MIMO OFDM 系统信号检测算法综述

MIMO OFDM 系统检测算法

1. 前言

MIMO的空分复用技术可以使得系统在系统带宽和发射带宽不变的情况下容易地获得空间分集增益和信道的容量增益。OFDM技术采用多个正交的子载波并行传输数据，使得每一路上的数据速率大大降低，并且加入了时间保护间隔，因此具有较强的抗多径干扰和频率选择性衰落的能力。MIMO和OFDM技术将是未来无线通信中极具竞争力的技术。信号检测是MIMO-OFDM系统的关键任务之一。目前针对MIMO-OFDM系统中信号检测技术的研究主要集中在线性检测、非线性检测和最优检测三个方面。

MIMO-OFDM系统的检测可以简单的看成是已知信道矩阵 $\bf{\hat{H}}$ （根据信道估计得到的）和加性高斯白噪声 $\bf{v}$ 的统计信息，根据接收端接收到的数据 $\bf{y}$ ，对接收信号进行处理，得到发送符号 $\bf{\hat{x}}$ 的估值。

2. 线性检测算法

2.1 破零（ZF）检测算法

ZF检测算法就是根据信道矩阵的逆来检测数据，信道矩阵的逆可以表示为：
${{\bf{H}}^ + } = \left\{ {\begin{array}{*{20}{c}} {{{({{\bf{H}}^H}{\bf{H}})}^{ - 1}}{{\bf{H}}^H},{\rm{ }}{N_t} < {N_r}} \\ {{{\bf{H}}^H}{{({{\bf{H}}^H}{\bf{H}})}^{ - 1}},{\rm{ }}{N_t} > {N_r}} \\ {{{\bf{H}}^{ - 1}},{\rm{ }}{N_t} = {N_r}} \\ \end{array}} \right.$

这里 $N_t$ 和 $N_r$ 分别表示发送天线数和接收天线数。那么，ZF检测可以描述成:
${{\bf{d}}_{ZF}} = {{\bf{H}}^ + }{\bf{y}} = {\bf{x}} + {{\bf{H}}^ + }{\bf{v}}$

在发送符号的星座图中寻找与 ${{\bf{d}}_{ZF}}$ 最接近的点（量化处理），就可以得到发送符号的估值 $\bf{\hat{x}}$ 。

2.2 线性最小均方误差（LMMSE）检测算法

发射符号 $\bf{x}$ 与其估计值 $\bf{\hat{x}}$ 的均方误差可以表示为: $MSE = E[{({\bf{x}} - {\bf{\hat x}})^H}({\bf{x}} - {\bf{\hat x}})]$ ，LMMSE检测的目标就是最小化MSE。根据线性MMSE准则，令 ${{\bf{G}}_{LMSE}} = {({{\bf{H}}^H}{\bf{H}} + \rho {{\bf{I}}_{{N_t}}})^{ - 1}}{{\bf{H}}^H}{\bf{H}}$ ，这里 $\rho$ 表示信噪比的倒数，可得LMMSE检测可以描述为：
${{\bf{d}}_{LMSE}} = {{\bf{G}}_{LMSE}}{\bf{x}} + {{\bf{G}}_{LMSE}}{\bf{v}}$
经过量化处理之后即可得到 $\bf{\hat{x}}$ 。

3 非线性检测算法

干扰消除是非线性检测中的关键技术，它的作用是去除天线间的干扰，从而提高系统检测的性能。其基本原理是：将先前步骤中已经检测出的 ${{{\bf{\hat x}}}_i}(i = 1,2, \cdots ,K)$ 所产生的接收信号当成干扰，从接收向量中去除，即计算 ${\bf{y}} - \sum\limits_{i = 1}^K {{{{\bf{\hat x}}}_{\bf{i}}}{{\bf{h}}_i}}$ 。该计算去除了信道矩阵中的相应列，使系统变成了具有 $N_t-K$ 副发射天线、 $N_r$ 副接收天线的系统。这种技术类似于判决反馈均衡器（DFE），使余下的检测减少了干扰源，增加了天线的分集增益。

3.1 串行干扰消除

串行干扰消除采用串行的方式来消除干扰，即一次一个地将干扰从接收信号中去除．计算步骤：

1）选择某种线性检测算法检测出第一副天线发送符号估值 ${{{{\bf{\hat x}}}_1}}$ ，将该估值信号产生的干扰从接收信号 $\bf{y}$ 减去，得到部分清理的信号 ${\bf{y}}(1) = {\bf{y}} - {{{\bf{\hat x}}}_1}{{\bf{h}}_1}$ ，此时系统变成 ${N_{t - 1}}$ 个发射天线和 $N_r$ 个接收天线。
2）用线性检测得到第二副天线发送符号的估值 ${{{{\bf{\hat x}}}_2}}$ ，再将该估值信号产生的干扰从 ${\bf{y}}(1)$ 中减去，得到部分清理的信号 ${\bf{y}}(2) = {\bf{y}}(1) - {{{\bf{\hat x}}}_2}{{\bf{h}}_2}$ ，此时系统就变成 ${N_{t - 2}}$ 个发射天线和 $N_r$ 个接收天线。
3）依此类推，直至检测出所有的符号。

3.2 并行干扰消除

并行干扰消除采用并行的方式来消除天线间的干扰，其实现方法：首先选用一种线性检测方法初步检测出所有的发送符号估值 ${{{\bf{\hat x}}}_i}(i = 1,2, \cdots ,{N_t})$ ，然后针对每个发送符号消除其他符号产生的干扰，即做计算： ${{\bf{y}}_k} = {\bf{y}} - \sum\limits_{i = 1,i \ne k}^{{N_t}} {{{{\bf{\hat x}}}_i}{{\bf{h}}_i}}$ ，此时对每个发送天线而言，系统都变成了1根发射天线和 $N_r$ 根接收天线，可以方便地进行检测处理。

3.3 QR分解

QR分解的主要思想是变换信道矩阵 $\bf{H}$ ，避免矩阵的求逆，获得较低的计算复杂度。实现步骤：

1）对信道矩阵实行QR分解
${\bf{H}} = \left[ {\begin{array}{*{20}{c}} {{{\bf{Q}}_1}} & {{{\bf{Q}}_2}} \\ \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\bf{R}} \\ {{{\bf{O}}_{{N_r} - {N_t},1}}} \\ \end{array}} \right]$
其中 $\left[ {\begin{array}{*{20}{c}} {{{\bf{Q}}_1}} & {{{\bf{Q}}_2}} \\ \end{array}} \right]$ 是正交归一化的酉矩阵，满足 ${{\bf{Q}}^H}{\bf{Q}} = {\bf{I}}$ ， ${\bf{R}}$ 是 ${N_t} \times {N_t}$ 的上三角矩阵。
2）对接收信号 $\bf{y}$ 计算
${{\bf{d}}_{QR}} = {{\bf{Q}}^H}{\bf{y}} = {\bf{Rx}} + {\bf{z}}$
上式表示成矩阵形式为：
$\left[ {\begin{array}{*{20}{c}} {{d_{QR1}}} \\ {{d_{QR2}}} \\ \vdots \\ {{d_{QR{N_t}}}} \\ \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{r_{1,1}}} & {{r_{1,1}}} & \cdots & {{r_{1,{N_t}}}} \\ 0 & {{r_{2,1}}} & \cdots & {{r_{2,{N_t}}}} \\ \vdots & \vdots & \ddots & \vdots \\ 0 & \cdots & 0 & {{r_{{N_t},{N_t}}}} \\ \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{x_1}} \\ {{x_2}} \\ \vdots \\ {{x_{{N_t}}}} \\ \end{array}} \right] + \left[ {\begin{array}{*{20}{c}} {{z_1}} \\ {{z_2}} \\ \vdots \\ {{z_{{N_t}}}} \\ \end{array}} \right]$
3）可以从 ${x_{{N_t}}}$ 开始逐层计算检测，由 ${d_{QR{N_t}}} = {r_{{N_t},{N_t}}}{x_{{N_t}}} + {z_{{N_t}}}$ 求出 ${{{\bf{\hat x}}}_{{N_t}}}$ ，再将 ${{{\bf{\hat x}}}_{{N_t}}}$ 代入下一层检测，即由 ${d_{QR{N_t} - 1}} = {r_{{N_t} - 1,{N_t} - 1}}{x_{{N_t} - 1}} + {r_{{N_t} - 1,{N_t}}}{{{\bf{\hat x}}}_{{N_t}}} + {z_{{N_t}}}$ 求出 ${{{\bf{\hat x}}}_{{N_t} - 1}}$ 。

-4）以此类推，直至检测出所有的符号。

注意，QR分解只适用于 ${N_t} \le {N_r}$ 的场合。

4 最优检测算法

最优检测是指检测出的信号具有最高的分集增益和最接近于原始信号(例如，具有最低的比特差错率)。但是，要达到最优这一目的，要付出极高的计算代价。

4.1 最大似然检测（ML）算法

最大似然检测算法是公认的最优检测算法，它将接收信号对所有可能的发送符号域进行全局搜索，找到与接收信号距离最小(即最大似然ML)的发送符号作为原始的发送符号。其估值公式为：
${{{\bf{\hat x}}}_{ML}} = \mathop {\arg \min }\limits_{{\bf{x}} \in {\bf{\Omega }}} {\left\| {{\bf{y}} - {\bf{Hx}}} \right\|^2}（1）$
其中， ${\bf{\Omega }}$ 表示所有发送符号的星座集合。
由于ML算法的计算量非常大，难以应用在实际的通信系统中，所以只能牺牲部分性能，采用次优的检测算法，以简化计算。

4.2 球面解码算法

球面解码算法的设计目的是在略微降低 ML 检测性能的前提下，大幅度减少搜索所需的计算量。因此，球面解码算法(SPA)也是采用式(1)进行搜索，但搜索的范围限制在一个以接收矢量 $\bf{y}$ 为圆心、 $r$ 为半径的超球面内。显然，超球面内最靠近接收矢量的点也是整个星座中最靠近接收矢量的点，所以SPA 能够达到类似于ML检测的最佳性能。而且，由于SPA的搜索空间减小，所以其计算量也相应地减少。由此，SPA归结为解决如何选择 $r$ 的大小以及如何确定位于超球面内的点。SPA的具体步骤这里不详细描述。

参考文献

[1] 周健, 张冬. MIMO-OFDM系统中的信号检测算法(I)[J]. 南京工程学院学报(自然科学版), 2010.

更多精彩内容请关注vx订阅号优化与算法和加入QQ讨论群1032493483获取更多资料

往期精选：

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 217,734评论 6赞 505
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 92,931评论 3赞 394
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 164,133评论 0赞 354
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 58,532评论 1赞 293
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 67,585评论 6赞 392
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 51,462评论 1赞 302
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 40,262评论 3赞 418
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 39,153评论 0赞 276
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 45,587评论 1赞 314
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 37,792评论 3赞 336
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 39,919评论 1赞 348
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 35,635评论 5赞 345
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 41,237评论 3赞 329
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 31,855评论 0赞 22
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 32,983评论 1赞 269
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 48,048评论 3赞 370
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 44,864评论 2赞 354