CN107094039B - 用于lte系统中的干扰参数的盲检测的方法和设备 - Google Patents

Abstract

提供一种用于LTE系统中的干扰参数的盲检测的方法和设备。所述方法包括：接收包括服务信号和干扰信号的信号；对服务信号和干扰信号应用高斯近似(GA)；联合地确定关于应用GA的服务信号和应用GA的干扰信号的秩、业务量导频比(TPR)和预编码矩阵索引的最大似然(ML)解。所述设备包括：天线，用于接收包括服务信号和干扰信号的信号；处理器，被配置为：对服务信号和干扰信号应用GA，并联合地确定关于应用GA的服务信号和应用GA的干扰信号的秩、TPR和预编码矩阵索引的ML解。

Description

用于LTE系统中的干扰参数的盲检测的方法和设备

优先权

本申请要求于2016年2月18日向美国专利商标局提交的第62/296,804号美国临时专利申请以及2016年5月2日向美国专利商标局提交的第15/144,398号美国非临时专利申请的优先权，这些美国专利申请的全部内容通过引用合并于此。

技术领域

本公开总体上涉及电信，更具体地，涉及一种用于在长期演进(LTE)系统中对干扰图样的盲检测的方法和设备。

背景技术

由于网络辅助式干扰消除与抑制(NAICS)的增加传输速率的能力，其已经在第三代合作伙伴计划(3GPP)中吸引了大量关注并被采用为3GPP的版本12中的可选特征。在存在干扰信号的情况下，联合最大似然(ML)检测可提供显著的性能增益。然而，为了执行联合检测，必须知道干扰动态参数，诸如信道、传输模式(TM)、小区特定参考信号(CRS)端口(TM1-TM7)的数量、解调参考信号(DMRS)端口(TM8-TM10)的数量、预编码功率(P_A)和发射功率(P_B)(TM1-TM7)、秩指示(RI)、预编码矩阵指示(PMI)和调制阶。

传统的接收器将共信道干扰视为加性白高斯噪声(AWGN)。引入NAICS以解决LTE下行链路信道中的容量和性能问题，包括业务量导频比(traffic to pilot ratio,TPR)、秩、预编码和调制阶的传统联合ML估计的高复杂度。由于从演进节点B(eNB)到用户设备(UE)的有限的回程和控制信道资源，不能向UE提供关于所有干扰小区动态参数的信息。动态参数的一部分可被提供给UE作为辅助信息(side information，边信息)，以便其他参数被留给由UE进行的盲检测。

发明内容

根据一个实施例，一种方法包括：接收包括服务信号和干扰信号的信号；对服务信号和干扰信号应用高斯近似(GA)；联合地确定关于应用GA的服务信号和应用GA的干扰信号的秩、业务量导频比(TPR)和预编码矩阵索引的最大似然(ML)解。

根据一个实施例，一种设备包括：天线，用于接收包括服务信号和干扰信号的信号；处理器，被配置为对服务信号和干扰信号应用GA，并联合地确定关于应用GA的服务信号和应用GA的干扰信号的秩、TPR和预编码矩阵索引的ML解。

附图说明

通过下面结合附图进行的详细描述，本公开的特定实施例的以上和其他方面、特征和优点将会变得更加明显，在附图中：

图1是根据本公开的实施例的方法的流程图；

图2是根据本公开的实施例的设备的框图。

具体实施方式

以下，参照附图详细描述本公开的实施例。应当注意，尽管在不同附图中示出，但是相同元件将通过相同标号来指定。在下面的描述中，提供诸如详细配置和组件的特定细节仅用于帮助全面理解本公开的实施例。因此，对本领域技术人员明显的是，在不脱离本公开的范围和精神的情况下，可以对在此描述的实施例进行各种改变和修改。另外，为了清楚和简明，公知的功能和构造的描述被省略。下面描述的术语是考虑到本公开中的功能而定义的术语，并且可以根据用户、用户的意图或客户而不同。因此，术语的定义应当基于整个说明书的内容来确定。

本公开可以具有各种修改和各种实施例，其中，在下面参照附图详细描述实施例。然而，应当理解，本公开不限定于这些实施例，而是包括在本公开的精神和范围之内的所有修改、等同物和替代物。

尽管包括诸如第一、第二等的序数的术语可以用于描述各种元件，但是结构元件不受这些术语限制。这些术语仅用于将一个元件与另一元件区分开来。例如，在不脱离本公开的范围的情况下，第一结构元件可被称为第二结构元件。类似地，第二结构元件可被称为第一结构元件。如在此使用的，术语“和/或”包括一个或多个关联项的任何和所有组合。

在此使用的术语仅用于描述本公开的各种实施例的目的，而不意在限制本公开。除非上下文另外明确地指示，否则单数形式也意在包括复数形式。在本公开中，将理解，术语“包括”或“具有”指示存在特征、数字、步骤、操作、结构元件、部件或它们的组合，但是不排除存在或可能添加一个或多个其他特征、数字、步骤、操作、结构元件、部件或它们的组合。

除非不同地定义，否则在此使用的所有术语具有与本公开所属领域的技术人员通常理解的含义相同的含义。除非在此明确地如此定义，否则诸如在通用字典中定义的术语应被解释为具有与在相关领域的上下文中的含义相同的含义，而不应被解释为理想化或过于形式化的意义。

根据本公开的实施例，提供可用于NAICS LTE情况的盲干扰参数识别，以使用服务信号和干扰信号的联合检测来提高总体服务小区检测质量。本公开可应用于具有两个CRS天线端口的基于CRS的TM(即，TM1-TM7)。此外，本公开可应用于一个CRS天线端口。CRS天线端口的数量可通过无线资源控制(RRC)信令传递被提供给NAICS UE。

根据本公开的实施例，提供用于秩、预编码和发射功率(用于非CRS OFDM符号的P_A和用于CRS OFDM符号的P_B)识别的低复杂度识别方案。该实施例可以是用于支持NAICS作为LTE版本12的特征之一并且支持干扰参数识别的调制解调器的一部分。本公开可提供干扰信号的TPR、预编码索引和秩的识别。TPR表示数据符号与导频符号的幂比(power ratio)。本公开将GA(高斯近似)应用于服务信号和干扰信号二者以简化TPR和预编码方法的识别。本公开还可在服务信号消除(为存在服务信号和干扰信号二者的情况下的干扰识别的特定情况)之后被实施。干扰信号和服务信号的GA允许本公开检测TPR、在秩1和秩2/空间频率块解码(SFBC)之间进行区分、检测秩1预编码以及提供秩2预编码识别以区分秩2和SFBC情况。

根据本公开的实施例，使用高斯近似方案的ML识别(ML-GA)可被进一步近似。这使需要的除法和对数计算的数量以K的系数减少，其中，K为在检测中使用的资源元素(RE)的数量。例如，每个资源块(RB)可仅需要一次除法和一次对数计算。

在本公开的实施例中，GA降低干扰参数复杂度。此外，以低复杂度方案提供GA之后的TPR、秩和预编码的联合检测。此外，提供在确定秩2干扰之后的低复杂度秩2预编码识别。

图1是根据本公开的实施例的干扰参数的盲检测的方法的流程图。在存在若干干扰小区的情况下，NAICS UE可基于接收的功率的观测(诸如接收的信号功率(RSP))确定RRC信号传递的候选小区之中的最强干扰小区。即，本公开可处理主干扰信号。

参照图1，在101接收到信号，其中，该信号可包括服务信号和干扰信号。根据本公开的实施例，可处理基于CRS的传输(即，TM1-TM7)。可通过RRC信令将CRS天线端口的数量提供给NAICS UE。在一个CRS天线端口的情况下，可识别TPR和调制阶，在两个CRS天线端口的情况下，可识别TPR、秩、预编码和调制阶。可提供用于两个CRS天线端口的秩、预编码和TPR识别。此外，可提供用于一个CRS天线端口的TPR识别。

仅考虑主干扰UE，在存在关于第k个RE的服务信号的情况下的接收的信号可被描述为以下式子(1)：

其中，

表示m＝S时从服务演进型节点B(eNodeB，演进型Node B)到UE的有效信道矩阵和m＝I时从干扰小区到UE的有效信道矩阵，其中，ρ_I表示干扰信号的TPR，

为l_m×1的传输信号矢量，l_m指示传输层的数量，n_k为协方差E{n_kn_k ^H}＝σ²I的AWGN矢量。从具有基数

的一些群集选择第i层的传输符号

其中，

是已知的，

是未知的，NAICS UE盲检测q。如上所述，

表示有效信道矩阵，其可根据矩阵

和预编码矩阵P^S被写为

和

NAICS UE可估计

但是

是未知的，p表示干扰预编码索引且l_I表示干扰秩。针对秩1，预编码矩阵为：

针对秩2，预编码矩阵为：

根据本公开的实施例，NAICS UE可盲检测干扰秩l_I、干扰预编码索引p和干扰TPRρ_I。

在103，本系统确定接收的信号中的服务信号是否被消除。

在NAICS中，如果服务信号的循环冗余校验(CRC)失败，则执行干扰参数识别以启用联合检测并提高服务信号检测性能。在干扰参数识别中的对服务信号进行解码之后，通过软干扰消除来采用解码器输出。如果

被定义为服务信号的软估计(soft estimation)，则在消除之后，得到如下的式子(2)：

如果从接收的信号消除服务信号，则在105确定消除服务信号的接收的信号的采样协方差矩阵。

如果未从接收的信号消除服务信号，则在107确定接收的信号的采样协方差矩阵。

此外，可将

修改为更像白噪声(例如，白化)，其中，针对噪声和残余信号(residual signal)的协方差矩阵，式子(3)如下：

并且，可使用解码器输出对数似然比(LLR)来计算

因此，通过应用白化矩阵Wk＝LK-1，得到如下式子(4)：

如上面的式子(4)中应用的具有服务信号消除的系统模型可被视为上面的式子(1)的当

时的变体。

在上面的式子(1)中提供的模型之后，针对i∈{1,…,l_S},使用已知的

P^S和

式子(5)定义如下：

l_I、p、ρ_I和q的联合ML检测可在如下式子(6)中得到：

在105或107之后，在109确定针对与对干扰信号使用GA的干扰信号秩、预编码矩阵索引(PMI)和功率有关的假设的似然度量。

根据本公开的实施例，提供不同参数的顺序检测。TPR和协方差矩阵索引(cmi)的联合识别可以是顺序检测的第一步。

根据本公开的实施例，本系统和方法将GA应用于干扰信号和服务信号二者，如以下式子(7)：

可在服务信号消除之后应用GA。本公开提供GA后的ML解(ML-GA)，并且提供用于针对硬件实现降低复杂度并提供可行解的对ML-GA解的进一步近似。

在111，确定最大化似然度量的假设并确定交通导频比(TPR)。

使用

的以上GA，式子(8)如下：

如果给定

P^S、

和σ²，R_k为

的函数。针对不同的秩1预编码索引，

针对p₁≠p₂。针对SFBC和秩2二者，

在113，本系统确定接收的信号或消除服务信号的接收的信号是否是秩1。在113，区分秩1和秩2/SFBC。

在115，如果本系统在113确定接收的信号或消除服务信号的接收的信号的秩为秩1，则识别秩1的PMI并返回TPR、秩和PMI。

可限定cmi参数，其中，cmi集被定义为cmi∈{0,1,2,3,4}，cmi＝i(针对i∈{0,1,2,3})与具有p＝i的预编码索引的秩1对应，cmi＝4与秩2和SFBC对应，其中，SFBC可不与秩2区分，并且可不提供关于秩2预编码索引的信息。

根据本公开的实施例，本系统提供联合TPR和CMI检测作为顺序盲检测的第一步。如果cmi被识别为cmi≠4，则秩和预编码已知。然而，如果cmi被识别为cmi＝4，则必须区分SFBC和秩2。

在117，如果本系统不确定接收的信号或消除服务信号的接收的信号的秩为秩1，则本系统确定在接收的信号或消除服务信号的接收的信号中是否存在发射分集(transmitdiversity，传输分集)。即，如果存在发射分集，则检测到SFBC。否则，接收的信号或消除服务信号的接收的信号为秩2。在本公开的实施例中，可将盲SFBC检测方法应用于来自SFBC的区分秩2。

如果在117检测SFBC，则在115，本系统返回以确定关于SFBC的接收的信号或消除服务信号的接收的信号的PMI，并返回TPR、秩和PMI。如果在117不检测SFBC，则在119，本系统确定秩为2。

如果在119确定秩2，则在115，本系统返回以确定秩2的接收的信号或消除服务信号的接收的信号的PMI并返回TPR、秩和PMI。

使用GA，将被最大化的似然矩阵可如以下式子(9)：

其中，|R_k(ρ_I,cmi)|表示矩阵R_k(ρ_I,cmi)的行列式。如果定义式子(10)如下：

其中，trace(ABC)＝trace(CAB)，则得到(ρ_I,cmi)的ML联合识别如以下式子(11)：

此外，如果定义式子(12)-(15)如下：

则

可被描述为如下式子(16)：

在存在服务信号并且使用两个CRS天线端口的情况下，得到如下式子(17)：

如果消除服务信号并且使用两个CRS天线端口，则得到如下式子(18)：

其中，在式子(4)中给定y′_k并且

根据本公开的实施例，提供针对一个CRS天线端口的TPR检测。针对一个CRS天线端口，不应用预编码，并且可仅识别ρ_I。因此，如式子(19)的度量可如下：

其中，

是已知的(非预编码的函数)，可识别ρ_I。

由于针对每对(ρ_I,cmi)必须确定log(|R_k(ρ_I,cmi)|)、必须针对给定RB的每个RE执行除以|R_k(ρ_I,cmi)|的除法(其中，(ρ_I,cmi)表示一个可能的假设)，因此以上式子(17)和(18)中的

的计算复杂度和式子(19)中的

仍然高。此外，每个RB存在15个可能的假设(例如，针对ρ_I的3个可能性以及针对cmi的5个可能性)。

在本公开的实施例中，提供对

的进一步近似(例如，对ML-GA的进一步近似)，这降低了硬件复杂度。

由于Jensen不等式，式子(20)如下：

上面的式子(20)中的不等式在静态信道时变成等式，即，对于所有的k₁和k₂，

此外，

可被近似为下面的式子(21)：

对于静态信道的情况，上面的式子(21)中的近似变得精确。通过将式子(20)和(21)代入式子(17)，得到以下式子(22)：

以上近似将除法和对数计算所需的数量减少K倍，其中，K为在至少一个RB中的RE的数量。

在|R_k(ρ_I,cmi)|的计算中可进一步降低计算复杂度。如果直接计算每个假设的|R_k(ρ_I,cmi)|，则每个RE的计算针对15个假设(例如，针对cmi的5个可能性以及针对ρ_I的3个可能性，其中，这三个可能的ρ_I值被信号传递到UE)。如果给定

和

则可首先确定如下式子(23)：

其中，针对每个(ρ_I,cmi)对，每个假设需要4次乘法，每个RE需要总共60次乘法和15次2×2的确定。

|R_k(ρ_I,cmi)|的较低复杂度计算被描述为如下式子(24)：

其中，

其中，

针对cmi∈{0,1,2,3}，

为秩1矩阵，则

针对cmi∈{0,1,2,3}，并且针对cmi＝4可仅确定

因此，针对

式子(25)如下：

为计算

每个RE需要12个2×2矩阵行列式，并且每个RB总共需要12K个2×2矩阵行列式和6次乘法。

如果2×2矩阵行列式计算需要两次乘法，则对每个RE直接计算|R_k(ρ_I,cmi)|，计算

并且每个RE需要90次乘法而每个RB总共需要90K次乘法。然而，可使用上面的式子(25)，因而每个RE仅需要24次乘法而每个RB总共仅需要24K+6次乘法。

根据本公开的实施例，在上面的式子(18)中针对服务信号消除而应用对ML-GA的进一步近似，其中，针对15个可能的假设计算

因此，式子(26)如下：

通过上面的式子(26)，每个RE仅需要一个2×2矩阵行列式以及每个RB总共仅需要K个2×2矩阵行列式和9次乘法来计算

如果2×2矩阵行列式计算需要两次乘法，则每个RE直接计算|R′_k(ρ_I,cmi)|，计算

并且每个RE需要90次乘法而每个RB总共需要90K次乘法。然而，可使用上面的式子(26)，因而每个RE仅需要2次乘法而每个RB总共仅需要2K+9次乘法。针对服务信号消除，可对残余服务信号和噪声应用白化。

GA方法和使用进一步近似的GA方法提供比投影方法更好的TPR和联合TPR-CMI盲检测性能。此外，GA方法具有与使用进一步近似的GA方法的性能接近的性能。

根据本公开的实施例，提供秩2预编码识别。如果接收的信号为秩2，则TPR已知，服务信号被消除，式子(27)如下：

可应用最小均方差(MMSE)滤波器

来得到式子(28)如下：

y′_k＝W_ky_k＝P^I,2,px_k+n′_k (28)

其中，

和

如果定义β_k,I＝Re{y′_k,1y′_k,2 ^*}和β_k,Q＝Im{y′_k,1y′_k,2 ^*}，则得到式子(29)和(30)如下：

和

针对p＝0和p＝1二者，使用QAM信令，E{β_k,I}＝E{β_k,Q}＝0。

因此，不存在可揭示秩2预编码索引的对β_k,I和β_k,Q的线性运算。然而，针对给定的p，β_k,I和β_k,Q具有不同的分布。因此，使用一些非线性操作f(.)，使用E{f(β_k,I)}≠E{f(β_k,Q)}的属性，可基于如下式子(31)和(32)来识别秩2预编码索引：

和

下面的表1示出针对QPSK、16QAM和64QAM的|x₂|²-|x₁|²和

的分布。

表1

针对非线性运算f(.)，可使用两个不同的运算f(β_k,I)＝|β_k,I|和f(β_k,I)＝|β_k,I|²，但是本公开不限于此。还可使用其他非线性运算。下面的表2示出针对不同的调制阶而使用f(a)＝|a|和f(a)＝|a|²的E{f(|x₂|²-|x₁|²)}与

的比较。下面的表2示出这些非线性运算、E{f(β_k,I)}≠E{f(β_k,Q)}使得能够识别秩2预编码索引。

表2

基于以上非线性函数的属性，可如以下式子(33)来定义预编码识别规则：

其中，在上面的式子(31)和(32)中给出了M_I和M_Q。

图2是根据本公开的实施例的用于在LTE系统中对干扰信号和服务信号二者使用GA进行干扰图样的盲检测的设备200的框图。

参照图2，设备200包括天线201、收发器203和处理器205。

天线201接收信号，其中，信号可包括服务信号、至少一个干扰信号或它们的组合。

收发器203包括连接到天线201用于接收接收的信号的输入，以及输出。

处理器205包括连接到收发器203的输出的输入并被配置为消除或不消除接收的信号中的服务信号。如果从接收的信号消除了服务信号，则处理器205还被配置为确定消除服务信号的接收的信号的采样协方差矩阵。如果未从接收的信号消除服务信号，则处理器还被配置为确定接收的信号的采样协方差矩阵。

处理器205还被配置为针对与使用干扰信号上的GA的干扰信号秩、预编码矩阵和功率有关的假设(hypotheses，假定)确定似然度量(metrics)。

处理器205还被配置为确定最大化似然度量的假设。

在确定最大化似然度量的假设之后，处理器205还被配置为确定接收的信号或消除服务信号的接收的信号是否为秩1。

如果处理器205确定接收的信号或消除服务信号的接收的信号的秩为秩1，则处理器205还被配置为识别TPR，并且基于上面的GA检测秩1预编码索引。

如果处理器205确定接收的信号或消除服务信号的接收的信号的秩不为秩1，则处理器205还被配置为确定在接收的信号或消除服务信号的接收的信号中是否存在发射分集。即，如果存在发射分集，则检测到SFBC。否则，接收的信号或消除服务信号的接收的信号的秩为秩2。在本公开的实施例中，可应用盲SFBC检测方法来区分秩2和SFBC。

如果检测到SFBC，则处理器205还被配置为确定关于SFBC的接收的信号或消除服务信号的接收的信号的干扰的预编码索引和功率索引。否则，确定秩2。

如果确定秩2，则处理器205还被配置为确定针对秩2的接收的信号或消除服务信号的接收的信号的干扰的预编码索引和功率索引。

在本公开的实施例中，提供对

的进一步近似(例如，在ML-GA上的进一步近似)，这降低了硬件复杂度。

如上面的式子(22)所示的近似将需要的除法和对数计算的数量减少了K倍，其中，K为在至少一个RB中的RE的数量。

可在|R_k(ρ_I,cmi)|的计算中进一步降低计算复杂度。在上面的式子(24)中描述了|R_k(ρ_I,cmi)|的较低的复杂度。

针对cmi∈{0,1,2,3}，

为秩1矩阵，则

针对cmi∈{0,1,2,3}，并且针对cmi＝4可确定仅仅

因此，针对

式子(25)如上所述。

为计算

每个RE需要12个2×2矩阵行列式，并且每个RB总共需要12K个2×2矩阵行列式和6次乘法。

如果2×2矩阵行列式计算需要两次乘法，则对每个RE直接计算|R_k(ρ_I,cmi)|，计算

并且每个RE需要90次乘法而每个RB总共需要90K次乘法。然而，可使用上面的式子(25)，因而每个RE仅需要24次乘法而每个RB总共仅需要24K+6次乘法。

根据本公开的实施例，在上面的式子(18)的计算中针对服务信号消除而应用ML-GA上的进一步近似，其中，针对15个可能的假设计算

因此，式子(26)如上所述。

通过上面的式子(26)，计算

仅要求每个RE一个2×2矩阵行列式并且每个RB总共K个2×2矩阵行列式和9次乘法。

如果2×2矩阵行列式计算需要两次乘法，则对每个RE直接计算|R′_k(ρ_I,cmi)|，计算

并且每个RE需要90次乘法而每个RB总共需要90K次乘法。然而，可使用上面的式子(26)，因而每个RE仅需要2次乘法而每个RB总共仅需要2K+9次乘法。针对服务信号消除，可对残余服务信号和噪声应用白化。

根据本公开的实施例，提供秩2预编码识别。如果接收的信号为秩2，则TPR已知，服务信号被消除。使用一些非线性运算f(.)，使用E{f(β_k,I)}≠E{f(β_k,Q)}的属性，可基于上述式子(31)和(32)来识别秩2预编码索引。针对非线性运算f(.)，可使用两个不同的运算f(β_k,I)＝|β_k,I|和f(β_k,I)＝|β_k,I|²，但是本公开不限于此。还可使用其他非线性运算。

基于以上非线性函数的属性，可如上述式子(33)来定义预编码识别规则。

虽然已在本公开的详细描述中描述了本公开的特定实施例，但是在不脱离本公开的范围的情况下，可以对本公开进行各种形式的修改。因此，本公开的范围不应仅基于描述的实施例来确定，而应基于权利要求及其等同物来确定。

Claims (8)

1.一种方法，包括：

接收包括服务信号和干扰信号的信号；

对服务信号和干扰信号应用高斯近似GA；

联合地确定在应用GA的服务信号和应用GA的干扰信号上的秩、业务量导频比TPR和预编码矩阵索引的最大似然ML解；

确定接收的信号的协方差矩阵；

确定针对与应用GA的干扰信号上的干扰信号秩、预编码矩阵索引和功率有关的假定的似然度量；

确定最大化似然度量的假定并确定TPR；

确定秩是否为1；

如果秩不为1，则确定是否存在发射分集；

如果不存在发射分集，则确定秩为2；

如果秩为1，存在发射分集，或如果秩为2，则确定预编码矩阵索引；

返回对TPR、秩和预编码矩阵索引的确定，

其中，在一个小区特定参考信号CRS天线端口的情况下，似然度量为：

或

在两个CRS天线端口的情况下，似然度量为：

或

其中，

表示在一个CRS天线端口的情况下的似然度量，

表示在两个CRS天线端口的情况下的似然度量，

表示对于m＝S时从服务演进节点B(eNB)到用户设备UE的有效信道矩阵和对于m＝I时从干扰小区到UE的有效信道矩阵，其中，ρ_I表示干扰信号的TPR，

为l_m×1的传输信号矢量，l_m指示传输层的数量，n_k为具有协方差E{n_kn_k ^H}＝σ²I的加性白高斯噪声(AWGN)矢量，K为整数，|R_k(ρ_I)|表示矩阵

的行列式，

以及

|R_k(ρ_I，cmi)|表示矩阵

的行列式，其中，

和

则

为如下：

其中，cmi∈{0，1，2，3，4}，且cmi＝i，对于i∈{0，1，2，3}，与具有p＝i的预编码索引的秩1对应，而cmi＝4与秩2和SFBC对应，其中，针对cmi存在5个可能的假定，针对ρ_I存在3个可能的假定。

2.如权利要求1所述的方法，其中，在从接收的信号消除服务信号之后，确定关于接收的信号的协方差矩阵。

3.如权利要求1所述的方法，其中，针对至少一个小区特定参考信号CRS天线端口来确定秩、TPR和预编码矩阵索引的ML解。

4.如权利要求1所述的方法，其中，基于以下式子来识别针对秩2的接收的信号或消除服务信号的接收的信号的预编码矩阵索引：

和

其中，非线性运算f(.)具有E{f(β_k，I)}≠E{f(β_k，Q)}的属性，

其中，非线性运算f(.)包括f(β_k，I)＝|β_k，I|或f(β_k，I)＝|β_k，I|²，其中，预编码识别规则为：

5.一种设备，包括：

天线，用于接收包括服务信号和干扰信号的信号；

处理器，被配置为：对服务信号和干扰信号应用高斯近似GA，并联合地确定在应用GA的服务信号和应用GA的干扰信号上的秩、业务量导频比TPR和预编码矩阵索引的最大似然ML解；

其中，处理器还被配置为：确定接收的信号的协方差矩阵，

其中，处理器还被配置为：

确定针对与应用GA的干扰信号上的干扰信号秩、预编码矩阵索引和功率有关的假定的似然度量；

确定最大化似然度量的假定并确定TPR；

确定秩是否为1；

如果秩不为1，则确定是否存在发射分集；

如果不存在发射分集，则确定秩为2；

如果秩为1，存在发射分集，或如果秩为2，则确定预编码矩阵索引；

返回对TPR、秩和预编码矩阵索引的确定，

其中，处理器还被配置为：在一个小区特定参考信号CRS天线端口的情况下，确定从

或

选择的似然度量

在两个CRS天线端口的情况下，确定从

或

选择的似然度量

其中，

表示在一个CRS天线端口的情况下的似然度量，

表示在两个CRS天线端口的情况下的似然度量，

表示对于m＝S时从服务演进节点B(eNB)到用户设备UE的有效信道矩阵和对于m＝I时从干扰小区到UE的有效信道矩阵，其中，ρ_I表示干扰信号的TPR，

为l_m×1的传输信号矢量，l_m指示传输层的数量，n_k为具有协方差E{n_kn_k ^H}＝σ²I的加性白高斯噪声(AWGN)矢量，K为整数，|R_k(ρ_I)|表示矩阵

的行列式，

以及

|R_k(ρ_I，cmi)|表示矩阵

的行列式，其中，

和

则

为如下：

其中，cmi∈{0，1，2，3，4}，其中，针对cmi存在五个可能的假定，针对ρ_I存在三个可能的假定。

6.如权利要求5所述的设备，其中，处理器还被配置为：在从接收的信号消除服务信号之后，确定关于接收的信号的协方差矩阵。

7.如权利要求5所述的设备，其中，处理器还被配置为：针对至少一个小区特定参考信号CRS天线端口来确定秩、TPR和预编码矩阵索引的ML解。

8.如权利要求5所述的设备，其中，处理器还被配置为基于以下式子来识别秩2的接收的信号或消除服务信号的接收的信号的预编码矩阵索引：

和

其中，非线性运算f(.)具有E{f(β_k，I)}≠E{f(β_k，Q)}的属性，

其中，非线性运算f(.)包括f(β_k，I)＝|β_k，I|或f(β_k，I)＝|β_k，I|²，其中，预编码识别规则为：

Images