CN115051734A - 一种固定复杂度球形译码的改进方法 - Google Patents

一种固定复杂度球形译码的改进方法 Download PDF

Info

Publication number
CN115051734A
CN115051734A CN202210573644.4A CN202210573644A CN115051734A CN 115051734 A CN115051734 A CN 115051734A CN 202210573644 A CN202210573644 A CN 202210573644A CN 115051734 A CN115051734 A CN 115051734A
Authority
CN
China
Prior art keywords
algorithm
path
branch
layer
stage
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
CN202210573644.4A
Other languages
English (en)
Other versions
CN115051734B (zh
Inventor
高明
赵海阔
杨浩然
石颖
李靖
葛建华
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210573644.4A priority Critical patent/CN115051734B/zh
Publication of CN115051734A publication Critical patent/CN115051734A/zh
Application granted granted Critical
Publication of CN115051734B publication Critical patent/CN115051734B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0041—Arrangements at the transmitter end
    • H04L1/0043—Realisations of complexity reduction techniques, e.g. use of look-up tables
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
    • H04L1/203—Details of error rate determination, e.g. BER, FER or WER
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种固定复杂度球形译码的改进方法，改善了现有技术中FSD算法的复杂度仍须降低的问题。该发明含有如下步骤：建立大规模MIMO系统模型；通过基于深度学习的SAMP‑FCNet算法，估计发送信号的初始解
Figure DDA0003659842410000011
选择FE阶段层数P；对信道矩阵H进行排序处理，计算处理后的等效接收信号；根据初始解
Figure DDA0003659842410000012
计算SE阶段剪枝阈值r；根据剪枝阈值对FSD算法进行剪枝搜索。本发明有效的提高了剪枝效率，大大减少了FSD算法中所需搜索的节点数目。能够在具有相似的检测性能的前提下大大降低算法复杂度，提高了FSD算法在大规模MIMO系统的适用性，可用于大规模MIMO系统中上行链路信号检测。

Description

一种固定复杂度球形译码的改进方法
技术领域
本发明涉及通信技术领域，特别是涉及一种固定复杂度球形译码的改进方法。
背景技术
近年来，为了满足移动通信系统中日益增长的超高数据速率需求，使用大量天线进行数据传输和接收的大规模多输入多输出(Multiple Input Multiple Output，MIMO)系统在学术界引起了极大的研究兴趣。为了在大规模MIMO系统中最大化可实现的数据速率，基站需要同时从多个终端接收尽可能多的符号，这提供了更大的复用增益。在这种情况下，接近最优的检测算法提高系统性能方面起着重要作用。由于最优算法复杂度随天线数目和调制阶数提升而增加，难以应用于大规模MIMO系统，因此如何有效降低算法在低信噪比下的复杂度也是当前检测算法的研究方向之一。
最优算法的复杂度和决策变量呈指数关系，并不适用于大规模MIMO系统，但在通过对最优检测算法的优化又衍生出诸多算法。其中被广泛研究的有球形译码(SphereDecoding，SD)算法和固定复杂度的球形译码算法(Fixed-complexity Sphere Decoder，FSD)算法等。SD算法的主要思想是将ML算法的搜索过程限定在预定半径的球体内的晶格点上，如果初始半径以及搜索顺序合适，则能在较低的复杂度中找到最优解。但其复杂度并非固定的，受到接收信号的信噪比，搜索顺序和初始半径的影响。但如果多次搜索后才检索到小半径叶子节点则会使得运算量增大，并且由于球形译码算法复杂度的具有不确定性，不利于信号的实时检测和硬件实现。FSD算法对搜索树中部分层进行完全扩展(FullExpansion，FE)其他层进行单扩展(Single Expansion，SE)，其搜索的支路数目不受信噪比的影响，因此FSD算法具有较低且固定的复杂度，并达到了接近FSD算法的检测性能。但由于FSD算法复杂度与信噪比无关，因此不能保证在高信噪比仍保持比SD算法更低的复杂度，同时FSD算法复杂度随调制阶数的增加呈指数上升，仍需要进一步降低该算法的复杂度。
发明内容
本发明改善了现有技术中FSD算法的复杂度仍须降低的问题，提供一种复杂度低且适应性强的固定复杂度球形译码的改进方法。
本发明的技术解决方案是，提供一种具有以下步骤的固定复杂度球形译码的改进方法：含有如下步骤：
步骤1、在给定的系统条件下，建立大规模MIMO系统模型；
步骤2、通过对MIMO系统发送信号进行估计得到初始解
Figure BDA0003659842390000011
步骤3、选择满足约束条件的FE阶段层数P；对信道矩阵H进行排序处理，得到排序后的信道矩阵
Figure BDA0003659842390000012
以及排序交换矩阵B；对
Figure BDA0003659842390000013
进行QR分解运算，得到上三角矩阵R和酉矩阵Q，计算R分解后的等效接收信号z，z＝QHy；
步骤4、根据初始解
Figure BDA0003659842390000014
计算SE阶段剪枝阈值r，依据性能选择阈值决定系数a，计算FE阶段剪枝阈值r2＝ar；
步骤5、对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路；对其余层进行SE扩展，舍弃路径中累计分支度量大于r的支路；
步骤6、如果有路径到达叶子节点，则将累计分支度量最小的路径对应的发送信号作为输出解；如果没有路径到达叶子节点，则将
Figure BDA00036598423900000217
记为输出解。
优选地，所述步骤1中假设大规模MIMO系统基于V-BLAST结构，发送端具有NT根发送天线，接收端具有NR根接收天线，采用M阶QAM调制，系统上行链路用下式来表示：y＝Hx+n，其中x为发送端的发送信号，H为信道矩阵，表示信道衰落，其中元素服从
Figure BDA0003659842390000021
n为NR维的加性复高斯白噪声，
Figure BDA0003659842390000022
x为发送信号，y为接收端接收信号，对于接收端噪声功率σ2以及信道衰落H已知，需要计算发送信号估计值
Figure BDA00036598423900000218
优选地，所述步骤2中设SAMP-FCNet在层数为T时，通过训练可以达到极限的检测性能，对于SAMP-FCNet中第t层神经网络，检测过程如下：
Figure BDA0003659842390000023
Figure BDA0003659842390000024
η(t)＝f(σ2，η(t-1))，
其中
Figure BDA0003659842390000025
为第t次迭代过程中发送信号估计解；
Figure BDA0003659842390000026
r(0)均初始化为零向量；μ(t)为长度为NT的列向量，v(t)为长度为NR的列向量，μ(t)和v(t)由深度学习训练获得；f(σ2，η(t-1))为阈值函数，通过一个DNN神经网络拟合得到，用w(t)，b(t)表示分别表示第t次迭代的阈值网络的待训练的偏移和转置；阈值网络包含一个输入层、一层隐藏层和一个输出层；其中隐藏层由N个神经元组成，N为整数，激活函数选用ReLU函数。
优选地，所述步骤3含有以下步骤：
步骤3a，FE阶段层数P应满足以下约束条件，(NR-NT)(P+1)+(P+1)2≥NR，同时要保证算法性能的前提下选择尽可能小的FE层数；
步骤3b，对信道矩阵H进行排序，并计算对应的交换矩阵B，其中排序过程包含NT次迭代运算，不妨用H(i)表示第i次迭代中的删除已排序列后的信道矩阵，其中H(1)＝H，对于i＝1，…，NT-1，NT，有：
Figure BDA0003659842390000027
选择
Figure BDA0003659842390000028
中第k列作为排序后信道矩阵的第NT-i+1列，其中：
Figure BDA0003659842390000029
Figure BDA00036598423900000210
表示
Figure BDA00036598423900000211
中的第j行，之后更新i和H(i)重复上述过程至迭代完毕，得到排序信道矩阵
Figure BDA00036598423900000212
记录
Figure BDA00036598423900000213
与信道矩阵H中每列的对应关系，生成对应的交换矩阵B，B满足
Figure BDA00036598423900000214
步骤3c，将排序后的信道矩阵
Figure BDA00036598423900000215
进行QR分解：
Figure BDA00036598423900000216
qr(·)表示QR分解函数；
步骤3d，计算等效的接收信号：z＝QHy。
优选地，所述步骤4中初始解
Figure BDA0003659842390000031
计算SE阶段剪枝阈值r，其实现如下：计算SE阶段剪枝阈值r具体方式为：
Figure BDA0003659842390000032
计算FE阶段剪枝阈值r2，其实现如下：首先依据性能以及算法复杂度需求，选择合适的阈值决定系数a，其中a一般选取P/NT临近的值，以获得更好的算法性能，其中NT为发送天线数目，随后计算FE阶段剪枝阈值r2＝ar。
优选地，所述步骤5中对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路，其具体实现如下：设某一路径中第i层中第m个可能的信号符号为
Figure BDA0003659842390000033
Figure BDA0003659842390000034
ΩM表示M阶调制系统中发送符号星座点集合；设第i层中M个可能的分支度量为ci，
Figure BDA0003659842390000035
对于给定第i层的信号符号为
Figure BDA0003659842390000036
对应的分支度量记为ci，前i层的分支度量之和记为累加欧式距离Di，则有：
Di＝ci+Di+1
Figure BDA0003659842390000037
其中zi，ri，j分别表示z，R中的对应位置元素，在FE阶段需要对搜索树中前P层进行完全扩展，得到MP条分支路径，其中M为调制阶数，计算所有分支路径的累加欧氏距离
Figure BDA0003659842390000038
当某条分支路径的
Figure BDA0003659842390000039
时，则舍弃当前路径。
优选地，所述步骤5中对其余层进行SE扩展，舍弃路径中累计分支度量大于r的支路，其具体实现如下：在SE阶段，需要对FE阶段剩余的搜索路径进行单扩展，假设前i层路径给定，则计算该路径在i-1层中的M个分支节点对应的分支度量ci，并在ci中选择分支度量最小的节点作为该路径在i-1层的经过的分支节点，之后计算当前路径累加欧氏距离
Figure BDA00036598423900000310
若
Figure BDA00036598423900000311
则舍弃当前路径，对当前层中现存的所有分支路径均进行上述操作，完成后进入i-1层重复上述步骤，直至所有路径均被舍弃或达到叶子节点。
优选地，所述步骤6中如果有路径到达叶子节点则输出计算如下：计算到达叶子节点的所有路径的累计分支度量D1，取其中D1最小的路径对应的发送符号顺序记为s，FSD算法中对信道矩阵进行了排序，则输出也要进行相应的逆排序操作，将
Figure BDA00036598423900000312
作为算法输出，如果所有路径均被舍弃则直接将初始解
Figure BDA00036598423900000313
作为输出。
与现有技术相比，本发明固定复杂度球形译码的改进方法具有以下优点：基于固定复杂度的球形译码算法，通过基于初始解计算了合适的剪枝阈值，并分别为FSD算法中的FE阶段和SE阶段设计了不同的剪枝策略，同时对于舍弃所有的分支路径的情况采用初始解作为FSD算法的可行解，有效的提高了剪枝效率，大大减少了FSD算法中所需搜索的节点数目。较原始FSD算法，本发明能够在具有相似的检测性能的前提下大大降低算法复杂度，提高了FSD算法在大规模MIMO系统的适用性，可用于大规模MIMO系统中上行链路信号检测。
附图说明
图1为本发明的实现流程框图；
图2为本发明中大规模MIMO系统的检测过程示意图；
图3为本发明中的信号检测过程示意图；
图4为本发明在64×16MIMO和64QAM条件下的误码率图；
图5为本发明在64×16MIMO和64QAM条件下的复杂度对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面结合附图和具体实施方式对本发明固定复杂度球形译码的改进方法作进一步说明：参照图1，本实例的具体实现步骤如下：
S1、在给定的系统条件下，建立大规模MIMO系统模型；
S2、通过对MIMO系统发送信号进行估计得到初始解
Figure BDA0003659842390000041
S3、选择满足约束条件的FE阶段层数P；对信道矩阵H进行排序处理，得到排序后的信道矩阵
Figure BDA0003659842390000042
以及排序交换矩阵B；对
Figure BDA0003659842390000043
进行QR分解运算，得到上三角矩阵R和酉矩阵Q，计算R分解后的等效接收信号z，z＝QHy；
S4、根据初始解
Figure BDA0003659842390000044
计算SE阶段剪枝阈值r，并计算FE阶段剪枝阈值r2；
S5、对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路；对其余层进行SE扩展，舍弃路径中累计分支度量大于r的支路；
S6、如果有路径到达叶子节点，则将累计分支度量最小的路径对应的发送信号作为输出解；如果没有路径到达叶子节点，则将
Figure BDA0003659842390000045
作为输出解；
参照图2，在本实例中将采用SAMP-FCNet作为初始解的生成算法，对图2所示的通信系统中基于本发明提出的检测算法实现对于发送信号的估计。在本实例中述本发明上6个步骤分别具体表示为：
(1)在给定的系统条件下，建立大规模MIMO系统模型。
假设大规模MIMO系统基于V-BLAST结构，发送端具有NT根发送天线，接收端具有NR根接收天线，采用M阶QAM调制，该系统上行链路可以用下式来表示：y＝Hx+n，其中x为发送端的发送信号，H为信道矩阵，表示信道衰落，其中元素服从
Figure BDA0003659842390000046
n为NR维的加性复高斯白噪声，
Figure BDA0003659842390000047
x为发送信号，y为接收端接收信号，对于接收端噪声功率σ2以及信道衰落H已知，需要计算发送信号估计值
Figure BDA0003659842390000048
(2)通过基于深度学习的SAMP-FCNet算法，估计发送信号的初始解
Figure BDA0003659842390000049
SAMP-FCNet的训练数据和测试数据在给定的系统的条件且不同信噪比下生成，将接收信号y和噪声功率σ2作为SAMP-FCNet的输入，发送信号的估计值
Figure BDA00036598423900000410
作为该网络的输出。通过损失函数来衡量发送信号和神经网络输出之间的差距，针对SAMP-FCNet，损失函数选择MSE损失函数，优化器选择Adam通过反向传播优化训练参数使得损失函数最小。
设SAMP-FCNet在层数为T时，通过训练可以达到极限的检测性能，对于SAMP-FCNet中第t层神经网络，检测过程如下：
Figure BDA0003659842390000051
Figure BDA0003659842390000052
η(t)＝f(σ2，η(t-1))
其中
Figure BDA0003659842390000053
为第t次迭代过程中发送信号估计解；
Figure BDA0003659842390000054
r(0)均初始化为零向量；μ(t)为长度为NT的列向量，v(t)为长度为NR的列向量，μ(t)和v(t)由深度学习训练获得；f(σ2，η(t-1))为阈值函数，通过一个DNN神经网络拟合得到，用w(t)，b(t)表示分别表示第t次迭代的阈值网络的待训练的偏移和转置。阈值网络包含一个输入层、一层隐藏层和一个输出层；其中隐藏层由N个神经元组成，N为整数，激活函数选用ReLU函数。
(3)选择FE阶段层数P；对信道矩阵进行预处理，并计算处理后的等效接收信号。
(3a)FE阶段层数P应满足以下约束条件，同时要保证算法性能的前提下选择尽可能小的FE层数。(NR-NT)(P+1)+(P+1)2≥NR
(3b)对信道矩阵H进行排序，并计算对应的交换矩阵B。其中排序过程包含NT次迭代运算，不妨用H(i)表示第i次迭代中的删除已排序列后的信道矩阵，其中H(1)＝H。对于i＝1，…，NT-1，NT，有：
Figure BDA0003659842390000055
选择
Figure BDA0003659842390000056
中第k列作为排序后信道矩阵的第NT-i+1列。其中：
Figure BDA0003659842390000057
Figure BDA0003659842390000058
表示
Figure BDA0003659842390000059
中的第j行，之后更新i和H(i)重复上述过程至迭代完毕。得到排序信道矩阵
Figure BDA00036598423900000510
记录
Figure BDA00036598423900000511
与信道矩阵H中每列的对应关系，生成对应的交换矩阵B，B满足
Figure BDA00036598423900000512
(3c)将排序后的信道矩阵
Figure BDA00036598423900000513
进行QR分解：
Figure BDA00036598423900000514
qr(·)表示QR分解函数。
(3d)计算等效的接收信号：z＝QHy。
(4)根据初始解
Figure BDA00036598423900000515
计算剪枝阈值。
SE阶段剪枝阈值r计算方式为：
Figure BDA00036598423900000516
FE阶段剪枝阈值r2具体计算方式为：首先依据性能以及算法复杂度需求，选择合适的阈值决定系数a，其中a一般选取P/NT临近的值，以获得更好的算法性能，其中NT为发送天线数目，随后计算FE阶段剪枝阈值r2＝ar。
(5)根据剪枝阈值，对FSD算法进行剪枝搜索。
设某一路径中第i层中第m个可能的信号符号为
Figure BDA00036598423900000517
Figure BDA00036598423900000518
ΩM表示M阶调制系统中发送符号星座点集合；设第i层M个可能的分支度量为ci，
Figure BDA00036598423900000519
对于给定第i层的信号符号为
Figure BDA00036598423900000520
对应的分支度量记为ci，前i层的分支度量之和记为累加欧式距离Di，则有：
Di＝ci+Di+1
Figure BDA00036598423900000521
其中zi，ri，j分别表示z，R中的对应位置元素。下面依据累计分支度量对FSD算法进行剪枝搜索，搜索过程如图3所示。
(5a)对FE层进行剪枝搜索。FE层需要对搜索树中前P层进行完全扩展，得到MP条分支路径，其中M为调制阶数。计算所有分支路径的累加欧氏距离
Figure BDA0003659842390000061
当某条分支路径的
Figure BDA0003659842390000062
时，则舍弃当前路径。
(5b)对SE层进行剪枝搜索。在SE阶段，需要对FE阶段剩余的搜索路径进行单扩展，假设前i层路径给定，则计算该路径在i-1层中的M个分支节点对应的分支度量ci，并在ci中选择分支度量最小的节点作为该路径在i-1层的经过的分支节点，之后计算当前路径累加欧氏距离
Figure BDA0003659842390000063
若
Figure BDA0003659842390000064
则舍弃当前路径。对当前层中现存的所有分支路径均进行上述操作，完成后进入i-1层重复上述步骤，直至所有路径均被舍弃或达到叶子节点。
(6)获得输出，作为改进算法对发送信号估计值
Figure BDA0003659842390000065
如果有路径到达叶子节点则计算到达叶子节点的所有路径的累计分支度量D1，取其中D1最小的路径对应的发送符号顺序记为s，由于FSD算法中对信道矩阵进行了排序，因此输出也要进行相应的逆排序操作，所以应将
Figure BDA0003659842390000066
作为输出解。如果所有路径均被舍弃则直接将初始解
Figure BDA0003659842390000067
作为输出。
以下结合仿真实验，对本发明的技术效果进行说明：在收发天线数目为64×16的64QAM调制的大规模MIMO系统中，对本发明所提算法、FSD、SD的误码率进行了仿真，结果如图4所示。由图4可见FSD和SD算法具有相近的检测性能，当阈值决定系数a＝1时本发明提出的算法拥有与FSD相同的检测性能，当a＝0.025检测性能不佳，但随着a值增加算法性能显著提升，且在a＝0.075时达到了与FSD相近的检测性能。
在相同的系统条件下，对本发明所提算法、FSD、SD算法所需检测的分支节点数量进行仿真，结果如图5所示。由图5可见在中低信噪比条件下FSD算法拥有远低于SD算法的复杂度，之后随信噪比增加SD算法复杂度逐渐降低，而FSD算法复杂度不变，因此在高信噪比条件下FSD算法复杂度要高于SD算法；观察图中本发明算法对应曲线可见，随着信噪比的增大复杂度有所下降，且当阈值决定系数a＝1时，该算法相较于FSD算法便具有更低的复杂度，之后随着a的减小，该算法复杂度明显降低。其中当a＝0.075，该算法在保证较小的性能损失的前提下，大大降低了FSD算法的复杂度，并在高信噪比条件下较SD仍有一定的复杂度优势。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种固定复杂度球形译码的改进方法，其特征在于：含有如下步骤：
步骤1、在给定的系统条件下，建立大规模MIMO系统模型；
步骤2、通过对MIMO系统发送信号进行估计得到初始解
Figure FDA0003659842380000011
步骤3、选择满足约束条件的FE阶段层数P；对信道矩阵H进行排序处理，得到排序后的信道矩阵
Figure FDA0003659842380000012
以及排序交换矩阵B；对
Figure FDA0003659842380000013
进行QR分解运算，得到上三角矩阵R和酉矩阵Q，计算R分解后的等效接收信号z，z＝QHy；
步骤4、根据初始解
Figure FDA00036598423800000114
计算SE阶段剪枝阈值r，依据性能选择阈值决定系数a，计算FE阶段剪枝阈值r2＝ar；
步骤5、对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路；对其余层进行SE扩展，舍弃路径中累计分支度量大于r的支路；
步骤6、如果有路径到达叶子节点，则将累计分支度量最小的路径对应的发送信号作为输出解；如果没有路径到达叶子节点，则将
Figure FDA0003659842380000014
记为输出解。
2.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤1中假设大规模MIMO系统基于V-BLAST结构，发送端具有NT根发送天线，接收端具有NR根接收天线，采用M阶QAM调制，系统上行链路用下式来表示：y＝Hx+n，其中x为发送端的发送信号，H为信道矩阵，表示信道衰落，其中元素服从
Figure FDA0003659842380000015
n为NR维的加性复高斯白噪声，
Figure FDA0003659842380000016
x为发送信号，y为接收端接收信号，对于接收端噪声功率σ2以及信道衰落H已知，需要计算发送信号估计值
Figure FDA0003659842380000017
3.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤2中设SAMP-FCNet在层数为T时，通过训练可以达到极限的检测性能，对于SAMP-FCNet中第t层神经网络，检测过程如下：
Figure FDA0003659842380000018
Figure FDA0003659842380000019
η(t)＝f(σ2，η(t-1))，
其中
Figure FDA00036598423800000110
为第t次迭代过程中发送信号估计解；
Figure FDA00036598423800000111
r(0)均初始化为零向量；μ(t)为长度为NT的列向量，ν(t)为长度为NR的列向量，μ(t)和ν(t)由深度学习训练获得；f(σ2，η(t-1))为阈值函数，通过一个DNN神经网络拟合得到，用w(t)，b(t)表示分别表示第t次迭代的阈值网络的待训练的偏移和转置；阈值网络包含一个输入层、一层隐藏层和一个输出层；其中隐藏层由N个神经元组成，N为整数，激活函数选用ReLU函数。
4.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤3含有以下步骤：
步骤3a，FE阶段层数P应满足以下约束条件，(NR-NT)(P+1)+(P+1)2≥NR，同时要保证算法性能的前提下选择尽可能小的FE层数；
步骤3b，对信道矩阵H进行排序，并计算对应的交换矩阵B，其中排序过程包含NT次迭代运算，不妨用H(i)表示第i次迭代中的删除已排序列后的信道矩阵，其中H(1)＝H，对于i＝1,…,NT-1,NT，有：
Figure FDA00036598423800000112
选择
Figure FDA00036598423800000113
中第k列作为排序后信道矩阵的第NT-i+1列，其中：
Figure FDA0003659842380000021
Figure FDA0003659842380000022
表示
Figure FDA0003659842380000023
中的第j行，之后更新i和H(i)重复上述过程至迭代完毕，得到排序信道矩阵
Figure FDA00036598423800000217
记录
Figure FDA0003659842380000024
与信道矩阵H中每列的对应关系，生成对应的交换矩阵B，B满足
Figure FDA0003659842380000025
步骤3c，将排序后的信道矩阵
Figure FDA0003659842380000026
进行QR分解：
Figure FDA0003659842380000027
qr(·)表示QR分解函数；
步骤3d，计算等效的接收信号：z＝QHy。
5.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤4中初始解
Figure FDA00036598423800000218
计算SE阶段剪枝阈值r，其实现如下：计算SE阶段剪枝阈值r具体方式为：
Figure FDA0003659842380000028
计算FE阶段剪枝阈值r2，其实现如下：首先依据性能以及算法复杂度需求，选择合适的阈值决定系数a，其中a一般选取P/NT临近的值，以获得更好的算法性能，其中NT为发送天线数目，随后计算FE阶段剪枝阈值r2＝ar。
6.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤5中对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路，其具体实现如下：设某一路径中第i层中第m个可能的信号符号为
Figure FDA0003659842380000029
ΩM表示M阶调制系统中发送符号星座点集合；设第i层中M个可能的分支度量为ci，
Figure FDA00036598423800000210
对于给定第i层的信号符号为
Figure FDA00036598423800000219
对应的分支度量记为ci，前i层的分支度量之和记为累加欧式距离Di，则有：
Di＝ci+Di+1
Figure FDA00036598423800000211
其中zi，ri,j分别表示z，R中的对应位置元素，在FE阶段需要对搜索树中前P层进行完全扩展，得到MP条分支路径，其中M为调制阶数，计算所有分支路径的累加欧氏距离
Figure FDA00036598423800000212
当某条分支路径的
Figure FDA00036598423800000213
时，则舍弃当前路径。
7.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤5中对其余层进行SE扩展，舍弃路径中累计分支度量大于r的支路，其具体实现如下：在SE阶段，需要对FE阶段剩余的搜索路径进行单扩展，假设前i层路径给定，则计算该路径在i-1层中的M个分支节点对应的分支度量ci，并在ci中选择分支度量最小的节点作为该路径在i-1层的经过的分支节点，之后计算当前路径累加欧氏距离
Figure FDA00036598423800000214
若
Figure FDA00036598423800000215
则舍弃当前路径，对当前层中现存的所有分支路径均进行上述操作，完成后进入i-1层重复上述步骤，直至所有路径均被舍弃或达到叶子节点。
8.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤6中如果有路径到达叶子节点则输出计算如下：计算到达叶子节点的所有路径的累计分支度量D1，取其中D1最小的路径对应的发送符号顺序记为s，FSD算法中对信道矩阵进行了排序，则输出也要进行相应的逆排序操作，将
Figure FDA00036598423800000216
作为算法输出,如果所有路径均被舍弃则直接将初始解
Figure FDA00036598423800000220
作为输出。
CN202210573644.4A 2022-05-24 2022-05-24 一种固定复杂度球形译码的改进方法 Active CN115051734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210573644.4A CN115051734B (zh) 2022-05-24 2022-05-24 一种固定复杂度球形译码的改进方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210573644.4A CN115051734B (zh) 2022-05-24 2022-05-24 一种固定复杂度球形译码的改进方法

Publications (2)

Publication Number Publication Date
CN115051734A true CN115051734A (zh) 2022-09-13
CN115051734B CN115051734B (zh) 2023-09-19

Family

ID=83158789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210573644.4A Active CN115051734B (zh) 2022-05-24 2022-05-24 一种固定复杂度球形译码的改进方法

Country Status (1)

Country Link
CN (1) CN115051734B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070036250A1 (en) * 2005-08-10 2007-02-15 Bae Systems Information And Electronic Systems Integration Inc. M-algorithm multiuser detector with correlation based pruning
CN102007737A (zh) * 2008-04-14 2011-04-06 高通股份有限公司 具有概率噪声约束的半径自适应球形解码
CN102904687A (zh) * 2012-10-11 2013-01-30 中兴通讯股份有限公司 在多层mimo球形译码检测中进行排序的方法和装置
CN103856254A (zh) * 2012-11-29 2014-06-11 中兴通讯股份有限公司 一种软输出固定复杂度球形译码检测方法和装置
US20140211831A1 (en) * 2013-01-28 2014-07-31 Intel Mobile Communications GmbH Communication devices and methods for signal detection
CN104168073A (zh) * 2014-08-19 2014-11-26 大唐移动通信设备有限公司 一种信号检测方法及装置
KR102371914B1 (ko) * 2020-09-16 2022-03-10 서울과학기술대학교 산학협력단 대규모 다중 입출력 시스템의 구복호 장치 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070036250A1 (en) * 2005-08-10 2007-02-15 Bae Systems Information And Electronic Systems Integration Inc. M-algorithm multiuser detector with correlation based pruning
CN102007737A (zh) * 2008-04-14 2011-04-06 高通股份有限公司 具有概率噪声约束的半径自适应球形解码
CN102904687A (zh) * 2012-10-11 2013-01-30 中兴通讯股份有限公司 在多层mimo球形译码检测中进行排序的方法和装置
CN103856254A (zh) * 2012-11-29 2014-06-11 中兴通讯股份有限公司 一种软输出固定复杂度球形译码检测方法和装置
US20150304069A1 (en) * 2012-11-29 2015-10-22 Zte Corporation Method and apparatus for soft output fixed complexity sphere decoding detection
US20140211831A1 (en) * 2013-01-28 2014-07-31 Intel Mobile Communications GmbH Communication devices and methods for signal detection
CN104168073A (zh) * 2014-08-19 2014-11-26 大唐移动通信设备有限公司 一种信号检测方法及装置
KR102371914B1 (ko) * 2020-09-16 2022-03-10 서울과학기술대학교 산학협력단 대규모 다중 입출력 시스템의 구복호 장치 및 방법

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CONG XIONG ET AL: "A simplified fixed-complexity sphere decoder for V-BLAST systems", IEEE COMMUNICATIONS LETTERS, vol. 13, no. 8, XP011271920, DOI: 10.1109/LCOMM.2009.091039 *
GUANGHUI LI ET AL: "An early termination-based improved algorithm for fixed-complexity sphere decoder", 2012 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE *
SHENG LEI ET AL: "Adaptive Control of Surviving Branches for Fixed-Complexity Sphere Decoder", 2010 IEEE 71ST VEHICULAR TECHNOLOGY CONFERENCE *
华权;赵书锋;王倩;申滨;: "基于SAMP的低复杂度大规模MIMO信号检测算法", 南京邮电大学学报(自然科学版), no. 02 *
王世良;孙松林;景晓军;黄海;: "低复杂度信道矩阵排序的MIMO固定复杂度球译码", 北京邮电大学学报, no. 05 *
胡剑浩;周将运;何帅宁;陈杰男;: "基于Max-Log更新的马尔科夫链蒙特卡洛MIMO检测增强算法", 电子科技大学学报, vol. 46, no. 01 *

Also Published As

Publication number Publication date
CN115051734B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
US7583763B2 (en) Multi input multi output wireless communication reception method and apparatus
US8290096B2 (en) Radius adaptive sphere decoding with probabilistic noise constraint
US8117522B2 (en) Sphere decoder and decoding method thereof
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN114097202B (zh) 解码器和用于对信号进行解码的方法
CN101499840B (zh) 多入多出系统的迭代检测方法
KR100937513B1 (ko) 다중 송수신 안테나를 사용하는 이동 통신 시스템에서트렐리스 구조를 이용한 심볼 검출 방법
CN104580039B (zh) 格基规约算法辅助的无线mimo系统的接收机检测方法
JP2004343702A (ja) Ｍｉｍｏ電気通信システム及びこのシステムにおける送信シンボルの復号方法並びに送信シンボルの復号装置
KR101923782B1 (ko) 가중식 순차 디코딩
US8139669B2 (en) Space domain filter detecting method in a multi-antenna wireless communication system
CN109981151A (zh) 大规模mimo系统中改进的高斯树近似消息传递检测算法
CN115051734B (zh) 一种固定复杂度球形译码的改进方法
CN112187332B (zh) 大规模多输入多输出软检测系统及方法
Wu et al. Accelerated sphere decoding for multiple-input multiple-output systems using an adaptive statistical threshold
CN104038457A (zh) 编码mimo系统中基于初始球半径的软输出球形译码方法
US6693568B2 (en) Apparatus, and an associated method, for detecting digital data using MLSE detection with a dynamically-sized trellis
CN113660016A (zh) 基于epa的mimo检测方法、装置、设备和存储介质
CN115001546B (zh) 基于并行K-Best搜索的MIMO系统信号检测方法
Yao et al. End-to-End MIMO Systems with Conditional Generative Adversarial Networks
CN108449120B (zh) 一种基于差分度量低复杂度qam-mimo检测方法
Kim et al. SNR measurement free adaptive K-Best algorithm for MIMO systems
CN115051900B (zh) 无线多输入多输出的接收机检测方法
KR101402246B1 (ko) 다중 입출력 시스템에서 로그 우도율 생성 방법 및 장치
KR102441253B1 (ko) 무선 통신 시스템에서 신호를 수신하기 위한 장치 및 방법

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