一種用於無線通信系統的高並行和低複雜度均衡算法的製作方法

2024-04-14 13:35:05

1.本發明涉及但不限於無線通信技術領域，尤指一種用於無線通信系統的高並行和低複雜度均衡算法。


背景技術：

2.信息通信技術、媒體、金融和保險等行業在當前的數位化轉型過程中居於領導地位。支持數位化的關鍵技術包括軟體定義設備、大數據、區塊鏈、網絡安全、虛擬實境(vr)和增強現實(ar)等。在人們日常生活中有越來越多的複雜應用出現，這對於無線通信來說也提出了更高的挑戰。
3.多輸入多輸出(multiple-input multiple-output，簡稱為：mimo)技術作為移動通信的關鍵技術，由於其具有高網絡容量、低延遲和高魯棒性等特點，越來越受到人們的關注。在大規模mimo系統中，天線數量增加，計算複雜度也將急劇增加。大規模mimo系統由於急劇增長的天線數會帶來非常複雜及大量的運算，這對基帶處理算法和電路實現都是一個非常高的挑戰。因此，提出了對能夠實際應用的大規模mimo均衡算法的技術需求。
4.現有mimo系統均衡算法基於傳統梯度搜索進行，然而，上述現有mimo系統均衡算法在硬體實現上仍然面臨以下局限性：第一，傳統的梯度搜索方法並行性低；第二，傳統的梯度搜索方法需要進行多次搜索，硬體實現代價高。


技術實現要素：

5.本發明的目的：本發明實施例提供了一種用於無線通信系統的高並行和低複雜度均衡算法，以現有mimo系統均衡算法由於基於傳統梯度搜索進行，從而導致該算法具有並行性低、且硬體實現代價高的問題。
6.本發明的技術方案：本發明實施例提供一種用於無線通信系統的高並行和低複雜度均衡算法，包括：根據多輸入輸出系統(mimo系統)的輸入輸出關係，採用高並行和低複雜度均衡算法執行對所述mimo系統中發送信號s的估計，所述發送信號s即為估計向量s，所述高並行和低複雜度均衡算法包括：
7.步驟1，設置估計向量s的迭代初值，包括：通過對mimo系統中接收向量y進行矩陣變化，並根據估計向量s中元素與接收向量y矩陣變化後向量中元素的象限關係，確定估計向量s的迭代初值s(0)；
8.步驟2，通過設計估計向量s的迭代策略，計算出迭代後的估計向量，包括：計算基本矩陣w，並設置迭代初值s(0)和迭代參數，通過多次迭代得到第t次迭代後的估計向量s(t)；
9.步驟3，通過設計星座點搜索方案，並根據第t次迭代後的估計向量s(t)，計算估計向量s的最終估計值。
10.可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，所述mimo系統的上行鏈路中，基站端的nr個接收天線同時與單天線的nt個用戶進行通信和數據
傳輸，所述mimo系統的輸入輸出關係式表示為：y＝hs+n；
11.其中，nr＞＞；
12.估計向量s表示nt個用戶的發送信號，估計向量s大小為nt
×
1；1；表示星座圖中的星座點數量；
13.接收向量y表示nr個基站天線接收到的信號，接收向量y大小為nr
×
1；
14.h代表瑞利衰落信道矩陣；
15.是加性高斯白噪聲；
16.所述用於無線通信系統的高並行和低複雜度均衡算法，用於實現對y＝hs+n中發送信號s的估計，即s為估計向量。
17.可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，所述步驟1中，
18.步驟11，採用對角佔優矩陣g＝hhh對接收向量y進行矩陣變化，通過矩陣變換得到的匹配濾波向量y
mf
＝hhy大小為nt
×
1；其中，h為信道矩陣；
19.步驟12，基於估計向量s的第k個元素與步驟11中得到的匹配濾波向量y
mf
＝hhy的k個元素位於同一象限中的特點，得到估計向量s的迭代初值s(0)第k個元素可以表示為：
[0020][0021]
步驟13，根據y
mf
第k個元素所在象限確定迭代初值s(0)的第k個元素。
[0022]
可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，所述步驟13中，
[0023]ymf
第k個元素所在象限分別為一、二、三、四象限時，估計向量s的迭代初值s(0)的第k個元素分別設置為別設置為
[0024]
可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，所述步驟2包括：
[0025]
步驟21，設定基本矩陣w，並對基本矩陣w進行計算；
[0026]
步驟22，設定迭代初值和初始參數為：s(-1)＝s(0)、c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(-1)＝q(0)＝wc(0)；
[0027]
步驟23，設置迭代次數t，進行迭代計算，得到第t次迭代後對最開始發送信號s的估計值s(t)。
[0028]
可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，
[0029]
所述步驟21中，根據mmse檢測算法設定作為中間計算矩陣的基本矩陣為：w＝hhh+n0e
s-1int
；
[0030]
其中，n0為噪聲方差，為傳輸信號功率，i為一個nt
×
nt的單位矩陣。
[0031]
可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，
[0032]
所述步驟22中，設定的迭代初值為：s(-1)＝s(0)；設定的初始參數包括：c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(-1)＝q(0)＝wc(0)；其中，s、c和q分別是nt
×
1的複數向量，α是一個參數；
[0033]
可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，
[0034]
所述步驟23中，每次迭代執行如下兩個計算：
[0035]
s(t+1)＝α(t)(s(t)+β(t)c(t))+(1-α(t))s(t-1)；
[0036]
c(t+1)＝α(t)(c(t)-β(t)q(t))+(1-α(t))c(t-1)；
[0037]
且每次迭代中，三個迭代參數為分別根據上一次迭代計算結果計算得到的：
[0038]
q(t)＝wc(t)；
[0039][0040][0041]
進行t次迭代後得到s(t)，所述s(t)表示進行完成t次迭代後，對最開始發送信號s的估計值。
[0042]
可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，所述步驟3包括：
[0043]
採用星座點搜索方案計算t次迭代後的估計向量s(t)與星座圖中所有其他星座點之間的距離，並根據t次迭代後的估計向量s(t)得到估計向量s的最終估計值。
[0044]
可選地，如上所述的用於無線通信系統的高並行和低複雜度均衡算法中，
[0045]
所述步驟3中，估計向量s的最終估計值的第k個元素表示為：
[0046]
s_k＝2《0.5(s(t)_k+1))-1；
[0047]
其中，《*》代表對*進行四捨五入操作。
[0048]
本發明的有益效果：根據大規模mimo系統的特點，本發明實施例提供了一種用於無線通信系統的高並行和低複雜度均衡算法，通過提出一種改進的高並行和低複雜度均衡算法來解決大規模mimo系統均衡算法中並行性低、複雜度高的問題。本發明實施例的技術方案中，根據大規模mimo系統的特點，通過並行迭代部分、基於象限的初值計算部分和星座點搜索部分，上述三個部分的具體計算方法都可以降低均衡算法的複雜度，提高算法精度。本發明實施例提供的技術方案，具體具備如下有益效果：
[0049]
(1)、降低計算的複雜度：採用本發明實施例提供的均衡算法，可以將均衡算法大量矩陣求逆的o(nt3)複雜度降低為o(nt2)。
[0050]
(2)、提高並行性：採用本發明實施例提供的均衡算法，可以避免傳統均衡算法的大量串行計算過程。通過循環迭代，估計信號(即估計向量s)中的每個元素可以一次性全部計算完成，大幅提升了並行性，有利於算法的硬體實現。
附圖說明
[0051]
附圖用來提供對本發明技術方案的進一步理解，並且構成說明書的一部分，與本技術的實施例一起用於解釋本發明的技術方案，並不構成對本發明技術方案的限制。
[0052]
圖1為本發明實施例提供的用於無線通信系統的高並行和低複雜度均衡算法所應用的mimo系統的模型示意圖；
[0053]
圖2為圖1所示實施例提供的mimo系統的信號收發的原理示意圖；
[0054]
圖3為本發明實施例提供的一種用於無線通信系統的高並行和低複雜度均衡算法的流程圖。
具體實施方式
[0055]
為使本發明的目的、技術方案和優點更加清楚明白，下文中將結合附圖對本發明的實施例進行詳細說明。需要說明的是，在不衝突的情況下，本技術中的實施例及實施例中的特徵可以相互任意組合。
[0056]
上述背景技術中已經說明，在大規模mimo系統中，隨著天線數量增加，計算複雜度也將急劇增加。大規模mimo系統由於急劇增長的天線數會帶來非常複雜及大量的運算，這對基帶處理算法和電路實現都是一個非常高的挑戰。因此，提出了對能夠實際應用的大規模mimo均衡算法的技術需求。
[0057]
然而，現有mimo系統均衡算法由於基於傳統梯度搜索進行，存在算法具有並行性低、且硬體實現代價高的缺點。因此，目前亟需尋找一種能夠實際應用的大規模mimo均衡算法，同時兼顧低複雜度和高並行度。
[0058]
為了解決上述現有mimo系統均衡算法並行性低、且硬體實現代價高的問題，本發明實施例通過提出一種改進的高並行均衡算法來解決大規模mimo均衡算法並行性低、複雜度高的問題，具體提出一種用於無線通信系統的高並行和低複雜度均衡算法。
[0059]
本發明提供以下幾個具體的實施例可以相互結合，對於相同或相似的概念或過程可能在某些實施例不再贅述。
[0060]
圖1為本發明實施例提供的一種用於無線通信系統的高並行和低複雜度均衡算法所應用的mimo系統的模型示意圖，圖2為圖1所示實施例提供的mimo系統的信號收發的原理示意圖。
[0061]
本發明實施例提供的用於無線通信系統的高並行和低複雜度均衡算法，主要包括如下三部分內容：基於象限的初值計算部分、並行迭代部分和星座點搜索部分。
[0062]
如圖1所示，在mimo系統上行鏈路中，基站端有nr個接收天線，這些接收天線同時與單天線的nt個用戶進行通信和數據傳輸，系統模型如圖1所示，通常需要滿足nr＞＞的條件。參照如圖2所示信號收發原理，該mimo系統中，通過信道編碼，nt個用戶的比特流信息並行編碼並將結果映射到星座圖上的點，最後生成nt個用戶發送的信號向量。
[0063]
向量s∈q，其中，向量s表示nt個用戶的發送信號，向量s大小為nt
×
1，其中表示星座圖上點的集合。以向量y表示nr個基站天線接收到的信號，向量y大小為nr
×
1。該mimo系統的輸入輸出關係如下公式(1)所示：
[0064]
y＝hs+n；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0065]
公式(1)是mimo系統中信號的基礎傳輸模型，發送信號是s，接收信號是y。本發明實施例提供的技術方案中要實現，在基站端的接收信號y知道後，如何估計發送信號s。上述公式(1)中，公式(1)中，h代表瑞利衰落信道矩陣，這個信道矩陣h中的每個元素都是服從均值為0，方差為1的獨立同分布；是加性高斯白噪聲，它的每個元素服從均值為0，方差為σ2的獨立同分布。本發明實施例提供的均衡算法的主要目的就是完成mimo系統中對於發送信號的估計，即估計公式(1)中的發送信號s。
[0066]
本發明實施例提供的用於無線通信系統的高並行和低複雜度均衡算法主要包括三部分內容：(1)設置迭代初值；(2)設計迭代策略；(3)設計星座點搜索方案。
[0067]
圖3為本發明實施例提供的一種用於無線通信系統的高並行和低複雜度均衡算法
的流程圖。如圖3所示，本發明實施例提供的用於無線通信系統的高並行和低複雜度均衡算法包括如下步驟：
[0068]
步驟一，設置迭代初值：
[0069]
通常來說迭代初值設置為零向量，原因是最終解的先驗信息不知道。需要注意的是，對於大規模mimo系統的上行鏈路，當nr＞＞時，信道矩陣h是漸近正交的。因此，對於上行鏈路大規模mimo系統來說，gram矩陣g＝hhh是對角佔優的，並且對角線上的所有元素都是正的，其值接近於nr，採用對角佔優矩陣對接收向量y進行矩陣變化，變換後得到的匹配濾波向量y
mf
＝hhy是一個nt
×
1的複數向量。這就意味著，估計向量s的第k個元素與匹配濾波向量y
mf
＝hhy的k個元素位於同一象限中；其中，匹配濾波y
mf
是一個nt
×
1的複數向量。基於上述特點，迭代初值s(0)的第k個元素可以通過象限的某個點來進行確定。因此，對於q-qam調製，估計向量s的迭代初值s(0)第k個元素可以表示為如下公式(2)：
[0070][0071]
因此，可以根據匹配濾波向量y
mf
的第k個元素所在象限確定迭代初值s(0)的第k個元素。匹配濾波向量y
mf
第k個元素所在象限分別為一、二、三、四象限時，估計向量s的迭代初值s(0)的第k個元素分別設置為在迭代初值s(0)設置完成後，進行迭代計算，如下步驟二具體介紹迭代測量的設計方案。
[0072]
步驟二，設計迭代策略：
[0073]
首先需要進行基本矩陣的w的運算，根據mmse檢測算法設定基本矩陣為：w＝hhh+n0e
s-1int
；其中，n0為噪聲方差，為傳輸信號功率，i為一個nt
×
nt的單位矩陣。隨後需要設定迭代初值及初始參數，即s(-1)＝s(0)、c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(-1)＝q(0)＝wc(0)。
[0074]
其中s、c和q是三個nt
×
1的複數向量，α是一個參數。其中，基本矩陣w是中間過程計算的矩陣。
[0075]
迭代共進行t次，每次以字母t表示，即t＝0，1，...，t-1。每次迭代完成如下兩個計算：
[0076]
s(t+1)＝α(t)(s(t)+β(t)c(t))+(1-α(t))s(t-1)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0077]
c(t+1)＝α(t)(c(t)-β(t)q(t))+(1-α(t))c(t-1)；
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0078]
其中，三個參數分別根據上一次迭代計算結果進行計算，具體表達式如下：
[0079]
q(t)＝wc(t)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0080][0081][0082]
最終進行t次迭代後，可以得到s(t)。
[0083]
s(t)表示進行完成t次迭代後，對最開始發送信號s的估計值。
[0084]
步驟三，設計星座點搜索方案：
[0085]
星座點搜索方案可以用於計算估計向量s(t)與星座圖中所有其他星座點之間的距離，最後根據估計向量s(t)得到估計向量s的最終估計值。考慮到s(t)是一個nt
×
1向量，
對於q-qam來說，使用現有的均衡算法需要計算nt
×
q次距離。因此，下面將簡化歐幾裡得距離的計算。在星座圖中，星座點按正方形排列，星座圖被劃分為多個正方形區域，則使用四捨入法可以找到最近的點，估計向量s的最終估計值的第k個元素可以表示為：
[0086]
s_k＝2(0.5(s(t)_k+1))-1；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0087]
其中，《*》代表對*進行四捨五入操作。
[0088]
本發明實施例提供的用於無線通信系統的高並行和低複雜度均衡算法，通過提出一種改進的高並行和低複雜度均衡算法來解決大規模mimo系統均衡算法中並行性低、複雜度高的問題。本發明實施例的技術方案中，根據大規模mimo系統的特點，通過基於象限的初值計算部分、並行迭代部分和星座點搜索部分，上述三個部分的具體計算方法都可以降低均衡算法的複雜度，提高算法精度。本發明實施例提供的技術方案，具體具備如下有益效果：
[0089]
(1)、降低計算的複雜度：採用本發明實施例提供的均衡算法，可以將均衡算法大量矩陣求逆的o(nt3)複雜度降低為o(nt2)；
[0090]
(2)、提高並行性：採用本發明實施例提供的均衡算法，可以避免傳統均衡算法的大量串行計算過程。通過循環迭代，估計信號(即估計向量s)中的每個元素可以一次性全部計算完成，大幅提升了並行性，有利於算法的硬體實現；
[0091]
(3)、本發明提供的高並行和低複雜度均衡算法，可廣泛應用於現役和在研的多型戰機和民機航電系統中，對於提升飛機無線通信系統通信效率具有重要作用，市場前景廣闊、具有顯著的軍事、經濟和社會效益。
[0092]
以下通過一個具體實施示例對本發明實施例提供的用於無線通信系統的高並行和低複雜度均衡算法的具體實施方式進行示意性說明。
[0093]
實施示例
[0094]
該實施示例中，以nr＝128，nt＝8，64-qam調製的mimo系統為例進行示意性說明。
[0095]
第一步，根據mimo系統特點，採用對角佔優矩陣對接收向量y進行矩陣變化，計算出y
mf
＝hhy。
[0096]
其中，信道矩陣h是一個128
×
8的複數矩陣，接收向量y是一個128
×
1的複數向量，矩陣變換後的計算結果y
mf
是一個8
×
1的複數向量。隨後根據y
mf
的值計算得到迭代初值s(0)。s(0)是一個8
×
1的複數向量，其第k個元素的計算方法由公式(8)確定：
[0097]
s(0))k＝
±4±
4i；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0098]
第二步，計算8
×
8的複數矩陣w＝hhh+n0e
s-1int
。並設定s(-1)＝s(0)、c(-1)＝c(0)＝y
mf-ws(0)、α(-1)＝α(0)＝1、q(
‑‑
1)＝q(0)＝wc(0)。
[0099]
其中s、c和q是三個8
×
1的複數向量，α是一個參數。該實施示例中，為了提升mimo系統性能，迭代次數選擇3次，即t＝＝3。那麼迭代過程中每次迭代的t取值分別為0，1，2。
[0100]
當t＝0時，計算迭代參數分別為：
[0101]
q(-1)＝q(0)＝wc(0)；
[0102][0103][0104]
隨後，計算迭代的估計向量s和迭代殘差c分別為：
[0105]
s(1)＝α(0)(s(0)+β(o)c(0))+(1-α(0))s(
‑‑
1)；
[0106]
c(1)＝α(0)(c(0)-β(c)q(0))+(1-α(0))c(-1)。
[0107]
當t＝1時，計算迭代參數分別為：
[0108]
q(1)＝q(1)＝wc(1)；
[0109][0110][0111]
隨後，計算迭代的估計向量s和迭代殘差c分別為：
[0112]
s(2)＝α(1)(s(1)+β(1)c(1))+(1-α(1))s(0)；
[0113]
c(2)＝α(1)(c(1)-β(1)q(1))+(1-α(1))c(0)。
[0114]
當t＝2時，計算迭代參數分別為：
[0115]
q(2)＝q(2)＝wc(2)；
[0116][0117][0118]
隨後，計算迭代的估計向量s和迭代殘差c分別為：
[0119]
s(3)＝α(2)(s(2)+β(2)c(2))+(1-α(2))s(1)；
[0120]
c(3)＝α(2)(c(2)-β(2)q(2))+(1-α(2))c(1)。
[0121]
第三步，根據3次迭代後的向量s(3)的值，針對64-qam調製，依照公式(8)可以求出估計向量s的最終估計值。
[0122]
本發明實施例提供的用於無線通信系統的高並行和低複雜度均衡算法，具有以下優勢：
[0123]
1、複雜度降低。採用本發明的均衡算法，可以將均衡算法大量矩陣求逆的o(nt3)複雜度降低為o(nt2)。
[0124]
2、並行性提高。採用本發明的均衡算法，可以避免原始均衡算法的大量串行計算過程。通過循環迭代，估計信號的每個元素可以一次性全部計算完成，大幅提升了並行性，有利於算法的硬體實現。
[0125]
需要說明的是，本發明提出的用於無線通信系統的高並行和低複雜度均衡算法，可廣泛應用於現役和在研的多型戰機和民機航電系統中，對於提升飛機無線通信系統通信效率具有重要作用，市場前景廣闊、具有顯著的軍事、經濟和社會效益。
[0126]
雖然本發明所揭露的實施方式如上，但內容僅為便於理解本發明而採用的實施方式，並非用以限定本發明。任何本發明所屬領域內的技術人員，在不脫離本發明所揭露的精神和範圍的前提下，可以在實施的形式及細節上進行任何的修改與變化，但本發明的專利保護範圍，仍須以所附的權利要求書所界定的範圍為準。