史傳勝,馮 姣
(南京信息工程大學(xué) 電子與信息工程學(xué)院,南京 210044)
在大規(guī)模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)系統(tǒng)中,基站端有數(shù)百個(gè)天線來同時(shí)服務(wù)幾十個(gè)用戶,并且基站天線數(shù)量遠(yuǎn)高于用戶天線數(shù)量[1]。最大似然估計(jì)(Maximum Likelihood,ML)雖然檢測性能最佳,但計(jì)算復(fù)雜度很高,在實(shí)際系統(tǒng)中很難得到應(yīng)用[2]。因此學(xué)者們在降低檢測性能的前提下提出了低復(fù)雜度的近似線性最佳檢測算法,如迫零(Zero Forcing,ZF)算法和最小均方誤差(Minimum Mean Square Error,MMSE)檢測算法[3]。MMSE和ZF算法涉及到矩陣的求逆問題,當(dāng)用戶數(shù)量很多時(shí),這些檢測器的計(jì)算復(fù)雜度會很高?;诖?,出現(xiàn)了簡化算法,如共軛梯度[4](Conjugate Gradient,CG)、高斯-賽德爾(Gauss-Seide,GS)[5]、雅克比[6](Jacobi,JA)和超松弛迭代[7](Successsive Over-Relaxation,SOR)算法。文獻(xiàn)[8]提出了基于鄰域搜索的似然上升搜索(Likelihood Ascend Search,LAS)檢測算法,通過利用鄰域搜索算法來選擇初始向量,給出了一個(gè)接近最優(yōu)的解;文獻(xiàn)[9]提出了一種基于JA迭代算法的GS(Joint Jacobi and Gauss-Seidel,JA-GS)算法,JA-GS算法主要利用JA和GS迭代算法進(jìn)行信號檢測,雖然性能較好,但其收斂速度偏慢,復(fù)雜度偏高。
為解決這一問題,本文提出了一種基于預(yù)處理的廣義加權(quán)GS(Generalized Weighted-Preconditioned Gauss-Seide,GW-PGS)檢測算法。該算法通過對迭代矩陣進(jìn)行預(yù)處理,并且提出自適應(yīng)的加權(quán)因子方案,進(jìn)一步提高了算法的檢測性能和收斂速度。仿真結(jié)果表明,在128個(gè)基站天線和16個(gè)用戶天線數(shù)的前提下,與傳統(tǒng)GS檢測算法相比,GW-PGS算法的誤碼率(Bit Error Rate,BER)性能更優(yōu)。
在上行鏈路大規(guī)模MIMO系統(tǒng)中,假設(shè)每個(gè)用戶配備一個(gè)天線,M為基站天線數(shù),N為用戶數(shù)[10],一般情況下M?N,例如M=128和N=16。大規(guī)模MIMO系統(tǒng)模型如圖1所示。圖中,發(fā)射端信號xN經(jīng)過用戶天線N向基站天線傳輸,基站端天線M接收到的信號經(jīng)過解調(diào)后得到y(tǒng)M。
圖1 大規(guī)模MIMO系統(tǒng)模型
基站接收到的上行信號為
為避免復(fù)數(shù)運(yùn)算,將模型轉(zhuǎn)換為
式中,z為噪聲。
在上行大規(guī)模MIMO系統(tǒng)中,MMSE檢測算法檢測性能比較優(yōu)異,即通過較為簡單的線性操作即可將原始發(fā)送信號x從接收端接收信號y中恢復(fù)出來。為了恢復(fù)發(fā)送的信號,使用加權(quán)濾波矩陣WMMSE來實(shí)現(xiàn)信道的逆轉(zhuǎn)。線性MMSE算法中發(fā)送信號的接收估計(jì)值WMMSE為
式中:HH為H的對稱轉(zhuǎn)置矩陣;yMF=HHy為匹配濾波器輸出。算法的復(fù)雜度主要體現(xiàn)在矩陣的求逆方面。因此在實(shí)際的大規(guī)模MIMO系統(tǒng)中, MMSE系統(tǒng)線性檢測算法增加了硬件實(shí)現(xiàn)難度,也限制了該算法在實(shí)際中的應(yīng)用。大部分大規(guī)模MIMO系統(tǒng)低復(fù)雜度檢測算法的原理就是通過降低求矩陣的逆的復(fù)雜度來降低MMSE整體算法的復(fù)雜度。
在大規(guī)模MIMO系統(tǒng)中,當(dāng)基站天線數(shù)遠(yuǎn)遠(yuǎn)大于用戶數(shù)時(shí),信道之間逐漸趨于正交[10],MMSE濾波矩陣為對稱正定矩陣,且對角占優(yōu)。因此,可將A分解為
在GS檢測算法中,信號可以估計(jì)為[11]
式中,D、L和U分別為A的對角矩陣、嚴(yán)格下三角矩陣和嚴(yán)格上三角矩陣。
定義1 帶狀矩陣表示在矩陣A中,所有的非零元素都集中在以主對角線為中心上下w元素的帶狀區(qū)域中。其中w小于矩陣的維度。
由A=HHH+σ2I可知,A是一個(gè)N×N的方陣,那么帶狀矩陣Dw可以寫成:
式中,Ai,j為A中的元素。當(dāng)w=1時(shí),有
那么初始解x0可以寫成:
為了更好地適應(yīng)不同的天線配置,本文提出了一個(gè)自適應(yīng)的加權(quán)因子μ。然而直接推導(dǎo)該最優(yōu)因子比較復(fù)雜,所以本文采用系統(tǒng)仿真的方式選取次優(yōu)的加權(quán)因子。
GW-PGS迭代算法是一種求解大型線性方程組的穩(wěn)定迭代方法。GW-PGS迭代算法能夠快速求解yMF=Ax的大型方程組。其中系數(shù)矩陣A為一個(gè)正定Hermit矩陣。將式(6)寫成兩個(gè)半迭代方程,可以得到收斂速度更快的GW-PGS迭代算法。
用GW-PGS迭代算法進(jìn)行第1次半迭代,k為迭代次數(shù):
使用GW-PGS迭代算法進(jìn)行第2次半迭代:
將兩次迭代的結(jié)果通過加權(quán)因子μ結(jié)合在一起:
當(dāng)μ取1時(shí)可以發(fā)現(xiàn),GW-PGS迭代算法退化成了傳統(tǒng)的GS迭代算法。為了加快GW-PGS迭代算法的檢測速度,本文提出了預(yù)處理的方案,在線性方程組yMF=Ax前加入一個(gè)靜態(tài)迭代預(yù)調(diào)節(jié)器。將yMF=Ax寫成Q-1yMF=Q-1Ax形式,式中,Q為非奇異、對稱和正定矩陣。迭代預(yù)調(diào)節(jié)器應(yīng)該近似A-1,使得‖I-Q-1A‖<1[13]。
在本文中,采用了JA預(yù)調(diào)節(jié)器,設(shè)Q=diagonal(A),diagonal()為求主對角矩陣函數(shù)。對角矩陣的預(yù)處理操作在計(jì)算上是高效的,并且降低了GW-PGS迭代算法的整體復(fù)雜性。
綜上所述,本文所提GW-PGS迭代算法的流程如下,tril()和triu()分別為下三角和上三角函數(shù)。
算法1 :GW-PGS迭代算法:
輸入:y,H,σ2,
預(yù)處理:
1:A=HHH+σ2I,
2:yMF=HHy,
3:Q=diagonal(A),
7:D1=triu(D_,-1),
8:x0=D-1yMF,
9:提出自適應(yīng)加權(quán)因子μ,
10:迭代:
fork=1 tondo
End for
本文主要分析了GW-PGS迭代算法的復(fù)雜度和一些線性檢測算法的復(fù)雜度,并做了一些比較。相比而言,乘法運(yùn)算的計(jì)算復(fù)雜度遠(yuǎn)比加法高[14],所以算法的復(fù)雜度通常是比較乘法運(yùn)算的次數(shù)和相同迭代次數(shù)時(shí)需要做的乘法次數(shù)。表1所示為對GW-PGS、傳統(tǒng)的理查德森(Richardson,RI)、JA、GS和MMSE算法計(jì)算復(fù)雜度的比較。
表1 不同檢測方法計(jì)算的復(fù)雜度
為評估算法性能,本文在Matlab軟件上仿真了所提算法和現(xiàn)有算法的BER—信噪比(Signal Noise Rate,SNR)曲線。分析了所提GW-PGS迭代算法的檢測性能并與傳統(tǒng)的GS算法以及MMSE算法的檢測性能作了對比。設(shè)置仿真時(shí)的傳輸信道為不相關(guān)瑞利衰落信道,基帶信號調(diào)制方式為二進(jìn)制相移鍵控( Binary Phase Shift Keying,BPSK)、四相相移鍵控(Quadrature Phase Shift Keying,QPSK)、16正交幅度調(diào)制(16Quadrature Amplitude Modulation,16QAM)和64QAM,天線規(guī)模為128×16、128×32、16×16、32×16和64×16。模擬參數(shù)如表2所示。
表2 模擬參數(shù)
表3所示為SNR=16 dB,天線數(shù)量為128×16時(shí),不同算法每比特實(shí)乘運(yùn)算次數(shù)的對比。由表可知,MMSE算法的每比特實(shí)乘次數(shù)最高,其次是GW-PGS、GS、JA和RI算法。表4所示為SNR=16 dB,基站天線數(shù)為128時(shí),GW-PGS算法在不同用戶天線數(shù)下每比特實(shí)乘次數(shù)的對比。由表可知,在基站天線數(shù)量不變的前提下,隨著用戶數(shù)量不斷增加,GW-PGS迭代算法的復(fù)雜度不斷升高。
表3 SNR=16 dB,天線數(shù)量為128×16時(shí),不同算法每比特實(shí)乘次數(shù)
表4 SNR=16 dB,基站天線數(shù)為128時(shí),GW-PGS迭代算法在不同用戶天線數(shù)下的每比特實(shí)乘次數(shù)
圖2所示為SNR=16 dB,收發(fā)天線為128×16時(shí),不同加權(quán)因子μ下GW-PGS迭代算法BER性能仿真圖。選取的μ以0.2為步長進(jìn)行仿真。經(jīng)過多次實(shí)驗(yàn)仿真發(fā)現(xiàn),μ∈(-1.7,1.1)時(shí)有較為優(yōu)異的BER性能。由圖可知,當(dāng)μ=-0.1時(shí),GW-PGS迭代算法的檢測性能最佳。當(dāng)μ選取不當(dāng)時(shí),會導(dǎo)致GW-PGS迭代算法的檢測性能變差。
圖2 SNR=16 dB,收發(fā)天線為128×16時(shí),不同μ下GW-PGS迭代算法BER性能仿真圖
圖3所示為大規(guī)模MIMO系統(tǒng)規(guī)模為64×16,在64QAM調(diào)制下,GW-PGS迭代算法與MMSE、Jacobi和GS算法的檢測性能比較。仿真結(jié)果表明,GW-PGS迭代算法隨著迭代次數(shù)的增加,算法的檢測性能也在不斷提高。以GS算法BER曲線作為對比參照,由圖可知,迭代次數(shù)為1時(shí),GW-PGS迭代算法的性能與GS算法的性能相比,傳統(tǒng)GS算法性能更優(yōu)。當(dāng)?shù)?次時(shí),本文所提GW-PGS迭代算法的檢測性能和傳統(tǒng)GS和JA算法檢測性能相比有明顯的優(yōu)勢,在BER=10-3時(shí),相比于GS算法,SNR有0.8 dB的增益。迭代3次時(shí),GW-PGS迭代算法相比于GS算法,SNR有1.6 dB的增益,與JA算法相比,其優(yōu)勢更明顯。
圖3 收發(fā)天線為64×16且使用64QAM調(diào)制時(shí),幾種算法的BER性能比較
圖4所示為本文所提GW-PGS迭代算法與RI、JA、GS和MMSE算法的計(jì)算復(fù)雜度比較。由圖可知,算法復(fù)雜度最低的是RI算法,其次是JA、GS、GW-PGS和MMSE算法。為了平衡檢測性能與計(jì)算復(fù)雜度之間的矛盾,本文所提GW-PGS迭代算法的復(fù)雜度要比傳統(tǒng)的JA和GS算法復(fù)雜度稍微高一點(diǎn)。復(fù)雜度最高的是MMSE算法,這是因?yàn)镸MSE算法涉及到了矩陣的求逆。
圖4 天線數(shù)量與算法計(jì)算復(fù)雜度的關(guān)系
圖5所示為在不同基站天線數(shù)、16個(gè)用戶天線數(shù)和64QAM調(diào)制方式下,所提GW-PGS迭代算法檢測性能比較。大規(guī)模MIMO系統(tǒng)中,在用戶天線數(shù)量不變的前提下,隨著基站天線數(shù)量的增加,GW-PGS迭代算法的檢測性能也隨之提高。當(dāng)SNR=16 dB時(shí),天線配置為128×16的BER達(dá)到10-5量級,相比之下,SNR=16 dB時(shí),天線配置為64×16的BER只有10-3量級,天線配置為32×16的BER只有10-2量級,天線配置為16×16的BER只有10-1量級。由于基站天線數(shù)量變多,空間自由度也隨之提高,并且提高了信號的傳輸效率和系統(tǒng)容量。因此在16個(gè)用戶天線數(shù)量下,隨著基站天線數(shù)量的增加,GW-PGS迭代算法的檢測性能也隨之提高。
圖5 不同基站天線數(shù)、16個(gè)用戶和64QAM調(diào)制方式下,GW-PGS迭代算法的BER性能比較
圖6所示為在128個(gè)基站天線和16個(gè)用戶的配置下,不同調(diào)制方式對GW-PGS迭代算法BER檢測性能的影響。仿真結(jié)果表明,該算法在BPSK調(diào)制下性能表現(xiàn)更優(yōu)異,其他性能表現(xiàn)依次為QPSK、16QAM和64QAM。在抗加性高斯白噪聲方面,BPSK性能最好。由于64QAM調(diào)制方法的判決取樣點(diǎn)比BPSK、QPSK和16QAM都要多,所以增大了其BER,導(dǎo)致其性能最差。
圖6 收發(fā)天線為128×16時(shí),在不同調(diào)制方式下的GW-PGS迭代算法BER性能比較
本文提出了一種新的大規(guī)模MIMO系統(tǒng)上行鏈路用戶信號檢測算法。為了提高算法的性能,本文提出了一種GW-PGS迭代算法。在該算法中,首先提出了基于預(yù)處理的初始化方案,在不增加額外復(fù)雜度的情況下加快了收斂速度;其次,為了更好地適應(yīng)不同的天線配置,本文提出一個(gè)自適應(yīng)的加權(quán)因子μ。仿真結(jié)果表明,本文所提方法獲得了較優(yōu)的BER性能,與傳統(tǒng)的大規(guī)模MIMO系統(tǒng)檢測算法相比有明顯的優(yōu)勢。