基于分支定界和有效集的信号检测算法

大规模多输入多输出（multi-input multi-output,MIMO）系统中,随着天线数量的增多,现有传统信号检测算法在高阶调制时不能很好地平衡系统的检测性能和算法复杂度。为了解决以上问题,基于二次规划（quadratic programming,QP）检测器应用了有效集法和具有可变二分法的深度优先分支定界算法,提出了一种适用于大规模MIMO高阶调制系统的低复杂度检测算法,并提出了一种修剪策略和引入了近似因子,改善了系统性能,在复杂度和性能之间进行了更好地折中。复杂度分析表明,所提出算法复杂度比QP算法和二阶QP算法高,但比传统分支定界算法要低。仿真分析结果表明,在收发天线均为32的大规模MIMO场景下;在256QAM调制、误码率（bit error ratio,BER）为10^-4时,比传统分支定界算法提升了约3 dB的性能增益,验证了算法对高阶调制的适应性。     

基于增强蚁群优化算法与排序的 MIMO 检测算法

基于最大似然比的多输入多输出(multiple input multiple output,MIMO)检测算法的计算复杂度随着天线阵的规模呈指数级增加,提出一种计算复杂度较优的MIMO检测算法.采用基于对数似然比的排序QR分解技术将信道矩阵分解为正交矩阵与上三角矩阵,相应地修改信号的发射顺序,降低错误判断引起的错误传播效应;为传统人工蚁群优化算法的信息素更新策略引入负信息素概念,有效地控制系统的拥塞;根据优化路径的距离积累了信息素.该方法设计了基于负信息素的信息素更新策略,增加MIMO系统的拥塞控制能力,考虑信道的衰落本性,基于路径的距离积累信息素.为了测试该算法的性能,进行了多组对比实验,结果表明,误码率性能优于其他智能优化算法,且对于64×64等大规模天线阵,该算法的计算复杂度随天线规模增长较小.     

一种用于电力线通信系统的改进MIMO检测算法

目前多输入多输出(multiple-input multiple-output,MIMO)技术已经被电力线通信(power line communication,PLC)系统采用,但由于MIMO PLC系统噪声呈非高斯分布而且各端口噪声之间存在相关性,故不能直接采用无线系统中的MIMO检测算法。采用了二元Middleton class A分布对MIMO PLC系统中噪声进行建模,提出了基于该噪声分布的最大似然检测改进算法,由于改进最大似然检测算法实现复杂度高,为了便于实现,进一步提出了用近似函数降低复杂度的2种次优的检测算法,优化了算法复杂度。仿真结果表明,与传统的基于高斯噪声分布的最大似然检测算法相比,提出的基于二元Middleton class A类噪声分布的信号检测算法在MIMO PLC系统能获得更好的性能。在性能损失较小的情况下,次优算法的复杂度明显低于最大似然检测改进算法。     

LTE-A系统下行MIMO检测算法改进研究

MIMO检测是LTE-A系统中的一个重要环节,在实际应用中,MIMO信号检测算法的选用需要在复杂度和性能之间进行合理折中。文中针对ML(Maximum Likelihood)算法复杂度高的问题,提出了一种改进的算法(ML-SQRD),主要是缩小搜寻空间,尽可能多地考虑可能的发送符号集,并在分析过程中结合了SQRD(Sort QR Decomposition)算法。经仿真和复杂度分析,改进算法的性能接近ML算法,且复杂度低于ML算法,可应用于未来5G通信中大规模MIMO检测。     

一种串/并混合的多输入多输出信号检测算法

为了提高多输入多输出(MIMO)系统中并行干扰消除(PIC)算法的检测性能并降低其计算复杂度,本文通过融入串行干扰消除(SIC)思想提出了一种串/并混合(HIC)的信号检测算法。该算法首先通过优化PIC中不同子检测过程的共同成分来降低计算复杂度,然后将子检测的估计结果代入后续子检测中实现串/并混合来提升检测性能。仿真结果表明,所提算法在4-QAM调制的 MIMO系统中,误比特率为 时较传统PIC算法有大约1.2 dB的性能提升,而复数乘法次数大约为传统PIC算法的28%。     

基于深度学习的上行传输过程毫米波通信波束选择方法

文章研究了多用户上行传输过程毫米波大规模多输入多输出(multi-input and multi-output,MIMO)系统的波束选择问题,提出了一种基于深度学习的波束选择方法。针对使用透镜的多用户毫米波大规模MIMO上行传输过程,提出一种面向波束选择的深度学习框架,通过信道数据预先对神经网络进行离线训练,然后将实测信号输入训练好的神经网络在线预测信道直达径对应的波束,从而实现波束选择;基于该深度学习框架制定了具体的训练细则,采用柔性最大值交叉熵函数作为损失函数,使用自适应矩估计优化器优化神经网络参数。仿真结果表明,该文提出的基于深度学习的波束选择方法优于现有的正交匹配追踪方法。     

大规模MIMO系统中软输出信号检测方法

为解决在上行多用户大规模多输入多输出(MIMO)系统中,迫零(ZF)检测算法可取得近似最优性能,但ZF检测算法涉及复杂度高达O(K3)的矩阵求逆运算(其中K为用户数)的问题,基于Lanczos算法提出一种软输出信号检测方法,避免了高阶矩阵求逆运算,使复杂度由O(K3)降为O(K2).该方法为了计算软输出信息——对数似然比(LLR),通过对基于Lanczos算法的迭代计算解向量的过程进行分析,给出了一种低复杂度的LLR近似计算方法.仿真结果表明:提出的软输出信号检测方法的误比特率(BER)性能与计算复杂度均优于基于Neumann级数近似的信号检测算法,同时,最多仅需5次迭代就可取得逼近于ZF检测算法的性能.     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

一种低复杂度的联合信号检测算法

空间调制(Spatial Modulation,SM)技术每一时刻只激活一根发送天线用于信息数据的传输,大大改善了传统多输入多输出(Multiple Input Multiple Output,MIMO)系统存在的问题.然而,SM系统的性能好坏多取决于接收端的信号检测算法.因此,为有效提高系统性能,在对现有的SM系统信号检测算法的优缺点进行分析的基础上,提出了一种联合信号检测算法.该算法将归一化最大比合并(Normalized Maximum Ratio Merging,NMRC)算法与拥有硬限判决条件的最大似然(Hard Limiting-Maximum Likelihood,HL-ML)算法相结合,取长补短,以达到既能保证系统最优检测性能又可以减小计算复杂度的目的.仿真结果表明,该联合算法的误比特率检测性能接近于最优检测算法,同时其计算复杂度被大大降低.     

低复杂度的新型球形译码检测算法

在多输入多输出(MIMO)信号检测算法中,球形译码检测算法的复杂度会随着半径的增大而迅速增加,代价较高。为了避免这一问题,提出一种改进的球形译码算法,该算法考虑改变搜索的起始位置,从最接近信号点上下限中间位置开始搜索,并根据信号点和中间位置的距离对信号点升序排序,随着译码半径的改变,排序不变,这样就减少搜索次数,降低算法复杂度。仿真结果表明,随着半径取值的增加,新型球形译码算法复杂度大幅度降低的同时,仍然保证了译码性能最接近性能最优的最大似然检测算法。     

大规模MIMO信号检测算法研究

大规模MIMO技术通过增加基站天线数大幅提高系统频谱效率和能量效率,是未来5G移动通信网络的关键技术。文中在大规模MIMO系统模型下,对多种信号检测算法进行仿真,研究其性能,对大规模MIMO技术的实际应用具有一定的指导意义。对仿真结果的分析表明,当基站天线数远远大于用户数时,简单的线性信号检测算法也能达到很好的系统性能。     

基于Homotopy算法的低复杂度多用户大规模MIMO信号检测方法

在上行多用户大规模多输入多输出(multiple input multiple output,MIMO)系统中,为了降低信号检测的计算复杂度,在传统的最小均方误差(minimum mean square error,MMSE)算法的基础上,提出一种基于Homotopy算法的低复杂度信号检测方法。在该方法中,通过对Homotopy方程的解向量采用逐级展开来逼近真实解向量,从而避免MMSE检测算法中的高阶矩阵的求逆运算,降低了信号检测的计算复杂度。仿真结果表明,最多需要对Homotopy方程的解向量进行4阶展开,就可获得与MMSE检测算法几乎同样的误比特率(bit error rate,BER)性能,同时,其计算复杂度仅为O(K2),其中,K为小区用户数。     

用于MIMO空分复用系统上行链路接收机的球形检测算法

本文涉及的MIMO空分复用系统上行链路的子信号流在空间维和时间维上未进行编码,直接将高速数据流分解为若干低速数据流,进行分层调制后用多个天线发送,实现MIMO空分复用发射,可使移动台的发射机设计简化。但是这要求MIMO空分复用系统上行链路接收机有较高的信号检测能力。本文提出改进初始半径的球形检测算法进行信号复原,该算法能在较低的计算复杂度逼近最大似然的误码性能。仿真试验的结果验证所提出的球形检测算法在误码性能上优于现有其它检测算法。     

基于改进梯度投影法的MIMO-NOMA系统迭代信号检测算法

针对多输入多输出-非正交多址(multiple-input multiple-output non-orthogonal multiple access,MIMO-NOMA)系统信号检测问题,基于改进梯度投影(improved gradient projection,IGP)方法,提出一种适用于多用户MIMO-NOMA系统的上行链路的迭代信号检测算法。在该算法中,利用MIMO-NOMA系统中活跃用户的稀疏特性,基于IGP方法实现对发送信号的迭代恢复;在每次迭代后,先对所得估计解向量进行预处理,以得到更为接近真实值的估计值,接着再对活跃用户支撑集进行更新,以便于下次迭代操作。仿真结果表明,与经典的基于压缩感知的信号检测算法相比,基于IGP的迭代算法具有更低的误比特率(bit error rate,BER),在计算复杂度基本相同的条件下,可取得更佳的BER性能。     

最优外插Jacobi信号检测算法

针对大规模多输入多输出(multiple input multiple output,简称MIMO)系统中最小均方误差(minimum mean square error,简称MMSE)信号检测算法复杂度过高及传统Jacobi信号检测算法收敛较慢的问题,提出最优外插Jacobi(optimal extrapolation Jacobi,简称OEJ)信号检测算法.在Jacobi迭代计算中,通过最优外插因子将当前解与下次迭代解进行组合,以加快迭代收敛速度.OEJ信号检测算法的复杂度比MMSE信号检测算法的复杂度低一个数量级.仿真实验结果表明：相对于传统Jacobi及阻尼Jacobi信号检测算法,OEJ信号检测算法的误码率最低,随迭代次数的增加误码率减小最明显、收敛最快.     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

改进的VBLAST检测算法及其在多载波CDMA系统中的应用

将多输入多输出(MIMO)技术应用于传统的MC\DS CDMA方案,构成MIMO MC\DS CDMA系统,能在很大程度上提高MC\DS CDMA方案的性能。在深入研究低复杂度的QR分解相关算法的基础上,提出了一种MIMOMC\DS CDMA系统中改进的VBLAST检测算法——平行干扰消除QR分解检测算法,该算法进一步抑制了误码传播现象。仿真结果表明,所提出的算法无论是在单用户或者多用户条件下都能显著提高系统的误码率性能。     

基于MMSE预编码天线选择的空间调制大规模MIMO系统性能研究

为提高大规模MIMO系统的可靠性及满足未来绿色高效通信的要求,本文提出了大规模MIMO系统中基于MMSE预编码技术的收信端天线选择算法,对基于MMSE预编码的空间调制大规模MIMO系统进行了仿真实验,并进行了复杂度分析.实验结果表明,基于MMSE预编码的天线选择算法相比于文献[6]已提出的ZF预编码天线选择算法,复杂度略有增加,但误比特率在系统相同配置时约有2 d B的提高.     

采用M-QAM调制的MIMO系统中基于置信度传播的多用户检测算法

研究了基于置信度传播的多用户检测算法在采用M-QAM(Quadrature Amplitude Modulation)调制的MIMO系统中的应用。针对多进制调制的特点,引入预处理模块以消除接收信号矢量各个分量之间的相关性,提出采用条件概率矢量作为发送信号的置信度,并随后推导了相应的置信度传播的公式,从而实现了多进制调制下基于置信度传播的多用户检测算法。该算法的计算复杂度与用户数目的平方成正比,性能则优于传统的线性MMSE多用户检测器,给出的仿真结果证明了这一点。     

基于深度学习的MIMO系统信道估计算法

精确的信道估计对于保证无线通信系统性能至关重要。针对多输入多输出(multiple input multiple output, MIMO)系统传统信道估计算法需已知信道统计信息以及性能与复杂度折中等问题,提出一种基于深度学习的多网络级联MIMO系统信道估计方案。基于卷积神经网络构建信道信息重建网络,初步重构出信道信息,进而基于深度残差网络构建信道估计网络进行级联得出估计结果,并利用多个损失函数对网络进行优化。仿真结果表明,在牺牲一定时间复杂度的情况下,所提方案的均方误差随信噪比增加逐渐优于线性最小均方误差(linear minimum mean squared error, LMMSE)估计算法,且不受信道统计信息的约束。