多用户检测器

多用户检测器（精选12篇）

多用户检测器 篇1

自从1979年Schneider第一次提出多用户检测的思想以来, 多用户检测技术已经得到大量研究, 但迄今为止还没有真正广泛应用于实际中, 主要是因为可接受的复杂度与性能无法达到合理的折中, 研究并开发出更加实用的多用户检测方案仍然是未来码分多址无线传输技术研究的一个重点。

1 概述

多用户检测技术通过测量各个用户扩频码之间的非正交性, 用矩阵求逆方法或迭代方法消除多用户之间的相互干扰。由于CDMA系统是一个多输入多输出 (MIMO) 系统, 传统的检测方式如匹配滤波器采用单入单出检测方式, 不能充分的利用用户的边信息, 而将多址干扰看作是高斯白噪声, 因此大大降低了系统容量。多用户检测技术利用各用户之间码字的非正交性来消除多用户之间的相互干扰, 将造成多址干扰的所有用户信号信息、均看作是有用信号信号, 利用其对单个期望信号解调, 来降低多址干扰和远近效应的影响, 也降低了系统对控制精度的要求, 进而提高了通信系统的容量, 成为下一代移动通信系统提高性能的关键技术之一。

2 多用户检测技术发展

多用户检测的想法最早在1979年由Schneider提出的, 但当时并没有引起人们的重视。直到1986年Verdu将最优多用户检测的理论向前推动了一大步, 认为多址干扰是具有一定结构的有效信息, 理论上证明采用最大似然序列检测可以逼近单用户接收性能, 并有效地克服了远近效应, 大大地提高了系统容量, 从而开始了对多用户检测的广泛研究。

然而由于最优多用户检测算法的复杂度随系统中的用户数呈指数关系增长, 当用户数较大时, 运算量非常大, 以致在现阶段还难以实用。但是Verdu的工作为进一步研究奠定了理论基础, 促使人们去寻求复杂度较低、性能上优于传统检测器的各种次优多用户检测器。研究首先集中在AWGN信道下的次优多用户检测上, 而在实际的CDMA通信系统中, 收端不可能知道所有发端用户信息, 而且多用户检测的参数如:振幅、相位和用户间的互相关系数经常改变, 因此开始研究自适应多用户检测算法。

在1995年Michael Honig等人提出了盲自适应多用户检测的概念, 这种多用户检测机仅需要和传统检测机相同的信息, 就可以检测出所发送的信号, 使得多用户检测技术向实用化又前进了一步。自适应滤波的原理在其中得到了广泛的应用各种算法纷纷被应用到多用户检测的系统中。

在1998年Xiaodong Wang和H.Vincent Poor提出了子空间盲多用户检测技术, 将盲自适应信道估计、盲自适应阵列响应估计与盲多用户检测技术结合在一起, 利用基于子空间的高分辨方法对接收的信号进行多用户检测。在1999年他们又将多径CDMA信道中接收天线阵列技术与盲多用户检测技术相结合, 提出了空时多用户检测技术。盲自适应技术不需要采用训练序列, 且提高了系统的动态跟踪能力, 因而近年来也成为一个研究热点。

3 急需解决的问题

3.1 目前多用户检测器的时间复杂度和结

构复杂度都与实际应用存在差距, 尤其是当一些参数 (频率、幅度、相位及同步) 估计不理想时相关系数矩阵会发生变化, 多用户检测器性能也会随之下降。

3.2 多用户检测仅考虑本小区内的用户干

扰, 对周围小区影响不予考虑, 而对CDMA系统中的盲多用户检测技术的研究于处在本小区边缘的移动用户, 周围小区的干扰是不容忽略的, 而如何在周围小区的影响下发挥和使用多用户检测器的特性, 尤其是在小区扇区化后, 多用户检测技术如何应用于实际系统中都是值得进一步研究的问题。

4 最新的研究成果

4.1 基于Lagrangian乘子法的多用户检测。

将二进制二次规划问题连续化为一个带等式约束的二次规划问题, 借助于求解等式约束的Lagrangian乘子法, 推导出Lagrangian乘子与用户信息码及信道噪声之间的关系。同时, 根据多用户检测问题的特殊性, 还给出了估计Lagrangian乘子的方法, 进而得到了一种新的多用户检测器。仿真结果表明, 新算法的误码率与最佳多用户检测器大致相同, 低于一般的次最优多用户检测器。

4.2 基于瞬时混合结构的盲多用户检测。

基本思想是将现有的盲信源分离算法 (BSS) 应用到MIMO-OFDM系统的信号检测中。该算法从MIMO-OFDM系统中的频点角度出发, 解决了BSS算法在存在时延的系统中的应用问题以及由于被分离后的信号重组而带来的不确定置换和通信系统中的复值信号性质所引发不确定的尺度变化问题。方法的有效性已通过计算机仿真得以验证[2]。

4.3 基于演化策略的多用户检测。

DS-CDMA无线通信中的最优多用户检测属于NP完备组合优化问题, 启发式方法是求解这类问题的有效方法, 通过分析最优多用户检测问题的适应值曲面特征, 研究和设计系列低计算复杂度、接近最优多用户检测性能的启发式算法。仿真结果表明[3], 基于演化策略的多用户检测算法能够在中等规模用户数情况下提供与最优多用户检测相当的性能, 而快速迭代局域搜索算法能够以较低的计算复杂度得到比其他局域搜索算法更好的解。

4.4 基于MPIC算法的多用户检测。

在RAKE接收机的基础上, 用前一级解调出的信号对多径干扰进行估计, 并在后一级解调每一径时从接收信号中减去其他径干扰的估计, 以消除由于多径衰落造成的符号间干扰。MPIC算法是一种非线性的多用户检测算法, 采用多级迭代的方法消除多用户之间的干扰。随着迭代级数的增加, 该算法的性能将逐渐提高, 但也会增加运算的复杂度和时延。在MPIC的实现过程中, 综合算法复杂度和性能方面, 采用了2级IGU单元估计多径干扰, 每一级估计的多径干扰的准确性将随着级数的增加而增加[4]。

4.5 基于免疫克隆选择算法的多用户检测。

为了解决最佳检测器计算复杂度较高的难题, 提出一种精简有效的克隆选择算法。把人工免疫系统和神经网络系统的信息处理机制引入到CSA提出了免疫克隆选择算法。所提ICSA通过使用随机Hopfield神经网络制备疫苗构成新的免疫算子, 把新的免疫算子结合到克隆选择算法中, 不仅加快了克隆选择算法的收敛速度, 并提高了克隆选择算法的全局收敛能力。在CDMA系统利用此算法设计了新的多用户检测器, 仿真结果证明了ICSA检测器能够快速收敛到全局最优解, 并且无论抗多址干扰和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器[5]。

5 结论

以上这些多用户检测算法多是停留在理论的探讨阶段, 寻找复杂度与性能之间的合理折中且能满足实际高速信号处理需要的实用化多用户检测器仍是目前多用户检测研究的主要方向。相信随着多用户检测理论的不断成熟和工业技术的不断进步, 尤其是半导体技术及DSP器件的飞速发展, 多用户检测技术一定能在未来的移动通信系统中得到充分利用。

参考文献

[1]刘文龙, 马晓红.Lagrangian乘子法在多用户检测中的应用[J].通信学报, 2008 (1) :51-55.[1]刘文龙, 马晓红.Lagrangian乘子法在多用户检测中的应用[J].通信学报, 2008 (1) :51-55.

[2]赵宸, 郭滨, 王珂.基于瞬时混合结构的盲多用户检测[J].通信学报, 2008 (2) :134-140.[2]赵宸, 郭滨, 王珂.基于瞬时混合结构的盲多用户检测[J].通信学报, 2008 (2) :134-140.

[3]王少尉, 季晓勇.最优多用户检测问题研究[J].电子学报, 2007 (12) :2339-2342.[3]王少尉, 季晓勇.最优多用户检测问题研究[J].电子学报, 2007 (12) :2339-2342.

[4]冯侨, 郑建宏.TD-SCDMA系统中多用户检测算法比较[J].重庆邮电大学学报 (自然科学版) , 2007 (12) :710-712.[4]冯侨, 郑建宏.TD-SCDMA系统中多用户检测算法比较[J].重庆邮电大学学报 (自然科学版) , 2007 (12) :710-712.

[5]高洪元, 刁鸣, 王冰.基于免疫克隆选择算法的多用户检测技术研究[J].系统仿真学报, 2007, (5) :983-986.[5]高洪元, 刁鸣, 王冰.基于免疫克隆选择算法的多用户检测技术研究[J].系统仿真学报, 2007, (5) :983-986.

多用户检测器 篇2

美国的营销专家乔·维托博士的一句话：“吸引读者的眼球，是你的首要工作!”比如淘宝、天猫和京东的商家们非常擅长，想尽办法在图片和文字上做足功夫，把这个道理用到了实处。

在流量实现转化的过程中，消费者的关注，不仅仅是产品，还会关注商家本身，可以说某种程度上，关注商家本身大于产品。因为一定程度上商家代表着产品质量的保证，由于消费者非常关注产品质量的保证，所以才会产生淘宝、天猫和京东这样的“大商家”。由于人们对这些“大商家”的信任，才会更加相信“大商家”里的“小商家”。

通过以上对流量的分析，我们不难发现，信任是引发人们关注的一个很重要的因素。那如何才能获得人们的信任呢?

上面这个发现,对运营和推广的启发是什么?

首先，扎扎实实的做好自身的产品和服务，交易的本质，就是要获得产品或是服务的满足。你若不能让消费者获得满足，进而满意，那你的营销是走不远的。

其次，就是要擅于找到各类的渠道向消费者展示和传播“信任”。

再次，要善于包装和展示自己，让消费者产生“信任”。

而以上三层关系顺序是这样：展示自身形象--传播--引流和转化。

所以说流量源于关注，而关注源于企业或商家的网络形象包装!

信任是如何产生的?

通过上段的分析，相信你对如何吸引关注已有一个深刻的认识，而且认识到消费者产生信任的重要性。可是，信任是如何产生的呢?

毫无疑问，信任源于了解!所以说你需要保持消费者对你的持续关注!

这里我们要注意一个事实：

心理研究发现：人的初次会面，45秒中内就能产生第一印象，心里就已经有所判断!如果是观看视频，20秒还没能被吸引，就会放弃!如果是看图文，在3到4秒内，还没被吸引，就不会再继续往下。

第一印象效应，也叫“首因效应”。首因效应由美国心理学家洛钦斯首先提出的，也叫首次效应或优先效应，指交往双方形成的第一次印象对今后交往关系的影响，也即是“先入为主”带来的效果。

所以说保持持续关注，还是在于有好的“第一印象” 。

二、我们要如何利用第一印象效应来做引流呢?

相对于“第一印象”而言，我们要给人“第一信任”。印象有好有坏，信任的产生不仅要印象好，更要给人“专业度高”、“品质好”、“产品丰富”、“理念先进”、“新奇好玩”等这些感受。

让我们一起揭开“第一信任”、关注与购买三者的关系(情况)：

1、“第一信任”就足以打动消费者，消费者有需求，当即购买。

2、“第一信任”就足以打动消费者，但其没有需求，日后购买及持续关注。

3、“第一信任”不足以打动消费者，其再次关注，“累积信任”，然后购买及持续关注。

4、“第一信任”不足以打动消费者，转移购买和不再关注。

在移动互联网逐渐占据主流的时代，人们碎片化的时间关注较多，而营销的商机，我们要尽可能做以上到第1点和第2点，信息爆炸的时代，人们“累积信任”的耐心已基本失去了。

让我们再回头来看看百雀羚案例：

千万级的流量!带来销售额竟不到80万!

网友真给力：老奶奶我都不扶，只扶百雀羚。

结果，让大家不得不服!

再进一步分析，出现引流和转化严重失比原因可能是：

第一种可能，是没有把企业自身的特点、产品或服务的特点与网络营销结合起来，出现了方向性的错误。

第二种可能，是转化流程设计，客户服务管理等运营方面的问题。我们来看一下一张百雀羚官网官方店铺的页面图：

当客户产生关注后，想了解官方店铺的产品，给到消费者的却是要转跳!难道不可以在上面实现直接购买吗?

第三种可能，没能有层次，有条理、简单清晰的向目标消费者展示一个真实、完美形象。

百雀羚也有自已的展示平台，而且不止一个，不能说没有对外形象。这样都让人不得不服!那根本没有形象展示的，还能怎样呢?

也就是说，很多企业和商家没有给人“第一信任”，再往下做，要么投入打水漂，要么转化不理想，要么没法持续引流。作为很多中小微的商家来说，每1块钱的投入都意味着背后的机会成本将可能是100块!

三、如何获得消费者的“第一信任”?

1、有什么让人值得关注?

很多微商叹息的事：为什么产品这么好，服务也尽心尽力，业务还这么难做!

别忘了，朋友圈可推广可帮助你实现两个事：一是了解产品，二是通过认可你从而认可产品。

了解产品，通过朋友的关系影响是比较容易实现的。但要认可你，并非易事!至少需要时间!而带有商业化的社交，自然蒙上一层利害关系，会阻碍别人对你的认可。一个不争的事实，向陌生的朋友推荐时就没有这么容易。

那要如何做呢?要让朋友认可你的产品或服务的整体，认可你的企业形象，而不仅仅是你个人!

而往往是，你的企业或店面，没有任何形象!值得让人关注后产生对产品的好感!

2、展示的吸引度是否足够?可否让人持续关注?

很多小微商家可能会犯愁，这些东西给人好“高大上”，如何有头绪去做呢?

其实，我们要走出旧的思想，社会的进步是源于社会分工不断的细化，高速发展的今天，很多事不需要自已都懂，自已都会，而是可以给到有经验的公司去做。

这里给大家推荐广州助力腾飞科技有限公司，专注于企业网络形象设计、网络基础建设，包括有网络包装、影视包装、营销包装、公关包装和电信包装。倾力于帮助中小企业打造完美的企业形象，瞬间吸引关注者的眼球。创始人及其团队非常了解中小微企业和商家，瞄准了这个巨大的需求缺口，利用原有的企业咨询能力、媒体资源、技术资源，助中小微企业和商家快速成长，有80%以上的商家合作助力腾飞后，流量增加80-120%，因此获得了合作商家的好评。总体而言，助力腾飞是一家既实在，服务的性价比又很高的公司。

好事办到底，送佛送到西，我把其公司相关联系也搜罗过来。提供给大家：

(助力腾飞简介短视频)

(助力腾飞手机官网)

(助力腾飞小程序码)

在以前，要大企业才会去做的事，随着网络科技的发展和普及，现在中小微的商家也可以去实现了。比如PC端网站，兴起之初，为了展现形象，建一个站甚至到几十万，现在建一个综合性网站只需几千元。而以前没人会经营打理，现在几百元可外包，感叹社会的进步啊!

再说到这两三年，微商城和公众号运营，让企业能够很好的在网络展示自身的形象，不少中小企业也做得异常出彩，吸引了大量的粉丝，源源不断的为商家送来了大量的订单。

又比如，很多小微餐饮加入“美团”和“饿了么”后，形象得到了展现后，生意也翻了好几翻。

再给大家推荐一个时代重磅：小程序!初基于微信平台的小程序，也是各商家在互联网和社交圈展示自已的一个好工具(说是一个平台也不过分)。小程序几乎能适合任何行业，并且功能功用非常强大，前景发展也是万众期待，目前稍微有营销意识的中小微企业和商家，早就一马当先，抢占这波红利。

总之，有没有形象展现，有如天地之差!形象展现是否能让人产生“第一信任”又是另一个天地之别!

多用户注册表轻松改 篇3

首先，在“开始”菜单中的“运行”命令文本框中输入“regedit”命令，打开注册表编辑器，选中左边窗口中的“HKEY_USERS”键，然后打开“文件”菜单中的“加载配置单元”命令。

接着，在弹出的对话框中，通过“查找”找到“C:Documents andSettings用户名NTUSER.DAT”文件(用户名指要修改注册表的用户名)，打开后就会出现一个“加载配置单元”对话框，在“项名称”中随便输入一个用户的名字，如“刘辉注册表”，确定后就会在“HKEY_USERS”键下生成一个同名的子键。展开该键，就可以对选择的用户注册表进行某些修改了。

修改完毕，可以将这一用户的注册表卸载，再对其他用户注册表进行修改，方法是：选中此键，然后再打开“文件”菜单中的“卸载配置单元”命令卸载。卸载完成，再按照上述方法，对其他用户注册表进行编辑便可。

汉字巧变拼音曹晶

为汉字注上拼音，可以帮助识字不多的低年级学生认识更多的汉字，进而扩展阅读范围，丰富知识。虽然很多办公软件提供了注音功能，但要为整篇文章注上拼音还是非常麻烦的。其实，我们不妨化繁为简，借助在线工具简简单单搞定全文注音。

启动IE浏览器，在地址栏中输入“http://www.ajiang.net/luntan/hz2py/”并回车，打开在线转换页面。将需要转换成拼音的汉字复制到文本框中。单击“开始转换”按钮，片刻就可以在页面下方的“转换结果”文本框中看到带有音调的拼音了。将内容复制到Word中，简单排版后就可以得到汉字与拼音对照的文本了。

提示Attention

该程序的拼音库采自《轻松文本》共享版，但可转换GB2312音序区的3755个汉字。不过，对于识字阶段的学生来说这些常用字已经足够了。

直接序列扩频多用户检测算法 篇4

1 最优多用户检测算法 (ML)

不确定性最优多用户检测算法是1986年Verdu提出的最大似然 (ML) 多用户检测算法。对于同步CDMA系统, 接收信号的最佳解调向量如下表示:

对于CDMA系统中同时传送信息的K个用户来说, 每个用户传送信息bk的取值有+1和-1两种可能, 向量B=[b 1, b 2, , ......b K]T的组合有2K种, 这种算法的目的就是要从种组合的用户信息向量中找出一种使似然函数最大的输出信息向量。使用该算法时, 用户每发送一个比特信息, 该算法的复杂度为O (2K) 。实际的CDMA系统具有相当庞大的活动用户数量, 该算法的复杂度随用户数量的增加呈指数上涨, 实际的系统中该算法运算的复杂度会使得系统难以忍受。

2 解相关多用户检测算法 (DEC)

多址干扰是由于不同用户的扩频码不能完全正交引起的。抑制多址干扰的影响, 去除所有用户扩频码之间的相关性, 是解相关检测的基本思想。

考虑离散CDMA信号模型。

第一步, 用转置后的扩频码集矩阵S左乘信号Y得到匹配信号Z。

其中R=SST, 叫做相关矩阵, 第一步的处理实质上就是对每个用户进行匹配的单用户检测。

第二步, 对相关矩阵R求逆, 得到R-1。

第三步, 用R-1左乘第一步中得到的匹配信号z, 并对结果进行判决。

由于需要计算相关矩阵的逆矩阵, 使得解相关多用户检测算法的计算复杂度达到了O (k3) 。

3 最小均方多用户检测算法 (MMSE)

最小均方 (MMSE) 多用户检测算法同时考虑了背景噪声和多址干扰, 该多用户检测算法的实质是使发送的信息与检测输出数据的均方误差最小, 即代价函数E[B-TY2]最小, 其检测过程如下。

其中R=SST为相关矩阵, A为振幅矩阵, ∂2为高斯白噪声的方差。将线性变换矩阵与匹配滤波器组输出向量相乘得到最小均方误差检测器输出, 再对此输出进行判决。

和解相关多用户检测一样最小均方多用户检测算法也需要计算相关矩阵的逆, 在运算复杂度上相对解相关多用户检测算法没有改变。

参考文献

[1]Verdu S.Multiuser detection[M].Cambridge University Press, 1 99 8.

[2]R.Kohno, M.Hatori, H.Imai.Cancellation technique of co-channel interference in asynchronous spread spectrum mul-tiple access systems[J].Elect.And Comma.In Japan, 1983, 66:20～29.

多用户检测器 篇5

下载: /ym/11/24548.html

/admin/listshj.asp?id=4567 丢到啊D里就能跑出来

listshj.asp未作验证，其中

<%dim shjiaid

shjiaid=request.querystring(“id”)

set rs=server.createobject(“adodb.recordset”)

rs.open “select * from [shjia] where shjiaid=”&shjiaid ,conn,1,1%>

ID未作过滤，注入产生，直接丢到啊D里就行了，让工具自动吧

至于后面的id值是4567，是系统自带的商家的ID数值

至于自己注册的商家的ID数值，我没找到，汗了，

网趣网上购物多用户时尚版最新版本存在漏洞及修复

，

更夸张的是，直接打开这个网址，其中竟然还能上传，一看，晕了，竟然还有存在上传漏洞，以前的版本都不存在，怎么最新的版本倒是存在了。。。

upload.asp?formname=userinfo&editname=logo&uppath=upfile&filelx=jpg

/admin/review.asp

这个文件也存在漏洞，网上查了下，有人公布过了

用户多来自二三四线城市 篇6

我会对比昨天或者前天的人气跟消耗，每周统计一次平台所有房间的人气动向。比如一个房间上周是100人，这周突然变成50人了，系统会有邮件发出来。我们会去分析：什么问题导致这个区的人气下滑？要采取什么办法？最后要拿出运营方案，如果三个月都没做好，区长就要撤掉，重新换一个能胜任的区长，甚至可能换个运营组长。

还有一个有效房间考核的指标。比如100个人的房间开出来后，24小时平均在线用户最少要达到30人以上，这才算是一个有效房间。如果平均下来只有5个人，那就很冷清，没必要开百人房，只需开一个十人房。作为运营，就要想办法把这种有效房间保持住，把没有达到有效标准的房间扶持成为有效房间。

区长下面是室长，室长下面还有管理员，他们大都是兼职的。区长需要跟房间的室长深入沟通，沟通完了后，让他们做一些活动，室长也可能需要一些比较忠实的管理员帮着叫一些朋友进来玩。人气类活动最简单的就是举办一场晚会，请一些比较好的演员过来唱歌，可能还会有一些抽奖活动，送一些东西给用户。除了房间的活动，还有平台的活动。比如6月份我们可能会举行一个全平台的人气活动，公司市场部帮我们推广，在相应的网站上投放广告，把用户吸引进来。

我们的用户70%以上都来自于二三四线城市。大城市娱乐项目多，朋友圈广泛，二三四线城市比较小，可玩的东西也少。人们晚上下班后，可能去跟几个朋友打牌、唱歌聚一下，但他就那么几个朋友，不可能三天两头都去聚会。有了9158这么一个平台，很多用户在里面玩，可以认识很多人，可以在上面跟人互动、唱歌、聊天，不是很好吗？

一个普通用户进来唱歌，不管唱得好不好，只要他唱了，我们就要求室长给人家鼓鼓掌，鼓励一下，让人家再次参与。得到这种鼓励，普通用户肯定会觉得很开心。

自娱自乐区纯粹是网友自己在里面玩，就像QQ群一样。比如我经常打篮球，那我建一个群，把一些喜欢打篮球的人拉到群里。其实我们跟QQ群有点像，QQ群里面有群主、副群主、管理员，9158的房间有室长、副室长、管理员。在房间里，室长权限最大，副室长协助室长。室长不在，副室长代替室长管理一个房间。普通区的管理员只是起到经常在线跟用户积极互动的作用；商业区的管理员可能就是艺人了。所有商业房，每周都要给所有室长开会，告诉他们这个礼拜大概什么情况，或者要做哪些东西，哪些不足要改进。室长要管理或者监督这批主播，要给主播开会或上课洗脑。

9158刚开始只有普通区，没有商业区。自娱自乐的普通区，游客也可以看，商业区是有限制的。游客进来后，如果管理员觉得他比较好，会跟他沟通，问他有没有兴趣加入某个家族，室主也会邀请他。像VOD家族，你想加入，必须是唱歌比较好的。VOD家族的群里应该有500多号人，层次都还可以，这属于一个成功的家族。

普通区的用户喜欢追求一些漂亮主播，送花或其他东西给她。主播收到礼物没有用，只有自己再刷出去。到商业区可以直接变成钱，她肯定愿意来，也更愿意去维护她自己的粉丝。我们有一个室主，原来是夜场的演艺人员，一个晚上跑场子能赚500～600块钱。最初很多人不认识他的时候，他可能一天5～6个小时都在上面。他什么都会，又能唱，又能说，又能放下，把自己打扮得很接地气，跟用户互动。他现在的人气比较好，大家都认识他，只要他上台表演，1000人的大房间基本爆满。9158用户活跃的时间段是晚上7点到11点，他就晚上7点到8点这个时间段在，其他时间都让他房间的其他主播艺人去做。现在他线下的工作已经不做了，专职做我们这个事情。

多用户检测器 篇7

传统的CDMA系统中一般采用将用户扩频序列与接收信号直接相关的方法解扩期望信号,当不同用户的扩频序列严格正交并且信号传输在加性高斯白噪声信道(AWGN)中时,这种方法是最优的。然而实际中不可能完全满足这种正交性,因而导致了CDMA系统中的远近问题,即期望信号扩频序列与强干扰用户的互相关可能大于它与期望用户的自相关。这种不同用户之间的相互干扰直接影响到信道利用率和系统可容纳的用户数量,因而传统的CDMA系统中不得不采取严格的功率控制措施。直到1986年,Verdú在文献[1]中设计了一种基于最大似然准则的最优多用户接收机,从理论上解决了CDMA系统中的多用户干扰(MAI)问题。但是,由于该最优接收机算法的计算量随着用户数量的增多成指数增长,因而目前尚难以应用于实际系统中。文献[1]之后又出现了多种次优的解决方案,其中基于最小均方误差准则(MMSE)的盲自适应算法(包括盲LMS,RLS,KALMAN等)由于需要已知的先验信息少(仅需已知期望信号的扩频序列)、不需要专门的训练序列等优点而受到了广泛的关注。文献[2]提出了盲多用户检测的LMS算法,该算法计算复杂度为O(L)(L为扩频增益),但是收敛速度较慢。文献[3]和[4]中提出的盲多用户检测的RLS算法和Kalman滤波算法提高了收敛速率,但计算复杂度增加为O(L2)。自适应增益LMS算法最早于1990年由Benveniste等提出,并已应用于自适应均衡、锁相环信号处理等方面。本文将该算法思想应用于CDMA系统的盲多用户检测,推导了算法实现的步骤,给出了算法实现的计算复杂度分析。仿真实验证明,在平稳信道与瑞利衰落信道条件下,该盲多用户检测算法性能表现优秀,具有较高的收敛速率和稳态输出信干比。

1 系统模型

考虑一个直序扩频码分多址系统,它有K个用户,对接收信号进行相干解调、码片速率采样之后的离散时间信号可以表示为:

式中Ak表示第k个用户的接收信号幅度,bk,j∈{1,-1}表示第k个用户接收到的第j个信息比特,sk,i表示第k个用户扩频序列的第i个码片,L表示扩频增益,njL+i为加性高斯白噪声序列。这里假设信息码元从{1,-1}中独立等概的选取,扩频序列具有单位能量。

定义向量

Yj=[yjL+0,yjL+1,…,yjL+L-1]T

nj=[njL+0,njL+1,…,njL+L-1]T

分别为接收信号向量和噪声向量,定义用户k的扩频序列为:

Sk=[sk,0,sk,1,…,sk,L-1]T

则(1)式可以表示为向量形式

不失一般性,可以令用户1为期望用户信号,用户2～K为干扰用户信号,现在针对期望用户设计其检测器W,则第j个信息码元间隔内的期望用户输出比特可以使用undefined来估计。文献[2]中提出了W的一种典范表示式:

Wj=S1+Xj (3)

Wj被分解成了固定部分S1和自适应部分Xj,且S1TX=0,同时WjTS1=S1TS1=1。基于典范表示式(3)及其约束条件,可以推导出多种检测器W的自适应算法实现,本文中自适应增益LMS算法实现步骤的推导也是在这个基础上完成的。

2 盲多用户检测的LMS算法[2]

文献[2]中得到的LMS算法是根据最小输出能量(MOE)准则得出的。该准则定义代价函数为:

JMOE(W)=E[(YTW)2] (4)

MOE准则等价于MMSE准则[5],因此,根据MOE准则导出的自适应检测器算法将收敛于MMSE线性检测器的最优解。

求解(4)式可得W自适应部分X的更新公式如下:

Xj=Xj-1-μYundefined(S1+Xj-1)(Yj-SundefinedYjS1) (5)

3 自适应增益LMS的盲多用户检测算法

LMS盲多用户检测算法运算量较小,但同时存在收敛速度慢,失调量大,非平稳环境下跟踪性能差等缺点。μ值的选取是克服上述缺点的关键之一,适当取大μ值可以使算法收敛速度加快,但同时将使得稳态跟踪过程中的失调量增大;而较小的μ值虽然对应更精细的步进调整和稳态失调量,但却是以牺牲系统收敛速度为代价的。因此,可以考虑在LMS盲多用户检测算法中增加对μ值的自适应更新。求(4)式最小输出能量代价函数关于μ的无约束梯度,得到:

令undefined,则ᐁμ=2E(WTYΨTY),

定义undefined分别表示第j个信息码元内W和Ψ的估计,得梯度瞬时估计表示为:

继而得到步长因子μ的更新递推公式为:

又由式(3)、(5)可知

式(9)两边对μ求导得

总结以上的推导步骤,可以得到盲多用户检测的自适应增益LMS算法的实现流程:

①选取初始值undefined (0)、μ(0)和

undefined

在式(12)中,μ+和μ-表示对μ值限幅,根据文献[6]中的结论,下限μ-对算法影响不大,可将其置为0或某一个很小的数,而上限μ+的取值则对算法的跟踪性能具有重要的意义。通常,具有良好跟踪性能算法的最优μ值接近于不稳定点,因此,上限μ+的选取应接近且略小于不稳定点,以保证算法的跟踪性能和收敛性。

4 算法复杂度比较

表1显示出了几种盲多用户检测算法每判决一个信息比特所需要的运算复杂度。L表示扩频增益。

由表1可以看出,自适应增益LMS算法的计算量较传统LMS略有增加,但远远低于RLS和Kalman算法。

5 算法性能仿真实验

在使用LMS算法时,由文献[2]可知,步长因子μ应满足输出均方误差收敛的稳定性条件undefined。实验中取μ0=μmax/10,选取较小的μ值是为了更好地保证算法输出的均方误差收敛性和更小的失调量。在使用自适应增益LMS算法时,取初始值μ(0)=μ0,在μ值的自适应更新过程中限幅下限μ-取为0,上限μ+取为5μ0。

仿真实验中采用了7用户的同步CDMA系统,扩频码为Gold码,扩频增益为31。用户1为期望信号,用户2～7为干扰信号,干扰信号干信比分别为两个10dB,三个20dB和一个30dB。

图1中显示的是在输入信噪比20dB下得到的几种盲自适应算法的收敛性能曲线。纵坐标表示检测器输出端信干比,横坐标表示算法迭代的次数。由图中可以看出,自适应增益LMS算法收敛速度和稳态输出信干比大大高于普通的LMS算法,超过了RLS算法并且逼近Kalman算法。图2中显示了传统的匹配滤波检测器和几种盲自适应算法在不同信噪比条件下采用蒙特卡罗方法得到的误码率曲线。可以看出,在实验中严重的多用户干扰条件下,匹配滤波的单用户检测方法已经失效,几种盲自适应算法则具有不同程度的抑制多址干扰能力,自适应增益LMS算法的误码率特性接近Kalman算法的性能。图3和图4是在瑞利衰落信道中各种检测器的性能曲线,图3显示的是在输入信噪比20dB下瑞利衰落信道中的几种盲自适应算法的收敛性能曲线。由图中可以看出瑞利衰落信道中自适应增益LMS算法在高信噪比下的收敛性能和误码率性能均略微超过Kalman算法,低信噪比时的误码率性能也已经非常接近Kalman算法。

6 结束语

本文对LMS盲多用户检测算法进行改进,导出了一种低复杂度的盲多用户检测算法的实现步骤。仿真实验表明该盲多用户检测算法具有较快的收敛速率、较高的稳态输出信干比和较强的适应非平稳信道的能力,验证了算法推导的正确性与有效性。

参考文献

[1]VerdúS.Minimum probability of error for asynchronous Gaussian mul-tiple-access channels[J].IEEE Trans.Inform Theory,1986,IT-32:85-96.

[2]Honig M L,Madhow U Verd.úBlind adaptive multiuser detection[J].IEEE Trans.Inform Theory,1995,IT-41:944-960.

[3]Poor H V,Wang X.Code-aided interference suppression for DS/CD-MA communications Part II:Parallel blind adaptive implementations[J].IEEE Trans.Comm.,1997,45:1112-1122.

[4] Zhang X D. Blind adaptive multiuser detection based on Kalman filte-ring[J].IEEE Trans. Signal Processing,2002,50:87-95.

[5] Verdú S. Multiuser detection[M].Cambridge University Press, 1998.

多用户检测器 篇8

传统的CDMA系统中一般采用将用户扩频序列与接收信号直接相关的方法解扩期望信号,当不同用户的扩频序列严格正交并且信号传输在加性高斯白噪声信道(AWGN)中时,这种方法是最优的。然而实际中不可能完全满足这种正交性,因而导致了CDMA系统中的远近问题,即期望信号扩频序列与强干扰用户的互相关可能大于它与期望用户的自相关。这种不同用户之间的相互干扰直接影响到信道利用率和系统可容纳的用户数量,因而传统的CDMA系统中不得不采取严格的功率控制措施。直到1986年,Verdú在文献[1]中设计了一种基于最大似然准则的最优多用户接收机,从理论上解决了CDMA系统中的多用户干扰(MAI)问题。但是,由于该最优接收机算法的计算量随着用户数量的增多成指数增长,因而目前尚难以应用于实际系统中。文献[1]之后又出现了多种次优的解决方案, 其中Honig等[2]提出了基于最小输出能量准则的盲多用户检测算法,由于需要已知的先验信息少(仅需已知期望信号的扩频序列),不需要专门的训练序列等优点而受到了广泛的关注。同时,还可以将各种自适应算法应用到此检测器中,典型的有最小均方(LMS)算法[2]和递归最小二乘(RLS)算法[3]。在此基础之上,文献[4]中又提出来一种判决反馈变步长MOE检测算法(DF-MOE)。本文在研究这三种算法的基础之上,对其进行改进,将递归最小二乘(RLS)算法和判决反馈变步长MOE算法(DF-MOE)相结合,得到一种改进的盲算法。

1 同步DS-CDMA系统模型

考虑一直接序列码分多址(DS-CDMA)系统,它有K个用户,无线信道。盲多用户检测器在一个码元间隔期间的离散时间输入可用以下信号模型表示:

undefined

式中,v(n)为信道噪声;Ak,bk(n)和sk(n)分别是第k个用户的接收幅值、信号字符序列和用户扩频码;σ为一常量。假定特征波形具有单位能量,扩频增益为N。所谓“盲“是指盲多用户检测器没有其它用户的任何信息。接收信号以chip间隔采样后,其离散模型表示成矩阵形式为:

r=SAb+n (2)

其中r,n为接收信息和噪声向量,S=[s1,…,sK],A=diag(A1,…,AK),b=[b1,…,bK]T。现针对期望用户1, 设计其盲多用户检测器c1,则检测器的输出和判决为

undefined

2 盲多用户检测器采用的基本方法

2.1 盲多用户检测的LMS算法

文献[2]中提出了c1的一种典范表示式:

c1=s1+x1 (4)

c1被分解成了固定部分s1和自适应部分x1,且〈s1,x1〉=0,同时〈s1,c1〉=‖s1‖=1。在典范表示及其约束条件之下,最小输出能量检测器的公式非常适合用作推导x1的更新公式。输出能量函数定义为

MOE(x1)=E{〈r,s1+x1〉2} (5)

以此为代价函数,可推导出盲自适应多用户检测的LMS滤波算法为:

在没有干扰特征波形信息(或方便实现)的情况下,递推公式的初始条件可选择x1(0)=0。

在使用LMS算法时,步长μ必须满足输出均方误差收敛的稳定性条件[2]:

undefined

2.2 盲多用户检测的RLS算法

与盲检测的LMS算法不同,Poor和Wang[3]提出RLS算法,它使盲检测器的指数加权输出能量最小化,即

undefined

式中,0<λ<1为遗忘因子,同样约束条件为sundefinedc1(n)=1。

容易证明,满足式的RLS算法如下:

undefined

式中

undefined

表示观测信号的自相关矩阵。

2.3 判决反馈变步长MOE检测算法

DF-MOE盲算法的代价函数如下:

JDF-MOE(c1,λ)=E{(y-λb1)2} (9)

同样约束条件cundefineds1=1,利用随机梯度算法,用户1第i个数据点的DF-MOE盲自适应迭代算法为

其中,μ表示算法迭代步长,x1的初始值取x1(0)=0。λ的控制算法为:

undefined

其中,undefined表示为A1的估计,且η(i)∈[ηmin,ηmax],一般给定ηmin=0,ηmax=1。同时η(i)按下式迭代控制进行

η(i+1)=(1-α)η(i)+α[1-e2(i)] (11)

其中,η(0)=0,α满足:0<α<<1,α→0;而e(i)定义为e(i)=y(i)-y(i-1)。同时η(i)还需满足

undefined

对于undefined的估计可采取如下方法,即

其中,undefined。

3 改进的MOE盲多用户检测算法

上面研究的三种算法各有其优缺点(由以下仿真图可以看出),本文针对RLS算法和DF-MOE算法的特点提出一种改进的盲多用户检测算法即RLS算法结合DF-MOE算法的盲多用户检测算法,使其更好地适应动态环境,抑制多址干扰。在静态环境中,当用户数目一定时,采用DF-MOE盲算法,保证输出高稳态信干比;当强干扰加入系统时,再切换到RLS算法,使其快速跟踪信道变化,实现快速收敛,到达稳态,然后次切换到DF-MOE算法。这样既保证算法的快速收敛又保证高的稳态输出信干比。

4 仿真实验

为了充分反映系统性能,以下所有实验结果都是经过100次独立实验的平均值,用户1为目标用户。为了比较不同算法的多址干扰抑制能力,常使用n步迭代的时间平均信干比(SIR)作为测度。下面考虑同步DS-CDMA系统,扩频序列为31位gold码,调制方式为BPSK调制,AWGN情况下各种算法的SIN。平稳信道下系统中有10个用户,期望用户1具有单位能量,即Aundefined=1,其信噪比为20dB(即σ2=0.01),有3个30dB的干扰6个40dB的干扰。LMS算法的步长选为:μ=4.7*10-4。RLS算法的λ=0.997,R-1(0)=100×I。DF-MOE算法的α=5×10-2,γ=0.1。非平稳信道下,其余条件同平稳信道只是在迭代到1000步时加入7个30dB和3个40dB的干扰(10个用户同时加入代表强干扰)。如图1-3所示。

5 结束语

由以上仿真图可知,平稳信道下DF-MOE 算法的稳态信干比最高,LMS最差,RLS次之,但是计算量上LMS算法最小,DF-MOE算法与其相差不多,RLS算法会复杂的多。在非平稳信道下LMS算法不但稳态信干比低,而且收敛速率慢、信干比性能随着用户数增多而明显变差,DF-MOE仍然保持了高的稳态信干比,只是在收敛速率上不及RLS算法,所以结合两者的优点,将RLS算法和DF-MOE算法相结合使其更能适应于动态系统。

参考文献

[1]VerdúS.Minimum probability of error for asynchronous Gaussian multiple-access channels[J].IEEE Trans.Inform Theory,1986(1):85-96.

[2]Honig M L,Madhow U,VerdúS.Blind adaptive multiuser detection[J].IEEE Trans.Inform Theory,1995(41):944-960.

[3]Poor H V,Wang X.Code-aided interference suppression for DS/CDMAcommunications Part II:Parallel blind adaptive implementations[J].IEEE Trans.Commun,1997(45):1112-1122.

[4]曾召华,刘贵忠,刘平艳.一种等效变步长盲多用户检测算法[J].西安电子科技大学学报:自然科学版,2003,30(5):713-716.

多用户检测器 篇9

大用户量的多用户通信是未来宽带高速多媒体移动通信的基本通信形态,是3G 及更新一代移动通信的主要方式。CDMA系统中多用户共用宽频带,用不同的扩频码区分不同用户,多址干扰(MAI)是其中的主要干扰,多用户检测(MUD)是一种解决这种干扰的有效途径之一。

美国学者Verdu最早提出最佳多用户检测的方案[1],但因算法的复杂度与用户数呈指数增长关系(为一NP问题)而难以实现。为了解决NP问题,人们提出了许多次优的线性和非线性算法[1,2]。尽管次优算法能够提供比较好的性能,然而它只能是渐近最优,而基于量子计算的量子多用户检测是填补这一鸿沟的有效技术之一[3,4]。

现提出了一种基于量子遗传算法的CDMA多用户检测方案,计算机仿真结果表明,该多用户检测器可获得良好的检测性能。

1 量子遗传算法

量子遗传算法(Quantum Genetic Algorithm,QGA)是量子计算与遗传算法相结合的产物。它建立在量子的态矢量表述基础上,将量子比特的几率幅表示应用于染色体的编码,使得一条染色体可以表达多个态的叠加,并利用量子旋转门或量子非门实现染色体的更新操作,从而实现了目标的优化求解[5,6]。它与经典遗传算法相比,步骤区别在于采用量子比特编码方法、量子坍塌过程取代经典遗传算法的交叉操作以及量子变异的方法上,功能区别在于QGA具有种群多样性、能高速并行运算、收敛速度快以及能达到全局寻优等特点。

1.1 量子计算基础

在量子计算机中,信息存储的基本单位称为量子比特(qubit),而量子比特可以同时处于0>,1>两个本征态的任意叠加态中,如下式:

Ψ>=α0>+β1>,α2+β2=1 (1)

其中,0>和1>表示两个不同的量子态,α,β为一对复数,称为量子比特的概率幅度,α2,β2分别表示量子比特处于状态0和状态1的概率。对量子比特的操作过程中,两态的叠加振幅可以相互干涉,这就是量子相干性。

QGA使用一种基于量子比特的编码方式,即用一对复数定义一个量子比特位,一个有k个量子比特位的系统描述为

$\begin{array}{l}\left[\begin{array}{l}\alpha {}_1\text{■}\alpha {}_2\text{■}\cdots \text{■}\alpha {}_k\\ \beta {}_1\text{■}\beta {}_2\text{■}\cdots \text{■}\beta {}_k\end{array}\right],\text{■}\alpha {}_i\text{■}{}^2+\text{■}\beta {}_i\text{■}{}^2=1,\\ i=1,2,\cdots ,k(2)\end{array}$

这种表示可表征任意的线性叠加态。

1.2 量子遗传算法描述

QGA是一种和GA类似的概率算法,种群由量子染色体构成,在第t代的种群为Q(t)={q${}_1^t$,q${}_2^t$,…,q${}_n^t$}。其中,n为种群大小;k为量子染色体的长度;q${}_j^t$定义为如下的染色体:

$q{}_j^t=\left[\begin{array}{l}\alpha {}_1^t\text{■}\alpha {}_2^t\text{■}\cdots \text{■}\alpha {}_k^t\\ \beta {}_1^t\text{■}\beta {}_2^t\text{■}\cdots \text{■}\beta {}_k^t\end{array}\right],j=1,2,\cdots ,n(3)$

下面给出QGA的一般步骤:

①初始化种群Q(t)。

②由Q(t)量子坍塌生成P(t)。

③对群体P(t)进行适应度评估,取其中最佳适应度个体作为该个体下一步演化的目标值。

④停止条件判断:当满足时,输出当前最佳个体,算法结束,否则继续。

⑤利用量子旋转门对种群Q(t)进行更新。

⑥进行量子变异操作,t=t+1,转到②。

由此可见,QGA与GA的不同仅仅在于③、⑤和⑥步。在①中,初始种群中的全部染色体的所有基因α${}_i^t$,β${}_i^t$初始化为1/21/2,表示所有可能的叠加态以相同的概率出现;②通过量子坍塌生成P(t)={x${}_1^t$,x${}_2^t$,…,x${}_n^i$}。其中,x${}_j^t$为第t代种群中的第j个解,也就是第j个个体的测量值,表现形式为长度为k的二进制串,其中每一位为0或1是根据量子比特的概率选择确定的。具体过程是:随机产生一个属于[0,1]的数,若它大于α${}_i^t$2,x${}_j^t$取值1,否则取值0;在⑤中,由于量子旋转门是酉正矩阵,可以用做更新操作的量子门;在⑥中,量子变异的作用主要在于阻止未成熟收敛和提供算法局部搜索能力。具体方法为:首先以一定的概率Pm从种群中随机选取若干个个体,然后对选中的个体按确定的概率随机确定一个变异位,最后将该位量子比特的几率幅位置对调;将量子比特的几率幅对的位置进行对调,实际上就是更改了该量子比特态叠加的状态,使得原来倾向于坍塌到状态1>的变为倾向于坍塌到状态0>,或者相反。

1.3 量子旋转门

在量子理论中,各个状态间的转移是通过量子门变换矩阵实现的,目前已有的量子门有很多,常用的有:异或门、受控的异或门、旋转门和Hadamard变换门等。根据量子遗传算法的计算特点,选择量子旋转门U(θ)较合适[7],如下式:

$U(\theta )=\left(\begin{array}{cc}\cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{array}\right)(4)$

显然U(θ)是个酉正矩阵。量子旋转门的调整操作如下所示:

$\left(\begin{array}{l}{\alpha }^{\prime }{}_i\\ {\beta }^{\prime }{}_i\end{array}\right)=U(\theta {}_i)\cdot \left(\begin{array}{l}\alpha {}_i\\ \beta {}_i\end{array}\right)=\left(\begin{array}{l}\cos \theta {}_i-\sin \theta {}_i\\ \sin \theta {}_i\cos \theta {}_i\end{array}\right)\left(\begin{array}{l}\alpha {}_i\\ \beta {}_i\end{array}\right)(5)$

旋转角度θi=s(αi,βi)·Δθi可由表1得到,s(αi,βi)用来控制旋转角的方向,Δθi用来控制旋转角的大小。

其中,xi和bi是当前染色体和当前最优染色体的第i位;f(x)为适应度函数。

2 常规多用户检测

考虑K个用户接入的DS-CDMA系统,假设为加性高斯白噪声(AWGN)信道,采用BPSK调制,接收机接收到的信号为:

$\begin{array}{l}r(t)={\displaystyle \sum _{i=-{\rm M}}^{{\rm M}}{\displaystyle \sum _{k=1}^{{\rm K}}\sqrt{E{}_k}}}\alpha {}_{k}b{}_k(i)s{}_k(t-i{\rm T}-\\ \tau {}_k)+n(t)(6)\end{array}$

其中,bk(i)∈{-1,1}为第k个用户的第i个信息比特值,Ek为第k个用户的能量,sk(t)为第k个用户的归一化特征波形,T为符号间隔,αk为信道衰落,τk为第k个用户到达接收机的时延,信息序列长度为2M+1;n(t)为零均值的加性高斯白噪声。假设bk为等概率取值±1且独立的随机变量,sk(t)在[0,T]中能量为1即

$\begin{array}{l}{\displaystyle {\int }_0^{{\rm T}}s}{}_k^2(t)\text{d}t=1‚\\ s{}_k(t)={\displaystyle \sum _{j=0}^{{\rm N}-1}c}{}_k(j)\phi (t-j{\rm T}{}_c),t\in [0,{\rm T}](7)\end{array}$

其中,{ck(j)}${}_{j=0}^{{\rm N}-1}$为分配给第k个用户的扩频码;φ(t)是码片周期(Tc)内归一化码片波形,NTc=T。

为分析方便并不失一般性,考虑K用户系统中检测器在一个符号周期内对发送的信息比特进行估计的情况,(6)式的信号模型可以简化为:

$r(t)={\displaystyle \sum _{k=1}^{{\rm K}}\sqrt{E{}_k}}\alpha {}_{k}b{}_{k}s{}_k(t-\tau {}_k)+n(t),t\in [0,{\rm T}](8)$

第k个用户的匹配滤波器输出为:

$\begin{array}{l}y{}_k=\sqrt{E{}_{{\rm K}}}\alpha {}_{{\rm K}}{\displaystyle {\int }_0^{{\rm T}}r}(t)s{}_k(t)\text{d}t=b{}_k\rho {}_{kk}+\\ {\displaystyle \sum _{l=1,l\ne k}^{{\rm K}}b}{}_l\rho {}_{kl}+n{}_k(9)\end{array}$

其中,

$\rho {}_{kl}=\sqrt{E{}_{{\rm K}}}\sqrt{E{}_L}\alpha {}_k\alpha {}_l{\displaystyle {\int }_0^{{\rm T}}s}{}_k(t)s{}_l(t-\tau {}_l)\text{d}t(10)$

为用户l和用户k的扩频序列间的互相关系数,$n{}_k=\sqrt{E{}_{{\rm K}}}\alpha {}_k{\displaystyle {\int }_0^{{\rm T}}n}(t)s{}_k(t)\text{d}t$仍为零均值的加性高斯白噪声。(9)式表示为矩阵形式为:

y=Rb+n (11)

其中,y=[y1,y2,…,yk]T,b=[b1,b2,…,bk]T,bk=±1(独立等概),n～N(0,σ2I)是高斯白噪声矢量,R={ρkl,k=1,2,…,K;l=1,2,…,K}是用户特征波形的归一化互相关矩阵,R为对称矩阵且ρkk>ρkl。

最佳多用户检测是采用联合最大后验概率准则获得发送序列矢量b的最优估计。假定发送的信息符号序列是等概率的,最优的矢量估计可由等价的最大似然准则求得,即

Ω(b)=2bTAy-bTATRAb (12)

上式矢量A表示接收信号幅度矩阵。最佳多用户检测其计算复杂度随用户数呈指数增长,已被证明是NP难解问题。

3 量子遗传算法多用户检测方案

采用QGA的多用户检测器的结构如图1所示。

为了实现QGA多用户检测算法的良好性能,我们对QGA算法的主要参数进行如下设计:

①量子染色体的表示和测量过程都和前面QGA的描述相同,仅将测量后得到的量子染色体取0的基因位换为-1,取1的基因位不变。

②种群初始化:仿真时,量子染色体中量子比特基因数取系统的用户数K,利用传统检测器的输出作为其中一个初始解,初始种群中其余量子染色体的Qubit基因均初始化为。$\left(\frac{1}{\sqrt{2}},\frac{1}{\sqrt{2}}\right)$。

③适应度函数的选取:适应度函数是用来评估每个染色体的好坏,并且是非负的。最佳多用户检测的目标函数为:

Ω(b)=2bTAy-bTATRAb

由于Ω(b)值可正可负,为确保适应度函数的非负性,在QGA多用户检测中,适应度函数设为:

f(b)=exp(μ·Ω(b))

式中,μ为一正常数,仿真时取0.05。这样最佳多用户检测就被描述为一个QGA求最优个体的问题。

④终止条件:给定遗传操作代数G,当算法迭代次数达到G时终止。

4 仿真实验

现考虑采用AWGN中QPSK调制的DS-CDMA系统,扩频码采用31位的Gold码,最大的互相关系数为9/31,整个仿真过程均考虑同步系统,异步系统可以类推,目标用户为用户1。我们考虑了以下检测器:①传统检测器。②基于经典遗传算法多用户检测器。③基于量子遗传算法的多用户检测器。

图2给出了在严格功率控制下8用户同步CDMA系统的以上三种检测器的性能比较,种群数为20,代数为40。如图2所示,基于QGA多用户检测技术的抗MAI性能远优于传统检测器和基于GA多用户检测器。

图3给出了三种检测器的抗“远—近”效应的能力,Ek/E1为干扰用户对目标用户的接收信号功率比,很明显,随着功率比的增加,或者说随着近端干扰用户对远端目标用户的干扰的增加,QGA的检测性能几乎保持不变,说明QGA有较好的抗“远近”效应的能力。

5 结束语

提出了一种改进的量子遗传算法(QGA)用于CDMA多用户检测方案,利用量子计算的的一些优点特别是量子并行计算、量子纠缠特性,使QGA具有比GA更强的并行处理能力和更快的收敛速度。计算机仿真结果表明,本文提出的方法在抗多址干扰和抗“远-近”效应方面具有比传统检测器和基于经典遗传算法的多用户检测器都更良好的性能。

摘要：多用户检测技术的最优解在常规条件下是个NP难解问题,利用量子态并行计算特性和量子纠缠特性能有效获得多用户检测的最优解,现提出了一种基于量子计算理论和遗传算法理论相结合的量子遗传算法的多用户检测技术。仿真结果表明,此方法在误码率方面具有良好的性能并且其抗多址干扰能力和抗远近效应能力明显优于经典遗传算法多用户检测器和传统检测器。

关键词：遗传算法,量子遗传算法,多用户检测

参考文献

[1]Verdu S.Multiuser Detection[M].Cambridge Univ.Press,1998.

[2]Varnashi M,Aazhang B.Multistage Detection for Asynchronous Code-division Multiple Access Communication[J].IEEE Trans.Commun.,1990,38:509-519.

[3]Imre S,Balázs F.Quantum multi-user detection[C].Proc.1st.Work-shop on Wireless Services&Applications,2001:147-154.

[4]Imre S,Balázs F.Non-coherent Multi-user Detection based on QuantumSearch[C].Proc.of IEEE Int.Conf.on Communication(ICC),2002:283-287.

[5]Narayanan A,Moore M.Quantum-Inspired Genetic Algorithms[C].Proceeding of IEEE International Conference on Evolutionary Computa-tion,Piscataway:IEEE Press,1996:61-66.

[6]Han Kuk-Hyun,Kim Jong-Hwan.Genetic quantum algorithm and itsapplication to combinatorial optimization problem[C]//Proceedings ofthe 2000 IEEE Congress on Evolutionary Computation,USA:IEEEPress,2000:1354-1360.

基于ε近似算法的空时多用户检测 篇10

直接扩频码分多址(DS-CDMA)在第三代移动通信系统中得到了广泛的应用。但由于各个用户扩频码之间的非完全正交引起的多址干扰及远近效应,成为限制系统容量、影响性能的主要因素。

阵列天线接收系统中,对所有用户的无线信号进行高速时空处理,充分利用接收信号的空间分集和各用户的扩频码信息,减小多址干扰,克服远近效应,从而实时调整无线信号的传输,为每位用户提供优质的上行链路和下行链路信号。即使基站在充满噪音和干扰的环境中,也能监测并保持与多个不同用户的通信连接,从而同时实现更加优良的效果。

文献提出的可以克服远近效应的最优多用户检测器,由于运算复杂度与系统中的用户数量成指数增长关系,工程上无法实现。因此在实际运用中需要找到一种具有较低运算复杂度的多用户检测方法。文献,提出的最优多用户检测器仍然存在着以下的不足:(1) 不能确定所求解离最优解的距离;(2) 仅对实数域内的BPSK信号进行了讨论;(3) 尚未推广到具有多阵元接收的阵列天线系统。

本文将最优多用户检测问题推广到了具有阵列天线接收的复数域,并利用ε近似算法来解决这个问题。

ε近似算法有如下的两个优点[4,5]:

(1) 该算法仅需花费多项式运算复杂度,就可以有效解决最优多用户信号检测。

(2) 该算法理论上保证收敛到全局最优解的ε附近undefined,绝不会陷落在远离全局最优解的其他地方,而且undefined是理论上最差的情况,实际上,ε近似算法能提供比理论ε值好的多的性能。经仿真验证,采用ε近似算法应用于阵列天线接收系统,检测性能十分逼近最优空时多用户检测器。

1 系统模型

考虑具有K个用户的基带DS—CDMA系统,用户k的扩频序列波形信号为sk:

undefined

其中T为码元间隔,Tc=T/P为一个码片的持续周期,P为扩频增益,cundefined∈(+1,-1),j=(0,…,P-1),为用户k的扩频码,φ是码片波形。

第k个用户传输的基带信号Xk(t)表示为:

undefined. (2)

其中,N表示每个用户每帧发送的数据码元个数,bk(i)∈{+1,-1}是第k个用户传输的第i个码元,Ak表示第k个用户传输独立等概率的码元且来自不同用户的码元序列是相互独立的。

在接收端,用M个阵元的线性天线阵列,假设每个发射机安装一个单一的天线,那么在第k个用户的发射机和基站接收机之间的基带多径信道可模拟成一个SIMO信道,其脉冲响应矢量为:

undefined. (3)

其中,L是每个用户信道的多径数,gkl与τkl分别表示第k个用户信号的第l条路径的增益系数和延迟。αkl是第k个用户信号的第l条路径的阵列响应矢量:

其中,θkl是第k个用户的第l条路径的波达方向(DOA),λ是载波波长。

因此,在基站接收的整个接收信号就是来自K个用户的信号的叠加再加上加性信道噪声:

undefined

其中,*表示卷积,n(t)=T是独立的零均值、高斯噪声过程矢量,每个分量都具有单位方差,σ2是每个天线阵元的信道噪声方差。

2 最优空时多用户检测

接收到的波形(式5)的似然函数可以写作:

l({r(t)∶-∞

其中,C是常数。

Ω(b)≡2undefined;b)|dt2. (7)

根据文献,接收的信号经过匹配滤波器,得到每个用户发送信息的完全统计向量为y,其表达式为:

y=HAb+σn (8)

其中n为高斯随机向量,n～N(0,H)。

y=T,A是KN×KN的对角阵,它的第k+iK个对角元素Ak与相等。b=TKN×KN。

极大似然判决准则通过选择b使得式(7)达到最大值。把(5)式代入(7)式的第二项:

undefined

把式(9)代入式(7),极大似然函数Ω(b)表示为:

Ω(b)=2{bTAy}-bTAHAb. (10)

令M=AHA,N=Ay,b=Reb+jImb,M=ReM+jImM,N=ReN+jImN+jImN,则式(10)可写成:

undefined. (11)

其中:

undefined

undefined

直接求解式(11),其运算量随通信系统中用户个数K而呈指数增长,因此寻找一种具有合理的运算复杂度,并易于实时恢复信号,具有重要意义。

3 ε近似算法在空时多用户检测中的应用

ε近似算法在文献中已作详细介绍。根据文献,若用户发送的信号式(11)与带整数约束的二次规划问题:

undefined

相比,增加了一线性项undefined,因此在式(11)增加一标量w∈{-1,+1}以将其齐次化:

undefined

令undefined是式(12)的解,则易推导出undefined,从而最终得到最优多用户检测的解。

因此,最优多用户检测问题可通过ε近似算法解决,由于ε近似算法仅需多项式的运算复杂度,因此基于ε近似算法解决的最优多用户检测问题也仅为多项式的运算复杂度。

4 仿真分析

在仿真实验中,信源为独立的BPSK调制信号序列;采用3阵元接收,阵元间距d=λ/2,扩频码为m序列,扩频增益P=31;假设用户间存在多径传播,每个用户的多径传播为3;同时也考虑各用户的增益系数和延迟。所有曲线均为500组数据独立实验得到的统计平均。

图1是仿真用户数K为25时,误码率与信噪声比之间的变化规律。

图2是在信噪比为13 db时进行的仿真,随着系统中用户数量的增长,ε近似算法和极大似然算法(ML)的误码率变化较小,而传统的算法则有明显的增加趋势。这说明ε近似算法抗多址及抗多径干扰能力较强。

从图1、图2可以看出,本文提出的在阵列天线接收条件下,ε近似算法(ε-ML)误码率曲线与极大似然算法(ML)的误码率曲线十分接近,这证明:由于ε近似算法采用3种方式逼近最优值,其检测性能与极大似然检测性能十分接近,优于普通半正定规划松弛检测器(SDR-ML)的检测性能,更远优于其它检测器,如传统检测器和解相关检测器。

5 结论

本文提出的基于ε近似空时多用户检测算法,能保证在多项式运算复杂度下近似达到最优空时多用户检测器的性能,为研究具有阵列天线接收系统的多用户检测问题提供了一条新的途径。

摘要：阵列天线接收系统中,最优空时多用户检测器通过采用极大似然估计算法,可以逼近单用户的检测器性能,但由于其运算复杂度与用户数成指数关系而无实用价值。针对此把极大似然空时多用户检测问题转化为带约束的二次规划问题,从而把ε近似算法应用于空时多用户检测中。仿真实验表明,所提出的新算法表现出明显优于现有文献算法的良好性能。

多用户检测器 篇11

龚宇：对于爱奇艺能做到会员的爆发式增长，我想总结三点：第一点是从战略制定方面的重视，爱奇艺从2010年刚建站时，就开始着手付费业务的研究，其中就包括一些内容获取的组织工作；第二点是在版权内容方面的巨大投入，无论是国产新片还是中外片库，爱奇艺到目前为止都是行业内最大的。国外院线窗口期之后的新片，爱奇艺也是最多的；第三点是会员大剧播出模式的创新，《盗墓笔记》免费播出三集以后，就全集上线爱奇艺VIP会员，免费的周播需要等待，而付费的VIP会员可以抢先包周式观看。而《蜀山战纪》是一开始就全集上线爱奇艺VIP会员，5个月之后才在电视台播出，那个时候爱奇艺再开放免费观看权限，所以构成了一个商业生态系统中的平衡。

我觉得这三点是会员数量高速增长的核心，也是直接动力。当然，用户进入产品的稳定性，产品体验的品质感，这些都是一些必要条件。

记者：一些具有明星效应的网剧和自制节目确实很“吸粉”，但这种方式有持久性吗？你预计，爱奇艺会员数的下一个1000万什么时候到来？

龚宇：视频网站之间其实是一个综合的竞合关系，付费领域同样，用户体验是核心，服务的丰富多样性用户也非常关注，爱奇艺在这些领域都有很好的布局。

12月1日爱奇艺付费月度会员数正式突破1000万，6月中这个数是501.7万，爱奇艺的付费会员数第一个500万用了4年时间，第二个500万只用了5个半月时间，越来越多的用户愿意为内容买单。付费业务的市场迎来风口，未来几年会有更高速的发展。

记者：自制剧和付费会员不能解决所有问题。比如《盗墓笔记》播出后，网友吐槽声一片；针对独播，有些人觉得可以通过网盘分享下载。你怎么看待网友的这些反应或举动？

龚宇：互联网视频行业，之前最大的阻碍因素来自盗版，所以前项收费方式没有很好发展起来。

但随着盗版的被打击，以及移动支付的快速发展，这两个最大的障碍都得到了有力清扫，特别是近两年政府主管部门对盗版的严厉打击，大量盗版内容已经从网上消失，为视频行业付费业务的高速发展奠定了基础。

用户在线收看正版内容的习惯也已经养成，虽然现在网上还是存在部分盗版行为，但这已经不是付费业务发展的主要障碍。

记者：目前看来，付费用户增长对营收都会有所带动。方便透露爱奇艺2015年的营收增长率吗？去年你曾说过，2017年是相对可期的一个赢利点——现在还这么认为吗？时间有没有提前？

多用户检测器 篇12

关键词：MIMO,多用户检测,遗传算法,IGA-MUD

0 引 言

新一代移动通信 (Beyond 3G/4G) , 可以提供高达100 Mb/s的数据传输速率, 以支持新业务的不断涌现。如何在有限的频谱资源上实现高速率和大容量是未来移动通信系统的关键因素之一。MIMO (Multiple-input Multiple-output) 技术利用多个天线实现多发多收, 充分开发空间资源, 可以成倍地提高信道容量, 同时也可以提高信道的可靠性, 降低误码率。多用户检测技术与MIMO结合可以进一步提高传输效率[1]。但是在MIMO系统多用户检测的研究上, 尽管全空间最大似然 (ML) [2,3]检测能获取最优的检测性能, 但由于其算法复杂度太高, 一直无法实际应用, 于是研究复杂度较低, 性能接近ML的次优多用户检测算法具有重要意义。在各种检测方法中, MMSE (Minimum Mean Square Error, 最小均方误差) 算法[1,3], ZF (Zero Forcing, 迫零) 算法[4]以及文献[5,6]提出的基于QR分解MIMO检测算法都在牺牲了一定性能的情况下降低了复杂度。近几年来, 遗传算法在复杂优化问题求解和工业工程领域应用方面, 取得了一些令人信服的结果, 引起了很多人的关注。文献[7,8,9,10]研究了CDMA系统使用遗传算法进行多用户检测的性能。本文在假设没有信道编码的前提下, 重点分析了基于V-BLAST的MIMO上行系统中多用户检测技术, 提出利用遗传算法进行MIMO多用户检测, 避免了直接使用最大似然带来算法复杂度的巨大增加, 与传统的多用户检测算法相比较, 提高了检测性能。仿真结果表明, IGA-MUD (Improved Genetic Algorithm Multi-User Detection) 在保证获得接近最佳ML检测性能的同时, 计算复杂度比ML最优多用户检测方法有明显的降低。

1 系统模型

采用V-BLAST的MIMO系统上行信道结构, 如图1所示。

假定有M个用户, 每个用户1根发射天线, N根接收天线, 发射信号为x= (x1, x2, …, xM) T, 第m根发射天线上的星座点集合为sm (1≤m≤M) , 则接收信号为:

$\mathit{r}={\displaystyle \sum _{m=1}^{{\rm M}}\mathit{{\rm H}}}{}_{m}x{}_m+\mathit{n}(1)$

式中:接收到的信号r= (r1, r2, …, rN) T, rn为第n根天线上的接收信号 (1≤n≤N) ;Hm表示对第m个用户而言的MIMO信道, H= (H1, H2, …, HM) , Hm= (h (1, m) , h (2, m) , …, h (N, m) ) , 其中h (i, j) 表示第j个发射天线到第i个接收天线的信道矢量, 其独立地服从复高斯分布的信道矩阵 (均值为0, 方差为1) ;n为高斯白噪声向量 (均值为0, 方差σ${}_n^2$由归一化信噪比确定) 。

假设已知接收端为理想信道, 对于ML检测, 就是要求解:

$\widehat{x}=\arg \{\underset{\mathit{x}\in s{}_1\times s{}_2\times \cdots \times s{}_{{\rm M}}}{{\displaystyle \min }}\parallel \mathit{r}-\mathit{{\rm H}}\mathit{x}\parallel \}(2)$

对于线性检测, 就是要求解:

$\widehat{x}=\arg \{\underset{\mathit{x}\in s{}_1\times s{}_2\times \cdots \times s{}_{{\rm M}}}{{\displaystyle \min }}\parallel \mathit{G}\mathit{r}-\mathit{x}\parallel \}(3)$

式中:G的取值因不同的线性检测方法而变, 对于ZF检测, G= (HHH) -1HH;对于MMSE检测, G= (HHH+1/γI) -1HH, γ表示信噪比, I表示单位阵。

2 本文算法IGA-MUD分析

2.1 基本遗传算法SGA

SGA (Simple Genetic Algorithm) 基本框架如下, 其流程图如图2所示。

(1) 遗传代数计数器初始化:Y←1;每一代群体中的个体数为X, 遗传代数为N。

(2) 随机产生初始群体P (Y) 。

(3) 评价群体P (Y) 的适应度。

(4) 对群体P (Y) 中的个体进行选择配对。

(5) 个体交叉重组操作:P′ (Y) ←P (Y) 。

(6) 个体变异操作:P″ (Y) ←P′ (Y) 。

(7) 评价群体P″ (Y) 的适应度。

(8) 个体选择, 复制操作:

P (Y+1) ←[P (Y) ∪P″ (Y) ]

(9) 终止条件判断。若不满足终止条件, 则转到第 (4) 步, 继续进行遗传操作过程;若满足终止条件, 则输出当前最优个体, 算法结束。

遗传算法 (Genetic Algorithm) [11]是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法, 其选择、交叉、变异等运算都是以一种概率的方式来进行的, 虽然这种概率特性会使群体中产生一些适应度不高的个体, 但是这个群体每次都按照优胜劣汰的规则将适应度较高的个体更多地遗传到下一代, 新的群体中总会更多地产生出许多优良个体, 最终在群体中将会得到一个最优良的个体, 它将以概率1收敛于问题的最优解。

2.2 基于改进遗传算法的MIMO多用户检测算法

ML是遍历所有的向量星座来寻找合适的向量, 这在天线数目较多时是一个非常困难的任务, 需要巨大的搜索判决运算, 所以可以利用遗传算法来解决这个问题。基于最大似然准则的最优判决准则式 (4) 可以作为IGA-MUD的目标函数, 由于最大似然判决式 (2) 是求解目标函数的最小值, 而标准遗传算法要求的适应度函数为非负的, 因此要求得适应度函数值最大的最优个体。所以必须将目标函数转化为适应度函数, 采用式 (5) 建构IGA-MUD的适应度函数f (Y, X) 为:

$\begin{array}{l}\Omega {}_{}(x)=\parallel \mathit{r}-\mathit{{\rm H}}\mathit{x}\parallel (4)\\ f{}_{(Y,X)}=\max \{\Omega (x)\}-\Omega (x(Y,X))+c(5)\end{array}$

式中:max{Ω (x) }表示所有个体目标函数值中那个最大值;Ω (x (Y, X) ) 表示第Y代的第X个个体目标函数值;c是一个较小的正数, 保证了适应度函数f (Y, X) 非负, 并且把原来的最小值问题转换为IGA-MUD可实现的最大值问题。

SGA应用在多用户检测中, 由于被搜索的空间非常大, 而导致其收敛速度较慢, 收敛过早、进化速度缓慢、寻找到次优解而不是最优解、存在容易陷入局部最优等问题, 因此需要对SGA基本遗传算法进行改进。

对基本遗传算法进行改进后的MIMO多用户检测算法——IGA-MUD, 其具体实现如下 (见图3) :

(1) 编码和种群初始化

在IGA-MUD中, 需要将种群中的个体用染色体来表达, 一般来说可以采用0 和1 两个整数组成的二进制符号串表示。对于MIMO多用户检测问题, 染色体由星座符号组成, 基因单元为星座点, 种群中个体i可以表示为xi= (x1, x2, …, xM) , 个体长度即为用户数M。通常SGA是在解空间中随机选择X个个体作为初始化种群的。对于MIMO多用户检测问题, 为了加快收敛速度和减小计算复杂度, IGA-MUD将传统检测器的输出$\widehat{x}$作为一个初始染色体, 初始种群的所有个体都通过对此初始染色体基因的随机变异 (从0～1或相反) 来得到。仿真结果表明, 在基于V-BLAST的MIMO上行信道系统中, 运用基本的QR分解所得到的各个用户的检测向量, 以此作为遗传算法的一个初始染色体可以得到很好的性能。

(2) 根据各个个体的适应度值f (Y, X) , 从上一代种群中选择出适应度较高的个体遗传到下一代种群中。SGA采用的是轮盘赌选择方法, 适应度大的个体可能被选择多次, 而适应度小的个体可能被淘汰;IGA-MUD结合最优保存策略的进化模型[11]加以改进, 加快了IGA-MUD的收敛速度。

最优保存策略进化模型的具体过程是:

① 找出当前种群中max f (Y, X) 适应度最高的个体xbest和min f (Y, X) 适应度最低的个体xworst。

② 当前种群中最佳个体的适应度比总的迄今为止的最好个体的适应度还要高, 则以当前种群中的最佳个体作为新的迄今为止的最好个体。

③ 用xbest迄今为止的最好个体替换掉xworst当前种群中的最差个体。

(3) 交叉是IGA-MUD中最主要的操作, 通过交叉可以得到新一代的个体, 新个体组合了其父辈个体的特性。交叉体现了信息交换的思想, 它将种群内各个个体随机搭配成对, 对每一对个体, 以某种概率 (称为交叉概率Pc) 交换他们之间的部分数据。交叉的方法有单点交叉和多点交叉, 其中比较好的方法是均匀交叉, 即两个配对个体的每一个基因座上的基因都以相同的交叉概率进行交换, 从而形成两个新的个体。在进行均匀交叉配对时, 随机生成一个与个体等长度的二进制交叉掩码序列, 两个个体在掩码序列元素为“1”的对应位置交换元素, 而在掩码序列元素为“0”的位置不发生交换。实验结果表明, 使用均匀交叉后, IGA-MUD的检测性能优于SGA的性能, 如图4所示。

(4) 变异是对种群中每一个个体, 以某一概率 (称为变异概率Pm) 改变某一个或某一些基因座上的基因值作为其他的等位基因。均匀变异UM (Uniform Mutation) 操作采用符合某一范围内均匀分布的随机数, 以某一较小的概率来替换个体编码串中各个基因座上的原有基因值, 使得搜索点可以在整个搜索空间内自由移动。

在IGA-MUD中, 将其改进为CNUM (Closest-Neighbor Uniform Mutation) , 即限定用户突变的方向为最近的星座点, 且突变到这些限定的星座点的概率相同。改进后加快了IGA-MUD的收敛速度。

(5) 若满足收敛条件, 达到预先设定的遗传代数Y=N, 则IGA-MUD结束, 否则转 (2) 。

IGA-MUD所得到的最优个体, 即为MIMO多用户检测得到的各个用户的信号向量。需要指出的是, IGA-MUD是把不同用户的信号联合检测, 而传统的SIC和PIC多用户检测器则是通过与其他用户干扰抵消, 实现各个用户信号的估计, 因此IGA-MUD在不同用户的信号检测之间没有错误的繁殖, 提高了多用户的检测性能。

3 算法复杂度分析

对以上提出的IGA-MUD进行计算复杂度分析, 假设所采用的调制方式对应的符号数为N, 用户数为M, 则最优最大似然检测方法是对NM种可能解进行完全搜索, 计算复杂度为O (NM) , 随着用户数M的增长成指数增长。

对于IGA-MUD, 其计算复杂度主要由搜索的个体数目决定。当种群遗传进化代数为Y, 每代种群含X个个体时, 共有X×Y个个体被代入适应度函数进行适应度评价, 其计算复杂度为O (X×Y) , 与遗传进化代数呈线性增长关系。另外, IGA-MUD还有选择、交叉和变异的附加操作。在算法的每一代, 需要产生X次选择操作, 还需要进行PcX/2次交叉操作以及进行PmX (2K+1) M 次变异操作 (这里 (2K+1) M是解的维数) ;将这几个部分相加, 乘Y, 再除以 (2K+1) M, 则选择、交叉和变异的计算复杂度为O (X×Y) 。显然X和Y的选择由解空间规模N (2K+1) M决定, 这里设X=a (2K+1) M, Y=b (2K+1) M (a 和b是与解的维数相关的两个正常数) 。因此对于一个给定的帧长度2K+1, IGA-MUD的计算复杂度为O (M2) 。显然当用户数较多时, 将在很大程度上减少计算时间。通过设置不同的种群遗传进化代数和种群个体数目, 系统可进一步在性能与复杂度之间进行有效配置。

4 仿真结果

仿真中采用基于V-BLAST的MIMO上行信道系统, 假定各个用户的信道矩阵Hm由独立同分布的复高斯随机变量组成, 均值为零, 方差为1。噪声为高斯白噪声, 均值为0, 方差σ${}_n^2$由归一化信噪比确定。仿真信噪比范围为0～16 dB, 每隔2 dB仿真一次。IGA-MUD的参数如下:交叉概率Pc=0.9 (采用均匀交叉) , 变异概率Pm=0.1。图5给出了QPSK调制方式下, 4根发射天线 (每个用户1根) 和4根接收天线, 4个用户时, 种群大小X=20, IGA-MUD在不同遗传代数时的检测性能曲线, 并给出相同条件下ML, MMSE, ZF, QR的检测性能曲线。图6给出了QPSK调制方式下, 6根发射天线 (每个用户1根) 和6根接收天线, 6个用户时, 种群大小X=70, IGA-MUD在不同遗传代数时的检测性能曲线, 并给出相同条件下ML, MMSE, ZF, QR的检测性能曲线。

从图5、图6可以看出, IGA-MUD的检测性能与传统检测器相比, 得到了很大的提高, 整个系统的性能随遗传代数的增加有所提高, 并且接近ML多用户检测器的性能, 而且复杂度与ML相比有了明显的降低。在相同误比特率时, IGA-MUD与MMSE相比较, 检测性能至少提高了8 dB;随着信噪比的增加, IGA-MUD继续保持优于其他检测算法。通过设置不同的种群遗传进化代数和种群个体数目, 系统可进一步在性能与复杂度之间进行有效配置。

由图5可见, 在QPSK调制方式下, 4个用户时, IGA-MUD在种群个体数X=20, 遗传进化代数Y=6时的检测性能已经比MMSE, ZF, QR有了很大的改善, 接近ML算法的性能。此时, IGA-MUD的计算复杂度为O (X×Y) , 也就是120;ML算法的复杂度为O (NM) , 也就是256。可以看出, IGA-MUD的复杂度要小得多。从图6可以看出, 在QPSK调制方式下, 6个用户时, IGA-MUD在种群个体数X=70, 遗传进化代数Y=12时, IGA-MUD的复杂度只需要X×Y=840就可以接近ML的性能, 而此时ML的复杂度却为NK=46=4 096。因此, 当用户数量较大时, IGA-MUD的复杂度与ML相比较要小得多。

5 结 语

提出了一种基于改进遗传算法的MIMO多用户检测算法IGA-MUD, 将遗传算法用于MIMO多用户检测, 并对SGA进行了改进, IGA-MUD在性能上与SGA (基本遗传算法) 相比较有明显的改进, 是一种有效可行的多用户检测算法。IGA-MUD避免了直接使用最大似然算法带来运算复杂度的增加, 显著降低了算法的复杂度。仿真结果表明, 在垂直分层空时码系统中, 对于4个用户和6个用户的上行MIMO多用户系统, 其计算复杂度明显低于ML最优多用户检测算法, 而且其性能接近ML的性能, 与ZF, MMSE多用户检测算法相比较, 性能得到了显著的提高。

参考文献

[1]Verdu S.Multiuser Detection[M].Cambridge:CambridgeUniv.Press, 1998.

[2]Li Zi, Cai Yueming, Ni Mingfang.Low Complexity MIMODetection Based on Branch and Bound Algorithm[A].The18th Annual IEEE International Symposium on Personal, In-door and Mobile Radio Communications[C].2007.

[3]Hanzo L, Munster M, Choi B J, et al.OFDM and MC-CDMA for Broadband Multi-user Communications, WLANsand Broadcasting[M].IEEE Press/Wiley, 2003.

[4]Jankiraman, Mohinder.Space-time Codes and MIMO Sys-tems[M].Boston:Artech House INC, 2004.

[5]Wubben D, Bohnke R, Rinas J, et al.Efficient Algorithm forDecoding Layered Space-Time Codes[J].IEE ElectronicLetters, 2001, 37 (22) :1 348-1 350.

[6]Wang Zhongpeng.A Hybrid Receiver Combining QR andPIC Based on MIMO Frequency Channels[A].WirelessCommunications, Networking and Mobile Computing[C].2008.

[7]Hanzo L, Yang L L, Kuan E L, et al.Single-and Multi-Car-rier DS-CDMA:Multi-user Detection, Space-time Spreading, Synchronisation and Standards[M].IEEE Press-John Wiley&Sons Ltd., 2003.

[8]Ergun C, Hacioglu K.Multi-user Detection using a GeneticAlgorithm in CDMA Communications Systems[J].IEEETrans.on Commun., 2000, 48 (8) :1 374-1 383.

[9]Wu X, Chuah T C, Sharif B S, et al.Adaptive Robust Detec-tion for CDMA using a Genetic Algorithm[J].Inst.Electr.Eng.Communications, 2003, 150 (10) :437-444.

[10]刘洪武, 冯全源.MC-CDMA系统中基于遗传算法的多用户检测[J].电子科技大学学报, 2008, 37 (4) :485-488.