CN110932762B - 面向mimo检测的格基规约辅助的信道预处理方法及装置 - Google Patents
面向mimo检测的格基规约辅助的信道预处理方法及装置 Download PDFInfo
- Publication number
- CN110932762B CN110932762B CN201911034806.1A CN201911034806A CN110932762B CN 110932762 B CN110932762 B CN 110932762B CN 201911034806 A CN201911034806 A CN 201911034806A CN 110932762 B CN110932762 B CN 110932762B
- Authority
- CN
- China
- Prior art keywords
- matrix
- lattice reduction
- iteration
- upper triangular
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms
Abstract
一种面向MIMO检测的格基规约辅助的信道预处理方法及装置,包括如下步骤:步骤一,对信道矩阵进行cholesky分解和格基规约变换;步骤二,采用广度优先的K‑best树搜索方法,按一定的展开策略和子节点选取策略进行搜索。在步骤一中,本发明通过移除特定的不活跃的子模块和打破数据间的依赖关系来降低复杂度和延时以及提升算法的并行度。本发明能够在具有近最优检测性能的同时,解决传统检测装置延迟高、数据吞吐率低和硬件不容易实现等问题。
Description
技术领域
本发明属于多输入多输出系统(Multiple Input Multiple Output,以下简称为MIMO系统),特别是一种面向MIMO检测的格基规约辅助的信道预处理方法及装置。
背景技术
随着带宽受限的无线通信系统的快速发展,MIMO系统被研究者们提出作为高传输速率应用的解决方案。MIMO系统能够在不增加额外带宽和发射功率的前提下提升数据的传输速率。因此,它被广泛应用于各种现代通讯标准当中,例如802.11ac和高频率利用率和高数据吞吐的无线局域网技术要求协议(Enhanced Ultra High Throughput,EUHT)。而且,在未来十年中,更大天线规模的MIMO技术仍然是5G通信标准的核心之一。然而随着收发天线数目的规模达到了8天线发送8天线接收,设计一个低复杂度和高数据吞吐的检测器成为了MIMO系统的主要难点之一。
最大似然检测(Maximum Likelihood,ML)能够提供最优的检测性能。但是,由于ML算法的复杂度随着天线规模和调制阶数的增加而呈指数级增长,难以硬件实现。因此我们仅将ML算法作为性能对比的基准。另一方面,线性检测算法例如迫零检测(Zero Forcing,ZF)和最小均方误差检测(Minimum Mean Square Error,MMSE),在低复杂度的方面具有很大的优势。但是这些线性检测算法有着不可忽视的检测性能的恶化,尤其是针对更大规模的天线阵列,例如8x8。因此,越来越多的学者研究能够在检测性能和复杂度更好折中的近最优检测算法。
其中,树搜索算法是一种广泛应用的非线性算法。它主要被分为两类:深度优先搜索算法(Depth-First Searching,DFS)和广度优先搜索算法(Breadth-First Searching,BFS)。DFS算法,例如球形译码算法(Sphere Decoding,SD),采用直到该条路径没有可以被搜索的节点后才会搜索另一条路径的策略。而且,搜索路径的PED(Partial EuclideanDistance)用来确定下一次的搜索半径。但是由于其不固定的迭代次数和数据吞吐速率,深度优先的搜索算法比较难以硬件实现。另一方面广度优先搜索方式的K-Best检测器和固定复杂度的球形译码检测器(Fixed-ComplexitySphere Decoder,FSD)由于具有固定的复杂度和近最优的检测性能而受到了更多的青睐。
当天线规模扩展到8x8时,相比于FSD,K-Best检测算法在复杂度上具有更大的吸引力。因为FSD算法需要访问更多的节点去保持相同的性能。然而,传统的K-Best检测算法由于过多的展开节点依然不利于硬件实现。因此,在预处理部分,引入了格基规约算法(Lattice Reduction,LR)来减少K-Best检测器的展开节点数。LR的基本原理是寻找一组空间向量基,从而能够提升信道矩阵的正交特性来提升整个系统的检测性能和后续检测模块的计算效率。但是传统的LR算法,例如著名的具有多项式复杂的Lenstra-Lenstra-Lovasz(LLL)算法,有迭代次数不固定和复杂度依赖信道特性的缺点。
为了克服这样的缺点,几种固定迭代次数的低复杂度LR算法被提出。一方面,黄元豪团队在《IEEE Transactions on Very Large Scale Integration(VLIS)Systems》中发表的《A 3.1Gb/s 8x8 sorting reduced K-Best detector with lattice reduction andQR decomposition》(一种基于格基规约和QR分解辅助的低排序的8x8 K-Best检测器设计)提出了一种增强的固定吞吐的LLL算法来打破迭代之间的数据依赖从而提升LR算法的并行度。然而,为了保持检测性能,需要更多的迭代次数从而增加了复杂度。
另一方面,为了减少LR的复杂度,清华大学在《IEEE Transactions on SignalProcessing》中发表的《Algorithm and architecture of a low-comlexity and high-prarllelism preprocessing based K-Best Detector for large-scale MIMO systems》(一种针对大规模MIMO系统的基于低复杂度高并行的预处理算法的K-Best检测器算法和架构研究)提出了一种固定的部分迭代的LR算法,能够节省67.3%的乘法次数。但是由于复杂的排序,这种算法不适合高数据吞吐低延时的MIMO通信系统。而且,在8x8MIMO通信系统中,这些算法相比于最优的检测算法都存在这不可忽略的性能损失。
发明内容
为了解决上述提出的基于软输出MIMO检测的格基规约辅助的信道预处理方法的不足,本发明旨在于提出一种具有近最优检测性能的,低复杂度的和低延时的格基规约K-Best检测算法。
一种具有近最优性能的面向MIMO检测的格基规约辅助的信道预处理方法。该算法主要包括以下步骤:
步骤一,对多输入多输出(Multiple-In Multiple-Output,MIMO)正交频分复用(Orthogonal Frequency Division System,OFDM)系统的信道矩阵H进行优化的排序gram矩阵A进行求解。
步骤二,对于步骤一的结果进行cholesky分解得到上三角矩阵R。
步骤三,对于步骤一得到的排序过后的H和步骤二得到的上三角矩阵R进行格基规约(Lattice Reducion,LR)变换。
步骤四对于步骤三得到的R进行上三角矩阵求逆
步骤五用步骤三得到的LR变换后的矩阵H和步骤四得到的R的逆矩阵对输入接收向量y进行预处理,
步骤六,将处理后的接收向量y,以及上三角矩阵R,上三角逆矩阵和格基规约矩阵T传输给K-Best模块进行检测并且根据输出结果计算软信息;
在步骤一中,先计算Gram将矩阵A的对角元素,根据其对角元素的大小对信道矩阵H进行排序,然后再计算矩阵A的非对角元素。Gram矩阵的计算可以表示为A=HHH+σ2I
对于步骤一中的矩阵A进行cholesky分解得到上三角矩阵R,A=RHR
进一步地,对于步骤一得到的矩阵H和步骤二得到的上三角矩阵R进行格基规约变换,得到对应的矩阵其中矩阵T是用来记录格基规约信息的幺模矩阵。本设计采用的是优化的低复杂度解耦合的FCLLL算法(Fixed-Complexity LLL)。
根据预处理提供的上三角矩阵,上三角逆矩阵的主对角元素和格基规约矩阵来进行K-Best检测。
进一步地,根据以下公式计算软信息
本发明根据所公开的检测算法设计了相应的装置,该装置主要包括四个部分:输入缓存、预处理计算、中间缓存和K-Best检测。
输入缓存主要存放前级信道估计模块输出的所有数据子载波对应的信道矩阵。
根据控制模块的调度,预处理模块从输入缓存中读取信道矩阵,估计噪声能量和接收向量。预处理模块主要包含Gram矩阵计算、Cholesky分解、格基规约变换、矩阵求逆和接收向量预处理模块。
进一步地,接收向量预处理模块中采用两次矩阵-向量乘积代替了酉矩阵的计算,从而减少了硬件资源的消耗。
预处理模块的输出结果,主要包括上三角矩阵,上三角逆矩阵的主对角元素、记录格基规约变换信息的幺模矩阵以及排序信息,存储到中间缓存。
进一步地,K-Best检测模块根据中间缓存的数据来进行广度优先的树搜索计算软信息。K-Best检测模块主要包含树搜索模块、格基域转换模块、路径排序模块和软信息计算模块。后三个模块都是为了软信息计算服务。
本发明的技术效果如下:
与现有技术相比,本文提出的面向MIMO检测的格基规约辅助的信道预处理方法及装置能够实现低复杂度和低延时的近最优检测性能。利用格基规约辅助排序的性质,一种简化排序的cholesky分解算法被提出在提升数据精度的同时减小算法复杂度。相比于传统的排序cholesky算法,所提出的算法在保证检测性能的同时节省了21.0%的延时和71.4%的矩阵交换次数。而且在此基础上,通过去除不活跃的子模块,提出了一种非完全迭代的LR算法,在基本不损失系统性能的前提下,降低了16%的乘法次数。同时,LR算法也采用了特殊的设计来解除迭代之间的数据以来,从而降低了28.6%的latency同时提升了并行度。硬件设计层面上,采用了折叠的K-Best模块降低硬件资源。同时采用了特殊的存储策略节省了63.6%的存储消耗。本发明公开的检测装置支持8×8,64-QAM的MIMO系统模型。该检测装置在SMIC40nm工艺下,最大时钟频率频率为641MHz,最大数据吞吐速率为3.85Gbps,芯片面积为4.47mm2。
附图说明
图1本发明提出的基于软输出K-Best检测的格基规约辅助的信道预处理方法的整体算法流程图。
图2为传统的sorted-cholesky算法示意图。
图3为本发明提出的optimized-sorting cholesky算法示意图。
图4为传统的固定复杂度的LLL算法的列交换频率在AWGN下的仿真图。
图5为本发明提出的检测算法和已有算法的性能对比。
图6为本发明提出的检测算法的定点仿真性能。
图7为本发明提出的检测装置的硬件顶层框图。
图8为本发明提出的检测装置的顶层时序图。
图9为本发明提出的检测装置的预处理顶层模块和时序安排示意图。
图10为本发明提出的监测装置的K-Best检测顶层模块和时序安排示意图。
图11为传统的存储策略示意图。
图12为本发明提出的改进存储策略示意图。
具体实施方式
图1为本发明提出的面向MIMO检测的格基规约辅助的信道预处理方法的整体算法流程图,其步骤主要包含
101)根据输入的信道矩阵H和噪声平均能量计算gram矩阵A:
一个Nr×Nt多输入多输出(MIMO)通信系统在发射端具有Nr个发射天线,在接收端具有Nt个接收天线,系统模型可以表述为:
y=Hx+n
其中,H是规模为Nr×Nt的信道矩阵,y是维度为Nr的接收向量,n是维度为Nr的服从独立同分布的高斯加性白噪声,其均值为0,方差为σ2;x是维度为Nt的接收向量;Gram矩阵A可以表示为:
其中,I是单位矩阵。
102)cholesky分解将步骤101中的计算结果A分解成上三角矩阵和下三角矩阵的乘积:
A=RHR=(QR)H(QR)
传统的排序cholesky算法由于复杂的排序操作有着较长延时和额外复杂度的问题。如图2所示,传统的排序cholesky分解每次迭代都需要根据矩阵A对角元素的大小关系交换矩阵A的行和列,以及矩阵R和H的对应的列。而且这种迭代的排序操作严重阻塞了数据流。
Siegel检查同样要求R矩阵的对角线元素有序。其可以表示为,
δ×|Ri-1,i-1|≤|Ri,i|,2≤i≤Nt
在一定程度上,Siegel能够被视为一种排序操作。根据这样的想法,它能够帮助cholesky分解优化迭代排序操作。
因此结合步骤101以及步骤102,本发明提出了一种优化排序的cholesky分解算法从而降低算法的延时。图3给出了本发明提出的optimized-sorting cholesky算法示意图。矩阵H首先会根据其列向量的欧几里得范数排序。在这一步中,仅有信道矩阵的列向量进行了交换。值得注意的是这种排序操作实际上仅仅引入了很少的计算复杂度,因为信道矩阵H的欧几里得范数恰巧就是之后需要计算的gram矩阵A的对角线元素。而且,提出的算法一次性排序所有元素。相比于传统的排序算法节省了延时。
另一方面,传统的排序算法也被用于LR的迭代次数通过跳过某些迭代。然而本发明采用的是固定迭代次数的LR算法,没有办法利用这种排序的又是去降低复杂度。
步骤103,根据步骤101和步骤102的计算结果,将矩阵H和R进行格基规约变换。本发明提出了一种低复杂度解耦合的格基规约算法来优化计算复杂度和减少延迟。一方面,为了缩减处理的延迟,解耦合的优化算法被提出来打破内部迭代之间的数据依赖从而提升并行度。另一方面,我们提出了一种低复杂度的部分计算算法来去除几个子迭代从而降低复杂度。具体的细节如下所述:
1)解耦合策略:格基规约算法主要由格基约减和矩阵列交换。格基约减仅仅包含矩阵的列操作,然而矩阵的列交换和矩阵的行操作有关,因为需要通过吉文斯旋转来保持R矩阵的上三角形式。同时的行列操作严重阻碍了数据的流动。例如,如图4所示,第二次迭代的第七次子迭代需要根据第七第八列进行格基约减(在一次迭代中,子迭代从第七次开始到第一次)。然而矩阵的第一行和第二行需要在第一次迭代的第一次子迭代中的吉文斯变换中进行更新。而矩阵的第一行和第二行同时也包含了第七、八列的部分元素。因此格基规约的第二次迭代的第七次子迭代需要在第一次迭代的第一次子迭代结束后才能开始。为了打破这样的限制,本发明提出了解耦合的算法。首先考虑吉文斯旋转,我们假定数据流是按行进入的。仅仅对应两列的元素更新。两列中的其他元素不会立即更新。当下一次子迭代时,新进行向量会根据之前子迭代的信息更新对应的列元素。然后进行格基约减和矩阵列交换。
2)低复杂度部分计算策略:Siegel条件的检查和冒泡排序类似。在冒泡排序操作中,一次排序完成后可以得到一个正确的数值。基于这样的想法,靠前的子迭代相比于靠后的子迭代具有更高的概率去满足Siegel条件。图4给出了在AWGN信道下列交换率和迭代次数之间的关系。从图中可以看出一次迭代靠前的部分相比于靠后的部分具有更小的列交换率(在仿真中迭代次数设置为3)。在这里,列交换率等价于Siegel条件不满的概率。因为当条件不满足时,就会发生列交换。列交换率越小,对最终结果的影响越小。因此,类似于冒泡排序,我们设计了一个策略,当一次迭代结束之后可以多移除一个子迭代来优化计算复杂度。根据这样的策略,第二次迭代的第一次小迭代和第三次迭代的第一、二次小迭代被移除了。还有另一个选择移除这三次子迭代的原因:移除这三次子迭代对整个latticereduction的影响是最小的。这也正好是没有选择每次迭代的第七次子迭代的原因,尽管他们同样具有很低的列交换率。通过这样的方式,格基规约算法在很小的算法性能损失的前提下减少了18.6%的乘法次数。
步骤104,根据步骤103得到的格基规约变换后的上三角矩阵R,求得其逆矩阵R-1。因为R是一个上三角矩阵,相比于传统的矩阵求逆要简单很多。
步骤105,根据步骤103得到的R和步骤104得到的R-1,对于接收向量y进行预处理。注意的是,在这里本发明规避了酉矩阵的计算,转而用连续两次矩阵-向量乘积从而减小了复杂度,可以表示为,
采用本发明设计的方式,将一次矩阵-矩阵乘法缩减成了一次矩阵-向量乘法。
步骤106,根据预处理模块的计算结果,包括上三角矩阵R,上三角逆矩阵的对角线元素,记录格基规约变换信息的矩阵T以及排序信息,进行K-Best检测[1]。K-Best检测可以表示为,
K-Best检测从第Mt层开始计算每条路径的欧氏距离,直到所有的层数都被访问。部分欧氏距离(Partial Euclidean Distance,PED)被用来衡量路径的优劣。PED越小,说明这条路径越有可能成为最优路径。K-Best检测算法是广度优先的算法,在探索下一层之前首先会探索所有邻居节点
图5给出了AWGN信道下不同检测算法的性能对比。其中最大似然检测(ML)算法作为比较的基准。本发明提出的算法与ML算法的性能差距在误码率为10-4的前提下仅有0.4dB。而且相比于ML,其他已经发表的CHOSLAR和ECTLLL K-Best检测算法在误码率为10-4时分别有1.7dB和3.3dB的性能损失。本发明提出的检测算法明显优于其他的基于格基规约辅助的K-Best检测算法。
图6给出了本发明所提出算法的定点性能仿真。相比于浮点算法的性能,仅有0.4dB的性能损失。
图7给出了本发文公开装置的顶层框图。该装置主要包括四个部分:输入缓存、预处理计算、中间缓存和K-Best检测。
图8给出了本发明公开装置的顶层时序图。在80MHz带宽下单符号包含896子载波。所有896子载波要求在一个符号时间内完成。在LTF(LongTraining Fields)阶段,信道矩阵能够通过训练数据估计得到。总共的检测延时是456cycles。
输入缓存主要包括少数输入子载波和前级信道估计模块输出的所有数据子载波对应的信道矩阵。
图9给出了预处理模块的顶层和时序框图。根据控制模块的调度,预处理模块从输入缓存中读取信道矩阵,估计噪声能量和接收向量。预处理模块主要包含Gram矩阵计算、Hpre、Cholesky分解、LDLR格基规约变换、矩阵求逆和接收向量预处理模块。预处理模块采用全流水的架构设计,每8个时钟周期可以处理一个信道矩阵,总共需要303个时钟周期的延迟。
预处理模块的输出结果,主要包括上三角矩阵,上三角逆矩阵的主对角元素、记录格基规约变换信息的幺模矩阵以及排序信息,存储到中间缓存。
图10给出了检测模块的顶层和时序框图。进一步地,K-Best检测模块根据中间缓存的数据来进行广度优先的树搜索计算软信息。K-Best检测模块主要包含树搜索模块、格基域转换模块、路径排序模块和软信息计算模块。后三个模块都是为了软信息计算服务。为了匹配预处理的运算速率和节省硬件资源,采用了折叠的K-Best硬件架构。一个TS单元能检测K-Best的一层。在设计装置中,仅实现一个TS单元。值得注意的是TS单元是检测器中复杂度最高的一部分。K-Best检测单元同样采用了全流水结构,每64个时钟周期处理可以处理8个数据子载波,其检测延迟有105个时钟周期。
在ASIC设计中数据存储一直是一个挑战,特别是针对数据导向的全流水的硬件设计。在EUHT通信标准中,这样的挑战变得更加的严峻当考虑一个符号中的896子载波。如图11所示,所有的中间结果包括896组上三角矩阵,上三角逆矩阵的对角线元素,幺模矩阵和排序信息,总共需要5.5Mb的存储空间。如此大的memory造成面积和时序的许多问题。因此,如图12所示,本设计提出了一种存储策略来解决这个问题。首先,两个0.9Mb单端口存储块用来存储896个信道矩阵。输入存储在数据阶段会不断调用来避免存储过多的中间结果。然后由寄存器组成的存储阵列来作为预处理和K-Best检测之间的数据缓冲。在本设计中,以连续激活预处理模块为代价,总共需要2.0Mb的存储空间节省了63.6%的存储资源。
[1]崔超,贺光辉.一种8×8MIMO系统的近最优检测算法[J].信息技术,2019(03):5-9.
Claims (8)
1.一种面向MIMO检测的格基规约辅助的信道预处理方法,其特征在于该方法包含以下步骤:
1)用排序gram矩阵代替cholesky迭代排序:首先根据信道矩阵H,计算gram矩阵对角线元素diag(HHH)+σ2I,然后根据对角线元素的大小关系交换信道矩阵H的列,最后用更新后的信道矩阵H计算gram矩阵的非主对角线元素得到gram矩阵A;
2)对所述的gram矩阵A进行cholesky分解获得上三角矩阵R,A=RHR;
解耦合策略:格基规约算法主要由格基约减和矩阵列交换,格基约减仅仅包含矩阵的列操作,然而矩阵的列交换和矩阵的行操作有关,因为需要通过吉文斯旋转来保持R矩阵的上三角形式;同时的行列操作严重阻碍了数据的流动;为了打破这样的限制,采用解耦合的算法,首先考虑吉文斯旋转,假定数据流是按行进入的,仅仅对应两列的元素更新,两列中的其他元素不会立即更新,当下一次子迭代时,新进行向量会根据之前子迭代的信息更新对应的列元素,然后进行格基约减和矩阵列交换;
低复杂度部分计算策略:Siegel条件的检查和冒泡排序类似,在冒泡排序操作中,一次排序完成后可以得到一个正确的数值,基于此,靠前的子迭代相比于靠后的子迭代具有更高的概率去满足Siegel条件,在这里,列交换率等价于Siegel条件不满的概率,因此,类似于冒泡排序,当一次迭代结束之后可以多移除一个子迭代来优化计算复杂度;根据这样的策略,第二次迭代的第一次小迭代和第三次迭代的第一、二次小迭代被移除了,还有另一个选择移除这三次子迭代的原因:移除这三次子迭代对整个lattice reduction的影响是最小的,从而实现对于步骤1)得到的矩阵H和步骤2)得到的上三角矩阵R进行格基规约变换;
4)将格基规约变换后的R矩阵求逆得到上三角逆矩阵;
5)对接收向量进行预处理(R-1)HHHy;其中,y为接收向量;
6)根据预处理结果,包括上三角矩阵R,上三角逆矩阵的对角线元素,记录格基规约变换信息的矩阵T、排序信息以及预处理后的接收向量,进行软输出K-Best检测。
2.根据权利要求1所述的一种面向MIMO检测的格基规约辅助的信道预处理方法,其特征在于:步骤3)中采用了所述的解耦合策略迭代格基规约算法。
3.根据权利要求2所述的面向MIMO检测的格基规约辅助的信道预处理方法,其特征在于所述的解耦合策略迭代格基规约算法,在不损失检测性能的同时打破了迭代之间的数据依赖,用行操作取代了原本的行列同时操作。
4.根据权利要求3所述的一种面向MIMO检测的格基规约辅助的信道预处理方法,其特征在于:依据冒泡排序的思想,固定地移除某些不活跃的子模块;所述格基规约变换具有可扩展的性质,可以自由的随着迭代次数的改变而改变。
5.根据权利要求1所述的一种面向MIMO检测的格基规约辅助的信道预处理方法,其特征在于:所述的接收向量的预处理时,采用了连续两次矩阵-向量乘法,代替酉矩阵计算。
6.一种面向MIMO检测的格基规约辅助的信道预处理装置,其特征在于,包括:
输入缓存模块,用于缓存当前接收向量和单符号内所有数据子载波对应的信道矩阵,其中信道矩阵按列存储,每周期可读入矩阵的一行数据;
信道预处理模块,执行gram矩阵计算、chokesy分解、格基规约变换、上三角矩阵求逆以及接收向量预处理;其中:
gram矩阵计算,包括:用排序gram矩阵代替cholesky迭代排序:首先根据信道矩阵H,计算gram矩阵对角线元素diag(HHH)+σ2I,然后根据对角线元素的大小关系交换信道矩阵H的列,最后用更新后的信道矩阵H计算gram矩阵的非主对角线元素得到gram矩阵A;
chokesy分解,包括:对所述的gram矩阵A进行cholesky分解获得上三角矩阵R,A=RHR;
解耦合策略:格基规约算法主要由格基约减和矩阵列交换,格基约减仅仅包含矩阵的列操作,然而矩阵的列交换和矩阵的行操作有关,因为需要通过吉文斯旋转来保持R矩阵的上三角形式;同时的行列操作严重阻碍了数据的流动;为了打破这样的限制,采用解耦合的算法,首先考虑吉文斯旋转,假定数据流是按行进入的,仅仅对应两列的元素更新,两列中的其他元素不会立即更新,当下一次子迭代时,新进行向量会根据之前子迭代的信息更新对应的列元素,然后进行格基约减和矩阵列交换;
低复杂度部分计算策略:Siegel条件的检查和冒泡排序类似,在冒泡排序操作中,一次排序完成后可以得到一个正确的数值,基于此,靠前的子迭代相比于靠后的子迭代具有更高的概率去满足Siegel条件,在这里,列交换率等价于Siegel条件不满的概率,因此,类似于冒泡排序,当一次迭代结束之后可以多移除一个子迭代来优化计算复杂度;根据这样的策略,第二次迭代的第一次小迭代和第三次迭代的第一、二次小迭代被移除了,还有另一个选择移除这三次子迭代的原因:移除这三次子迭代对整个lattice reduction的影响是最小的,从而实现对于得到的矩阵H和得到的上三角矩阵R进行格基规约变换;
上三角矩阵求逆,包括:将格基规约变换后的R矩阵求逆得到上三角逆矩阵;
接收向量预处理,包括:对接收向量进行预处理(R-1)HHHy;
根据预处理结果,包括上三角矩阵R,上三角逆矩阵的对角线元素,记录格基规约变换信息的矩阵T、排序信息以及预处理后的接收向量,进行软输出K-Best检测;
中间缓存模块,用于缓存部分数据子载波的上三角机矩阵、幺模矩阵、上三角逆矩阵对角线元素以及排序信息;
K-Best检测模块,执行广度优先的树搜索检测,将其结果从格基域转回星座域并进行排序和软信息计算。
7.根据权利要求6所述的一种面向MIMO检测的格基规约辅助的信道预处理装置,其特征在于,采用全流水架构和折叠K-Best硬件架构,平均每8个时钟周期可以输出一组软信息。
8.根据权利要求6所述的一种面向MIMO检测的格基规约辅助的信道预处理装置,其特征在于,在MIMO-OFDM系统中,输入缓存模块存储所有信道矩阵,当数据符号来临时,重复调用输入缓存模块和信道预处理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034806.1A CN110932762B (zh) | 2019-10-29 | 2019-10-29 | 面向mimo检测的格基规约辅助的信道预处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911034806.1A CN110932762B (zh) | 2019-10-29 | 2019-10-29 | 面向mimo检测的格基规约辅助的信道预处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110932762A CN110932762A (zh) | 2020-03-27 |
CN110932762B true CN110932762B (zh) | 2022-05-17 |
Family
ID=69849670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911034806.1A Active CN110932762B (zh) | 2019-10-29 | 2019-10-29 | 面向mimo检测的格基规约辅助的信道预处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110932762B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532609A (zh) * | 2013-10-08 | 2014-01-22 | 上海交通大学 | 基于K-Best算法的MIMO信号检测方法及检测器 |
WO2015058063A1 (en) * | 2013-10-17 | 2015-04-23 | Georgia Tech Research Corporation | An improved lattice-reduction-aided k-best algorithm for low complexity and high performance communications |
CN105049097A (zh) * | 2015-05-27 | 2015-11-11 | 东南大学 | 非理想信道下大规模mimo线性检测硬件构架及检测方法 |
CN105119665A (zh) * | 2015-07-17 | 2015-12-02 | 上海交通大学 | 一种基于格基规约的mimo检测方法 |
CN105978609A (zh) * | 2016-04-25 | 2016-09-28 | 东南大学 | 一种相关信道下大规模mimo线性检测硬件构架及方法 |
-
2019
- 2019-10-29 CN CN201911034806.1A patent/CN110932762B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532609A (zh) * | 2013-10-08 | 2014-01-22 | 上海交通大学 | 基于K-Best算法的MIMO信号检测方法及检测器 |
WO2015058063A1 (en) * | 2013-10-17 | 2015-04-23 | Georgia Tech Research Corporation | An improved lattice-reduction-aided k-best algorithm for low complexity and high performance communications |
CN105049097A (zh) * | 2015-05-27 | 2015-11-11 | 东南大学 | 非理想信道下大规模mimo线性检测硬件构架及检测方法 |
CN105119665A (zh) * | 2015-07-17 | 2015-12-02 | 上海交通大学 | 一种基于格基规约的mimo检测方法 |
CN105978609A (zh) * | 2016-04-25 | 2016-09-28 | 东南大学 | 一种相关信道下大规模mimo线性检测硬件构架及方法 |
Non-Patent Citations (2)
Title |
---|
Channel-adaptive complex K-best MIMO detection using lattice reduction;Farhana Sheikh;《2014 IEEE Workshop on Signal Processing Systems》;20141218;全文 * |
格基规约算法在MIMO检测中的应用;秦小波,贺光辉;《中国科技论文》;20150731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110932762A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Lightweight convolutional neural networks for CSI feedback in massive MIMO | |
Burg et al. | Algorithm and VLSI architecture for linear MMSE detection in MIMO-OFDM systems | |
CN111464465A (zh) | 一种基于集成神经网络模型的信道估计方法 | |
Bruderer et al. | VLSI implementation of a low-complexity LLL lattice reduction algorithm for MIMO detection | |
Yan et al. | Design and implementation of flexible dual-mode soft-output MIMO detector with channel preprocessing | |
Cupaiuolo et al. | Low-complexity high throughput VLSI architecture of soft-output ML MIMO detector | |
CN103516643A (zh) | 一种mimo检测预处理装置及方法 | |
Castaneda et al. | VLSI designs for joint channel estimation and data detection in large SIMO wireless systems | |
Patel et al. | A low-complexity high-speed QR decomposition implementation for MIMO receivers | |
CN110740005A (zh) | 一种基于路径分多址的上行链路信道预测方法及预测系统 | |
Studer et al. | Matrix decomposition architecture for MIMO systems: Design and implementation trade-offs | |
Mahdavi et al. | A 13 Gbps, 0.13 μ m CMOS, multiplication-free MIMO detector | |
CN110932762B (zh) | 面向mimo检测的格基规约辅助的信道预处理方法及装置 | |
Miyaoka et al. | Sorted QR decomposition for high-speed MMSE MIMO detection based wireless communication systems | |
Liang et al. | A 3.85-gb/s 8× 8 soft-output MIMO detector with lattice-reduction-aided channel preprocessing | |
CN106209189A (zh) | 大规模mimo系统中信号检测装置及方法 | |
CN107276703B (zh) | 一种采用压缩感知技术的正交空间调制系统检测方法 | |
CN111291511B (zh) | 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法 | |
US7974370B2 (en) | Parallel processing for single antenna interference cancellation | |
Chen et al. | Design and implementation of a low-latency, high-throughput sorted QR decomposition circuit for MIMO communications | |
Zhang et al. | Pilot-Assisted Methods for Channel Estimation in MIMO-V-OFDM Systems | |
Haq et al. | Low complexity high speed deep neural network augmented wireless channel estimation | |
CN108390709B (zh) | 一种适用于mimo系统mmse检测的ldlt分解装置与方法 | |
CN111277522B (zh) | 一种水声ofdm通信系统中信道参数的快速重构方法 | |
CN116566443A (zh) | 基于并行Cholesky矩阵分解的MIMO系统信号检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |