基于mf-sic算法改进的大规模mimo检测方法研究-吴同银.pdf

《基于mf-sic算法改进的大规模mimo检测方法研究-吴同银.pdf》由会员分享，可在线阅读，更多相关《基于mf-sic算法改进的大规模mimo检测方法研究-吴同银.pdf（56页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、多短吠学密 毁保密期限基于MFSIC算法改进的大规模MIMO检测方法研究Research on Detection Method Based on MF-SICAlgorithm in Massive MIMO Systems学 号姓 名学位类别学科专业(工程领域)指导教师完成时间答辩委员会主席签名P14201062吴同银工学硕士通信与信息系统许耀华副教授2017年5月万方数据独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得安徽大学或其他教育机构的学位或

2、证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：炙闰镢 签字日期： 弘7年，月粥目学位论文版权使用授权书本学位论文作者完全了解安徽大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权安徽大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。彳孵叼扪胳铷枷导签后、，谳银醐阉瑚如昊夕论：争粼卅粼黼帅牧嗍万方数据摘要摘要大规模多输入多输出(Massive MultiInput MultiOutput)技术是5G

3、中的关键技术之一，已经受到了人们的广泛关注，成为当前无线通信领域的重要研究课题之一。相较于传统的MIMO系统，大规模MIMO系统配置了大量的接收天线，其数量远大于MIMO系统，提高了系统的容量和频谱效率。接收端的检测技术作为大规模MIMO系统中的一个重要的组成部分，对火规模MIMO的发展有重要的意义。因此，论文对大规模MIMO中信号的检测算法进行研究，以探求适用于大规模MIMO系统的信号检测算法。论文首先研究了大规模MIMO的系统模型及信号检测技术的基本原理，然后分别研究了线性信号检测算法中的常用的最大比合并检测算法(MaximumRatio Combining， MRC)、迫零检测算法(Ze

4、ro Forcing， ZF)、最小均方误差检测算法(Minimum Mean Square Error，MMSE)，以及非线性信号检测算法中的串行干扰消除算法(Successive Interference Cancellation，SIC)和QR分解算法。并在瑞利衰落信道模型下，对这几种检测算法进行误码率性能仿真对比及分析。论文在研究最大比合并排序串行干扰消除(MRCOSIC)算法的基础上，从提高性能的角度考虑，利用多反馈串行干扰消除(Multiple Feedback SuccessiveInterference Cancellation，MFSIC)算法中的多反馈策略对MRCOSIC检

5、测算法进行改进，即MFMRCOSIC算法，并给出了最佳反馈点的选择方法。通过实验仿真验证MFMRCOSIC算法的误码性能，并与MRCOSIC算法进行仿真对比，对仿真结果进行分析。通过实验仿真验证，可以看出，改进后的MFMRCOSIC算法在相同信噪比的条件下，误码率性能LLMRCOSIC算法有所提升。在计算复杂度低于MFSIC算法的情况下，MFMRCOSIC算法的检测性能也接近MFSIC算法。最后，在研究改进多反馈串行干扰消除(Improved Multiple FeedbackSuccessive Interference Cancellation，1MFSIC)算法的基础上，从提升性能角度考

6、虑，结合信干噪比排序的方法，对1MFSIC进行进一步的改进。在瑞利衰落信道模型下，对改进后的算法进行误码率性能仿真，与改进之前的IMF-SIC算万方数据基于MFSIC算法改进的丈规横MIMO检测方法研究法进行对比及分析。仿真结果表明，改进后的算法在大规模MIMO系统中，误码率表现较原算法有一定的提升。在计算复杂度方面，IMFOSIC算法的复杂度要高于IMFSIC算法。关键词：大规模MIMO：信号检测；串行干扰消除；多反馈；排序II万方数据。AbstractAb stractMassive multi-input multi-output technology is one of the key

7、 technologies in5G， which has attracted peopleS aaention，and it is one of the important researchtopics in the field of wireless communicationCompared with the traditional MIMOsystem，the massive MIMO system is equipped with a large number of transceiverantennas， which is much larger than the MIMO sys

8、tem，to improve the systemcapacity and spectrum efficiencyReceiver detection technology as an importantcomponent of massive MIMO system，the development of massive MIMO isimportantTherefore，the thesis studies the detection algorithm of massive MIMOsignal to explore the suitable signal detection algori

9、thm for massive MIMO systemThis thesis first summarizes the technieal characteristics and the research statusat home and abroad of lmassive MIMO， and analyzes the system model of massiveMIMOThis thesis introduces the current signal detection algorithm of massiveMIMO systemThe algorithm of maximum li

10、kelihood(ML)detection，linear signaldemcfion algorithm and nonlinear signal detection algorithm are introducedrespectively， and the algorithm complexity and detection principle are analyzedFinally，through the experimental simulation，the performance of each detectionalgorithm is compared and analyzedT

11、he thesis improves the maximum combined bitsequence successiveinterference cancellation(MRC-OSIC)algorithmThis algorithm optimizes the signaldetection and sequencing process in the traditional successive interferencecancellation algorithm， and its algorithm complexity is lower than the linear signal

12、detection algorithm ZFThe detection performance can also be approximated by thenonlinear signal detection algorithm ZFSICHowever，the detection effect is stillroom for improvementIn this thesis，the MRCOSIC algorithm is improved bycombining the multi-feedback strategy of multi-feedback successive inte

13、rferencecancellation(MFsIc)algorithmThe idea of multifeedback is used to judge theestimated signal after quantization，whether it is necessary to carry out multifeedbackIII万方数据基于MFSIC算法改进的大规模MIMO检测方法研究processing on the current detection signal， which can improve the accuracy of thecurrent detection s

14、ignal and reduce the error propagationThrough the experimentalsimulation， it can be seen that the improved bit error rate performance of theimproved algorithm has been improvedIn addition，the thesis improves the improved successive interferencecancellation(IMFSIC)by combining the signal detection an

15、d ranking method in thetraditional successive interference cancellation algorithmThe main drawback of theMFSIC algorithm is the inaccuracy of the feedback estimation signalThe IMFSICalgorithm is all improved algorithm for the shortcomings of MFSIC algorithmTherefore， from the point of view of improv

16、ing the system error performance， wecombine the sorting method to improve the IMFSIC algorithmThe simulationresults show mat the improved algorithm is beRer than the original algorithm in themassive MIMO systemKey words：massive MIMO；signal detection；successive interferencecancellation；multiple feedb

17、ack；ordering；万方数据目录目 录摘要IAbs蛔ctI目勇专V第一章绪论111研究背景和意义一112国内外研究现状一213论文的研究内容和章节安排4131研究内容4132章节安排5第二章大规模MIMO检测算法概述621大规模MIMO系统模型622常用MIMO检测算法8221最大似然检测8222线性信号检测算法9223非线性信号检测算法一1 123仿真结果分析1624本章小结22第三章基于最大比合并排序串行干扰消除算法的改进2431多反馈串行干扰消除算法24311阴影区域约束24312多反馈串行干扰消除算法2532基于最大比合并排序串行干扰消除算法的改进2833仿真结果分析3 134本

18、章小结33第四章基于排序的多反馈串行干扰消除算法3441改进多反馈串行干扰消除算法(IMFSIC)3442结合排序的IMFSIC算法35V万方数据基于MFSIC算法改进的大规模MiMO检测方法研究43仿真结果分析44本章小结第五章总结与展望51全文工作总结一52未来工作展望一参考文献致谢攻读硕士学位期间参加的科研项目VI拍弧柏甜轮卯躯万方数据翁一章绪论11研究背景和意义第一章绪论近年来移动通信发生着巨大的变化。从最初的有线通信，到后来的无线通信；传输信号从模拟信号，发展到数字信号；从以模拟技术为基础1G通信系统，到目前基于LTE的4G移动通信技术，基本上可以满足人们日常生活的需求。虽然无线通信

19、技术一直在不停的发展，但是新的移动设备的引入，使人们对数据传输的需求日益增长。目前人均拥有的移动设备的数量在大幅提高，数据业务量将会剧增，大量新服务快速加入，如智能家居、车载设备、云计算和物联网等，都对数据通信有着更高的要求【l之】。同时高质量用户体验业务需求也日益提高，未来移动通信网络将面临极大挑战。4G所能提供的服务已经渐渐满足不了人们需求，5G研发和国际标准正快速发展。为了解决5G系统中容量和性能问题，大规模MIMO已经成为无线通信中的研究热点问题。大规模MIMO在基站通常是配备了大量的天线，服务众多用户终端设备，每个终端设备配备一个或多个天线3】。数量众多的天线能够帮助聚焦信号能量的传

20、输和接收，使其进入更小的空间区域，从而在吞吐量和能源效率方面带来巨大的提升【4。5】。随着毫米波通信领域的拓展，大规模MIMO正成为切实可行的方式，通信波长的缩短可以在相对较小的空间放置更多的天线。大规模MIMO技术已经在5G通信中起到了核心基础技术的作用【6】。相比于传统的MIMO技术，大规模技术有以下优点7-9：(1)大规模MIMO可以提高系统的鲁棒性。Massive MIMO采用大规模天线阵列，通常可以利用多根天线为同一用户进行服务，因此可以利用多径效应，在接收端利用信号合并对噪声、干扰、硬件噪声等进行平均化，从而消除传输过程中各种不确定性的影响，也可以避免人为故意干扰，整体上提升了信息

21、传输的可靠性和有效性。(2)大规模MIMO技术有较高能量效率。当系统功率恒定的时候，天线发射功率跟发送天线个数成反比，每根天线发射功率将会变小，而利用天线之间的相互作用可以通过波束赋形将传输数据发送到指定的用户区域，从而降低了能源万方数据基于MFSIC算法改进的大规模MIMO检测方法研究损耗。此外，基站侧采用分集发送即利用多根天线向同一用户发送相同的数据，目标用户端接收到的不同数据流的信号进行相干叠加增加了期望信号强度，其余用户端接收到的不同数据流的干扰信号可以相互抵消降低了干扰影响。由此，系统的能量效率得到了极大的提升。然而，在5G大规模MIMO技术系统中，也存在着一些实际的挑战性问题。这些

22、问题包捌10l：(1)位置估计不准确：准确定位基站与用户之间的最佳信号路径是需要执行有效的波束形成；(2)不准确的信道状态信息(CSI)反馈或反馈开销：用户与基站之间的信道状态信息可能会遇到不准确的反馈。在此之外，基站天线与用户设备在不同的信道之间明显是不同的。较大的反馈开销可能需要进行修正。(3)快速移动用户情况下的动态波束转向：对于高速移动的用户，可能比较难跟踪。主要是所需的反馈对于给定的用户的移动速度来说最终较慢。这就影响了大规模MIMO的性能。(4)没有性能好且复杂度较低的接收检测机：接收端信号检测过程会影响大规模M1MO实现过程中的整体性能和复杂度；在天线数量较大时，常规的MIMO检

23、测算法在检测性能或复杂度上已经不能达到要求，显然在实际中难以进行应用。除此之外，大规模MIMO的天线数目的增加也会增加系统对信道估计的难度11】：用户之间的干扰同样是一个需要考虑的问题。12国内外研究现状大规模MIMO通过在基站端部署成百上千的天线，可以有效的提高频谱效率。目前已经成为了5G移动通信的关键技术之一。然而，随着大量的天线的部署，实际上带来了巨大的挑战。在未来十年，预期增加的移动数据流量对当前的通信网络提出了巨大的挑战。与现有的系统相比(例如，至多8根天线的LTEA)，大规模MIMO系统的天线数量按照数量级放大，可以提高显著的复用增益，因此受到了学术界和工业界的高度关注。在这样的系

24、统中，每个基站配备了数以百计的天线(例如，128根天线或者更多)，而且在同一频率上同时服务数十个用万方数据第一章绪论户，这些技术已经被人们设想成为第五代(5G)蜂窝网络的关键技术12-14。然而，构建一个实用的大规模MIMO系统不是一个简单的任务。信号的检测明显是一个增加计算复杂度的过程。最大似然检测(ML)的计算复杂度会随着天线个数的增加成指数增长【1501圳】。在线性检测算法的改进方面，文献16】通过利用Richardson方法，对MMSE算法进行改进。为了避免MMSE算法中的滤波矩阵的求逆运算，利用Richardson方法对MMSE滤波矩阵进行求解。在利用迭代的方式对MMSE滤波矩阵进行

25、求解，可以获得接近MMSE算法的性能，并且迭代的次数并不多。文献17】提出了一种可以进一步提高MMSE算法检测性能的方法，该方法通过主要是利用残差补偿的方式，对MMSE算法进行改进的。这种残差补偿方式是基于训练序列，结合传统的滤波矩阵和残差估计，得到最终的输出结果。其中，对MMSE的残差估计是一个更正向量，因此对MMSE算法的检测性能有一定的提高。文献118提出了一种可以避免矩阵求逆的降低计算复杂度的检测算法。该算法结合导频污染的多小区模型中，对两种不同迭代方式的软输入和软输出检测算法进行改进，改进后的算法在计算复杂度方面表现较好，性能上也比较接近。文献【19】【20】通过介绍纽曼级数的展开，

26、来近似求解MMSE检测算法中的滤波矩阵求逆的问题，从而降低了算法的计算复杂度。同时，文献也探讨了纽曼级数的展开项的个数对MMSE算法的性能影响。在近似求解矩阵的逆的过程中，展开的项数越多，结果越接近MMSE算法的性能，但是复杂度相应的也增加了。通过验证可知，在展开项为3次以上时，算法的性能已经与传统的MMSE算法性能接近。当发射天线的数量与基站端接收天线的数量接近时，非线性信号检测算法的检测性能要好于线性信号检测算法，线性信号检测算法的检测性能显著下降。因此，非线性信号检测算法的研究也引起了人们的关注，其中就包括串行干扰消除算法以及其改进的相关算法。在串行干扰消除算法中，对当前信号的估计信号的

27、准确判决可以减少差错传播，提高系统的检测性能。对检测信号的检测顺序进行优化，可以减少因干扰消除导致的误差传播的问题。因此信号的检测顺序对系统的性能影响很大125-27】。其中，大量的文献对基于zF和MMSE准则的串行干扰消除算法进行了改进，在均衡系统检测性能的基础上，降低检测算法的计算复杂度28-32。文献33】通过计算信道估计迫零向量的排序集，结合快速递归的方法，万方数据基于MFSIC算法改进的大规模MIMO检测方法研究对MMSESIC算法进行改进。改进后的算法有效的降低原检测算法的计算复杂度，误码率的表现也可达到较好的检测性能，通过均衡计算复杂度和误码率，使得系统的检测性能有了一定的提高。

28、文献341同样是在对SIC算法进行改进后，在性能和复杂度之问进行折中。算法中引入两个软均衡器，以解决衰落信道中的符号间的相互干扰和共信道干扰，实现码间干扰(ISI)和多天线间干扰(MAD的解耦。之后利用ZF或MMSE准则连续抑制软码问干扰，从而在性能和复杂度之间进行均衡。文献35指出在大规模MIMO系统中，根据后验信息进行排序，根据排序的顺序取出一部分分量，之后进行干扰消除，可以有效的降低计算复杂度。文献361是利用排序的方法，对MMSESIC算法进行改进。通过估计的信道信息，再利用快速递归的方法，实现MMSESIC算法的检测精度的提高。文献371提出了抑制符号间相互干扰和共信道干扰的方法，利

29、用一个空间的卡尔曼滤波反馈均衡器，对上述的两种于扰进行抑制。与传统的反馈判决均衡器相比，该算法的计算复杂度较低。文献381分析了MMSESIC算法和块迭代广义判决反馈均衡器(BIGDFE)，指出了两种算法之间的联系，即两种检测算法具有相同的渐进性能。13论文的研究内容和章节安排131研究内容论文首先对大规模MIMO的系统模型进行了介绍和分析。之后根据线性信号检测算法和非线性信号检测算法，结合大规模MIMO系统，研究比较了各信号检测算法的性能。针对三种线性信号检测算法(MRC、ZF、MMSE)以及两种非线性信号检测算法(SIC、QR)进行了原理介绍和仿真分析。重点对多反馈串行干扰消除算法(MFS

30、IC)进行研究，从提升系统误码率性能的角度考虑，对基于最大比合并排序串行干扰消除(MRCOSIC)算法进行改进，并结合系统模型进行理论分析和性能仿真。之后，从SIC常用排序方法的角度考虑，对改进多反馈串行干扰消除(IMFSIC)算法先进行排序，之后在进行多反馈判决和干扰消除运算，以达到提高系统误码率性能。4万方数据第一章绪论132章节安排第一章绪论。主要介绍了沦文的研究背景和意义，对大规模MIMO系统信号检测技术的研究现状进行了归纳概述。最后对论文的主要工作和结构安排进行了阐述。第二章大规模MIMO检测算法概述。本章介绍了大规模M1MO的系统模型。并根据大规模MIMO的信号检测算法，对线性检测

31、算法和非线性检测算法进行研究和分析。其中，对大规模MIMO系统中常用的三种线性信号检测算法(MRC、ZF、MMSE)，介绍了其工作原理并分析了其检测性能。同样，对于非线性信号检测算法(SIC、QR)的工作原理进行分析。对上述的信号检测算法在大规模MIMO系统下进行仿真，并根据仿真结果分析信号的检测性能，为后续的研究打下基础。第三章基于最大比合并排序连续干扰消除算法的改进。本章中首先重点介绍了多反馈串行干扰消除(MFSIC)算法的原理及具体流程。之后利用多反馈策略，对最大比合并排序串行干扰消除(MRcOSIC)算法进行改进，并进行仿真验证改进后的算法误码率性能的表现。第四章基于排序的多反馈串行干

32、扰消除算法。本章中，简要介绍了改进的多反馈串行干扰消除(IMFSIC)算法的基本思想和流程，然后结合SIC中的检测排序的方法，对该算法进行改进分析。最后利用基于信干噪比(S1NR)的排序方法与IMFSIC相结合，得到排序的改进多反馈串行干扰消除(IMF。OSIC)算法，并进行仿真分析。第五章总结与展望。对全文的研究工作进行了总结，根据目前研究情况下的问题对未来的研究方向进行展望。万方数据基于MFSIC算法改进的大规模MIMO检测方法研究第二章大规模MIMO检测算法概述在通信系统的接收端使用多天线，可以利用空间分集技术来对抗信道衰落或者是多径带来的影响，从而提高通信系统的稳定性。也可以利用空间复

33、用技术来提高数据传输的速率，从而提高通信系统的传输容量。这两种技术都可以显著提高系统的性能。本文采用的大规模MIMO系统是采用V-BLAST模型的空间复用系统。本章将对大规模MIMO的系统模型及信号检测算法进行介绍。其中，论文分别介绍几种线性信号检测算法和非线性信号检测算法。并对这些算法的原理和实现步骤进行了详细的介绍。之后分析了几种算法的复杂度，并根据仿真结果对检测性能做了对比分析。21大规模MIMO系统模型(1)衰落信道信号在经过无线信道传输后，其时域和频域上的波动主要是无线信道中的衰落信道造成的。同时，加性噪声的在无线信道中的影响同样会给信号造成不良的影响，一般来说，信号在经过衰落和噪声

34、的影响后，其接收端的信号服从莱斯分布和瑞利分布。假设瑞利衰落信道下的均值为0，方差为仃2，则符号独立的复高斯随机变量组成下列式：h=彤+-， (2-1)而h的概率分布函数为J2五(X)=砉P萨(2-2)符合莱斯分布的信道可以表示为h=co+形+歹 (23)其中Co表示占据主导的传播分量，此时，计算h可以表达如下式：6万方数据第二章大规摸MIMO检测算法概述，2+C2无(X)：丢P可厶(粤)(24)G 6其中o(o)为零阶贝塞尔函数，x为函数中的自变量。论文中将选择瑞利衰落信道作为信号检测算法研究的信道模型。(2)信道和信号模型毒毒薄 基站侧图21大规模MIMO系统结构图本文针对的是空间复用的传

35、输方案，在空间复用M1MO系统中，输入数据流通过每个用户的发射天线发射。大规模MIMO系统的结构图如图21。无线通信中信号经过反射、折射、衍射等多条路径传播到达接收机后，由于路径衰减和时延不同，各个方向信号的叠加让接收端信号强度和相位等特性发生变化。当前对大规模MIMO系统信道的建模还处于理论研究阶段，而瑞利衰落能有效描述无线电信号的传播环境。因此目前对大规模MIMO信号检测的研究一般是假设大规模MIMO信道为独立同分布瑞利衰落信道，本文所有算法仿真当中都采用独立同分布瑞利衰落信道。假设大规模MIMO系统当中有个用户和一个基站。每个用户有一根发射天线，基站有r根接收天线，其中M，。在时刻t时用

36、户的发射矢量为x(t)=h(f)，恐(班，xf(f)2，其中薯是第j个用户天线所发送的信息；接收矢量为，(f)=I巧(f)，眨(f)，(f)，其中。是基站侧第，根天线所接收到的信号。万方数据基于MFSIC算法改进的大规模MIMO检测方法研究在收发信号两端之间存在MM维的复高斯信道系数矩阵H(O，该矩阵中的每个元素囊，表示第，个用户的发送天线到接收天线j的复衰落系数。乃(t)表示第根天线所包含的高斯白噪声，”(f)=M(f)，(，)，(f)7。则上图21所描述的整个传输过程可用式(2-5)表示O)吃O)；(t)啊，。O)盔，：O)盔，M(t)吃，。O)k，t)吃，M(t)! ； ； ik，(z)

37、k，：O)k，(f)=日(f)x(f)+nO)22常用MIMO检测算法x。O)x：(t)h(f)+_O)2(t)(t)(25)最大似然(ML)检测算法可以使MIMO系统获得最佳误码率性能和分集增益，是MIMO系统接收端最佳检测器。ML信号检测算法的基本思想是将所有可能的后处理向量与接收端的接收信号进行对比，其中后处理向量指的是信道矩阵日与所有可能的发射信号之间的乘积。通过对比，找到欧氏距离最小的一个极为发送信号的估计。从理论上来看，最大似然检测算法是最优的信号检测算法。下式为ML算法的发射信号的估计：=arg miargmin l“lrMxl12亚 一 I，C。7，(26)其中，II，一胁11

38、2是ML的度量，c表示信号调制的阶数，也即是星座集合，M表示发射天线的数量。从式中可以看出，随着发射天线数的增加，ML检测算法的计算复杂度与发射天线数呈指数的增长。虽然理论上ML检测算法是最优的信号检测算法，但是由于其计算复杂度较高，很难在实际中进行应用。在接下来检测算法的研究过程中，对于传统的MIMO系统，我们仍将ML检测算法作为万方数据第二章大规模MIMO检测算法概述其他检测方法的参考。222线性信号检测算法(1)MRC算法最大比合并(MRC)检测算法是一种最简单的线性检测算法，其检测算法的流程与滤波矩阵(MF)检测算法相似。使用该算法的前提是信道矩阵有较好的对称性。假设信道矩阵服从对称性

39、，我们只需要对接收的信号乘以信道矩阵的共轭转矩阵。MRC检测算法的信号检测器矩阵为：=H日 (27)(2)ZF算法追零(zF)检测算法是MIMO系统检测算法中的比较常用的线性检测算法。其基本思想是通过将接收信号左乘信道矩阵的逆矩阵，以达到消去信道衰落干扰的目的，ZF检测算法使用下面的滤波矩阵消除干扰：=(日日日)1H何 (28)于是有曼2F=Gz，=x+(日H)。1 H日聆 (29)=x+h，其中，h，=吆聆=(H日)H朋。 珏表示经过滤波矩阵检测后得到的信号，表示接收端接收到的信号。注意差错性能与而ZF的功率(即II疗，哐)直接相关。通过使用奇异值分解(SVD)，检测后的噪声功率可以表示为：

40、HH日)一HHn=1l(VZ2VH)。1 Vz,UHnll2 沼=怦。2yHV2Un旷=怦一Un旷万方数据基于MFSIC算法改进的大规模MIMO检测方法研究对于酉矩阵Q，满足-IlOxll2=QHQx=xHx=llxll2，因此噪声功率的期望值为E嘛噼E咿1幽略=ETr(一UH翮HUZ。)=Tr(一UHEnnaUX一)：Tr(畦三一1UHUZ一1)(2-11=aTr(三五)=薯筹从公式(2-8)可以看出，ZF检测算法的计算复杂度主要是计算信道矩阵求逆的过程中，根据公式(2-11)可以看出，噪声在通过ZF信道后，经过线性信号检测器矩阵时被放大了。虽然ZF算法复杂度较低!但是对噪声有放大，检测性能

41、一般。(3)MMSE算法最小均方误差(MMSE)检测算法根据MMSE准则，指发送信号和接收信号的线性组合问的均方误差的期望值最小，即：万=argminEo，一xn (2121其中，表示滤波矩阵，根据最优化理论得到满足式(212)的最优滤波矩阵：=(日日H+o-2玎1日何 (213)0-2表示高斯加性白噪声的方差，满足E翮H=仃2，。ZF检测后的噪声残留量比MMSE检测要大许多。MMSE当中考虑了噪声的影响，噪声没有被扩大，所以在低信噪比的情况下，性能比ZF检测要好。由式(28)和(213)可以看出，在信噪12,较高时，两个算法的滤波矩阵趋于相同，误码率性能也逐渐接近。但是MMSE复杂度与ZF相

42、比要稍高，需要在矩阵求谫时加卜噪声的影响。10万方数据第二章大舰模MIMO舱测算法概述223非线性信号检测算法线性信号检测算法的计算复杂度较低，硬件容易实现，但是其检测的误码率性能表现般。因此，人们将研究的方向转向了非线性信号检测算法。非线性信号检测算法的系统性能表现要好于线性信号检测算法。目前常见的非线性信号检测算法有串行干扰消除(SIC)算法、排序的SIC算法和QR分解算法。(1)SIC检测算法串行干扰消除算法包括干扰抑制和干扰消除两部分，即分别去除接收到的未检测信号的干扰。具体流程是，首先，选择一种线性检测算法检测出第一个信号的估计信号；之后消除检测信号的干扰，得到下一阶段的接收信号；再

43、进行线性检测、干扰消除，重复之前的步骤，直到所有的信号全部检测出来。根据线性滤波器选择的不同，串行干扰消除算法又分为ZFSIC和MMSESIC。图22用于4个空I司数据流的SIC信号检测不恿图图22说明了4个空间数据流进行SIC信号检测的过程。令表示来自第i根发射天线的信号。令气表示一个稳)的估计值。在SIC的过程中，式(28)中的ZF方法或式(213)中的MMSE方法都可用于符号估计。在下面的讨论中假设使用MMSE方法。利用式(213)中的MMSE滤波矩阵中的第一列估计第一个数据流。在估计和切片产生)后，从接受信号中减去&。)构成的第一阶段的剩余信号：万方数据基于MFSIC算法改进的人规模M

44、IMO检测方法研究勺)2，：一?、， ，(2-14)=盘1)(X(i)一&1)+2)誓2)+，)如，)+ 。如果气。)=&1)，那么在估计誓：)是能成功删除这一干扰。如果誓，)最I)，那么会发生差错传播，因为用于估计誓：)的MMSE滤波矩阵是在誓。)-4，)的条件下设x=(_，恐，xr)7，接收向量用，表示。当对第j个信号进行检测时，则其对应的估计信号毫表示如下：暑=Q(只) (215)Q()表示量化判决器，其中，只=矽l (216)心=(万，万罗叮1 E (2_17)譬赫2 泣一8，万方数据第二章大规模MIMO检测算法概述会出现差错，对之后的信号的检测造成影响，这就是差错传播。因此，为J，减

45、少差错传播，应该尽量提高当前信号的检测可靠性，这样才可以减少差错传播，提高系统检测性能。为了减少当前信号对下一个信号检测的影响，从而引入排序串行干扰消除(OSIC)算法，下面将介绍OSIC算法的儿种不同的检测排序方法。(2)排序连续干扰消除(OSIC)检测算法l、基于SINR的排序首先检测具有最大检测后S1NR的信号。对于线性MMSE检测，检测后的SNR为 s腿；2砭瓦Ex习I卅i,MM丽SEhJ2户啦，弘 协2巨|，f，。岛l+仃2。 。1 _引其中，乓为发送信号的能量，wf舢E为式(2一13)中MMSE滤波矩阵的第i行，绣为信道矩阵的第i个列向量。经过MMSE检测，均方误差(MSE)达到最

46、小，而且检测后的SINR达到最大。一旦通过式(213)的MMSE滤波矩阵计算出t个SINR，就能选择最大SINR对应的层。在选择第二个检测符号的过程中，已经从接受信号中删除了由第一个检测信号产生的干扰。假设图22中(1)=i，即首先删除第j个符号，那么删除第i个符号对应的信道增益向量后，式(213)中的信道矩阵变为日1=盔绣绣一1红+lk (220)将式(220)中的日(11代替式(213)中的日，然后重新计算MMSE滤波矩阵。现在，只需要计算M1个SINR，用于选择具有最大SINR的符号。在下一个具有最大SINR的符号被删除之后，对剩余的信号重复同样的过程。在OSIC中，总共需要计算羔。，=M(N，+1)2 71-SINR。2、基于SNR的排序当使用(28)中的ZF滤波矩阵时，式(213)中的干扰项消失，同时