当前位置:首页 > 天道酬勤 > 正文内容

毫米波大规模mimo(mimo技术原理)

张世龙2021年12月20日 07:06天道酬勤490

谢时场

(杭州电子科技大学通信工程学院,浙江杭州310018 )。

提出了一种在大规模多输入多输出(MIMO )系统下,基于软判决的改进的MMSE ) immse )信号检测算法。 IMMSE算法中,以MMSE算法的检测值作为算法的初始值,采用迭代干扰消除技术。 进而利用对数最大似然比(LLR )对检测序列进行排序,提出有序的immse ) oimmse ),利用软判决技术提高算法的检测性能。 在不同天线数的MIMO系统下,对IMMSE算法和OIMMSE算法进行了误码率性能仿真。 仿真结果表明,OIMMSE算法和IMMSE算法的性能明显优于MMSE。 并且提出的新算法随着天线数的增加,越来越接近单输入单输出(SISO )在加法性高斯白噪声下的性能。 由此可见,新算法对大规模MIMO系统是有效的。

:多输入多输出; 信号检测; 软判决; 最小二乘误差

: TN401文献识别码: adoi:10.19358/j.ISSN.1674-7720.2017.03.018

引用格式:谢时场.基于大规模天线系统中软判决的MIMO信号检测算法[J] .微型机及应用,2017,36 (3) 59-62。

0引言

无线通信技术已经进入4G/5G通信时代,无线通信系统更高速传输数据的需求越来越大。 如何改善系统的可靠性和带宽利用率已经成为下一代或未来无线通信技术的重要目标多输入多输出(MultipleInput MultipleOutput,MIMO )技术利用多个天线传输多个数据流,可以在不增加系统带宽的情况下,大幅提高通信系统的容量和频谱利用率,实现现代无线通信

但是,MIMO技术也存在一些弊端[2] :为了满足在发送天线之间同时传输数据的要求,需要高同步; 当多天线同时传输数据时,发生了高信道间干扰,增加了解码的难度,增加了系统的复杂度; 要使多个天线同时工作,需要多个无线链路,这会增加系统的成本和开销。

在常用的二次优化检测算法中,基本的线性检测算法包括ZeroForcing、ZF检测算法、最小均方误差(Minimum Mean Squared Error,MMSE )检测算法; 非线性检测算法有贝尔实验室层次结构(verticalbellaboratorieslayeredarchitecture,VBLAST )检测算法(3)。 在MIMO系统中,优化最大似然(Maximum Likelihood,ML )检测算法具有最优的误码率性能,这是一个非确定性多项式(NP )问题。 球形解码器(Sphere Decoder,SD )可以提供ML算法的性能,但SD算法的维数是恒定的。 因此,寻找计算复杂度低、性能合理的检测算法是当务之急。

本文以MMSE为前提,提出了迭代串行干扰消除算法IMMSE和有序的immse(oimmse )算法。 IMMSE是使用MMSE算法的检测值作为初始值,利用软件检测技术提高检测性能的迭代检测算法。 利用最大似然比(LLR )的检测步骤,提出了有序的immse )算法,性能效果显着。

目前对大规模MIMO系统检测算法的研究主要如下:文献[4]提出了一种亚启发式方法——层次禁忌搜索(Layered Tabu Search,LTS )算法; 文献[5]提出了一种似然上升搜索(Likelihood Ascent Search,LAS )算法; 在文献[6]中,提出了基于可靠度(Belief Propagation,BP )的检测算法。

1MIMO系统模型

一般的离散MIMO系统模型如图1所示。

为了设计有效的MIMO信号处理算法,进行正确的算法性能分析,需要正确理解MIMO的信道特性。 具有Nt个发射天线、Nr个接收天线的平坦衰落MIMO信道可以在一个特定时刻表示为一个NrNt矩阵:

其中,j是第I个接收天线与第j个发送天线之间的信道系数。 对于接收天线阵列,信道矩阵h的j列表表征了第n个发送天线的空间特性。 在接收侧,根据发送天线的空间特性的不同,可以区别各发送天线发送的信号。 在上述假设下,各通道系数可以看作平均值为0的圆对称复高斯概率变量,增益的模式值|i,j|为瑞利分布,对应的|i,j|2为指数分布。

在信道是平衰落的假设下,一个符号周期内离散MIMO系统的数学模型由以下表达式表示:

其中,是Nr1的接收符号矢量,或者是Nt1的发送信息符号矢量,I来自第I个发送天线调制符号。 是Nr1的平均值为0、方差为2的复高斯白噪声矢量。 将接收复数向量等价转换的实数公式如下。

r (()和) )分别表示) )的实部和虚部。 当接收机具有理想信道状态信息h时,ML算法如下:

这里,a是信号星座的实数值的集合,例如对于BPSK信号,A={1,-1}。 平均接收信噪比SNR如下所示。

其中,Es是发送符号的平均能量,2是噪声的方差。 信道状态信息矩阵h可以进行QR分解。 这里,q是2Nt2Nr的正交矩阵。 r是2Nt2Nr的三角矩阵。 公式(3)可以改写为

其中=QHy,=QHn,(·)H表示埃米特转置操作。

2提出的IMMSE算法

本小节将讨论改进的MMSE检测算法即IMMSE。在IMMSE算法中,采用迭代串行干扰消除,2Nt个并行流生成2Nt个方案。sj,j=1,…,2Nt表示第j个天线的符号。每个sj可以携带M中不同的值,比如BPSK调制时,M=2,取值为{1,-1}。假如第n个流,从si符号出发,检测来自发送天线的符号。si,i=2Nt,…,n,为MMSE检测估计值。使用式(9)中的度量d来评判该符号。

其中i逐渐从2Nt缩减到1,sk∈Α中所有可能的发送信号。l由发送信号sl软判决得来。关于软判决将在第4节中进行详细讨论。

函数式(10)把度量值dik转换为启发式因子βik。

根据式(11)度量的概率来选择符号si。选择概率p较高的符号。在每次迭代中,这些概率值决定了各自的码流。为了测试检测值的质量,使用ML度量:

算法1:IMMSE算法

输入值:y,H,Nt,Nr,xMMSE:MMSE的检测值

初始化:best=∞;

x(int)=xMMSE;

计算=QHy,其中H=QR;

3基于LLR顺序的OIMMSE算法

为了进一步提高性能,提出一种有序的IMMSE(OIMMSE)算法,可以抑制因为错误判决引起的差错传播,减少剩余比特的差错概率。OIMMSE采用文献[7]中提出的检测顺序技术,采用了基于对数似然比来进行检测序列的排序。相比于传统的SQRD算法,OIMMSE算法框架中使用该检测顺序可以抑制差错传播的影响。

算法2:基于LLR的OIMMSE算法

初始化:R=0,Q=H,Φ=(1,…,2Nt);

fori=1,…,2Ntdo

ki=qHlrqll=i,…2Nt;

Q,R,Φ交换第i和ki列;

ri,i=ql;

qi=qiri,i;

forl=i+1,…,2Ntdo

ri,l=qHiql;

ql=ql-ri,lqi;

end for

end for

4软判决

通过采用软判决,可以进一步提高检测技术的性能。对硬判决来说,译码器接收到的信息只有0或1的比特值,判决结果通过与门限电平的比较得到,这种判决结果显然会丢失接收信号中的一部分信息,例如在BPSK系统中,+0.01和+0.99都可以判决为“1”,但两者的可信程度远不相同,后者显然更为可靠。为了充分利用信号的本征信息,可以把符号解调后的输出值进行多级的量化,使译码器得到不止一个的量值。MIMO信号的软判决检测是根据待解调符号在解空间的位置,结合概率信息,利用最大后验概率(Maximum A Posteriori,MAP)这一判定准则,输出编码比特的对数似然比,再传递给信号编码译码器来得到最终输出[8]。

在MIMO系统中,计算每一位信息比特的后验概率值,通常用LLR值来表征,LLR值引入的好处是可以使检测过程中与概念相关的乘除运算转换为加减运算,降低算法的计算复杂度。任意信息比特xk,b后验概率的LLR值可以表示为:

LLR(xk,b)=lnP(xk,b=0|y)P(xk,b=1|y)=ln∑s:xk,b=0P(y|s)∑s:xk,b=1P(y|s)

=ln∑s:xk,b=0exp-12σ2y-Hs2∑s:xk,b=1exp-12σ2y-Hs2(13)

在式(13)中,对数函数的分式中涉及大量元素的求和,在实际运算中,可以采取数值近似的简化算法“Jacobian logarithm”[9]:

ln(ea1+ea2)=max(a1,a2)+ln(1+e-|a1-a2|)(14)

其中ln(·)部分可以进一步忽略,通过这样的近似,式(14)可以最终写为:

LLR(xk,b)≈12σ2(mins∈X(1)k,by-Hs2-mins∈X(0)k,by-Hs2)(15)

5仿真结果

在QPSK的信号调制4×4、8×8MIMO系统下进行IMMSE和OIMMSE算法的误码率仿真。仿真结果如图2所示。

从图2可以观察到,提出的IMMSE算法明显好于MMSE算法。在相同的误码率且4×4天线系统下新算法的性能改善大约5 dB,而在8×8天线系统新算法的SNR比MMSE算法改善大约6 dB。而且随着天线数的增加,IMMSE算法的误码率曲线逐渐靠近SISOAWGN曲线。这表明新算法是适用于大规模MIMO的信号检测的。

在BPSK的信号调制4×4MIMO系统下进行OIMMSE误码率仿真。仿真结果如图3所示。

从图3可以观察出,OIMMSE的误码率性能好于IMMSE。在相同的误码率下,OIMMSE算法的SNR比IMMSE改善大约2 dB。图中显示了IMMSE和OIMMSE的误码率曲线随着天线数的增加,逐渐靠近SISOAWGN性能。

在16×16MIMO系统下,对IMMSE的软检测和硬检测进行了MATLAB仿真。仿真结果如图4所示。

从图4可以明显观察到,IMMSE算法的软检测性能好于硬检测。在相同的误码率下,软检测所需要的SNR比硬检测改善大约5 dB,虽然付出了计算复杂度的代价,但是性能的提高也是非常明显的。

6结论

本文提出了一种新的基于软判决的改进MMSE信号检测算法。仿真结果表明,IMMSE算法性能明显优越于MMSE。同时也提出了一种有序的IMMSE算法,采用基于LLR检测顺序,以抑制因为差错传播带来的影响。由于硬判决检测性能以及易引起差错传播,采用软判决来提高算法的检测性能,提升效果明显。仿真观察到随着天线数的增加,误码率曲线逐渐靠近SISOAWGN性能曲线。由此可见新算法是适用于大规模MIMO系统的。未来,将对高阶的信号调制进行性能分析。

参考文献

[1] 阳析, 金石. 大规模MIMO系统传输关键技术研究进展[J]. 电信科学, 2015, 31(5):22-29.

[2] RAJAN B S. Large MIMO Systems[M]. Cambridge University Press, 2016.

[3] WOLNIANSKY P W, FOSCHINI G J, GOLDEN G D, et al. VBLAST: an architecture for realizing very high data rates over the richscattering wireless channel[C]. Ursi International Symposium on Signals, Systems, and Electronics, 1999:295-300.

[4] MOHAMMED S K, CHOCKALINGAM A, RAJAN B S. A low complexity nearML performance achieving algorithm for large MIMO detection[C]. IEEE International Symposium on Information Theory, 2008:2012-2016.

[5] SRINIDHI N, DATTA T, CHOCKALINGAM A, et al. Layered tabu search algorithm for largeMIMO detection and a lower bound on ML performance[J]. IEEE Transactions on Communications, 2010, 59(11):1-5.

[6] SOM P, DATTA T, CHOCKALINGAM A, et al. Improved largeMIMO detection based on damped belief propagation[C]. Information Theory, IEEE, 2010:1-5.

[7] HOCHWALD B M, BRINK S T. Achieving nearcapacity on a multiple antenna channel[J]. IEEE Transactions on Communications, 2003, 51(3):389-399.

[8] PROAKIS J G, PROAKIS J G. Digital communications (Fourth Edition)[M]. McGrawHill Companies, 2000.

[9] WU M, YIN B, WANG G, et al. Largescale MIMO detection for 3GPP LTE: algorithms and FPGA implementations[J]. IEEE Journal of Selected Topics in Signal Processing, 2014, 8(5):916-929.

扫描二维码推送至手机访问。

版权声明:本文由花开半夏のブログ发布,如需转载请注明出处。

本文链接:https://www.zhangshilong.cn/work/25465.html

分享给朋友:

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。