如何使用最大似然检测器方案优化MIMO接收器性能

对于改进数据速率和/或信噪比，多输入和多输出（MIMO）是领先的方法之一。通过使用多个接收和发送天线，MIMO可利用无线信道的多样性。对于任何给定的信道带宽，这可用于提高信道的频谱效率并改进数据速率。

MIMO的规格取决于发送和接收天线的数量。在一个4×4 MIMO配置中，使用了四个发送天线和四个接收天线。这在同样信道带宽上实现了（在合适的条件下）高达四倍的数据传输。

一方面，简单的MIMO接收器基于线性接收器算法，其易于实现但无法完全利用MIMO的好处。另一方面，使用迭代法，可以实现最佳的最大后验概率近似MIMO算法；然而，这会导致高延时的不足。一种更加实用的非线性MIMO接收器的实施途径是最大似然（Maximum Likelihood， ML）或最大似然检测器（Maximum Likelihood Detector， MLD），它在根本上是基于一个彻底的并列搜索。MLD在处理方面比传统线性接收器要求更高，但对于相同的信道条件，可提供明显更高的比特率。另外，对于具有天线相关性的信道，MLD更稳健可靠。

使用高阶MIMO规格（超过两个接收和两个发送天线）可以导致显著的频谱效率改进——但这也有其成本代价：随着MIMO规格的增加，MLD接收器的计算复杂性以指数方式增加。高阶MIMO要求相当大的处理能力——对于这一点，直接的MLD方法是不切实际的，必须使用次优（suboptimal）MLD算法来实现用户设备（User Equipment，UE）的实施。

次优ML接收器

次优ML接收器试图以更有效的方法来扫描可能的传送信号，从而减少整体复杂性并达到接近ML精度的结果。减少复杂性有助于根据大小和功率进行更加实际的硬件实施。这还使硬件能够保持由先进通信标准规定的高吞吐量。

次优ML方程式的解决可定义为一种树形搜索，其中树的每一个层级对应于一个发送符号。每个节点的分支突出数匹配QAM或发送符号的调制。一个4×4 MIMO配置可由一个四层树表示。假如调制为BPSK，每个节点将包含两个分支。

一旦定义了树的符号，可以部署树遍历算法，借用其它领域比如计算机科学。

关于此点，次优ML接收器可划分为两个主要类型：

1.横向优先搜索

2.深度优先搜索

横向优先搜索

横向优先的一个例子就是K-best算法。该解码器是一个固定复杂性解决方案，从树根开始并上行，直至它达到树的最后一层。在树的每层上，对所有选择的分支进行了评估并保留K留存节点，匹配最佳解决方案（代表了最接近接收信号的符号）——因此得名“K-best”。K剩余树叶然后就用于生成LLR结果。

该解码器的优点是：

*单向流有助于硬件的简易流水线实施。

*计算每层所需要的处理能力是恒定的，且直接与实施中所选的留存节点（K）的数量相关。

*数据吞吐量是恒定的，其反过来简化了在系统中计划的数据流

该解码器的缺点包括：

*需要大面积实施以便评估和分类所有选择的层级节点。

*精度要求越高，所需要的K值越高。

*在最佳SNR条件中，数据吞吐量不会增加。

*不能保证达到ML解决方案，因为最佳解决方案可能存在于没有选择的节点中。

下述图表显示了一个采用QPSK调制的MIMO 4×4 （4-层）树。在此例子中，K为四。树的每层将分为十六个节点。最好的四个将会是用于下一层的留存节点。

深度优先搜索

深度优先的一个例子就是软输出球解码（Soft-Output Sphere Decoder）算法。此解码器是一种自适应复杂性解决方案，从树根开始并首先直接上升到树叶——因此得名“深度优先”。该树的优先解决方案确定了初始搜索半径或范围。从那时起，解码器在整个树层中追溯并上升。对树的每个超出搜索半径的节点及其下面的所有节点进行修整。每次找到一个更好的解决方案，相应地减少半径范围。以此方法，扫描并修整了符号树，直至有效选项数量减少。余下的符号代表了ML解决方案。

此解码器的优点是：

*可保证获得ML解决方案，有助于结果精确度。

*在高SNR条件下，解码器运行更快，增加了数据吞吐量并降低了功耗。

*相比同等的横向优先解决方案，可在更小区域内实施。

图3显示了具有自适应复杂性软输出球解码器与固定复杂性K-best解码器间的循环计数比较。因为SNR增加，球解码器将减少它的循环计数，而固定复杂性将保持不变，无论信道条件如何。


图3：固定对自适应复杂性。

该解码器的缺点包括：

*解码器的非确定性表现使系统计划复杂化。

*仅在当前分支完成后才知道下一个分支选择。这使得硬件传递途径的实施受到挑战。

图4显示了一个采用QPSK调制的MIMO 4×4 （4层）树例子。

1.深度优先以下列方式选择到第一个树叶的符号路径：a. -3 （层1）；b. -3 （层2）；c. 1 （层3）；d. 3 （层4）

2.更新了初始半径

3.追溯执行到第二层的一个符号

4.在搜索期间，修整了超出搜索半径的分支（红色所示），因此使搜索树最小化。


图4：球解码树遍历。

CEVA解决方案

CEVA通过推出最大似然MIMO检测器（MLD）来应对MIMO接收器的挑战。该MLD是紧密耦合扩展加速器硬件单元。该MLD能够处理LTE——先进的Cat.7数据流并产生软输出最大对数解决方案。

该MLD加速器达到了次优最大似然（ML）解决方案，可用于4×4或3×3 MIMO @12.6 Mega-tones/秒，使用软输出球解码器方法，以及2×2基于LORD的ML解决方案@ 28.8 Mega-tones/秒，使用载波聚合。该MLD设计用于移动应用，强调低功耗设计理念。

功能集

MLD功能集包括对以下的支持：

*从2×2到4×4 MIMO的可变传输模式，且每层可配置的调制高达64QAM.

*三种搜索优化：每个树层的用户自定义层排序，初始半径和搜索半径。

*通过提供吞吐量控制能力，CEVA MLD解决了软输出球解码的非确定性质，包括用于音调处理的上下循环计数界线。另外，使用用户自定义的基于时间标记的终端来保持系统吞吐量。

*可以扩展软比特来补偿SNR和调制因数。

*在内部符号和内层解决方案中提供对LLR排列的支持

*内层解映射：支持两个代码层，使MLD能够将所写数据拆分到两个不同的目的地。

*可扩展的硬件解决方案实现了性能/功率/面积的权衡，包括选择MLD引擎的数量、缓冲器大小和接口时钟比率。

另外，加速器提供了广泛的调试和性能分析能力。

MLD加速器方框图

图5描述了MLD加速器的方框图，其包含了一个AXI接口、输入缓冲器、分配器、最大似然引擎（Maximum Likelihood Engine，MLE）、LLR发生器、重排序缓冲器和输出缓冲器。

输入缓冲器存储了大量的音调数据，通过分配器，每次传送一个音调到MLE.每个MLE输出有关检测到的比特数据；这进而通过LLR发生器转化为LLR格式。重排序缓冲器积累LLR数据，以便传输和发送有序的输出到输出缓冲器中。输出缓冲器通过AXI接口将LLR写到接收链中的下一个模块。


图5：MLD加速器方框图。