论文部分内容阅读
多输入多输出(Multi-Input Multi-Output,MIMO)与滤波器组多载波偏移正交振幅调制(Filter Bank Multicarrier-Offset Quadrature Amplitude Modulation,FBMCOQAM)的结合,即形成MIMO FBMC-OQAM系统。该系统在频谱利用率上所表现出的突出优势,使其迅速成为学术界关注的热点。然而,FBMC-OQAM系统的内部特殊结构所引起MIMO FBMC-OQAM信号检测过程的复杂性限制了其实际应用。因此,如何针对MIMO FBMC-OQAM系统,设计出复杂度量相对较小而检测性能相对较好的检测算法对于MIMO FBMC-OQAM的推广应用将具有现实的意义。本论文针对MIMO FBMC-OQAM系统信号检测算法展开研究,其主要研究内容和创新点如下:基于列表球形检测(List Sphere Detection,LSD)的MIMO FBMC-OQAM信号检测算法。根据LSD算法中系统的性能与列表的长度密切相关的特点,由较长列表的LSD算法尽管会带来高性能,但同时会导致过高的复杂度。于是,在该算法中,首先根据矩阵理论和MIMO FBMC-OQAM解调信号的数值特性来消除内在干扰,然后通过在排序过程中构造使用Grover量子搜索的方法,利用量子的并行性在一定程度上削弱列表长度与计算量之间的关系,进而利用LSD算法再进行信号检测,从而导致复杂度降低。仿真表明:相比传统的LSD算法,改进的LSD算法在保持了与传统LSD算法检测性能相同的同时,系统的复杂度得到了降低。基于BP神经网络的MIMO FBMC-OQAM信号检测算法。在消除MIMO FBMC-OQAM解调信号内在干扰基础上,然后将消除干扰后的信号作为神经网络的输入信号,待权值矩阵稳定后,再进行信号检测。在该算法中,考虑到BP神经网络中学习率影响神经网络收敛速度,利用自适应学习率的规则,通过构造训练集上误差与学习率之间的关系,提高了MIMO FBMC-OQAM信号检测的收敛性。仿真表明:在设定神经网络系统精度的情况下,系统的收敛速度与MIMO FBMC-OQAM系统的信噪比(Signal to Noise Ratio,SNR)有关。