MC-CDMA系统中自适应多用户检测技术的研究

论文摘要

多载波CDMA（MC-CDMA）系统中的多用户检测技术能有效地抑制多址干扰,解决远近效应问题,降低系统对功率控制精度的要求,有效利用链路频谱资源,对提高系统容量有显著效果。作为多用户检测的研究热点,自适应多用户检测技术能够很好地解决了实时性问题,受到世界诸多学者的关注。本文系统介绍了多用户检测技术的基本原理以及研究现状,深入研究了基于子空间方法的最小均方误差（MMSE）多用户检测技术、自适应最小输出能量（MOE）多用户检测技术以及基于恒模算法（CMA）的多用户检测技术。给出了传统自适应多用户检测算法在实际应用中存在的收敛速度慢、抗干扰性差、精度低以及计算量大等问题的解决方法,并通过仿真实验验证了其有效性。针对MOE检测器由于受到噪声的影响从而导致性能下降的问题,提出一种噪声抑制的MOE多用户检测算法。利用接收向量的共轭信息定义了一种新的MOE代价函数,将权向量和噪声子空间正交,并将噪声子空间作为MOE检测器的约束条件,设计了一种噪声抑制的线性共轭约束MOE检测器,采用递归最小二乘（RLS）算法迭代得到检测器的权向量,有效抑制了噪声的输出功率,利用伪自相关矩阵的信息,改善了系统的输出信干噪比和误码率性能。在存在多个恒模信号的环境下,传统最小二乘恒模算法很难从多个恒模信号中捕获到期望信号。针对这一问题,提出一种基于线性约束最小二乘恒模的盲多用户检测算法,较好的解决了干扰捕获问题。该算法不但收敛速度快,收敛性能不受步长的影响,而且具有很好的抗多址干扰能力。考虑到经典的子空间方法MMSE检测器采用压缩投影近似子空间跟踪（PASTd）算法进行子空间跟踪时搜索时间长,收敛速度慢的问题,提出了一种修正的PASTd算法,并将其应用于MMSE半盲检测器中。利用线性共轭的方法对MMSE半盲多用户检测算法进行改进,设计了基于子空间方法的线性共轭MMSE半盲检测器,极大地提高了系统的容量,改善了检测性能。定义了一种新的信号子空间,采用正交投影近似子空间跟踪算法（OPAST）自适应估计信号子空间,解决了线性共轭MMSE半盲多用户检测由于求解高维矩阵而导致计算量大的问题,降低了计算复杂度,提高了算法的实用性。将MMSE半盲多用户检测结合阵列天线,得到基于空时结构的子空间MMSE半盲多用户检测。实现了在不增加任何结构和复杂度的情况下将方向向量随子空间跟踪算法一起求解。使用阵列天线充分利用了空间位置不同带来的空域特征,将其与时域特征相结合,有效地提高了用户的抗多址干扰能力。仿真实验结果验证了该算法不仅收敛速度快,而且具有较好的输出信干噪比和误码率性能。考虑实际的MC-CDMA上行链路小区内用户的扩频码已知,而小区外用户的扩频码未知的情况,提出了基于子空间约束的MOE半盲自适应多用户检测算法。充分利用小区内用户的扩频码,设计一种基于MOE准则的半盲检测器。针对MOE检测器由于受到噪声的影响从而导致收敛速度慢、输出性能下降等问题,将权向量投影到信号子空间,提出两种自适应算法：子空间约束RLS算法和子空间约束LMS算法。为了减少计算复杂度,采用修正的PASTd子空间跟踪算法实现了信号子空间的自适应跟踪。不但有效地抑制噪声的影响,消除多址干扰,提高算法的收敛速度,而且可获得更好的输出信干噪比性能。提出基于广义旁瓣相消（GSC）结构的MOE半盲检测算法。利用线性共轭的方法对MOE半盲检测器进行改进,设计了一种线性共轭MOE半盲检测器,根据GSC结构定义一种基于信号子空间的权向量,结合子空间方法和自适应算法实现了权向量的实时更新。该算法有效消除了多址干扰,抑制了噪声的影响,利用了伪自相关矩阵的信息,从而改善了输出信干噪比和误码率性能。采用修正的PASTd子空间跟踪算法估计信号子空间,减少了计算复杂度。

论文目录

• 摘要
• Abstract
• 目录
• 英文缩略语表
• 第一章 绪论
• 1.1 移动通信的发展现状
• 1.2 多载波CDMA通信系统
• 1.3 多用户检测的提出
• 1.4 多用户检测的现状和发展概况
• 1.5 本论文的工作和内容安排
• 第二章 多用户检测技术
• 2.1 传统检测技术
• 2.2 多用户检测技术
• 2.2.1 最优多用户检测技术
• 2.2.2 次最优多用户检测技术
• 2.2.2.1 非线性多用户检测
• 2.2.2.2 线性多用户检测
• 2.3 子空间方法多用户检测
• 2.3.1 解相关多用户检测
• 2.3.2 最小均方误差（MMSE）多用户检测
• 2.3.3 性能分析
• 2.4 最小输出能量（MOE）多用户检测
• 2.4.1 最小均方（LMS）算法
• 2.4.2 递归最小二乘（RLS）算法
• 2.4.3 Kalman滤波算法
• 2.5 基于恒模算法的多用户检测
• 2.5.1 恒模算法
• 2.5.2 最小二乘恒模算法
• 第三章 盲自适应多用户检测
• 3.1 噪声抑制MOE盲多用户检测
• 3.1.1 信号模型
• 3.1.2 噪声抑制MOE多用户检测
• 3.1.3 性能分析
• 3.1.4 仿真实验
• 3.2 线性约束最小二乘恒模盲多用户检测
• 3.2.1 线性约束最小二乘恒模算法
• 3.2.2 仿真实验
• 3.3 本章小结
• 第四章 基于子空间分解的MMSE半盲多用户检测
• 4.1 MMSE半盲多用户检测
• 4.1.1 信号模型
• 4.1.2 MMSE多用户检测
• 4.1.3 修正的PASTd子空间跟踪算法
• 4.1.4 性能分析
• 4.1.5 仿真实验
• 4.2 空时MMSE半盲多用户检测
• 4.2.1 信号模型
• 4.2.2 空时MMSE多用户检测
• 4.2.3 仿真实验
• 4.3 线性共轭MMSE半盲多用户检测
• 4.3.1 信号模型
• 4.3.2 线性共轭MMSE多用户检测
• 4.3.3 仿真实验
• 4.4 改进的线性共轭MMSE半盲多用户检测
• 4.4.1 信号模型
• 4.4.2 改进的线性共轭MMSE多用户检测
• 4.4.3 OPAST子空间跟踪算法
• 4.4.4 仿真实验
• 4.5 本章小结
• 第五章 带有子空间约束的MOE半盲多用户检测
• 5.1 子空间约束RLS自适应算法
• 5.1.1 信号模型
• 5.1.2 子空间约束RLS算法
• 5.1.3 性能分析
• 5.1.4 仿真实验
• 5.2 子空间约束LMS自适应算法
• 5.2.1 子空间约束LMS算法
• 5.2.2 性能分析
• 5.2.3 仿真实验
• 5.3 本章小结
• 第六章 适用于GSC结构的MOE半盲多用户检测
• 6.1 基于LMS的MOE半盲多用户检测
• 6.1.1 信号模型
• 6.1.2 基于LMS的MOE多用户检测
• 6.1.3 性能分析
• 6.1.4 仿真实验
• 6.2 基于Kalman滤波的MOE半盲多用户检测
• 6.2.1 基于Kalman滤波的MOE多用户检测
• 6.2.2 仿真实验
• 6.3 线性共轭MOE半盲多用户检测
• 6.3.1 信号模型
• 6.3.2 线性共轭MOE多用户检测
• 6.3.3 仿真实验
• 6.4 本章小结
• 第七章 结论
• 参考文献
• 致谢
• 攻读博士学位期间论文及获奖情况
• 个人简历