基于近似信息传递算法的大规模MIMO信号检测

大规模多输入多输出(MIMO)技术通过增加天线的数目可以有效降低发送功率,提高能量效率,被认为是5G移动通信的一项关键技术。随着天线数目的大幅增加,信号检测的复杂度随之增加。分析了大规模MIMO信号检测的研究现状,提出了近似信息传递(AMP)算法,并比较了AMP算法、Richarson算法以及Neumann级数迭代近似算法的复杂度。仿真结果表明,该算法使用较少的迭代次数即可达到和MMSE近似的系统差错性能。

基于压缩感知的期望最大化贝努利非对称高斯近似信息传递算法

期望最大化贝努利高斯（BG）近似信息传递（EM-BG-AMP）算法中的BG模型因为具有对称性,在逼近实际信号先验分布时会受到限制;而期望最大化高斯混合近似信息传递（EM-GM-AMP）算法中的GM模型是BG模型的高阶形式,复杂度较高。为了解决以上问题,提出贝努利不对称高斯模型（BAG）,进而推导得到期望最大化贝努利不对称高斯近似信息传递（EM-BAG-AMP）算法。该算法的主要思路是假设输入信号服从BAG模型,然后使用广义近似信息传递（GAMP）重构信号并在算法迭代中同时更新模型参数。实验证明,在处理不同图像数据时,EM-BAG-AMP和EM-BG-AMP相比,时间增加了1.2%,峰值信噪比（PSNR）值提升了0.1~0.5 d B,尤其在处理纹理较少以及色差变化明显的图像时峰值信噪比（PSNR）值提升了0.4~0.5 d B。EM-BAG-AMP是对EM-BG-AMP算法的扩展和延伸,更适合实际信号的处理。