CN102647259A - 基于奇异值分解的多用户mimo***上行链路传输方法 - Google Patents

Abstract

本发明公开了一种基于奇异值分解的多用户MIMO***上行链路传输方法。主要解决现有技术因迫零后处理矩阵引起的噪声功率增强问题，实现过程为：将用户发送的信息符号表示为一个列向量，构建功率调整矩阵；对信道矩阵进行奇异值分解构建预处理矩阵；对信息符号向量进行功率归一化和预处理；用户将信号发给基站，基站对接收信号的传输矩阵进行格归约变换，得到近似正交的矩阵；利用近似正交的矩阵根据迫零检测方法构建后处理矩阵，以对接收信号进行后处理；将后处理后的信号的信息符号的实部和虚部转化成连续的整数后，对信号进行量化取整操作得到信息符号的判决向量，经判决后将得到的估计值输出。本发明具有能有效消除噪声功率增强效果的优点。

Description

基于奇异值分解的多用户MIMO***上行链路传输方法

技术领域

本发明属于通信技术领域，涉及多用户MIMO***中上行链路数据的传输，具体地说是一种基于奇异值分解的格规约辅助的多用户MIMO***上行链路传输方法。

背景技术

为了满足未来无线通信的高传输速率，高可靠性和高***业务容量的要求，无线传输***的终端和基站都将需装配多个天线，从而构成多输入多输出的MIMO***，MIMO***提供了复用、分集等增益，极大的提高了***的传输速率与可靠性。当前，单用户MIMO***已经获得了大量的研究成果，其能够在不增加带宽的情况下，成倍地提升用户传输的信息速率，提高了频谱利用率。然而，对于多用户MIMO***，因为同时存在多用户干扰以及每个用户自身天线内部的干扰，使传输方案的设计复杂了很多。

在用户的发射端，利用预处理技术可以有效的消除自身天线的干扰，在基站的接收端，使用后处理技术能够有效消除多用户干扰，所以在多用户MIMO上行链路传输***中，预处理和后处理成为两个有效消除干扰的关键技术，大大降低了***传输设计的复杂度。

图1展示了一种典型的具有预处理和后处理功能的多用户MIMO***的上行链路传输架构。由图1可知，该***由一个基站和多个用户构成。其中，基站和每个用户都装配有多根天线，构成了多用户MIMO***。在传输过程中，每个用户的数据首先通过一个预处理模块，然后通过配置的多根天线将数据发送给基站，基站端将收到所有用户发送的信号，由于这些信号是叠加在一起的，因而基站端就要采取合适的后处理方法分离出每个用户发送的信号，从而正确地获得每个用户发送的信息。

近年来，一种基于奇异值分解的上行链路多数据流传输成为研究的热点。文献“SVD-Assisted Multiuser Transmitter and Multiuser Detector Design for MIMOSystems”给出了一种基于奇异值分解的多用户MIMO***的传输方法，它能够有效利用预处理和后处理技术，用户根据信道信息对信道矩阵进行奇异值分解，然后对发射信号进行预处理，以完全消除自身天线的干扰。基站则对接收到的用户信号进行迫零后处理，从而完全消除多用户干扰。同时这种方法还可以支持根据子信道特征值的大小采用不同的调制方式，对于特征值较大的子信道采用高阶调制，特征值较小的子信道采用低阶调制。但是，在基站的接收端，由于受到迫零后处理矩阵的影响，会导致噪声功率增强，降低了***的传输性能。

发明内容

本发明的目的在于克服上述已有传输方法的不足，提供了一种多用户MIMO***基于奇异值分解的格规约辅助的上行链路传输方法，以有效消除传统迫零后处理矩阵引起的噪声功率增强的影响，提高***的传输性能。

实现本发明的技术思路是：在多用户MIMO***的上行链路传输中，使用基于奇异值分解的格规约辅助的迫零后处理技术，对传统迫零后处理矩阵产生的噪声功率进行消除，其具体实现步骤包括如下：

(1)将第j个用户发送给基站的信息符号表示为一个列向量：

$x_j={[x_{j1},x_{j2},...,x_{{\mathrm{jn}}_j}]}^T,$

式中，x_ji为第j个用户发送给基站的第i个数据流，1≤i≤n_j，n_j为用户发送的数据流个数，n_j≤N_j，N_j为第j个用户配置的天线数，1≤j≤K，K为***的用户数，[·]^T表示矩阵转置；

(2)构建第j个用户发送给基站的信息符号列向量x_j的数据流发射功率归一化的功率调整矩阵β_j：

${\mathrm{\β}}_j=\mathrm{diag}[{\mathrm{\β}}_{j1},{\mathrm{\β}}_{j2},...,{\mathrm{\β}}_{{\mathrm{jn}}_j}],$

式中，β_ji是使得第j个用户发送给基站的第i个数据流x_ji的发射功率归一化的功率调整系数，1≤j≤K，1≤i≤n_j，diag[…]表示对角矩阵；

(3)对第j个用户与基站之间的信道矩阵H_j进行奇异值分解：

$H_j=U_j{\mathrm{\Λ}}_j^{1/2}{V}_j^H,$

式中，U_j为包含信道矩阵H_j的

个左奇异值向量的

维半酉矩阵，N_j为第j个用户天线的个数，

为信道矩阵H_j的秩，且

为

维对角矩阵，且对角元素按非递增顺序排列，λ_ji为信道矩阵H_j与其共轭转置矩阵

的乘积的非零特征值，[·]^H表示矩阵共轭转置， $i=\mathrm{1,2},...{\tilde{N}}_j,$

V_j为包含信道矩阵H_j的

个右奇异值向量的

维半酉矩阵，M为基站接收天线的个数，

为半酉矩阵V_j的共轭转置矩阵，1≤j≤K；

(4)根据右奇异值向量构建第j个用户发送的信息符号列向量x_j的预处理矩阵Q_j，消除用户发射机的n_j根天线所发送数据流之间的干扰：

$Q_j=V_{{\mathrm{jn}}_j},$

式中，

表示半酉矩阵V_j的前n_j个列向量，它包含信道矩阵H_j的前n_j个最大奇异值的右奇异值向量，1≤j≤K；

(5)用上述的功率调整矩阵β_j和预处理矩阵Q_j，对信息符号列向量x_j进行功率归一化和预处理，得到第j个用户发送给基站的信号d_j，通过用户端的n_j根天线将信号d_j发射出去，1≤j≤K；

(6)基站接收端通过天线接收到K个用户发送的信号为：

$y=\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{H}_j{d}_j+n=\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{U}_{{\mathrm{jn}}_j}{\mathrm{\&Lambda;}}_{{\mathrm{jn}}_j}^{1/2}{V}_{{\mathrm{jn}}_j}^H{V}_{{\mathrm{jn}}_j}{\mathrm{\&beta;}}_j{x}_j+n=U_s{\mathrm{\&Lambda;}}^{1/2}\mathrm{\&beta;x}+n,---<6>$

式中，

为半酉矩阵U_j的前n_j列，它包含了信道矩阵H_j的前n_j个最大奇异值的左奇异值向量，

为对角矩阵Λ_j的前n_j列，其包含了

的前n_j个最大的非零特征值，

β＝diag[β₁，β₂，…，β_K]，为所有用户数据流的功率归一化系数构成的对角距阵，

x为K个用户发送的信息符号向量构成的维列向量

为第j个用户发送给基站的信息符号列向量，

n是均值为0、协方差矩阵是σ²I_M的M维高斯白噪声向量，σ²为高斯白噪声的协方差，I_M为M×M维的单位矩阵；

(7)对基站接收到的信号y中的传输矩阵U_sΛ^1/2β进行格归约变换，即：

$U_s{\mathrm{\&Lambda;}}^{1/2}\mathrm{\&beta;}={\hat{U}}_s{F}^{-1},$

式中，矩阵

它是近似正交的，F^-1为矩阵F的逆，矩阵F为单模矩阵，它的全部元素都为整数，行列式的值det(F)＝±1或±j，j为虚数单位；

(8)将上述近似正交的矩阵

代入<6>式中，得到基站接收的信号y为：

$y={\hat{U}}_s{F}^{-1}x+n,---<8>$

(9)基于<8>式中的向量

根据迫零检测方法构建后处理矩阵T：

$T={\left[{\hat{U}}_s\right]}^{+}={\left[{\hat{U}}_s^H{\hat{U}}_s\right]}^{-1}{\hat{U}}_s^H,$

式中，

为矩阵

的伪逆矩阵，

为

的逆矩阵，为矩阵

的共轭转置矩阵；

(10)利用后处理矩阵T对基站接收的信号y进行后处理，以消除多用户干扰，即用后处理矩阵T左乘以基站接收的信号y，得到后处理后的接收信号为：

$\stackrel{\&OverBar;}{y}=\mathrm{Ty}={{\hat{U}}_s}^{+}({\hat{U}}_s{F}^{-1}x+n)=F^{-1}x+{{\hat{U}}_s}^{+}n,$

(11)将后处理后的接收信号

中的信息符号列向量x的每个元素的实部和虚部转化成连续的整数，得到转化后的接收信号

为：

$\tilde{y}=\frac{1}{2}(\stackrel{\&OverBar;}{y}-F^{-1}s)=\frac{1}{2}{F}^{-1}x-\frac{1}{2}{F}^{-1}s+\frac{1}{2}{{\hat{U}}_s}^{+}n=F^{-1}\frac{1}{2}(x-s)+\frac{1}{2}{{\hat{U}}_s}^{+}n,$

式中，向量s＝[s₁，s₂，…，s_K]^T称为转化向量，它由K个用户的转化向量构成，

为第j个用户的转化向量，s_ji是使得第j个用户第i个数据流的实部和虚部转化成连续整数的数值，对于M-QAM调制s_ji＝(1+j)，对于BPSK调制，s_ji＝1，1≤j≤K，1≤i≤n_j；

(12)对上述转化后的接收信号

中的每个元素的实部和虚部进行量化取整操作，得到信息符号列向量x的判决向量

为：

式中，θ(·)表示量化取整操作，即将

中的每个元素的实部和虚部量化为与其最接近的整数；

(13)根据用户发送的数据流的调制方式，对判决向量

进行判决，将判决得到的信息符号的估计值

输出，该输出即为所有用户发射信号x的估计；

本发明与现有技术相比，具有如下优点：

1)本发明通过利用基于奇异值分解的格规约辅助的迫零后处理技术构建后处理矩阵T，此时，得到的后处理矩阵T近似正交，而传统的迫零后处理矩阵T不是正交的，这是引起噪声功率增强的原因。所以，本发明的基于奇异值分解的格规约辅助的迫零后处理矩阵能够有效消除由于传统后处理矩阵产生的噪声功率增强效应，提高了***的传输性能。

2)本发明在进行格规约变换时，将功率调整矩阵β考虑在内，通过改变β中不同数据流对应的归一化功率调整系数，使得不同的数据流可以根据特征值的大小采用不同的调制方式，从而克服了传统的格规约辅助的MIMO上行链路传输方法中不同数据流只能使用相同调制方式的限制。

附图说明

图1是传统的多用户MIMO***的上行链路的通信示意图；

图2是本发明的多用户MIMO***的上行链路的通信示意图；

图3是本发明方法的流程示意图；

图4是采用本发明方法与现有方法的性能比较图。

具体实施方式

以下参照附图对本发明的技术方案作进一步详细描述。

参照图2，本发明使用的***是一个多用户MIMO***，它由一个基站和K个用户构成。其中，基站装配有M根天线，而第j个用户装配有N_j根天线，1≤j≤K。图2中的x_j为第j个用户发送给基站的信息数据，β_j为第j个用的功率调整矩阵，Q_j为第j个用户的预处理矩阵，y为基站接收到的所有用户的信号，T为后处理矩阵，

为后处理后的接收信号，s为将

中信息符号向量x的每个元素的实部和虚部转化为连续整数的转化向量，

为转化后的接收信号，

为信息符号向量x的判决向量，

后为判决得到的信息符号向量x的估计。

针对图2所示的多用户MIMO***，本发明对上行链路数据的处理与检测方法如图3所示。

参照图3，本发明上行链路数据传输步骤如下：

步骤1，将第j个用户发送给基站的信息符号表示为一个列向量：

$x_j={[x_{j1},x_{j2},...,x_{{\mathrm{jn}}_j}]}^T,---<1>$

式中，x_ji为第j个用户发送给基站的第i个数据流，1≤i≤n_j，n_j为用户发送的数据流个数，n_j≤N_j，N_j为第j个用户配置的天线数，1≤j≤K，K为***的用户数，[·]^T表示矩阵转置。

步骤2，构建第j个用户发送给基站的信息符号列向量x_j的数据流发射功率归一化的功率调整矩阵β_j。

为了使第j个用户发送给基站的每个数据流的发射功率归一化，引入n_j×n_j维功率功率调整矩阵β_j：

${\mathrm{\&beta;}}_j=\mathrm{diag}[{\mathrm{\&beta;}}_{j1},{\mathrm{\&beta;}}_{j2},...,{\mathrm{\&beta;}}_{{\mathrm{jn}}_j}],---<2>$

式中，β_ji是使得第j个用户发送给基站的第i个数据流x_ji的发射功率归一化的功率调整系数，1≤j≤K，1≤i≤n_j，diag[…]表示对角矩阵；

步骤3，对第j个用户与基站之间的信道矩阵H_j进行奇异值分解。

假设基站接收机的接收天线数M大于或等于所有用户发送给基站的数据流个数，即

对第j个用户与基站之间的信道矩阵H_j进行奇异值分解：

$H_j=U_j{\mathrm{\&Lambda;}}_j^{1/2}{V}_j^H,---<3>$

式中，U_j为信道矩阵H_j的

个左奇异值向量的

维半酉矩阵，N_j为第j个用户天线的个数，

为信道矩阵H_j的秩，且

为

维对角矩阵，且对角元素按非递增顺序排列，diag[…]表示对角矩阵，λ_ji为信道矩阵H_j与其共轭转置矩阵

的乘积

的非零特征值，[·]^H表示矩阵共轭转置，

V_j为包含信道矩阵H_j的

个右奇异值向量的

维半酉矩阵，M为基站接收天线的个数，

为半酉矩阵V_j的共轭转置矩阵，1≤j≤K。

步骤4，根据右奇异值向量构建第j个用户发送的数据流的预处理矩阵Q_j，消除用户发射机的n_j根天线所发送数据流之间的干扰：

$Q_j=V_{{\mathrm{jn}}_j},---<4>$

式中，

为半酉矩阵V_j的前n_j个列向量，其包含了信道矩阵H_j的前n_j个最大奇异值的右奇异值向量，1≤j≤K。

步骤5，用上述的功率调整矩阵β_j和预处理矩阵Q_j，对信息符号列向量x_j进行功率归一化和预处理，得到第j个用户发送给基站的信号d_j。

5a)用功率归一化矩阵β_j左乘以信息符号列向量x_j，得到功率归一化后的信号为：

x′_j＝β_jx_j，<5>

5b)用预处理矩阵Q_j左乘以信号x′_j，得到第j个用户经过功率归一化和预处理后的发送信号为：

$d_j=Q_j{x}_j^{\&prime;}=V_{{\mathrm{jn}}_j}{\mathrm{\&beta;}}_j{x}_j,---<6>$

5c)将所有用户的信息符号向量叠加在一起，通过用户端的

根发射天线将信号d_j发射出去。

步骤6，基站接收端通过天线接收到K个用户发送的信号为：

$y=\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{H}_j{d}_j+n=\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{U}_{{\mathrm{jn}}_j}{\mathrm{\&Lambda;}}_{{\mathrm{jn}}_j}^{1/2}{V}_{{\mathrm{jn}}_j}^H{V}_{{\mathrm{jn}}_j}{\mathrm{\&beta;}}_j{x}_j+n=U_s{\mathrm{\&Lambda;}}^{1/2}\mathrm{\&beta;x}+n,---<7>$

式中， 为半酉矩阵U_j的前n_j列，其包含了信道矩阵H_j的前n_j个最大奇异值的左奇异值向量，

为对角矩阵Λ_j的前n_j列，其包含了

的前n_j个最大的非零特征值，

β＝diag[β₁，β₂，…，β_K]，其为所有用户数据流的功率归一化系数构成的对角阵，

x为K个用户发送的符号向量构成的

维列向量

为第j个用户发送给基站的信息符号列向量，

n是均值为0、协方差矩阵是σ²I_M的M维高斯白噪声向量，σ²为高斯白噪声的协方差，I_M为M×M维的单位矩阵。

步骤7，对基站接收到的信号y中的传输矩阵U_sΛ^1/2β进行格归约变换。

参照文献“Performance Analysis for MIMO Systems with Lattice-Reduction AidedLinear Equalizationpartv”中给出的格规约算法，对传输矩阵U_sΛ^1/2β按如下公式进行格归约变换：

$U_s{\mathrm{\&Lambda;}}^{1/2}\mathrm{\&beta;}={\hat{U}}_s{F}^{-1},---<8>$

式中，从公式可见近似正交，F^-1为矩阵F的逆，F为单模矩阵，即单模矩阵F的全部元素都为整数，行列式的值det(F)＝±1或±j，j为虚数单位，通过格规约变换后，将原来不正交的传输矩阵U_sΛ^1/2β转化为了近似正交的矩阵

得到一个性能相对更好的等价传输***。

步骤8，将上述近似正交的矩阵

代入<7>中，得到基站接收的信号y为：

$y={\hat{U}}_s{F}^{-1}x+n,---<9>$

式中，F^-1为单模矩阵矩阵F的逆，x为K个用户发送的符号向量构成的

维列向量

为第j个用户发送给基站的信息符号，n是均值为0、协方差矩阵是σ²I_M的M维高斯白噪声向量，σ²为高斯白噪声的协方差，I_M为M×M维的单位矩阵。

步骤9，根据基站接收的信号，构建后处理矩阵，消除多用户干扰。

基于<9>式的向量

用迫零检测方法构建后处理矩阵T：

$T={\left[{\hat{U}}_s\right]}^{+}={\left[{\hat{U}}_s^H{\hat{U}}_s\right]}^{-1}{\hat{U}}_s^H,---<10>$

式中，

为

的伪逆矩阵，为

的逆矩阵，[·]⁺表示矩阵的伪逆，(·)^-1表示矩阵的逆。

步骤10，利用步骤9构建的后处理矩阵T对基站接收的信号y进行后处理，即用后处理矩阵T左乘以信号y，得到后处理后的信号为：

$\stackrel{\&OverBar;}{y}=\mathrm{Ty}={{\hat{U}}_s}^{+}({\hat{U}}_s{F}^{-1}x+n)=F^{-1}x+{{\hat{U}}_s}^{+}n,---<11>$

式中，由于

近似正交，所以它的逆

也近似正交，故有效消除了由于采用传统迫零后处理矩阵引起的噪声功率增强效果。

步骤11，将后处理后的接收信号

中的信息符号列向量x的每个元素的实部和虚部转化成连续的整数。

11a)根据用户数据流的调制方式，构造能使信息符号列向量x的每个实部和虚部转化成连续整数的向量：s＝[s₁，s₂，…，s_K]^T，s称为转化向量，为第j个用户的所有数据流采用的转化向量，s_ji为将第j个用户第i个数据流x_ji的实部和虚部转化为连续整数的数值，对于M-QAM调制，由于第j个用户第i个数据流x_ji的实部和虚部的取值范围为

所以s_ji＝(1+j)，对于BPSK调制，s_ji＝1，1≤j≤K，1≤i≤n_j；

11b)利用步骤11a)构造的转化向量s将

中的信息符号向列量x的每个实部和虚部转化为连续的整数，即用后处理后的接收信号

减去转化向量s与步骤7中的矩阵F^-1的乘积F^-1s，并除以2，这就实现了将信息符号列向量x的每个元素的实部和虚部转化为连续的整数，即经过连续取整处理后得到的接收信号向量

为：

$\tilde{y}=\frac{1}{2}(\stackrel{\&OverBar;}{y}-F^{-1}s)=\frac{1}{2}{F}^{-1}x-\frac{1}{2}{F}^{-1}s+\frac{1}{2}{{\hat{U}}_s}^{+}n=F^{-1}\frac{1}{2}(x-s)+\frac{1}{2}{{\hat{U}}_s}^{+}n,---<12>$

例如，假定x_ji的调制方式为4-QAM，则其实部与虚部的取值为+1或-1，此时，s_ji＝(1+j)，连续取整后得x_ji实部与虚部的取值为0或-1，变成了连续的整数，便于后续的判决。

步骤12，对上述信号

中元素的实部和虚部进行量化取整操作，得到信息符号列向量x的判决向量

12a)将步骤7中的单模矩阵F乘以2，并左乘以信号

的量化取整操作

得到量化取整操作后的信号向量

式中，

表示对

中元素的实部和虚部进行量化取整操作，即将信号向量的每个实部和虚部量化为与其最接近的整数；

12b)将步骤12a)中的信号向量

与转化向量s相加，得到信息符号列向量x的判决向量

为：

步骤13，根据用户发送的数据流的制方式，对判决向量

进行判决，将判决得到的信息符号的估计值

输出，该输出即为所有用户发射信号x的估计。

13a)假定第j个用户发送给基站的第i个数据流x_ji采用QPSK调制，如果

中的元系

的实部和虚部均大于

则认为用户发射的信息符号是10；如果元素

的实部大于

且虚部小于

则认为用户发射的信息符号是11；如果元素

的实部和虚部均小于

则认为用户发射的信息符号是00；如果元素

的实部小于且虚部大于

则认为用户发射的信息符号是01；

13b)将步骤13a)得到的用户发射的信息符号值作为发送信号x_ji的估计值j＝1，2，…，K，i＝7，2，…，n_j；

13c)重复步骤13a)和13b)得到所有用户信息符号的估计值为

为第j个用户发送的信息符号的估计，

为第j个用户发送信号的第i个数据流x_ji的估计值，[·]^T表示矩阵转置；

13d)将所有用户信息符号的估计值作为最终的判决结果，并输出。

本发明的效果可以通过以下仿真结果进一步说明：

仿真条件：设定一个多用户MIMO***，包括一个基站和4个用户。基站端配置8根接收天线，每个用户端配置2根发射天线。每个用户向基站发送两个数据流，对于特征值较大的数据流采用16QAM调制，特征值较小的数据流采用QPSK调制。每个用户与基站之间的信道为独立同分布的瑞利衰落信道，每个用户的传输功率为P_k＝n_k，每个符号的信噪比定义为：σ²为高斯白噪声的协方差。

仿真内容：分别采用本发明提出的基于奇异值分解的格规约辅助的迫零检测的传输方法和传统的基于奇异值分解的迫零检测的传输方法对多用户MIMO***的误码率BER相对于每个信息符号信噪比SNR进行仿真，仿真结果如图4所示。

从图4可以看出，采用本发明提出的基于奇异值分解的格规约辅助的迫零检测的传输方法的误码性能曲线明显低于传统的基于奇异值分解的迫零检测的传输方法的误码性能曲线。在误码率为10^-3的情况下，本发明提出的方法相对于传统方法可获得15dB的信噪比增益，这是由于本发明提出的方法相比于传统方法有效消除了噪声功率增的影响，提高了***的传输性能。

Claims (3)

1.一种基于奇异值分解的多用户MIMO***上行链路传输方法，包括如下步骤：

(1)将第j个用户发送给基站的信息符号表示为一个列向量：

式中，x_ji为第j个用户发送给基站的第i个数据流，1≤i≤n_j，n_j为用户发送的数据流个数，n_j≤N_j，N_j为第j个用户配置的天线数，1≤j≤K，K为***的用户数，[·]^T表示矩阵转置；

(2)构建第j个用户发送给基站的信息符号列向量x_j的数据流发射功率归一化的功率调整矩阵β_j：

式中，β_ji是使得第j个用户发送给基站的第i个数据流x_ji的发射功率归一化的功率调整系数，1≤j≤K，1≤i≤n_j，diag[…]表示对角矩阵；

(3)对第j个用户与基站之间的信道矩阵H_j进行奇异值分解：

式中，U_j为包含信道矩阵H_j的 

个左奇异值向量的 

维半酉矩阵，N_j为第j个用户天线的个数， 

为信道矩阵H_j的秩，且 

为 

维对角矩阵，且对角元素按非递增顺序排列，λ_ji为信道矩阵H_j与其共轭转置矩阵 

的乘积 的非零特征值，[·]^H表示矩阵共轭转置， 

V_j为包含信道矩阵H_j的 

个右奇异值向量的 

维半酉矩阵，M为基站接收天线的个数， 

为半酉矩阵V_j的共轭转置矩阵，1≤j≤K； 

(4)根据右奇异值向量构建第j个用户发送的信息符号列向量x_j的预处理矩阵Q_j，消除用户发射机的n_j根天线所发送数据流之间的干扰：

式中， 

表示半酉矩阵V_j的前n_j个列向量，它包含信道矩阵H_j的前n_j个最大奇异值的右奇异值向量，1≤j≤K；

(5)用上述的功率功率调整矩阵β_j和预处理矩阵Q_j，对信息符号列向量x_j进行功率归一化和预处理，得到第j个用户发送给基站的信号d_j，通过用户端的n_j根天线将信号d_j发射出去，1≤j≤K；

(6)基站接收端通过天线接收到K个用户发送的信号为：

式中， 

为半酉矩阵U_j的前n_j列，它包含了信道矩阵H_j的前n_j个最大奇异值的左奇异值向量，

为对角矩阵Λ_j的前n_j列，其包含了 的前n_j个最大的非零特征值，

β＝diag[β₁，β₂，…，β_K]，为所有用户数据流的功率归一化系数构成的对角距阵，

x为K个用户发送的信息符号向量构成的 

维列向量 

为第j个用户发送给基站的信息符号列向量，

n是均值为0、协方差矩阵是σ²I_M的M维高斯白噪声向量，σ²为高斯白噪声的协方差，I_M为M×M维的单位矩阵；

(7)对基站接收到的信号y中的传输矩阵U_sΛ^1/2β进行格归约变换，即：

式中，矩阵 

它是近似正交的，F^-1为矩阵F的逆，矩阵F为单模矩阵，它的全部元素都为整数，行列式的值det(F)＝±1或±j，j为虚数单位；

(8)将上述近似正交的矩阵 

代入<6>式中，得到基站接收的信号y为：

(9)基于<8>式中的向量 

根据迫零检测方法构建后处理矩阵T：

式中， 

为矩阵 

的伪逆矩阵， 

为 的逆矩阵， 

为矩阵 

的共轭转置矩阵；

(10)利用后处理矩阵T对基站接收的信号y进行后处理，以消除多用户干扰，即用后处理矩阵T左乘以基站接收的信号y，得到后处理后的接收信号为：

(11)将上述接收信号 

中的信息符号列向量x的每个元素的实部和虚部转化成连续的整数，得到转化后的接收信号 

为：

式中，向量s＝[s₁，s₂，…，s_K]^T称为转化向量，它由K个用户的转化向量构成， 

为第j个用户的转化向量，s_ji是使得第j个用户第i个数据流的实部和虚部转化成连续整数的数值，对于M-QAM调制s_ji＝(1+j)，对于BPSK调制，s_ji＝1，1≤j≤K，1≤i≤n_j；

(12)对上述转化后的接收信号 

中的每个元素的实部和虚部进行量化取整操作，得到信息符号列向量x的判决向量 

为：

式中，θ(·)表示量化取整操作，即将 

中的每个元素的实部和虚部量化为与其最接近的整数； 

(13)根据用户发送的数据流的调制方式，对判决向量 进行判决，将判决得到的信息符号的估计值 

输出，该输出即为所有用户发射信号x的估计。

2.根据权利要求1所述的方法，其中步骤(5)所述的对信息符号向量x_j进行功率归一化和预处理，按如下步骤进行：

5a)用功率调整矩阵β_j左乘以信息符号列向量x_j，得到功率归一化后的信号为：x′_j＝β_jx_j，

5b)用预处理矩阵Q_j左乘以信号x′_j，得到第j个用户经过功率归一化和预处理后的发送信号为：

。

3.根据权利要求1所述的方法，其中步骤(13)所述的对判决向量 

进行判决，按如下步骤进行：

13a)假定第j个用户发送给基站的第i个数据流x_ji采用QPSK调制，如果 

中的元系 的实部和虚部均大于 则认为用户发射的信息符号是10；如果元素 

的实部大于 且虚部小于 

则认为用户发射的信息符号是11；如果元素 

的实部和虚部均小于 则认为用户发射的信息符号是00；如果元素 

的实部小于 

且虚部大于 则认为用户发射的信息符号是01；

13b)将上述得到的用户发射的信息符号值作为发送数据流x_ji的估计值 

j＝1，2，…，K，i＝1，2，…，n_j；

13c)重复步骤13a)和13b)得到所有用户信息符号的估计值为 

为第j个用户发送的信息符号的估计， 为第j个用户发送信号的第i个数据流x_ji的估计值，[·]^T表示矩阵转置；

13d)将所有用户信息符号的估计值 

作为最终的判决结果，并输出。 

Images