m瑞利信道下对比ZF-SIC,MMSE-SIC,MRC三种均衡算法的误码率matlab仿真

1.算法描述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：

     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）。

   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。

2.仿真效果预览 matlab2022a仿真结果如下： m瑞利信道下对比ZF-SIC,MMSE-SIC,MRC三种均衡算法的误码率matlab仿真

3.MATLAB核心程序

Nuser   = 5;
len_dat = 1000; 
 
num_T   = 2;
num_R   = 2;
Totalerr= 1e5;
Error   =[];
 
for ij=1:length(SNR)
    Num_err = 0; %蒙特卡洛模拟次数
    Numbers = 0; %误码率累加器
    while Num_err<=Totalerr/10
        fprintf('SNR = %f\n', SNR(ij));
        Num_err
        %QPSK发射信号
        signal         = randi([0,3],Nuser*num_T*len_dat,1); 
        signal_matrix  = reshape(signal,num_T,Nuser,len_dat);
        signal_matrix2 = zeros(num_T,Nuser,len_dat);
        for k=1:len_dat
            for k2=1:Nuser
                signal_matrix2(:,k2,k) = pskmod(signal_matrix(:,k2,k),4);
            end
        end
        %Rayleigh
        H_ray     = (randn(num_R,num_T,Nuser,len_dat) + sqrt(-1)*randn(num_R,num_T,Nuser,len_dat))/sqrt(2); 
        N_awg     = (randn(num_R,Nuser,len_dat)       + sqrt(-1)*randn(num_R,Nuser,len_dat))/sqrt(2); 
        %接收
        Rec       = zeros(num_R,Nuser,len_dat); 
        for k=1:len_dat 
            for k2=1:Nuser
                Rec(:,k2,k)=H_ray(:,:,k2,k)*signal_matrix2(:,k2,k)/sqrt(Nuser*num_T); 
            end
        end 
        
        R_noised = Rec + sqrt(1/(10^(SNR(ij)/10)))*N_awg; %高斯白噪声
        x        = [];
        for t=1:len_dat
            for k=1:Nuser
                Rect      = R_noised(:,k,t);
                Ht_ray    = H_ray(:,:,k,t);
                Hmmsesic  = inv(Ht_ray'*Ht_ray+(1/(10^(SNR(ij)/10)))*eye(num_T))*Ht_ray';
                xbits     = func_mmse_dmd(Rect,Hmmsesic,H_ray(:,:,k,t),Ht_ray,[1:num_T],num_T,Nuser,SNR(ij));
                x(:,k,t)  = xbits;
            end
        end
        x1 = zeros(num_T,Nuser,len_dat);
        for k=1:len_dat
            for k2=1:Nuser
                x1(:,k2,k) = pskdemod(x(:,k2,k),4);
            end
        end
        Rec_bits          = reshape(x1,Nuser*num_T*len_dat,1);
        [errbit,temp_ber] = biterr(signal,Rec_bits,2); 
        Num_err           = Num_err+errbit;
        Numbers           = Numbers+1;
    end
    Error(ij)=[Num_err/Numbers/length(signal)];
end

秒客网

m瑞利信道下对比ZF-SIC,MMSE-SIC,MRC三种均衡算法的误码率matlab仿真

相关文章