本發(fā)明涉及一種用于無線通信系統(tǒng)中的聯(lián)合檢測與信道譯碼的方法，確切地說，是一種基于自相關(guān)接收機(jī)和置信度傳播理論的非相干聯(lián)合檢測與譯碼方法，屬于無線通信技術(shù)領(lǐng)域。

背景技術(shù)：

大規(guī)模MIMO技術(shù)作為第五代(5G)移動(dòng)通信的候選技術(shù)之一而得到了越來越多的研究，其思想就是通過大量增加基站的天線數(shù)目，在相同的頻率、時(shí)間資源塊中建立多個(gè)并行的數(shù)據(jù)傳輸通道，進(jìn)而提升整個(gè)系統(tǒng)的頻譜和能量利用率。

為了利用大規(guī)模天線的增益，大部分的方法需要在基站側(cè)精確地已知信道的信息，每個(gè)用戶到每個(gè)接收天線的的信道信息需要估計(jì)，隨著用戶與接收天線的增加，信道估計(jì)的復(fù)雜度變得非常大，以至于快速地獲得精確的信道信息變得不可行。作為傳統(tǒng)的非相干檢測技術(shù)之一，多符號(hào)差分檢測可以有效的避免訓(xùn)練或信道估計(jì)過程。

現(xiàn)存的大規(guī)模MIMO的多符號(hào)差分檢測算法只能輸出0、1的硬判決信息，這并不能適合與性能優(yōu)異Turbo和LDPC信道編碼結(jié)合，必須重新設(shè)計(jì)軟判決量。

在大規(guī)模MIMO系統(tǒng)下，借助置信度傳播算法中的和積法則,計(jì)算逐符號(hào)的后驗(yàn)概率，實(shí)現(xiàn)軟入軟出的多符號(hào)差分檢測算法需要進(jìn)一步研究。

在此基礎(chǔ)上，在大規(guī)模MIMO下，如何進(jìn)一步結(jié)合信道編碼，如何將信道編碼的圖模型與多符號(hào)差分檢測的因子圖模型進(jìn)行融合，然后設(shè)計(jì)交互的軟信息與消息的更新方式，使得逐符號(hào)的軟信息在檢測與譯碼器中交換，取得編碼與 聯(lián)合結(jié)構(gòu)的共同性能增益，需要進(jìn)一步研究。

針對(duì)以上提出的問題，本發(fā)明提出了一種非相干的聯(lián)合多符號(hào)差分檢測與信道譯碼的方法。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的是結(jié)合自相干接收機(jī)和置信度傳播算法，提出軟入軟出的的多符號(hào)差分檢測算法,此算法易與性能優(yōu)良的軟入軟出的信道譯碼結(jié)合。

然后針對(duì)單用戶的大規(guī)模天線系統(tǒng)提出一種新穎的聯(lián)合多符號(hào)差分檢測與信道譯碼的算法，通過較少的迭代次數(shù)，有效的改善系統(tǒng)的誤碼率性能。

先介紹本發(fā)明方法的應(yīng)用場景：考慮上行傳輸場景，一個(gè)單天線的用戶傳輸數(shù)據(jù)至配有根天線的基站N_R，N_R非常大。在每一個(gè)時(shí)間間隙，用戶從多進(jìn)制的PSK調(diào)制中發(fā)射一個(gè)符號(hào)?？紤]富散射的環(huán)境，用戶到基站每根天線的的信道參數(shù)以及高斯白噪聲均是零均值復(fù)高斯循環(huán)隨機(jī)變量。假設(shè)信道是準(zhǔn)靜態(tài)的，在一個(gè)充分長的發(fā)射時(shí)段內(nèi)，信道參數(shù)保持不變。

所述方法包含以下三個(gè)步驟

1，推導(dǎo)基于后驗(yàn)概率的軟入軟出多符號(hào)差分檢測的軟輸出檢測子和對(duì)相應(yīng)參數(shù)進(jìn)行估計(jì)：

(11)根據(jù)應(yīng)用場景中用戶發(fā)射信號(hào)，信道條件的假設(shè)，得到在基站接收端接收信號(hào)的表達(dá)式，每一個(gè)時(shí)間的接收信號(hào)是一個(gè)與接收天線數(shù)等長的長向量。

(12)將一個(gè)接收時(shí)段內(nèi)的接收向量根據(jù)觀察窗大小分塊，把塊內(nèi)的不同

時(shí)間的接收向量作自相關(guān)操作，得到一個(gè)自相關(guān)信號(hào)的表達(dá)式如下

$z_{k,l}=r_k^H{r}_l=E_g\·\left(\underset{z=l+1}{\overset{k}{\mathrm{\Π}}}{a}_z\right)+n_{k,l}---\left(1\right)$

$n_{k,l}=b_k^{*}\·h^H{n}_l+n_k^{H}h\·b_l+n_k^H{n}_l---\left(2\right)$

(13)根據(jù)自相關(guān)表達(dá)式，式中噪聲的概率分布，中心極限定理，運(yùn)用概率論知識(shí)推導(dǎo)得到接收端自相關(guān)信號(hào)的概率分布表達(dá)式。

(14)根據(jù)貝葉斯公式，得到每個(gè)發(fā)射符號(hào)的后驗(yàn)概率

$p\left(a_k\right|z_s)\∝\underset{x_s:~a_k}{\mathrm{\Σ}}p\left(z_s\right|x_s)p\left(x_s\right)---\left(3\right)$

此后驗(yàn)概率與該塊內(nèi)其他符號(hào)的概率和塊的信道轉(zhuǎn)移概率相關(guān)，

(15)參數(shù)估計(jì)：從自相關(guān)信號(hào)的表達(dá)式(1)中可以看出，自相關(guān)信號(hào)依賴于數(shù)據(jù)符號(hào)和采集的能量E_g，為了獲得此參數(shù)，我們的接收機(jī)采用下列的估計(jì)方法：

${\hat{E}}_g=\frac{1}{J}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}\underset{k=(s-1)M+1}{\overset{sM}{\mathrm{\Σ}}}\underset{l=(s-1)}{\overset{k-1}{\mathrm{\Σ}}}\left|z_{k,l}\right|---\left(4\right)$

其中J是自相關(guān)參數(shù)集合Z＝{z_s}，s＝1,2,...,S中元素的數(shù)量，一共有SM(M+1)/2個(gè)。獲得此估計(jì)的參數(shù)后，用它替換E_g。我們會(huì)在仿真中證明此參數(shù)估計(jì)的良好性能。

2，推導(dǎo)可迭代的軟入軟出的多符號(hào)差分檢測的檢測子：在這部分中，我們結(jié)合置信度傳播算法提出可迭代的軟入軟出的多符號(hào)差分算法。為了方便計(jì)算每個(gè)數(shù)據(jù)符號(hào)的后驗(yàn)概率，我們將利用因子圖來表示系統(tǒng)的概率模型，那么置信度信息就可以在因子圖上傳播。為了實(shí)現(xiàn)因子圖，我們首先將全局函數(shù)p(z_s|x_s)p(x_s)因子化為許多局部函數(shù)。

(21)首先將p(z_s|x_s)因子化，z_s集合中的每一個(gè)元素z_k,l可以視為均值為信號(hào)大小的獨(dú)立的噪聲分量，那么p(z_s|x_s)可以因子化為:

$p\left(z_s\right|x_s)=\underset{l=(s-1)M+1}{\overset{sM}{\mathrm{\Π}}}\underset{k=(s-1)M}{\overset{l-1}{\mathrm{\Π}}}p\left(z_{k,l}\right|x_s)---\left(5\right)$

(22)接下來我們因子化p(x_s)，雖然數(shù)據(jù)符號(hào)經(jīng)過了編碼，但是經(jīng)過交織操作以后，數(shù)據(jù)符號(hào)可以近似為獨(dú)立。所以p(x_s)可以因子化為：

$p\left(x_s\right)=\underset{k=(s-1)M+1}{\overset{sM}{\mathrm{\Π}}}p\left(a_k\right)---\left(6\right)$

將(5)式和(6)式代入(3)式，可得

$p\left(a_k\right|z_s)=\mathrm{\γ}\left(a_k\right)\∝\underset{x_s:~a_k}{\mathrm{\Σ}}p\left(z_s\right|x_s)\underset{(l\∈l_s\∩(l\≠k\left)\right)}{\mathrm{\Π}}\mathrm{\δ}\left(a_l\right)---\left(7\right)$

根據(jù)(7)式，我們可以利用置信度傳播算法來計(jì)算所有的數(shù)據(jù)符號(hào)a_k的后驗(yàn)概率p(a_k|z_s)。而且，將每個(gè)符號(hào)的概率信息作為橋梁，容易與軟入軟出信道譯碼結(jié)合。圖3展示了聯(lián)合多符號(hào)差分檢測和信道譯碼的算法框架。整個(gè)框架圖可以分為兩個(gè)部分：上半部分虛線框內(nèi)的部分展示了一個(gè)塊大小為M個(gè)符號(hào)，軟入軟出的多符號(hào)差分檢測的信號(hào)處理部分；下半部分展示了信道編碼的約束。

信道編碼會(huì)在因子圖中引入環(huán)，使得置信度傳播算法不能計(jì)算出數(shù)據(jù)符號(hào)精確的后驗(yàn)概率值。然而在相關(guān)文獻(xiàn)中也指出，用迭代的算法，在優(yōu)異的成環(huán)很大的信道編碼中，置信度傳播算法可以對(duì)符號(hào)的后驗(yàn)概率有很好的近似。

3.聯(lián)合多符號(hào)差分檢測和信道譯碼的算法：

一次發(fā)射時(shí)段內(nèi)，所有經(jīng)過信道編碼符號(hào)的分為S個(gè)塊，它們同時(shí)被處理。圖3展示的是其中的第sth塊的信號(hào)處理。

(31)初始化：初始階段，信道譯碼器沒有提供外部信息，各符號(hào)的先驗(yàn)信息δ⁽⁰⁾(a_l)是等概的。

(32)步驟1：對(duì)于圖1所示的第sth塊，已知p(z_s|x_s)和符號(hào)的先驗(yàn)信息δ^(i-1)(a_l)，利用公式(10)計(jì)算γ⁽ⁱ⁾(a_k)。γ⁽ⁱ⁾(a_k)作為軟入軟出多符號(hào)差分檢測更新的先驗(yàn)信息，送入到信道的譯碼器。

(33)步驟2：經(jīng)過在譯碼器內(nèi)部的多次迭代，譯碼器更新δ^(i-1)(a_l)，將他們重新送入檢測器。更新過的δ^(i-1)(a_l)視為信道編碼符號(hào)新的先驗(yàn)信息。在這步中，從上一次信道譯碼得到的δ^(i-1)(a_l)能夠得到充分的利用。

(34)步驟3：重復(fù)步驟1和步驟2，最后一次迭代得到的信道譯碼結(jié)果作為 最后的結(jié)果。

本發(fā)明是基于自相關(guān)接收機(jī)和置信度傳播算法提出的一種用于大規(guī)模無線通信系統(tǒng)的一種聯(lián)合檢測與譯碼算法。其優(yōu)點(diǎn)是：檢測器與信道譯碼器之間傳播的信息能夠充分互相利用，信道譯碼器更新的符號(hào)先驗(yàn)信息能夠重新傳入檢測器幫助檢測，更為準(zhǔn)確的檢測器輸出的符號(hào)后驗(yàn)信息傳入信道譯碼器。本發(fā)明方法的創(chuàng)新關(guān)鍵是：提出軟輸入軟輸出的的多符號(hào)差分算法，將符號(hào)的概率信息和置信度傳播算法作為橋梁，提出聯(lián)合檢測與譯碼算法。本發(fā)明方法相對(duì)于傳統(tǒng)的將信號(hào)檢測與信道譯碼作為獨(dú)立的兩部分的信號(hào)處理過程，性能得到了提升。

附圖說明

圖1是本發(fā)明的信號(hào)處理流程圖。

圖2是本發(fā)明窗函數(shù)移動(dòng)的示意圖。

圖3是本發(fā)明提出的聯(lián)合多符號(hào)差分算法和信道譯碼的框架圖。

圖4是本發(fā)明提出的聯(lián)合多符號(hào)差分算法和信道譯碼的算法流程圖。

圖5是聯(lián)合多符號(hào)差分算法和信道譯碼的誤碼率性能仿真圖。

圖6是聯(lián)合檢測與譯碼算法迭代的收斂仿真圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。

參見圖1，介紹本發(fā)明的信號(hào)處理流程。在發(fā)射端對(duì)信源符號(hào)進(jìn)行信源編碼，交織，二進(jìn)制DPSK的調(diào)制；信號(hào)經(jīng)過塊衰落的準(zhǔn)靜態(tài)信道，在接收端的大規(guī)模天線陣列上接收；接收信號(hào)向量經(jīng)過自相關(guān)接收機(jī)進(jìn)行自相關(guān)操作后，進(jìn)入聯(lián)合多符號(hào)和信道譯碼過程。

參見圖2，介紹本發(fā)明方法的自相關(guān)接收模塊處理過程：發(fā)射端發(fā)射包含K個(gè)數(shù)據(jù)符號(hào)的數(shù)據(jù)包，在接收端的大規(guī)模天線陣列上獲得K×N_R維的接收矩陣R＝[r₁,r₂,...,r_K]。將K個(gè)接收向量分成S＝K/M塊，M是塊大小，表示塊內(nèi)的向 量數(shù)。如圖2所示，在多符號(hào)差分檢測中，觀察窗的大小是M+1，當(dāng)處理完當(dāng)前M個(gè)向量后，觀察窗向下滑動(dòng)M個(gè)向量，相鄰滑動(dòng)窗之間重疊一個(gè)向量。

參見圖3，介紹本發(fā)明方法的聯(lián)合檢測與信道譯碼過程：

初始化：初始階段，信道譯碼器沒有提供外部信息，各符號(hào)的先驗(yàn)信息δ⁽⁰⁾(a_l)是等概的。

步驟1：對(duì)于圖1所示的第sth塊，已知p(z_s|x_s)和符號(hào)的先驗(yàn)信息δ^(i-1)(a_l)，利用公式(10)計(jì)算γ⁽ⁱ⁾(a_k)。γ⁽ⁱ⁾(a_k)作為軟入軟出多符號(hào)差分檢測更新的先驗(yàn)信息，送入到信道的譯碼器。

步驟2：經(jīng)過在譯碼器內(nèi)部的多次迭代，譯碼器更新δ^(i-1)(a_l)，將他們重新送入檢測器。更新過的δ^(i-1)(a_l)視為信道編碼符號(hào)新的先驗(yàn)信息。在這步中，從上一次信道譯碼得到的δ^(i-1)(a_l)能夠得到充分的利用。

步驟3：重復(fù)步驟1和步驟2，最后一次迭代得到的信道譯碼結(jié)果作為最后的結(jié)果。

參見圖4，介紹了本發(fā)明方法的聯(lián)合檢測與信道譯碼的算法流程圖。

為了展示本發(fā)明算法的性能，圖5展示了聯(lián)合檢測和信道譯碼的性能仿真圖。LDPC的碼率為1/2，在譯碼器內(nèi)部進(jìn)行10次迭代。LDPC信道譯碼在信道編碼的約束下也是一個(gè)置信度傳播的過程。每次發(fā)射包含300個(gè)數(shù)據(jù)符號(hào)(600個(gè)信道編碼符號(hào))?？梢杂^察到以下三點(diǎn)：第一，聯(lián)合檢測與信道編碼算法相對(duì)于未編碼系統(tǒng)性能得到很大的提升，這歸咎于兩個(gè)方面：信道編碼和交織器，另一方面是由于本發(fā)明的聯(lián)合檢測與譯碼結(jié)構(gòu)，在圖5中展示這個(gè)優(yōu)點(diǎn)；第二，隨著檢測塊符號(hào)數(shù)的增加，系統(tǒng)的性能得到提升(當(dāng)誤碼率為10^-6，檢測塊符號(hào)數(shù)為2，3相對(duì)于單符號(hào)差分檢測性能分別提升了1.1和2.3dB)。第三，估計(jì)的E_g對(duì)于對(duì)于性能的影響。從仿真圖可以看出，完美的參數(shù)E_g和用我們方法估計(jì)的參數(shù)對(duì)系統(tǒng)性能的影響幾乎相同，由此可見，我們這種直接的對(duì)系統(tǒng)參數(shù)的估計(jì)足以適用于我們提出的算法。

圖6展示了迭代次數(shù)對(duì)聯(lián)合檢測與信道譯碼系統(tǒng)性能的影響。仿真參數(shù)如下：檢測塊大小為3，接收端天線數(shù)為100，使用參數(shù)估計(jì)LDPC的碼率為1/2，在譯碼器內(nèi)部進(jìn)行10次迭代。當(dāng)多符號(hào)差分檢測和信道譯碼的迭代次數(shù)為1時(shí)，軟輸入軟輸出的多符號(hào)差分算法退化為軟輸出的的多符號(hào)差分算法，這是因?yàn)樾诺雷g碼更新的關(guān)于符號(hào)的信息沒有重新傳入多符號(hào)差分檢測，這就是傳統(tǒng)的單獨(dú)檢測與譯碼的過程。另一方面，相對(duì)于單次的迭代，6次的在檢測與譯碼之間的迭代大于帶來0.5dB的性能增益。并且，從圖中可以觀察到，5次迭代的性能和六次迭代的性能非常接近，這表明6次迭代可以使算法收斂。

以上所述僅為本發(fā)明的較佳實(shí)例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。