CN114731323B - 多输入多输出mimo系统的检测方法和装置 - Google Patents

Abstract

本申请提供了一种多输入多输出MIMO系统的检测方法和装置。该方法包括：确定共轭对称矩阵；使用预处理矩阵和单位下三角矩阵将发送信号映射至树搜索模型，预处理矩阵和单位下三角矩阵是对共轭对称矩阵进行LDL分解得到的；从树搜索模型的最顶层逐层向下扩展，确定度量集合，度量集合包括根节点的度量集合和多个叶节点的度量集合，根节点的度量集合包含于第一候选集合，第一候选集合是根据第一规则从第一星座点集合中确定的，度量集合使得树搜索模型具有最小的路径度量；根据度量集合，确定发送信号中每个信息比特的对数似然比。该方法在保证检测结果具有较高准确度的前提下，能够有效降低检测方法的复杂度。

Description

多输入多输出MIMO系统的检测方法和装置

技术领域

本申请涉及无线通信领域，并且更具体地，涉及一种多输入多输出MIMO系统的检测方法和装置。

背景技术

多输入多输出(multiple-input multiple-output，MIMO)系统，是指在无线通信链路的发射端和接收端使用多根天线来同时发射数据和接收数据的系统。通过使用MIMO系统，数据可被分成多个流，这些流可被同时由发射端发送和由接收端接收，从而在无需显著附加频谱或功率的情况下提升系统容量。在MIMO系统中，通过将数据分成流、在每个流中编组比特、将每个比特组映射至星座点、以及在随后基于为每个流映射的星座点经由多根发射天线将这些流作为已调制载波来传送。接收端使用多根天线接收经过调制的信号后，通过使用各种信号检测技术来从在接收端的天线处接收到的流获得数据。

实际应用中，当MIMO系统的接收天线数不少于发射符号数时，接收端能够通过一定的MIMO均衡算法尽可能消除或抑制多个发射符号之间的干扰，从而恢复出发射端发射的多个发射符号。通常使用线性检测(例如，最小均方误差(minimum mean squared error，MMSE)、迫零检测(zero forcing，ZF))或非线性检测(例如，最大似然检测(maximumlikelihood，ML))，实现根据接收信号获得发送信号的目的。在上述线性检测过程中，由于不能获得全部信号的分集度，会导致检测结果不准确。在上述非线性检测过程中，虽然获得了全部信号的分集度，但由于计算复杂度随星座图规模及发射符号数呈指数增长，导致非线性检测算法实现复杂度高。

发明内容

本申请提供了一种多输入多输出MIMO系统的检测方法和装置，在保证检测结果具有较高准确度的前提下，能够有效降低检测方法的复杂度。

第一方面，提供了一种多输入多输出MIMO系统的检测方法，可以应用于包括MIMO系统的通信系统中，该方法包括：

确定共轭对称矩阵，该共轭对称矩阵是根据第一信道矩阵、噪声方差和单位矩阵确定的，该第一信道矩阵是对接收信号进行处理得到的；

使用预处理矩阵和单位下三角矩阵将该接收信号对应的发送信号映射至树搜索模型，该预处理矩阵和该单位下三角矩阵是对该共轭对称矩阵进行LDL分解得到的；

基于树搜索方式从该树搜索模型的最顶层逐层向下扩展，确定度量集合，该度量集合包括根节点的度量集合和多个叶节点的度量集合，该根节点的度量集合包含于第一候选集合，该第一候选集合是根据第一规则从第一星座点集合中确定的，该第一星座点集合是对该根节点对应的发送信号进行编码后映射得到的，该度量集合使得该树搜索模型具有最小的路径度量；

根据该度量集合，确定该发送信号中每个信息比特的对数似然比。

在上述技术方案中，通过对共轭对称矩阵使用LDL分解，将接收信号对应的发送信号映射至树搜索模型，避免了开平方操作，能够有效降低运算复杂度。根据第一规则从第一星座点集合中确定根节点的搜索空间(即，上述第一候选集合)，可以保证根节点的搜索空间中不存在比特缺失的问题。本申请提供的MIMO系统的检测方法，在保证检测结果具有较高准确度的前提下，能够有效降低检测方法的复杂度。

结合第一方面，在第一方面的某些实现方式中，该第一规则包括将该第一星座点集合中的如下星座点确定为该第一候选集合包括的星座点：

第一星座点，第二星座点和第三星座点，该第一星座点是与该根节点的估计发送信号的欧式距离最近的星座点，该第二星座点是与该第一星座点的欧式距离最近且分别包含该第一星座点每个比特对应反比特的星座点，该第三星座点是第一区域内包括的除该第一星座点和该第二星座点之外的星座点，该第一区域包含于该第一星座点集合对应的区域，该第一区域是根据预设复杂度从该第一星座点集合对应的区域中确定的。

其中，预设复杂度可以根据具体的应用场景进行设置。

在上述技术方案中，确定的根节点的搜索空间(即，上述第一候选集合)不仅包括第一星座点，还包括第二星座点和第三星座点，从而保证根节点的搜索空间中不存在比特缺失的问题。

结合第一方面，在第一方面的某些实现方式中，该MIMO系统是M×M维的MIMO系统，M为大于等于2的正整数，在确定共轭对称矩阵之前，该方法还包括：

获取该接收信号，并对该接收信号进行处理得到原始信道矩阵；

使用列变换矩阵对该原始信道矩阵列变换，得到列变化后的M个信道矩阵，该M个信道矩阵与M个树搜索模型一一对应，该M个树搜索模型与该MIMO系统的M层一一对应；

将该M个信道矩阵中的一个信道矩阵确定该第一信道矩阵，根据该第一信道矩阵确定的树搜索模型的最小路径度量小于该M个信道矩阵中的其余M-1个信道矩阵确定的树搜索模型的最小路径度量。

在上述技术方案中，通过列变换矩阵对原始信道进行列置换，得到置换后的多个信道矩阵。根据该多个信道矩阵将接收信号对应的发送信号可以映射至多个树搜索模型，使得MIMO系统的发送信号的每一层都有机会处于树搜索模型的根节点。

结合第一方面，在第一方面的某些实现方式中，该M个信道矩阵通过下列公式表示：

H_l＝Hp_l

其中，H_l是该M个信道矩阵中的第l个信道矩阵，且l＝0，2，3，...，M-1，H是该原始信道矩阵，p_l是该列变换矩阵。

现有技术中，为了提高估计发送信号的准确度，对MIMO系统对应的树搜索模型进行搜索之前，需要先对该树搜索模型的待遍历层进行排序，以使搜索的层的最小信噪比最大。目前，性能最佳的排序方法是贝尔实验室垂直分层空时码V-BLAST排序，该方法复杂度随发送层数指数增长；简化的排序方法，例如排序的QR算法SQRD，由于不能预先估计根节点信噪比，存在鲁棒性风险，且没有考虑根节点遍历星座点集合的度远大于叶节点遍历星座点集合的度。

在上述技术方案中，通过列变换矩阵p_l对原始信道矩阵H进行列置换，得到置换后的多个不同的信道矩阵H_l，可以从该置换后的多个不同的信道矩阵H_l中确定一个置换后的信道矩阵为第一信道矩阵，避免了对树搜索模型的待遍历层进行排序的过程。

结合第一方面，在第一方面的某些实现方式中，该MIMO系统是M×M维的MIMO系统，该树搜索模型包括M层，该根节点与第M层对应，该多个叶节点分别与第M-1至第1层对应，M为大于等于2的正整数，该基于树搜索方式从该树搜索模型的最顶层逐层向下扩展，确定度量集合，包括：

确定该根节点的第一距离度量函数；

基于该第一距离度量函数在该第一候选集合中进行搜索，将第四星座点确定为该根节点的度量集合包括的星座点，该第四星座点对应的发送信号使得该第一距离度量函数的值小于等于第一阈值；

确定第i个叶节点的第二距离度量函数，该第二距离度量函数不包括该树搜索模型包括的第i+1层至第M层对应的发送信号分别对该第i层的干扰，i＝1，2，3，...，M-1；

基于该第二距离度量函数在第二候选集合中进行搜索，将第五星座点确定为该第i个叶节点的度量集合包括的星座点，该第五星座点对应的发送信号使得该第二距离度量函数的值小于等于第二阈值，该第二候选集合是根据该第i个叶节点的估计发送信号和第二星座点集合确定的，该第二星座点集合是对该第i个叶节点对应的发送信号进行编码后映射得到的。

在上述技术方案中，由于第一候选集合中不存在缺失比特，故根据第一距离度量函数在第一候选集合中进行搜索，确定得到的第四星座点对应的发送信号为最优的估计结果。

结合第一方面，在第一方面的某些实现方式中，该第一距离度量函数与根据线性最小均方误差LMMSE算法估计的该第M层对应的发送信号的度量函数相同。

在上述技术方案中，实现了NML算法与LMMSE算法过程的融合。也就是说，通过中间变量对根据本申请确定的根节点的度量函数(即，上述第一距离度量函数)进行处理，可以得到基于LMMSE算法估计的第M层对应的发送信号的度量函数，避免了直接采用LMMSE算法估计发送信号时存在运算复杂度高的问题。

结合第一方面，在第一方面的某些实现方式中，该树搜索方式包括以下方式中的一种：广义优先树搜索和深度优先树搜索。

在上述技术方案中，可以根据需求灵活使用不同的搜索方式，对上述确定的树搜索模型在候选集合中进行搜索。

可以理解的是，本申请提供的检测方法适用于发送端天线数目大于等于接收到天线数目的MIMO系统。例如，4×4维的MIMO系统。或者，4×4维的多用户-多输入多输出(multi-user multiple-input multiple-output，MU-MIMO)系统。

第二方面，本申请提供了一种多输入多输出MIMO系统的检测装置，该装置包括：

处理单元，用于确定共轭对称矩阵，该共轭对称矩阵是根据第一信道矩阵、噪声方差和单位矩阵确定的，该第一信道矩阵是对接收信号进行处理得到的该处理单元702，用于构建训练数据集；

该处理单元，还用于使用预处理矩阵和单位下三角矩阵将该接收信号对应的发送信号映射至树搜索模型，该预处理矩阵和该单位下三角矩阵是对该共轭对称矩阵进行LDL分解得到的；

该处理单元，还用于基于树搜索方式从该树搜索模型的最顶层逐层向下扩展，确定度量集合，该度量集合包括根节点的度量集合和多个叶节点的度量集合，该根节点的度量集合包含于第一候选集合，该第一候选集合是根据第一规则从第一星座点集合中确定的，该第一星座点集合是对该根节点对应的发送信号进行编码后映射得到的，该度量集合使得该树搜索模型具有最小的路径度量；

该处理单元，还用于根据该度量集合，确定该发送信号中每个信息比特的对数似然比。

结合第二方面，在第二方面的某些实现方式中，该第二规则包括将该第二星座点集合中的如下星座点确定为该第一候选集合包括的星座点：

第一星座点，第二星座点和第三星座点，该第一星座点是与该根节点的估计发送信号的欧式距离最近的星座点，该第二星座点是与该第一星座点的欧式距离最近且分别包含该第一星座点每个比特对应反比特的星座点，该第三星座点是第一区域内包括的除该第一星座点和该第二星座点之外的星座点，该第一区域包含于该第一星座点集合对应的区域，该第一区域是根据预设复杂度从该第一星座点集合对应的区域中确定的。

结合第二方面，在第二方面的某些实现方式中，

该获取单元，还用于获取该接收信号；

该处理单元，还用于对该接收信号进行处理得到原始信道矩阵；

该处理单元，还用于：

使用列变换矩阵对该原始信道矩阵按列进行列变换，得到列变换后的M个信道矩阵，该M个信道矩阵与M个树搜索模型一一对应，该M个树搜索模型与该MIMO系统的M层一一对应；

将该M个信道矩阵中的一个信道矩阵确定该第一信道矩阵，根据该第一信道矩阵确定的树搜索模型的最小路径度量小于该M个信道矩阵中的其余M-1个信道矩阵确定的树搜索模型的最小路径度量。

结合第二方面，在第二方面的某些实现方式中，该M个信道矩阵可以通过下列公式表示：

H_l＝Hp_l

其中，H_l是该M个信道矩阵中的第l个信道矩阵，且l＝0，2，3，...，M-1，H是该原始信道矩阵，p_l是该列变换矩阵。

结合第二方面，在第二方面的某些实现方式中，该处理单元还用于：

确定该根节点的第一距离度量函数；

基于该第一距离度量函数在该第一候选集合中进行搜索，将第四星座点确定为该根节点的度量集合包括的星座点，该第四星座点对应的发送信号使得该第一距离度量函数的值小于等于第一阈值；

确定第i个叶节点的第二距离度量函数，该第二距离度量函数不包括该树搜索模型包括的第i+1层至第M层对应的发送信号分别对该第i层的干扰，i＝1，2，3，...，M-1；

基于该第二距离度量函数在第二候选集合中进行搜索，将第五星座点确定为该第i个叶节点的度量集合包括的星座点，该第五星座点对应的发送信号使得该第二距离度量函数的值小于等于第二阈值，该第二候选集合是根据该第i个叶节点的估计发送信号和第二星座点集合确定的，该第二星座点集合是对该第i个叶节点对应的发送信号进行编码后映射得到的。

结合第二方面，在第二方面的某些实现方式中，该第一距离度量函数与根据线性最小均方误差LMMSE算法估计的该第M层对应的发送信号的度量函数相同。

结合第二方面，在第二方面的某些实现方式中，该树搜索方式包括以下方式中的一种：广义优先树搜索和深度优先树搜索。

第三方面，本申请提供了提供了一种MIMO系统的检测设备，该检测设备包括存储器和处理器，该存储器用于存储指令，该处理器用于读取该存储器中存储的指令，使得该装置执行上述第一方面及第一方面的任意可能的实现方式中的方法。

第四方面，本申请提供了提供了一种处理器，包括：输入电路、输出电路和处理电路。所述处理电路用于通过所述输入电路接收信号，并通过所述输出电路发射信号，使得所述第一方面中的任一方面，以及第一方面中任一种可能实现方式中的方法被实现。

在具体实现过程中，上述处理器可以为芯片，输入电路可以为输入管脚，输出电路可以为输出管脚，处理电路可以为晶体管、门电路、触发器和各种逻辑电路等。输入电路所接收的输入的信号可以是由例如但不限于接收器接收并输入的，输出电路所输出的信号可以是例如但不限于输出给发射器并由发射器发射的，且输入电路和输出电路可以是同一电路，该电路在不同的时刻分别用作输入电路和输出电路。本申请实施例对处理器及各种电路的具体实现方式不做限定。

第五方面，本申请提供了提供了一种处理装置，包括处理器和存储器。该处理器用于读取存储器中存储的指令，并可通过接收器接收信号，通过发射器发射信号，以执行第一方面以及第一方面任一种可能实现方式中的方法。

可选地，所述处理器为一个或多个，所述存储器为一个或多个。

可选地，所述存储器可以与所述处理器集成在一起，或者所述存储器与处理器分离设置。

在具体实现过程中，存储器可以为非瞬时性(non-transitory)存储器，例如只读存储器(read only memory，ROM)，其可以与处理器集成在同一块芯片上，也可以分别设置在不同的芯片上，本申请实施例对存储器的类型以及存储器与处理器的设置方式不做限定。

应理解，相关的数据交互过程例如发送指示信息可以为从处理器输出指示信息的过程，接收能力信息可以为处理器接收输入能力信息的过程。具体地，处理输出的数据可以输出给发射器，处理器接收的输入数据可以来自接收器。其中，发射器和接收器可以统称为收发器。

第六方面，本申请提供了提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序包括用于执行上述第一方面及上述第一方面的任意可能的实现方式中的方法的指令。

第七方面，本申请提供了提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面及上述第一方面的任意可能的实现方式中的方法。

第八方面，本申请提供了提供了一种芯片，包括至少一个处理器和接口；所述至少一个所述处理器，用于调用并运行计算机程序，以使所述芯片执行上述第一方面及上述第一方面的任意可能的实现方式中的方法。

第九方面，本申请提供了提供了一种通信系统，包括如第二方面所述的MIMO系统的检测装置和/或如第三方面所述的MIMO系统的检测设备。

附图说明

图1是本申请提供的一种无线多址通信系统的示意图。

图2是能够应用于本申请提供的方法的MIMO系统200的示意图。

图3是本申请提供的MIMO系统的检测方法100的示意性流程图。

图4是本申请提供的确定根节点候选集合的示意图。

图5是本申请提供的MIMO系统的检测方法200的示意性流程图。

图6是本申请提供的MIMO系统的检测方法的架构图。

图7是本申请提供的MIMO系统的检测装置700的示意性框图。

图8是本申请提供的MIMO系统的检测设备800的示意性框图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行描述。

为了更好地理解本申请实施例，在介绍本申请实施例之前，做出如下几点说明。

在下文示出的实施例中“第一”“第二”“第三”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”和“第三”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。

本申请实施例中涉及的“协议”可以是指通信领域的标准协议，例如可以包括LTE协议、NR协议以及应用于未来的通信系统中的相关协议，本申请对此不做限定。

“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a、b和c中的至少一项(个)，可以表示：a，或，b，或，c，或，a和b，或，a和c，或，b和c，或，a、b和c。其中a、b和c分别可以是单个，也可以是多个。

在本申请实施例中，“当......时”、“在......的情况下”、“若”以及“如果”等描述均指在某种客观情况下设备(如，终端设备或者网络设备)会做出相应的处理，并非是限定时间，且也不要求设备(如，终端设备或者网络设备)在实现时一定要有判断的动作，也不意味着存在其它限定。

本申请提供的技术方案可以应用于各种通信系统，例如：长期演进(Long TermEvolution，LTE)系统、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动通信系统(universal mobiletelecommunication system，UMTS)、全球互联微波接入(Worldwide interoperabilityfor microwave access，wiMAX)通信系统、未来的第五代(5th Generation，5G)移动通信系统或新无线接入技术(new radio access technology，NR)。其中，5G移动通信系统可以包括非独立组网(non-standalone，NSA)和/或独立组网(standalone，SA)。

本申请提供的技术方案还可以应用于机器类通信(machine typecommunication，MTC)、机器间通信长期演进技术(Long Term Evolution-machine，LTE-M)、设备到设备(device-to device，D2D)网络、机器到机器(machine to machine，M2M)网络、物联网(internet of things，IoT)网络或者其他网络。其中，IoT网络例如可以包括车联网。其中，车联网系统中的通信方式统称为车到其他设备(vehicle to X，V2X，X可以代表任何事物)，例如，该V2X可以包括：车辆到车辆(vehicle to vehicle，V2V)通信，车辆与基础设施(vehicle to infrastructure，V2I)通信、车辆与行人之间的通信(vehicle topedestrian，V2P)或车辆与网络(vehicle to network，V2N)通信等。

本申请提供的技术方案还可以应用于未来的通信系统，如第六代移动通信系统等。本申请对此不作限定。

本申请实施例中，网络设备可以是任意一种具有无线收发功能的设备。该设备包括但不限于：演进型节点B(evolved Node B，eNB)、无线网络控制器(radio networkcontroller，RNC)、节点B(Node B，NB)、基站控制器(base station controller，BSC)、基站收发台(base transceiver station，BTS)、家庭基站(例如，home evolved NodeB，或homeNode B，HNB)、基带单元(baseband unit，BBU)，无线保真(wireless fidelity，wiFi)系统中的接入点(access point，AP)、无线中继节点、无线回传节点、传输点(transmissionpoint，TP)或者发送接收点(transmission and reception point，TRP)等，还可以为5G，如，NR，系统中的gNB，或，传输点(TRP或TP)，5G系统中的基站的一个或一组(包括多个天线面板)天线面板，或者，还可以为构成gNB或传输点的网络节点，如基带单元(BBU)，或，分布式单元(distributed unit，DU)等。

在一些部署中，gNB可以包括集中式单元(centralized unit，CU)和DU。gNB还可以包括有源天线单元(active antenna unit，AAU)。CU实现gNB的部分功能，DU实现gNB的部分功能，比如，CU负责处理非实时协议和服务，实现无线资源控制(radio resource control，RRC)，分组数据汇聚层协议(packet data convergence protocol，PDCP)层的功能。DU负责处理物理层协议和实时服务，实现无线链路控制(radio link control，RLC)层、介质接入控制(medium access control，MAC)层和物理(physical，PHY)层的功能。AAU实现部分物理层处理功能、射频处理及有源天线的相关功能。由于RRC层的信息最终会变成PHY层的信息，或者，由PHY层的信息转变而来，因而，在这种架构下，高层信令，如RRC层信令，也可以认为是由DU发送的，或者，由DU+AAU发送的。可以理解的是，网络设备可以为包括CU节点、DU节点、AAU节点中一项或多项的设备。此外，可以将CU划分为接入网(radio access network，RAN)中的网络设备，也可以将CU划分为核心网(core network，CN)中的网络设备，本申请对此不做限定。

网络设备为小区提供服务，终端设备通过网络设备分配的传输资源(例如，频域资源，或者说，频谱资源)与小区进行通信，该小区可以属于宏基站(例如，宏eNB或宏gNB等)，也可以属于小小区(small cell)对应的基站，这里的小小区可以包括：城市小区(metrocell)、微小区(micro cell)、微微小区(pico cell)、毫微微小区(femto cell)等，这些小小区具有覆盖范围小、发射功率低的特点，适用于提供高速率的数据传输服务。

在本申请实施例中，终端设备也可以称为用户设备(user equipment，UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。

终端设备可以是一种向用户提供语音/数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等。目前，一些终端的举例可以为：手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑(如笔记本电脑、掌上电脑等)、移动互联网设备(mobileintemet device，MID)、虚拟现实(virtual reality，VR)设备、增强现实(augmentedreality，AR)设备、工业控制(industrial control)中的无线终端、无人驾驶(selfdriving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smartgrid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smartcity)中的无线终端、智慧家庭(smarthome)中的无线终端、蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备，5G网络中的终端设备或者未来演进的公用陆地移动通信网络(public land mobile network，PLMN)中的终端设备等。

其中，可穿戴设备也可以称为穿戴式智能设备，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。

此外，终端设备还可以是物联网(internet of things，IoT)系统中的终端设备。IoT是未来信息技术发展的重要组成部分，其主要技术特点是将物品通过通信技术与网络连接，从而实现人机互连，物物互连的智能化网络。IoT技术可以通过例如窄带(narroWband，NB)技术，做到海量连接，深度覆盖，终端省电。

此外，终端设备还可以包括智能打印机、火车探测器、加油站等传感器，主要功能包括收集数据(部分终端设备)、接收网络设备的控制信息与下行数据，并发送电磁波，向网络设备传输上行数据。

为便于理解本申请实施例，下面对本申请实施例中涉及到的相关术语进行简单介绍。

1、最大似然检测算法(Maximum Likelihood，ML)

ML算法可以使MIMO系统获得最佳检测性能，是MIMO系统的最优检测算法。ML算法的目标是寻找最佳的发射信号向量使/>最小，y表示MIMIO系统的接收信号，H表示MIMO系统的信道矩阵。ML算法的计算复杂度随星座图规模及发射符号数呈指数增长，故ML算法的计算复杂度高。

2、正三角分解法(QR)

它是将矩阵分解成一个正交矩阵Q与上三角形矩阵R，所以称为QR分解法。如果实(复)非奇异矩阵A能够化成正交(酉)矩阵Q与实(复)非奇异上三角矩阵R的乘积，即A＝QR，则称其为A的QR分解。

3、LDL分解法

若A为共轭对称矩阵且其任意k阶主子式不为零，则A存在唯一分解形式：

A＝LDL^H

其中L为单位下三角矩阵，D为对角矩阵，L^H为L的共轭转置矩阵。

4、树搜索检测算法

树搜索检测算法是一类基于树搜索策略的信号检测算法，该算法能保证接近最大似然检测的条件下，通过缩小候选信号空间范围实现检测算法复杂度的降低，在MIMO检测器的设计中有着广阔的应用前景。

为便于理解本申请实施例，现在结合图1，介绍适用于本申请提供的MIMO系统的检测方法的无线多址通信系统。

图1是本申请提供的一种无线多址通信系统的示意图。在一个示例中，接入点100(access point，AP)包括多个天线群。如图1所示，一个天线群可以包括天线104和天线106，另一个可以包括天线108和天线110，而又一个可以包括天线112和天线114。应理解，图1仅为示意并不构成任何限定，例如，在另一个示例中，每个天线群还可以利用更多或更少数目的天线。在另一个示例中，接入终端116(access termination，AT)可与天线112和天线114正通信，其中天线112和天线114在前向链路120上向接入终端116传送信息，并在反向链路118上从接入终端116接收信息。补充地和/或替换地，接入终端122可与天线104和天线106正通信，其中天线104和天线106在前向链路126上向接入终端122传送信息，并在反向链路124上从接入终端122接收信息。根据一个方面，接入终端116和接入终端122可具有多个天线，使用这些天线可在相应的前向链路120和126和/或反向链路118和124上在接入终端116和接入终端122与接入点100之间建立MIMO通信。此外，在FDD系统中，通信链路118，120，124和126可使用不同的频率来通信。例如，前向链路120可使用与反向链路118所使用的不同的频率。

每一群天线和/或它们被设计成在其中通信的区域可被称作接入点的扇区。根据一方面，天线群可被设计成与落在接入点100所覆盖的区域的一扇区中的诸接入终端通信。在前向链路120和前向链路126上的通信中，接入点100的发射天线可利用波束成形来提高不同接入终端116和接入终端122的前向链路的信噪比。另外，与接入点通过单个天线向其所有接入终端发射相比，接入点使用波束成形向随机散布在其覆盖中各处的诸接入终端发射对邻蜂窝小区中的接入终端造成更小的干扰。例如接入点100等接入点可以是用于与诸终端通信的固定站，并且也可以用基站、B节点、和/或其他合适术语来述及。此外，例如接入终端116或接入终端122的接入终端也可以用移动终端、UE、无线通信设备、终端、无线终端、和/或其他当术语来述及。

下面结合图2，介绍能够应用于图1所示的无线多址通信系统的MIMO系统。

图2是能够应用于本申请提供的方法的MIMO系统200的示意图。在一个示例中，该系统200可以包括接入点AP 210和接入终端AT 220，其中，接入终端AT 220和接入点AP 210可以进行通信(例如，无线通信或有线通信等)。

在一个示例中，AP 210包括数据源212，其可生成或以其他方式获得要传送给一个或多个AT 220的数据。来自数据源212的数据可被发送给编码组件214以处理该数据，从而经由MIMO传输传达给AT 220。在编码组件214处，包括要传送给AT 220的数据的一系列比特可被编组为空间流，以便经由天线218被发射机216同时发射。此外，编码组件可使用一种或多种数字调制技术来调制每个空间流，这些数字调制技术诸如相移键控(phase shiftkeying，PSK)、二进制相移键控(binary phase shift keying，BPSK)、正交相移键控(quadrature phase shift keying，QPSK)，16点正交调幅(16quadrature amplitudemodulation，16-QAM)，64点正交调幅(64quadrature amplitude modulation，64-QAM)、和/或另一合适的调制技术，在这些调制技术下包括每个流的数据比特可基于星座点集合被映射至一系列调制码元。作为补充和/或替换，正交频分复用(orthogonal frequencydivision multiplexing，OFDM)可被用于在多个正交副载波当中划分空间流，以使得每个副载波可各自使用一种或多种调制技术来调制。对应每个流的经映射调制码元可在随后被提供给相应发射机216，以便作为已调制模拟信号经由一系列M个天线218传达给AT220。

在AT 220处，与由AP 210传送的信号相对应的空间流可经由相应天线222被一系列M个接收机224接收。在一个示例中，与在AT 220处接收到的流相对应的M维接收信号向量y可表达如下：

y＝Hx+N

其中，上述各符号的物理意义如下：y是维度为M×1的接收信号，H是维度为M×M的信道矩阵，x是维度为M×1的发送信号，N是具有独立同分布统计特性的高斯噪声，即N～N(0，σ²I)，且N的维度为M×1，σ²是噪声方差，I是单位矩阵。

在另一示例中，接收机224接收到的空间流可被通传给信号检测组件226，该信号检测组件226可利用接收机224接收到的流以及关于有效MIMO信道的知识来获得由AP 210传送的流。根据一个方面，信号检测组件226可通过确定接收自AP 210的空间流中的每个比特的预期符号来确定这些比特的硬判决输出。例如，值为1的比特可由硬判决输出+1来表示，值为0的比特可由硬判决输出-1来表示。替换地，信号检测组件226可通过确定接收来自AP 210的空间流中的每个比特的预期符号外加每个比特的相应预期符号已被正确检出的似然性——例如比特作为+1或-1被发送的似然性——来确定这些比特的软判决输出。根据另一方面，信号检测组件226可通过采用如下文所描述的一种或多种接近软输出最大似然检测算法来提供低复杂度软输出检测。在成功检测之后，检出的传送流可被提供给数据阱228以供AT 220使用。

应理解，图2仅为示意并不对本申请提供的MIMO系统的检测方法适用的MIMO系统构成任何限定。在一个示例中，该系统200还可以包括更多数据的AP 210和/或更多数目的AT 220。在另一个示例中，类似组件和技术可被AP 210和/或AT 220用于从AT 220至AP 120的通信(例如，反向链路118和反向链路124上的通信)。

目前，对MIMO系统进行检测时，可以先将MIMO系统的基带等效模型转换为树搜索模型，然后再对该树搜索模型进行处理，以降低算法复杂性。现有技术中，通常使用QR算法将MIMO系统的基带等效模型转换为树搜索模型，然后再对该树模型进行处理。具体的，先对MIMO系统的基带等效模型进行变换将该模型转换为度量函数的枚举过程，再使用QR算法将该度量函数的枚举过程转换为树搜索过程。

下面，介绍现有技术中使用QR算法对MIMO系统进行检测的流程：

当前的各种无线通信协议，为了兼顾各种应用场景，支持的M-QAM星座规模和天线规模的变化范围较大。例如，802.11ac Wi-Fi协议，支持从BPSK到256QAM的星座映射，MIMO系统的天线配置也支持从1×1到8×8。因此，下文中以M×M维MIMO系统模型为例进行介绍。例如，M的取值可以为2，4，或8等，对此不限定。

在一个示例中，上述图2所示的M×M维的MIMO系统的可以表示为：

y＝Hx+N (2-1)

上述公式(2-1)中各符号的物理意义如下：y是维度为M×1的接收信号，H是维度为M×M的信道矩阵，x是维度为M×1的发送信号，N是具有独立同分布统计特性的高斯噪声向量，即N～N(0，σ²I)，且N的维度为M×1，σ²是噪声方差，I是单位矩阵。

上述M×M维的MIMO系统的第m(m为正整数，且1≤m≤M)维发送信号的第i(i为正整数，且1≤i≤Q_m，Q_m为第m维发送信号向量的发送比特数)个比特的对数似然比(log-likelihood ratio，LLR)可以通过下列公式表示：

上述公式(2-2)中各符号的物理意义如下：X⁺¹为的发送符号集合，即X⁺¹为第m维发送信号包括的比特为+1的集合，X^-1为/>的发送符号集合，即X-1为第m维发送信号包括的比特为-1的集合。

对上述公式(2-2)作Max-Log-Map近似处理，可以通过下列公式表示：

上述公式(2-3)中，||||表示矩阵的2-范数。具体的，||y-Hx||表示矩阵y-Hx的2-范数。

根据上述公式(2-3)，可知计算对数似然比可以转换为针对度量函数的枚举，故第m维发送信号向量的第i个比特的度量函数的枚举可以通过下列公式表示：

d(x)＝||y-Hx||² (2-4)

上述公式(2-4)中，x∈X⁺¹，或x∈X^-1。

由上述公式(2-4)可知，运算复杂度随发送信号x的维度以及发送信号星座点的规模呈指数增长。为了降低运算复杂度以及提高检测系统性能，通常将上述公式(2-4)表示度量函数的枚举过程转换为树搜索过程，即近似最大似然检测算法(near maximumlikelihood，NML)。

下面，介绍使用QR分解将上述公式(2-4)的度量函数的枚举过程转换为树搜索过程，具体转换过程如下：

首先，对上述公式(2-1)所示的M×M维的MIMO系统的基带等效模型进行扩展，扩展后的模型可以可以通过下列公式表示：

上述公式(2-5)中，是维度为(M+M)×M的扩展信道矩阵，且/> 是维度为(M+M)×1的扩展噪音向量，且/>

进一步，对上述公式(2-5)中的扩展信道矩阵进行QR分解，则/>可以通过下列公式表示：

上述公式(2-6)中，为扩展的酉矩阵(unitary matrix)，且/> 为上三角矩阵。

将上述公式(2-5)和上述公式(2-6)将入上述公式(2-4)，则上述公式(2-4)所示的第m维发送信号向量的第i个比特的距离度量函数可以进一步表示为：

上述公式(1-7)中：与发送信号x无关。也就是说，在计算比特似然概率时忽略该项不会影响比特似然概率的计算。因此，对上述公式(2-7)进一步简化可以得到：

由上述公式(2-6)可知由上述公式(2-7)可知/>进一步z′可以表示为：

上述公式(2-9)中，()^-1表示求逆运算，即为线性最小均方误差(linear minimum mean square error，LMMSE)算法的接收信号向量。

由上述公式(2-8)和上述公式(2-9)可知，使用QR算法需要对向量2范数开方求倒数，使得运算复杂度较高。而且，当信道矩阵H的条件数较大时，使用QR算法稳定性较差。

由上述分析可知，现有技术中使用QR算法将MIMO模型的度量函数的枚举过程转换为树搜索过程时，需要引入开平方运算。由于在上述转换过程中引入了开平方运算，使得上述转换过程的运算复杂度较高、转换速率较低。因此，当在物理设备(例如，专用集成电路(application specific integrated circuit，ASIC))中使用上述转换方法对MIMO系统进行检测时，需要消耗较大的芯片资源，且检测效率也较低。

本申请提供了一种MIMO系统的检测方法，在保证检测结果具有较高准确度的前提下，能够有效降低检测方法的复杂度。

下面，结合图3至图6，对本申请提供的MIMO系统的检测方法进行详细介绍。

图3是本申请提供的MIMO系统的检测方法100的示意性流程图。可以理解的是，本申请提供的MIMO系统的检测方法适用于接收端的天线数目小于等于发射端的天线数目的MIMO系统。如图3所示，该方法100可以包括步骤110至步骤140，下面将结合附图对步骤110至步骤140进行介绍。

为便于描述，下面以M×M(M是大于等于2的正整数)维的MIMO系统为例，介绍方法100中的步骤110至步骤140。

步骤110，确定共轭对称矩阵，共轭对称矩阵是根据第一信道矩阵、噪声方差和单位矩阵确定的，第一信道矩阵是对接收信号进行处理得到的。

在一个示例中，上述共轭对称矩阵是根据第一信道矩阵、噪声方差和单位矩阵确定的，可以理解为：共轭对称矩阵是对第一信道矩阵与第一信道矩阵的共轭转置矩阵的乘积，以及噪声方差和单位矩阵的乘积求和确定的，上述共轭对称矩阵G可以通过下列公式表示：

G＝H^HH+σ²I

其中，H是第一信道矩阵，H^H是第一信道矩阵的共轭转置矩阵，σ²是噪声方差，I是单位矩阵。

可以理解的是，在上述步骤110之前，还包括：

获取接收信号，并对接收信号进行处理得到原始信道矩阵；

使用列变换矩阵对原始信道矩阵进行列变换，得到列变换后的M个信道矩阵，M个信道矩阵与M个树搜索模型一一对应，M个树搜索模型与MIMO系统的M层一一对应；

将M个信道矩阵中的一个信道矩阵确定第一信道矩阵，根据第一信道矩阵确定的树搜索模型的最小路径度量小于M个信道矩阵中的其余M-1个信道矩阵确定的树搜索模型的最小路径度量。

上述M个信道矩阵可以通过下列公式表示：

H_l＝Hp_l

其中，H_l是M个信道矩阵中的第l个信道矩阵，且l＝0，2，3，....，M-1，H是原始信道矩阵，p_l是列变换矩阵。

上述将M个信道矩阵中的一个信道矩阵确定第一信道矩阵，可以理解的是，上述第一信道矩阵可以是M个信道矩阵中的一个信道矩阵，且根据第一信道矩阵确定的树搜索模型的最小路径度量小于M个信道矩阵中的其余M-1个信道矩阵确定的树搜索模型的最小路径度量。

上述M个信道矩阵与M个树搜索模型一一对应，可以理解为，用M个不相同的信道矩阵将同一接收信号对应的发送信号映射至树搜索模型，可以得到M个不同的树搜索模型。

上述M个树搜索模型与MIMO系统的M层一一对应，可以理解为，该M个树搜索中的每个树搜索模型的根节点与该MIMO系统的一层对应。也就是说，当该MIMO系统的每一层分别作为树搜索模型的根节点时，可以得到该M个树搜索模型。

步骤120，使用预处理矩阵和单位下三角矩阵将接收信号对应的发送信号映射至树搜索模型，预处理矩阵和单位下三角矩阵是对共轭对称矩阵进行LDL分解得到的。

在本申请中，使用LDL算法对上述共轭对称矩阵G＝H^HH+σ²I进行分解，可以得到如下表达式：

/>

其中，是上三角矩阵，/>是/>的共轭转置，L是单位下三角矩阵，L^H为L的转置，即L^H是单位上三角矩阵；D是预处理矩阵，且是一个对角矩阵。

由可以得到，/>可以通过下列公式表示：

M×M维的MIMO系统的发送信号的距离度量函数可以通过下列公式表示：

d(x)＝||y-Hx||²

将代入至上述距离度量函数d(x)＝||y-Hx||²中，M×M维的MIMO系统的发送信号的近似最大似然检测的距离度量函数可以通过下列公式表示，即上述树搜索模型可以通过下列公式表示：

其中，z＝D^-1L^-1H^Hy＝L^HWy，H^Hy为匹配滤波矩阵，且上述对D的开平方运算(即，的运算)在路径搜索过程中可以被省略。由上述公式(2-9)可以得到：故由此实现NML算法与LMMSE算法过程的融合。也就是说，

步骤130，基于树搜索方式从树搜索模型的最顶层逐层向下扩展，确定度量集合，度量集合包括根节点的度量集合和多个叶节点的度量集合，根节点的度量集合包含于第一候选集合，第一候选集合是根据第一规则从第一星座点集合中确定的，第一星座点集合是对根节点对应的发送信号进行编码后映射得到的，度量集合使得树搜索模型具有最小的路径度量。

上述树搜索模型包括M层，根节点与第M层对应，多个叶节点分别与第M-1至第1层对应，M为大于等于2的正整数，基于树搜索方式从树搜索模型的最顶层逐层向下扩展，确定度量集合，包括：

确定根节点的第一距离度量函数，第一距离度量函数是根据预处理矩阵、下三角矩阵、接收信号、第一信道矩阵、第一信道矩阵的共轭转置矩阵和噪声方差确定的；

基于第一距离度量函数在第一候选集合中进行搜索，将第四星座点确定为根节点的度量集合包括的星座点，第四星座点对应的发送信号使得第一距离度量函数的值小于等于第一阈值；

确定第i个叶节点的第二距离度量函数，第一距离度量函数是根据预处理矩阵、下三角矩阵、接收信号、第一信道矩阵、第一信道矩阵的共轭转置矩阵和噪声方差确定的，且第二距离度量函数不包括树搜索模型包括的第i+1层至第M层对应的发送信号对第i层的干扰，i＝1，2，3，......，M-1，第二距离度量函数是第M-1至第1层中的任意一层对应叶节点的距离度量函数；

基于第二距离度量函数在第二候选集合中进行搜索，将第五星座点确定为第i个叶节点的度量集合包括的星座点，第五星座点对应的发送信号使得第二距离度量函数的值小于等于第二阈值，第二候选集合是根据第i个叶节点的估计发送信号和第二星座点集合确定的，第二星座点集合是对第i个叶节点对应的发送信号进行编码后映射得到的。

在一个示例中，上述根节点的第一距离度量函数可以通过下列公式表示：

d^NML(x)_M＝D_M||z_M-x_M||²-σ²||x_M||²

其中，D_M是对共轭对称矩阵进行LDL分解后得到的预处理矩阵D的第M个对角元素，z_M＝[Wy]_M＝[L^-HD^-1L^-1H^Hy]_M，为MMSE估计向量的第M个符号，由上述公式(2-9)可以得到：x_M∈S_M，S_M为根节点候选集合。

上述第一规则包括将第一星座点集合中的如下星座点确定为第一候选集合包括的星座点：第一星座点，第二星座点和第三星座点，

其中，第一星座点是与根节点的估计发送信号的欧式距离最近的星座点，第二星座点是与第一星座点的欧式距离最近且分别包含第一星座点每个比特对应反比特的星座点，第三星座点是第一区域内包括的除第一星座点和第二星座点之外的星座点，第一区域包含于第一星座点集合对应的区域，第一区域是根据预设复杂度从第一星座点集合对应的区域中确定的，根节点的估计发送信号是根据预处理矩阵、接收信号、第一信道矩阵、噪声方差确定的。

其中，根节点的估计发送信号可以通过下列公式表示：

上述第二距离度量函数不包括树搜索模型包括的第i+1层至第M层对应的发送信号对第i层的干扰，可以理解为，在计算第i层发送信号的度量函数时需要先删减已遍历层的信号对该第i层发送信号的干扰。在一个示例中，当树搜索模型包括M层且该树搜索模型最顶层第M层为根节点所在层，可以先对该树搜索模型的第M层进行搜索，然后对该树搜索模型的第M-1层进行搜索，再对该树搜索模型的第i层进行搜索，i为小于等于M-1且大于等于1的正整数。当对该树搜索模型的第i层进行搜索时，需要删除该树搜索模型的第i+1层的发送信号至第M层的发送信号对第i层的发送信号的干扰。

在一个示例中，上述第i个叶节点的第二距离度量函数可以通过下列公式表示：

其中，D_i为对共轭对称矩阵进行LDL分解后得到的预处理矩阵D的第i个对角元素，为第i层叶节点的等效接收信号，x_i∈S_i，S_i为第i层叶节点候选集合。

上述第二候选集合是根据第i个叶节点的估计发送信号和第二星座点集合确定的，包括：

将第i层叶节点对应的星座图Q_i上距离发送符号估计最近的星座点确定为S_i包括的星座点，其中/>或者，

根据上述确定根节点候选集合S_M的方法，确定第i层叶节点候选集合S_i。基于此，可以将距离发送符号估计最近的星座点，与距离发送符号估计/>距离最近且分别包含每个比特对应反比特的星座点，以及包括在叶节点候选集合S_i的度内且未被选择的星座点，确定为叶节点候选集合S_i包括的星座点。/>

上述第i层叶节点的等效接收信号可以通过下列公式表示：

其中，z_i＝[Wy]_i＝[L^-HD^-1L^-1H^Hy]_i，为MMSE估计向量的第i个符号，为M×M维的MIMO模型的第j层对第i层的干扰，i为正整数，且1≤i≤M-1，i+1≤j≤M。

上述在第一候选集合中确定第四星座点的方法，以及在第二候选集合中确定第五星座点的方法可以是现有的方法，此处不再详细赘述。上述第一阈值和上述第二阈值可以根据具体的应用场景进行设置，对此不进行限定。

可以理解的是，通过上述方法确定的第一距离度量函数与根据线性最小均方误差LMMSE算法估计的第M层对应的发送信号的度量函数相同。

上述树搜索方式包括以下方式中的一种：广义优先树搜索和深度优先树搜索。

步骤140，根据度量集合，确定发送信号中每个信息比特的对数似然比。

其中，上述M×M维的MIMO系统的第m(m为正整数，且1≤m≤M)层发送信号的第i(i为大于等于1的正整数)个比特的对数似然比可以通过下列公式表示：

其中，X+1为的发送符号集合，X-1为/>的发送符号集合，/>为第m层发送信号的第i个比特。

下面，结合下文以M×M维的MIMO系统为例，对上述步骤110至步骤140中未详细介绍的方法进行介绍。

M×M维的MIMO系统模型可以表示为：

y＝Hx+N (3-1)

上述公式(3-1)中各符号的物理意义如下：y是接收信号，H是信道矩阵，x是发送信号，x对应到Q个正交幅度调制(QAM)的星座点，符号N是具有独立同分布统计特性的高斯噪声，即N～N(0，σ²I)，σ²是噪声方差，I是单位矩阵。

上述M×M维的MIMO系统的第m(m为正整数，且1≤m≤M)层发送信号的第i(i为大于等于1的正整数)个比特的对数似然比可以通过下列公式表示：

上述公式(3-2)中各符号的物理意义如下：X+1为的发送符号集合，X-1为的发送符号集合，/>为第m层发送信号的第i个比特。

对上述公式(3-2)作Max-Log-Map近似处理，上述公式(3-2)进一步可以通过下列公式表示：

根据上述公式(3-3)，可知计算M×M维的MIMO系统的发送信号的对数似然比可以转换为针对发送信号的度量函数的枚举，可以确定M×M维的MIMO系统的发送信号的距离度量函数可以通过下列公式表示：

d(x)＝||y-Hx||² (3-4)

将上述枚举过程转换为树搜索模型的过程，可以降低运算复杂度，该转换过程称之为近似最大似然(near maximum-likelihood，NML)

对上述公式(3-1)的等效模型进行扩展，扩展后的模型可以通过下列公式表示：

上述公式(3-5)中，是维度为(M+M)×M的扩展信道矩阵，且/> 是维度为(M+M)×1的扩展噪声向量，且/>

接下来使用LDL算法对共轭对称矩阵G＝H^HH+σ²I进行分解，可以得到：

上述公式(3-6)中，是上三角矩阵，/>是/>的共轭转置，L是单位下三角矩阵，L^H为L的转置，即L^H是单位上三角矩阵；D是对角矩阵。

由上述公式(3-6)可以得到可以通过下列公式表示：

将上述公式(3-7)代入上述公式(3-4)中，故M×M维的MIMO系统的发送信号的近似最大似然检测NML的距离度量函数可以通过下列公式表示：

上述公式(3-8)中，z＝D^-1L^-1H^Hy＝L^HWy，H^Hy为匹配滤波矩阵，且上述对D的开平方运算(即，的运算)在路径搜索过程中可以被省略。由上述公式(2-9)可以得到：故由此实现NML算法与LMMSE算法过程的融合。

在M×M维的MIMO系统中，该系统的发送信号包括的数据符号的所有可能的组合可以映射到一个包括M层的树搜索模型中。具体的，该树搜索模型自顶向下，依次为第M层，第M-1层，以此类推，第1层。其中，第M层记为该树搜索模型根节点所在层，其余层为树搜索模型叶节点所在层。

在上述公式(3-8)中，利用矩阵L^H的单位上三角特性，可以通过树搜索模型求解上述公式(3-8)。也就是说，可以通过逐层计算局部最优节点并在下一层删减上一层干扰的方式逼近全局最优路径。

由上述公式(3-8)可知，M×M维的MIMO系统的发送信号对应的树搜索模型的根节点的近似最大似然检测NML的距离度量函数(即，上述根节点的第一度量函数的一例)可以通过下列公式表示：

d^NML(x)_M＝D_M||z_M-x_M||²-σ²||x_M||² (3-9)

上述公式(3-9)中，z_M＝[Wy]_M，即z_M为MMSE估计向量的第M个符号，x_M∈S_M，S_M为根节点候选集合。集合S_M为发送符号星座图Q_M(即，上述第一星座图的一例)上与归一化LMMSE估计符号(即，上述根节点的估计发送信号的一例)最近的星座点。软输出MIMO检测，需要同时计算/>的最优度量函数和/>的最优度量函数，否则近似最大似然算法不可避免地会产生缺失比特(missing bit)，即没有遍历到包含某个比特符号的路径。对于该问题的处理方法通常是利用本比特已选路径度量集合的最大值、中值、均值或者均值的修正值代替反比特的度量值。不仅实现复杂度较高，而且性能较差。

本申请提供了一种确定根节点候选集合(即，上述第一候选集合的一例)的方法，在保证能够有效避免缺失反比特问题的前提下，可以降低计算复杂度。

下面，结合图4具体介绍本申请提供的确定根节点候选集合S_M包括的发送符号的方法。

图4是本申请提供的确定根节点候选集合的示意图。应理解，图4仅为示意并不对本申请提供的确定根节点候选集合S_M的方法构成任何限定。例如，本申请提供的确定根节点候选集合S_M的方法还适用于更小规模(例如，16QAM星座图)或更大规模(例如，128QAM星座图或256QAM星座图)的星座图。

图4所示的星座图可以理解为是对M×M维的MIMO系统的发送信号x进行编码后映射到64QAM星座图(Q＝64)，该星座图中包括64个符号，每个符号可以通过6比特位表示。例如，64QAM星座图中的第一行第一列的符号可以表示为101111。

具体的，本申请提供的根节点候选集合S_M可以根据如下步骤确定：

(1)根据运算复杂度约束确定根节点候选集合S_M的度(即，上述第一区域的一例)。

参见图4，根节点候选集合S_M的度可以理解为图4中的大圆圈。

上述运算复杂度约束可以是预定义的。具体的，可以根据设备的运算性能等确定运算复杂度。例如，当设备的性能较差时，上述运算复杂度的约束可以设置的较为严格。

作为示例，根节点候选集合S_M的运算复杂度约束可以表示为：log₂|Q_M|＜|S_M|≤|Q_M|。

(2)选择距离根节点发送符号估计最近的星座点放入集合S_M，其中表示归一化LMMSE估计符号，/>

参见图4，距离发送符号最近的星座点为图4中的星座点#1(即，上述第一星座点的一例)。

(3)选择与上述步骤(2)选出的星座点距离最近且分别包含每个比特对应反比特的星座点放入集合S_M，例如，图4中的星座点#2(即，上述第二星座点的一例)。

经过步骤(3)可以选出与步骤(2)选出的星座点距离最近且分别包含每个比特对应反比特的log₂|Q_M|个星座点。

(4)选择包括在根节点候选集合S_M的度内且未被选择的星座点放入集合S_M，例如，图4中的星座点#3(即，上述第三星座点的一例)。

经过步骤(4)可以选出|S_M|-1-log₂|Q_M|个距离最近且尚未被选入集合S_M的星座点。

应理解的是，上述距离最近，可以理解为星座图Q_M上星座点与发送符号估计的欧式距离最近。

根据上述选取规则，可以得到本申请实施例提供的根节点候选集合S_M包括：距离根节点的估计发送符号最近的星座点(例如，图4中的星座点#1)，与距离估计发送符号距离最近且分别包含每个比特对应反比特的星座点(例如，图4中的星座点#2)，以及包括在根节点候选集合S_M的度内且未被选择的星座点(例如，图4中的星座点#3)

在上述技术方案中，在选择根节点候选集合S_M包括的比特时，不仅要包含距离根节点估计发送符号最近的星座点，还要包含与估计发送符号/>距离最近且分别包含每个比特对应反比特的星座点，通过上述选取规则可以保证选择的根节点候选集合S_M中包含全部比特符号的度量，不存在缺失比特(missing bit)。由于确定的根节点候选集合S_M不存在缺少比特的问题，因此，使用本申请提供的方法，可以省去缺失比特度量函数的计算过程(例如，利用本比特已选路径度量集合的最大值、中值、均值或者均值的修正值)，从而可以有效降低计算复杂度。

在确定树搜索模型根节点候选集合后，需要确定该树搜索模型包括的叶节点的度量函数(即，上述第二距离度量函数的一例)以及对应的叶节点候选集合(即，上述第二候选集合的一例)。实际应用中为了消除信号之间的干扰，在计算第m层发送信号的度量函数时需要先删减已遍历层的信号对该第m层发送信号的干扰。在一个示例中，当树搜索模型包括M层且该树搜索模型最顶层第M层为根节点所在层，可以先对该树搜索模型的第M层进行搜索，然后对该树搜索模型的第M-1层进行搜索，再对该树搜索模型的第i层进行搜索，i为小于等于M-1且大于等于1的正整数。当对该树搜索模型的第i层进行搜索时，需要删除该树搜索模型的第i+1层的发送信号至第M层的发送信号对第i层的发送信号的干扰。

在一个示例中，M×M维的MIMO系统对应的树搜索模型的第i层包括的叶节点的等效接收信号可以通过下列公式表示：

上述公式(3-10)中，i为正整数，且1≤i≤M-1；为M×M维的MIMO模型的第j层对第i层的干扰，i+1≤j≤M。

因此，根据上述公式(3-8)和上述公式(3-10)，可以得到上述树搜索模型的第i层叶节点的距离度量函数(即，上述第i个叶节点的第二距离度量函数的一例)可以通过下列公式表示：

/>

上述公式(3-11)中，x_i∈S_i，S_i为第i层叶节点候选集合(即，上述第二候选集合的一例)。

在本申请中，S_i可以包括第i层叶节点对应的星座图Q_i(即，上述第二星座图的一例)上距离发送符号估计(即，上述第i个叶节点的估计发送信号的一例)最近的星座点，其中/>

可选的，还可以根据上述确定根节点候选集合S_M的方法，确定第i层叶节点候选集合S_i。在此情况下，叶节点候选集合S_i可以包括：距离第i层叶节点估计发送符号最近的星座点(例如，图4中的星座点#1)，与距离估计发送符号/>距离最近且分别包含每个比特对应反比特的星座点(例如，图4中的星座点#2)，以及包括在叶节点候选集合S_i的度内且未被选择的星座点(例如，图4中的星座点#3)。

经过上述步骤后，即完成了对M×M维的MIMO系统对应的树搜索模型的根节点的检测以及对该树搜索模型各个叶子节点的检测。

结合上述公式(3-2)可以得到M×M维的MIMO系统的第m层对应的发送信号LMMSE估计对数似然比可以通过下列公式表示：

上述公式(3-12)中，表示第m层发送信号的LMMSE估计符号，/>φ_m表示信号增益，为复数标量，ξ_m表示等效噪声，为复数标量，/>表示似然函数。

可以理解的是，在本申请中，树搜索模型的根节点的度量函数还可以被用来计算该根节点所在层的发送信号的LMMSE估计的对数似然比，具体的推导过程可以如下：

通过推导可以得到：

因此，结合上述公式(3-13)，可以得知上述公式(3-12)中的可以可以通过下列公式表示：

将上述公式(3-14)带入上述公式(3-12)，并做MAX-LOG-MAP近似处理，可得：

根节点层LMMSE估计的度量函数可以通过下列公式表示：

/>

由于根据上述公式(2-9)可知：

可见，若将第m层作为树搜索模型的根节点层，则有：

将上述公式(3-18)带入上述公式(3-16)可以得到：

由上述公式(3-19)可知，与发送信号x_m无关，故在计算第m层根节点的对数似然比时可以将/>省略。因此，上述公式(3-19)进一步可以通过下列公式表示：

d^LMMSE(x_m)＝D_m||z_m-x_m||²-σ²||x_m||² (3-20)

由上述公式(3-20)可以得知，NML算法中第m层发送符号作为根节点时的根节点度量函数可以被用来计算第m层发送符号的LMMSE估计的对数似然比。因此，实现了NML算法与LMMSE算法的深度融合，即仅利用NML算法并通过中间变量的转换就可以得到基于LMMSE算法估计的根节点的对数似然比，避免了直接采用LMMSE算法复杂度高的问题。

为了提高估计的发送信号的准确度，对M×M维的MIMO系统对应的树搜索模型进行搜索之前，需要先对该树搜索模型待遍历层进行排序，以使先搜索的层的信噪比最大。目前，性能最佳的排序方法是贝尔实验室垂直分层空时码V-BLAST排序，该方法复杂度随发送层数指数增长；简化的排序方法，例如排序的QR算法SQRD，由于不能预先估计根节点信噪比，存在鲁棒性风险，且没有考虑根节点遍历星座点集合的度远大于叶节点遍历星座点集合的度。

本申请提供的MIMO检测方法，树搜索模型进行搜索时不需要根据信噪比大小对树搜索模型对应的各层进行排序。

具体的，对M×M维的MIMO系统的发送信号进行检测时，可以使用列变换矩阵p_l，l＝0，1，2，...，M-1对上述公式(3-1)中的信道矩阵H进行M次列变换，以得到经过列置换后的M个不同的信道矩阵H_l。再根据每个信道矩阵H_l采用上述提供的方法对M×M维的MIMO系统进行检测。最后，综合每个信道矩阵H_l对应的估计结果，确定M×M维的MIMO系统的最优的发送信号。

使用列变换矩阵p_l，l＝0，1，2，...，M-1对上述公式(3-1)中的信道矩阵H进行M次列变换，可以通过下列公式表示经过列置换后的信道矩阵H_l：

H_l＝Hp_l (3-21)

当M＝4时，列变换矩阵p_l，l＝0，1，2，3满足如下结构：

其中，e_l，l＝0，1，2，3为4维单位矩阵I的第l个列向量。可以理解的是在上述公式(3-22)中，p_l，l＝0，1，2，3的最后一列对应树搜索模型的根节点，如p₀中的e₃对应树搜索模型的根节点，故根据通过上述公式(3-21)和上述公式(3-22)对4×4的MIMO系统的信道矩阵进行列置换后，该4×4的MIMO系统发送符号的每一层都有机会处于根节点位置。

当M＝8时，列变换矩阵p_l，l＝0，1，2，3，4，5，6，7满足如下结构：

其中，e_l，l＝0，1，2，3，4，5，6，7为8维单位矩阵I的第l个列向量。可以理解的是，在上述公式(3-23)中，p_l，l＝0，1，2，3，4，5，6，7的最后一列对应树搜索模型的根节点，如p₀中的e₇对应树搜索模型的根节点，故根据通过上述公式(3-21)和上述公式(3-22)对8×8的MIMO系统的信道矩阵进行列置换后，该8×8的MIMO系统发送符号的每一层都有机会处于根节点位置。

在本申请实施例中，为了得到最优的发送信号估计，可以依次根据经过列置换后的信道矩阵H_l，l＝0，1，2，3，...，M-1确定一个树搜索模型，共可以确定M个树搜索模型并根据搜索结果估计M×M维的MIMO系统的发送信号。

应理解的是，上述公式(3-22)和上述公式(3-23)仅示出了M＝4或M＝8对应的列变换矩阵的结构，当M取其它值时(M＝16)，还可以根据上述公式(3-21)得到对应的列变换矩阵的结构。

由上述公式(3-22)或上述公式(3-23)可知，发送信号的每一层都有机会处于根节点位置，且MIMO系统包括的各层对应的树搜索模型的路径搜索顺序对称，从而可以避免简化排序引起的鲁棒风险。由于NML算法中根节点的度量函数可以被用来计算该层LMMSE估计的对数似然比，因此上述公式(3-22)或上述公式(3-23)设定的树搜索分支顺序，可以保证同时得到发送信号x的NML估计对数似然比和LMMSE估计对数似然比，从而实现NML算法与LMMSE算法的深度融合。

应理解的是，图3仅为示意并不对本申请提供的检测方法构成任何限定。例如，上述方法100还可以用于对MU-MIMO系统进行发射信号检测及干扰层发射信道调制阶数ML估计。

下面结合图5和图6，对本申请提供的MIMO检测的方法200进行介绍。

图5是本申请提供的MIMO系统的检测方法200的示意性流程图。如图5所示，方法200包括步骤210至步骤270，下面对步骤210至步骤270进行介绍。

在本申请实施例中，以4×4维的MIMO系统为例，介绍本申请提供的MIMO检测方法。例如，该4×4维的MIMO系统的结构可以如图6所示。图6中包括选择模块610，用于选择检测结果620输出的检测结果是基于NML检测的结果还是基于LMMSE检测的结果；检测结果620，用于输出估计的发送信号中每个信息比特的对数似然比；其中，LDD^-1和ZDL用于表示对4×4维的MIMO系统进行检测的中间变量。具体的，LDD^-1可以用于表示对信道矩阵进行LDL分解后得到的矩阵，可以包括上述方法100得到的预处理矩阵、预处理矩阵的逆矩阵以及单位上三角矩阵等；ZDL用于表示上述方法100中的单位上三角矩阵、接收信号以及L^-HD^-1L^-1H^Hy的乘积，LLR Calc用于表示计算对数似然比。

下面，结合步骤210至步骤270详细介绍对该图6所示的MIMO检测的方法。应理解，下文中的检测方法也适用于其它规模的MIMO系统。例如，8×8维或16×16维的MIMO系统。

步骤210，根据MIMO系统的接收信号确定信道矩阵。

在本申请实施例中，以4×4维的MIMO系统为例，上述步骤210即可以理解为，根据4×4维的MIMO系统的接收信号确定信道矩阵。

具体的，本申请实施例中确定信道矩阵的方法可以参见方法100，信道矩阵H可以通过下列公式表示：

y＝Hx+N (5-1)

上述公式(5-1)中，各符号的物理含义参见方法100中的公式(3-1)，此处不再详细赘述。

利用列变换矩阵p_l，l＝0，1，2，3对信道矩阵H进行列变换，可以得到变换后的4个信道矩阵H_l＝Hp_l，其中列变换矩阵p_l，l＝0，1，2，3的结构可以通过下列公式表示：

可以理解的是，在本申请实施例中，步骤210中的信道矩阵为经过列置换后的信道矩阵H_l，l＝0，1，2，3中的一个信道矩阵。

步骤220，根据接收信号和信道矩阵，确定共轭对称矩阵G和匹配滤波矩阵。

其中，共轭对称矩阵是根据信道矩阵、该信道矩阵的共轭转置和噪声得到的矩阵，该共轭对称矩阵可以通过下列公式表示：

G＝H^HH+σ²I (5-3)

在上述公式(5-3)中，H为信道矩阵，H^H为信道矩阵的共轭转置，σ²为噪声方差，I为单位矩阵。

匹配滤波矩阵是根据信道矩阵的共轭转置和接收信号得到的矩阵，该匹配滤波矩阵可以通过下列公式表示：

X^MF＝H^Hy (5-4)

在上述公式(5-4)中，H^H为信道矩阵的共轭转置，y为接收信号。

可以理解的是，上述步骤220中的H∈H_l，l＝0，1，2，3。

步骤230，对共轭对称矩阵进行LDL分解，得到预处理矩阵和单位下三角矩阵。

具体的，对共轭对称矩阵进行LDL分解，可以表示为：

其中，为预处理矩阵，/>为单位下三角矩阵。根据上述公式(5-1)可知，l＝0，1对应的LDL分解的过程可以复用，l＝2，3对应的LDL分解的过程可以复用，进一步，对共轭对称矩阵进行LDL分解，可以通过下列公式表示：

步骤240，根据预处理矩阵、单位下三角矩阵和匹配滤波矩阵，确定MIMO系统的等效接收信号。

在本申请实施例中，等效接收信号可以通过下列公式表示：

上述公式(5-7)中，p_l∈{p₀，p₁，p₂，p₃}。

步骤250，根据等效接收信号，确定MIMO系统的对应的树模型的根节点进行搜索，确定根节点度量集合。

具体的，上述步骤250的确定根节点度量集合的方法与方法100中确定根节点度量集合的方法相同，此处不再详细赘述。

步骤260，确定MIMO系统的对应的树模型的叶节点进行搜索，确定叶节点度量集合。

具体的，上述步骤260的确定叶节点度量集合的方法与方法100中确定叶节点度量集合的方法相同，此处不再详细赘述。

步骤270，根据根节点度量集合和叶节点度量集合，确定MIMO系统的发送信号的对数似然比。

具体的，上述步骤270根据确定叶节点和根节点的度量集合确定发送信号的对数似然比的方法与方法100中的方法相同，此处不再详细赘述。

可以理解的是，根据上述公式(5-6)可以得到该MIMO系统的发送信号的对数似然比的4个估计结果，进一步可以根据应用需求选取对应的估计结果。

可选的，在一些实施例中，为了降低系统功耗，还可以仅使用H_l，l＝0作为MIMO系统的信道矩阵。基于此，经过上述步骤240至上述步骤270处理后，可以得到该MIMO系统的发送信号的对数似然比的1个估计结果。

应理解，图5仅为示意并不对本申请提供的MIMO检测的方法构成任何限定。例如，上述方法200还可以用于对MU-MIMO系统进行发射信号检测和干扰层发射信道调制阶数估计及检测。在使用上述方法200对MU-MIMO系统进行检测时，当获知干扰层调制阶数时，遍历该层叶节点星座点并累和度量函数，否则不遍历。可以推导得知遍历层进行了NML检测，非遍历层进行了LMMSE检测，如此则实现了MU-MIMO场景下根据调制阶数估计结果灵活切换NML和LMMSE检测算法。例如，上述方法200还可以用于对8×8维的MIMO系统进行检测，当对8×8维的MIMO系统进行检测时，上述的列变换矩阵可以替换为上述公式(3-23)表示的列变换矩阵。

上文，结合图1至图6详细介绍了本申请提供的MIMO系统的检测方法。下面，结合图7和图8详细介绍本申请提供的MIMO系统的检测装置和MIMO系统的检测设备。

图7是本申请提供的MIMO系统的检测装置700的示意性框图。图7所示的MIMO系统的检测装置700包括获取单元701、处理单元702，

该处理单元702，用于确定共轭对称矩阵，该共轭对称矩阵是根据第一信道矩阵、噪声方差和单位矩阵确定的，该第一信道矩阵是对接收信号进行处理得到的该处理单元702，用于构建训练数据集；

该处理单元702，还用于使用预处理矩阵和单位下三角矩阵将该接收信号对应的发送信号映射至树搜索模型，该预处理矩阵和该单位下三角矩阵是对该共轭对称矩阵进行LDL分解得到的；

该处理单元702，还用于基于树搜索方式从该树搜索模型的最顶层逐层向下扩展，确定度量集合，该度量集合包括根节点的度量集合和多个叶节点的度量集合，该根节点的度量集合包含于第一候选集合，该第一候选集合是根据第一规则从第一星座点集合中确定的，该第一星座点集合是对该根节点对应的发送信号进行编码后映射得到的，该度量集合使得该树搜索模型具有最小的路径度量；

该处理单元702，还用于根据该度量集合，确定该发送信号中每个信息比特的对数似然比。

可选的，在一些实施例中，该第一规则包括将该第一星座点集合中的如下星座点确定为该第一候选集合包括的星座点：

第一星座点，第二星座点和第三星座点，该第一星座点是与该根节点的估计发送信号的欧式距离最近的星座点，该第二星座点是与该第一星座点的欧式距离最近且分别包含该第一星座点每个比特对应反比特的星座点，该第三星座点是第一区域内包括的除该第一星座点和该第二星座点之外的星座点，该第一区域包含于该第一星座点集合对应的区域，该第一区域是根据预设复杂度从该第一星座点集合对应的区域中确定的。

可选的，在一些实施例中，

该获取单元701，还用于获取该接收信号；

该处理单元702，还用于对该接收信号进行处理得到原始信道矩阵；

该处理单元702，还用于：

使用列变换矩阵对该原始信道矩阵按列进行列变换，得到列变换后的M个信道矩阵，该M个信道矩阵与M个树搜索模型一一对应，该M个树搜索模型与该MIMO系统的M层一一对应；

将该M个信道矩阵中的一个信道矩阵确定该第一信道矩阵，根据该第一信道矩阵确定的树搜索模型的最小路径度量小于该M个信道矩阵中的其余M-1个信道矩阵确定的树搜索模型的最小路径度量。

可选的，在一些实施例中，该M个信道矩阵通过下列公式表示：

H_l＝Hp_l

其中，H_l是该M个信道矩阵中的第l个信道矩阵，且l＝0，2，3，...，M-1，H是该原始信道矩阵，p_l是该列变换矩阵。

可选的，在一些实施例中，该处理单元702还用于：

确定该根节点的第一距离度量函数；

基于该第一距离度量函数在该第一候选集合中进行搜索，将第四星座点确定为该根节点的度量集合包括的星座点，该第四星座点对应的发送信号使得该第一距离度量函数的值小于等于第一阈值；

确定第i个叶节点的第二距离度量函数，该第二距离度量函数不包括该树搜索模型包括的第i+1层至第M层对应的发送信号分别对该第i层的干扰，i＝1，2，3，...，M-1；

基于该第二距离度量函数在第二候选集合中进行搜索，将第五星座点确定为该第i个叶节点的度量集合包括的星座点，该第五星座点对应的发送信号使得该第二距离度量函数的值小于等于第二阈值，该第二候选集合是根据该第i个叶节点的估计发送信号和第二星座点集合确定的，该第二星座点集合是对该第i个叶节点对应的发送信号进行编码后映射得到的。

可选的，在一些实施例中，该第一距离度量函数与根据线性最小均方误差LMMSE算法估计的该第M层对应的发送信号的度量函数相同。

可选的，在一些实施例中，该树搜索方式包括以下方式中的一种：广义优先树搜索和深度优先树搜索。

图8是本申请提供的MIMO系统的检测设备800的示意性框图。如图8所示，该MIMO系统的检测设备800包括：收发器810、处理器820和存储器830。其中，收发器810、处理器820和存储器830之间通过内部连接通路互相通信，传递控制和/或数据信号，该存储器830用于存储计算机程序，该处理器820用于从该存储器830中调用并运行该计算机程序，以控制该收发器810收发信号。

具体的，收发器810的功能与图7所示的获取单元701的具体功能相对应，此处不再赘述。

具体的，处理器820的功能与图7所示的处理单元702的具体功能相对应，此处不再赘述。

本申请实施例中的芯片可以是编程门阵列(field programmable gate array，FPGA)，可以是专用集成芯片(application specific integrated circuit，ASIC)，还可以是系统芯片(system on chip，SoC)，还可以是中央处理器(central processor unit，CPU)，还可以是网络处理器(network processor，NP)，还可以是数字信号处理电路(digital signal processor，DSP)，还可以是微控制器(micro controller unit，MCU)，还可以是可编程控制器(programmable logic device，PLD)、其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，或其他集成芯片。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

可以理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

根据本申请实施例提供的方法，本申请还提供一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行图3和图5所示实施例中任意一个实施例的方法。

根据本申请实施例提供的方法，本申请还提供一种计算机可读介质，该计算机可读介质存储有程序代码，当该程序代码在计算机上运行时，使得该计算机执行图3和图5所示实施例中任意一个实施例的方法。

根据本申请实施例提供的方法，本申请还提供一种系统，其包括前述的一个或多个第一模型以及一个或多个第二模型。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种多输入多输出MIMO系统的检测方法，其特征在于，所述方法包括：

确定共轭对称矩阵，所述共轭对称矩阵是根据第一信道矩阵、噪声方差和单位矩阵确定的，所述第一信道矩阵是对接收信号进行处理得到的；

使用预处理矩阵和单位下三角矩阵将所述接收信号对应的发送信号映射至树搜索模型，所述预处理矩阵和所述单位下三角矩阵是对所述共轭对称矩阵进行LDL分解得到的；

基于树搜索方式从所述树搜索模型的最顶层逐层向下扩展，确定度量集合，所述度量集合包括根节点的度量集合和多个叶节点的度量集合，所述根节点的度量集合包含于第一候选集合，所述第一候选集合是根据第一规则从第一星座点集合中确定的，所述第一星座点集合是对所述根节点对应的发送信号进行编码后映射得到的，所述度量集合使得所述树搜索模型具有最小的路径度量；

根据所述度量集合，确定所述发送信号中每个信息比特的对数似然比。

2.根据权利要求1所述的方法，其特征在于，所述第一规则包括将所述第一星座点集合中的如下星座点确定为所述第一候选集合包括的星座点：

第一星座点，第二星座点和第三星座点，所述第一星座点是与所述根节点的估计发送信号的欧式距离最近的星座点，所述第二星座点是与所述第一星座点的欧式距离最近且分别包含所述第一星座点每个比特对应反比特的星座点，所述第三星座点是第一区域内包括的除所述第一星座点和所述第二星座点之外的星座点，所述第一区域包含于所述第一星座点集合对应的区域，所述第一区域是根据预设复杂度从所述第一星座点集合对应的区域中确定的。

3.根据权利要求1或2所述的方法，其特征在于，所述MIMO系统是M×M维的MIMO系统，M为大于等于2的正整数，所述确定共轭对称矩阵之前，所述方法还包括：

获取所述接收信号，并对所述接收信号进行处理得到原始信道矩阵；

使用列变换矩阵对所述原始信道矩阵列变换，得到列变换后的M个信道矩阵，所述M个信道矩阵与M个树搜索模型一一对应，所述M个树搜索模型与所述MIMO系统的M层一一对应；

将所述M个信道矩阵中的一个信道矩阵确定所述第一信道矩阵，根据所述第一信道矩阵确定的树搜索模型的最小路径度量小于所述M个信道矩阵中的其余M-1个信道矩阵确定的树搜索模型的最小路径度量。

4.根据权利要求3所述的方法，其特征在于，所述M个信道矩阵通过下列公式表示：

H_l＝Hp_l

其中，H_l是所述M个信道矩阵中的第l个信道矩阵，且l＝0,2,3,...,M-1，H是所述原始信道矩阵，p_l是所述列变换矩阵。

5.根据权利要求1、2、4中任一项所述的方法，其特征在于，所述MIMO系统是M×M维的MIMO系统，所述树搜索模型包括M层，所述根节点与第M层对应，所述多个叶节点分别与第M-1至第1层对应，M为大于等于2的正整数，所述基于树搜索方式从所述树搜索模型的最顶层逐层向下扩展，确定度量集合，包括：

确定所述根节点的第一距离度量函数；

基于所述第一距离度量函数在所述第一候选集合中进行搜索，将第四星座点确定为所述根节点的度量集合包括的星座点，所述第四星座点对应的发送信号使得所述第一距离度量函数的值小于等于第一阈值；

确定第i个叶节点的第二距离度量函数，所述第二距离度量函数不包括所述树搜索模型包括的第i+1层至第M层对应的发送信号分别对所述第i层的干扰，i＝1,2,3,...,M-1；

基于所述第二距离度量函数在第二候选集合中进行搜索，将第五星座点确定为所述第i个叶节点的度量集合包括的星座点，所述第五星座点对应的发送信号使得所述第二距离度量函数的值小于等于第二阈值，所述第二候选集合是根据所述第i个叶节点的估计发送信号和第二星座点集合确定的，所述第二星座点集合是对所述第i个叶节点对应的发送信号进行编码后映射得到的。

6.根据权利要求5所述的方法，其特征在于，

所述第一距离度量函数与根据线性最小均方误差LMMSE算法估计的所述第M层对应的发送信号的度量函数相同。

7.根据权利要求1、2、4、6中任一项所述的方法，其特征在于，所述树搜索方式包括以下方式中的一种：广义优先树搜索和深度优先树搜索。

8.一种通信装置，其特征在于，包括至少一个处理器和通信接口，所述至少一个处理器，用于执行计算机程序或指令，以使得所述通信装置执行如权利要求1至7中任一项所述的方法。

9.根据权利要求8所述的通信装置，其特征在于，所述装置还包括至少一个存储器，所述至少一个存储器与所述至少一个处理器耦合，所述计算机程序或指令存储在所述至少一个存储器中。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，当所述计算机指令被执行时，如权利要求1至7中任一项所述的方法被实现。

11.一种通信系统，其特征在于，包括如权利要求8或9所述的通信装置。