CN1968067A - 简化最大似然检测方法及检测设备 - Google Patents

Abstract

公开了一种简化最大似然检测方法和设备。该方法包括：(a)根据信道特性矩阵对接收信号进行预检测，以获得各个符号的预检测结果和相应的信干噪比；(b)根据各个符号的预检测结果和相应的信干噪比确定与各个符号相对应的候选星座点集合；(c)根据与各发送符号所对应的候选星座点集合中星座点的个数来确定检测顺序，并按照所述检测顺序对信道特性矩阵的列进行排序；以及(d)利用各个符号的候选星座点集合和确定的检测顺序，针对各个符号进行基于QR分解和M算法的最大似然检测。利用上述方案，有效的减少了QRM－MLD之前各发送符号对应的候选星座点数，从而降低QRM－MLD的实现复杂度。

Description

简化最大似然检测方法及检测设备

技术领域

本发明涉及MIMO系统中的信号检测技术，具体地，涉及一种MIMO系统中的简化最大似然检测方法及检测设备，能够降低检测的复杂度的同时不降低检测性能。

背景技术

随着无线网络和因特网的逐渐融合，人们对无线通信业务的类型和质量的要求越来越高。为满足无线多媒体和高速率数据传输的要求，需要开发新一代无线通信系统。因此，多天线输入和输出(MIMO)技术越来越受到人们的关注。

在MIMO系统中，发送端利用多根天线进行信号的发送，接收端利用多根天线进行信号的接收。研究表明，相比于传统的单天线传输方法，MIMO技术可以显著的提高信道容量，从而提高信息传输速率。另外，MIMO系统采用的发送和接收天线数愈多，其可提供的信息传输速率就愈高。众所周知，空间的天线资源相比于时频资源几乎是无限可利用的，因此MIMO技术有效地突破了传统研究中的瓶颈，成为了下一代无线通信系统的核心技术之一。

图1所示为传统的MIMO系统结构示意。在该结构中，发送端和接收端分别采用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单元101进行串并变换操作，分成n_T路数据子流，每个数据子流对应一根发送天线。然后，在相应的编码单元102和调制单元103分别对每个数据子流进行信道编码和调制。然后，从各自对应的发送天线104上将编码和调制后的数据子流发送出去。

在接收端，首先由n_R个接收天线111将空间全部信号接收下来。然后，在信道估计单元113，根据该接收信号中的导频信号或采用其他方法进行信道估计，估计出当前的信道特性矩阵矩阵H(对于MIMO系统来说，其信道特性可以用一个n_R×n_T的矩阵来描述)。接下来，在MIMO检测单元112中，根据信道特性矩阵H，对各个发送数据子流进行检测。最后，在译码单元114和并串变换单元115中对MIMO检测单元112输出的信号进行信道译码和并串变换，得到原始的发送数据。

对于MIMO检测单元112来说，在实现时可以采用多种方法，包括：(1)最大似然检测(MLD)；(2)线性检测方法，如迫零(ZF)，最小均方误差(MMSE)等等；(3)干扰抵消检测方法，如串行干扰抵消(SIC)，并行干扰抵消(PIC)等等。相对于其它检测方法来说，MLD方法可以获得最优异的检测性能。

●MLD

在MIMO系统中，接收信号可以表示为：

                         r＝Hs+n

其中s为n_T×1发送符号向量，r为n_R×1接收信号向量，H为n_R×n_T信道特性矩阵，n为n_R×1加性白高斯噪声向量。

在MLD中，检测器计算在所有可能发送符号组合下接收信号与r之间的距离，其检测输出为最小距离所对应的发送符号组合，即MLD的结果为：

$\hat{s}=\arg \underset{\hat{s}}{\min }\left|\right|r-H\hat{s}\left|\right|$

其中， 为n_T×1发送符号组合，||·||为向量范数。

虽然MLD检测可以获得优异的检测性能，然而，从上式可见，其实现复杂度也相当高。具体说来，每检测一个n_R×1接收信号向量r，都需要对所有C^nT个发送符号组合遍历一次，其中C为发送符号调制星座上的星座点总数。一般来说，C^nT的数值往往较大，尤其是系统采用高进制调制或发送天线数较多时，比如，当采用4根发送天线，16QAM调制时， $C^{n_T}=65536.$

●QRM-MLD

前面提到，MLD在获得优异检测性能的同时，需要以相当高的运算复杂度为代价。为此，一种新的MIMO检测方法-基于QRM的MLD(QRM-MLD)方法就被提出来了。研究表明，QRM-MLD方法可以在获得逼近MLD性能的同时，有效降低检测的运算复杂度。采用QRM-MLD的MIMO检测单元如图2所示。

图2所示为采用QRM-MLD的MIMO检测单元示意图。

由图2可见，采用QRM-MLD的MIMO检测单元112包括四个部分：排序部分201、分解部分202、矩阵运算部分203以及树搜索部分204。与传统MLD相比，QRM-MLD有两个特点：一是QR，即检测时利用QR分解；二是M，即在树搜索中采用了M算法。具体说来，QRM-MLD的实现如下：

首先，在排序部分201对发送信号排序。对发送信号排序的目的是为了使得在基于QR分解的MIMO检测中能先检测信道质量好的符号，后检测信道质量差的符号，从而降低误码传播对检测性能的影响。在基于QR分解的MIMO检测中，s(n_T)最先检测，s(n_T-1)次之，依此类推，s(1)最后检测。因此，排序操作的目的便是将信道质量最好的符号交换到s(n_T)位置，信道质量次好的符号交换到s(n_T-1)位置，依此类推。

当前，对发送信号排序的方法有多种，如基于范数的排序方法。假设经过排序操作，得到对原发送天线序列{1，2，...，n_T}的一种排序结果p＝{k₁，k₂，...，k_nT}，其中天线k_nT最先检测，天线k₁最后检测。然后，按排序结果p＝{k₁，k₂，...，k_nT}对发送序列s进行置换，得到：s＝[s(k₁)，s(k₂)，...，s(k_nT)]。同时，按排序结果p对信道特性矩阵H进行列变换，得到新的H为[H(：，k₁)，H(：，k₂)，...，H(：，k_nT)]。

其次，在分解部分202对信道特性矩阵H进行QR分解。MIMO检测中采用QR分解的目的是为了降低检测的运算复杂度。由矩阵理论可知，H可以通过QR分解得到：

                           H＝QR

其中，Q为一n_R×n_T矩阵，满足Q^HQ＝I，Q^H为Q的共轭转置，I为单位矩阵。同时，R为一n_T×n_T的上三角矩阵。

第三，在矩阵运算部分203中进行左乘Q^H操作。接收信号r＝Hs+n左乘矩阵Q^H后，变换为：

                  z＝Q^Hr＝Rs+n’

其中，n’＝Q^Hn，由于Q的正交性，n’与n有相同的统计特性。

最后，在树搜索部分204中进行树搜索操作。为了表示的更加清楚，将上式用矩阵形式表示，即有：

图3所示为QRM-MLD中树搜索过程示意。在图3的树图中，横向共有n_T级，其中第一级对应发送符号s(n_T)，第二级对应发送符号s(n_T-1)，依此类推。第一级中，有1个起始节点，有C个终了节点；第二级中，有C个起始节点，有C×C个终了节点；依此类推，在第n级中，起始节点和终了节点数分别为C^n-1和Cⁿ，其中C为发送符号调制星座上的星座点总数。另外，每个节点出来的分支数亦为C。

在图3的示例中，调制方式为BPSK，即C＝2。由于采用的是BPSK调制，对于每个发送符号s(n)只有两种情况，即s(n)＝1和s(n)＝-1。在图3中，每个节点出来的两个分支中，上下分支分别对应s(n)＝1和s(n)＝-1。

具体说来，QRM-MLD中树搜索的过程如下：

(1)I＝1；

(2)将第I级中的每个起始节点向后延伸C个分支，每个分支对应该级符号的一个候选星座点；

(3)计算该级所有路径上的度量值 $e=\underset{i=n_T+1-I}{\overset{n_T}{\mathrm{\Σ}}}{|z\left(i\right)-\underset{j=I}{\overset{n_T}{\mathrm{\Σ}}}R(i,j)\hat{s}\left(j\right)|}^2;$

(4)从该级所有路径中选取度量值最低的M个路径作为幸存路径。图3的示例中，M₁＝M₂＝M₃＝2，其中M_i为第i级上的幸存路径数目；

(5)判断I是否为n_T，否则I＝I+1并转到步骤(2)。

QRM-MLD可以在获得逼近MLD性能的同时，有效降低MIMO检测的实现复杂度。

图4所示为QRM-MLD与MLD性能比较。

图4中，n_T＝n_R＝4，发送采用16QAM调制，采用平衰落准静态MIMO信道。由图4可见，M值(图4中，M_i＝M，i＝1，2，..，n_T)越大，QRM-MLD的性能越逼近MLD。当M＝16时，两者性能相近。从复杂度上来讲，每进行一次QRM-MLD时，需要计算欧氏距离的次数为NUM＝C(1+M₁+M₂+...+M_nT-1)，该数值与MLD相比要大为减少。

尽管如此，QRM-MLD的实现复杂度仍然较高。因为对于QRM-MLD来说，要获得逼近MLD的检测性能，需要选取较大的M值。此时对于传输高进制符号来说，即C值较大时，QRM-MLD所需的运算量仍然较大。因此，如何在不牺牲检测性能的前提下，进一步降低QRM-MLD的实现复杂度仍是当前一个重要的研究课题。

发明内容

本发明的目的在于提供了一种低复杂度、高性能的MIMO检测方法和设备。

在本发明的一个方面，提出了一种简化最大似然检测方法，包括步骤：(a)根据信道特性矩阵对接收信号进行预检测，以获得各个符号的预检测结果和相应的信干噪比；(b)根据各个符号的预检测结果和相应的信干噪比确定与各个符号相对应的候选星座点集合；(c)根据与各发送符号所对应的候选星座点集合中星座点的个数来确定检测顺序，并按照所述检测顺序对信道特性矩阵的列进行排序；以及(d)利用各个符号的候选星座点集合和确定的检测顺序，针对各个符号进行基于QR分解和M算法的最大似然检测。

在本发明的另一方面，提出了一种检测设备，包括：预检测装置，用于根据信道特性矩阵对接收信号进行预检测，以获得各个符号的预检测结果和相应的信干噪比；确定装置，用于根据各个符号的预检测结果和相应的信干噪比确定与各个符号相对应的候选星座点集合；排序装置，用于根据与各发送符号所对应的候选星座点集合中星座点的个数来确定检测顺序，并按照所述检测顺序对信道特性矩阵的列进行排序；以及最大似然检测装置，利用各个符号的候选星座点集合和确定的检测顺序，针对各个符号进行基于QR分解和M算法的最大似然检测。

利用本发明的方法和设备，有效的减少了QRM-MLD之前各发送符号对应的候选星座点数，从而降低QRM-MLD的实现复杂度。另外，本发明还利用发送符号在星座图中的位置，对检测顺序进行进一步优化，从而进一步提高了检测性能。

附图说明

图1为传统的MIMO系统的结构示意图；

图2为采用QRM-MLD的MIMO检测单元的示意图；

图3为QRM-MLD中树搜索过程的示意图；

图4为QRM-MLD与MLD性能比较曲线图；

图5为根据本发明实施例的MIMO检测单元的示意图；

图6为根据预检测结果确定与发送符号相对应的候选星座点集合的操作的示意图；

图7为根据本发明实施例所采用的MIMO检测的流程图；

图8为根据本发明的方法与传统方法的性能比较曲线图；

图9为根据本发明的方法与传统方法的复杂度比较曲线图。

具体实施方式

下面结合附图说明本发明的具体实施方式。

图5所示为根据本发明实施例的MIMO检测单元的示意图。

如图5所示，本发明的MIMO检测单元包括六个部分：预检测部分301、确定部分302、排序部分303、分解部分202、矩阵运算部分203以及树搜索部分204。与图2中的传统QRM-MLD单元相比，本发明的MIMO检测单元的不同之处在于：

(1)在QRM-MLD之前首先在预检测部分301中进行预检测。

这里，可以采用任一种低复杂度的MIMO检测方法来进行预检测操作，如常用的ZF或MMSE等等。通过预检测，可以得到预检测后的结果y，以及各发送符号的检测后SINR。

比如，采用ZF检测时，则有：

                 y＝H^r＝s+H^n

其中，H^为信道特性矩阵H的伪逆。同时，第i个发送符号s(i)的检测后SINR为：

$\mathrm{SINR}\left(i\right)=\frac{P_s}{P_{\mathrm{in}}\left(i\right)}=\frac{P_s}{{\mathrm{\σ}}^2{\left|\right|w_i\left|\right|}^2}$

其中P_s为发送信号功率，P_in(i)为第i个发送符号的干扰和噪声功率，σ²为噪声方差，w_i为H^第i行。

对于MMSE检测来说，则有：

$\mathrm{SINR}\left(i\right)=\frac{P_s}{{\mathrm{\σ}}^2{[H^{*}H+{\mathrm{\σ}}^2{I}_{\mathrm{nT}}/P_s]}_{\mathrm{ii}}^{-1}}-1$

(2)在确定部分302中根据预检测的结果确定与各发送符号对应的候选星座点的集合。

具体地，在星座图上以预检测输出y为圆心，并根据检测后SINR确定半径，然后选取半径范围内的星座点为该符号的候选星座点的集合。比如，与第i个发送符号s(i)相对应的候选星座点的集合Q(i)为：

          Q(i)＝{d_n||y(i)-d_n|≤f(SINR(i))}

其中，d_n为发送符号调制星座点，n＝1，2，...，C，y(i)为第i个符号的预检测输出，f(SINR(i))为SINR(i)的函数。

在实际系统中，函数f(SINR(i))可以有以下几种形式：

I) $f\left(\mathrm{SINR}\left(i\right)\right)=K\sqrt{1/\mathrm{SINR}\left(i\right)},$ 这是一种最简单的形式，即确定候选星座点的圆半径与SINR^-1/2成正比，其中K为系统参数，i是自然数。

II) $f\left(\mathrm{SINR}\left(i\right)\right)=K_j\sqrt{1/\mathrm{SINR}\left(i\right)},$ 当SINR(i)∈Ω_j时。这是上一种形式的扩展，当SINR处于不同的数值区间时，选取不同的K系数。比如，当SINR处于数值区间Ω_j时，K系数为K_j，i和j是自然数。

图6所示为根据预检测结果确定与发送符号对应的候选星座点集合的操作的示意图。

在图6的示例中，发送符号采用的是16QAM调制，即C＝16。经选取后符号s(i)所对应的候选星座点集合为Q(i)＝{d₆，d₉，d₁₀，d₁₁，d₁₄，d₁₅}。

(3)在排序部分303根据与各发送符号所对应的候选星座点集合中星座点的个数确定检测顺序。

前面提到，在进行QRM检测之前，一般都需要事先对发送信号进行排序。排序的目的是先检测信道质量好的符号，后检测信道质量差的符号，从而降低误码传播对检测性能的影响。在具体实现上，将信道质量最好的符号交换到s(n_T)位置，信道质量次好的符号交换到s(n_T-1)位置，依此类推。具体说来，即是按排序结果p＝{k₁，k₂，...，k_nT}对发送序列s进行置换，得到：s＝[s(k₁)，s(k₂)，...，s(k_nT)]。同时，按排序结果p对信道特性矩阵H进行列变换，得到新的H为[H(：，k₁)，H(：，k₂)，...，H(：，k_nT)]。

当前，对发送信号排序的方法有多种，如基于范数的排序方法，基于SNR的排序方法等等。但是，传统的排序方法中都没能利用到发送符号在星座中的位置信息。从调制相关理论知道，在相同的SNR下，对于调制星座中的不同符号来说，其误码率(BER)是不同的。星座图边界处的符号的BER要比星座图中心处的符号的BER要低(因为星座图边界处符号的相邻符号少)。也就是说，单纯的依据SNR数值的高低来确定排序顺序并不完全合理。

本发明中，依据确定部分303中确定的与每个发送符号对应的候选星座点集合来确定检测顺序，具体如下：

(3.1)候选星座点数越少的符号越先检测，候选星座点数越多的符号越后检测；

(3.2)对于候选星座点数相同的符号来说，依据其检测后SINR进行判别。即，检测后SINR越高的符号越先检测，检测后SINR越低的符号越后检测。

经过以上的三个部分中的操作后，剩下的操作同传统的QRM-MLD相似，即先在分解部分202中进行QR分解，然后在矩阵运算部分203中进行左乘Q^H操作，最后在树搜索部分204中进行树搜索。在本发明中，树搜索部分204中不需要对每个节点延伸的所有C个分支都进行遍历，而只需要对与包含在候选星座点集合中的星座点相对应的分支进行遍历即可。从实现流程上来说，本发明的方法可以用图7来描述。

图7所示为根据本发明实施例的MIMO检测方法的流程图。

如图7所示，在步骤S601，已通过信道估计得到当前的信道特性矩阵H，且接收信号为r。

在步骤S602，利用信道特性矩阵H对接收信号r进行预检测。如上所述，这里可以采用任一种低复杂度的MIMO检测方法作为预检测方法，如常用的ZF或MMSE等等。通过预检测，可以得到预检测后的结果y，以及各发送符号的检测后SINR。上面已经给出了采用ZF作为预检测方法时y和SINR的表达式。

在步骤S603，根据预检测的结果确定与各发送符号对应的候选星座点集合。

本发明的基本思想之一是利用MIMO预检测后的结果缩小与各发送符号对应的候选星座点集合，即将可能性不大的星座点从候选星座点集合中排除出去，从而简化后续MIMO检测的运算复杂度。

具体地，在星座图上以预检测输出y为圆心，并根据检测后SINR确定半径，然后选取圆内的星座点为符号的候选星座点集合。第i个发送符号s(i)相对应的候选星座点集合Q(i)为：

          Q(i)＝{d_n||y(i)-d_n|≤f(SINR(i))}

其中，d_n为发送符号调制星座点，n＝1，2，...，C，y(i)为第i个符号的预检测输出，f(SINR(i))为SINR(i)的函数。函数f(SINR(i))可以多种形式，具体同上面。根据预检测结果确定各发送符号对应的候选星座点集合的操作如图6所示。

在步骤S604，根据与各发送符号所对应的候选星座点集合中星座点的个数确定检测顺序。

本发明的另一基本思想是在对发送符号进行排序时除了利用信道信息之外，还充分利用各发送符号在调制星座中的具体位置。前面提到，传统方法中单纯的依据SNR数值的高低来确定排序顺序并不完全科学。在相同的SNR下，对于调制星座中的不同符号来说，其BER也不尽相同。具体说来，步骤S604中对发送符号的排序遵循两个准则：

(1)候选星座点集合中点数越少的符号越先检测，候选星座点数越多的符号越后检测；

(2)对于候选星座点数相同的符号来说，依据其检测后SINR进行判别。即检测后SINR越高的符号越先检测，检测后SINR越低的符号越后检测。

也就是说，即是得到对原发送天线序列{1，2，...，n_T}的一种排序结果p＝{k₁，k₂，...，k_nT}，其中天线k_nT最先检测，天线k₁最后检测。然后，按排序结果p＝{k₁，k₂，...，k_nT}对发送序列s进行置换，得到：s＝[s(k₁)，s(k₂)，...，s(k_nT)]。同时，按排序结果p对信道特性矩阵H进行列变换，得到新的H为[H(：，k₁)，H(：，k₂)，...，H(：，k_nT)]。

在步骤S605，进行QR分解。这里，按照传统方法对按步骤S604中排序结果排序后的信道特性矩阵H进行QR分解，同时将接收信号r左乘Q^H。

在步骤S606，进行树搜索操作。这里，按照传统的M方法进行树搜索，其具体实现过程在背景技术部分已经介绍，同时可参考图3。不同的是，在本发明的方法中，树搜索中不需要对每个节点延伸的所有C个分支都进行遍历，而只需要对与包含在候选星座点集合中的星座点相对应的分支进行搜索即可。

图8所示为根据本发明的方法与传统方法的性能比较的曲线图；图9所示为根据本发明的方法与传统方法的复杂度比较的曲线图。在仿真中，给出了采用传统QRM-MLD方法与本发明方法下的BER性能和实现复杂度比较，其中，发送天线数n_T为4，接收天线数n_R为4，收端采用的预检测方法为ZF检测，调制参数为16QAM。信道为平衰落、准静态MIMO信道。

图8中，在M＝8和12时，在选取K＝4或更大值时本发明的方法即可以获得与传统方法相近的BER性能。对于复杂度而言，MLD检测中计算欧氏距离的操作占用了所有复杂度中的大部分，因此图9中比较了传统方法与本发明的方法下进行一次检测所需的计算欧氏距离的次数。从图9可见，本发明的方法在计算欧氏距离的次数上可以获得有效的降低。

虽然，本发明的方法中增加了预检测的操作，但是预检测中计算H伪逆的操作是逐帧进行，而不需要逐符号进行。另外，确定与各发送符号对应的候选星座点集合可以通过查找表的方式实现。如下表1

(参照图6所示的星座图)：

表1

因此，根据y(i)在星座坐标系下的位置以及f(SINR(i))所在的区间，就可以迅速确定与该符号相对应的候选星座点的集合。

此外，在本发明中，改变检测顺序所带来的复杂度上的增加也不大，这是因为在一帧中信道和噪声平均功率基本上不变，所以由于发送符号在星座图中位置的变化所带来的检测顺序的变化只是一种微小波动，而其在种类上的增加并不大，往往在一帧只有若干个。因此，复杂度的增加是很小的。

以上所述，仅为本发明中的具体实施方式，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 (18)

1、一种简化最大似然检测方法，包括步骤：

(a)根据信道特性矩阵对接收信号进行预检测，以获得各个符号的预检测结果和相应的信干噪比；

(b)根据各个符号的预检测结果和相应的信干噪比确定与各个符号相对应的候选星座点集合；

(c)根据与各发送符号所对应的候选星座点集合中星座点的个数来确定检测顺序，并按照所述检测顺序对信道特性矩阵的列进行排序；以及

(d)利用各个符号的候选星座点集合和确定的检测顺序，针对各个符号进行基于QR分解和M算法的最大似然检测。

2、如权利要求1所述的简化最大似然检测方法，其特征在于，所述步骤(d)包括步骤：

对排序后的信道特性矩阵进行QR分解，以得到Q矩阵和R矩阵；

将接收信号左乘Q矩阵的共轭转置矩阵；以及

按照M算法对与包含在候选星座点集合中的星座点相对应的分支进行搜索。

3、如权利要求1所述的简化最大似然检测方法，其特征在于，所述步骤(b)包括：

在星座图上以各个符号的预检测结果为圆心，将作为信干噪比的函数的半径的范围内的星座点确定为该符号的候选星座点。

4、如权利要求3所述的简化最大似然检测方法，其特征在于，如下确定作为信干噪比的函数的半径：

$f\left(\mathrm{SINR}\left(i\right)\right)=K\sqrt{1/\mathrm{SINR}\left(i\right)};$

其中SINR(i)是针对第i个符号进行预检测得到的信干噪比，K为系统参数，i是自然数。

5、如权利要求3所述的简化最大似然检测方法，其特征在于，如下确定作为信干噪比的函数的半径：

$f\left(\mathrm{SINR}\left(i\right)\right)=K_j\sqrt{1/\mathrm{SINR}\left(i\right)},$ 当SINR(i)∈Ω_j时；

SINR(i)是针对第i个符号进行预检测得到的信干噪比，Ω_j是与系数K_j相对应的数值区间，i和j是自然数。

6、如权利要求3所述的简化最大似然检测方法，其特征在于，采用查表的方式确定各个符号的候选星座点。

7、如权利要求1所述的简化最大似然检测方法，其特征在于，候选星座点集合中点数少的符号先于候选星座点数多的符号被检测。

8、如权利要求7所述的简化最大似然检测方法，其特征在于，对于候选星座点数相同的符号，信干噪比高的符号先于信干噪比低的符号被检测。

9、如权利要求1所述的简化最大似然检测方法，其特征在于，在所述步骤(a)中，利用ZF检测方法或MMSE检测方法对接收信号进行预检测。

10、一种检测设备，包括：

预检测装置，用于根据信道特性矩阵对接收信号进行预检测，以获得各个符号的预检测结果和相应的信干噪比；

确定装置，用于根据各个符号的预检测结果和相应的信干噪比确定与各个符号相对应的候选星座点集合；

排序装置，用于根据与各发送符号所对应的候选星座点集合中星座点的个数来确定检测顺序，并按照所述检测顺序对信道特性矩阵的列进行排序；以及

最大似然检测装置，利用各个符号的候选星座点集合和确定的检测顺序，针对各个符号进行基于QR分解和M算法的最大似然检测。

11、如权利要求10所述的检测设备，其特征在于，所述最大似然检测装置包括：

分解部分，对排序后的信道特性矩阵进行QR分解，以得到Q矩阵和R矩阵；

矩阵运算部分，用于将接收信号左乘Q矩阵的共轭转置矩阵；以及

树搜索部分，用于按照的M算法对与包含在候选星座点集合中的星座点相对应的分支进行搜索。

12、如权利要求10所述的检测设备，其特征在于，所述确定装置在星座图上以各个符号的预检测结果为圆心，将作为信干噪比的函数的半径的范围内的星座点确定为该符号的候选星座点。

13、如权利要求12所述的检测设备，其特征在于，如下确定作为信干噪比的函数的半径：

$f\left(\mathrm{SINR}\left(i\right)\right)=K\sqrt{1/\mathrm{SINR}\left(i\right)};$

其中SINR(i)是针对第i个符号进行预检测得到的信干噪比，K为系统参数，i是自然数。

14、如权利要求12所述的检测设备，其特征在于，如下确定作为信干噪比的函数的半径：

$f\left(\mathrm{SINR}\left(i\right)\right)=K_j\sqrt{1/\mathrm{SINR}\left(i\right)};$ 当SINR(i)∈Ω_j时；

SINR(i)是针对第i个符号进行预检测得到的信干噪比，Ω_j是与系数K_j相对应的数值区间，i和j是自然数。

15、如权利要求12所述的检测设备，其特征在于，采用查表的方式确定各个符号的候选星座点。

16、如权利要求10所述的检测设备，其特征在于，候选星座点集合中点数少的符号先于候选星座点数多的符号被检测。

17、如权利要求16所述的检测设备，其特征在于，对于候选星座点数相同的符号，信干噪比高的符号先于信干噪比低的符号被检测。

18、如权利要求10所述的检测设备，其特征在于，所述预检测装置利用ZF检测方法或MMSE检测方法对接收信号进行预检测。

Images