[论文解读] 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 16

一句话总结

本文提出了一种基于随机列表的似然上升搜索（RLB-LAS）检测器，用于大规模上行链路MIMO系统，通过从匹配滤波器输出迭代生成的随机初始点，仅以每符号O(K²)的复杂度实现接近最大似然（near-ML）性能。该算法在误比特率（BER）和计算效率方面均优于现有的LAS及MIMO检测器，在K=N=20时甚至接近单天线AWGN性能。

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.

研究动机与目标

• 解决具有数十至数百根天线的大规模上行链路MIMO系统中的高复杂度检测问题。
• 开发一种低复杂度检测器，接近最大似然（ML）性能，且无需矩阵求逆。
• 与传统ML、球形检测或基于MMSE的检测器相比，降低大规模MIMO场景下的计算负载。
• 在收敛速度和检测精度方面优于现有LAS变体（如MIV-LAS和MSCS-LAS）。
• 在系统规模扩展时，仅以极小的复杂度增加实现接近ML的性能。

提出的方法

• 该算法使用匹配滤波器（MF）输出作为初始检测向量。
• 在每次迭代中，通过扰动MF结果生成多个随机初始点向量。
• 每次迭代执行单阶段似然上升搜索（LAS），贪婪地选择能降低ML代价函数的符号更改。
• 该算法采用基于迄今最佳结果的ML代价与无误决策理论最小代价的停止准则。
• 最终判决是所有迭代中ML代价最低的LAS结果。
• 搜索采用贪婪排序策略，每一步选择能最大程度降低ML代价的符号更改。

实验结果

研究问题

• RQ1 基于随机化的迭代LAS方法是否能在大规模上行链路MIMO中实现接近ML的性能，且复杂度显著降低？
• RQ2 在误比特率（BER）和复杂度方面，RLB-LAS与MMSE-MLAS、MMSE-SIC和MIV-LAS等成熟检测器相比表现如何？
• RQ3 使用匹配滤波器输出的随机扰动作为初始点，是否相比固定或确定性初始向量能提升检测性能？
• RQ4 所提出的RLB-LAS算法的渐近复杂度随用户数K的增加如何变化？
• RQ5 所提出的停止准则是否能有效限制计算负载，同时保持接近ML的性能？

主要发现

• 当K=N=20时，MF-RLB-LAS检测器的误比特率（BER）仅为SISO AWGN信道性能的1 dB以内。
• 当K=N=20时，每符号的平均浮点运算次数为3×10⁴，远低于ML检测所需的1.1×10¹²。
• MF-RLB-LAS的复杂度呈O(K²)增长，而ML复杂度随K呈指数增长，使其适用于大规模系统。
• 所提算法在误比特率（BER）和计算复杂度方面均优于MMSE-MLAS（三阶段）、MMSE-SIC和MMSE-SIC-MB。
• MF-RLB-LAS的性能几乎与更复杂的MMSE-RLB-LAS变体相同，证实了以MF作为基础向量的有效性。
• 停止准则能有效限制迭代次数，并在K增大时仍保持低复杂度且不降低性能。