CN1437345A - 基于软敏感比特和空间分组的时空迭代多用户检测算法 - Google Patents

Abstract

基于软敏感比特和空间分组的时空迭代与用户检测应用于无线通信中的多用户接入技术领域，其特征在于：它把所有用户根据空间相关性归类到若干组和相应各组以外的“外组”，再对各组内的子多用户使用基于软敏感比特的简化的MAP迭代多用户检测算法，即首先分辨出敏感比特以获得先验信息，再在对原分辨出的敏感比特的小子集中进行MAP检测，然后再用经迭代处理的各组内用户的信道MAP译码输出的外信息实现组外的软干扰消除。它可用于宽带无线通信中编码的多用户接入系统，能在同时接入二十个用户时在AWGN信道和频选衰落信道下都能在很少的迭代次数下逼近单用户多天线编码系统的性能。

Description

基于软敏感比特和空间分组的时空迭代多用户检测算法

技术领域

无线通信中编码的多用户接入系统：编码的直接序列码分多址接入(Direct Sequence-CodeDivision Multiple Access，DS-CDMA)，编码的多载波MC-CDMA(Multicarrier-CDMA)和编码的空分多址接入(Space Division Multiple Access，SDMA)系统。

背景技术

在宽带无线通信系统中，多址接入干扰(Multiple Access Interference，MAI)和符号间干扰(Inter-Symbol Interference，ISI)构成了影响系统稳定通信的主要障碍。为了更好地解决符号间干扰和多址干扰MAI问题，提高系统容量，我们发明了联合采用了智能天线和简化迭代MAP多用户检测(Turbo Multiuser Detection，Turbo MUD)技术的算法，及基于软敏感比特和空间分组的时空迭代多用户检测算法应用于编码的多用户接入系统中。

智能天线技术在移动通信中的应用是通信领域的研究热点。该技术能在不增加频谱资源的情况下大大地增加系统的容量，提高功率和频谱的效率。这是因为空间滤波能有效地抑制不同于目标用户入射方向的多址接入干扰，同时由于天线阵上目标信号的分集合并能增强目标信号。近年来，随着强纠错能力的Turbo Code的发明，迭代(Turbo)处理技术在无线通信系统中越来越受到重视。Turbo code技术能获得稳定通信且性能接近香侬理论值。基于MAP的迭代(Turbo)多用户检测技术应用与编码的CDMA系统时，此算法性能即使在稍低的SNR范围也能逼近单用户编码CDMA系统的性能。因此，结合Turbo多用户检测技术和智能天线技术将进一步提高系统的性能。近来，已有不同的结合天线阵的Turbo多用户检测技术提出用于增强系统的性能[1，2]。在[1]和[2]中，将结合基于干扰消除方法的天线阵Turbo多用户检测技术用于衰落信道下的DS-CDMA和MC-CDMA系统。该多用户检测算法类似于串行干扰消除方法(Successive Interference Cancellation，SIC)。类似的Turbo多用户检测技术也在[3，4]中被提出，只是其在干扰消除后用了最小均方误差(Minimum Mean Square Error，MMSE)滤波来提高性能。虽然这些基于干扰消除的方法的复杂度跟用户数呈线性关系，但为了逼近最优MAP迭代多用户检测算法需要更多的迭代次数。在[5]中，提出结合智能天线的MAP迭代多用户检测算法，用于多波束(Multibeam)系统，但此算法的复杂度跟用户数呈指数关系，在实际中不可实现。

为了使MAP迭代多用户检测技术应用在实际系统中(在扇区内同时有几十甚至上百个用户接入)成为可能，我们发明了结合智能天线和迭代多用户检测技术的时空迭代(Turbo)多用户检测算法用于编码的多用户接入系统。

[1]M.C.Reed and P.D.A.exander，“Iterative multiuser detection using antenna arrays and FEC on multipathchannels，”IEEE JSAC，Vol.17，No.12，pp.2082-89，Dec 1999.

[2]M.S.Akhter and J.Asenstorfer，“Iterative detection for MC-CDMA system with Base station antenna array forfading chanels，”IEEE GLOBECOM’98.Sydney，NSW，Australia，1998.

[3]X.D.Wang and H.V.Poor，“Iterative(Turbo)soft interference cancellation and decodig for coded CDMA，”IEEE Trans.Commun.，Vol.47，No.7，pp.1046-1061，July 1999.

[4]H.E.Gamal，and E.Geraniotis，“Iterative multiuser detection for coded CDMA signals in AWGN and Fadingchannels，”IEEE JSAC，Vol.18，No.1，pp.30-41，January 2000.

[5]Michael L.Moher,“Multiuser decoding for multibeam systems，”IEEE Trans.Vehicular Technology，Vol.49，No.4，pp.1226-34，July 2000

发明内容

结合智能天线和简化MAP迭代多用户检测技术的基于软敏感比特和空间分组时空迭代(Turbo)多用户检测算法可应用于宽带无线通信中编码的多用户接入系统。举例如附图1、2、3中，我们将时空迭代多用户检测算法应用于多载波CDMA系统以显著地提高系统的容量和性能。时空迭代多用户检测算法描述如下：时空迭代多用户接收机将所有用户根据空间相关性归类分成若干组和相应的“外组”，所有用户被归类到不同的组。分组后，基于MAP迭代的多用户检测算法应用于各减少有效用户数的组内。虽然各组内的有效用户数相对于扇区内所有的用户数是大大地减少了，但当组内用户数接近或超过10时，传统的MAP迭代多用户检测算法是不可行的。为了减少组内MAP多用户检测算法的复杂度，我们提出了基于软敏感比特的简化的迭代MAP多用户检测算法作为各组内的子多用户检测算法。基于敏感比特的MAP迭代多用户检测算法的基本思想是首先我们分辨出敏感比特，这样做可获得“粗”的先验信息，它给出了各编码比特是可能估计对还是错的信息。有了这些先验信息，我们可在对应分辨出的敏感比特的小子集中进行MAP检测。另外，因为空间滤波方法抑制组间用户干扰是有限的，在各组内进行MAP迭代多用户检测前，先消除“外组”干扰用户的MAI，算法中我们采用软的干扰消除方法。由于组内的Turbo(迭代)处理，各组内用户的信道MAP译码输出的外信息可用于实现组外的软干扰消除以提高算法性能。因为若用硬干扰消除方法，当硬判决估计错误时会导致硬干扰消除时出错。通过这样处理，基于软敏感比特和空间分组的时空迭代多用户检测算法可明显地减少算法的复杂度，并且可获得比传统结合天线阵的软干扰消除的多用户检测更好的性能。在编码的MC-CDMA系统中，时空迭代多用户检测算法能在同时接入二十个用户时在AWGN信道和频选衰落信道下都能在很少的迭代次数下逼近单用户多天线编码系统的性能。我们发明的时空迭代多用户检测算法的算法复杂度跟用户数呈线性关系，本算法的提出为MAP多用户检测算法在实际的应用中成为可能。

因此，本发明的目的在于提出一种基于软敏感比特和空间分组的时空迭代多用户检测法。

本发明的特征在于：它把所有用户根据空间相关性归类到若干组和相应各组以外的组即“外组”，再对各组内的子多用户使用基于软敏感比特的简化的MAP迭代多用户检测算法，即首先分辨出敏感比特以获得先验信息，再在对应分辨出的敏感比特的小子集中进行MAP检测，然后再用经迭代处理的各组内用户的信道MAP译码输出的外信息实现组外的软干扰消除；它依次含有以下步骤：

1)用多天线矩阵接收多用户(设M个用户)接入信号，根据用户信号入射方向做空间滤波和频域匹配滤波；

2)根据用户间空间滤波权重系数的相关性，把所有M个用户归类并分到G个组和相应的“外组”；

3)计算所有M个用户的编码比特的初始硬估计和软估计，并把真值分配到G个组和相应的“外组”；

4)定义各组最大的敏感比特数目和最大迭代次数；

5)在第g个组内执行基于软敏感比特的简化的迭代MAP多用户检测算法，它依次有以下步骤：

5.1)根据“外组”软估计实现软干扰消除；

5.2)用敏感比特算法找出f个敏感比特，根据这些敏感比特用简化的MAP多用户检测算法计算输出的第g组内各用户的外信息；

5.3)判断迭代是否结束：

若未结束，则各用户MAP信道译码器计算编码比特的外信息并返回步骤(3)；

若已结束，即计算完G个组，则各用户MAP信道译码器计算出信息比特的外信息作为多用户检测信号输出。

它顺次地主要含有的下各步：

1)初始化：根据下式获得各用户的空间滤波权重矢量 再由分组准则把所有M个用户归类分成G个组和相应的“外组”： ${\stackrel{\→}{W}}_m=\frac{{\stackrel{\→}{a}}_m}{\left|\right|{\stackrel{\→}{a}}_m\left|\right|}=k\·{\stackrel{\→}{a}}_m,1\≤m\≤\mathrm{Mk}=\frac{1}{\sqrt{Q}}$ 其中：Q为天线元素数； ${\stackrel{\→}{a}}_m=\[1,e^{-\mathrm{j\π}\sin Q_m},\…\…,e^{-j(Q-1)\mathrm{\π}\sin {\mathrm{\θ}}_m}{\]}^T$ 为第m个用户在入射角为Q_m下的天线阵列响应；

所述的分组准则为：

1.1)当β_μ，ν≥β₁且β_ν，μ≥β₂时，分配μ，ν，ν用户为同组Ω_g，即{μ，ν，ν}∈Ω_g；其中，μ＝1，...，M，ν＝1，....μ，ν＝2，....，ν-1，

β₁，β₂为设定的门限，且β₁＞β₂，

β_μ，ν为用户μ，ν间的空间滤波矢量

的相关系数，如： ${\mathrm{\β}}_{\mathrm{\μ},v}=\frac{\left|\right|{{\stackrel{\→}{W}}_{\mathrm{\μ}}}^H\·{\stackrel{\→}{W}}_V\left|\right|}{\left|\right|W_{\mathrm{\μ}}\left|\right|\left|\right|W_v\left|\right|}$

上标(·)^H为共轭转置，“·”表示向量点积；1.2)当β_μ，ν≥β₁且β_ν，ν≤β₂下，分配用户μ，ν为同组Ω_g中的成员，即{μ，ν}∈Ω_g且 于是，所有分配到G个组中的用户总数满足 $\underset{g=0}{\overset{G=1}{\mathrm{\Σ}}}{k}_g=M,$ 其中k_g为第g个组的用户总数，“外组”即为第g个组Ω_g以外的用户，用Ω_g ^I表示，其用户数满足 $k_g^l=M-k_g,k_g^l,$ 表示Ω_g ^I的用户总数；

2)在接收满足经过波束形成和传统的匹配滤波后，得到所有M个用户的编码比特初始硬估计和软估计，它们依次分别为： ${\hat{d}}_{\stackrel{\‾}{g},t}^{\left(R\right)}=\mathrm{sign}\left(\mathrm{real}\left(y_{m(k,\stackrel{\‾}{g})}\right)\right),$ ${\tilde{d}}_{\stackrel{\‾}{g},t}^{\left(k\right)}=\mathrm{real}\left(y_{m(k,\stackrel{\‾}{g})}\right);$ 是第m个用户被归类为第g个“外组”中的第k个用户的接收信号匹配滤波(MF)输出；

3)定义各组最大的敏感比特数目：

3.1)根据下述不等式

来分辩估计的多用户编码比特矢量 的似然度量和传统的单用户匹配滤波(MF)估计的初始各用户的编码比特

的似然度量差值的上限， 的值越大则对应调整的比特越可能估计错误，即敏感比特；

3.2)再在k_g个 中搜索f(f＜k_g)个最大的度量值，f为第g个组内的敏感比特数。

4)根据“外组”Ω_g ^I内用户传输的编码比特

的软估计来实现软干扰消除：上述软估计 ${\tilde{d}}_{\stackrel{\‾}{g},k}^{\left(k\right)}=\mathrm{real}\left(y_{m(k,\stackrel{\‾}{g})}\right);$ 则干扰消除后，有 ${{\stackrel{\→}{X}}_g}^n=H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t}+{\stackrel{\→}{Z}}_g,$ 而

的自相关矩阵 为 $E\[{\stackrel{\→}{Z}}_g{{\stackrel{\→}{Z}}_g}^H\]=H_{\stackrel{\‾}{g}}\·E\[\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}\·\mathrm{\Δ}{{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}}^H\]\·{H_{\stackrel{\‾}{g}}}^H+\frac{1}{\sqrt{Q}}{H}_g{{\mathrm{\σ}}_n}^2;$ 其中，H_g是第g组Ω_g内用户和相关矩阵，

是组Ω_g内用户和相应“外组”Ω_g ^I内用户间的相关矩阵，G_g，t为组内Ω_g用户的平均功率，

为组Ω_g中用户传输的编码比特矢量， 是外组Ω_g ^I内用户传输的编码比特 的软估计，

是“外组”Ω_g ^I中用户的MAP信道译码输出的估计误差，σ_n ²是加性高斯白噪声(AWGN)的方差；

5)简化的迭代MAP多用户检测法：

当我们要第一次迭代时设敏感比特的先验概率为等概率分布且非敏感比特的先阶概率为1时，则MAP多用户检测算法可仅考虑对应f个敏感比特的2^f个编码比特矢量

5.1)计算第g组内第k个用户的外信息λ_1e ^k；

5.2)用MAP算法算出第k个用户的后验LOG似然率(LLR)，用Λ₂表示，则用户译码输出的外信息为 ${\mathrm{\λ}}_{2e}^k={\mathrm{\Λ}}_2-{\mathrm{\λ}}_{1e}^k;$

5.3)把λ_2e ^k反馈到MAP多用户检测模块，在迭代结束时，计算信息比特的后验LOG似然率，由此来作接收比特译码；

5.4)根据各用户信道译码反馈的外信息得到改进的编码比特先验信息即： ${\mathrm{\λ}}_{1\mathrm{\σ}}^k={\mathrm{\λ}}_{2e}^k,$

从而得到更准确的用户编码比特的硬估计和软估计；

6)获得所有M个用户的改进的硬估计和软估计，返回步骤(3)。

使用证明本发明使MAP迭代多用户检测技术在实际系统中的应用成为可能。

附图说明

图1：Turbo时空多用户检测的多载波CDMA系统模型。

图2：Turbo时空多用户接收机。

图3：第g组内基于软敏感比特算法的Turbo多用户检测算法框图。

图4：AWGN信道单天线接收的简化Turbo多用户检测算法性能(M＝10，L＝15)。

图5：AWGN信道下Turbo时空多用户检测算法性能(M＝20，L＝7)，4组，组间隔15°。

图6：AWGN信道下Turbo时空多用户检测算法性能(M＝20)， ${\mathrm{\ρ}}_{m,m^{\′}}^s=0.4.$

图7：频选衰落信道下Turbo时空多用户检测算法性能(M＝20，L＝7)。

图8：本方法的程序流程扼图。

具体的实施方式

具体地，在应用于编码的多载波CDMA系统时，算法的实现如下。

为方便理解公式，首先我们定义公式中符号的意义：上面箭头的变量表向量；大写黑体变量表矩阵；下横线变量表时间序列。公式中的小点表乘积；符号定义为Kronecker乘积。上标(·)^T定义转置；上标(·)^H定义共厄转置。

如图1示有M个用户的编码的MC-CDMA系统，用户在120°的扇区内随机分布。由于实际系统中移动终端不易使用天线阵，只有基站装置了Q个元素的天线阵。系统中，第m个用户的信息比特序列

通过卷积编码(或Turbo编码)器后经交织得到编码比特序列 以避免深衰落导致的突发误码。第m个用户、第t时间的编码比特序列

用伪随机(PN)序列扩频后，用MC-CDMA技术传输，其中子载波数N等于PN序列长L。这里，我们假设各子信道是平坦衰落的，且各子信道间的信道响应是独立的，这可以通过频域交织来实现。第m用户的第l子信道的频域信道响应为 $H_{t,l}^m={\mathrm{\ρ}}_{m,l}\exp \left({\mathrm{\θ}}_{m,l}\right),$ 其中ρ_m，l和θ_m，l分别为幅度和相位。在接收端，系统实现了完全的帧同步，这可以用已有的各种时间同步技术来实现。另外，我们还假设各用户的天线阵列响应 ${\stackrel{\→}{a}}_m(0\≤m\≤M-1)$ 已被准确地估计。在波束形成后，每个用户的信号在频域解扩并作最大比率合并。定义 为第t时间间隔的天线阵接收信号 ${\stackrel{\→}{r}}_t=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{d}_t^{\left(m\right)}\·{\stackrel{\→}{a}}_m\·\underset{l=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{m,l}\·c_m\[l\]\·\exp \{{\mathrm{\ω}}_{l}t+{\mathrm{\θ}}_{m,l}\}+{\stackrel{\→}{n}}_t---\left(1\right)$ 其中，

是Q×1维的块矢量 ${\stackrel{\→}{r}}_t={[{{\stackrel{\→}{r}}_t}^{1^T},{{\stackrel{\→}{r}}_t}^{2^T},\·\·\·,{{\stackrel{\→}{r}}_t}^{Q^T}]}^T$ ${\stackrel{\→}{a}}_m=\[1,e^{-\mathrm{j\π}\sin {\mathrm{\θ}}_m},\·\·\·,e^{-j(Q-1)\mathrm{\π}\sin {\mathrm{\θ}}_m}{\]}^T$ 定义为第m用户在入射角为θ_m时的天线阵列响应。

是天线阵上的加性高斯白噪声(AWGN)矢量，并认为天线阵各元素上的噪声是独立的。c_m[l]是随机序列 ${\underset{\‾}{c}}^m=\{c_m\[l\]{\}}_{l=1,\·\·\·,L}$ 的第l个码片。由于信号带宽远小于射频的频率，因而可近似认为各用户所有子载波上的天线阵列响应 a_m是相同的。考虑第t时间间隔、第q个天线上的接收信号，信号的矩阵形式表示 ${{\stackrel{\→}{r}}_t}^q=\mathrm{IFFT}\left\{A_t^q{G}_t{\stackrel{\→}{d}}_t\right\}+{\stackrel{\→}{n}}_t---\left(2\right)$ 其中，A_t ^q是L×M维矩阵，A_t ^q的第m列矢量包含了第m个用户所有子载波上的信道响应和PN序列的信息。 是M个用户传输的编码比特矢量。而G_t定义为所有用户平均功率矩阵。具体地 $A_t^q=\[a_{1,t}^q{\stackrel{\→}{s}}_t^1,a_{2,t}^q{\stackrel{\→}{s}}_t^2,\·\·\·,a_{M,t}^q{{\stackrel{\→}{s}}_t}^M\],q=1,\·\·\·,Q$ 其中， ${\stackrel{\→}{S}}_t^m=\[S_{t,1}^m,S_{t,2}^m,\·\·\·,S_{t,L}^m{\]}^T,m=1,\·\·\·,M,$ $S_{t,l}^m=H_{t,.l}^m\·c_m\[l\],i=1,\·\·\·L,$ $a_m^q=\exp \left\{\mathrm{j\π}(q-1)\sin \left({\mathrm{\θ}}_m\right)\right\}$ 和 $G_t=\mathrm{Diag}\{\sqrt{p_t^1},\sqrt{p_t^2},\·\·\·,\sqrt{p_t^M},\},{\stackrel{\‾}{d}}_t=\[d_t^{\left(1\right)},d_t^{\left(2\right)},\·\·\·,d_t^{\left(M\right)}{\]}^T$ 其中，H_t，i ^m是第t时刻、第m用户、第i子载波上的频域信道响应，p_t ^m是第t时刻、第m用户的接收功率。因此，第q个天线元素上的频域接收信号可表示为 ${\stackrel{\→}{R}}_t^q=\mathrm{FFT}\·\mathrm{IFFT}\{A_t^q\·G_t\·{\stackrel{\→}{d}}_t\}+\mathrm{FFT}\left\{{\stackrel{\→}{n}}_t^q\right\}\·---\left(3\right)$ 我们定义 为第m用户的空间滤波矢量，它可根据第m用户的天线阵列响应 用维纳(Winener)算法给出为 ${\stackrel{\→}{W}}_m=\frac{R_{\mathrm{uu}}^{-1}{\stackrel{\→}{a}}_m}{{\stackrel{\→}{a}}_m^H{R}_{\mathrm{uu}}^{-1}{\stackrel{\→}{a}}_m}=k\·{\stackrel{\→}{a}}_m(k:\mathrm{cons}\tan t)---\left(4\right)$ 其中，R_uu是第m用户的干扰和噪声的协方差矩阵。则第m用户的波束形成和频域匹配滤波输出为 $y_m={\stackrel{\→}{s}}_t^{m^T}\·\{{\stackrel{\→}{W}}_m\·\[{\stackrel{\→}{R}}_t^l,\·\·\·,{\stackrel{\→}{R}}_t^q,\·\·\·,{\stackrel{\→}{R}}_t^Q{\]}^T\}$

其中，空间和随机序列相关性系数分别为 ${\mathrm{\ρ}}_{m,m^{\′}}^a={\stackrel{\→}{W}}_m\·{\stackrel{\→}{a}}_{m^{\′}},{\mathrm{\ρ}}_{m,m^{\′}}^s={\stackrel{\→}{S}}_t^{m^T}\·{\stackrel{\→}{S}}_t^{m^{\′}}(1\≤m\≤M;1\≤m^{\′}\≤M)$ ${\stackrel{\→}{\mathrm{\η}}}_t^q=\mathrm{FFT}\left\{{\stackrel{\→}{n}}_t^q\right\}$ 是另一复高斯白噪声随机过程，且其方差满足 ${\mathrm{\σ}}_{\mathrm{\η}}^2={\mathrm{\σ}}_n^2$ 。σ_n ²是高斯噪声 ${\stackrel{\→}{n}}_t^q(q=1,\·\·\·,Q)$ 的方差。因此，我们可给出整个系统的信号模型为或记作 $\stackrel{\→}{y}=H{G}_t{\stackrel{\→}{d}}_t+\stackrel{\→}{N}---\left(6\right)$ 其中，H是所有用户间的相关矩阵。 N是有色复高斯噪声，其均值为零，方差为 $E(\stackrel{\→}{N}\·{\stackrel{\→}{N}}^H)=\frac{1}{\sqrt{Q}}H{\mathrm{\σ}}_n^2.$ 从公式(6)可知，当扇区内有几十甚至上百个用户接入时，在基站用最优MAP的迭代多用户检测算法是不可行的。

如图2所示，我们给出了结合智能天线和MAP迭代多用户检测的Turbo时空多用户检测算法结构框图。Turbo时空多用户接收机将所有用户根据空间相关性归类分成若干组和相应的“外组”，在各组内进行MAP迭代多用户检测前，先消除“外组”干扰用户的MAI。本算法中我们采用软的干扰消除方法。由于组内的Turbo(迭代)处理，各组内用户的信道MAP译码输出的外信息可用于实现组外的软干扰消除以提高算法性能。因为若用硬干扰消除方法，当硬判决估计错误时会导致硬干扰消除时出错。另外，为了减少组内MAP多用户检测算法的复杂度，我们应用基于软敏感比特的简化MAP多用户检测算法作为组内的子多用户检测算法。具体地，Turbo时空多用户检测算法描述如下：

假设基站可正确地估计各用户的天线阵列响应。为简化算法我们取空间滤波权重矢量为 ${\stackrel{\→}{W}}_m=\frac{{\stackrel{\→}{a}}_m}{\left|\right|{\stackrel{\→}{a}}_m\left|\right|}=\mathrm{\κ}\·{\stackrel{\→}{a}}_m,1\≤m\≤M---\left(7\right)$ 其中

定义为向量的模， $\mathrm{\κ}=1/\sqrt{Q}.$ 根据用户间空间滤波权重系数的相关性，将所有M个用户归类分到G个组中。我们定义用户间空间滤波矢量 的相关系数为

其中“·”定义为两向量的点积。定义β₁和β₂为门限且有β₁＞β₂。据相关系数，我们用下述归类准则来分组：

1.当β_μ，v≥β₁和β_v，υ≥β₂时，我们分配用户u、用户v为同组Ω_g，及满足

                                          {u，v，υ)∈Ω_g

2.当β_μ，v≥β₁和β_v，υ≤β₂时，我们分配用户u和用户v为组Ω_g中成员。则有

                                     {u，v，υ)∈Ω_g，and 其中，u＝1…，M，v＝1，…u，υ＝2，…，v-1，定义K_g为第g组的用户数。则所有分配到G个组中的用户总数满足 $\underset{g=0}{\overset{G-1}{\mathrm{\Σ}}}{K}_g=M.---\left(9\right)$ 因为空间滤波干扰抑制的有限性，组外用户仍能对组内用户产生严重的干扰。因此，我们把第g组Ω_g外的用户归类为相应的“外组”Ω_g ^I，其用户数K_g ^I满足 $K_g^l=M-K_g.---\left(10\right)$ 根据上述准则，根据用户的入射角(DOA)，扇区内所有用户被分配到若干个组和相应的“外组”。

为了减少组间多址干扰MAI的影响，组间干扰消除方法采用软干扰消除方法。如果把一个组看成一个用户，则该方法可以看成是软的并行干扰消除(PIC)方法。不失一般性，如图3示，我们考虑有K_g个有效用户的第g组Ω_g和相应有K_g ^I个干扰用户的“外组”Ω_g ^I。根据公式(6)，第g组的K_g个匹配滤波(MF)输出为 ${\stackrel{\→}{y}}_g=H_g{G}_{g,l}{\stackrel{\→}{d}}_{g,t}+H_{\stackrel{\‾}{g}}{G}_{\stackrel{\‾}{g},t}{\stackrel{\→}{d}}_{\stackrel{\‾}{g},t}+{\stackrel{\→}{N}}_g---\left(11\right)$ 其中，H_g第g组Ω_g内用户的相关矩阵，而 是组Ω_g内用户和相应“外组”Ω_g ^I内用户间的相关矩阵。 和

分别定义为组Ω_g和外组Ω_g ^I中用户传输的编码比特矢量。另外，G_g，t和 分别定义为Ω_g和Ω_g ^I中用户的平均功率。具体地，我们定义

而噪声矢量为 ${\stackrel{\→}{N}}_g=\[N_{g,l},N_{g,2},\·\·\·,N_{g,K_g}{\]}^T---\left(14\right)$ 它是零均值有色复高斯噪声，且方差为 $E({\stackrel{\→}{N}}_g\·{\stackrel{\→}{N}}_g^H)=\frac{1}{\sqrt{Q}}{H}_g{\mathrm{\σ}}_n^2.---\left(15\right)$ 在公式(11)中的第一项为Ω_g中用户的目标信号，而第二项为来至Ω_g ^I的干扰MAI。因此，干扰消除操作是根据“外组”Ω_g ^I内用户传输的编码比特

的估计来实现干扰消除，则消除干扰后有 ${\stackrel{\→}{X}}_g^n=H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t}+H_{\stackrel{\‾}{g}}{G}_{\stackrel{\‾}{g},t}({\stackrel{\→}{d}}_{\stackrel{\‾}{g},t}-{\stackrel{\widetilde{\→}}{d}}_{\stackrel{\‾}{g},t}^n)+{\stackrel{\→}{N}}_g$ $=H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t}+H_{\stackrel{\‾}{g}}{G}_{\stackrel{\‾}{g},t}\mathrm{\Δ}{\stackrel{\→}{d}}_{g,t}+{\stackrel{\→}{N}}_g$ $=H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t}+{\stackrel{\→}{Z}}_g---\left(16\right)$ 其中，

是

的软估计，它由第n次迭代的各用户MAP信道译码给出的反馈软信息来获得。

是“外组”Ω_g ^I中用户的MAP信道译码输出的估计误差。假设各用户MAP信道译码输出的估计误差是高斯白噪声，则估计误差矢量的协相关矩阵为 $E\[\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}\·\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}^H\]=\mathrm{diag}(\[{\mathrm{\σ}}_{e,l,\stackrel{\‾}{g}}^2,{\mathrm{\σ}}_{e,2,\stackrel{\‾}{g}}^2,\·\·\·,{\mathrm{\σ}}_{e,K_{g,\stackrel{\‾}{g}}^l}^2\])\·---\left(17\right)$ 因此，式(16)中的总噪声矢量

也是高斯的，且有协方差矩阵 $E\[{\stackrel{\→}{Z}}_g{\stackrel{\→}{Z}}_g^H\]=H_{\stackrel{\‾}{g}}\·E\[\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{-\·}{g}}\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}^H\]\·H_{\stackrel{\‾}{g}}^H+\frac{1}{\sqrt{Q}}{H}_g{\mathrm{\σ}}_n^2=R_{g,\stackrel{\‾}{z}\stackrel{\‾}{z}}---\left(18\right)$ 其中，总噪声协方差矩阵包括剩余干扰和噪声两部分。可以看出，如果我们能计算每次迭代Ω_g ^I内的第k个用户的信道译码的误差方差 和AWGN噪声的方差σ_n ²，则传统的最优的MAP迭代多用户检测算法就可作为各组内的子多用户检测算法。我们定义信道译码输出的误差方差为 ${\mathrm{\σ}}_{e,k,\stackrel{\‾}{g}}^2=E\[(d_{\stackrel{\‾}{g},t}^{\left(k\right)}-{\tilde{d}}_{\stackrel{\‾}{g},t}^{\left(k\right)}{)}^2]---\left(19\right)$ 其中，

是Ω_g ^I中第k个用户实际传输的编码比特，而

是该编码比特的软估计。在实际的接收机中， 是不可能知道的。因此，我们给出了近似的误差方差估计

其中，

是编码比特 的硬判决估计。而

是该编码比特的软估计。根据各用户MAP信道译码反馈的外信息可获得编码比特的先验概率 $p(d_{\stackrel{\‾}{g},t}^{\left(k\right)}=\±1)$ 。则， 为

的期望值 ${\tilde{d}}_{\stackrel{\‾}{g},t}^{\left(k\right)}=E\[d_{\stackrel{\‾}{g},t}^{\left(k\right)}]=p(d_{\stackrel{\‾}{g},t}^{\left(k\right)}=+1)-p(d_{\stackrel{\‾}{g},t}^{\left(k\right)}=-1)---\left(21\right)$ 应该注意的是在第一次迭代中编码比特是没有先验概率信息的，因此，我们让

其中，y_m(k，g)是式(6)中的接收信号匹配滤波(MF)输出，而m(k， g)表示第m个用户被归类为第g个“外组”中的第k个用户。

虽然可应用最优的MAP迭代多用户检测算法作为在各组内子多用户检测算法，但其算法的复杂度是跟组内的用户数呈指数关系的。因此，当组内用户数多时，比如大于10个用户时，最优的MAP迭代多用户检测算法是不可行的。以下，我们将应用基于软敏感比特的简化MAP多用户检测算法作为各组的子多用户检测算法。

各组内的MAP迭代多用户检测算法如图3示。不失一般性，我们考虑第t时刻、第g组内的MAP迭代多用户检测。其输出的第七个用户的编码比特d_g，t ^(k)的后验LOG似然率为 ${\mathrm{\Λ}}_1\left(d_{g,t}^{\left(k\right)}\right)\stackrel{\mathrm{\Δ}}{=}\log \frac{P(d_{g,t}^{\left(k\right)}=+1|{\stackrel{\→}{x}}_g^n)}{P(d_{g,t}^{\left(k\right)}=-1|{\stackrel{\→}{x}}_g^n)}=\log \frac{p\left({\stackrel{\→}{x}}_g^n\right|d_{g,t}^{\left(k\right)}=+1)}{p({\stackrel{\→}{x}}_g^n|d_{g,t}^{\left(k\right)}=-1)}+\log \frac{p(d_{g,t}^{\left(k\right)}=+1)}{p(d_{g,t}^{\left(k\right)}=-1)},$

                                              k＝1，…，K_g         (23)其中，等式(23)中的第一项作为MAP多用户检测给出的外信息(extrinsic information)，定义为λ_1e ^k。第二项为先验信息，用λ_1o ^k来表示。它们通过上次迭代的第k个用户的信道译码来得到。根据等式(15)， x_g ⁿ的条件概率分布可用K_g维多元高斯概率密度函数来表示， $p$ $\left({\stackrel{\→}{x}}_g^n\right|{\stackrel{\→}{d}}_{g,t})=$ $\frac{1}{\sqrt{{\left(2\mathrm{\π}\right)}^{K_g}\det \left(R_{g,\stackrel{\‾}{z}\stackrel{\‾}{z}}\right)}}\exp$ $\[-\frac{1}{2}{({\stackrel{\‾}{x}}_g^n-H_g{G}_{g,t}{\stackrel{\‾}{d}}_{g,t})}^H{R}_{g,\stackrel{\‾}{z}\stackrel{\‾}{z}}^{-1}({\stackrel{\‾}{x}}_g^n-H_g{G}_{g,t}{\stackrel{\‾}{d}}_{g,t})\]\left(24\right)$ 为了计算λ_1e ^k需要

关于第k个用户的编码比特d_g，t ^k的联合概率分布 $p({\stackrel{\→}{x}}_g^n,d_{g,t}^{\left(k\right)}=d)=\underset{{\stackrel{\‾}{d}}_{g,t};d_{g,t}^{\left(k\right)}=d}{\mathrm{\Σ}}\mathrm{Pr}\{{\stackrel{\→}{x}}_g^n\left|{\stackrel{\→}{d}}_{g,t}\right\}\·\mathrm{Pr}\left\{{\stackrel{\→}{d}}_{g,t}\right\}---\left(25\right)$ 因为不同用户的编码比特是相互独立的，所以式(25)的条件概率分布可写为 $p\left({\stackrel{\→}{x}}_g^n\right|d_{g,t}^{\left(k\right)}=d)=\frac{p({\stackrel{\→}{x}}_g^n,d_{g,t}^{\left(k\right)}=d)}{p(d_t^k=d)}=\underset{{\stackrel{\‾}{d}}_t;d_t^k=d}{\mathrm{\Σ}}\mathrm{Pr}\left\{{\stackrel{\→}{x}}_g^n\right|{\stackrel{\→}{d}}_{g,t}\}\·\underset{\stackrel{j=I}{i\≠k}}{\overset{K_g}{\mathrm{\Π}}}\mathrm{Pr}\{d_{g,t}^{\left(i\right)}\}\·---\left(26\right)$ 为了简化最优MAP算法的复杂度，我们提出了基于敏感比特的简化MAP多用户检测算法。基于敏感比特的MAP迭代多用户检测算法的基本思想是首先我们分辨出敏感比特，这样做可获得“粗”的先验信息。它给出了各编码比特是可能估计对还是错的信息。有了这些先验信息，我们可在对应分辨出的敏感比特的小子集中进行MAP检测。定义似然度量为 $\mathrm{\ψ}\left({\stackrel{\→}{d}}_{g,t}\right)={({\stackrel{\→}{x}}_g^n-H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t})}^H{R}_{g,\stackrel{\‾}{z}\stackrel{\‾}{z}}^{-1}({\stackrel{\→}{x}}_g^n-H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t})--\left(27\right)$ 并让

其中， 是估计的多用户编码比特矢量。另外，让 定义为一新的比特矢量，它对应于反转 中的一个且仅一个比特的极性(及-1→1或1→-1)。我们已经证明了当估计比特矢量

中有一个或多个比特错误时，且我们反转 中的错误的比特的极性得到 则有

换一种说法，当 的值越大则对应调整的比特越可能估计错误，即敏感比特。一般的，估计的编码比特矢量中错误的比特数是很少的。比如，若编码比特的的误比特率是10^-2，这意味着平均来说每一百个比特中有一个比特出错，因此，一般敏感比特的数目不会很大。我们通过如下处理来分辨敏感比特：首先我们用传统的单用户匹配滤波(MF)来估计初始各用户的编码比特。然后根据不等式(29)来分辨出敏感比特。我们定义第g组内的敏感比特数目为f，在所有K_g个新调整比特矢量的度量

中搜索f(f＜K_g)个最大的度量值。定义敏感比特为对应于此f个编码比特矢量中调整的比特。为了实现迭代的MAP多用户检测算法，在第一次迭代，我们假设敏感比特的先验概率 为等概分布。而非敏感比特的先验概率为1，因为这些比特假设是正确估计的。则MAP多用户检测算法可以仅考虑对应f敏感比特的2^f所有可能的编码比特矢量

(其中，这些向量中菲敏感比特保持初始估计不变)。则不同于传统最优的MAP准则，式(26)的条件概率的计算可以简化为 $p\left({\stackrel{\‾}{y}}_t\right|{d_t}^{\left(k\right)}=d)\≈\underset{{\stackrel{\→}{d}}_t\∈{\left\{{{\stackrel{\→}{d}}_t}^s\right\}}_{s=1,\·\·\·,2^f;{d_t}^{\left(k\right)}=d}}{\mathrm{\Σ}}\mathrm{Pr}\left\{{\stackrel{\→}{y}}_t\right|{\stackrel{\→}{d}}_t\}.\underset{\underset{i\≠k}{i=1}}{\overset{K}{\mathrm{\Π}}}\mathrm{Pr}\{{d_t}^{\left(i\right)}\},k=1,\·\·\·K--\left(30\right)$ 其中，只考虑2^f(当第k个编码比特为敏感比特时为2^f-1)个重要编码比特矢量，而其它

个矢量作为不重要的编码比特矢量，在计算式(30)时可以忽略它们因为等式主要取决于2^f重要矢量。

根据上述分析，我们初始化第一次迭代时MAP多用户检测的编码比特先验概率为在下一次迭代，根据各用户MAP信道译码反馈的外信息λ_2e ^k，MAP多用户检测模块可得到更准确的先验概率和传输编码比特的硬判决

其中， ${\mathrm{\λ}}_{1o}^k={\mathrm{\λ}}_{2e}^k---\left(32\right)$ 随着传输编码比特的硬判决

的改善，敏感比特也将重新调整。注意的是，不同于第一次迭代，此时用于MAP多用户检测的编码比特先验概率 为 $\mathrm{Pr}\{d_{g,t}^{\left(k\right)}=d\}=\frac{\exp (d\·{\mathrm{\λ}}_{1o}^k)}{1+\exp (d\·{\mathrm{\λ}}_{1o}^k)}$ $\left(33\right)$ 因此，第t时刻、第g组内第k个用户的软编码比估计 可由式(21)和式(33)得到。

在第g组内，在MAP多用户检测模块后是K_g个用户的信道译码，应用MAP算法给出编码比特的后验概率和在最后迭代给出信息比特的后验概率。假设我们用码率为R＝1/n的卷积码，每n个编码比特d_g，t ^(k)对应一个编码前信息比特b_g，j ^(k)。此n个信道比特定义为 $(d_{g,t}^{\left(k\right)},\·\·\·,d_{g,t+n-1}^{\left(k\right)})={\underset{\‾}{d}}_{g,j}^{\left(k\right)}$ 。因此，我们有 $\mathrm{Pr}\{d_{g,t^{\′}}^{\left(k\right)}=d|{\underset{\‾}{x}}_g^{\left(k\right)}\}=\underset{m^{\′}}{\mathrm{\Σ}}\underset{{\underset{\‾}{d}}_{g,\mathrm{jg}}^k;d_{g,t^{\′}}^k=d}{\mathrm{\Σ}}\mathrm{Pr}\{S_{j-1}=m^{\′};{\underset{\‾}{d}}_{g,j}^{\left(k\right)}\left|{\underset{\‾}{x}}_g^{\left(k\right)}\right\}---\left(34\right)$ 其中， 是第g组内第k个用户的接收信号序列。S_j是在j时刻的状态和m’覆盖所有可能的状态。该指出的是等式(34)可以用已有的MAP信道译码算法或简化的log-MAP信道译码算法来实现。有了前端MAP多用户检测输出的外信息，信道译码MAP网格译码状态间的分支度量为 ${\mathrm{\γ}}_j(m^{\′},m)=\mathrm{Pr}\{S_j=m|S_{j-1}=m^{\′}\left\}\underset{t^{\′}=t}{\overset{t+n-1}{\mathrm{\Π}}}\mathrm{Pr}\right\{{\stackrel{\→}{x}}_{g,t^{\′}}\left|d_{g,t\′}^{\left(k\right)}\right\}---\left(35\right)$ 因此，第k个用户的后验LOG似然率(LLR)为 ${\mathrm{\Λ}}_2\stackrel{\mathrm{\Δ}}{=}\log \frac{\mathrm{Pr}\{d_{g,t^{\′}}^{\left(k\right)}=1|{\underset{\‾}{x}}_g^{\left(k\right)}\}}{\mathrm{Pr}\{d_{g,t^{\′}}^{\left(k\right)}=-1|{\underset{\‾}{x}}_g^{\left(k\right)}\}}\≈{\mathrm{\λ}}_{2e}^k+{\mathrm{\λ}}_{1e}^k---\left(36\right)$ 其中，用户译码输出外信息为 ${\mathrm{\λ}}_{2e}^k={\mathrm{\Λ}}_2-{\mathrm{\λ}}_{1e}^k$ 。这些信息又反馈给MAP多用户检测模块，且通过式(33)可获得改进的MAP多用户检测的先验信息。

以下简要地总结Turbo时空多用户检测算法。让f_max定义为各组最大的敏感比特数目和I定义为最大迭代次数。则基于软敏感比特算法的Turbo时空多用户检测算法可描述为：初始化：根据式(7)获得各用户的空间滤波权重矢量 然后，由分组准则将所有M个用户归类分成G个组和相应的“外组”。在接收端，经过波束形成和传统的匹配滤波后，可得所有M用户的编码比特的初始硬估计和软估计分别为和 ${\tilde{d}}_{\stackrel{\‾}{g},t}^{\left(k\right)}=\mathrm{real}\left(y_{m(k,\stackrel{\‾}{g})}\right)$ 并将其分配到G组和相应的“外组”迭代处理：For n＝1 to I

第一步：(软干扰消除)

获得第g个“外组”Ω_g ^I的编码比特的软估计 通过消除来至Ω_g ^I的MAI，软干扰消除表示为 ${\stackrel{\→}{x}}_g^n=H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t}+H_{\stackrel{\‾}{g}}{G}_{\stackrel{\‾}{g},t}({\stackrel{\→}{d}}_{\stackrel{\‾}{g},t}-{\stackrel{\→}{d}}_{\stackrel{\‾}{g},t}^n)+{\stackrel{\→}{N}}_g$ $=H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t}+{\stackrel{\→}{z}}_g$ 其中 的协相关矩阵

为 $E\[{\stackrel{\→}{z}}_g{\stackrel{\→}{z}}_g^H]=H_{\stackrel{\‾}{g}}\·E[\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}\·\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}^H]\·H_{\stackrel{\‾}{g}}^H+\frac{1}{\sqrt{Q}}{H}_g{\mathrm{\σ}}_n^2$ 第二步：(简化的MAP迭代多用户检测)

i)根据敏感比特算法，找出f个敏感比特。根据这些敏感比特，由简化的MAP多用户检测算法输出的第g组内第k个用户的外信息为 ${\mathrm{\λ}}_{1e}^k=\log \frac{p\left({\stackrel{\→}{x}}_g^n\right|d_{g,t}^{\left(k\right)}=+1)}{p\left({\stackrel{\→}{x}}_g^n\right|d_{g,t}^{\left(k\right)}=-1)}$ 其中， $p\left({\stackrel{\→}{x}}_g^n\right|d_{g,t}^{\left(k\right)}=d)\≈\underset{{\stackrel{\_}{d}}_{g,t}\∈\{{\stackrel{\_}{d}}_{g,t}^s{\}}_{s=1,\·\·\·,2^{f;d_{g,t}^{\left(k\right)}=d}}}{\mathrm{\Σ}}\mathrm{Pr}\left\{{\stackrel{\→}{X}}_g^n\right|{\stackrel{\→}{d}}_{g,t}\}\·\underset{\underset{i\≠k}{i=1}}{\overset{k_g}{\mathrm{\Π}}}\mathrm{Pr}\{d_{g,t}^{\left(i\right)}\}.$ 注意，在第一次迭代，编码比特的先验概率 由式(31)求的。而在下一次迭代，先验概率

由式(33)给出。ii)获得MAP多用户检测输出的外信息λ_1e ^k后，根据公式(36)可的第k个用户的信道译码的外信息λ_2e ^k。然后，将外信息λ_2e ^k反馈到MAP多用户检测模块。当i＝I时，计算信息比特的后验LOG似然率，由此来作接收比特译码。结束本算法。iii)根据各用户信道译码反馈的外信息可获得改进的编码比特先验信息(及 ${\mathrm{\λ}}_{1o}^k={\mathrm{\λ}}_{2e}^k),$ 由此可获得更准确的用户编码比特的硬估计和软估计。

和 ${\tilde{d}}_{\stackrel{\‾}{g},t}^{\left(k\right)}=E\left[d_{\stackrel{\‾}{g},t}^{\left(k\right)}\right]=p(d_{\stackrel{\‾}{g},t}^{\left(k\right)}=+1)-p(d_{\stackrel{\‾}{g},t}^{\left(k\right)}=-1).$

第三步：.获得所有M用户改进的硬估计和软估计，返回到第一步。

本节给出了在AWGN信道和频率选择性衰落信道下我们建议的分组多用户检测算法的仿真结果和性能比较。仿真实验中，所有用户采用相同的码率为的卷积码。我们采用了两种卷积码：约束长度为5，八进制生成因子为(23，35)和约束长度为3，八进制生成因子为(5，7)的卷积码。每块信息比特的长为128，且采用随机交织方法。所有用户等传输功率(及G＝I)。并设置分组准则的门限β₁和β₂分别为0.9和0.95。假设接收端知道噪声方差σ_n ²和各用户的扩频序列。最后，定义信噪比为信息比特功率和噪声功率的比，仿真图中，(AqBmIn)定义为q个接收天线，m敏感比特和n次迭代。应该注意地是n＝1表示没有反馈信息用于提高系统性能。

图4给出了基于敏感比特算法的Turbo多用户检测算法在单天线的编码多载波CDMA系统中的仿真性能，系统中用户数M＝10，PN序列长L＝15。我们采用生成因子为(23，35)的卷积码。从图可以看出即使敏感比特数目远小于用户总数，简化的MAP迭代多用户检测算法能有效工作，并且在敏感比特数f＝3和迭代次数n＝3时，它和单用户编码系统的性能在BER＝10^-4处仅差0.15dB。另外，简化MAP多用户检测算法的复杂度由最优算法的 降到0((K₁-f/2)2^f)，其中K₁＝M，且只有一组。具体地，当K₁＝10和f＝3.时算法复杂度由0(10240)降到0(78)。由此，我们可知简化的MAP迭代多用户检测算法可作为Turbo时空多用户检测中各组内的子多用户检测算法。

在下面的仿真中，我们给出了Turbo时空MUD算法在编码多载波CDMA系统中的仿真性能，系统有用户数M＝20，有Q＝3个接收天线。另外，为了减少仿真时间我们采用低状态数的(5，7)卷积码。扇区的大小为2π/3，各用户的DOA入射方向在(π/6)＜θ＜(5π/6)内随机分布，且假设基站可理想地估计出用户的DOA。最后，我们设置各组内简化Turbo多用户检测算法的最大敏感比特数f_max＝3。

在图5中给出了在AWGN信道下等分组的情况下的Turbo时空多用户检测算法性能。所有用户均匀地分成4组，并有K_g＝5且g＝1，...，4。并且考虑约束，让不同组间的用户DOA最小夹角为15°。这一点可以通过基站的管理软件来保证，及把不在组内的干扰用户切换到其它时间槽或频域信道。这样的空间约束确保各组间用户在空间上的部分分割。因此，在不同的组可以重复地用相同的PN序列，PN序列长为L＝7(L＞K_g)。为了便于比较，我们还给出了单用户编码MC-CDMA系统在使用单天线和多天线阵时的性能。从图中可以看出，在单用户情况，使用天线阵波束形成技术可获得5dB的性能增益。同时，可见Turbo时空多用户算法在很少的迭代次数(n＝3)下就能逼近多天线单用户时的性能。

在图6中，我们考虑各用户间等交叉相关性的情况，并设置在式(5)中定义的交叉相关系数 ${\mathrm{\ρ}}_{m,m^{\′}}^s=0.4,$ 且1≤m，m′≤20。此时没有组间用户的空间约束，所有用户随机分布在扇区内。仿真结果表明我们建议的Turbo时空多用户检测算法在SNR大于-1dB时可获得几乎和单用户多天线编码的多载波CDMA系统的性能。

Turbo时空多用户检测算法在频域选择性衰落信道下的性能在图7中给出。可以看出，在衰落信道下，本算法可以在比在AWGN信道下更少的迭代次数就能达到理想的结果。例如，在m＝3和n＝2(仅一次迭代)时，我们建议的算法就可逼近单用户在衰落信道下的性能。

可见在实际系统中，即使在120°的扇区内有大量用户(几十甚至上百用户)同时接入基站时，我们建议的算法仍能实现。此时，我们算法有和用户数呈线性关系的算法复杂度 $O(\underset{g=1}{\overset{G}{\mathrm{\Σ}}}(K_g-f/2)\·2^f),f\≤f_{\max }$

基于软敏感比特和空间分组时空迭代(Turbo)多用户检测算法可应用于宽带无线通信中编码的多用户接入系统。时空迭代多用户检测算法能在同时接入二十个用户时在AWGN信道和频选衰落信道下都能在很少的迭代次数下逼近单用户多天线编码系统的性能。我们发明的时空迭代多用户检测算法的算法复杂度跟用户数呈线性关系，它的提出为MAP多用户检测算法在实际的应用中成为可能。可应用于编码的CDMA、SDM(Space Division Multiplexing)SDMA系统中。

Claims (2)

1.基于敏感比特和空间分组的简化迭代MAP多用户检测法，含有结合智能天线的最大后验概率(MAP)迭代多用户检测算法，其特征在于：它把所有用户根据空间相关性归类到若干组和相应各组以外的组即“外组”，再对各组内的子多用户使用基于软敏感比特的简化的MAP迭代多用户检测算法，即首先分辨出敏感比特以获得先验信息，再在对应分辨出的敏感比特的小子集中进行MAP检测，然后再用经迭代处理的各组内用户的信道MAP译码输出的外信息实现组外的软干扰消除；它依次含有以下步骤：

1)用多天线矩阵接收多用户(设M个用户)接入信号，根据用户信号入射方向做空间滤波和频域匹配滤波；

2)根据用户间空间滤波权重系数的相关性，把所有M个用户归类并分到G个组和相应的“外组”；

3)计算所有M个用户的编码比特的初始硬估计和软估计，并把真值分配到G个组和相应的“外组”；

4)定义各组最大的敏感比特数目和最大迭代次数；

5)在第g个组内执行基于软敏感比特的简化的迭代MAP多用户检测算法，它依次有以下步骤：

5.1)根据“外组”软估计实现软干扰消除；

5.2)用敏感比特算法找出f个敏感比特，根据这些敏感比特用简化的MAP多用户检测算法计算输出的第g组内各用户的外信息；

5.3)判断迭代是否结束：

若未结束，则各用户MAP信道译码器计算编码比特的外信息并返回步骤(3)；

若已结束，即计算完G个组，则各用户MAP信道译码器计算出信息比特的外信息作为多用户检测信号输出。

2.根据权利要求1所述的基于软敏感比特和空间分组的简化迭代MAP多用户检测法，其特征要于：它顺次地主要含有的下各步：

1)初始化：根据下式获得各用户的空间滤波权重矢量 再由分组准则把所有M个用户归类分成G个组和相应的“外组”： ${\stackrel{\→}{W}}_m=\frac{{\stackrel{\→}{a}}_m}{\left|\right|{\stackrel{\→}{a}}_m\left|\right|}=k\·{\stackrel{\→}{a}}_m,1\≤m\≤\mathrm{Mk}=\frac{1}{\sqrt{Q}}$ 其中：Q为天线元素数； ${\stackrel{\→}{a}}_m={\[1,e^{-\mathrm{j\π}\sin Q_m},\…\…,e^{-j(Q-1)\mathrm{\π}\sin {\mathrm{\θ}}_m}\]}^T$ 为第m个用户在入射角为Q_m下的天线阵列响应；所述的分组准则为：

1.1)当β_μ，ν≥β₁且β_ν，μ≥β₂时，分配μ，ν，ν用户为同组Ω_g，即{μ，ν，ν}∈Ω_g；其中，μ＝1，...，M，ν＝1，....μ，ν＝2，....，ν-1，

β₁，β₂为设定的门限，且β₁＞β₂，

β_μ，ν为用户μ，ν间的空间滤波矢量

的相关系数，如： ${\mathrm{\β}}_{\mathrm{\μ},v}=\frac{\left|\right|{{\stackrel{\→}{W}}_{\mathrm{\μ}}}^H\·{\stackrel{\→}{W}}_v\left|\right|}{\left|\right|W_{\mathrm{\μ}}\left|\right|\left|\right|W_v\left|\right|}$

上标(·)^H为共轭转置，“·”表示向量点积；1.2)当β_μ，ν≥β₁且β_v，v ≤β₂下，分配用户μ，ν为同组Ω_g中的成员，即{μ，ν}∈Ω_g且

于是，所有分配到G个组中的用户总数满足 $\underset{g=0}{\overset{G=1}{\mathrm{\Σ}}}{k}_g=M,$ 其中k_g为第g个组的用户总数，“外组”即为第g个组Ω_g以外的用户，用Ω^g _I表示，其用户数满足

$k_g^l=M-k_{g,},k_g^l,$ 表示Ω_g ^I的用户总数；

2)在接收满足经过波束形成和传统的匹配滤波后，得到所有M个用户的编码比特初始硬估计和软估计，它们依次分别为： ${\hat{d}}_{\stackrel{\‾}{g},t}^{\left(R\right)}=\mathrm{sign}\left(\mathrm{real}\left(y_{m(k,\stackrel{-}{g})}\right)\right),$ ${\tilde{d}}_{\stackrel{\‾}{g},t}^{\left(k\right)}=\mathrm{real}\left(y_{m(k,\stackrel{\‾}{g})}\right);$

是第m个用户被归类为第g个“外组”中的第k个用户的接收信号匹配滤波(MF)输出；

3)定义各组最大的敏感比特数目：

3.1)根据下述不等式 来分辩估计的多用户编码比特矢量

的似然度量和传统的单用户匹配滤波(MF)估计的初始各用户的编码比特 的似然度量差值的上限， 的值越大则对应调整的比特越可能估计错误，即敏感比特；

3.2)再在k_g个

中搜索f(f＜k_g)个最大的度量值，f为第g个组内的敏感比特数。

4)根据“外组”Ω_g ^I内用户传输的编码比特

的软估计来实现软干扰消除：

上述软估计

${\tilde{d}}_{\stackrel{\‾}{g},k}^{\left(k\right)}=\mathrm{real}\left(y_{m(k,\stackrel{\‾}{g})}\right);$ 则干扰消除后，有 ${{\stackrel{\→}{X}}_g}^H=H_g{G}_{g,t}{\stackrel{\→}{d}}_{g,t}+{\stackrel{\→}{Z}}_g,$ 而 的自相关矩阵R_g， 为 $E\left[{\stackrel{\→}{Z}}_g{{\stackrel{\→}{Z}}_g}^H\right]=H_{\stackrel{\‾}{g}}\·E[\mathrm{\Δ}{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}\·\mathrm{\Δ}{{\stackrel{\→}{d}}_{\stackrel{\‾}{g}}}^H]\·{H_{\stackrel{\‾}{g}}}^H+\frac{1}{\sqrt{Q}}{H}_g{{\mathrm{\σ}}_n}^2;$ 其中，H_g是第g组Ω_g内用户和相关矩阵，

是组Ω_g内用户和相应“外组”Ω_g ^I内用户间的相关矩阵，G_g，t为组内Ω_g用户的平均功率，

为组Ω_g中用户传输的编码比特矢量，

是外组Ω_g ^I内用户传输的编码比特 的软估计，

是“外组”Ω_g ^I中用户的MAP信道译码输出的估计误差，σ_n ²是加性高斯白噪声(AWGN)的方差；

5)简化的迭代MAP多用户检测法：当我们要第一次迭代时设敏感比特的先验概率为等概率分布且非敏感比特的先阶概率为1时，则MAP多用户检测算法可仅考虑对应f个敏感比特的2f个编码比特矢量

5.1)计算第g组内第k个用户的外信息λ_1e ^k；

5.2)用MAP算法算出第k个用户的后验LOG似然率(LLR)，用Λ₂表示，则用户译码输出的外信息为 ${\mathrm{\λ}}_{2e}^k={\mathrm{\Λ}}_2-{\mathrm{\λ}}_{1e}^k;$

5.3)把λ_2e ^k反馈到MAP多用户检测模块，在迭代结束时，计算信息比特的后验LOG似然率，由此来作接收比特译码；

5.4)根据各用户信道译码反馈的外信息得到改进的编码比特先验信息即：

从而得到更准确的用户编码比特的硬估计和软估计；

6)获得所有M个用户的改进的硬估计和软估计，返回步骤(3)。

Images