【提高晶格缩减(LR)辅助预编码中VP的性能】向量扰动(VP)预编码在下行链路中多用户通信系统中的应用（Matlab代码实现）

  💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、文章

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

摘要-向量扰动（VP）预编码是下行链路中多用户通信系统的一种有前景的技术。在这项工作中，我们引入了一个混合框架，以提高晶格缩减（LR）辅助预编码中VP的性能。首先，我们使用零强制（ZF）或基于简化晶格基的逐步干扰取消（SIC）进行简单的预编码。由于LR-ZF或LR-SIC预编码后的信号空间可以被证明被限制在一个小范围内，然后加上LR保证的足够正交性，它们共同为随后的近似消息传递（AMP）算法的应用铺平了道路，进一步提升了任何次优预编码器的性能。我们的工作表明，AMP算法对于晶格解码问题是有益的，其数据符号位于整数Z中，且晶格基的条目可能不是独立同分布的高斯分布。数值结果证实，低复杂度的AMP算法可以显著改善LR辅助预编码的符号误差率（SER）性能。最后，混合方案在解决大规模MIMO系统的数据检测问题时，即使不使用LR，也被证明是有效的。关键词-向量扰动，晶格缩减，近似消息传递，大规模MIMO

📚2 运行结果

部分代码：

n=32;% # of users
m=64;% # of received antennas; m is much larger than n in massive mimo
SNR_range=[0:4:16]; % the tested range of SNR
count=0;
algorithms=[1:1:3];
for SNR=SNR_range
for monte=1:4e3 % the number of MonteCarlo simulations

    H=randn(m,n); %channel matrix
    A=7;% size of constellations
    u=1*randi([-A,A],n,1);% symbols in users 
    
    sigmas2=A*(A+1)/3;              % theoretical signal power;  
    sigma2=sigmas2/((10^(SNR/10))); % noise power
    y=H*u+sqrt(sigma2)*randn(m,1);  %the received signal
 
     for j=algorithms
          switch j
             case 1 %  MMSE
            xhat=round(pinv([H;sigma2/sigmas2*eye(n)])*[y;zeros(n,1)]);
            x_mmse=xhat;
             case 2 % MMSE-AMPT
            yp=y-H*x_mmse; %yp is the difference vector
            xhat=x_mmse+AMPT(yp,H,.5,.5); % AMP with ternery priors
             case 3  % MMSE-AMPG
            yp=y-H*x_mmse;
            xhat=x_mmse+AMPG(yp,H,sigmas2/20,.5);% AMP with Gaussian priors;the signal power is unknown
          end   
        uhat=max(min(xhat,A*ones(n,1)),-A*ones(n,1));%estimated symbols
        ser(j,monte)=sum(u~=uhat)/n; % symbol error rate    
     end
end
    count=count+1;
    SER(:,count)=mean(ser,2);
end
 
figure(1)
    for j=algorithms
semilogy(SNR_range,SER(j,:),[linestyles{j} Markers(j)],'Color',SetColors(j,:),'Linewidth',2);
        hold on;

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、文章

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取