基于Matlab的串行干扰抵消(SIC)算法(包含与MMSE,ZF的对比)

1.简述意义

        在我进行课程仿真时候，我发现网上针对串行干扰抵消算法的中文内容还是比较少的，因此我个人想将看完文章后自己的理解写上来，希望对一些同学有点帮助，串行干扰抵消算法还是很经典的，它不仅可以用于解调多发射天线的内容，而且它也可以用于上行时隙的多用户检测，所以说它是比较经典的，下面我就大概叙述一下这次文章内容。

2.概述

        根据论文要求，对一个8发12收（发射天线数要低于接收天线数，使得通过模型得到的方程为超定方程，同时，程序里面的发射天线和接收天线是可以修改的）的V-BLAST系统进行基带仿真。发射端采用8路V-BLAST发射天线，发射信号采用不同调制，不考虑信道编码；发射信号经过平坦Rayleigh衰落信道，同时默认信道变化的很慢，即它是一个慢衰落信道即信道的相干时间大于码元持续时间，接收端默认进行了信道估计，在已知H的情况下使用不同的接收机检测方案（MMSE、ZF和SIC），对接收信号进行处理，绘制出误码率平均信噪比变化的曲线，并进行对比分析。

3.原理阐明

        3.1MIMO信道模型

        移动通信系统的性能在很大程度上决定于无线信道的特性。单发单收系统无线信道的特性已经研究得很透彻，针对其各通信标准所采用的载频、带宽、环境等都有权威机构给出实测的信道模型。对于多天线信道而言，许多单天线的概念都被继承了下来，如路径传播损耗、阴影衰落、多径衰落 损耗、长期衰落、短期衰落、相干时间、相干带宽、频率选择性衰落、平坦衰落等 , 所采用的信道模型也基本都是单天线情况下的一些拓展。本实验采用独立的慢衰落环境中的多输入多输出 MIMO 系统，假设发送端的天线数目为Mt，接收端端的天线数目为 Mr。用hij表示从第 j 个发射天线到第 i 个接收天线的信道增益。接收天线i处的噪声为ni，j=1,…, Mt ，i=1,…, Mr ；则第i个接收天线接收信号为：

        可以将信号模型写成矩阵的形式，MIMO信道模型如图3-1所示。 

简记为 ，通常假设不同信道衰落系数hij为独立同分布的循坏对称复高斯随机变量，噪声ni也为独立同分布的循坏对称复高斯随机变量 

         3.2MIMO系统模型

        系统工作流程如图3-2下。首先V-BLAST系统在发射端通过串并转换将数据流分解为Mt个子数据流，然后使用 QPSK 或 16QAM 对各路子信号流进行调制, 将比特映射为符号；调制完成后，分别送到Mt个发射天线分别发射，在接收端用Mr个接收天线检测信号。这里假设不论有多少个发送天线，系统的总发射功率是不变的，且总发射功率是平均分配到各个天线的。在接收端用Mr个接收天线检测信号，并按照一定信号检测与估计的方法进行符号解调，最后恢复出数据流（各个接收天线单独进行信号处理得到子数据流，最后需要并串转换将子数据流合成为一个数据流）。假设发送天线之间、接收天线之间完全不相关，且发送的数据也互相独立。V-BLAST系统中接收天线的个数一般要大于或等于发送天线的个数。

关于接收机检测与估计的方法，最直接的最大似然估计在MIMO信道中可直接采用线性检测（按照ZF或MMSE准则），也可采用非线性的干扰抵消检测（如串行干扰抵消SIC）。

        3.3 接收机检测方法

        3.3.1迫零（ZF）算法

        3.3.2迫零（ZF）算法

        3.3.3串行干扰抵消（SIC-ZF）算法

         串行干扰抵消算法是一种非线性检测算法。SIC的基本思想是在对多个符号进行检测与估计时，如果能先对某个符号进行检测与估计解出这个符号，则在解另一个符号时可将已解出的符号对当前待解符号的干扰消除，从而提高待解符号的SINR，提高检测与估计的误码码性能。对于Mt个发送符号，串行干扰抵消每次对一个符号进行检测与估计，每次检测时，先消掉前面已经解出的符号干扰，再对待解符号进行检测与估计（通常仍采用ZF或MMSE准则对待解符号做线性变换），根据论文，我们此次实验采用ZF准则做线性变换。因此对这Mt个发送符号在检测与估计时，共需要Mt步检测判决，（且除掉第一步，其他每一步检测之前都要利用已解出的符号做干扰抵消），这就存在对Mt个发送符号先对谁进行检测的排序问题。理论证明，当Mt个发送符号使用相同星座图时，每一步都选择接收SNR最大的符号，即对应最优的符号排序。

当采用ZF准则时，对应的SIC算法表示如下：

 4.仿真结果

         4.1仿真参数

   4.2仿真结果

图4-1 16QAM调制下不同均衡方式误码率

图4-2 QPSK调制下不同均衡方式误码率

4.3仿真分析

        通过上述实验结果，对三种接收机检测方式进行分析，我们可以发现：在线性检测方式中，MMSE检测性略微优于ZF，但是优势表现并不明显。ZF虽然消除了符号间干扰同时放大了噪声，而MMSE考虑使得信号和噪声估计的均方误差最小的检测问题，其解的形式满足正交性原理，这是线性估计中性能最好的检测方式，当信噪比比较大时，ZF对噪声放大作用对检测信噪比影响相对削弱，ZF和MMSE在信噪比提高的条件下性能会更加接近一些。对比线性检测(ZF和MMSE)和非线性检测(SIC)可以看到，非线性检测性能可明显提高，SIC每一步操作都消除了已解信号干扰，再利用ZF准则进行检测，如果已解信号估计准确，消除已解信号干扰后检测的等效信干燥比提高明显，因此当信噪增大时，SIC误码性能提升效果明显。

 代码如下：

最后

以上就是背后大碗为你收集整理的基于Matlab的串行干扰抵消(SIC)算法(包含与MMSE,ZF的对比)的全部内容，希望文章能够帮你解决基于Matlab的串行干扰抵消(SIC)算法(包含与MMSE,ZF的对比)所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。