CN111030739B - 一种基于lll-sd的大规模mimo信号检测方法 - Google Patents
一种基于lll-sd的大规模mimo信号检测方法 Download PDFInfo
- Publication number
- CN111030739B CN111030739B CN202010022658.8A CN202010022658A CN111030739B CN 111030739 B CN111030739 B CN 111030739B CN 202010022658 A CN202010022658 A CN 202010022658A CN 111030739 B CN111030739 B CN 111030739B
- Authority
- CN
- China
- Prior art keywords
- matrix
- lll
- initial
- reduction
- algorithm
- 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 41
- 239000011159 matrix material Substances 0.000 claims abstract description 110
- 230000009467 reduction Effects 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000007547 defect Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
Abstract
Description
技术领域
本发明属于通信测试技术领域,涉及一种基于LLL-SD的大规模MIMO信号检测方法。
背景技术
大规模MIMO作为5G的关键技术之一,采用了更大规模数量的天线,可提升大幅无线容量和覆盖范围,有效解决通信系统容量上限以及频谱资源紧缺。然而多天线传输会导致信号在译码处理过程中计算复杂度增加。因此,为了充分利用MIMO技术带来的增益,必须要采用高性能的MIMO检测算法。
国内外的研究人员着重于提高信号检测的准确性和降低算法复杂性。目前,信号检测算法主要分为线性信号检测算法和非线性检测算法。线性信号检测算法结构相对简单,运算量少,但其性能稍差,如迫零方法,最小均方误差法可以实现渐近最优的检测性能;非线性检测算法相对复杂,计算量大,但其性能相较于线性信号检测算法要好,如串行干扰消除、QR分解、最大似然算法。
ML检测复杂度会随着调制阶数、天线个数呈指数级增加,复杂度过大而不宜在现实生活中应用,但其拥有最佳的检测性能,所以一般作为对比检测算法优劣的参考。Viterbo和Biglieri将球形检测算法的概念引入到ML算法中,SD算法大大降低了ML检测复杂度。但SD算法复杂度也会随着信噪比的降低而显著升高,为解决这个问题,对SD算法进行改进是十分有必要的。而格基约减作为一种信号检测前的预处理方法,以增加一定的复杂度,来提升系统的检测性能。
发明内容
有鉴于此,本发明的目的在于提供一种基于LLL-SD的大规模MIMO信号检测方法,选择多个初始基进行LLL(Lenstra,Lenstra,Lovasz algorithm)格基约减,进而搜索出一组具有更短长度、更小正交缺陷度的约减基,构成优化矩阵并在该优化矩阵下进行信号检测,优化了球形译码(SD)算法搜索半径,在提高MIMO检测算法的性能的同时最大程度的降低算法复杂度。
为达到上述目的,本发明提供如下技术方案:
一种基于LLL-SD的大规模MIMO信号检测方法,包括以下步骤:
S1:假设系统初始基的规模为m,则需要随机产生m个n维幺模矩阵,n是信道矩阵的维度;
S2:幺模矩阵的选取采用Ui=AiCi的形式,其中Ai为下三角幺模矩阵,Ci为上三角幺模矩阵;
S4:对m组初始基同时进行LLL约减,并计算约减后生成新基的正交缺陷度;
S5:将m组初始基按正交缺陷度进行排序,根据正交缺陷度值的大小,选取性能最优即正交缺陷度最小的一组约减基,获得正交性好且条件数更少的信道矩阵和变换矩阵T;将信道矩阵进行QR分解,得到上三角矩阵和酉矩阵满足即
S8:利用自适应球半径的SD算法进行译码;
S9:得到输出信号xi(1≤i≤Nt)。
进一步,所述步骤S1包括:
对于格基约化算法而言,初始格基只有一个,即初始解只有一个,那么我们要得到多个初始基,就需要对其进行变换来生成多个初始基。设H为格L的一组基,如果U为n维幺模矩阵,即det(U)=1,那么也为格L的一组基;对初始格基进行变换就是对其左乘幺模矩阵的过程;
假设系统的发射天线数为Nt,接收天线数为NR,并令Nt=NR=n,初始基的规模为m,需则要随机产生m个n维幺模矩阵,令
Ai、Ci中的未知元素为随机生成的0或者1,其中1≤i≤m。
进一步,步骤S4具体包括:
首先对m组初始基同时进行LLL约减,并判断已减格基的优劣,采用正交缺陷进行衡量;一个矩阵的正交缺陷定义为:
其中,||hn||2表示hn的范数,hn表示H的列向量,0≤od(H)≤1,表明正交缺陷度越小,正交性越好,即正交矩阵od(H)=0,奇异矩阵od(H)=1;
在MIMO系统中,对Nt维的信道矩阵H进行LLL约减,等效为对H进行QR分解,分解为酉矩阵Q和上三角矩阵R相乘的形式:H=QR,并使矩阵R中的元素满足式(4)和式(5)所示的两个约束条件:
δ|rl-1,l-1|2≤|rl,l|2+|rl-1,l|2 (5)
式中:ri,j表示R矩阵中第i行j列元素,|·|表示取绝对值操作,信道矩阵H是满足参数为δ的LLL约减;条件(4)的主要作用是使得向量之间两两“几乎正交”,条件(5)是对向量之间的长度进行限制,如果不满足条件,就交换向量之间的位置,其主要作用是重新计算GSO生成一个更短的向量;与原始的信道矩阵H相比,经LLL约减而生成的约减基的向量具有更短的长度和更好正交性;并且,经LLL约减处理后生成的新基的正交缺陷度得到了改善,即提高了原始约减基的正交性;
在LLL格基约减算法中,当式(4)不满足时,更新元素:
其中,round(·)表示四舍五入求整操作。
当式(5)不满足时,即:
将交换hn、hn-1的位置,并利用Givens变换更新Q,R矩阵;
令Givens变换的旋转矩阵为G,则G的计算公式为:
由式(8)得到更新后的酉矩阵Q和上三角矩阵R为:
R=GR (9)
Q=QGH (10)。
进一步,所述步骤S5具体包括:
根据步骤S4中式(3)计算的正交缺陷度值的大小,将m组初始基按正交缺陷度从高到低进行排序,选取性能最优即正交缺陷度最小的一组约减基,获得正交性好且条件数更少的信道矩阵和变换矩阵T;然后将信道矩阵进行QR分解,得到上三角矩阵和酉矩阵满足即由于每层信号的信噪比与信道矩阵H进行QR分解后的上三角矩阵R中对角元素的绝对值成正比,所以要在QR分解过程中同时完成对R的排序,即将R的对角元素从1-Nt逐渐变大,则在SIC检测过程中就会先对信噪比较高的信号进行检测。
进一步,步骤S7具体包括:
将LLL约减算法应用于MIMO检测,接收信号向量y=Hx+n转化为:
根据最大似然算法改写的SD算法公式为:
其中D表示搜索半径;
根据步骤S5所得的三角矩阵利用串行干扰消除法提取信号,优先对高信噪比信号进行检测,然后通过判决反馈把每次检测出来的信号从接收信号的均衡信号中减去,避免对未检信号产生干扰;接着继续以同样的办法检测剩余信号,直到获得所有信号。
进一步,所述步骤S8-S9具体包括:
由于噪声与误差干扰,在高阶调制系统中,采用SD算法进行译码时,在半径D区域内,有多个可选节点,即搜索有多条可行路径,所以对求半径的选取以自适应原则为出发点,从第一个节点开始搜索,在下一个节点的选取中仅保留欧式距离最小的节点,直到搜索到最后一个节点,得到输出信号xi(1≤i≤Nt)。整个搜索过程中减少了搜索的路径,有效提高算法效率。
本发明的有益效果在于:本发明利用多个初始基改善信道条件,能够摆脱传统格基约减算法仅从单组基开始搜索的局限,且算法复杂度较低收敛较快,降低了系统的误码率,提高了系统的可靠性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述MIMO检测系统框图;
图2为本发明所述基于LLL-SD的大规模MIMO信号检测方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1-2所示,一种基于LLL-SD的大规模MIMO信号检测方法,包括以下步骤:
S1:假设系统初始基的规模为m,则需要随机产生m个n维幺模矩阵,n是信道矩阵的维度;
对于格基约化算法而言,初始格基只有一个,即初始解只有一个,那么我们要得到多个初始基,就需要对其进行变换来生成多个初始基。设H为格L的一组基,如果U为n维幺模矩阵,即det(U)=1,那么也为格L的一组基;对初始格基进行变换就是对其左乘幺模矩阵的过程;
假设系统的发射天线数为Nt,接收天线数为NR,并令Nt=NR=n,初始基的规模为m,需则要随机产生m个n维幺模矩阵,令
Ai、Ci中的未知元素为随机生成的0或者1,其中1≤i≤m。
S2:幺模矩阵的选取采用Ui=AiCi的形式,其中Ai为下三角幺模矩阵,Ci为上三角幺模矩阵;
S4:对m组初始基同时进行LLL约减,并计算约减后生成新基的正交缺陷度;
首先对m组初始基同时进行LLL约减,并判断已减格基的优劣,采用正交缺陷进行衡量;一个矩阵的正交缺陷定义为:
其中,||hn||2表示hn的范数,hn表示H的列向量,0≤od(H)≤1,表明正交缺陷度越小,正交性越好,即正交矩阵od(H)=0,奇异矩阵od(H)=1;
在MIMO系统中,对Nt维的信道矩阵H进行LLL约减,等效为对H进行QR分解,分解为酉矩阵Q和上三角矩阵R相乘的形式:H=QR,并使矩阵R中的元素满足式(4)和式(5)所示的两个约束条件:
δ|rl-1,l-1|2≤|rl,l|2+|rl-1,l|2 (5)
式中:ri,j表示R矩阵中第i行j列元素,|·|表示取绝对值操作,信道矩阵H是满足参数为δ的LLL约减;条件(4)的主要作用是使得向量之间两两“几乎正交”,条件(5)是对向量之间的长度进行限制,如果不满足条件,就交换向量之间的位置,其主要作用是重新计算GSO生成一个更短的向量;与原始的信道矩阵H相比,经LLL约减而生成的约减基的向量具有更短的长度和更好正交性;并且,经LLL约减处理后生成的新基的正交缺陷度得到了改善,即提高了原始约减基的正交性;
在LLL格基约减算法中,当式(4)不满足时,更新元素:
其中,round(·)表示四舍五入求整操作。
当式(5)不满足时,即:
将交换hn、hn-1的位置,并利用Givens变换更新Q,R矩阵;
令Givens变换的旋转矩阵为G,则G的计算公式为:
由式(8)得到更新后的酉矩阵Q和上三角矩阵R为:
R=GR (9)
Q=QGH (10)。
S5:将m组初始基按正交缺陷度进行排序,根据正交缺陷度值的大小,选取性能最优即正交缺陷度最小的一组约减基,获得正交性好且条件数更少的信道矩阵和变换矩阵T;将信道矩阵进行QR分解,得到上三角矩阵和酉矩阵满足即
根据步骤S4中式(3)计算的正交缺陷度值的大小,将m组初始基按正交缺陷度从高到低进行排序,选取性能最优即正交缺陷度最小的一组约减基,获得正交性好且条件数更少的信道矩阵和变换矩阵T;然后将信道矩阵进行QR分解,得到上三角矩阵和酉矩阵满足即由于每层信号的信噪比与信道矩阵H进行QR分解后的上三角矩阵R中对角元素的绝对值成正比,所以要在QR分解过程中同时完成对R的排序,即将R的对角元素从1-Nt逐渐变大,则在SIC检测过程中就会先对信噪比较高的信号进行检测。
将LLL约减算法应用于MIMO检测,接收信号向量y=Hx+n转化为:
根据最大似然算法改写的SD算法公式为:
其中D表示搜索半径;
根据步骤S5所得的三角矩阵利用串行干扰消除法提取信号,优先对高信噪比信号进行检测,然后通过判决反馈把每次检测出来的信号从接收信号的均衡信号中减去,避免对未检信号产生干扰;接着继续以同样的办法检测剩余信号,直到获得所有信号。
S8:利用自适应球半径的SD算法进行译码;
S9:得到输出信号xi(1≤i≤Nt)。
由于噪声与误差干扰,在高阶调制系统中,采用SD算法进行译码时,在半径D区域内,有多个可选节点,即搜索有多条可行路径,所以对求半径的选取以自适应原则为出发点,从第一个节点开始搜索,在下一个节点的选取中仅保留欧式距离最小的节点,直到搜索到最后一个节点,得到输出信号xi(1≤i≤Nt)。整个搜索过程中减少了搜索的路径,有效提高算法效率。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于LLL-SD的大规模MIMO信号检测方法,其特征在于:包括以下步骤:
S1:系统初始基的规模为m,则随机产生m个n维幺模矩阵Ui,1≤i≤m;幺模矩阵Ui的选取采用Ui=AiCi的形式,其中Ai为下三角幺模矩阵,Ci为上三角幺模矩阵;
S2:根据Hi=UiH产生m组初始基,其中信道矩阵H为系统的其中一组初始基;
S3:对m组初始基同时进行LLL约减,并计算约减后生成新基的正交缺陷度;
S7:利用自适应球半径的SD算法进行译码;
S8:得到输出信号xi(1≤i≤Nt),Nt为发送端的天线数量。
4.根据权利要求3所述的基于LLL-SD的大规模MIMO信号检测方法,其特征在于:步骤S3中所述对m组初始基同时进行LLL约减,等效为对m组初始基Hi进行QR分解,分解为酉矩阵Q和上三角矩阵R相乘的形式:Hi=QR,并使矩阵R中的元素满足式(4)和式(5)所示的两个约束条件:
δ|rl-1,l-1|2≤|rl,l|2+|rl-1,l|2 (5)
当式(4)不满足时,更新元素:
其中,round(·)表示四舍五入求整操作;
当式(5)不满足时,即:
将交换hn、hn-1的位置,并利用Givens变换更新Q,R矩阵;
令Givens变换的旋转矩阵为G,则G的计算公式为:
由式(8)得到更新后的酉矩阵Q和上三角矩阵R为:
R=GR (9)
Q=QGH (10)。
6.根据权利要求5所述的基于LLL-SD的大规模MIMO信号检测方法,其特征在于:所述步骤S7-S8具体包括:
对求半径的选取以自适应原则为出发点,从第一个节点开始搜索,在下一个节点的选取中仅保留欧式距离最小的节点,直到搜索到最后一个节点,得到输出信号xi(1≤i≤Nt)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022658.8A CN111030739B (zh) | 2020-01-09 | 2020-01-09 | 一种基于lll-sd的大规模mimo信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022658.8A CN111030739B (zh) | 2020-01-09 | 2020-01-09 | 一种基于lll-sd的大规模mimo信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111030739A CN111030739A (zh) | 2020-04-17 |
CN111030739B true CN111030739B (zh) | 2021-03-16 |
Family
ID=70202594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010022658.8A Active CN111030739B (zh) | 2020-01-09 | 2020-01-09 | 一种基于lll-sd的大规模mimo信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111030739B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669189B (zh) * | 2020-05-28 | 2022-02-25 | 中国联合网络通信集团有限公司 | 一种信号检测方法和装置 |
CN113098603A (zh) * | 2021-02-26 | 2021-07-09 | 桂林电子科技大学 | 一种基于格基约减的成像光mimo预编解码方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104580039A (zh) * | 2015-01-26 | 2015-04-29 | 上海交通大学 | 格基规约算法辅助的无线mimo系统的接收机检测方法 |
CN105356920A (zh) * | 2015-12-03 | 2016-02-24 | 南京信息工程大学 | 格约减辅助球形译码mimo信号检测方法 |
CN105814857A (zh) * | 2013-10-17 | 2016-07-27 | 乔治亚技术研究公司 | 用于低复杂度和高性能通信的改进的格基约减辅助的k-best 算法 |
CN109818891A (zh) * | 2019-03-13 | 2019-05-28 | 重庆邮电大学 | 一种格基约减辅助的低复杂度贪心球形译码检测方法 |
CN110581815A (zh) * | 2019-10-28 | 2019-12-17 | 中国联合网络通信集团有限公司 | 一种信号检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3174232A4 (en) * | 2014-07-25 | 2017-08-16 | Sanechips Technology Co., Ltd. | Path detection method and device, and sphere decoding detection device |
CN109547074B (zh) * | 2018-12-04 | 2021-09-10 | 西安电子科技大学 | 一种基于zf准则的格基规约辅助的ml-sic信号检测方法 |
-
2020
- 2020-01-09 CN CN202010022658.8A patent/CN111030739B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105814857A (zh) * | 2013-10-17 | 2016-07-27 | 乔治亚技术研究公司 | 用于低复杂度和高性能通信的改进的格基约减辅助的k-best 算法 |
CN104580039A (zh) * | 2015-01-26 | 2015-04-29 | 上海交通大学 | 格基规约算法辅助的无线mimo系统的接收机检测方法 |
CN105356920A (zh) * | 2015-12-03 | 2016-02-24 | 南京信息工程大学 | 格约减辅助球形译码mimo信号检测方法 |
CN109818891A (zh) * | 2019-03-13 | 2019-05-28 | 重庆邮电大学 | 一种格基约减辅助的低复杂度贪心球形译码检测方法 |
CN110581815A (zh) * | 2019-10-28 | 2019-12-17 | 中国联合网络通信集团有限公司 | 一种信号检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
MIMO 系统中基于条件数阈值的格基约减信号检测算法;周围;《重庆邮电大学学报( 自然科学版)》;20171231;第29卷(第6期);全文 * |
一种格基约减辅助的改进球形译码检测算法;王华华;《光通信研究》;20191231(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111030739A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI424699B (zh) | 多層叢集式多輸入多輸出偵測方法及相關多輸入多輸出偵測器 | |
CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN111030739B (zh) | 一种基于lll-sd的大规模mimo信号检测方法 | |
CN112565118B (zh) | 毫米波透镜天线阵列通信系统信道估计方法 | |
CN110429999A (zh) | 基于lp-Box ADMM算法的大规模MIMO检测方法 | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN107835068B (zh) | 一种具有发射分集的低复杂度正交空间调制球形译码检测算法 | |
CN109951214A (zh) | 一种适用于大规模mimo系统的信号检测方法 | |
CN105356920A (zh) | 格约减辅助球形译码mimo信号检测方法 | |
CN101227254A (zh) | 一种在多入多出系统中v-blast的检测方法 | |
CN101997657A (zh) | Mimo系统中宽度优先球形译码检测方法 | |
CN109818891B (zh) | 一种格基约减辅助的低复杂度贪心球形译码检测方法 | |
CN107181705A (zh) | 一种半盲信道估计方法及系统 | |
CN116405077A (zh) | 一种基于深度学习的大规模mimo混合波束赋形方法 | |
CN102006113B (zh) | 基于迫零预检测的并行mimo信号检测方法 | |
CN106301497B (zh) | 一种混合发送编码检测方法和装置 | |
CN114598574A (zh) | 一种基于深度学习的毫米波信道估计方法 | |
CN113489545A (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
CN109547074B (zh) | 一种基于zf准则的格基规约辅助的ml-sic信号检测方法 | |
CN113746776B (zh) | 基于星座点排序和动态树搜索的信号接收方法 | |
CN105721031B (zh) | 一种可实现绿色通信的终端多天线子集选择方法 | |
CN113641957B (zh) | 一种基于归一化流的信号检测方法 | |
CN110504995A (zh) | 基于格基规约和K-Best的软输出MIMO检测方法 | |
CN113328771B (zh) | 一种基于共轭梯度算法的大规模mimo信号检测方法 |
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 |