英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

---

多重MIMO系统的多重判决反馈干扰抵消机制

摘要——在这篇文章中，为了MU-MIMO的上行线路提出一个简单的多重判决反馈干扰抵消机制(MF-SIC)。MF-SIC算法提出智慧阴影区域约束(SAC),增强干扰抵消是通过引入星座点的候选作抵消反馈循环的误差传播。我们也将MF-SIC与多分支(MB)处理,达到一个更高的检测多样性秩序。编码系统,低复杂度的软输入输出(SISO)迭代探测器提出了基于MF和MB-MF干扰抑制技术。MF-SIC的算法与传统的SIC算法相比，因为很少需要额外的复杂度。仿真结果表明,该算法明显优于传统的最优检测器SIC方案并且接近最优算法。

关键词——MU-MIMO系统，连续串行消除，多样性反馈，减少错误误差。

Ⅰ.介绍

在MU-MIMO系统中，最大似然检测(MLD)计划执行一个在越来越多的数据流(用户)[1]中具有指数复杂性的详尽的星座图搜索。因此,为了MU-MIMO系统调查次优低复杂度的探测方案能够接近最优性能是最重要的。基于树形搜索球体解码(SD)可以成功地用降低复杂性与独立的每个数据流MLD[2]。然而,SD仍有一个以指数为下界的大量数据流的复杂性[3]。线性检测(LD)[1]基于最小均方误差(MMSE)或迫零(ZF)的标准是一个低复杂度的方案但是由于多址干扰(MAI)误差性能是不可接受的。另一方面,非线性连续检测技术等干扰取消(原文如此)用于贝尔实验室垂直分层的时空(V-BLAST)[4]有一个低,而实现梅比线性减少。然而,这些decision-driven检测算法误差传播和性能退化。另一方面,非线性检测技术,就像连续干扰消除(SIC)使用在贝尔实验室垂直分层空时(V-BLAST)[4]有一个低复杂度,而达到比线性检测算法减少MAI。然而,这些被动检测算法误差传播和性能下降。

本文受误差传播减灾决策反馈检测启发[5],[6],[15]-[18],我们引入一个新的多重反馈SIC算法阴影面积约束(MF-SIC)策略检测多个用户需要较低的计算复杂度。MF选择算法搜索几个星座点而不是一个传统的星座点SIC算法通过选择最合适的决策图表。随后,我们选择合适的星座点作为反馈。通过这样做,更多决策树的点被认为有效地减轻误差传播。选择过程是制约一个选定的符号在每个空间层,与球面解码器采用搜索过程层,增加了计算负载。此外,阴影面积约束(SAC)进一步节省了计算复杂度据估计避免了评估决策的质量和不必要的多重反馈程序。

MF-SIC也结合多分支(MB)[18]处理框架,进一步提高性能。迭代接收机(涡轮)结构开发编码系统和低复杂度软输入输出检测器,提出了基于MF-SIC方案。仿真结果表明,该方案明显优于传统的SIC计划并且具有与独立用户绑定的类似性能。

本文的贡献可以概括如下:1)一种新型低MF-SIC检测器。2)MB处理纳入拟议中的MF-SIC达到更高的检测顺序和多样性产生接近最佳性能。3)迭代检测和解码(IDD)接收机介绍接近梅自由编码系统的性能。4)的一项研究提出MF-SIC MU-MIMO系统和一些现有检测方案。

本文的组织如下。第二部分简要描述了MU-MIMO系统模型。第三部分致力于代表小说MF-SIC方案以及其MB处理。第四部分介绍了提出了编码上行系统迭代方案。第五部分介绍了仿真结果和第六节吸引了论文的结论。

Ⅱ.系统和数据模型

在本节中,MU-MIMO系统的数学模型。与上行系统接收天线在一个接入点(AP)和K用户配备一个天线在发射终端。在每次即时用户传输K符号组织成一个矢量，每个子项取自调制星座，其中表示转置，C表示星座点的数量。符号向量s[i]是在平坦衰落通道上传输并且接收机对信号进行解调采样。接收到的信号解调后,匹配滤波和采样收集向量,有足够的统计检测

（1）

其中是用户k的传播符号,向量是一个零均值复杂的循环对称的高斯噪声协方差矩阵,代表期望值,表示厄米算符,是噪声方差,是单位矩阵。一词代表了向量的用户的信道系数k和H是所有用户的信道向量的矩阵。符号向量有零均值和协方差矩阵，其中是信号功率。模型(1)是重复发送一连串的数据，数据被分为块代表使用的通道。对于一个给定的块,符号向量为每个用户向量是通过映射到向量的代码单位。

Ⅲ.提出MF-SIC检测器设计

本部分介绍的描述提出了中频概念及其多分支处理框架。

A:Multi-Feedback设计

MF-SIC方案的结构是图1中所示。这个结构中反馈多样性是指当之前的选择不可靠时使用作为候选的星座点中的数字。为了找到最优的反馈,选择算法。这个选择方案防止搜索空间呈指数级增长。之前检测到的符号的可靠性是有SAC决定的，它通过可靠的决定避免了多余的过程降低了计算的复杂性。

在下文中，我们只描述为用户k检测的过程。相应地可以检测得到其他用户的数据流。由软计算可以得到第K个用户，最小均方差滤波矢量由得到，表示矩阵H的列k,k 1,.....K，是在删除之前检测到的k-1符号时接受到的向量。对每位用户而言，软计算是由SAC检测决定的，它是否可靠决定于下面的公式

（2）

表示最接近软计算中第k个用户的星座点，表示为

（3）

如果，其中预定义的阈值,我们说这是落入星座的阴影区域的地图并且这个结果不可靠。SAC的存在,明显节省额外的计算复杂度,MF-SIC方案有一个类似的复杂性传统SIC方案,验证了我们的研究。

1)决策可靠:如果软计算被认为是可靠的,硬件芯片将以相同的方式进行运行传统SIC方案,每个数据流的估计符号通过得到，其中表示信号量化。芯片标志对于用户k来说是一个可靠的决定。

2)决定不可靠:如果软模拟是不可靠的,产生候选向量。是选择软计算中离星座点最近的M。L的大小可以固定或由信噪比(SNR)决定。更高的信噪比对应于一个小M引入了复杂性和性能之间的权衡。不可靠的决策取代了其中是L中最佳的选择。

MF算法提供的好处是基于假设最佳反馈候选是正确的选择。这个选择算法描述如下：

为了找到最佳反馈,定义一组选择向量,这些选择向量M的数量等于我们用于每个不可靠的星座候选的数量。对于第k层,一个的向量由下列原理组成,（i）以前检测到的符号。（ii）在第k层，候选符号是为了代替不可靠的决定从星座中选择的。（iii）通过使用（i）和（ii）作为之前的决定,检测以下层是执行相当于传统SIC算法的趋于零和删除符号。因此，有

（4）

其中是潜在的决定相当于在第k层的，

（5）

其中q表示在第（k 1）层和第（K）层之间的某一层。

（6）

对于每个用户相同的MMSE滤波向量是用于所有的候选,使得该算法具有计算简单的SIC检测。该算法选择的候选是根据

（7）

选择是对下一层的最优反馈符号以及当前用户的更可靠的决定。提出的算法MF-SIC是总结在表I。

B:MF-SIC多分支处理

本节介绍的结构提出MFSIC多分支处理(MB-MF-SIC)。MBMF-SIC结构开发基于我们以前的工作[18]包含多个并行处理中心与分支机构不同的排序模式。

在第l分支上，MF-SIC计划先后计算，详细的在前面的小节。表示命令符号向量，根据l分支IC命令模式检测。IC收到的向量如下：

（8）

其中信道矩阵是由得到的。表示的第k列，表示从MF-SIC算法获得的每个数据流的估算符号。每个分支结束时通过使用我们可以变换回到原来的顺序，。基本上,MB程序修改顺序原来的删除,探测器得到一组不同的估计向量。最后MB结构、算法选择与最小欧氏距离根据分支

（9）

对每个分支，

（10）

MB-MF-SIC实现的指标J(l)的每个MF-SIC分支直接从(7)可以得到。最后发现符号向量

（11）

这MB方案能接近最佳性能,然而,的穷举搜索分支是不切实际的。因此,计划开发分支数量减少,即经常选择分支(FSB)[18]。FSB算法构建一个码书包含的命令模式最有可能选择的分支和所需数量的分支获得算法性能大大降低。

IV处理编码的多用户MIMO系统

在本节中,我们提出的MF-SIC探测器和IDD采用卷积码的编码系统。我们发现,减少涡轮迭代次数可以用在提议的方案中正如之前在报告中提到的涡轮多用户检测。

接收机包括以下两个部分：一个SISO探测器和通信用户的一组SISO最大后验概率（MAP）解码器。这部分可以分解为交织和解交织器。具体来说,估计卷积编码比特的可能性是通过探测器和这些估计解交织器作为最大后验概率解码器的输入的计算。最大后验概率解码器为每个用户的编码比特生成后验概率（APPs）,因此得到软计算的传播符号。上面讨论的过程以迭代的方式重复。

在SISO检测器的输出k用户的信道编码块的关于j的卷积编码比特的后验似然函数比率（LLR）是由

（12）

使用贝叶斯法则,可以写成

（13）

其中代表编码的先验信息，由在前面的迭代获得用户k的MAP译码器。上标p的值是由之前的迭代得到的。对所有用户我们假设第一次迭代。第一项表示以收到的信号r和先验信息（）为基础制得的外信息。对于探测器来说，对第k个用户编码比特外在似然函数比率为

（14）

其中和属于星座A的子集和，当取0和1时。是的先验符号可能性。因此

（15）

我们将（14）改写为

（16）

是的先验概率并且它的先验似然函数比率为

(17)

然后解交织并且供应给k用户最大后验概率解码器作为先验信息。最大后验概率解码器通过格图计算每个比特后验似然函数比率，格图为

（18）

先验信息和解码器提供的外部信息为最大后验概率解码器的输出。最大后验概率解码器收集的每一个比特信息推测似然函数比率在最后一次迭代后用在确定。外在信息是由K最大后验概率解码器作为所有用户的先验信息反馈到单输入单输出系统。在第一个迭代中,和是统计独立的,随着迭代的进行,他们变得更加相关,直到通过减少迭代来改进。

软干扰抵消探测器（MF-SIC-SC）提出MF-SIC的结构是以迭代的方式描述的。在第一次迭代译码器提供的先验信息是零,它严重降低基于并行干扰消除(PIC)的检测的性能。因此,不是使用基于PIC软干扰抵消(SC / MMSE)[7][8],在我们的方法中,提出MF-SIC算法在第一次迭代计算外在信息,并给所有用户的MAP解码器。软估计是用来计算的LLRs组成部分。我们假设是高斯分布,因此,单输入单输出探测器的软输出k用户写成[15]

（19）

其中是标量变量，它鞥与第k个用户的振幅，是高斯随机变量，方差为，因此

（20）

并且

（21）

数据包传输的通信样本的估计的时间平均可以获得和。

在第一次迭代后,SC / MMSE执行PIC通过减去软复制MAI组件从接收到的向量

（22）

其中和滤波器发展促进减少剩余干扰

（23）

其中滤波器的软输出也被认为是高斯分布。第一和二阶统计信息符号也通过时间(20)和(21)的平均估计。MFSIC处理只适用于IDD接收机的第一次迭代,提出介绍了MF 选择收益率SIC进一步精确估计符号。至于MB-MFSIC-SC,最好的MF-SIC-SC分支是选择提供编码信息的符号和估计。

V.模拟

MF-SIC和MB-MF-SIC的性能比特误码率（BER）与目前的检测算法相比有未编码系统和不同的用户量。信道编码系统,我们用基于PIC的SC探测器[8]模拟IDD方案并与SIC-SC比较，SIC-SC使用SIC的第一次迭代和SC执行下列迭代[10]和MF辅助

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[29076]，资料为PDF文档或Word文档，PDF文档可免费转换为Word