向量，s_k(k＝1,2,...,K)为s的第k个符号。H_N×K为N×K维的信道状态信息矩阵，其中N为基站天线数，K为接入的用户天线数。y_N×1为接收机接收到的符号向量。n为零均值独立同分布的加性高斯白噪声向量，其噪声方差系数为σ²。设定接收机对信道状态信息矩阵H和统计噪声信息σ²是已知的。则接收向量通过匹配滤波器的输出为y^MF＝H^Hy，其中(·)^H表示共轭转置运算。MMSE信号检测算法的等效MMSE滤波器矩阵为W＝H^HH+σ²I_K，其中I_K表示K×K维的单位矩阵。

一种基于大规模MIMO系统信号检测的LLR计算方法，具体步骤如下：

步骤A，记等效MMSE滤波器矩阵W的元素为w_ij(1≤i,j≤K)，则W的对角元素组成的对角阵为D＝diag(w₁₁,w₂₂,...,w_KK)，通过对D的每个非零元素求倒数，计算得到D的逆矩阵

步骤B，计算初始迭代向量其中，y^MF＝H^Hy是匹配滤波器对y的输出；

步骤C，计算乘法系数矩阵Θ＝I_K-D^-1W，其中，I_K表示K×K的单位矩阵；

步骤D，设定最大迭代次数L，根据迭代计算公式l＝2,...,L，得到最后的迭代输出此迭代输出就是对传输信号向量s的迭代硬判决输出；

步骤E，分别计算k＝1,2,...,K，其中θ_kk是矩阵Θ的第k个对角元素，θ_k-row和θ_k-col分别为Θ的第k行向量和第k列向量；

步骤F，分别计算c_kk＝1-σ²w'_kk，k＝1,2,...,K；

步骤G，根据如下公式分别计算各个比特位的软信息LLR，

${\mathrm{LLR}}_{m,k}=\frac{c_{kk}}{1-c_{kk}}\[\underset{a\∈Q_m^0}{\min }|\frac{{\hat{s}}_{k\left(L\right)}}{c_{kk}}-a{|}^2-\underset{a^{\′}\∈Q_m^1}{\min }|\frac{{\hat{s}}_{k\left(L\right)}}{c_{kk}}-a^{\′}{|}^2\],$

其中LLR_m,k表示第k个传输符号的第m个比特位的软信息LLR，和分别表示该符号中第m个比特位取值为0和1的向量集合，a和a'分别为和中的元素，min{·}表示取值使括号内的表示式值最小的运算。

一般地，将步骤G计算得到的软信息依次输入相应的译码器，如维特比译码器等，即可获得信号的软判决结果。

本发明的方法沿用了NSA算法体系，并进一步改造传统NSA直接计算的架构，采用迭代计算方式计算硬判决输出；同时对传统的NSA计算方式进行分解，避免了对核心矩阵的直接求逆运算，最终得到信号向量的硬判决输出。根据前面计算得到的硬判决输出，并利用前面计算步骤产生的已知的矩阵信息，提供了一种同样基于NSA算法体系，低复杂度近似计算LLR的算法。

本发明的有益效果是：与现有技术相比，本发明沿用NSA算法体系，并进一步采用了迭代计算方法，大大降低了硬件设计难度，使其兼有原有优势基础上更具有硬件实现优势。进一步对传统的NSA计算方式进行分解，避免了对核心矩阵的直接求逆运算，大大降低了计算复杂度，克服了传统NSA方法因为使用的级数项数可能过多带来的高复杂度的劣势，成功将此情况下的O(K³)的复杂度降低为O(LK³)(通常L远远小于K)。利用前面步骤产生的硬判决输出和一些相关项，提出的计算软信息LLR的方法，兼顾了计算LLR信息的准确性和低复杂度，使其适用的信号检测系统整体的低复杂度和高准确性得到保证。

附图说明

图1是一种上行线路大规模MIMO系统的示意图。

图2是本发明的一种基于大规模MIMO系统信号检测的LLR算法的流程图。

图3是采用本发明MMSE-INSA计算方法与经典MMSE-Cholesky方法和传统MMSE-NSA方法误码率(BitErrorRate,BER)曲线对比图。

图4是采用本发明MMSE-INSA计算方法与经典MMSE-Cholesky方法和传统MMSE-NSA方法计算复杂度对比图。

具体实施方式

下面结合附图和具体实例，对本发明提出的一种基于大规模MIMO系统信号检测的LLR算法进行详细说明。

首先考虑一个上行线路的大规模多用户MIMO系统模型,见图1。在基站端配置N(N＝64,96,128或者更大)根天线，同时服务K个单天线用户，并满足基站天线数远远大于用户数(一般N≥8K)。待传输的信息比特流为x，经过信道编码器编码并调制映射成符号向量s＝[s₁,s₂,...,s_K]，s_k(k＝1,2,...,K)为s的第k个符号。用户信息符号经无线信道传输，在基站端接收，其频域的数学模型表示如下：

y＝Hs+n，

其中，H为用户端到基站端的N×K维度的信道传输响应矩阵，n为零均值独立同分布高斯白噪声向量，其噪声方差系数为σ²；y为基站端接受到的N×1维度的信号向量。

为了从接受信号y里提取到发送信号，采用MMSE信号检测方法，如下：

$\hat{s}={(H^{H}H+{\mathrm{\σ}}^2{I}_K)}^{-1}{y}^{MF},$

其中是对传输向量s的估计向量，y^MF＝H^Hy是匹配滤波器对y的输出，(·)^H表示共轭转置运算，I_K表示K×K的单位矩阵。

接收机根据已知的信息H，σ²和y，为了计算LLR，结合图2流程图所示：

1)计算匹配滤波器输出y^MF＝H^Hy和等效MMSE滤波器W＝H^HH+σ²I_K。

2)根据W，计算其中w_kk，k＝1,2,...,K，为W的第k个对角元素。

3)计算迭代乘法系数矩阵Θ＝I_K-D^-1W。

4)计算初始迭代向量

5)设定最大迭代次数L(通常设定L≥4)，根据迭代计算公式l＝2,...,L，得到最后的迭代输出此就是对硬判决的L阶迭代近似。理论上，当L→∞时，

6)分别计算k＝1,2,...,K，其中θ_kk是矩阵Θ的第k个对角元素，θ_k-row和θ_k-col分别为Θ的第k行向量和第k列向量。

7)分别计算c_kk＝1-σ²w'_kk，k＝1,2,...,K。

8)根据如下公式分别计算各比特位软信息LLR，

${\mathrm{LLR}}_{m,k}=\frac{c_{kk}}{1-c_{kk}}\[\underset{a\∈Q_m^0}{\min }|\frac{{\hat{s}}_{k\left(L\right)}}{c_{kk}}-a{|}^2-\underset{a^{\′}\∈Q_m^1}{\min }|\frac{{\hat{s}}_{k\left(L\right)}}{c_{kk}}-a^{\′}{|}^2\],$

其中LLR_m,k表示第k个符号的第m个比特位的软信息，和分别表示该符号中第m个比特位取值为0和1的向量集合，a和a'分别为和中的元素，min{·}表示取值使括号内的表示式的值最小的运算。

将8)计算得到的软信息输入相应的译码器，如维特比译码器等，即可获得信号的软判决结果，完成整个信号检测。

如图3所示，本发明所采用的方法在图中用MMSE-INSA表示，与传统MMSE-NSA方法相比，其误码率(BER)性能基本一致；与经典MMSE-Cholesky方法相比，能经过较小的迭代次数就能逼近经典MMSE-Cholesky方法性能。

如图4所示，定义用所需要的复数乘法次数去衡量主要计算复杂度，本发明所采用的MMSE-INSA方法的计算复杂度，远远小于经典MMSE-Cholesky方法和传统的MMSE-NSA方法。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于大规模MIMO系统信号检测的LLR计算方法，其特征在于：具体步骤如下：

步骤A，记等效MMSE滤波器矩阵W的元素为w_ij(1≤i,j≤K)，则W的对角元素组成的对角阵为D＝diag(w₁₁,w₂₂,...,w_KK)，通过对D的每个非零元素求倒数，计算得到D的逆矩阵

步骤B，计算初始迭代向量其中，y^MF＝H^Hy是匹配滤波器对y的输出；

步骤C，计算乘法系数矩阵Θ＝I_K-D^-1W，其中，I_K表示K×K的单位矩阵；

步骤D，设定最大迭代次数L，根据迭代计算公式l＝2,...,L，得到最后的迭代输出此迭代输出就是对传输信号向量s的迭代硬判决输出；

步骤E，分别计算k＝1,2,...,K，其中θ_kk是矩阵Θ的第k个对角元素，θ_k-row和θ_k-col分别为Θ的第k行向量和第k列向量；

步骤F，分别计算c_kk＝1-σ²w'_kk，k＝1,2,...,K；

步骤G，根据如下公式分别计算各个比特位的软信息LLR，

${\mathrm{LLR}}_{m,k}=\frac{c_{kk}}{1-c_{kk}}\[\underset{a\∈Q_m^0}{min}|\frac{{\hat{s}}_{k\left(L\right)}}{c_{kk}}-a{|}^2-\underset{a^{\′}\∈Q_m^1}{min}|\frac{{\hat{s}}_{k\left(L\right)}}{c_{kk}}-a^{\′}{|}^2\],$

其中LLR_m,k表示第k个传输符号的第m个比特位的软信息LLR，和分别表示该符号中第m个比特位取值为0和1的向量集合，a和a'分别为和中的元素，min{·}表示取值使括号内的表示式值最小的运算。

2.如权利要求1所述的基于大规模MIMO系统信号检测的LLR计算方法，其特征在于：将步骤G计算得到的软信息依次输入相应的译码器，即可获得信号的软判决结果。