在大規(guī)模多輸入多輸出（Multiple Input Multiple Output,MIMO）系統(tǒng)中,現(xiàn)有的非線性檢測(cè)算法中似然上升搜索（Likelihood Ascend Search,LAS）算法的復(fù)雜度較低,但是算法容易陷入局部極值,導(dǎo)致算法性能較差。文中提出一種全局最優(yōu)的模擬退火-似然上升搜索（Simulated Annealing-Likelihood Ascend Search,SA-LAS）算法,該算法引入模擬退火算法中的概率因素,以一定概率接收相對(duì)更差的解,從而改進(jìn)算法的局限性。同時(shí)還利用加權(quán)-對(duì)稱連續(xù)超松弛（Weighted Symmetric Successive Over Relaxation,WSSOR）迭代處理復(fù)雜的矩陣求逆運(yùn)算,降低初始解的求解復(fù)雜度;另外,設(shè)置多個(gè)鄰域候選集并行搜索加快搜索的速度;最后設(shè)置雙閾值控制迭代終止時(shí)間,以此降低算法復(fù)雜度。理論分析了該算法的復(fù)雜度,并通過仿真對(duì)不同檢測(cè)算法的誤碼率性能和收斂速度進(jìn)行了研究,結(jié)果表明:在復(fù)雜度階數(shù)不增加的情況下,文中提出的SA-LAS檢測(cè)算法的誤碼率性能明顯優(yōu)于現(xiàn)有的LAS檢測(cè)算法。 

【文章來源】：南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020年04期 北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

傳統(tǒng)LAS檢測(cè)算法流程圖

圖2對(duì)比了不同算法之間的計(jì)算復(fù)雜度,可以看出, SA-LAS算法的復(fù)雜度比RTS算法低,在用戶數(shù)少時(shí)SA-LAS算法的復(fù)雜度比MMSE-SIC算法高,但在用戶數(shù)多的情況下,其復(fù)雜度遠(yuǎn)小于MMSE-SIC。雖然SA-LAS算法比LAS算法復(fù)雜度有所提高,但隨著用戶數(shù)增長(zhǎng),該算法增長(zhǎng)趨勢(shì)緩慢,與LAS算法復(fù)雜度差距逐漸減小,也說明了該算法符合大規(guī)模天線數(shù)目的特性。如圖3所示,采用128×16的天線規(guī)模,比較了不同初始解求解方法的BER(Bit Error Rate)性能。以MMSE精確求逆算法的BER性能為基準(zhǔn)對(duì)比了ZF檢測(cè)算法、Neumann級(jí)數(shù)展開算法和本文提出的WSSOR迭代算法的檢測(cè)性能。由圖3所示,本文提出的求解初始解的WSSOR算法具有較快的收斂速度,并且在迭代次數(shù)i=2時(shí)就已經(jīng)接近最佳線性MMSE算法的性能,遠(yuǎn)超于其他算法的檢測(cè)性能。

如圖3所示,采用128×16的天線規(guī)模,比較了不同初始解求解方法的BER(Bit Error Rate)性能。以MMSE精確求逆算法的BER性能為基準(zhǔn)對(duì)比了ZF檢測(cè)算法、Neumann級(jí)數(shù)展開算法和本文提出的WSSOR迭代算法的檢測(cè)性能。由圖3所示,本文提出的求解初始解的WSSOR算法具有較快的收斂速度,并且在迭代次數(shù)i=2時(shí)就已經(jīng)接近最佳線性MMSE算法的性能,遠(yuǎn)超于其他算法的檢測(cè)性能。如圖4(a)、4(b)所示,調(diào)制階數(shù)不同時(shí),比較不同天線規(guī)模的MMSE-LAS檢測(cè)算法、WSSOR-LAS檢測(cè)算法、SA-LAS檢測(cè)算法的BER性能。因?yàn)楦咚剐诺老碌膯屋斎雴屋敵鯯ISO系統(tǒng)是大規(guī)模MIMO系統(tǒng)中ML性能的下界[12],所以將SISO作為ML性能的近似。可以從圖4看出,通過WSSOR迭代改進(jìn)初始解后的LAS算法與MMSE-LAS檢測(cè)的性能曲線幾乎重合,且本文提出的SA-LAS檢測(cè)算法的性能明顯比MMSE-LAS算法更佳,隨著信噪比的增加逐漸趨近于ML性能,并且可以看出SA-LAS檢測(cè)算法也適用于高階調(diào)制方式。


本文編號(hào)：2933010