CN1449137A - 基于敏感比特的简化最大似然多用户检测法 - Google Patents

Abstract

基于敏感比特的简化最大似然多用户检测法属于无线通信领域，其特征在于：它是一种在用传统低复杂度的非最优多用户检测算法估计出的多用户信号中分辨出敏感比特再在相应于敏感比特的更小的搜索子集内用最大的似然检测(MLD)法来纠正错误比特的方法。它减少了误比特率，同时大大简化了最大的似然多用户检测算法的复杂度，使它在实际应用中成为可能。它还可通过增加敏感比特数目或通过迭代方法来逼近MLD算法的性能。可用于CDMA、SDM和SDMA系统中。

Description

基于敏感比特的简化最大似然多用户检测法

技术领域

无线通信系统：包括空分多址接入(Space Division Multiple Access，SDMA)、码分多址接入(Code Division Multiple Access，CDMA)和空分复接(Space Division Multiplexing，SDM)等系统。

背景技术

随着无线通信业的飞速发展，尤其是电视会议、宽带因特网接入和广域网接入等无线业务的推出。无线通信系统面临更大的用户系统容量需求的压力。扩频和智能天线技术是有效克服信道有限频谱带宽的方法。目前，码分多址接入技术(CDMA)已应用于各种数字蜂窝系统和个人通信系统。智能天线技术可在不增加系统频谱资源的情况下大大提高系统的性能，空分多址接入(SDMA)、空分复接(SDM)系统的应用越来越受到关注。多用户检测技术可很效的利用扩频和智能天线系统所增加的自由度，并大大提高系统的容量。相比于次最优的多用户检测算法(解相关，最小均方误差检测和干扰消除等)，传统最大似然检测(MLD)算法具有最优的BER(Bit Error Rate)性能。然而，传统的MLD算法的算法复杂度跟检测用户数和调制阶数呈指数关系，实际应用中不易实现。我们发明的敏感比特多用户检测算法可在大大简化传统多用户检测算法的算法复杂度的情况下保持很小的BER性能损失，且其算法复杂度跟次最优的多用户检测算法的算法复杂度是同数量级的。

发明内容

本发明有目的在于提供一种误比特率小且算法复杂度与次最优的多用户检测算法属于同数量级的基于敏感比特的简化最大似然多用户检测法。

在介绍我们发明的敏感比特多用户检测算法前，有必要简单地介绍传统的MLD算法。最优MLD算法是以最大似然(ML)的方法来同时估计出所有用户的信号。考虑简单的系统信号模型 $\stackrel{\→}{R}=H\·\stackrel{\→}{S}+\stackrel{\→}{N.}---\left(1\right)$ 其中，

H和

分别是在SDM和SDMA系统中的接收信号向量、矩阵信道和白高斯噪声向量；另外，在直接序列CDMA系统中分别代表匹配滤波输出信号向量、相关矩阵和匹配滤波输出噪声。 为多用户传输的符号矢量，其最优估计解， 可通过搜索获得假设调制阶数为Q和终端数目为N。为搜索到最优解，完全的搜索需要计算所有Q^N个可能的符号矢量，因而在实际系统中当Q和N变大时，此算法会因复杂度太大而不能实现。为此，我们提出了简单、有效的敏感比特多用户检测算法

基于敏感比特多用户检测算法的基本思想是分二阶段来实现：第一初始阶段，用传统低复杂度的非最优多用户检测算法如最小均方误差LMMSE(Linear Minimum Mean Square Error)算法和有序迭代干扰消除SIC(Successive Interference Cancellation)算法来估计多用户信号。第二阶段，我们分辨出一些特殊比特，称之为“敏感比特”，它们是在第一阶段很有可能估计错误的比特。然后，我们在相应与敏感比特的更小的搜索自集内用最大似然MLD算法来纠正出错比特。具体地，基于敏感比特多用户检测算法描述如下：第一步：初始化

为实现“敏感比特”算法，尽可能正确地估计多用户比特是对提高后阶段算法的效用是重要的。初始阶段可利用简单的检测算法如LMMSE和有序SIC。则获得N个用户传输的符号矢量

此符号矢量可映射到2N个比特的矢量其中，i＝1，…，N和j＝I，Q，且I和Q分别代表符号的正弦和余弦分量。第二步：敏感比特算法

根据式(1)， 的条件分布密度函数可表示为 $P\left(\stackrel{\→}{R}\right|\stackrel{\→}{S})=\frac{1}{{\left(2\mathrm{\π}\right)}^{M/2}{\left|\right|{\mathrm{\σ}}^{2}I\left|\right|}^{1/2}}\exp \{-\frac{{(\stackrel{\→}{R}-H\·\stackrel{\→}{S})}^H\·(\stackrel{\→}{R}-H\·\stackrel{\→}{S})}{{\mathrm{\σ}}^{2}I}\}.---\left(3\right)$ 最大化似然概率(3)，则等效于最小化尺度 $\mathrm{\ψ}\left(\stackrel{\→}{S}\right)={(\stackrel{\→}{R}-H\·\stackrel{\→}{S})}^H(\stackrel{\→}{R}-H\·\stackrel{\→}{S}).---\left(4\right)$ 定义

其中，

是初始阶段多用户传输符号矢量的估计。显然， 不是最优检测值。然而，由于

中仅可能有少数几个比特错误估计，因而Ψ₀会很接近最小尺度 $\underset{\stackrel{\→}{S}}{\arg \min }\mathrm{\Ψ}\left(\stackrel{\→}{S}\right).$ 事实上，在仿真实验中我们证实了这情况确实存在。

考虑比特矢量

并假设

中有且仅有第ij元素比特错误估计(i＝1，…，N，j＝I，Q)。然后，我们调整 中第ij元素比特，即反转第ij元素比特的极性，并获得调整后新的比特矢量。相应的调整符号矢量，

，也随之获得。且满足 其中，且有注意，此时 是完全正确估计的多用户符号矢量。在附录.1中，我们证明了存在

因此，它意味着当我们纠正初始估计比特矢量

中的一个错误比特后并得到新的比特矢量估计 在期望意义上， 将小于Ψ₀。因此，这样的比特是最有可能是错误检测的，即如果我们反转比特矢量 中该比特的极性(如，0→1或1→0)，而所得到的新符号矢量

的度量小于Ψ₀。

一般来说，初始估计的符号矢量中的错误比特数是很有限的。比如，如果初始估计中比特误码率为10^-1，则意味着平均意义上十个比特中仅有一个比特是错误估计的。因此，一般情况下，敏感比特的数目不会很大。另外，新符号矢量 的度量 越小，则其相应反转极性的比特就越可能是在初始阶段错误估计的。考虑

中所有的2N比特位且得到相应的所有可能2N新符号矢量

。然后，我们将所有2N新符号矢量

的度量 按降序排列，则我们定义相应在所有的度量

中最小的2^f(f≤2N)新矢量中反转极性的比特为“敏感比特”，因为这些比特是所有比特中最可能出错的。给出这f个敏感比特，我们可假设其它剩余的比特都是正确估计的。因此，为纠正f个敏感比特中错误的比特，此时采用MLD算法可以仅考虑相应f个敏感比特的2^f个可能的符号矢量组合。可见我们把最优的MLD算法从4^V个可能符号矢量集缩小到很小的2^f个符号矢量元素的子集中搜索。因而在2^f个符号矢量元素的子集中搜索的MLD算法可以被用来作敏感比特算法最后的次最优的最大似然估计。此估计可定义为本发明的特征在于：它是借助计算机的一种在上述估计出的多用户信号中分辨出敏感比特，再在相应于敏感比特的更小的搜索子集内用MLD算法来纠正出错误比特的方法，它依次含有如下步骤：

(1).用各种简单多用户检测的算法或单用户匹配滤波实现N个多用户信号预估计；

(2).预置初始多用户信号矢量；

(3).在相应于敏感比特的子集内用MLD算法：

(3.1)转初始多用户信号矢量中某位比特的极性(有且仅有一个比特转极性)，并计算所得新符号矢量的度量；

(3.2)反转所有比特并计算所有新符号矢量的度量；

(3.3)在2N个得到的新符号矢量的度量中搜索2^f个最小度量值，定义相应此2^f个矢量中的f个反转比特为“敏感比特”；

(3.4)固定其他2N-f个比特不变，对应于f个敏感比特在2^f个符号矢量的子集内做MLD算法；

(4).判断迭代结束否？：

        若：未结束，则回到步骤(2)；

        若，已结束，则输出多用户检测信号。基于敏感比特的简化最大似然多用户检测方法依次含有如下步骤：

(1).用传统的线性最小均方差(LMMSE)和有序的递次干扰消除(SIC)算法算法实现初始的多用户检测；

(2).敏感比特算法：

(2.1)定义f为最大敏感比特数；

(2.2)在把步骤(1)得到的N个用户传输的符号矢量 映射到2N

个比特的矢量 后，其中：i＝1，2…N，j＝I，Q，

J，Q分别代表符号的正弦和余弦分量；

通过反转 中第ij个比特扔极性得到新的符号矢量 ，它对应于初始的估计

，有且仅有一个比特转极性；

(2.3)反转所有比特得到2N个新的符号矢量

，计算所有的新符号矢量 的2N

个

(2.4)在2N个新得到的度量

中搜索2^f个最小 ，定义相应此2^f个矢量中的f个反转比特为“敏感比特”；

(2.5)固定其它2N-f个比特不变，对应于f个敏感比特的2^f个符号矢量的子集内作最大似然检测。

使用说明：敏感比特算法极大地减少了初始阶段接收机的误比特率，而且算法复杂度与最优MLD算法复杂度相比更为简化。而且，当所有用户的总比特数远大于敏感比特数目时可用多次迭代敏感比特算法来提高性能。

附图说明

图1：敏感比特算法的程序流程扼图。

图2：基于LMMSE初始估计的敏感比特算法性能(4个用户，6根接收天线)。敏感比特算法，f＝5

敏感比特算法，f＝4敏感比特算法，f＝3

传统最小均方误差算法V-BLAST算法—      最大似然算法

图3：基于有序SIC初始估计的敏感比特算法性能(4个用户，6根接收天线)。

敏感比特算法，f＝5敏感比特算法，f＝4敏感比特算法，f＝3传统最小均方误差算法

V-BLAST算法

图4：基于LMMSE初始估计的敏感比特算法性能(8个用户，12根接收天线)。敏感比特算法，f＝5

敏感比特算法，f＝4敏感比特算法，f＝3传统最小均方误差算法V-BLAST算法

图5：基于SIC初始估计的敏感比特算法性能(8个用户，12根接收天线)。

敏感比特算法，f＝5

敏感比特算法，f＝4敏感比特算法，f＝3

敏感比特算法，f＝2(迭代)传统最小均方误差算法V-BLAST算法

具体的实施方式

实施的敏感比特多用户检测算法依次含有以下步骤：●第一步：用传统的LMMSE算法和有序SIC多用户检测算法来实现初始的多用户检测。●第二步：敏感比特算法

定义f为最大的敏感比特数

1.通过反转 中第ij个比特的极性得到新的符号矢量

，对应于初始估计

，有

且仅有一个比特转极性。反转所有比特并计算所有新符号矢量的度量 (i＝1，…，N；j＝I，Q)。

2.在2N个新到的度量

中搜索2^f个最小的

，并定义相应此2^f个矢量中的f个反转比特为“敏感比特”。

3.固定其它2N-f个比特不变，对应于f个敏感比特的2^f个符号矢量的子集内做最大似然检测另外，应该指出的是敏感比特多用户检测算法的计算复杂度主要取决于敏感比特的数目。如果同时有太多的用户同时接入，比如CDMA系统，而设定的敏感比特数目f不足于同时纠正初始检测的错误比特。因此，我们提出迭代型敏感比特多用户检测算法来避免增加敏感比特数目。即将上一次敏感比特检测结果作为下一次敏感比特检测的初始估计。在实际系统中，要根据实际情况来协调敏感比特数和敏感比特算法的迭代操作数目。敏感比特算法的实现框图如图1示。

通过计算机仿真和仿真结果比较表明我们发明的敏感比特多用户检测算法有很强的应用潜力。实验仿真中，我们仅考虑SDMA系统，其中基站装置M＝6(或12)个天线，且有单天线的N＝4(或8)个用户在室内随机分布。定义敏感比特数目f＝3，4和5。定义空间平均接收信噪比(SNR)为 $\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\mathrm{SNR},$ 其中SNR_i为在第i个天线上所有N用户的接收信号能量和噪声功率的比值。为了比较，我们列出了传统的LMMSE多用户接收机和类似于有序SIC算法的V-BLAST接收机的BER性能。

首先，我们考虑图2和图3，它们给出了我们发明的敏感比特检测算法和传统的LMMSE算法、V-BLAST接收机和最优MLD算法的BER性能比较。可以看出，敏感比特算法极大地提高了初始阶段LMMSE或V-BLAST接收机的BER性能。例如，当敏感比特数f＝5时，与传统的LMMSE或V-BLAST接收机相比，基于敏感比特的MLD算法可以分别获得3dB和1dB的BER性能增益。另外，随着敏感比特数的增加，本算法的性能将进一步接近最优MLD算法。从图2可见，敏感比特算法和最优MLD算法的性能差别在所有的平均接收SNR范围是0.3dB。虽然，敏感比特算法在初始分别采用LMMSE和V-BLAST接收机时仿真性能相似，但在高SNR区，两者仿真结果有差异。在图2中，初始估计基于LMMSE算法的敏感比特算法和有序SIC算法在高SNR处有交叉。这是因为LMMSE算法的性能远差于有序SIC算法。

在图4和图5中，我们给出了和图2和图3类似的仿真结果。不同的是此时的基站接收天线数和用户数分别是M＝12和N＝8。因为最优MLD算法在这样的仿真参数下太复杂而被省略。从图4和图5更显现初始估计的重要性，在高SNR区，基于有序SIC初始估计的敏感比特算法的BER性能明显好于基于LMMSE初始估计的敏感比特算法。在图5中，可以看出当设定的敏感比特数目远小于检测的比特总数时，采用迭代型敏感比特算法是有效的。具体地，敏感比特数f＝2，重复次数为1次的迭代敏感比特算法的性能好于敏感比特数f＝3但没有重复操作的敏感比特算法。

除了BER性能外，检验算法好坏的另一个重要因子是算法复杂度。在8用户，QPSK的情况下，完成最优MLD算法要计算和比较所有4⁸＝65，536个可能符号矢量的度量。然而，我们发明的敏感比特算法，除了在初始阶段作简单的LMMSE或有序SIC算法来实现初估计外，我们仅需要在第二阶段作2N+2^f＝32个可能符号矢量的计算比较就可以了。从而大大地简化了最优MLD的算法复杂度而BER性能损失却很小。敏感比特算法和最优MLD算法的复杂度列于表1，其中我们仅考虑了乘法运算。注意的是初始化部分的运算仅需在信道恒定不变的时间内做一次，而敏感比特算法部分却按符号率的速率来进行运算。

最后，我们具体地给出了当M＝12，N＝8，Q＝4和f＝5的情况下，相应的算法复杂度的比较列于表2。可见敏感比特算法的算法复杂度是最优MLD算法复杂度的4×10^-4。这表明基于敏感比特的MLD算法是实际应用有效、可行的多用户检测算法。应该注意的是，当所有用户的总比特数远大于敏感比特数目时，我们可通过多次迭代敏感比特算法来提高性能，即将上次敏感比特算法的输出作为本次敏感比特算法的初始估计。

表1：算法复杂度比较

表2：当M＝12，N＝8，Q＝4和f＝5的情况下，算法复杂度比较

算法计算复杂度	初始化	SB-MLD算法
			LMMSE-SB-MLD	12912(Multiplication)	2820×M
SIC-SB-MLD	5232×M	3062×M
			Exhaustive-MLD		6815744×M

Claims (2)

1.基于敏感比特的简化最大似然多用户检测方法，含有用传统低复杂度的非最优多用户检测算法估计多用户信号，并用最大似然检测(MLD)算法来纠正出错比特的步骤，其特征在于：它是借助计算机的一种在上述估计出的多用户信号中分辨出敏感比特，再在相应于敏感比特的更小的搜索子集内用MLD算法来纠正出错误比特的方法，它依次含有如下步骤：

(1).用各种简单多用户检测的算法或单用户匹配滤波实现N个多用户信号预估计；

(2).预置初始多用户信号矢量；

(3).在相应于敏感比特的子集内用MLD算法：

(3.1)转初始多用户信号矢量中某位比特的极性(有且仅有一个比特转极性)，并计算所得新符号矢量的度量；

(3.2)反转所有比特并计算所有新符号矢量的度量；

(3.3)在2N个得到的新符号矢量的度量中搜索2^f个最小度量值，定义相应此2^f个矢量中的f个反转比特为“敏感比特”；

(3.4)固定其他2N-f个比特不变，对应于f个敏感比特在2^f个符号矢量的子集内做MLD算法；

(4).判断迭代结束否？：

        若：未结束，则回到步骤(2)；

        若，已结束，则输出多用户检测信号。

2.根据权利要求1所述的基于敏感比特的简化最大似然多用户检测方法其特征在于，它依次含有如下步骤：

(1).用传统的线性最小均方差(LMMSE)和有序的递次干扰消除(SIC)算法算法实现初始的多用户检测；

(2).敏感比特算法：

(2.1)定义f为最大敏感比特数；

(2.2)在把步骤(1)得到的N个用户传输的符号矢量 映射到2N

个比特的矢量

后，其中：i＝1，2…N，j＝I，Q，

J，Q分别代表符号的正弦和余弦分量；

通过反转 中第ij个比特扔极性得到新的符号矢量

，它对应于初始的估计

，有且仅有一个比特转极性；

(2.3)反转所有比特得到2N个新的符号矢量

，计算所有的新符号矢量

的2N个

(2.4)在2N个新得到的度量ψ 中搜索2^f个最小ψ

，定义相应此2^f个矢量

中的f个反转比特为“敏感比特”；

(2.5)固定其它2N-f个比特不变，对应于f个敏感比特的2^f个符号矢量的子集内作最大似然检测。

Images