CN115733525A - 一种基于mcmc的mimo检测系统 - Google Patents

Abstract

本发明公开了一种基于MCMC的MIMO检测系统，属于通信技术领域，包括LLR运算单元，所述LLR运算单元包括乘加运算、比较器和随机电路单元；所述随机电路单元用于替代传统MCMC中的Exp函数、除法器以及平方器完成非线性计算，基于随机电路单元，通过把进入该MIMO检测系统的值看作计算函数的不同自变量，把输出的值看作计算函数的因变量，最终将输入的比特流映射为期望的输出比特流，这个算法可以使整个系统的可配置性增强，从而配制出更多的非线性函数，将传统MCMC算法的采样方式改为并行采样，大大降低了检测算法的计算时延，最终，在保证了检测准确度的情况下，大大降低了算法的复杂度以及所需要的硬件功耗，并最终大大提升了能效比面效比。

Description

一种基于MCMC的MIMO检测系统

技术领域

本发明涉及通信技术领域，特别涉及一种基于MCMC的MIMO检测系统。

背景技术

现有的研究结果表明，随机计算在解决线性计算的许多应用中可以达到非常高的效率，包括数字信号处理、图像处理和人工智能。Gaines提出了随机比特流的逻辑计算。根据Gaines的想法，一些研究提出了基于随机计算的特定算术函数的实现，包括乘法、加法和线性多项式，以在全加器和多路复用器方面实现超低复杂度和更短的关键路径。然而，处理非线性函数更具挑战性。在2001年，Brown和Card提出了一种基于随机计算的方案，该方案具有有线状态机，用于求解非线性函数，例如Tanh和指数。

多输入多输出技术(MIMO)技术是一种利用传输空间的自由度来成倍提升数据传输速率和可靠性的技术。相比单输入单输出(SISO)系统，MIMO系统具有两大性能增益：分集增益和复用增益，分别用来衡量系统的可靠性和空间信道容量。MIMO技术中关于检测算法的研究一直是近几十年来的一个热点，因为接收端信号处理的性能好坏和复杂度高低直接决定了整个通信系统的质量和应用前景。马尔科夫链的蒙特卡洛方法是一种现代随机模拟方法，该方法可通过便捷的方式得到服从所需分布的样本，降低了随机数生成的成本并推动了贝叶斯方法的应用。这个算法的核心思想是利用译码器反馈信息计算每比特对数似然比，最早由Wang和Poor提出。这个模型可以通过多次联合迭代检测译码来逼近MIMO信道的香浓极限。由于一种基于贝叶斯推理的马尔科夫链蒙特卡洛(MCMC)算法复杂度随发送天线数和调制阶数呈线性或者多项式增长，它在MIMO检测领域收到了广泛的关注。然而，在基于MCMC的软输出MIMO检测算法中目前还有如下问题：1.传统基于MCMC算法的MIMO检测计算时延很长，需要相当的迭代深度来使算法达到收敛；2.传统基于MCMC算法的MIMO检测计算复杂度较高，在传统的算法中往往需要计算星座点之间欧氏距离的平方，除法，以及加法和排序等计算，其中的平方和除法作为非线性计算需要很高的复杂度，因此也需要设计更加复杂的硬件来完成计算。

发明内容

本发明的目的在于克服现有技术中所存在的传统基于MCMC算法的MIMO检测算法延时很长，并且计算复杂度较高的不足，提供一种基于MCMC的MIMO检测系统及方法。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于MCMC的MIMO检测系统，包括LLR(对数似然比)运算单元，所述LLR运算单元包括乘加运算、比较器和随机电路单元；

所述随机电路单元用于替代传统MCMC中的Exp函数、除法器以及平方器完成非线性计算。

采用上述技术方案，基于随机电路单元，通过把进入该MIMO检测系统的值看作计算函数的不同自变量，把输出的值看作计算函数的因变量，最终将输入的比特流映射为期望的输出比特流，这个算法可以使整个系统的可配置性增强，从而配制出更多的非线性函数，将传统MCMC算法的采样方式改为并行采样，大大降低了检测算法的计算时延，最终，在保证了检测准确度的情况下，大大降低了算法的复杂度以及所需要的硬件功耗，并最终大大提升了能效比面效比。

作为本发明的优选方案，所述随机电路单元包括：N个θ门、一个FSM和一个CPT门；

N个所述θ门的输出端与所述FSM的输入端连接，所述FSM的输出端与所述CPT门的输入端连接。

随机电路单元能够计算众多简单的一维非线性函数，例如EXP、SQRT、Log函数等。

作为本发明的优选方案，所述FSM为二维状态机，包括8个状态。

作为本发明的优选方案，所述CPT门用于从输入的一个具有K值的分布中进行采样。

作为本发明的优选方案，所述CPT门包括M个θ门，其中，N、M为正整数，且N＝M。

作为本发明的优选方案，所述门用于通过比较输入的概率值与随机熵源大小的关系，得到输出的样本值，即0和1。

与现有技术相比，本发明的有益效果在于：基于随机电路单元，通过把进入该MIMO检测系统的值看作计算函数的不同自变量，把输出的值看作计算函数的因变量，加入了θ门以及CPT门，将具体的数值转化为随机比特流，从而大大降低了运算的复杂度以及减少运算周期，并且，随机电路单元能够计算众多简单的一维非线性函数，例如EXP、SQRT、Log函数等，这个算法可以使整个系统的可配置性增强，从而配制出更多的非线性函数，将传统MCMC算法的采样方式改为并行采样，大大降低了检测算法的计算时延，最终，在保证了检测准确度的情况下，大大降低了算法的复杂度以及所需要的硬件功耗，并最终大大提升了能效比面效比。

附图说明

图1为本发明实施例1和2所述的一种基于MCMC的MIMO检测系统的结构图；

图2为本发明实施例1和2所述的一种基于MCMC的MIMO检测系统的2×4FSM的状态转移图；

图3为本发明实施例1所述的一种基于MCMC的MIMO检测系统的θ门的两种电路实现方式以及对应的概率真值表；

图4为本发明实施例1所述的一种基于MCMC的MIMO检测系统的条件概率采样门(CPT门)的一种电路实现方式；

图5为本发明实施例1所述的一种基于MCMC的MIMO检测系统的MCMC-MIMO检测算法结构框图；

图6为本发明实施例3所述的一种基于MCMC的MIMO检测系统的使用MM-FSM计算LLR的平均相对误差图；

图7为本发明实施例3所述的一种基于MCMC的MIMO检测系统的2×2天线数条件下各方法的BER图；

图8为本发明实施例3所述的一种基于MCMC的MIMO检测系统的4×4天线数条件下各方法的BER图；

图9为本发明实施例3所述的一种基于MCMC的MIMO检测系统的2×4天线数条件下各方法的BER图；

图10为本发明实施例3所述的一种基于MCMC的MIMO检测系统的不同信道估计误差条件下MM-FSM与MMSE方法的BER(2×2天线数)图；

图11为本发明实施例3所述的一种基于MCMC的MIMO检测系统的不同信道估计误差条件下MM-FSM方法的BER(4×4天线数)图；

图12为本发明实施例3所述的一种基于MCMC的MIMO检测系统的不同信道估计误差条件下MM-FSM方法的BER(2×4天线数)图；

图13为本发明实施例3所述的一种基于MCMC的MIMO检测系统的天线数2×2条件下MM-FSM与MMSE的性能比较图；

图14为本发明实施例3所述的一种基于MCMC的MIMO检测系统的天线数2×4条件下MM-FSM与MMSE性能比较图；

图15为本发明实施例3所述的一种基于MCMC的MIMO检测系统的BPSK调制下MM-FSM与MMSE性能比较图；

图16为本发明实施例3所述的一种基于MCMC的MIMO检测系统的16QAM调制下MM-FSM与MMSE性能比较图；

图17为本发明实施例3所述的一种基于MCMC的MIMO检测系统的BPSK调制下MMSE算法以及MM-FSM加上信道条件数之后的性能图；

图18为本发明实施例3所述的一种基于MCMC的MIMO检测系统的16QAM调制下MM-FSM以及MMSE加上信道条件数之后的性能图；

图19为本发明实施例3所述的一种基于MCMC的MIMO检测系统的BPSK调制下MM-FSM以及MMSE加上信道估计误差后的性能图；

图20为本发明实施例3所述的一种基于MCMC的MIMO检测系统的16QAM调制下MM-FSM以及MMSE加上信道估计误差后的性能图；

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

一种基于MCMC的MIMO检测系统，图1所示，包括LLR运算单元，所述LLR运算单元包括乘加运算、比较器和随机电路单元；

所述随机电路单元用于替代传统MCMC中的Exp函数、除法器以及平方器完成非线性计算。

所述随机电路单元包括：N个θ门、一个FSM和一个CPT门；

N个所述θ门的输出端与所述FSM的输入端连接，所述FSM的输出端与所述CPT门的输入端连接。

θ门之前的输入是(0,1)上的随机数，经过θ门转化为随机比特流。

如图2所示，所述FSM为二维状态机，包括8个状态。

所述CPT门用于从输入的一个具有K值的分布中进行采样。

如图4所示，所述CPT门包括M个θ门，其中，N、M为正整数，且N＝M。

所述门用于通过比较输入的概率值与随机熵源大小的关系，得到输出的样本值，即0和1。

具体的，θ门的采样过程可以通过单个比较器实现，比较器的阈值由输入端口的权重θ值确定。通过比较输入的概率值与随机熵源大小的关系就可以得到输出的样本值，即0和1，表示事件发生与否。

如图3所示，a和b分别表示了使用两种比较器实现的θ门，从概率真值表从c以及d中可以看出两种结构的区别在于两端的概率值0,1是否能被取到。使用＜比较器的θ门在输入为最小值时输出0的概率为1，而使用≤比较器的θ门在输入为最大值时输出1的概率为1。

条件概率采样门(Conditionalprobabilitygate，简称CPT门)从输入的一个具有K值的分布中进行采样。这等效于投掷一组有偏的k-面的骰子，然后根据输入选择采用哪个骰子的值。

如图1所示的例子中，使用一个随机数发生器(θ门)、一个M-1的多路选择器(FSM)，以及M个θ门组成一个条件采样门(CPT门)。在FSM工作的过程中，状态机将产生的状态序号t传输给CPT门，并且选择相应的Y比特作为输出。

利用所述CPT门，通过简单的结构将输入的LLR转化为概率比特流，从而进行采样，大大降低采样过程的复杂度。

LLR的计算方法：首先在MCMC检测算法开始之前，用L_A1＝L_A1×σ²对先验信息进行归一化处理，此时式改写为：

λ₁(b_i)＝-(||y-Hs(b_i＝+1)||²-||y-Hs(b_i＝-1)||²)+L_A1(b_i)

其比特更新过程直接在对数域进行，更新规则为

相应地，在逐符号MCMC算法中，以状态θ₁作为比较对象，条件对数似然比计算公式可改写为：

待Gibbs采样完之后，把比特向量或符号向量代入外信息计算公式：

最后，对外信息进行解归一化处理，即L_E1(b_i)＝L_E1(b_i)/σ²。

在进行检测计算时，不可避免地在预处理dist＝||y-Hs(b⁰)||²以及1/N0的时候依然涉及到了复杂的非线性运算，因此本文结合前面所介绍的MM-FSM非线性函数计算单元降低这部分的复杂度。本文做了大量的仿真验证了上述基于MM-FSM概率计算65的MCMC-MIMO检测可以在几乎不损失性能的条件下，复杂度进一步降低。在使用MM-FSM算子代替LLR中的计算单元后，得到了如下图5所示的算法结构框图。

如图所示，使用MM-FSM概率计算星座图中的欧氏距离以及LLR。将概率计算得到的LLR直接反馈给吉布斯采样单元，不再以Maxlog准则进行更新。在前一章中曾介绍，MM-FSM算法需要一定长度的比特流来达到熟练。在进行MCMC-MIMO检测时，可以通过算法迭代来使计算达到收敛，无需增加比特流长度。

采用上述技术方案，基于随机电路单元，通过把进入该MIMO检测系统的值看作计算函数的不同自变量，把输出的值看作计算函数的因变量，最终将输入的比特流映射为期望的输出比特流，并且，随机电路单元能够计算众多简单的一维非线性函数，例如EXP、SQRT、Log函数等，这个算法可以使整个系统的可配置性增强，从而配制出更多的非线性函数，将传统MCMC算法的采样方式改为并行采样，大大降低了检测算法的计算时延，最终，在保证了检测准确度的情况下，大大降低了算法的复杂度以及所需要的硬件功耗，并最终大大提升了能效比面效比。

实施例2

本实施列为实施列1的具体推导过程，使用随机采样门(θ门)将概率值转换为随机比特流。当样本数量足够多时，理论结果可以近似。然而，通过随机采样门电路不可能从均匀分布中得到预期的非线性分布，因此需要在输出比特流中增加一个额外的结构。使用相当简单的时序逻辑对随机比特流执行复杂的计算，其中将Brown和Card提出的单驱动FSM替换为多驱动FSM和一个额外的CPT门，以实现除Exp之外的更多非线性函数和Tanh函数。

随机电路单元结构和状态转换如图1所示。该结构由两个θ门、一个FSM和一个CPT门组成。二维FSM中有8个状态。该FSM的输入是两个独立的随机比特流X和K，其中X是自变量比特流，K是激活比特流。这个FSM的驱动向量是(X,K)。每个X和K中的位将分别为1，概率分别为Px和PK。由于概率Px和PK是固定的，因此FSM中的状态转移过程可以被认为是一个时间齐次的二维马尔可夫链。这个FSM的状态转换是根据X和K的驱动位来进行的，如图2所示。

对于M-状态的FSM，可以选择任意一个状态作为初始状态。经过了一定数量从实时状态St出发的状态转移之后，可以获得FSM的输出。FSM的输出就是这时的状态序号T，t∈{0,...,M-1}。根据马尔科夫链的稳态原理，FSM中每个状态转移到另一个状态的概率在这时和相邻状态转移到它的概率是相等的。状态序号T作为FSM的输出，输入到CPT门中，然后以概率Wt选择一个输入端。当一次状态转移发生在FSM中时，将实时的状态序号t输入到多路复用器中，然后根据输入的序号t来选择输出的随机比特流。这个输出就是整个系统的输出，把它叫做Py。根据之前的理论，如果根据一个预设好的概率来设置参数K以及条件参数W,并将它们配置到θ门以及CPT门中，就可以实现各种各样的非线性函数。使用概率为PY的随机比特流序列Y作为整个系统的输出。在这里，PY＝F(Px)，其中F(Px)是要计算的目标函数。因为PY是一个关于Px，PK以及PW的方程，所以配置PK和PWt在的计算架构中是非常重要的。激活参数K以及条件参数W在本文中都被称为目标函数的参数。关于P_Y的表达式用于近似的目标函数F(P_x)。将预估的误差定义为ε：

其中，F(P_x)为目标函数，P_Y为系统的输出值。

目标是将在上式中的误差缩减到最小值。这样，当获得参数PK和Pwt的最优值得时候，就可以有效地配置出相应的非线性函数。

MM-FSM所用参数的配置方法：

假设这个系统以Pt的概率达到稳定状态St(或者说整个系统的输出为t的概率为St)，其中Pt是一个关于PX和PK的等式。Pt、PX和PK之间的等是关系已经被证明。用PX作为自变量函数来表示出的目标函数F(Px)。使得FSM的行数为M，它的列数为N，M除以N的商和余数分别为i和j。所以得到了一个关于M和N的等式：

M＝i×N+j

i和j是指用于限制行列和列之间的数值关系的两个常数，在后续参数的计算过程中需要用到这两个常数。由于j是一个常数除以2的余数，j只能是0或1，也就是说j表示列号N的奇偶性。当系统达到稳态时，有：

其中

以及

其中N是马尔可夫链的状态数目，当系统达到稳态时，两种状态之间的转移概率相等。也就是：

P_i×N+j·(1-P_X)·(1-P_K)＝P_i×N+j-1·P_X·P_K.

P_i×N+j·(1-P_X)·P_K＝P_(i-1)×N+j·P_X·(1-P_K).

因为所有个体状态概率Pt总和必须为1，所以有：

在使用X和K作为MM-FSM的驱动信号之后，使用状态编号作为CPT门的选择信号。假设MM-FSM的特定状态是St，连接Wt和Y的通道将在CPT门中被选择，CPT门从Wt中选择由MM-FSM的输出t确定的位。输出Py由下式给出：

可以通过输出值P_Y减去F(PX)中减去获取误差值φ，这个误差值就是优化的对象。可以调整Pwt和Pk的值来最小化φ的值。发现这是一个多元凸优化问题。只要将优化目标写成一定的形式，就可以使用Matlab中的优化方法来最小化φ。在等式(1)中定义估计误差。展开等式(1)，并将ε重写为

由于第一项ε的值完全取决于T(PX)，第一项是常数。因此，的优化对象变成了以下目标函数φ：

下面，将描述如何配置PK和PWt。将向量b、向量c和向量H定义为：

H＝[H₀，H₁，...，H_MN-1]^T，

Ht在H中是一个列向量：

因此，φ可以重写为

φ＝b^THb+2c^Tb

可以证明上式是一个凸函数。因此，可以选择Pk和PWt的值来实现最小配置目标函数参数：

以一个开根号函数作为示例：

在这种情况下，将随机变量设置为PX，因此可以将这个方程改写为：

使用上述方法计算PK和PWt。最终结果列于表1。

表1用于计算平方根函数的参数

因此，当根据表1的结果设置参数时，可以实现一个平方根函数。

实施例3

基于MCMC的MIMO检测方法，在进行运算之前需要事先通过计算配置好的参数k以及参数w。采取的方法是按照0.01的步长在(0,1)上遍历k，并且计算输出Py与的目标函数T(PX)之间的误差，并且取最小的k以及相对应的wt。通过两个准则计算出最终的输出Py：

马尔科夫过程达到稳态时状态机中各状态之间的转出概率与转入概率相等。

马尔科夫过程达到稳态时状态机中各状态间的转移概率之和为1。

最终再通过矩阵运算与多元函数的最优化方法得到了最优的参数。给出MCMC检测算法中所需要的算子的参数以及它们的平均计算相对误差(输入比特流长度为128bit)：

表2几种典型函数的计算参数以及平均相对误差

注：在计算1/x函数的时候需要用移位的方法将输入数据Px的值放缩到0.3附近。该计算过程在其他范围误差值较大。

向FSM系统中分别输入128个x比特和k比特。当输入的比特流长度为128时，计算平均相对误差达到10％以内。虽然计算的误差并没有达到收敛，但是这个相对误差对于的MCMC-MIMO检测来说已经足够了。

在算法中的计算LLR部分将几种非线性函数合并了起来，并且进行了平均相对误差的分析，结果如图6所示：

从图6中，可以看出在输入比特流长度达到400左右时，计算的平均相对误差就降到了-25dB以下，对于MCMC-MIMO检测来说已经足够好了。事实上，在进行低阶调制的MIMO检测时，只需要200,100，甚至50的迭代次数就可以达成很好的检测性能。

检测性能以及复杂度分析：

在进行MCMC-MIMO检测时的仿真条件主要是BPSK，QPSK以及16QAM调制阶数下的小规模天线数(2×2，2×4以及4×4)MIMO检测。这是因为在高阶调制下搜索空间过大，导致的性能无法达到收敛。将在未来的工作中解决搜索空间过大的问题，从而可以将的方法运用在高阶调制下的MCMC-MIMO检测中。

1、检测性能分析，如图7所示。

使用以上介绍的采样门以及MM-FSM运算模块，对不同信道估计误差下，不同天线数条件下以及不同调制阶数下的模型进行了模拟检测运算。将此方法简称为MM-FSM检测。把用MM-FSM算法和传统MCMC算法以及MMSE检测算法做了性能和复杂度的对比。

图7是QPSK调制下，收发天线数为2×2情况下的MIMO检测性能对比图。从图中可以看出来随着信噪比的增大，MM-FSM算法，浮点MCMC算法以及MMSE算法的误码率总体都呈现下降趋势。MMSE算法的BER在SNR＝24dB时达到2×10^-3，整体好于迭代深度为10的MM-FSM算法。迭代深度为10的MM-FSM算法收敛较快，但是很快达到误码平层，整体效果并不好。但是将迭代深度增加到20时，检测效果较好。该方法SNR＝24时，BER可以达到9×10^-4，远好于MMSE算法。而将迭代深度进一步增加时，误码率进一步降低，当迭代深度it＝50时，MM-FSM算法的BER甚至低于基于浮点的MCMC算法。

还在4×4天线数的条件下进行了仿真，仿真结果如图8所示：

由图8，可以看出来MMSE算法在信噪比增大时BER持续下降，最终达到2×10^-3左右。基于MM-FSM概率计算的MCMC方法以及基于浮点的MCMC算法的BER在一开始均迅速下降，在SNR＝16dB时达到平层。基于浮点的MCMC方法在所有的信噪比下误码率均低于MMSE方法，而迭代深度为512的MM-FSM概率计算法的BER低于迭代20次后基于浮点的MCMC方法，同时低于MMSE。由此可见，在天线数为4×4条件下，MM-FSM概率计算法在迭代深度较大时，能达到很好的性能。虽然该方法延时较长，但是性能优异，且复杂度较低。

此外还对收发天线数不对称的情况进行了仿真，结果如图9所示：

由图9，可以得出MMSE在天线数为2×4条件下性能较好，能迅速达到非常低的误码率。基于浮点的MCMC方法迭代20次后在大信噪比下最终BER收敛到2×10^-5左右。而提出的基于MM-FSM概率计算的方法迭代50次后，在大信噪比下最终BER收敛到3×10^-4，迭代128次后最终收敛到5×10^-5左右。虽然MM-FSM方法的BER不如MMSE和基于浮点的MCMC方法，但是在迭代深度足够大时，MM-FSM可以达到甚至超越MMSE方法的性能。

以上的仿真是在理想信道的条件下进行的，而真实的信道是有估计误差的。对比了MM-FSM算法在不同信道误差条件下的性能，结果如图10所示：

此外，在2×2天线数条件下用改变信道的估计误差，并得出了MMSE算法的检测性能。由图12可以看出，信道估计误差增大时，BER明显增加，甚至估计误差较大时，MMSE算法出现了不能平层的现象。因此，认定在非理想信道条件下，MM-FSM的检测性能优于MMSE。

天线数为2×2时的仿真结果如上图10到4×10^-5左右。当信道估计方差为0.01时，BER能在大信噪比下达到10^-3左右。而信道估计方差增大时，检测性能会进一步降低。

天线数为4×4时的仿真结果如图11所示。当信道为无偏估计的理想信道时，MM-FSM检测的BER能够在大信噪比下达到2×10^-2,而信道方差为0.01时的检测性能与无偏估计相当。此外，信道估计方差增大时，检测性能进一步降低。

改变矩阵的信道条件数来观察MM-FSM的检测性能。传统的检测方法往往随着信道条件数的增大而产生性能上的退化，于是在不同的信道条件数的情况下分别做检测。检测结果如图13和14所示：

如图12和13所示，分别再天线数为2×2以及2×4条件下改变信道的条件数，仿真后得到上图所示的曲线。可以观察到在信道条件数增大时，信道的相关性增强，因此检测性能都不可避免地出现了退化。在MM-FSM迭代次数为50次时，检测性能好于MMSE。两者的退化程度近似，但是MM-FSM整体BER偏低。当增加迭代次数时，MM-FSM的BER会进一步降低。

此外，改变了系统的调制方式，进行了BPSK以及16QAM条件下的方针。得到的仿真结果如图15所示：

在BPSK调制的条件下，无论是浮点MCMC检测算法还是基于概率计算的BER均低于MMSE。如图16为浮点MCMC检测算法迭代10次，MM-FSM检测算法分别迭代20次和50次的结果。在SNR达到24dB时，MM-FSM检测算法的BER能够下降到5×10^-5左右，而MMSE的BER只能下降到2×10^-4，两者相差12dB左右。

在16QAM调制下，MCMC检测算法的计算性能优于MMSE。当SNR从16增加到20时，迭代次数为128的MM-FSM算法计算性能与MMSE持平，但是迭代次数为256与512时计算性能超出MMSE算法，检测误差分别降低了4.86dB以及6.29dB。

在不同的调制阶数下加上信道条件数以及信道估计方差，验证了MM-FSM与MMSE的性能。仿真结果如图17所示，

如图19所示，在BPSK调制下，使用MM-FSM算法迭代50次。其性能和MMSE算法大体相当，由此可推断出，在迭代次数增大后，BPSK算法在不同信道估计误差的条件下性能将优于MMSE算法。

如图20所示，MM-FSM算法与MMSE算法在16-QAM调制下随着信道估计方差增大，检测性能退化程度相当，但是MM-FSM在迭代256次后性能整体优于MMSE。

2、复杂度分析：

当传统MCMC-MIMO检测以及MM-FSM检测的吞吐量相同时，可以使用MM-FSM进行4倍与传统MCMC检测的计算迭代次数。利用基于FPGA面积开销的运算器数目等价的基本门数量来评估传统的MCMC方法与提出的基于概率计算的MCMC方法的复杂度。假设比较器为单位复杂度，加法器为比较器的2倍开销，乘法器的复杂度为加法器的10倍，除法器和平方根分别为乘法器的4.5倍和3.8倍开销。复数乘法器的运算复杂度为4个实数乘法器和2个加法器的开销之和。结果如表3中所显示，

表3传统MCMC算法与概率MCMC算法的复杂度比较(在关键路径下基门的数量)

其中总体复杂度是M＝N＝2，Q＝2，|L|＝50时的运算复杂度开销，表中的MCMC算法为逐符号MCMC检测算法。结果表明，基于概率计算的MCMC检测算法是传统MCMC算法复杂度的47.63％。也就是说，基于概率计算的MCMC算法可以大大降低复杂度。

在面向小规模的MIMO系统时，概率计算具有低复杂度，低功耗，以及高容错的特性，因此本章将基于MM-FSM的概率计算运用到了MCMC-MIMO检测中，并取得了很好的效果。首先，本章提出了高吞吐率，低复杂度的MM-FSM概率计算与MCMC-MIMO检测算法的结合方案。同时，使用流水技术使预处理和吉布斯采样同时进行，加快收敛速度，提高吞吐率。

将在在未来研究中面向大规模MIMO情况。可以通过减小搜索空间等方法来提高空间搜索效率，从而提高检测算法的收敛速度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于MCMC的MIMO检测系统，包括LLR运算单元，其特征在于，所述LLR运算单元包括乘加运算、比较器和随机电路单元；

所述随机电路单元用于替代传统MCMC中的Exp函数、除法器以及平方器完成非线性计算。

2.根据权利要求1所述的一种基于MCMC的MIMO检测系统，其特征在于，所述随机电路单元包括：N个θ门、一个FSM和一个CPT门_；

N个所述θ门的输出端与所述FSM的输入端连接，所述FSM的输出端与所述CPT门的输入端连接。

3.根据权利要求2所述的一种基于MCMC的MIMO检测系统，其特征在于，所述FSM为二维状态机，包括8个状态。

4.根据权利要求2所述的一种基于MCMC的MIMO检测系统，其特征在于，所述CPT门用于从输入的一个具有K值的分布中进行采样。

5.根据权利要求3所述的一种基于MCMC的MIMO检测系统，其特征在于，所述CPT门包括M个θ门，其中，N、M为正整数，且N＝M。

6.根据权利要求2所述的一种基于MCMC的MIMO检测系统，其特征在于，所述θ门用于通过比较输入的概率值与随机熵源大小的关系，得到输出的样本值，即0和1。

Images