随机搜索和子空间边缘化..docVIP

Near-Optimal Large-MIMO Detection Using Randomized MCMC and Randomized Search Algorithm IEEE 2011 Randomized Search Algorithm 随机搜索算法 Channel Model 考虑一个V-BLAST MIMO 系统，NT 根发射天线NR根接收天线， , ML似然检测下，f(x)为似然代价函数 随机搜索算法： 邻居集合定义为： 集合表示所有与有一个符号不同的符号向量的集合。定义一个下标集合, 此外定义两个下表集合{C}和{D}，初始状态下两个集合都是空的。 具体步骤： Step1: 初始化一个符号解向量，求出它的邻居集合 。 Step2：在集合{S-C-D}中随机选择一个下标m。在邻居集合中下标为m的符号向量共有个。假设符号向量为， 比如这里假设符号向量共有4个符号元素，每个符号进行BPSK调制，即 若初始符号向量为则它的邻居集合为 。 初始的时候集合C和D是空的，所以{S-C-D}={1，2，3，4} 若m=1,即选中下标为1的符号元素处，因为是BPSK调制，所以在m=1处和初始符号解向量有一个元素符号不同的符号向量只有一个，即。 Step3:计算似然代价函数的差值。 记 所以有 step4:计算比较 的值可能为正，可能为负。正值表示d(j)比x(t)代价小，负表示代价大。 选择似然代价函数的最大差值以及对应的j. 即选择似然代价值最小的符号向量作为下一个“初始向量”，求出它的邻居集合，如果C不等于S，则从又step2开始执行。 如果C等于S，则输出当前得到的解向量。其表示每个位置已经遍历完了，此时得出的是局部最优的（似然代价值最小）的解向量。 这说明，在m对应符号向量的似然代价都比当前输入的向量的代价大，相比之下当前向量的更优。 如果D不等于S-C,则把当做下时刻的输入向量，到step2开始执行。 如果D等于S-C，则输出当前向量作为最终的解向量。 总结： 第一，迭代的次数最多为2NT,每迭代一次，少一次。 第二，搜索的范围和初始解向量有关，初始向量不同进而局部搜索的范围不同。 第三，为了达到最优的效果，可设置L个不同的初始解向量进行搜索，最后比较选择最优的向量作为输出。 第四，RS算法在低阶QAM调制下性能近似达到最优（ML），但是高阶QAM调制下性能很差。 SUMIS: subspace marginalization with interference suppression. 子空间边缘化近似最优软输入软输出MIMO检测 IEEE 2012 Real-valued信道模型： 最优软检测：比较接受符号的后验概率，判决结果取概率相对大的值，即后验概率似然比LLR： 鉴于是BPSK调制，=+1或-1表示第i个元素符号的值为+1或-1。考虑到剩下的个元素符号的所有取值情况， 若是先验等概下，即,上式变为 运用Max-log算法对上式近似计算： 即选择分子分母多项式中最大的项。 下面介绍另一种性能更好的LLR的近似计算——SUMIS 首先定义分割，把信道矩阵H分割为两部分。 , 中包括待计算LLR值的第i个比特si. 所以有 是的协方差矩阵。 中包括待计算LLR值的第i个比特si.所以可 近似计算： 所以有： 所以LLR值可以这样近似计算：（将搜索的维度降到了ns） 为了进一步减小干扰项的影响。计算 SUMIS(发射等概下)steps: 分别划分出对应于第k个元素sk的，k=1,2,....NT 如何划分？划分的目的是，使干扰矢量对有用矢量的影响尽量小。计算出矩阵 因为第k个比特sk与的第k列相联系。所以我们选取第k列中值较大的ns个元素所在的行的行序号作为H中的列序号。把这些列划分到。剩下的划分到。同样选中s中对应该行号的元素放入，剩下的放到。 计算出（即第k个元素的似然比值LLR），接着计算条件期望值和条件方差. 纯化，减小干扰。 由3）可得到。所以有近似的LLR值可得， 得出LLR值后进行判决。 总结： 通过选择ns的值，一方面减小了运算复杂度，其主要表现在计算和上。因为其只对进行遍历搜索，而不是s。并且只计算，减小了计算维度。另一方面，但这样这样造成的误差并不大，因为“纯化”的缘故，即最后减去了干扰的条件期望。