基于星座点排序和动态树搜索的信号接收方法
阅读说明：本技术 基于星座点排序和动态树搜索的信号接收方法 (Signal receiving method based on constellation point sequencing and dynamic tree search ) 是由 方舒 张邵芳 谢俊 朱鹏飞 于 2021-09-03 设计创作，主要内容包括：本发明属于无线通信技术领域,具体涉及一种基于星座点排序和动态树搜索的信号接收方法。本发明的方法关键在于对星座点进行预排序,避免计算欧氏距离所产生的计算复杂度。并且再QRM-MLD搜索结束后重新进行动态树搜索,对丢弃的星座点进行二次搜索,提高信号恢复的正确性。本发明的有益效果为,在满足系统性能的情况下能有效降低计算复杂度。(The invention belongs to the technical field of wireless communication, and particularly relates to a signal receiving method based on constellation point sequencing and dynamic tree search. The key point of the method is to pre-sequence the constellation points, and avoid the calculation complexity generated by calculating the Euclidean distance. And after the QRM-MLD search is finished, the dynamic tree search is carried out again, the discarded constellation points are searched for the second time, and the accuracy of signal recovery is improved. The method has the beneficial effect that the calculation complexity can be effectively reduced under the condition of meeting the system performance.)
技术领域
本发明属于无线通信技术领域，具体涉及一种基于星座点排序和动态树搜索的信号接收方法。
背景技术
在大规模MIMO中，随着天线数量的大量增加，系统容量也呈线性增长。为了满足高速通信的需求，MIMO系统充分利用空间资源，多径效应和频率选择性会给符号间带来严重干扰，信号检测算法的好坏会直接影响系统的性能。并且信号检测的计算复杂度随天线数量呈指数型增长，从而引入能够准确恢复出发送信号的低复杂度且高效率的检测算法是MIMO技术的关键。
目前最大似然(Maximum likehood Detection，MLD)接收机已被广泛研究，相比线性接收机，它获得更好的性能。但由于它需要对所有可能发送信号逐一检测，复杂度太高在工程上难以接受。针对MLD算法复杂度极高的挑战，基于QR分解的最大似然接收机(QRM-MLD)算法以远低于MLD接收机的复杂度获得了接近MLD的性能，并且在工程上更容易实现。QRM-MLD算法在接收端对信道进行QR分解，将信道矩阵转化为三角矩阵，在搜索检测时可以逐层搜索，确保有用信号不受其他干扰信号的影响。首先从末尾信号开始逐层搜索，其次再联合已搜索信号的候选集去搜索下一个信号的候选集。传统的QRM-MLD算法结合QR分解和M算法降低了传统MLD的算法检测复杂度，但要使得QRM-MLD的算法逐渐逼近与传统MLD，那么M的取值要逐渐增加，那么随着层数和调制方式的提高，QRM-MLD的计算复杂度也会大大增加。
要想使得QRM-MLD算法性能逐渐逼近MLD算法，那么M也要尽可能逼近C，因此就出现了系统性能与计算复杂度如何折衷的问题。
发明内容
本发明针对上述计算复杂度与系统性能如何折衷的问题，并基于传统的QRM-MLD算法，提出一种基于星座点预排序与动态树搜索相结合的信号接收方法，该方法利用一定存储空间，能够有效降低计算复杂度，并且通过动态树搜索算法获得接近MLD算法的系统性能。
本发明采用的技术方案如下，其关键在于对星座点进行预排序，避免计算欧氏距离所产生的计算复杂度。并且再QRM-MLD搜索结束后重新进行动态树搜索，对丢弃的星座点进行二次搜索，提高信号恢复的正确性。
星座点预排序具体方案如下,假设收发天线数为2，调制方式为16QAM，其中M是候选星座点集的个数，M＝8，每个星座点由固定的实部和虚部构成，发射端发送的信号表示为如下形式：
其中x1、x2分别表示两个发送符号，在接收端接收到的信号表示为如下形式：
其中y1、y2分别表示两个接收符号，在接收端对信道矩阵H进行QR分解后，信号矩阵H转化为上三角矩阵，那么MLD度量即表示为如下形式：
其中r11表示R矩阵中第一行第一列的元素，r12表示R矩阵中第一行第二列的元素，r22表示R矩阵中第二行第二列的元素，ym1、ym2分别表示进行QR分解后的接收符号，那么对x2进行检测时不受其他干扰信号的影响，首先对x2进行预估计，即：
其中xp2表示预估计点，传统QRM-MLD需要计算预估计点和每个星座点之间的欧氏距离，复杂度较高，而该算法只需计算预估计点和每个星座点实部和虚部的差值进行排序即可。具体过程如下，计算预估计点和每个星座点实部的差值：
diff_rk＝|r-rk|,k＝1,2,...,16 (5)
其中rk表示第k个星座点的实部数值，diff_rk表示第k个星座点的实部与预估计点实部的差值绝对值。由于调制方式为16QAM，即信号具有16个样点，每4位二进制数表示一个样点，因此星座点实部的值为4种，即diff_rk有4个值，对其从小到大进行排序，按照序号依次给星座点的实部排序。
同理，计算预估计点和每个星座点虚部的差值：
diff_ik＝|i-ik|,k＝1,2,...,16 (6)
其中ik表示第k个星座点的虚部数值，diff_ik表示第k个星座点的虚部与预估计点虚部的差值绝对值。同理，星座点虚部的值为4种，即diff_ik有4个值，对其从小到大进行排序，按照序号依次给星座点的虚部排序；
根据星座点实部和虚部的排序值对星座点进行坐标表示：(a,b)，其中a表示星座点实部排序值，b表示星座点虚部排序值。
在算法进行前预先保存排序列表，该列表是根据每个星座点的坐标排序值来确定每个星座点与预估计点的距离排序值。具体排序操作为如下规则：星座点坐标：(1,1),则对应星座点排序值：1；星座点坐标：(1,2),则对应星座点排序值：2；星座点坐标：(2,1),则对应星座点排序值：3；星座点坐标：(2,2),则对应星座点排序值：4；星座点坐标：(3,1),则对应星座点排序值：5；星座点坐标：(1,3),则对应星座点排序值：6；星座点坐标：(3,2),则对应星座点排序值：7；星座点坐标：(2,3),则对应星座点排序值：8；星座点坐标：(3,3),则对应星座点排序值：9；星座点坐标：(1,4),则对应星座点排序值：10；星座点坐标：(4,1),则对应星座点排序值：11；星座点坐标：(2,4),则对应星座点排序值：12；星座点坐标：(4,2),则对应星座点排序值：13；星座点坐标：(3,4),则对应星座点排序值：14；星座点坐标：(4,3),则对应星座点排序值：15；星座点坐标：(4,4),则对应星座点排序值：16，最终得到所有星座点的排序，再从中选出M个距离最小的候选向量集。
动态树搜索具体方案如下，发射端配置如上述所示，利用星座点预排序方案得到x2的候选星座点集：
x2_candidate＝{c1,c2,...,cM} (7)
根据候选星座点集可知，被丢弃的非候选星座点为16-M：
x2_discarded＝{cM+1,cM+2,...,c16} (8)
利用已知候选星座点集计算LLR可以近似为：
其中σ2表示噪声的功率，当候选向量集数量很小时，MLD解很有可能会被提前丢弃，因此，再利用非候选向量集重新计算度量值以及如果利用非候选向量集计算的度量值小于候选向量集计算的最小度量值，则更新最小度量值，利用更新过的最小度量值重新计算LLR软信息。
本发明的有益效果为:在满足系统性能的情况下能有效降低计算复杂度。
附图说明
图1为M＝4时本发明方法与传统方法的仿真对比示意图，(a)为吞吐量仿真图，(b)为吞吐率仿真图；
图2为M＝16时本发明方法与传统方法的仿真对比示意图，(a)为吞吐量仿真图，(b)为吞吐率仿真图。
具体实施方式
在发明内容部分已经对本发明的技术方案进行了详细描述，下面结合附图和仿真示例说明本发明的实用性。
本发明中以每个发射矢量的实数乘法次数作为衡量复杂度的参数，比较传统QRM-MLD算法和星座点预排序的QRM-MLD算法复杂度差异。
对于传统QRM-MLD算法，根据式(1-2)可知，每层权值计算公式可表示为：
对星座图中的任一星座点，都要计算上述公式，则：计算ri,ixi需要2次实乘；计算需要4×(Nt-i)次实乘；计算复数平方需要2次实乘。因此每层权值计算共需要的实乘次数表示为：
num_i＝4×(Nt-i)+4 (12)
对于每一层的si×2bps个节点都需要进行实乘，最终传统QRM-MLD算法的实乘次数表示为：
其中si表示上层计算幸存候选星座点集的个数，2bps表示全部星座点的个数，其中bps表示QAM正交幅度调制的进制数。
对于星座点预排序的QRM-MLD算法，根据式(1-2)可知，星座点预排序每层权值计算公式还可表示为式(1-15)，但只需计算中心节点即可：
遍历所有星座点计算中心节点，则需解上述方程：计算ri,ixi需要2次实乘；计算需要4×(Nt-i)次实乘；不需计算复数平方。因此每层权值计算共需要的实乘次数表示为：
num_i1＝4×(Nt-i)+2 (15)
得到中心节点后，需计算所有星座点横纵坐标距离中心节点的位置，即计算|(x-xi)r|、|(x-xi)i|，对星座点进行坐标表示，此过程需要的实乘次数为：
num_i2＝2×bps (16)
其中bps表示QAM正交幅度调制的进制数，所有星座点的横纵坐标个数由QAM进制数决定。对于每一层，只需计算si个幸存候选星座点的实乘即可，最终星座点预排序的QRM-MLD算法实乘次数为：
对比式(13)与式(17)可知，星座点预排序算法的复杂度比传统QRM-MLD算法下降显著。随发射天线数的逐渐增加，星座点预排序算法的复杂度显著下降，而传统QRM-MLD算法复杂度呈指数型上升，因此在大规模天线数量下，星座点预排序算法优势明显。
本发明通过预先存储的排序表格简化每层权值的计算，从而达到降低计算复杂度的目的，当发射天线数逐渐增加时，该算法复杂度下降得更为明显。从如图1的仿真结果可以看出，当设置M＝4时，传统QRM-MLD算法性能较MLD算法吞吐量有较大下降，这是由于动态树搜索算法找到可能被丢弃的解，并且通过星座点预排序降低了传统QRM-MLD算法的复杂度，使得本发明算法很好的平衡性能与复杂度；根据图2可知，当设置M＝8时，本发明算法与传统QRM-MLD算法性能差异不大，这是由于随着M的逐渐增大，传统QRM-MLD算法性能逐渐向MLD算法逼近，从仿真结果来看，本发明算法性能要优于传统QRM-MLD算法。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：安全访问数据的方法及电子设备