本文選題：大規(guī)模MIMO + 低復(fù)雜度��； 參考：《西安電子科技大學(xué)》2015年碩士論文

【摘要】：大規(guī)模多輸入多輸出(MIMO,multiple-input multiple-output)系統(tǒng)通過(guò)在基站端配置數(shù)十甚至上百根天線,可以顯著提高系統(tǒng)的頻譜效率和能量效率,增強(qiáng)系統(tǒng)的可靠性,被認(rèn)為是未來(lái)無(wú)線通信,尤其是第五代(5G,the 5th generation)移動(dòng)通信的關(guān)鍵技術(shù)之一。但是,天線的大規(guī)模增加也帶來(lái)了運(yùn)算復(fù)雜度的大幅度增加。因此,如何設(shè)計(jì)低復(fù)雜度高性能的檢測(cè)算法是大規(guī)模MIMO系統(tǒng)上行鏈路需要解決的關(guān)鍵問(wèn)題之一。在大規(guī)模MIMO系統(tǒng)中,對(duì)于基站天線數(shù)遠(yuǎn)大于用戶數(shù)的場(chǎng)景,傳統(tǒng)MIMO系統(tǒng)中的線性檢測(cè)算法就可以取得理想的檢測(cè)性能,但是會(huì)涉及到復(fù)雜的矩陣求逆運(yùn)算。而對(duì)于用戶數(shù)較多,甚至與基站天線數(shù)相當(dāng)?shù)膱?chǎng)景,需要進(jìn)一步研究能取得理想性能的低復(fù)雜度檢測(cè)算法。本文圍繞上述大規(guī)模MIMO系統(tǒng)中檢測(cè)算法存在的問(wèn)題,對(duì)現(xiàn)有大規(guī)模MIMO系統(tǒng)中的典型算法進(jìn)行了研究,并針對(duì)大規(guī)模MIMO系統(tǒng)中的兩種不同場(chǎng)景分別提出了改進(jìn)算法。主要的研究?jī)?nèi)容及研究成果為:1.對(duì)低復(fù)雜度大規(guī)模MIMO檢測(cè)算法進(jìn)行研究。首先給出了大規(guī)模MIMO系統(tǒng)的模型,并簡(jiǎn)要介紹了傳統(tǒng)MIMO系統(tǒng)中的經(jīng)典線性檢測(cè)算法,包括匹配濾波(MF,matched filter)、迫零(ZF,zero forcing)和最小均方誤差(MMSE,minimum mean squared error)算法。然后介紹了三種近年來(lái)從神經(jīng)網(wǎng)絡(luò)和圖像處理領(lǐng)域引入的大規(guī)模檢測(cè)算法,分別為似然上升搜索算法(LAS,likelihood ascent search)、馬爾科夫鏈-蒙特卡羅(MCMC,markov chain monte carlo)算法和置信傳播(BP,belief propagation)算法,并對(duì)它們的性能進(jìn)行了仿真研究。2.針對(duì)基站天線數(shù)遠(yuǎn)大于用戶數(shù)的場(chǎng)景,提出了一種避免矩陣求逆的MMSE改進(jìn)算法,稱之為松弛迭代檢測(cè)(RID,relaxation iteration detection)算法。該改進(jìn)算法利用松弛迭代方法和大規(guī)模MIMO系統(tǒng)中的信道特性,使用迭代的方式避免了傳統(tǒng)MMSE算法中的矩陣求逆運(yùn)算,并給出了一種優(yōu)化的初始解,加快了RID算法的收斂速度,從而進(jìn)一步降低了算法的計(jì)算復(fù)雜度。另外,考慮到信道非理想的情況,結(jié)合RID算法的特點(diǎn),指出需要進(jìn)行信道估計(jì)時(shí)應(yīng)采用的信道估計(jì)方法,并分析了存在大尺度衰落情況的RID算法及信道估計(jì)誤差對(duì)RID算法的影響。3.針對(duì)用戶數(shù)較多,甚至與基站天線數(shù)相當(dāng)?shù)膱?chǎng)景,為了進(jìn)一步降低消息傳遞檢測(cè)(MPD,message passing detection)算法的計(jì)算復(fù)雜度,提出了一種MPD改進(jìn)(IMPD,improved MPD)算法。所提的IMPD算法分別從初始化方式、迭代更新方式及收斂條件三個(gè)方面對(duì)MPD算法進(jìn)行了優(yōu)化,進(jìn)一步加快了MPD算法的收斂速度,從而實(shí)現(xiàn)了計(jì)算復(fù)雜度的降低。仿真結(jié)果驗(yàn)證了所提IMPD算法在降低計(jì)算復(fù)雜度的同時(shí)可以實(shí)現(xiàn)非常接近于MPD算法的檢測(cè)性能。
[Abstract]:Large scale Mimo multiple-input multiple-output (Mimo) multiple-input multiple-output) systems can significantly improve the spectral efficiency and energy efficiency of the system by configuring dozens or even hundreds of antennas at the base station, and enhance the reliability of the system. It is considered to be the future wireless communication. In particular, the fifth generation 5 G 5th generation is one of the key technologies of mobile communication. However, the large-scale increase of antenna also brings a large increase in computational complexity. Therefore, how to design a detection algorithm with low complexity and high performance is one of the key problems that need to be solved in the uplink of large-scale MIMO systems. In large-scale MIMO system, the linear detection algorithm in traditional MIMO system can obtain ideal detection performance for the scene where the number of base station antennas is far larger than the number of users, but it will involve complex matrix inversion operation. For the scenario with large number of users or even equivalent to the number of base station antennas, it is necessary to further study the low complexity detection algorithm which can achieve ideal performance. This paper focuses on the problems of detection algorithms in large-scale MIMO systems, studies the typical algorithms in existing large-scale MIMO systems, and proposes two improved algorithms for two different scenarios in large-scale MIMO systems. The main research contents and results are as follows: 1. A large scale MIMO detection algorithm with low complexity is studied. Firstly, the model of large-scale MIMO system is given, and the classical linear detection algorithm in traditional MIMO system is introduced briefly, including matching filtering mf matched filter, zero forcing and minimum mean square error (MMSE) minimum mean squared error) algorithm. Then, three large scale detection algorithms introduced from neural networks and image processing in recent years are introduced. They are likelihood ascent search algorithm, Markov chain Monte Carlo MCMCmarkov chain monte carlo) algorithm and confidence Propagation algorithm. And their performance is simulated. 2. 2. For the scenario where the number of base station antennas is far larger than the number of users, an improved MMSE algorithm is proposed to avoid matrix inversion, which is called relaxation iteration detection algorithm. The improved algorithm uses relaxation iterative method and channel characteristics in large-scale MIMO system to avoid matrix inversion in traditional MMSE algorithm, and gives an optimized initial solution, which speeds up the convergence of RID algorithm. Thus, the computational complexity of the algorithm is further reduced. In addition, considering the non-ideal channel situation and combining the characteristics of RID algorithm, the paper points out the channel estimation method that should be used when channel estimation is needed. The RID algorithm with large scale fading and the influence of channel estimation error on RID algorithm are analyzed. In order to further reduce the computational complexity of message passing detection algorithm, an improved MPD improved passing algorithm is proposed for scenarios with large number of users, even equivalent to the number of base station antennas. The proposed IMPD algorithm optimizes the MPD algorithm from three aspects: initialization, iterative updating and convergence conditions, which further speeds up the convergence of the MPD algorithm and reduces the computational complexity. The simulation results show that the proposed IMPD algorithm can reduce the computational complexity and achieve very similar detection performance to that of the MPD algorithm.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN919.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮舜璽;;新書推薦:《算法分析導(dǎo)論》[J];計(jì)算機(jī)教育;2006年05期

2 張力,慕曉冬;計(jì)算機(jī)算法分析淺談[J];武警工程學(xué)院學(xué)報(bào);2002年04期

3 馬安光;;飛彈問(wèn)題的算法分析——2003年第10期題解[J];程序員;2003年12期

4 蘇運(yùn)霖;;《算法分析導(dǎo)論》評(píng)介[J];計(jì)算機(jī)教育;2006年07期

5 朱力強(qiáng);;培養(yǎng)學(xué)生創(chuàng)新思維與能力的算法分析案例[J];計(jì)算機(jī)與信息技術(shù);2007年11期

6 汪菊琴;;幾種常見(jiàn)特殊方陣的算法分析與實(shí)現(xiàn)[J];無(wú)錫職業(yè)技術(shù)學(xué)院學(xué)報(bào);2009年05期

7 李涵;;“算法分析與設(shè)計(jì)”課程教學(xué)改革和實(shí)踐[J];中國(guó)電力教育;2010年16期

8 劉寧;管濤;;淺析案例教學(xué)法在算法分析與設(shè)計(jì)課程中的應(yīng)用[J];科技風(fēng);2011年07期

9 胡峰;王國(guó)胤;;“算法分析與設(shè)計(jì)”教學(xué)模式探索[J];當(dāng)代教育理論與實(shí)踐;2011年12期

10 趙娟;;淺析啟發(fā)式教學(xué)法在《算法分析與設(shè)計(jì)》課程中的應(yīng)用[J];福建電腦;2012年06期

相關(guān)會(huì)議論文 前10條

1 俞洋;田亞菲;;一種新的變步長(zhǎng)LMS算法及其仿真[A];通信理論與信號(hào)處理新進(jìn)展——2005年通信理論與信號(hào)處理年會(huì)論文集[C];2005年

2 周顥;劉振華;趙保華;;構(gòu)造型的D~2FA生成算法[A];中國(guó)通信學(xué)會(huì)通信軟件技術(shù)委員會(huì)2009年學(xué)術(shù)會(huì)議論文集[C];2009年

3 賴桃桃;馮少榮;張東站;;一種基于劃分和密度的快速聚類算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

4 劉遠(yuǎn)新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺(tái)下物流運(yùn)輸配送系統(tǒng)算法分析[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

5 王樹(shù)西;白碩;姜吉發(fā);;模式合一的“減首去尾”算法[A];第二屆全國(guó)學(xué)生計(jì)算語(yǔ)言學(xué)研討會(huì)論文集[C];2004年

6 王萬(wàn)青;張曉輝;;改進(jìn)的A~*算法的高效實(shí)現(xiàn)[A];2009全國(guó)測(cè)繪科技信息交流會(huì)暨首屆測(cè)繪博客征文頒獎(jiǎng)?wù)撐募痆C];2009年

7 孫煥良;邱菲;劉俊嶺;朱葉麗;;IncSNN——一種基于密度的增量聚類算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

8 韓建民;岑婷婷;于娟;;實(shí)現(xiàn)敏感屬性l-多樣性的l-MDAV算法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

9 張悅;尤楓;趙瑞蓮;;利用蟻群算法實(shí)現(xiàn)基于程序結(jié)構(gòu)的主變?cè)治鯷A];第五屆中國(guó)測(cè)試學(xué)術(shù)會(huì)議論文集[C];2008年

10 王旭東;劉渝;鄧振淼;;正弦波頻率估計(jì)的修正Rife算法及其FPGA實(shí)現(xiàn)[A];全國(guó)第十屆信號(hào)與信息處理、第四屆DSP應(yīng)用技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

相關(guān)重要報(bào)紙文章 前1條

1 科文;VIXD算法分析Web異常[N];中國(guó)計(jì)算機(jī)報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 魏哲學(xué);樣本斷點(diǎn)距離問(wèn)題的算法與復(fù)雜性研究[D];山東大學(xué);2015年

2 劉春明;基于增強(qiáng)學(xué)習(xí)和車輛動(dòng)力學(xué)的高速公路自主駕駛研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 張敏霞;生物地理學(xué)優(yōu)化算法及其在應(yīng)急交通規(guī)劃中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

4 李紅;流程挖掘算法研究[D];云南大學(xué);2015年

5 盛歆漪;粒子群優(yōu)化算法及其應(yīng)用研究[D];江南大學(xué);2015年

6 黃磊;高動(dòng)態(tài)環(huán)境捷聯(lián)慣導(dǎo)信號(hào)處理及高精度姿態(tài)速度算法研究[D];南京航空航天大學(xué);2015年

7 劉新旺;多核學(xué)習(xí)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 于濱;城市公交系統(tǒng)模型與算法研究[D];大連理工大學(xué);2006年

9 曾國(guó)強(qiáng);改進(jìn)的極值優(yōu)化算法及其在組合優(yōu)化問(wèn)題中的應(yīng)用研究[D];浙江大學(xué);2011年

10 肖永豪;蜂群算法及在圖像處理中的應(yīng)用研究[D];華南理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 趙官寶;基于位表的關(guān)聯(lián)規(guī)則挖掘算法研究[D];昆明理工大學(xué);2015年

2 殷文華;移動(dòng)容遲網(wǎng)絡(luò)中基于社會(huì)感知的多播分發(fā)算法研究[D];內(nèi)蒙古大學(xué);2015年

3 徐翔燕;人工魚群優(yōu)化算法及其應(yīng)用研究[D];西南交通大學(xué);2015年

4 潘浩;基于可逆結(jié)構(gòu)的超點(diǎn)和長(zhǎng)流檢測(cè)算法研究[D];大連海事大學(xué);2016年

5 王寧偉;微博網(wǎng)絡(luò)中的重疊社區(qū)發(fā)現(xiàn)算法研究[D];北京交通大學(xué);2016年

6 高山;星載MIMO檢測(cè)算法的抗SEU技術(shù)研究[D];解放軍信息工程大學(xué);2014年

7 張振賓;國(guó)密SM4和SM2算法功耗攻擊關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D];清華大學(xué);2015年

8 閆婷;基于混合細(xì)菌覓食和粒子群的k-means聚類算法在類風(fēng)濕并發(fā)癥中的研究[D];太原理工大學(xué);2016年

9 曹陽(yáng);基于質(zhì)心策略的蝙蝠算法[D];太原科技大學(xué);2015年

10 高越;量子K近鄰算法研究[D];東南大學(xué);2015年

，

本文編號(hào)：1816708