结合遗传性质的大规模MIMO系统LAS信号检测算法

摘要

本发明提供了一种结合遗传性质的大规模MIMO系统LAS信号检测算法，在原有LAS算法基础上引入全局最优化遗传算法，采用解向量的标准代价函数作为迭代停止准则，并将迭代次数设置为自适应，用解向量质量更新需要的迭代次数，提高了执行效率，同时继承上一次得到的优质解向量的元素，加入变异因子改变向量当中某些位置的元素的值，跳出同一搜索区域，让搜索在不同优质解区域中执行，减少了算法所需要的浮点运算次数，降低了系统复杂度，同时提高了搜索能力，降低了系统的误码概率，进而提高了系统的可靠性。

说明书

技术领域

本发明涉及MIMO信号检测技术领域，具体涉及一种结合遗传性质的大规模MIMO系统LAS信号检测算法。

背景技术

多输入多输出技术(Multiple-Input Multiple-Output，MIMO)是指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，显示出明显的优势、被视为下一代移动通信的核心技术。发射端通过空时映射将要发送的数据信号映射到多根天线上发送出去，接收端将各根天线接收到的信号进行空时译码从而恢复出发射端发送的数据信号。

大规模MIMO系统是指在基站侧使用大规模的天线阵列对多个移动终端提供数据传输服务。基站将会配备多达数十根或者上百根的天线,是目前MIMO通信系统天线数量的一到两个数量级以上,而在移动端则只配置廉价的单根天线。大规模MIMO系统极大的扩展了天线阵列的规模,充分的利用了空间自由度。与传统MIMO相比，主要有以下几点优势①提高系统容量、频谱效率和能量效率；②降低硬件成本，提高系统鲁棒性；③提高数据传输可靠性。

当发端信号发送概率相同时，最大似然(Maximum Likelihood,ML)检测相当于MAP(Maximum a posteriori，MAP)检测，具有最佳检测性能。然而对基于垂直贝尔实验室分层空时(Vertical-Bell Labs Layered Spaced-Time,V-BLAST)结构的MIMO系统来说，ML检测的运算复杂度与发射天线数目、调制阶数呈指数关系，极大的处理复杂度在大规模MIMO系统中变得不可实现。

次优检测的球形译码(Sphere Decoding,SD)检测方法将搜索空间锁定在以接收符号为中心的球体内，试图寻找具有最小ML度量的发射信号向量，检索近似的发射符号星座点，同时不停优化约束条件从而减小球的半径。球形译码算法在ML算法的基础之上减少了算法的复杂度，但它的复杂度与发端天线数目的二次方根呈指数关系，在天线数目较大时同样变得难以实现。

而另一类信号检测算法线性检测算法，ZF/MF/MMSE检测算法虽然实现简单复杂度低，但是当发端用户数目和收端天线数目相差不大时，性能极差。排序连续干扰抵消(Ordered Successive Interference Cancellation，OSIC)算法在线性检测算法的基础上改善了信号检测的性能，但其复杂度也较高。

局部搜索算法在低复杂度的情况下有较好的性能。局部搜索算法当中的似然上升搜索(Likelihood Ascent Search，LAS)算法基于贪婪思想持续地在当前解的邻域中进行搜索，与OSIC检测算法相比，提高了检测性能，降低了系统的平均复杂度。然而这种局部搜索LAS算法容易陷入局部极小而不能保证全局最优化能力。其衍生算法多初始化向量LAS(MIV-LAS)算法进行多点并行搜索，多搜索候选集LAS(MSCS-LAS)算法扩大邻域搜索结构，从而增大搜索面积，增强信号检测能力。但这两个衍生算法都没有一个合适的函数对多点并行的初值个数及邻域搜索范围进行合适的控制。一旦初值或者搜索集个数确定就固定不变从而增大了算法的复杂度，没有很好的自适应能力。另一个LAS衍生算法是基于随机列表的LAS算法，在多初始化向量LAS算法的基础上，通过一个适值函数来自适应的控制多点并行搜索的个数，从而降低算法的复杂度同时获得较好的性能。

几种衍生算法都改善了LAS算法的性能，但是在多次迭代检测过程当中并没有合理的继承每次迭代得到的优质解的性质，使得下一次迭代又从一个新的质量较差的初值出发进行搜索，使得检测性能不佳，计算复杂度较高。

发明内容

本申请通过提供一种结合遗传性质的大规模MIMO系统LAS信号检测算法，在原有LAS算法基础之上引入全局最优化遗传算法，以解决现有技术中大规模MIMO系统信号检测性能不佳，计算复杂度较高的技术问题。

为解决上述技术问题，本申请采用以下技术方案予以实现：

一种结合遗传性质的大规模MIMO系统LAS信号检测算法，包括如下步骤：

S1：通过匹配滤波检测得到的解向量作为初始迭代点，其中，为初始值，为匹配滤波检测得到的解向量；

S2：执行似然上升搜索算法，得到本次迭代的最佳解向量即将最大似然代价函数作为解向量适应度的评价标准，适应度最高的解向量即为本次迭代的最佳解向量

S3：选择：判断本次迭代的最佳解向量的最大似然代价函数是否小于历史最佳解向量d^best的最大似然代价函数，如果是，则进入步骤S4，否则，进入步骤S5；

S4：令

S5：计算最大迭代次数N_max，更新当前迭代次数m＝m+1；

S6：判断当前迭代次数m是否大于最大迭代次数N_max，如果是，则进入步骤S8，否则进入步骤S7；

S7：遗传与变异：随机改变历史最佳解向量d^best中C个位置的值，得到第m次迭代的初始值进入步骤S2；

S8：输出d^best为最终解向量。

进一步地，步骤S5中最大迭代次数N_max的具体计算方法为：

本次迭代的最佳解向量的质量为：式中，N＝N_r为接收天线的数目，σ²为接收端噪声的方差，H为信道增益矩阵，y为接收端接收到的信号；

计算出本次迭代的迭代次数式中，c₁为指标参数，是一个常数，N_pmin为设置的最小迭代次数；

如果N_p＜N_max，则更新最大迭代次数N_max＝N_p，否则，不更新最大迭代次数N_max。

进一步地，步骤S7中，随机改变的解向量元素的个数C不宜太小，也不能太大。如果向量中改变位置的元素过多会让之前得到的解的优良性质得不到继承，过少又会让迭代进入局部最小，不能增大搜索面积。因为搜索过程有很大的随机性，因此需要仿真得出需要改变解向量元素的个数占总解向量元素个数的比例,由仿真结果分析知该比例的最佳值为1/8。

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：本发明在低复杂度的情况下，提高了信号检测性能，从而实现了大规模MIMO系统信号的有效检测，为大规模MIMO系统信号的传输提供可靠保障。

附图说明

图1为本发明的流程图；

图2为不同算法的误码率性能对比图；

图3为不同算法的复杂度对比图；

图4为本发明在不同天线数目时的误码率性能对比图。

具体实施方式

本申请实施例通过提供一种结合遗传性质的大规模MIMO系统LAS信号检测算法，在原有LAS算法基础之上引入全局最优化遗传算法，以解决现有技术中大规模MIMO系统信号检测性能不佳，计算复杂度较高的技术问题。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。

实施例

信号检测的性能影响着大规模MIMO系统的可靠性，信号检测的复杂度影响着大规模MIMO系统的可实现性。而常见信号检测算法存在检测性能不佳、复杂度较高的问题，本发明的目的就是提供一种在低复杂度情况下具有优质性能的大规模MIMO系统信号检测算法。

一种结合遗传性质的大规模MIMO系统LAS信号检测算法，如图1所示，包括如下步骤：

S1：通过匹配滤波检测得到的解向量作为初始迭代点，其中，为初始值，为匹配滤波检测得到的解向量；此处选择匹配滤波检测的原因是它的复杂度较低，不需要矩阵的求逆运算操作。

S2：执行似然上升搜索算法，得到本次迭代的最佳解向量即将最大似然代价函数作为解向量适应度的评价标准，适应度最高的解向量即为本次迭代的最佳解向量

S3：选择：判断本次迭代的最佳解向量的最大似然代价函数是否小于历史最佳解向量d^best的最大似然代价函数，如果是，则进入步骤S4，否则，进入步骤S5；该步骤应用最优保存策略，舍弃适应度低的解向量，选择适应度最高的解向量，使它有机会被选中进入下一次迭代，最优保存策略是算法收敛的一个重要条件。

S4：令

S5：利用适应度最高的解向量计算最大迭代次数N_max，更新当前迭代次数m＝m+1；

最大迭代次数N_max的具体计算方法为：

本次迭代的最佳解向量的质量为：式中，N＝N_r为接收天线的数目，σ²为接收端噪声的方差，H为信道增益矩阵，y为接收端接收到的信号；

计算出本次迭代的迭代次数式中，c₁为指标参数，是一个常数，N_pmin为设置的最小迭代次数；

如果N_p＜N_max，则更新最大迭代次数N_max＝N_p，否则，不更新最大迭代次数N_max。

在4-QAM调制当中，取c₁和N_pmin均为2。

S6：判断当前迭代次数m是否大于最大迭代次数N_max，如果是，则进入步骤S8，否则进入步骤S7；

S7：遗传与变异：随机改变历史最佳解向量d^best中C个位置的值，得到第m次迭代的初始值进入步骤S2；

步骤S7的遗传与变异操作有以下两个优点：1)可以利用之前迭代的结果继承得到一个质量更优的初始值。这个初始值质量通过执行LAS算法性能会优于MF算法。2)引入随机参量，改变解向量当中某些元素的值，让迭代不会陷入局部重复循环，增大搜索面积，增强搜索能力让最后解向量的性能更优。

随机改变的解向量元素的个数C不宜太小，也不能太大。如果向量中改变位置的元素过多会让之前得到的解的优良性质得不到继承，过少又会让迭代进入局部最小，不能增大搜索面积。因为搜索过程有很大的随机性，因此需要仿真得出需要改变解向量元素的个数占总解向量元素个数的比例,由仿真结果分析知该比例的最佳值为1/8。当需要改变解向量元素的个数占总解向量元素个数的比例为1/8时，改变向量元素的个数不会因为太小让算法进入同一个区域不断搜索，也不会太大让优质向量的元素得不到有效的继承，所以在保证良好误码率性能的同时所需的平均浮点运算次数最小、复杂度最小。

S8：输出d^best为最终解向量。

为了进一步验证本发明的性能和有益效果，本实施例进行了如下仿真：

图2是收发天线数目为32根、4-QAM调制模式下不同算法的误码率BER性能对比图，图3是收发天线数目为32根、4-QAM调制模式下不同算法的复杂度对比图。从2、3图中可以看出MMSE-OSIC排序串行干扰抵消算法性能最差，MMSE-LAS算法与MMSE-OSIC算法相比极大的提高了系统的BER性能，当信噪比同为12dB时MMSE-OSIC的BER为10^-2，而MMSE-LAS的BER可以提高一个数量级达到10^-3。而LAS算法容易陷入局部最小，为了逃离局部最小设置多个初值。初值为20个不同的随机向量时，增大了搜索范围，因此多初始化向量LAS(MIV-LAS)的BER性能优于MMSE-LAS，但多初始化向量LAS算法设置迭代次数为固定个数，当解向量质量较好的时候与较差的时候都采用相同的迭代次数，致使得到解向量较差的情况，没有更多的迭代次数改善解向量的质量。基于遗传算法的MIMO系统LAS算法与MF-RLB-LAS算法都拥有最优的BER性能,采用了解向量的标准代价函数作为迭代停止准则。本发明将迭代次数设置为自适应，用解向量质量更新需要的迭代次数，提高了执行效率，同时继承上一次得到的优质解向量的元素，加入变异因子改变向量当中某些位置的元素的值，跳出同一搜索区域，让搜索在不同优质解区域中执行，减少了算法所需要的浮点运算次数，降低了系统复杂度。同时提高了搜索能力，降低了系统的误码概率，使BER性能更优，提高了系统的可靠性。因此本发明的算法性能最优、复杂度最小。

图4为不同天线数目结合遗传算法的MIMO系统LAS信号检测算法的误码率BER性能对比图。从图4中可以看出随着天线数目的增加，BER性能更优，信噪比12dB时，天线数目为8的BER为1.5×10^-3，而天线数目为100的BER性能却可以达到4.2×10^-5，性能有极大的改善。在BER性能为10^-4时，天线数目为100的MIMO系统与单输入单输出SISO的理论性能相比所需信噪比相差不到0.1dB。由此可以看出本发明有良好的检测性能且体现出了大规模特性。所谓大规特性就是随着天线数目的增加性能变得更优。

本申请的上述实施例中，通过提供一种结合遗传性质的大规模MIMO系统LAS信号检测算法，在原有LAS算法基础上引入全局最优化遗传算法，采用解向量的标准代价函数作为迭代停止准则，并将迭代次数设置为自适应，用解向量质量更新需要的迭代次数，提高了执行效率，同时继承上一次得到的优质解向量的元素，加入变异因子改变向量当中某些位置的元素的值，跳出同一搜索区域，让搜索在不同优质解区域中执行，减少了算法所需要的浮点运算次数，降低了系统复杂度，同时提高了搜索能力，降低了系统的误码概率，进而提高了系统的可靠性。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。