具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

在介绍改进算法之前首先介绍本文基础的LTS算法以及CC结构的原理。

设信道矩阵为H，对H进行QR分解，H＝QR，其中Q为酉矩阵，R为上三角矩阵。那么利用最大似然检测(ML)算法计算的对原始发送信号的估计值等效为：

式中由于R为上三角矩阵所以上层信号会受到下层信号的干扰，因此LTS算法将从没有任何层干扰的第Nt层开始执行，然后对仅有第Nt层干扰的第Nt-1层进行检测，然后依次执行直至算法检测所有层的子向量。

下文中表示采用线性检测算法的量化值，表示检测出的解向量，表示解向量的第i个元素，d_min代表星座中两符号间最短的欧氏距离，r_ij表示上三角矩阵R第i行j列的元素，LTS具体算法流程图如2所示：

1.首先对第k层数据执行干扰消除操作，即消除第k+1到Nt层的检测符号对其造成的干扰：

2.r_k的量化值记为a_q，a_q∈A，如果|r_k-a_q|＜δd_min，0＜δ＜0.5，那么第k层跳过RTS算法且并令k＝k-1；如果|r_k-a_q|≥δd_min，则且对该层执行初始解向量为信道矩阵为以及该层等效接收向量为的RTS算法，其中

更新该层输出解向量并令k＝k-1。更新的子向量会作为下一层搜索算法的初始解向量。

3.如果k＝1，则将作为最终的解向量输出，否则令k＝k-1返回步骤1继续执行。

4.当k＝1时得到的解向量作为算法的最终输出向量。

对LTS算法中需要执行RTS算法的层，其初始解由MMSE线性算法获得，MMSE线性检测器的输出如下：

其中为MMSE检测的软输出值，x为的量化值，即与最临近的星座点，为等效噪声。经MMSE滤波后仍然服从正态分布，因此，服从正态分布会使得分布在x临近区域的概率远大于分布在远离x点区域的概率。因此检测信号的软输出值和其最近的星座点之间距离(d)便可以作为可靠性的度量标准。

当发射信号经过二进制相移键控(Binary Phase Shift Keying，BPSK)调制时，其接收信号分布大致如图3所示，初始发射信号为±μ且μ的取值为1。公式(4)中x的取值将为±μ，则是对发射信号的偏移。当偏移足够大使检测信号落入发射信号分布的交叠区域会影响检测算法量化值的正确性从而导致算法检测性能的下降。由BPSK调制信号的分布概率分析可知，在x＝0附近两个初始信号分布出现交叠现象说明检测信号被误判的概率最大。所以可以在[-μ,μ]间设置一个用d_th定义的不可靠区域，其中d_th的取值可以通过优化方法获得也可以是预先设定的定值。经过线性滤波器检测的信号值会落入下面几个区域：

或虽然离初始信号较远，但BPSK调制只有两个初始信号，此时该信号被正确检测的概率较大，所以该区域称为可靠区域。

或经过滤波后的估计信号落入最靠近初始信号的区域，此时该信号被正确检测的概率较大，所以该区域称为可靠区域。

的初始信号可能会交错落入另一个取值的区间内部，使得信号判决错误的概率较大，所以该区域称为不可靠区域。

当信号采用4QAM调制时其经过线性滤波后的信号分布也会在远离初始信号的区域出现交叠现象，所以信号在4QAM调制方式下也可以采用BPSK调制类似的方式来判断检测信号的可靠性。且经过线性滤波的检测信号在16QAM和64QAM调制模式下与在低阶调制模式下有着相似的分布特性，依旧表现为检测信号集中分布在初始信号的星座点附近，且远离初始信号星座点的区域出现交叠现象，所以16QAM和64QAM定义不可靠区域可以参考BPSK调制的方式：以星座点为中心半径大于阈值d_th的区域为不可靠区域。具体表现为图4和图5，图中参数d_th表示CC结构的检测半径用以约束阴影区域，d表示检测信号与最近的星座点之间的距离。d_th的取值可以通过优化方法获得，也可以是预先设定的定值，本文将d_th设为能平衡复杂度与误码率性能的定值。

在LTS算法中，复杂度最高的部分为所有执行RTS算法所需复杂度的总和，对于RTS邻域搜索算法中，计算复杂度最高的部分为计算邻域空间内所有邻居向量ML代价函数所需的运算量。即邻域空间的大小影响了LTS算法的检测复杂度。所以受SIC算法随检测层数的增加每个阶段将删除更多的信号成分从而使剩余信号具有更少干扰的启发，将SIC算法与CC结构结合来降低LTS算法的复杂度。据此本发明提出了一种低复杂度的基于星座约束干扰消除的LTS(CC-SIC-LTS)信号检测方法，本发明CC-SIC-LTS算法需要执行RTS算法的层的伪代码如表1所示。

如图1所示，本发明一种基于星座约束干扰消除的LTS信号检测方法，包括：

步骤1、LTS算法初始化：

算法的初始化部分，同时考虑初始解向量的量化值以及其相对应的软输出，这是由于量化值和软输出之间的欧氏距离是CC结构判断信号可靠性的依据。

步骤2、将LTS算法中需要执行RTS算法的层，引入用于信号可靠性判断的CC结构，进行可靠性判断；

在CC结构部分使用sit向量表示信号可靠性结果，sit_(i)＝0表示该信号可靠，sit_(i)＝¹表示该信号不可靠。

步骤3、将可靠性判断的结果结合SIC算法，实现基于星座约束干扰消除的LTS信号检测。

在CC-SIC算法部分，将信号sit_(i)＝0对应的可靠信号、信道的列向量分量以及接收信号中关于可靠信号的信息进行消除。仅将初始解向量中剩余不可靠信号执行RTS算法。

实施例中，所述步骤1具体包括：

步骤1.1：根据MMSE线性检测算法计算发送信号的软输出值

步骤1.2：计算与软输出最临近的星座点，作为MMSE的量化估计值

步骤1.3：获取量化值对应的邻居向量x_stemp；

步骤1.4：设置算法的迭代次数；

步骤1.5：利用QR算法计算当前邻居向量x_stemp中的最优邻居作为搜索的初始解。

实施例中，所述步骤2具体为：根据CC结构判断MMSE软输出中每个元素的可靠性，如果不可靠，变量sit_(i)设为1；如果可靠，变量sit_(i)设为0。

实施例中，所述步骤3具体包括：

步骤3.1：利用SIC算法消除解向量中被判断为可靠的MMSE检测结果，仅保留解向量中的不可靠估计；

步骤3.2：利用LTS算法计算不可靠估计的最佳检测结果

实施例中，所述步骤3.1具体为：挑选出MMSE算法检测结果中的不可靠估计值，如果MMSE软输出中的第i个元素被判定为可靠，即sit_(i)为0，将该元素从MMSE检测的量化估计值中删除，并将上三角阵中的第i行去掉得到新的上三角阵然后从接收信号中消除该可靠信号产生的干扰。

实施例中，所述步骤3.2具体包括：

步骤3.2.1：将迭代计数变量i的初始值设为1；

步骤3.2.2：将简化邻域空间L的初始值设为空矩阵；

步骤3.2.3：经过步骤3.2.1-步骤3.2.2处理，更新后的解向量只包含不可靠估计的量化值，对更新后的中每个元素进行如下处理：

首先找出中第k个不可靠估计值的邻居符号c，然后将添加c到的所有邻居符号矩阵L中，从而构成的简化邻域空间；

步骤3.2.4：对简化邻域空间L执行iter次传统RTS算法，得到最终优化的检测结果

实施例：

本发明CC-SIC-LTS算法伪代码如表1所示：

表1本发明CC-SIC-LTS算法伪代码

表1列出了本发明CC-SIC-LTS算法的伪代码：

第1行至第5行完成初始化；

第6行至第13行根据CC结构判定MMSE检测结果的可靠性；

第14行至第20行利用SIC算法消除解向量中被判断为可靠的MMSE检测结果，仅保留解向量中的不可靠估计；

第21行至第30行利用LTS算法计算不可靠估计的最佳检测结果

具体解释如下：

第1行：首先根据MMSE线性检测算法计算发送信号的软输出值

第2行：然后计算与软输出最临近的星座点，作为MMSE的量化估计值

第3行：获取量化值对应的邻居向量x_stemp；

第4行：设置算法的迭代次数；

第5行：利用QR算法计算当前邻居向量x_stemp中的最优邻居作为搜索的初始解；

第6行～第13行：根据CC结构判断MMSE软输出中每个元素的可靠性。如果不可靠，变量sit_(i)设为1(第8行和第9行)；如果可靠，变量sit_(i)设为0(第10行和第11行)；

第14行～第20行：挑选出MMSE算法检测结果中的不可靠估计值。如果MMSE软输出中的第i个元素被判定为可靠(第15行)，即sit_(i)为0，将该元素从MMSE检测的量化估计值中删除(第16行)，并将上三角阵中的第i行去掉得到新的上三角阵(第17行)，然后从接收信号中消除该可靠信号产生的干扰(第18行)。

第21行：将迭代计数变量i的初始值设为1；

第22行：将简化邻域空间L的初始值设为空矩阵；

第23行～第26行：经过上述处理，更新后的解向量只包含不可靠估计的量化值，第23行至第26行对更新后的中每个元素进行如下处理：首先找出中第k个不可靠估计值的邻居符号c(第24行)，然后将添加c到的所有邻居符号矩阵L中，从而构成的简化邻域空间(第25行)。

第27行～第30行：对简化邻域空间L执行iter次传统RTS算法，得到最终优化的检测结果

为了检测本发明CC-SIC-LTS算法的性能，发明利用MATLAB仿真软件搭建天线数分别为8×8,16×16,32×32,64×64的四个MIMO系统，信号调制方式为16QAM和64QAM，传输信道H服从瑞利分布。

图6和图7仿真了16QAM和64QAM调制模式下，算法性能与CC结构阈值的关系，从图6可知，阈值小于0.1时本发明CC-SIC-LTS算法的误码率与传统LTS算法性能相当，当阈值大于0.1后会本发明CC-SIC-LTS算法检测性能将随着阈值的增大而逐渐高于传统LTS算法，可见阈值会影响算法的性能。这是由于随着阈值的增大会使得被判定为可靠信号的比例增大导致简化的邻域空间中含有的向量变少，所以阈值选取越大算法复杂度越低。结合算法性能和复杂度的分析将在后续信号采用16QAM调制方式的仿真中将阈值设定为0.1。同理将信号采用64QAM时将算法阈值选定为0.04。

图8和图9分别仿真了在收发天线系统模型为8×8,16×16,32×32,64×64中，信号采用16QAM调制模式下阈值设定为0.1时与信号采用64QAM调制模式下阈值设定为0.04时本发明CC-SIC-LTS算法与传统LTS，MMSE以及SISO AWGN算法的检测性能效果。仿真结果表明无论信号采用16QAM调制还是64QAM调制，本发明CC-SIC-LTS算法的检测性能都远优于MMSE线性检测算法且其检测性能接近于传统LTS算法。

从算法复杂度上分析：

搜索算法的复杂度很难用数学公式来定义，只能通过仿真给出平均每比特符号的复杂度。对RTS算法来说，计算复杂度最高的部分为计算ML代价函数值，所以文中RTS算法的计算复杂度将只考虑ML代价函数值所涉及的矩阵运算。对LTS算法来说，计算复杂度最高的部分是多次执行的RTS算法的计算复杂度之和，简而言之本实施例分析的LTS算法计算复杂度仅为执行RTS算法层的矩阵间运算涉及的乘法和加法次数，如表2所示。

表2算法复杂度

表中N＝Nt＝Nr表示接收发射天线数目，iter表示算法的迭代次数，K表示邻居数量，n_i表示LTS算法中需要执行RTS算法层的发射端天线数目其取值来源于n_i∈{1,2,...,Nt}，但并不代表每层都需要执行RTS算法，具体需要执行的层给定条件获得，q表示执行RTS算法时子向量中被判定为不可靠信号的占比其取值为q∈[0,1]。

为了更加直观地观察算法复杂度，图10给出了天线系统模型为8×8_,16×16_,32×32_,64×64下信号采用16QAM调制模式且阈值设定为0.1，图11对比了信号采用64QAM调制且阈值设定为0.04时，本发明CC-SIC-LTS算法和LTS算法需要执行RTS算法的层所需要的每符号平均运算次数对比。说明改进的本发明CC-SIC-LTS算法通过仅对不可靠信号执行RTS算法能够有效地降低传统LTS算法的检测复杂度。

综上仿真可知，本文提出的本发明CC-SIC-LTS算法能够保证在不损失LTS算法性能的同时，有效地降低传统LTS算法的计算复杂度。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。