基于MRC,ZF,MMSE，ZF-SIC,MMSE-SIC算法实现MIMO接收性能检测，绘制误比特率～接收天线数曲线

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

在无线通信系统中，接收性能的优化是一个重要的研究领域。Vblast（垂直布置的多天线）是一种多天线技术，通过在发送端和接收端使用多个天线来提高系统的性能。然而，为了实现Vblast系统，我们需要一些先进的算法来处理多天线之间的干扰。

本文将介绍基于最大比合并（MRC）、零离子（ZF）、最小均方误差（MMSE）、零离子-干扰消除（ZF-SIC）和最小均方误差-干扰消除（MMSE-SIC）算法的Vblast接收性能检测。我们将使用这些算法来绘制误比特率-接收天线数曲线，以评估它们在不同接收天线数下的性能。

首先，我们将简要介绍这些算法的原理。MRC算法通过将来自不同天线的信号进行合并，选择最强的信号来进行解调。这样可以有效地提高信号的质量。ZF算法通过将接收到的信号与信道矩阵的逆矩阵相乘，消除了多天线之间的干扰。MMSE算法则通过最小化均方误差来优化接收信号的质量。

接下来，我们将介绍ZF-SIC和MMSE-SIC算法。这些算法在ZF和MMSE的基础上，进一步消除了多天线之间的干扰。ZF-SIC算法首先使用ZF算法进行解调，然后对解调后的信号进行干扰消除。类似地，MMSE-SIC算法首先使用MMSE算法进行解调，然后对解调后的信号进行干扰消除。这样，我们可以进一步提高接收性能。

为了评估这些算法的性能，我们将绘制误比特率-接收天线数曲线。误比特率是衡量接收信号质量的指标，它表示在接收到的信号中每个比特错误的概率。我们将在不同的接收天线数下，使用MRC、ZF、MMSE、ZF-SIC和MMSE-SIC算法进行接收，并记录误比特率。然后，我们将这些数据绘制成曲线，以比较不同算法在不同接收天线数下的性能。

通过绘制误比特率-接收天线数曲线，我们可以看到不同算法的性能差异。在接收天线数较少的情况下，MRC算法可能表现较好。随着接收天线数的增加，ZF算法的性能可能逐渐超过MRC算法。而MMSE算法则可能在更高的接收天线数下表现更好。ZF-SIC和MMSE-SIC算法可以进一步提高性能，尤其是在较高的接收天线数下。

综上所述，基于MRC、ZF、MMSE、ZF-SIC和MMSE-SIC算法的Vblast接收性能检测可以帮助我们评估不同算法在多天线系统中的性能。通过绘制误比特率-接收天线数曲线，我们可以比较不同算法在不同接收天线数下的性能差异。这些算法可以为无线通信系统的优化提供有价值的参考。

⛄ 部分代码

​% 仿真五种（MRC,ZF,MMSE，ZF-SIC,MMSE-SIC） Vblast接收的检测性能，绘制误比特率～接收天线数曲线。 % 发端初始化=============================================================== % 发射天线数tx,接收天线数rx,发射矩阵长度L(帧长) clear all;clc;​tx=10;rx_number=[20:20:200];L=10000; Modulation='QPSK';EbN0=5;B=30000;Ts=1/24300; SNR=EbN0-10*log10(Ts*B);% SNR=5;% 信源A A=randi([0,3],tx*L,1); % 经过QPSK调制的V-Blast发射矩阵X X1=reshape(A,tx,L);X=zeros(tx,L); for k=1:L    X(:,k)=pskmod(X1(:,k),4);end ​% 检测​% MRC======================================================================disp('MRC');berm=[];​for rx=rx_number    rx    % 快衰落Rayleigh信道H     H=sqrt(1/2)*(randn(rx,tx,L)+i*randn(rx,tx,L));     % 均值为0方差为1的高斯白噪声n     n=sqrt(1/2)*(randn(rx,L)+i*randn(rx,L));    % 未叠加噪声的接收信号R     R=zeros(rx,L);     for k=1:L       R(:,k)=sqrt(1/tx)*H(:,:,k)*X(:,k);     end        snr=10^(SNR/10);    R_noised=R+sqrt(1/snr)*n;    x=[];        % 逐时隙对接收符号矢量进行检测，合并得到一帧发射矩阵X的估计x     for t=1:L        r=R_noised(:,t);        HH=H(:,:,t);        G=HH';        y=G*r;        xtemp=zeros(tx,1);        for k=1:tx            if imag(y(k))<real(y(k)) && imag(y(k))>-real(y(k))                xtemp(k)=1;            elseif imag(y(k))>real(y(k)) && imag(y(k))>-real(y(k))                xtemp(k)=i;            elseif imag(y(k))>real(y(k)) && imag(y(k))<-real(y(k))                xtemp(k)=-1;            elseif imag(y(k))<real(y(k)) && imag(y(k))<-real(y(k))                xtemp(k)=-i;            end        end        x=[x,xtemp];    end    % 从x求A的估计a     x1=zeros(tx,L);    for k=1:L        x1(:,k)=pskdemod(x(:,k),4);    end    a=reshape(x1,tx*L,1);    % 比较A和a计算错值率temp_ber    [errbit,temp_ber]=biterr(A,a,2);     berm=[berm,temp_ber];endfiguresemilogy(rx_number,berm,'*- g');hold on​% ZF=======================================================================disp('ZF');berz=[];​for rx=rx_number    rx    % 快衰落Rayleigh信道H     H=sqrt(1/2)*(randn(rx,tx,L)+i*randn(rx,tx,L));     % 均值为0方差为1的高斯白噪声n     n=sqrt(1/2)*(randn(rx,L)+i*randn(rx,L));    % 未叠加噪声的接收信号R     R=zeros(rx,L);     for k=1:L       R(:,k)=sqrt(1/tx)*H(:,:,k)*X(:,k);     end        snr=10^(SNR/10);    R_noised=R+sqrt(1/snr)*n;    x=[];        % 逐时隙对接收符号矢量进行检测，合并得到一帧发射矩阵X的估计x     for t=1:L        r=R_noised(:,t);        HH=H(:,:,t);        G=pinv(HH);        y=G*r;        xtemp=zeros(tx,1);        for k=1:tx            if imag(y(k))<real(y(k)) && imag(y(k))>-real(y(k))                xtemp(k)=1;            elseif imag(y(k))>real(y(k)) && imag(y(k))>-real(y(k))                xtemp(k)=i;            elseif imag(y(k))>real(y(k)) && imag(y(k))<-real(y(k))                xtemp(k)=-1;            elseif imag(y(k))<real(y(k)) && imag(y(k))<-real(y(k))                xtemp(k)=-i;            end        end        x=[x,xtemp];    end    % 从x求A的估计a     x1=zeros(tx,L);    for k=1:L        x1(:,k)=pskdemod(x(:,k),4);    end    a=reshape(x1,tx*L,1);    % 比较A和a计算错值率temp_ber    [errbit,temp_ber]=biterr(A,a,2);     berz=[berz,temp_ber];endsemilogy(rx_number,berz,'o- b');​% MMSE=====================================================================disp('MMSE');bermm=[];​for rx=rx_number    rx    % 快衰落Rayleigh信道H     H=sqrt(1/2)*(randn(rx,tx,L)+i*randn(rx,tx,L));     % 均值为0方差为1的高斯白噪声n     n=sqrt(1/2)*(randn(rx,L)+i*randn(rx,L));    % 未叠加噪声的接收信号R     R=zeros(rx,L);     for k=1:L       R(:,k)=sqrt(1/tx)*H(:,:,k)*X(:,k);     end        snr=10^(SNR/10);    R_noised=R+sqrt(1/snr)*n;    x=[];        % 逐时隙对接收符号矢量进行检测，合并得到一帧发射矩阵X的估计x     for t=1:L        r=R_noised(:,t);        HH=H(:,:,t);        G=inv(HH'*HH+(1/snr)*eye(tx))*HH';        y=G*r;        xtemp=zeros(tx,1);        for k=1:tx            if imag(y(k))<real(y(k)) && imag(y(k))>-real(y(k))                xtemp(k)=1;            elseif imag(y(k))>real(y(k)) && imag(y(k))>-real(y(k))                xtemp(k)=i;            elseif imag(y(k))>real(y(k)) && imag(y(k))<-real(y(k))                xtemp(k)=-1;            elseif imag(y(k))<real(y(k)) && imag(y(k))<-real(y(k))                xtemp(k)=-i;            end        end        x=[x,xtemp];    end    % 从x求A的估计a     x1=zeros(tx,L);    for k=1:L        x1(:,k)=pskdemod(x(:,k),4);    end    a=reshape(x1,tx*L,1);    % 比较A和a计算错值率temp_ber    [errbit,temp_ber]=biterr(A,a,2);     bermm=[bermm,temp_ber];endsemilogy(rx_number,bermm,'o- r');​% ZF-SIC===================================================================disp('ZF-SIC');berzs=[];​for rx=rx_number    rx    % 快衰落Rayleigh信道H    H=sqrt(1/2)*(randn(rx,tx,L)+i*randn(rx,tx,L));    % 均值为0方差为1的高斯白噪声n    n=sqrt(1/2)*(randn(rx,L)+i*randn(rx,L));    % 未叠加噪声的接收信号R    R=zeros(rx,L);    for k=1:L        R(:,k)=sqrt(1/tx)*H(:,:,k)*X(:,k);    end        snr=10^(SNR/10);    R_noised=R+sqrt(1/snr)*n;    x=[];        for t=1:L        r=R_noised(:,t);        HH=H(:,:,t);        G=pinv(HH);        S=[1:tx];        xtemp=zeros(tx,1);        for k=1:tx            [wki,ki]=minnorm(G);            y=wki*r;            if imag(y)<real(y) && imag(y)>-real(y)                xtemp(S(ki))=1;            elseif imag(y)>real(y) && imag(y)>-real(y)                xtemp(S(ki))=i;            elseif imag(y)>real(y) && imag(y)<-real(y)                xtemp(S(ki))=-1;            elseif imag(y)<real(y) && imag(y)<-real(y)                xtemp(S(ki))=-i;            end            r=r-sqrt(1/tx)*xtemp(S(ki))*H(:,S(ki),t);            HH(:,ki)=[];            S(ki)=[];            G=pinv(HH);        end        x=[x,xtemp];    end    % 从x求A的估计a     x1=zeros(tx,L);    for k=1:L        x1(:,k)=pskdemod(x(:,k),4);    end    a=reshape(x1,tx*L,1);    % 比较A和a计算错值率temp_ber     [errbit,temp_ber]=biterr(A,a,2);     berzs=[berzs,temp_ber];endsemilogy(rx_number,berzs,'s- b');​% MMSE-SIC=================================================================disp('MMSE-SIC')bermms=[];​for rx=rx_number    rx    % 快衰落Rayleigh信道H    H=sqrt(1/2)*(randn(rx,tx,L)+i*randn(rx,tx,L));    % 均值为0方差为1的高斯白噪声n    n=sqrt(1/2)*(randn(rx,L)+i*randn(rx,L));    % 未叠加噪声的接收信号R    R=zeros(rx,L);    for k=1:L        R(:,k)=sqrt(1/tx)*H(:,:,k)*X(:,k);    end        snr=10^(SNR/10);    R_noised=R+sqrt(1/snr)*n;    x=[];        for t=1:L        r=R_noised(:,t);        HH=H(:,:,t);%         G=pinv(HH);        G=inv(HH'*HH+(1/snr)*eye(tx))*HH';        S=[1:tx];        xtemp=zeros(tx,1);        for k=1:tx            [wki,ki]=minnorm(G);%             w=inv(HH'*HH+(1/snr)*eye(tx-k+1))*HH';%             y=w(ki,:)*r;            y=wki*r;            if imag(y)<real(y) && imag(y)>-real(y)                xtemp(S(ki))=1;            elseif imag(y)>real(y) && imag(y)>-real(y)                xtemp(S(ki))=i;            elseif imag(y)>real(y) && imag(y)<-real(y)                xtemp(S(ki))=-1;            elseif imag(y)<real(y) && imag(y)<-real(y)                xtemp(S(ki))=-i;            end            r=r-sqrt(1/tx)*xtemp(S(ki))*H(:,S(ki),t);            HH(:,ki)=[];            S(ki)=[];%             G=pinv(HH);            G=inv(HH'*HH+(1/snr)*eye(tx-k))*HH';        end        x=[x,xtemp];    end    % 从x求A的估计a     x1=zeros(tx,L);    for k=1:L        x1(:,k)=pskdemod(x(:,k),4);    end    a=reshape(x1,tx*L,1);    % 比较A和a计算错值率temp_ber     [errbit,temp_ber]=biterr(A,a,2);     bermms=[bermms,temp_ber];   endsemilogy(rx_number,bermms,'s- r');​grid onlegend('MRC','ZF','MMSE','ZF-SIC','MMSE-SIC'); xlabel('接收天线数'); ylabel('误比特率(BER)'); title('blast检测比较')​

⛄ 运行结果

⛄ 参考文献

[1]杨敬畏.大规模MIMO系统的检测算法研究[D].杭州电子科技大学[2023-08-14].

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合