[論文レビュー] A Random-List Based LAS Algorithm for Near-Optimal Detection in Large-Scale Uplink Multiuser MIMO Systems

Alexandre A. Jr Pereira, Raimundo Sampaio‐Neto|arXiv (Cornell University)|Dec 4, 2014

Advanced Wireless Communication TechniquesEngineering参考文献 14被引用数 16

ひとこと要約

本稿では、大規模な上行リンクMIMOシステム向けに、マッチドフィルタ出力から反復的に生成されるランダムな初期点を用いる、ランダムリストベースの尤度上昇探索（RLB-LAS）検出器を提案する。この手法により、1シンボルあたりO(K²)の複雑度で、最大尤度（near-ML）性能に近い性能を達成する。アルゴリズムは、従来のLASおよびMIMO検出器と比較してビット誤り率（BER）および計算効率の両面で優れており、K=N=20でも単一アンテナのAWGN性能に非常に近い結果を達成する。

ABSTRACT

Massive Multiple-input Multiple-output (MIMO) systems offer exciting opportunities due to their high spectral efficiencies capabilities. On the other hand, one major issue in these scenarios is the high-complexity detectors of such systems. In this work, we present a low-complexity, near maximum-likelihood (ML) performance achieving detector for the uplink in large MIMO systems with tens to hundreds of antennas at the base station (BS) and similar number of uplink users. The proposed algorithm is derived from the likelihood-ascent search (LAS) algorithm and it is shown to achieve near ML performance as well as to possess excellent complexity attribute. The presented algorithm, termed as random-list based LAS (RLB-LAS), employs several iterative LAS search procedures whose starting-points are in a list generated by random changes in the matched filter detected vector and chooses the best LAS result. Also, a stop criterion was proposed in order to maintain the algorithm's complexity at low levels. Near-ML performance detection is demonstrated by means of Monte Carlo simulations and it is shown that this performance is achieved with complexity of just O(K^2) per symbol, where K denotes the number of single-antenna uplink users.

研究の動機と目的

• 数十から数百本のアンテナを持つ大規模な上行リンクMIMOシステムにおける高複雑度検出問題に対処すること。
• 行列の逆行列計算を必要とせず、最大尤度（ML）性能に近い低複雑度の検出器を開発すること。
• マッハ・ミモリーアンテナ（massive MIMO）環境における従来のML、球体符号化、MMSEベースの検出器と比較して、計算負荷を低減すること。
• 既存のLAS変種（MIV-LAS や MSCS-LAS など）と比較して、収束速度および検出精度を向上させること。
• システムサイズの拡大に伴って、複雑度の増加を最小限に抑えつつnear-ML性能を達成すること。

提案手法

• アルゴリズムは、マッチドフィルタ（MF）出力を初期検出ベクトルとして使用する。
• 各反復において、MF結果をランダムに摂動させることで複数のランダム初期点ベクトルを生成する。
• 各反復では、1段階の尤度上昇探索（LAS）を実行し、MLコスト関数を低減するシンボル変更を貪欲に選択する。
• 最高の結果のMLコストと、誤りなしの決定における理論的最小コストに基づいた停止基準を採用する。
• 最終的な決定は、すべての反復で得られたLAS結果の中からMLコストが最小のものである。
• 各ステップでMLコストを最大限に低減するシンボル変更を選択する貪欲な順序付け戦略を検出に用いる。

実験結果

リサーチクエスチョン

• RQ1 ランダム化された反復的LASアプローチは、大幅に複雑度を低減しつつ、大規模な上行リンクMIMOでnear-ML性能を達成できるか？
• RQ2 BERおよび複雑度の観点から、MMSE-MLAS、MMSE-SIC、MIV-LASといった既存の検出器と比較して、RLB-LASの性能はどの程度か？
• RQ3 マッチドフィルタ出力のランダム摂動を初期点として使用することで、固定または決定論的な初期ベクトルと比較して検出性能が向上するか？
• RQ4 提案手法のRLB-LASアルゴリズムの漸近的複雑度は、ユーザー数Kに対してどのようにスケーリングするか？
• RQ5 提案された停止基準は、計算負荷を効果的に制限しつつ、near-ML性能を維持できるか？

主な発見

• K=N=20の条件下で、MF-RLB-LAS検出器は、SISO AWGNチャネル性能からわずか1 dBの差でBER=10⁻³を達成する。
• K=N=20の条件では、1シンボルあたりの浮動小数点演算平均回数が3×10⁴回にとどまり、ML検出に必要な1.1×10¹²回と比べて顕著に少ない。
• MF-RLB-LASの複雑度はO(K²)でスケーリングするが、MLの複雑度はKに指数関数的に増加するため、大規模システムに実用的である。
• 提案手法は、MMSE-MLAS（3段階）、MMSE-SIC、MMSE-SIC-MBと比較して、BERおよび計算複雑度の両面で優れた性能を示す。
• MF-RLB-LASの性能は、より複雑なMMSE-RLB-LASバージョンとほぼ同一であり、MFをベースベクトルとして使用する有効性を裏付けている。
• 停止基準は、Kが増加しても性能を劣化させることなく、反復回数を効果的に制限し、低複雑度を維持している。