4×4天线分组排序K―Best MIMO检测器设计.docVIP

4×4天线分组排序K―Best MIMO检测器设计 　　目前K-Best MIMO检测器采用的排序选择运算占用了大量硬件资源，使得硬件设计复杂度极高。为了在保证良好的算法性能的同时还能够降低硬件设计复杂度，采用分组排序方式对排序选择运算进行了优化，并在现场可编程门阵列平台上对4×4天线、16QAM调制方式的分组排序K-Best MIMO检测器进行了仿真分析。 　　K-Best MIMO检测器 分组排序 FPGA 　　中图分类号：TN92 文献标识码：A 文章编号：1006-1010（2014）-06-0073-04 　　1 引言 　　实现MIMO（Multiple-Input Multiple-Output，多入多出）技术的关键部分在于设计出低复杂度、高性能的检测器。由于MIMO系统中常采用最大似然算法作为最佳硬判决检测方法，该算法实施复杂度随着天线数目和调制阶数的增加呈指数级增大，ASIC（Application Specific Integrated Circuit，专用集成电路）或FPGA（Field-Programmable Gate Array，现场可编程门阵列）都只能实现少数目天线的低阶调制方案。为了满足MIMO系统逐渐增长的性能需求，又提出了一种既能够保证BER（Bit Error Rate，误码率）性能又能够降低计算复杂度的检测算法――SD（Sphere Decoding，球形检测）算法，该算法能够保持与最大似然算法相媲美的BER性能，且可大幅降低计算复杂度。 　　SD算法主要原理是：对于一个以接收信号Y为圆心、以C为检测半径的多维搜索格点，该格点的度量就作为新的搜索半径替换之前设定的半径，通过限制搜索半径，使得计算次数控制在一定的范围内，能够有效降低运算复杂度。根据树形搜索方式的不同，SD算法可分为两种不同算法：DFS（Depth First Search，深度优先算法）与BFS（Breadth First Search，广度优先算法），目前常用的广度优先算法为K-Best搜索算法，即K-Best算法。深度优先算法进行单向搜索，存在反馈路径，不利于高速硬件实现；K-Best算法通过对树中每层搜索节点数的约束进行并行搜索，可以利用流水线结构提高吞吐量，便于高速硬件实现。 　　本文主要是对标准K-Best算法与分组排序K-Best算法性能进行仿真对比，并在现场可编程门阵列（FPGA）Xilinx Virtex-4（XC4VLX200）平台上实现了4×4天线、16QAM（Quadrature Amplitude Modulation，正交幅度调制）调制方式的分组排序K-Best检测器的设计。 　　2 K-Best MIMO检测算法 　　K-Best算法搜索规则是：首先确定树中每层保留节点数K；然后从最顶层节点开始搜索，计算所有节点的累积欧氏距离度量，选择K个具有最小累计欧氏距离度量的节点，删减其余节点，逐层搜索至最底层节点结束。可见该搜索规则的特点是：同一层节点的搜索并行执行，每层保留的节点数目具有确定性，不随信道条件的变化而变化。这些特性使得该搜索规则便于高速硬件实现，下面以具体的数学公式实现该搜索规则。 　　考虑发送天线数目与接收天线数目均为N的MIMO通信系统基带信号等效模型： 　　y=Hx+n （1） 　　其中，H表示MIMO通信系统信道的N×N信道矩阵；x=[x1，x2，…，xN]表示N维发送信号；y=[y1，y2，…，yN]表示N维接收信号；n表示N维加性高斯白噪声。由于公式（1）是复向量，计算复杂度较高，为了避免复数运算带来额外硬件开销，将系统模型实数化分解为： 　　（2） 　　其中，Re（*）、Im（*）分别表示复数（*）的实数部分和虚数部分；实数化的信道矩阵H～经过QR分解得到H～=QR，采用最大似然准则求解公式（1）可得： 　　（3） 　　其中，是2N维向量， 　　表示接收信号的实数部分；Q表示2N×2N维的正交矩阵；R表示2N×2N维的上三角矩阵。 　　树形搜索过程具体是：每次计算从最高层开始，需要计算每层欧氏距离增量（INC），将每层的欧氏距离增量与上层保留的K个累积欧氏距离（PED）相加得到本层的累积欧氏距离，再通过排序操作选出本层保留的K个最小累积欧氏距离及其对应节点（也称幸存节点）。对于调制阶数为M的K-Best检测器树搜索结构，每层需计算、排序的PED的数量为，随着K与M的增大，整个搜索过程的计算复杂度呈指数增长，导致硬件难以实现。 　　在标准的K-Best算法中取平方作为欧氏距离增量度量，在本文设计中取绝对值作为欧氏距离增量度量，以绝对值代替平方运算，不仅仅能够减少平方运算，而且欧氏距离增量的最大值大大减少，硬件实现处理的数据位宽将减小