張明軍
(阜陽職業(yè)技術(shù)學(xué)院,安徽阜陽 236031)
MIMO技術(shù)是無線通信領(lǐng)域的重大突破,作為一種通信技術(shù),其最先是由Marconi(1908)采用多天線系統(tǒng)來解決無線通信中衰落問題所引出的。Telatar(1995)在對(duì)MIMO系統(tǒng)的信道容量進(jìn)行平坦衰落分析發(fā)現(xiàn),天線數(shù)目的增加會(huì)使信道容量呈現(xiàn)線性增長,這一發(fā)現(xiàn)使得MIMO技術(shù)飛速發(fā)展。Bell實(shí)驗(yàn)室的研究學(xué)者(1996)提出了空間信號(hào)處理的系統(tǒng)框架,為MIMO技術(shù)全面推向無線通信領(lǐng)域奠定了基礎(chǔ)。隨著電子通信應(yīng)用的普及,各國科研機(jī)構(gòu)對(duì)MIMO技術(shù)不斷改良,使MIMO技術(shù)成為移動(dòng)通信領(lǐng)域中的關(guān)鍵技術(shù),發(fā)展前景巨大。MIMO技術(shù)通過增益極大提升了信道容量以及信道傳輸性能。并且MIMO技術(shù)實(shí)現(xiàn)了多路信號(hào)的并行傳輸,提高了系統(tǒng)的頻譜效率,但與此同時(shí),發(fā)射信號(hào)的重疊和碼間干擾給接收端的信號(hào)檢測(cè)增加了難度[1]。因此,有效檢測(cè)接收端的信號(hào)成為空間復(fù)用MIMO系統(tǒng)中的一項(xiàng)具有挑戰(zhàn)性的任務(wù),系統(tǒng)的檢測(cè)方法性能的優(yōu)劣直接對(duì)MIMO系統(tǒng)的整體性能造成影響。對(duì)此需要探尋一種低復(fù)雜度與高性能相統(tǒng)一的信號(hào)檢測(cè)算法來提升MIMO系統(tǒng)的性能。
常見的系統(tǒng)信號(hào)檢測(cè)方法可以分為線性和OSIC兩大類,在對(duì)高性能系統(tǒng)信號(hào)檢測(cè)方法的研究上,郁光輝[2]針對(duì)信道復(fù)用輸入的重疊干擾問題提出一種分層調(diào)制的球形檢測(cè)算法,相較于MSD算法而言,其在誤碼率以及復(fù)雜度性能上分別得到5%和20%的提升。李小文[3]在V-BLAST算法的基礎(chǔ)上進(jìn)行改進(jìn)與優(yōu)化,并與其它幾種常見信號(hào)檢測(cè)算法進(jìn)行實(shí)驗(yàn)比較分析,結(jié)果顯示提出的優(yōu)化算法在性能上得到明顯增強(qiáng)。趙新雪[4]提出了一種通過縮小ML向量檢索的雙向最大似然檢測(cè)算法,通過實(shí)驗(yàn)仿真可知,與傳統(tǒng)最大似然檢測(cè)算法相比較此算法性能有所提高。本文在構(gòu)建系統(tǒng)模型的基礎(chǔ)上對(duì)4種信號(hào)檢測(cè)方法進(jìn)行仿真實(shí)驗(yàn)比較,從而擇優(yōu)選擇檢測(cè)算法。
MIMO系統(tǒng)是依靠多根天線來實(shí)現(xiàn)信號(hào)的接收與發(fā)送的,發(fā)射天線與接收天線數(shù)量多少?zèng)Q定了MIMO系統(tǒng)的發(fā)送速率以及信號(hào)接收質(zhì)量的高低。所有的數(shù)據(jù)均是處在同一頻帶在同一時(shí)間發(fā)送的,這也使得MIMO系統(tǒng)頻譜利用率非常高。常提到的MIMO信道指的是在發(fā)射端與接收端之間的無線信道。該系統(tǒng)的典型結(jié)構(gòu)如圖1所示。
圖1 MIMO系統(tǒng)信道模型
對(duì)于具有NRx×NTx的MIMO系統(tǒng),其MIMO信道矩陣H可以確定為NRx×NTx。發(fā)射符號(hào)向量x由NT個(gè)獨(dú)立符號(hào)構(gòu)成,接收向量y可以表示成:
(1)
其中,Ex為發(fā)射信號(hào)的能量,z=[z1,z2,…,zNRx]T是噪聲向量[5]。在該系統(tǒng)中,每一個(gè)接收天線均接收來自NTx根發(fā)射天線的信號(hào),其接收到的是空間和頻帶上均相互重疊的多路信號(hào)。
對(duì)于某種空時(shí)編碼的MIMO系統(tǒng),信號(hào)的傳輸速率一定不超過信道容量,假設(shè)傳輸速率為:
R(SNR)=kC(SNR)=k×min(NRx,NTx)×log(1+SNR),0≤k≤1.
(2)
將MIMO系統(tǒng)能夠得到的傳輸速率與SISO系統(tǒng)的最大傳輸速率log(1+SNR)的比值定義為空間復(fù)用增益,即:
r=R(SNR)/log(1+SNR)
=k×min(NRx,NTx)×log(1+SNR)/log(1+SNR)
=k×min(NRx,NTx).
(3)
那么,MIMO系統(tǒng)能夠獲得的最大空間復(fù)用增益為rmax=min(NRx,NTx)。其中,NTx為發(fā)射天線數(shù)量,NRx為接收天線數(shù)量。
圖2為NRx×NTx的空間復(fù)用MIMO系統(tǒng),它的發(fā)射天線和接收天線數(shù)分別為NTx和NRx。
圖2 空間復(fù)用MIMO系統(tǒng)
y=Hx+z.
(4)
其中,H指的是信道矩陣,矩陣中的hij元素代表的是第i根發(fā)射與第j根接收天線的增益,j=1,2,…,NRx,i=1,2,…,NTx。令矩陣H中的第i個(gè)列向量用hi表示,則空間復(fù)用MIMO系統(tǒng)的公式可以進(jìn)行變形,如(5)所示:
y=h1x1+h2x2+…+hNTxxNTx+z.
(5)
MIMO系統(tǒng)接收到的信號(hào)是疊加信號(hào),除了會(huì)接收到發(fā)射信號(hào)外,還往往存在噪聲信號(hào),如何有效地對(duì)接收信號(hào)分離來排除噪聲信號(hào)的干擾是信號(hào)檢測(cè)技術(shù)最關(guān)鍵的問題。本次信號(hào)檢測(cè)基于前文所構(gòu)建的V-BLAST系統(tǒng)模型來完成。
在系統(tǒng)的接收端,每根天線都同時(shí)接收來自NTx根發(fā)射天線的信號(hào),致使在接收端所有信號(hào)混疊在一起。為了從混疊信號(hào)中檢測(cè)出來自目標(biāo)發(fā)射天線的期望信號(hào),必須最小化或消除來自其他天線的干擾。
線性信號(hào)檢測(cè)方法的原理是通過矩陣W(加權(quán)矩陣)來對(duì)信道進(jìn)行逆轉(zhuǎn),從而實(shí)現(xiàn)期望信息與干擾信號(hào)的分離,如式(6)所示,可以有效地實(shí)現(xiàn)對(duì)每個(gè)信號(hào)的檢測(cè)。
(6)
下面就對(duì)常用的線性信號(hào)檢測(cè)方法中的ZF與MMSE檢測(cè)方法進(jìn)行簡(jiǎn)要的介紹。
3.1.1 ZF信號(hào)檢測(cè)
ZF信號(hào)檢測(cè)方法在接收端強(qiáng)制將信號(hào)間干擾置為零,使用如式(7)所示的加權(quán)矩陣進(jìn)行干擾消除:
WZF=(HHH)-1HH.
(7)
其中,(·)H表示艾米特轉(zhuǎn)置操作。將偽逆矩陣WZF與接收信號(hào)向量y相乘,實(shí)現(xiàn)了信道的逆轉(zhuǎn):
(8)
(9)
利用酉矩陣Q,因?yàn)槠錆M足‖Qx‖2=xHQHQx=xHx=‖x‖2,所以噪聲功率的期望值為:
(10)
ZF信號(hào)檢測(cè)的優(yōu)點(diǎn)是簡(jiǎn)單實(shí)用,但也因?yàn)槠錂z測(cè)方法完全消除了符號(hào)間干擾,同時(shí)通過與偽逆矩陣WZF相乘將高斯噪聲放大,因此ZF算法的抗噪聲性能很差。
3.1.2 MMSE信號(hào)檢測(cè)
(11)
其中,加權(quán)矩陣的第i個(gè)行向量wi,MMSE由最優(yōu)化方程得出:
(12)
使用MMSE加權(quán)矩陣可以得到以下關(guān)系:
(13)
(14)
由于
(15)
式(15)的噪聲功率可表示為:
(16)
根據(jù)酉矩陣算法的特征,進(jìn)行相乘時(shí)并不會(huì)使向量的范數(shù)發(fā)生變化,也就是‖Vx‖2=‖x‖2,噪聲功率的期望值為:
(17)
對(duì)于線性濾波進(jìn)行信號(hào)檢測(cè)來說,最小的奇異值越小,則會(huì)導(dǎo)致噪聲增強(qiáng)所造成的影響更為突出,以上兩種線性檢測(cè)方法分別所造成的噪聲增強(qiáng)影響如式(18)(19)所示:
綜上現(xiàn)狀分析不難發(fā)現(xiàn),學(xué)校教育亟需基于人工智能,展開教學(xué)系統(tǒng)重構(gòu)的系統(tǒng)性研究,實(shí)現(xiàn)信息技術(shù)與學(xué)科教學(xué)線上線下資源、教學(xué)、管理等系統(tǒng)的深度融合,創(chuàng)新動(dòng)態(tài)開放的課程構(gòu)成和教學(xué)模式,改變教學(xué)機(jī)制與學(xué)習(xí)范式,進(jìn)而構(gòu)建智能化、精準(zhǔn)化、個(gè)性化的教育新常態(tài),使“人工智能+”教育變革落到實(shí)處。鑒于此,本文擬通過辨析認(rèn)知人工智能的功能效用,對(duì)“人工智能+”對(duì)教育變革的影響、變革理念與實(shí)現(xiàn)路徑展開深入探討,以推動(dòng)“人工智能+教育”的發(fā)展,提高學(xué)校教育實(shí)效性。
(18)
(19)
線性檢測(cè)方法的復(fù)雜度比較低,其檢測(cè)性能不如非線性檢測(cè)方法。在這樣的情況下,為實(shí)現(xiàn)檢測(cè)方法的低復(fù)雜度與高性能,可以采用OSIC方法來進(jìn)行優(yōu)化與改善,在并不大改變復(fù)雜度的前提下提高檢測(cè)性能。該方法是通過對(duì)已檢測(cè)數(shù)信號(hào)數(shù)據(jù)在接收端進(jìn)行刪除,使得后面的檢測(cè)信號(hào)受到干擾減小。
圖3 用于4個(gè)空間數(shù)據(jù)流的OSIC信號(hào)檢測(cè)示意圖
(20)
3.2.1 基于MMSE準(zhǔn)則的OSIC檢測(cè)
基于MMSE準(zhǔn)則的OSIC檢測(cè)方法記為MMSE-OSIC檢測(cè)方法,檢測(cè)時(shí)需要對(duì)最大SINR信號(hào)進(jìn)行檢測(cè)。原本的MMSE檢測(cè)方法獲得的SINR信號(hào)為:
(21)
其中,Ex表示的是發(fā)送信號(hào)能量,wi,MMSE和hi分別代表加權(quán)矩陣的i個(gè)行向量與信道矩陣H的i個(gè)列向量。從前面的MMSE檢測(cè)方法可以知道SINR最大化的同時(shí),均方差維持在最小的范圍內(nèi),這樣可以根據(jù)加權(quán)矩陣來獲得NTx個(gè)SINR,從而判斷最大的SINR信號(hào)所處的層。后續(xù)對(duì)第二個(gè)信號(hào)進(jìn)行檢測(cè)時(shí)已經(jīng)對(duì)第一個(gè)信號(hào)所產(chǎn)生的干擾進(jìn)行了消除。如果假定第一個(gè)被檢測(cè)出的信號(hào)記為(1)=l,那么對(duì)第一個(gè)符號(hào)所產(chǎn)生的增益向量刪除后,信道矩陣則可變形為:
H(1)=[h1h2…h(huán)l-1hl+1…h(huán)NTx].
(22)
3.2.2 基于ZF準(zhǔn)則的OSIC檢測(cè)
(23)
由于采用了優(yōu)化排序的操作,OSIC信號(hào)檢測(cè)方法能在一定程度上得到分集增益從而提升檢測(cè)性能,然而其優(yōu)化排序的操作會(huì)造成計(jì)算的復(fù)雜度有所增加。在OSIC信號(hào)檢測(cè)方法中,所有符號(hào)的分集階數(shù)都大于NRx-NTx+1。由于排序的原因,第一個(gè)檢測(cè)符號(hào)的分集階數(shù)也大于NRx-NTx+1,前面符號(hào)檢測(cè)的正確性直接影響剩余符號(hào)的分集階數(shù)。OSIC檢測(cè)方法在性能和復(fù)雜度之間取了合理的折中,其基本思想已經(jīng)成為MIMO信號(hào)檢測(cè)領(lǐng)域的一個(gè)研究熱點(diǎn),受到了廣泛的關(guān)注。
圖4 4×4天線配置下4種檢測(cè)方法的性能比較示意圖
為了對(duì)不同檢測(cè)算法的性能進(jìn)行比較,在相同天線配置的情況下進(jìn)行仿真。圖4給出了ZF、MMSE、ZF-OSIC、MMSE-OSIC這4種信號(hào)檢測(cè)方法的誤碼率隨信噪比變化的情況??梢钥闯觯谛旁氡认嗤那闆r下,MMSE-OSIC檢測(cè)方法的誤碼率要低于ZF-OSIC檢測(cè)方法,其次是MMSE檢測(cè)方法,最后是ZF檢測(cè)方法。這說明,在同一個(gè)MIMO信道模型中,OSIC信號(hào)檢測(cè)方法性能最優(yōu),MMSE次之,最差是ZF檢測(cè)方法。造成這一結(jié)果的原因在于OSIC信號(hào)檢測(cè)方法通過事先優(yōu)化排序以及刪除信號(hào)等方式對(duì)干擾進(jìn)行了消除,使得檢測(cè)性能較線性檢測(cè)方法呈現(xiàn)大幅度提高。MMSE-OSIC檢測(cè)性能優(yōu)于ZF-OSIC檢測(cè)方法,是由于其在進(jìn)行SINR排序的同時(shí)還考慮了噪聲所帶來的影響,故而較僅單純進(jìn)行SNR排序的ZF-OSIC檢測(cè)方法的檢測(cè)性能更優(yōu)。而MMSE算法利用使均方誤差最小的特征降低了ZF算法噪聲的影響,所以其檢測(cè)性能也要優(yōu)于ZF檢測(cè)方法。
本文對(duì)4種空間復(fù)用MIMO系統(tǒng)的信號(hào)檢測(cè)方法進(jìn)行了簡(jiǎn)要介紹,并運(yùn)用MATLAB進(jìn)行仿真比較。比較結(jié)果顯示,ZF、MMSE、ZF-OSIC和MMSE-OSIC這4種檢測(cè)方法,性能最好的是MMSE-OSIC信號(hào)檢測(cè)方法,其次是ZF-OSIC方法,排在第三位的是MMSE信號(hào)檢測(cè),ZF的檢測(cè)性能最差。
長春師范大學(xué)學(xué)報(bào)2019年6期