当前位置: 首页 > news >正文

移动通信(16)信号检测

常见的信号检测算法一般包括以下几类检测算法:最优、线性和非线性。

最优检测算法:最大似然算法

线性检测算法:迫零检测算法和最小均方误差检测算法

非线性检测算法:串行干扰消除检测算法

球形译码检测算法属于一种次优检测算法(运算量远小于最大似然检测算法)

作为一种性能接近ML的次优算法,球形译码(SD)可以大大降低检测的复杂度。简单来说,SD就是在限制为球形的多维搜索空间中找到一个距离接收矢量最近的发射星座矢量。球形译码检测算法的复杂度与天线数目和调制阶数成指数关系,并且与信噪比成反比关系。那么实际上这是一种硬判决,不能产生输入给译码器的软信息。硬判决的好处是译码复杂度低且对信道估计误差不敏感。

信号检测:发射端以多个天线进行发射信号,发射信号经过无线信道后到达接收端,在接收端的每个天线接收了所有的信号,而不是发射信号,因而要恢复发射信号需要进行信号检测算法。这样信号检测就成为了物理层链路不可缺少的部分,而信号检测算法是信号检测的核心,那么整个物理链路的质量的好坏将取决于信号检测算法性能好坏。

最大似然检测算法——ML

先用过比较接收到的信号向量和发射的信号向量的全部可能值,再由最大似然准则来对发射信号的向量x进行计算。

迫零检测算法——ZF

ZF算法是一种最小二乘估计的最简单的线性检测算法,其基本思想就是通过滤波矩阵对接收的信号向量y进行滤波,来达到完全消除多个天线发送的符号间干扰的目的。迫零检测算法在抑制发送符号间干扰的同时很容易过度放大了被检测信号的噪声,最终使判决结果产生误差。

串行干扰消除检测算法——SIC

串行干扰消除检测算法是一种垂直分层空时(V-BLAST)检测算法。在检测时,它不是直接从接收信号向量中检测发射信号向量,而是按顺序从第一个或者最后一个向量的分量进行检测,完成一次检测后得出的信号分量就马上脱离接收信号向量,不再对接收信号向量产生任何影响,然后逐次检测剩余的信号分量,从而使待检测信号向量的干扰量减少,检测的可靠性提高。

SIC检测算法的基本思想是在检测过程中对发射信号向量进行一层一层的检测和消除,其通过迭代的处理来完成了检测。SIC检测算法在检测过程中的每一级递归分为两个主要的操作步骤。零化和干扰消除。

最小均方误差检测算法——MMSE

最小均方误差检测算法的基本思想就是通过设计一个滤波矩阵来达到发送信号x的实际值与估计值之间的均方误差最小,它是基于ZF检测算法噪声增强问题而提出的检测算法,其降低了噪声的影响,从而提高检测的性能。随着噪声功率增大,MMSE检测算法的性能相对ZF检测算法的性能越好。由于MMSE检测算法同ZF检测算法一样是线性检测算法,性能方面还是不特别的理想,但是算法复杂度低,易实现,可以应用到实际中。

球形译码检测算法——SD

SD的思想非常简单:在经过信道扭曲的栅格空间中,以接收矢量y为球心,做一个设定的半径球,通过只搜索超球体中的栅格点来减小搜索空间和所需的计算量。很明显,在球中离y最近的栅格点也是整个空间离y最近的栅格点。

可以对半径进行设定和改变来使这个多维球包含的空间减少,这样搜索的点数量减少,最终算法的计算复杂度变低。从中可以看出,格点在这个多维球内的且与矢量的距离最近,那么这个格点为要找到的点即最大似然值。这种检测算法与最大似然检测算法不同之处在于,它不需要对全部的格点进行搜索,而仅仅在一个半径确定的球内展开搜索,可见搜索区域较最大似然检测算法明显减少,这样搜索的时间就大大缩减了。

初始的搜索半径的确定和球内是否存在有效点的确定是影响球形译码检测算法的性能的两个因素

(1)初始半径的设置

若太大,那么球的体积大,球内包含点多,计算复杂度很大

若太小,球内可能不存在最大似然点,从而需要重新检测,因而上次检测失败

为了减少搜索空间,SD选出一个合适的值来作为球形搜索域的半径(r^2=C),目标就是要找出球中具有最小权值的栅格点。H可以被QR分解成酉矩阵Q和上三角阵R的乘积。

(2)球内是否存在有效点的确定

如果每次判断对该点是否于球内都要计算该点和矢量之间的距离的话,那么这个计算量也是指数级的。

球形译码算法根据格点搜索的方式不同,可以分为V-B球形译码和C-L球形译码。

V-B球形译码

F-P搜索方法与ML检测相结合。目的是搜索到一个在区域球内的全部点的序列。

C-L球形译码算法

在C-L球形译码算法中,如果球的半径设置无穷大,那么在这个球内总能找到点,而且首先搜索到的点是迫零反馈均衡点。

C-L球形译码算法的优点在于:该算法的第一个搜索点是最小化分支度量的一个替补节点,这样搜索的方向提前进行了更正;当没有搜索到点时,就不会再去对该层其他余下的节点进行搜索,大大减少了算法;由于初始晶格点是不变的,该算法可以自由选择初始半径,而且当信噪比较高时,其搜索效果比较好。

参考《LTE系统信号检测算法的研究》尹鑫

相关文章:

移动通信(16)信号检测

常见的信号检测算法一般包括以下几类检测算法:最优、线性和非线性。最优检测算法:最大似然算法线性检测算法:迫零检测算法和最小均方误差检测算法非线性检测算法:串行干扰消除检测算法球形译码检测算法属于一种次优检测算法&#…...

数据结构与算法之《顺序表》

目录 1.什么是顺序表 顺序表的优势和缺点 顺序表预备知识 顺序表的代码实现 顺序表头部插入 顺序表的销毁 顺序表的头删 顺序表的尾删 顺序表的尾插 顺序表的任意位置插入 顺序表的查找 顺序表的打印 1.什么是顺序表 这篇文章我们来讲一下基础数据结构的顺序表&…...

MySQL索引15连问,抗住!

1. 索引是什么?索引是一种能提高数据库查询效率的数据结构。它可以比作一本字典的目录,可以帮你快速找到对应的记录。索引一般存储在磁盘的文件中,它是占用物理空间的。正所谓水能载舟,也能覆舟。适当的索引能提高查询效率&#x…...

【服务器管理】手动部署LNMP环境(CentOS 8)(非阿里云版本)

简述 如果是你是阿里云的服务器,我推荐你看引用的文章,本文也是参考了很多这篇文章的内容。 https://help.aliyun.com/document_detail/173042.htm 系统版本: CentOS 8 其实CentOS 7的版本可能更好安装一点,但是我有个服务推荐使…...

论文笔记:Positive-incentive Noise

2022 TNNLS 中心思想是:噪声并不一定是有害的 1 CV问题中的噪声 以图像分类为例 对图像加入适量的噪声后再训练,识别准确率反而上升了 再以目标检测为例: 从遥感影像中做飞机检测,一般都是把飞机紧紧框住,然后做…...

340秒语音芯片,轻松实现语音交互,畅享智能生活WTV380语音ic方案

随着智能家居、安防报警、宠物用品 等,智能设备的普及,语音交互技术正在逐渐成为人机交互的主要方式之一。而如何实现稳定高效的语音交互,就需要借助先进的语音芯片技术。今天,我们介绍的是一款高性能的语音芯片——WTV380&#x…...

有java基础学习大数据该如何规划

大数据开发对于Java语言的依赖程度比较高,如果想尝试大数据开发,学习过Java语言就很容易上手 Java是目前使用广泛的编程语言之一,具有的众多特性,特别适合作为大数据应用的开发语言。 目前很多大数据开发团队都在使用Java语言&a…...

【Java基础】HashMap的底层数据结构是怎样的?

HashMap就是以Key-Value的方式进行数据存储的一种数据结构。 HashMap在jdk1.7之前和jdk1.8之后的底层数据结构是不一样的。 在jdk1.7之前是数组链表的形式,并通过entry节点保存key和value值;当Hash冲突比较严重的时候,在数组上形成的链表就会…...

MongoDB5副本集高可用集群部署

MongoDB5副本集高可用集群部署 1.MongoDB简介 MongoDB官方网站:https://www.mongodb.com ​ MongoDB最大的特点是表结构灵活可变,字段类型可以随时修改。MongoDB中的每一行数据只是简单的被转化成Json格式后存储,因此MongoDB中没有MySQL中表…...

【Java】最新版本SpringCloudStream整合RocketMQ实现单项目中事件的发布与监听

文章目录前言依赖配置代码参考前言 SpringCloud项目中整合RocketMQ是为了削峰填谷。 这里我使用RocketMQ的作用用于接收项目中产生的消息&#xff0c;然后异步的发送邮件给客户&#xff0c;这是这个项目的产生的背景。 依赖配置 <dependencies><dependency><…...

abp.net 5.0 部署IIS10

今天遇到了abp.net 5.0部署iis10被卡住的问题&#xff0c;网上找了一些资料&#xff0c;都不是我要的&#xff0c;最后我总结一下我用的是 5.0的版本&#xff0c;所以我需要给服务器安装 iis5.0的相关运行环境 1&#xff1a;https://dotnet.microsoft.com/zh-cn/download/dotne…...

Windows安装Qt与VS2019添加QT插件

一、通过Qt安装包方式http://download.qt.io/archive/qt/5.12/5.12.3/.安装可以就选中这个MSVC 2017 64-bit&#xff0c;其他就暂时不用了二、通过vs2019安装Qt插件方式方法1下面这种方式本人安装不起来&#xff0c;一直卡住下不下来。拓展->管理拓展->联机->搜索Qt&a…...

自学大数据第5天~hadoop集群搭建(二)

配置集群/分布式环境 1,修改文件workers 需要把所有节点数据节点的主机名写入该文件,每行一个,默认localhost(即把本机(namenode也作为数据节点),所以我们在伪分布式是没有配置该文件; 在进行分布式时需要删掉localhost(又可能文件中没有该配置,没有那就不用删了,配置一下数据…...

MySQL (六)------MySQL的常用函数、 事务(TCL)、DCL用户操作语句、常见环境、编码问题

第一章 MySQL的常用函数 1.1 字符串函数 1.1.1 字符串函数列表概览 函数用法CONCAT(S1,S2,......,Sn)连接S1,S2,......,Sn为一个字符串CONCAT_WS(separator, S1,S2,......,Sn)连接S1一直到Sn&#xff0c;并且中间以separator作为分隔符CHAR_LENGTH(s)返回字符串s的字符数LENGTH…...

【3.8】操作系统内存管理、Redis数据结构、哈希表

内存满了&#xff0c;会发生什么&#xff1f; 当应用程序读写了这块虚拟内存&#xff0c;CPU 就会去访问这个虚拟内存&#xff0c; 这时会发现这个虚拟内存没有映射到物理内存&#xff0c; CPU 就会产生缺页中断&#xff0c;进程会从用户态切换到内核态&#xff0c;并将缺页中…...

Shell编程:轻松掌握入门级Shell脚本,成为Shell高手

文章目录前言一. 实验环境二. shell基础入门精讲2.1 什么是shell脚本&#xff1f;2.2 shell的种类2.3 脚本案例2.3.1 打印 hello-word案例2.3.2 统计指定目录下的文件数和目录数2.4 shell脚本编写规范总结前言 &#x1f3e0;个人主页&#xff1a;我是沐风晓月 &#x1f9d1;个人…...

FastApi的搭建与测试

一、fastapi的安装 1-1、使用pip安装 安装fastapi的语句 pip install fastapi -i https://mirrors.aliyun.com/pypi/simple因为fastapi启动依赖于uvicorn&#xff0c;所以我们还需要安装uvicorn。 pip install uvicorn -i https://mirrors.aliyun.com/pypi/simple下面我们来…...

C++基础——C++面向对象之重载与多态基础总结(函数重载、运算符重载、多态的使用)

【系列专栏】&#xff1a;博主结合工作实践输出的&#xff0c;解决实际问题的专栏&#xff0c;朋友们看过来&#xff01; 《QT开发实战》 《嵌入式通用开发实战》 《从0到1学习嵌入式Linux开发》 《Android开发实战》 《实用硬件方案设计》 长期持续带来更多案例与技术文章分享…...

调用一个函数时发生了什么?

欢迎来到 Claffic 的博客 &#x1f49e;&#x1f49e;&#x1f49e; 前言&#xff1a; 用C语言写代码&#xff0c;如果一个工程相对复杂时&#xff0c;我们往往会采取封装函数的方式。在主函数中调用函数 这一看似简单的过程&#xff0c;实际上有很多不宜观察的细节&#xff0…...

MindAR的网页端WebAR图片识别功能的图片目标编译器中文离线版本功能(含源码)

前言 之前制作了基于MindAR实现的网页端WebAR图片识别叠加动作模型追踪功能的demo&#xff0c;使用了在线的图像目标编译器对识别图进行了编译&#xff0c;并实现了自制的WebAR效果&#xff0c;大致效果如下&#xff1a; 但是在线的编译器在操作中也不是很方便&#xff0c;我…...

MO-OBAM模型参数调优实战:平衡数据匿名化中的隐私保护与信息损失

1. 项目概述与核心挑战数据匿名化&#xff0c;听起来像是个技术黑话&#xff0c;但说白了&#xff0c;就是给数据“戴上面具”。无论是金融信贷记录、人口普查信息还是敏感的医疗病历&#xff0c;在共享给第三方进行分析前&#xff0c;都必须经过这道工序&#xff0c;以防止张三…...

机器学习势函数解析铁电相变:从原子位移到激光调控的微观动力学

1. 铁电相变&#xff1a;从宏观现象到原子舞步铁电材料&#xff0c;比如我们熟知的铌酸锂&#xff08;LiNbO₃&#xff09;&#xff0c;在电子和光电器件里扮演着核心角色。它们最迷人的特性之一&#xff0c;就是其内部的自发极化方向可以被外加电场翻转&#xff0c;这个特性被…...

混沌系统预测极限:稀疏观测、数据同化与混沌同步的信息门槛

1. 项目概述&#xff1a;从稀疏观测中预测混沌 在天气预报、湍流模拟乃至金融系统分析中&#xff0c;我们常常面临一个核心难题&#xff1a;如何利用有限、稀疏且带有噪声的观测数据&#xff0c;去准确预测一个高维、非线性的混沌系统未来的演化&#xff1f;这就像试图通过几个…...

行列式点过程:从统计独立到负依赖的机器学习范式跃迁

1. 项目概述&#xff1a;从统计独立到负依赖的范式跃迁在机器学习和统计学的工具箱里&#xff0c;统计独立性长期以来扮演着基石的角色。从朴素贝叶斯分类器的特征条件独立假设&#xff0c;到蒙特卡洛方法中独立同分布的采样点&#xff0c;再到随机梯度下降中独立的小批量数据&…...

符号回归在超快磁动力学研究中的应用:从数据中挖掘物理规律

1. 项目概述&#xff1a;当机器学习遇见超快磁动力学 在自旋电子学这个前沿领域&#xff0c;我们一直在与时间赛跑。从纳秒级的磁畴翻转&#xff0c;到飞秒级的超快退磁&#xff0c;理解磁性材料在不同时间尺度下的行为&#xff0c;是设计下一代高速、高密度存储器和逻辑器件的…...

FPGA加速机器学习在粒子物理触发系统中的应用与实战

1. 项目概述&#xff1a;当FPGA遇上机器学习&#xff0c;为粒子物理装上“火眼金睛” 在大型强子对撞机&#xff08;LHC&#xff09;的心脏地带&#xff0c;每秒发生着数亿次质子对撞。每一次对撞都可能产生希格斯玻色子、顶夸克&#xff0c;或是我们尚未知晓的新物理现象。然而…...

【Python趣味编程】用 Tkinter 打造“爱心便签墙”:一份来自代码的温柔

【Python趣味编程】用 Tkinter 打造“爱心便签墙”&#xff1a;一份来自代码的温柔 文章目录【Python趣味编程】用 Tkinter 打造“爱心便签墙”&#xff1a;一份来自代码的温柔&#x1f3af; 前言&#x1f9e0; 核心思路关键点&#xff1a;&#x1f4bb; 完整代码&#x1f527;…...

Rust异步编程实战:构建高性能并发应用

引言 异步编程是构建高性能后端服务的关键技术。作为从Python转向Rust的开发者&#xff0c;我发现Rust的异步模型与Python有很大不同。Rust的异步编程基于协程和事件驱动&#xff0c;通过Tokio运行时实现高效的并发执行。本文将深入探讨Rust异步编程的核心概念、实践模式和性能…...

Vision Mamba边缘加速器设计:软硬件协同优化与混合量化策略

1. 项目概述&#xff1a;为什么边缘设备需要为Vision Mamba“量身定制”加速器&#xff1f;在边缘设备上跑视觉模型&#xff0c;听起来就像让一辆家用轿车去跑拉力赛。算力、内存、功耗&#xff0c;处处都是掣肘。传统的视觉Transformer&#xff08;ViT&#xff09;虽然性能强悍…...

Kubernetes多租户管理:实现资源隔离与安全的完整指南

Kubernetes多租户管理&#xff1a;实现资源隔离与安全的完整指南 引言 在企业环境中&#xff0c;多租户管理是Kubernetes的重要功能。通过多租户管理&#xff0c;可以实现不同团队或客户之间的资源隔离和安全控制。这对于共享Kubernetes集群的场景尤为重要。 作为一名资深的Dev…...