0 引言

    大規(guī)模MIMO(Large-scale MIMO)又稱Massive MIMO，最早由美國貝爾實(shí)驗(yàn)室的MARZETTA T L提出^[1]，該技術(shù)在基站配置數(shù)十根甚至上百根天線，以獲得更大的空間自由度。文獻(xiàn)[1-4]研究表明，當(dāng)天線數(shù)目趨于無窮大時(shí)，瑞利衰落和加性高斯白噪聲等負(fù)面影響可以忽略不計(jì)，數(shù)據(jù)傳輸速率能得到極大提高。大規(guī)模天線陣列既帶來了性能增益，也帶來了前所未有的挑戰(zhàn)，如傳輸方案設(shè)計(jì)、迅速增加的硬件復(fù)雜度和計(jì)算量等。大規(guī)模MIMO系統(tǒng)中低復(fù)雜度、有效的接收算法是該技術(shù)從理論到實(shí)現(xiàn)的關(guān)鍵。

    近年來，統(tǒng)計(jì)學(xué)中的一些方法，如基于蒙特卡羅仿真的MCMC檢測算法^[5-8]被引入到MIMO系統(tǒng)中，它利用已知符號(hào)的后驗(yàn)條件概率來迭代地求出下一個(gè)符號(hào)的后驗(yàn)條件概率，最后得到發(fā)送矢量的后驗(yàn)概率。MCMC方法的性能主要取決于采樣點(diǎn)數(shù)量和迭代次數(shù)，與待估計(jì)變量維數(shù)無關(guān)，可以避免算法復(fù)雜度隨天線數(shù)和調(diào)制階數(shù)呈指數(shù)級(jí)增長的問題。傳統(tǒng)的MCMC算法需要經(jīng)過足夠次數(shù)的采樣后，馬爾可夫鏈才能趨于平衡分布。另外，在高信噪比條件下容易出現(xiàn)“陷入”問題(stalling problem)^[7]，即采樣“陷入”某一固定狀態(tài)，采樣狀態(tài)減少，導(dǎo)致后驗(yàn)概率估計(jì)誤差。針對(duì)上述問題，本文采用超松弛迭代的方法構(gòu)造馬爾可夫鏈，選擇合適的松弛因子加快馬氏鏈的收斂速度。仿真結(jié)果表明，該算法提高了系統(tǒng)檢測性能，降低了運(yùn)算復(fù)雜度。

1 系統(tǒng)模型

    本文研究的大規(guī)模MIMO系統(tǒng)由一個(gè)天線數(shù)為N的基站和K個(gè)單天線用戶構(gòu)成，K≤N，考慮該系統(tǒng)的上行鏈路，基站端的接收向量表示為：

其中x為K個(gè)用戶的信號(hào)發(fā)送向量，x=[x₁，x₂，…，x_K]^T；H為N×K維信道矩陣；n是均值為零、協(xié)方差N₀I_N的加性高斯白噪聲，n=[n₁，n₂，…，n_N]^T。

    最大似然(Maximum Likelihood，ML)檢測是MIMO系統(tǒng)的最優(yōu)檢測算法，通過遍歷所有可能的發(fā)送信號(hào)組合，尋求最優(yōu)的檢測值，即：

式中(χ)^K表示發(fā)送向量x的全部可能取值。隨著收發(fā)天線數(shù)及調(diào)制階數(shù)的增加，ML算法搜索空間呈指數(shù)級(jí)增長，實(shí)際難以實(shí)現(xiàn)。

2 大規(guī)模MIMO信號(hào)檢測算法

    大規(guī)模MIMO基站天線數(shù)量可能達(dá)到幾百根以上，傳統(tǒng)MIMO的一些準(zhǔn)最大似然方法(如基于QR分解的QRM-MLD算法和球形譯碼(SD)算法)在這里難以采用。探索大規(guī)模MIMO系統(tǒng)中高性能、低復(fù)雜度的信號(hào)檢測算法是要解決的主要問題。文獻(xiàn)[9]將MCMC方法引入大規(guī)模MIMO，并獲得了較好的性能。

2.1 MCMC算法

    MCMC檢測通過統(tǒng)計(jì)抽樣獲得發(fā)送符號(hào)矢量，用統(tǒng)計(jì)方法估計(jì)各符號(hào)的后驗(yàn)概率，其性能和運(yùn)算量與發(fā)送信號(hào)的維數(shù)無關(guān)，只取決于采樣點(diǎn)數(shù)量和迭代次數(shù)。

    MIMO系統(tǒng)中，多維信號(hào)的聯(lián)合概率分布如下：

    MCMC算法從條件分布p(x|y，H)中抽取樣值x，形成馬爾可夫鏈。MIMO系統(tǒng)中馬爾可夫鏈狀態(tài)數(shù)隨x的維數(shù)呈指數(shù)增加，為了降低采樣復(fù)雜度，采用Gibbs采樣構(gòu)造馬爾可夫鏈。Gibbs采樣^[10]是一種基于條件分布的迭代采樣方法，它利用已知符號(hào)的后驗(yàn)條件概率迭代地求出下一符號(hào)的后驗(yàn)條件概率，最后得到發(fā)送信號(hào)矢量的后驗(yàn)概率。第t+1次迭代中第k個(gè)符號(hào)的Gibbs采樣過程如下：

2.2 MCMC改進(jìn)算法

    傳統(tǒng)MCMC算法需要經(jīng)過足夠多次迭代才能收斂至平衡分布，提高馬爾可夫鏈?zhǔn)諗克俣饶軌蚪档蜋z測算法的計(jì)算復(fù)雜度^[11]，這對(duì)大規(guī)模MIMO系統(tǒng)尤為重要。因此考慮用超松弛迭代方法(Successive Over-Relaxation，SOR)^[12]來提高馬爾可夫鏈?zhǔn)諗克俣取?/p>

    將MIMO迭代檢測器看作一個(gè)隨機(jī)線性系統(tǒng)，考慮基本線性系統(tǒng)模型如下式：

其中，M=H^HH，b=H^Hy。當(dāng)K取值很大時(shí)，M矩陣求逆運(yùn)算復(fù)雜度很高，考慮采用迭代方法來求解^[13]，由于M是對(duì)稱矩陣，有：

其中，D是對(duì)角矩陣，L是嚴(yán)格下三角矩陣。由Jacobi迭代得到第t+1次迭代的解x^(t+1)：

    超松弛迭代法(Successive Over-Relaxation，SOR)引入了松弛因子ω，以加快迭代矩陣的收斂速度，令：

其中，w=-H^Hn，是均值為零、協(xié)方差N₀H^HH的加性高斯白噪聲。因此可以由以下分布得到采樣值：

    SOR-MCMC檢測算法實(shí)現(xiàn)過程如下：

    (1)輸入接收向量y、信道H、迭代次數(shù)T；

    (2)隨機(jī)產(chǎn)生初始向量x⁽⁰⁾；

    (3)while t<T do

    (4)for k=1：K

    (5){由式(16)、(15)計(jì)算由SOR迭代獲得的采樣點(diǎn)}

    (6)由獲得的采樣值，進(jìn)行對(duì)數(shù)似然比（LLR）計(jì)算，并進(jìn)行軟判決。

2.3 算法復(fù)雜度分析

    由上面的分析可知，MCMC算法的復(fù)雜度主要集中在由迭代采樣構(gòu)造馬氏鏈，可以先不考慮預(yù)條件矩陣處理，即計(jì)算和b的運(yùn)算量。由式(6)可知，傳統(tǒng)MCMC算法獲得采樣值的復(fù)雜度為O(N||)，完成一次迭代的復(fù)雜度為O(KN||)；而由式(15)，SOR-MCMC中獲得采樣值的復(fù)雜度僅為O(||)，完成一次迭代復(fù)雜度為O(K||)。當(dāng)?shù)螖?shù)增加時(shí)，SOR-MCMC復(fù)雜度比MCMC算法低更多，特別適用于大規(guī)模MIMO系統(tǒng)。

3 仿真結(jié)果及分析

    接下來分析上述算法在不同天線方案、不同調(diào)制方式下的檢測性能。大規(guī)模MIMO系統(tǒng)上行鏈路收發(fā)天線數(shù)分別為N和K，記為K×N，令收發(fā)天線比要求K≤N。為了便于比較算法性能，采用單用戶匹配濾波器檢測（MFD）算法近似最佳的MLD算法，即只考慮單個(gè)用戶發(fā)送數(shù)據(jù)，利用MF方法恢復(fù)發(fā)送信號(hào)。

    首先考慮SOR-MCMC算法中松弛因子ω對(duì)誤碼率(BER)性能的影響。采用4QAM調(diào)制，K=16，信噪比SNR=10 dB時(shí)，迭代次數(shù)T取20，基站天線數(shù)分別為8/16/32的仿真結(jié)果如圖1。可以看到，β較小時(shí)，ω對(duì)誤碼率的影響更明顯。β較大時(shí)，由于天線分集增益，檢測性能得到了提高。ω=1.4時(shí)，SOR-MCMC算法檢測性能最好，后面的仿真中都取該值；ω=1即傳統(tǒng)MCMC算法。

    圖2是收發(fā)天線數(shù)相同時(shí)，不同天線配置下幾種算法的性能比較，采用4QAM調(diào)制，ω=1.4，T=20。由圖可知，隨著天線數(shù)的增加，MCMC和SOR-MCMC算法的性能都有提高，體現(xiàn)了大規(guī)模MIMO的特性。高信噪比時(shí)，傳統(tǒng)MCMC算法由于陷入問題影響了檢測性能，而SOR-MCMC算法克服了這個(gè)問題。在16×16/32×32/64×64等幾種天線配置下，SOR-MCMC的性能都優(yōu)于傳統(tǒng)MCMC方法，且隨著信噪比的增加，不斷逼近單用戶的MFD算法。

    大規(guī)模MIMO的實(shí)際應(yīng)用中，基站天線數(shù)一般遠(yuǎn)大于用戶數(shù)，下面考慮收發(fā)天線數(shù)不相等時(shí)的算法性能?；咎炀€數(shù)N=32、用戶數(shù)K分別為8/16/32時(shí)各算法性能如圖3，仍采用4QAM調(diào)制，ω=1.4，T=20。在圖3所示的幾種天線配置下，SOR-MCMC的性能都優(yōu)于傳統(tǒng)MCMC方法，還解決了傳統(tǒng)MCMC方法高信噪比時(shí)的陷入問題。β較大時(shí)，SOR-MCMC算法性能隨著SNR的增大不斷逼近MFD。由圖3可知，在天線配置為8×32時(shí)，SOR-MCMC算法誤碼率達(dá)到10^-3所需的信噪比與MFD相比只相差0.4 dB。

    采用16QAM調(diào)制，其余參數(shù)不變，SOR-MCMC算法性能仿真結(jié)果如圖4?？梢钥吹?，隨著信噪比的增加，SOR-MCMC算法檢測性能逼近MFD，即該算法在高階調(diào)制下仍然有效。

4 結(jié)論

    本文主要研究大規(guī)模MIMO中低復(fù)雜度、有效的信號(hào)檢測技術(shù)。MCMC算法因復(fù)雜度有限獲得較大關(guān)注，但傳統(tǒng)MCMC算法需要經(jīng)過多次采樣才能趨于平衡分布，且在高信噪比時(shí)性能不佳。本文提出了一種改進(jìn)的MCMC算法，通過超松弛迭代獲得Gibbs采樣，構(gòu)造平衡分布為目標(biāo)分布的馬氏鏈，通過選擇合適的松弛因子加快馬氏鏈的收斂速度。仿真結(jié)果證明，該算法在不同天線方案、不同調(diào)制階數(shù)下，均能獲得優(yōu)于傳統(tǒng)MCMC算法的性能，同時(shí)計(jì)算量更低，非常適用于大規(guī)模MIMO系統(tǒng)。

參考文獻(xiàn)

[1] MARZETTA T L.Noncooperative cellular wireless with unlimited numbers of base station antennas[J].IEEE Trans.Wireless Commun.，2010，9(11)：3590-3600.

[2] HOYDIS J，BRINK S T，DEBBAH M.Massive MIMO in the UL/DL of cellular networks: How many antennas do we need?[J].IEEE Journal on Selected Areas in Communications，2013，21(2)：160-171.

[3] RUSEK F，PERSSON D，LAU B K，et al.Scaling up MIMO：opportunities and challenges with very large arrays[J].Signal Processing Magazine，2013，30(1)：40-60.

[4] LARSSON E G，TUFVESSON F，EDFORS O，et al.Massive MIMO for next generation wireless systems[J].IEEE Commun.Magazine，2014，52(2)：186-195.

[5] CHEN R，LIU J S，WANG X D.Convergence analyses and comparisons of Markov Chain Monte Carlo algorithms in digital communications[J].IEEE Trans.on Signal Processing，2002，50(2)：255-270.

[6] DOUCET A，WANG X D.Monte carlo methods for signal processing[J].IEEE Signal Processing Magazine，2005，22(6)：152-170.

[7] BEHROUZ F B，ZHU H D，SHI Z N.Markov chain monte carlo algorithms for CDMA and MIMO communication systems[J].IEEE Trans.On Signal Processing，2006，54(5)：1896-1909.

[8] STEPHEN A L，BEHROUZ F B.Implementation of a markov chain monte carlo based Multiuser/MIMO detector [J].IEEE Trans.on Circuits and Systems，2009，56(1)：246-255.

[9] KUMAR A，CHANDRASEKARAN S，CHOCKALINGAM A，et al.Near-optimal large-MIMO detection using randomized MCMC and randomized search algorithms[C].IEEE ICC，2011：1–5.

[10] SPALL J C.Estimation via markov chain monte carlo[J].IEEE Control Systems Magazine，2003，23(2)：34-45.

[11] HASSIBI B，HANSEN M，DIMAKIS A G，et al.Optimized markov chain monte carlo for signal detection in MIMO systems：an analysis of the stationary distribution and mixing time[J].IEEE Trans.Signal Processing，2014，62(17)：4436-4450.

[12] AXELSSON O.Iterative solution methods[M].Cambridge University Press，1994.

[13] GRANT A，SCHLEGEL C.Convergence of linear interference cancellation multiuser receivers[J].IEEE Trans.Commun.，2001，49(10)：1824-1834.