CN107248876A - 基于稀疏贝叶斯学习的广义空间调制符号检测方法 - Google Patents

Abstract

本发明公开了一种基于稀疏贝叶斯学习的广义空间调制符号检测方法，包括：对MIMO系统广义空间调制建立数学模型，其中，所述数学模型中发射信号建模为输入向量x，接收信号建模为输出向量y，其中，假设x、y服从多元高斯分布先验；对所述数学模型应用快速稀疏贝叶斯学习算法，得出关于x的方差的损失函数，并对所述损失函数按照预设方式进行处理迭代，以得到最小化损失函数；针对广义空间调制符号的整数性质，对所述快速稀疏贝叶斯学习算法的参数进行调整，以估算x的方差出现的范围。本发明具有如下优点：应用新的压缩感知算法，提高现有广义空间调制中调制符号检测技术的准确率与效率。

Description

基于稀疏贝叶斯学习的广义空间调制符号检测方法

技术领域

本发明涉及数字信号传输技术领域，特别涉及一种基于稀疏贝叶斯学习的广义空间调制符号检测方法。

背景技术

多入多出(Multiple-Input Multiple-Output，MIMO)系统是一个发射端与接收端均配置有多根天线的通信系统。它能充分利用空间资源，通过多个发射和接收天线实现多发、多收。MIMO能够提供多个相互独立的信道，在同一空间内同时传送多路数据，即空间复用增益，从而提高信道容量。而且可以利用多天线来同时传送并行数据流，从而抑制信道衰落，降低误码率。MIMO通信技术包括空分复用、空间分集、波束赋形、预编码等领域。MIMO技术能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，显示出明显的优势。被视为下一代移动通信(5G)的核心技术。

在MIMO中，受功率所限，无法做到同时使用全部的发射天线发送信号，因而产生了空间调制技术。空间调制是一种通过对发射天线序列编码增加传输量的技术，从不同发射天线发出的信号蕴含不同的信息，从而提高了传输效率。传输过程可视为原发送信号乘以一个矩阵再加上噪声信号构成接受信号。然而，在这种情况下如何有效地从接受信号中获取原传输信号则是亟待解决的问题。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种基于稀疏贝叶斯学习的广义空间调制符号检测方法，提高现有广义空间调制中调制符号检测技术的准确率与效率。

为了实现上述目的，本发明的实施例公开了一种基于稀疏贝叶斯学习的广义空间调制符号检测方法，包括以下步骤：S1：对MIMO系统广义空间调制建立数学模型，其中，所述数学模型中发射信号建模为输入向量x，接收信号建模为输出向量y，其中，假设x、y服从多元高斯分布先验；S2：对所述数学模型应用快速稀疏贝叶斯学习算法，得出关于x的方差的损失函数，并对所述损失函数按照预设方式进行处理迭代，以得到最小化损失函数；S3：针对广义空间调制符号的整数性质，对所述快速稀疏贝叶斯学习算法的参数进行调整，以估算x的方差出现的范围。

进一步地，在步骤S2中，对所述损失函数按照预设方式进行处理迭代进一步包括：对所述损失函数取对数后求导、分离变量，求得最小值，更不断进行迭代更新，以得到最小化损失函数。

进一步地，步骤S2进一步包括：S201：计算得损失函数，随机初始化x中各元素的方差；S202：在损失函数中分离与x的某一元素的方差，并对所述损失函数求导得到所述元素的方差分量的最优值；S203：若所述最优值存在且所述元素仍在所述数学模型内，则更新所述元素的估计方差值；若所述最优值存在且所述元素不在所述数学模型内，则将所述元素重新加回模型；若所述最优值不存在且所述元素仍在所述数学模型内，则将所述元素剔除出模型；S204：重复步骤S201-S203直至收敛。

根据本发明实施例的基于稀疏贝叶斯学习的广义空间调制符号检测方法，最大化恢复信号的后验概率，提高现有广义空间调制中调制符号检测技术的准确率与效率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明实施例的基于稀疏贝叶斯学习的广义空间调制符号检测方法的流程图；

图2是发明一个实施例与其他算法在64根发射天线、32根接受天线、2根活跃天线和12根发射天线、14根接收天线、2根活跃天线的MIMO广义空间调制情况下的误符号率与信噪比的关系仿真对比图；

图3是根据本发明一个实施例与其他算法在时间消耗随天线数增长的方面的仿真对比图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述本发明。

图1是本发明实施例的基于稀疏贝叶斯学习的广义空间调制符号检测方法的流程图。如图1所示，根据本发明实施例的基于稀疏贝叶斯学习的广义空间调制符号检测方法，包括以下步骤：

S1：对MIMO系统广义空间调制建立数学模型，其中，数学模型中发射信号建模为输入向量x，接收信号建模为输出向量y，其中，假设x、y服从多元高斯分布先验。

在本发明的一个实施例中，将空间调制符号从复数域转化为实数域，将噪声建模为0平均的高斯分布，信道建模为时不变的矩阵H,发射信号建模为输入向量x，接收信号建模为输出向量y。假设x、y服从多元高斯分布先验，得出其概率分布与x的方差的关系。

S2：对数学模型应用快速稀疏贝叶斯学习算法，得出关于x的方差的损失函数，并对损失函数按照预设方式进行处理迭代，以得到最小化损失函数。

在本发明的一个实施例中，对损失函数按照预设方式进行处理迭代进一步包括：对损失函数取对数后求导、分离变量，求得最小值，更不断进行迭代更新，以得到最小化损失函数。

在本发明的一个实施例中，步骤S2进一步包括：

S201：计算得损失函数，随机初始化x中各元素的方差；

S202：在损失函数中分离与x的某一元素的方差，并对损失函数求导得到元素的方差分量的最优值；

S203：若最优值存在且元素仍在数学模型内，则更新元素的估计方差值；

若最优值存在且元素不在数学模型内，则将元素重新加回模型；

若最优值不存在且元素仍在数学模型内，则将元素剔除出模型；

S204：重复步骤S201-S203直至收敛。

本发明实施例采用的稀疏贝叶斯学习算法和传统稀疏贝叶斯学习算法的区别在于：传统稀疏贝叶斯学习算法依靠EM算法进行优化，效率和准确度较低。本方法则直接寻找函数关于某单个方差的最小值点并进行更新，效率和准确度均有提高。

S3：针对广义空间调制符号的整数性质，对快速稀疏贝叶斯学习算法的参数进行调整，以估算x的方差出现的范围。

在本发明的一个实施例中，针对信噪比和估计的信道对快速稀疏贝叶斯学习算法的参数进行调整，估算其方差可能出现的范围，使之收敛更快、准确率更高。

为使本领域技术人员进一步理解本发明，将通过以下实施例进行详细说明。

本实施例具体公开一种可应用在MIMO系统中的基于稀疏贝叶斯学习算法的广义空间调制符号检测方法，该方法包括：

S1：对MIMO系统广义空间调制建立数学模型。

本发明中的MIMO系统广义空间调制模型如下：将噪声建模为0平均的高斯分布，信道建模为时不变的矩阵H,发射信号建模为输入向量x，接收信号建模为输出向量y，可得

其中

将复数矩阵展开成为实数矩阵，可得

其中

S2：引入快速稀疏贝叶斯学习算法，将其应用于广义空间调制的符号检测中，具体为：

在S1中，认为和服从多元高斯分布，记的逆方差为噪声方差为σ²，则有：

由贝叶斯法则和后验概率公式可得给定α之后，有：

这同样是高斯分布，均值和方差分别为：

∑＝(A+σ^-2Φ^TΦ)^-1

μ＝σ^-2∑Φ^Tt

其中A为对角线元素为的对角阵。

通过它，可以得到目标损失函数的对数表示：

其中

C_-i是C中去掉α_i之后的矩阵，由此将α_i从中独立出来，可以对其进行求导运算。得到迭代的公式如下:

其中

S3：针对广义空间调制的整数性质，对快速稀疏贝叶斯学习算法进行优化，具体为：

在广义空间调制中，x的值只是特定的若干整数。利用这个条件，可以调整稀疏贝叶斯学习算法的参数，进一步提高其效率。在QPSK中，接收信号x的各个分量只能是{-a,0,a}三个值，因此可以根据已知的信噪比估计接收信号各个分量的范围。记 为MMSE算法的估计矩阵。则有：

因此可以得到x分量上的噪声约为：

考虑高斯分布的性质，可以认为x的分布范围为此处k为关于估计噪声的准确度的参数。如果逆方差则将该元素从模型中删除。由于在S2中仍有步骤可以将其加回模型，故这样的删除是合理的。

图2是本算法与其他算法在64根发射天线、32根接受天线、2根活跃天线和12根发射天线、14根接收天线、2根活跃天线的MIMO广义空间调制情况下的误符号率与信噪比的关系仿真对比图。图3是本算法与其他算法在时间消耗随天线数增长的方面的仿真对比图。可以看出，本发明的基于稀疏贝叶斯学习的广义空间调制符号检测方法在准确率和时间复杂度上均具有明显优势。

另外，本发明实施例的基于稀疏贝叶斯学习的广义空间调制符号检测方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (3)

1.一种基于稀疏贝叶斯学习的广义空间调制符号检测方法，其特征在于，包括以下步骤：

S1：对MIMO系统广义空间调制建立数学模型，其中，所述数学模型中发射信号建模为输入向量x，接收信号建模为输出向量y，其中，假设x、y服从多元高斯分布先验；

S2：对所述数学模型应用快速稀疏贝叶斯学习算法，得出关于x的方差的损失函数，并对所述损失函数按照预设方式进行处理迭代，以得到最小化损失函数；

S3：针对广义空间调制符号的整数性质，对所述快速稀疏贝叶斯学习算法的参数进行调整，以估算x的方差出现的范围。

2.根据权利要求1所述的基于稀疏贝叶斯学习的广义空间调制符号检测方法，其特征在于，在步骤S2中，对所述损失函数按照预设方式进行处理迭代进一步包括：

对所述损失函数取对数后求导、分离变量，求得最小值，更不断进行迭代更新，以得到最小化损失函数。

3.根据权利要求2所述的基于稀疏贝叶斯学习的广义空间调制符号检测方法，其特征在于，步骤S2进一步包括：

S201：计算得损失函数，随机初始化x中各元素的方差；

S202：在损失函数中分离与x的某一元素的方差，并对所述损失函数求导得到所述元素的方差分量的最优值；

S203：若所述最优值存在且所述元素仍在所述数学模型内，则更新所述元素的估计方差值；

若所述最优值存在且所述元素不在所述数学模型内，则将所述元素重新加回模型；

若所述最优值不存在且所述元素仍在所述数学模型内，则将所述元素剔除出模型；

S204：重复步骤S201-S203直至收敛。