具体实施方式

下面结合附图对本发明作更进一步的说明。

考虑如图2所示大规模MIMO系统，接收端基站的天线个数为N，发送端有m个用户，每个用户配备m_UE个天线，因此发送端的天线个数为M＝m·m_UE。用列向量表示发送信号，其元素以独立等概方式取值于星座图，其中星座图的符号集合记为Θ，x_i表示第i个天线的发送信号，i表示天线的序号，也即发送信号x中的信号维度，i＝1,2,…,M，表示维度为M×1的列向量。令表示发送端到接收端的MIMO信道矩阵，则接收信号为：

y＝Hx+n

其中，表示加性高斯白噪声，其元素是独立同分布的零均值复高斯随机变量，方差为σ_n ²I_N，σ_n ²表示噪声方差，I_N表示N×N维单位矩阵。

MIMO检测的任务是根据接收信号y来估计发送信号x，考虑使用贝叶斯估计方法，将后验均值作为估计值，则x_i的估计值为：

其中，p(x_i|y)是联合后验概率密度分布函数p(x|y)的边缘分布。根据贝叶斯公式：

p(x|y)∝p(y|x)p(x)

其中，∝表示正比于，表示两者只相差一个系数；p(x)为向量x的先验概率密度分布函数；p(y|x)为MIMO信道的转移概率密度分布函数：

其中，表示接收信号y服从均值向量为Hx，协方差矩阵为的复高斯分布。

由于在大规模MIMO系统中，直接求解每个发送信号的后验概率会带来极大的计算复杂度，因此EP检测算法用高斯分布对发送信号的后验概率密度分布做近似：EP检测算法首先使用一个非标准化的高斯分布替代各个发送端天线的发送信号的先验概率密度分布，即其次需要构造一个复高斯分布来近似发送信号的后验联合概率密度分布，称之为近似后验联合概率分布，该近似后验联合概率分布q(x)的均值μ和方差∑在迭代过程中不断更新，趋近于最佳。该近似后验联合概率分布q(x)可以写成以下形式：

其中，γ_i和Λ_i为发送信号先验概率密度分布中决定第i个非标准化维度高斯分布的均值和方差的主要参数，γ_i的物理含义为均值除以方差，Λ_i的物理含义为方差的倒数。进一步地，γ＝[γ₁,γ₂,…,γ_M]^H，在EPA算法中该值为设定向量，为第一设定参数；Λ＝diag[Λ₁,Λ₂,…,Λ_M]，Λ表示以[Λ₁,Λ₂,…,Λ_M]为主对角线构建的对角矩阵，在EPA算法中该值为设定向量，为第二设定参数；(·)^H表示矩阵或向量的共轭转置。

又因为该近似后验联合概率分布q(x)也服从联合高斯分布，即可以表示为如下形式：

其中，μ表示近似后验联合概率分布q(x)的均值向量，Σ表示近似后验联合概率分布q(x)的协方差矩阵。

因此可以得到：对于该近似后验联合概率分布q(x)，均值向量μ和协方差矩阵Σ的更新公式如下所示：

显然，迭代更新每个维度上的参数对(γ_i，Λ_i)，即相当于更新近似后验联合概率分布q(x)的均值向量μ和协方差矩阵Σ。实际上，参数对(γ_i，Λ_i)迭代更新过程的复杂度不高，为其中M表示发送端的天线数量；主要的计算复杂度在于均值向量μ和协方差矩阵Σ的更新，尤其是协方差矩阵Σ更新公式中的矩阵求逆操作，其计算复杂度为为了便于阐述，令问题的核心就在于W^-1的计算，W就是EPA算法中需要进行矩阵求逆的初始化参数矩阵。

现有技术中，基于EP的近似算法(EPA)通过近似成功化简了每次迭代过程中矩阵求逆的计算，如图3所示，具体运算过程如下：

Step1：输入已知量：接收信号y，MIMO信道矩阵H，噪声方差最大迭代次数L_EPA，加权系数β；

初始化参数，令Λ＝I_M，γ＝0，则I_M表示M×M维单位矩阵。

Step2：通过初始化参数和下述公式计算近似后验联合概率分布q(x)的协方差矩阵Σ和均值向量μ，以及向量Σ_d和V：

Σ_d＝diag(Σ)

其中，Σ表示近似后验联合概率分布q(x)的协方差矩阵；μ表示近似后验联合概率分布q(x)的均值向量；Σ_d表示矩阵Σ的主对角线元素构成的向量；V是矩阵的主对角线元素构成的向量。

Step3:令当前迭代次数l＝1，初始化近似后验联合概率分布q(x)的腔分布的初始均值t⁽¹⁾与方差h，即计算：

其中，h表示腔分布的方差，h＝[h₁,h₂,…,h_M]^H；t⁽¹⁾表示腔分布的初始均值，“.×”、“.-”和“./”分别表示矩阵或向量中对应维度的元素之间的乘、减和除运算，即第i个信号维度上的腔边缘分布的方差为和初始均值为其中，Σ_di为向量Σ_d的第i个信号维度上的元素，μ_i为向量μ的第i个信号维度上的元素，diag(Λ)是矩阵Λ的主对角线元素构成的向量，Λ_i为向量diag(Λ)的第i个信号维度上的元素。

Step4:在当前第l次迭代中，利用腔分布中的M个腔边缘分布的均值和方差h_i，计算星座图上各符号的分布概率，进行如下计算：

其中，第l次迭代时，近似后验联合概率分布q(x)的腔边缘分布的均值，Θ表示星座图中的符号集合，exp(·)表示e的指数运算，计算所得到的为当前第l次迭代中与第i个信号维度上的腔边缘分布相匹配的星座图上的符号所遵循的分布概率，其中：

其中，Θ_a表示星座图中的第a个符号，Na表示星座图中的符号的数量，表示第l次迭代中与第i个信号维度上的腔边缘分布相匹配的星座图上的第a个符号Θ_a所遵循的分布概率。

Step5:根据分布概率计算与第i个信号维度上的腔边缘分布相匹配的替代分布的均值

也就是，与第i个信号维度上的腔边缘分布相匹配的替代分布的均值为星座图中的第a个符号Θ_a与该符号所遵循的分布概率的乘积再求和。

Step6:计算中间变量m^(l)＝y-Hη^(l)，其中，为替代分布的均值向量。

Step7:计算第l+1次迭代时，腔分布的参数

Step8:计算第l+1次迭代时，腔分布的均值t'^(l+1)：

t'^(l+1)＝ρ^(l+1)./V

其中，第i个信号维度上的腔边缘分布的均值为其中为向量ρ^(l+1)的第i个信号维度上的元素，V_i为向量V的第i个信号维度上的元素。

Step9:更新第l+1次迭代时，腔分布的均值t^(l+1)：

t^(l+1)＝β·t'^(l+1)+(1-β)·t^(l)

其中，β为加权系数，β∈[0，1]。

Step10:判断是否完成迭代，即l+1是否大于最大迭代次数L_EPA，若l+1没有大于最大迭代次数L_EPA，则将l+1作为新的l值，重复Step4-Step10；若l+1大于最大迭代次数L_EPA，则输出均值向量η^(l)进行硬判决。

对均值向量η^(l)进行硬判决为：针对均值向量η^(l)中第i个信号维度上的元素在星座图的符号集合中找到与元素距离最近的符号，将该符号作为第i个信号维度上的发送信号的检测值则发送信号为

通过上述EPA算法的求解算法不难看出，尽管EPA算法化简了每次迭代中的矩阵求逆计算，但其计算初始化中(Step2)仍然包含了一个完整的矩阵求逆计算，使其计算复杂度仍然达到了的量级；且还包含了大量的指数运算(见Step4)，这些运算在大规模MIMO系统中，将随着天线数的增加给系统带来极大的计算负担。

为此，在本发明中公开了一种大规模MIMO检测方法，即基于块对角纽曼(Neumann)级数的EPA算法(BD-NSA-EPA)，利用了多用户相关性信道下的Gram矩阵，即矩阵H^HH的分块对角占优特性，采用Neumann级数展开，对矩阵W的求逆问题进行近似求解，化简了EPA算法中初始化参数矩阵W的求逆计算，同时避免了计算星座图上各符号的分布概率时所需要的指数运算。

根据Neumann级数定理，如果对角占优矩阵X与矩阵W满足下列条件：

则W^-1可以写成

其中，n表示指数，且根据Neumann级数展开定理，通常来讲，对角占优矩阵X包含的矩阵W的元素越多，近似求逆的结果也就越精确。

考虑到大规模MIMO系统在多用户相关性信道下Gram矩阵，即H^HH特有的块对角占优特性，且信道的相关性越大，Gram矩阵的块对角占优特性越明显，因此为了包含更多矩阵W中的元素，使得求逆效果更优，可以用矩阵W的块对角矩阵D来近似代替X，则上式可以写成：

其中，非块对角矩阵E＝W-D。假设保留前k项的Neumann迭代结果，则上式可以改写为如下形式：

(W^(k))^-1＝Ψ(W^(k-1))^-1+D^-1,k＝2,3,…

其中，Ψ＝-D^-1E，(W^(k))^-1表示矩阵W第k次迭代时的近似逆矩阵。进一步地，记在方程两边同时右乘b，可进一步直接得到均值向量μ的Neumann迭代关系：

μ^(k)＝Ψμ^(k-1)+D^-1b,k＝2,3,…

其中，μ^(k)＝(W^(k))^-1b，μ^(k-1)＝(W^(k-1))^-1b，μ⁽¹⁾＝D^-1b。

因此能够避免对于矩阵W直接进行求逆计算，从而降低了EPA检测的整体计算复杂度。

实施例1：

如图1所示，一种大规模MIMO检测方法，包括：

步骤S01，获取接收信号、MIMO信道矩阵和噪声方差；

步骤S02，根据接收信号、MIMO信道矩阵和噪声方差计算EPA算法中需要进行矩阵求逆的初始化参数矩阵，将所述初始化参数矩阵分解为块对角矩阵和非块对角矩阵；根据所述块对角矩阵和非块对角矩阵，基于Neumann迭代方法得到完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量；

步骤S03，根据完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量计算近似后验联合概率分布的腔分布的初始均值，根据腔分布的初始均值计算替代分布的均值，根据替代分布的均值更新腔分布的均值，迭代计算替代分布的均值，将达到最大迭代次数的替代分布的均值作为发送信号的检测值。

优选的，发送信号的近似后验联合概率分布的均值向量μ在第k次Neumann迭代中的值为：

μ^(k)＝Ψμ^(k-1)+D^-1b,k＝2,3,…

其中，Ψ＝-D^-1E；D为块对角矩阵，E为非块对角矩阵，为噪声方差，H为MIMO信道矩阵，y为接收信号，γ为第一设定参数。

优选的，将所述初始化参数矩阵分解为块对角矩阵和非块对角矩阵，包括：

沿着所述初始化参数矩阵的主对角线方向，依次提取出若干个分块子矩阵，分块子矩阵依次沿着主对角线组成的、其余元素为0的矩阵为块对角矩阵，所述初始化参数矩阵减去块对角矩阵得到非块对角矩阵。

优选的，所述分块子矩阵具有m个，大小均为m_UE×m_UE，其中，m为发送端的用户数量，m_UE为每个用户配备的天线数量。

优选的，根据完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量计算近似后验联合概率分布的腔分布的初始均值，根据腔分布的初始均值计算替代分布的均值，根据替代分布的均值更新腔分布的均值，迭代计算替代分布的均值，将达到最大迭代次数的替代分布的均值作为发送信号的检测值，包括：

根据完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量和块对角矩阵计算近似后验联合概率分布的腔分布的初始均值；

根据腔分布的初始均值和星座图中的符号集合计算当前迭代中的替代分布的均值；

根据噪声方差、MIMO信道矩阵、接收信号、当前迭代中的替代分布的均值、能量归一化因子和设定的加权系数更新用于下一次迭代的腔分布的均值；

若达到最大迭代次数，则将最后一次迭代得到的替代分布的均值作为发送信号的检测值。

优选的，所述近似后验联合概率分布的腔分布的初始均值为：

为完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量，L_NSA为Neumann迭代总次数；Σ_d＝diag(D^-1)；Λ为第二设定参数；D为块对角矩阵；

所述替代分布的均值为：

其中，表示第l次迭代时替代分布的均值向量η^(l)中第i个维度的元素，表示第l次迭代时腔分布的均值t^(l)中第i个维度的元素，Θ表示星座图的符号集合，Θ_a表示星座图中的第a个符号，Na表示星座图中的符号数量，argmin表示使取最小值时的Θ_a值，第l次迭代时替代分布的均值向量

所述下一次迭代的腔分布的均值为：t^(l+1)＝β·t'^(l+1)+(1-β)·t^(l)；

其中：t'^(l+1)＝m^(l)./V+δ^(l)，m^(l)＝b-Aδ^(l)，δ^(l)＝E_norm×η^(l)；V＝diag(A)，为噪声方差，H为MIMO信道矩阵，y为接收信号，γ为第一设定参数；β为加权系数；E_norm为能量归一化因子。

实施例2：

如图5所示，本发明中公开了一种大规模MIMO检测方法，具体过程如下：

Step1：输入已知量：接收信号y，MIMO信道矩阵H，噪声方差最大迭代次数L_EP，Neumann迭代次数L_NSA，加权系数β，能量归一化因子E_norm，该能量归一化因子E_norm可根据调制阶数确定，例如16-QAM调制时，

初始化Λ＝I_M，γ＝0，V＝diag(A)，V是矩阵A的主对角线元素构成的向量。

Step2：计算∑_d＝diag(D^-1)；

其中，∑_d表示矩阵D的逆矩阵的主对角线元素构成的向量，D为矩阵W的块对角矩阵，包含M/m_UE个分块子矩阵，其中分块子矩阵的尺寸由发送端每个用户的天线个数m_UE决定，即分块子矩阵大小为m_UE×m_UE。块对角矩阵D的提取方法为：根据m_UE，沿着矩阵W的主对角线方向，提取出M/m_UE个大小均为m_UE×m_UE的分块子矩阵；由这些分块子矩阵沿着主对角线组成的、其余元素为0的矩阵即为块对角矩阵D。图4具体举例说明了，在发射端天线数M＝8，且每个用户端天线数m_UE＝2的条件下，块对角矩阵D分块的方式，其数学表达为如下形式：

其中，D_(1，1)、D_(1，2)、D_(1，3)、D_(1，4)均为大小为2×2的矩阵。

对矩阵D中的每一个分块子矩阵通过Cholesky求逆算法进行精确求逆计算，从而最大程度保留MIMO信道信息。在得到逆矩阵和之后，根据分块矩阵的性质，可以得到D的逆矩阵如下形式：

Step3:计算以下Neumann迭代得到均值向量

μ^(k)＝Ψμ^(k-1)+μ⁽¹⁾；k＝2,3,…,L_NSA

其中，μ^(k)表示所述发送信号的近似后验联合概率分布的均值向量μ在第k次Neumann迭代中的值，Ψ＝-D^-1E，E＝W-D，为完成Neumann迭代后的所述发送信号的近似后验联合概率分布的均值向量。

Step4:令当前迭代次数l＝1，初始化发送信号的近似后验联合概率分布q(x)的腔分布的初始均值t⁽¹⁾，即计算：

其中，t⁽¹⁾表示腔分布的初始均值，第i个信号维度上的腔边缘分布的初始均值为其中，为向量的第i个信号维度上的元素，Σ_di为向量Σ_d的第i个信号维度上的元素，diag(Λ)是矩阵Λ的主对角线元素构成的向量，Λ_i为向量diag(Λ)的第i个信号维度上的元素。本步骤中，与传统EPA算法相比，不需要计算腔分布的方差。

Step5:在当前第l次迭代中，利用腔分布中的每个腔边缘分布的均值计算每个信号维度上替代分布的均值

其中，Θ_a表示星座图中的符号的值，Na表示星座图中的符号的数量，argmin表示使取最小值时的Θ_a值，即取与距离最近的星座图的符号的值；均值向量

Step6:计算中间参数，m^(l)＝b-Aδ^(l)，其中，δ^(l)＝E_norm×η^(l)。

Step7:计算t'^(l+1)：

t'^(l+1)＝m^(l)./V+δ^(l)

其中，第i个信号维度上的腔边缘分布的均值为其中为向量m^(l)的第i个信号维度上的元素，V_i为向量V的第i个信号维度上的元素，为向量δ^(l)的第i个信号维度上的元素。

Step8:更新第l+1次迭代时，腔分布的均值t^(l+1)：

t^(l+1)＝β·t'^(l+1)+(1-β)·t^(l)

其中，β为加权系数，β∈[0，1]。

Step9:判断是否完成迭代，即l+1是否大于最大迭代次数L_EP，若l+1没有大于最大迭代次数L_EP，则将l+1作为新的l值，重复Step5-Step9；若l+1大于最大迭代次数L_EP，则输出均值向量η^(l)作为发送信号的检测值。

本发明以16-QAM调制方式为例，在MATLAB平台上搭建一个MIMO传输系统，比较本发明所述检测方法在不同的天线配置下与MMSE、EP、EPA等检测算法的性能差异。

如表1所示为本发明实施例中的BD-NSA-EPA算法和其他检测算法的计算复杂度数学表达式：

表1 BD-NSA-EPA算法和其他检测算法的计算复杂度数学表达式的表

从表1中可以得到，由于m_UE＜＜M，本发明所述方法即BD-NSA-EPA算法的计算复杂度远小于的量级。

下面根据附图6-附图11来具体说明：

如图6所示，在发射端与接收端天线配置为128×16、m_UE＝4，且发射端天线相关系数ζ_t＝0.2、接收端天线相关系数ζ_r＝0时，本发明提出的BD-NSA-EPA算法与MMSE、EP、EPA、EP-NSA算法都能实现较好的检测性能。具体地，如图9所示，以EP算法作为基准，EPA算法在误码率(BER)＝10^-3时信噪比(SNR)损失大约为0dB；MMSE算法在BER＝10^-3时SNR损失大约为1.1dB，计算复杂度约为EPA算法的50％；EP-NSA算法(L_NSA＝3，L_EP＝3)在BER＝10^-3时SNR损失大约为1.5dB，计算复杂度达到了EPA算法的接近2倍；EP-NSA算法(L_NSA＝5，L_EP＝3)在BER＝10^-3时SNR损失大约为0.4dB，计算复杂度却达到了EPA算法的接近8倍；本发明所提出的BD-NSA-EPA算法(L_NSA＝3，L_EP＝3)在BER＝10^-3时的SNR损失大约为0.1dB，计算复杂度约为EPA算法的80％；本发明所提出的BD-NSA-EPA算法(L_NSA＝5，L_EP＝3)在BER＝10^-3时的SNR损失大约为0dB，与EPA检测接近，但计算复杂度仅为EPA算法的90％。综合SNR损失与计算复杂度，说明了本发明提出的BD-NSA-EPA算法能够以更低的计算代价实现接近于EPA算法的检测性能。

如图7所示，在发射端与接收端天线配置为128×32、m_UE＝4，且发射端天线相关系数ζ_t＝0.4、接收端天线相关系数ζ_r＝0.2时，传统的EP-NSA算法已经不能够收敛。具体地，如图10所示，以EP算法作为基准，EPA算法在BER＝10^-2时SNR损失大约为0.2dB；MMSE算法在BER＝10^-2时SNR损失大约为1.5dB，计算复杂度约为EPA算法的67％；相比之下，本发明所提出的BD-NSA-EPA算法(L_NSA＝3,L_EP＝3)在BER＝10^-2时的SNR损失大约为1.3dB，计算复杂度大约为EPA算法的40％；本发明所提出的BD-NSA-EPA算法(L_NSA＝8，L_EP＝3)在BER＝10^-2时的SNR损失大约为0.2dB，与EPA算法接近，但计算复杂度仅为EPA算法的45％。综合SNR损失与计算复杂度，说明了本发明提出的BD-NSA-EPA算法能够以更低的计算代价实现接近于EPA算法的检测性能。

如图8所示，在发射端与接收端天线配置为128×32、m_UE＝4，且发射端天线相关系数ζ_t＝0.6、接收端天线相关系数ζ_r＝0.5时，传统的EP-NSA已经不能够收敛。具体地，如图11所示，以EP算法作为基准，EPA算法在BER＝10^-2时SNR损失大约为0.8dB；MMSE算法在BER＝10^-2时SNR损失继续增大，大约达到2.5dB，计算复杂度约为EPA算法的67％；相比之下，本发明所提出的BD-NSA-EPA算法(L_NSA＝8,L_EP＝3)在BER＝10^-2时的SNR大约仅为0.8dB，与EPA算法接近，而计算复杂度仅为EPA的45％。综合SNR损失与计算复杂度，说明了本发明提出的BD-NSA-EPA算法能够以更低的计算代价实现接近于EPA算法的检测性能。

如图6、图7和图8所示，信道的相关性逐渐增大，传统的EP-NSA算法随着信道相关性的增加，其性能衰减很明显；而本发明提出的BD-NSA-EPA算法能始终维持接近于EPA算法的性能，但是复杂度又比EPA算法低很多。

实施例3：

本发明还公开了一种大规模MIMO检测装置，如图12所示，包括：

获取模块，用于获取接收信号、MIMO信道矩阵和噪声方差；

Neumann迭代模块，用于根据接收信号、MIMO信道矩阵和噪声方差计算EPA算法中需要进行矩阵求逆的初始化参数矩阵，将所述初始化参数矩阵分解为块对角矩阵和非块对角矩阵；根据所述块对角矩阵和非块对角矩阵，基于Neumann迭代方法得到完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量；

检测值迭代计算模块，用于根据完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量计算近似后验联合概率分布的腔分布的初始均值，根据腔分布的初始均值计算替代分布的均值，根据替代分布的均值更新腔分布的均值，迭代计算替代分布的均值，将达到最大迭代次数的替代分布的均值作为发送信号的检测值。

进一步的，发送信号的近似后验联合概率分布的均值向量μ在第k次Neumann迭代中的值为：

μ^(k)＝Ψμ^(k-1)+D^-1b,k＝2,3,…

其中，Ψ＝-D^-1E；D为块对角矩阵，E为非块对角矩阵，为噪声方差，H为MIMO信道矩阵，y为接收信号，γ为第一设定参数。

进一步的，将所述初始化参数矩阵分解为块对角矩阵和非块对角矩阵，沿着所述初始化参数矩阵的主对角线方向，依次提取出若干个分块子矩阵，分块子矩阵依次沿着主对角线组成的、其余元素为0的矩阵为块对角矩阵，所述初始化参数矩阵减去块对角矩阵得到非块对角矩阵。

进一步的，所述分块子矩阵具有m个，大小均为m_UE×m_UE，其中，m为发送端的用户数量，m_UE为每个用户配备的天线数量。

进一步的，所述根据完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量计算近似后验联合概率分布的腔分布的初始均值，根据腔分布的初始均值计算替代分布的均值，根据替代分布的均值更新腔分布的均值，迭代计算替代分布的均值，将达到最大迭代次数的替代分布的均值作为发送信号的检测值，包括：

根据完成Neumann迭代后的发送信号的近似后验联合概率分布的均值向量、块对角矩阵计算近似后验联合概率分布的腔分布的初始均值；

根据腔分布的初始均值和星座图中的符号集合计算当前迭代中的替代分布的均值；

根据噪声方差、MIMO信道矩阵、接收信号、当前迭代中的替代分布的均值、能量归一化因子和加权系数更新用于下一次迭代的腔分布的均值；

若达到最大迭代次数，则将最后一次迭代得到的替代分布的均值作为发送信号的检测值。

进一步的，所述近似后验联合概率分布的腔分布的初始均值为：

为完成Neumann迭代后的所述发送信号的近似后验联合概率分布的均值向量，L_NSA为Neumann迭代次数；Σ_d＝diag(D^-1)；Λ为第二设定参数；D为块对角矩阵；

所述替代分布的均值为：

其中，表示第l次迭代时替代分布的均值向量η^(l)中第i个维度的元素，表示第l次迭代时腔分布的均值t^(l)中第i个维度的元素，Θ表示星座图的符号集合，Θ_a表示星座图中的第a个符号，Na表示星座图中的符号数量，argmin表示使取最小值时的Θ_a值，第l次迭代时替代分布的均值向量

所述下一次迭代的腔分布的均值为：t^(l+1)＝β·t'^(l+1)+(1-β)·t^(l)；

其中：t'^(l+1)＝m^(l)./V+δ^(l)，m^(l)＝b-Aδ^(l)，δ^(l)＝E_norm×η^(l)；V＝diag(A)，为噪声方差，H为MIMO信道矩阵，y为接收信号，γ为第一设定参数；β为加权系数；E_norm为能量归一化因子。

实施例4：

本发明还公开了一种大规模MIMO检测设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述的任意一项所述大规模MIMO检测方法。

一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行前述的任意一项所述大规模MIMO检测方法。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。