一种优化的大规模MIMO信号检测方法与流程

本发明属于无线通信领域，涉及一种大规模mimo系统的信号检测方法，可用5g无线通信系统中的mimo接收机。

背景技术：

近年来，大规模mimo技术已经成为5g移动通信研究的热点，然而，在传统mimo系统中高效的接收机难以在大规模mimo中发挥作用。在大规模mimo上行链路中，当使用最佳的ml检测方法时，复杂度随发射天线数目和调制阶数呈指数增加，在大规模mimo系统中难以实现，为了获得低复杂且接近最佳的ml检测性能，人们提出了非线性固定复杂度的球形解码算法和禁忌搜索算法，但是，当mimo系统的维度很大或者调制阶数很高时，这些算法的复杂度仍然很大。随着基站端的天线大幅度增加，信道之间渐渐正交，基于这个重要特性，在传统mimo系统中性能不理想的简单线性接收方法，比如：匹配滤波(mf)、迫零(zf)和最小均方误差(mmse)，都可以应用于大规模mimo系统中且获得很好性能。相比mf和zf算法，mmse检测算法能够获得更准确的判断，较广泛地用于无线通信系统。但是mmse线性检测算法涉及复杂的矩阵求逆。为了降低矩阵求逆带来的计算复杂度，人们又提出了纽曼级数近似算法，它把矩阵求逆转换成一系列矩阵-向量的乘积；但是，当迭代次数大于2时，计算复杂度减少就不明显了。

由上可知，mmse线性检测算法由于涉及复杂的矩阵求逆，还是具有较高的复杂度，不方便硬件实现，因此需要进一步降低检测的复杂度，以便于实际应用。

技术实现要素：

本发明要解决的技术问题在于提供一种优化的大规模mimo信号检测方法，进一步降低检测的复杂度。

为实现上述目的，本发明提出的技术方案为一种优化的大规模mimo信号检测方法，包括以下步骤：

步骤1、大规模mimo系统的接收天线接收信号，并将信号传输给信号处理模块；

步骤2、信号处理模块采用ssor(symmetricsuccessiveover-relaxation，对称逐次超松弛)算法对接收的信号检测，得到ssor算法检测结果；

步骤3、对ssor算法检测结果进行优化，得到优化后的检测输出，完成对信号的检测。

进一步，上述步骤2中采用ssor算法对接收信号进行检测,具体步骤为：

步骤2-1、在上行大规模mimo系统中，信道矩阵h列满秩，方程hq＝0有唯一解，即q是k×1零向量，因此，对于任意k×1非零向量x，可得

(hx)^hhx＝x^h(h^hh)x＝x^hgx＞0

g^h＝(h^hh)^h＝h^hh＝g

这表明格拉姆矩阵g＝h^hh是正定的，且表明矩阵g是hermitian的,所以矩阵g是hermitian正定的，而噪声方差σ²是正数，故mmse滤波矩阵w＝g+σ²ik也是hermitian正定的；

步骤2-2、mmse滤波矩阵w是hermitian正定的,分解w所用公式为：

w＝d-l-u

其中，d、l和u分别表示对角矩阵，严格下三角矩阵和严格上三角矩阵；

步骤2-3、一次ssor迭代由两部分半迭代组成，前半部分迭代和sor迭代相同，确定第k+1/2次检测出的信号估计值所用公式为：

其中，0＜w＜2是松弛参数，是滤波输出；

步骤2-4、计算后半部分迭代，和sor逆序一样，确定第k+1次检测出的信号估计值所用公式为：

上述步骤3中，对ssor算法检测结果进行优化，具体步骤为：

步骤3-1、在大规模mimo系统，当基站天线数n和用户数k很大且固定时，d^-1可用公式表示：

并且w的最大特征值λ1和最小特征值λk可以近似为：

步骤3-2、在上述的系统中，jacobi迭代矩阵bj的谱半径可以表示为：

bj＝ik-d^-1w；

步骤3-3、松弛参数w影响基于cssor检测算法的收敛速度，最佳松弛参数可以表示为：

由上面的步骤3-1和步骤3-2可以得到最佳松弛参数的近似值表示为：

步骤3-4、切比雪夫加速法计算第k+1次迭代的信号估计值所用公式为：

其中，ηk是迭代参数，η0＝2，μ和α是常数，所用公式为：

步骤3-5、发射信号估计值会影响迭代的收敛速度，选择一个合适的初始值可以进一步加快收敛速度，所用公式为：

与现有技术相比，本发明的优点：

1)本发明的收敛速度对松弛参数不是很敏感，这意味着可以选取简单且经过近似后的松弛参数；

2)本发明以ssor检测结果为基础，利用切比雪夫加速法进行优化，和mmse检测方法相比，大大降低了算法复杂度。

附图说明

图1是本发明实施例的系统组成图。

图2是本发明的流程图。

图3是本发明实施例的误码率随信噪比变化曲线。

具体实施方式

现结合附图对本发明作进一步详细描述。

本发明的一种优化的大规模mimo信号检测方法，如图2所示，包括以下步骤：

步骤1、大规模mimo系统的接收天线接收信号，并将信号传输给信号处理模块；

步骤2、信号处理模块采用ssor算法对接收的信号检测，得到ssor算法检测结果；采用ssor算法对接收的信号进行检测具体为：

步骤2-1在上行大规模mimo系统中，信道矩阵h列满秩，方程hq＝0有唯一解，即q是k×1零向量，因此，对于任意k×1非零向量x，可得

(hx)^hhx＝x^h(h^hh)x＝x^hgx＞0

g^h＝(h^hh)^h＝h^hh＝g

这表明格拉姆矩阵g＝h^hh是正定的，且表明矩阵g是hermitian的,所以矩阵g是hermitian正定的。而噪声方差σ²是正数，故mmse滤波矩阵w＝g+σ²ik也是hermitian正定的。

步骤2-2mmse滤波矩阵w是hermitian正定的,分解w所用公式为：

w＝d-l-u

其中，d、l和u分别表示对角矩阵，严格下三角矩阵和严格上三角矩阵。

步骤2-3一次ssor迭代由两部分半迭代组成，前半部分迭代和sor迭代相同，确定第k+1/2次检测出的信号估计值所用公式为：

其中，0＜w＜2是松弛参数，是滤波输出。

步骤2-4计算后半部分迭代，它和sor逆序一样，确定第k+1次检测出的信号估计值所用公式为：

步骤3、对ssor算法检测结果进行优化，得到优化后的检测输出，完成对信号的检测。对ssor算法检测结果进行优化具体步骤为：

步骤3-1、在大规模mimo系统，当基站天线数n和用户数k很大且固定时，d^-1可用公式表示：

并且w的最大特征值λ1和最小特征值λk可以近似为：

步骤3-2、在上述的系统中，jacobi迭代矩阵bj的谱半径可以表示为：

bj＝ik-d^-1w

步骤3-3、松弛参数w影响基于cssor检测算法的收敛速度，最佳松弛参数可以表示为：

从上面的步骤3-1和步骤3-2可以得到最佳松弛参数的近似值表示为：

步骤3-4、切比雪夫加速法计算第k+1次迭代的信号估计值所用公式为：

其中，ηk(η0＝2)是迭代参数，μ和α是常数，所用公式为：

步骤3-5、发射信号估计值会影响迭代的收敛速度，选择一个合适的初始值可以进一步加快收敛速度，所用公式为：

为便于本领域的技术人员进一步理解和实施本发明，现提供一个实施例对本发明做进一步详细的描述：

实施例：

整个系统组成图如图1所示，系统采用k发n收的大规模mimo系统。数据比特流为8×10⁶，调制方式为64qam。假设传输信道为平坦瑞利衰落信道，信道状态信息在发送和接收端均已知。

首先对系统接收天线接收到的信号进行ssor检测，具体步骤为：

步骤1、在上行大规模mimo系统中，信道矩阵h列满秩，方程hq＝0有唯一解，即q是k×1零向量，因此，对于任意k×1非零向量x，可得

(hx)^hhx＝x^h(h^hh)x＝x^hgx＞0

g^h＝(h^hh)^h＝h^hh＝g

这表明格拉姆矩阵g＝h^hh是正定的，且表明矩阵g是hermitian的,所以矩阵g是hermitian正定的。而噪声方差σ²是正数，故mmse滤波矩阵w＝g+σ²ik也是hermitian正定的。

步骤2、mmse滤波矩阵w是hermitian正定的,分解w所用公式为：

w＝d-l-u

其中，d、l和u分别表示对角矩阵，严格下三角矩阵和严格上三角矩阵。

步骤3、一次ssor迭代由两部分半迭代组成，前半部分迭代和sor迭代相同，确定第k+1/2次检测出的信号估计值所用公式为：

其中，0＜w＜2是松弛参数，是滤波输出。

步骤4、计算后半部分迭代，它和sor逆序一样，确定第k+1次检测出的信号估计值所用公式为：

由于ssor算法对接收的信号进行检测，其复杂度虽较低，但精确度不是很高，因此，本发明在ssor之后，应用切比雪夫加速法对检测结果进行优化。对检测结果优化的具体步骤为：

步骤1、在大规模mimo系统，当基站天线数n和用户数k很大且固定时，d^-1可用公式表示：

并且w的最大特征值λ1和最小特征值λk可以近似为：

步骤2、在上述的系统中，jacobi迭代矩阵bj的谱半径可以表示为：

bj＝ik-d^-1w

步骤3、松弛参数w影响基于cssor检测算法的收敛速度，最佳松弛参数可以表示为：

有上面的步骤3-1和步骤3-2可以得到最佳松弛参数的近似值表示为：

步骤4、切比雪夫加速法计算第k+1次迭代的信号估计值所用公式为：

其中，ηk(η0＝2)是迭代参数，μ和α是常数，所用公式为：

步骤5、发射信号估计值会影响迭代的收敛速度，选择一个合适的初始值可以进一步加快收敛速度，所用公式为：

图3为在n×k＝64×8系统中，几种信号检测方法的误码率随接收天线处平均信噪比的变化曲线。可以看出，mmse是性能最好的，当迭代次数i＝3时，本发明比传统截短阶数的neumann级数展开算法性能提高了约3.5db，且当i＝5时，本发明几乎接近mmse性能。

从复杂度和性能仿真结果可以看出，本发明比传统截短阶数的neumann级数展开算法好，本发明与mmse相比，以很小的检测性能为代价，取得了计算复杂度大大降低的效果。