基于消息传递的OTFS信号检测算法综述

由于正交时频空(Orthogonal Time Frequency Space, OTFS)调制解决了多普勒频移的影响,能够适应快时变信道下的传输要求,已成为第六代(The Sixth Generation, 6G)移动通信系统中关键候选技术。同时,信号检测对OTFS在信道传输中的性能发挥着重要作用。目前消息传递(Message Passing, MP)算法作为主流的信号检测算法,在OTFS系统中被广泛使用。然而,在实际环境下MP信号检测算法仍面临着诸多技术挑战。首先介绍了OTFS系统的基本原理和信号处理流程,其次对MP算法的信号检测原理进行阐述,然后将MP的优化算法分为4类,分别为近似消息传递(Approximate Message Passing, AMP)算法、高斯近似消息传递(Gaussian Approximate Message Passing, GAMP)算法、正交近似消息传递(Orthogonal Approximate Message Passing, OAMP)算法以及单元近似消息传递(Unitary Approximate Message Passing, UAMP)算法,对各类算法分别概述其原理并进行了分析、归纳和总结,接着对MP及其优化算法面临的技术挑战进行了探讨,最后对其未来的发展趋势进行了展望。     

OTFS调制系统的低复杂度GAMP算法实现

针对正交时频空（Orthogonal Time Frequealy Space,OTFS）调制技术信号检测算法复杂度高的问题,结合OTFS信道矩阵特性构建匹配滤波器,在广义近似消息传递(Generalized Approximate Message Passing,GAMP)算法的基础上,提出了基于期望最大化(Empectation Maxinization,EM)的阻尼广义消息传递算法。相较于传统的消息传递（Message Passing,MP）、近似消息传递（Approximate Message Passing,AMP）和GAMP等检测方式,所提算法有更低复杂度。在500 km/h的高动态场景中对该算法进行仿真,其误码率性能优于最小均方差（Minimum Mean Squared Error,MMSE）和传统的GAMP检测算法,并且具有更好的收敛性。     

一种低复杂度的OTFS系统信号检测算法

针对正交时频空(Orthogonal Time Frequency Space, OTFS)调制系统中均衡器性能不佳及线性滤波器复杂度较高等问题,提出了一种LU(Lower-Upper)分解与迭代最小均方误差(Iterative Minimum Mean Square Error, IMMSE)均衡器结合的OTFS系统信号检测算法(LU-IMMSE)。该算法依据时延多普勒域稀疏信道矩阵的特征,采用一种低复杂度的LU分解方法,以避免MMSE均衡器求解矩阵逆的过程,在保证均衡器性能的前提下降低了均衡器复杂度。在OTFS系统中引入一种IMMSE均衡器,通过不断迭代更新发送符号均值和方差这些先验信息来逼近MMSE均衡器最优估计值。LU-IMMSE算法通过调节迭代次数可以有效降低误比特率。在比特信噪比为8 dB时,5次迭代后的LU-IMMSE均衡器误比特率相比传统的MMSE均衡器降低了约11 dB。随着迭代次数的增大,较传统IMMSE算法降低了计算复杂度。在最大时延系数为4、符号数为16的情况下,与直接求逆相比,所提出的低复杂度LU分解方法降低了约91.72%的矩阵求逆计算复杂度。     

基于消息传递的大规模多用户MIMO低复杂度的检测算法

针对大规模多用户多输入多输出(MIMO)系统中基站端检测复杂度高的问题,提出了一种低复杂度、基于强制收敛的变量节点全信息高斯消息传播迭代检测(VFI-GMPID-FC)算法.首先对传统的GMPID算法进行改进,得到VFI-GMPID算法,VFI-GMPID算法的检测性能逼近最小均方误差检测(MMSE)算法,但复杂度要大大低于MMSE算法.然后结合强制收敛思想和VFI-GMPID,提出VFI-GMPID-FC算法,进一步降低算法复杂度,提升检测效率.最后通过仿真结果表明,所提算法在保证检测性能的同时,能有效地降低算法的复杂度.     

面向车联网通信的OTFS信号检测算法综述

车联网(Vehicle to Everything,V2X)通信被认为是未来无线通信网络最重要的应用之一.然而,车辆在高速移动时引起的高多普勒频移会严重恶化 V2X 通信链路的性能.正交时频空(Orthogonal Time Frequency Space,OTFS)调制技术可以将时间和频率选择性信道转换为时延-多普勒(Delay-Doppler,DD)域的非选择性信道,从而显著提高无线通信系统在高移动性场景下的性能,在V2X通信中具有重要的应用价值.但OTFS调制技术极大地增加了系统接收端的复杂度,研究低复杂度信号检测算法成为了新一代无线通信系统采用OTFS调制的关键问题之一.为此,综述了面向车联网V2X通信的OTFS信号检测算法.首先介绍了OTFS系统模型,然后概述了现有的低复杂度OTFS信号检测算法,并将其分为线性检测算法、消息传递(Message Passing,MP)检测算法及其改进算法、基于神经网络的检测算法3 类,最后探讨了V2X通信中OTFS信号检测目前所面临的技术挑战与未来的发展趋势.     

大规模MIMO系统中低复杂度信号检测算法

第五代（5G）移动通信系统大规模多输入多输出（MIMO）技术利用信道硬化理论,采用消息传递检测（MPD）算法实现了良好的检测性能。但是由于MPD算法的计算复杂度随调制阶数和用户天线数的增加而增加,在实际的大规模MIMO系统中难以有效实现。概率近似-消息传递检测（PA-MPD）算法可以减少原始MPD算法的计算复杂度。文章将提前终止迭代过程和更新部分符号概率的策略应用于MPD算法迭代过程中,提出了一种选择性更新-消息传递检测（SU-MPD）算法,从而降低了MPD算法的计算复杂度。仿真结果表明,在各种天线配置下SU-MPD算法的计算复杂度最大限度可降低为MPD算法的19%和PA-MPD算法的50%,且不降低算法的检测性能。     

基于索引调制OTFS系统的应用

正交时频空（Orthogonal Time Frequency Space,OTFS）调制技术和索引调制（Index Modulation,IM）技术适用于高移动性场景,具有高频谱效率等优势,在图像传输领域应用前景广泛。然而,结合索引调制的正交时频空（Orthogonal Time Frequency Space with Index Modulation,OTFS-IM）调制技术的算法实现复杂度较高。对此,在广义近似消息传递（Generalized Approximate Message Passing,GAMP）的基础上改进,提出一种基于概率排序的阻尼广义消息传递算法。实验结果表明,在图像传输应用中,与传统的最小均方误差结合最大似然方案（Minimum Mean Squared Error with Maximum Likelihood,MMSEML）相比,所提的算法具有更低的复杂度,性能也优于传统的MMSE-ML传输方案。     

基于正交时频空系统的低复杂度最大比合并接收机算法

正交时频空(OTFS)因其在高速移动场景下优异的误码率性能而受到广泛研究。针对OTFS接收机运算复杂度较高问题,该文提出一种基于最大比合并(MRC)的低复杂度接收机算法。首先,其核心思想在时延多普勒域利用最大比合并算法进行迭代,对接收的多径分量进行提取和相干组合,以提高组合信号的信噪比。其次,通过引入交织器和解交织器,信道矩阵转化为稀疏的上三角海森伯矩阵,有利于后续进行矩阵分解。再次,针对符号决策过程中矩阵求逆计算量大的问题,提出一种低复杂度的LDL^H分解算法。最后,在此基础上进一步改进,提出了一种复杂度进一步降低的下三角矩阵求逆算法,以降低下三角矩阵求逆的复杂度。仿真结果表明,一方面该算法误码率与最大比合并算法相同,另一方面性能显著优于高阶调制的线性最小均方误差估计(LMMSE)线性均衡器与高斯−赛德尔(GS)迭代均衡算法。     

基于检测残差消除的CP-OTFS系统信号检测算法

正交时频空（OTFS）调制技术因其高抗频率色散的性能,有望成为6G中高移动性场景下通信的关键技术。通过在OTFS系统发送端加入循环前缀（CP）,可克服信道多径效应导致的码间干扰。针对当前CP-OTFS系统信号检测算法计算复杂度高的问题,提出一种基于检测残差消除的信号检测算法。采用时频域低复杂度初始检测后,结合系统时延-时间域的输入-输出关系计算初始检测残差。以检测残差为迭代变量,通过计算反馈值更新检测信号,并在时延-多普勒域进行逐符号最大似然检测。在迭代计算过程中逐步消除检测残差,并给出了算法停止准则。实验结果表明,该算法在信噪比为15 dB时误码性能比线性最小均方差算法提升了2.79 dB,比消息传递算法提升了1.76 dB,并且具有更好的收敛性和更低的计算复杂度。     

基于模型驱动深度学习的OTFS检测方法

正交时频空(Orthogonal Time Frequency Space, OTFS)调制技术凭借对多普勒频移的优良抗性,保证了高动态场景下的可靠性通信。与大多数OTFS信号检测方案相比,基于深度学习(Deep Learning, DL)的OTFS检测器不需要耗费高额的导频能量,以此获得精确的信道状态信息。基于多维输入的卷积神经网络(Convolutional Neural Networks, CNN)和一维输入的深度神经网络(Deep Neural Networks, DNN),搭建了OTFS信号检测模型,并结合OTFS的输入输出关系,以模型驱动,提出一种部分输入方法。与数据驱动DL相比,该方法沿时延轴截断输入数据,仅向网络输入与待检测信号相关性强的部分接收信号。该方法不仅减小了数据驱动CNN和DNN的训练参数量,降低了训练复杂度,而且检测性能也不弱于传统的线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)算法。     

矩形窗正交时频空检测算法

针对正交时频空(Orthogonal Time Frequency Space, OTFS)调制系统采用矩形窗函数时,信道矩阵结构复杂导致的鲁棒性差的问题,提出了一种基于时域处理和酉近似消息传递的检测算法。该算法首先添加循环前缀,将时域信道转换为分块对角矩阵;然后应用酉变换和近似消息传递建立迭代检测算法。仿真结果表明,所提检测算法能够在不增加复杂度的条件下有效提升检测精度和鲁棒性,特别是存在信道编码的条件下表现出2 dB的性能增益,使得该算法更适用于杂散多径、高速移动等环境,具有较高的应用价值。     

一种基于自适应噪声估计的CP-OTFS系统信号检测算法

针对正交时频空(Orthogonal Time Frequency Space, OTFS)调制系统中最小均方误差(Minimum Mean Square Error, MMSE)检测算法性能整体不佳以及计算复杂度高的问题,通过对CP-OTFS系统时延-多普勒(Delay-Doppler, DD)域中的输入-输出关系运用二维离散傅里叶变换后,提出一种基于自适应噪声估计的检测算法。该算法首先根据先验信息衡量接收信号功率和信道增益,然后用一个含参项衡量发送信号功率,最后引入噪声方差完成对噪声项的估计并结合MMSE准则进行信号检测。仿真结果表明,当信噪比为19 dB时,该算法的误码率性能比MMSE检测算法提升了3.72 dB且在运算过程中不涉及矩阵的求逆,是误码率性能整体较好与低复杂度的信号检测算法。     

基于残差的正交时频空异步消息传递算法

正交时频空(Orthogonal Time Frequency Space, OTFS)调制作为极具潜力的调制方案能够显著提升高移动场景下通信系统的鲁棒性。传统的OTFS同步消息传递(Message Passing, MP)检测算法及其变体每次迭代都需要更新并传递所有的信息,从而导致收敛速度过慢。针对上述问题,提出基于残差的OTFS异步消息传递算法。该算法利用消息更新前后的差值作为知情调度信息来控制消息传递的顺序,从而实现迭代资源的非均匀分配。仿真结果表明,基于残差的OTFS异步消息传递算法相较于传统的同步消息传递算法,在信噪比为20 dB时,迭代次数减少了45%,误比特性能提高了7 dB。     

低精度量化的OTFS系统性能分析

正交时频空（Orthogonal Time and Frequency Space, OTFS）作为6G候选调制方案,旨在支持下一代无线通信系统在高速移动场景的异构性需求。为解决系统硬件成本高昂和功耗高的问题,构建了低精度量化OTFS系统,并推导了b-bit量化最小均方误差（Minimum Mean Square Error, MMSE）检测矩阵。通过加性量化噪声模型（Additive Quantization Noise Model, AQNM）推导系统输入-输出关系,并基于MMSE接收机评估系统误比特率（Bit Error Rate, BER）和可达速率性能。仿真结果表明,4-bit量化较全精度量化系统性能在BER=10^-2处损失约1 dB,可达速率减小约0.98%;8-bit量化与全精度量化的可达速率相当,验证了分析结果的有效性。     

OTFS技术：研究现状与发展趋势

正交时频空(Orthogonal Time Frequency Space, OTFS)调制技术是近年提出的新型信号调制方式,旨在应对下一代无线通信网络典型的高移动性多径传输场景中存在的大多普勒频移导致的通信质量下降问题。OTFS技术将符号映射至时延-多普勒(Delay-Doppler, DD)域,并通过二维变换将其变换到时频域,以应对大多普勒频移和时延导致的载波间干扰与符号间干扰。分析并总结了OTFS技术的基本原理、信道估计、符号检测及与多址技术结合等方向的研究现状,对未来OTFS技术的发展趋势进行了展望。