最美情侣中文字幕电影,在线麻豆精品传媒,在线网站高清黄,久久黄色视频

歡迎光臨散文網(wǎng) 會員登陸 & 注冊

MIMO檢測-基于馬爾科夫隨機場的置信傳播算法-非LLR形式

2022-09-24 19:33 作者:樂吧的數(shù)學(xué)  | 我要投稿

MIMO 檢測(MIMO detection),是根據(jù)接收天線接收到的數(shù)據(jù),估計發(fā)射天線發(fā)送的數(shù)據(jù)。當然,這個問題的前提是信道系數(shù)已經(jīng)知道。 我們假設(shè)信道是平坦衰落的,即發(fā)送的信號乘以一個復(fù)數(shù)增益,就是接收到的數(shù)據(jù)。

MIMO 檢測有很多種方法,這個文檔,我們想講一下基于馬爾科夫隨機場(Markov Random Field, MRF) 的置信傳播(Belief Propagration, BP)算法。

由于每個接收的天線都能接收到所有發(fā)射天線來的信號,因此,在接收到的每個信號,都可以給出每個發(fā)送符號的概率信息。因此,如果把每個發(fā)射信號都各看成一種需要估計的東西,那么這些估計之間是相互依賴的,這種依賴關(guān)系,是由接收天線得到的數(shù)據(jù)建立起來的。我們構(gòu)造的馬爾科夫隨機場概率圖模型中,是看不到接收到的信號的,是隱藏在后面的。例如,一個四根發(fā)射天線四根接收天線的系統(tǒng)如圖一,對應(yīng)的馬爾科夫隨機場如圖二。

圖一 MIMO 系統(tǒng)示意圖


?? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ???



圖二? 馬爾科夫隨機場概率圖模型


?? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ??? ???



我們來推導(dǎo)一下全概率公式,即全概率的后驗概率
p(x%7Cy%2CH)


其中 x 是發(fā)送數(shù)據(jù)的列向量, y 是接收數(shù)據(jù)的列向量, H 是 Nr x Nt 的信道系數(shù)矩陣。若 n 是高斯白噪聲信號構(gòu)成的列向量,則:
y%20%3D%20Hx%20%2B%20n


那么

p(x%7Cy%2CH)%20%3D%20%5Cfrac%7Bp(x%2Cy%7CH)%7D%7Bp(y%7CH)%7D%20%3D%20%5Cfrac%7B1%7D%7Bp(y%7CH)%7Dp(x%7CH)p(y%7Cx%2CH)%20%20%5Cquad%20---%E5%85%AC%E5%BC%8F(0)


其中,因為 x 是與 H 無關(guān)的,且 x 各個元素的取值也是相互獨立的,則:

p(x%7CH)%20%3D%20p(x)%20%3D%20%5Cprod_i%20p(x_i)


現(xiàn)在來推導(dǎo)一下?p(y%7Cx%2CH) :

給定 x 和 H 后,y 是一個均值為 Hx,協(xié)方差為?%5Csigma%5E2%20I_%7BN_r%7D 的 復(fù)高斯隨機向量。



我們把?%20%5Cleft%20%5C%7Cy-Hx%5Cright%20%5C%7C%5E2 展開:

%5Cbegin%7Baligned%7D%0A%5Cleft%20%5C%7Cy-Hx%5Cright%20%5C%7C%5E2%20%26%20%3D%20(y-Hx)%5EH(y-Hx)%20%3D%20(y%5EH%20-%20x%5EHH%5EH)(y-Hx)%20%20%5C%5C%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%26%3D%20y%5EH%20y%20-%20y%5EH%20Hx%20-%20x%5EH%20H%5EHy%20%2B%20x%5EH%20H%5EH%20Hx%20%20%20%5C%5C%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%26%3D%20y%5EH%20y%20-%20(%5Ccolor%7Bred%7D%7B%20(x%5EH%20H%5EHy)%5EH%20%2B%20x%5EH%20H%5EHy%20%7D)%20%2B%20%20x%5EH%20H%5EH%20Hx%20%20%5C%5C%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%26%3Dy%5EH%20y%20-%202%20%5CRe%5C%7Bx%5EH%20H%5EHy%5C%7D%20%2B%20%20x%5EH%20H%5EH%20Hx%20%20%5Cquad%20---%20%E5%85%AC%E5%BC%8F(2)%0A%5Cend%7Baligned%7D
其中?%5CRe 表示取實部的意思。

將公式 (2) 代入 公式 (1):
p(y%7Cx%2CH)%20%3D%20%5Cfrac%7B1%7D%7B%5Csqrt%7B2%20%5Cpi%7D%20%5Csigma%7D%0A%20%20%20%20%20%20%20%20e%5E%7B-%5Cfrac%7By%5EH%20y%7D%7B2%20%5Csigma%5E2%7D%7D%0A%20%20%20%20%20%20e%5E%7B%5Cfrac%7B%5CRe%5C%7Bx%5EH%20H%5EHy%5C%7D%20%7D%7B%20%5Csigma%5E2%7D%7D%0A%20%20%20%20%20%20e%5E%7B-%5Cfrac%7B%20x%5EH%20H%5EH%20Hx%7D%7B2%20%5Csigma%5E2%7D%7D%20%20%5Cquad%20%20---%20%E5%85%AC%E5%BC%8F(3)


因為接收信號 y 和噪聲 都是已知的,因此,可以令:

%5Cbeta%20%3D%20%5Cfrac%7B1%7D%7B%5Csqrt%7B2%20%5Cpi%7D%20%5Csigma%7D%0A%20%20%20%20%20%20%20%20e%5E%7B-%5Cfrac%7By%5EH%20y%7D%7B2%20%5Csigma%5E2%7D%7D
則可以把公式 (3) 簡寫為:

p(y%7Cx%2CH)%20%3D%20%5Cbeta%20%20%20e%5E%7B%5Cfrac%7B%5CRe%5C%7Bx%5EH%20H%5EHy%5C%7D%20%7D%7B%20%5Csigma%5E2%7D%7D%0A%20%20%20%20%20%20e%5E%7B-%5Cfrac%7B%20x%5EH%20H%5EH%20Hx%7D%7B2%20%5Csigma%5E2%7D%7D%20%20%5Cquad%20%20---%20%E5%85%AC%E5%BC%8F(4)


根據(jù)矩陣乘法的一般推導(dǎo)公式(見附件),公式 (4) 可以展開為:

p(y%7Cx%2CH)%20%3D%20%5Cbeta'%20%20%20(%5Cprod_%7Bi%3Cj%7D%20e%5E%7B-x_i%20%5CRe(R_%7Bij%7D)x_j%7D)%20%20%20(%20%5Cprod_i%20e%5E%7Bx_i%20%5CRe(z_i)%7D)%20%20%5Cquad%20---%20%E5%85%AC%E5%BC%8F(5)
其中

R%20%3D%20%5Cfrac%7B1%7D%7B%5Csigma%5E2%7D%20H%5EH%20H%20%20%5C%5C%0Az%20%3D%20%5Cfrac%7B1%7D%7B%5Csigma%5E2%7D%20H%5EH%20y


另外需要注意,在矩陣展開時,又引入了一些常數(shù),因此公式 (5) 中的常數(shù)與公式(4) 中的常數(shù)是不同的,因此,我加了一個撇號做標記,以示不同。

綜合上面的推導(dǎo),公式 (0) 可以寫成:

%5Cbegin%7Baligned%7D%0Ap(x%7Cy%2CH)%20%26%3D%20%20%5Cfrac%7B1%7D%7Bp(y%7CH)%7Dp(x)%20%20%5Cbeta'%20%20%20(%5Cprod_%7Bi%3Cj%7D%20e%5E%7B-x_i%20%5CRe(R_%7Bij%7D)x_j%7D)%20%20%20(%20%5Cprod_i%20e%5E%7Bx_i%20%5CRe(z_i)%7D)%20%20%5C%5C%0A%20%26%3D%5Cbeta''%20%20%20(%5Cprod_%7Bi%3Cj%7D%20e%5E%7B-x_i%20%5CRe(R_%7Bij%7D)x_j%7D)%20%20%20(%20%5Cprod_i%20e%5E%7Bx_i%20%5CRe(z_i)%7D)%20%5Cprod_i%20p(x_i)%20%20%5Cquad%20---%E5%85%AC%E5%BC%8F(6)%0A%5Cend%7Baligned%7D
令:

%5Cbegin%7Baligned%7D%0A%5Cpsi_%7Bi%2Cj%7D(x_i%2Cx_j)%20%20%26%3D%20e%5E%7B-x_i%20%5CRe(R_%7Bij%7D)%20x_j%7D%20%20%5C%5C%0A%5Cphi_i(x_i)%20%26%20%3D%20e%5E%7Bx_i%20%5CRe(z_i)%20%7Dp(x_i)%0A%5Cend%7Baligned%7D


根據(jù)馬爾科夫隨機場概率模型的相關(guān)定理(此處需要補充細節(jié)),從 i 到 j 的消息為:

m%5Et_%7Bi-%3Ej%7D(x_j)%20%3C----%20%5Csum_%7Bx_i%7D%20%5Cphi_i(x_i)%20%5Cpsi_%7Bi%2Cj%7D(x_i%2Cx_j)%20%20%5Cprod_%7Bk%5Cin%20N(i)%20%5Csetminus%20j%7D%20m%5E%7Bt-1%7D_%7Bk-%3Ei%7D(x_i)%20%20%5Cquad%20---%E5%85%AC%E5%BC%8F(7)


公式(7) 中需要注意的是上標 t,這個表示迭代的輪次。第 t 輪的所有消息的計算,都是基于 t-1 輪的消息,要把所有消息都計算完畢之后, t-1 輪的消息才沒有用了,t 輪的消息才變成 t+1 輪的輸入。



則 最終關(guān)于變量?x_i 的概率信息(置信度)正比于:

b_i(x_i)%20%5Cpropto%20%5Cphi_i(x_i)%20%5Cprod_%7Bk%5Cin%20N(i)%20%7D%20m_%7Bk-%3Ei%7D(x_i)%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%5Cquad%20---%E5%85%AC%E5%BC%8F(8)


通過比較??b_i(x_i%3D1) 與?b_i(x_i%3D-1) 的大小 ,可以對?x_i 做判決。




代碼(Matlab)


仿真的結(jié)果:


附錄一:矩陣公式的推導(dǎo)

在文中從公式(4) 到公式(5),這里面有點跳躍,現(xiàn)在在這里詳細證明一下。

x%5EH%20H%5EH%20Hx


首先,令 R%20%3D%20H%5EH%20H, 則我們需要分析的矩陣乘法是: x%5EH%20R%20x
我們先計算后兩個相乘的部分:

%0ARx%20%3D%0A%5Cbegin%7Bbmatrix%7D%0A%20%5Csum_%7Bj%3D1%7D%5E%7BNt%7D%20R_%7B1j%7D%20x_j%5C%5C%0A%20%5Csum_%7Bj%3D1%7D%5E%7BNt%7D%20R_%7B2j%7D%20x_j%5C%5C%0A%20...%5C%5C%0A%20%5Csum_%7Bj%3D1%7D%5E%7BNt%7D%20R_%7BN_tj%7D%20x_j%0A%0A%5Cend%7Bbmatrix%7D



%0Ax%5EH%20Rx%20%3D%20x%5EH%20%5Cbegin%7Bbmatrix%7D%0A%20%5Csum_%7Bj%3D1%7D%5E%7BN_t%7D%20R_%7B1j%7D%20x_j%5C%5C%0A%20%5Csum_%7Bj%3D1%7D%5E%7BN_t%7D%20R_%7B2j%7D%20x_j%5C%5C%0A%20...%5C%5C%0A%20%5Csum_%7Bj%3D1%7D%5E%7BN_t%7D%20R_%7BN_tj%7D%20x_j%0A%0A%5Cend%7Bbmatrix%7D%20%3D%0A%5Bx_1%5E*%2C%20x_2%5E*%2C...%2Cx_%7BN_t%7D%5E*%5D%0A%5Cbegin%7Bbmatrix%7D%0A%20%5Csum_%7Bj%3D1%7D%5E%7BN_t%7D%20R_%7B1j%7D%20x_j%5C%5C%0A%20%5Csum_%7Bj%3D1%7D%5E%7BN_t%7D%20R_%7B2j%7D%20x_j%5C%5C%0A%20...%5C%5C%0A%20%5Csum_%7Bj%3D1%7D%5E%7BN_t%7D%20R_%7BN_tj%7D%20x_j%0A%0A%5Cend%7Bbmatrix%7D%0A%3D%0A%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20x_i%5E*%20(%5Csum_%7Bj%3D1%7D%5E%7BN_t%7D%20R_%7Bij%7Dx_j)%20%3D%20%5Csum_%7Bi%3D1%2Cj%3D1%7D%5E%7BN_t%2CN_t%7D%20x_i%5E*%20R_%7Bij%7D%20x_j


信道系數(shù)矩陣 H 的自相關(guān)矩陣 R 中,主對角線上的元素都是實數(shù),沒有虛部。

又由于我們假定是 BPSK,只有 +1 和 -1 兩種取值,所以在上面的求和公式中,i=j 的部分可以單獨拿出來?? (-1)*(-1) =1, ?? 1*1 =1 :

%5Csum_%7Bi%3D1%2Cj%3D1%7D%5E%7BN_t%2CN_t%7D%20x_i%5E*%20R_%7Bij%7D%20x_j%20%3D%20%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20x_i%5E*%20R_%7Bii%7D%20x_i%20%3D%20%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20R_%7Bii%7D



這是與?x_i 無關(guān)的常量。



另外,當?i%20%5Cneq%20j 時,因為 R 矩陣有共軛轉(zhuǎn)置就是其自身的特性,所以:

%5Cbegin%7Baligned%7D%0A%5Csum_%7Bi%3D1%2Cj%3D1%7D%5E%7BN_t%2CN_t%7D%20x_i%5E*%20R_%7Bij%7D%20x_j%20%26%3D%20%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20R_%7Bii%7D%20%2B%20%5Csum_%7Bi%3D1%2Cj%3D1%2C%20i%5Cneq%20j%7D%5E%7BN_t%2CN_t%7D%20x_i%5E*%20R_%7Bij%7D%20x_j%20%20%5C%5C%0A%26%3D%20%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20R_%7Bii%7D%20%2B%20%5Csum_%7Bi%3D1%2Cj%3D1%2C%20i%3Cj%7D%5E%7BN_t%2CN_t%7D%20(x_i%5E*%20R_%7Bij%7D%20x_j%20%2B%20x_j%5E*%20R_%7Bji%7D%20x_i)%20%5C%5C%0A%26%3D%20%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20R_%7Bii%7D%20%2B%20%5Csum_%7Bi%3D1%2Cj%3D1%2C%20i%3Cj%7D%5E%7BN_t%2CN_t%7D%20(x_i%5E*%20R_%7Bij%7D%20x_j%20%2B%20(x_i%5E*%20R_%7Bji%7D%5E%7B%5Ccolor%7Bred%7D%7B*%7D%7D%20x_j)%5E*)%20%5C%5C%0A%26%3D%20%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20R_%7Bii%7D%20%2B%20%5Csum_%7Bi%3D1%2Cj%3D1%2C%20i%3Cj%7D%5E%7BN_t%2CN_t%7D%20(x_i%5E*%20R_%7Bij%7D%20x_j%20%2B%20(x_i%5E*%20R_%7Bij%7D%20x_j)%5E*)%20%5C%5C%0A%0A%26%3D%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20R_%7Bii%7D%20%2B%20%5Csum_%7Bi%3D1%2Cj%3D1%2C%20i%3Cj%7D%5E%7BN_t%2CN_t%7D%202%5CRe(x_i%5E*%20R_%7Bij%7D%20x_j)%20%5C%5C%0A%26%3D%5Csum_%7Bi%3D1%7D%5E%7BN_t%7D%20R_%7Bii%7D%20%2B%20%5Csum_%7Bi%3D1%2Cj%3D1%2C%20i%3Cj%7D%5E%7BN_t%2CN_t%7D%202%5CRe(x_i%20R_%7Bij%7D%20x_j)%20%5C%5C%0A%0A%5Cend%7Baligned%7D



珍惜環(huán)境,減少塑料垃圾進入河流海洋,謝謝了


MIMO檢測-基于馬爾科夫隨機場的置信傳播算法-非LLR形式的評論 (共 條)

分享到微博請遵守國家法律
绍兴县| 涿鹿县| 肇州县| 独山县| 和硕县| 山东| 五常市| 黎城县| 灵山县| 韶山市| 万安县| 天镇县| 新巴尔虎右旗| 南川市| 阳谷县| 绥化市| 军事| 航空| 西贡区| 桑植县| 天镇县| 兖州市| 红桥区| 滦南县| 香港 | 双柏县| 中阳县| 建阳市| 高陵县| 浦城县| 陇川县| 东宁县| 蒲江县| 河间市| 青海省| 新昌县| 宁波市| 肥城市| 新丰县| 巫山县| 崇信县|