空间调制系统下改进的QRD-M检测算法

空间调制（SM）系统中性能最优的最大似然（ML）检测算法复杂度很高,用基于信道矩阵QR分解的M算法（QRD-M）可以降低复杂度,但传统QRD-M算法检测时,每层都保留固定的M个节点,仍会造成额外的计算量。针对传统QRD-M算法中存在的问题,提出一种低复杂度的动态M值QRD-M检测算法——LC-QRD-dM。LC-QRD-dM算法利用设计的阈值与累积分支度量值进行比较,每层自适应地选择不超过M的保留节点数,相对于传统QRD-M算法以牺牲少量性能为代价大大降低了复杂度。接着又针对该改进算法在信道衰落较深时会产生较大误码率的问题,进一步提出一种基于信道状态的动态M值QRD-M检测算法——CS-QRD-dM。CS-QRD-dM利用LC-QRD-dM的原理,在低信噪比（SNR）时,每层根据阈值选择不小于M的保留节点数;在高信噪比时,每层则选择不超过M的保留节点数。理论分析和仿真结果表明：相比传统QRD-M,CS-QRD-dM在低信噪比时有约1.3 dB的信噪比增益（误码率为10^-2）,以增加少量复杂度为代价,显著地改善了检测性能;在高信噪比时,其检测性能及复杂度与LC-QRD-dM相同。     

多入多出系统中改进的QRD-M检测算法

在研究传统QRD-M检测算法的基础上,提出一种用于多入多出系统的改进的QRD-M检测算法。该算法通过累积分支度量排序和终止门限设置,合理减少搜索树的分支数。仿真结果表明,当信噪比为10 dB、调制方式为16QAM、天线配置为4×4时,改进算法在无检测性能损失的情况下可使传统QRD-M检测算法的复杂度降低30%。     

基于QRD-M的多天线分组并行检测算法

提出了一种适用于MIMO通信系统的基于QRD-M的多天线分组并行检测算法。该算法避免了传统分层检测算法中信道矩阵求逆的过程,同时克服了传统QRD-M算法随着收发天线数增多而难以实现性能与复杂度折衷的问题。该算法通过对发送天线的分组,组内并行采用改进的QRD-M检测算法,灵活选取每层被保留的分支,避免过高复杂度的同时提高了系统性能。仿真结果表明,与传统QRD-M算法相比,该改进算法能够更灵活地实现性能需要和复杂度的折衷,在相近的复杂度下可以获得更好的误码性能。     

多符号差分球形译码在无线传感器网络分布式检测中的应用研究

在无线传感器网络分布式检测中,信道条件复杂,难于估计.比较相关检测,差分检测的优势是不需要信道估计,但总是付出一定的性能损失.为了缩短这一差距,本文提出多符号差分检测,并结合低复杂度球形译码算法,对多符号差分球形检测的迭代搜索过程进行了详细分析.算法检测性能和复杂度的分析表明,该检测算法不仅能有效降低计算复杂度,而且能保证较好的检测性能.结果证明该算法可作为一种有效检测算法应用于无线传感器网络分布式检测中.     

一种用于秩损信道下的MIMO检测算法

无线MIMO信道中由于天线相关性或者特殊的散射体结构, 会发生信道矩阵秩损现象, 从而导致传统的QRD-M算法无法直接应用。针对此问题, 首先利用信道规则化算法对信道矩阵进行扩展来解决秩损问题, 然而该预处理过程又会带来新的检测干扰, 通过采用一种改进的QRD-M检测算法来减小此干扰带来的影响。与传统QRD-M算法每层只保留M个节点不同, 改进的QRD-M检测算法将权值大于第M个节点且差值在某个阈值范围内的所有节点都保留下来, 并对阈值大小的选取进行了理论分析。仿真结果表明, 该算法能够在取较小M值下, 仍能获得较优的检测性能。     

基于阴影域的搜索树检测算法

大规模多输入多输出（MIMO）系统中，随着天线数目的增加，传统的信号检测算法的检测性能大幅度下降，复杂度呈指数增长，且不适用于高阶调制。针对大规模MIMO场景，基于阴影域思想提出一种结合二次规划（QP）与分支界限（BB）算法的搜索树检测算法。首先，构造QP模型，并针对一阶QP算法后的解向量，提取落入阴影域的不可靠符号；然后，将落入阴影域的不可靠符号进行BB搜索树检测以求得最优解；同时，为了降低复杂度，提出三种搜索树修剪策略，在性能和复杂度之间折中选择。仿真结果表明，在大规模MIMO场景下，在调制阶数为6的正交幅度调制（QAM）时，提出的基于阴影域搜索树检测算法比QP算法提升了约20 dB的性能增益，在256QAM调制时，比QP算法提升了约21 dB的性能增益，验证了算法对高阶调制的适应性，同时，与传统的搜索树算法相比，使用相同修剪策略，复杂度降低了50%左右。     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。     

LTE-A系统中球形译码检测算法研究

详细研究了球形译码算法流程以及两种常用的初始半径选择算法,提出了一种基于阈值的球形译码检测算法,充分考虑到信噪比以及信道条件数对检测算法的影响,在保证球形译码性能的前提下,降低球形译码算法复杂度.该算法已应用于TD-LTE无线综合测试仪表的开发中.     

MIMO-OFDM系统中改进的球形译码检测算法

研究增强信道性能,提高增益效果问题,在MIMO-OFDM检测算法中,球形检测算法可以在保证接近ML检测性能的前提下有效的降低检测复杂度,但是当球形搜索半径过大时,球形译码的复杂度仍然很高。针对上述难点问题,提出了一种新的选择半径的方法,只要设置合适的参数,对半径可以随信道参数和调制阶数的大小自适应改变,从而有效地避免了符号矢量的重复检测。经过仿真试验,结果表明,与传统检测算法相比,提出的算法在损失较小系统性能的前提下,很好地降低接收译码检测过程的复杂度,并有效地提高系统分集增益。     

低复杂度序列高斯逼近MIMO检测算法

提出一种多入多出（MIMO）系统空间复用模式下的低复杂度序列高斯逼近（LC-SGA）算法。该算法把序列高斯逼近（SGA）算法在复数域进行路径搜索的问题近似为实数域的搜索问题,从而降低了计算复杂度。仿真结果表明,LC-SGA算法在相同搜索路径数的情况下,其误比特率（BER）性能与传统的SGA算法相当,且当搜索路径数较大时接近最大似然检测的性能。     

用于多用户大规模MISO信号检测的改进主动禁忌搜索算法

针对基站配置上百个天线的多用户MISO系统上行信号检测问题, 结合基于变化的最大似然（ML）代价函数判决门限的随机重启策略, 改进主动禁忌搜索（RTS）检测算法性能。仿真实验表明, 相比基本的RTS算法以及似然上升搜索算法（LAS）及其变体, 在相同条件下该算法误符号率性能更优, 尤其是在高阶QAM调制和信道增益矩阵为欠定阵（用户数大于基站天线数）时, 其他算法存在严重的性能恶化, 而该算法仍能呈现良好的性能。     

一种高效的QMC检测算法

基于垂直分层空时码的MIMO-OFDM系统提出一种高效的QMC检测算法,该算法对信道矩阵进行一次排序QR分解,对最先检测的信号层采用ML-OSIC算法,用M算法检测中间的信号层,逐层增加保留值M以提高算法有效性,利用串行干扰消除检测余下的信号层。与QRD-M算法相比,QMC检测算法能降低计算复杂度。仿真结果表明,该算法以更低的计算复杂度获得更接近最大似然检测的性能,取得性能与复杂度之间的折中更理想。     

大规模MIMO室外无线光通信系统中基于分段高斯近似的最大似然盲检测算法

在室外可见光通信场景下,现有的盲检测算法在近似信道模型时,往往未能与真实信道模型的概率密度函数在截尾处充分拟合,导致在寻找最佳判决门限时存在误差,从而影响系统的平均误符号率性能。因此,针对大规模MIMO(Multiple-Input Multiple-Output)室外无线光通信系统,提出了一种基于分段高斯近似的最大似然盲检测算法。该算法在强大气湍流情况下,得到各个子信道叠加后的等效信道模型服从伽马分布,依据等效信道概率密度函数的唯一极值点确定左右两个分段区间,得到各个子信道在两个分段区间的一阶和二阶统计信息,然后利用中心极限定理和大数定理得到等效信道在两个分段区间都近似服从高斯分布,弥补了等效信道模型与真实信道模型的概率密度函数在截尾处拟合较差的缺点,获得了精确的最佳判决门限,从而改善了系统的平均误符号率性能。为了验证该算法的优越性,通过MATLAB仿真实验将其与现有的盲检测算法进行平均误符号率性能对比。实验数据表明,在收发天线数为4和小信噪比的情况下,所提算法的平均误符号率性能相比现有盲检测算法性能提高近10倍。同时,在接收天线数为8时,所提算法的平均误符号率性能与现有盲检测算法在接收天线数为16时的性能接近,接收天线数是原来的50%。实验数据充分说明,相比于现有的盲检测算法,所提算法在仅利用信道的数学模型和统计信息的情况下,随着收发天线数的增加能够明显提高系统的平均误符号率性能。     

基于卷积神经网络的闪存信道检测技术研究

NAND闪存信道检测技术直接影响数据存储的可靠性,本文针对NAND闪存信道检测过程中因缺乏信道先验信息而导致检测性能显著降低的问题,提出了一种基于卷积神经网络(convolutional neural networks, CNN)的信道检测器。该检测器通过学习存储单元阈值电压随应用场景的变化特性,来初始化网络参数,并通过在系统空闲时间段优化网络参数来实现与信道的匹配。仿真实验结果表明:在信道先验信息未知的情况下,CNN检测器可获得比最优阈值检测器更好的检测性能;与现有的循环神经网络检测器相比,CNN检测器具有更低的复杂度,从而能获得更低的检测延时。     

基于子带动态划分的电力线OFDM自适应算法研究

针对电力线载波通信中信道的强时变问题,提出了一种基于子带动态划分的电力线OFDM自适应调制算法.算法根据信道的变化状态动态的进行子带划分,并在此基础上根据信噪比门限为各子带实时的选择合适的调制方式,从而减少了因信道时变带来的信令消息负荷.仿真实验结果表明,该算法能较有效解决复杂度高、误码率较大等问题,提高了电力线系统的性能.