1.格约减辅助广度优先树搜索MIMO检测方法，其特征在于，包括以下几个步骤：(1)已知接收复数向量 复信道矩阵 在预处理阶段，将接收复数向量 及复信道矩阵 变为最小均方误差MMSE形式，即 其中，为复符号向量， 为复高斯噪声向量；

对复信道矩阵 进行格约减，得到约减基矩阵 其中， 其中， 为幺模矩阵；

(2)将复数模型变换为实数模型，表示为x＝As+w，其中，x为接收向量、A为信道矩阵、s为符号向量、w为高斯噪声向量；

复数关系式 所对应的实数模型表示为 其中， 表示实数化后的约减基矩阵，U表示实数化后的幺模矩阵；

接收向量x以约减基表示： 其中，变换符号向量d＝U-1s；

(3)计算 的伪逆矩阵 其中，(·)T表示矩阵转置T；

计算 其中，y为判决变量向量；

对伪逆矩阵 进行QR分解，对 的各行按照V-BLAST检测顺序进行重新排序：其中Ri为对 进行QR分解后的上三角矩阵，Q为标准正交矩阵，计算 R为下三角矩阵；

(4)开始树搜索，搜索顺序为k＝1,2,…,2Nt，其中，Nt为发送天线数，也是复符号向量的维数；2Nt为实数化后符号向量的维数；k为任意2Nt维整数向量 的元素的下标， 表示整数域， 表示2Nt维整数向量空间；

任意格点 的度量定义为：

λ(z)＝||R(y-z)||2，其中，λ(z)表示格点 的度量，||·||2表示向量范数的平方，为任意整数向量；

从第1层到第k层的累积度量定义为： 其中， y为判决变量向量， 表示整数向量z的第1个元素到第k个元素所组成的向量，即矩阵R的每行构成一个行向量，ri表示矩阵R的第i行构成的行向量；

确定第k层的Kk个保留路径，表示为集合 其中表示整数向量z(k,m)的第1个元素到第k个元素所组成的向量，并且得到它们的累积度量

(5)k←k+1，重复步骤(4)，直至得到第k＝2Nt层的 个保留路径：计算

在 个符号向量 中，选择其中一个符号向量，其度量最小，且其元素不超过所使用的正交调幅QAM符号取值范围，将该符号向量作为检测结果如果所有 都超出正交调幅QAM符号取值范围，则随机选取其中之一作为最终检测结果

最后，将 转换为复数形式

2.根据权利要求1所述的格约减辅助广度优先树搜索MIMO检测方法，其特征在于，格约减不仅可以针对复信道矩阵 进行，还可以针对复信道矩阵 的伪逆矩阵进行，即针对对偶格进行格约减。

3.根据权利要求1或2所述的格约减辅助广度优先树搜索MIMO检测方法，其特征在于，步骤(1)中，对复信道矩阵 采用格约减算法得到约减基矩阵 所述格约减算法具体采用的是LLL算法。

4.根据权利要求1或2所述的格约减辅助广度优先树搜索MIMO检测方法，其特征在于，步骤(4)中，Ck的确定方法如下：(4-1)第k-1层的每个父节点扩展为Nc＝2个子节点，第k-1层的Kk-1个保留路径为 对应的累积度量为对于m＝1,…,Kk-1：

计算： 其中rkj、rkk分别表示矩阵R的第(k,j)、(k,k)个元素，zj(k+1,m)表示z(k+1,m)的第j个元素，yk、yj分别表示y的第k、j个元素；

表示 的计算结果，可称为处理后判决变量；

量化判决得到子节点 其中， 表示量化判决操作，即：对于一个实数变量，取其最接近的整数；

每个父节点zk-1(k-1,m)扩展出Nc＝2个子节点，另一个子节点z(k,m,2)是：若 z(k,m,2)＝z(k,m,1)+2；

若 z(k,m,2)＝z(k,m,1)-2，其中，子节点的获得采用SE策略；

从而得到第k层的Kk-1×2个路径；

(4-2)在Kk-1×2个路径中，计算它们的累积度量，设定的累积度量门限表示为 删除累积度量超过上限 的路径；

(4-3)如果所余的路径数量大于最大路径数量Km，则对所余路径的累积度量进行排序，选择累积度量最小的Km个路径作为第k层的保留路径Ck。

5.根据权利要求4所述的格约减辅助广度优先树搜索MIMO检测方法，其特征在于，步骤(4-2)中，Kk-1×2个路径为[z1(k-1,m)…zk-1(k-1,m)z(k,m,n)]T,m＝1,…,Kk-1；n＝1,2它们对应的累积度量为

m＝1,…,Kk-1；n＝1,2。

6.根据权利要求4所述的格约减辅助广度优先树搜索MIMO检测方法，其特征在于，步骤(4-2)中，所述累积度量门限 的确定方法如下：则所有保留路径的累计度量

各层累积度量上限 的确定：

按照任意格点 的度量定义，发送格点 的度量为λ(d)＝||R(y-d)||2＝||QTw||2＝||ν||2      (1)其中，ν＝QTw，ν的各元素仍然是高斯随机变量，且 表示ν的各元素的方差，表示w各元素的方差；因此， 是一个有k个自由度的χ2分布的随机变量，k＝1,

2,…,2Nt；

在第k层，选择 为保留路径的累积度量上限，即 假设的概率为

其中，0＜ε＜＜1为一常数，由(8)式可见，ε为 的概率，则有其中，F(x,k)为具有k个自由度的χ2随机变量的累积分布函数；

参数ε的选择将决定检测性能；假设 是最后一层的保留路径集合 中包含发送真值d的概率，其中， 表示集合 包含变换向量d的概率，或者说d属于 的概率；分析可知，最终的符号错误概率为

当 包含d时，即 将达到ML最佳检测性能，即Pe0表示ML检测的符号错误概率；

当 不包含d时，即 随机选择 中的一个路径作为最终检测结果，数值实验结果表明 的估计是合理的；这样，(11)式可改写为当参数ε给定时，根据(9)式可以确定 这样，概率 可以由(10)式用数值计算方法算出；

最后，任何信噪比下的ML检测性能Pe0为已知，Pe可由(12)式确定；

即给定检测性能要求Pe，参数ε的对应取值就被确定。