CN109767007B - 一种基于量子计算的最小均方误差检测方法 - Google Patents
一种基于量子计算的最小均方误差检测方法 Download PDFInfo
- Publication number
- CN109767007B CN109767007B CN201811501783.6A CN201811501783A CN109767007B CN 109767007 B CN109767007 B CN 109767007B CN 201811501783 A CN201811501783 A CN 201811501783A CN 109767007 B CN109767007 B CN 109767007B
- Authority
- CN
- China
- Prior art keywords
- quantum
- quantum register
- register
- storing
- formula
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 19
- 239000011541 reaction mixture Substances 0.000 claims description 13
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 2
- 239000001257 hydrogen Substances 0.000 claims description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Radio Transmission System (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于量子计算的最小均方误差检测方法,包括以下步骤:S1:根据基站天线和用户之间的链路距离设定阈值,稀疏化信道矩阵,进而得到稀疏的需求逆矩阵;S2:将基站天线接收的传统信号制备成特定的量子态信号,将量子态信号输入到量子线性运算系统中,得到贮存线性方程解的量子纠缠态;S3:将线性方程解从量子纠缠态中提取出来。本发明针对大规模通信系统中传统的最小均方误差检测方法涉及的大规模矩阵求逆问题,采用量子线性系统算法以及量子读取技术,降低了传统最小均方误差检测方法求解大规模矩阵求逆问题的复杂度,从而得到更稳定的检测性能,能更好的适用于如大规模MIMO系统在内的应用场景。
Description
技术领域
本发明涉及通信领域,特别是涉及一种基于量子计算的最小均方误差检测方法。
背景技术
1982年,Feynman描述了量子计算的巨大潜力,并且建议在量子力学原理的基础上构造量子计算机,以此来挖掘量子计算的潜力。进一步的,1994年Shor提出素数因子分解和离散对数问题的多项式时间量子算法;1995年Grover提出了在没有结构的搜索空间上进行搜索的量子算法。这些量子计算算法都展示了量子计算的特殊潜力,对传统的算法提供了加速。另一方面,随着技术和需求的增加,通信系统发展迅速,特别是大规模多输入多输出系统(Massive MIMO:Massive Multiple-Input Multiple-Output)系统作为移动通信领域的关键技术之一,现如今越来越受到青睐。由于大规模MIMO系统的研究存在大量基站天线来联合服务于多个用户的现象,因此这类研究涉及了很多高计算复杂度的问题,并且其中一部分至今也没有较好的处理方式。例如最小均方误差(MMSE:Minimum Mean SquareError)检测方法在大规模MIMO系统中有较多的应用,但为了避免复杂度为O(N3)的大规模矩阵求逆问题,研究人员只好牺牲部分检测性能来降低计算复杂度。近期,一些研究人员提出了基于诺伊曼级数的近似矩阵求逆,将大规模矩阵求逆的计算复杂度降到了O(N2),但该计算复杂度对于大规模MIMO系统来说仍略显不足。
发明内容
发明目的:本发明的目的是提供一种基于量子计算的最小均方误差检测方法,将传统最小均方误差检测方法求解大规模矩阵求逆问题的复杂度降低至O(N log N),从而更加适用于大规模多用户系统应用场景中并且得到更快的运算速度。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于量子计算的最小均方误差检测方法,包括以下步骤:
S1:根据基站天线和用户之间的链路距离设定阈值,稀疏化信道矩阵,进而得到稀疏的需求逆矩阵;
S2:将基站天线接收的传统信号制备成特定的量子态信号,将量子态信号输入到量子线性运算系统中,得到贮存线性方程解的量子纠缠态;
S3:将线性方程解从量子纠缠态中提取出来。
式(1)中,Hn,k为未稀疏化的信道矩阵的第n行、第k列的元素,bn,k为基站上第n根天线至第k个用户之间的链路距离,b0为设定的阈值。
式(2)中,D是一个K×K的对角矩阵,K为用户个数,D中对角线上的系数为慢衰系数;N0为用户发射信噪比的倒数,I为N阶单位矩阵,Γ根据式(3)得到:
进一步,所述步骤S2中,制备得到的特定的量子态信号为:其中,将和在的本征矢量基上分解可得 为存入了第二个量子寄存器中的 在计算基上分解为 在计算基上分解为 为存入第二个量子寄存器中的 为y的相位,y为输入信号,Cy≤1/max(yj),yj为的幅度,为存入了第二个量子寄存器中的μj为第j个本征矢量基,N为天线的个数;
量子线性运算系统包括七个量子寄存器,贮存线性方程解的量子纠缠态通过以下方法获得:
进一步,所述步骤S3具体包括以下步骤:
式(7)中,sin φs=sin φysin φxsin φm,为存入了第二个量子寄存器中的x为解向量,为存入了第五个量子寄存器中的 为存入了第三个量子寄存器中的 为存入了第四个量子寄存器中的 为存入了第六个量子寄存器中的 为存入了第七个量子寄存器中的
S3.2:运用一次Hadamard门于第七个量子寄存器,在第二个量子寄存器与第五个量子寄存器之间运用一次受控量子交换操作,该交换操作由第七个量子寄存器状态为1时触发,最终再运用一次Hadamard门于第七个量子寄存器,将变换成:
式(9)中,为存入了第二个量子寄存器中的 为存入了第五个量子寄存器中的 为存入了第五个量子寄存器中的 为存入了第二个量子寄存器中的 为存入了第三个量子寄存器中的 为存入了第四个量子寄存器中的 为存入了第六个量子寄存器中的 为存入了第七个量子寄存器中的
式(10)中,sin4φx通过sin2φx取平方得到,sin2φx通过误差为ε的幅度估计方法估计得到,是在的单位上的幅度,为在计算基上的归一化幅度,P1110为第三个量子寄存器、第四个量子寄存器和第六个量子寄存器状态同时为1并且第七个量子寄存器状态为0的检测概率,P1110=sin2φs(|x|||2+|x⊥|2/2),P1111为第三个量子寄存器、第四个量子寄存器、第六个量子寄存器和第七个量子寄存器状态同时为1的检测概率,P1111=sin2φs|x⊥|2/2;
有益效果:本发明公开了一种基于量子计算的最小均方误差检测方法,针对大规模通信系统中传统的最小均方误差检测方法涉及的大规模矩阵求逆问题,采用量子线性系统算法以及量子读取技术,降低了传统最小均方误差检测方法求解大规模矩阵求逆问题的复杂度,从而得到更稳定的检测性能,能更好的适用于如大规模MIMO系统在内的应用场景。
附图说明
图1为本发明具体实施方式中的方法流程图;
图2为本发明具体实施方式中的应用场景图;
图3为本发明具体实施方式中步骤S2和S3的流程图。
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基于量子计算的最小均方误差检测方法,如图1所示,包括以下步骤:
S1:根据基站天线和用户之间的链路距离设定阈值,稀疏化信道矩阵,进而得到稀疏的需求逆矩阵;
S2:将基站天线接收的传统信号制备成特定的量子态信号,将量子态信号输入到量子线性运算系统中,得到贮存线性方程解的量子纠缠态;
S3:将线性方程解从量子纠缠态中提取出来。
式(1)中,Hn,k为未稀疏化的信道矩阵的第n行、第k列的元素,bn,k为基站上第n根天线至第k个用户之间的链路距离,b0为设定的阈值。
式(2)中,D是一个K×K的对角矩阵,K为用户个数,D中对角线上的系数为慢衰系数;N0为用户发射信噪比的倒数,I为N阶单位矩阵,Γ根据式(3)得到:
步骤S2和S3如图3所示。步骤S2中,制备得到的特定的量子态信号为:其中,将和在的本征矢量基上分解可得 为存入了第二个量子寄存器中的 在计算基上分解为 在计算基上分解为 为存入第二个量子寄存器中的 为y的相位,y为输入信号,Cy≤1/max(yj),yj为的幅度,为存入了第二个量子寄存器中的μj为第j个本征矢量基,N为天线的个数;
量子线性运算系统包括七个量子寄存器,贮存线性方程解的量子纠缠态通过以下方法获得:
步骤S3具体包括以下步骤:
式(7)中,sin φs=sin φysin φxsin φm,为存入了第二个量子寄存器中的x为解向量,为存入了第五个量子寄存器中的 为存入了第三个量子寄存器中的 为存入了第四个量子寄存器中的 为存入了第六个量子寄存器中的 为存入了第七个量子寄存器中的
S3.2:运用一次Hadamard门于第七个量子寄存器,在第二个量子寄存器与第五个量子寄存器之间运用一次受控量子交换操作,该交换操作由第七个量子寄存器状态为1时触发,最终再运用一次Hadamard门于第七个量子寄存器,将变换成:
式(9)中,为存入了第二个量子寄存器中的 为存入了第五个量子寄存器中的 为存入了第五个量子寄存器中的 为存入了第二个量子寄存器中的 为存入了第三个量子寄存器中的 为存入了第四个量子寄存器中的 为存入了第六个量子寄存器中的 为存入了第七个量子寄存器中的
式(10)中,sin4φx通过sin2φx取平方得到,sin2φx通过误差为ε的幅度估计方法估计得到,是在的单位上的幅度,为在计算基上的归一化幅度,P1110为第三个量子寄存器、第四个量子寄存器和第六个量子寄存器状态同时为1并且第七个量子寄存器状态为0的检测概率,P1110=sin2φs(|x|||2+|x⊥|2/2),P1111为第三个量子寄存器、第四个量子寄存器、第六个量子寄存器和第七个量子寄存器状态同时为1的检测概率,P1111=sin2φs|x⊥|2/2;
Claims (1)
1.一种基于量子计算的最小均方误差检测方法,其特征在于:包括以下步骤:
式(1)中,Hn,k为未稀疏化的信道矩阵的第n行、第k列的元素,bn,k为基站上第n根天线至第k个用户之间的链路距离,b0为设定的阈值;
式(2)中,D是一个K×K的对角矩阵,K为用户个数,D中对角线上的系数为慢衰系数;N0为用户发射信噪比的倒数,I为N阶单位矩阵,Γ根据式(3)得到:
S2:将基站天线接收的传统信号制备成特定的量子态信号,将量子态信号输入到量子线性运算系统中,得到贮存线性方程解的量子纠缠态;
制备得到的特定的量子态信号|yT>2,3为:其中,将|y>和在的本征矢量基|μj>2上分解可得 |y>2为存入了第二个量子寄存器中的|y>,|y>在计算基上分解为 在计算基上分解为为存入第二个量子寄存器中的 为y的相位,y为输入信号,Cy≤1/max(yj),yj为|y>的幅度,|μj>2为存入了第二个量子寄存器中的|μj>,μj为第j个本征矢量基,N为天线的个数;
量子线性运算系统包括七个量子寄存器,贮存线性方程解的量子纠缠态通过以下方法获得:
S2.1:对量子态信号进行酉操作和量子傅里叶变换操作,得到初始量子态|Ψ>,如式(4)所示;
式(4)中,λj为的第j个特征值,t0=O(k1/ε),k1为条件数,ε为量子线性运算系统中算法的精度阈值,为存入了第一个量子寄存器中的|0>3为存入了第三个量子寄存器中的|0>,|1>3为存入了第三个量子寄存器中的|1>;
S2.2:对初始量子态|Ψ>进行量子受控旋转操作,该操作受控于第一个量子寄存器的状态,使得初始量子态|Ψ>变为中间量子态|Ψ>′,|Ψ>′如式(5)所示;
式(5)中,C=O(1/k1),k1为条件数,|0>4为存入了第四个量子寄存器中的|0>,|1>4为存入了第四个量子寄存器中的|1>;
S2.3:实施逆相位估计操作,不计算第一个量子寄存器,并且只关注第三个量子寄存器和第四个量子寄存器同时为1时的量子纠缠态,通过式(6)得到该量子纠缠态|Ψ0>;
|Ψ0>=sinφysinφx|x>2|1>3|1>4 (6)
S3:将线性方程解从量子纠缠态中提取出来;具体包括以下步骤:
融合量子纠缠态|Ψ0>和初始化为0状态的第七个量子寄存器,根据式(7)得到|Ψc>:
|Ψc>=sinφs|x>2|M>5|1>3|1>4|1>6|0>7 (7)
式(7)中,sinφs=sinφysinφxsinφm,|x>2为存入了第二个量子寄存器中的|x>,x为解向量,|M>5为存入了第五个量子寄存器中的|M>,|1>3为存入了第三个量子寄存器中的|1>,|1>4为存入了第四个量子寄存器中的|1>,|1>6为存入了第六个量子寄存器中的|1>,|0>7为存入了第七个量子寄存器中的|0>;
S3.2:运用一次Hadamard门于第七个量子寄存器,在第二个量子寄存器与第五个量子寄存器之间运用一次受控量子交换操作,该交换操作由第七个量子寄存器状态为1时触发,最终再运用一次Hadamard门于第七个量子寄存器,将|Ψc>变换成:
式(8)中,|M>2为存入了第二个量子寄存器中的|M>,|x>5为存入了第五个量子寄存器中的|x>,|1>7为存入了第七个量子寄存器中的|1>;
S3.3:将|x>划分成两部分:|x>=x|||M||>+x⊥|M⊥>,其中x||为x中与M平行的部分,x⊥为x中与M垂直的部分,M||为M中与x平行的部分,M⊥为M中与x垂直的部分;由此|Ψc>变换成由两部分组成,如式(9)所示:
式(9)中,|M||>2为存入了第二个量子寄存器中的|M||>,|M||>5为存入了第五个量子寄存器中的|M||>,|M⊥>5为存入了第五个量子寄存器中的|M⊥>,|M⊥>2为存入了第二个量子寄存器中的|M⊥>,|1>3为存入了第三个量子寄存器中的|1>,|1>4为存入了第四个量子寄存器中的|1>,|1>6为存入了第六个量子寄存器中的|1>,|0>7为存入了第七个量子寄存器中的|0>;
S3.4:根据式(10)得到|<Mu|xu>|2:
式(10)中,sin4φx通过sin2φx取平方得到,sin2φx通过误差为ε的幅度估计方法估计得到,是|x>在|y>的单位上的幅度,为|x>在计算基上的归一化幅度,P1110为第三个量子寄存器、第四个量子寄存器和第六个量子寄存器状态同时为1并且第七个量子寄存器状态为0的检测概率,P1110=sin2φs(|x|||2+|x⊥|2/2),P1111为第三个量子寄存器、第四个量子寄存器、第六个量子寄存器和第七个量子寄存器状态同时为1的检测概率,P1111=sin2φs|x⊥|2/2;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501783.6A CN109767007B (zh) | 2018-12-10 | 2018-12-10 | 一种基于量子计算的最小均方误差检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501783.6A CN109767007B (zh) | 2018-12-10 | 2018-12-10 | 一种基于量子计算的最小均方误差检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767007A CN109767007A (zh) | 2019-05-17 |
CN109767007B true CN109767007B (zh) | 2023-04-18 |
Family
ID=66451351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811501783.6A Active CN109767007B (zh) | 2018-12-10 | 2018-12-10 | 一种基于量子计算的最小均方误差检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767007B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572194B (zh) * | 2019-10-12 | 2021-08-24 | 东南大学 | 一种基于量子禁忌搜索算法的波束赋形码本搜索方法 |
CN113222151B (zh) * | 2020-01-21 | 2023-09-05 | 本源量子计算科技(合肥)股份有限公司 | 一种量子态的变换方法及装置 |
WO2022143789A1 (zh) * | 2020-12-31 | 2022-07-07 | 合肥本源量子计算科技有限责任公司 | 量子预处理方法、装置、存储介质及电子装置 |
CN112884154B (zh) * | 2021-01-21 | 2023-10-13 | 本源量子计算科技(合肥)股份有限公司 | 量子态的分辨方法、装置和系统、量子测控系统和计算机 |
CN112906899B (zh) * | 2021-03-25 | 2024-04-12 | 东南大学 | 基于量子计算的混合大规模mimo到达方向估计方法 |
CN113297531B (zh) * | 2021-04-21 | 2022-09-02 | 广西大学 | 一种完美相位估计下直流潮流方程的求解方法 |
CN113240124B (zh) * | 2021-07-13 | 2021-11-09 | 深圳市永达电子信息股份有限公司 | 数字量子比特读取方法、系统、计算机以及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120327757A1 (en) * | 2010-01-08 | 2012-12-27 | Wenjin Wang | Detection method and apparatus for multiple-input multiple-output single-carrier block transmission system |
CN106712903A (zh) * | 2016-12-21 | 2017-05-24 | 重庆邮电大学 | 一种低复杂度mimo fbmc‑oqam系统信号检测方法 |
CN106850013A (zh) * | 2016-12-31 | 2017-06-13 | 上海交通大学 | 一种上行链路大规模mimo系统的信号检测方法 |
-
2018
- 2018-12-10 CN CN201811501783.6A patent/CN109767007B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120327757A1 (en) * | 2010-01-08 | 2012-12-27 | Wenjin Wang | Detection method and apparatus for multiple-input multiple-output single-carrier block transmission system |
CN106712903A (zh) * | 2016-12-21 | 2017-05-24 | 重庆邮电大学 | 一种低复杂度mimo fbmc‑oqam系统信号检测方法 |
CN106850013A (zh) * | 2016-12-31 | 2017-06-13 | 上海交通大学 | 一种上行链路大规模mimo系统的信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109767007A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767007B (zh) | 一种基于量子计算的最小均方误差检测方法 | |
Wang | Quantum algorithm for linear regression | |
Cao et al. | Lightweight convolutional neural networks for CSI feedback in massive MIMO | |
Van Der Veen et al. | Joint angle and delay estimation using shift-invariance properties | |
CN103516643B (zh) | 一种mimo检测预处理装置及方法 | |
CN107290730A (zh) | 互耦条件下双基地mimo雷达角度估算方法 | |
Zheng et al. | Online deep neural networks for mmWave massive MIMO channel estimation with arbitrary array geometry | |
Ghasemi et al. | SRF: Matrix completion based on smoothed rank function | |
CN111413668B (zh) | 一种大规模阵列中基于dft增强的doa估计方法 | |
CN112731275B (zh) | 一种基于零化插值的互质阵部分极化信号参数估计方法 | |
Tan et al. | Covariance matrix reconstruction for direction finding with nested arrays using iterative reweighted nuclear norm minimization | |
CN110275131A (zh) | 一种基于虚拟差分阵列的doa跟踪方法及装置 | |
CN110941980B (zh) | 一种密集环境中基于压缩感知的多径时延估计方法及装置 | |
CN112906899B (zh) | 基于量子计算的混合大规模mimo到达方向估计方法 | |
CN114157331B (zh) | 基于伪复值输入的大规模mimo信道状态信息反馈方法 | |
Xu et al. | DFECsiNet: Exploiting diverse channel features for massive MIMO CSI feedback | |
CN114745233A (zh) | 一种基于导频设计的联合信道估计方法 | |
CN105068090B (zh) | 一种利用单快拍数据进行gnss天线阵干扰抑制的方法 | |
Yan et al. | Computationally efficient direction of arrival estimation with unknown number of signals | |
CN110174657B (zh) | 基于秩一降维模型和块矩阵恢复的波达方向估计方法 | |
CN109379116B (zh) | 基于切比雪夫加速法与sor算法的大规模mimo线性检测算法 | |
CN114978818B (zh) | 一种基于压缩感知的自适应信道估计方法及估计系统 | |
CN107784278B (zh) | 用结构化先验约束提高稀疏图像重构精度降低复杂度方法 | |
CN108710101A (zh) | 一种利用正交性获取相干信号子空间的doa估计算法 | |
Awais et al. | Deep denoising and unfolding for IRS cascaded channel estimation with element-grouping |
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 |