CN114520700A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114520700A
CN114520700A CN202210038929.8A CN202210038929A CN114520700A CN 114520700 A CN114520700 A CN 114520700A CN 202210038929 A CN202210038929 A CN 202210038929A CN 114520700 A CN114520700 A CN 114520700A
Authority
CN
China
Prior art keywords
module
external
block
matrix
variance vector
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
Application number
CN202210038929.8A
Other languages
English (en)
Other versions
CN114520700B (zh
Inventor
蒲旭敏
杨小珑
陈前斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chen Weifeng
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210038929.8A priority Critical patent/CN114520700B/zh
Publication of CN114520700A publication Critical patent/CN114520700A/zh
Application granted granted Critical
Publication of CN114520700B publication Critical patent/CN114520700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • 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
    • H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种低分辨率ADC下机器类通信中的低复杂度信号检测方法，包括：获取接收信号，并建立大规模MIMO支持机器类通信的系统模型；通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号；根据Woodbury公式与诺曼级数展开近似的GEC算法，并结合帧结构的稀疏性特点，构建AGEC‑MMV算法；根据构建的AGEC‑MMV算法对所述量化接收信号进行处理，估计后验均值；在AGEC‑MMV算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号。本发明降低了原始GEC算法的复杂度，解决了现有先进算法对天线相关性衰落信道敏感问题，实现了利用EM算法更新下一次迭代时的用户设备的活跃概率。

Description

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
技术领域
本发明涉及无线通信技术领域，尤其涉及一种低分辨率ADC下机器类通信中的低复杂度信号检测方法。
背景技术
目前，新兴的大规模机器类通信(massive Machine-Type Communications,mMTC)由于其广泛的物联网(internet of thing,IoT)应用场景而被国际电信联盟定义为5G无线通信网络中的关键服务类型之一。而大规模(Multiple Input Multiple Output,MIMO)作为5G的关键技术之一，具有提升频谱效率、能量效率和可靠性等优点，因此，大规模MIMO技术非常适合用来支持mMTC。
在mMTC场景中，基于授权的传统用户访问方案在传输数据之前依赖于信道资源的分配，且大量IoT设备接入显示出的零星数据流量特点会增加信令开销和有效负载的比例，从而给mMTC带来很大的负担和时延。为了在低时延下支持低功耗的大规模用户设备接入，现有文献提出了无授权的数据传输方案来简化用户设备接入过程，即在基站端联合用户活跃性进行信号检测。同时大规模MIMO系统随着天线数量的激增，面临着巨大硬件成本以及功耗的挑战，同时随着天线数量的增加，现有信号检测算法的计算复杂度也大大增加。对大规模MIMO系统面临的硬件成本和功耗的问题，解决方案通常是在接收天线处使用低分辨率(即1-4比特)模数转换器(analog-to-digital converter,ADC)来代替高分辨率ADC以减少成本。但现有文献中低分辨率ADC的使用使得检测性能下降。
对于mMTC中面临的问题，研究一种低成本、低功耗、低复杂度的信号检测算法是非常有必要的。
发明内容
本发明的主要目的在于提出一种低分辨率ADC下机器类通信中的低复杂度信号检测方法，旨在解决原有GEC算法的复杂度过高、现有先进算法面对天线相关性衰落信道敏感的问题，提高信号的检测性能，实现利用EM算法更新下一次迭代时的用户设备的活跃概率。
为实现上述目的，本发明提供一种低分辨率ADC下机器类通信中的低复杂度信号检测方法，所述包括如下步骤：
获取接收信号，并建立大规模MIMO支持机器类通信的系统模型；
通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号；
根据伍德伯里Woodbury公式与诺曼级数展开近似的GEC算法，并结合帧结构的稀疏性特点，构建AGEC-MMV算法；
根据构建AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值；
在AGEC-MMV算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号。
可选地，所述建立大规模MIMO支持机器类通信的系统模型的步骤，包括：
系统模型可以表示为：
Y＝HX+W＝Z+W；
其中，Y为在J个连续时隙间隔内的接收信号；
Figure BDA0003469418210000021
X为N个用户设备在J个连续时隙间隔内发送的信息符号所组成的发送信号；
Figure BDA0003469418210000022
H为N个用户设备到基站的信道矩阵，
Figure BDA0003469418210000023
元素hmn为相互独立且同分布的复高斯随机变量，元素hmj～CN(0,1)；W为加性高斯白噪声；
Figure BDA0003469418210000024
元素wmj～CN(0,σ2)；
Figure BDA0003469418210000025
当第j个时隙中的第n个用户设备为活跃状态时，xnj的值来自正交调幅调制星座点集合C；当采用四进制正交幅度调制时，星座点集C为：
Figure BDA0003469418210000031
其中，l为虚数单位；
当j个时隙中的第n个用户设备为非活跃状态，则xnj的值为0；
其中，n个用户设备在第j个时隙中的活跃概率已知条件下的xnj的先验概率为：
Figure BDA0003469418210000032
其中，λn1＝…＝λnJ＝λn；其中{ci,i＝1,…,C}为星座点的集合，|C|为星座点集合C的大小，pi＝1/|C|为活跃用户设备选择星座点集合C中第i个点ci的概率，δ(·)为狄拉克函数。
可选地，所述通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号的步骤，包括：
通过复数量化器对接收信号中的元素进行量化，得到量化后的量化接收信号；
量化接收信号
Figure BDA0003469418210000033
Qc(·)为复数量化器；
对接收信号中的元素ymj的实部
Figure BDA0003469418210000034
与虚部
Figure BDA0003469418210000035
分别进行量化，具体量化的过程为
Figure BDA0003469418210000036
当实部
Figure BDA0003469418210000037
落在区间(
Figure BDA0003469418210000038
)的范围时，实值
Figure BDA0003469418210000039
的取值集合为
Figure BDA00034694182100000310
其中，
Figure BDA00034694182100000311
下限阈值为：
Figure BDA0003469418210000041
其中，
Figure BDA0003469418210000042
上限阈值为：
Figure BDA0003469418210000043
当虚部
Figure BDA0003469418210000044
落在区间
Figure BDA0003469418210000045
的范围时，输出实值
Figure BDA0003469418210000046
的取值集合为：
Figure BDA0003469418210000047
其中，
Figure BDA0003469418210000048
的下限阈值为：
Figure BDA0003469418210000049
其中，
Figure BDA00034694182100000410
的上限阈值为：
Figure BDA00034694182100000411
其中，Δ为实值量化器Q(·)的量化步长，B为实值量化器Q(·)的量化比特数为B。
可选地，所述根据构建的AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值的步骤，包括：
对AGEC-MMV算法进行初始化；
将所述量化接收信号输入初始化后的AGEC-MMV算法中，根据初始化后的AGEC-MMV算法中的初始模块C外部先验矩阵
Figure BDA00034694182100000412
初始模块C先验方差向量
Figure BDA00034694182100000413
和量化接收信号，得到第一模块C外部先验矩阵
Figure BDA00034694182100000414
和第一模块C先验方差向量
Figure BDA00034694182100000415
通过将所述第一模块C外部先验矩阵
Figure BDA00034694182100000416
对AGEC-MMV算法中初始模块C外部先验矩阵
Figure BDA00034694182100000417
进行替换以及所述第一模块C先验方差向量
Figure BDA00034694182100000418
对AGEC-MMV算法中的初始模块C先验方差向量
Figure BDA00034694182100000419
进行替换，根据初始化后的AGEC-MMV算法中的第一模块C外部先验矩阵
Figure BDA0003469418210000051
所述第一模块C先验方差向量
Figure BDA0003469418210000052
和所述量化接收信号，得到第二模块C外部先验矩阵
Figure BDA0003469418210000053
和第二模块C先验方差向量
Figure BDA0003469418210000054
以此类推，通过将所述第t-1模块C外部先验矩阵
Figure BDA0003469418210000055
对AGEC-MMV算法中t-2模块C外部先验矩阵
Figure BDA0003469418210000056
进行替换以及所述第t-1模块C先验方差向量
Figure BDA0003469418210000057
对AGEC-MMV算法中的第t-2模块C先验方差向量
Figure BDA0003469418210000058
进行替换，根据AGEC-MMV算法中的第t-1模块C外部先验矩阵
Figure BDA0003469418210000059
所述第t-1模块C先验方差向量
Figure BDA00034694182100000510
和所述量化接收信号，得到第t模块C外部先验矩阵
Figure BDA00034694182100000511
和第t模块C先验方差向量
Figure BDA00034694182100000512
可选地，所述对AGEC-MMV算法进行初始化的步骤，包括：
令AGEC-MMV算法中的初始模块C外部先验矩阵
Figure BDA00034694182100000513
初始模块C先验方差向量
Figure BDA00034694182100000514
初始模块C均值矩阵
Figure BDA00034694182100000515
初始模块C方差向量
Figure BDA00034694182100000516
其中，上标0为迭代次数t＝0，trace(·)为矩阵的迹，
Figure BDA00034694182100000517
为初始模块C外部先验矩阵
Figure BDA00034694182100000518
第m行第j列的元素，
Figure BDA00034694182100000519
为初始模块C先验方差向量
Figure BDA00034694182100000520
中第j个元素，
Figure BDA00034694182100000521
为初始模块C均值矩阵
Figure BDA00034694182100000522
中第n行第j列的元素，
Figure BDA00034694182100000523
为初始模块C方差向量v2x中第j个元素；令N个用户设备的初始活跃概率λn1＝…＝λnJ＝λn＝0.5。
可选地，其中AGEC-MMV算法包括模块A、模块B和模块C，所述根据初始化后的AGEC-MMV算法中的初始模块C外部先验矩阵
Figure BDA00034694182100000524
初始模块C先验方差向量
Figure BDA00034694182100000525
和量化接收信号，得到第一模块C外部先验矩阵
Figure BDA00034694182100000526
和第一模块C先验方差向量
Figure BDA00034694182100000527
的步骤，包括：
根据初始模块C外部先验矩阵
Figure BDA00034694182100000528
初始模块C先验方差向量
Figure BDA00034694182100000529
和所述量化接收信号，得到第一模块A外部均值矩阵
Figure BDA00034694182100000530
和第一模块A外部方差向量
Figure BDA00034694182100000531
将所述第一模块A外部均值矩阵、所述第一模块A外部方差向量输入模块C中，根据所述第一模块A外部均值矩阵、所述第一模块A外部方差、初始模块C均值矩阵
Figure BDA00034694182100000532
和初始模块C方差向量
Figure BDA00034694182100000533
得到第一模块C外部均值矩阵
Figure BDA00034694182100000534
和第一模块C外部方差向量
Figure BDA00034694182100000535
将所述第一模块C外部均值矩阵
Figure BDA0003469418210000061
和所述第一模块C外部方差向量
Figure BDA0003469418210000062
输入模块B中，得到第一模块B外部均值矩阵
Figure BDA0003469418210000063
和第一模块B外部方差向量
Figure BDA0003469418210000064
将所述第一模块B外部均值矩阵
Figure BDA0003469418210000065
和第一模块B外部方差向量
Figure BDA0003469418210000066
输入模块C中，得到第一模块C后验均值矩阵
Figure BDA0003469418210000067
和第一模块C后验方差向量
Figure BDA0003469418210000068
利用高斯函数除法对所述第一模块C后验均值矩阵
Figure BDA0003469418210000069
和第一模块C后验方差向量
Figure BDA00034694182100000610
进行处理，得到第一模块C外部先验矩阵
Figure BDA00034694182100000611
以及第一模块C先验方差向量
Figure BDA00034694182100000612
所述根据初始化后的AGEC-MMV算法中的第一模块C外部先验矩阵
Figure BDA00034694182100000613
所述第一模块C先验方差向量
Figure BDA00034694182100000614
和所述量化接收信号，得到第二模块C外部先验矩阵
Figure BDA00034694182100000615
和第二模块C先验方差向量
Figure BDA00034694182100000616
的步骤，包括：
根据第一模块C外部先验矩阵
Figure BDA00034694182100000617
第一模块C先验方差向量
Figure BDA00034694182100000618
和所述量化接收信号，得到第二模块A外部均值矩阵
Figure BDA00034694182100000619
和第二模块A外部方差向量
Figure BDA00034694182100000620
将所述第二模块A外部均值矩阵、所述第二模块A外部方差向量输入模块C中，根据所述第二模块A外部均值矩阵
Figure BDA00034694182100000621
所述第二模块A外部方差
Figure BDA00034694182100000622
第一模块C均值矩阵
Figure BDA00034694182100000623
和第一模块C方差向量
Figure BDA00034694182100000624
得到第二模块C外部均值矩阵
Figure BDA00034694182100000625
和第二模块C外部方差向量
Figure BDA00034694182100000626
将所述第二模块C外部均值矩阵
Figure BDA00034694182100000627
和所述第二模块C外部方差向量
Figure BDA00034694182100000628
输入模块B中，得到第二模块B外部均值矩阵
Figure BDA00034694182100000629
和第二模块B外部方差向量
Figure BDA00034694182100000630
将所述第二模块B外部均值矩阵
Figure BDA00034694182100000631
和第二模块B外部方差向量
Figure BDA00034694182100000632
输入模块C中，得到第二模块C后验均值矩阵
Figure BDA00034694182100000633
和第二模块C后验方差向量
Figure BDA00034694182100000634
利用高斯函数除法对所述第二模块C后验均值矩阵
Figure BDA00034694182100000635
和第二模块C后验方差向量
Figure BDA00034694182100000636
进行处理，得到第二模块C外部先验矩阵
Figure BDA00034694182100000637
以及第二模块C先验方差向量
Figure BDA00034694182100000638
可选地，所述根据AGEC-MMV算法中的第t-1模块C外部先验矩阵
Figure BDA00034694182100000639
所述第t-1模块C先验方差向量
Figure BDA00034694182100000640
和所述量化接收信号，得到第t模块C外部先验矩阵
Figure BDA00034694182100000641
和第t模块C先验方差向量
Figure BDA00034694182100000642
的步骤，包括：
根据第t-1模块C外部先验矩阵
Figure BDA0003469418210000071
第t-1模块C先验方差向量
Figure BDA0003469418210000072
和所述量化接收信号，得到第t模块A外部均值矩阵
Figure BDA0003469418210000073
和第t模块A外部方差向量
Figure BDA0003469418210000074
将所述第t模块A外部均值矩阵
Figure BDA0003469418210000075
所述第t模块A外部方差向量
Figure BDA0003469418210000076
输入模块C中，根据所述第t模块A外部均值矩阵
Figure BDA0003469418210000077
所述第t模块A外部方差
Figure BDA0003469418210000078
第t-1模块C均值矩阵
Figure BDA0003469418210000079
和第t-1模块C方差向量
Figure BDA00034694182100000710
得到第t模块C外部均值矩阵
Figure BDA00034694182100000711
和第t模块C外部方差向量
Figure BDA00034694182100000712
将所述第t模块C外部均值矩阵
Figure BDA00034694182100000713
和所述第t模块C外部方差向量
Figure BDA00034694182100000714
输入模块B中，得到第t模块B外部均值矩阵
Figure BDA00034694182100000715
和第t模块B外部方差向量
Figure BDA00034694182100000716
将所述第t模块B外部均值矩阵
Figure BDA00034694182100000717
和第t模块B外部方差向量
Figure BDA00034694182100000718
输入模块C中，得到第t模块C后验均值矩阵
Figure BDA00034694182100000719
和第t模块C后验方差向量
Figure BDA00034694182100000720
利用高斯函数除法对所述第t模块C后验均值矩阵
Figure BDA00034694182100000721
和第t模块C后验方差向量
Figure BDA00034694182100000722
进行处理，得到第t模块C外部先验矩阵
Figure BDA00034694182100000723
以及第t模块C先验方差向量
Figure BDA00034694182100000724
本发明提供了一种低分辨率ADC下机器类通信中的低复杂度信号检测方法，通过采用GEC算法的上行无授权广义信号检测算法能够从量化接收信号中恢复原信号，而GEC算法已被现有文献证实对病态矩阵不敏感，这解决了现有先进算法面对天线间存在相关性的信道矩阵时的性能下降问题，结合Woodbury公式和诺曼级数展开近似规避原GEC算法中的高维矩阵求逆，降低了原始GEC算法的复杂度；利用发射帧结构稀疏性，将近似GEC算法扩展为AGEC-MMV算法，最后用EM算法更新下一次迭代时的用户活跃概率，与现有文献假设基站端知道用户活跃性相比，更加贴近真实的场景。
附图说明
图1为本发明低分辨率ADC下机器类通信中的低复杂度信号检测方法第一实施例的流程示意图；
图2为本发明低分辨率ADC下机器类通信中的低复杂度信号检测方法的mMTC上行通信系统模型；
图3为本发明AGEC-MMV算法的流程示意图；
图4为本发明AGEC-MMV算法在不同量化精度下随着SNR变化的趋势图；
图5为本发明AGEC-MMV算法在不同量化精度下随着信道相关系数变化的趋势图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明低分辨率ADC下机器类通信中的低复杂度信号检测方法第一实施例的流程示意图。
本发明实施例中，该低分辨率ADC下机器类通信中的低复杂度信号检测方法应用于信号检测装置，信号检测装置可以为基站终端，所述低分辨率ADC下机器类通信中的低复杂度信号检测方法包括：
步骤S10，获取接收信号，并建立大规模MIMO支持机器类通信的系统模型；
在本实施例中，解决现有先进算法面对天线间存在相关性的信道时的性能下降问题，提高信号的检测性能，实现利用EM算法更新下一次迭代时的用户设备的活跃概率。信号检测装置获取接收信号，并建立大规模MIMO支持机器类通信的系统模型。
步骤S10建立大规模MIMO支持机器类通信的系统模型，可以包括：
如图2所示，考虑大规模MIMO支持的mMTC传输上行链路，其中基站端部署M根天线，服务于N(N＞M)个单天线用户设备。系统模型为量化系统模型，是用于对基站接收的信号进行量化。假设信道在J个连续时隙(即一个帧结构)内保持恒定，则在J个连续时隙间隔内的接收信号
Figure BDA0003469418210000091
通过系统模型可以表示为：
Y＝HX+W＝Z+W；
其中，Y为在J个连续时隙间隔内的接收信号；
Figure BDA0003469418210000092
X为N个用户设备在J个连续时隙间隔内发送的信息符号所组成的发送信号；
Figure BDA0003469418210000093
H为N个用户设备到基站的信道矩阵，
Figure BDA0003469418210000094
元素hmn为相互独立且同分布的复高斯随机变量，即hmj～CN(0,1)；W为加性高斯白噪声；
Figure BDA0003469418210000095
元素wmj～CN(0,σ2)；
Figure BDA0003469418210000096
如图2所示的mMTC场景中，用户设备通常具有活跃与非活跃两种状态。
当第j个时隙中的第n个用户设备为活跃状态时，xnj的值来自正交调幅(QAM)调制星座点集合C；当采用四进制正交幅度调制(4QM)时，星座点集C为：
Figure BDA0003469418210000097
其中，l为虚数单位；
当j个时隙中的第n个用户设备为非活跃状态，则xnj的值为0。
假设N个用户设备的活跃性在J个连续时隙内保持不变，即考虑帧结构的联合稀疏性：supp{x[1]}＝supp{x[2]}＝…＝supp{x[J]}＝I
这里x[j]为X的第j列，而supp{x[j]}＝{n:xnj≠0,1≤n≤N}，I为活跃MTD设备索引集合，因此，第n个用户设备在连续J个时隙中的活跃概率相等，即λn1＝…＝λnJ＝λn。
其中，n个用户设备在第j个时隙中的活跃概率已知条件下的xnj的先验概率为：
Figure BDA0003469418210000098
其中，λn1＝…＝λnJ＝λn；其中{ci,i＝1,…,|C|}为星座点的集合，|C|为星座点集合C的大小，pi＝1/|C|为活跃用户设备选择星座点集合C中第i个点ci的概率，δ(·)为狄拉克函数。
步骤S20，通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号；
在本实施例中，信号检测装置在获取了接收信号以及建立了系统模型之后，通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号。
步骤S20通过系统模型对所述接收信号进行量化，得到量化接收信号，可以包括：
通过在基站端使用复数量化器Qc(·)对接收信号Y进行量化，得到量化后的量化接收信号；
量化接收信号
Figure BDA0003469418210000101
Qc(·)为复数量化器；其中，复数量化器Qc(·)是按标量元素执行的。
对接收信号中的接收信号ymj的实部
Figure BDA0003469418210000102
与虚部
Figure BDA0003469418210000103
分别进行量化，具体量化的过程为
Figure BDA0003469418210000104
即Qc(·)由两个实数量化器Q(·)组成。
以
Figure BDA0003469418210000105
的量化过程为例，若实值量化器Q(·)采用量化步长为Δ，量化比特数为B的均匀量化，当实部
Figure BDA0003469418210000106
落在区间
Figure BDA0003469418210000107
的范围时，实值
Figure BDA0003469418210000108
的取值集合为
Figure BDA0003469418210000109
其中，
Figure BDA00034694182100001010
下限阈值为：
Figure BDA00034694182100001011
其中，
Figure BDA00034694182100001012
上限阈值为：
Figure BDA00034694182100001013
当虚部
Figure BDA0003469418210000111
落在区间
Figure BDA0003469418210000112
的范围时，输出实值
Figure BDA0003469418210000113
的取值集合为：
Figure BDA0003469418210000114
其中，
Figure BDA0003469418210000115
的下限阈值为：
Figure BDA0003469418210000116
其中，
Figure BDA0003469418210000117
的上限阈值为：
Figure BDA0003469418210000118
其中，Δ为实值量化器Q(·)的量化步长，B为实值量化器Q(·)的量化比特数为B。
步骤S30，根据伍德伯里Woodbury公式与诺曼级数展开近似的GEC算法，并结合帧结构的稀疏性特点，构建近似广义期望一致性多测量AGEC-MMV算法；
引入GEC算法，并提出结合Woodbury公式与诺曼级数展开近似的GEC低复杂度实现方案，进一步地，利用帧结构具有的稀疏性特点，提出了一种适用于多测量矢量(multiplemeasurement vector，MMV)的近似广义期望一致性多测量矢量(approximate generalizedexpectation consistent-MMV，AGEC-MMV)算法。其中AGEC-MMV算法的构建为将近似广义期望一致性框架中的单测量向量扩展为多测量向量；其中AGEC-MMV算法包括模块A、模块B和模块C。AGEC-MMV算法能对量化接收信号进行恢复，同时估计每一个时隙中每个用户设备发射信息符号的后验均值。
其中，AGEC-MMV算法是一个帧结构进行信息传递，能够利用帧结构稀疏性进一步提高检测性能，本发明提出的AGEC-MMV算法可以总结为图3所示的框图，共包含模块A，B，C三个模块，各个模块采用涡轮原理迭代运行，每个模块将外部信息作为先验信息传递到下一个模块。
在本实施例中，信号检测装置在得到了量化接收信号之后，根据伍德伯里Woodbury公式与诺曼级数展开近似的GEC算法，并结合帧结构的稀疏性特点构建近似广义期望一致性多测量AGEC-MMV算法，其中AGEC-MMV算法的构建为将近似广义期望一致性框架中的单测量向量扩展为多测量向量。
步骤S40，根据构建的AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值；
在本实施例中，信号检测装置在得到了量化接收信号以及构建了AGEC-MMV算法之后，根据构建的AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值。
步骤S40根据构建的AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值，可以包括：
步骤S41，对AGEC-MMV算法进行初始化；
步骤S41对AGEC-MMV算法进行初始化，可以包括：
用t代表第t次迭代，根据原始GEC算法的初始化方式，如图3所示，将AGEC-MMV算法有关变量初始化为：令AGEC-MMV算法中的初始模块C外部先验矩阵
Figure BDA0003469418210000121
初始模块C先验方差向量
Figure BDA0003469418210000122
初始模块C均值矩阵
Figure BDA0003469418210000123
初始模块C方差向量
Figure BDA0003469418210000124
其中，上标0为迭代次数t＝0，trace(·)为矩阵的迹，
Figure BDA0003469418210000125
为初始模块C外部先验矩阵
Figure BDA0003469418210000126
第m行第j列的元素，
Figure BDA0003469418210000127
为初始模块C先验方差向量
Figure BDA0003469418210000128
中第j个元素，
Figure BDA0003469418210000129
为初始模块C均值矩阵
Figure BDA00034694182100001210
中第n行第j列的元素，
Figure BDA00034694182100001211
为初始模块C方差向量v2x中第j个元素；令N个用户设备的初始活跃概率λn1＝…＝λnJ＝λn＝0.5。
在本实施例中，信号检测装置在构建了AGEC-MMV算法之后，对AGEC-MMV算法进行初始化。
步骤S42，将所述量化接收信号输入初始化后的AGEC-MMV算法中，根据初始化后的AGEC-MMV算法中的初始模块C外部先验矩阵
Figure BDA00034694182100001212
初始模块C先验方差向量
Figure BDA00034694182100001213
和量化接收信号，得到将所述第一模块C外部先验矩阵
Figure BDA00034694182100001214
和第一模块C先验方差向量
Figure BDA0003469418210000131
在本实施例中，信号检测装置在对AGEC-MMV算法进行初始化之后，将所述量化接收信号输入初始化后的AGEC-MMV算法中，根据初始化后的AGEC-MMV算法中的初始模块C外部先验矩阵
Figure BDA0003469418210000132
初始模块C先验方差向量
Figure BDA0003469418210000133
和量化接收信号，得到第一模块C外部先验矩阵
Figure BDA0003469418210000134
和第一模块C先验方差向量
Figure BDA0003469418210000135
步骤S42根据初始化后的AGEC-MMV算法中的初始模块C外部先验矩阵
Figure BDA0003469418210000136
初始模块C先验方差向量
Figure BDA0003469418210000137
和量化接收信号，得到第一模块C外部先验矩阵
Figure BDA0003469418210000138
和第一模块C先验方差向量
Figure BDA0003469418210000139
包括：
步骤S421，将所述量化接收信号输入模块A中进行解量化处理，根据初始模块C外部先验矩阵
Figure BDA00034694182100001310
初始模块C先验方差向量
Figure BDA00034694182100001311
和所述量化接收信号，得到第一模块A外部均值矩阵
Figure BDA00034694182100001312
和第一模块A外部方差向量
Figure BDA00034694182100001313
步骤S421与步骤S441的步骤相同。
步骤S422，将所述第一模块A外部均值矩阵、所述第一模块A外部方差向量输入模块C中，根据所述第一模块A外部均值矩阵、所述第一模块A外部方差、初始模块C均值矩阵
Figure BDA00034694182100001314
和初始模块C方差向量
Figure BDA00034694182100001315
得到第一模块C外部均值矩阵
Figure BDA00034694182100001316
和第一模块C外部方差向量
Figure BDA00034694182100001317
步骤S422与步骤S442的步骤相同。
步骤S423，将所述第一模块C外部均值矩阵
Figure BDA00034694182100001318
和所述第一模块C外部方差向量
Figure BDA00034694182100001319
输入模块B中，得到第一模块B外部均值矩阵
Figure BDA00034694182100001320
和第一模块B外部方差向量
Figure BDA00034694182100001321
步骤S423与步骤S443的步骤相同。
步骤S424，将所述第一模块B外部均值矩阵
Figure BDA00034694182100001322
和第一模块B外部方差向量
Figure BDA00034694182100001323
输入模块C中，得到第一模块C后验均值矩阵
Figure BDA00034694182100001324
和第一模块C后验方差向量
Figure BDA00034694182100001325
步骤S424与步骤S444的步骤相同。
步骤S425，利用高斯函数除法对所述第一模块C后验均值矩阵
Figure BDA00034694182100001326
和第一模块C后验方差向量
Figure BDA00034694182100001327
进行处理，得到第一模块C外部先验矩阵
Figure BDA00034694182100001328
以及第一模块C先验方差向量
Figure BDA0003469418210000141
步骤S425与步骤S445的步骤相同。
步骤S43，通过将所述第一模块C外部先验矩阵
Figure BDA0003469418210000142
对AGEC-MMV算法中初始模块C外部先验矩阵
Figure BDA0003469418210000143
进行替换以及所述第一模块C先验方差向量
Figure BDA0003469418210000144
对AGEC-MMV算法中的初始模块C先验方差向量
Figure BDA0003469418210000145
进行替换，根据初始化后的AGEC-MMV算法中的第一模块C外部先验矩阵
Figure BDA0003469418210000146
所述第一模块C先验方差向量
Figure BDA0003469418210000147
和所述量化接收信号，得到第二模块C外部先验矩阵
Figure BDA0003469418210000148
和第二模块C先验方差向量
Figure BDA0003469418210000149
在本实施例中，信号检测装置在得到第一模块C外部先验矩阵
Figure BDA00034694182100001410
和第一模块C先验方差向量
Figure BDA00034694182100001411
之后，通过将所述第一模块C外部先验矩阵
Figure BDA00034694182100001412
对AGEC-MMV算法中初始模块C外部先验矩阵
Figure BDA00034694182100001413
进行替换以及所述第一模块C先验方差向量
Figure BDA00034694182100001414
对AGEC-MMV算法中的初始模块C先验方差向量
Figure BDA00034694182100001415
进行替换，根据初始化后的AGEC-MMV算法中的第一模块C外部先验矩阵
Figure BDA00034694182100001416
所述第一模块C先验方差向量
Figure BDA00034694182100001417
和所述量化接收信号，得到第二模块C外部先验矩阵
Figure BDA00034694182100001418
和第二模块C先验方差向量
Figure BDA00034694182100001419
步骤S43根据初始化后的AGEC-MMV算法中的第一模块C外部先验矩阵
Figure BDA00034694182100001420
所述第一模块C先验方差向量
Figure BDA00034694182100001421
和所述量化接收信号，得到第二模块C外部先验矩阵
Figure BDA00034694182100001422
和第二模块C先验方差向量
Figure BDA00034694182100001423
可以包括：
步骤S431，将所述量化接收信号输入模块A中进行解量化处理，根据第一模块C外部先验矩阵
Figure BDA00034694182100001424
第一模块C先验方差向量
Figure BDA00034694182100001425
和所述量化接收信号，得到第二模块A外部均值矩阵
Figure BDA00034694182100001426
和第二模块A外部方差向量
Figure BDA00034694182100001427
步骤S341与步骤S351的步骤相同。
步骤S432，将所述第二模块A外部均值矩阵、所述第二模块A外部方差向量输入模块C中，根据所述第二模块A外部均值矩阵
Figure BDA00034694182100001428
所述第二模块A外部方差
Figure BDA00034694182100001429
第一模块C均值矩阵
Figure BDA00034694182100001430
和第一模块C方差向量
Figure BDA00034694182100001431
得到第二模块C外部均值矩阵
Figure BDA00034694182100001432
和第二模块C外部方差向量
Figure BDA00034694182100001433
步骤S432与步骤S442的步骤相同。
步骤S433，将所述第二模块C外部均值矩阵
Figure BDA0003469418210000151
和所述第二模块C外部方差向量
Figure BDA0003469418210000152
输入模块B中，得到第二模块B外部均值矩阵
Figure BDA0003469418210000153
和第二模块B外部方差向量
Figure BDA0003469418210000154
步骤S433与步骤S443的步骤相同。
步骤S434，将所述第二模块B外部均值矩阵
Figure BDA0003469418210000155
和第二模块B外部方差向量
Figure BDA0003469418210000156
输入模块C中，得到第二模块C后验均值矩阵
Figure BDA0003469418210000157
和第二模块C后验方差向量
Figure BDA0003469418210000158
步骤S434与步骤S444的步骤相同。
步骤S435，利用高斯函数除法对所述第二模块C后验均值矩阵
Figure BDA0003469418210000159
和第二模块C后验方差向量
Figure BDA00034694182100001510
进行处理，得到第二模块C外部先验矩阵
Figure BDA00034694182100001511
以及第二模块C先验方差向量
Figure BDA00034694182100001512
步骤S435与步骤S445的步骤相同。
步骤S44，以此类推，通过将所述第t-1模块C外部先验矩阵
Figure BDA00034694182100001513
对AGEC-MMV算法中t-2模块C外部先验矩阵
Figure BDA00034694182100001514
进行替换以及所述第t-1模块C先验方差向量
Figure BDA00034694182100001515
对AGEC-MMV算法中的第t-2模块C先验方差向量
Figure BDA00034694182100001516
进行替换，根据AGEC-MMV算法中的第t-1模块C外部先验矩阵
Figure BDA00034694182100001517
所述第t-1模块C先验方差向量
Figure BDA00034694182100001518
和所述量化接收信号，得到第t模块C外部先验矩阵
Figure BDA00034694182100001519
和第t模块C先验方差向量
Figure BDA00034694182100001520
在本实施例中，以此类推，信号检测装置在得到第一模块C外部先验矩阵
Figure BDA00034694182100001521
和第一模块C先验方差向量
Figure BDA00034694182100001522
之后，通过将所述第t-1模块C外部先验矩阵
Figure BDA00034694182100001523
对AGEC-MMV算法中t-2模块C外部先验矩阵
Figure BDA00034694182100001524
进行替换以及所述第t-1模块C先验方差向量
Figure BDA00034694182100001525
对AGEC-MMV算法中的第t-2模块C先验方差向量
Figure BDA00034694182100001526
进行替换，根据AGEC-MMV算法中的第t-1模块C外部先验矩阵
Figure BDA00034694182100001527
所述第t-1模块C先验方差向量
Figure BDA00034694182100001528
和所述量化接收信号，得到第t模块C外部先验矩阵
Figure BDA00034694182100001529
和第t模块C先验方差向量
Figure BDA00034694182100001530
步骤S44根据AGEC-MMV算法中的第t-1模块C外部先验矩阵
Figure BDA00034694182100001531
所述第t-1模块C先验方差向量
Figure BDA00034694182100001532
和所述量化接收信号，得到第t模块C外部先验矩阵
Figure BDA00034694182100001533
和第t模块C先验方差向量
Figure BDA00034694182100001534
可以包括：
步骤S441，将所述量化接收信号输入模块A中进行解量化处理，根据第t-1模块C外部先验矩阵
Figure BDA0003469418210000161
第t-1模块C先验方差向量
Figure BDA0003469418210000162
和所述量化接收信号，得到第t模块A外部均值矩阵
Figure BDA0003469418210000163
和第t模块A外部方差向量
Figure BDA0003469418210000164
在本实施例中，信号检测装置在得到了第t-1模块C外部先验矩阵
Figure BDA0003469418210000165
第t-1模块C先验方差向量
Figure BDA0003469418210000166
之后，将所述量化接收信号输入模块A中进行解量化处理，根据第t-1模块C外部先验矩阵
Figure BDA0003469418210000167
第t-1模块C先验方差向量
Figure BDA0003469418210000168
和所述量化接收信号，得到第t模块A外部均值矩阵
Figure BDA0003469418210000169
和第t模块A外部方差向量
Figure BDA00034694182100001610
所述根据第t-1模块C外部先验矩阵、第t-1模块C先验方差向量和所述量化接收信号，得到第t模块A外部均值矩阵
Figure BDA00034694182100001611
和第t模块A外部方差向量
Figure BDA00034694182100001612
的步骤，包括：
第t模块A外部均值矩阵
Figure BDA00034694182100001613
中的元素
Figure BDA00034694182100001614
为：
Figure BDA00034694182100001615
第t模块A外部方差向量
Figure BDA00034694182100001616
中的元素
Figure BDA00034694182100001617
为：
Figure BDA00034694182100001618
AGEC-MMV算法的模块A的作用是按元素计算Z的分量zmj的后验均值
Figure BDA00034694182100001619
和方差
Figure BDA00034694182100001620
该过程被称为解量化。
Z中每一个元素zmj的后验均值和方差是根据下式来取：
Figure BDA00034694182100001621
Figure BDA00034694182100001622
这里E[·]和Var[·]分别代表对根据以下的后验概率分布函数p(zmj|ymj)来取均值和方差：
Figure BDA00034694182100001623
其中，p(zmj)被建模为
Figure BDA00034694182100001624
Figure BDA00034694182100001625
为
Figure BDA00034694182100001626
的第m行第j列元素，而
Figure BDA0003469418210000171
为似然函数。本发明假设基站已知信道状态信息(channel state information，CSI)，则非线性测量下的似然函数可以表示为：
Figure BDA0003469418210000172
其中，
Figure BDA0003469418210000173
与
Figure BDA0003469418210000174
可以用实值似然函数统一表示为：
Figure BDA0003469418210000175
其中，
Figure BDA0003469418210000176
而
Figure BDA0003469418210000177
和
Figure BDA0003469418210000178
分别代表取复数的实部和虚部。对zmj的后验概率分布函数p(zmj|y)取zmj的均值和方差就能得到后验均值
Figure BDA0003469418210000179
和方差
Figure BDA00034694182100001710
后验均值和方差需要对实部和虚部分别计算，再将实部和虚部合并得到后验均值
Figure BDA00034694182100001711
和方差
Figure BDA00034694182100001712
具体表示为：
Figure BDA00034694182100001713
Figure BDA00034694182100001714
然后再计算出实部与虚部取均值E[·]和取方差Var[·]的具体结果，zmj的实部
Figure BDA00034694182100001715
其后验均值
Figure BDA00034694182100001716
以及后验方差
Figure BDA00034694182100001717
的精确表达式为：
Figure BDA00034694182100001718
Figure BDA00034694182100001719
其中φ(·)与Φ(·)的表示同前，而η1和η2分别为：
Figure BDA0003469418210000181
Figure BDA0003469418210000182
这里
Figure BDA0003469418210000183
具体为：
Figure BDA0003469418210000184
同理，zmj的虚部
Figure BDA0003469418210000185
其后验均值
Figure BDA0003469418210000186
和后验方差
Figure BDA0003469418210000187
分别为：
Figure BDA0003469418210000188
Figure BDA0003469418210000189
这里φ(·)与Φ(·)的表示同前，而η1和η2分别为：
Figure BDA00034694182100001810
Figure BDA00034694182100001811
这里
Figure BDA00034694182100001812
具体为：
Figure BDA0003469418210000191
在大规模MIMO系统中，可对第j个时隙的后验方差取平均值作为时隙j的平均后验方差，即：
Figure BDA0003469418210000192
对任意的m,j(m＝1,…M,j＝1…J)，将
Figure BDA0003469418210000193
与
Figure BDA0003469418210000194
的计算结果堆叠形成一个帧结构的后验均值矩阵
Figure BDA0003469418210000195
和后验方差向量
Figure BDA0003469418210000196
如图3所示，接下来结合
Figure BDA0003469418210000197
根据高斯函数除法推论计算外部均值矩阵
Figure BDA0003469418210000198
与外部方差
Figure BDA0003469418210000199
向量。对任意的
Figure BDA00034694182100001939
因为
Figure BDA00034694182100001910
与
Figure BDA00034694182100001911
都为zmj的复高斯函数，因此利用高斯函数除法推论计算zmj的外部均值
Figure BDA00034694182100001912
与方差
Figure BDA00034694182100001913
Figure BDA00034694182100001914
Figure BDA00034694182100001915
将
Figure BDA00034694182100001916
与
Figure BDA00034694182100001917
堆叠成外部均值矩阵
Figure BDA00034694182100001918
和外部方差向量
Figure BDA00034694182100001919
步骤S442，将所述第t模块A外部均值矩阵
Figure BDA00034694182100001920
所述第t模块A外部方差向量
Figure BDA00034694182100001921
输入模块C中，根据所述第t模块A外部均值矩阵
Figure BDA00034694182100001922
所述第t模块A外部方差
Figure BDA00034694182100001923
第t-1模块C均值矩阵
Figure BDA00034694182100001924
和第t-1模块C方差向量
Figure BDA00034694182100001925
得到第t模块C外部均值矩阵
Figure BDA00034694182100001926
和第t模块C外部方差向量
Figure BDA00034694182100001927
在本实施例中，信号检测装置在得到了第t模块A外部均值矩阵
Figure BDA00034694182100001928
和第t模块A外部方差向量
Figure BDA00034694182100001929
之后，将所述第t模块A外部均值矩阵
Figure BDA00034694182100001930
所述第t模块A外部方差向量
Figure BDA00034694182100001931
输入模块C中，根据所述第t模块A外部均值矩阵
Figure BDA00034694182100001932
所述第t模块A外部方差
Figure BDA00034694182100001933
第t-1模块C均值矩阵
Figure BDA00034694182100001934
和第t-1模块C方差向量
Figure BDA00034694182100001935
得到第t模块C外部均值矩阵
Figure BDA00034694182100001936
和第t模块C外部方差向量
Figure BDA00034694182100001937
步骤S442根据所述第t模块A外部均值矩阵
Figure BDA00034694182100001938
所述第t模块A外部方差
Figure BDA0003469418210000201
第t-1模块C均值矩阵
Figure BDA0003469418210000202
和第t-1模块C方差向量
Figure BDA0003469418210000203
得到第t模块C外部均值矩阵
Figure BDA0003469418210000204
和第t模块C外部方差向量
Figure BDA0003469418210000205
的步骤，包括：
第t模块C外部均值矩阵
Figure BDA0003469418210000206
中的元素
Figure BDA0003469418210000207
为：
Figure BDA0003469418210000208
第t模块C外部方差向量
Figure BDA0003469418210000209
中的元素
Figure BDA00034694182100002010
为：
Figure BDA00034694182100002011
将第t模块A外部均值矩阵
Figure BDA00034694182100002012
所述第t模块A外部方差
Figure BDA00034694182100002013
输入模块C中，在前向迭代过程(图3中右面一条支路)中，对于任意时隙j计算线性约束zj＝Hxj下的xj(zj为Z的第j列，xj为第j个时隙用户设备发送的信号)的后验均值向量
Figure BDA00034694182100002014
和方差
Figure BDA00034694182100002015
具体地，xj的后验协方差矩阵
Figure BDA00034694182100002016
和后验均值
Figure BDA00034694182100002017
为：
Figure BDA00034694182100002018
Figure BDA00034694182100002019
其中IN为N阶单位矩阵，这里
Figure BDA00034694182100002020
和
Figure BDA00034694182100002021
分别为均值矩阵
Figure BDA00034694182100002022
和
Figure BDA00034694182100002023
的第j列。由于计算过程中涉及矩阵求逆，复杂度高达O(N3)，因此用Woodbury公式对
Figure BDA00034694182100002024
进行等效计算：
Figure BDA00034694182100002025
这里
Figure BDA00034694182100002026
注意对Vx求导的复杂度为O(M3)，当N＞M时，复杂度由O(N3)下降至O(M3)，为了进一步降低复杂度，本发明考虑用Vx自身对角元素组成的对角矩阵Σ来对Vx近似，即用Vx的诺曼级数展开第一项对Vx近似：
Figure BDA00034694182100002027
这里diag(·)代表取矩阵对角元素组成对角矩阵。因此后验均值
Figure BDA00034694182100002028
可以重新表示为：
Figure BDA0003469418210000211
在大规模MIMO系统中，可对第j个时隙的后验方差取平均值作为时隙j的平均后验方差，即：
Figure BDA0003469418210000212
对任意的j(j＝1…J)，将后验均值
Figure BDA0003469418210000213
和方差
Figure BDA0003469418210000214
堆叠形成后验均值矩阵
Figure BDA0003469418210000215
和方差向量
Figure BDA0003469418210000216
如图3所示。接下来，对任意的n,j(n＝1,…N,j＝1…J)，利用高斯函数除法推论计算外部均值
Figure BDA0003469418210000217
与方差
Figure BDA0003469418210000218
Figure BDA0003469418210000219
Figure BDA00034694182100002110
将
Figure BDA00034694182100002111
与
Figure BDA00034694182100002112
堆叠成外部均值矩阵
Figure BDA00034694182100002113
和外部方差向量
Figure BDA00034694182100002114
步骤S443，将所述第t模块C外部均值矩阵
Figure BDA00034694182100002115
和所述第t模块C外部方差向量
Figure BDA00034694182100002116
输入模块B中，得到第t模块B外部均值矩阵
Figure BDA00034694182100002117
和第t模块B外部方差向量
Figure BDA00034694182100002118
在本实施例中，信号检测装置在得到了第t模块C外部均值矩阵
Figure BDA00034694182100002119
和第t模块C外部方差向量
Figure BDA00034694182100002120
之后，将所述第t模块C外部均值矩阵
Figure BDA00034694182100002121
和所述第t模块C外部方差向量
Figure BDA00034694182100002122
输入模块B中，得到第t模块B外部均值矩阵
Figure BDA00034694182100002123
和第t模块B外部方差向量
Figure BDA00034694182100002124
步骤S443将所述第t模块C外部均值矩阵
Figure BDA00034694182100002125
和所述第t模块C外部方差向量
Figure BDA00034694182100002126
输入模块B中，得到第t模块B外部均值矩阵
Figure BDA00034694182100002127
和第t模块B外部方差向量
Figure BDA00034694182100002128
可以包括：
第t模块B外部均值矩阵
Figure BDA00034694182100002129
中的元素
Figure BDA00034694182100002130
为：
Figure BDA00034694182100002131
第t模块B外部方差向量
Figure BDA00034694182100002132
中的元素
Figure BDA00034694182100002133
为：
Figure BDA0003469418210000221
在假设已知活跃概率的
Figure BDA0003469418210000222
的情况下，模块B利用发射离散符号的条件先验信息
Figure BDA0003469418210000223
提高检测性能，按分量计算X的后验均值
Figure BDA0003469418210000224
和
Figure BDA0003469418210000225
方差，具体地，xnj的后验均值与方差是根据以下后验概率密度函数求取的：
Figure BDA0003469418210000226
其中，
Figure BDA0003469418210000227
因此，对任意的
Figure BDA00034694182100002224
xnj的后验均值和方差可以根据后验概率密度函数来求：
Figure BDA0003469418210000228
Figure BDA0003469418210000229
同样地，在大规模MIMO系统下，可对第j个时隙的后验方差取平均值作为时隙j的平均后验方差，即
Figure BDA00034694182100002210
对任意的n,j(n＝1,…N,j＝1…J)，将后验均值
Figure BDA00034694182100002211
和
Figure BDA00034694182100002212
方差堆叠为后验均值矩阵
Figure BDA00034694182100002213
和方差
Figure BDA00034694182100002214
如图3所示，之后再对任意的n,j(n＝1,…N,j＝1…J)，利用高斯函数除法推论计算外部方差
Figure BDA00034694182100002215
以及外部均值
Figure BDA00034694182100002216
Figure BDA00034694182100002217
Figure BDA00034694182100002218
将
Figure BDA00034694182100002219
与
Figure BDA00034694182100002220
堆叠成外部均值矩阵
Figure BDA00034694182100002221
和外部方差向量
Figure BDA00034694182100002222
完成对初始化向量
Figure BDA00034694182100002223
的更新。
步骤S444，将所述第t模块B外部均值矩阵
Figure BDA0003469418210000231
和第t模块B外部方差向量
Figure BDA0003469418210000232
输入模块C中，得到第t模块C后验均值矩阵
Figure BDA0003469418210000233
和第t模块C后验方差向量
Figure BDA0003469418210000234
在本实施例中，信号检测装置在得到了第t模块B外部均值矩阵
Figure BDA0003469418210000235
和第t模块B外部方差向量
Figure BDA0003469418210000236
之后，将所述第t模块B外部均值矩阵
Figure BDA0003469418210000237
和第t模块B外部方差向量
Figure BDA0003469418210000238
输入模块C中，得到第t模块C后验均值矩阵
Figure BDA0003469418210000239
和第t模块C后验方差向量
Figure BDA00034694182100002310
步骤S444将所述第t模块B外部均值矩阵
Figure BDA00034694182100002330
和第t模块B外部方差向量
Figure BDA00034694182100002311
输入模块C中，得到第t模块C后验均值矩阵
Figure BDA00034694182100002312
和第t模块C后验方差向量
Figure BDA00034694182100002313
可以包括：
第t模块C后验均值矩阵
Figure BDA00034694182100002314
中第j列向量
Figure BDA00034694182100002315
为：
Figure BDA00034694182100002316
Figure BDA00034694182100002317
Figure BDA00034694182100002318
第t模块C后验方差向量
Figure BDA00034694182100002319
中的元素
Figure BDA00034694182100002320
为：
Figure BDA00034694182100002321
Figure BDA00034694182100002322
然后将第t模块B外部均值矩阵
Figure BDA00034694182100002323
和第t模块B外部方差向量
Figure BDA00034694182100002324
输入模块C中，进入模块C的后向迭代过程中(图3中左面一条支路)，与步骤S352中前向迭代的原理一致，不同的是按时隙计算Z的后验均值
Figure BDA00034694182100002325
和方差
Figure BDA00034694182100002326
具体为：
首先计算新的xj的后验协方差矩阵
Figure BDA00034694182100002327
以及后验均值
Figure BDA00034694182100002328
Figure BDA00034694182100002329
Figure BDA0003469418210000241
Figure BDA0003469418210000242
其中IN代表N阶的单位矩阵，这里
Figure BDA0003469418210000243
和
Figure BDA0003469418210000244
分别为均值矩阵
Figure BDA0003469418210000245
和
Figure BDA0003469418210000246
的第j列。之后利用zj＝Hxj计算zj的后验均值
Figure BDA0003469418210000247
和方差
Figure BDA0003469418210000248
Figure BDA0003469418210000249
Figure BDA00034694182100002410
对任意的j(j＝1…J)，将
Figure BDA00034694182100002411
与
Figure BDA00034694182100002412
堆叠形成后验均值矩阵
Figure BDA00034694182100002413
和后验方差向量
Figure BDA00034694182100002414
如图3所示。
步骤S445，利用高斯函数除法对所述第t模块C后验均值矩阵
Figure BDA00034694182100002415
和第t模块C后验方差向量
Figure BDA00034694182100002416
进行处理，得到第t模块C外部先验矩阵
Figure BDA00034694182100002417
以及第t模块C先验方差向量
Figure BDA00034694182100002418
在本实施例中，信号检测装置在得到了第t模块C后验均值矩阵
Figure BDA00034694182100002419
和第t模块C后验方差向量
Figure BDA00034694182100002420
之后，利用高斯函数除法对所述第t模块C后验均值矩阵
Figure BDA00034694182100002421
和第t模块C后验方差向量
Figure BDA00034694182100002422
进行处理，得到第t模块C外部先验矩阵
Figure BDA00034694182100002423
以及第t模块C先验方差向量
Figure BDA00034694182100002424
步骤S445利用高斯函数除法对所述第t模块C后验均值矩阵
Figure BDA00034694182100002425
和第t模块C后验方差向量
Figure BDA00034694182100002426
进行处理，得到第t模块C外部先验矩阵
Figure BDA00034694182100002427
以及第t模块C先验方差向量
Figure BDA00034694182100002428
可以包括：
第t模块C外部先验矩阵
Figure BDA00034694182100002429
中的元素
Figure BDA00034694182100002430
为：
Figure BDA00034694182100002431
第t模块C先验方差向量
Figure BDA00034694182100002432
中的元素
Figure BDA00034694182100002433
为：
Figure BDA00034694182100002434
之后对任意的m,j(m＝1,…M,j＝1…J)，利用高斯函数除法推论计算外部信息
Figure BDA0003469418210000251
以及
Figure BDA0003469418210000252
Figure BDA0003469418210000253
Figure BDA0003469418210000254
将
Figure BDA0003469418210000255
与
Figure BDA0003469418210000256
堆叠成外部均值矩阵
Figure BDA0003469418210000257
和外部方差向量
Figure BDA0003469418210000258
完成对初始化向量
Figure BDA0003469418210000259
的更新，并将其作为先验信息传递给下一个模块A。
步骤S50，在AGEC-MMV算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号；
在本实施例中，信号检测装置在估计每一个时隙中每个用户设备发射符号的后验均值之后，在AGEC-MMV算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号。
通过期望最大化(Expectation Maximum,EM)算法来学习下一次迭代时连续时隙中用户n的活跃概率
Figure BDA00034694182100002510
在步骤S353中计算出
Figure BDA00034694182100002511
的情况下，λn在第t次迭代的EM更新可以表示为：
Figure BDA00034694182100002512
当迭代次数t达到最大迭代次数T时，根据λn在第T次迭代完成后的值
Figure BDA00034694182100002513
判断第n个用户设备的活跃性；
当
Figure BDA00034694182100002514
时，则用户设备活跃；当
Figure BDA00034694182100002515
则用户设备不活跃。
因此，完成了N个用户设备活跃性的判断；将第T次迭代后的后验均值
Figure BDA00034694182100002516
堆叠后的结果
Figure BDA00034694182100002517
作为发射信号矩阵X的估计值，进而联合用户活跃性得到最终的估计值，具体地，若第i个用户设备为活跃的，那么
Figure BDA00034694182100002518
作为最终的估计值，并与原活跃用户设备发射的信号进行比较，得出误码率性能。
如图4和5所示，在仿真中，基站端的天线数量为M＝150、用户设备数N＝100，用户初始活跃概率λnj＝0.5，时隙数J＝7，最大迭代次数T＝15。为了便于分析，图4展示本发明所提算法在不同量化精度下随着SNR变化的趋势，由仿真结果可以观察到，在相同的SNR下，随着量化精度的降低，性能也随之下降，可以看出1bit量化时，性能比较差，但是当量化精度为3bit的时候，与未量化(即无穷bit)时的算法性能相比低精度量化的性能损失是可以接受的，因此所提的算法能够很好的在性能与复杂度之间实现折中。图5展示本发明所提算法在不同量化精度时，随着不同信道相关系数下的变化趋势，在SNR为2dB时，可以观察到，随着相关系数的增加，本发明所提的算法的变化是缓慢的，由此可以得出，本发明所提算法对相关性信道的稳健性。因此可以得出结论，本发明提出的算法能够有效解决对大规模MIMO支持mMTC中的先进算法所面临的高硬件成本和功耗，高复杂度以及对信道相关性敏感等问题。
本实施例通过上述方案，获取接收信号，并建立大规模MIMO支持机器类通信的系统模型；通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号；根据伍德伯里Woodbury公式与诺曼级数展开近似的GEC算法，并结合帧结构的稀疏性特点，构建近似广义期望一致性多测量AGEC-MMV算法；根据构建的AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值；在AGEC-MMV算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号。通过采用GEC算法的上行无授权广义信号检测算法能够从量化接收信号中恢复原信号，而GEC算法已被现有文献证实对病态矩阵不敏感，这解决了现有先进算法面对天线间存在相关性的信道矩阵时的性能下降问题，结合Woodbury公式和诺曼级数展开近似规避原GEC算法中的高维矩阵求逆，降低了原始GEC算法的复杂度；利用发射帧结构稀疏性；利用发射帧结构稀疏性，将近似GEC算法扩展为AGEC-MMV算法，利用发射帧结构稀疏性，进一步提高性能，最后用EM算法更新下一次迭代时的用户活跃概率，与现有文献假设基站端知道用户活跃性相比，更加贴近真实的场景。

Claims (10)

1.一种低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述方法包括如下步骤：
获取接收信号，并建立大规模MIMO支持机器类通信的系统模型；
通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号；
根据伍德伯里Woodbury公式与诺曼级数展开近似的GEC算法，并结合帧结构的稀疏性特点，构建近似广义期望一致性多测量AGEC-MMV算法；
根据构建的AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值；
在AGEC-MMV算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号。
2.根据权利要求1所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述建立大规模MIMO支持机器类通信的系统模型的步骤，包括：
系统模型可以表示为：
Y＝HX+W＝Z+W；
其中，Y为在J个连续时隙间隔内的接收信号；
Figure FDA0003469418200000011
X为N个用户设备在J个连续时隙间隔内发送的信息符号所组成的发送信号；
Figure FDA0003469418200000012
H为N个用户设备到基站的信道矩阵，
Figure FDA0003469418200000013
元素hmn为相互独立且同分布的复高斯随机变量，元素hmj～CN(0,1)；W为加性高斯白噪声；
Figure FDA0003469418200000014
元素wmj～CN(0,σ2)；
Figure FDA0003469418200000015
当第j个时隙中的第n个用户设备为活跃状态时，xnj的值来自正交调幅调制星座点集合C；当采用四进制正交幅度调制时，星座点集C为：
Figure FDA0003469418200000016
其中，l为虚数单位；
当j个时隙中的第n个用户设备为非活跃状态，则xnj的值为0；
其中，n个用户设备在第j个时隙中的活跃概率已知条件下的xnj的先验概率为：
Figure FDA0003469418200000021
其中，λn1＝…＝λnJ＝λn；其中{ci,i＝1,…,|C|}为星座点的集合，|C|为星座点集合C的大小，pi＝1/|C|为活跃用户设备选择星座点集合C中第i个点ci的概率，δ(·)为狄拉克函数。
3.根据权利要求2所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号的步骤，包括：
通过复数量化器对接收信号中的元素进行量化，得到量化后的量化接收信号；
量化接收信号
Figure FDA0003469418200000022
Qc(·)为复数量化器；
对接收信号中的元素ymj的实部
Figure FDA0003469418200000023
与虚部
Figure FDA0003469418200000024
分别进行量化，具体量化的过程为
Figure FDA0003469418200000025
当实部
Figure FDA0003469418200000026
落在区间
Figure FDA0003469418200000027
的范围时，实值
Figure FDA0003469418200000028
的取值集合为
Figure FDA0003469418200000029
其中，
Figure FDA00034694182000000210
下限阈值为：
Figure FDA00034694182000000211
其中，
Figure FDA0003469418200000031
上限阈值为：
Figure FDA0003469418200000032
当虚部
Figure FDA0003469418200000033
落在区间
Figure FDA0003469418200000034
的范围时，输出实值
Figure FDA0003469418200000035
的取值集合为：
Figure FDA0003469418200000036
其中，
Figure FDA0003469418200000037
的下限阈值为：
Figure FDA0003469418200000038
其中，
Figure FDA0003469418200000039
的上限阈值为：
Figure FDA00034694182000000310
其中，Δ为实值量化器Q(·)的量化步长，B为实值量化器Q(·)的量化比特数为B。
4.根据权利要求3所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述根据构建的AGEC-MMV算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值的步骤，包括：
对AGEC-MMV算法进行初始化；
将所述量化接收信号输入初始化后的AGEC-MMV算法中，根据初始化后的AGEC-MMV算法中的初始模块C外部先验矩阵
Figure FDA00034694182000000311
初始模块C先验方差向量
Figure FDA00034694182000000312
和量化接收信号，得到第一模块C外部先验矩阵
Figure FDA00034694182000000313
和第一模块C先验方差向量
Figure FDA00034694182000000314
通过将所述第一模块C外部先验矩阵
Figure FDA00034694182000000315
对AGEC-MMV算法中初始模块C外部先验矩阵
Figure FDA00034694182000000316
进行替换以及所述第一模块C先验方差向量
Figure FDA00034694182000000317
对AGEC-MMV算法中的初始模块C先验方差向量
Figure FDA00034694182000000318
进行替换，根据初始化后的AGEC-MMV算法中的第一模块C外部先验矩阵
Figure FDA00034694182000000319
所述第一模块C先验方差向量
Figure FDA00034694182000000320
和所述量化接收信号，得到第二模块C外部先验矩阵
Figure FDA0003469418200000041
和第二模块C先验方差向量
Figure FDA0003469418200000042
以此类推，通过将所述第t-1模块C外部先验矩阵
Figure FDA0003469418200000043
对AGEC-MMV算法中t-2模块C外部先验矩阵
Figure FDA0003469418200000044
进行替换以及所述第t-1模块C先验方差向量
Figure FDA0003469418200000045
对AGEC-MMV算法中的第t-2模块C先验方差向量
Figure FDA0003469418200000046
进行替换，根据AGEC-MMV算法中的第t-1模块C外部先验矩阵
Figure FDA0003469418200000047
所述第t-1模块C先验方差向量
Figure FDA0003469418200000048
和所述量化接收信号，得到第t模块C外部先验矩阵
Figure FDA0003469418200000049
和第t模块C先验方差向量
Figure FDA00034694182000000410
5.根据权利要求4所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述对AGEC-MMV算法进行初始化的步骤，包括：
令AGEC-MMV算法中的初始模块C外部先验矩阵
Figure FDA00034694182000000411
初始模块C先验方差向量
Figure FDA00034694182000000412
初始模块C均值矩阵
Figure FDA00034694182000000413
初始模块C方差向量
Figure FDA00034694182000000414
其中，上标0为迭代次数t＝0，trace(·)为矩阵的迹，
Figure FDA00034694182000000415
为初始模块C外部先验矩阵
Figure FDA00034694182000000416
第m行第j列的元素，
Figure FDA00034694182000000417
为初始模块C先验方差向量
Figure FDA00034694182000000418
中第j个元素，
Figure FDA00034694182000000419
为初始模块C均值矩阵
Figure FDA00034694182000000420
中第n行第j列的元素，
Figure FDA00034694182000000421
为初始模块C方差向量v2x中第j个元素；令N个用户设备的初始活跃概率λn1＝…＝λnJ＝λn＝0.5。
6.根据权利要求5所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，其中AGEC-MMV算法包括模块A、模块B和模块C，所述根据初始化后的AGEC-MMV算法中的初始模块C外部先验矩阵
Figure FDA00034694182000000422
初始模块C先验方差向量
Figure FDA00034694182000000423
和量化接收信号，得到第一模块C外部先验矩阵
Figure FDA00034694182000000424
和第一模块C先验方差向量
Figure FDA00034694182000000425
的步骤，包括：
根据初始模块C外部先验矩阵
Figure FDA00034694182000000426
初始模块C先验方差向量
Figure FDA00034694182000000427
和所述量化接收信号，得到第一模块A外部均值矩阵
Figure FDA00034694182000000428
和第一模块A外部方差向量
Figure FDA00034694182000000429
将所述第一模块A外部均值矩阵、所述第一模块A外部方差向量输入模块C中，根据所述第一模块A外部均值矩阵、所述第一模块A外部方差、初始模块C均值矩阵
Figure FDA00034694182000000430
和初始模块C方差向量
Figure FDA00034694182000000431
得到第一模块C外部均值矩阵
Figure FDA00034694182000000432
和第一模块C外部方差向量
Figure FDA0003469418200000051
将所述第一模块C外部均值矩阵
Figure FDA0003469418200000052
和所述第一模块C外部方差向量
Figure FDA0003469418200000053
输入模块B中，得到第一模块B外部均值矩阵
Figure FDA0003469418200000054
和第一模块B外部方差向量
Figure FDA0003469418200000055
将所述第一模块B外部均值矩阵
Figure FDA0003469418200000056
和第一模块B外部方差向量
Figure FDA0003469418200000057
输入模块C中，得到第一模块C后验均值矩阵
Figure FDA0003469418200000058
和第一模块C后验方差向量
Figure FDA0003469418200000059
利用高斯函数除法对所述第一模块C后验均值矩阵
Figure FDA00034694182000000510
和第一模块C后验方差向量
Figure FDA00034694182000000511
进行处理，得到第一模块C外部先验矩阵
Figure FDA00034694182000000512
以及第一模块C先验方差向量
Figure FDA00034694182000000513
所述根据初始化后的AGEC-MMV算法中的第一模块C外部先验矩阵
Figure FDA00034694182000000514
所述第一模块C先验方差向量
Figure FDA00034694182000000515
和所述量化接收信号，得到第二模块C外部先验矩阵
Figure FDA00034694182000000516
和第二模块C先验方差向量
Figure FDA00034694182000000517
的步骤，包括：
根据第一模块C外部先验矩阵
Figure FDA00034694182000000518
第一模块C先验方差向量
Figure FDA00034694182000000519
和所述量化接收信号，得到第二模块A外部均值矩阵
Figure FDA00034694182000000520
和第二模块A外部方差向量
Figure FDA00034694182000000521
将所述第二模块A外部均值矩阵、所述第二模块A外部方差向量输入模块C中，根据所述第二模块A外部均值矩阵
Figure FDA00034694182000000522
所述第二模块A外部方差
Figure FDA00034694182000000523
第一模块C均值矩阵
Figure FDA00034694182000000524
和第一模块C方差向量
Figure FDA00034694182000000525
得到第二模块C外部均值矩阵
Figure FDA00034694182000000526
和第二模块C外部方差向量
Figure FDA00034694182000000527
将所述第二模块C外部均值矩阵
Figure FDA00034694182000000528
和所述第二模块C外部方差向量
Figure FDA00034694182000000529
输入模块B中，得到第二模块B外部均值矩阵
Figure FDA00034694182000000530
和第二模块B外部方差向量
Figure FDA00034694182000000531
将所述第二模块B外部均值矩阵
Figure FDA00034694182000000532
和第二模块B外部方差向量
Figure FDA00034694182000000533
输入模块C中，得到第二模块C后验均值矩阵
Figure FDA00034694182000000534
和第二模块C后验方差向量
Figure FDA00034694182000000535
利用高斯函数除法对所述第二模块C后验均值矩阵
Figure FDA00034694182000000536
和第二模块C后验方差向量
Figure FDA00034694182000000537
进行处理，得到第二模块C外部先验矩阵
Figure FDA00034694182000000538
以及第二模块C先验方差向量
Figure FDA00034694182000000539
7.根据权利要求6所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述根据AGEC-MMV算法中的第t-1模块C外部先验矩阵
Figure FDA0003469418200000061
所述第t-1模块C先验方差向量
Figure FDA0003469418200000062
和所述量化接收信号，得到第t模块C外部先验矩阵
Figure FDA0003469418200000063
和第t模块C先验方差向量
Figure FDA0003469418200000064
的步骤，包括：
根据第t-1模块C外部先验矩阵
Figure FDA0003469418200000065
第t-1模块C先验方差向量
Figure FDA0003469418200000066
和所述量化接收信号，得到第t模块A外部均值矩阵
Figure FDA0003469418200000067
和第t模块A外部方差向量
Figure FDA0003469418200000068
将所述第t模块A外部均值矩阵
Figure FDA0003469418200000069
所述第t模块A外部方差向量
Figure FDA00034694182000000610
输入模块C中，根据所述第t模块A外部均值矩阵
Figure FDA00034694182000000611
所述第t模块A外部方差
Figure FDA00034694182000000612
第t-1模块C均值矩阵
Figure FDA00034694182000000613
和第t-1模块C方差向量
Figure FDA00034694182000000614
得到第t模块C外部均值矩阵
Figure FDA00034694182000000637
和第t模块C外部方差向量
Figure FDA00034694182000000615
将所述第t模块C外部均值矩阵
Figure FDA00034694182000000616
和所述第t模块C外部方差向量
Figure FDA00034694182000000617
输入模块B中，得到第t模块B外部均值矩阵
Figure FDA00034694182000000618
和第t模块B外部方差向量
Figure FDA00034694182000000619
将所述第t模块B外部均值矩阵
Figure FDA00034694182000000620
和第t模块B外部方差向量
Figure FDA00034694182000000621
输入模块C中，得到第t模块C后验均值矩阵
Figure FDA00034694182000000622
和第t模块C后验方差向量
Figure FDA00034694182000000623
利用高斯函数除法对所述第t模块C后验均值矩阵
Figure FDA00034694182000000624
和第t模块C后验方差向量
Figure FDA00034694182000000625
进行处理，得到第t模块C外部先验矩阵
Figure FDA00034694182000000626
以及第t模块C先验方差向量
Figure FDA00034694182000000627
8.根据权利要求7所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述根据第t-1模块C外部先验矩阵、第t-1模块C先验方差向量和所述量化接收信号，得到第t模块A外部均值矩阵
Figure FDA00034694182000000628
和第t模块A外部方差向量
Figure FDA00034694182000000629
的步骤，包括：
第t模块A外部均值矩阵
Figure FDA00034694182000000630
中的元素
Figure FDA00034694182000000631
为：
Figure FDA00034694182000000632
第t模块A外部方差向量
Figure FDA00034694182000000633
中的元素
Figure FDA00034694182000000634
为：
Figure FDA00034694182000000635
其中，
Figure FDA00034694182000000636
Figure FDA0003469418200000071
Figure FDA0003469418200000072
Figure FDA0003469418200000073
Figure FDA0003469418200000074
Figure FDA0003469418200000075
Figure FDA0003469418200000076
Figure FDA0003469418200000077
Figure FDA0003469418200000078
Figure FDA0003469418200000079
9.根据权利要求8所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述根据所述第t模块A外部均值矩阵
Figure FDA00034694182000000710
所述第t模块A外部方差
Figure FDA00034694182000000711
第t-1模块C均值矩阵
Figure FDA00034694182000000712
和第t-1模块C方差向量
Figure FDA00034694182000000713
得到第t模块C外部均值矩阵
Figure FDA00034694182000000714
和第t模块C外部方差向量
Figure FDA00034694182000000715
的步骤，包括：
第t模块C外部均值矩阵
Figure FDA00034694182000000716
中的元素
Figure FDA00034694182000000717
为：
Figure FDA0003469418200000081
第t模块C外部方差向量
Figure FDA0003469418200000082
中的元素
Figure FDA0003469418200000083
为：
Figure FDA0003469418200000084
其中，
Figure FDA0003469418200000085
Figure FDA0003469418200000086
Figure FDA0003469418200000087
Figure FDA0003469418200000088
将所述第t模块C外部均值矩阵和所述第t模块C外部方差向量输入模块B中，得到第t模块B外部均值矩阵
Figure FDA0003469418200000089
和第t模块B外部方差向量
Figure FDA00034694182000000810
的步骤包括：
第t模块B外部均值矩阵
Figure FDA00034694182000000811
中的元素
Figure FDA00034694182000000812
为：
Figure FDA00034694182000000813
第t模块B外部方差向量
Figure FDA00034694182000000814
中的元素
Figure FDA00034694182000000815
为：
Figure FDA00034694182000000816
其中，
Figure FDA00034694182000000817
Figure FDA00034694182000000818
Figure FDA00034694182000000819
所述将所述第t模块B外部均值矩阵
Figure FDA00034694182000000820
和第t模块B外部方差向量
Figure FDA00034694182000000821
输入模块C中，得到第t模块C后验均值矩阵
Figure FDA00034694182000000822
和第t模块C后验方差向量
Figure FDA00034694182000000823
的步骤，包括：
第t模块C后验均值矩阵
Figure FDA0003469418200000091
中的第j列向量
Figure FDA0003469418200000092
为：
Figure FDA0003469418200000093
Figure FDA0003469418200000094
Figure FDA0003469418200000095
第t模块C后验方差向量
Figure FDA0003469418200000096
中的元素
Figure FDA0003469418200000097
为：
Figure FDA0003469418200000098
Figure FDA0003469418200000099
所述利用高斯函数除法对所述第t模块C后验均值矩阵
Figure FDA00034694182000000910
和第t模块C后验方差向量
Figure FDA00034694182000000911
进行处理，得到第t模块C外部先验矩阵
Figure FDA00034694182000000912
以及第t模块C先验方差向量
Figure FDA00034694182000000913
的步骤，包括：
第t模块C外部先验矩阵
Figure FDA00034694182000000914
中的元素
Figure FDA00034694182000000915
为：
Figure FDA00034694182000000916
第t模块C先验方差向量
Figure FDA00034694182000000917
中的元素
Figure FDA00034694182000000918
为：
Figure FDA00034694182000000919
10.根据权利要求9所述的低分辨率ADC下机器类通信中的低复杂度信号检测方法，其特征在于，所述在AGEC-MMV算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号的步骤，包括：
下一次迭代的每个用户设备的活跃概率
Figure FDA00034694182000000920
为：
Figure FDA00034694182000000921
其中，
Figure FDA0003469418200000101
Figure FDA0003469418200000102
Figure FDA0003469418200000103
Figure FDA0003469418200000104
当迭代次数t达到最大迭代次数T时，根据λn在第T次迭代完成后的值
Figure FDA0003469418200000105
判断第n个用户设备的活跃性；
当
Figure FDA0003469418200000106
时，则用户设备活跃；
当
Figure FDA0003469418200000107
则用户设备不活跃。
CN202210038929.8A 2022-01-13 2022-01-13 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 Active CN114520700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210038929.8A CN114520700B (zh) 2022-01-13 2022-01-13 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210038929.8A CN114520700B (zh) 2022-01-13 2022-01-13 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

Publications (2)

Publication Number Publication Date
CN114520700A true CN114520700A (zh) 2022-05-20
CN114520700B CN114520700B (zh) 2024-03-22

Family

ID=81597579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210038929.8A Active CN114520700B (zh) 2022-01-13 2022-01-13 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

Country Status (1)

Country Link
CN (1) CN114520700B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050047646A1 (en) * 2003-08-27 2005-03-03 Nebojsa Jojic System and method for fast on-line learning of transformed hidden Markov models
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
CN110336761A (zh) * 2019-07-12 2019-10-15 电子科技大学 毫米波大规模mimo系统的波束空间信道估计方法
CN111965592A (zh) * 2020-08-24 2020-11-20 天津大学 基于近似消息传递和1-bit量化波达方向估计方法
CN112242861A (zh) * 2020-09-01 2021-01-19 宁波大学 大规模mimo系统的用户活跃性和信号联合检测方法
CN113067668A (zh) * 2021-02-04 2021-07-02 宁波大学 针对mmv模型进行活跃性和信号联合检测的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050047646A1 (en) * 2003-08-27 2005-03-03 Nebojsa Jojic System and method for fast on-line learning of transformed hidden Markov models
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
CN110336761A (zh) * 2019-07-12 2019-10-15 电子科技大学 毫米波大规模mimo系统的波束空间信道估计方法
CN111965592A (zh) * 2020-08-24 2020-11-20 天津大学 基于近似消息传递和1-bit量化波达方向估计方法
CN112242861A (zh) * 2020-09-01 2021-01-19 宁波大学 大规模mimo系统的用户活跃性和信号联合检测方法
CN113067668A (zh) * 2021-02-04 2021-07-02 宁波大学 针对mmv模型进行活跃性和信号联合检测的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
QIUYUN ZOU; HAOCHUAN ZHANG; HONGWEN YANG: "Expectation-Maximization-Aided Hybrid Generalized Expectation Consistent for Sparse Signal Reconstruction", 《IEEE SIGNAL PROCESSING LETTERS 》, vol. 28, pages 648, XP011850818, DOI: 10.1109/LSP.2021.3065600 *
ZHINAN SUN; XUMIN PU; SHIHAI SHAO; SHI JIN; QIANBIN CHEN: "A Low Complexity Expectation Propagation Detector for Extra-Large Scale Massive MIMO", 《2021 IEEE/CIC INTERNATIONAL CONFERENCE ON COMMUNICATIONS IN CHINA (ICCC)》 *
张中旺: "大规模MIMO系统中信道估计技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王锐: "基于低精度量化ADC的毫米波MIMO系统信道估计方法研究", 《万方硕士论文 东南大学》 *
蒲旭敏; 吴超; 杨小珑: "基于深度学习的1-比特超大规模MIMO信道估计", 《电子技术应用》, pages 87 - 90 *

Also Published As

Publication number Publication date
CN114520700B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Ding et al. Bayesian channel estimation algorithms for massive MIMO systems with hybrid analog-digital processing and low-resolution ADCs
EP2391017B1 (en) Sensor-based wireless communication systems using compressive sampling
Nguyen et al. SVM-based channel estimation and data detection for one-bit massive MIMO systems
CN111698182A (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
Mollén et al. Achievable uplink rates for massive MIMO with coarse quantization
US20130070624A1 (en) Sensor-based wireless communication systems using compressed sensing with sparse data
CN112242861B (zh) 大规模mimo系统的用户活跃性和信号联合检测方法
EP2594034A1 (en) Mobility in a distributed antenna system
Qiang et al. A model-driven deep learning algorithm for joint activity detection and channel estimation
Shi et al. Algorithm unrolling for massive access via deep neural networks with theoretical guarantee
Wen et al. Joint channel-and-data estimation for large-MIMO systems with low-precision ADCs
Rusu et al. Low resolution adaptive compressed sensing for mmWave MIMO receivers
Thoota et al. Massive MIMO-OFDM systems with low resolution ADCs: Cramér-Rao bound, sparse channel estimation, and soft symbol decoding
Qiao et al. Massive access in media modulation based massive machine-type communications
Li et al. How much training is needed in one-bit massive MIMO systems at low SNR?
Gao et al. Low-complexity block coordinate descend based multiuser detection for uplink grant-free NOMA
Yang et al. Plug-in channel estimation with dithered quantized signals in spatially non-stationary massive MIMO systems
Gao et al. Low-complexity channel estimation and multi-user detection for uplink grant-free NOMA systems
Nguyen et al. Deep learning for estimation and pilot signal design in few-bit massive MIMO systems
Haqiqatnejad et al. Finite-alphabet symbol-level multiuser precoding for massive MU-MIMO downlink
Kolomvakis et al. Quantized uplink massive MIMO systems with linear receivers
Wang et al. Channel estimation for RIS-aided mmWave massive MIMO system using few-bit ADCs
Van Nguyen et al. Joint channel identification and estimation in wireless network: Sparsity and optimization
CN104967469A (zh) 一种基于无比率编码的大规模mimo传输方法
Al-Salihi et al. Bayesian compressed sensing-based channel estimation for massive MIMO systems

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
TA01 Transfer of patent application right

Effective date of registration: 20240204

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region after: China

Address before: 400065 No. 2, Chongwen Road, Nan'an District, Chongqing

Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240226

Address after: 314000, Room 2, Building 7, Zone 6, Xiangxian New Village, Xiuzhou District, Jiaxing City, Zhejiang Province

Applicant after: Chen Weifeng

Country or region after: China

Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant before: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant