论文部分内容阅读
2010年,Thomas L.Marzetta提出了大规模MIMO的概念。大规模MIMO(Massive MIMO)是指基站侧配置数十根或者数百根天线,在相同的时频资源上同时服务数十个单天线用户终端。但是,在非有利传播条件下(基站天线数与单天线用户终端数均趋向于无穷大,但是两者比值有界),常用的MIMO接收机很难同时满足架构、检测性能与计算复杂度三方面的要求。例如,最大后验概率接收机虽然性能最优,但是计算复杂度随用户数呈指数增长。甚至次优的多小区最小均方误差-串行干扰消除(Minimum Mean Square Error-Successive Interference Cancellation,MMSE-SIC)接收机其计算复杂度仍随基站天线数呈三次方增长。更糟糕的是常用的MIMO接收机需要先集中接收信号在中央处理单元后再进行信号处理。针对上述问题,本文重点研究了在非有利传播条件下大规模MIMO接收机架构、检测性能及其计算复杂度,寻求高性能、低复杂度的分布式检测算法。首先,本文提出了复高斯置信度传播(Complex Gaussian Belief Propagation,CGa BP)算法,它可以分布在数百个天线单元内并行地执行。CGa BP算法认为,在大规模MIMO系统中,多用户检测可以简化为一系列并行的AWGN信道估计器,系统中每一单用户的检测等效为在AWGN信道检测同一用户,其中的加性高斯白噪声表示全体干扰用户的影响。仿真结果表明,对于BPSK等数字调制信号,CGa BP算法性能优于集中式的多小区MMSE-SIC算法性能,并且非常接近单用户下界。然后,本文基于状态进化(State Evolution)理论,提出了一种分布式多用户检测动态性能分析方法。分析结果表明,对于高斯随机矩阵(元素独立同分布),复高斯置信度传播算法在大系统极限情形下的动态性能可以由状态进化精确地预测。CGa BP算法检测用户的均方误差等于在AWGN信道检测同一用户的最小均方误差,其中的加性高斯白噪声由状态进化递归方程确定。仿真验证表明,即使中等规模问题,无论高斯信号或者数字调制信号输入,此方法都能够很好地预测CGa BP算法的动态性能。与MMSE-SIC相比较,CGa BP算法具有更低计算复杂度和更小消息传递开销的优点。其复杂度随用户数呈线性增长,开销仅需两个参数(均值与方差),均与调制阶数无关。最后,本文进一步扩大了CGa BP算法的适用范围,使其更加适用于实际通信系统。首先,在用户发射功率增益未知或者未被基站及时准确地获取情况下,本文提出了自适应-CGa BP算法,即在CGa BP算法基础之上引入最大似然参数学习环节,盲估计用户发射功率增益,同时仍能进行分布式多用户检测。仿真结果表明,在信噪比较高或者基站天线数较多时,自适应-CGa BP算法性能接近已知用户发射功率增益时的CGa BP算法性能。其次,本文提出了非理想信道状态信息场景下CGa BP算法的具体实现步骤。仿真结果表明,虽然非理想信道状态信息以及导频污染对CGa BP算法有影响,但是CGa BP算法的性能仍然优于多小区MMSE-SIC算法的性能。