CN112242861B - 大规模mimo系统的用户活跃性和信号联合检测方法 - Google Patents
大规模mimo系统的用户活跃性和信号联合检测方法 Download PDFInfo
- Publication number
- CN112242861B CN112242861B CN202010904263.0A CN202010904263A CN112242861B CN 112242861 B CN112242861 B CN 112242861B CN 202010904263 A CN202010904263 A CN 202010904263A CN 112242861 B CN112242861 B CN 112242861B
- Authority
- CN
- China
- Prior art keywords
- base station
- probability
- dimension
- representing
- iteration
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 26
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 241000287196 Asthenes Species 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0047—Decoding adapted to other signal detection operation
- H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种大规模MIMO系统的用户活跃性和信号联合检测方法,其IoT设备的数量大于基站侧配置的天线的数量,在上行线路每个活跃IoT设备在各个时隙发射M进制正交幅度调制的符号,不活跃IoT设备在各个时隙发射符号为0,基站侧的每根天线在各个时隙接收信号;考虑噪声功率未知的情况,利用酉变换近似消息传递估计噪声功率,并且得到发射符号的后验概率,根据该后验概率和期望最大化算法进行用户活跃性检测,最终得到信号检测结果即估计所有IoT设备在所有时隙发射的符号构成的矩阵;优点是其无需已知噪声功率,更符合实际情况,且其能够在活跃的IoT设备数量接近基站侧天线数量的情况下仍有较好的检测性能。
Description
技术领域
本发明涉及一种用户活跃性和信号联合检测方法,尤其是涉及一种大规模MIMO(Multiple-Input Multiple-Output,多输入多输出)系统的上行线路的用户活跃性和信号联合检测方法。
背景技术
随着物联网(Internet of things,IoT)和移动互联网的快速发展,第五代移动通信系统需要应对高吞吐量、低延迟和大规模连接等挑战。大规模多输入多输出(MassiveMultiple-Input Multiple-Output,mMIMO)技术,由于其能够提升频谱效率、能量效率和可靠性,因此已成为第五代移动通信的关键技术之一。在mMIMO系统中,基站通常会配置数十甚至数百根天线来服务多个IoT设备(用户)。
按照传统通信方式,用户接入基站需要一个握手过程,即IoT设备先向基站申请信道资源,在基站调度并分配信道后才能向基站发送数据。由于IoT设备每次发送的信息数据量非常少,甚至远少于IoT设备与基站之间的握手过程产生的信令开销,因此,IoT设备与基站之间的握手过程会造成信道资源的极大浪费。另一方面,IoT设备与基站之间的握手过程会产生较大的延迟,从而会造成第五代移动通信的应用无法达到低延迟的目标。
针对上述问题,人们提出了无握手过程的免调度方案,即在基站侧同时进行用户活跃性检测和信号检测。利用活跃的IoT设备数量远小于基站侧天线数量的特点,压缩感知算法被用于用户活跃性和信号联合检测。然而,现有的用户活跃性和信号联合检测方法存在以下两个问题:1)假设噪声功率已知,而实际中大多采用低成本的IoT设备,标称噪声功率与实际值会有很大的差别,不符合实际情况;2)假设活跃的IoT设备数量远小于基站侧天线数量,而实际中活跃的IoT设备数量是可能接近基站侧天线数量的,实际的检测性能并不高。
发明内容
本发明所要解决的技术问题是提供一种大规模MIMO系统的用户活跃性和信号联合检测方法,其无需已知噪声功率,更符合实际情况,且其能够在活跃的IoT设备数量接近基站侧的天线数量的情况下仍有较好的检测性能。
本发明解决上述技术问题所采用的技术方案为:一种大规模MIMO系统的用户活跃性和信号联合检测方法,其特征在于包括以下步骤:
步骤1:在大规模MIMO系统中,设定在基站侧配置有N根天线,并设定在用户侧共有K个配置有单天线的IoT设备,且IoT设备的数量大于基站侧配置的天线的数量;在大规模MIMO系统的上行线路,每个IoT设备在J个时隙发射符号,基站侧的每根天线在J个时隙接收信号,将第k个IoT设备在第j个时隙发射的符号记为将基站侧的第n根天线在第j个时隙接收到的信号记为然后将K个IoT设备在第j个时隙发射的符号构成的维数为K×1的列向量记为xj,将K个IoT设备在J个时隙发射的符号构成的维数为K×J的矩阵记为X,X=[x1,...,xj,...,xJ];并将基站侧的N根天线在第j个时隙接收到的信号构成的维数为N×1的列向量记为yj,yj描述为yj=hxj+wj,将基站侧的N根天线在J个时隙接收到的信号构成的维数为N×J的矩阵记为Y,Y=[y1,...,yj,...,yJ],Y描述为Y=hX+W;其中,N>1,K>N,J≥1,1≤n≤N,1≤k≤K,1≤j≤J,若第k个IoT设备在第j个时隙活跃则Δ表示M进制正交幅度调制的所有符号构成的集合,Δ={q1,...,qm,...,qM},M进制为2α进制,α为正整数,1≤α≤10,M=2α,q1表示M进制正交幅度调制的第1个符号,qm表示M进制正交幅度调制的第m个符号,qM表示M进制正交幅度调制的第M个符号,1≤m≤M,若第k个IoT设备在第j个时隙不活跃则为零,表示第1个IoT设备在第j个时隙发射的符号,表示第K个IoT设备在第j个时隙发射的符号,[]T表示向量或矩阵的转置,x1表示K个IoT设备在第1个时隙发射的符号构成的维数为K×1的列向量,xJ表示K个IoT设备在第J个时隙发射的符号构成的维数为K×1的列向量,表示基站侧的第1根天线在第j个时隙接收到的信号,表示基站侧的第N根天线在第j个时隙接收到的信号,y1表示基站侧的N根天线在第1个时隙接收到的信号构成的维数为N×1的列向量,yJ表示基站侧的N根天线在第J个时隙接收到的信号构成的维数为N×1的列向量,h表示维数为N×K的信道矩阵,wj表示基站侧的N根天线在第j个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量, 表示基站侧的第1根天线在第j个时隙的噪声,表示基站侧的第n根天线在第j个时隙的噪声,表示基站侧的第N根天线在第j个时隙的噪声,服从均值为0、精度为λ即方差为λ-1的复高斯分布,即 表示复高斯分布,W表示基站侧的N根天线在J个时隙的噪声构成的维数为N×J的噪声矩阵,W=[w1,...,wj,...,wJ],w1表示基站侧的N根天线在第1个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量,wJ表示基站侧的N根天线在第J个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量;
步骤2:对信道矩阵h进行奇异值分解,h=UΛV;然后根据Y=hX+W和h=UΛV,得到Y=UΛVX+W;接着在Y=UΛVX+W的两侧均左乘矩阵UT,得到UTY=ΛVX+UTW;再引入一个维数为N×J的矩阵R,令R=UTY=ΛVX+UTW;其中,U表示维数为N×N的正交矩阵即酉矩阵,V表示维数为K×K的正交矩阵即酉矩阵,Λ表示维数为N×K的非负实对角矩阵,R=[r1,...,rj,...,rJ],r1表示R中的第1个维数为N×1的列向量,rj表示R中的第j个维数为N×1的列向量,rJ表示R中的第J个维数为N×1的列向量, 表示rj中的第1个元素,表示rj中的第n个元素,表示rj中的第N个元素;
步骤3:计算精度λ未知时精度λ的先验概率,记为p(λ),p(λ)=Gam(λ;a,b);并计算每个IoT设备的活跃概率已知的条件下每个IoT设备在各个时隙发射的符号的概率,将第k个IoT设备的活跃概率已知的条件下的概率记为 其中,Gam()表示Gamma分布,Gam(λ;a,b)表示λ服从参数为a和b的Gamma分布,a和b均为接近于0的极小正数,θk表示第k个IoT设备的活跃概率,0≤θk≤1,pm表示为qm的概率,δ()表示狄拉克函数;
步骤4:在每个IoT设备的活跃概率和R已知的情况下,利用酉变换近似消息传递算法进行信号检测即估计X以及估计λ,具体过程为:
步骤4_1:计算每个IoT设备的活跃概率和R已知的条件下X和λ的后验概率,记为p(X,λ|R,θ),p(X,λ|R,θ)∝p(R|X,λ)p(X|θ)p(λ);其中,θ表示K个IoT设备的活跃概率构成的维数为K×1的列向量,θ=[θ1,...,θk,...,θK]T,θ1表示第1个IoT设备的活跃概率,θK表示第K个IoT设备的活跃概率,符号“∝”表示正比于,p(R|X,λ)表示X和λ已知的条件下R的概率,Z为引入的维数为N×J的辅助矩阵,表示Z中第n行第j列的元素,且(ΛV)n表示矩阵ΛV中的第n行,p(R|Z,λ)表示Z和λ已知的条件下R的概率,p(Z|X)表示X已知的条件下Z的概率,表示和λ已知的条件下的概率, 表示变量为服从均值为方差为λ-1的复高斯分布的概率密度函数,表示xj已知的条件下的概率,p(X|θ)表示θ已知的条件下X的概率,
步骤4_2:将p(X,λ|R,θ)∝p(R|X,λ)p(X|θ)p(λ)改写成然后令fλ(λ)、和对应表示p(λ)、和将重新表示为其中,以fA(B)泛指fλ(λ)、和fA(B)中的A表示因子图中的因子、B表示与因子A相关的变量,fλ(λ)是所有时隙共享的,表示中第n行第j列的元素;
步骤4_4:令初始化将的初始化值记为 初始化每个IoT设备的活跃概率,将θk的初始化值记为 初始化每个IoT设备在各个时隙发射的符号的均值,将的均值的初始化值记为 初始化每个IoT设备在各个时隙发射的符号的方差,将的方差的初始化值记为 引入中间变量初始化将的初始化值记为 t表示迭代次数,t的初始值为0;其中,为引入的中间变量,E(λ)表示求Gamma分布的期望,符号“||”为取模符号;
步骤4_5:在因子图模型的基础上,计算在第t次迭代下因子传递给变量的后向消息的方差和均值,对应记为和 其中,“→”表示传递的方向,(ΛV)n,k表示矩阵ΛV的第n行第k列的元素,t=0时即为t>0时表示的均值在第t次迭代下的值,t=0时即为t>0时表示的方差在第t次迭代下的值,t=0时即为t>0时表示在第t-1次迭代下的值;
步骤4_9:在和已知的条件下计算的后验概率,记为 其中,t=0时即t>0时表示θk在第t次迭代下的值,表示已知的条件下的概率, 表示变量为服从均值为方差为的复高斯分布的概率密度函数,表示已知的条件下的概率;
步骤4_12:判断迭代次数t是否达到最大迭代次数tmax,若达到,则停止迭代,再执行步骤4_13;若没有达到,则令t=t+1,然后返回步骤4_5继续执行;其中,t=t+1中的“=”为赋值符号,tmax>1;
步骤4_13:根据θk在第tmax次迭代下的值判断第k个IoT设备是否活跃,若则判定第k个IoT设备活跃;若则判定第k个IoT设备不活跃,完成了用户活跃性检测;将的均值在第tmax次迭代下的值作为的估计值,进而得到X的估计值,完成了信号检测;根据在第tmax次迭代下的值得到λ的估计值。
与现有技术相比,本发明的优点在于:
1)由于本发明方法利用了消息传递方式,因此可以在噪声功率未知的情况下实现对噪声功率的估计,且具有良好的估计效果,较高精度的噪声功率估计值提高了检测性能。
2)本发明方法结合了酉变换近似消息传递算法和期望最大化算法,能够有效提高检测性能,在活跃的IoT设备数量较小时检测性能很好,并且当活跃的IoT设备数量在接近基站侧的天线数量的情况下仍能够进行检测,检测性能较好。
3)由于本发明方法对信道矩阵进行奇异值分解的预处理操作,因此使得本发明方法对信道相关性具有稳健作用。
附图说明
图1为本发明方法的总体实现框图;
图2为大规模MIMO系统的示意图;
图3为因子图模型的示意图;
图4为基站侧的天线数量为N=100,IoT设备的数量为K=150,时隙数为J=7,最大迭代次数为tmax=15,活跃的IoT设备的数量为10,本发明方法在基站侧的天线的相关系数ρ分别为0、0.3、0.7时,误符号率随信噪比的变化曲线对比图;
图5为基站侧的天线数量为N=100,IoT设备的数量为K=150,时隙数为J=7,最大迭代次数为tmax=15,信噪比为10dB,本发明方法在基站侧的天线的相关系数ρ分别为0.3、0.5、0.7时,误符号率随活跃的IoT设备的数量的变化曲线对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种大规模MIMO系统的用户活跃性和信号联合检测方法,其总体实现框图如图1所示,其包括以下步骤:
步骤1:如图2所示,在大规模MIMO系统中,设定在基站侧配置有N根天线,并设定在用户侧共有K个配置有单天线的IoT设备,且IoT设备的数量大于基站侧配置的天线的数量;在大规模MIMO系统的上行线路,考虑到信道编码等因素,每个IoT设备在J个时隙发射符号,基站侧的每根天线在J个时隙接收信号,将第k个IoT设备在第j个时隙发射的符号记为将基站侧的第n根天线在第j个时隙接收到的信号记为然后将K个IoT设备在第j个时隙发射的符号构成的维数为K×1的列向量记为xj,将K个IoT设备在J个时隙发射的符号构成的维数为K×J的矩阵记为X,X=[x1,...,xj,...,xJ];并将基站侧的N根天线在第j个时隙接收到的信号构成的维数为N×1的列向量记为yj,yj描述为yj=hxj+wj,将基站侧的N根天线在J个时隙接收到的信号构成的维数为N×J的矩阵记为Y,Y=[y1,...,yj,...,yJ],Y描述为Y=hX+W;其中,N>1,目前在基站侧可以做到配置百根以上的天线,在本实施例中取N=100,K>N,在本实施例中取K=150,J≥1,在本实施例中取J=7,1≤n≤N,1≤k≤K,1≤j≤J,由于目前正交幅度调制达到1024,因此α最大为10,若第k个IoT设备在第j个时隙活跃则Δ表示M进制正交幅度调制的所有符号构成的集合,Δ={q1,...,qm,...,qM},M进制为2α进制,α为正整数,1≤α≤10,M=2α,q1表示M进制正交幅度调制的第1个符号,qm表示M进制正交幅度调制的第m个符号,qM表示M进制正交幅度调制的第M个符号,1≤m≤M,若第k个IoT设备在第j个时隙不活跃则为零,表示第1个IoT设备在第j个时隙发射的符号,表示第K个IoT设备在第j个时隙发射的符号,[]T表示向量或矩阵的转置,x1表示K个IoT设备在第1个时隙发射的符号构成的维数为K×1的列向量,xJ表示K个IoT设备在第J个时隙发射的符号构成的维数为K×1的列向量,表示基站侧的第1根天线在第j个时隙接收到的信号,表示基站侧的第N根天线在第j个时隙接收到的信号,y1表示基站侧的N根天线在第1个时隙接收到的信号构成的维数为N×1的列向量,yJ表示基站侧的N根天线在第J个时隙接收到的信号构成的维数为N×1的列向量,h表示维数为N×K的信道矩阵,wj表示基站侧的N根天线在第j个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量, 表示基站侧的第1根天线在第j个时隙的噪声,表示基站侧的第n根天线在第j个时隙的噪声,表示基站侧的第N根天线在第j个时隙的噪声,服从均值为0、精度为λ即方差为λ-1的复高斯分布,即 表示复高斯分布,W表示基站侧的N根天线在J个时隙的噪声构成的维数为N×J的噪声矩阵,W=[w1,...,wj,...,wJ],w1表示基站侧的N根天线在第1个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量,wJ表示基站侧的N根天线在第J个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量。
步骤2:为了使信道具有稳健性能,对信道矩阵h进行奇异值分解,h=UΛV;然后根据Y=hX+W和h=UΛV,得到Y=UΛVX+W;接着在Y=UΛVX+W的两侧均左乘矩阵UT,得到UTY=ΛVX+UTW;再引入一个维数为N×J的矩阵R,令R=UTY=ΛVX+UTW;其中,U表示维数为N×N的正交矩阵即酉矩阵,V表示维数为K×K的正交矩阵即酉矩阵,Λ表示维数为N×K的非负实对角矩阵,R=[r1,...,rj,...,rJ],r1表示R中的第1个维数为N×1的列向量,rj表示R中的第j个维数为N×1的列向量,rJ表示R中的第J个维数为N×1的列向量, 表示rj中的第1个元素,表示rj中的第n个元素,表示rj中的第N个元素。
步骤3:计算精度λ未知时精度λ的先验概率,记为p(λ),p(λ)=Gam(λ;a,b);并计算每个IoT设备的活跃概率已知的条件下每个IoT设备在各个时隙发射的符号的概率,将第k个IoT设备的活跃概率已知的条件下的概率记为 其中,Gam()表示Gamma分布,Gam(λ;a,b)表示λ服从参数为a和b的Gamma分布,a和b均为接近于0的极小正数,θk表示第k个IoT设备的活跃概率,0≤θk≤1,pm表示为qm的概率,δ()表示狄拉克函数。
步骤4:在每个IoT设备的活跃概率和R已知的情况下,利用酉变换近似消息传递算法进行信号检测即估计X以及估计λ,具体过程为:
步骤4_1:计算每个IoT设备的活跃概率和R已知的条件下X和λ的后验概率,记为p(X,λ|R,θ),p(X,λ|R,θ)∝p(R|X,λ)p(X|θ)p(λ);其中,θ表示K个IoT设备的活跃概率构成的维数为K×1的列向量,θ=[θ1,...,θk,...,θK]T,θ1表示第1个IoT设备的活跃概率,θK表示第K个IoT设备的活跃概率,由于每个IoT设备每次传输一帧数据,每帧包含J个时隙,每个IoT设备在J个时隙的活跃情况是相同的,即一帧的符号全部活跃或全部不活跃,因此令K个IoT设备的活跃概率为θ=[θ1,...,θk,...,θK]T,符号“∝”表示正比于,p(R|X,λ)表示X和λ已知的条件下R的概率,Z为引入的维数为N×J的辅助矩阵,表示Z中第n行第j列的元素,且(ΛV)n表示矩阵ΛV中的第n行,p(R|Z,λ)表示Z和λ已知的条件下R的概率,p(Z|X)表示X已知的条件下Z的概率,表示和λ已知的条件下的概率, 表示变量为服从均值为方差为λ-1的复高斯分布的概率密度函数,表示xj已知的条件下的概率,p(X|θ)表示θ已知的条件下X的概率,
步骤4_2:将p(X,λ|R,θ)∝p(R|X,λ)p(X|θ)p(λ)改写成然后令fλ(λ)、 和对应表示p(λ)、 和将重新表示为其中,以fA(B)泛指fλ(λ)、 和fA(B)中的A表示因子图中的因子、B表示与因子A相关的变量,fλ(λ)是所有时隙共享的,表示中第n行第j列的元素。
步骤4_4:令初始化将的初始化值记为 在本实施例中取a=b,即初始化每个IoT设备的活跃概率,将θk的初始化值记为 初始化每个IoT设备在各个时隙发射的符号的均值,将的均值的初始化值记为 初始化每个IoT设备在各个时隙发射的符号的方差,将的方差的初始化值记为 引入中间变量初始化将的初始化值记为 t表示迭代次数,t的初始值为0;其中,为引入的中间变量,E(λ)表示求Gamma分布的期望,符号“||”为取模符号。
步骤4_5:在因子图模型的基础上,计算在第t次迭代下因子传递给变量的后向消息的方差和均值,对应记为和 其中,“→”表示传递的方向,(ΛV)n,k表示矩阵ΛV的第n行第k列的元素,t=0时即为t>0时表示的均值在第t次迭代下的值,t=0时即为t>0时表示的方差在第t次迭代下的值,t=0时即为t>0时表示在第t-1次迭代下的值。
步骤4_9:在和已知的条件下计算的后验概率,记为 其中,t=0时即t>0时表示θk在第t次迭代下的值,表示已知的条件下的概率, 表示变量为服从均值为方差为的复高斯分布的概率密度函数,表示已知的条件下的概率。
步骤4_12:判断迭代次数t是否达到最大迭代次数tmax,若达到,则停止迭代,再执行步骤4_13;若没有达到,则令t=t+1,然后返回步骤4_5继续执行;其中,t=t+1中的“=”为赋值符号,tmax>1,在本实施例中取tmax=15。
步骤4_13:根据θk在第tmax次迭代下的值判断第k个IoT设备是否活跃,若则判定第k个IoT设备活跃;若则判定第k个IoT设备不活跃,完成了用户活跃性检测;将的均值在第tmax次迭代下的值作为的估计值,进而得到X的估计值,完成了信号检测;根据在第tmax次迭代下的值得到λ的估计值。
通过以下仿真来进一步说明本发明方法的性能,以16QAM(4进制正交幅度调制)为例。
由于IoT设备配置的是单天线,发射天线(即IoT设备配置的天线)的空间相关性可以忽略,因此只需考虑接收天线(基站侧的天线)的空间相关性,即其中,hw表示服从零均值单位方差的复高斯分布,cR表示接收相关矩阵,考虑到大规模MIMO系统的基站侧的天线按照均匀阵列放置,接收相关矩阵cR的第n行第k列元素由ρn-k得到,ρ为接收天线的相关系数,其变化范围为0到1,此处“||”为取绝对值符号。
图4给出的是本发明方法在基站侧的天线的相关系数ρ分别为0、0.3、0.7时,误符号率随信噪比的变化曲线对比图。在仿真中,基站侧的天线数量为N=100,IoT设备的数量为K=150,时隙数为J=7,最大迭代次数为tmax=15,活跃的IoT设备的数量为10。从图4中可以看出,当基站侧的天线的相关系数增大时,本发明方法在天线高相关性和低相关性时都具有较高的性能,换句话说,本发明方法的性能基本不受基站侧的天线的相关性的影响。
图5给出的是本发明方法在基站侧的天线的相关系数ρ分别为0.3、0.5、0.7时,误符号率随活跃的IoT设备的数量的变化曲线对比图。在仿真中,基站侧的天线数量为N=100,IoT设备的数量为K=150,时隙数为J=7,最大迭代次数为tmax=15,信噪比为10dB。从图5中可以看出,当基站侧的天线的相关系数增大时,本发明方法在活跃的IoT设备的数量接近基站侧的天线数量的情况下仍可检测。
Claims (1)
1.一种大规模MIMO系统的用户活跃性和信号联合检测方法,其特征在于包括以下步骤:
步骤1:在大规模MIMO系统中,设定在基站侧配置有N根天线,并设定在用户侧共有K个配置有单天线的IoT设备,且IoT设备的数量大于基站侧配置的天线的数量;在大规模MIMO系统的上行线路,每个IoT设备在J个时隙发射符号,基站侧的每根天线在J个时隙接收信号,将第k个IoT设备在第j个时隙发射的符号记为将基站侧的第n根天线在第j个时隙接收到的信号记为然后将K个IoT设备在第j个时隙发射的符号构成的维数为K×1的列向量记为xj,将K个IoT设备在J个时隙发射的符号构成的维数为K×J的矩阵记为X,X=[x1,...,xj,...,xJ];并将基站侧的N根天线在第j个时隙接收到的信号构成的维数为N×1的列向量记为yj,yj描述为yj=hxj+wj,将基站侧的N根天线在J个时隙接收到的信号构成的维数为N×J的矩阵记为Y,Y=[y1,...,yj,...,yJ],Y描述为Y=hX+W;其中,N>1,K>N,J≥1,1≤n≤N,1≤k≤K,1≤j≤J,若第k个IoT设备在第j个时隙活跃则Δ表示M进制正交幅度调制的所有符号构成的集合,Δ={q1,...,qm,...,qM},M进制为2α进制,α为正整数,1≤α≤10,M=2α,q1表示M进制正交幅度调制的第1个符号,qm表示M进制正交幅度调制的第m个符号,qM表示M进制正交幅度调制的第M个符号,1≤m≤M,若第k个IoT设备在第j个时隙不活跃则为零,表示第1个IoT设备在第j个时隙发射的符号,表示第K个IoT设备在第j个时隙发射的符号,[]T表示向量或矩阵的转置,x1表示K个IoT设备在第1个时隙发射的符号构成的维数为K×1的列向量,xJ表示K个IoT设备在第J个时隙发射的符号构成的维数为K×1的列向量,表示基站侧的第1根天线在第j个时隙接收到的信号,表示基站侧的第N根天线在第j个时隙接收到的信号,y1表示基站侧的N根天线在第1个时隙接收到的信号构成的维数为N×1的列向量,yJ表示基站侧的N根天线在第J个时隙接收到的信号构成的维数为N×1的列向量,h表示维数为N×K的信道矩阵,wj表示基站侧的N根天线在第j个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量, 表示基站侧的第1根天线在第j个时隙的噪声,表示基站侧的第n根天线在第j个时隙的噪声,表示基站侧的第N根天线在第j个时隙的噪声,服从均值为0、精度为λ即方差为λ-1的复高斯分布,即 表示复高斯分布,W表示基站侧的N根天线在J个时隙的噪声构成的维数为N×J的噪声矩阵,W=[w1,...,wj,...,wJ],w1表示基站侧的N根天线在第1个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量,wJ表示基站侧的N根天线在第J个时隙的噪声构成的维数为N×1的独立同分布的复加性高斯白噪声向量;
步骤2:对信道矩阵h进行奇异值分解,h=UΛV;然后根据Y=hX+W和h=UΛV,得到Y=UΛVX+W;接着在Y=UΛVX+W的两侧均左乘矩阵UT,得到UTY=ΛVX+UTW;再引入一个维数为N×J的矩阵R,令R=UTY=ΛVX+UTW;其中,U表示维数为N×N的正交矩阵即酉矩阵,V表示维数为K×K的正交矩阵即酉矩阵,Λ表示维数为N×K的非负实对角矩阵,R=[r1,...,rj,...,rJ],r1表示R中的第1个维数为N×1的列向量,rj表示R中的第j个维数为N×1的列向量,rJ表示R中的第J个维数为N×1的列向量,r1 j表示rj中的第1个元素,表示rj中的第n个元素,表示rj中的第N个元素;
步骤3:计算精度λ未知时精度λ的先验概率,记为p(λ),p(λ)=Gam(λ;a,b);并计算每个IoT设备的活跃概率已知的条件下每个IoT设备在各个时隙发射的符号的概率,将第k个IoT设备的活跃概率已知的条件下的概率记为 其中,Gam()表示Gamma分布,Gam(λ;a,b)表示λ服从参数为a和b的Gamma分布,a和b均为接近于0的极小正数,θk表示第k个IoT设备的活跃概率,0≤θk≤1,pm表示为qm的概率,δ()表示狄拉克函数;
步骤4:在每个IoT设备的活跃概率和R已知的情况下,利用酉变换近似消息传递算法进行信号检测即估计X以及估计λ,具体过程为:
步骤4_1:计算每个IoT设备的活跃概率和R已知的条件下X和λ的后验概率,记为p(X,λ|R,θ),p(X,λ|R,θ)∝p(R|X,λ)p(X|θ)p(λ);其中,θ表示K个IoT设备的活跃概率构成的维数为K×1的列向量,θ=[θ1,...,θk,...,θK]T,θ1表示第1个IoT设备的活跃概率,θK表示第K个IoT设备的活跃概率,符号“∝”表示正比于,p(R|X,λ)表示X和λ已知的条件下R的概率,Z为引入的维数为N×J的辅助矩阵,表示Z中第n行第j列的元素,且(ΛV)n表示矩阵ΛV中的第n行,p(R|Z,λ)表示Z和λ已知的条件下R的概率,p(Z|X)表示X已知的条件下Z的概率,表示和λ已知的条件下的概率, 表示变量为服从均值为方差为λ-1的复高斯分布的概率密度函数,表示xj已知的条件下的概率,p(X|θ)表示θ已知的条件下X的概率,
步骤4_2:将p(X,λ|R,θ)∝p(R|X,λ)p(X|θ)p(λ)改写成然后令fλ(λ)、和对应表示p(λ)、和将重新表示为其中,以fA(B)泛指fλ(λ)、和fA(B)中的A表示因子图中的因子、B表示与因子A相关的变量,fλ(λ)是所有时隙共享的,表示中第n行第j列的元素;
步骤4_4:令初始化将的初始化值记为 初始化每个IoT设备的活跃概率,将θk的初始化值记为 初始化每个IoT设备在各个时隙发射的符号的均值,将的均值的初始化值记为 初始化每个IoT设备在各个时隙发射的符号的方差,将的方差的初始化值记为 引入中间变量初始化将的初始化值记为 t表示迭代次数,t的初始值为0;其中,为引入的中间变量,E(λ)表示求Gamma分布的期望,符号“| |”为取模符号;
步骤4_5:在因子图模型的基础上,计算在第t次迭代下因子传递给变量的后向消息的方差和均值,对应记为和 其中,“→”表示传递的方向,(ΛV)n,k表示矩阵ΛV的第n行第k列的元素,t=0时即为t>0时表示的均值在第t次迭代下的值,t=0时即为t>0时表示的方差在第t次迭代下的值,t=0时即为t>0时表示在第t-1次迭代下的值;
步骤4_9:在和已知的条件下计算的后验概率,记为 其中,t=0时即t>0时表示θk在第t次迭代下的值,表示已知的条件下的概率, 表示变量为服从均值为方差为的复高斯分布的概率密度函数,表示已知的条件下的概率;
步骤4_12:判断迭代次数t是否达到最大迭代次数tmax,若达到,则停止迭代,再执行步骤4_13;若没有达到,则令t=t+1,然后返回步骤4_5继续执行;其中,t=t+1中的“=”为赋值符号,tmax>1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904263.0A CN112242861B (zh) | 2020-09-01 | 2020-09-01 | 大规模mimo系统的用户活跃性和信号联合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904263.0A CN112242861B (zh) | 2020-09-01 | 2020-09-01 | 大规模mimo系统的用户活跃性和信号联合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112242861A CN112242861A (zh) | 2021-01-19 |
CN112242861B true CN112242861B (zh) | 2021-07-20 |
Family
ID=74170949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010904263.0A Active CN112242861B (zh) | 2020-09-01 | 2020-09-01 | 大规模mimo系统的用户活跃性和信号联合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112242861B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067666B (zh) * | 2021-02-04 | 2022-05-20 | 宁波大学 | Noma系统的用户活跃性和多用户联合检测方法 |
CN113067668B (zh) * | 2021-02-04 | 2022-05-20 | 宁波大学 | 针对mmv模型进行活跃性和信号联合检测的方法 |
CN113067667B (zh) * | 2021-02-04 | 2022-05-20 | 宁波大学 | 一种用户活跃性和多用户联合检测方法 |
CN113489510B (zh) * | 2021-08-13 | 2022-09-02 | 北京科技大学 | 一种基于用户分组的大规模mu-mimo系统dbp架构信号检测方法 |
CN114285523B (zh) * | 2021-12-24 | 2023-09-15 | 西安交通大学 | 面向多业务需求的大规模mtc免授权多用户检测方法及系统 |
CN114520700B (zh) * | 2022-01-13 | 2024-03-22 | 陈卫锋 | 一种低分辨率adc下机器类通信中的低复杂度信号检测方法 |
CN114584437B (zh) * | 2022-05-06 | 2022-07-01 | 北京理工大学 | 一种单次握手协议的半盲消息检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106533617A (zh) * | 2016-10-26 | 2017-03-22 | 复旦大学 | 基于Turbo原理的单用户迭代检测的装置与方法 |
CN107645460A (zh) * | 2017-08-25 | 2018-01-30 | 长江大学 | 实值平行因子分解的多径参数估算方法 |
WO2019191861A1 (en) * | 2018-04-02 | 2019-10-10 | Qualcomm Incorporated | Parallel transmission of preamble sequences with data layers for improved data detection |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10756863B2 (en) * | 2018-05-11 | 2020-08-25 | At&T Intellectual Property I, L.P. | Transmitting reference signals in 5G or other next generation communication systems |
-
2020
- 2020-09-01 CN CN202010904263.0A patent/CN112242861B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106533617A (zh) * | 2016-10-26 | 2017-03-22 | 复旦大学 | 基于Turbo原理的单用户迭代检测的装置与方法 |
CN107645460A (zh) * | 2017-08-25 | 2018-01-30 | 长江大学 | 实值平行因子分解的多径参数估算方法 |
WO2019191861A1 (en) * | 2018-04-02 | 2019-10-10 | Qualcomm Incorporated | Parallel transmission of preamble sequences with data layers for improved data detection |
Non-Patent Citations (1)
Title |
---|
Effective Energy Detection for IoT Systems Against Noise Uncertainty at Low SNR;Junteng Yao;《IEEE》;20181023;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112242861A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112242861B (zh) | 大规模mimo系统的用户活跃性和信号联合检测方法 | |
CN111698182A (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN111181671B (zh) | 一种基于深度学习的下行信道快速重建方法 | |
CN107171985B (zh) | 一种信道估计方法及系统 | |
Takahashi et al. | Design of criterion for adaptively scaled belief in iterative large MIMO detection | |
Khadr et al. | Machine learning-based massive augmented spatial modulation (ASM) for IoT VLC systems | |
CN114500322B (zh) | 免授权大规模接入场景下设备活跃检测和信道估计方法 | |
CN113067668B (zh) | 针对mmv模型进行活跃性和信号联合检测的方法 | |
CN101320994B (zh) | Ofdm系统的信号检测方法和设备 | |
Zhang et al. | Variational Bayesian inference clustering based joint user activity and data detection for grant-free random access in mMTC | |
Haqiqatnejad et al. | Finite-alphabet symbol-level multiuser precoding for massive MU-MIMO downlink | |
CN113067666B (zh) | Noma系统的用户活跃性和多用户联合检测方法 | |
CN109067683B (zh) | 无线通信中盲检测及调制星座优化方法、存储介质 | |
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 | |
Xiong et al. | A bilinear GAMP-based receiver for quantized mmwave massive MIMO using expectation maximization | |
CN115473553A (zh) | 一种智能抑制波束斜视的方法、装置及电子设备 | |
CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
CN109274613B (zh) | 一种信道估计方法、系统及存储介质 | |
CN105553899A (zh) | 基于线性方程组求近似解的信号检测方法及装置 | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
Srinivas et al. | A semi-blind based channel estimator for pilot contaminated one-bit massive MIMO systems | |
Zhang et al. | Joint estimation and detection for MIMO-STBC system based on deep neural network | |
CN111193534B (zh) | 一种大规模mimo系统中的低复杂度信号检测方法 | |
Alwakeel et al. | Optimal number of user antennas in a constrained pilot‐length massive MIMO system | |
WO2014034505A1 (ja) | 受信装置、受信方法及びプログラム |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231108 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Hongyue Information Technology Co.,Ltd. Address before: 315211, Fenghua Road, Jiangbei District, Zhejiang, Ningbo 818 Patentee before: Ningbo University |
|
TR01 | Transfer of patent right |