CN112313884A - 用于在无线通信系统中信号检测的方法和装置 - Google Patents
用于在无线通信系统中信号检测的方法和装置 Download PDFInfo
- Publication number
- CN112313884A CN112313884A CN201880092268.9A CN201880092268A CN112313884A CN 112313884 A CN112313884 A CN 112313884A CN 201880092268 A CN201880092268 A CN 201880092268A CN 112313884 A CN112313884 A CN 112313884A
- Authority
- CN
- China
- Prior art keywords
- symbols
- stage
- fixed
- detection
- received signals
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004891 communication Methods 0.000 title abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 130
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000004590 computer program Methods 0.000 claims abstract description 28
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 69
- 230000005540 biological transmission Effects 0.000 description 64
- 238000012545 processing Methods 0.000 description 21
- 239000013598 vector Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004873 anchoring Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000407193 Pindis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000009466 transformation Effects 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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- 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
- H04L25/03891—Spatial equalizers
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
-
- 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
- H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms
-
- 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
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- 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
- H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection
-
- 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
- H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection
- H04L25/067—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection providing soft decisions, i.e. decisions together with an estimate of reliability
-
- 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
- H04L2025/0335—Arrangements for removing intersymbol interference characterised by the type of transmission
- H04L2025/03426—Arrangements for removing intersymbol interference characterised by the type of transmission transmission using multiple-input and multiple-output channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Radio Transmission System (AREA)
Abstract
本公开的实施例涉及用于无线通信系统中的信号检测的方法、装置和计算机程序产品。在接收器设备处实现的方法包括:获得接收信号集合;确定该接收信号集合已经经由其被传送的信道矩阵;以及以分阶段方式检测该接收信号集合,其中在一个阶段中,该方法包括:基于信道矩阵和用于该阶段的检测算法来检测该接收信号集合;针对该阶段固定从检测算法输出的被检测到的符号中的一个或多个被检测到的符号;以及基于在该阶段中被固定的被检测到的符号中的一个或多个被检测到的符号,来更新信道矩阵和该接收信号集合,以由下一阶段使用。
Description
技术领域
本公开的非限制性和示例实施例总体上涉及无线通信技术领域,并且具体地涉及用于在无线通信系统中进行信号检测的方法、装置和计算机程序产品。
背景技术
本部分介绍了可以有助于较好地理解本公开的各方面。因此,本部分的陈述应当从这种角度来阅读,而不应当被理解为对现有技术中存在的内容或对现有技术中不存在的内容的承认。
在无线通信系统中,始终需要高频谱效率(SE)和容量。众所周知,多输入多输出(MIMO)技术是一种用于提高现代无线通信系统中的SE和容量的有效方法。例如,在第三代项目合作伙伴(3GPP)开发的长期演进(LTE)/高级LTE(LTE-A)系统中,MIMO已经被用作关键特征。为了进一步增强SE和吞吐量,已经提出了大规模MIMO(mMIMO)的概念。
mMIMO表示在无线通信系统中部署大型天线阵列。在例如即将到来的第五代(5G)系统中,mMIMO已经被视为一项关键技术。5G节点B(也称为gNodeB)处的天线数目可能多于128个。大量的天线保证了可观的性能增益,但同时也给信号检测带来了挑战。
发明内容
本公开的各种实施例主要旨在提供用于在无线通信系统中进行信号检测的方法、装置和计算机程序产品。
在本公开的第一方面,提供了一种在接收器设备处实现的方法。该方法包括:获得接收信号集合;确定该接收信号集合在其上被传送的信道;以及通过使用梯度下降(GD)算法,基于所确定的信道、用于传输信号集合的调制模式、和该接收信号集合,以迭代的方式从该接收信号集合中检测该传输信号集合。
在本公开的实施例中,以迭代的方式检测该传输信号集合包括:在每个迭代回合中,针对该接收信号集合中的每个:基于由检测值和所确定的信道中的相关联信道元素引起的检测误差,来确定用于更新针对该传输信号集合中的每个传输信号的检测值的梯度方向;确定用于更新针对该传输信号集合中的每个传输信号的检测值的学习速率;以及通过将所确定的学习速率和所确定的梯度方向的乘积添加到检测值,来更新针对该传输信号集合中的每个传输信号的检测值。
在另一实施例中,梯度方向可以确定为:其中yi表示从第i接收天线接收的信号,xk表示从第k传输天线传输的信号,∑表示和函数,hik表示从第k传输天线到第i接收天线的信道元素,hij表示从第j传输天线到第i接收天线的信道元素,h*ij表示hij的共轭,i=1,...Nr,j和k=1,...Nt,并且Nr和Nt分别表示接收天线和传输天线的数目。
在另一实施例中,确定学习速率可以包括:基于初始学习速率和增加因子的乘积来确定学习速率,初始学习速率和增加因子均小于1;或者基于查找表和以下中的至少一项来确定学习速率:信道的质量、传输天线的数目和接收天线的数目。
在一些实施例中,确定学习速率还可以包括:通过乘以或来归一化学习速率,其中HRowLenSquarei表示信道的第i行中的所有信道元素的平方和,并且maxlenSquare表示HRowLenSquarei的最大值,其中i=1,...,Nr并且Nr是接收天线的数目。
在一个实施例中,以迭代的方式检测该传输信号集合可以包括:在每次迭代中,如果该传输信号集合中的一个传输信号的检测值跟与调制模式相关联的调制符号之间的差小于接近度阈值,则将该传输信号集合中的一个传输信号的检测值设置为调制符号。
在另一实施例中,接近度阈值可以取决于调制模式。
在一些实施例中,以迭代的方式检测该组传输信号集合可以包括:确定与调制模式相关联的调制符号集合;确定该调制符号集合的最大实部;确定该调制符号集合的最大虚部;以及在每次迭代中:如果针对该传输信号集合中的一个传输信号的检测值的实部超过所确定的最大实部,则将该实部设置为所确定的最大实部;并且如果针对该传输信号集合中的一个传输信号的检测值的虚部超过所确定的最大虚部,则将该虚部设置为所确定的最大虚部。
在另一实施例中,以迭代的方式检测该传输信号集合可以包括:响应于以下而停止检测:预定的迭代次数被满足;或者针对在当前迭代回合和最后迭代回合中获得的该传输信号集合的检测值之间的差小于收敛阈值。
在本公开的第二方面,提供了一种接收器设备。该接收器设备包括处理电路系统和存储器,所述存储器包含由所述处理电路系统可执行的指令,由此所述接收器设备可操作以执行根据本公开的第一方面的方法。
在本公开的第三方面,提供了一种计算机程序。该计算机程序包括指令,该指令在由设备的至少一个处理电路系统执行时使该设备执行根据本公开的第一方面的方法。
在本公开的第四方面,提供了一种计算机可读介质,具有被存储在其上的计算机程序,该计算机程序在由设备的至少一个处理器执行时使该设备执行根据本公开的第一方面的方法。
在本公开的第五方面,提供了一种方法。该方法包括:获得接收信号集合;确定接收信号集合已经经由其被传送的信道矩阵;以及以分阶段方式检测该接收信号集合,其中在一个阶段中,该方法包括:基于信道矩阵和用于该阶段的检测算法来检测该接收信号集合;针对该阶段固定从检测算法输出的被检测到的符号中的一个或多个被检测到的符号;以及基于在该阶段中被固定的一个或多个被检测到的符号,来更新信道矩阵和该接收信号集合,以由下一阶段使用。
在本公开的第六方面,提供了一种接收器设备。该设备包括至少一个处理器和至少一个存储器,该至少一个存储器包括计算机程序代码。至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使该接收器设备至少执行根据本公开的第五方面的方法。
在本公开的第七方面,提供了一种计算机程序。该计算机程序包括指令,该指令在由装置执行时使该装置执行根据本公开的第五方面的方法。
在本公开的第八方面,提供一种计算机可读介质,具有被存储在其上的计算机程序,该计算机程序在由装置执行时使该装置执行本公开的第六方面的方法。
在本公开的第九方面,提供了一种接收器设备。该接收器设备包括:用于获得接收信号集合的部件;用于确定该接收信号集合已经经由其被传送的信道矩阵的部件;以及用于以分阶段方式检测该接收信号集合的部件,其中在一个阶段中,用于检测的部件被配置为:基于信道矩阵和用于该阶段的检测算法来检测接收信号集合;针对该阶段固定从检测算法输出的被检测到的符号中的一个或多个被检测到的符号;以及基于在该阶段中被固定的被检测到的符号中的一个或多个被检测到的符号,来更新信道矩阵和该接收信号集合,以由下一阶段使用。
附图说明
根据以下参考附图的详细描述,本公开的各个实施例的上述和其他方面、特征和益处将变得更加完全清除,在附图中,相同的附图标记用于表示相同或等同的元素。附图被示出用于促进更好地理解本公开的实施例,并且不一定按比率绘制,在附图中:
图1示出了可以在其中实现本公开的实施例的示例无线通信网络;
图2示出了两层人工神经元网络(ANN)的模型;
图3示出了根据本公开的实施例的在无线通信系统中的接收器设备处的用于信号检测的方法的流程图;
图4示出了根据本公开的实施例的信号检测方法与传统方法的性能比较;
图5示出了可以被体现为网络设备或终端设备/在网络设备或终端设备中体现的装置的简化框图。
图6示出了根据本公开的实施例的接收器设备中用于分阶段信号检测的方法的流程图;
图7示出了根据本公开的实施例的在分阶段信号检测期间的阶段中要被执行的示例操作;
图8示出了根据本公开的实施例的在分阶段信号检测期间在一阶段中固定一个或多个符号的示例操作;
图9示出了根据本公开的实施例的在接收器设备中用于分阶段信号检测的另一方法的流程图;
图10至15示出了根据本公开的实施例的针对分阶段信号检测解决方案的仿真结果;以及
图16示出了可以被体现为网络设备或终端设备/在网络设备或终端设备中体现的另一装置的简化框图。
具体实施方式
在下文中,将参考说明性实施例描述本公开的原理和精神。应当理解,所有这些实施例被给出仅为了使得本领域技术人员更好地理解和进一步实践本公开,而不是为了限制本公开的范围。例如,作为一个实施例的一部分而示出或描述的特征可以与另一实施例一起使用以产生又一实施例。为了清楚起见,在本说明书中没有描述实际实现的所有特征。
在说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可以包括特定的特征、结构或特性,但是没有必要每个实施例都包括特定特征、结构或特性。而且,这样的短语不一定是指相同的实施例。此外,当结合实施例描述特定的特征、结构或特性时,可以认为结合其他实施例(无论是否明确描述)影响这样的特征、结构或特性是在本领域技术人员的知识范围内。
应当理解,尽管本文中可以使用术语“第一”和“第二”等来描述各种元素,但是这些元素不应当受到这些术语的限制。这些术语仅用于区分一个元素和另一元素。例如,在不脱离示例实施例的范围的情况下,第一元素可以被称为第二元素,并且类似地,第二元素可以被称为第一元素。如本文中所使用的,术语“和/或”包括一个或多个所列术语的任何和所有组合。
本文中所使用的术语仅出于描述特定实施例的目的,而非旨在限制示例实施例。如本文中所使用的,单数形式的“一个(a)”、“一个(an)”和“该(the)”也旨在包括复数形式,除非上下文另外明确指示。将进一步理解,当在本文中使用时,术语“包括(comprises)”、“包括(comprising)”、“具有(has)”、“具有(having)”、“包括(includes)”和/或“包括(including)”指定所述特征、元素和/或组件等的存在,但是不排除一个或多个其他特征、元素、组件和/或其组合的存在或增加。
如在本申请中所使用的,术语“电路系统”可以是指以下中的一个或多个或全部:
(a)纯硬件电路实现(诸如仅在模拟和/或数字电路系统中的实现)以及
(b)硬件电路和软件的组合,诸如(如适用):
(i)(多个)模拟和/或数字硬件电路与软件/固件的组合以及
(ii)具有软件的(多个)硬件处理器(包括数字信号处理器)、软件和(多个)存储器的任何部分,这些部分共同工作以使装置(诸如移动电话或服务器)执行各种功能以及
(c)需要软件(例如,固件)才能操作的(多个)硬件电路和或(多个)处理器,诸如(多个)微处理器或(多个)微处理器的一部分,但是当操作不需要软件时,软件可以不存在。
电路系统的这种定义适用于该术语在本申请中的所有使用,包括在任何权利要求中。作为另一示例,如本申请中所使用的,术语“电路系统”也覆盖纯硬件电路或处理器(或多个处理器)或硬件电路或处理器及其(或它们的)随附软件和/或固件的一部分的实现。术语电路系统还覆盖(例如并且如果适用于特定权利要求元素)用于移动设备的基带集成电路或处理器集成电路、或者服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。
如本文中所使用的,术语“无线通信网络”是指遵循任何适当的无线通信标准的网络,诸如新无线电(NR)、长期演进(LTE)、高级LTE(LTE-A)、宽带码分多址(WCDMA)、高速分组接入(HSPA)等。“无线通信网络”也可以称为“无线通信系统”。此外,网络设备之间、网络设备与终端设备之间或无线通信网络中的终端设备之间的通信可以根据任何适当的通信协议来执行,包括但不限于全球移动通信系统(GSM)、通用移动电信系统(UMTS)、长期演进(LTE)、新无线电(NR)、无线局域网(WLAN)标准(诸如IEEE 802.11标准)、和/或当前已知或未来将开发的任何其他适当的无线通信标准。
如本文中使用的,术语“网络设备”是指无线通信网络中的节点,终端设备经由该节点接入网络并且从中接收服务。网络设备可以是指基站(BS)或接入点(AP),例如,节点B(NodeB或NB)、演进型NodeB(eNodeB或eNB)、NR NB(也称为gNB)、远程无线电单元(RRU)、无线电头(RH)、远程无线电头(RRH)、中继、低功率节点(诸如毫微微、微微等),取决于所应用的术语和技术。
术语“终端设备”是指可以能够进行无线通信的任何终端设备。作为示例而非限制,终端设备也可以称为通信设备、用户设备(UE)、订户站(SS)、便携式订户站、移动站(MS)或接入终端(AT)。终端设备可以包括但不限于移动电话、蜂窝电话、智能电话、IP语音(VoIP)电话、无线本地环路电话、平板电脑、可穿戴终端设备、个人数字助理(PDA)、便携式计算机、台式计算机、图像捕获终端设备(诸如数码相机)、游戏终端设备、音乐存储和播放电器、车载无线终端设备、无线端点、移动站、笔记本电脑嵌入式设备(LEE)、笔记本电脑安装设备(LME)、USB加密狗、智能设备、无线客户驻地设备(CPE)等。在以下描述中,术语“终端设备”、“通信设备”、“终端”、“用户设备”和“UE”可以互换使用。
作为又一示例,在物联网(IOT)场景中,终端设备可以表示执行监测和/或测量并且将这样的监测和/或测量的结果传输到另一终端设备和/或网络设备的机器或其他设备。在这种情况下,终端设备可以是机器对机器(M2M)设备,在3GPP上下文中可以将其称为机器类型通信(MTC)设备。作为一个特定示例,终端设备可以是实现3GPP窄带物联网(NB-IoT)标准的UE。这样的机器或设备的示例是传感器、计量设备(诸如电表)、工业机械、或者家用或个人电器(例如,电冰箱、电视机、个人可穿戴设备(诸如手表)等)。在其他情况下,终端设备可以表示能够监测和/或报告其操作状态或与其操作相关联的其他功能的车辆或其他设备。
如本文中所使用的,下行链路(DL)传输是指从网络设备到UE的传输,而上行链路(UL)传输是指相反方向上的传输。也就是说,在DL中,网络设备是传输器,并且UE是接收器设备;而在UL中,UE是传输器,并且网络设备是接收器设备。
图1示出了可以在其中实现本公开的实施例的示例无线通信网络100。如图所示,无线通信网络100可以包括一个或多个网络设备,例如网络设备101。网络设备101可以是以下形式:基站(BS)、节点B(NB)、演进型NB(eNB)、gNB、虚拟BS、基站收发站(BTS)、或基站子系统(BSS)、AP等。
在该示例中,网络设备101向在其覆盖内的UE集合102-1、102-2和102-3(统称为“(多个)UE 102”)提供无线电连接性。应当理解,在一些实施例中,网络设备可以向更少或更多的UE提供服务,并且在该所示示例中,UE的数目并不暗示对本公开的范围的任何限制。
在一些实施例中,网络设备(例如,图1中的网络设备101)可以用多个天线服务在其覆盖内的UE,例如图1中的UE 102。例如,网络设备101可以配备有多个传输天线和/或多个接收天线。同样地,在一些实施例中,一些或全部UE 102可以配备有用于传输和/或接收的多个天线。另外,多个UE 102可以被调度为在相同或重叠的时频资源中进行传输或接收,从而形成多用户MIMO(MU-MIMO)方案。因此,在某些情况下,可能需要接收器设备(可以是网络设备或UE)来检测从多个天线传输的信号。
例如,在A.Chockalingam和B.Sundar Rajan的题为“Large MIMO systems”的书以及Jerry R.Hampton的题为“MIMO Communications Introduction”的书中已经提出了MIMO检测算法,两者都提供了关于信号检测算法的详细介绍,诸如迫零(ZF)、具有干扰消除的ZF(ZF-IC)、线性最小均方误差(LMMSE)、具有干扰消除的LMMSE(LMMSE-IC)等。此外,最近已经提出了其他信号检测算法,例如球面解码、概率数据关联(PDA)、近似消息传递(AMP)、基于深度神经元网络(DNN)的MIMO检测算法、基于马尔可夫链蒙特卡洛(MCMC)技术的MIMO检测等。例如,可以通过例如链接http://ieeexplore.ieee.org/document/7282651/找到关于用于MIMO检测的AMP算法的详细介绍,同时可以在https://emtiyaz.github.io/Writings/approxMP0.pdf中找到AMP算法的复杂度分析。据说AMP是一种基于迭代的方法,其复杂度约为O(max(mn^2,m^2n)*iteration),其中m和n分别表示传输和接收天线的数目。罗志全等人于2010年5月在IEEE SIGNAL PROCESSING MAGAZINE的第20-34页上发表的题为“Semidefinite relaxation of quadratic optimization problems”的论文中介绍了可以用于MIMO检测的半定松弛(SDR)算法,根据该算法,SDR算法的复杂度至少为O(n^3.5log(1/ε)),其中ε表示求解精度。基于DNN的MIMO检测算法的详细信息可以在https://arxiv.org/abs/1706.01151中找到。
设计提供具有合理复杂度的高检测精度的mMIMO检测算法并不容易,并且本公开的发明人已经观察到所有现有MIMO检测算法都具有高计算复杂度或功能受限的缺点。例如,以上的某些算法,例如线性检测算法ZF和最小均方误差(MMSE)等,具有较低的计算复杂度,但只能达到较低的精度。某些算法,例如AMP和SDR等,可以实现高精度,但要付出很高的计算复杂度。一些检测算法需要计算MIMO信道矩阵H的协方差矩阵、和/或信道矩阵H的逆。此外,在大多数检测算法中,计算复杂度会以非线性方式随着接收天线和传输天线的数目而增加。这是不希望的,尤其是对于具有大量天线的mMIMO系统。
另外,某些信号检测算法不适用于高阶正交幅度调制(QAM)情况。例如,尽管基于DNN的MIMO检测算法以显著降低的计算复杂度实现了与AMP/SDR相当的性能,但它需要大量的训练资源和用于所有传输器的二进制相移键控(BPSK)调制方案。目前尚不清楚是否可以扩展到更高阶的调制方案以及如何针对每个传输器支持可能不同的调制方案。
为了解决上述问题中的至少一部分,在本公开中已经提出了方法、装置和计算机程序产品。
通常,在具有Nt个传输天线和Nr个接收天线的MIMO或mMIMO系统中,接收信号可以表示为等式(1):
y=Hx+z (1)
其中y表示大小为Nr的复向量,并且表示来自Nr个接收天线的接收信号(receivedsignal)(也称为接收信号(receiving signal));H是大小为Nr乘以Nt的复矩阵(即,Nr行和Nt列),并且表示在其上传送信号y的信道,即,信号y经过/经历的信道。H可以经由例如信道估计来获得。x是大小为Nt的复向量,并且表示来自Nt个传输天线的传输信号;z是大小为Nr的复向量,并且表示Nr个接收天线上的接收噪声。
等式(1)中的项x是在接收器设备侧将从接收信号y中检测的传输信号,并且在本公开的一些实施例中,该信号检测问题可以通过使用y、H和x的调制信息(例如,针对x的调制方案,诸如BPSK、QPSK、16QAM等)作为输入来解决。
一般而言,根据本公开的一些实施例,信号检测可以基于图2所示的简单两层人工神经元网络(ANN)的模型来实现。特别地,如图2所示,利用该ANN模型,将信道矩阵H的每个行向量(hi1,hi2,...hiNt)视为输入向量,将与H的对应行相关联的接收值yi视为输出,而将向量X=[x1,x2,...xNt]建模为要学习的权重。
利用该模型,输出层中的激活函数可以表示为f(x)=x,并且总共有Nr个数据样本。在具有mMIMO的无线通信系统(例如,5G)中,接收器设备(例如,gNodeB)处的接收天线的数目可能超过128,并且因此,数据样本的数目足以学习作为要检测的传输符号的权重x。
在一些实施例中,提出了通常用于机器学习和其他相关领域的梯度下降(GD)算法以用于解决信号检测问题。
作为示例而非限制,在GD算法中可以使用由等式(2)表示的损失函数。
其中| |表示复数值的模数。在该示例中,损失函数是误差平方和,并且是凸函数,这保证了GD算法将收敛到最优解。
通过使用GD算法来检测传输信号x,所需要的计算复杂度仅为O(Nr*Nt)。此外,与传统的MMSE MIMO检测算法相比,可以实现较好的符号错误率(SER)。此外,由于GD算法基于简单的ANN模型,因此可以直接使用已开发的ANN技术(例如,硬件并行处理)。另外,本公开的实施例可以提供一种用于构建较复杂的多层类型的ANN mMIMO检测方案的框架。特别地,由于每个GD迭代的展开特性,它能够提供灵活的mMIMO检测解决方案。也就是说,很容易根据需要将新功能添加到每个迭代操作中,以获得较复杂和高级的检测解决方案。
图3示出了在接收器设备处实现的用于在无线通信系统中进行信号检测的方法300的流程图。接收器设备可以是例如图1所示的网络设备101或UE 102。为了便于讨论,下面将参考图1所示的网络设备101和通信网络100来描述方法300。然而,本公开的实施例不限于此。
在框310处,网络设备101获得接收信号集合。例如,可以从Nr个接收天线接收该接收信号集合,并且可以将其表示为大小为Nr的向量y。注意,可以从一个或多个UE(例如,图1中的一个或多个UE 102)接收该接收信号集合。
在框320处,网络设备101确定在其上该接收信号集合被传送的信道,或者换言之,由该接收信号集合经过/经历的信道。在MIMO通信的场景中,信道可以由信道矩阵H表示并且称为信道矩阵H。应当理解,实施例不限于用于获得信道矩阵H的任何特定方式。仅出于说明的目的,信道矩阵H可以预先知道或者可以经由信道估计来获得。为此目的,可以使用任何盲信道估计算法或者基于导频、参考信号或训练序列的信道估计算法。为了便于讨论,假设存在Nt个传输天线和Nr个接收天线,则所确定的信道矩阵H的大小为Nr×Nt,即,其具有Nr行和Nt列。
在框330处,网络设备101通过使用GD算法,基于所确定的信道H、用于传输信号集合x的调制模式、和该接收信号集合y来以迭代的方式从该接收信号集合y中检测该传输信号集合x。
通常,GD算法包括批量梯度下降(BGD)算法和随机梯度下降(SGD)算法。利用BGD,可以批量处理所有数据样本或数据样本的子集,然后对由检测引起的错误求和,并且将其用于更新该传输信号集合x的检测。由于x可以被建模为如图2所示的ANN模型中的权重,因此,x的信号检测在本文中也称为权重更新。利用SGD,直接对每个样本数据执行GD权重更新。
在框330处可以使用SGD或BGD。在一些实施例中,可以使用SGD,以便获得信道空间分集增益,和/或使检测快速收敛。然而,应当理解,实施例不限于BGD或SGD算法。
在一些实施例中,在框330处,在每个迭代回合中,网络设备101可以更新用于该传输信号集合x的检测。例如,在每个迭代回合中,对于该接收信号集合中的每个接收信号(yj,对应于信道矩阵H的第j行),网络设备101确定用于更新针对该传输信号集合xi中的每个传输信号的检测值的梯度方向d。梯度方向d可以基于检测误差来确定,该检测误差由检测值和所确定的信道矩阵H中的相关联的信道元素hij引起。另外,网络设备100确定用于更新针对该传输信号集合中的每个传输信号的检测值的学习速率R,并且通过将所确定的学习速率R和所确定的梯度方向d的乘积添加到检测值,来更新针对该传输信号集合中的每个传输信号的检测值。也就是说,网络设备101将针对传输信号x的检测更新为:
x=x+d*R
(3)。
也就是说,在每个迭代回合中,网络设备101分别基于信道矩阵H的每一行来更新针对每个传输信号x的检测,并且然后进行到下一迭代回合。在本公开的上下文中,每个迭代回合也称为时期,并且基于信道矩阵的一行的每个更新也称为迭代。
例如,网络设备101可以通过等式(4)来确定梯度方向d的第j元素dj:
其中
δi=yi-∑khik*xk (4a)
δi表示检测误差,yi表示从第i接收天线接收的信号,xk表示从第k传输天线传输的信号,∑表示和函数,hik表示从第k传输天线到第i接收天线的信道元素,hij表示从第j传输天线到第i接收天线的信道元素,h*ij表示hij的共轭,i=1,...Nr,j和k=1,...Nt,并且Nr和Nt分别表示接收天线和传输天线的数目。
在一个实施例中,网络设备101可以在框330处采用SGD算法,并且使用在等式(5)中定义的损失函数:
其中Ei表示与信道矩阵H的第i行相对应的损失值。基于该损失函数,可以例如通过如下计算针对每个Xj的Ei的微分来获得最佳梯度方向d
然而,应当理解,实施例不限于用于获得梯度方向d的特定方式。
备选地或另外地,在其他实施例中,网络设备101可以基于初始学习速率η和增加因子γ的乘积来确定学习速率R,并且初始学习速率η和增加因子γ两者小于1。例如而非限制,R可以确定为:
R=η*γ (7)。
在另一实施例中,增加因子γ可以特定于迭代回合(即,时期),并且在这种情况下,增加因子可以表示为γep。换言之,对于不同的迭代回合,增加因子γ可以不同。它使得可以调整步长,以在每个迭代回合中更新检测。
备选地,在另一实施例中,网络设备101可以基于查找表和以下中的至少一项来确定学习速率:信道的质量、传输天线的数目和接收天线的数目。例如,网络设备101可以使用接收到的信号与噪声比(SNR)、Nr和Nt作为输入以从查找表中获取合适的学习速率R。
在一些实施例中,可以例如通过机器搜索预先获得优化的学习速率,并且将其存储在查找表中以供以后使用。出于说明目的,表1至表4中列出了经由计算机搜索不同的调制模式、SNR状态和天线配置而获得的一些学习速率。
表1.针对4QAM的学习速率
SNR | 8dB | 9dB | 10dB | 11dB | 12dB | 13dB | 14dB |
Nr=64Nt=16 | 0.3 | 0.4 | 0.4 | 0.6 | 0.7 | 0.7 | 0.7 |
Nr=128Nt=16 | 0.3 | 0.4 | 0.4 | 0.6 | 0.7 | 0.7 | 0.7 |
Nr=64Nt=32 | 0.6 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 |
Nr 128Nt=32 | 0.3 | 0.4 | 0.4 | 0.6 | 0.7 | 0.7 | 0.7 |
表2.针对16QAM的学习速率
SNR | 8dB | 9dB | 10dB | 11dB | 12dB | 13dB | 14dB |
Nr=64Nt=16 | 0.3 | 0.3 | 0.3 | 0.3 | 0.4 | 0.4 | 0.4 |
Nr=128Nt=16 | 0.2 | 0.2 | 0.2 | 0.2 | 0.2 | 0.2 | 0.4 |
Nr=64Nt=32 | 0.6 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 |
Nr 128Nt=32 | 0.3 | 0.3 | 0.3 | 0.3 | 0.3 | 0.3 | 0.3 |
表3.针对具有低SNR的64QAM的学习速率
SNR | 8dB | 9dB | 10dB | 11dB | 12dB | 13dB | 14dB |
Nr=64Nt=16 | 0.3 | 0.3 | 0.3 | 0.3 | 0.3 | 0.4 | 0.4 |
Nr=128Nt=16 | 0.2 | 0.2 | 0.2 | 0.2 | 0.2 | 0.2 | 0.2 |
Nr=64Nt=32 | 0.6 | 0.6 | 0.6 | 0.7 | 0.7 | 0.7 | 0.7 |
Nr 128Nt=32 | 0.3 | 0.3 | 0.3 | 0.3 | 0.3 | 0.4 | 0.4 |
表4.针对具有高SNR的64QAM的学习速率
SNR | 16dB | 20dB | 24dB | 28dB | 32dB | 36dB | 40dB |
Nr=64Nt=16 | 0.4 | 0.4 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 |
Nr=128Nt=16 | 0.2 | 0.4 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 |
Nr=64Nt=32 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 |
Nr 128Nt=32 | 0.4 | 0.4 | 0.7 | 0.7 | 0.7 | 0.7 | 0.7 |
表5和表6中列出了用于计算机仿真以搜索上述学习速率的参数。此外,在仿真期间,将等式(7)中的γ设置为1,并且根据正态分布N(0,1)生成信道矩阵H中的每个信道元素,然后通过H=H/sqrt(Nt)对其进行归一化。根据正态分布N(0,1)生成等式(1)中的噪声Z,然后通过Z=Z/(10^(SNR/10))对其进行归一化。通过x=x/var(x)对传输信号x进行归一化,其中var(x)表示符号x的方差。
表5.用于低SNR的504种情况
参数 | 值 |
学习速率 | 0.2~0.7 |
传输符号的数目Nt | 16;32 |
接收天线的数目Nr | 64;128 |
QAM | 4QAM;16QAM;64QAM |
SNR | 8dB~14dB |
时期的数目 | 5 |
表6.用于高SNR的168种情况
在一些实施例中,还可以使用较低学习速率值,同时针对GD更新设置较大的时期回合。
此外,为了获得较好的收敛性,在一些实施例中,所确定的学习速率R可以由网络设备101进一步归一化。作为示例而非限制,网络设备101可以通过将学习速率R乘以或来归一化学习速率R,其中HRowLenSquarei表示信道矩阵的第i行中的所有信道元素的平方和,即,HRowLenSquarei=∑j|hij|2。maxlenSquare表示HRowLenSquarei的最大值,即,maxlenSquare=maxi{HRowLenSquarei},其中i=1,...,Nr并且Nr是接收天线的数目。
因此,在一些实施例中,可以使用等式(8)或(9)来更新对第j传输信号Xj的检测:
例如,如果maxlenSquare<=1,则可以基于(8)或(9)来更新xj,而如果maxlenSquare>1,则可以基于(9)来更新xj。
备选地或另外地,在一些实施例中,为了进一步提高检测算法的收敛性,在框330处,如果针对一个传输信号xj的检测值已经足够接近与传输信号的调制模式(例如,64QAM或QPSK)相关联的一个调制值,则网络设备101可以将针对传输信号xj的检测值设置为该调制值。这有助于实现快速收敛并且避免学习过拟合。
例如,在框330处,在每次迭代中,如果该传输信号集合xj中的一个传输信号的检测值跟与调制模式相关联的调制符号(表示为mv)之间的差小于接近度阈值Tprox,则网络设备101可以将该传输信号集合中的一个传输信号的检测值设置/锚定为调制符号mv。也就是说:
如果|mv-xj|<Tprox,则设置xj=mv,
其中xj表示第i传输信号。下文中,这种操作也称为锚定操作。
在一些实施例中,接近度阈值Tprox可以取决于调制模式。例如,对于QPSK和16QAM调制模式,接近度阈值Tprox可以不同。为了说明而非限制,在一些实施例中,接近度阈值Tprox可以确定为:
Tprox=anRate*stepValue (10)
其中anRate表示初始锚定速率,其可以被设置为例如但不限于0.1,而stepValue表示自适应因子,其可以取决于用于传输信号的调制模式。例如,用于调制模式的步长值可以设置为与该调制模式相关联的调制符号之间的最近距离。对于QPSK,调制符号的值可以表示为:
SMV={x+yj} for x,y∈{-1,1} (11)
在该示例中,这些符号之间的最近距离为2。结果,QPSK的stepValue可以设置为2。类似地,对于16QAM,调制符号的值可以表示为:
在这种情况下,这些符号之间的最近距离为2/3,因此16QAM的stepValue可以设置为2/3。备选地,对于16QAM,调制符号的值可以表示为:
SMV={x+yj}对于x,y∈{-3,-1,1,3} (12′)
在这种情况下,这些符号之间的最近距离为2,因此16QAM的stepValue也可以设置为2。
备选地或另外地,在一些实施例中,为了实现快速收敛,在框330处,网络设备101可以对针对传输信号x的检测值施加约束。例如,网络设备101可以确定与调制模式相关联的调制符号集合(例如,分别针对QPSK和16QAM使用等式(11)或(12))。对于该调制符号集合,网络设备101确定最大实部和最大虚部。最大实部和最大虚部分别用作检测信号的实部和虚部的极限。也就是说,在每次迭代中,如果针对该传输信号集合中的一个传输信号(例如,第j传输信号Xj)的检测值的实部超过所确定的最大实部,则网络设备101将实部设置为所确定的最大实部。同样,如果针对该传输信号集合中的一个传输信号的检测值的虚部超过所确定的最大虚部,则网络设备101将虚部设置为所确定的最大虚部。
作为示例而非限制,用于实现上述可选的锚定操作以提高收敛性的锚定函数(表示为anchor())的计算机指令可以如下构造:
初始化:
设置锚定速率:anRate。例如,anRate=0.1
计算SMV的stepvalue,它是符号邻居的最近距离。例如:对于QPSK,stepvalue=2;对于16QAM,stepvalue=2。
anchor()主例程:
对于j=0到Nt:
#real(x)的得到复数x的实值;imag(x)得到复数x的虚值。
#real(SMV)是所有SMV元素的实值组成的集合。
#imag(SMV)是所有SMV元素的虚值组成的集合。
#x值不能大于或小于SMV中的最大或最小实值或虚值。
如果real(xj)>max(real(SMV)):
则real(xj)=max(real(SMV))
如果real(xj)<min(real(SMV)):
则real(xj)=min(real(SMV))
如果imag(xj)>max(imag(SMV)):
则imag(xj)=max(imag(SMV))
如果imag(xj)<min(imag(SMV)):
则imag(xj)=min(imag(SMV))
找到xj的最接近的调制值mv:mv=argmtnmv∈SMV|mv-xj|
如果|mv-xj|<anRate*stepValue,则设置xj=mv
#循环结束
输出锚定权重
#anchor()函数结束
锚定操作可以带来若干好处,诸如快速收敛和避免ANN过拟合。例如,如果可以锚定所有权重(即,传输信号x),则可以立即停止基于GD的迭代操作。另外,在一些实施例中,锚定操作还有助于提高mMIMO检测精度,例如,由于移除了由锚定的传输信号引起的噪声,因此可以降低符号错误率。
可以响应于各种条件而终止框330处的检测。例如,在一些实施例中,如果已经达到预定数目的迭代回合(时期),则网络设备101可以停止框330处的检测。下文中将这种结束检测的方式称为EC1。
备选地,在一些实施例中,可以确定在当前迭代回合和最后迭代回合中获得的针对该传输信号集合的检测值之间的差。如果该差落在收敛阈值以下,则可以终止检测。例如,如果由更新引起的传输信号x的变化小于收敛阈值∈,即如下,网络设备可以停止更新。
|xcur-xpre|2<∈ (13)
其中∈表示预定义收敛阈值;xcur表示在当前迭代回合中针对x的检测值,并且xpre表示在上一迭代回合中针对x的检测值。下文中将这种用于结束迭代回合的方式称为EC2。
在一些实施例中,可以通过使用EC1和EC2的混合方法来停止迭代/更新。也就是说,如果预定数目的迭代回合已经完成,或者如果x的变化已经小于等式(12)中所示的∈,则网络设备101可以结束更新。用于停止更新的混合方式可以称为EC3。
为了说明而不是限制,用于利用用于结束更新的方法EC3来实现基于GD的信号检测的计算机过程可以如下构造:
输入:
信道估计H,它是Nr*Nt矩阵。
接收信号y,它是Nr*1矩阵
传输符号x的调制模式,此处每个符号x可以使用不同的调制模式。
输出:
解码符号x,它是Nt*1矩阵
初始化:
设置GD结束条件:基于时期值;基于阈值;或者基于时期值和阈值两者。设置时期值和∈值。
设置初始权重值x=0。
设置学习速率方法:
方法1:基于初始学习速率值η和学习速率时期水平降低速率γ,两个值均应当小于1。
方法2:基于预定义查找表,预定义表可以基于经验或测试来构建。
#anchor()函数不是强制性的,但有助于避免过拟合
设置锚定速率值:anRate,例如0.1。该参数用于anchor()函数中
#optional初始化部分不是强制性的,但有助于快速收敛。
可选的初始化:
计算H矩阵的行长平方:HRowLenSquare,它是Nr*1矩阵
计算最大H行长平方:maxlenSquare=max(HRowLenSquare)
H行顺序可以调整,例如,基于HRowLenSquare下降地
基于GD的mMIMO主例程:
对于ep=0到时期:
#该步骤是设置学习速率,建议两种方法:
设置用于该时期的学习速率:rate=η*γep,或者基于预定义查找表选择速率
#如果启用了anchor()函数,则在每个时期回合调用其一次:
调用anchor()
#如果anchor()发现学习到的权重已经足够好,则立即退出。
如果所有权重都可以锚定:
则退出时期循环
#开始对H的每一行进行GD更新:
对于i=0到Nr:
对于第iH行,基于(4a)计算误差:
对于j=0到Nt:
如果使用可选的初始化:
如果maxlenSquare<=1,则权重更新可以基于(8)或(9);如果maxlenSquare>1,则权重更新可以基于(9);
如果不使用可选的初始化,则基于(3)-(4a)进行权重更新;
如果所有H的行的GD更新已经在该时期回合中完成,则检查结束条件:
如果等式(13)为真,则GD更新完成,退出时期循环
#GD更新循环结束
#时期循环结束
输出经解码的权重:
如果输出是软比特,则仅输出学习的权重
如果输出是硬比特,则从SMV中找到针对每个权重的最接近符号值作为输出
基于#GD的mMIMO检测算法结束
为了验证所提出的检测解决方案的优势,已经将基于GD的信号检测方法的一些实施例的性能与传统的MMSE方法进行了比较,并且比较的结果在图4中示出。
在比较期间,采用结束条件EC1,并且将迭代回合(时期)的数目设置为10。此外,对于所有不同的SNR和所有时期回合,将学习速率R设置为恒定值0.3,并且其归一化基于1/maxlenSquare。使用锚定运算,并且其中将等式(10)中的anRate设置为0.1。对于每种SNR情况,使用30000个数据样本来获得结果。
结果表明,就SER性能而言,在4QAM情况下,基于GD的检测优于基于MMSE的检测。在一些实施例中,通过损失函数来保证性能提高,损失函数是凸函数并且确保基于GD的更新的收敛。此外,所提出的基于GD的检测解决方案不涉及任何信道矩阵变换(例如,无需计算协方差矩阵或信道矩阵H的伪逆),结果,所有信道空间分集特性得以保留。该特征还有助于较好的性能。
如图4所示,对于16QAM和64QAM情况,基于GD的检测和基于MMSE的检测实现了几乎相同的性能。但是,基于GD的检测需要较少的计算复杂度。特别地,基于GD的检测的计算复杂度仅为O(Nr*Nt)。在检测期间,如果锚定操作发现权重x已经足够接近预期符号,则可以停止迭代,因此所需要的平均迭代回合次数很小。
另外,所提出的检测方法基于ANN的设计,这表示可以在检测中重用已开发的ANN技术。例如,它可以支持ANN支持的硬件中的并行处理。
所提出的检测解决方案也是灵活的。在每次迭代或迭代回合中添加较多高级功能很容易。例如,在一些实施例中,可以添加针对学习速率的锚定操作和/或归一化操作。这使解决方案有可能受益于进一步的开发。
还应当注意,本公开的实施例可以广泛地应用于各种场景中。例如,一些实施例可以用于复杂的mMIMO信号检测,并且支持不同的调制、不同的SNR和不同的天线数目等。
图5示出了装置500的简化框图,该装置500可以在网络设备中体现/体现为网络设备,例如,图1所示的网络设备101,或者可以在终端设备中体现/体现为终端设备,例如,图1所示的终端设备102。
如图5的示例所示,装置500包括处理器510,处理器510控制装置500的操作和功能。例如,在一些实施例中,处理器510可以借助于存储在与其耦合的存储器520中的指令530来实现各种操作。存储器520可以是适合于本地技术环境的任何合适的类型,并且可以使用任何合适的数据存储技术来实现,作为非限制性示例,诸如基于半导体的存储器终端设备、磁性存储器终端设备和系统、光学存储器终端设备和系统、固定存储器和可移动存储器。尽管在图5中仅示出了一个存储器单元,但是装置500中可以存在多个物理上不同的存储器单元。
处理器510可以是适合于本地技术环境的任何适当类型,并且作为非限制性示例,可以包括以下中的一种或多种:通用计算机、专用计算机、微处理器、数字信号处理器DSP和基于多核处理器架构的处理器。装置500还可以包括多个处理器510。
处理器510还可以与收发器540耦合,收发器540使得能够借助于一个或多个天线550和/或其他组件来接收和传输信息。例如,处理器510和存储器520可以协同操作以实现参考图3描述的方法300。应当理解,以上参考图3描述的所有特征也适用于装置500,因此这里将不详细描述。
本公开的各个实施例可以通过计算机程序或计算机程序产品来实现,该计算机程序或计算机程序产品由以下中的一种或多种可执行:处理器(例如,图5中的处理器510)、软件、固件、硬件或其组合。
尽管以上描述中的一些是在图1所示的无线通信系统的上下文中进行的,但是不应当将其解释为限制本公开的精神和范围。本公开的原理和概念可以更普遍地适用于其他场景。
在本公开的另一方面,提出了分阶段信号检测框架以及相关的方法、装置和计算机程序产品。与传统解决方案相比,例如VBLAST算法(https://en.wikipedia.org/wiki/Bell_Laboratories_Layered_Space-Time)和美国专利申请US20040242179A中公开的检测算法(http://pdfstore.patentorder.com/pdf/us/179/us2004242179.pdf)(其从检测算法中移除了矩阵求逆运算),本公开的一些实施例提供了更大的灵活性以实现性能与复杂度之间的折衷,并且实现了较好的性能。
在一些实施例中,通过使用分阶段信号检测框架(也可以被称为分阶段符号固定(SSF)框架),低复杂度和低精度的(m)MIMO检测算法可以被转换为低复杂度和高精度的(m)MIMO检测算法。也就是说,一些实施例在将计算复杂度保持在低水平的同时提高了检测精度。
在一些实施例中,所提出的分阶段信号检测解决方案提供了灵活性以针对每个处理阶段独立地挑选任何类型的检测算法/检测器。此外,本公开的实施例不限于在每个阶段中使用的任何特定检测算法/检测器。也就是说,可以在SSF框架的阶段中使用现有的mMIMO检测算法,以便以稍微增加的复杂度为代价来提高检测精度。在一些实施例中,对于针对特定阶段而挑选的mMIMO检测算法的唯一要求是其提供软符号作为输出,即,检测算法针对个体符号输出概率估计而不是硬判决。
为了说明而非限制,传统线性ZF检测器、线性MMSE检测器、或使用本文中提出的开发的ANN技术的基于GD的mMIMO检测算法可以在所提出的SSF框架的阶段使用。
在一些实施例中,分阶段信号检测解决方案允许灵活地针对分阶段信号检测解决方案挑选阶段的总数,并且阶段的总数可以显著小于传输天线的数目Nt。
图6示出了根据本公开的实施例的在接收器设备处实现的用于在无线通信系统中进行分阶段信号检测的方法600的流程图。接收器设备可以是例如图1所示的网络设备101或终端设备102。为了便于讨论,下面将参考图1所示的网络设备101和通信网络100来描述方法600。然而,本公开的实施例不限于此。
如图6所示,在框610处,网络设备101获得接收信号集合。例如,可以从Nr个接收天线接收该接收信号集合,并且可以将其表示为大小为Nr的向量y。注意,可以从一个或多个终端设备(例如,图1中的一个或多个终端设备102)接收该接收信号集合。
在框620处,网络设备101确定该接收信号集合已经经由其被传送的信道,或者换言之,由该接收信号集合经过/经历的信道。在MIMO通信的场景中,信道可以由信道矩阵H表示并且称为信道矩阵H。应当理解,实施例不限于用于获得信道矩阵H的任何特定方式。仅出于说明的目的,信道矩阵H可以预先知道或者可以经由信道估计来获得。为此目的,可以使用任何盲信道估计算法或者基于导频、参考信号或训练序列的信道估计算法。为了便于讨论,假设存在Nt个传输天线和Nr个接收天线,则所确定的信道矩阵H的大小为Nr×Nt,即,其具有Nr行和Nt列。
在框630处,网络设备101以分阶段方式检测该接收信号集合y。在框630处的分阶段信号检测包括一个或多个处理阶段,并且阶段的总数可以在本文中表示为Ntot,其中Ntot是等于或大于1的整数。
在一些实施例中,在全部的Ntot个阶段中的阶段中,网络设备101可以执行图7中所示的操作,图7示出了用于可以在一个处理阶段中执行的操作的示例。
在图7所示的示例中,在框631处,网络设备101基于信道矩阵H和用于该阶段的检测算法来检测该接收信号集合y。注意,检测该接收信号集合y表示从该接收信号集合y中估计传输信号集合x。本文中提出的分阶段信号检测方法允许针对每个阶段独立地选择检测算法。也就是说,可以在不同阶段中使用相同或不同的检测算法。
为了说明而不是限制,用于一个阶段的检测算法可以是但不限于以下中的一项:本公开中提出的基于ZF的算法、基于MMSE的算法和基于GD的算法(例如,基于SGD的算法)。基于ZF或MMSE的检测算法的详细信息可以例如在A.Chockalingam和B.Sundar Rajan的“Large MIMO systems”一书或Jerry R.Hampton的“Introduction to MIMOcommunications”一书中找到。
在框632处,网络设备101固定从用于该阶段的检测算法输出的被检测到的符号中的一个或多个被检测到的符号。换言之,用于被检测到的符号中的一个或多个被检测到的符号的值是固定/确定的。在一些实施例中,网络设备101可以基于接收信号的调制信息(例如,调制方案/模式,诸如BPSK或QPSK或16QAM)来固定一个或多个被检测到的符号。在图8中示出了用于在框632中执行的固定操作的示例实现。
如图8所示,在框810处,网络设备101可以针对从用于当前阶段的检测算法输出的每个被检测到的符号,例如基于最大似然(ML)标准从如下调制星座符号集合中选择候选符号,该调制星座符号集合由针对该接收信号集合的调制方案(例如,QPSK)确定。例如,针对QPSK调制方案的调制星座符号集合AQPSK包括4个星座符号A1至A4,即,AQPSK={A1,A2,A3A4},并且如果被检测到的符号与星座符号A1具有最小欧几里得距离,则接收器设备102可以选择A1作为针对被检测到的符号的候选符号。可以同样选择针对从检测算法输出的其他被检测到的符号的候选符号。
在框820处,网络设备101确定每个被检测到的符号与其对应候选符号之间的距离。例如,如果在阶段从检测算法输出M个被检测到的符号Si,i=1,2,...M,并且针对被检测到的符号Si选择与被检测到的符号Si具有最小距离的候选符号Ci,则在框820处,网络设备101可以确定di与每个Si和Ci之间的距离,其中i=1,2,...M,并且Ci是从星座符号集合中选择的,例如AQPSK={A1,A2,A3 A4}。
在框830处,网络设备101将与最小距离相关联的一个或多个被检测到的符号分别固定为对应的候选符号。作为示例,接收器设备可以以升序对距离di进行排序,并且将与前L个最小距离相关联的前L个被检测到的符号固定为它们的对应的候选符号。
应当理解,图8仅提供了用于在图7的框632处执行的固定操作的示例,并且固定操作不限于所示的确切示例。
在一些实施例中,在图7的框632处执行的固定操作可以经由可以在本文中表示为Fix( )的函数来实现。注意,如果从检测算法输出的被检测到的符号是复数值,则Fix( )函数可以直接用复数值处理每个被检测到的符号,或者分别处理复数值的实部和虚部。对于前一种情况,可以使用二维(2D)欧几里德距离针对被检测到的符号选择最接近的候选符号,而对于后一种情况,可以使用一维(1D)欧几里德距离。
为了说明而不是限制,下面描述用于构造Fix( )函数的示例,其中假设对被检测到的符号的实部和虚部分开地进行处理,并且将星座符号的实部的对应的值用于计算被检测到的符号与候选符号之间的距离。
Fix( )函数说明:
输入:
SMV:用于星座符号的值集合。
输出:
fs:固定符号及其对应值的列表
初始化:
(i)确定要使用的SMV。例如,
对于QPSK,
SMV={-1,1} (14)
对于16QAM
SMV={-3,-1,1,3} (15)
(ii)针对fNum设置一个值,该值表示阶段中要被固定的符号的数目。作为示例而非限制,fNum的值可以基于阶段中要被固定的符号的比率来确定/设置。或者,fNum的值可能会随阶段呈指数下降。例如,fNum的值可以确定/设置为:
fNummax(1,[len(ds)*fRatio]) (16)
或者,
fNum=[len(ds)*fRatio] (17)
其中len(as)表示从用于当前阶段的检测算法输出的被检测到的符号的总数,fRatio表示在当前阶段中要被固定的符号的比率,该比率可以取0到1之间的值,[.]表示得到实数的整数部分的运算。
Fix( )主例程:
(ii)建立最小距离列表(本文中表示为minDis),其中第i项可以通过以下获得:
(iii)选择要被固定的被检测到的符号。例如,以升序对inDis中的项进行排序,并且选择与经排序的minDis中的前fNum个元素相关联的被检测到的符号作为要被固定的符号。然后,在阶段中被固定的被检测到的符号可以由列表fs表示,列表fs的第i项可以表示为:
(iv)输出fs。
(v)Fix( )函数结束。
在上面的示例中,Fix( )函数基于基于欧几里德距离的标准来固定/确定针对一个或多个被检测到的符号的值,并且一个或多个被检测到的符号的数目由fNum确定,该fNum是可配置的并且可以是阶段特定的。然而,应当理解,实施例不限于上述用于固定被检测到的符号的特定方式。在另一实施例中,可以使用不同的标准,和/或,fNum的值对于每个阶段可以是恒定的。
一旦被检测到的符号被固定,其检测就完成了,并且被检测到的符号将不再参与以后的处理阶段。在本公开的一些实施例中,可以通过更新信道矩阵和该接收信号集合来将在一个阶段中固定的被检测到的符号排除在参与以后的处理阶段之外,如图7的框633所示。
在框633处,网络设备101基于在当前阶段中固定的一个或多个被检测到的符号,来更新信道矩阵H和该接收信号集合y,以由下一阶段使用。利用更新操作,可以从信道矩阵和该接收信号集合中移除固定符号的影响。为了说明而非限制,在框633处,网络设备101可以通过从信道矩阵H中移除与当前阶段中固定的被检测到的符号中的一个或多个被检测到的符号相对应的一个或多个列来更新信道矩阵H。另外,网络设备101可以通过从y中减去由在当前阶段中固定的被检测到的符号中的一个或多个被检测到的符号贡献的值来更新该接收信号集合y。
在一些实施例中,可以通过为简化起见而可以被表示为update()的函数来执行/控制更新操作。仅出于说明目的,下面以类似于计算机指令的形式提供用于构造update()函数的示例:
update( )函数说明:
输入:
fs:从固定操作输出的固定符号列表,例如Fix( )函数。
H:信道矩阵。
y:接收信号的向量。
输出:
H:通过移除对应的固定符号的列而更新的H;
y:通过减去固定符号的值而更新的向量y;
update( )主例程:
#从y中减去固定符号的值:
对于i=0到len(fs):
k=indexi
对于j=0到Nr:
yj=yj-hjk*mvk (21)
#移除H矩阵中的对应列:
对于fs的每个indexi,从H矩阵中移除其对应列(即,第indexi列)。输出H和y。
Update()函数的结束。
应当理解,图7和图8仅示出了可以在单个处理阶段中执行的示例操作。图6中所示的方法600可以包括在框630处的多个处理阶段。在这种情况下,每个阶段可以以类似于参考图7和8描述的方式来执行。
在一些实施例中,方法600的框630中涉及的阶段总数Ntot可以是可配置的。作为示例而非限制,网络设备101可以首先在图6的框623处确定在阶段要被固定的符号的比率(本文中可以表示为fRatio),然后在图6中的框625处基于所确定的比率(即,fRatio)来确定阶段的总数Ntot和在该阶段中要被固定的符号的数目(本文中表示为fNum)。
例如,阶段的总数Ntot可以通过以下基于fRatio来确定:
Ntot=[-log(1-fRatio)·Nt]+1 (22)
其中Nt表示传输天线的数目。应当理解,本公开的实施例不限于用于确定用于fRatio、fNum和Ntot的值的任何特定方式。在一些实施例中,可以基于接收信号与噪声比(SNR)来确定在阶段中要被固定的符号的比率。例如,如果接收SNR很高,则可以在一个阶段中固定大量的被检测到的符号;否则,可以在一个阶段中固定少量的被检测到的符号。
通常,例如,当基于等式(16)或(17)确定fNum时,分阶段信号检测所需要的阶段总数Ntot远远少于被检测到的符号的数目,这导致在一个阶段中要被固定的符号的数目的指数减少。
当阶段数目达到所配置的阶段总数Ntot或所有符号都固定时,分阶段信号检测结束。在一些实施例中,网络设备101在完成图6中的框640处的分阶段信号检测时输出检测结果。在一些实施例中,检测结果可以仅包括在检测阶段期间固定的符号,这表示所有检测信号在分阶段检测期间已经固定。在一些实施例中,检测结果可以包括固定符号和未固定符号两者,这表示在分阶段检测期间仅一部分被检测到的信号已经被固定。未固定符号可以经由后续的处理(例如,信道解码操作)来恢复。
备选地,在一些实施例中,在图4中的框634处,网络设备101可以在阶段的结束输出在该阶段中固定的一个或多个符号。另外,如果在分阶段信号检测完成之后仍然存在一个或多个符号保持未固定,则网络设备101还在图6中的框640处输出剩余符号。
为了说明的目的,图9中示出了分阶段信号检测操作的另一示例。该示例可以被认为是图6中的框630和640的具体实现。图9所示的方法例如可以通过图1中的网络101或终端设备102来实现。
在图9的示例中,分阶段信号检测是经由表示为ssfMDA( )的函数来实现的,该函数包括若干子函数,包括MDA( )、Fix( )和update( )。子函数MDA( )是用于在SSF框架的阶段中使用所选择的MIMO检测算法进行信号检测的函数。应当理解,可以针对每个阶段独立地选择检测算法。子函数Fix( )用于将从MDA( )输出的一个或多个(例如,fNum)被检测到的符号固定为与一个或多个被检测到的符号相距最小距离的对应的调制星座符号值。固定符号将不参与以后处理阶段。例如,在下一阶段将不再使用MDA( )函数来检测固定符号。由于上面已经描述了Fix( )函数的一些示例实现,因此这里将不再重复细节。如上所述,update( )函数用于通过移除固定符号的影响来更新信道矩阵H和该接收信号集合y。
如图9所示,信道矩阵H和该接收信号集合x被用作输入。在框910处,执行MDA( )函数以用于阶段中的信号检测。在框920处,检测输出软估计符号,这表示输出针对符号的概率估计而不是硬判决。在框930处,经由Fix( )函数来固定一个或多个被检测到的符号。Fix( )函数可以使用调制信息(例如,调制模式)作为输入,如图9的框931所示。在框940处,输出在框930处固定的符号。在框950处,阶段的索引增加1,并且接收器设备检查是否达到阶段的总数。如果未达到阶段的总数,则在框960处,经由update( )函数来更新信道矩阵H和该接收信号集合y,并且处理进入下一阶段。如果达到了阶段的总数,则分阶段信号检测停止,并且接收器设备输出在框970处未固定的剩余符号(如果有)。固定符号和未固定符号形成最终估计符号集合以进行进一步处理,例如,用于信道解码。
从图9所示的示例可以看出,本公开中提出的SSF框架至少具有以下特征:
(i)可以提供一种ML方法,通过使用基于欧几里德距离的标准逐阶段固定估计符号,以移除符号间干扰。
(ii)它具有与所使用的MDA( )函数相同的复杂度,因为Fix( )和update( )函数都不会引入太多的复杂度,并且所需要的阶段通常远少于Nt。
(iii)如果终端设备可以支持MDA( )函数,则它可以在网络设备中使用,也可以在终端设备中使用。
(iv)即使在每个阶段中在MDA( )函数中使用具有低检测精度和低复杂度的检测算法,也可以实现较好的检测精度。也就是说,所提出的框架使得能够构建低复杂度和高精度的mMIMO检测算法。如果在MDA( )中使用的检测算法已经是具有高计算复杂度的最佳算法,则分阶段处理可能无法实现显著的收益。
(v)它继承了在每个阶段中在MDA( )中使用的检测算法的属性。例如,如果MDA( )函数支持混合调制模式,则所提出的SSF解决方案也支持混合调制模式。
(vi)在所提出的分阶段检测框架工作的每个阶段,可以使用不同的MDA( )函数,即不同的检测算法。
(vii)在每个阶段中的MDA( )函数输出软估计符号。
在其他优点中,本公开中提出的分阶段信号检测框架的一些实施例提供了更灵活的信号检测解决方案。例如,分阶段信号检测可以经由下表7中所示的一个或多个参数来配置。
表7.配置参数示例
名称 | 描述 |
N<sub>tot</sub> | 阶段的总数。 |
fNum | 例如在Fix( )中用于指示在阶段中需要被固定的符号的数目 |
fRatio | 0到1之间的值,表示要被固定的符号的比率。 |
在一些实施例中,fRatio可以用于确定fNum和/或Ntot。例如,可以使用基于fRatio的等式(16)或(17)来获得fNum,并且可以使用基于fRatio的(22)来获得Ntot。如果fRatio=1/2,则等式(22)可以简化为下面的等式(23)。
Ntot=[log2 Nt]+1 (23)
从等式(23)可以看出,用于检测的阶段的总数可以远小于传输天线的数目,这表示所提出的方案的低复杂度。这是有利的,因为用于mMIMO检测的目标是固定尽可能多的符号以得到最佳检测精度,并且同时保持尽可能低的计算复杂度。
注意,本公开中提出的分阶段信号检测解决方案不需要固定所有被检测到的符号。实际上,如果通过仅固定一部分被检测到的符号已经使检测精度满足预定要求,则无需固定所有被检测到的符号,并且在这种情况下,可以减少阶段的总数。
在一些实施例中,可以基于接收SNR来确定表7中所示的用于分阶段信号检测解决方案的配置参数。通常,fRatio可以取在[0.5,0.7]范围内的值,这允许在第一处理阶段中固定足够的符号,同时避免检测错误概率的增加。
此外,如上所述,在本公开的一些实施例中,可以基于需要来选择在分阶段信号检测框架的阶段中使用的检测算法,并且该选择甚至可以是阶段特定的。这种机制为所提出的分阶段检测框架提供了更大的灵活性。
为了说明的目的,下面可以描述用于检测算法的一些示例,但是,应当理解,实施例不限于此。
在示例实施例中,针对每个阶段选择MMSE检测算法/检测器,并且这种分阶段检测解决方案在本文中也称为ssfMMSE解决方案。MMSE是一种流行的低复杂度检测算法,并且从MMSE检测器输出的被检测到的符号可以表示为以下等式(24):
其中ρ与SNR有关,并且通过ρ=10(SNR/10)获得,I是大小为(Nt,Nt)的单位矩阵,H表示信道矩阵,并且y表示接收信号。在ssfMMSE中,将MMSE检测器的输出用作后续固定操作/函数的输入,以获得一个或多个固定的被检测到的符号。
在另一示例实施例中,针对每个阶段选择ZF检测算法,并且在本文中这种分阶段检测解决方案也称为ssfZF解决方案。ZF是另一种非常流行的检测算法,并且从ZF检测器输出的被检测到的符号可以表示为以下等式(25):
在又一示例实施例中,可以针对每个阶段选择基于GD的检测算法,例如本公开中提出的用于MIMO检测的SGD检测算法,并且这种分阶段检测解决方案在本文中也称为ssfSGD解决方案。
SGD检测算法将等式(1)的问题转换为ANN问题,如图2中示意性所示。如图2所示,在该ANN模型中,将信道矩阵H的每个行向量(hi1,hi2,...hiNt)视为输入向量,将与H的对应行相关联的接收值yi视为输出,而将向量x=[x1,x2,...xNt]建模为要学习的权重。
SGD检测方法(也可以称为SGD学习方法)可以用于解决ANN问题并且快速收敛。在SGD学习方法中,H的第i行的损失函数可以定义为:
针对xj的微分可以通过以下获得:
所获取的微分用作用于更新xj的梯度下降方向。例如,xj可以通过以下更新:
其中R表示学习速率,或称为学习步骤,其用于控制Xj的更新。以上在本公开中已经提供了关于基于GD的mMIMO检测的更多细节,并且将不再重复细节。
在ssfSGD解决方案中,从SGD检测器输出的Xj用作后续固定操作/函数的输入,以获得一个或多个固定的被检测到的符号。注意,在ssfSGD解决方案中,如图9的框960所示的分开的更新功能可以不需要,因为当选择SGD检测算法进行阶段中的信号检测时,在SGD检测算法内(即,在图9的框910处)已经执行了更新操作。
ssfSGD解决方案的一个优点是,通过重用ANN实现,易于实现。例如,所提出的ssfSGD解决方案中的固定操作/函数可以通过使用ANN中的dropout函数来实现。最初,ANN中的dropout函数是一种正则化技术,用于通过防止对训练数据进行复杂的自适应来减少神经网络的过拟合。dropout是指在训练阶段期间忽略权重更新,dropout权重是随机选择的。在ssfSGD解决方案中,必须以不同的方式使用dropout函数。在以后的学习阶段期间忽略权重(对应于ssfSGD解决方案中的被检测到的符号)更新方面,ssfSGD解决方案中的dropout函数与ANN中的相同,但是区别在于要被固定的权重(即,ssfSGD解决方案中的被检测到的符号)由Fix( )函数确定,而在ANN中,要被固定的权重是随机确定的。与ANN中的相同,一旦权重(符号)被固定,则权重(符号)在以后的阶段(以后的学习阶段)将始终是固定/不变的,并且不得参与以后的检测。因此,可以在支持ANN的硬件中轻松实现具有新的dropout函数的ANN方法,以提供ssfSGD解决方案。也就是说,可以通过重用ANN硬件来实现用于MIMO信号检测的ssfSGD解决方案。这对于ssfSGD使用是一个很大的好处。
为了评估本文中提出的分阶段信号检测解决方案的性能,已经经由计算机仿真进行了针对UL mMIMO信号检测的测试。表8和表9中总结了用于测试的信号和参数的设置。
表8.用于测试的信号生成
表9.测试用例
针对两个测试案例和包括ssfZF、ssfMMSE和ssfSGD的三种不同的分阶段检测算法的计算机仿真结果在图10-15中示出,从中可以观察到由本文中提出的分阶段信号检测解决方案带来的检测精度的提高。例如,图10-11示出,与传统的ZF/MMSE检测算法相比,分阶段ZF/MMSE检测解决方案(即,ssfZF/ssfMMSE)在其中使用60个接收天线、30个传输天线和BPSK调制的测试案例1中在相同SNR水平上实现较低的符号错误率(SER)。同样,图12示出了分阶段SGD(即,ssfSGD)检测解决方案比常规的SGD检测解决方案具有更好的性能。针对测试案例2的结果在图13-15中示出,并且从中可以观察到,在具有64个接收天线、16个传输天线和16QAM调制的MIMO系统中也存在来自分阶段检测解决方案的性能增益。
本公开中提出的用于MIMO检测的分阶段信号检测解决方案具有以下一些或全部优点:
(a)分阶段信号检测解决方案的计算复杂度几乎与在阶段中使用的检测算法的水平相同,即,没有由于分阶段操作而引入明显的额外计算复杂度。此外,可以适当地选择阶段数目以实现复杂度与精度之间的折衷。
(b)如果在阶段中使用的检测算法由终端设备支持,则分阶段信号检测解决方案可以在网络设备以及终端设备中使用。
(c)大大提高了检测精度。
(d)它提供了一种用于构建具有低计算复杂度和高检测精度的MIMO检测算法的方法。
(e)它继承了在每个阶段中使用的检测算法的属性,即,如果检测算法是灵活的算法(例如,SGD),则分阶段解决方案也是灵活的算法。
(f)基于SGD的分阶段检测解决方案非常适合通过使用所开发的ANN来实现,尤其是在启用ANN的HW中。
(g)所提出的分阶段检测解决方案允许在不同阶段使用不同的检测算法,这针对检测提供了额外的灵活性。
尽管进行了用于UL mMIMO信号检测的计算机仿真,但是应当理解,本公开中提出的分阶段信号检测解决方案也适用于DL mMIMO信号检测。对于DL mMIMO信号检测,终端设备(例如,图1中的终端设备102)用作接收器设备。终端设备102可能需要取决于其操作模式来检测来自单个基站或多个基站的信号。在一些实施例中,终端设备102可以从网络设备101接收信号,并且在这种情况下,与UL mMIMO信号检测相比,可以减少接收天线的数目和传输天线的数目两者。也就是说,与参考UL MIMO检测所描述的相同的分阶段信号检测解决方案也适用,但是由于天线数目的减少,还可以降低计算复杂度。
图16示出了装置1600的简化框图,该装置1600可以体现为接收器设备或包括在接收器设备中,例如,图1中所示的终端设备102或网络设备101。
装置1600包括至少一个处理器1611(诸如数据处理器(DP))和耦合到处理器1611的至少一个存储器(MEM)1612。装置1610还可以包括耦合到处理器1611的传输器TX和接收器RX 1613,其可操作以通信地连接到其他装置。MEM 1612存储程序或计算机程序代码1614。至少一个存储器1612和计算机程序代码1614被配置为与至少一个处理器1611一起使装置1600至少根据本公开的实施例执行,例如方法600或900。
至少一个处理器1611和至少一个MEM 1612的组合可以形成被配置为实现本公开的各种实施例的处理部件1615。
本公开的各种实施例可以由处理器1611可执行的计算机程序、软件、固件、硬件或其组合来实现。
MEM 1612可以是适合于本地技术环境的任何类型,并且可以使用任何适当的数据存储技术来实现,作为非限制性示例,诸如基于半导体的存储器设备、磁存储器设备和系统、光学存储器设备和系统、固定存储器和可移动存储器。
处理器1611可以是适合于本地技术环境的任何类型,并且作为非限制性示例,可以包括以下中的一种或多种:通用计算机、专用计算机、微处理器、数字信号处理器(DSP)和基于多核处理器架构的处理器。
尽管以上关于基于GD的信号检测和分阶段信号检测的一些描述是在图1所示的无线通信系统的上下文中进行的,但是不应当将其解释为限制本公开的精神和范围。本公开的原理和概念可以更普遍地适用于其他场景。
另外,本公开还可以提供包含如上所述的计算机程序的载体(例如,图5中的计算机指令/程序530或图16中的1614)。载体包括计算机可读存储介质和传输介质。计算机可读存储介质可以包括例如光盘或电子存储器设备,诸如RAM(随机存取存储器)、ROM(只读存储器)、闪存、磁带、CD-ROM、DVD、蓝光盘等。传输介质可以包括例如电、光、无线电、声学或其他形式的传播信号,诸如载波、红外信号等。
本文中描述的技术可以通过各种手段来实现,使得实现用实施例描述的对应装置的一个或多个功能的装置不仅包括现有技术部件,还包括用于实现对应装置的一个或多个功能的部件,并且该装置可以包括用于每个分开功能的分开部件、或者可以被配置为执行两个或更多个功能的部件。例如,这些技术可以以硬件(例如,电路或处理器)、固件、软件或其组合来实现。对于固件或软件,实现可以通过执行本文中描述的功能的模块(例如,过程、功能等)来进行。
上面已经参考方法和装置的框图和流程图图示描述了本文中的一些示例实施例。将理解,框图和流程图图示的每个框以及框图和流程图图示的各个框的组合可以分别通过包括计算机程序指令的各种部件来实现。这些计算机程序指令可以被加载到通用计算机、专用计算机或其他可编程数据处理装置上以产生机器,从而使得在计算机或其他可编程数据处理装置上执行的指令创建用于实现在一个或多个流程图框中指定的功能的部件。
虽然本说明书包含很多特定的实现细节,但是这些不应当被解释为对任何实现或可能要求保护的范围的限制,而应当被解释为特定于特定实现的特定实施例的特征的描述。在分开实施例的上下文中在本说明书中描述的某些特征也可以在单个实施例中组合实现。相反,在单个实施例的上下文中描述的各种特征也可以分开地在多个实施例中或以任何合适的子组合来实现。此外,尽管以上可以将特征描述为以某些组合起作用并且甚至最初如此要求保护,但是在某些情况下可以从组合中删除来自所要求保护的组合中的一个或多个特征,并且所要求保护的组合可以针对子组合或子组合的变体。
对于本领域技术人员而言将清楚的是,随着技术的进步,本发明概念可以以各种方式来实现。给出上述实施例以用于描述而不是限制本公开,并且应当理解,如本领域技术人员容易理解的,在不脱离本公开的精神和范围的情况下可以进行修改和变化。这样的修改和变化被认为在本公开和所附权利要求的范围内。本公开的保护范围由所附权利要求书限定。
下面列出了本公开中使用的一些缩写及其对应表达:
GD:梯度下降
BGD:批量梯度下降
SGD:随机梯度下降
MIMO:多输入多输出天线系统
mMIMO: 大规模多输入多输出天线系统
SVD:奇异值分解
5G:第五代电信系统
gNodeB:5G NodeB
AWGN:加性高斯白噪声
ZF:迫零
ZF-IC:迫零与干扰消除
LMMSE:线性最小均方误差
LMMSE-IC:具有干扰消除的线性最小均方误差
SSF:分阶段符号固定
MDA:MIMO检测算法
ssfMDA:基于分段符号固定的MIMO检测算法
AMP:近似消息传递
PDA:概率数据关联
MCMC:马尔可夫链蒙特卡洛
SDR:半确定松弛
QAM:正交幅度调制
BPSK:二进制相移键控
QPSK:正交相移键控
ANN:人工神经元网络
DNN:深度神经元网络
SER:符号错误率
SNR:信号噪声比
附接了从以下链接获得的参考:
http://ieeexplore.ieee.org/document/7282651/;
https://emtiyaz.github.io/Writings/approxMP0.pdf;以及
https://arxiv.org/abs/1706.01151。
近似的消息传递
穆罕默德Emtiyaz汗
CS,UBC
2012年2月8日
摘要
在本文中,我总结了Arian Maleki博士论文的第5.1节和第5.2节。
1符号
我们用小写字母表示标量,例如a,b,c,...,以黑体小写字母表示的向量,例如:a、a、x、...,用黑体大写字母表示的矩阵,如A,B,C,...用大写字母表示的自然数(子集),如N,M,....我们用a表示向量a的第i个元素;矩阵a的第(i,j)项用a:,i(或a;,:)表示a的第i列(或行)。我们用Aa-i(或a-a,i)来表示第a行(或第i列)没有元素Aa,i·也表示矩阵a的转置。
2追求基础问题
给定长度为n的测量值y和大小为n x n的矩阵A,我们希望计算公式1的最小值。这就是所谓的基础追踪问题。在这里,11·1h是h规范。这个问题的一个版本,我们允许误差的测量称为基础追求去噪问题(又名套索),显示在公式2。这里,II·ll2是l2规范。
3后验分布
考虑公式3中的后验分布,其中先验分布p(s;)为拉普拉斯分布,似然p(Yals,Aa,:)为狄拉克分布。
当,6-+x时,该后验分布的质量集中在BP最小值附近。这意味着,给定后验分布的边缘,BP的解是即时的。在[1\falll]中没有给出正式的证明。我们在图3中给出了直观的解释。
左图为先验分布的负对数为/3(13 11+1821),为高斯似然对应的单次测量的负对数似然(黑线)。右图为后验分布的负对数。当,8-+oo时,当31为0时,后验点在稀疏解周围变得更尖。我们还可以看到,31的边际集中在0附近,而s2的边际集中在非零值附近。图从[See08]。
4置信传播
信念传播可以用来计算后验分布的边缘分布。我们首先定义一个因子图,它可以捕获变量之间的统计相关性,然后进行消息传递。在这一节中,我们将简要描述基于追踪问题的信念传播;有兴趣的读者可以参阅[Bis06]了解一般情况。首先考虑Eq.3的后验分布,其先验分布为p(s;)和似然p(yals,Aa,:)·我们定义一个二部图,其中s 1,32,…,s N是变量,y1 Y2,…Yn是因子。如果相应的度量取决于变量(在BP问题中,它将是一个稠密图,但如果a是稀疏的,那么非零项将对应一条边),我们在变量和因素之间画一条边。定义,N(a)为第一个因子的邻域,即连接到因子a的变量集,并定义N(a)\i为没有变量i的集合。下面定义的消息从变量传递到因子,然后因子传递到变量。
直观地,消息从一个变量我前一个因素包含乘法的信念p(3。)所有接收到的消息除了消息发送的因素。同样,消息从一个因素变量我包含可能性的乘法p(青年团)以外的所有接收到的消息消息发送的变量i。比我其他的变量然后集成的信息。然后,通过将到达该变量的所有消息与局部信念相乘得到一个变量的边缘,如下所示。
现在我们将给出一个简单的示例,以显示消息传递在每个节点的边线中产生的结果。
考虑两个变量31,82和83与两个测量Ya和Yb,遵循一个联合分布,其因式如下所示。
p(ya,yb,s1,s2,s3)=p(ya|s1,s2)p(ya|s2,s3)p(s1)p(s2)p(s3) (8)
变量和测量值之间的统计相关性可以用以下因子图表示:81-Ya-8z-Yb-83。这里,Ya取决于81,8z Yb取决于8z1 83。利用Eq.5和6,我们可以明确地写出如下所示的消息。
现在,我们确定该消息传递将导致s1、s2和8.3的边缘。在公式22中,将81的边际化简如下。
我们看到,在以下4条消息传递3-+b,b-+2,2-+a,a-+1之后,我们得到了8-1的边际值。
类似地,s2的边际可以写成这样,
在以下4条消息传递3~b、b~2、1~a、a~2后,得到s2的边缘值。
5近似的消息传递
我们的目标是计算后验分布的边缘分布,
我们定义一个因子图,其中以{si}{’:1为变量,以{Ya}~=1为因子。从后验分布可以看出,每个Ya都依赖于所有S;因此因子图中每个Ya都与所有的s相连,即因子图是一个全连通二部图,其中每个因子都与所有变量相连。利用信念传播算法,我们可以计算出所有变量的边缘分布。然而,由于以下原因,不可能直接应用Eq.5和6:
1.边际分布p(s;jy)不是高斯分布,因为概率p(yjs)不是先验分布p(s)的共轭。同样,消息也是非高斯的,不清楚如何参数化它们。
2.每次迭代需要传播的消息数量在0(nN)中,因为每个变量向每个因素发送n条消息(反之亦然)。
问题(1)可以通过使用引理5.1、5.2和5.3用高斯函数逼近消息来解决。问题(2)可以使用引理5.4来解决,引理5.4对消息进行了更多的近似,使它们独立于消息的接收。现在我们将简要地描述这些引理。我们将在这些引理中保留对“近似”的精确描述,而专注于直观的解释;详情请见[Malll]。
对于问题(1),如果消息的第三阶矩是有界的,那么高斯近似是合理的。下面两个引理将说明这一点。下面的引理假设,如果从变量到因子的消息的第三矩有界,那么从因子到变量的消息可以用高斯逼近。该引理可用公式6和贝-艾辛中心极限定理证明。
引理5.1.让我们表示消息的均值和方差mj-ta(Sj)Xja和TJa/P”和假设他们的第三个时刻是有界的,那么消息ma-ti(si)是“关闭”高斯分布Eq。27日,挑战:nf;d通过均值参数IVfai和方差参数Vai Eq。28和29。
Mai:=ya-Aa,-ix-i,a (28)
下面的引理表明,如果从因子到变量的消息是高斯函数,那么从变量到因子的消息将遵循一个简单的分布。这个引理可以用5的直接应用来证明。
引理5.2。假设每个ma-+i(si)遵循Eq.27中定义的高斯分布,则mi-+a(s;)信息遵循Eq.30中给出的分布,该分布通过Eq.31中定义的分布定义。
一个简单的算法是仅用前两个时刻来表示这些消息。Vve可以从变量到因子mj-+a的分布开始到标准高斯分布,即Xja=0,Tja=1,然后迭代如下:
Mai←ya-Aa,-iX-i,a (32)
该算法可以进一步简化,假设对于所有的a,i,Vai等于一个常数v,然后将Eq.35中的a~a,iM:,i替换为a~iM:,i,然后用样本平均值逼近Eq.33。
Mai←ya-Aa,-ix-i,a (36)
在8-+oo的极限条件下,用一个简单的软阈值函数可以实现均值和方差的计算。
引理5.3。对于有界t和<72
rJ(M,v)是软阈值函数,如果M>v或M+v,则取值M-v.如果M<-v,其他为零,r!′(JL,v)是′T的导数!(JL,v)。
使用它,我们得到如下的消息传递算法,如算法1所示。虽然这个算法很简单,但是我们仍然有太多的消息。这些步骤中的每一步都需要对所有变量和因子进行矩阵乘法。下面的引理表明,给定一个特定的渐近行为,一个消息可以被另一个独立于接收的消息近似,即独立于该消息被发送到的变量/因素。在算法1的消息传递迭代中,只需将Eq.41和42的假设代入,去除0(1/N)项即可得到该引理。
引理5.4。用下标(k)表示第k次迭代的消息,假设第k次迭代的消息具有如下渐近性:
其中oN(1)项消失为N,N-+oo。
利用这个引理,我们可以简化算法1得到算法2。
参考文献
[Bis06]c.主教。模式识别和机器学习。施普林格,2006年。
[Malll]答:Maleki。用于压缩感知的近似消息传递算法。博士论文,斯坦福大学,2011。
[See08]m·西格。稀疏线性模型中的贝叶斯推理与优化设计。《机器学习研究》,2008年,9:759-813。
Claims (28)
1.一种用于分阶段信号检测的方法,包括:
获得接收信号集合;
确定所述接收信号集合已经经由其被传送的信道矩阵;以及
以分阶段方式检测所述接收信号集合,
其中在一个阶段,所述方法包括:
基于所述信道矩阵和用于所述阶段的检测算法来检测所述接收信号集合;
针对所述阶段固定从所述检测算法输出的被检测到的符号中的一个或多个被检测到的符号;以及
基于在所述阶段中被固定的所述被检测到的符号中的所述一个或多个被检测到的符号,来更新所述信道矩阵和所述接收信号集合,以由下一阶段使用。
2.根据权利要求1所述的方法,其中所述被检测到的符号中的所述一个或多个被检测到的符号基于可配置的数目被确定。
3.根据权利要求2所述的方法,还包括:
确定一个阶段中要被固定的符号的比率;以及
基于所确定的要被固定的符号的所述比率,来确定用于检测的阶段的总数和所述阶段中要被固定的符号的数目。
4.根据权利要求3所述的方法,其中确定一个阶段中要被固定的符号的所述比率包括:
基于接收信号与噪声比SNR来确定所述阶段中要被固定的符号的所述比率。
5.根据权利要求3所述的方法,其中阶段的所述总数由以下确定:
Ntot=[-log(1-fRatio)Nt]+1
其中Ntot表示阶段的所述总数,fRatio表示一个阶段中要被固定的符号的所述比率,并且Nt表示传输天线的数目。
6.根据权利要求3所述的方法,其中一个阶段中要被固定的符号的所述数目由以下确定:
fNum=[len(ds)*fRatio],或者
fNum=max(1,[len(ds)*fRatio]);
其中fNum表示所述阶段中要被固定的符号的所述数目,len(ds)表示用于所述阶段的输入符号的总数,fRatio表示所述阶段中要被固定的符号的所述比率,并且[.]表示得到实数的整数部分的运算。
7.根据权利要求1所述的方法,其中固定所述被检测到的符号中的一个或多个被检测到的符号包括:
针对从所述检测算法输出的每个被检测到的符号,基于最大似然准则来从调制星座符号集合中选择候选符号,所述调制星座符号集合由调制方案针对所述接收信号集合确定,
确定每个被检测到的符号与对应候选符号之间的距离;以及
将与最小距离相关联的所述被检测到的符号中的所述一个或多个被检测到的符号分别固定为对应候选符号。
8.根据权利要求1所述的方法,其中用于一个阶段的所述检测算法包括以下中的一项:
基于迫零ZF的算法,
基于最小均方误差MMSE的算法,以及
基于梯度下降GD的算法。
9.根据权利要求1所述的方法,其中所述检测算法针对每个阶段独立地被选择。
10.根据权利要求1所述的方法,其中更新所述信道矩阵和所述接收信号集合包括:
从所述信道矩阵中移除与在当前阶段中被固定的所述被检测到的信号中的所述一个或多个被检测到的符号相对应的一个或多个列;以及
从所述接收信号集合中减去由在所述当前阶段中被固定的所述被检测到的信号中的所述一个或多个被检测到的符号贡献的值。
11.根据权利要求1所述的方法,还包括:
在所述分阶段信号检测完成时输出检测结果。
12.根据权利要求1所述的方法,还包括:
输出在每个阶段中被固定的所述被检测到的信号中的所述一个或多个被检测到的符号,以及
如果在所述分阶段信号检测完成之后还有未被固定的剩余符号,则输出所述剩余符号。
13.根据权利要求1所述的方法,其中从所述检测算法输出的所述被检测到的符号是软估计符号。
14.一种接收器设备,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述接收器设备至少:
获得接收信号集合;
确定所述接收信号集合经由其被传送的信道矩阵;
以分阶段方式检测所述接收信号集合,以及
在一个阶段,执行:
基于所述信道矩阵和用于所述阶段的检测算法来检测所述接收信号集合;
针对所述阶段固定从所述检测算法输出的被检测到的符号中的一个或多个被检测到的符号;以及
基于在所述阶段中被固定的所述被检测到的符号中的所述一个或多个被检测到的符号,来更新所述信道矩阵和所述接收信号集合,以由下一阶段使用。
15.根据权利要求14所述的接收器设备,其中所述被检测到的符号中的所述一个或多个被检测到的符号基于可配置的数目被确定。
16.根据权利要求15所述的接收器设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述接收器设备:
确定一个阶段中要被固定的符号的比率;以及
基于所确定的要被固定的符号的所述比率,来确定阶段的总数和一个阶段中要被固定的符号的数目。
17.根据权利要求16所述的接收器设备,其中所述接收器设备还被使:基于接收信号与噪声比SNR来确定一个阶段中要被固定的符号的所述比率。
18.根据权利要求16所述的接收器设备,其中用于检测的阶段的所述总数由以下确定:
Ntot=[-log(1-fRatio)Nt]+1
其中Ntot表示阶段的所述总数,fRatio表示一个阶段中要被固定的符号的所述比率,并且Nt表示传输天线的数目。
19.根据权利要求16所述的接收器设备,其中一个阶段中要被固定的符号的所述数目由以下确定:
fNum=[len(ds)*fRatio],或者
fNum=max(1,[len(ds)*fRatio]);
其中fNum表示所述阶段中要被固定的符号的所述数目,len(ds)表示用于所述阶段的输入符号的总数,fRatio表示所述阶段中要被固定的符号的所述比率,并且[.]表示得到实数的整数部分的运算。
20.根据权利要求14所述的接收器设备,其中所述接收器设备还被使通过以下来固定所述被检测到的符号中的一个或多个被检测到的符号:
针对从所述检测算法输出的每个被检测到的符号,基于最大似然准则来从调制星座符号集合中选择候选符号,所述调制星座符号集合由调制方案针对所述接收信号集合确定,
确定每个被检测到的符号与对应候选符号之间的距离;以及
将与最小距离相关联的所述被检测到的符号中的所述一个或多个被检测到的符号分别固定为对应候选符号。
21.根据权利要求14所述的接收器设备,其中用于一个阶段的所述检测算法包括以下中的一项:
基于迫零ZF的算法,
基于最小均方误差MMSE的算法,以及
基于梯度下降GD的算法。
22.根据权利要求14所述的接收器设备,其中所述检测算法针对每个阶段独立地被选择。
23.根据权利要求14所述的接收器设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述接收器设备通过以下来更新所述信道矩阵和所述接收信号集合:
从所述信道矩阵中移除与在当前阶段中被固定的所述被检测到的符号中的所述一个或多个被检测到的符号相对应的一个或多个列;以及
从所述接收信号集合中减去由在所述当前阶段中被固定的所述被检测到的符号中的所述一个或多个被检测到的符号贡献的值。
24.根据权利要求14所述的接收器设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述接收器设备:
在所述分阶段信号检测完成时输出检测结果。
25.根据权利要求14所述的接收器设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述接收器设备:
输出在每个阶段中被固定的所述被检测到的符号中的所述一个或多个被检测到的符号,以及
如果在所述分阶段信号检测完成之后还有未被固定的剩余符号,则输出所述剩余符号。
26.根据权利要求14所述的接收器设备,其中从所述检测算法输出的所述被检测到的符号是软估计符号。
27.一种接收器设备,包括:
用于获得接收信号集合的部件;
用于确定所述接收信号集合已经经由其被传送的信道矩阵的部件;以及
用于以分阶段方式检测所述接收信号集合的部件,
其中在一个阶段中,用于检测的所述部件执行:
基于所述信道矩阵和用于所述阶段的检测算法来检测所述接收信号集合;
针对所述阶段固定从所述检测算法输出的被检测到的符号中的一个或多个被检测到的符号;以及
基于在所述阶段中被固定的所述被检测到的符号中的所述一个或多个被检测到的符号,来更新所述信道矩阵和所述接收信号集合,以由下一阶段使用。
28.一种计算机可读介质,具有被存储在其上的计算机程序,所述计算机程序在由设备的至少一个处理器执行时使所述设备执行根据权利要求1至13中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/082713 WO2019196036A1 (en) | 2018-04-11 | 2018-04-11 | Method and apparatus for signal detection in wireless communication system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112313884A true CN112313884A (zh) | 2021-02-02 |
CN112313884B CN112313884B (zh) | 2023-11-28 |
Family
ID=68162814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880092268.9A Active CN112313884B (zh) | 2018-04-11 | 2018-04-11 | 用于在无线通信系统中信号检测的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210099207A1 (zh) |
EP (1) | EP3776889A4 (zh) |
CN (1) | CN112313884B (zh) |
WO (1) | WO2019196036A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023236608A1 (zh) * | 2022-06-06 | 2023-12-14 | 网络通信与安全紫金山实验室 | 信号检测方法及终端设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI741619B (zh) * | 2020-05-26 | 2021-10-01 | 國立中山大學 | 多輸入輸出系統之參數估測方法 |
CN114362793B (zh) * | 2020-10-13 | 2024-06-14 | 中兴通讯股份有限公司 | 信号处理装置及信号处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080056396A1 (en) * | 2006-08-31 | 2008-03-06 | Interdigital Technology Corporation | Method and apparatus for qr decomposition-based mimo detection and soft bit generation |
CN101383652A (zh) * | 2007-09-04 | 2009-03-11 | 中兴通讯股份有限公司 | 一种多输入多输出系统的信号检测方法及装置 |
US20100177837A1 (en) * | 2009-01-12 | 2010-07-15 | Samsung Electronics Co., Ltd. | Advanced method for decoding in the mimo system and apparatus for implementing thereof |
CN103548310A (zh) * | 2011-05-19 | 2014-01-29 | 意法爱立信有限公司 | 使用格规约和K-best检测的MIMO接收器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7302018B2 (en) * | 2003-05-29 | 2007-11-27 | Texas Instruments Incorporated | Iterative detection in MIMO systems |
US7929625B2 (en) * | 2007-09-20 | 2011-04-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Quality of service based antenna mapping for multiple-input multiple-output communication systems |
CN102868434B (zh) * | 2012-08-23 | 2015-11-25 | 北京邮电大学 | 一种mimo检测方法及装置 |
-
2018
- 2018-04-11 EP EP18914629.3A patent/EP3776889A4/en not_active Withdrawn
- 2018-04-11 US US17/046,332 patent/US20210099207A1/en not_active Abandoned
- 2018-04-11 WO PCT/CN2018/082713 patent/WO2019196036A1/en unknown
- 2018-04-11 CN CN201880092268.9A patent/CN112313884B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080056396A1 (en) * | 2006-08-31 | 2008-03-06 | Interdigital Technology Corporation | Method and apparatus for qr decomposition-based mimo detection and soft bit generation |
CN101383652A (zh) * | 2007-09-04 | 2009-03-11 | 中兴通讯股份有限公司 | 一种多输入多输出系统的信号检测方法及装置 |
US20100177837A1 (en) * | 2009-01-12 | 2010-07-15 | Samsung Electronics Co., Ltd. | Advanced method for decoding in the mimo system and apparatus for implementing thereof |
CN103548310A (zh) * | 2011-05-19 | 2014-01-29 | 意法爱立信有限公司 | 使用格规约和K-best检测的MIMO接收器 |
Non-Patent Citations (1)
Title |
---|
LIE-LIANG YANG: ""Using Multi-Stage MMSE Detection to Approach Optimum Error Performance in Multiantenna MIMO Systems"", 《2009 IEEE 70TH VEHICULAR TECHNOLOGY CONFERENCE FALL》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023236608A1 (zh) * | 2022-06-06 | 2023-12-14 | 网络通信与安全紫金山实验室 | 信号检测方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019196036A1 (en) | 2019-10-17 |
US20210099207A1 (en) | 2021-04-01 |
EP3776889A4 (en) | 2021-12-01 |
EP3776889A1 (en) | 2021-02-17 |
CN112313884B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111386662B (zh) | 用于无线通信系统中的信号检测的方法、设备和介质 | |
CN113906719B (zh) | 使用机器学习网络处理通信信号 | |
CN110233653B (zh) | 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统 | |
Awan et al. | Detection for 5G-NOMA: An online adaptive machine learning approach | |
Tsakmalis et al. | Modulation and coding classification for adaptive power control in 5G cognitive communications | |
CN112313884B (zh) | 用于在无线通信系统中信号检测的方法和装置 | |
Choi et al. | Robust learning-based ML detection for massive MIMO systems with one-bit quantized signals | |
EP3468080B1 (en) | System and method for selecting transmission parameters for rank two mimo transmission | |
Jespersen et al. | Deep learning for synchronization and channel estimation in NB-IoT random access channel | |
US20190149362A1 (en) | Hybrid mimo detection of ofdm signals | |
US20220374685A1 (en) | Provision of Optimized Action for Application in a Wireless Communication Network to Affect Data Transmission Over a Communication Channel | |
US20230075680A1 (en) | Wireless receiving apparatus and method thereof | |
US11309991B2 (en) | Wireless receiver apparatus | |
US11627485B2 (en) | Computer system and method therefor | |
Ito et al. | Bayesian joint channel and data estimation for correlated large MIMO with non-orthogonal pilots | |
US10439742B2 (en) | Device and method for performing channel decoding operation in communication system | |
Liu et al. | A reinforcement learning approach for energy efficient beamforming in noma systems | |
Ji et al. | Inter-cell interference suppression for MIMO-OFDM systems based on complex-valued neural network | |
US11863353B2 (en) | Anchor process of data symbols in channel estimation | |
Seidel et al. | Decentralized massive MIMO uplink signal estimation by binary multistep synthesis | |
Ibi et al. | Data associated iterative channel estimations with non-orthogonal pilot for large MIMO detections | |
Zhang et al. | Rate Adaptation of D2D Underlaying Downlink Massive MIMO Networks with Reinforcement Learning | |
Kasiselvanathan et al. | Performance analysis of alternating minimization based low complexity detection for MIMO communication system | |
US20230388158A1 (en) | Ai-augmented channel estimation | |
WO2024007189A1 (en) | Scalable and quick waveform learning in multi-user communication system |
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 |