使用具有不明确性的串行局部化的解调器的度量校正

摘要

公开了用于多级SLI解调器的解调方法和装置。来自每个解调级的残留信号被建模为未分辨信号的有限集合，并且新的度量被引入用于搜索最佳候选符号估计。该度量可基于残留信号的概率分布函数或未分辨信号的概率质量函数来评估。该度量也可以由常规欧几里得度量与校正度量的和来近似。从多级SLI解调器的各级生成的最佳候选符号估计相加以形成累积符号估计。

说明书

技术领域

本发明一般地涉及在多输入多输出(MIMO)接收机中的解调，更特别地， 涉及基于具有不明确性的串行局部化的MIMO信号的联合解调。

背景技术

很多无线通信标准中，例如EDGE(增强数据速率的GSM演进)、HSPA(高 速分组接入)、LTE(长期演进)和WiMax(全球微波接入互操作性)已采用了相 对大的调制信号星座，例如16-、32-以及64-QAM(正交幅度调制)。这些标准 采用的多输入多输出(MIMO)方案创建了更大的调制星座。

大调制星座增加了解调器的复杂度。例如，MLSE(最大似然序列估计)解 调的复杂度随调制星座的大小呈指数级增长。较不复杂的解决方案是可用的， 例如，DFSE(判定反馈序列估计)、DFE(判定反馈均衡)等。这些解决方案试 图在精确度和复杂度之间找到平衡。在MIMO情景下，用于解调信号的其它有用 技术包括多级仲裁(MSA)和迭代树搜索(ITS)。

具有不明确性的串行局部化(SLI)是一种近似于具有降低复杂度的MLSE 解调器的解调技术。SLI的基本思想是在一系列更简单的级中解调，其中每个非 最终级都试图为下一级使搜索局部化。在第一级，符号星座被分解为四个重叠 的子集，并且每个子集由它的质心代表。第一级选择一个子集并且输出对应的 质心作为中间符号估计。质心的使用导致了形成下一级的输入的残留信号。在 下一级，被选择的子集进一步被分解为四个重叠的子集，并且重复该过程直至 到达最终级。每个非最终级在减少的子集中做出选择，并输出中间的符号估计。 来自于各级的中间符号估计相加以得到最终的符号估计。不明确性产生于将调 制星座表示为重叠的子集。不明确性在多级结构中是有利的，因为在早期级中 不明确性阻止了不可逆的错误判定。

在SLI接收机中，来自于每个级的残留信号一般建模为高斯噪声。这是因 为以下原因。首先，高斯噪声模型已被用于建模接收机内部的噪声，并且将该 模型推广到其它噪声源(例如残留信号)是自然而然的。第二，高斯噪声模型 是最坏情况的噪声模型，因此具有鲁棒性。第三，高斯噪声模型是很好理解的 椟型，对于此模型，优化处理相对简单，并且合适的度量是熟悉的欧几里得度 量。然而，高斯模型对于离散的残留信号不是精确的匹配，特别是当数据样本 数量少时。

相应地，仍然需要开发解决残留信号的离散特性的调制技术以便改进SLI 解调器的性能。

发明内容

本发明的示例性实施例提供了用于在SLI接收机中解调的方法和装置。将 残留信号的概率密度函数结合在用于选择最佳候选符号估计的似然度量的计算 中，而不是将来自于每个解调级的残留信号建模为高斯噪声。

在每一级，连同对应的减少的符号星座，接收对应于多个数据流的输入符 号。从符号星座中的符号生成候选序列的集合。对于候选序列的这个集合，导 出未分辨的信号的对应的有限集合，并基于输入符号和未分辨的信号的概率质 量函数为每个候选序列计算似然度量。基于似然度量从候选序列的集合中选择 来自每一级的输出符号估计。来自每一级的输出符号估计相加以生成累积的符 号估计。

还公开了一种用于实现所述改进的SLI解调技术的解调器。该解调器包括 输入、候选符号生成器、似然估计器和选择器。输入被配置为接收对应于多个 数据流的输入符号和符号星座。候选符号生成器被配置为从符号星座中的符号 生成候选序列的集合。对于候选序列的这个集合，候选符号生成器还生成未分 辨的信号的有限集合。似然估计器被配置为基于输入符号和未分辨的信号的概 率质量函数为每个候选序列计算似然度量。选择器被配置为基于为候选序列的 集合计算的似然度量，从候选序列的所述集合中选择最佳候选序列作为输出符 号估计。

附图说明

图1示出了接收机的方框图，该接收机包括多级SLI解调器和星座处理模 块。

图2示出了多级SLI解调器。

图3示出了多级SLI解调器的一个级的实施例。

图4示出了16-QAM星座及四个重叠的SLI子集。

图5示出了9-QAM星座及四个重叠的SLI子集。

图6示出了多级SLI解调器的示例性实施例。

图7示出了在多级SLI解调器中利用校正的度量解调MIMO信号的流程图。

具体实施方式

图1示出了示例性接收机100。接收机100包含耦合至一个或多个接收天 线108及基带处理电路104的接收机前端电路102。基带处理电路104包含一个 或多个处理器、硬件、固件或其组合，用于处理接收信号。基带处理电路104 包括多级SLI解调器106。如上所述，SLI解调器是降低复杂度的解调器。SLI 解调器包括在每一级具有联合处理单元的串行结构。

图2和图3示出了SLI解调器200的示例性实施例。SLI解调器200包括 一个或多个初步级202-204，以及最终级206。SLI解调器200在各级处理接收 信号并且为传送信号输出最佳候选在每一级中的解调单元210(图3 中示出)是具有降低的状态格形的最大似然序列估计(MLSE)解调器。如下面 将更加详细描述的，在SLI解调器200的初步级202-204中的解调单元210在 传送符号星座中使用质心而非符号用于解调。利用质心来解调导致作为下一级 输入的未分辨信号，其在下一级被进一步分辨。SLI解调器200的最终级206 的解调单元210基于原始符号星座的子集使用降低的状态格形。在每一级 202-206中的解调单元210生成中间估计。组合器208将每一级202-206中产生 的中间估计逐符号相加以产生最终估计。

图3示出了在SLI解调器200的一个级202-206中的主要功能组件。位于 每一级中的解调单元210利用从真符号星座(Q)^N得到的有效符号星座(Q^[i])^N。 上标i代表该级的序列号。位于每一级202-206的解调单元210接收对应的输入 信号并且利用符号星座(Q^[i])^N解调输入信号以生成中间估计初步 级202-204进一步包括信号生成电路220用于生成下一级的输入信号信号 生成电路220包括调制器230用于调制中间估计中的符号，以及组合器240 用于从中的对应符号中减去调制信号以生成下一级的输入。最终级206不需 要信号生成电路220。组合器208将产生自每一级202-206的中间估计相加 以产生最终序列估计

SLI均衡技术被描述于2009年11月2日提交的名称为“Method for Equalization and Whitening of ISI using SLI”的美国专利申请号12/572,692, 2009年8月27日提交的名称为“Equalizat ion using Serial Localization with Indeci sion”的美国专利申请号12/549,143，以及2010年4月15日提交的名 称为“Channel Estimation For Equalization Using Serial Localization With Indecision”的美国专利申请号12/760,839。这些未决申请中的每一个都通过 引用全部结合于此。

为了理解SLI解调器是如何工作的，考虑非分散信道上接收的N×N MIMO 信号。该接收信号r＝(r₁，...，r_N)^T可被表达为

r＝Hc+n(1.1)，

其中c是代表传送信号的N×1向量，由c＝(c₁，...，c_N)^T给出，H是代表信道响应 的N×N矩阵，并且n是代表高斯白噪声的N×1向量。在这种情景下完全联合检 测器是最佳的接收机。

在每个信号流都具有大小为q的符号星座Q的情况下，对于r有总数为q^N的 可能的候选完全联合检测器(JD)在空间Q^N中在所有的q^N候 选上搜索以找到使下面的度量最小化的候选：

$D\left(\bar{c}\right|r,R)={(r-H\bar{c})}^H{R}^{-1}(r-H\bar{c})---\left(1.2\right)$

最佳候选由表示。上标H指示厄密或共轭转置。

当有效星座r很大时，搜索最佳候选就变得非常复杂。SLI接收机100通 过将传送信号表示为一系列近似值来降低计算复杂度，近似值在级的序列中进 行估计。在L级SLI接收机100中，传送信号矢量被表示为：

$\hat{c}={\hat{c}}^{\left[1\right]}+...+{\hat{c}}^{\left[L\right]}---\left(1.3\right)$

每一级i利用从真符号星座Q^[i]得到的有效符号星座Q^[i]检测分量然后 分量相加以得到候选的最终估计。

在第一级202，对于传送信号的每个流，符号星座Q由大小为q^[1]的质心Q^[1]的集合近似。Q^[1]中的每个质心代表Q的子集。子集的结合等于符号星座Q。子 集相互重叠，这产生不明确性。在优选设计方法中，所有子集都是质心为0的 大小为o^[1]的相同集合O^[1]的偏移版本。一般地，子集不需要是相同集合的偏移 版本，它们甚至不需要具有相同大小。

图4示出了大小为16的16-QAM星座Q，其被划分为四个子集301-304。 四个子集301-304的每一个都是O^[1]的偏移版本，质心为0大小为9的9-QAM星 座。四个子集301-304的结合等于星座Q。四个子集还形成重叠区域310。每个 子集都由示出为圆的质心来代表。例如，子集301由质心321代表，子集302 由质心322代表，子集303由质心323代表，子集304由质心324代表。质心 集合{321，322，323，324}形成成星座Q^[1]，它是4-QAM星座。Q^[2]与O^[1]相同，并 且也是9-QAM星座。

图5示出了星座O^[1]，其进一步被划分为四个子集401-404。四个子集 401-404的每一个都是O^[2]的偏移版本，质心为0大小为4的4-QAM星座。四个 子集401-404的结合等于星座Q^[2]。四个子集401-404也形成重叠区域410。过 程继续进行下一级。例如，输入到解调单元210的星座Q^[3]可被设置成O^[2]。

SLI接收机的第i级的输入是其在第(i-1)级得到。在第1级的输入是 接收信号。在第i级之前的级中，最佳候选符号估计已被确定。 在第i级，SLI接收机搜索最佳候选符号c^[i]。来自第i级的未分辨信号b^[i]可被表 达为：

b^[i]＝(c^[i+1]+...+c^[L])(1.4)

未分辨信号b^[i]属于星座子集O^[i]。在一些实现方式中，重新调制的未分辨信号在 被信道滤波后，可被建模为有色高斯噪声。重新调制的未分辨信号可被表达为 Hb^[i]，其中H是信道响应估计。经滤波后的未分辨信号的协方差可被表达为：

ε^[i]HH^H(1.5)

其中ε^[i]是集合O^[i]的平均能量。注意随着级的索引i的增加，ε^[i]减少，因为在解 调过程中未说明的传送信号越来越少。总噪声具有由下式给出的协方差R^[i]：

R^[i]＝ε^[i]HH^H+R(1.6)

再次参考图3，解调单元210在星座(Q^[i])^N上同时为接收信号的N个流执行 完全的联合检测搜索。它在有效星座(Q^[i])^N中在所有的(q^[i])^N候选上搜索使下 面的度量最小化的最佳候选符号估计

$D\left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R^{\left[i\right]})={(r^{[i-1]}-H{\bar{c}}^{\left[i\right]})}^H{\left(R^{\left[i\right]}\right)}^{-1}(r^{[i-1]}-H{\bar{c}}^{\left[i\right]})---\left(1.7\right)$

在等式(1.6)中的度量是从等式(1.2)中通过将R替换为R^[i]、将r替换为修 改的接收机向量r^[i-1]得到的。最佳候选符号估计由解调单元210输出为中间 估计。

调制单元230通过计算来调制不明确性重构信号被从到 第i级的输入信号中减去以产生信号信号是到下一级第i+1级的输入 信号。在一些实施例中，输出也可用作信道估计的导频符号

如上所述，来自每一级的未分辨信号一般被建模为高斯噪声。但是高斯模 型并不是离散未分辨信号的精确匹配。更精确的模型可被构建以考虑未分辨信 号的特征，所述特征是离散以及属于有限集合。

例如，在具有单个接收信号的接收机100的情况下，O^[i]是图5中示出的 9-QAM星座。对于O^[i]中的每一个候选符号，都留有对应的未分辨信号。当星座 是9-QAM星座时，对于每一个流有9个候选符号，并且因此有9个对应的未分 辨信号。在2x2>

在第i级的输入的有效接收信号r^[i-1]可被建模为：

其中b^[i]∈(O^[i])^N是未分辨信号，并且v^[i]代表重新调制的未分辨信号和噪声的和。 如果我们将建模为来自(O^[i])^N的随机向量，其具有某个概率质 量函数：

${\rho }_{b^{\left[i\right]}}\left(b\right)\equiv \mathrm{Prob}(b^{\left[i\right]}=b)---\left(1.9\right)$

那么v^[i]的概率密度函数(pdf)可被写成卷积：

${\rho }_{b^{\left[i\right]}}\left(v\right)=\underset{b\in {\left(o^{\left[i\right]}\right)}^N}{\Sigma }{\rho }_{b^{\left[i\right]}}\left(b\right){\rho }_n(v-\mathrm{Hb})---\left(1.10\right)$

其中ρ_n(n)是噪声n的概率密度函数，并且b是来自有限集合(O^[i])^N的未分辨信 号。由于n是具有协方差R的高斯，等式(1.10)可写成：

${\rho }_{v^{\left[i\right]}}\left(v\right)=\frac{1}{{\pi }^N\det \left(R\right)}\underset{b\in {\left(o^{\left[i\right]}\right)}^N}{\Sigma }{\rho }_{b^{\left[i\right]}}\left(b\right)\exp \{-{(v-\mathrm{Hb})}^H{R}^{-1}(v-\mathrm{Hb})\}---\left(1.11\right)$

注意对于v^[i]被建模为具有协方差的R^[i]的高斯噪声的情况，v^[i]的概率密 度函数由下式给出：

${\rho }_{v^{\left[i\right]}}\left(v\right)=\frac{1}{{\pi }^N\det \left(R^{\left[i\right]}\right)}\exp \{-v^H{\left(R^{\left[i\right]}\right)}^{-1}v\}---\left(1.12\right)$

当对等式(1.12)的两边均应用函数-ln()时，等式(1.12)可变形为：

$-\ln \left({\rho }_{v^{\left[i\right]}}\left(v\right)\right)=v^H{\left(R^{\left[i\right]}\right)}^{-1}v+\ln \left({\pi }^N\det \left(R^{\left[i\right]}\right)\right)---\left(1.13\right)$

当在候选处评估时，噪声项v变为

$v=r^{[i-1]}-H{\bar{c}}^{\left[i\right]}---\left(1.14\right)$

并且(1.13)变为

$-\ln \left({\rho }_{v^{\left[i\right]}}(r^{[i-1]}-H{\bar{c}}^{\left[i\right]})\right)={(r^{[i-1]}-H{\bar{c}}^{\left[i\right]})}^H{\left(R^{\left[i\right]}\right)}^{-1}(r^{[i-1]}-H{\bar{c}}^{\left[i\right]})+ln\left({\pi }^N\det \left(R^{\left[i\right]}\right)\right)---\left(1.13\right)$

这个表达式与度量原始SLI中第i级的欧几里得度量一致，除 了可被忽略的常量项ln(π^Ndet(R^[i])。

类似地，如果对等式(1.11)的两边都应用函数ln()，则新的度量可被定 义为如下：

$D_{\mathrm{new}}\left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R)\equiv -\ln \left({\rho }_{v^{\left[i\right]}}(r^{\left[i\right]}-H{\bar{c}}^{\left[i\right]}\right)$

$=-\ln \left[\underset{b\in {\left(o^{\left[i\right]}\right)}^N}{\Sigma }{\rho }_{b^{\left[i\right]}}\left(b\right)\exp \right\{-{(r^{[i-1]}-H{\bar{c}}^{\left[i\right]}-\mathrm{Hb})}^H{R}^{-1}(r^{[i-}$

等式(1.14)中的第二项ln(π^Ndet(R))可被忽略，因为它是常数。等式(1.14) 中的第一项可被重写为常规欧几里得度量和校正项的和，即

$D_{\mathrm{new}}\left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R)=D\left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R)+\Delta \left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R)---\left(1.16\right)$

其中校正项被定义为：

$\Delta \left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R)$

(1.17)

$\equiv -\ln \left[\underset{b\in {\left(o^{\left[i\right]}\right)}^N}{\Sigma }{\rho }_{b^{\left[i\right]}}\left(b\right)e^{-b^H{H}^H{R}^{-1}\mathrm{Hb}}\exp \right\{2\mathrm{Re}\left\{{(r^{[i-1]}-H{\bar{c}}^{\left[i\right]})}^H{R}^{-1}\mathrm{Hb}\right\}\left\}\right]$

新度量(D_new)可被用在解调单元210中以搜索最佳候选符号估计在某 种意义上，新度量是候选符号建模传送符号有多精确的衡量。新度量的值越 小，候选符号越“接近”传送符号，并且候选符号越可能代表传送符号的最佳 估计。最佳候选符号估计使新度量最小化，并且最可能代表传送符号。解调 单元210在有效星座(Q^[i])^N中的所有(q^[i])^N候选上搜索使新的度量 最小化的最佳候选，并输出最佳候选作为判定

在等式(1.16)中包含校正项(即等式1.16中的最后一项)提供了未分辨 信号的更精确的模型，但也增加了解调单元210的复杂度。等式(1.16)中的 校正项包含有关未分辨信号的两种模型，高斯噪声模型和将未分辨信号表示为 有限集合的模型之间的不匹配的信息。当O^[i]的大小较小时，这种不匹配更显著。 因此，当O^[i]的大小较小时，在等式(1.16)中包括校正项提升了解调器210的 性能。另一方面，当O^[i]的大小较大时，这两个模型之间的不匹配变得不那么显 著，并且在等式(1.16)中包含校正项就不那么关键。同样值得注意的是校正 项的复杂度与(o^[i])^N成比例，其中o^[i]是O^[i]的大小，并且N是MIMO接收机中信 号流的数量。因此期望在o^[i]较小时在第i级在等式(1.16)中考虑校正项。作 为说明，在图4-5所示的示例中，可在子集星座O^[1]的大小为4的第2级包含校 正项。尽管在第1级，子集星座O^[1]的大小为9。通过在度量的计算中包含校正 项而提高了精确度的好处并没有超过增加的复杂度。因此，在第1级校正项可 被忽略。

当计算等式(1.16)的校正项时，还可以实施其它简化。例如，可假设b^[i]的概率分布在有效星座(Q^[i])^N内是均匀的。特别地：

${\rho }_{b^{\left[i\right]}}\equiv 1/{\left(o^{\left[i\right]}\right)}^N---\left(1.18\right)$

校正项则可被简化为：

$\Delta \left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R)$

(1.19)

$=-\ln \left[\underset{b\in {\left(O^{\left[i\right]}\right)}^N}{\Sigma }{e}^{-b^H{H}^H{R}^{-1}\mathrm{Hb}}\exp \right\{2\mathrm{Re}\left\{{(r^{[i-1]}-H{\bar{c}}^{\left[i\right]})}^H{R}^{-1}\mathrm{Hb}\right\}\left\}\right]+N\ln \left(o^{\left[i\right]}\right)$

上面的表达式的第二项是常量并且可被忽略。

此外，在O^[i]是QAM星座的情况下，校正项可简化为：

$\Delta \left({\bar{c}}^{\left[i\right]}\right|r^{[i-1]},R)$

$=-\ln \left[\underset{b\in {\left(O^{\left[i\right]}\right)}^N:b_i\in A^{\left[i\right]}}{\Sigma }{e}^{-b^H{H}^H{R}^{-1}\mathrm{Hb}}\left(\begin{array}{c}\cosh \left\{2\mathrm{Re}\right\{{(r^{[i-1]}-\mathrm{Hc})}^H{R}^{-1}\mathrm{Hb}\left\}\right\}\\ \cosh \left\{2\mathrm{Im}\right\{{(r^{[i-1]}-\mathrm{Hc})}^H{R}^{-1}\mathrm{Hb}\left\}\right\}\end{array}\right)\right]+\ln 2---\left(1.20\right)$

这里函数cosh()是双曲余弦函数，A^[i]是排除虚轴的复数平面的第一象限。A^[i]可 被定义为：

A^[i]≡{x∈：Re{x}＞0>

等式(1.20)遵循QAM星座的性质，即，在任何QAM星座中，以下是正确的：

O^[i]＝jO^[i](1.22)

这又暗示了O^[i]＝-O^[i]。再一次地，在等式(1.20)中，第二项是常量并且可被 忽略。

图6描绘了解调单元210。图6中的解调单元210包含三个组件：候选符号 生成器212、似然估计器214以及选择器216。候选符号生成器212接收符号星 座(Q^[i])^N作为输入，并且从包含在星座(Q^[i])^N中的符号生成候选序列的集合。未 分辨信号的集合可从生成的候选序列的集合计算。对于每个候选序列，似然估 计器214计算它有多可能代表传送信号。这种可能性可基于输入符号r^[i]、噪声 变量R、信道响应H以及未分辨信号的概率质量函数来计算。来自于似 然估计器214的结果被馈入选择器216，选择器216选择并输出最佳候选作为中 间估计

图7是图示由解调单元210完成的解调过程700的实施例的流程图。解调 单元210接收对应于多个数据流的输入符号(步骤702)。基于输入符号，解调 器210生成候选序列的集合和未分辨信号的集合(步骤704)。对于每一个候选 序列，解调器210计算代表这个候选序列有多大可能代表传送信号的似然度量 (步骤706)，并基于为所有候选序列而计算的似然度量选择最佳候选作为输出符 号估计(步骤708)。注意候选序列集合和未分辨信号集合可备选地被预先计算 并且存储供在解调器中使用。

本发明可以用除本文阐述之外的其它特定方式实现而不背离发明的范围和实质 特征。上面讨论的一个或多个特定过程可在蜂窝电话或其它通信收发器中实现， 其它通信收发器包含一个或多个适当配置的处理电路，处理电路在一些实施例 中可被包含在一个或多个特定用途集成电路(ASIC)中。在一些实施例中，这 些处理电路可包含一个或多个微处理器、微控制器和/或以适当的软件和/或固 件编程以执行上面描述的一个或多个操作或其变型的数字信号处理器。在一些 实施例中，这些处理电路可包含定制的硬件以执行上面描述的功能中的一个或 多个。因此，当前的实施例将在各方面被认为是说明性的而非限制性的，并且 在所附的权利要求的含义和等价范围之内的所有改变都意图被包含在其中。