CN1913390B - 一种基于Cholesky分解实现干扰消除的方法 - Google Patents

Abstract

本发明公开了一种基于Cholesky分解实现干扰消除的方法。首先，对需要顺序检测的信息符号矢量中的指定矩阵进行Cholesky分解，得到上三角矩阵和半均衡结果；然后，根据半均衡结果，顺序检测信息符号矢量中的信息符号，给出检测的信息符号和信息符号估计；最后，将给出的信息符号估计用于后续信息符号的检测。本发明通过消除前面检测结果对应的信号分量，实现了顺序干扰消除，从而在不增加算法复杂度的前提下，降低信息符号估计的误码率，提高接收系统的检测性能。此外，本发明还包括并行干扰消除的处理，从而进一步降低信息符号估计的误码率，提高接收系统的检测性能。

Description

一种基于Cholesky分解实现干扰消除的方法 

技术领域

本发明涉及无线通信系统中的信号检测技术，特别涉及一种基于Cholesky分解实现干扰消除的方法。 

背景技术

在无线数字通讯系统中，由于信道的多径效应或频率选择的特性，系统中存在着符号间干扰(ISI)；有时虽然无线通讯系统为窄带通信系统，不存在ISI，却有多个用户同时占用同一信道，从而存在着多用户干扰(MAI)，如多输入多输出(MIMO)移动通信系统和码分多址(CDMA)系统。 

最小均方差线性块均衡(MMSE-BLE)算法、迫零(Zero-forcing)算法目前被广泛运用于无线通信系统中ISI的克服，如均衡算法，MIMO通信系统的信号检测和时分同步码分多址(TD-SCDMA)系统的联合检测等方面。 

下面分别以MIMO通信系统中用于进行信号检测的MMSE-BLE算法、迫零算法为例说明具体过程。 

首先，给出以MMSE-BLE算法进行信号检测的具体过程： 

在M根发射天线、N根接收天线的MIMO系统中，假定接收端接收到的信号为y_N×1＝H_N×Mx_M×1+n_N×1，其中，y_N×1是接收数据矢量，H_N×M＝[h₁ h₂...h_M]是系统矩阵，x_M×1是信息符号矢量，n_N×1是噪声矢量。对于这样的接收数据矢量y，利用MMSE-BLE算法对其进行信号检测为： 

$\tilde{x}={(H^H{R}_n^{-1}H+R_d^{-1})}^{-1}{H}^H{R}_n^{-1}y---\left(1\right)$

${\hat{x}}_m=Q\left({\tilde{x}}_m\right),m=\mathrm{1,2},...,M$

其中，R_d代表信息符号的自相关矩阵，R_n代表噪声的自相关矩阵，Q(·)代表量化处理，即硬判决操作， 

为检测得到的信息符号估计，也就是最终 的检测结果。 

易知，直接通过式(1)所示对信号进行的检测，即求解信息符号估计，需要很大的计算量。目前，通常采用基于Cholesky分解的方法来完成上述MMSE-BLE的算法求解。具体地，该方法包括： 

步骤一，求解 $M=H^H{R}_n^{-1}H+R_d^{-1}$ 的Cholesky分解。 

所谓Cholesky分解，就是将指定矩阵分解为某个上三角矩阵和该上三角矩阵的共轭转置矩阵的乘积；本步骤中，这个指定矩阵为 $M=H^H{R}_n^{-1}H+R_d^{-1},$  得到的上三角矩阵记为R，则有 

M＝R^HR 

其中， 

$R_{M\×M}=\left[\begin{array}{cccc}{r}_1& r_2& ...& r_M\end{array}\right]$

步骤二，根据上三角矩阵R、系统矩阵H_N×M和噪声的自相关矩阵R_n，得到半均衡结果 

本步骤中，利用公式 $y_{M\×1}^{\′}=H^H{R}_n^{-1}y$ 对接收数据矢量y进行匹配滤波，得到中间矢量y_M×1′，再通过下面的方程组，得到 

将该矢量称为半均衡结果： 

$y^{\′}=R^H\tilde{y}$

通过求解上面的方程组可以得到半均衡结果 

中的各个元素 

分别为： 

${\tilde{y}}_1=y_1^{\′}/r_{\mathrm{1,1}}^{*}$

${\tilde{y}}_m=(y_m^{\′}-\underset{j=1}{\overset{m-1}{\mathrm{\Σ}}}{r}_{m,i}^{*}{\tilde{y}}_i)/r_{m,m}^{*},m=\mathrm{1,2},...,M$

步骤三，顺序检测信息符号矢量x中的信息符号，给出检测的信息符号和信息符号估计。 

本步骤中，利用方程组 

检测信息符号矢量x，其中，v_M×1代表等效噪声，其性质为白噪。 

通过下面的处理过程求解上面的方程： 

a、首先从最后一个信息符号开始检测，即i＝M，i代表信息符号矢量中的信息符号索引； 

b、求解某个信息符号的过程为 

${\tilde{x}}_i={\tilde{y}}_i/r_{i,i}---\left(2\right)$

${\hat{x}}_i=Q\left({\hat{x}}_i\right)$

$\tilde{y}=\tilde{y}-{\tilde{x}}_i{r}_i---\left(3\right)$

其中， 为检测的信息符号，通过对 进行量化处理，得到信息符号估计 

通过公式(3)从半均衡结果 

中消除信息符号的软比特对应的信号分量，再利用消除后的半均衡结 进行后续的信息符号检测； 

c、按照步骤b的操作检测下一个信息符号，并依次检测后续的信息符号，直到检测完第一个信息符号。 

至此，步骤三得到了所有的信息符号估计 

由步骤一到步骤三完成了MMSE-BLE算法进行的信号检测。 

由上述可见，该方法在步骤三中利用公式(2)得到了信息符号估计 但是在后续信息符号的检测中并未利用这一信息符号估计，而只是通过公式(3)实现了均衡，但没能实现干扰消除，这样就造成了用于后续检测的半均衡结果 

中含有前面检测结果对应的信号分量，从而使得后续检测得到的信息符号估计的误码率提高，降低了接收系统的检测性能。 

其次，给出以迫零算法进行信号检测的具体过程： 

在M根发射天线、N根接收天线的MIMO系统中，假定接收端接收到 的信号为y_N×1＝H_N×Mx_M×1+n_N×1，其中，y_N×1是接收数据矢量，H_N×M＝[h₁ h₂...h_M]是系统矩阵，x_M×1是信息符号矢量，n_N×1是噪声矢量。对于这样的接收数据矢量y，利用迫零算法对其进行信号检测为： 

$\tilde{x}={\left(H^H{R}_n^{-1}H\right)}^{-1}{H}^H{R}_n^{-1}y---{\left(1\right)}^{\′}$

${\hat{x}}_m=Q\left({\tilde{x}}_m\right),m=\mathrm{1,2},...,M$

其中，R_n代表噪声的自相关矩阵，Q(·)代表量化处理，即硬判决操作， 为检测得到的信息符号估计，也就是最终的检测结果。 

易知，直接通过式(1)′所示对信号进行的检测，即求解信息符号估计，需要很大的计算量。同样采用基于Cholesky分解的方法来完成上述迫零算法的求解。具体地，该方法包括： 

步骤一′，求解 $M=H^H{R}_n^{-1}H$ 的Cholesky分解。 

所谓Cholesky分解，就是将指定矩阵分解为某个上三角矩阵和该上三角矩阵的共轭转置矩阵的乘积；本步骤中，这个指定矩阵为 $M=H^H{R}_n^{-1}H,$ 得到的上三角矩阵记为R，则有 

M＝R^HR 

其中， 

$R_{M\×M}=\left[\begin{array}{cccc}{r}_1& r_2& ...& r_M\end{array}\right]$

步骤二′，根据上三角矩阵R、系统矩阵H_N×M和噪声的自相关矩阵，得到半均衡结果 

本步骤中，利用公式 $y_{M\×1}^{\′}=H^H{R}_n^{-1}y$ 对接收数据矢量y进行匹配滤波，得到中间矢量y_M×1′，再通过下面的方程组，得到 

将该矢量称为半均衡结果： 

$y^{\′}=R^H\tilde{y}$

通过求解上面的方程组可以得到半均衡结果 

中的各个元素 

分别为： 

${\tilde{y}}_1=y_1^{\′}/r_{\mathrm{1,1}}^{*}$

${\tilde{y}}_m=(y_m^{\′}-\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}{r}_{m,i}^{*}{\tilde{y}}_i)/r_{m,m}^{*},m=\mathrm{1,2},...,M$

步骤三′，顺序检测信息符号矢量x中的信息符号，给出检测的信息符号和信息符号估计。 

本步骤中，利用方程组 检测信息符号矢量x，其中，v_M×1代表等效噪声，其性质为白噪。 

通过下面的处理过程求解上面的方程： 

a′、首先从最后一个信息符号开始检测，即i＝M，i代表信息符号矢量中的信息符号索引； 

b′、求解某个信息符号的过程为 

${\tilde{x}}_i={\tilde{y}}_i/r_{i,i}---{\left(2\right)}^{\′}$

${\hat{x}}_i=Q\left({\hat{x}}_i\right)$

$\tilde{y}=\tilde{y}-{\tilde{x}}_i{r}_i---{\left(3\right)}^{\′}$

其中， 

为检测的信息符号，通过对 

进行量化处理，得到信息符号估计 通过公式(3)′从半均衡结果 中消除信息符号的软比特对应的信号分量，再利用消除后的半均衡结果 进行后续的信息符号检测； 

c′、按照步骤b′的操作检测下一个信息符号，并依次检测后续的信息符号，直到检测完第一个信息符号。 

至此，步骤三′得到了所有的信息符号估计 

由步骤一′到步骤三′完成了迫零算法进行的信号检测。 

由上述可见，该方法在步骤三′中利用公式(2)′得到了信息符号估计 

但是在后续信息符号的检测中并未利用这一信息符号估计，而只是利用公式(3)′实现了迫零，这使得剩余的噪声分量不再满足白噪的条件，出现了色化噪声，从而造成迫零算法往往成为多种联合检测算法中最差的，它使得到的信息符号估计的误码率提高，降低了接收系统的检测性能，但由于基于Choleky分解的迫零算法简单，所以在实际系统中经常使用该算法进行信号检测。 

事实上，由上述基于Cholesky分解的MMSE-BLE算法、迫零算法的过程可以看出，两者十分类似，只是在进行Cholesky分解时的指定矩阵不同，而两者所存在的问题，均是由于在后续的信息符号检测中未利用已经得到的信息符号估计，因此，没能实现干扰消除及产生了色化噪声，降低了信号检测时的检测性能。 

基于Cholesky分解的MMSE-BLE算法、迫零算法用于无线通信系统中ISI的克服，以及在TD-SCDMA系统中进行联合检测时，具体算法实现过程与上述的实现过程相同，因此也存在同样的问题，使得检测性能和迫零效果降低，这里就不再赘述。 

发明内容

有鉴于此，本发明提供一种基于Cholesky分解实现干扰消除的方法，从而提高接收系统的检测性能。 

为达到上述发明目的，本发明采用如下的技术方案： 

一种基于Cholesky分解实现干扰消除的方法，包括： 

a、对需要顺序检测的信息符号矢量中的指定矩阵，进行Cholesky分解，得到上三角矩阵； 

b、根据系统矩阵、噪声信号的自相关矩阵和上三角矩阵，得到半均衡结果； 

c、根据得到的半均衡结果，顺序检测信息符号矢量中的信息符号，给出检测的当前信息符号和当前信息符号估计； 

其特征在于， 

根据 将步骤c所述顺序检测信息符号矢量中给出的当前信息符号估计 对应的信号分量从半均衡结果 

中消除，并将消除后的结果作为新的半均衡结果用于下一个信息符号的检测，其中，r_i为上三角矩阵的第i个列矢量，i为当前检测的信息符号索引。 

较佳地，所述步骤c可以进一步包括如下处理： 

c1、从信息符号矢量中的最后一个信息符号开始检测； 

c2、根据半均衡结果和上三角矩阵，得到当前检测的信息符号； 

c3、根据当前检测的信息符号给出信息符号估计，并将给出的信息符号估计对应的信号分量从半均衡结果中消除，并将消除后的半均衡结果用于下一个信息符号的检测； 

c4、依次检测信息符号矢量中的下一个信息符号，直到检测第一个信息符号。 

较佳地，步骤c2中所述当前检测的信息符号可以为， ${\tilde{x}}_i={\tilde{y}}_i/r_{i,i},$ 其中， 

为给出的当前检测的信息符号， 

为半均衡结果中的第i个元素，r_i，i为上三角矩阵的第i个列矢量中的第i个元素，i为当前检测的信息符号索引。 

较佳地，该方法还可以包括： 

d、将给出的信息符号估计中含有的第一个信息符号估计到其自身前一个信息符号估计的干扰消除掉。 

较佳地，所述步骤d可以包括如下处理： 

d1、设第二个信息符号估计为当前的信息符号估计； 

d2、消除当前的信息符号估计中，第一个信息符号估计到当前信息符号估 计的前一个信息符号估计的干扰，得到当前的信息符号估计的修正值； 

d3、判断当前的信息符号估计是否为最后一个信息符号估计，若是，则结束并行干扰消除过程，否则，设下一个信息符号估计为当前的信息符号估计，并返回步骤d2。 

较佳地，步骤d2中所述的得到当前的信息符号估计的修正值可以为：  $\begin{array}{c}{\tilde{x}}_i={\hat{x}}_i+r_i^H\tilde{y}/r_{i,i}\\ {{\hat{x}}_i}^{\′}=Q\left({\tilde{x}}_i\right)\end{array},$ 其中， 为当前的信息符号估计， 

为当前信息符号估计的修正值，r_i为上三角矩阵的第i个列矢量，r_i，i为r_i中的第i个元素，i为当前信息符号估计的索引， 

为消除信号分量前的半均衡结果，Q(·)为量化处理。 

由上述技术方案可见，本发明对需要顺序检测的信息符号矢量中的指定矩阵进行Cholesky分解，得到上三角矩阵和半均衡结果；根据半均衡结果，顺序检测信息符号矢量中的信息符号，给出检测的信息符号和信息符号估计，并将给出的信息符号估计用于后续信息符号的检测，这样就能够消除前面检测结果对应的信号分量，实现了顺序干扰消除，从而在不增加算法复杂度的前提下，降低信息符号估计的误码率，提高接收系统的检测性能。 

更进一步地，本发明还可以对顺序检测后得到的信息符号估计进行修正，将信息符号估计中含有的第一个信息符号估计到其自身前一个信息符号估计的干扰消除掉，以实现并行干扰消除，从而进一步降低信息符号估计的误码率，提高接收系统的检测性能。 

附图说明

图1为基于MMSE-BLE算法本发明实施例一的方法流程图。 

图2为本发明实施例一中将给出的当前信息符号估计用于下一个信息符号检测的具体流程图。 

图3为基于迫零算法本发明实施例二的方法流程图。 

图4为本发明实施例二中将给出的当前信息符号估计用于下一个信息符号检测的具体流程图。 

图5为基于MMSE-BLE算法和迫零算法本发明实施例三并行干扰消除的具体流程图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合附图并举实施例说明本发明的具体实施方式。 

本发明的基本思想是：对需要顺序检测的信息符号矢量中的指定矩阵进行Cholesky分解，得到上三角矩阵和半均衡结果；根据半均衡结果，顺序检测信息符号矢量中的信息符号，得到信息符号估计，并将得到的信息符号估计用于后续信息符号的检测。 

下面分别以MMSE-BLE算法和迫零算法结合实施例，介绍本发明的较佳实施方式。 

首先给出的是以MMSE-BLE算法进行顺序检测的具体过程： 

假定一个M根发射天线、N根接收天线的MIMO系统，接收端接收到的信号为y_N×1＝H_N×Mx_M×1+n_N×1，其中，y_N×1是接收数据矢量，H_N×M＝[h₁ h₂...h_M]是系统矩阵，x_M×1是信息符号矢量，n_N×1是噪声矢量。对于这样的接收数据矢量y，利用MMSE-BLE算法对其进行信号检测为： 

$\tilde{x}={(H^H{R}_n^{-1}H+R_d^{-1})}^{-1}{H}^H{R}_n^{-1}y---\left(4\right)$

${\hat{x}}_m=Q\left({\tilde{x}}_m\right),m=\mathrm{1,2},...,M$

其中，R_d代表信息符号的自相关矩阵，R_n代表噪声信号的自相关矩阵，m为信息符号估计的索引。 

在本发明中，每次经过检测给出一个 

后，将其信号分量从接收数据中消除，即令 

$y\←y-{\hat{x}}_m{h}_m$

$H_m^{-}=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{m-1}\end{array}\right]$

$x_m^{-}={\left[\begin{array}{cccc}{x}_1& x_2& ...& x_{m-1}\end{array}\right]}^T,m=\mathrm{1,2},...,M-1---\left(5\right)$

$R_{d|m}^{-1}=E\left[x_m^{-}{x}_m^{-H}\right]$

其中，H_m ^-为消除 对应的信道冲激响应后的系统矩阵，x_m ^-为消除 

对应的信号分量后的信息符号矢量，R_d|m ^-1为x_m ^-的自相关矩阵，将上述变量代入公式(4)得到式(6)，即经过顺序干扰消除后的信息符号估计计算方法： 

$\tilde{x}={(H_m^{-1}{R}_n^{-1}{H}_m^{-}+R_{d|m}^{-1})}^{-1}{H}_m^{-H}{R}_n^{-1}y,m=\mathrm{1,2},...,M-1---\left(6\right)$

${\hat{x}}_{m-1}=Q\left({\tilde{x}}_{m-1}\right)$

其中，Q(·)代表量化处理，即硬判决操作。 

在下面的实施例中，给出的是本发明对式(4)、(5)和(6)进行信号检测的详细说明。 

实施例一： 

图1为基于MMSE-BLE算法本发明实施例一的方法流程图。如图1所示，该方法包括： 

步骤101，根据系统矩阵H、信息符号的自相关矩阵R_d、噪声信号的自相关矩阵R_n，进行Cholesky分解，得到上三角矩阵。 

所谓Cholesky分解，就是将指定矩阵分解为某个上三角矩阵和该上三角矩阵的共轭转置矩阵的乘积；本步骤中，这个指定矩阵为包括系统矩阵H、信息符号的自相关矩阵R_d、噪声信号的自相关矩阵R_n的矩阵  $M=H^H{R}_n^{-1}H+R_d^{-1},$ 得到的上三角矩阵记为R，则有 

M＝R^HR 

其中， 

$R_{M\×M}=\begin{array}{c}\left[\begin{array}{cccc}{r}_1& r_2& ...& r_M\end{array}\right]\end{array}$

步骤102，根据上三角矩阵R、系统矩阵H_N×M和噪声的自相关矩阵R_n，得到半均衡结果 

本步骤中，利用公式 $y_{M\×1}^{\′}=H^H{R}_n^{-1}y,$ 对接收数据矢量y进行匹配滤波，得到中间矢量y_M×1′，再通过以下方程组，得到半均衡结果： 

$y^{\′}=R^H\tilde{y}$

通过求解上面的方程组可以得到半均衡结果 中的各个元素 分别为： 

${\tilde{y}}_1=y_1^{\′}/r_{\mathrm{1,1}}^{*}$

${\tilde{y}}_m=(y_m^{\′}-\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}{r}_{m,i}^{*}{\tilde{y}}_i)/r_{m,m}^{*},m=\mathrm{1,2},...,M$

步骤103，顺序检测信息符号矢量{x_M x_M-1……x₁}中的信息符号，给出检测的信息符号和信息符号估计，并将该信息符号估计用于后续信息符号的检测。 

本步骤中，利用方程组 

检测信息符号矢量，继而得到信息符号估计，其中，v_M×1代表等效噪声，其性质为白噪。 

对上述方程组求解得到的信息符号估计用于信息符号检测的具体处理流程如图2所示，包括： 

步骤103a，设最后一个信息符号为当前检测的信息符号，即i＝M，i为当前检测的信息符号的索引。 

步骤103b，检测当前的信息符号。 

本步骤中，利用公式 ${\tilde{x}}_i={\tilde{y}}_i/r_{i,i}$ 计算当前的信息符号，其中， 为当前的信息符号， 

为半均衡结果中的第i个元素，r_i，i为上三角矩阵的第i个列矢 量中的第i个元素，i为当前检测的信息符号的索引。 

步骤103c，对当前的信息符号进行量化操作，得到信息符号估计，即  ${\hat{x}}_i=Q\left({\tilde{x}}_i\right),$ 其中， 

为给出的当前信息符号估计， 

为信息符号矢量中当前检测的信息符号，i为当前检测的信息符号索引，Q(·)为量化处理。 

步骤103d，得到消除了信息符号估计对应的信号分量后的半均衡结果。 

本步骤中，利用公式 $\tilde{y}=\tilde{y}-{\hat{x}}_i{r}_i$ 消除信息符号估计对应的信号分量，其中， 

为步骤103c中得到的信息符号估计， 

分别为消除信号分量前后的半均衡结果，r_i为上三角矩阵R的第i个列矢量。 

步骤103e，判断当前检测的信息符号是否为信息符号矢量中的第一个信息符号，若是，则结束信号检测流程；否则，设信息符号矢量中的上一个信息符号为当前的信息符号并返回步骤103b。 

由步骤103可见，步骤103c中的操作即完成了式(5)中顺序干扰消除的过程，然后将步骤103c得到的消除干扰后的半均衡结果再代回步骤103b执行时，即使得该信息符号的值 

等效于式(6)的求解结果。 

至此，本发明实施例一的流程结束，得到了所有的信息符号估计 

由上述技术方案可见，将本发明的方法应用于MMSE-BLE算法中进行信号检测时，当检测得到某个信息符号估计后，即在半均衡结果中将该信息符号估计对应的信号分量消除掉，再将消除了信号分量后的半均衡结果用于进行后续的检测。依此循环，直到得到所有的信息符号估计。这样，得到的信息符号估计中就消除了前面的检测结果对应的信号分量的干扰，从而实现了顺序干扰消除，并且其算法复杂度与原有的基于Cholesky分解的MMSE-BLE算法相同，可是却降低了信息符号估计的误码率，能够有效提高接收系统的检测性能。 

其次给出的是以迫零算法进行顺序检测的具体过程： 

假定一个M根发射天线、N根接收天线的MIMO系统，接收端接收到 的信号为y_N×1＝H_N×Mx_M×1+n_N×1，其中，y_N×1是接收数据矢量，H_N×M＝[h₁ h₂...h_M]是系统矩阵，x_M×1是信息符号矢量，n_N×1是噪声矢量。对于这样的接收数据矢量y，利用迫零算法对其进行信号检测为： 

$\tilde{x}={\left(H^H{R}_n^{-1}H\right)}^{-1}{H}^H{R}_n^{-1}y---{\left(4\right)}^{\′}$

${\hat{x}}_m=Q\left({\tilde{x}}_m\right),m=\mathrm{1,2},...,M$

其中，R_n代表噪声信号的自相关矩阵，m为信息符号估计的索引。 

在本发明中，每次经过检测给出一 后，将其信号分量从接收数据中消除，即令 

$y\←y-{\hat{x}}_m{h}_m$

$H_m^{-}=\left[\begin{array}{cccc}{h}_1& h_2& ...& h_{m-1}\end{array}\right],m=\mathrm{1,2},...M-1--{\left(5\right)}^{\′}$

$x_m^{-}={\left[\begin{array}{cccc}{x}_1& x_2& ...& x_{m-1}\end{array}\right]}^T$

其中，H_m ^-为消除 对应的信道冲激响应后的系统矩阵，x_m ^-为消除 

对应的信号分量后的信息符号矢量，将上述变量代入公式(4)′得到式(6)′，即经过顺序干扰消除后的信息符号估计计算方法： 

$\tilde{x}={\left(H_m^{-H}{R}_n^{-1}{H}_m^{-}\right)}^{-1}{H}_m^{-H}{R}_n^{-1}y,m=\mathrm{1,2},...,M-1---{\left(6\right)}^{\′}$

${\hat{x}}_{m-1}=Q\left({\tilde{x}}_{m-1}\right)$

其中，Q(·)代表量化处理，即硬判决操作。 

在下面的实施例中，给出的是本发明对式(4)′、(5)′和(6)′进行信号检测的详细说明。 

实施例二： 

图3为基于迫零算法本发明实施例二的方法流程图。如图3所示，该方法包括： 

步骤101′，根据系统矩阵H、噪声信号的自相关矩阵R_n，进行Cholesky分解，得到上三角矩阵。 

所谓Cholesky分解，就是将指定矩阵分解为某个上三角矩阵和该上三角矩阵的共轭转置矩阵的乘积；本步骤中，这个指定矩阵为包括系统矩阵H、噪声信号的自相关矩阵R_n的 $M=H^H{R}_n^{-1}H,$ 得到的上三角矩阵记为R，则有 

M＝R^HR 

其中， 

$R_{M\×M}=\left[\begin{array}{cccc}{r}_1& r_2& ...& r_M\end{array}\right]$

步骤102′，根据上三角矩阵R、系统矩阵H_N×M和噪声的自相关矩阵R_n，得到半均衡结果 

本步骤中，利用公式 $y_{M\×1}^{\′}=H^H{R}_n^{-1}y,$ 对接收数据矢量y进行匹配滤波，得到中间矢量y_M×1′，再通过以下方程组，得到半均衡结果 

$y^{\′}=R^H\tilde{y}$

通过求解上面的方程组可以得到半均衡结果 

中的各个元素 

分别为： 

${\tilde{y}}_1=y_1^{\′}/r_{\mathrm{1,1}}^{*}$

${\tilde{y}}_m=(y_m^{\′}-\underset{i=1}{\overset{m-1}{\mathrm{\Σ}}}{r}_{m,i}^{*}{\tilde{y}}_i)/r_{m,m}^{*},m=\mathrm{1,2},...,M$

步骤103′，顺序检测信息符号矢量{x_M x_M-1……X₁}中的信息符号，给出检测的信息符号和信息符号估计，并将该信息符号估计用于后续信息符号的检测。 

本步骤中，利用方程组 检测信息符号矢量，继而得到信息符号估计，其中，v_M×1代表等效噪声，其性质为白噪。 

对上述方程组求解得到的信息符号估计用于信息符号检测的具体处理 流程如图4所示，包括： 

步骤103a′，设最后一个信息符号为当前检测的信息符号，即i＝M。i为当前检测的信息符号的索引。 

步骤103b′，检测当前的信息符号。 

本步骤中，利用公式 ${\tilde{x}}_i={\tilde{y}}_i/r_{i,i}$ 计算当前的信息符号，其中， 

为当前的信息符号， 

为半均衡结果中的第i个元素，r_i，i为上三角矩阵的第i个列矢量中的第i个元素，i为当前检测的信息符号的索引。 

步骤103c′，对当前的信息符号进行量化操作，得到信息符号估计，即  ${\hat{x}}_i=Q\left({\tilde{x}}_i\right),$ 其中， 

为给出的当前信息符号估计， 为信息符号矢量中当前检测的信息符号，i为当前检测的信息符号索引，Q(·)为量化处理。 

步骤103d′，得到消除了信息符号估计对应的信号分量后的半均衡结果，以消除色化噪声。 

本步骤中，利用公式 $\tilde{y}=\tilde{y}-{\hat{x}}_i{r}_i$ 消除信息符号估计对应的信号分量，其中， 

为步骤103c′中得到的信息符号估计， 

分别为消除信号分量前后的半均衡结果，r_i为上三角矩阵R的第i个列向量。 

步骤103e′，判断当前检测的信息符号是否为信息符号矢量中的第一个信息符号，若是，则结束信号检测流程；否则，设信息符号矢量中的上一个信息符号为当前的信息符号并返回步骤103b′。 

由步骤103′可见，步骤103c′中的操作即完成了式(5)′中顺序干扰消除的过程，然后将步骤103c′得到的消除干扰后的半均衡结果再代回步骤103b′执行时，即使得该信息符号的值 等效于式(6)′的求解结果。这样，在前面得到的检测结果正确的情况下，剩余的噪声分量仍然为白噪，从而克服了迫零算法会色化噪声的缺点。 

至此，本发明实施例二的流程结束，得到了所有的信息符号估计 

由上述技术方案可见，将本发明的方法应用于迫零算法中进行信号检测 时，当检测得到某个信息符号估计后，即在半均衡结果中将该信息符号估计对应的信号分量消除掉，再将消除了信号分量后的半均衡结果用于后续信息符号的检测。依此循环，直到得到所有的信息符号估计。这样，得到的信息符号估计中就消除了前面的检测结果对应的信号分量的干扰，使得剩余的噪声分量满足白噪的条件，不再出现色化噪声，从而实现了顺序干扰消除，并且其算法复杂度与原有的基于Cholesky分解的迫零算法相同，可是却降低了信息符号估计的误码率，能够有效提高接收系统的检测性能。 

本发明实施例一与实施例二中的方法能够实现顺序干扰消除，同时，本发明还可以进一步增加并行干扰消除的步骤，从而进一步提高系统的检测性能。其具体实施方式如实施例三所示。 

实施例三： 

在实施例三中，首先依照实施例一或实施例二中的操作进行，最终得到所有的信息符号估计，然后，进一步增加并行干扰消除的处理，其具体处理流程如图5所示，包括： 

步骤301，设第二个信息符号估计为当前的信息符号估计。所述第二个信息符号估计对应为顺序检测信息符号矢量中倒数第二个信息符号，即i＝2，i为当前检测的信息符号的索引。 

步骤302，对当前的信息符号估计进行修正。 

本步骤中，利用公式 $\begin{array}{c}{\tilde{x}}_i={\tilde{x}}_i+r_i^H\tilde{y}/r_{i,i}\\ {{\hat{x}}_i}^{\′}=Q\left({\tilde{x}}_i\right)\end{array}$ 得到当前信息符号估计的修正值，其中， 为当前的信息符号估计， 为当前的信息符号估计的修正值，r_i为上三角矩阵R的第i个列矢量，r_i，i为r_i中的第i个元素，i为当前信息符号估计的索引， 为消除信号分量前的半均衡结果，Q(·)为量化处理。通过修正，能够将第一个信息符号估计 

到当前信息符号估计的前一个信息符号估计 

的干扰从当前信息符号估计 中消除掉，得到当前信息符号估计的修正值 

将其作为最后的信息符号估计结果。 

步骤303，判断当前的信息符号估计是否为最后一个信息符号估计 所述最后一个信息符号估计对应为顺序检测信息符号矢量中第一个信息符号，即i＝M，i为当前检测的信息符号的索引。 

若是，则结束本实施例的流程，否则设下一个信息符号估计为当前的信息符号估计，并返回步骤302。 

至此，本发明实施例三的流程结束，完成了对信息符号估计的修正，将信息符号估计中含有的第一个信息符号估计到其自身的前一个信息符号估计的干扰消除掉，即完成了并行干扰消除，进一步地降低了信息符号估计的误码率，提高了接收系统的检测性能。 

由上述实施例的具体实施方式可见，本发明的方法通过在后续信息符号的检测中充分利用已经得到的信息符号估计，从而可以在不增加算法复杂度的基础上实现顺序干扰消除，降低信息符号估计的误码率；另外在处理能力允许的情况下，还可以进一步包括并行干扰消除的操作，从而进一步消除信息符号估计中存在的ISI，有效提高接收系统的检测性能。 

上面均是以MIMO通信系统中进行信号检测为例说明本发明的具体实施方式，实际上，在TD-SCDMA系统中进行联合检测以及在无线通信系统ISI的克服中使用本发明的方式与上述的具体实施方式相同，也能够取得相同的效果，提高接收系统的检测性能，改善均衡效果，这里就不再赘述。 

以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (6)

1.一种基于Cholesky分解实现干扰消除的方法，包括：

a、对需要顺序检测的信息符号矢量中的指定矩阵，进行Cholesky分解，得到上三角矩阵；

b、根据系统矩阵、噪声信号的自相关矩阵和上三角矩阵，得到半均衡结果；

c、根据得到的半均衡结果，顺序检测信息符号矢量中的信息符号，给出检测的当前信息符号和当前信息符号估计；

其特征在于，

根据

将步骤c所述顺序检测信息符号矢量中给出的当前信息符号估计对应的信号分量从半均衡结果

中消除，并将消除后的结果作为新的半均衡结果用于下一个信息符号的检测，其中，r_i为上三角矩阵的第i个列矢量，i为当前检测的信息符号索引。

2.如权利要求1所述的方法，其特征在于，所述步骤c进一步包括如下处理：

c1、从信息符号矢量中的最后一个信息符号开始检测；

c2、根据半均衡结果和上三角矩阵，得到当前检测的信息符号；

c3、根据当前检测的信息符号给出信息符号估计，并将给出的信息符号估计对应的信号分量从半均衡结果中消除，并将消除后的半均衡结果用于下一个信息符号的检测；

c4、依次检测信息符号矢量中的下一个信息符号，直到检测第一个信息符号。

3.如权利要求2所述的方法，其特征在于，步骤c2中所述当前检测的信息符号为， ${\tilde{x}}_i={\tilde{y}}_i/r_{i,i},$ 其中，

为给出的当前检测的信息符号，

为半均衡结果中的第i个元素，r_i，i为上三角矩阵的第i个列矢量中的第i个元素，i为当前检测的信息符号索引。

4.根据权利要求1所述的方法，其特征在于，该方法还包括：

d、将给出的信息符号估计中含有的第一个信息符号估计到其自身前一个信息符号估计的干扰消除掉。

5.根据权利要求4所述的方法，其特征在于，所述步骤d包括如下处理：

d1、设第二个信息符号估计为当前的信息符号估计；

d2、消除当前的信息符号估计中，第一个信息符号估计到当前信息符号估计的前一个信息符号估计的干扰，得到当前的信息符号估计的修正值；

d3、判断当前的信息符号估计是否为最后一个信息符号估计，若是，则结束并行干扰消除过程，否则，设下一个信息符号估计为当前的信息符号估计，并返回步骤d2。

6.根据权利要求5所述的方法，其特征在于，步骤d2中所述的得到当前的信息符号估计的修正值为： $\begin{array}{c}{\tilde{x}}_i={\hat{x}}_i+{r_i}^H\tilde{y}/r_{i,i}\\ {{\hat{x}}_i}^{\′}=Q\left({\tilde{x}}_i\right)\end{array},$ 其中，

为当前的信息符号估计，为当前信息符号估计的修正值，r_i为上三角矩阵的第i个列矢量，r_i，i为r_i中的第i个元素，i为当前信息符号估计的索引，

为消除信号分量前的半均衡结果，Q(·)为量化处理。

Images