MIMO均衡算法简介.docVIP

MIMO均衡算法概述 一、线性均衡 线性均衡包括迫零均衡（ZF）和最小二乘均衡（MMSE）。 我们知道MIMO系统的接收信号为y=Hx+z，则可以通过设计加权矩阵W，使其满足，即可估算出发射信号x。 其中ZF均衡的加权矩阵为。复杂度约为，这个复杂度是相当低的。但是它获得的分集度也仅为，而且ZF均衡在设计加权矩阵时没有考虑噪声因素，所以它在完全抑制干扰的同时，也带来了噪声增强问题，这极大地影响了均衡的性能。另外，由于我们假设接收端已知所有的信道状态信息，即我们通过ZF均衡完全可以消除信道的作用，所以天线数目对其性能影响不大。 MMSE均衡的加权矩阵为。它的设计兼顾考虑了干扰与噪声的抑制，相对只考虑发送符号间干扰消除的ZF检测，可以有效地克服噪声增强的问题，获得更好的系统误码性能，而且更重要的是MMSE均衡的误码性能随着系统天线数的增加也在增加。MMSE均衡的难点也集中在计算广义逆上，其均衡的复杂度也为，可以获得的分集度为。 二、OSIC算法 线性均衡具有较低的计算复杂度，但是系统的误码性能却不够理想，所以我们引入一种新的排序串行干扰消除（OSIC）算法。我们将每条接收天线上的数据按一定标准进行排序，然后执行多级的 “分层剥离”，即在均衡的过程中发送数据流被一层一层串行地均衡和消除。 OSIC算法可以跟ZF以及MMSE结合分别形成ZF-OSIC和MMSE-OSIC均衡。由于我们引入了干扰消除，在均衡后一层的接收数据的时候，会将前一层带来的干扰抵消掉，所以，相对于经典的线性均衡，其系统误码性能有大幅度的提高。而且当系统的天线数增多的时候，ZF-OSIC系统的误码性能会有更进一步的提高。 而接收天线上数据的重新排列主要以下四种标准： 基于信号与干扰加噪声比（SINR）的排序 基于信噪比（SNR）的排序 基于列准则的排序 基于接收信号的排序 三、最大似然（ML）均衡 ML均衡通过计算接收信号与H乘上所有可能发射信号之间的欧氏距离，取最小时的x值作为发射信号。即将每个可能的x值代入ML矩阵计算得最小值时的x值作为发射信号估计值。 当发射信号是等概时，ML均衡通过最大后验判决实现最优性能，但其复杂度也随着调制顺序和天线数的增加而大大增加。 四、球形译码算法(SD) 由于ML算法要求扫描所有星座点，在所有可能向量中寻找合适的信号向量，系统过于复杂，所以我们引入SD算法，以y为圆心，只在给定半径的球形范围内寻找合适向量，通过修改球形半径直到给定范围内只存在一个向量，即为所求。 相比ML算法，SD算法大大缩小了每次判决所需要扫描的星座点数，使其系统复杂度有了很大的改进。 五、基于QR分解和M算法的最大似然检测（QRM-MLD） 由于SD算法的性能取决于SNR、信道条件数和初始半径的取法等，这使硬件的实现难度较大，为降低硬件难度，我们引进了QRM-MLD算法。 先将信道矩阵进行QR分解，即 ，则ML矩阵变形为： 在星座点集合中选择M个向量，在这M个向量中一次找出使达到最小的，，，，即为发射信号的估计值。 由此可见QRM-MLD的性能仅取决于参数M，当M增大时，复杂度增加，性能近似于ML均衡。 六、格缩减辅助均衡（LRAD） 一般而言线性均衡和OSIC算法都会增加噪声成分，进而减小了误码性能，尤其是当信道的条件数增大时，对噪声的增大作用将非常明显。为减小信道矩阵的条件数，我们引进了LRAD算法，通过LLL（Lenstra-Lenstra-Lovasz）算法改变信道矩阵的基向量以减小H的条件数。 LRAD可以跟不同的均衡方式结合。若跟线性均衡或OSIC结合，当条件数比较大时，噪声的增强将被明显减小；跟SD结合时，初始猜测值跟ML很接近，半径较小。