CN109995403A - 大规模mimo系统中基于模拟退火思想改进的las检测算法 - Google Patents

大规模mimo系统中基于模拟退火思想改进的las检测算法 Download PDF

Info

Publication number
CN109995403A
CN109995403A CN201910284620.5A CN201910284620A CN109995403A CN 109995403 A CN109995403 A CN 109995403A CN 201910284620 A CN201910284620 A CN 201910284620A CN 109995403 A CN109995403 A CN 109995403A
Authority
CN
China
Prior art keywords
search
solution
algorithm
detection algorithm
neighborhood
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.)
Pending
Application number
CN201910284620.5A
Other languages
English (en)
Inventor
周围
张维
唐俊
王强
潘英杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910284620.5A priority Critical patent/CN109995403A/zh
Publication of CN109995403A publication Critical patent/CN109995403A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提出了基于模拟退火算法改进的邻域搜索检测算法、基于对称‑加权连续超松弛迭代(Weighted Symmetric Successive Over Relaxation Iteration，WSSOR)算法求解初始解和设置多邻域搜索候选集并行搜索这三个创新点，在大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统中，现有的邻域搜索算法只接受比当前解更优的解，容易陷入局部最优解的问题，因此引入模拟退火算法中的概率因素，以一定的概率来接受一个比当前解还要差的解，跳出局部最优，搜索到全局最优解，从而显著地提高了算法的检测性能；同时，在求解初始解时，利用WSSOR迭代来处理复杂的矩阵求逆运算，降低初始解的求解复杂度；进一步通过解向量间不同的符号比特数来设置多邻域搜索候选集进行并行搜索，从而增大有效搜索面积、提高搜索速度。

Description

大规模MIMO系统中基于模拟退火思想改进的LAS检测算法
技术领域
本发明属于无线通信技术领域，主要针对的应用场景是大规模MIMO系统，主要应用是针对大规模MIMO系统中的接收端进行信号检测，具体涉及大规模MIMO系统中改进的邻域搜索检测算法。
背景技术
多输入多输出(Multiple Input Multiple Output,MIMO)技术已成功应用于许多通信系统，例如无线局域网络IEEE 802.11n，第四代(4G)蜂窝系统高级长期演进技术(LTE-A)等。 MIMO技术主要是指分别在收发两端配置多根天线进行信号的传输，在不增加发射功率和系统带宽的情况下，多倍的提高系统的信道容量和频谱利用率，同时也能够提高信道可靠性。然而，传统MIMO技术最多仅能实现4×4或者8×8规模的系统，难以满足移动数据业务爆炸式增长的需求，因此在传统MIMO的基础上提出了大规模MIMO技术。
大规模MIMO技术是指在基站侧使用大规模的天线阵列对多个移动终端提供数据传输服务。基站将会配备多达数十根或者上百根的天线，是目前通信系统天线数量的一到两个数量级，而在移动终端只配置单天线。大规模MIMO系统扩展了天线阵列的规模，充分利用了空间自由度，具有频谱利用率高、信道容量大、能量效率高、抗干扰能力强、可靠性高等技术优势。由于移动通信信道中存在各种衰落、多径干扰、多用户干扰、热噪声和功率限制等因素，信号在传输过程中会受到各种干扰。若要在接收端恢复发送端的信号，得到可靠的数据信息就需要接收端具有高性能的信号检测算法，接收端的信号检测主要是指利用信道状态信息从接收到的含干扰的信号中提取、恢复出发送信号。为了提高整个通信系统的通信质量，设计低复杂度、高性能的信号检测算法已成为大规模MIMO通信中的关键技术之一。
对于大规模MIMO系统来说，一些在常规MIMO系统中提出的算法，有很多适用于大规模MIMO系统，性能最好的是最大似然(Maximum Likelihood,ML)检测算法，其复杂度随着收发天线数的增加呈指数增长，很难在硬件平台上实现。因此一些复杂度较低的次优检测算法被人们相继提出，例如常见的有迫零(Zero Forcing,ZF)检测算法、最小均方误差(Minimum Mean Square Error,MMSE)检测算法，可以避免冗余计算，有效的降低计算复杂度，但其中还存在矩阵求逆过程；为了适应大规模系统高维数的特点，引入了低复杂度的邻域搜索(Local Search,LS)算法,同时引入了基于神经网络的人工智能搜索算法：似然上升搜索(Likelihood Ascent Search,LAS)以及动态禁忌搜索(Reactive Tabu Search,RTS)算法，这两种算法均能体现大规模MIMO的系统特性，其系统性能会随着天线数的增加而改善，并且复杂度降低。虽然LAS算法的复杂度较低，但是由于它每次只接受比当前解更优的解很容易陷入局部最优的问题，会导致算法的检测性能较差。
因此考虑到以上问题，为了在检测性能和计算复杂度之间有一个良好的折中，本发明将对大规模系统中的LAS算法做出改进，提出大规模MIMO系统中基于模拟退火算法改进的邻域搜索检测算法。
发明内容
本发明的目的在于改进大规模MIMO系统中的邻域搜索算法，解决此算法容易陷入局部最优解的问题，提高信号检测算法的性能。本发明提出的算法将引入模拟退火算法中的概率因素，以一定的概率来接受一个比当前解还要差的解，从而跳出局部最优解，搜索到全局最优解。本发明不仅考虑局部最优解的问题，还考虑初始解复杂度过高的问题，以及邻域搜索的搜索速度的问题，从而可以在信号检测的性能与复杂度之间的良好的折中。
(一)本发明提出的创新点的基本思路及操作
以下具体介绍本发明提出的“基于模拟退火思想改进的邻域搜索检测算法”、“低复杂度的加权-对称超松弛迭代(Weighted Symmetric Successive Over RelaxationIteration，WSSOR)算法求解初始解”和“设置多个邻域搜索候选集并行搜索”三个基本思路和主要操作。
1)基于模拟退火算法改进的邻域搜索检测算法
对于邻域搜索检测算法来说，为了降低搜索过程的复杂度，在每次迭代时，比较邻域中每个向量的ML代价函数的值，每次只接受比当前解更好的解。但是这种贪心算法的思想，容易陷入局部最优解的问题，其性能将显著降低。针对此问题，本发明提出一种基于模拟退火算法改进的邻域搜索检测算法。将模拟退火算法中的概率因素引入到大规模MIMO系统信号检测中，此概率因素通过采用Metropolis准则以一定的概率来接受一个比当前解还要差的解，从而跳出局部最优问题，搜索到全局最优解。
Metropolis准则如下式所示：
初始温度一般设置的大一点，可以保证初始阶段可以搜索到全局最优解的区域，如果太小就可能无法跳出局部解。其中，Ti＝α*Ti，α是冷却因子，一般取接近1的数，小一点的衰减量可以使得迭代次数增加，由此可以产生更多变换解，从而返回更优解的可能性增加。
2)低复杂度的加权-对称超松弛迭代检测算法
假设大规模MIMO系统是由一个配置N根天线的基站和K个单天线终端用户构成，调制阶数为M，假设是发送信号向量，设H为N×K维的信道增益矩阵，则接收端的接收信号可以表示为
y＝Hs+n (2)
其中，接收向量 是均值为0、方差为的加性高斯白噪声(Additive White Gaussian Noise,AWGN)向量。对于上行大规模MIMO系统，MMSE线性检测算法可以实现近似ML的检测性能，其发射信号矢量s的估计值可以表示为
其中yMF＝HHy为匹配滤波器的输出。令G＝HHH，则MMSE的滤波矩阵W-1表示为
W-1＝(G+σ2IK)-1 (4)
在大规模MIMO系统中，由于MMSE线性检测算法中的矩阵W-1的计算复杂度随着用户K呈立方增长，在实际应用中增加了硬件实现难度。所以为了解决高复杂度矩阵求逆问题，利用迭代类近似求解的方法提出一个高性能、低复杂度的信号检测算法。
基于WSSOR迭代法提出一种高性能低复杂度的信号检测算法，该算法以低复杂度近似求解MMSE线性检测算法。WSSOR迭代算法是SOR迭代和SSOR迭代加权结合的新算法，具体操作分为以下5个步骤：
(1)分解：分解Hermitian正定矩阵W，记为
W＝D+L+LH (5)
其中，D,L和LH分别表示矩阵W的对角元素矩阵、下三角元素矩阵和上三角元素矩阵。
(2)确定初始解：为了加快收敛速度，根据矩阵W为对称正定矩阵且具有对角占优的特性，用D-1代替W-1可以得到初始解
s(0)＝D-1y (6)
(3)前半部分迭代：前半部分迭代同SOR算法处理的过程一样[15]。
其中i表示迭代的次数，ω为松弛参数。
(4)后半部分迭代：用前半部分迭代的结果作为后半部分迭代的初始值，然后再进行逆
序的SOR迭代算法，其实是SSOR迭代算法的原理
(5)加权：对前两部分算法进行加权
松弛参数ω和加权因子θ影响算法的收敛和收敛速度。θ的取值范围[0,1]。
3)设置多个邻域搜索候选集并行搜索
基于本发明提出的基于模拟退火算法改进的邻域搜索检测算法来说，引入模拟退火算法中的概率因素能够跳出局部最优解。但是为了保证初始阶段可以搜索到全局最优解的区域，产生更多的变换解，模拟退火算法中的初始温度和冷却因子都设置得很大，由此使得降温过程缓慢，相对的收敛速度也很慢。本发明提出设置多个邻域搜索候选集并行搜索，在每次迭代时产生多个邻域搜索的候选集，沿着不同的搜索路径获得多个不同的解向量，从而增大有效搜索面积、增强搜索的能力、提高搜索速度使得解向量最后的性能更优。
(二)本发明具有的优点
本发明提出了基于模拟退火思想改进的邻域搜索检测算法、低复杂度的WSSOR迭代检测算法求解初始解和设置多个邻域搜索候选集并行搜索这三个创新点，具有的优点如下：
1、本发明将线性组合优化里面的模拟退火算法运用到大规模MIMO信号检测中，通过基于Monte-Carlo迭代求解策略引入一个概率因素，这个概率因素根据Metropolis准则来接受一个比当前解还要差的解，使得算法跳出局部最优解，从而找到全局最优解，提高信号检测的误码率性能。
2、本发明在采用了基于模拟退火算法改进的邻域搜索检测算法后，为了加快全局最优解的搜索速度并且降低初始解的求解复杂度，将SSOR迭代算法和SOR迭代算法进行加权结合，用来近似求解初始解，解决了复杂的矩阵求逆问题，在复杂度和性能之间做到较好的折中。
3、本发明在采用了基于模拟退火思想改进的邻域搜索检测算法、低复杂度的WSSOR迭代检测算法求解初始解后，在检测过程中，产生多个邻域搜索候选集进行并行搜索来增大搜索面积，增强搜索能力，提高搜索速度，使得改进后的邻域搜索算法性能更优。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，本发明提供如下附图进行说明：
附图1为大规模MIMO系统模型
附图2为大规模MIMO系统中基于模拟退火算法改进的邻域搜索算法核心部分的流程图
具体实施方式
为了使本技术领域人员可以更好地理解本发明的目的、技术方案和优点,下面结合具体实例和附图来进行完整的描述。
附图1为大规模MIMO系统模型
该图为一般的大规模MIMO系统模型，如图所示，在大规模MIMO上行系统中，发射端有K个单天线用户，用户端的原始发送比特流经过调制映射后得到复数信号集，然后再经过发送天线进行传输，其中引入均值为0，方差为σ2＝K*Es/γ的噪声向量，Es为发送端发送符号的平均能量，γ为接收端的每根天线的平均接收符号信噪比。最后在接收端采用不同的信号检测算法对发送的信号进行估计。
附图2为大规模MIMO系统中基于模拟退火算法改进的邻域搜索算法核心部分的流程图，如图所示，本发明所述方法具体包括以下步骤：
步骤1：首先通过WSSOR迭代检测算法得到的解向量作为初始搜索点；
步骤2：通过比较两个向量之间有多少不同的符号比特来定义当前解的多个不同的邻域搜索集合；
步骤3：在候选解的不同邻域中比较代价函数的值，确定最优邻居；
步骤4：比较该邻居ML代价值是否优于当前解，若是，进入步骤6；否则，进入步骤5；
步骤5：通过当前解和最优邻居的ML代价值采用Metropolis准则计算概率,若概率大于[0,1] 区间内的随机数，则进入步骤6，否则停止算法，输出当前解；
步骤6：将该邻居解作为当前解，返回步骤2。

Claims (4)

1.大规模MIMO系统中改进的邻域搜索检测算法，其特征在于，邻域搜索检测算法作为大规模MIMO系统中一种新的信号检测算法，该算法基于最优化问题中的贪婪搜索思想，能够实现低复杂度的信号检测。由于邻域搜索检测算法在每次迭代时只接受比当前解更好的解，很容易就会陷入局部最优解的问题，同时误码率性能也有所下降，为了在大规模MIMO系统的检测性能与计算复杂度之间取得良好的折中，提出一种基于模拟退火算法改进的邻域搜索检测算法，将模拟退火算法中的概率因素引入到大规模MIMO系统信号检测中，以此跳出局部最优问题，搜索全局最优解，提高检测算法的性能；为降低求解初始解的复杂度问题，提出一种基于WSSOR迭代的检测算法，利用SSOR迭代和SOR迭代进行加权结合来求解初始解，以低复杂度达到近似最佳MMSE线性检测算法的性能，降低了算法的复杂度；模拟退火算法的初始温度和冷却因子设置较大，会造成相对收敛速度很慢的问题，基于上述思想设置多个邻域搜索候选集进行并行搜索，从而可以增大搜索面积、增强搜索能力、提高搜索速度。
2.根据权利要求1所述的大规模MIMO系统中改进的邻域搜索检测算法，其特征在于，所述工作在邻域搜索过程中的基于模拟退火算法改进的邻域搜索检测算法的基本思路是：现有的邻域搜索检测算法在邻域候选集中比较不同解向量的ML代价函数值，在每次迭代搜索时只接受比当前解更好的的解，这种贪心算法的思想会降低算法的计算复杂度，但同时容易陷入局部最优解的问题，使得性能会变差。因此解决局部最优解问题至关重要，为了能跳出局部最优解，搜索全局最优解，在比较不同解向量ML代价函数值的过程中，当最优邻居解向量的ML代价函数值小于当前解ML代价函数值时，则以概率1接收最优邻居解向量；当最优邻居解向量ML代价函数值大于当前解ML代价函数值时，则采用Metropolis准则计算概率，若概率大于[0,1]区间内的随机数，则最优邻居解作为当前解，若概率小于随机数，则重新开始定义当前解的邻域，再次进行比较搜索。
3.根据权利要求1所述的大规模MIMO系统中改进的邻域搜索检测算法，其特征在于，所述工作在基于WSSOR迭代的检测算法求解初始解的基本思路是：对于MMSE线性检测算法来说，由于收发天线数的增加，矩阵维度增大，MMSE检测算法涉及高复杂度的矩阵求逆问题，其算法复杂度将显著增加，因此利用低复杂度的迭代算法来近似求解最佳MMSE线性检测性能，本发明提出基于WSSOR迭代的检测算法，标准的MMSE滤波矩阵可写为首先通过滤波矩阵的对称正定和对角占优特性，得到初始解。然后将滤波矩阵分解为对角元素矩阵、上三角元素矩阵和下三角元素矩阵。然后通过SOR迭代算法进行前半部分的迭代，再进行后半部分的迭代，即用前半部分迭代的结果作为后半部分迭代的初始值，进行逆序的SOR迭代算法，也是SSOR迭代算法的原理；最后对两部分迭代进行加权结合，加权结合后的算法能够解决MMSE检测算法复杂的矩阵求逆问题，以低复杂度实现近似最佳MMSE检测算法的性能。
4.根据权利要求1所述的大规模MIMO系统中改进的邻域搜素检测算法，其特征在于，所述工作在所述工作在设置多个邻域搜索候选集并行搜索的基本思路是：在基于模拟退火算法改进邻域搜索检测算法后，为了保证初始阶段可以搜索到全局最优解的区域，产生更多的变换解，模拟退火算法中的初始温度和冷却因子都设置得很大，其搜索速度缓慢、搜索效率很低，因此利用并行搜素的思想来进行改进，本发明提出设置多个邻域搜索候选集并行搜索的思想，在定义当前解的邻域搜索集合的时候，通过比较两个向量之间不同的符号比特来定义的，可以随机选择某个不同的符号比特来定义多个邻域搜索候选集，也可以随机选择几个不同的符号比特来定义不同的搜索候选集。然后通过多个不同的邻域搜索候选集，在不同的搜索路径上进行并行搜索，从而增大搜索面积、提高搜索速度，使得通过并行搜索改进后的算法性能更优。
CN201910284620.5A 2019-04-10 2019-04-10 大规模mimo系统中基于模拟退火思想改进的las检测算法 Pending CN109995403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910284620.5A CN109995403A (zh) 2019-04-10 2019-04-10 大规模mimo系统中基于模拟退火思想改进的las检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910284620.5A CN109995403A (zh) 2019-04-10 2019-04-10 大规模mimo系统中基于模拟退火思想改进的las检测算法

Publications (1)

Publication Number Publication Date
CN109995403A true CN109995403A (zh) 2019-07-09

Family

ID=67132793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910284620.5A Pending CN109995403A (zh) 2019-04-10 2019-04-10 大规模mimo系统中基于模拟退火思想改进的las检测算法

Country Status (1)

Country Link
CN (1) CN109995403A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110505643A (zh) * 2019-09-23 2019-11-26 杭州电子科技大学 基于模拟退火算法的大规模mimo系统上行能效优化方法
CN113312741A (zh) * 2020-02-27 2021-08-27 富士通株式会社 信息处理装置、信息处理方法和程序
CN113313360A (zh) * 2021-05-06 2021-08-27 中国空气动力研究与发展中心计算空气动力研究所 一种基于模拟退火-撒点混合算法的协同任务分配方法
CN113572500A (zh) * 2021-06-25 2021-10-29 西安电子科技大学 一种混合贪婪和禁忌搜索策略的noma多用户检测算法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110505643A (zh) * 2019-09-23 2019-11-26 杭州电子科技大学 基于模拟退火算法的大规模mimo系统上行能效优化方法
CN110505643B (zh) * 2019-09-23 2022-12-02 杭州电子科技大学 基于模拟退火算法的大规模mimo系统上行能效优化方法
CN113312741A (zh) * 2020-02-27 2021-08-27 富士通株式会社 信息处理装置、信息处理方法和程序
CN113313360A (zh) * 2021-05-06 2021-08-27 中国空气动力研究与发展中心计算空气动力研究所 一种基于模拟退火-撒点混合算法的协同任务分配方法
CN113313360B (zh) * 2021-05-06 2022-04-26 中国空气动力研究与发展中心计算空气动力研究所 一种基于模拟退火-撒点混合算法的协同任务分配方法
CN113572500A (zh) * 2021-06-25 2021-10-29 西安电子科技大学 一种混合贪婪和禁忌搜索策略的noma多用户检测算法

Similar Documents

Publication Publication Date Title
Albreem et al. Massive MIMO detection techniques: A survey
CN109995403A (zh) 大规模mimo系统中基于模拟退火思想改进的las检测算法
Awan et al. Detection for 5G-NOMA: An online adaptive machine learning approach
CN110166088B (zh) 以用户为中心的无小区mimo系统的功率控制算法
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Huang et al. Deep learning for super-resolution DOA estimation in massive MIMO systems
CN113595666A (zh) 大规模mimo系统基于时频联合相关性的信道预测方法和系统
Ivanov et al. Smart sorting in massive MIMO detection
Padmanabhan et al. Training-based antenna selection for PER minimization: A POMDP approach
CN109981151A (zh) 大规模mimo系统中改进的高斯树近似消息传递检测算法
CN114665930A (zh) 去蜂窝大规模mimo系统的下行链路盲信道估计方法
CN112769462B (zh) 一种基于联合参数学习的毫米波mimo宽带信道估计方法
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
Banerjee et al. Access point clustering in cell-free massive MIMO using multi-agent reinforcement learning
CN114268348A (zh) 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法
CN114389756A (zh) 基于分组ml检测和并行迭代干扰抵消的上行mimo检测方法
Ravindran et al. Direction of arrival and channel estimation using machine learning for multiple input multiple output system
CN105450576A (zh) 干扰信道下基于正则化的mimo-ofdm系统的检测方法
CN104734756A (zh) 一种mimo系统检测方法和装置
CN112511204B (zh) 一种基于信道相关消除的混合预编码算法
KR102441253B1 (ko) 무선 통신 시스템에서 신호를 수신하기 위한 장치 및 방법
Ma et al. Enhanced Deep Residual Shrinkage Network Based Channel Estimation in RIS Communication System
Su et al. Denoising Deep Sparse Learning Based Channel Estimation for MU-MIMO Systems
Yan et al. Federated Learning for Massive MIMO Power Allocation
Peken et al. Elastic net for channel estimation in massive MIMO

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190709