一种固定复杂度球形译码的改进方法技术

本发明专利技术公开了一种固定复杂度球形译码的改进方法，改善了现有技术中FSD算法的复杂度仍须降低的问题。该发明专利技术含有如下步骤：建立大规模MIMO系统模型；通过基于深度学习的SAMP

【技术实现步骤摘要】
一种固定复杂度球形译码的改进方法


[0001]本专利技术涉及通信
，特别是涉及一种固定复杂度球形译码的改进方法。

技术介绍

[0002]近年来，为了满足移动通信系统中日益增长的超高数据速率需求，使用大量天线进行数据传输和接收的大规模多输入多输出(Multiple Input Multiple Output，MIMO)系统在学术界引起了极大的研究兴趣。为了在大规模MIMO系统中最大化可实现的数据速率，基站需要同时从多个终端接收尽可能多的符号，这提供了更大的复用增益。在这种情况下，接近最优的检测算法提高系统性能方面起着重要作用。由于最优算法复杂度随天线数目和调制阶数提升而增加，难以应用于大规模MIMO系统，因此如何有效降低算法在低信噪比下的复杂度也是当前检测算法的研究方向之一。
[0003]最优算法的复杂度和决策变量呈指数关系，并不适用于大规模MIMO系统，但在通过对最优检测算法的优化又衍生出诸多算法。其中被广泛研究的有球形译码(Sphere Decoding，SD)算法和固定复杂度的球形译码算法(Fixed
‑
complexity Sphere Decoder，FSD)算法等。SD算法的主要思想是将ML算法的搜索过程限定在预定半径的球体内的晶格点上，如果初始半径以及搜索顺序合适，则能在较低的复杂度中找到最优解。但其复杂度并非固定的，受到接收信号的信噪比，搜索顺序和初始半径的影响。但如果多次搜索后才检索到小半径叶子节点则会使得运算量增大，并且由于球形译码算法复杂度的具有不确定性，不利于信号的实时检测和硬件实现。FSD算法对搜索树中部分层进行完全扩展(Full Expansion，FE)其他层进行单扩展(Single Expansion，SE)，其搜索的支路数目不受信噪比的影响，因此FSD算法具有较低且固定的复杂度，并达到了接近FSD算法的检测性能。但由于FSD算法复杂度与信噪比无关，因此不能保证在高信噪比仍保持比SD算法更低的复杂度，同时FSD算法复杂度随调制阶数的增加呈指数上升，仍需要进一步降低该算法的复杂度。

技术实现思路

[0004]本专利技术改善了现有技术中FSD算法的复杂度仍须降低的问题，提供一种复杂度低且适应性强的固定复杂度球形译码的改进方法。
[0005]本专利技术的技术解决方案是，提供一种具有以下步骤的固定复杂度球形译码的改进方法：含有如下步骤：
[0006]步骤1、在给定的系统条件下，建立大规模MIMO系统模型；
[0007]步骤2、通过对MIMO系统发送信号进行估计得到初始解
[0008]步骤3、选择满足约束条件的FE阶段层数P；对信道矩阵H进行排序处理，得到排序后的信道矩阵以及排序交换矩阵B；对进行QR分解运算，得到上三角矩阵R和酉矩阵Q，计算R分解后的等效接收信号z，z＝Q
H
y；
[0009]步骤4、根据初始解计算SE阶段剪枝阈值r，依据性能选择阈值决定系数a，计算FE阶段剪枝阈值r2＝ar；
[0010]步骤5、对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路；对其余层进行SE扩展，舍弃路径中累计分支度量大于r的支路；
[0011]步骤6、如果有路径到达叶子节点，则将累计分支度量最小的路径对应的发送信号作为输出解；如果没有路径到达叶子节点，则将记为输出解。
[0012]优选地，所述步骤1中假设大规模MIMO系统基于V
‑
BLAST结构，发送端具有N
T
根发送天线，接收端具有N
R
根接收天线，采用M阶QAM调制，系统上行链路用下式来表示：y＝Hx+n，其中x为发送端的发送信号，H为信道矩阵，表示信道衰落，其中元素服从n为N
R
维的加性复高斯白噪声，x为发送信号，y为接收端接收信号，对于接收端噪声功率σ2以及信道衰落H已知，需要计算发送信号估计值
[0013]优选地，所述步骤2中设SAMP
‑
FCNet在层数为T时，通过训练可以达到极限的检测性能，对于SAMP
‑
FCNet中第t层神经网络，检测过程如下：
[0014][0015][0016]η
(t)
＝f(σ2，η
(t
‑
1)
)，
[0017]其中为第t次迭代过程中发送信号估计解；r
(0)
均初始化为零向量；μ
(t)
为长度为N
T
的列向量，v
(t)
为长度为N
R
的列向量，μ
(t)
和v
(t)
由深度学习训练获得；f(σ2，η
(t
‑
1)
)为阈值函数，通过一个DNN神经网络拟合得到，用w
(t)
，b
(t)
表示分别表示第t次迭代的阈值网络的待训练的偏移和转置；阈值网络包含一个输入层、一层隐藏层和一个输出层；其中隐藏层由N个神经元组成，N为整数，激活函数选用ReLU函数。
[0018]优选地，所述步骤3含有以下步骤：
[0019]步骤3a，FE阶段层数P应满足以下约束条件，(N
R
‑
N
T
)(P+1)+(P+1)2≥N
R
，同时要保证算法性能的前提下选择尽可能小的FE层数；
[0020]步骤3b，对信道矩阵H进行排序，并计算对应的交换矩阵B，其中排序过程包含N
T
次迭代运算，不妨用H
(i)
表示第i次迭代中的删除已排序列后的信道矩阵，其中H
(1)
＝H，对于i＝1，
…
，N
T
‑
1，N
T
，有：选择中第k列作为排序后信道矩阵的第N
T
‑
i+1列，其中：
[0021][0022]表示中的第j行，之后更新i和H
(i)
重复上述过程至迭代完毕，得到排序信道矩阵记录与信道矩阵H中每列的对应关系，生成对应的交换矩阵B，B满足
[0023]步骤3c，将排序后的信道矩阵进行QR分解：qr(
·
)表示QR分解函数；
[0024]步骤3d，计算等效的接收信号：z＝Q
H
y。
[0025]优选地，所述步骤4中初始解计算SE阶段剪枝阈值r，其实现如下：计算SE阶段剪枝阈值r具体方式为：计算FE阶段剪枝阈值r2，其实现如下：首先依据性能以及算法复杂度需求，选择合适的阈值决定系数a，其中a一般选取P/N
T
临近的值，以获得更好的算法性能，其中N
T
为发送天线数目，随后计算FE阶段剪枝阈值r2＝ar。
[0026]优选地，所述步骤5中对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路，其具体实现如下：设某一路径中第i层中第m个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种固定复杂度球形译码的改进方法，其特征在于：含有如下步骤：步骤1、在给定的系统条件下，建立大规模MIMO系统模型；步骤2、通过对MIMO系统发送信号进行估计得到初始解步骤3、选择满足约束条件的FE阶段层数P；对信道矩阵H进行排序处理，得到排序后的信道矩阵以及排序交换矩阵B；对进行QR分解运算，得到上三角矩阵R和酉矩阵Q，计算R分解后的等效接收信号z，z＝Q
H
y；步骤4、根据初始解计算SE阶段剪枝阈值r，依据性能选择阈值决定系数a，计算FE阶段剪枝阈值r2＝ar；步骤5、对搜索树中前P层进行FE扩展，并舍弃累计分支度量大于r2的支路；对其余层进行SE扩展，舍弃路径中累计分支度量大于r的支路；步骤6、如果有路径到达叶子节点，则将累计分支度量最小的路径对应的发送信号作为输出解；如果没有路径到达叶子节点，则将记为输出解。2.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤1中假设大规模MIMO系统基于V
‑
BLAST结构，发送端具有N
T
根发送天线，接收端具有N
R
根接收天线，采用M阶QAM调制，系统上行链路用下式来表示：y＝Hx+n，其中x为发送端的发送信号，H为信道矩阵，表示信道衰落，其中元素服从n为N
R
维的加性复高斯白噪声，x为发送信号，y为接收端接收信号，对于接收端噪声功率σ2以及信道衰落H已知，需要计算发送信号估计值3.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤2中设SAMP
‑
FCNet在层数为T时，通过训练可以达到极限的检测性能，对于SAMP
‑
FCNet中第t层神经网络，检测过程如下：神经网络，检测过程如下：η
(t)
＝f(σ2，η
(t
‑
1)
)，其中为第t次迭代过程中发送信号估计解；r
(0)
均初始化为零向量；μ
(t)
为长度为N
T
的列向量，ν
(t)
为长度为N
R
的列向量，μ
(t)
和ν
(t)
由深度学习训练获得；f(σ2，η
(t
‑
1)
)为阈值函数，通过一个DNN神经网络拟合得到，用w
(t)
，b
(t)
表示分别表示第t次迭代的阈值网络的待训练的偏移和转置；阈值网络包含一个输入层、一层隐藏层和一个输出层；其中隐藏层由N个神经元组成，N为整数，激活函数选用ReLU函数。4.根据权利要求1所述的固定复杂度球形译码的改进方法，其特征在于：所述步骤3含有以下步骤：步骤3a，FE阶段层数P应满足以下约束条件，(N
R
‑
N
T
)(P+1)+(P+1)2≥N
R
，同时要保证算法性能的前提下选择尽可能小的FE层数；步骤3b，对信道矩阵H进行排序，并计算对应的交换矩阵B，其中排序过程包含N
T
次迭代运算，不妨用H
(i)
表示第i次迭...

【专利技术属性】
技术研发人员：高明，赵海阔，杨浩然，石颖，李靖，葛建华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：