基于EPA的MIMO检测方法、装置、设备和存储介质与流程

基于epa的mimo检测方法、装置、设备和存储介质
技术领域
1.本发明属于移动通信技术领域，具体涉及一种基于epa的mimo检测方法、装置、设备和存储介质。


背景技术：

2.随着移动通信技术与多媒体技术的不断发展，人们对于实时通信、高质量视频传输以及传输延时等提出了更高的要求。传统的小规模多天线传输系统所能够提供的数据传输速率已经不能够满足人们对于高质量高速率通信的要求。作为近代移动通信的关键突破性技术之一，大规模多输入多输出(mimo，multiple
‑
input multiple
‑
output)技术通过在收发两端配备大量的天线(几十根甚至上百根)，有效地提高了无线通信系统的数据传输速率与链路可靠性。然而，随之而来的问题是由于信道矩阵维度的急剧增大，给信号检测带来了十分高维度的矩阵运算。
3.传统的最优检测算法是最大似然(ml，maximum
‑
likelihood)检测算法，然而该算法的复杂度随着发射端天线个数与调制阶数呈指数增长，在大规模mimo系统动辄上百根天线的情况下，最大似然检测难以得到实际应用。球形译码检测算法与k
‑
best检测算法是基于ml检测的两种简化版本，这两种算法均能够通过调节每一层的搜索节点的个数来控制整个算法的总体检测复杂度，从而实现复杂度与性能的有效折中，但这两种算法都需要进行矩阵的正交三角(qr decomposition)分解，这将带来巨大的计算复杂度的同时也会给硬件实现带来一定的困难。为此，一些次优的线性检测算法被提出，例如最小均方误差(mmse，minimum mean square error)检测和迫零(zf，zero forcing)检测算法，然而通常这些线性检测算法的性能只能够在较小的天线配置比α＜＜1(α＝发射天线数/接收天线数)下才能实现较为良好的的性能，当天线配置比α较大，即接近于1时，传统线性算法的性能衰退很严重。然而，只有当天线配置比α接近于1时，大规模mimo才能实现最大的频谱效率，因此，需要有更有效的检测算法来解决此问题。
4.期望传播(ep，expectation propagation)算法是一种高效的近似贝叶斯推理算法，其能够通过矩匹配的方式，用迭代的方式不断更新近似分布的矩特征参数，使其不断逼近所要求解的概率分布。当其应用至大规模mimo系统进行信号检测时，在不同天线配置比与调制阶数下均能够实现相较于传统算法来说更加优异的性能。然而，ep检测算法的一个较为明显不足在于，其每一次迭代均需要进行一次完整的矩阵求逆，从而引入了较大的计算复杂度。
5.为降低ep检测算法的复杂度，基于近似的ep(epa，approximate expectation propagation)算法被提出，其通过重新调整ep的矩匹配方程，简化了运算过程，从而有效地避免了原始ep每一次迭代过程中的矩阵求逆运算。然而，现有的epa在每一次迭代中，均会遍历每一个发射天线，然而，这实际上是会带来冗余计算的。这是由于从第一次迭代开始，在每一次迭代结束之后，均会有一部分的符号节点趋向于收敛，或者说已经收敛，在下一次的迭代中再重复计算该符号节点所对应的参数值就没有必要了。现有的epa仍有进一步降
低运算复杂度的空间。


技术实现要素：

6.发明目的：本发明公开了一种基于epa的mimo检测方法、装置、设备和存储介质，解决了现有基于epa的mimo检测方法运算复杂度较高的问题。
7.技术方案：为实现上述发明目的，本发明采用如下技术方案：一种基于epa的mimo检测方法，包括：
8.获取接收信号，mimo信道矩阵，噪声方差；
9.根据mimo信道矩阵和噪声方差得到发射端各个天线对应的发送信号的近似联合后验概率分布的方差；
10.在每次迭代中，按照发送信号的近似联合后验概率分布的方差由大到小的顺序获取若干个较大方差对应的天线序号，将所述天线序号作为索引，所述索引的个数根据当前迭代次数和预设的剪枝度确定；根据上一次迭代中的腔边缘分布的均值计算当前迭代中所述索引对应的替代分布的相应边缘分布的均值，更新替代分布的均值向量以及当前迭代中腔边缘分布的均值；迭代更新替代分布的均值向量，将达到最大迭代次数的替代分布的均值向量作为发送信号的检测值。
11.进一步的，所述索引的个数为：(1
‑
(l
‑
1)ρ)
×
m，ρ为预设的剪枝度，m为大规模mimo系统发送端的天线个数，l为当前迭代序号。
12.进一步的，所述当前迭代中所述索引对应的替代分布的相应边缘分布的均值η
j
为：
[0013][0014]
其中，j为索引，a为星座图的符号集合θ中的符号，argmin表示使取最小值时的a值，为上一次迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的均值。
[0015]
进一步的，所述更新当前迭代中腔边缘分布的均值，包括：
[0016]
通过当前迭代中所述索引对应的替代分布的相应边缘分布的均值、噪声方差、接收信号和mimo信道矩阵计算得到当前迭代中索引对应的发送信号的近似后验联合概率分布的腔边缘分布的均值；
[0017]
通过预设的加权系数更新当前迭代中索引对应的腔边缘分布的均值。
[0018]
进一步的，所述更新当前迭代中腔边缘分布的均值，包括：
[0019]
计算当前迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的均值
[0020][0021]
根据设定的加权系数更新当前迭代中索引j对应的腔边缘分布的均值，公式为：
[0022]
其中，v
j
为gram矩阵对角线元素组成的列向量v中的第j个元素，v＝diag(a)，
b
j
为匹配滤波向量b中的第j个元素，a
jk
为gram矩阵a中的第j行第k列元素；η
k
为替代分布的均值向量中第k个元素值，k＝1，2，...，m；m为大规模mimo系统发送端的天线个数，l为当前迭代序号，为噪声方差；y为接收信号，h为mimo信道矩阵；β为加权系数。
[0023]
进一步的，所述发射端各个天线对应的发送信号的近似联合后验概率分布的方差为：发送信号的近似联合后验概率分布的协方差矩阵∑对角线元素；
[0024]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；h为mimo信道矩阵，为噪声方差。
[0025]
进一步的，初始化的腔分布的均值向量t
(0)
为：
[0026]
t
(0)
＝(∑
×
b)./(1.
‑
diag(λ).
×
∑
d
)，∑
d
＝diag(∑)；
[0027]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；y为接收信号，为噪声方差，h为mimo信道矩阵。
[0028]
一种基于epa的mimo检测装置，包括：
[0029]
获取模块，用于获取接收信号，mimo信道矩阵，噪声方差；
[0030]
方差计算模块，用于根据mimo信道矩阵和噪声方差得到发射端各个天线对应的发送信号的近似联合后验概率分布的方差；
[0031]
检测值迭代计算模块，用于在每次迭代中，按照发送信号的近似联合后验概率分布的方差由大到小的顺序获取若干个较大方差对应的天线序号，将所述天线序号作为索引，所述索引的个数根据当前迭代次数和预设的剪枝度确定；根据上一次迭代中的腔边缘分布的均值计算当前迭代中所述索引对应的替代分布的相应边缘分布的均值，更新替代分布的均值向量以及当前迭代中腔边缘分布的均值；迭代更新替代分布的均值向量，将达到最大迭代次数的替代分布的均值向量作为发送信号的检测值。
[0032]
进一步的，所述索引的个数为：(1
‑
(l
‑
1)ρ)
×
m，ρ为预设的剪枝度，m为大规模mimo系统发送端的天线个数，l为当前迭代序号。
[0033]
进一步的，所述当前迭代中所述索引对应的替代分布的相应边缘分布的均值η
j
为：
[0034][0035]
其中，j为索引，a为星座图的符号集合θ中的符号，argmin表示使取最小值时的a值，为上一次迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的均值。
[0036]
进一步的，所述更新当前迭代中腔边缘分布的均值，包括：
[0037]
通过当前迭代中所述索引对应的替代分布的相应边缘分布的均值、噪声方差、接收信号和mimo信道矩阵计算得到当前迭代中索引对应的发送信号的近似后验联合概率分布的腔边缘分布的均值；
[0038]
通过预设的加权系数更新当前迭代中索引对应的腔边缘分布的均值。
[0039]
进一步的，所述更新当前迭代中腔边缘分布的均值，包括：
[0040]
计算当前迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的
均值
[0041][0042]
根据设定的加权系数更新当前迭代中索引j对应的腔边缘分布的均值，公式为：
[0043]
其中，v
j
为gram矩阵对角线元素组成的列向量v中的第j个元素，v＝diag(a)，b
j
为匹配滤波向量b中的第j个元素，a
jk
为gram矩阵a中的第j行第k列元素；η
k
为替代分布的均值向量中第k个元素值，k＝1，2，...，m；m为大规模mimo系统发送端的天线个数，l为当前迭代序号，为噪声方差；y为接收信号，h为mimo信道矩阵；β为加权系数。
[0044]
进一步的，所述发射端各个天线对应的发送信号的近似联合后验概率分布的方差为：发送信号的近似联合后验概率分布的协方差矩阵∑对角线元素；
[0045]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；h为mimo信道矩阵，为噪声方差。
[0046]
进一步的，初始化的腔分布的均值向量t
(0)
为：
[0047]
t
(0)
＝(∑
×
b)./(1.
‑
diag(λ).
×
∑
d
)，∑
d
＝diag(∑)；
[0048]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；y为接收信号，为噪声方差，h为mimo信道矩阵。
[0049]
一种基于epa的mimo检测设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述的任意一项所述基于epa的mimo检测方法。
[0050]
一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行前述的任意一项所述基于epa的mimo检测方法。
[0051]
有益效果：与现有技术相比，本发明具有如下有益效果：
[0052]
在每次迭代中，按照发送信号的近似联合后验概率分布的方差由大到小的顺序获取若干个较大方差对应的天线序号，将所述天线序号作为索引，所述索引的个数根据当前迭代次数和预设的剪枝度确定；计算当前迭代中这些索引对应的替代分布的相应边缘分布的均值，更新替代分布均值向量中这些索引对应的值，使得较大方差对应的替代分布的边缘分布的均值不断得到更新，能够在实现接近于epa算法性能的前提下，最大程度地降低计算的复杂度。
附图说明
[0053]
图1为本发明实施例中的基于epa的mimio检测方法流程图；
[0054]
图2为本发明实施例中的基于epa的mimio检测装置模块图；
[0055]
图3为本发明方法、原始epa方法和其他方法在天线配置为n＝128，m＝32，瑞利信道下的检测性能对比图；
[0056]
图4为本发明方法、原始epa方法和其他方法在天线配置为n＝128，m＝32，相关信道下，接收端天线相关程度为ζ
r
＝0.25，发射端天线相关程度为ζ
t
＝0.25的检测性能对比
图；
[0057]
图5为本发明检测方法、原始epa方法和其他方法在天线配置为n＝128，m＝32，相关信道下，接收端天线相关程度为ζ
r
＝0.4，发射端天线相关程度为ζ
t
＝0.4的检测性能对比图；
[0058]
图6为本发明检测方法和其他检测方法在天线配置为n＝128、m＝32，瑞利信道下，性能和复杂度的对比图；
[0059]
图7为本发明检测方法和其他检测方法在天线配置为n＝128、m＝32，且发射端天线相关系数ζ
t
＝0.25和接收端天线相关系数ζ
r
＝0.25的情形下，性能和复杂度的对比图；
[0060]
图8为本发明所述检测方法和其他检测方法在天线配置为n＝128、m＝32，且发射端天线相关系数ζ
t
＝0.4和接收端天线相关系数ζ
r
＝0.4的情形下，性能和复杂度的对比图。
具体实施方式
[0061]
下面结合附图对本发明作更进一步的说明。
[0062]
实施例1：
[0063]
如图1所示，在本技术的一个实施例中，提供一种基于epa的mimo检测方法，包括步骤：
[0064]
步骤s01，获取接收信号，mimo信道矩阵，噪声方差；
[0065]
步骤s02，根据mimo信道矩阵和噪声方差得到发射端各个天线对应的发送信号的近似联合后验概率分布的方差；
[0066]
步骤s03，在每次迭代中，按照发送信号的近似联合后验概率分布的方差由大到小的顺序获取若干个较大方差对应的天线序号，将所述天线序号作为索引，所述索引的个数根据当前迭代次数和预设的剪枝度确定；根据上一次迭代中的腔边缘分布的均值计算当前迭代中所述索引对应的替代分布的相应边缘分布的均值，更新替代分布的均值向量以及当前迭代中腔边缘分布的均值；迭代更新替代分布的均值向量，将达到最大迭代次数的替代分布的均值向量作为发送信号的检测值。
[0067]
由于epa算法每次迭代均会遍历所有天线进行计算更新替代分布均值向量，导致了一定程度的冗余计算，因此复杂度较高。
[0068]
不同天线所对应边缘分布(包括替代分布的边缘分布和腔边缘分布)的均值的可靠性均有所不同，方差较小的可靠性通常较高，也就是说其分布的均值波动可能性不高，因此这一类天线只需要少量迭代即可，而对于对应方差较大的天线，需要较多的迭代使其进一步收敛。
[0069]
本发明在每次迭代中，按照发送信号的近似联合后验概率分布的方差由大到小的顺序获取若干个较大方差对应的天线序号，将所述天线序号作为索引，所述索引的个数根据当前迭代次数和预设的剪枝度确定；计算当前迭代中这些索引对应的替代分布的相应边缘分布的均值，更新替代分布均值向量中这些索引对应的值，使得较大方差对应的替代分布的边缘分布的均值不断得到更新，能够在实现接近于epa算法性能的前提下，最大程度地降低计算的复杂度。
[0070]
在其中一个实施例中，所述发射端各个天线对应的发送信号的近似联合后验概率分布的方差为：发送信号的近似联合后验概率分布的协方差矩阵∑对角线元素；其中，
λ＝i
m
，i
m
表示m
×
m维单位矩阵；h为mimo信道矩阵，为噪声方差；
[0071]
在其中一个实施例中，所述索引的个数为：(1
‑
(l
‑
1)ρ)
×
m，ρ为剪枝度，m为大规模mimo系统发送端的天线个数；l为当前迭代序号；剪枝度ρ的范围一般取0.05
‑
0.2；优选的取0.1；
[0072]
在其中一个实施例中，在每次迭代中，按照发送信号的近似联合后验概率分布的方差由大到小的顺序获取若干个较大方差对应的天线序号，将所述天线序号作为索引，具体为：
[0073]
对发送信号的近似联合后验概率分布的方差进行降序或升序排序，按照排序后的方差由大到小的顺序获取方差对应的天线序号，将这些天线序号作为索引，这些天线序号的总个数也就是这些索引的个数为当前迭代需要更新的天线数，公式为：(1
‑
(l
‑
1)ρ)
×
m；
[0074]
具体地：对所述发送信号的近似联合后验概率分布的方差进行排序，将排序后的方差对应的天线序号依次保存到索引向量π中；
[0075]
若对发送信号的近似联合后验概率分布的方差进行降序排序，将降序排序后的方差对应的天线序号依次保存到索引向量中，则：从索引向量π中的第一个元素开始选取索引，共获取到(1
‑
(l
‑
1)ρ)
×
m个索引，索引记为j，索引的序号标记为i，i＝1，...，(1
‑
(l
‑
1)ρ)m。
[0076]
若对发送信号的近似联合后验概率分布的方差进行升序排序，将升序排序后的方差对应的天线序号依次保存到索引向量中，则：从索引向量π中的最后一个元素开始选取索引，记为j，总共选取了(1
‑
(l
‑
1)ρ)
×
m个索引；索引的序号标记为i，其中，i＝1，...，(1
‑
(l
‑
1)ρ)m。
[0077]
在其中一个实施例中，所述当前迭代中所述索引对应的替代分布的相应边缘分布的均值η
j
为：
[0078][0079]
其中，j为索引；a为星座图的符号集合θ中的符号，argmin表示使取最小值时的a值，为上一次迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的均值；当第一次迭代时，l＝1，为初始化的腔分布的均值向量t
(0)
的第j个元素；
[0080]
当前迭代中，总共有(1
‑
(l
‑
1)ρ)
×
m个索引，将这些索引对应的替代分布的相应边缘分布的均值都计算出来，并更新替代分布的均值向量η＝[η1，η2，
…
，η
m
]
h
，所述替代分布的均值向量初始为零向量；
[0081]
在其中一个实施例中，初始化的腔分布的均值向量t
(0)
计算方法为：根据接收信号、mimo信道矩阵和噪声方差计算得到；
[0082]
具体公式为：t
(0)
＝(∑
×
b)./(1.
‑
diag(λ).
×
∑
d
)，∑
d
＝diag(∑)，“.
×”
、“.
‑”
和“./”分别表示矩阵或向量中对应维度的元素之间的乘、减和除运算；
[0083]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；y为接收信号，∑
d
为发送信号的近似联合后验概率分布的协方差矩阵∑对角线元素组成的方差向量；
[0084]
在其中一个实施例中，所述更新当前迭代中腔边缘分布的均值，包括：
[0085]
通过当前迭代中所述索引对应的替代分布的相应边缘分布的均值、噪声方差、接收信号和mimo信道矩阵计算得到当前迭代中索引对应的发送信号的近似后验联合概率分布的腔边缘分布的均值；
[0086]
通过预设的加权系数更新当前迭代中索引对应的腔边缘分布的均值。
[0087]
具体的，更新当前迭代中腔边缘分布的均值，方法为：
[0088]
计算当前迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的均值
[0089][0090]
根据设定的加权系数更新当前迭代中索引j对应的腔边缘分布的均值，公式为：
[0091]
其中，v
j
为gram矩阵对角线元素组成的列向量v中的第j个元素，v＝diag(a)，b
j
为匹配滤波向量b中的第j个元素，a
jk
为gram矩阵a中的第j行第k列元素；η
k
为替代分布的均值向量中第k个元素值，k＝1，2，...，m；m为大规模mimo系统发送端的天线个数，l为当前迭代序号，为噪声方差；y为接收信号，h为mimo信道矩阵；β为加权系数。
[0092]
在其中一个实施例中，迭代更新替代分布的均值向量，将达到最大迭代次数的替代分布的均值向量作为发送信号的检测值，包括：
[0093]
根据更新后的当前迭代中的腔边缘分布的均值迭代更新替代分布的均值向量，将达到最大迭代次数的替代分布的均值向量η＝[η1，η2，
…
，η
m
]
h
作为发送信号的检测值。
[0094]
实施例2：
[0095]
本实施例中公开了一种基于epa的mimo检测方法，包括步骤：
[0096]
step1：输入已知量：接收信号y，mimo信道矩阵h，噪声方差最大迭代次数l，加权系数β；剪枝度ρ；剪枝度ρ的范围一般取0.05
‑
0.2；
[0097]
step2：初始化：根据接收信号、mimo信道矩阵和噪声方差计算发送信号的近似联合后验概率分布的协方差矩阵∑，以及匹配滤波向量b，gram矩阵a，以及该gram矩阵对角线元素组成的列向量v；
[0098]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；m维单位矩阵；v＝diag(a)；
[0099]
step3：根据协方差矩阵∑、匹配滤波向量b以及协方差矩阵对角线元素组成的方差向量∑
d
计算初始化的发送信号的近似联合后验概率分布的腔分布的均值向量t
(0)
；
[0100]
t
(0)
＝(∑
×
b)./(1.
‑
diag(λ).
×
∑
d
)，∑
d
＝diag(∑)，“.
×”
、“.
‑”
和“./”分别表示矩阵或向量中对应维度的元素之间的乘、减和除运算；
[0101]
step4：对协方差矩阵对角线元素组成的方差向量∑
d
中的元素进行降序排序，将各个元素对应的天线序号依次保存到索引向量π中；
[0102]
当然，也可以对∑
d
中的元素进行升序排序，后续在计算的时候只要更新方差较大对应的均值即可，排序的具体实现形式不限制。
[0103]
方差向量∑
d
中的元素就是协方差矩阵∑的对角线元素，该对角线元素是发送信
号的近似联合后验概率分布的方差；该索引向量π中存储的是对应方差由大到小排列的天线的序号；
[0104]
step 5：在当前第l次迭代中，根据当前的迭代序号l和剪枝度ρ得到当前迭代中需要更新的天线数(1
‑
(l
‑
1)ρ)
×
m；剪枝度ρ的范围一般取0.05
‑
0.2；本实施例中优选的取0.1；m为大规模mimo系统发送端的天线个数；
[0105]
step 6：选取索引向量π中的第i个元素值作为索引，将索引作为要更新的天线的下标，记为j，其中，i＝1，...，(1
‑
(l
‑
1)ρ)m；π中的元素有m个；
[0106]
step 7：根据所述索引j对应的上次迭代得到的发送信号的近似后验联合概率分布的腔边缘分布的均值计算所述索引j对应的替代分布的相应边缘分布的均值并更新替代分布的均值向量：
[0107]
所述索引j对应的替代分布的相应边缘分布的均值为：
[0108][0109]
其中，a为星座图的符号集合θ中的符号，argmin表示使取最小值时的a值，将上述计算得到的索引对应的替代分布的相应边缘分布的均值更新替代分布的均值向量η＝[η1，η2，
…
，η
m
]
h
，所述替代分布的均值向量初始为零向量。
[0110]
step 8：计算中间变量
[0111]
step 9：计算第l次迭代中的第j个信号维度的腔边缘分布的均值其中，v
j
为gram矩阵对角线元素组成的列向量v中的第j个元素；b
j
为匹配滤波向量b中的第j个元素；a
jk
为gram矩阵a中的第j行第k列元素；η
k
为替代分布的均值向量中第k个元素值，k＝1，2，...，m；
[0112]
第l次迭代中的第j个信号维度的腔边缘分布的均值即第l次迭代中的腔边缘分布的均值向量t
(l)
的第j个元素。若当前迭代次数为1，则step 7中的为即初始化的腔分布的均值向量t
(0)
中的第j个元素。
[0113]
step 10：根据加权系数β更新第l次迭代中的腔边缘分布的均值
[0114]
step 11：判断是否完成迭代，即l+1是否大于预先给定的最大迭代次数l，若l+1没有大于最大迭代次数l，则将l+1作为新的l值，重复step5
‑
step11；若l+1大于最大迭代次数l，则输出最后一次迭代得到的替代分布的均值向量η＝[η1，η2，
…
，η
m
]
h
作为发送信号的检测值。
[0115]
例如，在第1次迭代中，i＝1～m，因此，通过遍历索引向量π中的所有元素，得到了m个替代分布的相应边缘分布的均值，也就是将初始为零向量的替代分布的均值向量中的元素均更新一次。第2次迭代时，假设剪枝度为0.1，i＝1～0.9*m，因此，通过遍历较大方差对应的索引向量π中的0.9*m个元素，得到0.9*m个替代分布的相应边缘分布的均值，只将替代分布的均值向量中的这0.9*m个元素进行更新，其余不更新。降低了计算复杂度；
[0116]
本发明中对发送信号的近似联合后验概率分布的方差进行排序，在每次迭代中，通过剪枝度设置不同的更新比例(1
‑
(l
‑
1)ρ)
×
m，以较大方差对应的天线序号为索引，更新替代分布均值向量中这些索引对应的值，使得较大方差对应的替代分布的边缘分布的均值
不断得到更新，能够在实现接近于epa算法性能的前提下，最大程度地降低计算的复杂度。
[0117]
实施例3：
[0118]
如图2所示，本实施例还公开了一种基于epa的mimo检测装置，包括：
[0119]
获取模块，用于获取接收信号，mimo信道矩阵，噪声方差；
[0120]
方差计算模块，用于根据mimo信道矩阵和噪声方差得到发射端各个天线对应的发送信号的近似联合后验概率分布的方差；
[0121]
检测值迭代计算模块，用于在每次迭代中，按照发送信号的近似联合后验概率分布的方差由大到小的顺序获取若干个较大方差对应的天线序号，将所述天线序号作为索引，所述索引的个数根据当前迭代次数和预设的剪枝度确定；根据上一次迭代中的腔边缘分布的均值计算当前迭代中所述索引对应的替代分布的相应边缘分布的均值，更新替代分布的均值向量以及当前迭代中腔边缘分布的均值；迭代更新替代分布的均值向量，将达到最大迭代次数的替代分布的均值向量作为发送信号的检测值。
[0122]
进一步的，所述索引的个数为：(1
‑
(l
‑
1)ρ)
×
m，ρ为预设的剪枝度，m为大规模mimo系统发送端的天线个数，l为当前迭代序号。
[0123]
进一步的，所述当前迭代中所述索引对应的替代分布的相应边缘分布的均值η
j
为：
[0124][0125]
其中，j为索引，a为星座图的符号集合θ中的符号，argmin表示使取最小值时的a值，为上一次迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的均值。
[0126]
进一步的，所述更新当前迭代中腔边缘分布的均值，包括：
[0127]
通过当前迭代中所述索引对应的替代分布的相应边缘分布的均值、噪声方差、接收信号和mimo信道矩阵计算得到当前迭代中索引对应的发送信号的近似后验联合概率分布的腔边缘分布的均值；
[0128]
通过预设的加权系数更新当前迭代中索引对应的腔边缘分布的均值。
[0129]
进一步的，所述更新当前迭代中腔边缘分布的均值，包括：
[0130]
计算当前迭代中索引j对应的发送信号的近似后验联合概率分布的腔边缘分布的均值
[0131][0132]
根据设定的加权系数更新当前迭代中索引j对应的腔边缘分布的均值，公式为：
[0133]
其中，v
j
为gram矩阵对角线元素组成的列向量v中的第j个元素，v＝diag(a)，b
j
为向量b中的第j个元素，a
jk
为gram矩阵a中的第j行第k列元素；η
k
为替代分布的均值向量中第k个元素值，k＝i，2，...，m；m为大规模mimo系统发送端的天线个数，l为当前迭代序号，为噪声方差；y为接收信号，h为mimo信道矩阵；β为加权系数。
[0134]
进一步的，所述发射端各个天线对应的发送信号的近似联合后验概率分布的方差为：发送信号的近似联合后验概率分布的协方差矩阵∑对角线元素；
[0135]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；h为mimo信道矩阵，为噪声方差。
[0136]
进一步的，初始化的腔分布的均值向量t
(0)
为：
[0137]
t
(0)
＝(∑
×
b)./(1.
‑
diag(λ).
×
∑
d
)，∑
d
＝diag(∑)；
[0138]
其中，λ＝i
m
，i
m
表示m
×
m维单位矩阵；y为接收信号，为噪声方差，h为mimo信道矩阵。
[0139]
一种基于epa的mimo检测设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述的任意一项所述基于epa的mimo检测方法。
[0140]
一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行前述的任意一项所述基于epa的mimo检测方法。
[0141]
实施例4：
[0142]
本发明还公开了一种基于epa的mimo检测设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述的任意一项所述基于epa的mimo检测方法。
[0143]
一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行前述的任意一项所述基于epa的mimo检测方法。
[0144]
实验结果比对：
[0145]
为了方便，将1
‑
(l
‑
1)ρ记为δ
l
，考虑一个发射端天线数为m，接收端天线数为n的大规模mimo上行链路检测系统，q为星座图中的符号个数。表1展示了本发明中检测方法、传统epa检测方法和mmse检测方法的计算复杂度数学表达式：
[0146]
表1为本发明方法、epa算法和mmse算法的计算复杂度表
[0147][0148]
其中，“比较”为排序比较，本发明方法需要进行比较得到排序结果，其他两种方法不涉及比较；
[0149]
图3对比了本发明所述检测方法(epa
‑
descend，即：基于降序排序的剪枝epa算法)和原始的epa检测方法，以及基于升序排序的剪枝的epa(epa
‑
ascend)与未经排序的的剪枝的epa(epa
‑
w/o
‑
sorting)的检测性能。天线配置为n＝128，m＝32，瑞利信道，其中l表示迭
代次数，ρ表示剪枝程度。
[0150]
基于升序排序的剪枝的epa(epa
‑
ascend)检测方法为：在每次迭代中，按照发送信号的近似联合后验概率分布的方差由小到大的顺序获取若干个较小方差对应的天线序号，将所述天线序号作为索引，其他步骤跟本发明方法相同。
[0151]
未经排序的的剪枝的epa(epa
‑
w/o
‑
sorting)的检测方法为：在每次迭代中，不对发送信号的近似联合后验概率分布的方差排序，按照原来的顺序获取天线序号，即1，2，...m，将所述天线序号作为索引，其他步骤跟本发明方法相同。
[0152]
从图3中可以看到，本发明方法的性能与原始epa检测方法几乎保持一致，在上述方法中性能最优，而epa
‑
w/o
‑
sorting与epa
‑
ascend的性能曲线距离原始epa有较为明显差距。
[0153]
图4对比了本发明所述检测方法(epa
‑
descend)和原始的epa检测方法，以及基于升序排序的剪枝的epa(epa
‑
ascend)与未经排序的的剪枝的epa(epa
‑
w/o
‑
sorting)的检测性能。天线配置为n＝128，m＝32，相关信道，接收端天线相关程度为ζ
r
＝0.25，发射端天线相关程度为ζ
t
＝0.25。从图4中可以看到，本发明方法的性能最好，接近于原始epa检测方法，具体地，相比较于原始epa算法，我们的算法在误码率为10
‑4时，信噪比损失仅为约0.2db，而epa
‑
w/o
‑
sorting与epa
‑
ascend的信噪比损失分别约为0.5db与1db。
[0154]
图5对比了本发明所述检测方法(epa
‑
descend)和原始的epa检测方法，以及基于升序排序的剪枝的epa(epa
‑
ascend)与未经排序的的剪枝的epa(epa
‑
w/o
‑
sorting)的检测性能。天线配置为n＝128，m＝32，相关信道，接收端天线相关程度为ζ
r
＝0.4，发射端天线相关程度为ζ
t
＝0.4。从图5中可以看到，本发明方法的性能最好，相比于原始epa性能，在误码率为10
‑4时，信噪比损失仅为约0.35db，而epa
‑
w/o
‑
sorting与epa
‑
ascend的信噪比损失分别约为1.1db，2.1db左右。
[0155]
图6为本发明所述检测方法和其他检测方法在天线配置为n＝128、m＝32，瑞利信道下，性能和复杂度的对比图；可以看到，本发明中的基于降序排序的剪枝epa算法，能够在实现与传统epa算法几乎一致的性能条件下，将计算复杂度降低3％左右。而若是没有进行降序排序，直接进行剪枝，则snr衰减大约在0.35db左右；若是进行升序剪枝，则snr衰减扩大至0.5db。
[0156]
图7为本发明所述检测方法和其他检测方法在天线配置为n＝128、m＝32，且发射端天线相关系数ζ
t
＝0.25和接收端天线相关系数ζ
r
＝0.25的情形下，性能和复杂度的对比图；可以看到，在误码率为10
‑4情况下，本发明中的基于降序排序的剪枝epa算法，能够以0.2db的性能为代价，将计算复杂度降低约3％左右。相比之下，若是没有进行降序排序，直接进行剪枝，则snr衰减大约在0.5db左右；若是进行升序剪枝，则snr衰减扩大至idb左右。
[0157]
图8为本发明所述检测方法和其他检测方法在天线配置为n＝128、m＝32，且发射端天线相关系数ζ
t
＝0.4和接收端天线相关系数ζ
r
＝0.4的情形下，性能和复杂度的对比图；可以看到，在误码率为10
‑3情况下，本发明中的基于降序排序的剪枝epa算法，能够以0.3db的性能为代价，同样将计算复杂度降低约3％左右。相比之下，若是没有进行降序排序，直接进行剪枝，则snr衰减将扩大一倍，至0.7db左右；若是进行升序剪枝，则snr损失进一步扩大至1.4db左右。
[0158]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人
员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。