CN105814857A - 用于低复杂度和高性能通信的改进的格基约减辅助的k-best 算法 - Google Patents

Abstract

本发明公开了用于检测大型多输入多输出通信系统中的符号的系统及方法。所述检测基于改进的格基约减辅助K?best算法。所述检测基于优先队列和按需扩展找到每一层的最小成本的K最佳候选符号。在复数域，所述检测可包括2维Schnorr?Euchner扩展，或者，可替换为两阶段1维Schnorr?Euchner扩展。

Description

用于低复杂度和高性能通信的改进的格基约减辅助的K-BEST 算法

相关申请的交叉引用

本申请主张享有于2013年10月17日提交的、名为“用于低复杂度和高性能通信的格基约减辅助的K-BSET算法”的美国临时专利申请No.61/892,011以及于2013年11月27日提交的、名为“Schnorr-Euchner扩展方法”的美国临时专利申请No.61/909,429的权益，前述申请的全部内容和实质通过引用整体地结合于本文中，全部如下。

技术领域

本发明的各种实施方式主要涉及多输入多输出(“MIMO”)信号传输检测中的信号处理。更具体地，本发明涉及格基约减K-best算法在MIMO通信中的改进实现。

背景技术

大型多输入多输出(MIMO)系统由于其大容量和高带宽效率而具有吸引力。大型MIMO系统通过以几十或几百个天线来传输或接收信号，显示出了适用于下一代无线通信的巨大潜力，例如，以获得高光谱效率。然而，大型MIMO系统设计中的一个关键性挑战在于：在降低检测器的复杂度的同时提供高性能、高吞吐量以及低延时。但是其最佳误差特性，最大似然检测(MLD)需要非常高的复杂性，尤其是当天线的数量较大时。

球形解码算法(SDA)是一种具有低复杂度的MLD，但是所述SDA的复杂度就问题大小而言仍然是迅速增长的。为解决大型MIMO检测的迫切需求，已提出了一些用于大型MIMO系统的检测器。

例如，开发了局部领域搜索方法以获得大型MIMO系统的近似最佳性能，但它们的复杂度取决于符号、噪声、信道实现并且它们最坏情况的复杂度可以非常高。迭代软干扰消除检测器具有固定的复杂度，然而，如果迭代数量大，其复杂度仍然较高。此外，当群集尺寸较大时，所述检测器不能像MLD一样收集满分集，因而性能较差。

相反，线性检测器(LDs)和串行干扰抵消(SIC)检测器需要多项式复杂度，但是会明显降低误差特性。近来，为提高LDs和SIC检测器的误差特性，提出了格基约减(LR)辅助检测。LR-辅助LDs可实现与MLD相同的分集。此外，不同于所描述的基于搜索的检测器，LR辅助检测器的瞬时复杂度并不取决于符号和噪声实现，而其首选硬件实现。

尽管找到了LR辅助LDs和SIC检测器的重大性能改进，但是相对于MLD，LR辅助检测器仍然存在一些性能损失。此外，随着天线数量的增加，LR-辅助检测器和MLD之间的差距显著提升。

为进一步缩小该差距，提出了LR-辅助K-best检测器。在现有的MIMO检测器中，LR-辅助K-best检测器由于其低复杂度以及(近似)最佳性能而具有吸引力。然而，相对于传统K-best检测器，所述LR-辅助K-best检测器在格基约减域中没有关于符号的边界信息。

相对于传统K-best，边界信息的缺失导致LR-辅助K-best检测器的两个新问题：i)符号的范围更广且不确定；以及ii)每一层可能的子节点可以是无限的。为从无限的子节点集中找到K-best局部候选，提出了一种算法以所述子节点的有限子集取代该无线集。参考X.Qi以及K.Holt，“用于高效编码MEMO-OFDM系统的格基约减辅助的软解映射器”，IEEE信号处理快报，第14卷，第5期，第305-308页，2007年5月(下文统称“Qi”)。为减少生成所述子集的复杂度，还提出了一种基于Schnorr-Euchner(SE)策略的按需子节点扩展。参考M.Shabany和P.Glenn Gulak.，“格基约减在用于近似最优MIMO检测的K-Best算法中的应用”，IEEE国际学术会议，电路与系统(ISCAS)，2008年5月，第316-319页(下文统称“Shabany”)。

然而，现有的LR辅助K-best检测器在硬件实现的延时、吞吐量以及复杂度方面面临着一些挑战。大多数现有的LR-辅助K-best检测器考虑了复杂模型的实际等效信号模型。例如，现有的LR-辅助K-best检测器可能会导致长时间的延时以及高硬件资源。另一方面，所述复合LR-辅助K-best检测器可能会得到更短的延时以及更低的资源，但是现有的复合LR-辅助K-best设计是复杂的且可能不易于在硬件上实现。此外，某些现有的K-best检测器的关键路径是由SE扩展确定，这将降低最大频率并因而降低系统吞吐量。再者，现有的LR-辅助K-best算法具有量级的高复杂度，其中，N_t为传输天线的数量，且K为候选的数量。

根据上述情况，需求一种不太复杂的具有低延时、高吞吐量以及高性能的LR-辅助K-best检测器。

发明内容

本发明涉及用于大型MIMO系统的LR-辅助K-best检测器及其硬件实现的改进。本发明中所描述的LR-辅助K-best算法可以比现有的LR-辅助K-best算法更低的复杂度实现与MLD同等的近似最优的误码率性能。

本发明的一方面涉及多输入多输出通信系统。所述系统可包括多个被配置成接收多个无线信号的天线。所述系统可包括符号检测器。所述符号检测器可被配置成将所接收的无线信号转换成输入信号。所述符号检测器可实施LR-辅助K-best算法以检测所述输入信号中的符号。例如，所述符号检测器可进行多个候选符号层的搜索。所述符号检测器可执行优先队列以识别多个层中每层的K-best候选符号。可基于至少一种候选符号的扩展更新所述优先队列。

本发明的另一方面涉及多输入多输出通信系统中的符号检测方法。多个天线可接收多个无线信号。每一无线信号可包括一符号。所述方法可将所接收到的多个无线信号转换成相应的输入信号。一处理器可基于LR-辅助K-best算法进行在所述输入信号中的多个候选符号层的搜索。可执行一优先队列以识别每一层的K-best候选符号。可基于至少一候选符号的扩展升级所述优先队列。所述方法可输出至少一符号。

下文以及说明书附图详细地描述了本发明的这些以及其它方面。在结合附图阅读本发明下文中的具体描述以及示例性实施方式后，对于本领域技术人员来说，本发明的实施方式的其它方面及特征将变得显而易见。虽然本发明的某些特征将结合某些实施方式以及附图进行讨论，但是本发明的所有实施方式可包括一个或多个此文中所讨论的特征。尽管所讨论的一种或多种实施方式可具有某些有利特征，但是一个或多个此类特征也可用于本发明所公开的各种实施方式。相类似地，虽然在下文中以系统或方法实施例对本发明的示例性实施方式进行了讨论，但应当理解的是，此类示例性实施方式可以各种设备、系统以及方法实现。

附图说明

结合附图，将更好地理解下文中的详细技术描述。为说明性的目的，本发明示出了示例性实施方式的附图，但本发明并不仅限于所公开的具体要件和手段。

图1示出了MIMO接收器的整体结构；

图2示出了LR-辅助K-best与具有4PAM的传统K-best的更广范围和无限子节点的对比；

图3示出了用于具有64QAM和不同K的10×10MIMO系统的复数LLL-辅助MMSEK-best检测器的性能对比；

图4示出了用于具有64QAM和不同K的10×10MIMO系统的实数LLL-辅助MMSEK-best检测器与复数LLL-辅助MMSEK-best的检测器的性能对比；

图5示出了用于16×16MIMO系统的LR-辅助K-best检测器的FPGA实现的系统框图；

图6示出了MLD与4×4MIMO系统、256-QAM以及K＝3的具有和不具有后期扩展策略的LR-辅助K-best的性能对比；

图7示出了MLD与8×8MIMO系统、256-QAM以及K＝3和7的具有和不具有后期扩展策略的LR-辅助K-best的性能对比

图8根据本发明的一示例性方法示出了方法流程图。

具体实施方式

为便于理解本发明的原理及特征，下文对各种示例性实施方式进行了说明。具体地，本发明的上下文描述了用于MIMO通信系统的系统及方法。本发明的某些实施方式可应用于多种本领域已知的无线MIMO通信系统，包括但不限于：IEEE 802.11ax(Wi-Fi)、4G、3GPP、长期演进(LTE-A)、Wi-MAX、HSPA+等。但是，本发明的实施方式并不仅限于在无线MIMO通信系统中使用。相反，本发明的实施方式可用于处理其它MIMO通信系统，包括但不限于：具有包括多个发射器和/或多个接收器结构的光学(MIMO)系统或其它传送系统。此外，本发明的实施方式可用于广义信号载波频分多址接入(GSC-FDMA)系统以及预编码FDMA(P-FDMA)系统。

下文中所描述的构成本发明的各种要素的组成，其目的旨在是示例性而非限制性的。可执行与本文中所描述的组成或步骤相同或相似功能的许多适当的组成或步骤应落入本发明的保护范围之内。此类本文中未描述的其它组件或步骤，包括但不限于：例如，本发明之后开发的相似组件或步骤。

下面对本文中所采用的标记做一简短说明。上标T表示转置。复数的实部和虚部表示成R[·]和I[·]。大写和小写黑体字母分别表示矩阵和列向量。A_i,k表示矩阵A的第(i,k)元。I_N表示N×N单位矩阵，0_N×L为所有元均为零的N x L矩阵，以及1_N×L为所有元均为一的N xL矩阵。Z为整数集。Z[j]为具有Z+Zj形式的高斯整数集，且表示统计期望，以及.||·||表示2-范数。

具有N_t传输天线和N_r接收天线的MIMO系统的传输可表示成以下数学式：

y^c＝H^cs^c+w^c, (1)

其中，可以是复数信息符号向量，S^c可为正交调幅(QAM)的群集，H^c可为N_r×N_t,(N_r≥N_t)复数信道矩阵，可为所接收的信号向量，且可为具有零均值和协方差的复数加性高斯白噪声(AWGN)向量。

图1示出了MIMO接收器100的示例性整体结构。出于示例性的目的，去除了所述接收器中的噪声。所述MIMO接收器100可包括被配置成执行恢复或检测信息符号的MIMO符号检测器110。例如，给定等式(1)中的H^c和y^c，所述MIMO符号检测器110可执行所述信息符号s的恢复或检测。

1.传统检测器

1.1传统实数LR-辅助K-best检测器

给定等式(1)中的复数信号模型，等效的实数信号模型可通过以下公式表示：

y＝Hs+w, (2)

其中，和可分别表示复数变量的实部和虚部，的s_i∈S，且S可将PAM的群集表示成

给定等式(2)的模型，所述MLD可表示成：

其通常为非确定性多项式困难(NP-困难)，且具有高复杂度。用于无限格点的LR-辅助检测可通过以下松弛问题来表示：

其中，u可以是如{...,-3,-1,1,3,...}的无约束群集。由于可能不是一个有效的QAM符号，可采用量化步骤：

其中，Q(·)可表示群集S的符号级量化。

等式(3)中的无约束检测为单纯格基检测(NLD)。最近点搜索算法，如，球形解码算法，可找到等式(4)的最优解。然而，所述NLD的一个问题在于其通常不是分集复用折中(DMF)优化，即，所述NLD在分集方面是次优的。为实现所述DMF优化，可进行正则格解码：

其中，采用了最小均方误差(MMSE)正则化，E{ss^T}＝s²I，且和为MMSE扩展矩阵以及扩展的所接收的信号向量：

$\stackrel{\‾}{H}=\left[\begin{array}{c}H\\ \sqrt{\frac{N_0}{2{\mathrm{\σ}}_s^2}{I}_{2N_t}}\end{array}\right],\stackrel{\‾}{y}=\left[\begin{array}{c}y\\ 0_{2N_t\×1}\end{array}\right].---\left(7\right)$

为以更低的复杂度解决等式(6)中的具有MMSE的NLD，所述LR-辅助检测在矩阵执行LR以获得一更“正交的”矩阵其中，T为幺模矩阵，从而T的所有元均为整数，且T的行列式为±1。给定和T，则具有MMSE的NLD变成：

$\hat{s}=2T\arg \underset{\tilde{z}\∈Z^{2N_t}}{\min }\left|\right|\tilde{y}-\tilde{H}\tilde{z}|{|}^2+1_{2N_t\×1},---\left(8\right)$

其中，为所接收到的经如移位和缩放后的信号向量，其中， 由于更“正交”，基于的最近点搜索算法可相对于其基于等式(7)中的享有低得多的复杂度。然而，由于等式(8)中的问题为非确定性多项式困难问题(NP-困难问题)，当N_c较大时，所述最近点搜索的复杂性仍然相当高。为实现低-复杂度检测，所述LR-辅助MMSE-SIC检测器找到了等式(8)的一个具有降低的误差特性的次优解。

所述LR-辅助K-best算法可提高LR-辅助MMSE-SIC检测器的性能以找到等式(8)的一“更好”的次优解。参考Qi和Shabany。

所述LR-辅助K-best算法可首先在上执行QR分解，其中，Q为2(N_r+N_t)×2N_t标准正交矩阵，且为2N_t×2N_t上三角矩阵。然后，等式(8)中的问题可用公式再次表示成：

其中，可以是具有格基约减域中的信息符号的候选。

随后，所述LR-辅助K-best算法执行从第2N_t层到第一层的广度优先搜索。对于每一层(例如，第n层)，所述算法计算所述Kbest局部候选即，在之前的第(n+1)层中的K局部候选的所有子节点内的具有最小成本的K局部候选，其中，第n层中局部候选与所述局部候选相关的成本可通过以下公式表示：

当且仅当保持时，所述第n层的局部候选可被称之为第(n+1)层的局部候选的子节点。

当所述第一层的搜索完成后，所述LR-辅助K-best输出作为LR域中符号的K估计。对于未编码的情况，可得到LR-辅助K-best的困难输出：

对于已编码的情况，可作为评估每一编码位的近似对数似然比的软性候选。

表1示出了一实数LR-辅助K-best检测器示例的一般性描述。需要注意的是，在第(2N_t+1)层中可仅有一局部候选，其中，可代表根节点。

表1实数LR-辅助K-best检测器的一般性描述

从表1可知，所述LR-辅助K-best算法的关键任务在于如何有效地从之前的第(n+1)层的局部候选的所有子节点中找到各第n层的Kbest局部候选。

1.2传统的复数LR-辅助K-best检测器

与如上所描述的实数LR-辅助K-best检测器相类似，所述复数LR-辅助K-best检测器可旨在找到以下问题的次优解：

其中，可表示高斯整数环，其所有元素具有的形式，T^c可以是一行列式为±1或±j且所述元为高斯整数的复数幺模矩阵，可以是的LR-约减信道矩阵，其中Q^c可以是一标准正交矩阵，且R^c可以是对角元素为实数的N_t×N_t上三角矩阵，且

表2提供了复数LR-辅助K-best检测器的示例性程序。表2中的程序与表1中所示出的实数形式的相类似，除了所有的变量可为复数且层数量可为N_t。从表2可知，所述LR-辅助K-best算法的主要复杂度可在于计算各个第n层的K best局部候选即，在之前的第(n+1)层中的K局部候选的所有子节点内的具有最小成本的K局部候选，其中，第n层中局部候选可以是复数局部候选的成本可通过以下公式表示：

当且仅当保持时，所述第n层的局部候选可被称之为第(n+1)层的局部候选的子节点。、

表2复数LR-辅助K-best检测器的一般性描述

相对于实数信号处理，直接处理复数域中的信号具有一些优势，例如较低的运算次数以及较低的延时。与表1中的具有2Nt层的实数LR-辅助K-best检测器相反，所述复数LR-辅助K-best检测器可具有N_t层。如此，相对于相应的实数，所述复数LR-辅助K-best检测器可得到较低的延时以及资源。

1.3传统LR-辅助K-best检测器的问题

然而，和由于有界群集S，子节点的数量是有限的s-域中的K-best算法不同的是，LR-辅助K-best算法中的每一局部候选具有无限可能的子节点，因为不能得到关于Z的边界的任何信息。图2示出了LR-辅助K-best与具有4PAM的传统K-best之间的更广范围以及无限子节点的对比。如图2所示，不同于在有界群集S中的现有K-best算法中的局部候选，LR域z_i ⁽ⁿ⁾中的局部候选的范围更广且通常是未确定的。如图2所示，LR-辅助K-best算法中的每一局部候选可具有无限可能的子节点，因而不能得到关于z的边界的任何信息，而K-best算法由于有界群集S，其子节点数量是有限的。

这些不同给LR-辅助K-best在硬件实现方面带来了一些挑战。候选的更广范围需要更高的定点分辨率来表示z_i ⁽ⁿ⁾以及更多的资源来执行涉及z_i ⁽ⁿ⁾的运算。此外，如何有效地在无线子节点中找到最高K子节点成为一关键的任务。

在现有的技术中中，已知一种解决无限子节点问题的预扩展方法。所述预扩展方法如Qi中所描述。该预扩展方法首先是找到每一父节点的最高K子节点。例如，所述预扩展方法通过仅扩展所述第(n+1)层每一局部候选的Nbest子节点来近似于具有NK子节点的有限集的无线子节点集。接着，所述算法从所述NK子节点中选择第n层的最高K局部候选。需要注意的是，当N＝K时，所述K²子节点本身至少包括在所述第(n+1)层的所有子节点内的Kbest局部候选，从而所述预扩展方法是精确的。该方法的复杂度为O(N_tK+K²)量级。当K较大时，所述预扩展方法的复杂度升高，从而其硬件实现变得不可行。

此外，在现有技术中，还已知一种按需扩展方法以进一步减少所述节点/子节点扩展的数量。可在Shabany中找到关于按需扩展方法的讨论。所述按需扩展方法采用Schnorr-Euchner(SE)策略以执行按需子节点扩展。该方法保持存储每一父节点的当前最佳子节点的尺寸为K的候选列表，其中，所述当前最佳子节点被定义成同一父节点的其所有兄弟节点已被选择作为所述第n层的局部候选。然后，所述按需扩展方法选择所述候选列表中的最佳子节点并通过SE扩展以相同父节点的其下一最佳兄弟节点来替换该最佳子节点。由此，当且仅当其较好的兄弟节点被扩展时，一子节点被扩展。在K选择后，可得到每一层的最佳K子节点。所述子节点按需扩展的主要优势在于：该方法扩展每一层的2K-1子节点，从而相对于需要扩展K²子节点的Qi中的预扩展方法，需要更少的资源来计算和存储所述2K子节点。尽管在Shabany中可实现所述节点扩展的显著降低，但Shabany中的方法使用穷举法来找到候选列表中的最小成本的子节点，因而其复杂度仍然为O(N_tK+K²)量级。

此外，所述复数LR-辅助K-best检测器的一个主要困难在于：如何有效地找到复数域中的每一层的最佳K子节点，而这是比在实数域中更复杂的。

2、改进的LR-辅助K-best检测器

本发明的一发面涉及降低现有设计在计算每层的所有子节点内的K最佳子节点的复杂度。例如，本发明可通过按需子节点扩展以及优先队列来降低从每层无限子节点集中找到K最佳局部候选。

2.1实数LR-辅助K-best检测器

根据本发明的一实施方式，所述MIMO符号检测器110可包括实数LR-辅助K-best检测器。所述实数LR-辅助K-best检测器可采用按需子节点扩展以及优先队列。表3示出了所述实数LR-辅助K-best检测器的伪码示例。相较于Shabany中的算法，本实施方式的算法不是采用Shabany中的穷举法,而采用所述优先队列来找到行10中最小成本的子节点。所述优先队列可通过堆来实现，其需要O(1)运算来找到最小成本的子节点，如果关键字变化的话(行17)，运算O(log₂(k))来保持所述堆，以及O(K)运算来初始化具有K元素的堆(行8)。因此，表3中所描述的方法的整体复杂度可以是O(N_tK+klog₂(K))，当K较大时，其显著低于Qi和Shabany中的O(N_tK+K²)。第4和11行的复杂度通常可依赖于所述实现的数据结构且通过使用内存复制方法其最多在O(N_t)量级。表3所示的程序可以降低的复杂度找到每一层确切的K最佳局部候选。

表3用于实数LR-辅助K-best检测器的寻找_Kbest_子节点()子程序

所述LR-辅助K-best算法的低复杂度可以执行用于具有大型候选尺寸的大型MIMO系统(例如，50×50MIMO系统)的算法。随着天线数量的增加，误差特性可接近AWGN信道的误差特性。在本发明的一实施方式中，所述LR-辅助K-best算法可与最小均方误差(MMSE)正则化相结合以实现具有大型群集尺寸的大型MIMO系统(例如，具有256-QAM的50×50MIMO)的次优误差特性。

2.2复数LR-辅助K-best检测器

本发明的另一方面在于，所述MIMO符号检测器110可包括复数LR-辅助K-best检测器。本发明可降低现有设计在计算每层的所有子节点内的K最佳子节点的复杂度。

2.2.1以2D SE扩展找到最佳K子节点

根据本发明的实施方式，复数LR-辅助K-best检测器可通过利用二维(2D)Schnorr-Euchner(SE)扩展有效地找到每一层的最佳K子节点。

表4示出了以2D SE扩展找到最佳K子节点的示例性方法。与表3中所示的实数LR-辅助K-best检测器相类似，本实施方式所述的LR-辅助K-best检测器可采用按需子节点扩展以及优先队列。

表4所提议的用于复数LR-辅助K-best检测器的2D SE扩展的寻找_Kbest_子节点()子程序

该方法将所有的子节点归为两类并根据分类通过实数和/或虚数方向扩展下一子节点以确保同一父节点的下个最小子节点位于所述候选列表中。例如，继续参考表4，第n层中父节点的子节点如可能被分为两类。在第一类中(即，类型I)中，子节点的的实数部分可与的实数部分相同，其中，可以是相同的父节点的所有子节点中的具有最低成本的子节点。所述第二类(即，类型II)可包括不适合于所述第一类的所有其它场景。

一旦选择类型I的子节点作为K-best子节点之一，则可执行实数(表4第13-24行)和虚数(表4第28-33行)SE扩展以确保相同父节点的下个最小子节点位于优先队列中。然而，对于类型II子节点，仅可执行虚数SE扩展(表4第28-33行)。请注意：取整操作「·」可分别对一复数变量的实数和虚数部分进行四舍五入。

表4中的算法可利用按需子节点扩展和优先队列找到复杂度为O(NK+K log₂(K))的每一层的精确的K最佳局部候选。相对于Shabany中所描述的现有技术，所提议的算法可采用优先队列，而不是Shabany中所描述的穷举法，来找到第12行中的具有最低成本的子节点。所述优先队列通过堆实现，其需要O(1)运算以找到最低成本的子节点，如果关键字改变的话(第24、33行，注意：所述堆的尺寸为最大2K)，则需要O(log₂(K))运算以维持所述堆，以及需要O(K)运算以通过K元素(第10行)初始化所述堆。因此，所提议的方法的整体复杂度为O(NK+K log₂(K))，当K较大时，其明显低于Shabany和Qi中的O(NK+K²)。需要注意的是，第4、19以及26行的复杂度通常依赖于所述实现的数据结构，且通过使用内存复制方法其最多在O(N)量级。

2.2.2以两阶段1D SE扩展找到最佳K子节点

根据本发明的其它实施方式，复数LR-辅助K-best检测器可通过两阶段一维(1D)SE扩展有效地找到复数域中每一层的最佳K子节点。所述两阶段扩展方法可基于如表3所描述的一维扩展，其中，所述1D SE扩展可与表3(第15-16行)中所使用的实数LR-辅助K-best相同。表5示出了以两阶段1D SE扩展找到最佳K子节点的示例性方法。

表5所提议的用于复数LR-辅助K-best检测器的两阶段1D SE扩展的寻找_Kbest_子节点()子程序

如表5所示，所述第一阶段可仅扩展第(n+1)层的所有子节点的实数部分。在K扩展后，所述第二阶段可仅扩展由所述第一阶段得到的所有子节点的虚数部分。由于由第一阶段获得的子节点以及由随后的虚部扩展得到的它们的兄弟节点可含有所述层的最高K子节点，该方法可以是一种精确的方法且不依赖于所述2D SE方法。表5中的第1-18行可与表4相类似，除了形成一些其它的变量来支撑所述第二阶段扩展。

相对于表1和表2中的具有2N_t层的实数LR-辅助K-best，本实施方式的利用表5中的方法的复数LR-辅助K-best可具有N_t层。由此，该实施方式可节省每一父节点的最佳子节点的一半的结算量(表1和5中第1-7行)。因此，该实施方式的复数LR-辅助K-best相对于实数LR-辅助K-best具有更低的延时以及更低的复杂度。

2.3改进的LR-辅助K-best检测器的性能

为验证所述改进的LR-辅助K-best算法用于MIMO系统的性能，可采用具有约减质量参数δ＝1或δ＝0.99的实数LLL算法或复数LLL算法。

图3示出了包括复数LLL-辅助MMSE K-best检测器、MLD、复数MMSE串行干扰消除(SIC)、以及复数LLL-辅助MMSE-SIC在内的各种类型检测器的性能对比。这些性能测试可以64QAM和不同的K在10×10MIMO系统上进行。具体地，H^c的项可被建模成零均值和单位方差的独立同分布(i.i.d.)复高斯变量。图3中所示的SNR可被定义成所接收的信息比特能量随噪声离散的变化。图3中所示的BER可指比特误码率。

如图3所示，相对于分集为1的MMSE-SIC，所述复数LLL-辅助MMSE-SIC可得到明显的性能提升。所述复数LLL-辅助MMSE K-best检测器还可进一步提高所述复数LLL-辅助MMSE-SIC的性能，其中，K＝2的复数LLL-辅助MMSE K-best检测器可相对于复数LLL辅助MMSE-SIC具有高于2dB的增益。此外，如图3所示，通过增加候选K的数量，所述复数LLL-辅助MMSE K-best检测器的性能可达到MLD的性能。如图3所示，当K＝15，所述复数LLL-辅助MMSEK-best可实现与MLD几乎相同的性能。

图4示出了用于具有64QAM和不同的K数量的10×10MIMI系统的实数LLL-辅助MMSEK-best检测器与复数LLL-辅助MMSE K-best检测器之间的性能对比。如图4所示，对于不同的K，所述实数和复数检测器可展现出几乎相同的误差特性。

根据本发明，所述改进的实数/复数LR-辅助K-best算法具有降低的O(N_tK+Klog₂(K))的复杂度，其低于现有技术的复杂度。所述改进的LR-辅助K-best检测器的低复杂度可有助于具有大的候选尺寸K的大型MIMO检测。例如，K＝4000的LR-辅助K-best用于具有1024-QAM的50×50MIMO系统，在比特误码率为10^-5时，可达到约3dB的间隙。对于大数值的K，本发明中所描述的改进的LR-辅助K-best算法可实现用于大型MIMO系统的次优性能。

所述复数LR-辅助K-best检测器可具有比所述实数LR-辅助K-best检测器更低的延时。表6总结了本发明中所描述的实数LLL-辅助MMSE K-best算法和复数LLL-辅助MMSEK-best算法的算法运算的平均数量(浮点的实数加法和实数乘法)。预处理步骤(例如，LLL和QR分解)不计入该表。表6示出了所述复数LLL-辅助MMSE K-best算法相对于实数算法通常需要更少的运算。

表6所述实数LLL-辅助MMSE K-best算法和所述复数LLL-辅助MMSE K-best算法的算术运算的平均数量

2.4硬件实现

本发明的硬件实现通过考虑所述按需子节点扩展和所述优先队列的并行硬件计算可具有低复杂度。在一些实施方式中，本发明所描述的复数LR-辅助K-best检测器可相对于它们相应的实数检测器更易于以可能的更低的延时以及更少的资源在硬件上实现。

在一实施方式中，所述大型MIMO系统可包括传送器和接收器中的至少16根天线，并使用Xilinx VC707FPGA评估板作为快速原型的目标硬件平台。随着天线数量增大，所述检测器可消耗更多的资源并产生更久的延时，而相对于ASIC，FPGA板具有有限的资源(例如，寄存器和乘法器)以及通常较低的可实现频率。

为减少延时和资源，可通过使用复数LR-辅助K-best来替代实数LR-辅助K-best以减少LR-辅助K-best检测器的管道阶段。相对于实数LR-辅助K-best具有的2N_t层，所述复数LR-辅助K-best可具有N_t层。因此，所述复数LR-辅助K-best可能需要更少数量的管道阶段并从而需要更少的资源以及更低的延时。

在本发明的一个方面中，所述复数LR-辅助K-best可在用于大型MIMO检测的XilinxFPGA上实现。考虑到由FPGA所提供的有限的硬件资源，提议了一种K相对小的硬件优化的复数LR-辅助K-best检测器。所述FPGA实现可支持用于具有1024-QAM、在误码率(BER)＝10^-4时，与MLD具有约2.7dB差距的16×16MIMO系统的3Ghps MIMO传输。

在本发明的某些方面中，K值越大，要取得更好的性能所需的复杂度越高。为确定具有折中的较好性能复杂度的K值，所述用于具有1024-QAM的16×16MIMO系统的复数LLL-辅助MMSE K-best检测器的性能可以选自{1,...,10}的不同K值进行控制。可以看出，随着K值增大，性能增益缓慢，且在BER＝10^-4时，K＝10相对于K＝6的增益约为0.5dB，而K＝6相对于K＝2的增益约为1.5dB。因此，出于实现目的，可选择K＝6。

图5示出了MIMO符号检测器110的硬件实现的系统框图。除了和R^c，该实现可能还需要的输入，其被假定为在LR-辅助K-best前的预计算。如图5所示，所述MIMO符号检测器110可包括最后层(LL)模块、预扩展(PE)模块以及按需扩展及选择(OES)模块。对于K＝6，所述最后层(LL)模块可形成第N_t层最佳6个子节点。所述LL模块可每6周期接收新输入以及所述LL模块可在3周期中输出所述层的最佳子节点，在所有8周期中输出其它5子节点。

所述PE模块可形成每一特定层的一父节点的最佳6个子节点。所述PE模块可以完全传递，从而其接受在一周期中的一父节点以及输出一父节点在6周期中的子节点。

所述OES模块可选择每一特定层的最佳6子节点。所述OES模块可接收用于每一6周期的新输入，并可输出在6周期中的所述层的最佳子节点以及所述层在所有11周期中的其它5个最佳子节点。

根据图5所示的实施方式，该设计的整体延时为8+15×(6+6)＝188周期。

所提议的设计可利用Verilog建模，表7中列出了用于一些关键参数的定点(FP)设置(所述FP设置表示成[a,b]，其中，a为整数位的数量，若可以的话，包括一符号位，且b为分数位的数量)。如表7所示，尽管传统的K-best检测器需要5比特来表示1024-QAM符号的实部或虚部(以适当的缩放及移位)，本发明所述的LR-辅助K-best检测器可利用10比特，这是两倍的宽度。

表7FPGA实现的定点设置

该设计可利用Xilinx XST合成，并可通过Xilinx PAR进行布局及路由。表8概括了所提议的LR-辅助K-best实现所利用的资源，布局及路由后可达到的最大频率、延时以及吞吐量。该设计可占XC7VX485T-2FFG1761FPGA设备的约22043/75900≈29％的切片以及702/2800≈25％乘法器。该设计可以很容易地扩展成大型MIMO系统。对于1024-AQAM，16x16MIMO系统的最大吞吐量可以是f_max x log₂(1024)×N_t/K≈3Gbps。

设计	16x 16MIMO
		切片	22043
乘法器(DS P48Eis)	702
		最大频率,fmax	120.351MHz
延时	1.562μs
		最大吞吐量(64-QAM)	1925Mbps
最大吞吐量(256-QAM)	2567Mbps
		最大吞吐量t(1024-QAM)	3209Mbps

表8用于16×18MIMO系统的LR-辅助K-best检测器的实现结果

2.5具有后期扩展策略的LR-辅助K-best检测器

在本发明的一些方面中，所述LR-辅助K-best检测器可以后期扩展策略实现。表9示出了利用后期扩展找到实数LR-辅助K-best检测器的_Kbest_子节点_后期()子程序的示例。相较于表3中没有后期扩展策略的子程序，该实施方式可延缓下一子节点扩展到下一k+1的循环。该后期扩展可有利于硬件实现，因为，找到第k个最佳子节点的运行和所述后期扩展可并行进行。

表9用于具有按需扩展和所述后期扩展策略的所述LR-辅助K-best算法的寻找_Kbest_子节点_后期()子程序

当len＝1时，所述后期扩展策略不适用，因为当len＝1时，没有可用于下一SE扩展的有效子节点。

所述后期扩展策略可能无法保证找到与每一层中的K父节点相对应的K最佳子节点。但是，所述后期扩展可确保找到与每一层中的K父节点相对应的最佳子节点。

所述具有后期扩展的LR-辅助K-best检测器(例如，表9中的找到_Kbest_子节点_后期())相对于没有后期扩展的LR-辅助K-best检测器(例如，表3中的找到_Kbest_子节点())据统计可导致性能降低。然后，如下面所示的，当K适当大时，该性能损失可以忽略不计。

根据硬件要求，所述后期扩展中的运算部分可转移到当前子节点扩展中。表10中体现了此类变量的示例。此类变量的性能与表9中相同。

表10具有按需扩展以及后期扩展策略的LR-辅助K-best算法的寻找_Kbest_子节点_后期()子程序的变量

2.6具有/不具有后期扩展的性能对比

所述LR-辅助K-best检测器的后期扩展策略可以缓解现有K-best检测器中的关键路径问题。因此，所述后期扩展策略可得到更高的最大频率以及更高的吞吐量。

图6示出了MLD和4x4MIMO系统、256-QAM且K＝3的不具有和具有后期扩展策略的LR-辅助K-best的性能对比。所述LR-辅助K-best算法可采用LLL算法和最小均方误差(MMSE)。H的元可建模成具有零均值和单位方差的独立同分布复数高斯变量。如图6所示，K＝3，具有和不具有后期扩展策略的LR-辅助K-best算法可得到与MLD几乎相同的误差特性。

图7示出了MLD和8x8MIMO系统、256-QAM且K＝3和7时的不具有和具有后期扩展策略的LR-辅助K-best的性能对比。当K＝3时，所述具有后期扩展的LR-辅助K-best相对于不具备后期扩展的LR-辅助K-best在BER＝10^-5处具有约0.5dB的损失，且相对于MLD，该损失约为1dB。当K＝7时，所述MLD、以及不具有和具有后期扩展策略的LR-辅助K-best显示出来几乎相同的误差特性。

图8为根据本发明的一个示例性实施方式的实施例方法的流程框图800。在框802，所述方法800可通过多个天线接收多个无线信号。所述多个无线信号中的每一个可含有一符号。在框804，所述方法800可将所接收到的多个无线信号转换成相应的输入信号。在框806，所述方法800可包括通过处理器基于格基约减(LR)辅助K-best算法进行在所述输入信号中的多个候选符号层的搜索。在框810，所述方法800可通过优先队列识别每一层的K最佳候选符号。在框812，所述方法800可基于至少一候选符号更新所述优先队列。在框814，所述方法800可输出至少一符号。

在一示例性实施中，与所述K-best候选符号相关的值K可以是一预设的数值。在一些示例中，所述K最佳候选符号可具有最小成本。在一示例性实施中，每一层可包括至少一代表候选符号的父节点。在一示例性实现中，至少一父节点可包括一子节点。所述子节点可表示一候选符号，在一示例性实现中，所述处理器可执行每一父节点的最佳子节点的扩展。所述最佳子节点可具有在同一父节点的所有子节点中的最小成本。在一示例性实现中，所述处理器可确定第k层最佳子节点。所述处理器可扩展下一最佳子节点。在一示例性实现中，所述处理器可延缓所述下一最佳子节点的扩展。

在一示例性实现中，所述扩展可以是按需扩展。在一示例性实现中，所述扩展可以是Schnorr-Euchner(SE)扩展。

在一示例性实现中，所述处理器可在一实数域中实现所述LR-辅助K-best算法。在一示例性实现中，所述处理器可在一复数域中实施所述LR-辅助K-best算法。在一些示例中，所述LR-辅助K-best算法可具有为O(NK+Klog₂(K))的复杂度，其中，N表示天线数量。

在一示例性实现中，所述处理器可执行2维SE扩展以识别所述K最佳候选符号。在一示例性实现中，所述2维SE扩展可包括实数SE扩展和虚数SE扩展。在其它示例性实现中，所述处理器可执行两阶段1维(1D)SE扩展。在一示例性实现中，所述两阶段1DSE扩展可包括一层的所有子节点的实部的第一阶段扩展，以及从所述第一阶段得到的所有子节点的虚部的第二阶段扩展。

本发明的某些示例性实现提供了降低与MIMO系统，如大型MIMO系统中的检测器相关的降低复杂度和延时，并提高其吞吐量和性能的技术效果。此外，本发明的某些实现所提供的技术效果可包括具有大型群集尺寸的MIMO系统的次优误差特性。另外，本发明的某些实现可提供减少与MIMO系统的检测器相关的实施资源，如，降低管道阶段数量的技术效果。

应当理解的是，本发明的实施方式以及权利要求并不限于说明书以及附图所示出的组件的构造和设置的详细应用中。相反，说明书以及附图提供了所设想的实施方式的示例。本发明的实施方式以及权利要求还可适用于其它实施方式，并能以各种方式被实践和进行。此外，应当理解的是，本文中所采用的措辞和术语是出于描述性的目的，而不应被视为限制所述权利要求。例如，本文中所使用的“示例性的”并不是意味着其为最佳模式，而是一个示例。

因此，本领域技术人员将理解的是，本申请和权利要求所基于的设想可很容易地用于实施本申请所公开的实施方式和权利要求的一些目的的其它结构、方法以及系统设计的基础。因此，重要的是，所述权利要求应视为包括此类等同构造。

此外，前述摘要的目的在于使得公众，尤其是包括本领域对专利以及法律条款或术语不熟悉的从业者，以粗略的检索快速确定本申请所公开的技术的性质和本质。所述摘要既不旨在限定本申请的权利要求，也不旨在以任何形式限定本申请的保护范围。

Claims (34)

1.一种多输入多输出通信系统，包括：

多根天线，其被配置成接收多个无线信号；以及

符号检测器，其被配置成：

将所接收到的无线信号转换成输入信号，以及

通过：

执行在多个候选符号层的搜索；

实施一优先队列以识别多层中每一层的K-best候选符号；以及

基于至少一候选符号的扩展来更新所述优先队列来实施格基约减(LR)-辅助K-best算法以检测所述输入信号中的符号。

2.根据权利要求1所述的系统，其特征在于：与K-best候选符号相关的K值为一预设数值。

3.根据权利要求1所述的系统，其特征在于：所述K-best候选符号具有最低成本。

4.根据权利要求1所述的系统，其特征在于：每一层包括至少一代表候选符号的父节点。

5.根据权利要求4所述的系统，其特征在于：至少一父节点包括一子节点，所述子节点代表一候选符号。

6.根据权利要求5所述的系统，其特征在于：所述符号检测器还被配置成执行扩展每一父节点的最佳子节点，所述最佳子节点在相同父节点的所有子节点中具有最低成本。

7.根据权利要求6所述的系统，其特征在于：所述符号检测器还被配置成：识别第k个最佳子节点，并扩展下一最佳子节点。

8.根据权利要求7所述的系统，其特征在于：所述符号检测器还被配置成：延缓下一最佳子节点的扩展。

9.根据权利要求1所述的系统，其特征在于：所述扩展为按需扩展。

10.根据权利要求1所述的系统，其特征在于：所述扩展为Schnorr-Euchner(SE)扩展。

11.根据权利要求1所述的系统，其特征在于：所述符号检测器被配置成：在实数域实现所述LR-辅助K-best算法。

12.根据权利要求1所述的系统，其特征在于：所述符号检测器被配置成：在复数域实现所述LR-辅助K-best算法。

13.根据权利要求1所述的系统，其特征在于：所述LR-辅助K-best算法具有的复杂度为O(NK+Klog₂(K))，其中，N为天线数量。

14.根据权利要求12所述的系统，其特征在于：所述符号检测器被配置成：执行2维SE扩展以识别所述K-best候选符号。

15.根据权利要求14所述的系统，其特征在于：所述2维SE扩展包括实数SE扩展和虚数SE扩展。

16.根据权利要求12所述的系统，其特征在于：所述符号检测器被配置成执行两阶段一维(1D)SE扩展。

17.根据权利要求16所述的系统，其特征在于：所述两阶段1D SE扩展包括一层的所有子节点的实部的第一阶段扩展，以及由所述第一阶段得到的所有子节点的虚部的第二阶段扩展。

18.一种多输入多输出通信系统中的符号检测方法，其包括：

通过多根天线接收多个无线信号，所述多个无线信号中的每一个包括一符号；

将所接收到的多个无线信号转换成相应的输入信号；

基于格基约减(LR)辅助K-best算法，通过处理器执行所述输入信号中的多个候选符号层的搜索；

通过优先队列识别每一层的K-best候选符号；

根据至少一候选符号更新所述优先队列；以及

输出至少一符号。

19.根据权利要求18所述的方法，其特征在于：与K-best候选符号相关的K值为一预设数值。

20.根据权利要求18所述的方法，其特征在于：所述K-best候选符号具有最低成本。

21.根据权利要求18所述的方法，其特征在于：每一层包括至少一代表候选符号的父节点。

22.根据权利要求21所述的方法，其特征在于：至少一父节点包括一子节点，所述子节点代表一候选符号。

23.根据权利要求22所述的方法，其特征在于：所述处理器执行扩展每一父节点的最佳子节点，所述最佳子节点在相同父节点的所有子节点中具有最低成本。

24.根据权利要求23所述的方法，其特征在于：所述处理器识别第k个最佳子节点，并扩展下一最佳子节点。

25.根据权利要求24所述的方法，其特征在于：所述处理器延缓下一最佳子节点的扩展。

26.根据权利要求18所述的方法，其特征在于：所述扩展为按需扩展。

27.根据权利要求18所述的方法，其特征在于：所述扩展为Schnorr-Euchner(SE)扩展。

28.根据权利要求18所述的方法，其特征在于：所述处理器在实数域实现所述LR-辅助K-best算法。

29.根据权利要求18所述的方法，其特征在于：所述处理器在复数域实现所述LR-辅助K-best算法。

30.根据权利要求18所述的方法，其特征在于：所述LR-辅助K-best算法具有的复杂度为O(NK+Klog₂(K))，其中，N为天线数量。

31.根据权利要求29所述的方法，其特征在于：所述处理器执行2维SE扩展以识别所述K-best候选符号。

32.根据权利要求31所述的方法，其特征在于：所述2维SE扩展包括实数SE扩展和虚数SE扩展。

33.根据权利要求29所述的方法，其特征在于：所述处理器执行两阶段一维(1D)SE扩展。

34.根据权利要求33所述的方法，其特征在于：所述两阶段1D SE扩展包括一层的所有子节点的实部的第一阶段扩展，以及由所述第一阶段得到的所有子节点的虚部的第二阶段扩展。