《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 大規(guī)模MIMO中基于GSSK系統(tǒng)的稀疏檢測(cè)算法
大規(guī)模MIMO中基于GSSK系統(tǒng)的稀疏檢測(cè)算法
2016年電子技術(shù)應(yīng)用第7期
陳發(fā)堂,丁月友,馮永帥
重慶郵電大學(xué) 重慶市移動(dòng)通信技術(shù)重點(diǎn)實(shí)驗(yàn)室,重慶400065
摘要: 廣義空移鍵控(GSSK)的特點(diǎn)是在每一時(shí)隙只激活部分發(fā)射天線,利用激活天線的索引號(hào)來傳遞信息?;谧畲笏迫?ML)準(zhǔn)則的GSSK檢測(cè)器有最優(yōu)的檢測(cè)性能,但計(jì)算復(fù)雜度太高。為了在性能和復(fù)雜度之間取得更好的折中,改進(jìn)了一種基于壓縮感知(CS)的GSSK檢測(cè)算法。仿真結(jié)果表明,該算法的檢測(cè)性能接近于ML算法,且復(fù)雜度約為ML算法的2%。
中圖分類號(hào): TN929.5
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2016.07.027
中文引用格式: 陳發(fā)堂,丁月友,馮永帥. 大規(guī)模MIMO中基于GSSK系統(tǒng)的稀疏檢測(cè)算法[J].電子技術(shù)應(yīng)用,2016,42(7):107-110.
英文引用格式: Chen Fatang,Ding Yueyou,F(xiàn)eng Yongshuai. Sparse detection algorithm based on GSSK in large-scale MIMO[J].Application of Electronic Technique,2016,42(7):107-110.
Sparse detection algorithm based on GSSK in large-scale MIMO
Chen Fatang,Ding Yueyou,F(xiàn)eng Yongshuai
Chongqing Key Lab of Mobile Communications,Chongqing University of Posts and Telecommunications,Chongqing 400065,China
Abstract: The features of Generalized Space Shift Keying(GSSK) are that only a few antennas are activated at any time slot and antennas indices are exploited to convey information. Though Maximum Likelihood(ML) detector has optimal detection performance, the computational complexity is extremely high. In order to achieve a better tradeoff between the performance and complexity, this paper improves a novel GSSK detection algorithm based on Compressive Sensing(CS). Simulation results show that the detection performance of the proposed algorithm is similar to ML algorithm and its complexity is about 2% of ML.
Key words : GSSK;maximum likelihood;sparsity;CS

0 引言

    在大規(guī)模MIMO系統(tǒng)中,一個(gè)重大的突破是提出了GSM(Generalized Spatial Modulation)和廣義空移鍵控(Generalized Space Shift Keying,GSSK)技術(shù)。GSM調(diào)制比GSSK調(diào)制具有更高的頻譜效率,但是GSM有更高的檢測(cè)復(fù)雜度。在發(fā)射端,GSSK和GSM只激活小部分的天線,發(fā)射端的功耗以及射頻鏈的數(shù)量大大減少[1-3]。本文主要研究GSSK的檢測(cè)算法。

    GSSK中的最大似然(Maximum Likelihood,ML)算法需要遍歷完所有可能的天線組合,這使得ML的檢測(cè)計(jì)算復(fù)雜度相當(dāng)高,尤其對(duì)于大規(guī)模天線陣列更為明顯。因此,一些次優(yōu)的檢測(cè)算法被提了出來,例如壓縮感知(Compressive Sensing,CS)算法[4-6]。在文獻(xiàn)[4]中,OMP (Orthogonal Matching Pursuit)算法被用于GSSK檢測(cè),其仿真結(jié)果顯示OMP算法相對(duì)于許多傳統(tǒng)的MIMO檢測(cè)算法(如MMSE、ZF算法)有更好的性能以及較低的復(fù)雜度。但是,隨著信噪比的增加,它的BER(Bit Error Rate)出現(xiàn)了地板趨勢(shì)。在文獻(xiàn)[5]中,對(duì)H矩陣進(jìn)行SVD(Singular Value Decomposition)預(yù)處理,其GSSK檢測(cè)性能相應(yīng)提高,但檢測(cè)復(fù)雜度也相應(yīng)增加。在文獻(xiàn)[6]中,在OMP算法基礎(chǔ)上,通過增加迭代次數(shù),使得GSSK的檢測(cè)性能大大提高,但隨著信噪比的增加,BER也逐漸呈現(xiàn)地板趨勢(shì)。

    本文改進(jìn)了一個(gè)基于CS的GSSK檢測(cè)算法,命名為“ML-OMP-K”。在CS傳統(tǒng)的OMP算法里,每次迭代僅僅搜索對(duì)應(yīng)于稀疏集合的一個(gè)位置,并且當(dāng)殘余量的范數(shù)低于某個(gè)閾值或找到的稀疏位置的個(gè)數(shù)等于實(shí)際的稀疏度時(shí),搜索過程停止。但當(dāng)接收信號(hào)遭受到深衰落時(shí),在搜索過程中,有時(shí)不能找到正確的稀疏位置。相比OMP算法直接找出AAI(Active Antenna Indices),在改進(jìn)的ML-OMP-K算法中,先找出一個(gè)小的AAI集合,稱其為AAI備選集,再利用ML在該備選集中遍歷搜索,找出AAI。實(shí)際應(yīng)用中,最終備選集一般較小,在這個(gè)集合內(nèi)進(jìn)行ML檢測(cè)所需的復(fù)雜度較低,同時(shí)可以獲得很好的性能。數(shù)據(jù)結(jié)果顯示,新算法相比文獻(xiàn)[4-6]中的檢測(cè)算法,有更好的檢測(cè)性能,且復(fù)雜度較低。

tx6-1-s1.gif

1 GSSK系統(tǒng)模型

    假設(shè)大規(guī)模MIMO系統(tǒng)的發(fā)送天線數(shù)為Nt,接收天線數(shù)為Nr,每一時(shí)刻激活天線數(shù)為nt,則GSSK系統(tǒng)模型如圖1所示。

tx6-t1.gif

    因?yàn)镚SSK系統(tǒng)是一個(gè)大規(guī)模MIMO系統(tǒng),假設(shè)信道為平坦瑞利衰落信道,且信道增益在一個(gè)符號(hào)周期內(nèi)保持不變,則系統(tǒng)模型表達(dá)式如下:

 tx6-gs1-2.gif

2 GSSK檢測(cè)算法

    根據(jù)GSSK系統(tǒng)的調(diào)制規(guī)則,由于x是nt稀疏的,故發(fā)送信號(hào)矢量x中的大部分位置的元素為0。所以,在接收端的檢測(cè)可以考慮為是一個(gè)稀疏重構(gòu)問題,即可以利用稀疏重構(gòu)理論來檢測(cè)出信號(hào)x。

    對(duì)于稀疏信號(hào),CS算法有很好的信號(hào)恢復(fù)性能,甚至對(duì)于欠定系統(tǒng)也有很好的檢測(cè)性能。然而,CS算法是基于實(shí)數(shù)域的,而本系統(tǒng)模型是基于復(fù)數(shù)域的,因此,在利用稀疏重構(gòu)之前,需要將式(1)進(jìn)行變換如下:

tx6-gs3-8.gif

    因?yàn)閘1范數(shù)問題可以轉(zhuǎn)換成一個(gè)等價(jià)的線性規(guī)劃問題,可以通過MP(Matching Pursuit)類算法有效解決。故已有的OMP算法以及新提出的ML-OMP-K算法均能用于重構(gòu)原始信號(hào),并且當(dāng)GSSK系統(tǒng)滿足條件:Nr=tx6-2-s1.gif,x可以以較高的概率被恢復(fù),其中c為較小的常數(shù)[8]。

2.1 基于OMP算法的GSSK信號(hào)檢測(cè)

tx6-2.1-x1.gif

tx6-2.1-x2.gif

2.2 基于ML-OMP-K的GSSK信號(hào)檢測(cè)

    明顯地,由上述OMP算法可以看出,每次迭代中,OMP僅選取了一個(gè)最大的相關(guān)值對(duì)應(yīng)的索引號(hào)作為AAI,但當(dāng)接收信號(hào)遭受到深衰落時(shí),在搜索過程中有時(shí)不能找到正確的稀疏位置。因此,在新的算法中作了相應(yīng)的改進(jìn)。

tx6-gs9.gif

    tx6-gs9-x1.gif的每一個(gè)集合中選取一個(gè)元素進(jìn)行組合,將所有組合存于集合B中。

    tx6-3-s1.gif

3 性能與復(fù)雜度分析

    為了驗(yàn)證ML-OMP-K算法的有效性,本節(jié)將該算法與ML算法和OMP算法進(jìn)行性能比較,并分析了算法的復(fù)雜度??紤]發(fā)射天線數(shù)Nt=128、激活天線數(shù)nt=2的GSSK系統(tǒng),系統(tǒng)的頻譜效率為s=12 bit/s/Hz。

3.1 性能分析

    本文給出了在不同接收天線Nr=16、Nr=32下的仿真結(jié)果,并將改進(jìn)的算法與ML算法和OMP算法進(jìn)行性能對(duì)比。

    從圖2和圖3中可以看出,ML-OMP-K的算法性能明顯優(yōu)于OMP算法。圖3中顯示,在更多接收天線的情況下,ML-OMP-K算法的性能更加接近于ML,同時(shí)OMP算法的性能也相應(yīng)提升。這是因?yàn)?,?duì)于第二部分描述的GSSK信道模型:

    tx6-gs10.gif

    當(dāng)滿足tx6-gs10-x1.gif,x可以被較準(zhǔn)確地恢復(fù),其中c為較小的常數(shù)。所以,x的準(zhǔn)確恢復(fù)與GSSK系統(tǒng)的接收天線數(shù)密切相關(guān),在一定范圍內(nèi),隨著Nr的增加,算法的檢測(cè)性能也相應(yīng)提升。

tx6-t2.gif

tx6-t3.gif

    明顯地,在Nr=16和Nr=32時(shí),當(dāng)SNR≥10時(shí),OMP算法逐漸呈現(xiàn)出地板趨勢(shì)。然而,ML-OMP-K算法并沒有呈現(xiàn)出地板趨勢(shì)。相比OMP,當(dāng)Nr=16,BER=10-2時(shí), ML-OMP-K有至少2 dB的性能優(yōu)越;當(dāng)Nr=32,BER=10-3,BER=10-3.5時(shí),ML-OMP-K分別有大約2 dB和3 dB的性能優(yōu)越。同時(shí),當(dāng)K=4與K=8時(shí),ML-OMP-K算法性能相近,且非常接近于ML算法的性能。因此,新的算法對(duì)于GSSK信號(hào)檢測(cè)有明顯的性能提升。

3.2 復(fù)雜度分析

    用復(fù)乘的操作次數(shù)來定義復(fù)雜度,幾種算法的復(fù)雜度對(duì)比如表1所示。傳統(tǒng)的ML檢測(cè)算法等價(jià)于尋找H中對(duì)應(yīng)激活天線nt的列,使下式取最?。?/p>

tx6-gs11.gif

tx6-b1.gif

    由表1可得,當(dāng)Nt=128,Nr=16,nt=2,K=2(或K=4)時(shí),以及當(dāng)Nt=128,Nr=32,nt=2,K=2(或K=4)時(shí),ML-OMP-K算法的復(fù)雜度約為ML算法的2%。

4 總結(jié)

    本文改進(jìn)了一種基于壓縮感知的GSSK信號(hào)檢測(cè)算法ML-OMP-K。該算法結(jié)合了ML算法和OMP算法。首先,在nt次迭代后,生成一個(gè)大小為tx6-b1-x1.gif的AAI候選集。再利用ML算法對(duì)該候選集遍歷搜索,得到對(duì)應(yīng)的AAI。仿真結(jié)果顯示在K=4時(shí),改進(jìn)算法的檢測(cè)性能接近于ML算法,且其復(fù)雜度相對(duì)于ML算法大大降低。因此,本文改進(jìn)的算法有較好的實(shí)際應(yīng)用意義,且利于硬件實(shí)現(xiàn)。

參考文獻(xiàn)

[1] WANG J,JIA S,SONG J.Generalised spatial modulation system with multiple active transmit antennas and low complexity detection scheme[J].IEEE Trans.Wireless Commun.,2012,11(4):1605-1615.

[2] JEGANATHAN J,GHRAYEB A,SZCZECINSKI L.Generalized space shift keying modulation for MIMO channels[C].In Proc.IEEE PIMRC,2008:1-5.

[3] PEPPAS K,ZAMKOTSIAN M,LAZARAKIS F,et al.Asymptotic error performance analysis of spatial modulation under generalized fading[J].IEEE Wireless Commun.Lett.,2014,3(4):421-424.

[4] YU C M,HSIEH S H,LIANG H W,et al.Compressed sensing detector design for space shift keying in MIMO systems[J].IEEE  Commun.Lett.,2012,16(10):1556-1559.

[5] WU C H,CHUNG W H,LIANG H W.OMP-based detector design for space shift keying in large MIMO systems[C].In Proc.IEEE GLOBECOM,2014:4072-4076.

[6] SREEJITH K,KALYANI S.Combining ML and compressive sensing:detection schemes for generalized space shift keying[J].IEEE Commun.Lett.,2016,5(1):72-75.

[7] CANDES E J,TAO T.Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information[J].IEEE Trans.Inf.Theory,2006,52(2):489-509.

[8] FOUCART S.Hard thresholding pursuit:an algorithm for compressive sensing[J].SIAM J.Numerical Analysis,2011,49(6):2543-2563.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。