[发明专利]一种大规模MIMO系统中的低复杂度信号检测方法

说明书

本发明涉及一种大规模MIMO系统中的低复杂度信号检测方法，属于无线通信技术领域。该方法首先，将大规模MIMO系统中信号检测问题转换成线性方程组的求解；然后，基于2D‑DSP求解出线性方程组的解向量；最后，将迭代多次后的解向量作为基站接收端对各个用户发送信号的估计值。本发明突破了传统线性检测方法涉及的高维矩阵求逆问题，利用2D‑DSP来迭代实现解向量求解，通过几次迭代能够快速收敛并接近传统线性检测算法性能，实现了性能与复杂度的折中；其实现过程简单，应用范围广泛。

技术领域

本发明属于无线通信技术领域，涉及一种大规模MIMO系统中的低复杂度信号检测方法。

背景技术

大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术作为第五代通信系统中物理层关键传输技术之一，在基站端通过配置数十至数百根阵列天线，在同一时频资源上为多个用户提供服务。大规模天线阵提供的高分集增益和空间分辨率，在实现传输可靠性的同时，使得系统频谱效率和能量效率得到大幅度提升。然而，要充分利用大规模MIMO技术的优势，面临许多无线传输的瓶颈问题，其中一个就是上行链路的多用户信号检测问题，特别是随着用户数增加，由于用户间干扰进一步加大，给高质量信号恢复带来严重的挑战。

在大规模MIMO系统中，最佳信号检测器当属最大似然(Maximum Likelihood，ML)算法，但该算法需要遍历搜索所有发送信号组合，因此其所需计算量随发射天线数和调制阶数的乘积呈指数规律增长。ML算法引起的巨大计算复杂度导致其难以在现实中应用。近年来，针对大规模MIMO系统，基于机器学习或者人工智能，相继提出了几种近似最优的检测算法。其中的经典算法包括似然上升搜索(Likelihood Ascent Search,LAS)算法及主动禁忌搜索(Reactive Tabu Search,RTS)算法。这两种算法回避了ML算法“蛮干”遍历搜索过程，只需给定初始解，就可通过多次迭代得到发送信号矢量的最优估计值，其计算复杂度分别为ο(K²)、ο(MK)+ο(K³)，其中M表示QAM调制阶数，K表示用户数(假设各用户均配置单天线)。然而这两种算法在高阶调制模式下的性能并不理想。Wataru Fukuda结合并行干扰消除，提出了基于置信传播(Belief Propagation,BP)算法。Sheng Wu提出一种随机MCMC(Randomized Markov Chain Monte Carlo,R-MCMC)信号检测算法，通过采用随机方式来更新当前发送信号矢量检测值中的符号，有效地缓解了传统MCMC算法在高信噪比条件下出现的“熄火”现象，该算法计算复杂度约为ο(K³)。基于因子图(Factor Graph,FG)数学模型，Tanumay Datta提出了基于近似消息传播(Approximate Message Passing,AMP)的信号检测算法，其计算复杂度约为ο(KN)。然而，需要指出的是，以上研究通常采用低阶调制模式，同时假设基站天线数与用户数相等，即N＝K。在实用系统中，受导频污染的制约，用户数K只能远小于基站天线数N，即系统负荷因子K/N＝1。经研究表明，对于大规模MIMO系统，基站即使采用线性检测算法，如迫零(Zero-Forcing,ZF)和最小均方误差(MMSE)算法，也可取得接近ML的性能，在系统负荷较小时尤为如此。然而，这些检测算法均涉及高维矩阵求逆运算，即使采用Cholesky分解来实现，矩阵求逆运算也需要ο(K³)的计算量，因而在实际运用中难以快速有效的实施。

发明内容

有鉴于此，本发明的目的在于提供一种在大规模MIMO系统中基于二维双连续投影(2D-DSP)的迭代信号检测方法，解决传统线性检测算法会涉及高维矩阵求逆的问题，从而获得一种低复杂度的快速信号检测方法。

为达到上述目的，本发明提供如下技术方案：

一种大规模MIMO系统中的低复杂度信号检测方法，具体包括以下步骤：

S1：将大规模MIMO系统中信号检测问题转换成求解线性方程组；