用于在多小区多用户多天线系统中的解码方法

摘要

本发明涉及一种用于在多小区多用户多天线系统中的解码方法。本发明包括两大步骤，第一步是设计训练序列头，设的前列是训练序列头，的第一列中的元素均为，的第2列至第列记为,其中中的元素可为或,且中各行向量均不相同。第二步是基于系统模型，用接收信号矩阵估计出发送信号矩阵。本发明在接收方不知道信道状态信息的情况下，该设计方法可以利用少量的导频信号实现多小区多用户多天线系统中对发送信号的估计。

主权项

用于在多小区多用户多天线系统中的解码方法，假定系统模型为：$Y=\sqrt{\rho }\mathrm{HBX}+W---\left(1\right)$其中，有L个来自不同小区的用户，接收端的基站天线数为M；再假定每个用户发送长为T的信息序列，且序列前端均包含有长为τ的训练序列头，则发送信号可表示成L×T的发送信号矩阵X，矩阵中每个元素均匀地取自于标准4‑QAM，某小区基站接收信号可表示成M×T的接收信号矩阵Y；H为M×L的信道矩阵，ρ为信噪比,B＝diag{β₁,β₂,…β_L}为对角矩阵，β_i表示第i个小区到基站的大尺度衰落因子，W表示随机噪声；其中发送信号矩阵X规定为以下形式：X＝[x₁,x₂,…,x_T]，x_i是第i个列向量，x_iR和x_iI表示x_i的实部和虚部，把x_iR和x_iI排列成2L×1的列向量$\left[\begin{array}{c}{x}_{\mathrm{iR}}\\ x_{\mathrm{iI}}\end{array}\right],$则X可分解成$X_{\mathrm{re}}=\left[\begin{array}{cccc}{x}_{1R}& x_{2R}& ...& x_{\mathrm{TR}}\\ x_{1I}& x_{2I}& ...& x_{\mathrm{TI}}\end{array}\right],$其中前面的τ列是训练序列头，后(T‑τ)列为用户的有用信息序列，且τ满足2^τ‑3＜L≤2^τ‑2其特征在于该方法包括以下步骤：第一步是训练序列头的设计；具体如下：X_re的前τ列是训练序列头，X_re的第一列中的元素均为1，X_re的第2列至第τ列记为X_τ,其中X_τ中的元素可为1或‑1，则可产生2^τ‑1个不同的行向量，任取其中的2L个行向量构成X_τ；第二步是利用系统模型，用接收信号矩阵Y估计出发送信号矩阵X具体如下：2.1基站接收到信号矩阵为Y＝[y₁,y₂…y_T]，y_i是第i个列向量，y_iR和y_iI表示y_i的实部和虚部，把y_iR和y_iI排列成2M×1的列向量$\left[\begin{array}{c}{y}_{\mathrm{iR}}\\ y_{\mathrm{iI}}\end{array}\right],$则Y可分解成$Y_{\mathrm{re}}=\left[\begin{array}{cccc}{y}_{1R}& y_{2R}& ...& y_{\mathrm{TR}}\\ y_{1I}& y_{2I}& ...& Y_{\mathrm{TI}}\end{array}\right];$计算Y_re的样本均值为${\bar{y}}_{\mathrm{re}}=\frac{1}{T}\underset{j=1}{\overset{T}{\Sigma }}\left(\begin{array}{c}{y}_{\mathrm{jR}}\\ y_{\mathrm{jI}}\end{array}\right),$可得协方差矩阵E[y_rey_re^t]的样本估计：$\Sigma =\frac{1}{T}(Y_{\mathrm{re}}{Y_{\mathrm{re}}}^t-T{\bar{y}}_{\mathrm{re}}{{\bar{y}}_{\mathrm{re}}}^t)$2.2将Σ进行特征值分解，Σ较大的2L个特征值组成的对角阵U是2M×2L的矩阵，U中的第i个列向量是与D₁对角线上第i个特征值相对应的特征矢量，可以得到：$\frac{1}{2}{\left(\sqrt{2D_1-I_{2L}}\right)}^{-1}{U}^t{Y}_{\mathrm{re}}=V^t{X}_{\mathrm{re}}---\left(2\right)$2.3在(2)式中V^t和X_re未知，对(2)式运用快速ICA算法估计X_re，其中快速ICA算法中负熵的近似，使用的非线性函数为g(y)＝tanh(y)或g(y)＝yexp(‑y²/2)，最终得到估计结果对的每个元素进行判决，如果大于0，则该元素赋值为1，若小于0，则该元素赋值为‑1；2.4若解出第1列中某一个元素为负，则该元素所在行符号发生了改变，中该行乘上‑1，符号得以确定；记是的第2列至第τ列，取X_τ的第1行，与每一行做内积运算，内积最大那一行的所在行即为正确排序的第1行，再取X_τ的第2行，与每一行做内积运算，内积最大那一行的所在行即为正确排序的第2行，由此类推，最终确定每一行的顺序；在的行序确定后，的第1至L行为X实部的估计第L+1至2L行为X虚部的估计最后得到X的估计$\tilde{X}={\tilde{X}}_R+j{\tilde{X}}_I.$