COHERENT AND NON-COHERENT DATA DETECTION ALGORITHMS IN MASSIVE MIMO
by
Haider Ali Jasim Alshamary
ABSTRACT
In the past decade there has been a significant growth in the number of devices consuming data traffics. Billions of mobile data devices are now connected to the global wireless network. Real-time audio, video, and virtual reality applications require reliable wireless communications with high data throughput. One way to meet these requirements is increasing the number of transmit and/or receive antennas of the wireless communication systems. Massive multiple-input multiple-output (MIMO) has emerged as a promising candidate technology for the next generation (5G) wireless communications. Massive MIMO increases the spatial multiplexing gain and diversity gain by adding a large number of antennas to the base stations (BS) of wireless communication systems. However, designing efficient algorithms to decode transmitted signal with low complexity is a big challenge in massive MIMO. In this dissertation, we design and analyze novel algorithms to achieve near-optimal or optimal performance for coherent data detection, and joint channel estimation and signal detection in massive MIMO systems. The dissertation consists of three parts depending on the number of users at the transmitter side.
In the first part, we assume the channel state information is known at the receiver. We introduce a probabilistic approach to solve the problem of coherent signal detection using an optimized Markov Chain Monte Carlo (MCMC) algorithm. Two factors contribute to the speed of finding the optimal solution by the MCMC detector: The probability of encountering the optimal solution when the Markov chain converges to the stationary distribution, and the mixing time of the MCMC detector. First, we compute the optimal value of the “temperature” parameter such that the MC encounters the optimal solution in a polynomially small probability. Second, we study the mixing time of the underlying Markov chain of the proposed MCMC detector.
In the second part, we consider optimal non-coherent signal detection for massive MIMO systems, when the channel state information is unknown at the receiver. We develop and analyze an optimal joint channel estimation and signal detection algorithm for massive (single-input multiple-output) SIMO wireless systems. We propose exact non-coherent data detection algorithms in the sense of generalized likelihood ratio test (GLRT). In addition to their optimality, these proposed tree search based algorithms provably have low expected complexity and work for general constellations. More specifically, despite the large number of the unknown channel coefficients for massive SIMO systems, we show that the expected computational complexity of these algorithms is linear in the number of receive antennas (N) and polynomial in channel coherence time (T). We prove that as N → infin;, the number of tested hypotheses for each coherent block equals T times the cardinality of the constellation. Simulation results show that the optimal noncoherent data detection algorithms achieve significant performance gains (up to 5 dB improvement in energy efficiency) with low computational complexity.
In the third part, we consider non-coherent data detections for the uplink transmissions of TDD massive MIMO systems. We propose an GLRT-optimal algorithm for joint channel estimation and data detection in massive MIMO systems. We show that the expected complexity of our algorithm grows polynomially in the channel coherence time (T). The proposed algorithm is novel in two aspects. First, the transmitted signal can be chosen from a general constellation, constant-modulus or nonconstant-modulus. Second, the algorithm offers the exact optimal solution with expected complexity polynomial in the coherent block interval. Simulation results demonstrate significant performance gains of our approach compared with suboptimal non-coherent detection schemes. To the best of our knowledge, this is the first algorithm which efficiently achieves GLRT-optimal non-coherent detections for massive MIMO systems with general constellations.
CHAPTER 1
INTRODUCTION
The central aim of modern wireless communication systems is to provide better service quality, higher data rates and larger accessibility under any circumstance. The wide prevalence of modern wireless devices like smartphones, tablets, and laptops has fueled an extensive growth in wireless data traffic. According to Ciscorsquo;s visual networking index (VNI) forecast, the global mobile data traffic between 2015 and 2020 is projected to increase 8-fold, and three-fourths of the worldrsquo;s mobile data traffic will be video [1]. Figure 1.1 illustrates the exponential increase in mobile data traffic. Wireless data traffic will grow at a compound annual growth rate (CAGR) of 53 percent from 2015 to 2020, reaching 30.6 exabytes per month by 2020.
In order to meet this explosive growth in data traffic and user density, developing new technologies for future wireless communication is required. These technologies need to improve the wireless systems throughput by increasing either the communication channel bandwidth or the spectral efficiency. Based on the United Statesrsquo; frequency allocation chart in 2016 [2], we can see that increasing the bandwidth is limited by the scarcity in the favourable communication frequency ranges and the paucity of the radio spectrum which is already over exploited. Adding antennas to the communication terminals is an effective way to increase the spectral efficiency. With the current fourth-generation (4G) mobile communication technology, improving the spectral efficiency is limited since 4G allows only up to 8 antennas at each base station (BS). The upcoming fifth-generation (5G) communication systems call for employing massive multiple-input multiple-output (MIMO) technologies. In fact, massive MIMO a
剩余内容已隐藏，支付完成后下载完整资料
大规模MIMO中的相干和非相干数据检测算法
Haider Ali Jasim Alshamary
摘要
在过去十年中，消费数据流量的设备数量显著增长。现在已经有数十亿移动数据设备连接到全球无线网络。实时音频，视频和虚拟现实应用需要具有高数据吞吐量的可靠无线通信。满足这些要求的一种方法是增加无线通信系统的发射和/或接收天线的数量。大规模多输入多输出（MIMO）系统已经成为下一代（5G）无线通信技术最有希望的候选技术。大规模MIMO通过向无线通信系统的基站（BS）添加大量天线来增加空间复用增益和分集增益。然而，设计一种高效的低复杂度传输信号解码算法是大规模多输入多输出（MIMO）系统中的一大挑战。本文设计并分析了在大规模MIMO系统中实现相干数据检测、联合信道估计和信号检测的近最优或最优性能的新算法。论文由三部分组成，具体取决于发射机侧的用户数量。
在第一部分中，我们假设接收端已知信道状态信息。本文提出了一种概率方法，用优化马尔可夫链蒙特卡罗（MCMC）算法解决相干信号检测问题。影响MCMC检测器找到最优解速度的因素有两个：马尔可夫链收敛到平稳分布时遇到最优解的概率和MCMC检测器的混合时间。首先，我们计算“温度”参数的最优值，使mc在多项式小概率中遇到最优解。其次，我们研究了所提出的MCMC检测器的基础马尔可夫链的混合时间。
在第二部分中，我们考虑了当接收端信道状态信息未知时，大规模MIMO系统的最佳非相干信号检测。针对大规模（单输入多输出）simo无线系统，我们提出并分析了一种最优的联合信道估计和信号检测算法。提出了广义似然比检验（GLRT）意义上的精确非相干数据检测算法。除了它们的最优性外，这些基于树搜索的算法可以证明具有较低的期望复杂度，适用于一般星座图的系统。更具体地说，尽管大量的simo系统的信道系数未知，但我们发现这些算法的预期计算复杂度在接收天线数（n）上是线性相关的，在信道相干时间（t）上是多项式。我们证明，当n→infin;时，每个相干块的被测假设数等于星座基数的t倍。仿真结果表明，优化的非相干数据检测算法在较低的计算复杂度下，获得了显著的性能提升（能量效率提高了5分贝）。
在第三部分中，我们考虑了TDD大规模MIMO系统上行链路传输的非相干数据检测。提出了一种用于大规模MIMO系统联合信道估计和数据检测的GLRT优化算法。结果表明，该算法的期望复杂度在信道相干时间（T）上呈多项式增长。该算法具有两个方面的新颖性。首先，可以从一般星座图、常数模或非常数模中选择发射信号。其次，该算法在相干块区间内给出了具有期望复杂度多项式的精确最优解。仿真结果表明，与次优的非相干检测方案相比，该方法具有明显的性能提高。据我们所知，这是第一个有效地实现一般星座图的大规模多输入多输出系统GLRT最优非相干检测的算法。
第一章
介绍
现代无线通信系统的核心目标是在任何情况下提供更好的服务质量、更高的数据速率和更大的可访问性。智能手机、平板电脑和笔记本电脑等现代无线设备的广泛普及推动了无线数据流量的广泛增长。根据思科的视频网络指数（VNI）预测，2015年至2020年全球移动数据流量预计将增长8倍，全球移动数据流量的四分之三将是视频[1]。图1.1显示了移动数据流量的指数增长。从2015年到2020年，无线数据流量将以53%的复合年增长率（CAGR）增长，到2020年达到每月30.6艾字节。
为了满足数据流量和用户密度的爆炸性增长，需要开发应用于未来的无线通信新技术。这些技术需要通过增加通信信道带宽或频谱效率来提高无线系统的吞吐量。根据美国2016年的频率分配图[2]，我们可以看出，带宽的增加受到有利通信频率范围的稀缺性和已经被过度开发的无线电频谱的匮乏的限制。在通信终端上增加天线是提高频谱效率的有效途径。使用目前的第四代（4G）移动通信技术，提高频谱效率是有限的，因为4G在每个基站（BS）只允许8个天线。即将到来的第五代（5G）通信系统需要采用大规模多输入多输出（MIMO）技术。事实上，大规模MIMO允许在一个基站上添加数百甚至数千个天线。无线通信站天线数量的这一重大飞跃可能会提高频谱效率。因此，多个自主用户可以在同一个时频资源中同时进行高吞吐量的通信。
大规模MIMO是未来无线通信的一种有前途的候选技术。它提升了增加系统容量和潜在降低发射功率的优势。然而，为了实现大规模多输入多输出的承诺，接收端需要了解通信信道的特性。此外，对传输的大量数据流进行解码需要权衡信号处理的复杂性。考虑到基站天线数量空前，信道估计和信号检测将是一个巨大的挑战。
本文研究了大规模多输入多输出系统中的近最优或最优信道估计和信号检测问题。我们的重点是开发和提出大规模MIMO系统新的高效信号检测算法。事实上，我们开发了一种适用于大规模相干多输入多输出系统的渐近最优检测算法。此外，我们还针对低复杂度的大规模单输入多输出（simo）和多输入多输出（mimo）系统提出了最佳的非相干信号检测算法。
1.2大规模多用户MIMO系统
在可预见的未来，不可或缺的移动通信商品和用户密度将持续增长。因此，全球无线网络承载的数据流量将以指数趋势继续增加[3]，[4]。不断增长的无线数据流量和更好的服务质量迫使运营商必须投资新技术，包括改进可靠和高容量的链路。大量的研究集中在通过空间复用提高无线通信信道的容量。大规模MIMO被认为是下一代无线通信的基础技术[5]。大规模的MIMO依赖于在无线通信的一侧或两侧增加许多天线。
在接收端添加多个天线在传统上被认为是利用空间分集和减轻多路径衰落的可行技术。然而，foschini和telatar[6]，[7]表明，在发射机和接收机上使用多个天线可以提高无线系统的频谱效率。结果表明，在理想信道估计下，对于散射环境，MIMO系统的容量随最小M、N线性增加，其中M和N分别是接收和发射天线的数目。 Marzetta和Hochwald在[8]，[9]中使用块衰落信道模型扩展了先前关于MIMO系统的工作，该模型用于接收器处的未知信道状态信息（CSI）。此外，研究还表明，信道容量受相干时间T的限制，并且由于链路容量不变，因此在t之外增加n是毫无意义的。对于非相干信道，[10]使用几何方法找到信道容量的一般表达式。[10]表明，当T→infin;时，非相干系统的容量达到了理想CSI系统的容量。
Marzetta [11]在非合作蜂窝无线系统中的开创性工作中通过为通信终端配备大量天线揭示了大规模MIMO系统的想法。 [11]数学分析表明，当接收天线数目接近无穷大时，快速衰落和非相关噪声的影响将被消除。从那时起，至今已经对大规模MIMO进行了广泛的研究。 例如，在[12]，[13]中讨论了大规模MIMO系统的信息理论和传播方面。 对大规模MIMO的研究也集中在许多其他方面，包括传输和接收方案、导频污染的影响、能源效率和信道估计，如[14]、[15]所述。大规模多输入多输出无线系统被认为是一种新兴的新技术，它在更大规模上获得了传统MIMO系统的优势。
大规模MIMO技术可以应用于多小区多用户MIMO（MU-MIMO）系统中，在该系统中存在多个小区，每个小区都有一个基站。这些基站配备了大量的天线，因此它们向大量用户发送大量的数据流量。每个基站配置的天线越多，自由度就越高。因此，MU-MIMO技术可以同时处理整个网络中的所有用户。根据用户的空间特征来区分用户。此外，可以同时在同一个时频资源中为用户提供服务。多输入多输出（MU-MIMO）可以在不增加传输功率的情况下提高系统性能，因为它可以实现高数据速率。
大规模的MU-MIMO系统可以在蜂窝网络体系结构中演示，其中每7个单元组成一个集群。每个基站单元为多个用户提供服务，每个用户都配备有单个或多个天线。图1.2展示了带有K个单天线用户终端（UTS）的L小区的大规模MU-MIMO系统。每个基站处理n个天线。 此外，我们根据正在使用的系统协议，通过特定的训练方案假设基站处的已知CSI。
在上行链路（ul）2中，MU-MIMO系统的信道模型可以表示为来自所有单元的信道矩阵的线性组合。
其中yj是J-TH基站的接收向量，,Hjl=[hjl1 hjl2 ...hjl3] 是Ltimes;小区和J-Th BS的用户之间的Ntimes;K信道矩阵，Xi是来自小区L的用户的发送向量。hjl1通常基于确定性相关矩阵建模，并且独立于快衰落信道矢量。
在下行链路（DL）3阶段中，第j个小区中第m个UT的接收符号表示为：
其中sl是来自第l个BS的发送矢量，wjm是第j个小区的第m个用户的噪声。 在该设置中，我们假设通过大规模MIMO系统获取的TDD操作复用模式。 因此我们假设渠道互惠
因此下行链路信道是上行链路信道的转置。 发送的矢量sl由预编码矩阵Al = [al1 al2 ⋯ alK] isin; CNtimes;K和下行链路发送数据矢量xl表示，其包含小区l中的K个UT的信息符号，
MU-MIMO网络的可实现率量化了大量MIMO性能[13]。然而，MU-MIMO系统的最终可实现率受到噪声干扰、信道估计误差和导频污染的限制[16]。此外，由于大多数最优性能检测算法在系统维上具有指数复杂度，因此在上下行信号检测中采用了线性处理方案，如最大比合并算法（MRC）、迫零（ZF）和最小均方误差（MMSE）。对于大量的BS天线，这些方案可以显示出近乎最佳的性能[11]。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[20263]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
