LTE终端MIMO检测算法研究

论文摘要

随着人们对移动业务需求的迅猛发展和时频资源的日益紧缺，移动通信工程师们开始把目光投向了空间。正是如此，MIMO技术应运而生。MIMO技术带来了高的频谱利用率的同时也对终端的检测技术带来了挑战。考虑到手持终端的一些特点，比如：低功耗，小体积等。这就要求终端的MIMO检测算法必须在保证LTE系统要求的基本性能下，具有尽可能低的复杂度。最佳的MIMO检测算法是最大似然检测，但是该算法的复杂度是一个NP问题，无法应用到工程实际中去。QR分解的ML检测算法是一个树搜索问题，因此降低复杂度的ML检测算法可以分成：深度优先的搜索算法和广度优先的搜索算法。深度优先的搜索算法包括了球形译码算法，VB算法，VB-SE算法。广度优先的搜索算法包括了M算法，排序的M算法。K-Best算法结合了二者优点，可以在性能和复杂度之间取得折衷。这些算法都属于非线性算法，其复杂度对于终端而言显得过大，因此基于QR分解的线性检测算法是研究重点。ZF算法虽然复杂度低，但是其性能也较差。MMSE算法性能较好，但是复杂度也随之升高。Wubben通过比较ZF算法和MMSE算法，提出了ZF类似的MMSE算法。但该算法的性能相比较MMSE算法下降较明显。基于启发式QR分解的ZF算法和ZF类似的MMSE算法性能较之ZF算法和ZF类似的MMSE算法有较大提升。文章最后提出了一种新的算法IMRC。该算法结合了干扰抑制合并（IRC）和最大比合并（MRC）的思想。在第一层数据检测时，将第二层数据看成干扰信号，采用IRC是最佳接收。通过干扰消除，那么对于第二层数据只受到噪声的影响，采用MRC就是最佳接收。基于排序的之后，该算法性能还可以获得提升。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 LTE 项目背景
• 1.2 LTE 物理层关键技术
• 1.2.1 OFDM 技术
• 1.2.2 信道编码技术
• 1.2.3 MIMO 技术
• 1.2.4 beam-forming 技术
• 1.2.5 HARQ 技术
• 1.3 论文安排
• 2 LTE 终端关键技术
• 2.1 小区搜索技术
• 2.2 信道估计技术
• 2.3 解 MIMO 技术
• 2.4 HARQ 合并技术
• 2.5 时频同步技术
• 2.6 本章小结
• 3 MIMO 检测算法
• 3.1 MIMO 系统模型
• 3.2 STBC/SFBC 模型及检测算法
• 3.3 VBLST 模型及检测算法
• 3.3.1 最大似然检测（ML）
• 3.3.2 球形译码
• 3.3.3 VB 算法和 SE 算法
• 3.3.4 M 算法
• 3.3.5 K-Best 算法
• 3.4 简化 ML 算法（RML）
• 3.5 保留部分 ML 检测算法（HPML）
• 3.6 简化球形译码算法（RSD）
• 3.7 本章小结
• 4 LTE 下行 MIMO 检测算法
• 4.1 线性检测
• 4.1.1 线性迫零均衡（ZF）
• 4.1.2 基于 QR 分解的 ZF 算法（QR-ZF）
• 4.1.3 最优排序 QR-ZF 算法（order-ZF）
• 4.1.4 最小均方误差算法（MMSE）
• 4.1.5 ZF 类似的 MMSE 算法（ZMMSE）
• 4.1.6 ZF 类似的非排序 MMSE 算法（Z-nonorder-MMSE）
• 4.1.7 ZF 类似的最优排序 MMSE 算法（Z-order-MMSE）
• 4.2 启发式的 QR 分解算法
• 4.2.1 置换矩阵
• 4.2.2 household 变换
• 4.2.3 Givens 旋转变换
• 4.3 本文提出的新算法
• 4.4 ML 与 ZF/MMSE 之间的差异
• 4.4.1 ML 与 ZF 区别
• 4.4.2 ML 与 MMSE 区别
• 4.5 本章小结
• 5 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献