[논문 리뷰] 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)|2014. 12. 04.

Advanced Wireless Communication TechniquesEngineering참고 문헌 14인용 수 16

한 줄 요약

이 논문은 대규모 업링크 MIMO 시스템을 위한 랜덤리스트 기반 우도 상승 탐색(RLB-LAS) 검출기의 제안을 통해, 매칭 필터 출력에서 반복적으로 생성된 랜덤 시작점을 사용하여 심지어 K=N=20일 때 단일 안테나 AWGN 성능에 근접한 near-maximum-likelihood(near-ML) 성능을 O(K²) 복잡도로 달성한다. 이 알고리즘은 기존의 LAS 및 MIMO 검출기보다 비트 오류율(BER)과 계산 효율성 측면에서 모두 뛰어나다.

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.

연구 동기 및 목표

• 수십에서 수백 개의 안테나를 가진 대규모 업링크 MIMO 시스템에서의 높은 복잡도 검출 문제 해결.
• 행렬 역행렬 계산이 필요 없이 최대우도(ML) 성능에 근접한 저복잡도 검출기 개발.
• 대규모 MIMO 환경에서 기존의 ML, 구형 디코딩, 또는 MMSE 기반 검출기 대비 계산 부담 감소.
• 기존의 LAS 변종(MIV-LAS, MSCS-LAS 등)보다 수렴 속도 향상 및 검출 정확도 향상.
• 시스템 크기가 증가함에 따라 복잡도가 최소한으로 증가하면서 near-ML 성능 달성.

제안 방법

• 알고리즘은 매칭 필터(MF) 출력을 초기 검출 벡터로 사용한다.
• 각 반복에서 MF 결과를 변형하여 다수의 랜덤 시작점 벡터를 생성한다.
• 각 반복은 ML 비용 함수를 감소시키는 심도 있는 기울기 상승 탐색(LAS)을 수행한다.
• 최선의 결과로의 ML 비용과 오류 없는 결정의 이론적 최소 비용을 기반으로 정지 기준을 적용한다.
• 최종 결정은 모든 반복에서 가장 낮은 ML 비용을 가진 LAS 결과이다.
• 각 단계에서 ML 비용을 가장 크게 감소시키는 심도 기반 순서 전략을 사용한다.

실험 결과

연구 질문

• RQ1 랜덤화된 반복적 LAS 접근 방식이 대규모 업링크 MIMO에서 상당히 감소된 복잡도로 near-ML 성능을 달성할 수 있는가?
• RQ2 BER 및 복잡도 측면에서 RLB-LAS의 성능은 MMSE-MLAS, MMSE-SIC, MIV-LAS와 같은 기존 검출기와 비교해 어떻게 되는가?
• RQ3 매칭 필터 출력의 랜덤 변형을 시작점으로 사용할 경우 고정 또는 결정론적 초기 벡터 대비 검출 성능 향상이 이루어지는가?
• RQ4 제안된 RLB-LAS 알고리즘의 渐近적 복잡도는 사용자 수 K에 대해 어떻게 스케일링되는가?
• RQ5 제안된 정지 기준이 복잡도를 효과적으로 제한하면서 near-ML 성능을 유지하는가?

주요 결과

• K=N=20일 때 MF-RLB-LAS 검출기는 SISO AWGN 채널 성능보다 단지 1 dB 낮은 BER 10⁻³을 달성한다.
• K=N=20일 때 평균 부동소수점 연산 수는 기준으로 3×10⁴로, ML 검출이 요구하는 1.1×10¹²보다 훨씬 낮다.
• MF-RLB-LAS의 복잡도는 O(K²)로 스케일링되며, ML 복잡도는 K에 대해 지수적으로 증가하므로 대규모 시스템에 적용 가능하다.
• 제안된 알고리즘은 MMSE-MLAS(3단계), MMSE-SIC, MMSE-SIC-MB 모두보다 BER 및 계산 복잡도 측면에서 뛰어나다.
• MF-RLB-LAS의 성능은 더 복잡한 MMSE-RLB-LAS 변종과 거의 동일하여 MF를 기본 벡터로 사용하는 것이 효과적임을 확인한다.
• 정지 기준은 K 증가함에 따라 복잡도를 효과적으로 제한하면서 성능 저하 없이 유지한다.