一种低分辨率ADC下机器类通信中的低复杂度信号检测方法

一种低分辨率adc下机器类通信中的低复杂度信号检测方法
技术领域
1.本发明涉及无线通信技术领域，尤其涉及一种低分辨率adc下机器类通信中的低复杂度信号检测方法。


背景技术：

2.目前，新兴的大规模机器类通信(massive machine-type communications,mmtc)由于其广泛的物联网(internet of thing,iot)应用场景而被国际电信联盟定义为5g无线通信网络中的关键服务类型之一。而大规模(multiple input multiple output,mimo)作为5g的关键技术之一，具有提升频谱效率、能量效率和可靠性等优点，因此，大规模mimo技术非常适合用来支持mmtc。
3.在mmtc场景中，基于授权的传统用户访问方案在传输数据之前依赖于信道资源的分配，且大量iot设备接入显示出的零星数据流量特点会增加信令开销和有效负载的比例，从而给mmtc带来很大的负担和时延。为了在低时延下支持低功耗的大规模用户设备接入，现有文献提出了无授权的数据传输方案来简化用户设备接入过程，即在基站端联合用户活跃性进行信号检测。同时大规模mimo系统随着天线数量的激增，面临着巨大硬件成本以及功耗的挑战，同时随着天线数量的增加，现有信号检测算法的计算复杂度也大大增加。对大规模mimo系统面临的硬件成本和功耗的问题，解决方案通常是在接收天线处使用低分辨率(即1-4比特)模数转换器(analog-to-digital converter,adc)来代替高分辨率adc以减少成本。但现有文献中低分辨率adc的使用使得检测性能下降。
4.对于mmtc中面临的问题，研究一种低成本、低功耗、低复杂度的信号检测算法是非常有必要的。


技术实现要素：

5.本发明的主要目的在于提出一种低分辨率adc下机器类通信中的低复杂度信号检测方法，旨在解决原有gec算法的复杂度过高、现有先进算法面对天线相关性衰落信道敏感的问题，提高信号的检测性能，实现利用em算法更新下一次迭代时的用户设备的活跃概率。
6.为实现上述目的，本发明提供一种低分辨率adc下机器类通信中的低复杂度信号检测方法，所述包括如下步骤：
7.获取接收信号，并建立大规模mimo支持机器类通信的系统模型；
8.通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号；
9.根据伍德伯里woodbury公式与诺曼级数展开近似的gec算法，并结合帧结构的稀疏性特点，构建agec-mmv算法；
10.根据构建agec-mmv算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值；
11.在agec-mmv算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到
所有活跃用户设备在所有时隙发射的信号。
12.可选地，所述建立大规模mimo支持机器类通信的系统模型的步骤，包括：
13.系统模型可以表示为：
14.y＝hx w＝z w；
15.其中，y为在j个连续时隙间隔内的接收信号；x为n个用户设备在j个连续时隙间隔内发送的信息符号所组成的发送信号；h为n个用户设备到基站的信道矩阵，元素h
mn
为相互独立且同分布的复高斯随机变量，元素h
mj
～cn(0,1)；w为加性高斯白噪声；元素w
mj
～cn(0,σ2)；
16.当第j个时隙中的第n个用户设备为活跃状态时，x
nj
的值来自正交调幅调制星座点集合c；当采用四进制正交幅度调制时，星座点集c为：
[0017][0018]
其中，l为虚数单位；
[0019]
当j个时隙中的第n个用户设备为非活跃状态，则x
nj
的值为0；
[0020]
其中，n个用户设备在第j个时隙中的活跃概率已知条件下的x
nj
的先验概率为：
[0021][0022]
其中，λ
n1
＝
…
＝λ
nj
＝λn；其中{ci,i＝1,
…
,c}为星座点的集合，|c|为星座点集合c的大小，pi＝1/|c|为活跃用户设备选择星座点集合c中第i个点ci的概率，δ(
·
)为狄拉克函数。
[0023]
可选地，所述通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号的步骤，包括：
[0024]
通过复数量化器对接收信号中的元素进行量化，得到量化后的量化接收信号；
[0025]
量化接收信号qc(
·
)为复数量化器；
[0026]
对接收信号中的元素y
mj
的实部与虚部分别进行量化，具体量化的过程为
[0027][0028]
当实部落在区间()的范围时，实值的取值集合为
[0029]
其中，下限阈值为：
[0030]
[0031]
其中，上限阈值为：
[0032]
当虚部落在区间的范围时，输出实值的取值集合为：
[0033][0034]
其中，的下限阈值为：
[0035]
其中，的上限阈值为：
[0036]
其中，δ为实值量化器q(
·
)的量化步长，b为实值量化器q(
·
)的量化比特数为b。
[0037]
可选地，所述根据构建的agec-mmv算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值的步骤，包括：
[0038]
对agec-mmv算法进行初始化；
[0039]
将所述量化接收信号输入初始化后的agec-mmv算法中，根据初始化后的agec-mmv算法中的初始模块c外部先验矩阵初始模块c先验方差向量和量化接收信号，得到第一模块c外部先验矩阵和第一模块c先验方差向量
[0040]
通过将所述第一模块c外部先验矩阵对agec-mmv算法中初始模块c外部先验矩阵进行替换以及所述第一模块c先验方差向量对agec-mmv算法中的初始模块c先验方差向量进行替换，根据初始化后的agec-mmv算法中的第一模块c外部先验矩阵所述第一模块c先验方差向量和所述量化接收信号，得到第二模块c外部先验矩阵和第二模块c先验方差向量
[0041]
以此类推，通过将所述第t-1模块c外部先验矩阵对agec-mmv算法中t-2模块c外部先验矩阵进行替换以及所述第t-1模块c先验方差向量对agec-mmv算法中的第t-2模块c先验方差向量进行替换，根据agec-mmv算法中的第t-1模块c外部先验矩阵所述第t-1模块c先验方差向量和所述量化接收信号，得到第t模块c外部先验矩阵和第t模块c先验方差向量
[0042]
可选地，所述对agec-mmv算法进行初始化的步骤，包括：
[0043]
令agec-mmv算法中的初始模块c外部先验矩阵初始模块c先验方差
向量初始模块c均值矩阵初始模块c方差向量其中，上标0为迭代次数t＝0，trace(
·
)为矩阵的迹，为初始模块c外部先验矩阵第m行第j列的元素，为初始模块c先验方差向量中第j个元素，为初始模块c均值矩阵中第n行第j列的元素，为初始模块c方差向量v
2x
中第j个元素；令n个用户设备的初始活跃概率λ
n1
＝
…
＝λ
nj
＝λn＝0.5。
[0044]
可选地，其中agec-mmv算法包括模块a、模块b和模块c，所述根据初始化后的agec-mmv算法中的初始模块c外部先验矩阵初始模块c先验方差向量和量化接收信号，得到第一模块c外部先验矩阵和第一模块c先验方差向量的步骤，包括：
[0045]
根据初始模块c外部先验矩阵初始模块c先验方差向量和所述量化接收信号，得到第一模块a外部均值矩阵和第一模块a外部方差向量
[0046]
将所述第一模块a外部均值矩阵、所述第一模块a外部方差向量输入模块c中，根据所述第一模块a外部均值矩阵、所述第一模块a外部方差、初始模块c均值矩阵和初始模块c方差向量得到第一模块c外部均值矩阵和第一模块c外部方差向量
[0047]
将所述第一模块c外部均值矩阵和所述第一模块c外部方差向量输入模块b中，得到第一模块b外部均值矩阵和第一模块b外部方差向量
[0048]
将所述第一模块b外部均值矩阵和第一模块b外部方差向量输入模块c中，得到第一模块c后验均值矩阵和第一模块c后验方差向量
[0049]
利用高斯函数除法对所述第一模块c后验均值矩阵和第一模块c后验方差向量进行处理，得到第一模块c外部先验矩阵以及第一模块c先验方差向量
[0050]
所述根据初始化后的agec-mmv算法中的第一模块c外部先验矩阵所述第一模块c先验方差向量和所述量化接收信号，得到第二模块c外部先验矩阵和第二模块c先验方差向量的步骤，包括：
[0051]
根据第一模块c外部先验矩阵第一模块c先验方差向量和所述量化接收信号，得到第二模块a外部均值矩阵和第二模块a外部方差向量
[0052]
将所述第二模块a外部均值矩阵、所述第二模块a外部方差向量输入模块c中，根据所述第二模块a外部均值矩阵所述第二模块a外部方差第一模块c均值矩阵和第一模块c方差向量得到第二模块c外部均值矩阵和第二模块c外部方差向量
[0053]
将所述第二模块c外部均值矩阵和所述第二模块c外部方差向量输入模块b中，得到第二模块b外部均值矩阵和第二模块b外部方差向量
[0054]
将所述第二模块b外部均值矩阵和第二模块b外部方差向量输入模块c中，得到第二模块c后验均值矩阵和第二模块c后验方差向量
[0055]
利用高斯函数除法对所述第二模块c后验均值矩阵和第二模块c后验方差向量
进行处理，得到第二模块c外部先验矩阵以及第二模块c先验方差向量
[0056]
可选地，所述根据agec-mmv算法中的第t-1模块c外部先验矩阵所述第t-1模块c先验方差向量和所述量化接收信号，得到第t模块c外部先验矩阵和第t模块c先验方差向量的步骤，包括：
[0057]
根据第t-1模块c外部先验矩阵第t-1模块c先验方差向量和所述量化接收信号，得到第t模块a外部均值矩阵和第t模块a外部方差向量
[0058]
将所述第t模块a外部均值矩阵所述第t模块a外部方差向量输入模块c中，根据所述第t模块a外部均值矩阵所述第t模块a外部方差第t-1模块c均值矩阵和第t-1模块c方差向量得到第t模块c外部均值矩阵和第t模块c外部方差向量
[0059]
将所述第t模块c外部均值矩阵和所述第t模块c外部方差向量输入模块b中，得到第t模块b外部均值矩阵和第t模块b外部方差向量
[0060]
将所述第t模块b外部均值矩阵和第t模块b外部方差向量输入模块c中，得到第t模块c后验均值矩阵和第t模块c后验方差向量
[0061]
利用高斯函数除法对所述第t模块c后验均值矩阵和第t模块c后验方差向量进行处理，得到第t模块c外部先验矩阵以及第t模块c先验方差向量
[0062]
本发明提供了一种低分辨率adc下机器类通信中的低复杂度信号检测方法，通过采用gec算法的上行无授权广义信号检测算法能够从量化接收信号中恢复原信号，而gec算法已被现有文献证实对病态矩阵不敏感，这解决了现有先进算法面对天线间存在相关性的信道矩阵时的性能下降问题，结合woodbury公式和诺曼级数展开近似规避原gec算法中的高维矩阵求逆，降低了原始gec算法的复杂度；利用发射帧结构稀疏性，将近似gec算法扩展为agec-mmv算法，最后用em算法更新下一次迭代时的用户活跃概率，与现有文献假设基站端知道用户活跃性相比，更加贴近真实的场景。
附图说明
[0063]
图1为本发明低分辨率adc下机器类通信中的低复杂度信号检测方法第一实施例的流程示意图；
[0064]
图2为本发明低分辨率adc下机器类通信中的低复杂度信号检测方法的mmtc上行通信系统模型；
[0065]
图3为本发明agec-mmv算法的流程示意图；
[0066]
图4为本发明agec-mmv算法在不同量化精度下随着snr变化的趋势图；
[0067]
图5为本发明agec-mmv算法在不同量化精度下随着信道相关系数变化的趋势图。
[0068]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0069]
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0070]
参照图1，图1为本发明低分辨率adc下机器类通信中的低复杂度信号检测方法第
一实施例的流程示意图。
[0071]
本发明实施例中，该低分辨率adc下机器类通信中的低复杂度信号检测方法应用于信号检测装置，信号检测装置可以为基站终端，所述低分辨率adc下机器类通信中的低复杂度信号检测方法包括：
[0072]
步骤s10，获取接收信号，并建立大规模mimo支持机器类通信的系统模型；
[0073]
在本实施例中，解决现有先进算法面对天线间存在相关性的信道时的性能下降问题，提高信号的检测性能，实现利用em算法更新下一次迭代时的用户设备的活跃概率。信号检测装置获取接收信号，并建立大规模mimo支持机器类通信的系统模型。
[0074]
步骤s10建立大规模mimo支持机器类通信的系统模型，可以包括：
[0075]
如图2所示，考虑大规模mimo支持的mmtc传输上行链路，其中基站端部署m根天线，服务于n(n＞m)个单天线用户设备。系统模型为量化系统模型，是用于对基站接收的信号进行量化。假设信道在j个连续时隙(即一个帧结构)内保持恒定，则在j个连续时隙间隔内的接收信号通过系统模型可以表示为：
[0076]
y＝hx w＝z w；
[0077]
其中，y为在j个连续时隙间隔内的接收信号；x为n个用户设备在j个连续时隙间隔内发送的信息符号所组成的发送信号；h为n个用户设备到基站的信道矩阵，元素h
mn
为相互独立且同分布的复高斯随机变量，即h
mj
～cn(0,1)；w为加性高斯白噪声；元素w
mj
～cn(0,σ2)；
[0078]
如图2所示的mmtc场景中，用户设备通常具有活跃与非活跃两种状态。
[0079]
当第j个时隙中的第n个用户设备为活跃状态时，x
nj
的值来自正交调幅(qam)调制星座点集合c；当采用四进制正交幅度调制(4qm)时，星座点集c为：
[0080][0081]
其中，l为虚数单位；
[0082]
当j个时隙中的第n个用户设备为非活跃状态，则x
nj
的值为0。
[0083]
假设n个用户设备的活跃性在j个连续时隙内保持不变，即考虑帧结构的联合稀疏性：supp{x
[1]
}＝supp{x
[2]
}＝
…
＝supp{x
[j]
}＝i
[0084]
这里x
[j]
为x的第j列，而supp{x
[j]
}＝{n:x
nj
≠0,1≤n≤n}，i为活跃mtd设备索引集合，因此，第n个用户设备在连续j个时隙中的活跃概率相等，即λ
n1
＝
…
＝λ
nj
＝λn。
[0085]
其中，n个用户设备在第j个时隙中的活跃概率已知条件下的x
nj
的先验概率为：
[0086][0087]
其中，λ
n1
＝
…
＝λ
nj
＝λn；其中{ci,i＝1,
…
,|c|}为星座点的集合，|c|为星座点集合c的大小，pi＝1/|c|为活跃用户设备选择星座点集合c中第i个点ci的概率，δ(
·
)为狄拉克函数。
[0088]
步骤s20，通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行
量化，得到量化接收信号；
[0089]
在本实施例中，信号检测装置在获取了接收信号以及建立了系统模型之后，通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号。
[0090]
步骤s20通过系统模型对所述接收信号进行量化，得到量化接收信号，可以包括：
[0091]
通过在基站端使用复数量化器qc(
·
)对接收信号y进行量化，得到量化后的量化接收信号；
[0092]
量化接收信号qc(
·
)为复数量化器；其中，复数量化器qc(
·
)是按标量元素执行的。
[0093]
对接收信号中的接收信号y
mj
的实部与虚部分别进行量化，具体量化的过程为即qc(
·
)由两个实数量化器q(
·
)组成。
[0094]
以的量化过程为例，若实值量化器q(
·
)采用量化步长为δ，量化比特数为b的均匀量化，当实部落在区间的范围时，实值的取值集合为
[0095]
其中，下限阈值为：
[0096]
其中，上限阈值为：
[0097]
当虚部落在区间的范围时，输出实值的取值集合为：
[0098][0099]
其中，的下限阈值为：
[0100]
其中，的上限阈值为：
[0101]
其中，δ为实值量化器q(
·
)的量化步长，b为实值量化器q(
·
)的量化比特数为b。
[0102]
步骤s30，根据伍德伯里woodbury公式与诺曼级数展开近似的gec算法，并结合帧结构的稀疏性特点，构建近似广义期望一致性多测量agec-mmv算法；
[0103]
引入gec算法，并提出结合woodbury公式与诺曼级数展开近似的gec低复杂度实现方案，进一步地，利用帧结构具有的稀疏性特点，提出了一种适用于多测量矢量(multiple measurement vector，mmv)的近似广义期望一致性多测量矢量(approximate generalized expectation consistent-mmv，agec-mmv)算法。其中agec-mmv算法的构建为将近似广义期望一致性框架中的单测量向量扩展为多测量向量；其中agec-mmv算法包括模块a、模块b和模块c。agec-mmv算法能对量化接收信号进行恢复，同时估计每一个时隙中每个用户设备发射信息符号的后验均值。
[0104]
其中，agec-mmv算法是一个帧结构进行信息传递，能够利用帧结构稀疏性进一步提高检测性能，本发明提出的agec-mmv算法可以总结为图3所示的框图，共包含模块a，b，c三个模块，各个模块采用涡轮原理迭代运行，每个模块将外部信息作为先验信息传递到下一个模块。
[0105]
在本实施例中，信号检测装置在得到了量化接收信号之后，根据伍德伯里woodbury公式与诺曼级数展开近似的gec算法，并结合帧结构的稀疏性特点构建近似广义期望一致性多测量agec-mmv算法，其中agec-mmv算法的构建为将近似广义期望一致性框架中的单测量向量扩展为多测量向量。
[0106]
步骤s40，根据构建的agec-mmv算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值；
[0107]
在本实施例中，信号检测装置在得到了量化接收信号以及构建了agec-mmv算法之后，根据构建的agec-mmv算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值。
[0108]
步骤s40根据构建的agec-mmv算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值，可以包括：
[0109]
步骤s41，对agec-mmv算法进行初始化；
[0110]
步骤s41对agec-mmv算法进行初始化，可以包括：
[0111]
用t代表第t次迭代，根据原始gec算法的初始化方式，如图3所示，将agec-mmv算法有关变量初始化为：令agec-mmv算法中的初始模块c外部先验矩阵初始模块c先验方差向量初始模块c均值矩阵初始模块c方差向量其中，上标0为迭代次数t＝0，trace(
·
)为矩阵的迹，为初始模块c外部先验矩阵第m行第j列的元素，为初始模块c先验方差向量中第j个元素，为初始模块c均值矩阵中第n行第j列的元素，为初始模块c方差向量v
2x
中第j个元素；令n个用户设备的初始活跃概率λ
n1
＝
…
＝λ
nj
＝λn＝0.5。
[0112]
在本实施例中，信号检测装置在构建了agec-mmv算法之后，对agec-mmv算法进行初始化。
[0113]
步骤s42，将所述量化接收信号输入初始化后的agec-mmv算法中，根据初始化后的agec-mmv算法中的初始模块c外部先验矩阵初始模块c先验方差向量和量化接收信
号，得到将所述第一模块c外部先验矩阵和第一模块c先验方差向量
[0114]
在本实施例中，信号检测装置在对agec-mmv算法进行初始化之后，将所述量化接收信号输入初始化后的agec-mmv算法中，根据初始化后的agec-mmv算法中的初始模块c外部先验矩阵初始模块c先验方差向量和量化接收信号，得到第一模块c外部先验矩阵和第一模块c先验方差向量
[0115]
步骤s42根据初始化后的agec-mmv算法中的初始模块c外部先验矩阵初始模块c先验方差向量和量化接收信号，得到第一模块c外部先验矩阵和第一模块c先验方差向量包括：
[0116]
步骤s421，将所述量化接收信号输入模块a中进行解量化处理，根据初始模块c外部先验矩阵初始模块c先验方差向量和所述量化接收信号，得到第一模块a外部均值矩阵和第一模块a外部方差向量步骤s421与步骤s441的步骤相同。
[0117]
步骤s422，将所述第一模块a外部均值矩阵、所述第一模块a外部方差向量输入模块c中，根据所述第一模块a外部均值矩阵、所述第一模块a外部方差、初始模块c均值矩阵和初始模块c方差向量得到第一模块c外部均值矩阵和第一模块c外部方差向量步骤s422与步骤s442的步骤相同。
[0118]
步骤s423，将所述第一模块c外部均值矩阵和所述第一模块c外部方差向量输入模块b中，得到第一模块b外部均值矩阵和第一模块b外部方差向量步骤s423与步骤s443的步骤相同。
[0119]
步骤s424，将所述第一模块b外部均值矩阵和第一模块b外部方差向量输入模块c中，得到第一模块c后验均值矩阵和第一模块c后验方差向量步骤s424与步骤s444的步骤相同。
[0120]
步骤s425，利用高斯函数除法对所述第一模块c后验均值矩阵和第一模块c后验方差向量进行处理，得到第一模块c外部先验矩阵以及第一模块c先验方差向量步骤s425与步骤s445的步骤相同。
[0121]
步骤s43，通过将所述第一模块c外部先验矩阵对agec-mmv算法中初始模块c外部先验矩阵进行替换以及所述第一模块c先验方差向量对agec-mmv算法中的初始模块c先验方差向量进行替换，根据初始化后的agec-mmv算法中的第一模块c外部先验矩阵所述第一模块c先验方差向量和所述量化接收信号，得到第二模块c外部先验矩阵和第二模块c先验方差向量
[0122]
在本实施例中，信号检测装置在得到第一模块c外部先验矩阵和第一模块c先验方差向量之后，通过将所述第一模块c外部先验矩阵对agec-mmv算法中初始模块c外部先验矩阵进行替换以及所述第一模块c先验方差向量对agec-mmv算法中的初始模块c先验方差向量进行替换，根据初始化后的agec-mmv算法中的第一模块c外部先验矩阵
所述第一模块c先验方差向量和所述量化接收信号，得到第二模块c外部先验矩阵和第二模块c先验方差向量
[0123]
步骤s43根据初始化后的agec-mmv算法中的第一模块c外部先验矩阵所述第一模块c先验方差向量和所述量化接收信号，得到第二模块c外部先验矩阵和第二模块c先验方差向量可以包括：
[0124]
步骤s431，将所述量化接收信号输入模块a中进行解量化处理，根据第一模块c外部先验矩阵第一模块c先验方差向量和所述量化接收信号，得到第二模块a外部均值矩阵和第二模块a外部方差向量步骤s341与步骤s351的步骤相同。
[0125]
步骤s432，将所述第二模块a外部均值矩阵、所述第二模块a外部方差向量输入模块c中，根据所述第二模块a外部均值矩阵所述第二模块a外部方差第一模块c均值矩阵和第一模块c方差向量得到第二模块c外部均值矩阵和第二模块c外部方差向量步骤s432与步骤s442的步骤相同。
[0126]
步骤s433，将所述第二模块c外部均值矩阵和所述第二模块c外部方差向量输入模块b中，得到第二模块b外部均值矩阵和第二模块b外部方差向量步骤s433与步骤s443的步骤相同。
[0127]
步骤s434，将所述第二模块b外部均值矩阵和第二模块b外部方差向量输入模块c中，得到第二模块c后验均值矩阵和第二模块c后验方差向量步骤s434与步骤s444的步骤相同。
[0128]
步骤s435，利用高斯函数除法对所述第二模块c后验均值矩阵和第二模块c后验方差向量进行处理，得到第二模块c外部先验矩阵以及第二模块c先验方差向量步骤s435与步骤s445的步骤相同。
[0129]
步骤s44，以此类推，通过将所述第t-1模块c外部先验矩阵对agec-mmv算法中t-2模块c外部先验矩阵进行替换以及所述第t-1模块c先验方差向量对agec-mmv算法中的第t-2模块c先验方差向量进行替换，根据agec-mmv算法中的第t-1模块c外部先验矩阵所述第t-1模块c先验方差向量和所述量化接收信号，得到第t模块c外部先验矩阵和第t模块c先验方差向量
[0130]
在本实施例中，以此类推，信号检测装置在得到第一模块c外部先验矩阵和第一模块c先验方差向量之后，通过将所述第t-1模块c外部先验矩阵对agec-mmv算法中t-2模块c外部先验矩阵进行替换以及所述第t-1模块c先验方差向量对agec-mmv算法中的第t-2模块c先验方差向量进行替换，根据agec-mmv算法中的第t-1模块c外部先验矩阵所述第t-1模块c先验方差向量和所述量化接收信号，得到第t模块c外部先验矩阵和第t模块c先验方差向量
[0131]
步骤s44根据agec-mmv算法中的第t-1模块c外部先验矩阵所述第t-1模块c先
验方差向量和所述量化接收信号，得到第t模块c外部先验矩阵和第t模块c先验方差向量可以包括：
[0132]
步骤s441，将所述量化接收信号输入模块a中进行解量化处理，根据第t-1模块c外部先验矩阵第t-1模块c先验方差向量和所述量化接收信号，得到第t模块a外部均值矩阵和第t模块a外部方差向量
[0133]
在本实施例中，信号检测装置在得到了第t-1模块c外部先验矩阵第t-1模块c先验方差向量之后，将所述量化接收信号输入模块a中进行解量化处理，根据第t-1模块c外部先验矩阵第t-1模块c先验方差向量和所述量化接收信号，得到第t模块a外部均值矩阵和第t模块a外部方差向量
[0134]
所述根据第t-1模块c外部先验矩阵、第t-1模块c先验方差向量和所述量化接收信号，得到第t模块a外部均值矩阵和第t模块a外部方差向量的步骤，包括：
[0135]
第t模块a外部均值矩阵中的元素为：
[0136][0137]
第t模块a外部方差向量中的元素为：
[0138][0139]
agec-mmv算法的模块a的作用是按元素计算z的分量z
mj
的后验均值和方差该过程被称为解量化。
[0140]
z中每一个元素z
mj
的后验均值和方差是根据下式来取：
[0141][0142][0143]
这里e[
·
]和var[
·
]分别代表对根据以下的后验概率分布函数p(z
mj
|y
mj
)来取均值和方差：
[0144][0145]
其中，p(z
mj
)被建模为)被建模为为的第m行第j列元素，而为似然函数。本发明假设基站已知信道状态信息(channel state information，csi)，则非线性测量下的似然函数可以表示为：
[0146][0147]
其中，与可以用实值似然函数统一表示
为：
[0148][0149]
其中，而和分别代表取复数的实部和虚部。对z
mj
的后验概率分布函数p(z
mj
|y)取z
mj
的均值和方差就能得到后验均值和方差后验均值和方差需要对实部和虚部分别计算，再将实部和虚部合并得到后验均值和方差具体表示为：
[0150][0151][0152]
然后再计算出实部与虚部取均值e[
·
]和取方差var[
·
]的具体结果，z
mj
的实部其后验均值以及后验方差的精确表达式为：
[0153][0154][0155]
其中φ(
·
)与φ(
·
)的表示同前，而η1和η2分别为：
[0156][0157][0158]
这里具体为：
[0159]
[0160]
同理，z
mj
的虚部其后验均值和后验方差分别为：
[0161][0162][0163]
这里φ(
·
)与φ(
·
)的表示同前，而η1和η2分别为：
[0164][0165][0166]
这里具体为：
[0167][0168]
在大规模mimo系统中，可对第j个时隙的后验方差取平均值作为时隙j的平均后验方差，即：
[0169][0170]
对任意的m,j(m＝1,
…
m,j＝1
…
j)，将与的计算结果堆叠形成一个帧结构的后验均值矩阵和后验方差向量如图3所示，接下来结合根据高斯函数除法推论计算外部均值矩阵与外部方差向量。对任意的因为与都为z
mj
的复高斯函数，因此利用高斯函数除法推论计算z
mj
的外部均值与方差
[0171][0172]
[0173]
将与堆叠成外部均值矩阵和外部方差向量
[0174]
步骤s442，将所述第t模块a外部均值矩阵所述第t模块a外部方差向量输入模块c中，根据所述第t模块a外部均值矩阵所述第t模块a外部方差第t-1模块c均值矩阵和第t-1模块c方差向量得到第t模块c外部均值矩阵和第t模块c外部方差向量
[0175]
在本实施例中，信号检测装置在得到了第t模块a外部均值矩阵和第t模块a外部方差向量之后，将所述第t模块a外部均值矩阵所述第t模块a外部方差向量输入模块c中，根据所述第t模块a外部均值矩阵所述第t模块a外部方差第t-1模块c均值矩阵和第t-1模块c方差向量得到第t模块c外部均值矩阵和第t模块c外部方差向量
[0176]
步骤s442根据所述第t模块a外部均值矩阵所述第t模块a外部方差第t-1模块c均值矩阵和第t-1模块c方差向量得到第t模块c外部均值矩阵和第t模块c外部方差向量的步骤，包括：
[0177]
第t模块c外部均值矩阵中的元素为：
[0178][0179]
第t模块c外部方差向量中的元素为：
[0180][0181]
将第t模块a外部均值矩阵所述第t模块a外部方差输入模块c中，在前向迭代过程(图3中右面一条支路)中，对于任意时隙j计算线性约束zj＝hxj下的xj(zj为z的第j列，xj为第j个时隙用户设备发送的信号)的后验均值向量和方差具体地，xj的后验协方差矩阵和后验均值为：
[0182][0183][0184]
其中in为n阶单位矩阵，这里和分别为均值矩阵和的第j列。由于计算过程中涉及矩阵求逆，复杂度高达o(n3)，因此用woodbury公式对进行等效计算：
[0185][0186]
这里注意对v
x
求导的复杂度为o(m3)，当n＞m时，复杂度由o
(n3)下降至o(m3)，为了进一步降低复杂度，本发明考虑用v
x
自身对角元素组成的对角矩阵σ来对v
x
近似，即用v
x
的诺曼级数展开第一项对v
x
近似：
[0187][0188]
这里diag(
·
)代表取矩阵对角元素组成对角矩阵。因此后验均值可以重新表示为：
[0189][0190]
在大规模mimo系统中，可对第j个时隙的后验方差取平均值作为时隙j的平均后验方差，即：
[0191][0192]
对任意的j(j＝1
…
j)，将后验均值和方差堆叠形成后验均值矩阵和方差向量如图3所示。接下来，对任意的n,j(n＝1,
…
n,j＝1
…
j)，利用高斯函数除法推论计算外部均值与方差
[0193][0194][0195]
将与堆叠成外部均值矩阵和外部方差向量
[0196]
步骤s443，将所述第t模块c外部均值矩阵和所述第t模块c外部方差向量输入模块b中，得到第t模块b外部均值矩阵和第t模块b外部方差向量
[0197]
在本实施例中，信号检测装置在得到了第t模块c外部均值矩阵和第t模块c外部方差向量之后，将所述第t模块c外部均值矩阵和所述第t模块c外部方差向量输入模块b中，得到第t模块b外部均值矩阵和第t模块b外部方差向量
[0198]
步骤s443将所述第t模块c外部均值矩阵和所述第t模块c外部方差向量输入模块b中，得到第t模块b外部均值矩阵和第t模块b外部方差向量可以包括：
[0199]
第t模块b外部均值矩阵中的元素为：
[0200][0201]
第t模块b外部方差向量中的元素为：
[0202][0203]
在假设已知活跃概率的的情况下，模块b利用发射离散符号的条件先验信息提高检测性能，按分量计算x的后验均值和方差，具体地，x
nj
的后验均
值与方差是根据以下后验概率密度函数求取的：
[0204][0205]
其中，因此，对任意的x
nj
的后验均值和方差可以根据后验概率密度函数来求：
[0206][0207][0208]
同样地，在大规模mimo系统下，可对第j个时隙的后验方差取平均值作为时隙j的平均后验方差，即
[0209][0210]
对任意的n,j(n＝1,
…
n,j＝1
…
j)，将后验均值和方差堆叠为后验均值矩阵和方差如图3所示，之后再对任意的n,j(n＝1,
…
n,j＝1
…
j)，利用高斯函数除法推论计算外部方差以及外部均值
[0211][0212][0213]
将与堆叠成外部均值矩阵和外部方差向量完成对初始化向量的更新。
[0214]
步骤s444，将所述第t模块b外部均值矩阵和第t模块b外部方差向量输入模块c中，得到第t模块c后验均值矩阵和第t模块c后验方差向量
[0215]
在本实施例中，信号检测装置在得到了第t模块b外部均值矩阵和第t模块b外部方差向量之后，将所述第t模块b外部均值矩阵和第t模块b外部方差向量输入模块c中，得到第t模块c后验均值矩阵和第t模块c后验方差向量
[0216]
步骤s444将所述第t模块b外部均值矩阵和第t模块b外部方差向量输入模块c中，得到第t模块c后验均值矩阵和第t模块c后验方差向量可以包括：
[0217]
第t模块c后验均值矩阵中第j列向量为：
[0218][0219]
[0220][0221]
第t模块c后验方差向量中的元素为：
[0222][0223][0224]
然后将第t模块b外部均值矩阵和第t模块b外部方差向量输入模块c中，进入模块c的后向迭代过程中(图3中左面一条支路)，与步骤s352中前向迭代的原理一致，不同的是按时隙计算z的后验均值和方差具体为：
[0225]
首先计算新的xj的后验协方差矩阵以及后验均值
[0226][0227][0228][0229]
其中in代表n阶的单位矩阵，这里和分别为均值矩阵和的第j列。之后利用zj＝hxj计算zj的后验均值和方差
[0230][0231][0232]
对任意的j(j＝1
…
j)，将与堆叠形成后验均值矩阵和后验方差向量如图3所示。
[0233]
步骤s445，利用高斯函数除法对所述第t模块c后验均值矩阵和第t模块c后验方差向量进行处理，得到第t模块c外部先验矩阵以及第t模块c先验方差向量
[0234]
在本实施例中，信号检测装置在得到了第t模块c后验均值矩阵和第t模块c后验方差向量之后，利用高斯函数除法对所述第t模块c后验均值矩阵和第t模块c后验方差向量进行处理，得到第t模块c外部先验矩阵以及第t模块c先验方差向量
[0235]
步骤s445利用高斯函数除法对所述第t模块c后验均值矩阵和第t模块c后验方差向量进行处理，得到第t模块c外部先验矩阵以及第t模块c先验方差向量可以包括：
[0236]
第t模块c外部先验矩阵中的元素为：
[0237][0238]
第t模块c先验方差向量中的元素为：
[0239][0240]
之后对任意的m,j(m＝1,
…
m,j＝1
…
j)，利用高斯函数除法推论计算外部信息以及
[0241][0242][0243]
将与堆叠成外部均值矩阵和外部方差向量完成对初始化向量的更新，并将其作为先验信息传递给下一个模块a。
[0244]
步骤s50，在agec-mmv算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号；
[0245]
在本实施例中，信号检测装置在估计每一个时隙中每个用户设备发射符号的后验均值之后，在agec-mmv算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号。
[0246]
通过期望最大化(expectation maximum,em)算法来学习下一次迭代时连续时隙中用户n的活跃概率在步骤s353中计算出的情况下，λn在第t次迭代的em更新可以表示为：
[0247][0248]
当迭代次数t达到最大迭代次数t时，根据λn在第t次迭代完成后的值判断第n个用户设备的活跃性；
[0249]
当时，则用户设备活跃；当则用户设备不活跃。
[0250]
因此，完成了n个用户设备活跃性的判断；将第t次迭代后的后验均值堆叠后的结果作为发射信号矩阵x的估计值，进而联合用户活跃性得到最终的估计值，具体地，若第i个用户设备为活跃的，那么作为最终的估计值，并与原活跃用户设备发射的信号进行比较，得出误码率性能。
[0251]
如图4和5所示，在仿真中，基站端的天线数量为m＝150、用户设备数n＝100，用户初始活跃概率λ
nj
＝0.5，时隙数j＝7，最大迭代次数t＝15。为了便于分析，图4展示本发明所提算法在不同量化精度下随着snr变化的趋势，由仿真结果可以观察到，在相同的snr下，随着量化精度的降低，性能也随之下降，可以看出1bit量化时，性能比较差，但是当量化精度为3bit的时候，与未量化(即无穷bit)时的算法性能相比低精度量化的性能损失是可以接
受的，因此所提的算法能够很好的在性能与复杂度之间实现折中。图5展示本发明所提算法在不同量化精度时，随着不同信道相关系数下的变化趋势，在snr为2db时，可以观察到，随着相关系数的增加，本发明所提的算法的变化是缓慢的，由此可以得出，本发明所提算法对相关性信道的稳健性。因此可以得出结论，本发明提出的算法能够有效解决对大规模mimo支持mmtc中的先进算法所面临的高硬件成本和功耗，高复杂度以及对信道相关性敏感等问题。
[0252]
本实施例通过上述方案，获取接收信号，并建立大规模mimo支持机器类通信的系统模型；通过系统模型中的每条射频链配备的模数转换器对所述接收信号进行量化，得到量化接收信号；根据伍德伯里woodbury公式与诺曼级数展开近似的gec算法，并结合帧结构的稀疏性特点，构建近似广义期望一致性多测量agec-mmv算法；根据构建的agec-mmv算法对所述量化接收信号进行处理，估计每一个时隙中每个用户设备发射符号的后验均值；在agec-mmv算法中利用发射离散星座符号的先验信息以及期望最大化算法，得到所有活跃用户设备在所有时隙发射的信号。通过采用gec算法的上行无授权广义信号检测算法能够从量化接收信号中恢复原信号，而gec算法已被现有文献证实对病态矩阵不敏感，这解决了现有先进算法面对天线间存在相关性的信道矩阵时的性能下降问题，结合woodbury公式和诺曼级数展开近似规避原gec算法中的高维矩阵求逆，降低了原始gec算法的复杂度；利用发射帧结构稀疏性；利用发射帧结构稀疏性，将近似gec算法扩展为agec-mmv算法，利用发射帧结构稀疏性，进一步提高性能，最后用em算法更新下一次迭代时的用户活跃概率，与现有文献假设基站端知道用户活跃性相比，更加贴近真实的场景。