CN1805327A - 多入多出检测方法 - Google Patents

Abstract

公开了一种MIMO检测技术。目的在于为了提高MIMO系统中误码性能。该方法包括以下几个步骤：a)输入信道矩阵、接收信号r、种群数n和k、最大迭代次数M以及预定检测器的一个解S₁，并设置欧氏距离变异门限；b)计算解S₁的代价函数值a₁；c)根据解S₁计算解调之前和之后的欧氏距离，然后计算k－1个变异解S₂...S_k；d)生成n－k个初始化点S_k+1，...S_n；e)执行局部搜索，以获得n个局部极小值，并计算代价函数值取最小值的解；f)选择m个最小值，执行变异过程，以获得变异后的m个点；g)用m个点进行随机交叉，得到交叉后的m个点，并且随机生成n－m个点，得到新的点S₁，...S_n；h)如果达到最大迭代次数M，则输出所述使代价函数取最小值的解。采用本发明的方法，能够避免传统的检测方法容易落入局部极小点，造成检测错误的问题。

Description

多入多出检测方法

技术领域

本发明涉及多天线无线通信系统中的信号检测技术，具体涉及一种基于欧氏距离变异的遗传局部搜索多入多出检测方法。

背景技术

多入多出(MIMO)技术是无线移动通信领域技术的重大突破。MIMO技术指的是数据的发送和接收都采用了多根天线。研究表明，利用MIMO技术可以提高信道的容量，同时也可以提高信道的可靠性，降低误码率。MIMO系统的最大容量或容量上限随最小天线数的增加而线性增加。而在同样条件下，在接收端或发射端采用多天线或天线阵列的普通智能天线系统，其容量仅随天线数的对数增加而增加。相对而言，MIMO技术对于提高无线通信系统的容量具有极大的潜力，是新一代移动通信系统采用的关键技术。

图1所示为通常的采用的MIMO系统结构示意图。在该结构中，发端和收端分别采用n_T和n_R个天线进行信号的发送和接收。在发送端，待发送的数据首先经过串并变换模块101进行串并转换处理，分成n_T个数据流，每个数据流对应一个发送天线。在接收端，首先由n_R个接收天线103将信号接收下来，然后由信道估计模块104根据该接收信号进行信道估计，估计出当前的信道特性矩阵H。MIMO检测模块，即检测器105利用该信道特性矩阵H对接收信号进行检测，解调出发端发送的信息比特。

【传统的检测器】

a.最大似然检测

最大似然检测方法可以通过充分统计向量的噪声方差直接推导出来，但是最大似然检测的复杂度是随呈指数增长的，难以实现。

b.ZF(迫零)和MMSE(最小均方误差)检测器

迫零检测器的特点是完全消除了各个发送天线之间的干扰，其代价是增强了背景噪声。MMSE检测器的基本思想是使估计的数据与真正的数据之间的均方误差最小化。它考虑了背景噪声的影响，在消除各个天线之间和增强背景噪声之间得到一个折衷，性能要优于迫零检测器。

c.BLAST检测器(ZF-BLAST和MMSE-BLAST)。

BLAST检测器包括两部分：一个线性变换和一个串行干扰消除器。首先通过线性变换得到信噪比最强的第I根发送天线上的数据判决，通过此数据，重建第I个天线的发送数据。然后再从接收信号中减去此符号的影响。接着计算余下的数据中信噪比最强的天线上的数据估计进行干扰消除。然后一直重复此过程直到得到所有数据的估计。

d.基于求二次函数极小值的检测器

对MIMO的检测问题也可以转化为求如下二次函数极小值的问题

$s=\underset{s\∈S}{\arg \min }0.5s^T\mathrm{Rs}-y^{T}s---\left(1\right)$

对此问题，有许多方法可以求解，比如高斯迭代法，牛顿法，最速下降法等等。但由于有噪声的影响，最速下降法等等这些方法容易落入局部极小点，造成检测错误。

发明内容

本发明的目的在于，提供了一种基于欧氏距变异的遗传局部搜索MIMO检测的方法，提高误码性能。

为了提高传统检测器的性能，本发明专利申请里将给出一种新的基于欧氏距变异的遗传局部搜索MIMO检测的方法，提高误码性能。该方法根据需要设置初始种群(种群数目为n，一阶线性检测器的解及其变异的解也在其中)，利用局部搜索的方法得到一些局部极小点。在这些局部极小点中，选出m好的点进行基于欧氏距里的变异，变异后互相交叉，得到新的m个点，并随机生成n-m个点。这n个点就是下一次迭代的初始点。当达到指定的迭代次数时，迭代结束，输出结果。

根据本发明的一个方面，提出了一种多入多出检测的方法，包括步骤：a)输入信道矩阵H、接收信号r、种群数n和k、最大迭代次数M以及预定检测器的一个解S₁，并设置欧氏距离变异门限；b)根据信道矩阵H和接收信号r计算解S₁的代价函数值；c)根据解S₁计算解调之前和之后的欧氏距离，然后根据欧氏距离门限计算k-1个变异解S₂，...S_k；d)生成n-k个初始化点S_k+1，...S_n；e)将S₁，...S_n作为初始点，执行局部搜索，以获得n个局部极小值，并计算使n个局部最小点的代价函数值取最小值的解；f)从n个局部极小值中选择m个最小值，执行变异过程，以获得变异后的m个点；g)用m个点进行随机交叉，得到交叉后的m个点，并且随机生成n-m个点，得到新的点S₁，...，S_n；h)判断迭代次数是否达到最大迭代次数，如果达到最大迭代次数M，则输出所述使代价函数取最小值的解。

此外，如果迭代次数没有达到最大迭代次数M，则返回到步骤e)。

此外，所述代价函数是0.5*S_i ^TRS_i-y^TS_j，其中R＝H_r^T*H_r，y＝H_r^T*r2，其中， $H\_r=\left[\begin{array}{cc}R\left(H\right)& -I\left(H\right)\\ I\left(H\right)& R\left(H\right)\end{array}\right]r2=\left[\begin{array}{c}R\left(r\right)\\ I\left(r\right)\end{array}\right],$ R(…)代表实部，I(…)代表虚部。

此外，所述m个点是n个点中解调之前和解调之后欧氏距离最短的m个点。

此外，所述预定的检测器包括：迫零检测器或者最小均方误差检测器或者迫零排序干扰消除检测器。

采用本发明的方法，能够避免传统的检测方法容易落入局部极小点，造成检测错误的问题。

附图说明

图1为MIMO系统结构示意图；

图2为QPSK星座图；

图3为本发明所采用的检测方法的流程图；

图4为发明中的方法(种群数为3，迭代数为3)与其他方法的比较；

图5为发明中的方法在不同种群数目下的比较(迭代次数为3)；

图6为发明中的方法与传统的遗传局部搜索的比较；

图7和图8为发明中的方法与以MMSE的解作为初始种群之一的传统遗传局部搜索的比较；

图9为基本的遗传算法的流程图；以及

图10为传统的遗传局部搜索的流程图。

具体实施方式

下面结合附图详细说明本发明的具体实施方式。

初始条件：假设采用图1所示的MIMO系统结构。其中，发端和收端分别采用n_T和n_R个天线进行信号的发送和接收。在发送端，待发送的数据首先在串并变换模块101经过串并转换，分成n_T个数据流，每个数据流对应一个发送天线102。在接收端，首先由n_R个接收天线103将信号接收下来，然后由信道估计模块104根据该接收信号进行信道估计，估计出当前的信道特性矩阵H。

图3示出了根据本发明的检测方法的流程图。

以下结合图3描述本发明的基于欧氏距变异的遗传局部搜索MIMO检测的方法。

在步骤S301，信道估计模块104根据接收信号r估计出信道特性矩阵H，并设置“变异”的欧氏距离门限，设置初始种群数目n，k，设置最大世代数(迭代次数)M其中M、n和k是自然数，且n＞k。

在步骤S302，预定的检测器(比如MMSE)105作为第一阶，根据信道特性矩阵H，接收信号r，得到信号估计S₁，并将S₁作为候选解S_out。并计算a₁＝-y^TS₁+0.5*S₁ ^TRS₁，其中R＝H_r^T*H_r(上标T表示转置)，y＝H_r^T*r2。其中， $H\_r=\left[\begin{array}{cc}R\left(H\right)& -I\left(H\right)\\ I\left(H\right)& R\left(H\right)\end{array}\right]r2=\left[\begin{array}{c}R\left(r\right)\\ I\left(r\right)\end{array}\right].$ R(…)代表实部，I(…)代表虚部。

在步骤S303，根据一阶检测器的解S₁，计算其在解调前与解调后的欧氏距离。并根据欧氏距离门限，得到k-1个一阶检测器“变异”的解，即S₂，…，S_k。以下以具体的实例来说明步骤S303执行的过程：

设调制信号为QPSK调制，星座图见图2，n_T＝n_R＝4，k＝2，即只有变异一个解。假设经过线性检测器的解调前信号为S₁＝(-0.0914-0.3090i，0.6893-0.7078i，-0.5065-0.5264i，-0.0544+0.1978i)，解调后的信号为(-1-1i，1-1i，-1-1i，-1+1i)。实部和虚部分别处理，如果令

$S_1^{\′\′}=\left[\begin{array}{c}\mathrm{Re}\left(S_1\right)\\ \mathrm{Im}\left(S_1\right)\end{array}\right]---\left(2\right)$

其中Re代表实部，Im代表虚部。则S₁″＝(-0.0914，0.6893，-0.5065，-0.0544，-0.3090，-0.7078，-0.5264，0.1978)^T。其相应的判决为(-1，1，-1，-1，-1，-1，-1，1)^T。解调前与解调后的距离为(0.9086，0.3107，0.4935，0.9456，0.6910，0.2922，0.4736，0.8022)^T。由于有噪声的影响，很显然，解调前与解调后的距离越近，可靠性越高。假设距离门限为0.6，且变异概率为1，即只要超过距离门限，就变异到相反的值上去。则判决位置(1，4，5，8)的点需要“变异”，由于是QPSK调制，实部或虚部的取值只有±1，所以经过变异后的值为(1，1，-1，1，1，-1，-1，-1)。如果调制方式不是QPSK这样实部或虚部的取值只有±1的，根据解调前与解调后星座点的欧氏距离作为变异的根据，可以根据某种概率准则来选择变异后的星座点。

在上面的例子中，如果设定k＝3，则需要变异两个解。为此，可以将变异概率设定为小于1的值，例如0.8就可以变异出两个解，或者对于调制阶数大于2的调制方式，即使在变异概率等于1的情况下，也可以得到两个变异的解。

在步骤S304，生成其余的n-k个初始化点，从而得到S₁，...，S_n，并且将迭代计数值I设置为1。对于这n-k个初始化点，它们可以是在解空间随机选择，也可以是按照某种规则生成。举例如下：

假设n＝7，k＝2，其他假设条件与步骤S303中相同，已经生成了两个初始点(-1，1，-1，.1，-1，-1，-1，1)^T，(1，1，-1，1，1，-1，-1，-1)。这些初始点中前半部分表示实部，后半部分表示虚部。还有5个初始点需要选择，在这5个点中全0做为一个初始点，余下的4个随机在解空间中选择，分别为(1，1，-1，-1，-1，-1，-1，-1)，(1，-1，-1，1，1，1，-1，1)，(-1，1，1，-1，-1，1，1，1)，(1，1，-1，1，1，1，-1，1)。

接下来在步骤S305，判断I是否小于等于设定的世代数M，即最大迭代次数。

如果在步骤S305的判断结果是否定的，则输出结果S_out。

如果在步骤S305的判断是肯定的，则在步骤S306，执行局部搜索过程，即以这n个点S₁，…，S_n为初始点，选择一种预定的局部搜索方法，得到n个公式(1)的局部极小点S₁′，…S_n′。并根据公式(1)计算与这n个局部极小值点相应的函数值a₁′，…a_n′，找出其中的最小值a_i′及相应的S_i′。

然后，在步骤S307判断在这n个局部极小点中是否有比候选解S_out更好的，如果有，则在步骤S308令候选解S_out为此局部极小点S_i′。也就是，令a₁＝-y^TS_out+0.5*S_out ^TRS_out，如果某个S_i′满足a_i′＜a₁(a_i′＝-y^TS_i′+0.5*S_i′^TRS_i′)，则S_out＝S_i′，a₁＝a_i′。

如果在步骤S307的判断是否定的，则流程直接转到步骤S309。

在步骤S309，根据在步骤S306得到的n个函数值a₁′，…a_n′，选取其中m个最小的值，将与这m个最小值相对应的点作为父代，保留下来，然后根据解调前与解调后的欧氏距离进行变异，得到变异后的m个点。

在步骤S310，在这m变异后的点之间进行随机交叉，举例如下：假设两个估计点(1，-1，-1，-1，-1，-1，1，1)^T，(-1，-1，1，-1，-1，-1，-1，1)^T。假设这两个估计点的第一个位置进行交叉，则交叉后的点为(-1，-1，-1，-1，-1，-1，1，1)^T，(1，-1，1，-1，-1，-1，-1，1)^T。分别对应符号(-1-1i，-1-1i，-1+1i，-1+1i)和(1-1i，-1-1i，1-1i，-1+1i)这两个符号向量。

此外，在步骤S310还随机生成其余的n-m个点，它们与交叉后的m个点一起作为下一次迭代的初始点。然后，在步骤S311，将迭代计数值I加1，流程转回步骤S305，重复执行上述过程，直到预定的世代数M，然后输出得到的最佳的局部极小点，即S_out。

与传统遗传算法和传统的遗传局部搜索的比较：

遗传算法借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现了个体适应性的提高。它提供了一种求解复杂系统优化问题的通用框架，可以解决各类的优化问题。参照图9，其基本过程如下：

首先采用某种编码方式将解空间映射到编码空间，每个编码对应问题的一个解，称为染色体或个体。一般通过随机方法确定起始的一群个体，称为种群，在种群中根据适应值或某种竞争机制选择个体，使用各种遗传操作算子产生下一代如此进化下去，直到满足期望的终止条件。

将遗传算法用于求解大规模的NP完全问题非常有效，但是，如果得到非常精确的解，需要如下两个条件：1.种群数要很大2.产生的世代数很多。这样才能模仿生物进化过程，得到和精确的最优解。这样，将基本遗传算法用于MIMO检测，就无法实时实现。

为了提高遗传算法的搜索速度，人们又将遗传算法与局部搜索相结合，如图10所示，来解决优化问题。虽然这种混合的方法要优于基本的遗传算法，但是同样需要较大的种群和很多的世代数。这是由于传统的遗传算法与局部搜索相结合的方法只是机械的将局部搜索与遗传的思想相结合，没有利用到优化问题本身所据有的一些特性。

而本发明的基于欧氏距变异的遗传局部搜索MIMO检测的方法利用检测器的信息，设置更好的初始化种群，并利用检测器的信息进行变异(变异和交叉的位置与方法传统的遗传局部搜索不同)，大大提高了检测器的性能。

此外，在仿真中，n_T＝n_R＝4，信道矩阵H的各个元素独立。噪声为均值为零方差为σ²的复白高斯噪声分布。调制方式为QPSK，一阶检测器使用MMSE，k＝2。局部搜索方法使用Hopfield神经网络。当得到了n个局部极小点并变异之后，选择

进行随机交叉，剩下的随机生成。图4给出了本发明的方法与MMSE、ZF-BLAST与最大似然的比较。在图4中，种群数为3，迭代次数为3。初始种群的设置和变异规则与具体实施方式中一样。从图中可以看出本发明的方法比传统方法有很大提高。图5给出了迭代次数为3，不同的种群数目下与最大似然的比较。

图6给出了发明的方法与传统的遗传局部搜索的方法的比较，其中，种群数为7，迭代次数为3，传统的遗传局部搜索的变异概率为0.1。在传统的方法中，种群的初始化为随机初始化。从图中可以看出，发明的方法要好很多。

图7和图8给出了发明的方法与以MMSE的解作为初始种群之一的传统遗传局部搜索的方法的比较，其中传统的遗传局部搜索的变异概率为0.1。在图7中，种群数为3，迭代次数为3。而在图8中，种群数为3，迭代次数为5。在同样已知MMSE解的情况下，同样的复杂度的情况下，发明的方法要比传统的遗传局部搜索方法好很多。

以上所述，仅为本发明中的一种具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变换或替换，都应涵盖在本发明的包含范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1、一种多入多出检测的方法，包括步骤：

a)输入信道矩阵H、接收信号r、种群数n和k、最大迭代次数M以及预定检测器的一个解S₁，并设置欧氏距离变异门限；

b)根据信道矩阵H和接收信号r计算解S₁的代价函数值a₁；

c)根据解S₁计算解调之前和之后的欧氏距离，然后根据欧氏距离门限计算k-1个变异解S₂，...S_k；

d)生成n-k个初始化点S_k+1，...S_n；

e)将S₁，...S_n作为初始点，执行局部搜索，以获得n个局部极小值，并计算使n个局部最小点的代价函数值取最小值的解；

f)从n个局部极小值中选择m个最小值，执行变异过程，以获得变异后的m个点；

g)用m个点进行随机交叉，得到交叉后的m个点，并且随机生成n-m个点，得到新的点S₁，...，S_n；

h)判断迭代次数是否达到最大迭代次数，如果达到最大迭代次数M，则输出所述使代价函数取最小值的解。

2、根据权利要求1所述的方法，其特征在于，还包括步骤i)如果迭代次数没有达到最大迭代次数M，则返回到步骤e)。

3、根据权利要求2所述的方法，其特征在于，所述代价函数是0.5*S_i ^TRS_i-y^TS_i，其中R＝H_r^T*H_r，y＝H_r^T*r2， $H\_r=\left[\begin{array}{cc}R\left(H\right)& -I\left(H\right)\\ I\left(H\right)& R\left(H\right)\end{array}\right],r2=\left[\begin{array}{c}R\left(r\right)\\ I\left(r\right)\end{array}\right],R(\·\·\·)$ 代表实部，I(...)代表虚部。

4、根据权利要求2所述的方法，其特征在于，所述m个点是n个点中解调之前和解调之后欧氏距离最短的m个点。

5、根据权利要求2所述的方法，其特征在于，所述预定的检测器包括：迫零检测器或者最小均方误差检测器或者迫零排序干扰消除检测器。

Images