CN109039416B - 基于矩阵分块的大规模mimo高效检测方法和架构 - Google Patents

Abstract

本发明公开了一种基于矩阵分块的大规模MIMO高效检测方法及架构，提出的多层迭代的块对角化算法(block diagonal with multiple‑level iterations,BD‑MLI)同时适用于单天线和多天线用户系统，且在非理想传播条件中，如相关信道和低配置比，表现出鲁棒性。同时，本发明也公开了一种对应的基于超大规模集成电路的高效硬件架构。本发明在低复杂度的前提下，同时能克服相关信道、降低系统对高配置比的依赖，并且提高算法在多天线用户系统中的性能。

Description

基于矩阵分块的大规模MIMO高效检测方法和架构

技术领域

本发明涉及MIMO技术，尤其涉及一种基于矩阵分块的大规模MIMO高效检测方法和架构。

背景技术

多输入多输出(Multiple-Input Multiple-Output,MIMO)技术是指在发射端和接收端分别使用多个发射天线和多个接收天线，使信号通过发射端与接收端的多个天线进行传送和接收。长期研究表明，MIMO无线传输技术可以在不增大额外频谱带宽的情况下，大大提高传输链路的可靠性，减少基站的能量消耗，并成倍地提高通信系统的容量。区别于第四代移动通信技术中的只能在基站配置8根天线的小规模MIMO技术，大规模MIMO在基站配置数量较多的天线以同时服务于数量较少的移动终端，被视为下一代移动通信的核心技术。

然而，大规模MIMO的优势是以在基站端的急剧增加的计算复杂度为代价。考虑基站天线数为N，用户端天线数为M的大规模MIMO系统，典型取值为N＝128,M＝6，定义配置比为N/M。以大规模MIMO系统的上行链路信号检测为例，基于最小均方误差(minimum meansquare error,MMSE)理论的线性检测方法中，其主要复杂度来源于一个M×M阶矩阵的求逆。传统的矩阵精确求逆方法，如QR分解法、Gauss消元法、Cholesky分解法等，其复杂度很高，在O(M³)数量级。为了克服高计算复杂度、高硬件代价的困难，矩阵近似求逆的思想被提出。矩阵近似求逆旨在以较低的复杂度来逼近矩阵精确求逆下的检测性能，其中较典型的为基于诺依曼级数的矩阵近似求逆算法(Neumann series spproximation,NSA)。然而，NSA在迭代次数较多时，与传统的矩阵精确求逆复杂度并无区别。且NSA仅在理想传播条件下，即高配置比和理想信道中，才具有较好的检测性能，在非理想传播条件下，即配置比较低和相关信道中，诺依曼级数收敛速度慢或几乎不收敛，导致检测性能变得非常差。为了解决这个问题，NSA的改进算法被提出，如三对角阵近似算法(tridiagonal matrixapproximation,TMA)和矩阵分块算法(matrix partition,MP)等。这些改进算法都取得了特定的优化，如TMA在一定程度上克服了相关信道带来的检测障碍，MP能有效降低MIMO系统对高配置比的依赖且能降低NSA约68％的计算复杂度。但同时都有一定的局限性——TMA在复杂度降低上没有取得突破，MP在相关信道中检测性能急剧下降。因此，需要一种更高效的检测算法，在低复杂度的前提下，同时能克服相关信道、降低系统对高配置比的依赖。

此外，当前绝大部分文献的研究对象为各用户端仅配置单根天线的MIMO系统(以下简称单天线用户系统)，然而面临用户端配置多根天线的MIMO系统(以下简称多天线用户系统)，同一个用户端的天线之间由于不充分分离而导致的强相关性，使得大多数对应于单天线用户系统提出的检测算法在应用于多天线用户系统时，性能急剧下降甚至几乎失效。因此，需要提高MIMO检测算法在多天线用户系统中的性能。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种基于矩阵分块的大规模MIMO高效检测方法和架构，在低复杂度的前提下，同时能克服相关信道、降低系统对高配置比的依赖，并且提高算法在多天线用户系统中的性能。

技术方案：本发明所述的基于矩阵分块的大规模MIMO高效检测方法包括：

(1)获取经接收端匹配滤波器输出的接收信号矩阵y^MF和信道响应矩阵H，并根据信道响应矩阵H构造MMSE检测矩阵W；

(2)将MMSE检测矩阵W的对角线元素块组成矩阵D，并计算得到矩阵E＝W-D；

(3)将矩阵D和E分别分块，分别得到上下两个对角子矩阵，再分别将上下两个对角子矩阵按照此方式分块，直至分块级数达到T＝log₂m，并依照诺依曼级数定理，逐级向上求逆，直至得到矩阵D的逆D^-1，其中，m为用户数；

(4)依照诺依曼级数定理根据矩阵D^-1和E，计算得到MMSE检测矩阵W的逆W^-1；

(5)根据MMSE检测矩阵W的逆W^-1以及经接收端匹配滤波器输出的接收信号矩阵y^MF，计算发射信号矩阵估计值

进一步的，步骤(1)中MMSE检测矩阵W的计算公式为：

W＝H^HH+N₀I_M

式中，I_M是M阶单位矩阵，M是用户端的天线总数，N₀是加性高斯白噪声方差。

进一步的，所述信道响应矩阵H＝R^1/2H₀T^1/2，H₀表示理想信道，即瑞利衰落信道，R、T分别表示接收端、用户端的空间相关性矩阵，且R和T的元素分别为

式中，R_pq、T_pq分别表示R、T的第p行第q列的元素，

分别表示R_pq和T_pq的共轭，相关系数ζ_r和ζ_t分别表示基站端和用户端的第p根天线与第q根天线之间的相关程度，θ是给定的相位。

进一步的，步骤(2)具体包括：

(2-1)将MMSE检测矩阵W的对角线元素块组成矩阵D，其中：

式中，D_i表示矩阵W的第i个对角线元素块，i＝1,2,..,K，D_i都是O′O阶的矩阵，且O′K＝M，M是用户端的天线总数，K为MMSE检测矩阵W的对角线元素块数目；

(2-2)根据矩阵D计算得到矩阵E＝W-D。

进一步的，步骤(3)具体包括：

(3-1)将矩阵D按照下式分块，得到上下两个对角子矩阵D_1,(1)和D_2,(1)：

其中，D_1,(1)表示第1级分块时得到的第一个对角子矩阵，D_2,(1)表示第1级分块时得到的第2个对角子矩阵；

(3-2)将矩阵D_1,(1)和D_2,(1)按照下式分块，得到子矩阵D_1,(2)、D_2,(2)、D_3,(2)和D_4,(2)：

(3-3)按照步骤(3-2)中的方式分块，直至分块级数达到T停止，得到矩阵D_j,(t)，t＝1,…,T，j＝1,…,2^t,；

(3-4)对于矩阵E按照步骤(3-1)到(3-3)执行，得到矩阵E_j,(t)，t＝1,…,T，j＝1,…,2^t；

(3-5)根据D_j,(t)和E_j,(t)，依照诺依曼级数定理，逐级向上求逆，直至得到矩阵D的逆D^-1，其中：

式中，t＝T-1,…,0，j＝1,…,2^t,D_1,(0)＝D，k表示迭代次数。

进一步的，步骤(4)中MMSE检测矩阵W的逆W^-1计算公式为：

进一步的，步骤(5)中发射信号矩阵估计值计算公式为：

本发明所述的基于矩阵分块的大规模MIMO高效检测架构包括：

MMSE检测矩阵W计算模块，用于根据信道响应矩阵H构造MMSE检测矩阵W；

矩阵形成模块，用于将MMSE检测矩阵W的对角线元素块组成矩阵D，并计算得到矩阵E＝W-D；

矩阵分块模块，用于将矩阵D和E分别分块，分别得到上下两个对角子矩阵，再分别将上下两个对角子矩阵按照此方式分块，直至分块级数达到T＝log₂m；

矩阵求逆模块，用于依照诺依曼级数定理，逐级向上求逆，直至得到矩阵W的逆W^-1；

发射信号估计模块，用于根据MMSE检测矩阵W的逆W^-1以及经接收端匹配滤波器输出的接收信号矩阵y^MF，计算发射信号矩阵估计值

进一步的，矩阵求逆模块具体包括T级级联的PE单元，第t级有2^t-1个PE单元，第t级第j个PE单元用于执行以下计算：

有益效果：本发明与现有技术相比，其显著优点是：

(1)在算法的误码率性能方面，本算法对于单天线和多天线用户系统在理想(理想信道、高配置比)，非理想(相关性较弱的信道、低配置比)和恶劣传播条件(相关性较强的信道、低配置比)下均能在一定的迭代次数下取得接近于MMSE的检测性能，相比于仅能对于单天线用户系统在理想或至多非理想条件下收敛的NSA、TMA、MP等先前算法，有了本质上的误码率性能突破。

(2)在算法的计算复杂度方面，对于单天线用户系统在非理想传播条件下，本算法与MP算法均取得接近MMSE检测性能的同时，本算法较MP算法降低了47％的复数乘法次数，有较明显的计算复杂度上的突破。

附图说明

图1是本发明所采用的的K＝2的分块方式与其他的分块方式在收敛性能上的比较图；

图2是在天线配置为N＝256,M＝32，信道状况为ζ_r＝0的单天线用户系统中，本发明中的算法与TMA算法、MP算法以及标准MMSE检测的误码率性能对比图；

图3是在天线配置为N＝128,M＝32，信道状况为ζ_r＝0.2的单天线用户系统中，本发明中的算法与TMA算法、MP算法以及标准MMSE检测的误码率性能对比图；

图4是在天线配置为N＝128,M＝32，信道状况为5的单天线用户系统中，本发明中的算法与TMA算法、MP算法以及标准MMSE检测的误码率性能对比图；

图5是在天线配置为N＝256,M＝32，m_UE＝4，信道状况为ζ_r＝0，ζ_t＝0.2的多天线用户系统中，本发明中的算法与TMA算法、MP算法以及标准MMSE检测的误码率性能对比图；

图6是在天线配置为N＝128,M＝32，m_UE＝4信道状况为ζ_r＝0.2，ζ_t＝0.4的多天线用户系统中，本发明中的算法与TMA算法、MP算法以及标准MMSE检测的误码率性能对比图；

图7是在天线配置为N＝128,M＝32，m_UE＝4，信道状况为ζ_r＝0.5，ζ_t＝0.6的多天线用户系统中，本发明中的算法与TMA算法、MP算法以及标准MMSE检测的误码率性能对比图；

图8是本发明中的算法对于m＝8的流水线架构图；

图9是PE_(t)进行计算

的架构细节图。

具体实施方式

一、系统模型介绍

考虑大规模MIMO系统的上行链路检测模型，其中基站端配置N根接收天线同时服务于m个用户，且每个用户配置m_UE根发射天线，则用户端的天线总数为M＝m′m_UE。显然，当m_UE＝1时为单天线用户系统，当m_UE≠1时为多天线用户系统。发射向量记为s＝[s₁...s_i...s_m]^T，其中

且发射能量归一化到E{|s_ij|²}＝1。上行链路信道矩阵定义为H＝[H₁...H_i...H_m]，其中

H_ij是一个N维列向量，表示从第i个用户的第j根天线到基站各天线之间的信道状况。基于以上定义，基站端的接收向量y可表示为

y＝Hs+n

其中，n是一个N维列向量，代表加性高斯白噪声，且每个元素服从均值为零，方差为N₀的高斯分布。

关于信道矩阵，由于信道之间的空间相关性会很大程度上影响算法检测性能，多数近期文献也不再仅基于理想信道来分析，而是引入经典的相关MIMO信道模型——Kronecker模型：

H＝R^1/2H₀T^1/2，H₀表示理想信道，即瑞利衰落信道，R、T分别表示接收端、用户端的空间相关性矩阵，且R和T的元素分别为

式中，R_pq、T_pq分别表示R、T的第p行第q列的元素，

分别表示R_pq和T_pq的共轭，相关系数ζ_r和ζ_t分别表示基站端和用户端的第p根天线与第q根天线之间的相关程度，θ是给定的相位。相关系数ζ_r和ζ_t的取值范围为0到1，且越接近于1表示相关程度越强。

二、问题分析

基于MMSE理论的线性检测，对发射向量的估计为

其中W＝H^HH+N₀I_M，y^MF＝H^Hy为基站端匹配滤波器的输出。可以看出，这里涉及M*M阶矩阵W的求逆。

根据诺依曼级数定理，如果矩阵W存在一个正定可逆的相近矩阵X，即

那么W^-1可以用诺依曼级数展开为

在实际应用中，取前k项作为W^-1的近似，并令D＝X和E＝W-X，可以得到W^-1的近似表达式为

三、技术方案

针对上述的问题分析，采用以下方法进行处理，具体包括步骤：

(1)获取经接收端匹配滤波器输出的接收信号矩阵y^MF和信道响应矩阵H，并根据信道响应矩阵H构造MMSE检测矩阵W，计算公式为：

W＝H^HH+N₀I_M

式中，I_M是M阶单位矩阵，M是用户端的天线总数，N₀是加性高斯白噪声方差。

(2)将MMSE检测矩阵W的对角线元素块组成矩阵D，并计算得到矩阵E＝W-D。具体包括步骤：

(2-1)将MMSE检测矩阵W的对角线元素块组成矩阵D，其中：

式中，D_i表示矩阵W的第i个对角线元素块，i＝1,2,..,K，D_i都是O′O阶的矩阵，且O′K＝M，M是用户端的天线总数，K为MMSE检测矩阵W的对角线元素块数目。

其中，参数K可有不同的取值，且取值可能会影响算法性能。为了使本项发明具有说服力，以下从理论与仿真两点来说明最优参数K的选取。首先从理论上，考虑算法的误码率(bit-error-rate,BER)性能，有相关文献指出，当D包含W的尽可能多的元素时，算法的BER性能会有很大提升，显然当K＝2时，D包含W的元素最多；考虑算法的计算复杂度，可以证明当K＝2时，算法的计算复杂度最低，这是因为以k＝3为例，当采取的K＝2分块方式后，(-D^-1E)²D^-1的迭代过程可以表示为

可以看出每次的迭代结果，即

都有一半的元素为零，也就大大降低了计算复杂度。而对于其他分块方式，即K≠2，当迭代次数大于等于2时，迭代过程变成两个满阵相乘，计算复杂度会因此升高。综合算法的BER性能及计算复杂度的理论分析，可知K＝2为最优的分块方式。为了验证理论观点，图2给出了仿真验证，可以清晰看出K＝2的分块方式较其他分块方式有明显优势，即BER性能最好且迭代次数较少。

(2-2)根据矩阵D计算得到矩阵E＝W-D。

(3)将矩阵D和E分别分块，分别得到上下两个对角子矩阵，再分别将上下两个对角子矩阵按照此方式分块，直至分块级数达到T＝log₂m，并依照诺依曼级数定理，逐级向上求逆，直至得到矩阵D的逆D^-1，其中，m为用户数。具体包括以下步骤：

(3-1)将矩阵D按照下式分块，得到上下两个对角子矩阵D_1,(1)和D_2,(1)：

其中，D_1,(1)表示第1级分块时得到的第一个对角子矩阵，D_2,(1)表示第1级分块时得到的第2个对角子矩阵；

(3-2)将矩阵D_1,(1)和D_2,(1)按照下式分块，得到子矩阵D_1,(2)、D_2,(2)、D_3,(2)和D_4,(2)：

(3-3)按照步骤(3-2)中的方式分块，直至分块级数达到T停止，得到矩阵D_j,(t)，t＝1,…,T，j＝1,…,2^t,；

(3-4)对于矩阵E按照步骤(3-1)到(3-3)执行，得到矩阵E_j,(t)，t＝1,…,T，j＝1,…,2^t；

(3-5)根据D_j,(t)和E_j,(t)，依照诺依曼级数定理，逐级向上求逆，直至得到矩阵D的逆D^-1，其中：

式中，t＝T-1,…,0，j＝1,…,2^t,D_1,(0)＝D，k表示迭代次数。

其中，在求解子矩阵D_1,(1)和D_2,(1)的逆时，MP通过NSA来求

和

的近似，因此该算法对W^-1的近似由两层迭代(two-level iterations,TLI)组成。区别于TLI，本发明提出一种多层迭代(multiple-level iterations,MLI)的方法。考虑到D_1,(1)和D_2,(1)为M/2阶矩阵，以和第一层迭代相同的方式进行第二层迭代得到

和

考虑到D_1,(1)和D_2,(1)为M/2阶矩阵，以和第一层迭代相同的方式进行第三层迭代得到

和

以此类推，直到最后一层迭代。在最后一层迭代中，需要有不同的额外操作。在单天线用户系统中，需要对W主对角线的元素求倒数。而多天线系统中，由于同一用户天线之间的强相干性使得W呈块对角占优而不是主对角占优，且理论上块对角占优的这些子矩阵的维度为m_UE′m_UE，由于这些子矩阵更加接近于满阵，因此不能继续采用矩阵近似求逆法，而只能采用矩阵精确求逆法。虽然矩阵精确求逆的复杂度很高，但由于该处子矩阵的规模m_UE′m_UE较小，因为一般同一个用户端不会配置过多的天线，子矩阵的个数也较少，为m＝M/m_UE，因此该部分的计算复杂度相对于整体的计算复杂度是可忽略的。以上完整叙述了本项发明，即多层迭代的块对角化算法(block diagonal with multiple-level iterations,BD-MLI)的内容。

(4)依照诺依曼级数定理根据矩阵D^-1和E，计算得到MMSE检测矩阵W的逆W^-1,计算公式为：

(5)根据MMSE检测矩阵W的逆W^-1以及经接收端匹配滤波器输出的接收信号矩阵y^MF，计算发射信号矩阵估计值

四、复杂度分析

与大多数MIMO检测算法的复杂度分析一样，仅考虑算法中的复数乘法次数，本项发明中的算法BD-MLI与另两种NSA优化算法TMA和MP的复杂度列于表1中。

表1 TMA,MP,BD-MLI的复杂度对比

对于TMA，k为算法的迭代次数，对于MP，k_F为算法的第一层迭代次数，k_S为算法的第二层迭代次数；对于BD-MLI，k_F为算法的第一层迭代次数，k_N为算法余下层数的迭代次数。

结合图1和表1，需要指出图中的“分块方式K＝2(多层迭代)”正是本发明中的BD-MLI算法，而“分块方式K＝2(两层迭代)”正是上面提到的MP算法，可以看出图1中BD-MLI与MP均取得接近MMSE的BER性能，但通过表1中的复杂度公式可得，BD-MLI较MP降低了约47％的复数乘法次数。

五、仿真结果与性能对比

图2-7给出了不同类型系统、不同传播条件下的仿真结果。图2-4分别为单天线用户系统在理想传播条件(理想信道、高配置比)，非理想传播条件(相关性较弱的信道、低配置比)，恶劣传播条件(相关性较强的信道、低配置比)下的仿真结果，图5-7分别为多天线用户系统在理想传播条件，非理想传播条件，恶劣传播条件下的仿真结果，均以误码率随信噪比(signal-to-noise ratio,SNR)的变化来表示算法性能。

可以看出，TMA仅在理想传播条件下才能有较好的检测性能(如图2、5所示)，在非理想和恶劣传播环境中，均已失效(如图3、4、6、7所示)。MP在理想传播条件及单天线用户系统中的非理想传播条件能有较好的检测性能(如图2、5、3所示)，在恶劣传播条件的多天线用户系统中性能非常差(如图5所示)，在非理想及恶劣传播环境下的多天线用户系统中也已失效(如图6、7所示)。但是对于本发明中的算法BD-MLI，无论是单天线还是多天线用户，无论是理想、非理想、恶劣传播环境，均能以较低的复杂度取得接近MMSE的检测性能。

由此可见，本发明方法提出了一种更高效的MIMO检测算法，在低复杂度的前提下，同时能克服相关信道、降低系统对高配置比的依赖，并且提高算法在多天线用户系统中的性能。

六、硬件架构

为本发明中的算法设计一套相应的硬件架构。为了方便叙述，这里以m＝8为例，展开相应的设计过程。

根据式

仅需要利用W^-1和匹配滤波器的输出y^MF就可得到发射向量的估计。由于关于计算W和y^MF的硬件架构是比较简单直接的，因此我们仅关注计算W^-1的硬件架构。对于本发明中的算法，总迭代级数可记为T＝log₂m，可见这是一个与N和m_UE均无关的量。

图8给出了本发明算法对用于m＝8的硬件架构，注意这里仅画出了对应于矩阵的处理单元(processing elements,PE)。这套流水线架构进行了不同阶段的分化，因而是结构良好的。

由INV模块求出，这里需要说明，在单天线用户系统中，INV的作用为求倒数，在多天线用户系统中，INV的作用为进行一个m_UE′m_UE阶的矩阵精确求逆，由于对于小规模矩阵的精确求逆有很多现存的高效硬件架构，因此我们不再给出这部分的具体细节。显然，该硬件架构中的总阶段数与算法中的总迭代层数是对于并且相等的。对于级t，PE的数目应为2^t-1。经过T级后，可以获得矩阵W的近似求逆。

PE的作用是计算

对于不同的级别，PE_(t)本质上是相似的，不同之处仅在于输入输出矩阵的阶数。图9画出了PE_(t)进行计算

的架构细节。首先，PE_(t)将

和E_1,(t)、E_2,(t)作为输入并为下一步运行构建过渡矩阵。然后级别t的诺依曼级数可以由矩阵加法器和矩阵乘法器求出。这里，我们利用寄存器来节省硬件消耗。

表2给出了改架构的硬件复杂度，这里我们仅以复数加法器和复数乘法器的数量表示硬件消耗。

表2硬件复杂度分析

以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (9)

1.一种基于矩阵分块的大规模MIMO高效检测方法，其特征在于该方法包括：

(1)获取经接收端匹配滤波器输出的接收信号矩阵y^MF和信道响应矩阵H，并根据信道响应矩阵H构造MMSE检测矩阵W；

(2)将MMSE检测矩阵W的对角线元素块组成矩阵D，并计算得到矩阵E＝W-D；

(3)将矩阵D和E分别分块，分别得到上下两个对角子矩阵，再分别将上下两个对角子矩阵按照此方式分块，直至分块级数达到T＝log₂ m，并依照诺依曼级数定理，逐级向上求逆，直至得到矩阵D的逆D^-1，其中，m为用户数；

(4)依照诺依曼级数定理根据矩阵D^-1和E，计算得到MMSE检测矩阵W的逆W^-1；

(5)根据MMSE检测矩阵W的逆W^-1以及经接收端匹配滤波器输出的接收信号矩阵y^MF，计算发射信号矩阵估计值

2.根据权利要求1所述的基于矩阵分块的大规模MIMO高效检测方法，其特征在于：步骤(1)中MMSE检测矩阵W的计算公式为：

W＝H^HH+N₀I_M

式中，I_M是M阶单位矩阵，M是用户端的天线总数，N₀是加性高斯白噪声方差。

3.根据权利要求1所述的基于矩阵分块的大规模MIMO高效检测方法，其特征在于：所述信道响应矩阵H＝R^1/2H₀T^1/2，H₀表示理想信道，即瑞利衰落信道，R、T分别表示接收端、用户端的空间相关性矩阵，且R和T的元素分别为

式中，R_pq、T_pq分别表示R、T的第p行第q列的元素，

分别表示R_pq和T_pq的共轭，相关系数ζ_r和ζ_t分别表示基站端和用户端的第p根天线与第q根天线之间的相关程度，θ是给定的相位。

4.根据权利要求1所述的基于矩阵分块的大规模MIMO高效检测方法，其特征在于：步骤(2)具体包括：

(2-1)将MMSE检测矩阵W的对角线元素块组成矩阵D，其中：

式中，D_i表示矩阵W的第i个对角线元素块，i＝1,2,..,K，D_i都是O×O阶的矩阵，且O×K＝M，M是用户端的天线总数，K为MMSE检测矩阵W的对角线元素块数目；

(2-2)根据矩阵D计算得到矩阵E＝W-D。

5.根据权利要求1所述的基于矩阵分块的大规模MIMO高效检测方法，其特征在于：步骤(3)具体包括：

(3-1)将矩阵D按照下式分块，得到上下两个对角子矩阵D_1,(1)和D_2,(1)：

其中，D_1,(1)表示第1级分块时得到的第一个对角子矩阵，D_2,(1)表示第1级分块时得到的第2个对角子矩阵；

(3-2)将矩阵D_1,(1)和D_2,(1)按照下式分块，得到子矩阵D_1,(2)、D_2,(2)、D_3,(2)和D_4,(2)：

(3-3)按照步骤(3-2)中的方式分块，直至分块级数达到T停止，得到矩阵D_j,(t)，t＝1,…,T，j＝1,…,2^t,；

(3-4)对于矩阵E按照步骤(3-1)到(3-3)执行，得到矩阵E_j,(t)，t＝1,…,T，j＝1,…,2^t；

(3-5)根据D_j,(t)和E_j,(t)，依照诺依曼级数定理，逐级向上求逆，直至得到矩阵D的逆D^-1，其中：

式中，t＝T-1,…,0，j＝1,…,2^t,D_1,(0)＝D，k表示迭代次数。

6.根据权利要求1所述的基于矩阵分块的大规模MIMO高效检测方法，其特征在于：步骤(4)中MMSE检测矩阵W的逆W^-1计算公式为：

7.根据权利要求1所述的基于矩阵分块的大规模MIMO高效检测方法，其特征在于：步骤(5)中发射信号矩阵估计值计算公式为：

8.一种权利要求1所述的基于矩阵分块的大规模MIMO高效检测方法的架构，其特征在于包括：

MMSE检测矩阵W计算模块，用于根据信道响应矩阵H构造MMSE检测矩阵W；

矩阵形成模块，用于将MMSE检测矩阵W的对角线元素块组成矩阵D，并计算得到矩阵E＝W-D；

矩阵分块模块，用于将矩阵D和E分别分块，分别得到上下两个对角子矩阵，再分别将上下两个对角子矩阵按照此方式分块，直至分块级数达到T＝log₂ m；

矩阵求逆模块，用于依照诺依曼级数定理，逐级向上求逆，直至得到矩阵W的逆W^-1；

发射信号估计模块，用于根据MMSE检测矩阵W的逆W^-1以及经接收端匹配滤波器输出的接收信号矩阵y^MF，计算发射信号矩阵估计值

9.根据权利要求8所述的架构，其特征在于：所述矩阵求逆模块具体包括T级级联的处理单元，第t级有2^t-1个处理单元，第t级第j个处理单元用于执行以下计算：

Images