CN108736934A - 一种高效的大规模mimo系统信号检测方法 - Google Patents
一种高效的大规模mimo系统信号检测方法 Download PDFInfo
- Publication number
- CN108736934A CN108736934A CN201810479160.7A CN201810479160A CN108736934A CN 108736934 A CN108736934 A CN 108736934A CN 201810479160 A CN201810479160 A CN 201810479160A CN 108736934 A CN108736934 A CN 108736934A
- Authority
- CN
- China
- Prior art keywords
- detection
- signal
- matrix
- iteration
- mimo system
- 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.)
- Granted
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种高效的大规模MIMO系统信号检测方法,包括以下过程:S1:根据理想信道的信道响应矩阵H和接收信号y,构造MMSE检测模型、检测矩阵A以及检测向量S2:根据最陡下降算法与BB算法结合设计出的SDBB算法对接收端匹配滤波器输出的接收信号矩阵进行检测,以得到发射信号估计值。本发明综合考虑到了高性能与低复杂度这一对矛盾关系。本发明与现有迭代检测方法相比适用于不断扩大的系统规模,在恶劣条件下(用户终端数目很大时)仍能保持低信噪比下的低误码率,更加满足下一代移动通信对于检测技术的要求。
Description
技术领域
本发明涉及无线通信技术,特别是涉及一种高效的大规模MIMO系统信号检测方法。
背景技术
大规模多输入多输出(MIMO)已成为下一代移动通信中的关键技术和目前移动通信领域的热门话题[1]。与在第四代通信系统技术(4G-LTE)[2-3]中仅允许基站最多配备8根天线的小规模MIMO不同,大规模MIMO系统的特征在于基站端和用户终端均可有数百根天线。这样的大规模天线阵列有助于获得更高的频谱效率、更少的发射功率、更快的数据速率和更稳定的链路连接[4]。因此,大规模MIMO系统被认为是未来无线通信的基础设施之一。
虽然大规模MIMO系统提高了无线通信的容量和可靠性,但是它也意味着更复杂的配置,这对于数据检测来说是棘手的。随着用户和基站端天线数目的增加,依赖于最大似然(ML)准则或最大后验(MAP)准则的最优检测方法复杂度将成指数增长,限制了它们的实际应用。为了降低相关计算复杂度,许多线性检测方案被相继提出。其中,迫零(ZF)和最小均方误差(MMSE)方法都是性能接近最优的选择,但它们仍然包含直接矩阵求逆运算[5],复杂度高达O(U3),其中U为单天线用户数。
为了避免线性检测器的主要复杂度的来源——矩阵求逆运算,研究人员开始求助于近似方法或迭代方法。近似方法包括诺伊曼级数展开方法[6]。虽然该算法不需要直接计算矩阵的逆,但当级数展开项数大于2时,计算复杂度将与直接求逆无异。此外,当用户数量增加时,NSE方法与精确MMSE方法之间的性能差距将大大扩展。考虑到它的复杂性和收敛性问题,另一种无需直接求逆的方法是迭代法。这种方法在计算中的优势是显而易见的,例如,最陡下降法(Steepest Descent,SD)检测器[7]可以在用户数量为16或更少时,达到不错的性能同时大大降低计算量使其变为O(U2)。但这种方法的鲁棒性不能保证,随着用户数量的增长,收敛性急剧变差。许多文献针对这一现象,引入了不同的预处理器[8]以期获得更好的结果。然而,即使是最简单的预处理过程也伴随着额外的计算,增加了硬件设计的难度,违背了这种方法的初衷。
发明内容
发明目的:本发明的目的是提供一种能够解决现有技术中存在的缺陷的高效的大规模MIMO系统信号检测方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的高效的大规模MIMO系统信号检测方法,包括以下过程:
S1:根据理想信道的信道响应矩阵H和接收信号y,构造MMSE检测模型、检测矩阵A以及检测向量
S2:根据最陡下降算法与BB算法结合设计出的SDBB算法对接收端匹配滤波器输出的接收信号矩阵进行检测,以得到发射信号估计值。
进一步,所述检测矩阵A如式(1)所示,检测向量如式(2)所示:
A=HHH+σ2I (1)
其中,σ2为信号在空间传播过程中加入的高斯白噪声的方差,I表示U×U的单位矩阵,U为一个单蜂窝的上行链路情形里单天线用户的天线数目;
根据MMSE检测模型,发射信号可以表示为
进一步,所述步骤S2包括以下过程:
S2.1:初始化: 为估计符号的初始值;
S2.2:设置迭代总次数K,令迭代计数器k=0;
S2.3:按照下式计算:
式(3)中,为第k次迭代时的检测向量,为第k次迭代时的经过SDBB检测后的估计符号的初始值,为第k+1次迭代时的经过SDBB检测后的估计符号的初始值;
S2.4:令k=k+1,并返回至步骤S2.3,直至迭代到预设次数K为止,则为发射信号矩阵估计值
有益效果:本发明公开了一种高效的大规模MIMO系统信号检测方法,与现有技术相比,具有如下的有益效果:
1)综合考虑到了高性能与低复杂度这一对矛盾关系。从多个角度平衡:首先,迭代部分选用BB方法研究,它每一步迭代比另一种迭代方法共轭梯度法(Conjugate Gradient,CG)复杂度低的多,而与SD方法相比又有更好的性能;其次,为了减小BB所需要的存储空间同时提高收敛速率,将其与低复杂度的SD结合得到SDBB算法;
2)本发明与现有迭代检测方法相比适用于不断扩大的系统规模,在恶劣条件下(用户终端数目很大时)仍能保持低信噪比下的低误码率,更加满足下一代移动通信对于检测技术的要求。
附图说明
图1是本发明具体实施方式中方法的示意图;
图2是基站端天线数和用户端天线数分别为128和32时,本发明方法所基于的BB检测结果与传统SD方法和乔里斯基直接求逆法的误码率表现比较图;
图3是基站端天线数和用户端天线数分别为128和16时,本发明方法与传统SD方法、含预处理的SPCG方法以及乔里斯基直接求逆法的误码率表现比较图;
图4是基站端天线数和用户端天线数分别为128和32时,本发明方法与传统SD方法、含预处理的SPCG方法以及乔里斯基直接求逆法的误码率表现比较图;
图5是在用户端天线数和基站端天线数数目比ρ变化时,本发明与传统SD方法、含预处理的SPCG方法以及乔里斯基直接求逆法的误码率表现比较图;
图6是本发明与传统SD方法、含预处理的SPCG方法的复杂度对比图;
图7是本发明与传统SD方法、含预处理的SPCG方法的误码率表现/复杂度折中对比图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种高效的大规模MIMO系统信号检测方法,包括以下过程:
S1:根据理想信道的信道响应矩阵H和接收信号y,构造MMSE检测模型、检测矩阵A以及检测向量其中,接收信号y如式(1)所示;
y=Hs+n (1)
式(1)中,信道响应矩阵H是B×U维的复矩阵,称为平坦瑞利衰落信道矩阵,B为一个单蜂窝的上行链路情形里基站端的天线数目,s为发射信号,向量n是每一项服从均值为0,方差为σ2的加性高斯白噪声,σ2为信号在空间传播过程中加入的高斯白噪声的方差;
S2:根据最陡下降算法与BB算法结合设计出的SDBB算法对接收端匹配滤波器输出的接收信号矩阵进行检测,以得到发射信号估计值。
检测矩阵A如式(2)所示,检测向量如式(3)所示:
A=HHH+σ2I (2)
其中,I表示U×U的单位矩阵,U为一个单蜂窝的上行链路情形里单天线用户的天线数目;
根据MMSE检测模型,发射信号可以表示为
步骤S2包括以下过程:
S2.1:初始化: 为估计符号的初始值;
S2.2:设置迭代总次数K,令迭代计数器k=0;
S2.3:按照下式计算:
式(5)中,为第k次迭代时的检测向量,为第k次迭代时的经过SDBB检测后的估计符号的初始值,为第k+1次迭代时的经过SDBB检测后的估计符号的初始值;
S2.4:令k=k+1,并返回至步骤S2.3,直至迭代到预设次数K为止,则为发射信号矩阵估计值
下面介绍一下为何要采用SDBB算法:
传统的最陡下降算法(SD)可以应用于求解具体的迭代过程如下:
上述迭代算法中,和分别表示表示经过k步迭代后,和的值。经过合理的初值设置,可以将上述算法运用于大规模MIMO信号检测中。在用户数量为16或更少时,可以达到不错的性能。但是,随着用户端天线数目U的不断增加,该迭代算法的收敛性变差,使得计算结果所需的迭代次数大大增加,这额外地增加了计算的复杂度。一些文献针对这一现象,引入了不同的预处理器例如SP,以期获得更好的结果。然而,即使是最简单的预处理过程也伴随着额外的计算,增加了硬件设计的难度,违背了这种方法的初衷。
与SD算法类似的,有一种迭代算法Barzilai-Borwein(BB),它不需要像SD一样通过线搜索来确定每步的迭代步长,是一种拟牛顿算法。这种方法从未用于过大规模MIMO系统的信号检测。数学上可以证明,它克服了SD在病态条件下收敛速度慢的缺点。当迭代次数大时,这种优点是明显的。具体来说,它的迭代过程可以表示如下:
也就是说,如果把SD第k次迭代时的步长看做tk,则BB的为tk-1。无疑,这两种方案的计算复杂度相似,都不大,而BB具有更好的性能,可以用来代替SD做检测。然而,尽管BB方法的性能上优于SD,仍有一些缺陷有待完善。首先,即使迭代次数很大,仿真结果图2显示,BB和理想Cholesky分解结果差距仍很多。其次,由于BB的第k次迭代需要和的结果,与SD相比,在相同的计算复杂度下BB将占用更多的存储空间。
为此,考虑到BB和SD迭代形式的相似性,可以将它们相互结合诱导出SDBB方法,从而实现大规模MIMO系统信号检测过程复杂度与检测结果的平衡。具体来说,先用SD方法对做一步迭代,然后紧接着用BB再做一次,从而使SDBB的一步迭代达到SD+BB的效果,这无疑会大大提高检测的性能。而且,经过这样的变换,整理后可以发现,第k次迭代时不再需要记住之前的结果,优化了原先的BB算法,节约了存储空间。详细的算法可见图1。
最后对本实施例的方法与经典SD方法、含预处理的SPCG方法以及乔里斯基直接求逆法进行对比,结果如图3、4、5、6、7和表1所示。
表1
从图3、4、5中可以看出,本发明在各种用户天线数下都能取得与乔里斯基直接求逆法较为接近的误码率表现;2次迭代结果优于SD算法的4次迭代结果;在用户数为32,基站天线为128,误码率为10-3时与SPCG方法相比有超过2dB的增益。不同系统负载情况中,本发明与SPCG在低负载下表现接近,但是在中负载和高负载情况下本发明都要优于SPCG。
表1的计算复杂度(这里只考虑所需要计算的复数乘法)对比显示,本发明的计算复杂度中由于不含U3项,相较直接求逆大大降低。这里的K表示选取的迭代次数。图6在基站端天线数和信噪比分别为128和10dB时,对剩余的迭代方法进行仿真,显然本发明要比SPCG复杂度低,虽然较SD复杂度略高,但考虑到SD的性能问题,本发明仍然具有优越性。
图7展示了三种迭代方法性能与复杂度折中情况,图中越靠近左下角,说明平衡效果越好,显然本发明具有最好的折中效果。
Claims (3)
1.一种高效的大规模MIMO系统信号检测方法,其特征在于:包括以下过程:
S1:根据理想信道的信道响应矩阵H和接收信号y,构造MMSE检测模型、检测矩阵A以及检测向量
S2:根据最陡下降算法与BB算法结合设计出的SDBB算法对接收端匹配滤波器输出的接收信号矩阵进行检测,以得到发射信号估计值。
2.根据权利要求1所述的高效的大规模MIMO系统信号检测方法,其特征在于:所述检测矩阵A如式(1)所示,检测向量如式(2)所示:
A=HHH+σ2I (1)
其中,σ2为信号在空间传播过程中加入的高斯白噪声的方差,I表示U×U的单位矩阵,U为一个单蜂窝的上行链路情形里单天线用户的天线数目;
根据MMSE检测模型,发射信号可以表示为
3.根据权利要求1所述的高效的大规模MIMO系统信号检测方法,其特征在于:所述步骤S2包括以下过程:
S2.1:初始化: 为估计符号的初始值;
S2.2:设置迭代总次数K,令迭代计数器k=0;
S2.3:按照下式计算:
式(3)中,为第k次迭代时的检测向量,为第k次迭代时的经过SDBB检测后的估计符号的初始值,为第k+1次迭代时的经过SDBB检测后的估计符号的初始值;
S2.4:令k=k+1,并返回至步骤S2.3,直至迭代到预设次数K为止,则为发射信号矩阵估计值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479160.7A CN108736934B (zh) | 2018-05-18 | 2018-05-18 | 一种大规模mimo系统信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479160.7A CN108736934B (zh) | 2018-05-18 | 2018-05-18 | 一种大规模mimo系统信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108736934A true CN108736934A (zh) | 2018-11-02 |
CN108736934B CN108736934B (zh) | 2021-02-09 |
Family
ID=63937647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810479160.7A Active CN108736934B (zh) | 2018-05-18 | 2018-05-18 | 一种大规模mimo系统信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108736934B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109768816A (zh) * | 2018-12-19 | 2019-05-17 | 西安交通大学 | 一种非高斯噪声3d-mimo系统数据检测方法 |
CN111478749A (zh) * | 2020-02-16 | 2020-07-31 | 西安电子科技大学 | 基于优化初值快收敛mimo迭代检测方法、系统及应用 |
CN114337745A (zh) * | 2022-01-10 | 2022-04-12 | 重庆邮电大学 | 一种模型驱动深度学习的大规模mimo信号检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030103584A1 (en) * | 2001-12-03 | 2003-06-05 | Bjerke Bjorn A. | Iterative detection and decoding for a MIMO-OFDM system |
CN101499840A (zh) * | 2008-01-29 | 2009-08-05 | 株式会社Ntt都科摩 | 多入多出系统的迭代检测方法 |
CN105656538A (zh) * | 2015-12-30 | 2016-06-08 | 东南大学 | 一种大规模mimo系统的低复杂度置信传播检测算法 |
CN107241167A (zh) * | 2017-06-29 | 2017-10-10 | 东南大学 | 一种基于大规模mimo系统bp检测的改进方法 |
-
2018
- 2018-05-18 CN CN201810479160.7A patent/CN108736934B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030103584A1 (en) * | 2001-12-03 | 2003-06-05 | Bjerke Bjorn A. | Iterative detection and decoding for a MIMO-OFDM system |
CN101499840A (zh) * | 2008-01-29 | 2009-08-05 | 株式会社Ntt都科摩 | 多入多出系统的迭代检测方法 |
CN105656538A (zh) * | 2015-12-30 | 2016-06-08 | 东南大学 | 一种大规模mimo系统的低复杂度置信传播检测算法 |
CN107241167A (zh) * | 2017-06-29 | 2017-10-10 | 东南大学 | 一种基于大规模mimo系统bp检测的改进方法 |
Non-Patent Citations (1)
Title |
---|
刘孝祥等: "基于Barzilai-Borwein迭代的低复杂度大规模MIMO信号检测算法", 《系统工程与电子技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109768816A (zh) * | 2018-12-19 | 2019-05-17 | 西安交通大学 | 一种非高斯噪声3d-mimo系统数据检测方法 |
CN111478749A (zh) * | 2020-02-16 | 2020-07-31 | 西安电子科技大学 | 基于优化初值快收敛mimo迭代检测方法、系统及应用 |
CN111478749B (zh) * | 2020-02-16 | 2021-08-31 | 西安电子科技大学 | 基于优化初值快收敛mimo迭代检测方法、系统及应用 |
CN114337745A (zh) * | 2022-01-10 | 2022-04-12 | 重庆邮电大学 | 一种模型驱动深度学习的大规模mimo信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108736934B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schepker et al. | Exploiting sparsity in channel and data estimation for sporadic multi-user communication | |
CN105915477B (zh) | 基于gs方法的大规模mimo检测方法及硬件架构 | |
CN109951214B (zh) | 一种适用于大规模mimo系统的信号检测方法 | |
CN108736934A (zh) | 一种高效的大规模mimo系统信号检测方法 | |
CN108650056A (zh) | 一种大规模mimo系统上行链路中的混合迭代检测方法 | |
CN106357309B (zh) | 基于非理想信道下大规模mimo线性迭代检测方法 | |
CN106341169B (zh) | 一种多用户大规模mimo系统上行链路的天线选择方法 | |
CN104320369A (zh) | 一种基于信道估计误差和数据检测误差的迭代方法 | |
CN107086971A (zh) | 一种适用于多种天线配置的大规模mimo软检测方法 | |
CN103401824A (zh) | 基于修正牛顿法的频率选择性mimo系统空时盲均衡器方法 | |
CN103746728B (zh) | 一种混合自适应的mimo接收检测方法 | |
CN109743086A (zh) | 一种大规模mimo系统的信道估计方法 | |
CN104488214B (zh) | 用于在无线通信系统中联合执行信道估计和干扰估计的方法和装置 | |
CN109768816A (zh) | 一种非高斯噪声3d-mimo系统数据检测方法 | |
CN105610479B (zh) | 一种大规模mu-mimo系统信道估计方法 | |
CN101541023B (zh) | 一种联合迭代检测译码方法和装置 | |
CN113517941A (zh) | 一种大规模mimo系统信道估计与迭代检测仿真方法和系统 | |
Huang et al. | Noncoherent massive random access for inhomogeneous networks: From message passing to deep learning | |
CN101582864B (zh) | 基于部分干扰抵消的sage信道估计方法 | |
CN101931506B (zh) | 一种基于概率数据辅助检测信号的方法及设备 | |
JP2011530198A (ja) | 通信システムにおける摂動デコーダ及び復号化方法とこれを用いた装置 | |
CN106357318B (zh) | 收敛速率可调的大规模mimo迭代检测方法 | |
US10135503B2 (en) | Detection of spatially multiplexed signals for over-determined MIMO systems | |
CN109412670A (zh) | Gsm-mbm系统中基于松弛迭代的低复杂度检测方法 | |
Bai et al. | Joint precoding using successive over-relaxation matrix inversion and Newton iteration for massive MIMO systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |