MIMO系统中低复杂度的MCMC迭代检测算法

针对多输入多输出(MIMO)系统中现行的马尔科夫链蒙特卡洛(MCMC)检测算法复杂度较高的问题,提出了一种SIC-MMSE算法辅助的MCMC检测算法,信号的预估计值和软信息均作为软输入软输出(SISO)检测器的输入,提高了吉布斯采样值的可信度,进而减少采样点数。仿真结果表明,同样的信噪比情况下,达到相同误码率时,与传统MCMC算法相比,改进MCMC算法的复杂度明显降低。     

基于SAOR的Massive MIMO系统信号检测算法

大规模多输入多输出(Massive multiple input multiple output, Massive MIMO)系统采用最小均方误差(Minimum mean square error, MMSE)接收检测方法时存在矩阵求逆复杂度高的问题，已有较多降低复杂度的研究。在降低检测算法复杂度的同时，如何提高算法收敛速度和检测性能一直是人们关注的焦点。本文将对称加速超松弛(Symmetric accelerated over-relaxation， SAOR)迭代算法应用于Massive MIMO系统信号检测中，避免了复杂的矩阵求逆计算，实现了复杂度较最小均方误差算法降低了一个数量级。仿真结果表明，基于SAOR的检测方法通过较少的迭代次数就能逼近最小均方误差（Minimum mean square error, MMSE）算法的检测性能，为Massive MIMO系统中接收信号的快速检测提供了较好的实现方法。     

大规模MIMO系统中低复杂度预编码技术研究

基于大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统,提出两类低复杂度预编码算法。首先,通过大规模MIMO系统的渐近正交信道特性近似求逆矩阵,提出了逐次超松弛(Successive Over Relaxation,SOR)预编码算法,能够降低矩阵计算复杂度。其次,在SOR基础上,进一步提出了共轭梯度(Conjugate Gradient,CG)算法,通过引入适当的预处理矩阵对矩阵进行预处理,使其特征值分布更为集中,降低了条件数,加快了算法的收敛速度,从而显著降低了计算复杂度。仿真表明,提出的SOR方法误码率性能优于传统的正则化迫零(Regularization Zero-Forcing,RZF)预编码,而CG算法能够在保证SOR误码率性能的情况下进一步降低计算时间复杂度。     

马尔科夫链蒙特卡洛算法并行化设计与性能分析

马尔科夫链蒙特卡洛MCMC(Markov Chain Monte Carlo)算法广泛应用于地球系统模型中参数不确定性分析和模拟。由于地球环境科学数据的高维度、大容量特性,迫切需求高性能的MCMC算法满足应用需求。采用数据分治法实现该算法的多核并行化。利用静态和动态分配策略将算法中的多个输入链分配到各CPU;独立计算并通过共享内存实现进程间通信;主进程回收各单元计算结果,合成最终的马尔可夫链输出矩阵。采用控制变量法分析不同样本和马尔可夫链数量下的算法加速情况。结果表明在计算规模较大、动态负载均衡的条件下易于获得较好的加速比,在4个CPU以内时效果显著,之后随着CPU增加加速效果出现波动或趋于稳定。研究表明并行化MCMC能够利用多核CPU硬件设施获得加速效果,更多核数的加速性能存在进一步优化的空间。     

低复杂度的大规模MIMO上行链路软输出信号检测

针对信道矩阵维度高以及接收信号复杂的情况,提出了一种适用于大规模MIMO系统上行链路信号检测的混合迭代算法,即结合自适应阻尼雅克比(damped Jacobi,DJ)算法和共轭梯度(conjugate gradient,CG)算法。首先利用CG算法为自适应阻尼雅克比迭代算法提供有效的搜索方向;随后提出切比雪夫方法消除松弛参数对信号检测的影响,在降低算法复杂度的同时加快收敛速度;最后,利用信道编译码中的比特似然比近似求解软信息,以提升检测性能。通过理论分析算法的复杂度,仿真在不同判决方式下对不同检测算法进行误码率对比,并对混合迭代算法的收敛进行了分析。仿真结果表明,混合迭代算法在少量迭代次数下快速收敛并近似达到最佳MMSE检测性能,且算法复杂度远低于MMSE算法。     

基于对称连续超松弛的大规模MIMO信号检测算法

在大规模MIMO系统中,当基站端天线数远大于单天线用户数时,传统的最小均方误差(MMSE)算法能达到接近最优的线性信号检测性能。但是,由于MMSE算法涉及了复杂的矩阵求逆,从而导致其难以快速有效地实现。利用信道特征,改进了MMSE检测算法,提出了对称连续超松弛(Symmetric Successive Over-Relaxation,SSOR)算法以避免矩阵求逆,并给出了合适的松弛参数和初始值。此外,从算法实现角度考虑,采用信道硬化信息传递(Channel Hardening-Exploiting Message Passing,CHEMP)接收机对信道进行估计。结果表明,通过简单的几次迭代,在给定的松弛参数和初始值条件下,SSOR算法就能快速接近MMSE算法的检测性能,并大幅降低了计算复杂度。     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

多用户大规模LDPC-SM-MIMO联合分层消息传递检测

对于多用户大规模空间调制多输入多输出(Spatial Modulation Multiple Input Multiple Output, SM-MIMO)系统，消息传递检测(Message Passing Detection, MPD)是常用的检测算法，但其复杂度较高。针对该问题，引入基于分层消息传递机制的分层MPD(Layered MPD,LMPD)算法以加快算法收敛速度，降低算法复杂度。进一步，将低密度奇偶校验码(Low-density Parity-check, LDPC)与SM-MIMO系统相结合，提出联合LMPD-BP(Joint LMPD Belief Propagation, JLMPD-BP)算法，LMPD算法可利用BP算法反馈的概率信息，提升系统检测性能。理论分析与仿真结果表明：与传统MPD算法相比，LMPD算法在不损失误码率性能的前提下可加快算法收敛速度，当信噪比(Signal-to-Noise Ratio, SNR)为4 dB时，MPD算法需3次迭代才能达到收敛，而LMPD算法仅需2次迭代即可收敛；同时，通过与LDPC码结合，JLMPD-BP算法极大地降低了系统...     

MCMC粒子滤波的GPS定位数据处理算法

针对基于传统粒子滤波的GPS(Global positioning system)定位数据处理方法存在粒子退化的问题,研究了基于马尔可夫链蒙特卡罗(Markov chain Monte Carol,MCMC)粒子滤波的GPS定位数据处理算法,引入典型的MCMC方法—Metropolis Hastings(M-H)抽样算法.利用观测伪距非高斯误差分布,建立重要密度函数,将MCMC粒子滤波与建立的GPS系统非线性状态空间模型结合.实测数据实验结果表明,MCMC粒子滤波可有效抑制粒子退化,解决了GPS定位数据滤波这一非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差,与基于传统粒子滤波的GPS定位数据处理方法相比,该方法降低了定位数据经纬度和速度估计误差,获得了更高的定位精度,并能够在GPS信号质量较差情况下,对GPS定位数据有效滤波,保证载体在此期间内保持较高的位置精度.     

基于改进共轭梯度的大规模多输入多输出预编码

针对大规模多输入多输出（Massive MIMO）系统下行链路预编码实现复杂、线性预编码矩阵求逆困难等问题，提出一种基于对称逐步超松弛预处理共轭梯度法（SSOR-PCG）的低复杂度预编码算法。该算法在共轭梯度（PCG）算法的基础上，采用对称逐步超松弛分裂（SSOR）算法对矩阵进行预处理以降低矩阵的条件数，达到提高预编码算法收敛速度、降低复杂度的目的。仿真结果表明：与PCG算法相比，所提出的SSOR-PCG预编码算法运行时间缩短约88.93%，在信噪比为26 dB时已收敛；与迫零预编码算法相比，所提算法迭代2次即可获得与迫零预编码算法相近的系统容量性能，复杂度降低约一个数量级，误码率降低约49.94%。