CN1538700A - 通过顺序蒙特卡罗的接近最佳的多输入多输出信道检测 - Google Patents

Abstract

基于在随机和确定性设置下的顺序蒙特卡罗(SMC)框架，一类用于多输入多输出信道的软输入软输出解调方案。随机SMC采样器基于重要性采样和再采样技术产生MIMO码元采样，确定性SMC方法以超出所需的形式递归地执行探测和选择步骤。通过使用基于零化和抵消的现有简单贝尔实验室分层空间时间(BLAST)检测方法的仿真顺序结构，所提出的算法获得一误差概率性能，其在数量级上优于传统BLAST检测方案，同时保持较低的计算复杂度。其性能可与球形解码算法相比，具有更低的复杂度。随机和确定性SMC检测器在已编码MIMO系统的叠代或者turbo接收机中可用作第一级解调器。

Description

通过顺序蒙特卡罗的接近最佳的多输入多输出信道检测

技术领域

本发明总体上涉及数字数据接收机。

背景技术

对高速无线数据传输的要求在不断增加，这对无线系统设计者形成了极大的挑战，他们需要在有限带宽的无线电信道中获得具有较高吞吐量的无线通信。未来宽带无线通信系统中的主要解决方案很可能是使用多发射和多接收天线，因为在多散射的环境中，可以使这种多输入多输出(MIMO)的信道容量在发射和接收天线的数量之间以最小值线性增加，同时不增加带宽或者发射功率[1，2，3]。参看作为参考的附录。由于极高频谱效率的影响，MIMO技术已经与各种无线应用的几个标准结合在一起，诸如，IEEE802.11，无线LAN，IEEE802.16无线MAN，以及WCDMA标准。

贝尔实验室分层空间-时间(BLAST)结构是一个现在执行的未编码MIMO系统的例子。在文献[4，5，6]中，基于零化和干扰抵消(IC)，提出了不同的BLAST检测方案，诸如迫零(ZF)零化和按照排序的IC的方法，以及基于最小均方误差(MMSE)零化和按照排序的IC的方法。这些简单的检测策略的性能明显劣于最大似然(ML)检测的性能，最大似然检测的复杂度按照发射天线的数量成指数倍增加。在[7，8，9]中，球形解码作为一个接近最佳的BLAST检测方法被提出，其复杂度是发射天线的数量的立方。作为硬判决算法，当在已编码MIMO系统中与外部信道解码器连接在一起时，上述算法遭受性能损失。在[8]中，提出了一个列表球形解码算法，通过存储一个码元序列候选者列表来产生软判决输出。然而，与原始球形解码算法相比，其复杂度明显更高。

发明内容

基于顺序蒙特卡罗方法，本发明提供了一系列新的解码算法。新的算法可以有利地被用于软MIMO解调并且获得接近最佳的性能，并且具有低的复杂度。

顺序蒙特卡罗(SMC)方法论[10，11，12，13，14，15]最初出现在统计和工程领域，并且已经提供了一种有前景的新型范例，以用于涉及低复杂度的信号处理算法，这种算法在非常严峻的和动态的无线环境中具有用于快速、可靠通信的理论最佳性能。SMC可以不精确地被定义为这样一类方法：通过递归生成状态变量或者一些其他潜在变量的蒙特卡罗采样，解决在动态系统中的在线估计问题。在[10，11，12，15]中，SMC已经被成功地应用到无线通信中，用于解决多个问题，包括信道均衡、联合数据检测和衰落信道中的信道跟踪，以及在时间扩散信道中的自适应OFDM接收机。

本发明的发明者已经认识到，一个SMC检测器可以有利地用作turbo接收机中的软输入软输出解调器。特别地，本发明围绕一类新的检测方案，有利地用于准静态MIMO衰落信道的软输入软输出MIMO检测。

这类新颖的接收机是基于SMC框架，并且可具有随机或者确定性设置。随机SMC解调器使用重要性采样和再采样的技术，其中，通过使用现有简单零化和抵消BLAST检测方案的仿真顺序结构，形成试验采样分布。确定性SMC解调器递归执行探测和选择步骤，以采用相应的重要性加权来检测最终残余信号路径。作为事实上的软输入和软输出，这些SMC检测器可以充当在用于已编码MIMO系统的turbo接收机中的软解调器，非本征信息在软解调器和软外部信道解码器之间进行反复交换，以相继提高接收机性能。此外，当信道是未知的，并且通过利用导频码元来对其进行估计时，具有高可靠性的已解码码位可以用作用于信道再估计的导频信号。通过执行迭代信道估计和数据检测，接收机性能能够被进一步提高。本发明也可以用在其他的应用中，诸如在解码线性扩散MIMO系统中。

在本发明的一个方面，用于解调来自信道的数据的方法包括：接收一个经过信道发射的码元的先验概率值；根据先验概率值确定关于码元的概率分布加权的码元的蒙特卡罗采样的集合；以及基于蒙特卡罗采样的集合来估计码元的后验概率值。

还提供了一种相关的程序存储装置和接收机设备。

附图说明

通过参考下列的文本和图，本发明的这些和其他的特征、好处和优点将变得清晰。在所有的图中相同的附图标记指代相同的结构，其中：

图1示出一个编码的多输入多输出(MIMO)系统的发射机结构；

图2示出一个编码的MIMO系统的接收机结构；

图3示出一个随机SMC MIMO解调过程；

图4示出一个确定性SMC MIMO解调过程；

图5示出在一个未编码MIMO系统中的各种MIMO解调算法的误码率(BER)性能；

图6示出采用随机顺序蒙特卡罗(SMC)MIMO解调器的turbo MIMO接收机的BER性能，在其中，信道估计仅基于导频信号；

图7示出采用随机SMC MIMO解调器的turbo MIMO接收机的BER性能，在其中，迭代信道估计基于导频信号和具有高可靠性的解码码元；

图8示出采用随机SMC MIMO解调器的turbo MIMO接收机的BER性能，在其中，genie辅助(genie-aided)信道估计是基于导频信号和所有的信息码元；

图9示出采用确定性SMC MIMO解调器的turbo MIMO接收机的BER性能，在其中，信道估计仅基于导频信号；

图10示出采用确定性SMC MIMO解调器的turbo MIMO接收机的BER性能，在其中，迭代信道估计基于导频信号和具有高可靠性的解码码元；和

图11示出采用确定性SMC MIMO解调器的turbo MIMO接收机的BER性能，在其中，genie辅助信道估计是基于导频信号和所有的信息码元。

具体实施方式

如下组织描述。部分2描述研究中的系统。有关SMC方法论的背景材料在部分3中被提供。在部分4，我们基于简单的零化和抵消BLAST检测方案，利用随机SMC和确定性SMC来推导出一类新的软MIMO解调算法。计算机模拟结果在部分5提出，并且在部分6得出结论。

2.系统描述

在这个部分，我们考虑一个采用turbo接收机的普通已编码MIMO系统。发射机和接收机的结构分别在图1和图2中示出。在图2中，∏表示交织器，∏^-1表示去交织器。

2.1发射机结构

在发射机100，信息位块{a_i}在信道编码器110中被编码为码位{b_i}。码位随后在交织器120进行随机地交织，并且利用一个QPSK调制器130被映射为一个M-PSK或者MQAM调制码元流，从一个有限字母集A＝{a₁，a₂，…，a_M}中取值。通过去复用，每一码元在一个S/P转换器140进行串行到并行(S/P)转换，得到n_T个子流，并且每一子流与n_T个发射天线150的其中一个相关。在每一时间瞬间，来自每一子流的一个码元从其相应的天线被发射出去，导致在同一频带中n_T个码元同时被发射。这样一个空间-时间位交织编码调制(BICM)所考虑的是：更好地利用在无线MIMO系统[16]中可用的空间、时间和频率分集资源。

在BLAST的假想下，我们考虑一个具有n_T个发射和n_R个接收天线的MIMO系统，即，假定n_R≥n_T，为了确保发射数据码元能够在接收机在被唯一地解码。假定无线信道具有大量散射和平坦衰落。在每一对发射和接收天线之间的衰落被假定为是独立的。信道也被假定为准静态的，即在一个数据脉冲串上信道是静态的，并且从脉冲串到脉冲串不同的。

在接收机200，在接收机天线205中进行匹配滤波和码元速率采样之后，从所有的n_R个接收天线205接收的信号向量表示为

$y\left(i\right)={\[y_1\left(i\right)\·\·\·y_{n_R}\left(i\right)\]}^T$

在复合基带表示中，接收信号可以被表示为发射信号的线性组合

$s\left(i\right)={\[s_1\left(i\right)\·\·\·s_{n_T}\left(i\right)\]}^T$

其中， $s\left(i\right)\∈A^{n_T},$ ρ是发射机的总信号能量， $H\∈C^{n_R\×n_T}$ 是复合衰落信道矩阵，v(i)～N_c(0，I_nR)是空间和时间白高斯噪声，并且N是数据脉冲串长度。

表示 对信号进行匹配滤波和白噪声化，以获得(这里为了简明，我们丢弃了时间系数i)

$u\stackrel{\mathrm{\Δ}}{=}{\mathrm{\Ω}}^{-\frac{1}{2}}{H}^{H}y=\sqrt{\frac{\mathrm{\ρ}}{n_T}}{\mathrm{\Ω}}^{\frac{1}{2}}s+\mathrm{\ω},---\left(2\right)$

其中 $\mathrm{\ω}\stackrel{\mathrm{\Δ}}{=}{\mathrm{\Ω}}^{-\frac{1}{2}}{H}^{H}v~N_c(0,I_{n_T}).$ 基于(2)，给出最大似然(ML)MIMO检波器：

随后，ML接收机的复杂度按照发射天线的数量成指数倍增长。可替换次最佳方法诸如基于迫零零化和按照排序抵消的方法，以及[1，6]的基于MMSE零化和按照排序抵消方法，具有较低的复杂度但是也引起了实际性能的损失。球形解码方法最近已经作为一个接近最佳BLAST检测算法出现。然而，其复杂度是发射天线[7，8]的数量的立方。

2.2Turbo接收机

由于M-PSK或者M-QAM调制与码元天线映射的组合可有效地用作一种MIMO发射机的内部编码器，所以可以将整个系统看作是一种串行连接的系统，并且迭代(turbo)接收机[17，18]可以被设计为用于图2所示出的系统。Turbo接收机200包括两个级：将在部分4展开的软输入软输出SMC解调器210，后面是软信道解码器260。两个级由一个去交织器250和一个交织器230分开。

软MIMO解调器210把先前的turbo迭代中的信道解码器260传送的非本征信息λ₂[b_i]以及由(2)给出的接收信号u视为输入。首先，在码元概率计算器220计算码元先验概率，如同下述。假定使用QPSK调制，位偶{β_j，1β_j，2}被映射到码元α_j，另外，假定在MIMO系统中，发射码元S_k与交织码位偶{b_η(k，1)β_η(k，2)}相应，k＝1，…，n_T。对于每一码元的先验概率α_j∈A随后由(4)给出：

$p_{k,j}\stackrel{\mathrm{\Δ}}{=}P(s_k=a_j)=P(b_{\mathrm{\η}(k,1)}={\mathrm{\β}}_{j,1})\·P(b_{\mathrm{\η}(k,2)}={\mathrm{\β}}_{j,2}),$

其中，从相应的对数似然比率(LLR)中可以计算码位概率，如下[19]：

$P(b_i=1)=\frac{\exp ({\mathrm{\λ}}_2\[b_i\])}{1+\exp ({\mathrm{\λ}}_2\[b_i\])}$

$=\frac{1}{2}\[1+\tanh \left(\frac{1}{2}\exp ({\mathrm{\λ}}_2\[b_i\])\right)\].---\left(5\right)$

注意，初始时，非本征信息被设置为零，以便使QPSK码元具有相等的概率。

在软解调器210的输出是后验码元概率P(s_k＝a_j|u)，k＝1，2，…，n_T，j＝1，2，…，M。表示

$S_k^{\left(j\right)}\stackrel{\mathrm{\Δ}}{=}\{(s_1,\·\·\·,s_{k-1},a_j,s_{k+1},\·\·\·,s_{n_T}):s_1\∈A,l\≠k\}$

P(S_k＝a_j|u)的准确表示由(6)给出

$P(s_k=a_j|u)=\frac{p\left(u\right|s_k=a_j)P(s_k=a_j)}{p\left(u\right)}---\left(6\right)$

$\∝p(s_k=a_j)\underset{s\∈S_k^{\left(j\right)}}{\mathrm{\Σ}}\exp (-||u-\sqrt{\frac{\mathrm{\ρ}}{n_T}}\mathrm{\Ω}\frac{1}{2}s|{|}^2)\underset{l\≠k}{\mathrm{\Π}}P\left(s_i\right),$

由于在(6)中是在S_k ^(j)，j＝1，…，M，中的A^nT-1可能向量上进行求和，所以其复杂度是发射天线数的指数倍，而且对于具有高空间复用增益的系统是不实用的。这里，我们开发了一些类似(6)的低复杂度的算法，基于由软解调器210计算的码元后验概率，位LLR计算装置240计算交织码位b_π(i)的后验对数似然比率(LLR)。假定，码位b_π(i)被包含在QPSK码元S_k∈A中，这个码位的LLR由(7)给出

${\mathrm{\Λ}}_1\[b_{\mathrm{\π}\left(i\right)}\]\stackrel{\mathrm{\Δ}}{=}\log \frac{P(b_{\mathrm{\π}\left(i\right)}=1|u)}{P(b_{\mathrm{\π}\left(i\right)}=0|u)}---\left(7\right)$

$=\log \frac{{\mathrm{\Σ}}_{a_j\∈A:s_k=a_j,b_{\mathrm{\π}\left(i\right)}=1}P(s_k=a_j|u)}{{\mathrm{\Σ}}_{a_j\∈A:s_k=a_j,b_{\mathrm{\π}\left(i\right)}=0}P(s_k=a_j|u)},k=1,...,n_T.$

利用贝叶斯规则，(7)可以被写作

其中，(8)中的第二项，由λ₂[b_π(i)]表示，代表在先前的迭代中由信道解码器260计算的码位b_π(i)的先验LLR，在交织器230进行交织，随后反馈到软MIMO解调器210。对于第一次交织，假定所有的码位都有相等的可能。在(8)中的第一项，由λ₁[b_π(i)]表示，表示由软MIMO解调器210基于接收的信号u、MIMO信号结构以及有关所有其他的码位的先验信息来传送的非本征信息。非本征信息λ₁[b_π(i)]随后在去交织器250进行去交织，并且作为用于信道解码器的先验信息反馈到信道解码器260。软解码器210把码位先验LLR作为输入，并且基于码约束传送一个码位LLR的更新以及信息位的LLR作为输出。软信道解码算法[20]计算每一码位的后验LLR，

${\mathrm{\Λ}}_2\[b_i\]\stackrel{\mathrm{\Δ}}{=}\log \frac{P(b_i=1|\{{\mathrm{\λ}}_1\left(b_i\right){\}}_1:\mathrm{codeconstraints})}{P(b_i=0|\{{\mathrm{\λ}}_1\left(b_i\right){\}}_1:\mathrm{codeconstraints})}={\mathrm{\λ}}_2\[b_i\]+{\mathrm{\λ}}_1\[b_i\].---\left(9\right)$

其中因数分解(9)在[19]中示出。从(9)可以看出，软解码器的输出是先验信息λ₁[b_π(i)]和由信道解码器260传送的非本征信息的总和。这个非本征信息是有关基于码的约束结构从有关其他码位的先验信息中收集的码位bi的信息，λ₁[b₁]_I≠i。注意，在第一次迭代，非本征信息{λ₁[b_i]_i}和{λ₂[b_i]_i}是统计上无关的。但是随后，由于它们间接地使用相同的信息，它们将变得越来越相关，并且最终通过迭代的改进将减少。

2.3MIMO信道估计

由于在实际MIMO系统中，接收机220不知道信道状态信息，需要嵌入数据流中的导频码元，以估计信道脉冲响应。假定在每个数据脉冲串发射已知导频码元S＝[s1，s2，…，s_T]开始时，T≥n_T时隙在每一个数据脉冲串被使用。将相应的接收信号表示为Y＝[y1，…，y_T]。随后我们得到

$Y=\sqrt{\frac{\mathrm{\ρ}}{n_T}}\mathrm{HS}+V,---\left(10\right)$

其中V＝[V1，…，V_T]。在[21]中，在信道估计器270的两种形式的信道估计器被给出，即，最大似然(ML)估计器，由(11)给出

${\hat{H}}_{\mathrm{ML}}=\sqrt{\frac{\mathrm{\ρ}}{n_T}}{\mathrm{YS}}^H{\left({\mathrm{SS}}^H\right)}^{-1};---\left(11\right)$

以及最小均方差(MMSE)信道估计器由(12)给出

${\hat{H}}_{\mathrm{MMSE}}=\sqrt{\frac{\mathrm{\ρ}}{n_T}}{\mathrm{YS}}^H{(\frac{\mathrm{\ρ}}{n_T}{\mathrm{SS}}^H+I_{n_T})}^{-1}---\left(12\right)$

在[21，22]中也示出在最小信道估计误差的意义上最佳训练序列应该满足随后的正交条件

${\mathrm{SS}}^H=T\·I_{n_T}.---\left(13\right)$

一种生成这样一个训练序列的方法是使用由Hadamard矩阵生成的复杂的Walsh码。正像在图2示出的，在每一turbo迭代的末端，码位的后验LLR从软信道解码器260通过交织器280反馈到MIMO信道估计器，用于信道的重新估计。如果与一个QPSK MIMO码元相应的所有2n_T个码位的LLR都在一个预定门限值之上，相应的解码MIMO码元被认为是具有高可靠性，并且在下—个turbo迭代开始时将用作—个用于信道重新估计的训练码元。直观地，当turbo接收机200迭代时，由于利用越来越多的训练码元，这样—个方案获得越来越精确的信道估计。因而，与在第一次turbo迭代前仅有一次利用导频码元进行信道估计的方案相比，接收机的整体性能得到了改进。

3．有关顺序蒙特卡罗的背景

顺序蒙特卡罗(SMC)是一类从一列已知的仅仅等于标准常量的概率分布中获得随机采样的有效方法。用于SMC方法的一般框架将在下面进行简单地解释。考虑如下的后验概率分布的一般序列{p(X_k|Y_k)_k≥0}，其中，X_k＝(x₀，x₁，…，x_k)是将被估计的、没有观察到的参数集，并且Y＝(y₀，y₁，…，y_k)是下标为k的可用观察参数集。我们强调k不必要是一个时间下标。典型地，当在关闭形式下 $p\left(Y_k\right)=\∫p\left(Y_k\right|X_k)p\left(X_k\right)d{X}_k$ 不可用时，后验分布仅仅被认为等于一个标准常数，因此SMC是很重要的。假定想计算h(XK)的最小均方差(MMSE)的估计值，则由(14)给出

$E\left\{h\left(X_k\right)\right|Y_k\}=\∫h\left(X_k\right)p\left(X_k\right|Y_k){\mathrm{dX}}_k.---\left(14\right)$

假设根据p(X_k|Y_k)分布的m个随机采样{X_k ^(j)}_j＝1 ^m，这个期望值可以通过(15)在数字上近似

$\hat{E}\left\{h\left(X_k\right)\right|Y_k\}=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}h\left(X_k^{\left(j\right)}\right).---\left(15\right)$

直接从p(XK|YK)采样通常不可行，并且有必要导出近似方法。

3.1重要性采样

直接从p(XK|YK)采样通常不可行，并且在计算上过于复杂，而从一些接近所关心的分布的实验密度中进行采样通常是容易的。在这种情况下，我们可以使用重要性采样的思想。假定根据q(XY|YK)分布的随机采样集合{X_k ^(j)}_j＝1 ^m是可用的。通过对在p(XK|YK)和qp(XK|YK)之间的偏差的校正，我们还提出(14)的有效估计。通过将重要性加权

${\mathrm{\ω}}_k^{\left(j\right)}=\frac{p\left(X_k^{\left(j\right)}\right|Y_k)}{q\left(X_k^{\left(j\right)}\right|Y_k)}$

与采样X^(j) _k相关，我们实际上将(14)估计为

$\hat{E}\left\{h\left(X_k\right)\right|Y_k\}=\frac{1}{W_k}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_k^{\left(j\right)}h\left(X_k^{\left(j\right)}\right),$

其中 $W_k={\mathrm{\Σ}}_{j=1}^m{w}_k^{\left(j\right)}.$ 对{X_k ^(j)，w_k ^(j)}_j＝1 ^m，被称为一个关于分布p(X_k|Y_k)的正常加权的采样。重要的是注意到：由于只需计算达到等于标准常数的加权，所以p(Y_k)的知识是不必要的。在“最佳”情况下，q(X_k|Y_k)＝p(X_k|Y_k)，所有的加权相等，并且具有零偏差。通常，当加权的偏差增加时，该方法的性能会恶化。

重要性采样的方法是一个不是顺序的常规方法。然而，可以提出该方法的顺序化变型。假定关于分布p(Xk-1|Yk-1)的正常的加权采样的集合{X_k ^(j)，w_k ^(j)}_j＝1 ^m在下标为k-1是可用的。基于这些采样，我们想要生成关于p(Xk|Yk)的正常加权的新的采样集合{X_k ^(j)，w_k ^(j)}_j＝1 ^m，这个顺序重要性采样(SIS)算法如下进行。

·从一个试验分布q(x_k|X_k-1 ^(j)，Y_k)中抽取一个采样x^(j) _k，并且让

$x_k^{\left(j\right)}=(x_{k-1}^{\left(j\right)},x_k^{\left(j\right)}).$

·更新重要性加权

${\mathrm{\ω}}_k^{\left(j\right)}={\mathrm{\ω}}_{k-1}^{\left(j\right)},\frac{p\left(x_k^{\left(j\right)}\right|Y_k)}{q\left(X_{k-1}^{\left(j\right)}\right|Y_{k-1})q\left(x_k^{\left(j\right)}\right|X_{k-1}^{\left(j\right)},Y_k)}.---\left(16\right)$

我们可以检查上述算法实际生成关于分布p(Xk|Yk)的正常加权采样。一个采用实验分布的重要性采样方法其实很简单，满足

              q(X_k|Y_k)＝q(X_k-1|Y_k-1)q(x_k|X_k-1，Y_k).

这个过程非常常见，但是对于一个“好的”实验分布获得好的性能是至关重要的。建立最佳重要性分布很容易，由于其最小化加权的条件偏差而最佳化var(w_k|X_k-1，Y_k)[23]，由(17)给出

          q(x_k|X_k-1，Y_k)＝p(x_k|X_k-1，Y_k).          (17)

在这种情况下，重要性加权递归式是

${\mathrm{\ω}}_k^{\left(j\right)}\∝{\mathrm{\ω}}_{k-1}^{\left(j\right)}\·p\left(y_k\right|X_{k-1}^{\left(j\right)},Y_{k-1}).$

3.2再采样

重要性加权w_k ^(j)测量相应输入信号序列X_k ^(j)的“质量”。一个相对小的加权暗示着采样是从远离后验分布的主体抽取的，并且在最后的估计中的作用很小。这样一个采样被称为是无效的。无论什么算法被重要性分布使用，SIS算法随着k增加而变得无效。这是因为在q(X_k|Y_k)和p(X_k|Y_k)之间的偏差仅增加了k。实际上，在该过程的几个步骤之后，仅一个流支配所有其他的流；即，其重要性加权接近1，而其他的接近于0。为了在实践中使得SIS过程有效，有必要使用一个再采样过程，正如在[24]中提出的。粗略来说，再采样的目标是复制具有较大重要性加权的流，同时消除具有较小重要性加权的流；即集中在空间的期望区域的计算工作量。每一个采样X_k ^(j)被复制k_j次，具有 ${\mathrm{\Σ}}_{j=1}^m{k}_j=m.$ 在文献[11，14，15，24，25]中已经提出了许多再采样过程。这里我们使用在[25]提出的系统再采样过程。

·计算累计分布p₀＝0，p_j＝p_j-1+w^(j) _k/W_kforj＝1，…，m.。

·采样一个在[0，1]中均匀分布的随机数U。计算U_j＝(U+j)/m，j＝0，…，m-1。

·设置x_j＝{#i∈(0，…m-1}；p_j-1≤U₁＜p_j}。

·分配相同的加权 ${\hat{w}}_k^{\left(j\right)}=\frac{1}{m}$ 到新的流集合 $\{{\hat{X}}_n^{\left(j\right)}{\}}_{j=1}^m.$

这个算法的计算效率较高。在一种无偏再采样方案中，即 $E\left\{K_j\right\}={\mathrm{mw}}_{k-1}^{\left(j\right)},$ 这个算法最小化偏差var{k_j}，并且显示出比其他算法更好的性能。

注意，如果结合最佳重要性分布(17)使用再采样，应该在时间k进行采样步骤之前，执行再采样步骤，在这种特定情况中，在时间k的重要性加权独立于采样X_k ^(j)。

可以在每个固定长度的时间间隔上(例如，每5个时间步骤或者周期性的)进行再采样，或者可以动态执行再采样。有效采样大小是一个可被用于监视采样流的重要性加权的偏差的标准，并且用于当系统开发时决定什么时候再采样。这个有效的采样大小被定义为

${\stackrel{\‾}{m}}_k\stackrel{\mathrm{\Δ}}{=}\frac{m}{1+{\mathrm{\υ}}_k^2},$

其中偏差系数v_k被给出为

${\mathrm{\υ}}_k^2=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(\frac{{\mathrm{\ω}}_k^{\left(j\right)}}{{\stackrel{\‾}{\mathrm{\ω}}}_k}-1)}^2,$

有 ${\stackrel{\‾}{\mathrm{\ω}}}_k=\frac{1}{m}{\mathrm{\Σ}}_{j=1}^m{\mathrm{\ω}}_k^{\left(j\right)}.$ 粗略来说，有效采样大小是在加权上的偏差测量。在一个最佳情况中，所有的加权相等，随后最大化等于m。当一个加权支配所有其他的加权时，那么偏差非常小。在动态采样时，一旦有效采样的大小低于某一门限值，就执行一个再采样步骤。一个可替换的标准诸如加权的熵也可以被使用。

从此得到启发，再采样可以为一个好的采样流提供一个得到放大的机会，由此“复原”采样，从而在下一个步骤生成更好的结果。可以示出，如果m足够大，由上述再采样方案得出的再采样的流也相对于p(Xk|Yk)而被正常地加权。实际上，当小到适度的m被使用(这里，我们使用m＝64)，再采样过程可以被看作是一个在偏离和偏差之间的折衷。也就是说，由再采样过程导致的具有加权的新的采样只是近似适当，其在蒙特卡罗统计估计中引入小的偏离。另一方面，再采样明显地减少了用于更多的蒙特卡罗统计估计的偏差。

3.3一个可替换的确定过程

SMC是一组非常普通的方法，在任一期望空间对概率分布进行采样。我们限制到对电信感兴趣的情况中，即，当x_k仅可以在最后一个有限集取值。在这个情况下，可以精确地计算后验分布p(X_k|Y_k)，但是当k较大时，计算较为复杂，因为X_k可以取|X|_k个可能值，其中|X|是X中的元素的数量。

在这个特定的情况下，具有最佳重要性分布的SIS过程(17)采取以下的形式。

·从p(x_k|X_k-1 ^(j)，Y_k)中抽取一个采样x^(j) _k，并且使得 $x_k^{\left(j\right)}=(x_{k-1}^{\left(j\right)},x_k^{\left(j\right)}).$

·更新重要性加权 ${\mathrm{\ω}}_k^{\left(j\right)}\∝{\mathrm{\ω}}_{k-1}^{\left(j\right)}\·p\left(y_k\right|X_{k-1}^{\left(j\right)},Y_{k-1})$ 重要性加权利用(18)来计算

$p\left(y_k\right|X_{k-1},Y_{k-1})=\underset{x_k\∈X}{\mathrm{\Σ}}p\left(y_k\right|X_k,Y_{k-1})p\left(x_k\right|X_{k-1}).---\left(18\right)$

有关这个算法有两点可以评论。首先，假定流的数量m等于|X|¹，1＜n。(如果1≥k，则随后可以准确地计算p(X_k|Y_k)。这个算法可以枚举最前面的|X|¹个概率，并且计算它们的后验概率；即，应该准确地计算p(X₁|Y₁)。这可以容易地与SMC算法的初始化阶段合并在一起。第二，可以看出，加权的计算(18)包括计算达到一个m|X|流的标准常量的后验分布。事实上对于每一x^(j) _k-1，需要计算p(y_k|x_k-1 ^(j)，x_k，Y_k-1)，x_k∈X。通过采样x^(j) _k，这个信息由于某种原因被删除。一个可替换确定方法包括在时间 $k^{{\{X_{k-1}^{\left(j\right)},x_k\∈X\}}_{j=1}^m,}$ 上在m|X|中间保持“候选”轨迹。M轨迹具有最高后验分布。这个算法可以被解释为一个扩展维特比算法，具有m个残余物。显然，利用这个确定性策略在选择步骤中出现的本地近似误差是低于利用随机策略的误差的。然而，这不保证能使整体性能更好。

总而言之，给出具有后验分布(已知达到标准常数){w_k-1 ^(j)}_j＝1 ^m的{X_k-1 ^(j)}_j＝1 ^m，该算法在时间k进行如下的过程。

·计算

${\mathrm{\ω}}_k^{\left(j\right)}\left(x_k\right)\∝{\mathrm{\ω}}_{k-1}^{\left(j\right)}\·p\left(y_k\right|X_{k-1}^{\left(j\right)},x_k,Y_{k-1}),x_k\∈X.---\left(19\right)$

·在m|X}假设中间仅选择和保存m个“最佳”的截然不同的流。

这个方法的缺点很明显，即在加权的计算中，过去的观察与当前的观察一样重要。如果已经犯错，随后进一步的决定具有有效的一面。当加权被设置为1/m的流被再采样时，随机算法对这个问题不太敏感。

值得注意，随机和确定算法都很适合于并行实现。

4.软MIMO解调算法

在这个部分，我们将基于顺序蒙特卡罗原理导出软输入软输出MIMO解调算法。重要性采样的密度可以通过利用现有的简单零化和抵消BLAST方案的仿真顺序结构获得。首先，信道参数被假定为已经在接收机中通过在检测前的短训练序列而被完全估计。稍后，我们将检查有关系统性能的信道估计效应，导频码元连同高质量码元决定一起被反馈。

4.1简单零化和抵消BLAST检测算法

考虑信号模型(2)，我们将Ω^1/2QR-分解表示为

            Ω^1/2＝QR，                    (20)

Q是一个单位矩阵，R是一个上三角矩阵。零化操作是一个坐标旋转，由Q^H来左乘(2)上的向量u，生成一个充分统计量，

其中 $\stackrel{\→}{v}=Q^{H}v.$ 由于Q是一元的，没有噪声增加，并且噪声白化特性通过零化来保持，即， $\tilde{v}~N_c(0,I_{n_T}).$ 我们将(21)改写为

我们可以通过零化操作来直接检测数据码元，即，将z乘以R^-1。然而，在[5]中已经示出，通过利用R的上三角结构，采用下面的连续干扰抵消方法将明显改进迫零：

${\hat{s}}_{n_T}=L\left(\sqrt{\frac{n_T}{\mathrm{\ρ}}}\frac{z_{n_T}}{r_{n_T,n_T}}\right),$

${\hat{s}}_{n_T-1}=L\left(\frac{1}{r_{n_T-1,n_T-1}}(\sqrt{\frac{n_T}{\mathrm{\ρ}}}{z}_{n_T-1}-r_{n_T}-1,n_T{\hat{s}}_{n_T})\right),$



${\hat{s}}_1=L\left(\frac{1}{r_{\mathrm{1,1}}}(\sqrt{\frac{n_T}{\mathrm{\ρ}}}{z}_1-\underset{k=2}{\overset{n_T}{\mathrm{\Σ}}}{r}_{1,k}{\hat{s}}_k)\right),---\left(23\right)$

其中L(x)＝argmin_si∈A(|x-s_i|)。尽管上述简单零化和抵消方案具有非常低的复杂度，但性能将比基于迫零或者MMSE零化和按排序进行的抵消的方法以及球形解调算法更差(参见图5)。在下文中，我们利用上述作为核心的简单零化和抵消方法开发了一种基于SMC的MIMO解调算法。正像将在部分5所看到的，新的算法在未解码和已解码系统中提供接近最佳性能。

4.2随机SMC MIMO解调器

从(22)开始，由于上三角结构的简单零化和干扰消除方案的人工顺序结构将适于应用SMS方法到MIMO数据检测，具有在从天线nT到天线1的空间域操作的特性。事实上，存在(24)

$P\left(s\right|u)=P\left(s\right|z)\∝\underset{k=1}{\overset{n_T}{\mathrm{\Π}}}p\left(x_k\right|{\tilde{S}}_k)P\left(s_k\right),---\left(24\right)$

其中 ${\tilde{Z}}_k=(z_k,\·\·\·,z_{n_T}),$ 并且 ${\tilde{S}}_k=(s_k,\·\·\·,s_{n_T}).$ 我们能如此使用SMC方法，

从概率分布的序列 $\{p\left({\tilde{S}}_k\right|{\tilde{Z}}_k){\}}_{k=n_T,n_T-1,...,1}$ 中进行模拟。这个“仿真”分布的序列被定义为

$p\left({\tilde{S}}_k\right|{\tilde{Z}}_k)\∝\underset{l=k}{\overset{n_T}{\mathrm{\Π}}}p\left(z_i\right|{\tilde{S}}_i)P\left(s_i\right).---\left(25\right)$

SMC MIMO检测的目标在于：在零化之后基于所接收的信号z计算后验码元概率的估计

      P(s_k＝α_i|z)，α_i∈A，k＝1，…，n_T，            (26)让 ${\tilde{S}}_k^{\left(j\right)}\stackrel{\mathrm{\Δ}}{=}(s_k^{\left(j\right)},\·\·\·,s_{\mathrm{nT}}^{\left(j\right)}),$ j＝1，…，m1是一个在每个码元间隔由SMC抽取的采样，其中m是采样的数量。为了实现SMC，我们需要获得关于p(s|z)的分布的、正常加权的发射码元{s^(j) _k，w^(j) _k}的蒙特卡罗采样集合。在MIMO解调的应用中，在(15)中的函数h(·)由指标函数l(·)指定

因此，信息码元s_k的后验概率随后可以被估计为

$P(s_k=a_i|z)=E\left\{1(s_k=a_i)\right|z\}$

$\≅\frac{1}{W_k}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}1(s_k^{\left(j\right)}=a_i){\mathrm{\ω}}_k^{\left(j\right)},a_i\∈A,---\left(28\right)$

其中 $W_k{\stackrel{\mathrm{\Δ}}{=}\mathrm{\Σ}}_{j=1}^m{\mathrm{\ω}}_k^{\left(j\right)}.$

在部分3.1中的(17)后面，我们选择实验分布是：

$q\left(s_k\right|{\tilde{Z}}_k,{\tilde{S}}_{k+1}^{\left(j\right)})\∝P\left(s_k\right|{\tilde{Z}}_k,{\tilde{S}}_{k+1}^{\left(j\right)}).---\left(29\right)$

对于这个实验分布，重要性加权依照(30)来更新

${\mathrm{\ω}}_k^{\left(j\right)}={\mathrm{\ω}}_{k+1}^{\left(j\right)}\·\frac{P\left({\tilde{S}}_k^{\left(j\right)}\right|{\tilde{Z}}_k)}{P\left({\tilde{S}}_{k+1}^{\left(j\right)}\right|{\tilde{Z}}_{k+1})P\left({\tilde{S}}_k^{\left(j\right)}\right|{\tilde{Z}}_k,{\tilde{S}}_{k+1}^{\left(j\right)})}$

$={\mathrm{\ω}}_{k+1}^{\left(j\right)}\·\frac{P\left({\tilde{S}}_{k+1}^{\left(j\right)}\right|{\tilde{Z}}_k)}{P\left({\tilde{S}}_{k+1}^{\left(j\right)}\right|{\tilde{Z}}_{k+1})}$

$\∝{\mathrm{\ω}}_{k+1}^{\left(j\right)}\·p\left(z_k\right|{\tilde{Z}}_{k+1},{\tilde{S}}_{k+1}^{\left(j\right)}).---\left(30\right)$

我们接下来规定在(29)和(30)中的预测分布的计算。首先，我们考虑(29)中的实验分布

$q\left(s_k\right|{\tilde{Z}}_k,{\tilde{S}}_{k+1}^{\left(j\right)})\∝p\left(z_k\right|s_k,{\tilde{Z}}_{k+1},{\tilde{S}}_{k+1}^{\left(j\right)})\·P\left(s_k\right)---\left(31\right)$

由于(21)中的噪声

是白高斯噪声，即 $\tilde{v}~N_c(0,I_{n_T}),$ 我们有

$p\left(z_k\right|{\tilde{Z}}_{k+1},{\tilde{S}}_{k+1}^{\left(j\right)},s_k=a_i)~N_c({\mathrm{\μ}}_{k,i}^{\left(j\right)},1),---\left(32\right)$

其中，平均数μ_k，j ^(j)被给出

${\mathrm{\μ}}_{k,i}^{\left(j\right)}=(\sqrt{\frac{\mathrm{\ρ}}{n_T}}\underset{l=k+1}{\overset{n_T}{\mathrm{\Σ}}}{r}_{k,1}{s}_1^{\left(j\right)}+\sqrt{\frac{\mathrm{\ρ}}{n_T}}{r}_{k,k}{a}_i).---\left(33\right)$

我们表示

${\mathrm{\α}}_{k,i}^{\left(j\right)}\stackrel{\mathrm{\Δ}}{=}p\left(z_k\right|{\tilde{Z}}_{k+1},{\tilde{S}}_{k+1}^{\left(j\right)},s_k=a_i)\·P(s_k=a_i)---\left(34\right)$

$=\frac{1}{\mathrm{\π}}\exp \{-||z_k-{\mathrm{\μ}}_{k,1}^{\left(j\right)}|{|}^2\}\·P(s_k=a_i).---\left(35\right)$

由此，(30)中的预测分布被给出

$p\left(z_k\right|{\tilde{Z}}_{k+1},{\tilde{S}}_{k+1}^{\left(j\right)})$

$\∝\underset{a_i\∈A}{\mathrm{\Σ}}p\left(z_k\right|{\tilde{Z}}_{k+1},{\tilde{S}}_{k+1}^{\left(j\right)},s_k=a_i)P(s_k=a_i)$

$=\underset{a_i\∈A}{\mathrm{\Σ}}{\mathrm{\α}}_{k,i}^{\left(j\right)}.---\left(36\right)$

参考图3，我们总结该随机SMC MIMO解调过程，其从方块300开始，如下：

0.初始化：所有重要性加权被初始化为w^(j) _(-1)＝1，j＝1，…，m(方块305)。

在方块310，在第k(k＝n_T，n_T-1，…，1)次递归执行以下的步骤，更新每一加权采样，j＝1，…，m：

1.在方块315，采用利用(4)计算的从最后turbo迭代获得的先验码元概率P(s_k＝a_i)，根据(35)对每一个a_i∈A计算试验采样密度a_k，i ^(j)。

2.在方块320，从集合A采用概率来抽取一个采样s_k ^(j)

$P(s_k=a_i|{\tilde{S}}_{k+1}^{\left(j\right)},{\tilde{Z}}_k)\∝{\mathrm{\α}}_{k,i}^{\left(j\right)},a_i\∈A---\left(37\right)$

3.在方块325，计算重要性加权

${\mathrm{\ω}}_k^{\left(j\right)}\∝{\mathrm{\ω}}_{k+1}^{\left(j\right)}\·\underset{a_i\∈A}{\mathrm{\Σ}}{\mathrm{\α}}_{k,i}^{\left(j\right)},---\left(38\right)$

4.在方块330，根据(28)计算信息码元S_k的后验概率。

5.在方块335，该过程以递归方式迭代以用于下一个采样，直到到达最后一个(j＝m)采样。在方块340，可以如部分3.2中描述地执行再采样。注意，在图3指示的序列中没有必要发生再采样。在方块345，该过程重复以用于下一个迭代，直到到达最后一个(k＝1)迭代。在方块350，过程结束。

本发明的随机和确定性解调过程可以利用任一已知的硬件、固件和/或软件来实现。例如，解调器210可以包括一个被编程以执行所希望的计算的ASIC。一个程序存储设备(诸如一个存储器)可以确实地包含有一个可由机器(诸如一个微处理器)执行用以执行解调的指令程序。程序存储设备和微处理器可以是解调器210和接收机200中的其他的可能组件的一部分，或与之相关。此外，接收机200的任一组件的功能性可以被类似地实现。

4.3确定性SMC MIMO解调器

用于估计概率分布的序列 $\{P\left({\tilde{S}}_k\right|{\tilde{Z}}_k){\}}_{k=\mathrm{nT},\mathrm{nT}-1,...,1}$ 的确定性方法如下执行。与随机的情况类似，我们假定在每一个迭代抽取m个采样，其中m＝|A|¹，l＜n_T，注意，如果l＝n_T，相当于最大似然检测并且涉及|A|^nT个计算。在探测步骤，我们通过列举所有m个质点，例如，用于天线nT到天线nT-l+1的采样来正确地计算分布 $P\left({\tilde{S}}_{n_T-l+1}\right|{\tilde{Z}}_{n_T-l+1}).$ 其结果是得到了具有m个截然不同的QPSK序列的集合 $\{{\tilde{S}}_{n_T-l+1}^{\left(j\right)}{\}}_{j=1}^m,$ 具有加权{w_nT-l+1 ^(j)}_j＝1 ^m满足

${\mathrm{\ω}}_{n_T-l+1}^{\left(j\right)}=P\left({\tilde{S}}_{n_T-l+1}^{\left(j\right)}\right|{\tilde{Z}}_{n_T-l+1})$

$\∝\underset{k=n_T-l+1}{\overset{n_T}{\mathrm{\Π}}}p\left(z_k\right|{\tilde{S}}_{k+1}^{\left(j\right)},s_k^{\left(j\right)}=a_i)\·P(s_k^{\left(j\right)}=a_i)$

$=\underset{k=n_T-l+1}{\overset{n_T}{\mathrm{\Π}}}{\mathrm{\β}}_{k,1}^{\left(j\right)},---\left(39\right)$

${\mathrm{\β}}_{k,i}^{\left(j\right)}\stackrel{\mathrm{\Δ}}{=}p\left(z_k\right|{\tilde{S}}_{k+1}^{\left(j\right)},s_k^{\left(j\right)}=a_i)\·P(s_k^{\left(j\right)}=a_i)---\left(40\right)$

$=\frac{1}{\mathrm{\π}}\exp \{-||z_k-{\mathrm{\μ}}_{k,i}^{\left(j\right)}|{|}^2\}\·P(s_k^{\left(j\right)}=a_i),---\left(41\right)$

并且μ_k，j ^(j)由(33)给出。

第二个步骤是如部分3.3所述的扩展维特比算法，从天线n_T-l到天线1(即，k＝n_T-l…，1)执行。我们需要根据(42)来更新重要性加权

${\mathrm{\ω}}_k^{\left(j\right)}\left(a_i\right)\∝{\mathrm{\ω}}_{k+1}^{\left(j\right)}\·p\left(z_k\right|{\tilde{S}}_{k+1}^{\left(j\right)},s_k^{\left(j\right)}=a_i)P(s_k^{\left(j\right)}=a_i),a_i\∈A,---\left(42\right)$

其中，具有最高重要性加权的m个截然不同的QPSK码元序列被选作经过m|A|次假想的幸存路径。从方块400开始的确定性SMC MIMO解调算法在图4中进行了总结，如下：

0.初始化：对于k＝n_T，n_T-l，…，1，通过列举所有m个质点(采样)来通过(41)计算概率分布的准确表达式(方块405)。

在方块410，在第k次递归(k＝n_T，n_T-l，…，1)执行随后的步骤，以更新每一加权采样，j＝1，…，m。

1.在方块415，计算重要性加权

${\mathrm{\ω}}_{k,1}^{\left(j\right)}\∝{\mathrm{\ω}}_{k+1}^{\left(j\right)}\·{\mathrm{\β}}_{k,i}^{\left(j\right)},---\left(43\right)$

其中β_k，j ^(j)由(41)给出。

2.在方块420，仅选择和保留采用加权集合w^(j) _k，i的m|A|次假想中具有最高加权的m个“最佳”的截然不同的流。

3.在方块425，根据(28)来计算信息码元S_k的后验概率。

在方块430，该过程以递归方式重复以用于下一个采样，直到到达最后一个(j＝m)采样。在方块435，该过程重复以用于下一次递归，直到到达最后一个(k＝nT-l+1)递归。在方块440，过程结束。

5.模拟结果

在这个部分，我们提供计算机模拟结果，以说明在平坦衰落MIMO信道中所提出的turbo接收机的性能，具有n_T＝n_R＝8。根据

来生成衰落系数，其中i.i.d.表示“独立的、相同的分布”。信道被假定为准静态的，即，它们在N个码元的整个帧上保持不变，但是从帧到帧发生变化。通过平均500个信道实现来获得模拟结果。以随机SMC算法来抽取的采样的数量是m＝64。以确定性算法来抽取的采样的数量在未编码情况下是m＝64(即，1＝3)，在已编码情况下是m＝16(即l＝2)。

5.1未编码MIMO系统的性能

我们首先说明在未编码MIMO系统中提出的随机和确定性SMC MIMO解调算法的性能。这两种新的算法的BER性能，连同某些现有检测算法(包括球形解码算法，基于MMSE零化和按顺序抵消的方法，基于迫零和按顺序抵消的方法，以及简单零化和抵消方法)在图5中示出。使用QPSK调制。几个观测是按顺序的。首先，简单零化和抵消方法显示了非常差的性能。然而，当其与SMC(确定性或者随机的)结合时，我们获得一个更加有效的MIMO检测器。第二，确定性检测器在性能上强于随机SMC检测器，并且其实际上稍强于作为至今已知的最好的次最佳MIMO检测器的球形解码算法。

5.2在已编码MIMO系统中的性能

对于已编码MIMO系统，在发射机中使用一个1/2速率约束的长度为5的卷积码(采用生成器23和35以八进制记数法形式)。在整个模拟中，随机生成并固定比特交织器。码比特方块大小是512，与256个信息比特和32个QPSKMIMO码元相对应。在这里使用的信道估计器是由(12)给出的MMSE MIMO信道估计器，其中T＝n_T＝8，并且QPSK正交MIMO导频码元被使用。在每次模拟运行时，Turbo迭代的数量是四。

在图6，7和8中绘出了使用随机SMC解调器的turbo接收机的BER性能曲线图。“Iter”表示“迭代”，“ch”表示“信道”并且“est.”表示“已估计”。在这些图中的实线与完全已知的信道的BER性能相应；反之，虚线与不同信道估计方案的BER性能相应。在图6中，仅基于导频信号估计信道一次，并且在整个turbo迭代中都被使用。在图7中，如部分2.3所讨论的，在每一个turbo迭代开始时，利用导频信号和具有高可靠性的解码码元对信道进行再估计。并且在图8中，我们假定通过一个知道导频码元和所有信息码元的genie来估计信道。这样一个genie辅助信道估计在所有的tubo迭代中都被使用。对于图8的情况提供了对于具有不同信道估计方案的turbo接收机的可达到的性能的上限。可以认识到，通过执行迭代信道估计和码元检测，能使turbo接收机提供一个接近genie辅助上限的性能。

采用确定性SMC解调器的一个turbo接收机的相应BER性能在图9、10和11中示出。可以认识到，确定性SMC算法提供了与随机SMC算法相比更先进、更稳定的性能。

6.结论

本发明提供了一个新的系列的解调算法，对于软输入软输出MIMO解调特别有用。这些新的技术解释性地使用了以简单零化和抵消作为核心的常规BLAST检测，这个新的技术基于用于贝叶斯推理的顺序蒙特卡罗(SMC)方法。分别基于随机和确定性采样，得出这样的SMC MIMO解调算法的两个变型。作为硬MIMO检测算法，所提出的SMC解调算法明显地胜过所有现有的BLAST检测方法。此外，确定性SMC MIMO检测器稍胜过球形解码算法。此外，在已编码MIMO系统中，所提出的SMC算法可以自然地用作turbo接收机中的软MIMO解调器。模拟结果表明在未编码和已编码MIMO系统中，整个确定性SMC MIMO解调器与随机SMC MIMO解调器相比提供了更佳和更稳定的性能。

本发明在这里已经参考特别的示范性的具体实施例进行了描述。对于本领域的技术人员来说，在不脱离本发明的范围的前提下，某些改变和修改是显而易见的。示范性实施例旨在说明，而不限制本发明的范围，本发明的范围由所附的权利要求来限定。

                        附件-参考文献列表

[1]G.J.Foschini and M.J.Gans.On the limits of wireless communications in afading environment when using multiple antennas.Wireless Personal Commun.，6(3)：311-335，1998.

[2]I.E.Telatar.Capacity of multi-antenna Gaussian channels.Euro.Trans.Telecommun，10(6)：311-335Nov.1999.

[3]C.N.Chuah，D.N.C.Tse，J.M.Kahn，and R.A.Valenzuela.Capacity scalingin MIMO wireless systems under correlated fading.IEEE Trans.Inform.Theory，48(3)：637-650，Mar.2002.

[4]P.W.Wolniansky，G.J.Roschini，G.D.Golden，and R.A.V Alenzuela.V-BLAST：an architecture for realizing very high data rates over the rich-scatteringwireless channel.In Proc.1998 int.Symp.Sig.Sys.Elect.(ISSSE’98)，Pisa，Italy，Sep.1998.

[5]G.J.Foschini.Layed space-time architecture for wireless commuication in afading environment when using multi-element antennas.Bell Labs.Tech.J.，1(2)：41：59，1996.

[6]G.D.Golden，G.J.Foschini，R.A.Valenzuela，and P.W.Wolniansky.Detection algorithm and initial laboratory results using V-BLAST spac-timecommunication architecture.Elect.Let.，35：14～46，Jan.1999.

[7]O.Damen，A.Chkeif，and J.Belfiore.Lattice code design for space-timecodes.IEEE Commun.Let，4(5)：161-163，May2000.

[8]B.M.Hochwald and S.T.Brink.Achieving near-capacity on a multiple-antenna cbannel.Submitted to IEEE Trans.Commun.，Apr.2002.

[9]A.M Chan and I.Lee.A new reduced sphere decoder for multiple antennasystems.In Proc.2002 int.Commun.Conf.(ICC’02)，New York，N.Y.，Apr.2002.

[10]A.Doucet，N.DeFreitas，and N.J.Gordon(eds.).Sequential Monte CarloMethods in Practice.New York：Springer-Verla，620pp.，2001.

[11]X.Wang，R.Chen，and J.S.Liu.Monte Carlo Bayesian signal processingfor wireless communications.J VLSI Sig.Proc.，30(1-3)：89-105，Jan.-Feb.Mar.2002.

[12]R.Chen，X.Wang，and J.S.Liu.Adaptive joint detection and decoding inflat-fading channels via mixture Kalman filtering.IEEE Trans.Info.Theory，46(6)：2079-2094，Sep.2000.

[13]R.Chen and J.S.Liu.Sequential Monte Carlo methods for dynamicsystems.J.Amer.Stat.Assoc.，93：1302-1044，1998.

[14]R.Chen and J.S.Liu.Mixture Kalman filters.J.Amer.Stat.Assoc.(B)，62：493-509，2000.

[15]Z.Yang and X.Wang.A sequential Monte Carlo blind receiver for OFDMsystems in frequency-selective fading channels.IEEE Trans.Sig.Proc.，50(2)：271-280，Feb.2002.

[16]A.M.Tonello.On turbo equalization of interleaved space-time codes.InProc.2001 Fall Vehi，Tech，Conf.(VTC-fall’01)，Oct.2001.

[17]H.Dai and A.F.Molisch.Multiuser detection for interference-limitedMIMO systems.In Proc.2001 Spring Vehi.Tech.conf.(VTC-spring’01)，May 2002.

[18]M.Sellathurai and S.Haykin.TURBO-BLAST for wirelesscommunications：theory and experiments.IEEE Trans.Sig.Proc.，50(10)：2538-2546，Oct.2002.

[19]X.Wang and H.V.Poor.Iterative(Turbo)soft interference cancellation anddecoding for coded CDMA.IEEE Trans.Commun.，47(7)：1046-1061，Jul.1999.

[20]L.R.Bahl，J.Cocke，F.Jelinek，and J.Raviv.Optimal decoding of linearcodes for minimizing symbol error rate.IEEE Trans.Info.Theory，20(3)：284-287，Mar.1974.

[21]T.L.Marzetta.BLAST training：estimation channel characteristics for high-capacity spacetime wireless.In Proc.37th Annual Allerton Conf.Commun.，Cornput.& Control，Sep.1999.

[22]Q.Sun，D.C.Cox，A Lozano，and H.C.Huang.Training-based channelestimation for continuous flat fading BLAST.in Proc.2002 int.Conf.Commun.(ICC’02)，New York，N.Y.，Apr.2002.

[23]A.Doucet，S.J.Godsill，and C.Andrieu.On sequential Monte Carlosampling methods for Bayesian filtering.Stat..& Comp.，10(3)：197-208，2000.

[24]N.J.Gordon，D.J.Salmond，and A.F.M Smith.Novel approach tononlinear non-Gaussian Bayesian state estimation.In 1993 IEE Proc.，F.Radar Sonarand Navigations，140(2)，Apr.1993.

[25]G.Kitagawa.Monte Carlo filter and smoother for non-Gaussian nonlinearstate space models.J.Comput.Graph.Statist，5(1)：1-25，1996.

Claims (22)

1.一种用于解调来自信道的数据的方法，包括：

接收在信道上传输的码元的先验概率值；

根据该先验概率值，确定相对于码元的概率分布进行了加权的码元的蒙特卡罗采样集合；以及

基于蒙特卡罗采样的集合来估计码元的后验概率值。

2.根据权利要求1所述的方法，其中：

先验概率值由P(s_k＝a_i)表示，其中，一个码元间隔内的码元由S_k表示，k是一个识别发射天线的下标；以及

a_i是码元从中取值的字母集中的第i个值。

3.根据权利要求1所述的方法，其中：

蒙特卡罗采样包括随机蒙特卡罗采样。

4.根据权利要求1所述的方法，其中：

码元的概率分布由p(s|z)表示，其中s是一个在码元间隔中用于不同发射天线的发射信号值的向量，并且z是一个在零化后从不同的发射天线接收的接收信号的向量。

5.根据权利要求1所述的方法，其中确定码元间隔中的码元的蒙特卡罗采样的集合，由{(s_k ^(j)，w_k ^(j))}表示，包括：

利用来自先前的迭代的先验概率值P(s_k＝a_i)，确定在码元从中取值的字母集A中的每一第i值的试验采样密度a_i，其中码元由S_k来表示，并且k是一个识别发射天线的下标；

从字母集A中抽取第j个采样码元s_k ^(j)，其中j＝1，2，…，m，并且m是为码元间隔确定的蒙特卡罗采样的数量；并且

为s_k ^(j)计算重要性加权w_k ^(j)。

6.根据权利要求5所述的方法，进一步包括：

执行再采样，以获得更新的重要性加权w_k ^(j)。

7.根据权利要求5所述的方法，进一步包括：

初始化重要性加权W_-1(j)＝1。

8.根据权利要求1所述的方法，其中：

m是为码元间隔确定的蒙特卡罗采样的数量；

蒙特卡罗采样由{(s_k ^(j)，w_k ^(j))}表示，

每一后验概率值P(s_k＝a_i|z)从 $P(s_k=a_i|z)=\frac{1}{W_k}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(S_k^{\left(j\right)}=a_i)w_k^{\left(j\right)},a_i\∈A$ 中获得，

其中z是一个在零化后从不同的发射天线接收的接收信号的向量；

码元由S_k来表示，其中k是一个识别发射天线的下标；

用于码元S_k的重要性加权由W_k来表示；

A是在码元从中取值的字母集，并且a_i是A中的第i个值；

$W_k{\stackrel{\mathrm{\Δ}}{=}\mathrm{\Σ}}_{j=1}^m{w}_k^{\left(j\right)}$

并且1是一个指标函数，由下式定义：

9.根据权利要求1所述的方法，进一步包括：

基于后验概率值，计算交织码比特的后验对数似然比率。

10.根据权利要求1所述的方法，其中：

蒙特卡罗采样包括确定性蒙特卡罗采样。

11.根据权利要求1所述的方法，其中确定码元间隔中的码元的蒙特卡罗采样的集合，由{(s_k ^(j)，w_k ^(j))}表示，包括：

通过为少于全部的发射天线枚举m个采样，获得m个数据序列，从而计算概率分布的精确表达式，其中m是为码元间隔确定的蒙特卡罗采样的数量；

计算每一码元s_k ^(j)的重要性加权w_k ^(j)，其中k是一个识别发射天线的下标；和

选择和保留具有最高加权的m个截然不同的数据序列。

12.根据权利要求1所述的方法，其中：

信道包括一个多输入多输出(MIMO)信道。

13.一种确实包括指令程序的程序存储设备，所述程序指令可被机器执行用以实现一个解调来自信道的数据的方法，该方法包括：

接收一个经过信道发射的码元的先验概率值；

根据该先验概率值，确定相对于码元的概率分布进行了加权的码元的蒙特卡罗采样集合；以及

基于蒙特卡罗采样的集合来估计码元的后验概率值。

14.一种用于解调来自信道的数据的解调器，包括：

接收一个经过信道发射的码元的先验概率值的装置；

根据该先验概率值，确定相对于码元的概率分布进行了加权的码元的蒙特卡罗采样集合的装置；以及

基于蒙特卡罗采样的集合来估计码元的后验概率值的装置。

15.根据权利要求14所述的解调器，其中：

蒙特卡罗采样包括随机蒙特卡罗采样。

16.根据权利要求14所述的解调器，其中：

蒙特卡罗采样包括确定性蒙特卡罗采样。

17.根据权利要求14所述的解调器，其中：

信道包括一个多输入多输出(MIMO)信道。

18.一种用于接收来自信道的数据的接收机，包括：

一个软外部信道解码器；

一个软内部解调器；以及

一个码元概率计算器；其中：

码元概率计算器基于从软外部信道解码器接收的比特数据来计算先验码元概率值；并且

软内部解调器根据该先验概率值，确定相对于码元的概率分布进行了加权的码元的蒙特卡罗采样集合，并且基于蒙特卡罗采样的集合来估计码元的后验概率值。

19.根据权利要求18所述的接收机，进一步包括：

比特对数似然比率计算器，响应于后验概率值，用于确定比特数据的后验对数似然比率(LLR)。

20.根据权利要求18所述的接收机，其中：

从中接收数据的信道是一个多输入多输出(MIMO)信道。

21.一种用于解调来自信道的数据的方法，该信道包括一个多输入多输出(MIMO)信道，该方法包括：

(a)接收一个经过信道发射的码元的先验概率值；

(b)根据先验概率值，确定在由{(s_k ^(j)，w_k ^(j))}表示的码元间隔中相对于码元的概率分布进行了加权的码元的确定性蒙特卡罗采样集合；这是通过以下步骤实现的：

(b)(1)通过为少于全部的发射天线枚举m个采样，获得m个数据序列，从而计算概率分布的精确表达式，其中m是为码元间隔确定的确定性蒙特卡罗采样的数量；

(b)(2)计算每一码元s_k ^(j)的重要性加权w_k ^(j)，其中k是一个识别发射天线的下标；和

(b)(3)选择和保留具有最高加权的m个截然不同的数据序列；

以及

(c)基于确定性蒙特卡罗采样的集合来估计码元的后验概率值；其中：

(d)码元的概率分布由p(s|z)表示，其中s是一个在码元间隔中用于不同发射天线的发射信号值的向量，并且z是一个在零化后从不同的发射天线接收的接收信号的向量。

22.一种用于解调来自信道的数据的方法，该信道包括一个多输入多输出(MIMO)信道，该方法包括：

(a)接收一个经过信道发射的码元的先验概率值；

(b)根据先验概率值，确定由{(s_k ^(j)，w_k ^(j))}表示的码元间隔中的码元的确定性蒙特卡罗采样的集合；这是通过以下步骤实现的：

(b)(1)通过为少于全部的发射天线枚举m个采样，获得m个数据序列，从而计算概率分布的精确表达式，其中m是为码元间隔确定的确定性蒙特卡罗采样的数量；

(b)(2)计算每一码元s_k ^(j)的重要性加权w_k ^(j)，其中k是一个识别发射天线的下标；和

(b)(3)选择和保留具有最高加权的m个截然不同的数据序列；

以及

(c)基于确定性蒙特卡罗采样的集合来估计码元的后验概率值；其中：

(d)其中码元的概率分布由P(s|z)表示，其中s是一个在码元间隔中用于不同发射天线的发射信号值的向量，并且z是一个在零化后从不同的发射天线接收的接收信号的向量；

(e)其中m是为码元间隔确定的确定性蒙特卡罗采样的数量；

每一后验概率值P(s_k＝a_i|z)从 $P(s_k=a_i|z)=\frac{1}{W_k}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}1(S_k^{\left(j\right)}=a_i)w_k^{\left(j\right)},a_i\∈A$ 获得：

其中z是一个在零化后从不同的发射天线接收的接收信号的向量；

A是码元从中取值的字母集，并且a_i是A中的第i个值；

$W_k\stackrel{\mathrm{\Δ}}{=}{\mathrm{\Σ}}_{j=1}^m{w}_k^{\left(j\right)}$

并且1是一个指标函数，由下式定义：

以及

(f)基于后验概率值，计算交织码比特的后验对数似然比率。

Images