CN108449120B - 一种基于差分度量低复杂度qam-mimo检测方法 - Google Patents

Abstract

本发明公开了一种基于差分度量的低复杂度QAM‑MIMO检测方法，包括以下步骤：步骤1：根据已知的信道信息和接收信号向量确定接收端初始序列，并计算出接收端初始序列中每一位信号的一阶差分函数和上边界函数；步骤2：利用接收端初始序列中每一位信号的上边界函数值确定信号所在位置是否为ML位；步骤3：获取检测序列；通过本发明提出的ML概率函数计算初始序列中未确定位置成为ML位的概率，将最有可能对应的位置置为ML，并更新其余未确定位置的上边界函数，以获得更多的ML位；本方法创造性的提出了ML概率函数，解决了现有技术在预处理时确定ML位数较少的问题，以牺牲少量性能有效地降低了复杂度。

Description

一种基于差分度量低复杂度QAM-MIMO检测方法

技术领域

本发明涉及无线通信中的信号处理技术领域，尤其涉及一种基于差分度量低复杂度QAM-MIMO检测方法。

背景技术

多输入多输出(Multiple Input Multiple Output，MIMO)技术是第四代移动通信系统中核心技术之一，它极大地提升了系统容量和传输速率，充分地利用频谱资源，同时又能够实现多路数据并行传输和保证通信的可靠性。MIMO信号检测是从混叠的MIMO接收信号中最大可能地恢复出发射信号，其检测性能好坏和复杂度高低决定了MIMO通信系统的未来和发展前景，无可避免地成为第五代移动通信系统研究的重点。

MIMO检测分为线性检测和非线性检测，线性检测算法包括迫零算法和最小均方差算法，其特点是需要对信道矩阵求逆，复杂度较低，检测性能比较差。非线性检测算法包括球形译码检测和K-BEST检测算法等，其特点是需要对信道矩阵进行QR分解，球形译码检测能够取得最大似然检测性能，但是其计算复杂度随着信噪比的降低显著增加，使算法可实施性大打折扣。最近提出的基于差分度量的最大似然检测算法与传统的检测算法不同，主要特点是只需要固定次数的乘法运算和简单的加法运算，不需要对信道矩阵求逆或者QR分解，并且也能取得最大似然检测性能，当采用N-QAM高阶调制时，由于该算法属于比特级检测算法，导致需要确定的位置数成倍增加，这一特点导致算法高复杂度，使得该算法在工程上实现实时处理十分困难。

发明内容

针对上述问题，本发明提出了一种基于差分度量低复杂度QAM-MIMO检测方法，针对在基于差分度量的检测算法的预处理过程后存在大量未确定位置这一问题，将信道信息和接收信息充分考虑，提出了未确定位置成为ML位概率函数以增加确定的ML位数，从而有效地减小了树搜索的节点数和算法复杂度，以牺牲少量的检测性能来使算法计算复杂度大幅降低，使得该算法在工程上可以实现实时处理。

一种基于差分度量低复杂度QAM-MIMO检测方法，包括以下步骤：

步骤1：根据已知的信道信息和接收信号向量确定接收端初始序列，并计算出接收端初始序列中每一位信号的一阶差分函数和上边界函数；

所述接收端初始序列s0是依据现有技术中的方法确定，即s0中各信号取值由向量[y^TH_q]中各元素符号确定，且信号取值为1或者-1，如果[y^TH_q]_k＞0，则[s₀]_k＝1，相反则[s₀]_k＝-1；其中，y和H_q分别表示接收信号向量和MIMO系统的信道冲击响应矩阵。

步骤2：利用接收端初始序列中每一位信号的上边界函数值确定信号所在位置是否为ML位；

步骤2.1：将上边界函数值为负数的信号所在位置作为ML位，再利用新增的ML位更新未被确定为ML位的信号上边界函数；再次利用更新后信号上边界函数确定是否产生新的ML位，如果有新的ML位产生，则继续更新未被确定为ML位的信号上边界函数，以此往复，直到没有新的ML位被确定；

步骤2.2：利用ML位概率函数再次确定新的ML位；

利用ML位概率函数计算未被确定为ML位的信号所在位置的ML位概率，并且从中选择ML位概率最大的位置作为新增的ML位，并返回步骤2.1，利用新增ML位继续更新未被确定为ML位的信号的上边界函数；

步骤3：获取检测序列；

如果经过步骤2后，接收端初始序列中所有信号均为ML位，则直接输出接收端初始序列为最终检测序列，否则，对未被确定为ML位的信号所在位置进行带判决条件的深度优先遍历搜索，并计算每条合格路径的累积度量值，在所有合格路径中选择最大累积度量值对应的路径作为最优路径，根据最优路径调整接收端初始序列后，得到最终检测序列；

所述对未被确定为ML位的信号所在位置进行带判决条件的深度优先遍历搜索是指依次假设所有未被确定为ML位的信号所在位置分别为ML位和nML位，并利用假设新增的ML位或nML位更新其余未被确定的信号上边界函数，将所有未被确定为ML为的信号所在位置均被被假设后，以所有未被确定为ML位的信号所在位置的一种假设属性集合作为一条路径，若一条路径中所有被假设为ML位和nML位的上边界函数分别为负数和正数，则对应路径称为合格路径。

在带判决条件的深度优先搜索中，某个信号所在位置有可能被假设为最大似然(ML)位和非最大似然(nML)位：

当第k位被假设为ML位时，需要对其他未确定位置的上边界函数进行更新，更新准则如下：

计算假设确定位置与更新位置之间的更新系数(-8)[K]_kl，如果(-8)[K]_kl＞0，则将更新位置第l位的上边界函数值减去(-8)[K]_kl，相反则保持其上边界函数值不变。

当第k位被假设为nML位时，需要对其他未确定位置的上边界函数进行更新，更新准则如下：

计算假设确定位置与更新位置之间的更新系数(-8)[K]_kl，如果(-8)[K]_kl＜0，则将更新位置第l位的上边界函数值加上(-8)[K]_kl，相反则保持其上边界函数值不变。

在带判决条件的深度优先遍历搜索中，有两种判决条件能提高搜索效率，去掉一些不必要的路径搜索。当搜索一条路径时，其具体准则如下：

(1)如果搜索到第k位时，经过前面节点确定属性而更新第k位的上边界函数δ_ub(k)后，如果此时δ_ub(k)＜0，那么在当前这条路径的搜索过程中，未确定位置第k位只能被假设为ML位。

(2)如果搜索到第k位时，在前面有未确定位置中第l位(l＜k)被假设为nML位，但经过确定第k位属性后，对第l位的上边界函数δ_ub(l)更新，此时如果有δ_ub(l)＜0，则说明这条路径假设错误，应该立即停止搜索。

如果一条路径搜索到尖端节点时，经过尖端节点位置确定的更新后，这条路径所假设的位置需要满足以下公式，才能成为一条合格的路径：

δ_ub(q)＞0 if q∈Γ

其中，Γ代表nML位的集合，当某一位被假设为ML位时，在这条路径搜索完后，这一位的上边界函数必须小于零，当某一位被假设为nML位时，在这条路径搜索完后，这一位的上边界函数必须大于零。

当合格路径搜索完成时，需要计算这条合格路径的累积度量值。

进一步地，所述利用ML位概率函数再次确定新的ML位的过程如下：

计算每一位未被确定为ML位的信号的ML位概率函数，从中选择ML位概率函数最小值所对应的信号所在位置成为新的ML位，并利用新增的ML位更新未被确定为ML位的信号上边界函数；再次利用更新后信号上边界函数确定是否产生新的ML位，如果有新的ML位产生，则继续更新未被确定为ML位的信号上边界函数，以此往复，直到没有新的ML位被确定。

进一步地，所述计算每一位未被确定为ML位的信号所在位置成为ML位概率函数按以下公式计算获得：

其中，p(k)表示接收端初始序列中第k位信号的ML概率函数，δ_ub(k)表示接收端初始序列中第k位信号的上边界函数，U表示未被确定为ML位的信号所在位置集合，|·|表示取绝对值操作，

表示MIMO系统中的等效信道矩阵的转置与等效信道矩阵相乘后第k行第l列的元素。

进一步地，所述利用新增ML位更新未被确定为ML位的信号上边界函数的过程如下：

利用新增为ML位的信号，依次对所有未被确定为ML位信号上边界函数进行更新：若-8[K_q]_kl＞0，则第l位的信号上边界函数值减去-8[K_q]_kl，否则，第l位的信号上边界函数不变；

其中，新增为ML位的信号位于接收端初始序列中第k位，-8[K_q]_kl为未被确定为ML位的位于接收端初始序列中第l位的信号更新系数，

H_q表示MIMO系统的信道冲击响应矩阵，[s₀]_k和[s₀]_l分别表示接收端初始序列中第k位和第l位的取值，

表示MIMO系统中的等效信道矩阵的转置与等效信道矩阵相乘后第k行第l列的元素。

进一步地，所述接收端初始序列中每一个信号所在位置计算其一阶差分函数值和上边界函数值按照以下的公式计算获得：

其中，Δ(k)和δ_ub(k)分别代表所述接收端初始序列中第k位信号的一阶差分函数值和上边界函数值，k代表在接收端初始序列中第k个位置，M代表发射天线数的两倍；

若采用N-QAM调制，N代表星座图中符号数，则接收端初始序列一共有

个位置；

采用16-QAM调制，接收端初始序列共有2M个位置，y和H_q分别表示接收信号向量和MIMO系统的信道冲击响应矩阵，[y^TH_q]_k表示一维向量[y^TH_q]中第k个元素，

表示MIMO系统中的等效信道矩阵的转置与等效信道矩阵相乘后第k行第l列的元素，s₀代表接收端初始序列，s₀中各信号取值由向量[y^TH_q]中各元素符号确定，且信号取值为1或者-1，如果[y^TH_q]_k＞0，则[s₀]_k＝1，相反则[s₀]_k＝-1；sgn()代表取符号函数，当sgn([s₀]_k)＞0，函数值为1，否则为-1；[λ]⁺代表取正函数，当λ＞0时，函数值为原值，相反函数值则为0。

进一步地，所述合格路径的累积度量值按以下计算获得：

其中，Δ(k)和δ_ub(k)表示接收端初始序列中第k位信号的一阶差分函数值和上边界函数值，Γ表示在接收端初始序列中确定为nML位的信号所在位置集合。

进一步地，所述根据最优路径调整接收端初始序列后，得到最终检测序列的过程如下：

若未确定位置集合中某一位信号被假设为ML位成立，则对应的初始序列中的信号符号保持不变；

若未确定位置集合中某一位信号被假设为nML位成立，对应的初始序列中的信号符号取反；

比如：如果[s₀]_k＝1时，则将[s₀]_k置为-1；如果[s₀]_k＝-1时，则将[s₀]_k置为1；

再将调整后的初始序列还原成16-QAM符号级的初始序列，获得最终检测序列。

有益效果

本发明提供了一种基于差分度量的低复杂度QAM-MIMO检测方法，包括以下步骤：步骤1：根据已知的信道信息和接收信号向量确定接收端初始序列，并计算出接收端初始序列中每一位信号的一阶差分函数和上边界函数；步骤2：利用接收端初始序列中每一位信号的上边界函数值确定信号所在位置是否为ML位；步骤3：获取检测序列；如果初始序列的位置全部被确定，则直接输出初始序列作为最终检测序列，相反则通过本发明提出的ML概率函数计算初始序列中未确定位置成为ML位的概率，将最有可能对应的位置置为ML，并更新其余未确定位置的上边界函数，以获得更多的ML位；本方法创造性的提出了ML概率函数，解决了现有技术在预处理时确定ML位数较少的问题，以牺牲少量性能有效地降低了复杂度，便于实际工程实施。

附图说明

图1为MIMO无线通信系统功能结构的简化框图；

图2为本发明提供的基于差分度量的低复杂度QAM-MIMO检测算法流程示意框图；

图3为本发明提供的基于差分度量的低复杂度QAM-MIMO检测算法与现有的基于差分度量的检测算法和传统检测算法下的性能曲线对比示意图；

图4为本发明提供的基于差分度量的低复杂度QAM-MIMO检测方法与现有的基于差分度量的检测算法在树搜索过程中平均搜索节点数曲线对比示意图；

图5为本发明提供的基于差分度量的低复杂度QAM-MIMO检测方法与现有的基于差分度量的检测算法计算复杂度曲线对比示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步地说明。

在本实例中MIMO系统采用16-QAM高阶调制，以4×4天线规模为例，系统框图如图1所示。

一种基于差分度量的低复杂度QAM-MIMO检测方法，具体流程图如图2所示，包括以下具体步骤：

步骤1：根据信道信息和接收信号确定初始序列，以及计算出初始序列中每一位的上边界函数，通过它确定初始序列的一些位置为最大似然(ML)位；

根据MIMO复数信号系统模型，如公式(1)所示，将其实数化处理，如公式(2)所示，得到等效的实数系统模型，如公式(3)所示；

y_c＝H_cs_c+v_c (1)

其中，y_c代表4×1维复接收信号向量，H_c代表4×4维复信道响应矩阵，其中的信道系数均满足复高斯分布，其均值为0，方差为1，s_c代表4×1维发送信号向量，v_c代表4×1维复加性高斯噪声向量，其中的噪声系数均满足复高斯分布，其均值为0，方差为

为噪声功率。

其中，Re{y_c}代表取复数的实部，Im{y_c}代表取复数的虚部。

y＝Hs+v (3)

其中，经过实数化操作后，y,s,v为8×1维实数向量，H是8×8维实数矩阵。

计算，y^TH后，根据1×8维的y^TH向量中每一个元素值确定1×8维的初始序列s₀，规则如公式(4)所示：

由公式(4)可知，初始序列s₀中的每一位只能在1和-1之间选择，而当MIMO系统采用16-QAM时，每个符号在-3,-1,1和3之间选择，所以需要将每个符号按照公式(5)转换，用两位来表示一个符号，当采用其他高阶调制时，同样也可以用类似的公式变型，但采用不同的调制时，变型公式不同。这里只用16-QAM举例，其他的不一一列举，如公式(5)所示：

s＝b₁(2+b₂)＝2b₁+b₁b₂＝2b₁+b'₂,b'₂＝b₁b₂ (5)

比如，当符号s＝-3时，对应的有b₁＝-1,b₂＝1，符号s＝1时，对应的有b₁＝1,b₂＝-1。

由于符号s的变型，同时也需要对系统模型进行变型。如公式(6)所示：

其中，H_q为变型的16×8维实数信道矩阵，H_q＝[2H H]，b为变型的16×1维实数发送信号向量，v为不变的加性实数噪声向量。

此时，确定初始序列s₀的y^TH_q变为，如公式(7)所示：

y^TH_q＝y^T[2H H]＝[2y^TH y^TH] (7)

以及确定初始序列s₀每一位的上边界函数还需要计算

和每一位的一阶差分函数，计算公式如公式(8)和公式(9)所示：

其中，

代表变型的实数化信道矩阵的转置。

其中，Δ(k)代表初始序列s₀中第k位的一阶差分函数值，令

sgn([s₀]_k)代表取符号函数，比如[s₀]_k＞0时，函数值为1，相反则取-1。

再计算初始序列s中第k位(0＜k≤16)的上边界函数，如公式(10)所示：

其中，δ_ub(k)代表初始序列s中第k位的上边界函数值，[(-8)[K]_kl]⁺代表取正值操作，比如如果(-8)[K]_kl＞0时，函数取原值，相反则取0。

在计算完每一位的上边界函数值δ_ub(k)(0＜k≤16)后，如果存在δ_ub(k)＜0，就可以将第k位确定为ML位，并且通过新增的ML位更新未确定位置的上边界函数值，如果更新后，有新的位置的上边界函数值由正变为负，则将这些位置确定为ML位，以此往复，直到没有新的ML位被确定。

更新规则如下：计算确定为ML位的第k位与未确定的第l位之间的更新系数(-8)[K]_kl，如果有(-8)[K]_kl＞0，则将第l位的上边界函数减去(-8)[K]_kl，相反则保持第l位的上边界函数不变。

通过每一位的上边界函数确定ML位后，如果此时不存在未确定的位置，则说明设置的初始序列中每一位与发送信号的每一位都相同，则直接输出初始序列作为最终检测序列。相反则利用本发明提出的ML概率函数计算未确定位置成为ML位的概率，计算公式如公式(11)所示：

其中，p(k)代表未确定位置集合中第k位成为ML位的概率，δ_ub(k)代表未确定位置集合中第k位的上边界函数，U代表未确定位置的集合，

代表取绝对值操作。

得到未确定位置成为ML位的概率后，从中选择概率较大的位置确定为ML位，同时根据上述的更新规则更新其余未确定位置的上边界函数，如果有新的ML位被确定，按照上述的更新原则更新，以此往复，直到没有新的ML位被确定。

通过计算ML位概率函数确定ML位及更新后，如果没有未确定位置存在，直接输出初始序列s₀为最终检测序列。相反则对未确定位置进行带判决条件的深度优先遍历搜索，每当搜索出一条合格的路径时，计算这条路径的累积度量值，在所有路径中选择最大累积度量所对应的路径作为最优路径，通过最优路径，调整初始序列s₀得到最终检测序列。

在带判决条件的深度优先搜索中，某个位置有可能被假设为最大似然(ML)位和非最大似然(nML)位，

当第k位被置为ML位时，需要对其他未确定位置的上边界函数进行更新，更新准则如下：

计算假设确定位置与更新位置之间的更新系数(-8)[K]_kl，如果(-8)[K]_kl＞0，则将更新位置第l位的上边界函数值减去(-8)[K]_kl，相反则保持其上边界函数值不变。

当第k位被置为nML位时，需要对其他未确定位置的上边界函数进行更新，更新准则如下：

计算假设确定位置与更新位置之间的更新系数(-8)[K]_kl，如果(-8)[K]_kl＜0，则将更新位置第l位的上边界函数值加上(-8)[K]_kl，相反则保持其上边界函数值不变。

在带判决条件的深度优先遍历搜索中，有两种判决条件能提高搜索效率，去掉一些不必要的路径搜索。当搜索一条路径时，其具体准则如下：

(1)如果搜索到第k位时，经过前面节点确定属性而更新第k位的上边界函数δ_ub(k)后，如果此时δ_ub(k)＜0，那么在当前这条路径的搜索过程中，未确定位置第k位只能被假设为ML位。

(2)如果搜索到第k位时，在前面有未确定位置中第l位(l＜k)被假设为nML位，但是经过确定第k位属性后，对第l位的上边界函数δ_ub(l)更新，此时如果有δ_ub(l)＜0，则说明这条路径假设错误，应该立即停止搜索。

其中在带判决条件的深度优先遍历搜索中，如果一条路径搜索到尖端节点时，经过尖端节点位置确定的更新后，这条路径所假设的位置需要满足公式(12)，才能成为一条合格的路径，准则如公式(12)所示：

其中Γ代表nML位的集合，当某一位被假设为ML位时，在这条路径搜索完后，这一位的上边界函数必须小于零，当某一位被假设为nML位时，在这条路径搜索完后，这一位的上边界函数必须大于零。

当满足公式(12)的合格路径搜索完成时，需要计算这条合格路径的累积度量值，计算公式如公式(13)所示：

其中Δ(Γ)代表这条合格路径的累积度量值，Γ代表nML位的集合。

当得到最优路径后，根据最优路径的情况，将初始序列s₀调整，具体调整规则如下：

若未确定位置集合中某一位信号被假设为ML位成立，则对应的初始序列中的信号符号保持不变；

若未确定位置集合中某一位信号被假设为nML位成立，对应的初始序列中的信号符号取反；

比如：如果[s₀]_k＝1时，则将[s₀]_k置为-1；如果[s₀]_k＝-1时，则将[s₀]_k置为1；

再将调整后的初始序列还原成16-QAM符号级的初始序列，获得最终检测序列。

图3是本发明的误比特率性能仿真结果图。图4是本发明的树搜索过程平均搜索节点数仿真结果图，图5是本发明的平均加法次数图。从图3中可以看出，相同条件下，与原有的基于差分度量的最大似然检测算法相比，如果本发明的预测函数每次只将一个位置置为ML位，那么性能几乎不会损失，从图4中可以看出，与原算法的平均搜索节点数相比，本发明比原算法每次平均少搜索400个节点。从图5中可以看出，与原算法的复杂度相比，本发明比原算法每次减小100次加法运算。如果本发明的预测函数每次将两个位置置为ML位，与原算法的性能相比，会损失2dB的误比特率性能，但从图4中可以看出，与原算法的平均搜索节点数相比，本发明比原算法每次平均少搜索1000个节点。从图5中可以看出，与原算法的复杂度相比，本发明比原算法每次减小200次加法运算。因此，本发明与原算法相比，本发明的确定一位改进算法在保证性能相同的情况下，有效地减小了算法复杂度。而如果对性能要求不高，本发明的确定二位改进算法在复杂度上十分有优势。

实施例只含4×4MIMO系统采用16QAM高阶调制的情况。当采用不同配置和不同N-QAM调制的MIMO系统，本发明同样能取得与实施例相同的效果。

从以上实施例可以看出，与基于差分度量的QAM-MIMO检测算法相比，在保证优异性能的前提下，本发明能够有效减小算法复杂度，更便于硬件电路实时实施。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于差分度量低复杂度QAM-MIMO检测方法，其特征在于，包括以下步骤：

步骤1：根据已知的信道信息和接收信号向量确定接收端初始序列，并计算出接收端初始序列中每一位信号的一阶差分函数和上边界函数；

步骤2：利用接收端初始序列中每一位信号的上边界函数值确定信号所在位置是否为最大似然(ML)位；

步骤2.1：将上边界函数值为负数的信号所在位置作为ML位，再利用新增的ML位更新未被确定为ML位的信号上边界函数；再次利用更新后信号上边界函数确定是否产生新的ML位，如果有新的ML位产生，则继续更新未被确定为ML位的信号上边界函数，以此往复，直到没有新的ML位被确定；

步骤2.2：利用ML位概率函数再次确定新的ML位；

利用ML位概率函数计算未被确定为ML位的信号所在位置的ML位概率，并且从中选择ML位概率最大的位置作为新增的ML位，并返回步骤2.1，利用新增ML位继续更新未被确定为ML位的信号的上边界函数；

步骤3：获取检测序列；

如果经过步骤2后，接收端初始序列中所有信号均为ML位，则直接输出接收端初始序列为最终检测序列，否则，对未被确定为ML位的信号所在位置进行带判决条件的深度优先遍历搜索，并计算每条合格路径的累积度量值，在所有合格路径中选择最大累积度量值对应的路径作为最优路径，根据最优路径调整接收端初始序列后，得到最终检测序列；

所述对未被确定为ML位的信号所在位置进行带判决条件的深度优先遍历搜索是指依次假设所有未被确定为ML位的信号所在位置分别为ML位和非最大似然(nML)位，并利用假设新增的ML位或nML位更新其余未被确定的信号上边界函数，将所有未被确定为ML位的信号所在位置均被假设后，以所有未被确定为ML位的信号所在位置的一种假设属性集合作为一条路径，若一条路径中所有被假设为ML位和nML位的上边界函数分别为负数和正数，则对应路径称为合格路径；

所述利用新增ML位更新未被确定为ML位的信号上边界函数的过程如下：

利用新增为ML位的信号，依次对所有未被确定为ML位信号上边界函数进行更新：若-8[K_q]_kl＞0，则第l位的信号上边界函数值减去-8[K_q]_kl，否则，第l位的信号上边界函数不变；

其中，新增为ML位的信号位于接收端初始序列中第k位，-8[K_q]_kl为未被确定为ML位的位于接收端初始序列中第l位的信号更新系数，

H_q表示MIMO系统的信道冲击响应矩阵，[s₀]_k和[s₀]_l分别表示接收端初始序列中第k位和第l位的取值，

表示MIMO系统中的等效信道矩阵的转置与等效信道矩阵相乘后第k行第l列的元素；

所述接收端初始序列中每一个信号所在位置计算其一阶差分函数值和上边界函数值按照以下的公式计算获得：

其中，Δ(k)和δ_ub(k)分别代表所述接收端初始序列中第k位信号的一阶差分函数值和上边界函数值，k代表在接收端初始序列中第k个位置，M代表发射天线数的两倍；

采用16-QAM调制，接收端初始序列共有2M个位置，y和H_q分别表示接收信号向量和MIMO系统的信道冲击响应矩阵，[y^TH_q]_k表示一维向量[y^TH_q]中第k个元素，

表示MIMO系统中的等效信道矩阵的转置与等效信道矩阵相乘后第k行第l列的元素，s₀代表接收端初始序列，s₀中各信号取值由向量[y^TH_q]中各元素符号确定，且信号取值为1或者-1，如果[y^TH_q]_k＞0，则[s₀]_k＝1，相反则[s₀]_k＝-1；sgn()代表取符号函数，当sgn([s₀]_k)＞0，函数值为1，否则为-1；[λ]⁺代表取正函数，当λ＞0时，函数值为原值，相反函数值则为0；

所述合格路径的累积度量值按以下计算获得：

其中，Δ(k)和δ_ub(k)表示接收端初始序列中第k位信号的一阶差分函数值和上边界函数值，Γ表示在接收端初始序列中确定为nML位的信号所在位置集合。

2.根据权利要求1所述的方法，其特征在于，所述利用ML位概率函数再次确定新的ML位的过程如下：

计算每一位未被确定为ML位的信号的ML位概率函数，从中选择ML位概率函数最小值所对应的信号所在位置成为新的ML位，并利用新增的ML位更新未被确定为ML位的信号上边界函数；再次利用更新后信号上边界函数确定是否产生新的ML位，如果有新的ML位产生，则继续更新未被确定为ML位的信号上边界函数，以此往复，直到没有新的ML位被确定。

3.根据权利要求2所述的方法，其特征在于，所述计算每一位未被确定为ML位的信号所在位置成为ML位概率函数按以下公式计算获得：

其中，p(k)表示接收端初始序列中第k位信号的ML概率函数，δ_ub(k)表示接收端初始序列中第k位信号的上边界函数，U表示未被确定为ML位的信号所在位置集合，|·|表示取绝对值操作，

表示MIMO系统中的等效信道矩阵的转置与等效信道矩阵相乘后第k行第l列的元素。

4.根据权利要求1所述的方法，其特征在于，所述根据最优路径调整接收端初始序列后，得到最终检测序列的过程如下：

若未确定位置集合中某一位信号被假设为ML位成立，则对应的初始序列中的信号符号保持不变；

若未确定位置集合中某一位信号被假设为nML位成立，对应的初始序列中的信号符号取反；

再将调整后的初始序列还原成16-QAM符号级的初始序列，获得最终检测序列。

Images