一种混合贪婪和禁忌搜索策略的NOMA多用户检测算法的制作方法

一种混合贪婪和禁忌搜索策略的noma多用户检测算法
技术领域
1.本发明涉及无线通信技术领域，特别是涉及一种混合贪婪和禁忌搜索策略的noma多用户检测算法。


背景技术：

2.随着第五代(5th generation，5g)移动通信系统的商用，海量移动设备接入到系统中，引发关于如何提升频谱效率的探讨。非正交多址(non
‑
orthogonal multiple access，noma)接入方案通常在发送端主动引入干扰，用非正交的方式将多路信号叠加在相同的物理资源块上，再发送出去，接收端使用先进的多用户检测技术，从叠加信号中，恢复出各路信号实现解调，在提升频谱效率、增强用户连接能力等方面，相比正交多址具有明显的技术优势，是进一步发展移动通信系统的关键技术之一。
3.然而，noma系统固有的多址干扰为接收端的信号检测过程带来阻碍，相当于用复杂的接收机设计，来换取频谱效率的提升。因此noma技术实现的一个关键点就在于，高性能低复杂度信号检测算法的设计。3gpp在名为“study on non
‑
orthogonal multiple access(noma)for nr”的技术报告tr 38.812中将上行非正交多址技术分三类：符号级的线性扩展、比特级的交织/扰码叠加和多维稀疏扩展。其中，符号级的线性扩展类非正交多址技术，以多用户共享接入(multi
‑
user shared access，musa)为代表，采用较短的非正交扩展码，接收端采用相对简单的硬干扰消除。终端用户/设备可以随时自主选取非正交扩展码，可以较好地支持竞争式的免调度场景，因此，此类非正交多址技术受到广泛关注。
4.针对符号级线性扩展类noma系统，其中最佳的检测算法是最大似然(maximum likelihood，ml)检测。ml算法使接收信号向量和所有可能的发射信号向量与等效信道的乘积之间的欧氏距离最小，本质上属于一种穷举搜索算法。它的复杂度随调制阶数和用户数量的增加而急剧上升，复杂性极高，无法用于工程实践。
5.yuan z等在ieee 83rd vehicular technology conference(vtc spring).ieee,2016:1
‑
5上的文章“multi
‑
user shared access for internet of things”提出了一种基于最小均方误差串行干扰消除(mmse
‑
sic)算法的多用户检测技术。然而，sic算法存在一个误差传播问题，降低了多用户检测性能。另外，由于初始线性解的不精确性，这种累积在noma系统中更为常见。为了应对这种误差传播现象，eid e m等在12th international conference on computer engineering and systems(icces).ieee,2017:101
‑
106上的文章“performance analysis of musa with different spreading codes using ordered sic methods”提出了一种基于信干噪比排序的sic检测方法，以减少检测过程中的错误。然而mmse
‑
sic算法每次只能检测一个用户，采用串行方式逐一进行干扰消除，算法复杂度高，处理时延较长。
6.人工智能的蓬勃发展为优化无线通信系统提供了新的思路。jung i等在ieee access,2019,7:159899
‑
159917上的文章“an enhanced tabu search based receiver for full
‑
spreading noma systems”利用了人工智能领域的元启发式算法，将noma系统多
用户检测问题看作组合优化问题，利用禁忌搜索算法求其近似最优解，最终获得逼近最佳的良好检测性能。然而算法不足之处在于迭代次数多，检测复杂度偏高。


技术实现要素：

7.本发明改善了现有技术中5g移动通信用户连接能力有待增强的问题，提供一种可用于符号级线性扩展类非正交多址接入系统的混合贪婪和禁忌搜索策略的noma多用户检测算法。
8.本发明的技术解决方案是，提供一种具有以下步骤的混合贪婪和禁忌搜索策略的noma多用户检测算法：含有以下具体步骤：步骤(1)，输入算法运行所必需的参数；步骤(2)，将多用户检测问题转换为目标优化问题p1；步骤(3)，贪婪策略辅助算法初始解的生成过程中，随机产生一个初始解借助贪婪算法的思想，对随机产生的算法初始解进行修正，得到一个局部最优解，将局部最优解作为禁忌搜索算法的起始解
9.步骤(4)，利用禁忌搜索策略对组合优化问题p1进行求解，包括通过邻域函数生成当前解向量x的邻域在邻域空间内进行局部搜索，根据选优准则确定当前最佳移动(k
opt
,n
opt
,m
opt
)，并根据禁忌表t
move
进行禁忌和移动操作，更新本次迭代后的各个参数；
10.步骤(5)，终止条件判定中，以得到满意解x
best
为迭代终止条件，判断迭代是否达到设置的终止条件，若达到，则输出搜索到的组合优化问题p1的全局最优解x
best
，既得信号检测过程中欲恢复的多路用户信息，否则返回步骤(4)。
11.优选地，所述步骤(1)含有以下步骤：
12.步骤(1.1)，采用理想信道估计，获取接收信号y、等效信道增益矩阵g、噪声功率σ2，接收信号可由下式表述：
[0013][0014]
＝gx n
[0015]
符号表示元素点乘运算符，y＝[y1,
…
,y
l
,
…
,y
l
]
t
是l
×
1维度的接收符号向量，表示结合了信道增益和扩频序列的等效信道增益矩阵，n～cn(0,σ2i
l
)是复高斯白噪声；
[0016]
步骤(1.2)，输入用户数k、调制阶数m，设置符号邻域个数n、禁忌步长p。
[0017]
优选地，所述步骤(2)中将noma系统接收端从叠加信号y中恢复出多个用户信息的信号检测问题，建模为一个组合优化问题求极小值的过程，以ml检测的度量函数作为该组合优化问题p1的目标函数：
[0018][0019]
其中邻域为一个解通过一个邻域函数生成的集合，包含于s，s是整个解空间，对于所有k个用户，如果存在一个解向量x
best
满足ω(x
best
)≤ω(x)，则解向量x
best
就是一个全局最优解。
[0020]
优选地，所述步骤(3)中将多用户检测问题转换为目标优化问题p1，随机产生一个
初始解借助贪婪算法的思想，对随机产生的算法初始解进行修正，得到一个局部最优解，再将这一局部最优解作为禁忌搜索算法的起始解其步骤如下：
[0021]
步骤(3.1)，求出(g
h
y)和矩阵g
h
g上三角的元素的实部，令v＝|re[(g
h
y)]|和w＝|re(g
h
g)|，可知v是一个k
×
1维的列向量，w是一个下三角部分均为0的k
×
k维方阵；
[0022]
步骤(3.2)，对v和w上三角部分的元素进行降序排序，形成一个包含个元素的序列x；
[0023]
步骤(3.3)，初始化，将随机生成的初始解作为本优化算法的初值
[0024]
步骤(3.4)，对随机初值进行修正：对降序排列后得到的序列x的第一个元素进行判断，如果x1＝|v
i
|，则产生个矢量，通过换中的x
i
分别为可能的m种取值，得到对应的似然函数值，选出使似然函数取得最大值的x
i
，作为如果x1＝|w
ij
|，则产生m2组矢量，通过换中的x
i
和x
j
为可能的m2种取值组合，求出对应的似然函数值，同样选出使似然函数取得最大值的x
i
和x
j
替换中的x
i
和x
j
从而得到
[0025]
步骤(3.5)，将修正后的初始解作为ts
‑
mud算法的初始解，进行迭代。
[0026]
优选地，所述步骤(4)以作为初始解，利用禁忌搜索策略对组合优化问题p1进行求解，其步骤如下：
[0027]
步骤(4.1)，当前解向量邻域结构的生成：
[0028]
由当前解向量将距离当前解向量欧氏距离最近的候选解集定义为邻域，首先对于当前解向量x中的每一个符号(k＝1,2,
…
,k)，是m
‑
psk星座点的集合，将与当前符号x
k
相邻的欧氏距离最近的n个星座点作为当前符号的符号邻域，记为near
xk
，对于当前输入的包含k个用户的解向量x，对应生成kn个向量邻域，用一个邻域函数表征这种映射关系，则将解向量x通过邻域函数后，生成的所有向量邻域组成的候选解集表示为如下矩阵形式：
[0029][0030][0031]
步骤(4.2)，最佳移动的确定：
[0032]
禁忌搜索是由一个初始解x在所有搜索空间s中生成一组由向量邻域组成的候选解集在每次迭代中，根据问题p1中目标函数的极小化准则对属于邻域的所有列向量η
i
进行求值，选取最佳邻域解向量，即局部最优解x
opt
成为下一次迭代的起始解，这一操作定义为“移动”，假设算法此次选择了第k个用户的符号q
m
的第n个符号邻域所在的列向
量η
(k
‑
1)n n
作为下一次迭代初始解，就将此次迭代的最佳移动方向记为(k
opt
,n
opt
,m
opt
)，在每次迭代中，ts算法只在集合move的元素中取值并选择下一步；在第t次迭代中，我们确定最佳移动操作(k
opt
,n
opt
,m
opt
)的准则是，使目标函数值最小的向量邻域对应的移动(k,n,m)，即
[0033][0034]
步骤(4.3)，特赦机制与禁忌机制的选取：
[0035]
对根据最佳移动(k
opt
,n
opt
,m
opt
)选择出的候选解函数值作出判断，如果满足下式，根据特赦机制对当前最优解向量作出更新，并且算法直接进入步骤(4.4.1)，否则转到步骤(4.3.1)，判断是否触发禁忌机制；
[0036][0037]
下面通过建立禁忌表t
move
来实现禁忌机制，禁忌表t
move
是一个n
×
km矩阵(m是调制阶数)，包含了所有可能的移动路径，t
move
中的元素表示该移动路径被禁止的迭代次数，也称作禁忌步长，记作p，p的取值可由仿真得到，禁忌表t
move
写成：
[0038][0039]
若此次迭代选择的最佳移动操作为(k
opt
,n
opt
,m
opt
)，则禁忌表t
move
的第(n
opt
,(k
opt
‑
1)m m
opt
)项按照步骤(4.4.1)的规则更新参数；
[0040]
步骤(4.3.1)，检查禁忌表：
[0041]
对照禁忌表t
move
，检查移动路径(k
opt
,n
opt
,m
opt
)是否在最近的p次迭代中进行过，如果满足以下条件，则最近p次迭代中没有执行过该移动路径，不禁止它，并且将算法转到步骤(4.4.2)：
[0042]
t
move
(n
opt
,(k
opt
‑
1)m m
opt
)＝＝0
[0043]
否则，通过下式操作从移动集合move中删除这一重复的移动路径(k
opt
,n
opt
,m
opt
)，并返回步骤(4.2)，其中，运算符\表示从集合中删除元素，如果所有移动路径都被禁止，导致move为空，则转到步骤(4.3.2)
[0044]
move
(t)
＝move
(t)
\(k
opt
,n
opt
,m
opt
)
[0045]
步骤(4.3.2)，接受劣解，跳出局部最优陷阱：
[0046]
若移动集合move为空，则从向量邻域中选择禁止迭代次数最小的作为本次迭代的最佳移动(k
opt
,n
opt
,m
opt
)，具体操作如下式所示，并转到步骤(4.4.1)；
[0047]
[n
opt
,(k
opt
‑
1)m m
opt
]＝find(t
move
＝＝min(min(t
move
)))
[0048]
步骤(4.4)，参数更新：
[0049]
根据步骤(4.3)中最佳移动路径(k
opt
,n
opt
,m
opt
)的选择，首先统一更新下次迭代的初始解x
(t 1)
和禁忌表t
move
：
[0050]
[0051]
t
move
＝max(t
move
‑
1,0)
[0052]
然后根据算法流程转到相应的步骤(4.4.1)和(4.4.2)，以两种不同方式来更新其他参数；
[0053]
步骤(4.4.1)，当前最优解向量被更新：
[0054]
更新下一次迭代开始时的最优解向量算法判断得出当前移动路径(k
opt
,n
opt
,m
opt
)是一个可选方向，此外，根据特赦准则，即使该移动路径在最近的迭代中被禁止了，也就是说t
move
(n
opt
,(k
opt
‑
1)m m
opt
)≠0，但是为了避免错过全局最优解，仍然会将其作为最佳移动路径(k
opt
,n
opt
,m
opt
)，并将其禁忌量置为0，参数按以下方式更新：
[0055][0056]
t
move
(n
opt
,(k
opt
‑
1)m m
opt
)＝0
[0057]
步骤(4.4.2)，当前最优解向量不能被更新：
[0058]
此时接受劣解，并且将选择的移动路径(k
opt
,n
opt
,m
opt
)设为禁忌，在后续的p次迭代中禁止访问，转而探索与之不同的方向，更新禁忌表：t
move
(n
opt
,(k
opt
‑
1)m m
opt
)＝p。
[0059]
优选地，所述步骤(5)中终止条件判定的步骤如下：以得到满意解x
best
为迭代终止条件，判断迭代是否达到设置的终止条件，若达到，则输出搜索到的组合优化问题p1的全局最优解x
best
，既得信号检测过程中欲恢复的多路用户信息，否则，返回步骤4；
[0060]
与现有技术相比，本发明混合贪婪和禁忌搜索策略的noma多用户检测算法具有以下优点：
[0061]
一、通过贪婪算法生成初始解，避免了现有方法需要对mmse权重矩阵进行矩阵求逆的操作，复杂度更低，且通过合理的设置迭代终止条件，大大减少迭代次数，缩短处理时延，适用于对时延较敏感的场景；
[0062]
二、在多用户信号检测过程中，结合了贪婪算法和禁忌搜索算法的策略，具有良好的全局寻优能力及收敛特性，且检测性能逼近最佳检测的性能，更适用于对传输可靠性要求高的场景,高性能低复杂度地实现noma系统的信号检测，促进noma技术更好的应用于5g以下一代移动通信网络。
附图说明
[0063]
图1是本发明使用的符号级线性扩展类非正交多址接入系统模型框图；
[0064]
图2是本发明的流程框图；
[0065]
图3是本发明的具体算法流程图；
[0066]
图4是本发明和传统的noma系统多用户检测方法检测性能仿真对比图。
具体实施方式
[0067]
下面结合附图和具体实施方式对本发明混合贪婪和禁忌搜索策略的noma多用户检测算法作进一步说明：本实施例中为实现上述目的，技术方案包括如下：
[0068]
(1)输入算法运行所必需的参数：接收信号y、等效信道增益矩阵g、噪声功率σ2、用户数k、调制阶数m、符号邻域个数n、禁忌步长p；
[0069]
(2)将noma系统接收端从叠加信号y中恢复出多个用户信息的信号检测问题，建模为一个组合优化问题求极值的过程，以ml检测的度量函数作为该组合优化问题p1的目标函数，求解p1的极小值：
[0070][0071]
其中邻域为一个解通过一个邻域函数生成的集合，包含于s，s是整个解空间。
[0072]
(3)贪婪策略辅助算法初始解的生成。随机产生一个初始解借助贪婪算法的思想，对随机产生的算法初始解进行修正，得到一个局部最优解，再将这一局部最优解作为禁忌搜索算法的起始解
[0073]
(4)利用禁忌搜索策略对组合优化问题p1进行求解，包括通过邻域函数生成当前解向量x的邻域在邻域空间内进行局部搜索，根据选优准则确定当前最佳移动(k
opt
,n
opt
,m
opt
)，并根据禁忌表t
move
进行禁忌和移动操作，更新本次迭代后的各个参数；
[0074]
(5)以得到满意解x
best
为迭代终止条件，判断迭代是否达到设置的终止条件，若达到，则输出搜索到的组合优化问题p1的全局最优解x
best
，既得信号检测过程中欲恢复的多路用户信息，否则，返回4)；
[0075]
以下结合附图对本发明的具体实施方式和效果作进一步描述。参照图1，本发明应用的符号级线性扩展类非正交多址接入系统，由k个单天线用户和一个单天线的基站构成。假设k个非正交用户共享同一份时频资源。在发射端，第k个用户的数据比特d
k
，d
k
首先由码率为r的编码器进行信道编码，生成编码后的比特c
k
＝[c
k
(1),
…
,c
k
(τ)]，其中τ为已编码比特c
k
的长度，之后c
k
经由调制器进行调制，例如采用m
‑
qam调制器，其中m是正交幅度调制(qam)星座的大小，生成已调符号x
k
＝[x
k
(1),
…
,x
k
(τ/log2(m))]，其中对于任一用户k，有(k＝1,2,
…
,k)，是调制符号的星座点集合，调制阶数为
[0076]
为了便于描述，假设每个用户k只包含一个调制符号，则已调符号向量x记为x＝[x1,...,x
k
]
t
。进一步，用长度为l的扩展序列s
k
＝[s
1,k
,
…
,s
l,k
,
…
,s
l,k
]
t
对其进行扩展，得到扩展后的符号t
k
＝s
k
·
x
k
＝[t
1,k
,
…
,t
l,k
,
…
,t
l,k
]
t
并发射出去，定义满足k＞l时，系统处于过载状态下。
[0077]
参照图2和图3，本发明根据图1的符号级线性扩展类非正交多址接入系统混合贪婪和禁忌搜索策略的多用户检测算法，实现步骤如下：
[0078]
(1)输入算法运行所必需的参数；
[0079]
(1.1)采用理想信道估计，获取接收信号y、等效信道增益矩阵g、噪声功率σ2，接收信号可由下式表述：
[0080][0081]
＝gx n
[0082]
其中，符号表示元素点乘运算符，y＝[y1,
…
,y
l
,
…
,y
l
]
t
是l
×
1维度的接收符号向量，表示结合了信道增益和扩频序列的等效信道增益矩阵，n～cn(0,σ2i
l
)是复
高斯白噪声；
[0083]
(1.2)输入用户数k、调制阶数m，设置符号邻域个数n、禁忌步长p；
[0084]
(2)将noma系统接收端从叠加信号y中恢复出多个用户信息的信号检测问题，建模为一个组合优化问题求极小值的过程，以ml检测的度量函数作为该组合优化问题p1的目标函数：
[0085][0086]
其中邻域为一个解通过一个邻域函数生成的集合，包含于s，s是整个解空间。
[0087]
对于所有k个用户，如果存在一个解向量x
best
满足
[0088]
ω(x
best
)≤ω(x)
[0089]
则解向量x
best
就是一个全局最优解。
[0090]
(3)贪婪策略辅助算法初始解的生成。随机产生一个初始解借助贪婪算法的思想，对随机产生的算法初始解进行修正，得到一个局部最优解，再将这一局部最优解作为禁忌搜索算法的起始解
[0091]
(3.1)求出(g
h
y)和矩阵g
h
g上三角的元素的实部，令v＝|re[(g
h
y)]|和w＝|re(g
h
g)|，可知v是一个k
×
1维的列向量，w是一个下三角部分均为0的k
×
k维方阵；
[0092]
(3.2)对v和w上三角部分的元素进行降序排序，形成一个包含个元素的序列x；
[0093]
(3.3)初始化，将随机生成的初始解作为本优化算法的初值
[0094]
(3.4)对随机初值进行修正：对降序排列后得到的序列x的第一个元素进行判断，如果x1＝|v
i
|，则产生个矢量，通过换中的x
i
分别为可能的m种取值，得到对应的似然函数值，选出使似然函数取得最大值的x
i
，作为如果x1＝|w
ij
|，则产生m2组矢量，通过换中的x
i
和x
j
为可能的m2种取值组合，求出对应的似然函数值，同样选出使似然函数取得最大值的x
i
和x
j
替换中的x
i
和x
j
从而得到
[0095]
(3.5)将修正后的初始解作为ts
‑
mud算法的初始解，进行迭代。
[0096]
(4)以作为初始解，利用禁忌搜索策略对组合优化问题p1进行求解；
[0097]
(4.1)当前解向量邻域结构的生成：
[0098]
由当前解向量将距离当前解向量欧氏距离最近的候选解集定义为邻域。首先对于当前解向量x中的每一个符号(k＝1,2,
…
,k)，是m
‑
psk星座点的集合，将与当前符号x
k
相邻的欧氏距离最近的n个星座点作为当前符号的符号邻域，记为那么对于当前输入的包含k个用户的解向量x，可以对应生成kn个向量邻域，我们用一个邻域函数
表征这种映射关系，则可以将解向量x通过邻域函数后，生成的所有向量邻域组成的候选解集表示为如下矩阵形式：
[0099][0100][0101]
(4.2)最佳移动的确定：
[0102]
禁忌搜索是由一个初始解x在所有搜索空间s中生成一组由向量邻域组成的候选解集在每次迭代中，根据问题p1中目标函数的极小化准则对属于邻域的所有列向量η
i
进行求值，选取最佳邻域解向量，即局部最优解x
opt
成为下一次迭代的起始解，这一操作定义为“移动”。假设算法此次选择了第k个用户的符号q
m
的第n个符号邻域所在的列向量η
(k
‑
1)n n
作为下一次迭代初始解，就可以将此次迭代的最佳移动方向记为(k
opt
,n
opt
,m
opt
)。在每次迭代中，ts算法只在集合move的元素中取值并选择下一步。在第t次迭代中，确定最佳移动操作(k
opt
,n
opt
,m
opt
)的准则是，使目标函数值最小的向量邻域对应的移动(k,n,m)，即
[0103][0104]
(4.3)特赦机制与禁忌机制的选取：
[0105]
对根据最佳移动(k
opt
,n
opt
,m
opt
)选择出的候选解函数值作出判断，如果可以满足下式，根据特赦机制对当前最优解向量作出更新，并且算法直接进入步骤(4.4.1)，否则转到步骤(4.3.1)，判断是否触发禁忌机制。
[0106][0107]
下面通过建立禁忌表t
move
来实现禁忌机制，禁忌表t
move
是一个n
×
km矩阵(m是调制阶数)，包含了所有可能的移动路径，t
move
中的元素表示该移动路径被禁止的迭代次数，也称作禁忌步长，记作p，p的取值可由仿真得到。因此，禁忌表t
move
可以写成：
[0108][0109]
若此次迭代选择的最佳移动操作为(k
opt
,n
opt
,m
opt
)，则禁忌表t
move
的第(n
opt
,(k
opt
‑
1)m m
opt
)项按照步骤(4.4.1)的规则更新参数。
[0110]
(4.3.1)检查禁忌表：
[0111]
对照禁忌表t
move
，检查移动路径(k
opt
,n
opt
,m
opt
)是否在最近的p次迭代中进行过。如果满足以下条件，则最近p次迭代中没有执行过该移动路径，不禁止它，并且将算法转到步骤(4.4.2)：
[0112]
t
move
(n
opt
,(k
opt
‑
1)m m
opt
)＝＝0
[0113]
否则，通过下式操作从移动集合move中删除这一重复的移动路径(k
opt
,n
opt
,m
opt
)，并返回步骤(4.2)，其中，运算符\表示从集合中删除元素。如果所有移动路径都被禁止，导致move为空，则转到步骤(4.3.2)
[0114]
move
(t)
＝move
(t)
\(k
opt
,n
opt
,m
opt
)
[0115]
(4.3.2)接受劣解，跳出局部最优陷阱：
[0116]
若移动集合move为空，则从向量邻域中选择禁止迭代次数最小的作为本次迭代的最佳移动(k
opt
,n
opt
,m
opt
)，具体操作如下式所示，并转到步骤(4.4.1)。
[0117]
[n
opt
,(k
opt
‑
1)m m
opt
]＝find(t
move
＝＝min(min(t
move
)))
[0118]
步骤(4.4)参数更新：
[0119]
根据步骤(4.3)中最佳移动路径(k
opt
,n
opt
,m
opt
)的选择，首先统一更新下次迭代的初始解x
(t 1)
和禁忌表t
move
：
[0120][0121]
t
move
＝max(t
move
‑
1,0)
[0122]
然后根据算法流程转到相应的步骤(4.4.1)和(4.4.2)，以两种不同方式来更新其他参数。
[0123]
(4.4.1)当前最优解向量可以被更新：
[0124]
更新下一次迭代开始时的最优解向量算法判断得出当前移动路径(k
opt
,n
opt
,m
opt
)是一个可选方向。此外，根据特赦准则，即使该移动路径在最近的迭代中被禁止了，也就是说t
move
(n
opt
,(k
opt
‑
1)m m
opt
)≠0，但是为了避免错过全局最优解，仍然会将其作为最佳移动路径(k
opt
,n
opt
,m
opt
)，并将其禁忌量置为0。参数按以下方式更新：
[0125][0126]
t
move
(n
opt
,(k
opt
‑
1)m m
opt
)＝0
[0127]
(4.4.2)当前最优解向量不能被更新：
[0128]
在这种情况下，接受劣解，并且将选择的移动路径(k
opt
,n
opt
,m
opt
)设为禁忌，在后续的p次迭代中禁止访问，转而探索与之不同的方向。更新禁忌表：
[0129]
t
move
(n
opt
,(k
opt
‑
1)m m
opt
)＝p
[0130]
(5)终止条件判定。以得到满意解x
best
为迭代终止条件，判断迭代是否达到设置的终止条件，若达到，则输出搜索到的组合优化问题p1的全局最优解x
best
，既得信号检测过程中欲恢复的多路用户信息，否则，返回4)；
[0131]
具体来说，假设第t次迭代时，算法更新参数后的最优解就是欲求解的全局最优解x
best
，算法将终止迭代，即
[0132][0133]
将此时系统中的残差信号能量表示为：
[0134][0135]
考虑到噪声因素，则残差信号的能量可进一步表示为
[0136][0137]
由于系统噪声是均值为0、方差为σ2的高斯白噪声。因此，上式可进一步表示为
[0138][0139]
其中，l为扩频序列长度，那么迭代终止条件可以设置为：
[0140][0141]
即当残差信号的能量小于等于噪声功率的l倍时，得到满意解，算法停止迭代。
[0142]
进一步，考虑在低信噪比情况下，噪声功率比较大，算法可能只经过少量的迭代，残差能量易达到迭代终止条件，从而停止搜索，导致算法性能不佳，因此引入参数β
th
作为最小迭代次数门限，来保证充分的迭代搜索，与噪声功率联合进行迭代终止条件的控制。满足下式则算法终止迭代。否则，t＝t 1，返回步骤1。门限β
th
的取值可以通过实验获得。
[0143][0144]
这样既能保证低信噪比下的ts算法搜索性能，又能避免高信噪比下ts算法收敛后仍重复进行搜索，带来过高的计算复杂度。至此，完成信号检测。
[0145]
本发明的效果可通过以下仿真进一步说明：
[0146]
1、仿真条件
[0147]
仿真使用musa系统，由6个单天线用户和一个单天线的基站构成，系统过载率为150％，采用qpsk调制，扩频序列元素从{1，i,
‑
1,
‑
i}中选取，扩频长度l＝4，经过平坦瑞利衰落信道，接收端采用理想信道估计，禁忌步长设置为p＝15。
[0148]
2、仿真内容
[0149]
分别用本发明和三种现有信号检测方法进行误码率仿真，结果如图4。图4的横坐标为信噪比，纵坐标为系统的误码率。其中：
[0150]
ml曲线是最大似然检测的性能，它表示理想情况下穷举搜索得到的系统最佳检测性能。
[0151]
mmse
‑
sic曲线是指现有的最小均方误差串行干扰消除算法的检测性能，它的检测性能受误差传播效应影响，与最佳检测性能相距甚远。
[0152]
enhanced
‑
ts曲线是指现有的增强型禁忌搜索算法的检测性能，由jung i等人提出，获得了逼近ml检测的良好性能。
[0153]
ga
‑
ts曲线是指本发明所提算法的检测性能。
[0154]
对比本发明和传统多用户检测算法的误码率性能，可以发现，本发明比传统mmse
‑
sic算法表现出更好的检测性能，且与enhanced
‑
ts算法检测性能接近，均逼近理想条件下的极限性能。
[0155]
下面分析四种检测算法的计算复杂度，为了便于比较，本文采用浮点运算(floatingpoint operation，flop)的个数来反映各算法的复杂度，一次复数乘(除)法和一次复数加(减)法分别对应于6个浮点运算和2个浮点运算。
[0156]
表1 musa系统多用户检测算法复杂度分析
[0157][0158]
与ml接收机不同，本发明所提ga
‑
ts多用户检测算法的复杂性不会随着用户数量或调制阶数的增加而呈指数增长，复杂度可接受，同时可以看出在相同的迭代次数下，由于enhanced
‑
ts算法存在权重矩阵求逆的运算，复杂度明显高于所提ga
‑
ts算法，
[0159]
综上所述，本发明检测性能逼近最佳检测ml的性能，且复杂度远远低于ml检测的复杂度。