CN101834827A - 一种多输入多输出***中的信号检测方法和装置 - Google Patents

Abstract

本申请实施例公开了一种多输入多输出***中的信号检测方法和装置。其中，所述方法包括：将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号，并根据所述比特级表示的QAM发送信号，将信道矩阵转换为复合信道矩阵；对所述复合信道矩阵进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构；基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合中各个候选信号的度量值；利用所述度量值计算发射信号的后验信息。本申请实施例，可以减小信号检测过程的实现难度。

Description

一种多输入多输出***中的信号检测方法和装置

技术领域

本申请涉及通信和计算机技术领域，特别是涉及一种多输入多输出***中的信号检测方法和装置。

背景技术

随着无线通信技术的发展，采用多天线阵元的MIMO(Multiple-InputMultiple-Out-put，多输入多输出)技术由于充分利用了空间资源，并能够在有限的带宽内大大提高***的频率利用率，因此，MIMO技术为用户提供了单天线技术无法提供的容量潜力，并成为一条利用空间维度来提高***容量和可靠性的有效途径。目前，MIMO技术已经成为3G或4G中的热点技术之一。

在MIMO***中，由于接收端的性能最终会极大地影响整个传输***的传输速率、误码率性能和***复杂度，因此，接收端性能的改进也就成为研究人员关注的焦点。目前，研究人员已经提出将序列译码方法应用于MIMO***的信号检测过程中。其中，应用宽度优先M算法的树搜索方法可以搜索得到一个信号候选序列，并计算信号候选序列的度量值，利用这些度量值计算发射信号所对应比特的后验信息，完成信号检测过程。这种基于宽度优先M算法的树搜索方法，不仅使计算的复杂度不随信噪比和信道条件的变化而改变，而且还使传输***具有良好的误码率性能。

但是，发明人在研究中发现：应用宽度优先M算法的树搜索方法是基于符号级别的信号树进行搜索的，在星座维度较高的情况下，整个树搜索过程的计算复杂度高，最终增加了信号检测过程的实现难度。

发明内容

为了解决上述技术问题，本申请实施例提供了一种多输入多输出***中的信号检测方法和装置，以减小信号检测过程的实现难度。

本申请实施例公开了如下技术方案：

一种多输入多输出***中的信号检测方法，包括：将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号，并根据所述比特级表示的QAM发送信号，将信道矩阵转换为复合信道矩阵；对所述复合信道矩阵进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构；基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合中各个候选信号的度量值；利用所述度量值计算发射信号的后验信息。

一种多输入多输出***中的信号检测装置，包括：转换单元，用于将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号，并根据所述比特级表示的QAM发送信号，得到复合信道矩阵；分解单元，用于对所述复合信道矩阵进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构；搜索单元，用于基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合中各个候选信号的度量值；检测单元，利用所述度量值计算发射信号的后验信息。

由上述实施例可以看出，本申请中比特级树搜索检测方法可以减小每次需要展开搜索的分支路径，相应每层节点展开之后只需要计算2M个节点的度量。相对于现有基于符号的树搜索方法中，在树搜索的每一个阶段，每个留存路径都要根据星座集的大小扩展为

个分支路径，相应的每层节点展开后，需要计算这些

个子节点的度量，进而使整个树搜索算法的复杂度与调制阶数M_r呈指数级的关系来说，本申请的实现方案减小了整个算法复杂度，从而减小了信号检测过程的实现难度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一种多输入多输出***中的信号检测方法的一个实施例的流程图；

图2为本申请一种格雷映射示意图；

图3为本申请一种自然映射示意图；

图4为本申请16QAM星座留存路径为4时的比特级树搜索算法的展开搜索图；

图5为本申请一种多输入多输出***中的信号检测装置一个实施例的结构图；

图6为本申请一种多输入多输出***中的信号检测装置的另一个实施例的结构图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例进行详细描述。

实施例一

请参阅图1，其为本申请一种多输入多输出***中的信号检测方法的一个实施例的流程图，该方法包括以下步骤：

步骤101：将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号，并根据所述比特级表示的QAM发送信号，将信道矩阵转换为复合信道矩阵；

步骤102：对所述复合信道矩阵进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构；

步骤103：应用宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合中各个候选信号的度量值。

步骤104：利用所述度量值计算发射信号的后验信息。

下面对上述信号检测过程进行详细说明。其中，当将正交幅度调制QAM发送信号的星座点转换为比特矢量表示的形式，得到比特矢量表示的QAM发送信号，并根据所述比特矢量表示的QAM发送信号，将信道矩阵转换为复合信道矩阵时，可以按照如下方式进行。

假设在一个使用N_t根发射天线和N_r根接收天线的MIMO***模型中，发送符号为方形星座的正交幅度调制，星座集的大小为

其中M_c为每个发送符号在复数域下的比特数，则，MIMO***在复数域下的离散时间***模型为：

y^c＝H^cs^c+n^c                (1)

将式(1)的复数域下的***模型等效为一个在实数域下的***模型为：

y＝Hs+n                    (2)

可以得出，在实数域下，接收信号y的向量维度为N_R×1，发送信号s的向量维度为N_T×1，信道矩阵H的向量维度为N_T×N_T，实高斯噪声n的向量维度为N_R×1，均值为

方差矩阵为

其中，N_R为实数域下的等效接收天线数目，N_T为实数域下的等效发送天线数目，且N_R＝2N_r，N_T＝2N_t。

当MIMO信道为平坦衰落的瑞利信道时，每帧N_TM_r长的比特符号为：

$x={\left[\begin{array}{cccccccccc}{x}_{\mathrm{1,1}}& \·\·\·& x_{1,M_r}& x_{\mathrm{2,1}}& \·\·\·& x_{2,M_r}& \·\·\·& x_{N_T,1}& \·\·\·& x_{N_T,M_r}\end{array}\right]}^T---\left(3\right)$

其中，M_r为每个发送符号在实数域下的比特数，且M_r＝M_c/2。经过串并变换后映射为一个发送符号s。

当***使用如图2所示的格雷映射时，则第k根发射天线上的发送符号s_k和其相应的映射比特符号x_k，j，j＝1，…，M_r之间的关系可以由下式来表示：

$s_k=\underset{i=1}{\overset{M_r}{\mathrm{\Σ}}}{w}_i\underset{j=1}{\overset{i}{\mathrm{\Π}}}{x}_{k,j}---\left(7\right)$

图2给出了8-PAM格雷映射星座的一个例子，这里引入了一个中间参量u_k，i，u_k，i∈{+1，-1}，令，

$u_{k,i}=\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{x}_{k,j},i=\mathrm{1,2},\·\·\·,M_r---\left(8\right)$

当用u_k来表示u_k，i，i＝1，…，M_r所组成的向量，用w表示相应于u_k，i的权重因子w_i，i＝1，…，M_r所组成的向量时，则，

$u_k={\left[\begin{array}{cccc}{u}_{k,1}& u_{k,2}& \·\·\·& u_{k,M_r}\end{array}\right]}^T,$ $w={\left[\begin{array}{cccc}{w}_1& w_2& \·\·\·& w_{M_r}\end{array}\right]}^T---\left(9\right)$

因此，s_k的向量表示为：

s_k＝w^Tu_k                (10)

对于M-QAM来说，

权重因子：

$w=\sqrt{\frac{3}{2(M-1)}}{\left[\begin{array}{cccccccc}\sqrt{M}{2}^{-1},& \sqrt{M}{2}^{-2},& \·\·\·,& 1,& \sqrt{M}{2}^{-1}j,& \sqrt{M}{2}^{-2}j,& \·\·\·& j\end{array}\right]}^T---\left(11\right)$

其中，j代表虚数符号，即

M为星座点数。例如，当使用16QAM星座时，M＝16，

从u_k，i的定义可以得出，x_k，i与u_k，i和u_k，i-1之间有如下关系：

x_k，i＝u_k，iu_k，i-1，i＝2，…，M_r                (12)

在i＝1时，x_k，i＝u_k，i。将式(12)代入式(7)中，可以得到向量s和u之间的关系：

$s=(I_{N_T}\⊗w^T)u---\left(13\right)$

其中，

表示Kronecker直积。

将式(13)带入式(2)中，则有

将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号u，并根据QAM发送信号s和比特向量u的关系，定义复合信道矩阵：

$A=H(I_{N_T}\⊗w^T)$

$=\left[\begin{array}{cccc}{h}_1\⊗w^T& h_2\⊗w^T& \·\·\·& h_{N_T}\⊗w^T\end{array}\right]---\left(14\right)$

其中，h_i代表信道矩阵H的第i列。定义N_c＝N_TM_r，复合信道矩阵A的维度为N_R×N_c。那么等效信道模型就可以写为：

y＝Au+n                    (15)

另外，当***使用如图3所示的自然映射时，则第k根发射天线上的符号s_k和其相应的映射比特x_k，j，j＝1，…，M_r之间的关系可以由下式来表示：

$s_k=\underset{i=1}{\overset{M_c}{\mathrm{\Σ}}}{w}_i{x}_{k,i}---\left(16\right)$

s_k的向量表示为：s_k＝w^Tx_k                    (17)

其中， $x_k={\left[\begin{array}{cccc}{x}_{k,1}& x_{k,2}& \·\·\·& x_{k,M_r}\end{array}\right]}^T.$

在使用方型QAM星座时，式(17)中的权重因子w按照式(11)的方式进行计算。那么，类似于格雷映射，定义复合信道矩阵为：

$A=H(I_{N_T}\⊗w^T)$

$=\left[\begin{array}{cccc}{h}_1\⊗w^T& h_2\⊗w^T& \·\·\·& h_{N_T}\⊗w^T\end{array}\right]$

复合信道矩阵A 的维度为N_R×N_c。那么等效的信道模型就可以写为：

y＝Ax+n                            (18)

其中， $x={\left[\begin{array}{cccc}{x}_1^T& x_2^T& \·\·\·& x_{N_T}^T\end{array}\right]}^T$

当对所述复合信道矩阵利用MMSE准则进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构时，可以按照如下方式进行。

首先，为了能得到一个等效的满秩矩阵，基于MMSE准则，定义扩展复合信道矩阵为：

$\underset{\‾}{A}\stackrel{\mathrm{\Δ}}{=}\left[\begin{array}{c}A\\ {\mathrm{\σ}}_n{I}_{N_c}\end{array}\right]---\left(19\right)$

其次，对扩展复合信道矩阵A进行QR分解得到A＝QR，这里的

其列向量相互正交，而

是一个上三角矩阵。

这里需要说明的是，在多输入多输出***中的信号检测过程中，度量按照如下公式进行计算：

$\mathrm{\μ}\left(s\right)=-\frac{1}{2{\mathrm{\σ}}_n^2}{\left|\right|y-\mathrm{Hs}\left|\right|}^2+\frac{1}{2}{x}^T{L}_A\left(x\right)---\left(20\right)$

其中，L_A(x)表示与比特向量x相对应的先验信息。

最后，为了得到更好的检测效果，在QR分解之前，我们对矩阵A的各列重新进行排序。

对于格雷映射来说，将公式(20)中的||y-Hs||²和

关联起来，得到格雷映射时的度量值，

${\left|\right|y-\mathrm{Hs}\left|\right|}^2={\left|\right|y-\mathrm{Au}\left|\right|}^2$

$=y^{H}y-y^H\mathrm{Au}-u^H{A}^{H}y+u^H{A}^H\mathrm{Au}$

$=y^{H}y-{\hat{u}}^H{R}^H\mathrm{Ru}-u^H{R}^{H}R\hat{u}+u^H(R^{H}R-{\mathrm{\σ}}_n^2{I}_{N_c})u$

$={\hat{u}}^H{R}^{H}R\hat{u}-{\hat{u}}^H{R}^H\mathrm{Ru}-u^H{R}^{H}R\hat{u}+u^H{R}^H\mathrm{Ru}-{\mathrm{\σ}}_n^2{u}^{H}u-{\hat{u}}^H{R}^{H}R\hat{u}+y^{H}y$

$={\left|\right|R(u-\hat{u})\left|\right|}^2-{\mathrm{\σ}}_n^2{u}^{T}u-{\hat{u}}^H{R}^{H}R\hat{u}+y^{H}y$

$={\left|\right|R(u-\hat{u})\left|\right|}^2-{\mathrm{\σ}}_n^2{u}^{T}u-y^H(A{(A^{H}A+{\mathrm{\σ}}_n^2{I}_{N_c})}^{-1}{A}^H-I_{N_R})y---\left(21\right)$

其中， $\hat{u}={(A^{H}A+{\mathrm{\σ}}_n^2{I}_{N_c})}^{-1}{A}^{H}y.$

令 $C={\mathrm{\σ}}_n^2{u}^{T}u+y^H(A{(A^{H}A+{\mathrm{\σ}}_n^2{I}_{N_c})}^{-1}{A}^H-I_{N_R})y---\left(22\right)$

由于中间向量u中的符号都为比特符号，满足|u_k，i|²＝1，显然此时C的大小和中间变量u的选取没有关系，因此，可以将其从度量计算中省略。那么度量就可以重新表示为：

$\mathrm{\μ}\left(s\right)=-\frac{1}{2{\mathrm{\σ}}_n^2}{\left|\right|R(u-\hat{u})\left|\right|}^2+\frac{1}{2}{x}^T{L}_A\left(x_{n,k}\right)$

$=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}(-\frac{1}{2{\mathrm{\σ}}_n^2}{\left|\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{r}_{i,j}(u_j-{\hat{u}}_j)\right|}^2+\frac{1}{2}{x}_i{L}_A\left(x_i\right))---\left(23\right)$

此外，对于自然映射来说，将公式(20)中的||y-Hs||²和

关联起来，得到自然映射时的度量值，

$\mathrm{\μ}\left(s\right)=-\frac{1}{2{\mathrm{\σ}}_n^2}{\left|\right|R(x-\hat{x})\left|\right|}^2+\frac{1}{2}{x}^T{L}_A\left(x\right)$

$=\underset{i=1}{\overset{N_c}{\mathrm{\Σ}}}(-\frac{1}{2{\mathrm{\σ}}_n^2}{\left|\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{r}_{i,j}(x_j-{\hat{x}}_j)\right|}^2+\frac{1}{2}{x}_i{L}_A\left(x_i\right))---\left(24\right)$

其中， $\hat{x}={(A^{H}A+{\mathrm{\σ}}_n^2{I}_{N_c})}^{-1}{A}^{H}y.$

上述公式(23)和公式(24)分别为格雷映射和自然映射下信号度量值的数学表达式，即，基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，可以得到信号候选集合，而计算所述信号候选集合中各个候选信号的度量值过程的数学模型。

其中，基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合的度量值包括：在所述逐比特分层的树结构的当前层中，计算由上一层的M个留存节点所展开的2M个分支路径上2M个节点的度量值；从所述2M个节点中搜索度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；依次逐层搜索，从最后一层的2M个节点中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

例如，如图4所示，在逐比特分层的树结构的第k层，计算由k-1层的4个留存节点所展开的8个分支路径上8个节点的度量值，比较8个节点的度量值大小，从中选择度量值最大的4个节点作为第k层的留存节点。依次逐层搜索，当计算到最后一层时，从最后一层的8个节点中选择4个留存节点，并将这4个留存节点作为信号候选集合，计算信号候选集合中的4个留存节点的度量值。

在格雷映射中，上述度量值的更新计算，可以按照下面的数学表达式来表示：

${\mathrm{\μ}}_1=-\frac{1}{2{\mathrm{\σ}}_n^2}{\left|r_{\mathrm{1,1}}(u_1-{\hat{u}}_1)\right|}^2+\frac{1}{2}{x}_1{L}_A\left(x_1\right)$

...

${\mathrm{\μ}}_i={\mathrm{\μ}}_{i-1}-\frac{1}{2{\mathrm{\σ}}_n^2}{|r_{i,i}(u_i-{\hat{u}}_i)+\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{r}_{i,j}(u_j-{\hat{u}}_j)|}^2+\frac{1}{2}{x}_i{L}_A\left(x_i\right),2\≤i\≤N_c---\left(25\right)$

...

$\mathrm{\μ}\left(s\right)={\mathrm{\μ}}_{N_c}$

从公式(25)看到度量分层计算的过程，而在每一层度量计算完成之后，进行度量排序，保留度量最大的M个节点，作为下一次展开的保留节点。

在自然映射中，上述度量值的更新计算，可以按照下面的数学表达式来表示：

${\mathrm{\μ}}_1=-\frac{1}{2{\mathrm{\σ}}_n^2}{\left|r_{\mathrm{1,1}}\left({x_1-\hat{x}}_1\right)\right|}^2+\frac{1}{2}{x}_1{L}_A\left(x_1\right)$

...

${\mathrm{\μ}}_i={\mathrm{\μ}}_{i-1}-\frac{1}{2{\mathrm{\σ}}_n^2}{|r_{i,i}(x_i-{\hat{x}}_i)+\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{r}_{i,j}(x_j-{\hat{x}}_j)|}^2+\frac{1}{2}{x}_i{L}_A\left(x_i\right),2\≤i\≤N_c---\left(26\right)$

...

$\mathrm{\μ}\left(s\right)={\mathrm{\μ}}_{N_c}$

一种优选的实施方式是，基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合的度量值包括：在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；对先验信息大于第一阈值的节点所对应层不进行搜索展开，并使用当前层先验信息的符号将上一层留存节点的留存路径进行延展，将先验信息不大于第一阈值的节点展开，按照度量值的大小，搜索度量值最大的M个节点作为当前层的留存节点；依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

例如，在逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息，所有层对应比特的先验信息分别与第一阈值进行比较，例如，第K层对应比特的先验信息大于第一阈值，则将第K-1层的4个留存节点的留存路径使用第k层先验信息的符号进行延展，而第K+1层对应比特的先验信息不大于第一阈值，则将第K层的4个留存节点展开，计算由4个节点所展开的8个分支路径上的8个节点的度量值，比较8个节点的度量值大小，从中选择度量值最大的4个节点作为第k+1层的留存节点。依次逐层搜索，在搜索到最后一层时，从最后一层中选择4个留存节点，并将这4个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

另一种优选的实施方式是，基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合的度量值包括：在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；将先验信息大于第二阈值的节点的先验信息加权值作为度量值，从上层的M个留存节点展开的2M个节点中搜索度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

例如，在逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息，将所有层对应比特的先验信息分别与第二阈值进行比较，将先验信息大于第二阈值的节点的先验信息加权值作为度量值，如，对于格雷映射来说，公式(19)中的

即为先验信息加权值，对于自然映射来说，公式(20)中的

即为先验信息加权值。如，当第k层对应比特的先验信息大于第二阈值，则将由第k-1层中的4个留存节点所展开的8个节点的先验信息加权值作为度量值，从中选择度量值最大的4个节点作为第k层的留存节点。。依次逐层搜索，在搜索到最后一层时，从最后一层中选择4个留存节点，并将这4个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

当然，也可以结合两种优选方式完成。如，当在逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息后，先将所有层对应比特的先验信息分别与第一阈值进行比较，将先验信息大于第一阈值的节点所对应层不搜索展开，如，当第k层对应比特的先验信息大于第一阈值时，将第k-1层的4个留存节点的留存路径使用第k层先验信息的符号进行延展，从剩余层中将先验信息大于第二阈值的节点的先验信息加权值作为度量值。如，当第k层对应比特的先验信息大于第二阈值，则将由第k-1层中的4个留存节点所展开的8个节点的先验信息加权值作为度量值，从中选择度量值最大的4个节点作为第k层的留存节点。而对于先验信息不大于第二阈值的节点，将按照度量值的大小，从展开的2M个节点中搜索度量值最大的M个节点，将度量值最大的M个节点作为当前层的留存节点。依次逐层搜索，在搜索到最后一层时，从最后一层中选择4个留存节点，并将这4个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

需要说明的是，当使用格雷映射时，从度量的定义可以得到，如果

那么我们只需要计算和先验信息相关的度量即可。度量之间有如下的关系：

$\frac{1}{{\mathrm{\σ}}_n^2}{\left|\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{r}_{i,j}(u_j-{\hat{u}}_j)\right|}^2\≤\frac{1}{{\mathrm{\σ}}_n^2}{\left|\right|R(u-\hat{u})\left|\right|}^2=\frac{1}{{\mathrm{\σ}}_n^2}({\left|\right|y-\mathrm{Hs}\left|\right|}^2+C)---\left(27\right)$

||y-Hs||²+C的期望可以近似为σ_n ²(N_R+N_c)。当|L_A(x_i)|＞＞T₁，T₁≥N_R+N_c时，其中，T₁为第二阈值，就可以仅仅计算和先验信息相关的度量，此时和第i层信号相关的度量可以写为：

${\mathrm{\μ}}_I=\frac{1}{2}{x}_i{L}_A\left(x_i\right)---\left(28\right)$

随着信噪比的增大，从信道解码器得到的先验信息绝对值会增大。当从解码器得到的先验信息的绝对值超过一个设定门限(第一阈值)时，可以认为关于这些比特的先验信息是可靠的。那么对这些比特我们就不再计算其度量，此时搜索树的深度就可以大大减小。因此算法的计算复杂度能随信噪比的增加而降低。

上述原理也同样适用于自然映射。

还需要说明的是，而第一阈值的取值范围为3～5倍的第二阈值。

由上述实施例可以看出，本申请中比特级树搜索检测方法可以减小每次需要展开搜索的分支路径，相应每层节点展开之后只需要计算2M个节点的度量。相对于现有基于符号的树搜索方法中，在树搜索的每一个阶段，每个留存路径都要根据星座集的大小扩展为

个分支路径，相应的每层节点展开后，需要计算这些

个子节点的度量，进而使整个树搜索算法的复杂度与调制阶数M_r呈指数级的关系来说，本申请的实现方案减小了整个算法复杂度，从而减小了信号检测过程的实现难度。

实施例三

与上述一种多输入多输出***中的信号检测方法相对应，本申请实施例还提供了一种多输入多输出***中的信号检测装置。请参阅图5，其为本申请多输入多输出***中的信号检测装置一个实施例的结构图，该装置包括转换单元501、分解单元502、搜索单元503和检测单元504。下面结合该装置的工作原理进一步介绍其内部结构以及连接关系。

转换单元501，用于将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号，并根据所述比特级表示的QAM发送信号，将信道矩阵转换为复合信道矩阵；

分解单元502，用于对所述复合信道矩阵进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构；

搜索单元503，用于基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合中各个候选信号的度量值；

检测单元504，用于利用所述度量值计算发射信号的后验信息。

请参阅图6，其为本申请一种多输入多输出***中的信号检测装置的另一个实施例的结构图。其中，搜索单元503进一步包括：计算子单元5031、第一搜索子单元5032和选择子单元5033，

计算子单元5031，用于在所述逐比特分层的树结构的当前层中，计算由上一层的M个留存节点所展开的2M个分支路径上2M个节点的度量值；

第一搜索子单元5032，用于从所述2M个节点中搜索度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；

选择子单元5033，用于依次逐层搜索，从最后一层的2M个节点中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

优选的，上述计算子单元5031可以被替换为获取子单元，第一搜索子单元5032可以被替换为第二搜索子单元，则，搜索单元503包括：

获取子单元，用于在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；

第二搜索子单元，用于对先验信息大于第一阈值的节点所对应层不进行搜索展开，并使用当前层先验信息的符号将前一层留存节点的留存路径进行延展，将先验信息不大于第一阈值的节点展开，按照度量值的大小，搜索度量值最大的M个节点作为当前层的留存节点；

选择子单元，用于依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

优选的，上述计算子单元5031可以被替换为获取子单元，第一搜索子单元5032可以被替换为第三搜索子单元，则，搜索单元503包括：

获取子单元，用于在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；

第三搜索子单元，用于将先验信息大于第二阈值的节点的先验信息加权值作为度量值，从上层的M个留存节点展开的所述2M个节点中选择度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；

选择子单元，用于依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

所述正交幅度调制QAM发送信号的星座点的映射方式包括格雷映射或自然映射。

由上述实施例可以看出，本申请中比特级树搜索检测方法可以减小每次需要展开搜索的分支路径，相应每层节点展开之后只需要计算2M个节点的度量。相对于现有基于符号的树搜索方法中，在树搜索的每一个阶段，每个留存路径都要根据星座集的大小扩展为

个分支路径，相应的每层节点展开后，需要计算这些

个子节点的度量，进而使整个树搜索算法的复杂度与调制阶数M_r呈指数级的关系来说，本申请的实现方案减小了整个算法复杂度，从而减小了信号检测过程的实现难度。

需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上对本申请所提供的一种多输入多输出***中的信号检测方法和装置进行了详细介绍，本文中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种多输入多输出***中的信号检测方法，其特征在于，包括：

将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号，并根据所述比特级表示的QAM发送信号，将信道矩阵转换为复合信道矩阵；

对所述复合信道矩阵进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构；

基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合中各个候选信号的度量值；

利用所述度量值计算发射信号的后验信息。

2.根据权利要求1所述的方法，其特征在于，所述基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合的度量值包括：

在所述逐比特分层的树结构的当前层中，计算由上一层的M个留存节点所展开的2M个分支路径上2M个节点的度量值；

从所述2M个节点中搜索度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；

依次逐层搜索，从最后一层的2M个节点中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

3.根据权利要求1所述的方法，其特征在于，所述基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合的度量值包括：

在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；

对先验信息大于第一阈值的节点所对应层不进行搜索展开，并使用当前层先验信息的符号将前一层留存节点的留存路径进行延展，将先验信息不大于第一阈值的节点展开，按照度量值的大小，搜索度量值最大的M个节点作为当前层的留存节点；

依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

4.根据权利要求1所述的方法，其特征在于，所述基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合的度量值包括：

在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；

将先验信息大于第二阈值的比特节点的先验信息加权值作为度量值，从上层的M个留存节点展开的2M个节点中搜索度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；

依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

5.根据权利要求1-4任意一项所述的方法，其特征在于，所述正交幅度调制QAM发送信号的星座点的映射方式包括格雷映射或自然映射。

6.一种多输入多输出***中的信号检测装置，其特征在于，包括：

转换单元，用于将正交幅度调制QAM发送信号的星座点转换为比特矢量加权和的形式，得到比特级表示的QAM发送信号，并根据所述比特级表示的QAM发送信号，得到复合信道矩阵；

分解单元，用于对所述复合信道矩阵进行QR分解，得到一个上三角矩阵，利用所述上三角矩阵构建一个逐比特分层的树结构；

搜索单元，用于基于宽度优先M算法对逐比特分层的树结构进行逐层搜索，得到信号候选集合，计算所述信号候选集合中各个候选信号的度量值；

检测单元，利用所述度量值计算发射信号的后验信息。

7.根据权利要求6所述的装置，其特征在于，所述搜索单元包括：

计算子单元，用于在所述逐比特分层的树结构的当前层中，计算由上一层的M个留存节点所展开的2M个分支路径上2M个节点的度量值；

第一搜索子单元，用于从所述2M个节点中搜索度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；

选择子单元，用于依次逐层搜索，从最后一层的2M个节点中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

8.根据权利要求6所述的装置，其特征在于，所述搜索单元包括：

获取子单元，用于在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；

第二搜索子单元，用于将先验信息大于第一阈值的节点所对应层不进行展开搜索，并使用当前层先验信息的符号直接将前一层留存节点的留存路径进行延展，将先验信息不大于第一阈值的节点展开，按照度量值的大小，搜索度量值最大的M个节点作为当前层的留存节点；

选择子单元，用于依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

9.根据权利要求6所述的装置，其特征在于，所述搜索单元包括：

获取子单元，用于在所述逐比特分层的树结构中，从解码器获取所有层对应比特的先验信息；

第三搜索子单元，用于将先验信息大于第二阈值的节点的先验信息加权值作为度量值，从上层的M个留存节点展开的2M个节点中选择度量值最大的M个节点，将所述度量值最大的M个节点作为当前层的留存节点；

选择子单元，用于依次逐层搜索，从最后一层中选择M个留存节点作为信号候选集合，计算所述信号候选集合的度量值。

10.根据权利要求6-9任意一项所述的装置，其特征在于，所述正交幅度调制QAM发送信号的星座点的映射方式包括格雷映射或自然映射。

Images