CN112910519A - 基于残差齐次化排序技术的大规模mimo基站接收端信号恢复方法 - Google Patents
基于残差齐次化排序技术的大规模mimo基站接收端信号恢复方法 Download PDFInfo
- Publication number
- CN112910519A CN112910519A CN202110148109.XA CN202110148109A CN112910519A CN 112910519 A CN112910519 A CN 112910519A CN 202110148109 A CN202110148109 A CN 202110148109A CN 112910519 A CN112910519 A CN 112910519A
- Authority
- CN
- China
- Prior art keywords
- signal
- base station
- iteration
- receiving end
- mimo
- 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
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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明涉及基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法,与现有技术相比解决了MIMO信号恢复方法复杂度过高的缺陷。本发明包括以下步骤:MIMO系统上行链路基站的预处理;发送端信号的接收;信号数据的计算和处理;进行信号数据的恢复。本发明避免了矩阵求逆过程,有效降低了信号检测过程的计算复杂度,提高了信号检测的收敛速率,同时拥有较好的误码率性能。
Description
技术领域
本发明涉及MIMO基站技术领域,具体来说是基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法。
背景技术
大规模MIMO技术已经成为5G无线通信领域的关键技术之一,吸引了学术界和工业界的大量目光。MIMO技术能够在不增加发射功率和带宽的前提下,大幅提高移动通信系统的信道容量,从而可以有效解决频谱资源日益紧缺和容量需求急剧增长的矛盾。在5G中,Massive MIMO增加了更多的天线数目,性能优势明显,但是随着系统中天线数目的增多,检测方法复杂度越高。信号检测的目的是在接收端恢复出发送信号,因此检测的性能好坏直接影响到通信系统的优劣性。因此低复杂度的检测方法的研究是Massive MIMO系统中一个非常有价值的研究方向。
为了降低MIMO检测方法的实现复杂度,满足实际应用需要,必须设法研究具有低复杂度的检测方法。近年来,一些MIMO信号检测的方法相继被提出,但是存在的问题也比较明显。例如最小均方误差检测方法,共轭梯度方法等方法由于涉及到矩阵求逆或者梯度更新,导致计算复杂度随着天线规模的增大而增大,这在实际的应用中难以实现。
申滨等在电子学报上发表的文章中提出了一种基于范数排序的Kaczmarz检测方法。该方法是计算格拉姆矩阵每一行的L2-范数值,并按范数值大小进行降序排序,再根据排序顺序选择工作行,从而在一定程度上提高检测方法的运算效率。但是此方法存在一定的局限性,例如:格拉姆矩阵所有行的欧氏范数都等于同一常数时,该准则就会因每一行的大小都相等而失效,从而导致该方法并没有提高运算效率。
发明内容
本发明的目的是为了解决现有技术中MIMO信号恢复方法复杂度过高的缺陷,提供一种基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法,包括以下步骤:
MIMO系统上行链路基站的预处理:设定MIMO系统上行链路基站接收用户设备信号,构建出接收端系统模型;
发送端信号的接收:用户设备发送端发送的信号数据s至基站,MIMO系统上行链路基站接收经过信道传输后的数据,即为接收信号y;
信号数据的计算和处理:随机生成信号和计算所需信号,进行信号的处理并进行迭代检测初始化;
进行信号数据的恢复:利用残差齐次化排序技术进行信号检测,选取迭代过程工作行,进行迭代过程并更新迭代结果,恢复出接收到的信号数据。
所述MIMO系统上行链路基站的预处理包括以下步骤:
设MIMO上行链路系统由一个配备N根天线的基站和K个单天线终端用户组成,其中N>>K;
设上行链路系统基站接收的用户信号表示为y=[y1,y2,...,yn],n=1,2,...,N,其表达式如下:
其中,sk是来自第k个用户发送的符号,hk是信道系数矩阵,hk=[h1k,h2k,...,hNk]T是第k个用户到基站的信道增益向量,nn表示加性高斯白噪声向量,满足n~CN(0,σ2IN);
构建接收端系统模型:
令s=[s1,s2,...,sk]T表示所有用户同时发送的K×1维符号,
令H=[h1,h2,...,hk]表示信道增益矩阵,
则基站接收端接收到的N×1维信号矢量的系统模型表示为:
y=Hs+n。
所述信号数据的计算和处理包括以下步骤:
随机生成信道矩阵H以及用户设备发送端发送的信号数据s,计算接收信号y=Hs+n和格拉姆矩阵G=HHH;
设定估计信号表达式如下:
进行迭代检测初始化:
初始化外迭代次数为L。
所述进行信号数据的恢复包括以下步骤:
选取每次迭代过程中所使用的行向量;
对所有行向量进行残差齐次化的计算,
其中,Rk表示对信道矩阵W的第k行向量进行残差齐次化计算得到的值;
对Rk进行降序排序得到下标集I(k)={k1,k2,...,kk};
进行内迭代过程,根据I(k)的顺序来依次进行矩阵工作行的选取;
每次内迭代得到的信号估计值更新表达式如下:
其中,l=1,2,…,L为外迭次数,k=1,2,…,K为内迭代次数;
更新内迭代次数k=k+1;
完成k次内迭代,更新外迭代次数l=l+1;
有益效果
本发明的基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法,与现有技术相比避免了矩阵求逆过程,有效降低了信号检测过程的计算复杂度,提高了信号检测的收敛速率,同时拥有较好的误码率性能。
本发明在MIMO信号检测过程中,利用基于残差齐次化排序的Kaczmarz迭代方法,求出每一个行向量对应的残差与行欧式范数的比值,并进行降序排列,然后在每一次循环中取出排序后的工作行进行迭代,改善了Kaczmarz方法的收敛速率慢的问题同时解决了已有相关方法的局限性问题,并且拥有较好的检测性能。
本发明的方法可以避免信号检测过程中的矩阵求逆,具有较低的检测复杂度,同时能够提供较好的检测性能,从综合降低信号检测复杂度并且提高方法的运算效率避免局限性两个角度进行考虑。
本发明的迭代过程可以避免矩阵求逆问题,从而降低计算复杂度。同时通过计算格拉姆矩阵的残差,并进行残差齐次化排序处理,从而选取当前迭代中格拉姆矩阵各行所形成的超平面距离最大的行作为本次迭代的工作行,即选取相关性较大的超平面方程,提高运算效率,并且可以有效避免范数排序的Kaczmarz方法所产生的局限性。同时从实验结果来看,本发明的性能也优于范数排序的方法。
附图说明
图1为本发明的方法顺序图;
图2为本发明与现有方法BER性能对比图;
图3为本发明与现有方法BER性能与迭代次数的关系曲线。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法,包括以下步骤:
第一步,MIMO系统上行链路基站的预处理:设定MIMO系统上行链路基站接收用户设备信号,构建出接收端系统模型。通过系统模型,可以直观地了解发送端信号的发送过程,接收端信号的组成。
其具体步骤如下:
(1)设MIMO上行链路系统由一个配备N根天线的基站和K个单天线终端用户组成,其中N>>K;
(2)设上行链路系统基站接收的用户信号表示为y=[y1,y2,...,yn],n=1,2,...,N,其表达式如下:
其中,sk是来自第k个用户发送的符号,hk是信道系数矩阵,hk=[h1k,h2k,...,hNk]T是第k个用户到基站的信道增益向量,nn表示加性高斯白噪声向量,满足n~CN(0,σ2IN);
(3)构建接收端系统模型:
令s=[s1,s2,...,sk]T表示所有用户同时发送的K×1维符号,
令H=[h1,h2,...,hk]表示信道增益矩阵,
则基站接收端接收到的N×1维信号矢量的系统模型表示为:
y=Hs+n。
第二步,发送端信号的接收:用户设备发送端发送的信号数据s至基站,MIMO系统上行链路基站接收经过信道传输后的数据,即为接收信号y。
第三步,信号数据的计算和处理:随机生成信号和计算所需信号,进行信号的处理并进行迭代检测初始化。信号数据经过计算和处理,将MIMO信号恢复问题转化为大型线性方程组求最小范数解问题,从而更好地将本发明的信号恢复方法运用到MIMO信号恢复中,避免矩阵求逆,降低复杂度。其具体步骤如下:
(1)随机生成信道矩阵H以及用户设备发送端发送的信号数据s,计算接收信号y=Hs+n和格拉姆矩阵G=HHH。
(2)设定估计信号表达式如下:
(3)进行迭代检测初始化:
初始化外迭代次数为L。
第四步,进行信号数据的恢复:利用残差齐次化排序技术进行信号检测,选取迭代过程工作行,进行迭代过程并更新迭代结果,恢复出接收到的信号数据。通过本发明的残差齐次化排序技术可以选取当前迭代中矩阵W各行所形成的超平面距离最大的行作为本次迭代的工作行,即选取相关性较大的超平面方程,能够提高运算效率,并且可以有效避免范数排序的Kaczmarz方法所产生的局限性。其具体步骤如下:
(1)选取每次迭代过程中所使用的行向量;
(2)对所有行向量进行残差齐次化的计算,
其中,Rk表示对信道矩阵W的第k行向量进行残差齐次化计算得到的值;
(3)对Rk进行降序排序得到下标集I(k)={k1,k2,...,kk};
(4)进行内迭代过程,根据I(k)的顺序来依次进行矩阵工作行的选取;
每次内迭代得到的信号估计值更新表达式如下:
其中,l=1,2,…,L为外迭次数,k=1,2,…,K为内迭代次数;
(5)更新内迭代次数k=k+1;
(6)完成k次内迭代,更新外迭代次数l=l+1;
本实例中设置基站天线数为64,即N=64,单天线终端数为16,即K=16。用户设备的发送信号s的调制方式为16QAM,每个发送信号的平均功率为Es,H表示高斯信道的信道矩阵,接收信号为y=Hs+n,其中n为方差为σ2的加性高斯白噪声,信噪比SNR表示为Es/σ2。
如图2所示,图2为本发明在N=64,K=16的系统参数下基于几种检测方法进行的实验结果BER性能比较图。可以看出本发明所提供的方法在性能方面优于传统Kaczmarz方法以及利用范数排序选取工作行的检测方法。
如图3所示,图3给出了天线规模在N=64,K=16的MIMO系统中不同信噪比下残差齐次化Kaczmarz方法的BER性能与迭代次数的关系曲线。由图可见随着信噪比的增加,本发明方法的性能明显得到提升,并且对于不同的信噪比,在迭代一定次数后,其检测性能均趋于稳定。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法,其特征在于,包括以下步骤:
11)MIMO系统上行链路基站的预处理:设定MIMO系统上行链路基站接收用户设备信号,构建出接收端系统模型;
12)发送端信号的接收:用户设备发送端发送的信号数据s至基站,MIMO系统上行链路基站接收经过信道传输后的数据,即为接收信号y;
13)信号数据的计算和处理:随机生成信号和计算所需信号,进行信号的处理并进行迭代检测初始化;
14)进行信号数据的恢复:利用残差齐次化排序技术进行信号检测,选取迭代过程工作行,进行迭代过程并更新迭代结果,恢复出接收到的信号数据。
2.根据权利要求1所述的基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法,其特征在于,所述MIMO系统上行链路基站的预处理包括以下步骤:
21)设MIMO上行链路系统由一个配备N根天线的基站和K个单天线终端用户组成,其中N>>K;
22)设上行链路系统基站接收的用户信号表示为y=[y1,y2,...,yn],n=1,2,...,N,其表达式如下:
其中,sk是来自第k个用户发送的符号,hk是信道系数矩阵,hk=[h1k,h2k,...,hNk]T是第k个用户到基站的信道增益向量,nn表示加性高斯白噪声向量,满足n~CN(0,σ2IN);
23)构建接收端系统模型:
令s=[s1,s2,...,sk]T表示所有用户同时发送的K×1维符号,
令H=[h1,h2,...,hk]表示信道增益矩阵,
则基站接收端接收到的N×1维信号矢量的系统模型表示为:
y=Hs+n。
4.根据权利要求1所述的基于残差齐次化排序技术的大规模MIMO基站接收端信号恢复方法,其特征在于,所述进行信号数据的恢复包括以下步骤:
41)选取每次迭代过程中所使用的行向量;
42)对所有行向量进行残差齐次化的计算,
其中,Rk表示对信道矩阵W的第k行向量进行残差齐次化计算得到的值;
43)对Rk进行降序排序得到下标集I(k)={k1,k2,...,kk};
44)进行内迭代过程,根据I(k)的顺序来依次进行矩阵工作行的选取;
每次内迭代得到的信号估计值更新表达式如下:
其中,l=1,2,…,L为外迭次数,k=1,2,…,K为内迭代次数;
45)更新内迭代次数k=k+1;
46)完成k次内迭代,更新外迭代次数l=l+1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110148109.XA CN112910519B (zh) | 2021-02-03 | 2021-02-03 | 基于残差齐次化排序技术的大规模mimo基站接收端信号恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110148109.XA CN112910519B (zh) | 2021-02-03 | 2021-02-03 | 基于残差齐次化排序技术的大规模mimo基站接收端信号恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112910519A true CN112910519A (zh) | 2021-06-04 |
CN112910519B CN112910519B (zh) | 2022-02-01 |
Family
ID=76121778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110148109.XA Active CN112910519B (zh) | 2021-02-03 | 2021-02-03 | 基于残差齐次化排序技术的大规模mimo基站接收端信号恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112910519B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074358A1 (en) * | 2008-09-25 | 2010-03-25 | Nec Laboratories America, Inc. | Sparse Channel Estimation for MIMO OFDM Systems |
CN105119853A (zh) * | 2015-08-25 | 2015-12-02 | 电子科技大学 | 一种基于贝叶斯方法的多用户大规模mimo信道估计方法 |
CN106100789A (zh) * | 2016-06-13 | 2016-11-09 | 南京邮电大学 | 基于分簇的多层mimo无线传感器网络盲检测方法 |
CN106211235A (zh) * | 2016-06-16 | 2016-12-07 | 中国科学技术大学 | 一种无线网络中的小包数据传输方法及系统 |
CN107294659A (zh) * | 2017-07-21 | 2017-10-24 | 电子科技大学 | 一种基于交叉验证非正交多址系统多用户检测方法 |
US20190222375A1 (en) * | 2018-01-12 | 2019-07-18 | Her Majesty the Queen in Right of Canada, as represented by the Minister of Industry through th | In-band backhaul with layered division multiplexing |
-
2021
- 2021-02-03 CN CN202110148109.XA patent/CN112910519B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074358A1 (en) * | 2008-09-25 | 2010-03-25 | Nec Laboratories America, Inc. | Sparse Channel Estimation for MIMO OFDM Systems |
CN105119853A (zh) * | 2015-08-25 | 2015-12-02 | 电子科技大学 | 一种基于贝叶斯方法的多用户大规模mimo信道估计方法 |
CN106100789A (zh) * | 2016-06-13 | 2016-11-09 | 南京邮电大学 | 基于分簇的多层mimo无线传感器网络盲检测方法 |
CN106211235A (zh) * | 2016-06-16 | 2016-12-07 | 中国科学技术大学 | 一种无线网络中的小包数据传输方法及系统 |
CN107294659A (zh) * | 2017-07-21 | 2017-10-24 | 电子科技大学 | 一种基于交叉验证非正交多址系统多用户检测方法 |
US20190222375A1 (en) * | 2018-01-12 | 2019-07-18 | Her Majesty the Queen in Right of Canada, as represented by the Minister of Industry through th | In-band backhaul with layered division multiplexing |
Non-Patent Citations (2)
Title |
---|
FANG JIANG: ""Low-Complexity Multi-User Detection Based on Gradient Information for Uplink Grant-Free NOMA"", 《IEEE ACCESS》 * |
许耀华: ""基于SAOR的Massive MIMO系统信号检测算法"", 《数据采集与处理》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112910519B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109951214B (zh) | 一种适用于大规模mimo系统的信号检测方法 | |
CN101039137A (zh) | Mimo-ofdm系统基于码本搜索减少预编码反馈比特数的方法及装置 | |
CN112637094A (zh) | 一种基于模型驱动深度学习的多用户mimo接收方法 | |
CN100571098C (zh) | 通信系统中低复杂度的极大似然检测方法及装置 | |
CN107204831B (zh) | 一种用于mimo-scma系统的低复杂度检测方法 | |
CN113872652B (zh) | 一种基于3d mimo时变系统的csi反馈方法 | |
CN107018110B (zh) | 一种基于主成分序列的空频编码盲识别方法 | |
CN115865145A (zh) | 一种基于Transformer的大规模MIMO信道状态信息反馈方法 | |
CN114124168B (zh) | 一种基于深度学习的mimo-noma系统信号检测方法及系统 | |
CN112564830B (zh) | 一种基于深度学习的双模正交频分复用索引调制检测方法及装置 | |
CN109391315A (zh) | 一种数据模型双驱动的mimo接收机 | |
CN112910519B (zh) | 基于残差齐次化排序技术的大规模mimo基站接收端信号恢复方法 | |
Liu et al. | A Low complexity high performance weighted Neumann series-based Massive MIMO detection | |
CN104168049A (zh) | 一种mimo系统中基于广义空间调制的信号检测方法 | |
CN106789822B (zh) | 降低多用户大规模mimo-ofdm系统峰均功率比的方法及系统 | |
CN112187332B (zh) | 大规模多输入多输出软检测系统及方法 | |
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 | |
CN108834155B (zh) | 一种基于大规模天线系统多参数优化频谱效率的方法 | |
CN108234010B (zh) | 一种低复杂度的信号检测算法 | |
CN107248876B (zh) | 基于稀疏贝叶斯学习的广义空间调制符号检测方法 | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
CN110798249B (zh) | Massive MIMO系统中信号快速收敛联合预编码方法、信号传输方法 | |
Yaohua et al. | Signal detection algorithm based on SOR algorithm in massive MIMO system | |
CN110392005A (zh) | 基于issor_pcg的低复杂度大规模mimo系统的信道估计方法 | |
Tu et al. | Sparse detection for spatial modulation in multiple access channels |
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 |