5G系统中一种大规模MIMO信号检测加速算法

在多输入多输出(Multiple Input Multiple Output,MIMO)系统中,由于MIMO系统配置的大量天线,传统检测算法难以平衡由于算法复杂度高造成的系统性能损失。在保证达到较好性能的前提下,尽可能降低复杂度,提出一种基于分块矩阵和修正因子的MBSOR(Block-Modification Successive Over-Relaxation)检测算法,该算法对滤波矩阵进行分块使对角矩阵获得更多的信道信息,并针对迭代矩阵引入修正因子,以进一步加快收敛速度。通过该算法与传统逐次超松弛(Successive Over-Relaxation,SOR)算法模拟仿真,表明MBSOR算法在减少重复次数的同时,比SOR算法的误码率更逼近最优解。

基于V-BLAST的MIMO信号检测算法

本文主要介绍了V-BLAST系统的基本原理和信号检测算法,重点对V-BLAST解码算法的计算复杂度与检测性能进行了研究。

改进的DetNet大规模MIMO检测器

对DetNet结构进行改进以提升大规模MIMO(Multiple-Input Multiple-Output)信号检测性能。首先,去除输入端的冗余向量简化网络中每个检测单元的结构;其次,为了进一步提升网络性能,借鉴随机森林在每个决策树的输入端引入随机性的思想,通过复制网络将原网络中的检测单元扩充为两个,构造成孪生网络的结构,并在其输入端设置不同的初值向量。仿真结果表明,结构优化后的网络比原DetNet具有一定的性能提升。

大规模MIMO信号检测IPIC算法的深度学习网络

针对在大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中,信道硬化现象减弱时最小均方误差(Minimum Mean Square Error, MMSE)检测算法及Richardson、Jacobi等迭代检测算法检测性能退化严重的问题,提出了一种深度检测网络,称为IPICNet,将深度学习技术和迭代并行干扰消除(Iterative Parallel Interference Cancellation, IPIC)检测算法结合。在IPICNet中,将IPIC检测算法的迭代过程展开为深度网络,并在此基础修改网络架构和添加可训练参数,同时对网络中需要使用的投影函数和损失函数进行了讨论和设计。实验结果表明,训练完成的IPICNet能有效提升IPIC检测算法的检测性能并在信道硬化现象不明显的MIMO系统中稳定工作。

基于信噪比排序的MIMO-OFDM信号检测方法

在多输入多输出(multiple-input multiple-output,MIMO)系统信号检测中,基于虚实分解的宽度优先检测算法(QR decomposition associated with the M-algorithm to MLD,QRD-M)通过QR分解和对每层星座点的筛选,实现了较低复杂度的检测,具有很好的应用前景。但该算法随收发天线数和调制阶数的增加而难以实现性能与复杂度的折衷。针对此缺点,提出了一种基于信噪比排序的信号检测改进方法。该方法在传统QRD-M算法的基础上,通过对不同接收天线进行信噪比(signal-noise ratio,SNR)排序,从信噪比最大的天线开始检测,避免了误差传播现象,从而加速树搜索过程,再结合动态门限树搜索,不断缩小搜索半径,直至找到最小累计度量值所在分支。仿真结果表明,与传统QRD-MLD算法相比,基于性噪比排序的动态门限信号检测算法能以较低的复杂度获得接近于最大似然检测的性能。

基于改进粒子群优化的MIMO-OFDM信号检测

针对MIMO-OFDM系统中,基于粒子群优化的信号检测算法易于陷入局部极值和收敛精度较低的问题,提出了一种基于改进粒子群优化的MIMO-OFDM信号检测算法。该算法将粒子群优化算法进行改进,并与遗传算法的杂交技术和极值扰动机制相结合,对MIMO-OFDM系统进行信号检测。理论研究和仿真结果表明,在相同误比特率情况下,所提算法性能优于基于遗传和粒子群优化的MIMO-OFDM信号检测算法性能,与理想信道下的最大似然检测算法性能相比,信噪比仅有1 d B的损失;在较少的迭代次数下,该算法有效地提高了系统的信号检测性能,有较强的全局搜索能力,是一种实用的信号检测方法。

一种用于电力线通信系统的改进MIMO检测算法

目前多输入多输出(multiple-input multiple-output,MIMO)技术已经被电力线通信(power line communication,PLC)系统采用,但由于MIMO PLC系统噪声呈非高斯分布而且各端口噪声之间存在相关性,故不能直接采用无线系统中的MIMO检测算法。采用了二元Middleton class A分布对MIMO PLC系统中噪声进行建模,提出了基于该噪声分布的最大似然检测改进算法,由于改进最大似然检测算法实现复杂度高,为了便于实现,进一步提出了用近似函数降低复杂度的2种次优的检测算法,优化了算法复杂度。仿真结果表明,与传统的基于高斯噪声分布的最大似然检测算法相比,提出的基于二元Middleton class A类噪声分布的信号检测算法在MIMO PLC系统能获得更好的性能。在性能损失较小的情况下,次优算法的复杂度明显低于最大似然检测改进算法。

基于格基约减辅助的低复杂度MIMO信号检测算法

在多输入多输出(MIMO)系统中,常规的格基约减辅助信号检测算法由于复杂度高而难以在实际工程中应用。为了解决这一问题,基于Brun算法提出了一种低复杂度的信号检测算法。该算法首先通过奇异值分解(SVD)得到信道矩阵奇异向量和转换矩阵之间的近似整数关系,进而采用Brun算法对信道矩阵的对偶格基进行约减优化,最后将约减后的新对偶格基用于传统线性信号检测。仿真结果表明:该方法的复杂度约为基于常规Lenstra Lenstra Lovasz(LLL)格基约减辅助的MIMO信号检测算法的0.1倍;同时,与线性检测算法相比,检测性能提升非常明显,特别在较高信噪比(SNR)范围内。因此,该算法能够在检测性能与计算复杂度之间取得较好的折衷。

一种基于LTE的改进型V-BLAST算法研究

信号检测在LTE系统的接收端至关重要,常规V-BLAST算法在进行信号检测时,存在误码传播的情况,造成了性能的下降。本文提出了一种改进型V-BLAST算法,在两方面改善了该算法的性能。首先在最先检测层对要检测的符号进行排序时,采用了一种新的计算概率值的方法,然后根据调制方式保留了K个与判决统计量欧氏距离最近的星座点,其他各层依旧采用常规的V-BLAST算法。仿真结果表明,该算法的性能较常规的V-BLAST算法有了明显改善,该算法已应用于TD-LTE无线综合测试仪表的开发中。

基于量子协方差成形估计器的MIMO检测方法

协方差成形最小二乘估计器是量子信号处理框架内基于MMSE协方差成形方法的一种新型线性估计器。本文将协方差成形最小二乘估计器应用于MIMO系统检测,提出了基于协方差成形最小二乘估计器的MIMO系统检测算法,通过数值计算进行性能分析,仿真结果表明协方差成形MIMO检测方法的误码率性能优于传统ZF和MMSE检测方法,同时系统性能与目标成形矩阵有关。

TD-LTE中下行MIMO技术QRM-MLD信号检测算法

MIMO技术是LTE系统中的一个关键技术,在实际应用中,下行MIMO信号检测算法的选用需要在计算复杂度和系统性能之间取得合理折中。主要对QRM-MLD检测算法及其优化方案进行了分析与研究,同时结合ML算法仿真比较。结果表明,对于QRM-MLD算法,随M的增大,检测性能提高,同时计算复杂度也增大。在相同计算复杂度下,QRM-MLD优化方案的性能明显优于一般方案,是一种有效的MIMO检测算法。

大规模MIMO上行链路的信号检测方法

针对分布式大规模MIMO系统上行链路传统检测方法计算复杂度较高而无法在大规模多输入多输出(MIMO)系统中得到实际应用的问题,提出了一种基于MB-SIC的解耦信号检测(DSD)算法。针对分布式大规模MIMO系统,对DSD算法的和速率性能和计算复杂度进行评估,在不影响系统性能的情况下,大幅度降低了系统的计算复杂度。仿真结果表明,提出的MB-SIC DSD算法具有良好的和速率性能,而且当用户类别较多、接收天线数量增大时,可以大幅度减少系统的计算复杂度。

基于量子算法的MIMO-OFDM信号检测研究

信号的最优检测在常规条件下是一NP难解问题,针对RBF(径向基函数)神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,文中提出了新型的量子智能算法,并应用于MIMO-OFDM系统信号检测中:算法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,在遗传算法优化神经网络时采用量子计算操作。由于QGA(量子遗传算法)给RBF网络提供了较好的初始值,故能够使RBF网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。实验结果表明该方法能够有效地提高系统的信号检测性能,降低误码率。

一种新的QR-SIC-MSD联合MIMO信号检测算法

针对MIMO信号检测中球形译码(Sphere decoding,SD)算法在低信噪比时接近最大似然(Maximum likelihood,ML)算法复杂度的缺点,提出了一种基于QR分解的串行干扰抵消(Successive interference cancellation,SIC)和修改的球形译码(Modified sphere decoding,MSD)联合MIMO信号检测算法,称之为QR-SIC-MSD算法。该算法在低信噪比时采用SIC算法,在高信噪比时,采用MSD算法,根据噪声方差仅选择一次初始搜索半径,若搜索失败则用SIC解代替。通过SIC算法与MSD算法的结合,大大地降低了球形译码算法的复杂性,同时保证了在中高信噪比时逼近ML算法性能,在低信噪比时接近ML算法性能。文中同时给出了完整的算法流程图及计算机仿真结果。

一种上行链路大规模MIMO系统的低复杂度检测算法

提出了一种适用于上行链路大规模MIMO系统的基于Kaczmarz算法的低复杂度检测算法.通过将MMSE检测算法转化成等效的增广矩阵的形式,提出的算法同时避免了直接矩阵求逆和Gram矩阵求解.此外,一种算法初始值的估计方法和近似的软判决信息计算方法也被提出用于进一步降低算法复杂度.仿真结果表明该算法在性能和计算复杂度方面优于近期文献中的算法.同时,FPGA的验证结果也表明提出的算法能以更低的硬件资源消耗完成大规模MIMO系统的检测.

用于大规模MIMO系统的改进CG检测算法

针对大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中近似最优线性最小均方误差(Minimum Mean Square Error,MMSE)算法复杂度过高问题,提出了RC-CG(Region Constellation-Conjugate Gradient)低复杂度近似最优信号检测算法。该算法首先利用共轭梯度(Conjugate Gradient,CG)迭代算法避免MMSE信号检测算法的高维度矩阵求逆,降低计算复杂度;其次引入二分查找算法对星座图进行区域分块,优化迭代初始解,使算法在保证原来检测性能的基础上加快收敛速度。仿真结果表明,该算法不仅可以达到近似MMSE算法的检测性能,而且适用于高阶调制,算法复杂度从O(K^3)降低到O(K^2)。

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Homotopy算法的低复杂度多用户大规模MIMO信号检测方法

在上行多用户大规模多输入多输出(multiple input multiple output,MIMO)系统中,为了降低信号检测的计算复杂度,在传统的最小均方误差(minimum mean square error,MMSE)算法的基础上,提出一种基于Homotopy算法的低复杂度信号检测方法.在该方法中,通过对Homotopy方程的解向量采用逐级展开来逼近真实解向量,从而避免MMSE检测算法中的高阶矩阵的求逆运算,降低了信号检测的计算复杂度.仿真结果表明,最多需要对Homoto-py方程的解向量进行4阶展开,就可获得与MMSE检测算法几乎同样的误比特率(bit error rate,BER)性能,同时,其计算复杂度仅为O(K2),其中,K为小区用户数.

基于Barzilai-Borwein迭代的低复杂度大规模MIMO信号检测算法

在大规模多输入多输出系统中,最小均方误差(minimum mean square error,MMSE)算法能达到接近最优的线性信号检测性能,但是MMSE算法需要复杂的矩阵求逆运算,这限制了该算法的应用。为了降低运算复杂度,改进MMSE算法,利用Barzilai-Borwein(BB)迭代算法来避免矩阵求逆运算,提出了结构简单的BB迭代信号检测算法,且基于信道硬化特性进一步优化了迭代初始解以加快算法的收敛速度。理论和仿真结果表明,所提出的BB迭代算法的性能优于最近提出的Neumann级数展开算法,而其复杂度相比截短阶数i=3的Neumann级数展开算法减少了一个数量级;且该算法收敛速度较快,在给定初始值的条件下,通过简单的几次迭代,能够快速接近MMSE算法的检测性能。

量子遗传算法优化神经网络的MIMO-OFDM检测研究

信号的最优检测在常规条件下是一NP难解问题,针对RBF(径向基函数)神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出一种新型智能算法并将其用于MIMO-OFDM系统信号检测中:该算法将量子计算、遗传算法与神经网络相结合,用量子遗传算法(QGA)优化神经网络初始值。由于QGA给RBF网络提供了较好的初始值,故能够使RBF网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。实验结果表明,该算法能够有效地提高系统的信号检测性能,降低误码率。