WO2010112370A2 - Depth-first tree search method for the detection of mimo received signals - Google Patents

Depth-first tree search method for the detection of mimo received signals Download PDF

Info

Publication number
WO2010112370A2
WO2010112370A2 PCT/EP2010/053745 EP2010053745W WO2010112370A2 WO 2010112370 A2 WO2010112370 A2 WO 2010112370A2 EP 2010053745 W EP2010053745 W EP 2010053745W WO 2010112370 A2 WO2010112370 A2 WO 2010112370A2
Authority
WO
WIPO (PCT)
Prior art keywords
search
tree
list
state information
tuple
Prior art date
Application number
PCT/EP2010/053745
Other languages
German (de)
French (fr)
Other versions
WO2010112370A3 (en
Inventor
Björn Mennenga
Original Assignee
Technische Universität Dresden
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Technische Universität Dresden filed Critical Technische Universität Dresden
Priority to JP2012502572A priority Critical patent/JP5531089B2/en
Publication of WO2010112370A2 publication Critical patent/WO2010112370A2/en
Publication of WO2010112370A3 publication Critical patent/WO2010112370A3/en

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03178—Arrangements involving sequence estimation techniques
    • H04L25/03203—Trellis search techniques
    • H04L25/0321—Sorting arrangements therefor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03178—Arrangements involving sequence estimation techniques
    • H04L25/03203—Trellis search techniques
    • H04L25/03229—Trellis search techniques with state-reduction using grouping of states
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03178—Arrangements involving sequence estimation techniques
    • H04L25/03203—Trellis search techniques
    • H04L25/03242—Methods involving sphere decoding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection
    • H04L25/067—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection providing soft decisions, i.e. decisions together with an estimate of reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L2025/0335—Arrangements for removing intersymbol interference characterised by the type of transmission
    • H04L2025/03426—Arrangements for removing intersymbol interference characterised by the type of transmission transmission using multiple-input and multiple-output channels

Definitions

  • Deep search tree search method for detecting MIMO received signals
  • the invention relates to a tree search method of depth search for tree-based detection of received signals from multipoint-to-multipoint (MIMO) channels in which leaf nodes of a search tree represent potential transmit bits and which comprises determining most likely transmitted bits and reliability values for those bits the reliability values are determined on the basis of state information of the leaf nodes determined during the tree search and wherein a search space of the tree search is limited on the basis of state information of the leaf nodes determined during the tree search.
  • MIMO multipoint-to-multipoint
  • a system model for a MIMO system with N 1 . Transmit and N R receive antennas is in
  • Fig. 1 shown.
  • the system model is introduced as complex-valued.
  • Vectors are highlighted by small bold symbols, matrices by large bold symbols.
  • a superscript T marks the transpose of a vector or matrix, and a superscript H denotes the hermit (conjugate complex transpose) of a vector or matrix.
  • C denotes the set of complex numbers.
  • Fig. 1 the essential elements of the transmission path are shown. The description is in the baseband, so discrete.
  • the data becomes blockwise transmit, pulse shaping filters in transmitter and receiver are not considered separately, but can be integrated into the channel model.
  • a vector u with independently and identically distributed data bits is encoded transmitter side with the outer channel code (1 14), the resulting stream of vectors c 'is bit-interleaved (1 16) and divided into blocks c. For transmission, the corresponding bits are mapped to symbols with a complex constellation (1 18).
  • He C NTXNR denotes the complex system matrix of size (N ⁇ xN R ), which contains the
  • Transmission channel as well as transmit and receive side filters may contain and is known in the receiver for the detection.
  • a data block c (c (1),..., C (N ⁇ )) consists of N 7 , symbols with L bits each, which are optionally encoded and interleaved before transmission.
  • the transmitted data is estimated by means of a detector 122 shown in Fig. 1 and corresponding decoding 128 given by the transmitter-side preprocessing, whereby the detection-decoding process can also be performed iteratively (126).
  • the decoded data are then forwarded in a known manner via a hard-decision block 130 to a binary data receiver 132.
  • the object of the detector 122 considered herein, in which the present invention can be implemented, is to determine the bits c most likely to be sent and reliability information (L values) for these bits corresponding to the logarithmic ratio of whether one bit is a "1" or "0" or "+1” or "-1". These are determined from the received symbols, the channel estimation, the determined noise power as well as possibly available a-priori information.
  • L values reliability information
  • the detection process can be represented as follows:
  • Various tree search methods are illustrated in FIG.
  • the search tree comprises several levels i, each one to be estimated
  • the parameter used for the restriction is the radius R of the sphere, which is adapted via the distance metric of the determined leaf nodes.
  • R ⁇
  • SIC Successive Interference Cancellation
  • the tree levels are considered in inverse order, wherein a depth search is carried out in each case for the not yet expanded tree nodes within the current search sphere (A 1 ⁇ R).
  • the selection of the nodes to be considered takes place here mostly useful on the so-called Schnorr-Euchner list, as from CP.
  • Determination of new leaf nodes is performed until all nodes of the sphere have been considered.
  • the third class of tree search methods is formed by the so-called breadth-first search, such as the M algorithm or K-Best algorithm, as described by J. Anderson and S. Mohan in Sequential Coding Algorithms: A Survey and Cost Analysis, IEEE Transactions on Communications, Vol. 32, No. 2, pp. 169-176, February 1984, and S. Haykin, M. Sellathurai, Y. de Jong, and T. Willink in "Turbo-MIMO for Wireless Communications," IEEE Communications Magazine, Vol. 42, p. 48-53, October 2004.
  • the possible successor nodes level i
  • the M or K best are selected for the calculations of the next level.
  • LSD List Sphere Detection
  • Koten is z.
  • a calculation of all children's nodes and their sorting (step 506) are required according to their probabilities.
  • step 5 If the child nodes of the current tree level (thus for the same already valued parent nodes) have already been considered and sorted, no further processing is required in this step 5 and a parent node to be processed next is selected (step 508).
  • the search sphere may possibly be further limited.
  • One possibility for this is to store the candidates relevant for the search sphere and to determine the search sphere via the sorting of the candidates (step 512), combined with a suitable sphere radius calculation (step 514).
  • the search scope in this embodiment is not further limited, and the flow proceeds to decision question 520.
  • the tree level i is increased by one (step 530).
  • the tree level is increased if all nodes in the current search plane which are within the search sphere have already been considered (decision YES at 520). Otherwise, the most likely not yet considered node is selected (step 522) and the tree level for that node is reduced (step 524). 5 5. The tree search is continued at 1.. 6. At the conclusion of the tree search, the reliability information is calculated and stored from the determined leaf nodes (step 542).
  • List Sphere Detection (LSD) Algorithm The tree leaves are sorted together with their 5 distance metrics in a candidate list. The sheets in the list are used after the search to determine the reliability values.
  • the newly determined hands are sorted along with the dropped distance candidates in the list, with only 0 leaves with the L smallest distance metrics maintained and in the list are stored.
  • the reliability information is calculated from the candidate list. Decisive for the quality of the procedure, if enough favorable candidates in the course of the search can be determined, the number of stored candidates, which is limited by the list size. Too small a list or a tree search method in which few cheap sheets are detected reduces the quality of the reliability information.
  • the disadvantage is the with the list size increasing complexity, both in terms of the hardware units required and the computational complexity needed to manage the list. Each of the list elements requires multiple storage elements.
  • the list must be sorted, dramatically increasing hardware complexity. If the worst candidate of the list is used to determine the search space, the search complexity also increases with the list size and an independent adaptation of the search accuracy or search complexity is not possible.
  • the second way to constrain the search space is to introduce bit-specific radii, as described by J. Jalden and B. Ottersten in "Parallel Implementation of a Soft Output Sphere Decoder", Asilomar Conference on Signals, Systems, and Computers, November 2005. An attempt is always made to find the cheapest tree leaf for every possible bit value (0/1).
  • the search space is thus dependent on the bit values of the currently considered node, whereby nodes are always expanded (ie children nodes of the node in question are examined), which can lead to a new hypothesis or counter-hypothesis:
  • Node and c ⁇ h is the bit value of the hypothesis of the bit c ⁇ .
  • Distance metrics stored If a distance metric already exists for a bit, then the smaller one is always retained. In the tree search, nodes are always subsequently expanded, which can lead to a smaller distance metric for at least one of the bits which correspond to the search path. The search radius is thus different for each bit. This ensures that the search always the cheapest hypothesis and the most favorable counter-hypotheses are found. In addition, the number of intermediate states to be stored for this purpose is fixed.
  • the aim of continued efforts in the art is to reduce the algorithmic complexity and thus the complexity of hardware transformations of tree searches for signal detection purposes, without the search accuracy significantly deteriorating.
  • the object of the invention is to modify tree search algorithms such that the number of tree nodes to be considered and thus the complexity of the tree nodes
  • Calculations and hardware implementation to determine the distance metrics is reduced, with comparable or improved search accuracy.
  • the process should be simple in its structure and implementation and allow a high flexibility of the search method with high performance at the same time.
  • a complex-reduced tree search method of the depth search for the tree-search-based detection of received signals from multipoint-to-multipoint (MIMO) channels is shown.
  • the method is characterized in that the limitation of the search space for the tree search is independent of the processing of the state information for calculating the reliability values.
  • the limitation of the search space is via an n-tuple of state information from during the
  • Tree search determined leaf node wherein a maximum value of the state information in the tuple is determined as the radius of the search space. Due to the separation according to the invention of search space limitation and calculation of the reliability values, problems of the known tree searches, such as the extent and complexity of the node analysis, the quality of the counter-hypotheses determined, the costs of
  • the state information stored in the n-tuple can be distance metrics of leaf nodes of the search tree.
  • a leaf node which is found during the tree search within the current search radius and has a more favorable state information than the most unfavorable value of the n-tuple, can be included in the n-tuple according to the invention and the Replace the least favorable element of the n-tuple. This ensures that the tuple always contains the tree leaves with the lowest distance metrics that have been found so far.
  • the n-tuple can be generated as a sorted list with list elements 1 to n, wherein the list elements are ordered according to the values of the state information.
  • the list elements may e.g. ordered by their distance metrics with increasing values, starting with the lowest value at position 1 of the subset up to the largest value at the nth position of the subset.
  • the n-tuple can be implemented as a subset of a list L of size L> n, the list L overall being able to represent a candidate list with state information for calculating the reliability values.
  • the list L is sorted at least until element n + 1, and a new potential tuple element is sorted at the n + 1th digit of the sorted subset.
  • the nth list element of the list L can then be used, where the position of n in the list L is variable, with 1 ⁇ n ⁇ L.
  • variable size tuple may be accomplished by varying the size of a subset of an existing number of storage elements by utilizing and sorting a variable proportion of the resources available. This makes it possible to adapt the search complexity and the search accuracy to environmental conditions before or during the runtime of the tree search. By a larger tuple are more favorable
  • Leaf node determined. Depending on the search methodology used, a large number of specific favorable leaf nodes leads, directly or indirectly, to a greater probability of determining more favorable state information for calculating the reliability information and thus, on average, to improved search accuracy.
  • the separated storage of the status information for the calculation of the reliability information is bit-specific in a separate list.
  • the bit-specific storage of the state information can either be done separately for each possible bit value and over all bits or, according to an alternative embodiment, can be done together for all bits of a current hypothesis via a transmit symbol and separately for the corresponding bits of counter-hypotheses.
  • the bit-specific storage allows the inclusion of all in the course of the tree search specific leaves in the determination of the probability values. Due to the separate processing of the status information for determining the reliability information, this processing can be carried out in an optimized manner, without influencing the search process.
  • Condition information in the course of the tree search avoided and the search accuracy can be increased.
  • the method according to the invention can be designed such that into the separate processing of the state information for calculating the reliability values, the selection of hypotheses and counterhypotheses, and their distance metrics, correction functions are included, as they are needed, for example, in a search based on the MMSE principle.
  • correction functions the method can also be used for systems in which the distances for calculating the reliability information differ from the distances relevant for the tree search, by determining deviating hypotheses and counterhypotheses via the correction function.
  • the optimized calculation of the reliability information by means of correction functions does not affect the process of the tree search via the n-tuple.
  • a hypothesis / counter-hypothesis deviating from the bias can be determined, and, moreover, the search space can advantageously be restricted via the MMSE method.
  • the method can therefore also be combined with the bit-radius method (two lists, one for the bit radii and one for the reliability information) and other tree search methods (breadth-first search, depth search).
  • the determination of the search space can also be further optimized without adversely affecting the accuracy of the reliability information.
  • the calculation of the reliability information following the tree search can be done from the already adapted bit-specific state information about subtractions of individual elements and without further correction processing.
  • bit-specific metrics already contain correction terms for the calculation of reliability information (as required for example in MMSE)
  • more exact hypotheses and counter-hypotheses can be determined and the method can be used for more efficient search algorithms.
  • the method is clearly superior in terms of efficiency (search accuracy with respect to analyzed tree nodes) to all known methods.
  • bit-specific storage enables parallel calculation of reliability information, unlike traditional list-based methods.
  • the determination of the state information used for the search space limitation can take place via a method other than the determination of the state information used for calculating reliability values.
  • the MMSE method and use the ZF (ZeroForcing) method to determine the reliability information.
  • information about the structure of the tree nodes can be included in the separated processing of the status information for calculating the reliability values.
  • information about the structure of the tree nodes such as the mapping of the bits, to select tree nodes that are potentially favorable to the state information for calculating the reliability information or for the tuple to the search space boundary, the operations for calculation, selection and storage favorable data only for a subset of potentially to be considered tree nodes to be performed.
  • the processing of the status information for calculating the reliability information can take place parallel to the search space specification and for the tree search. This results in an increase in the throughput of the tree search.
  • Search radius also makes it possible to adapt the search accuracy and, associated with this, the search effort to the needs of the environment.
  • 1 is a system model of a MIMO system with iterative
  • FIG. 2 shows a 64-QAM constellation with bit values for gray labeling
  • 4 shows examples of a tree search for a 4x4 MIMO system
  • 5 is a data flow diagram of a conventional sphere detection
  • Algorithm shows the principle of a tuple for determining the search space via a
  • Fig. 7 shows the principle of a bit-specific storage of state information using the example of 24 bits and the storage of distance metrics for each
  • FIG. 8 shows an embodiment of the bit-specific storage of
  • FIG. 9 shows a variant of a regularized list-sphere detection implementation
  • Fig. 11 shows the influence of the bias on the position determination in MMSE detection and a Q-QAM, as well as the correction of this influence;
  • FIG. 12 shows a comparison of the performance of a conversion according to the invention with conventional implementations of depth-search tree search methods
  • FIG. 16 shows a modification of the receiver arrangement of FIG. 1 for list-based
  • the inventive separation of the search space specification from the determination of the reliability information makes it possible to perform both the search space determination and the determination of the reliability information in an optimized manner and to significantly reduce the overall complexity of the tree search.
  • a number of favorable counter-hypotheses must be determined in addition to the hypothesis.
  • a sufficiently accurate tree search is ensured by the search space for the tree search not having the data determined for determining the reliability information, but merely a tuple from
  • n favorable tree leaves c ' is limited.
  • the scope n of the tuple is decisive for the quality of the state information (eg distance metric) and thus for the complexity of the tree search.
  • the elements of this tuple are in principle independent of the state information used to determine the reliability information. This also applies in particular to the node selection and type of state information.
  • the determination of the search space is expediently carried out via the maximum distance metric of the n-tuple 7.
  • the quality of the state information for calculating the reliability information can not necessarily be deduced directly from the quality and the extent of the data of the tuple, in particular if the methods for determining the state information for the search space determination on the one hand and for determining the reliability information on the other hand differ from one another.
  • tuple size and search complexity increase the likelihood of finding favorable state information for calculating the reliability information due to the tuple-defined complexity and the concentration of the tree search on favorable nodes, whereby the quality of the data has a high correlation and thus a sufficient correlation Represents the quality measure for the results of the tree search.
  • the calculation of the reliability information takes place, unlike the known ones Method, not in each case from the distance metrics, which are used in the tree search, among other things, the search space limitation, but from metrics, which are determined from the distance metrics and which can be optimized for the determination of the reliability information.
  • the calculation of the reliability information (L values) is therefore changed according to the invention as follows:
  • FIG. 1 A favorable embodiment of the implementation of the search space specification via the n-tuple, separate from the determination of the reliability information, is shown in FIG.
  • an ordered subset of a set of memory elements (6-1, 6-2..., 6-L), referred to below as a list, having the size L> n is used as an n-tuple.
  • R Tupe i denotes the last element of the n-tuple
  • the list elements are sorted up to R Tupe i according to their distance metric, which is illustrated by the arrows in the figure, where R Tupe i refers to the tuple element with the maximum distance metric.
  • the search space determination for the tree search takes place only on the basis of the list elements that are part of the n-tuple.
  • the remaining elements of the list are used to store found counter-hypotheses, and the list in its entirety is used for the L-value calculation.
  • a new element (found tree leaf) is sorted at location 6- ( ⁇ + l) of the list with respect to its distance metric ( ⁇ i). By sorting this element into the list sorted up to the w-th element, the first n elements of the list (6-1 ... 6-n) thus correspond to the n-tuple described.
  • the position of the nth list item after which new leaves are sorted, ie variation of the position of the list element 6- n in the list 6-1 ...
  • the size of the tuple can be changed with ⁇ ⁇ n ⁇ L ,
  • This allows a variable definition of the tuple size and thus the search complexity or accuracy, which thus allows an adaptation of the tree search to environmental conditions.
  • n increases, so does the number of tree nodes being searched, and thus the complexity of the tree search method, but also the accuracy of the particular reliability information.
  • Adaptive accuracy can thus be adapted for each tree search.
  • the status information for each bit value (0/1) can be buffered separately.
  • One possible bit-specific distance metric storage is shown in FIG. 7 for a 64 QAM and 4 transmit antennas.
  • the state information can also be temporarily stored for the hypothesis c h and the resulting bit values of the counterhypotheses c ⁇ ⁇ c ⁇ h , ie the distance metric of the hypothesis with the corresponding bit values and the distance metrics of the counterhypotheses for all bits (0 .. .24), as illustrated in FIG.
  • Newly determined distance metrics are compared with the stored ones, and always the cheaper one is maintained, thus after the tree search the most favorable metrics found during the search are available for the calculation of the reliability information. The loss of favorable metrics in the search process, as it arises in the known methods by limited candidate lists or a subsequent optimization is thus excluded.
  • all operations for processing and storing the metrics can be performed in parallel with the tree search, so that the processing time for the tree search is not affected by these steps.
  • the calculation of the reliability information can be done directly via the metrics of the hypotheses and counter-hypotheses of the individual bits and thus implies a minimum complexity following the tree search.
  • FIG. 5 A modified form of the data flow diagram of a list-sphere detection algorithm described in FIG. 5 is shown in FIG. This has a regularized data flow and has been described in detail in the previously filed DE patent application "method for tree-based detection of received signals" by the same applicant.
  • the regularized algorithm is performed as follows: 1. As long as the search is not completed (decision 940), e.g. of the
  • the algorithm is continued, otherwise the sixth step is performed.
  • the children's nodes in the current level are considered further. Due to the initialization or a separate level and sequence node determination, as described in detail in the previously filed DE patent application "Method and Arrangement for the selection of levels in tree search algorithms depth search" by the same applicant, this is always the next to be considered parent node known.
  • the resulting interferences as well as the interferences of the other already estimated symbols are removed from the reception symbol (step 904) and the distances to the children's nodes are determined (step 905).
  • the cheapest node is z. For example, a calculation of all children's nodes and their sorting (step 906) according to their probabilities required.
  • Sort criterion is, for example, the reliability of the candidates.
  • the tree search is continued at 1.. 6.
  • the search is completed (decision 940), so z. For example, if the search tree has been completely traversed or termination conditions such as the maximum number of clocks are met, the reliability information is calculated and stored from the determined leaf nodes (step 942).
  • the included modules show some of the disadvantages of the known search space limitation or L value calculation.
  • the determination of the search space as well as the L value calculation are performed sequentially in the algorithm. This is a significant disadvantage, especially when using the bit-specific radii, since a series of comparisons must be carried out sequentially. It must first be determined whether the particular sheet represents a new hypothesis, if not, whether this one or more new counter-hypotheses are given, and lastly, the search space must be determined consuming on the bit radii.
  • the required sorting is problematic in addition to the already discussed hardware complexity. Although this can be done largely parallel to the algorithm, but it is a limiting factor due to the large number of required operations.
  • the L value calculation (942) can only be performed after the tree search. In addition to the sometimes very large algorithmic complexity depending on the method and the associated processing time, the calculation of the L values, as already explained, is possible only via the stored data.
  • FIG. 9 A favorable embodiment variant of a List Sphere Detection tree search algorithm including the inventive separation of search space limitation and candidate processing for the L value calculation is shown in FIG.
  • modules having the same or analogous function as in FIG. 9 are denoted by analogous references, increased by 100, and the corresponding data flow for this purpose is not to be repeated.
  • the element to be considered next (1024, 1032) only the consideration of a node as well as the node of the tree level to be considered subsequently takes place via the calculation of the distance metrics.
  • the subsequent sorting (step 912 in FIG. 9) is omitted, and the possible sorting into a radius list is reduced to the sorting of a leaf node, the leaf hypothesis, into the tuple determining the search space.
  • the determination of the search space (step 1014) can already take place after the first comparison of the wth list element with the new node.
  • the further sorting process can then take place parallel to the tree search (1050), since this does not further change the search space.
  • the processing time for the search space determination (1014) decreases to a minimum.
  • the search space is determined only on the basis of the leaf hypotheses, whereby only one tuple with halved size is required for the same quality and search complexity.
  • the calculation of the metric for the current sheet optimized for the determination of the reliability information as well as its counter-hypotheses and their metrics can also be carried out parallel to the search algorithm, since these calculations have no influence on the search process.
  • the calculation of the counterhypotheses can be cost-effective only for favorable counter-hypotheses.
  • a storage of the candidates or the status information according to formula (4), adapted to the detection method is proposed. Adverse effects of the search method on the selection of the favorable (counter) hypotheses and their metrics can be eliminated for both the hypothesis and the counter-hypothesis, for example effects of the bias of an MMSE detection, as will be explained with reference to FIG.
  • Subtraction can be done and the processing time is minimized after the tree search.
  • MMSE detection may be as described by E. Zimmermann and G.
  • Fig. 11-1 illustrates the influence of the bias on the metrics and the resulting reduction in the distances. The further the constellation points are away from the origin, the greater the reduction in distance from the bias. For the calculation of the reliability information, the reduced-biased term must therefore be used
  • Vl-cr 2 compressed system Due to the unfavorable compression of the system, additional costs are incurred in the calculation. As a result, a transmission of the bias influence on the position of the representative of the search argument, as shown in Fig. 1 1 -3, cheaper.
  • the correction term results from the reaction of the reduced-bias signal on the L values.
  • the correction term (l - ⁇ 2 ) corresponds to the non-expected-value compression, which is caused by the bias reduction. This allows the selection of favorable leaf nodes to be adjusted. In other words, the expectation value of the MMSE detection is different from that of the reduced-bias detection that matches the expectation value of zero-forcing based detection. The correction term reverses this, but it is only valid for the selection of favorable elements.
  • the correction term can be determined before the tree search. Since the determination of the hypotheses or counterhypotheses and their distance metrics for the calculation of the reliability information is independent of the actual search as well as the search space limitation, this method has in principle no influence on the search process. Improved identification of reliability information, however, improves search accuracy.
  • a good measure for determining the computational complexity and thus for estimating the achievable throughput is the number of node extensions of the tree search.
  • the process with bit-specific radii was extended by the separate optimized bit-specific metric processing and a clipping of the radii (to 3.5) in order to enable a lossless MMSE detection with bias reduction, since the traditional method would require significantly more node extensions and thus not comparable would.
  • FIG. 16 illustrates a listener-based iterate receiver arrangement modified from FIG. 1.
  • One approach to complexity-reduced iterative detection / decoding involves the reuse of results obtained during the first detection (in detector 1622) of the remaining ones Skip tree search.
  • a candidate list 1650 determined during the first detection can be used as the main component for the next iterations (L-value calculation at 1642).
  • the basic idea is to find, without a priori knowledge, a large amount of leaf nodes with low state information, ie, for example, low distance metrics ⁇ i or optimized metrics f (c) of the candidates found.
  • the a-priori information available for the iterations will mainly change the order of favorable nodes, since this will increase the distance metric of unfavorable paths of the tree search.
  • the candidate list from the first detection is large enough, the new MAP (maximum a posteriori) leaf or at least one leaf in its vicinity as well as favorable counter-hypotheses will be included in the list (1650).
  • the complexity of the candidate list resulting from the conventional LSD according to FIG. 9, the operations for sorting and storing the elements of the list as well as the required hardware units and the calculation of the reliability information, minimum searches over the list for all bits etc. is the search complexity (Number of processing steps, hardware units used, power consumption, etc.) of the LSD overall significantly higher than that of the implementation of the invention.
  • the complexity can be significantly reduced with the inventive implementation with comparable performance. Since the complexity of the transformations per node to be considered is approximately comparable, the implementation of the invention is also significantly cheaper and also associated with a much lower processing time.
  • Processing in Figure 13 and Figure 15 additionally illustrates the performance and complexity for tree searching over a 16-bit tuple without this bit-specific processing and without detector / decoder iterations.
  • the number of considered tree nodes is approximately comparable to the 8th tuple (halving the tuple size due to the use of leaf hypotheses for the
  • bit-specific storage means that the complexity of the implementation according to the invention is significantly lower than that of the candidate list-based method with search via the 16-tuple.
  • the performance also shows significant differences. Alone through the optimized processing and thus avoidance of Loss of favorable state information increases the performance by about 0.3 - 0.5 dB compared to a comparable search algorithm with identical complexity.
  • the optimized and separated processing of the state information for the search space determination and the calculation of the reliability information is thus a prerequisite for an efficient tree search.
  • An implementation according to the invention of the detection via tuple search with a suitable size of the n-tuple and the candidate list (eg 16/64) enables a nearly optimal detection quality with significantly reduced complexity.
  • the search complexity can be significantly reduced. This is made possible in particular by a higher accuracy of the information for the reliability calculation and the possibility to limit the search space independently of this information. As a result, the search complexity can be significantly reduced and also variably adapted to the environmental conditions.
  • a synchronous transfer architecture can be used.
  • the corresponding components of the algorithm can be integrated into one or more STA modules.
  • the control of the modules can then take place individually or via a VLIW. This makes it possible to use the advantages of a STA, high performance, low power consumption, easy expandability and high flexibility, also for tree search.
  • the invention can be used in connection with an OFDM (Orthogonal Frequency Division Multiplex) method as a digital transmission method.
  • OFDM Orthogonal Frequency Division Multiplex
  • System matrix H then contains the transmission channel in the frequency domain for one or more subcarriers.
  • the invention may also be used in conjunction with other multiple access methods, Direct Sequence CDMA (DS-CDMA) or Multi-Carrier CDMA (MC-CDMA) or Space Division Multiple Access (SDMA).
  • DS-CDMA Direct Sequence CDMA
  • MC-CDMA Multi-Carrier CDMA
  • SDMA Space Division Multiple Access
  • the invention is also applicable to a multi-user transmission method (MUT) to one or more receivers with collaborative detection of the received data.
  • the system matrix H then contains the transmission channels between the corresponding users. Multiple antennas may be used in the one or more receivers.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)
  • Error Detection And Correction (AREA)

Abstract

A depth-first tree search method for the tree search-based detection of received signals in multiple-input multiple-output (MIMO) channels is proposed. In said method, leaf nodes of a search tree represent potential transmitted bits. The method includes determining bits that have most likely been transmitted and determining reliability values for said bits, said reliability values being determined on the basis of status data on the leaf nodes determined during the tree search. A search sphere for the tree search is limited on the basis of status data on the leaf nodes determined during the tree search. According to the invention, the search sphere for the tree search is limited independently of the status data being processed to calculate the reliability values, namely by means of an n-tuple of status data on leaf nodes determined during the tree search, a maximum value of the status data in the tuple being defined as the radius of the search sphere. The proposed method allows the number and the extent of the operations and hardware units required for limiting the search sphere to be significantly reduced, thus increasing the performance and coverage efficiency of the detection and allowing the method to be used in mobile systems.

Description

Baumsuchverfahren der Tiefensuche zur Detektion von MIMO-Empfangssignalen Deep search tree search method for detecting MIMO received signals
Die Erfindung betrifft ein Baumsuchverfahren der Tiefensuche zur baumsuchbasierten Detektion von Empfangssignalen von Mehrpunkt-zu-Mehrpunkt- (MIMO-) Kanälen, bei dem Blattknoten eines Suchbaumes potentielle Sendebits repräsentieren und welches das Bestimmen von höchstwahrscheinlich gesendeten Bits und von Zuverlässigkeitswerten für diese Bits umfasst, wobei die Zuverlässigkeitswerte anhand von Zustandsinformationen der während der Baumsuche ermittelten Blattknoten bestimmt werden und wobei ein Suchraum der Baumsuche anhand von Zustandsinformationen der während der Baumsuche ermittelten Blattknoten begrenzt wird.The invention relates to a tree search method of depth search for tree-based detection of received signals from multipoint-to-multipoint (MIMO) channels in which leaf nodes of a search tree represent potential transmit bits and which comprises determining most likely transmitted bits and reliability values for those bits the reliability values are determined on the basis of state information of the leaf nodes determined during the tree search and wherein a search space of the tree search is limited on the basis of state information of the leaf nodes determined during the tree search.
Stetig steigende Datenraten im Mobilfunk erfordern eine verbesserte Nutzung der verfügbaren Bandbreiten. Zur Steigerung der spektralen Effizienz kommen daher zunehmend Systeme mit mehreren Sende- und Empfangsantennen ("multiple-input multiple-output", MIMO-Systeme) zum Einsatz. Wie allgemein bekannt ist, steigt dieSteadily increasing data rates in mobile communications require an improved use of the available bandwidths. To increase the spectral efficiency systems are therefore increasingly used with multiple transmit and receive antennas ("multiple-input multiple-output", MIMO systems). As is well known, the rising
Komplexität des optimalen MIMO-Empfängers ("a posteriori probability", APP-Detektors) exponentiell mit der Anzahl der Bits pro Sendesymbol. Baumsuchalgorithmen stellen eine sehr attraktive Möglichkeit dar, um im Zusammenhang mit Mehrantennensystemen bei vertretbarer Detektionskomplexität nahezu optimale Leistungsfähigkeit zu erreichen.Complexity of the optimal MIMO receiver ("a posteriori probability", APP detector) exponential with the number of bits per transmit symbol. Tree search algorithms represent a very attractive option for achieving near-optimal performance in conjunction with multi-antenna systems with reasonable detection complexity.
Diese Algorithmen wurden in den letzten Jahren intensiv theoretisch untersucht sowie erste Implementierungen in Hardware auf der Basis von anwendungsspezifischen integrierten Schaltungen (ASICs - Application Specific Integrated Circuits) vorgestellt. Zukünftige noch zu erforschende Mobilfunkgenerationen werden zusätzlich zur MIMO- Detektion iterative Detektionsalgorithmen, Interferenz-Unterdrückung, veränderlicheThese algorithms have been intensively studied theoretically in recent years and first implementations in hardware based on Application Specific Integrated Circuits (ASICs) have been presented. Future mobile radio generations still to be explored will, in addition to MIMO detection, be iterative detection algorithms, interference suppression, changeable
Systemparameter, Network-MIMO und neue Codierverfahren (z.B. CLDPC - Convolutional Low Density Parity Check Codes) verwenden. Dies wird die Anforderungen an Architekturen zur Implementierung von Baumsuchverfahren bezüglich Rechenleistung, Leistungsverbrauch und Rekonfigurierbarkeit dramatisch erhöhen. Die entwickelten Lösungen sind jedoch noch weit davon entfernt, den steigenden Anforderungen der nächsten Generationen von Mobilfunksystemen zu genügen. In G. Nilsson, P. Nilsson: "Algorithm and Implementation of the K-Best Sphere Decoding for MIMO Detection", IEEE Journal on selected areas in Communications, Bd. 24, Nr. 3, S. 491 -503, März 2006, wird das Prinzip eines auf Breitensuche basierenden M-Algorithmus bzw. K-Best-Baumsuchalgorithmus mit einer Erweiterung zur Ermittlung von Zuverlässigkeitswerten (so genannten Soft-Output-Werten), sowie dessen Umsetzung in einem ASIC beschrieben. Die Implementierung für ein 16-QAM- (Quadratur Amplituden Modulation-) System mit jeweils 4 Sende- und Empfangsantennen (4x4 MIMO) wurde so gewählt, dass für jede der acht sequenziell zu verarbeitenden Baumebenen des reellen Ersatzsystems eine Hardwarekomponente vorhanden ist, wobei diese zusammen mit einer Erweiterungseinheit zur Ermittlung von Soft-Werten mittels Pipeline-Verarbeitung parallel arbeiten können. Hierdurch ermöglicht der Detektor einen Empfang mit einer Datenrate von bis zu 106 Mbit/s, allerdings mit einer durch die Zahl der Berechnungseinheiten stark gestiegenen Komplexität und mit Genauigkeitsverlusten, die durch eine stark simplifizierte Soft-Output-Bestimmung bedingt sind.Use system parameters, Network-MIMO and new coding methods (eg CLDPC - Convolutional Low Density Parity Check Codes). This will dramatically increase the demands on architectures for implementing tree search methods in terms of computational power, power consumption, and reconfigurability. However, the solutions developed are still far from meeting the increasing demands of the next generation of mobile radio systems. G. Nilsson, P. Nilsson: "Algorithm and Implementation of the K-Best Sphere Decoding for MIMO Detection", IEEE Journal on selected areas in Communications, Vol. 24, No. 3, pp. 491-503, March 2006, the principle of a breadth-first search based M-algorithm or K-Best tree search algorithm with an extension for the determination of reliability values (so-called soft output values), as well as its implementation in an ASIC is described. The implementation for a 16-QAM (Quadrature Amplitude Modulation) system, each with 4 transmit and receive antennas (4x4 MIMO), has been chosen such that there is a hardware component for each of the eight sequentially-to-be-processed tree levels of the real backup system can work in parallel with an expansion unit to determine soft values using pipeline processing. This allows the detector to receive at a data rate of up to 106 Mbit / s, but with greatly increased complexity due to the number of calculation units and with accuracy losses due to a greatly simplified soft-output determination.
Auch neueste Detektoren auf Basis von ASIC-lmplementierungen für die Tiefensuche mit einem Sphere-Detection-Algorithmus, wie der in C. Studer, A. Burg, H. Bölcskei: "Soft- output sphere decoding: Algorithms and VLSI implementation", eingereicht für IEEE Journal on Selected Areas in Communications, April 2007 vorgestellte, erreichen bei nahezu optimaler Detektionsgüte (bei genauer Bestimmung der Soft-Informationen), gerade einmal einen Durchsatz von ca. 10 Mbit/s. Zum Erreichen der im Mobilfunk angestrebten Datenraten von deutlich über 100 Mbit/s ist somit neben der weiteren Optimierung der Verfahren auch der Einsatz mehrerer paralleler Detektoren erforderlich.Even the most recent detectors based on ASIC implementations for depth search with a sphere detection algorithm, as described in C. Studer, A. Burg, H. Bölcskei: "Soft-output sphere decoding: Algorithms and VLSI implementation", submitted for IEEE Journal on Selected Areas in Communications, presented in April 2007, achieve a throughput of approximately 10 Mbit / s with almost optimal detection quality (with precise determination of the soft information). In order to achieve the data transmission rates of well over 100 Mbit / s aimed at in mobile communications, the use of several parallel detectors is required in addition to the further optimization of the methods.
Ein Systemmodell für ein MIMO-System mit N1. Sende- und NR Empfangsantennen ist inA system model for a MIMO system with N 1 . Transmit and N R receive antennas is in
Fig. 1 dargestellt. Das Systemmodell wird als komplexwertig eingeführt. Vektoren werden durch kleine fettgedruckte Formelzeichen hervorgehoben, Matrizen durch große fettgedruckte Formelzeichen. Durch ein hochgestelltes T wird die Transponierte eines Vektors oder einer Matrix gekennzeichnet, und durch ein hochgestelltes H wird die Hermitsche (konjugiert komplex Transponierte) eines Vektors oder einer Matrix gekennzeichnet. C bezeichnet die Menge der komplexen Zahlen. Mit 9t wird dieFig. 1 shown. The system model is introduced as complex-valued. Vectors are highlighted by small bold symbols, matrices by large bold symbols. A superscript T marks the transpose of a vector or matrix, and a superscript H denotes the hermit (conjugate complex transpose) of a vector or matrix. C denotes the set of complex numbers. With 9t the
Realteilbildung und mit 3 die Imaginärteilbildung gekennzeichnet. |-| liefert die euklidische Norm des jeweiligen Argumentes.Real-part education and with 3 imaginary-segmentation featured. | - | provides the Euclidean norm of the respective argument.
In Fig. 1 sind die wesentlichen Elemente der Übertragungsstrecke abgebildet. Die Beschreibung erfolgt im Basisband, also diskret. Die Daten werden blockweise übertragen, impulsformende Filter in Sender und Empfänger werden nicht separat betrachtet, können jedoch in das Kanalmodell integriert werden. Ein Vektor u mit unabhängig und identisch verteilten Datenbits wird senderseitig mit dem Außenkanalcode kodiert (1 14), der resultierende Strom aus Vektoren c' wird bit-verschachtelt (1 16) und in Blöcke c unterteilt. Zum Senden werden die entsprechenden Bits auf Symbole mit komplexer Konstellation abgebildet (1 18).In Fig. 1, the essential elements of the transmission path are shown. The description is in the baseband, so discrete. The data becomes blockwise transmit, pulse shaping filters in transmitter and receiver are not considered separately, but can be integrated into the channel model. A vector u with independently and identically distributed data bits is encoded transmitter side with the outer channel code (1 14), the resulting stream of vectors c 'is bit-interleaved (1 16) and divided into blocks c. For transmission, the corresponding bits are mapped to symbols with a complex constellation (1 18).
He CNTXNR bezeichnet die komplexe Systemmatrix der Größe ( Nτ xNR ), welche denHe C NTXNR denotes the complex system matrix of size (N τ xN R ), which contains the
Übertragungskanal sowie sende- und empfangsseitige Filter (z.B. kanalangepasste Filter, RAKE/pre-RAKE Filter, Entspreizer) enthalten kann und im Empfänger für die Detektion bekannt ist. Ein Datenblock c = (c(l), ...,c(Nτ)) besteht aus N7, Symbolen mit je L Bits, die vor der Übertragung gegebenenfalls kodiert und verschachtelt werden. Als Modulation wird ß-QAM mit Elementen aus XNRXI :={£ + ^ £ß|£,£ß e {±l,±3,...,±>/Q -l}}Transmission channel as well as transmit and receive side filters (eg channel-matched filter, RAKE / pre-RAKE filter, despreader) may contain and is known in the receiver for the detection. A data block c = (c (1),..., C (N τ )) consists of N 7 , symbols with L bits each, which are optionally encoded and interleaved before transmission. As a modulation, β-QAM is expressed by elements of X NRXI : = {£ + ^ £ ß | £, £ ß e {± l, ± 3, ..., ± > / Q -l}}
angenommen, wobei die Zuordnung ξm = map(cm) des m -ten Bitvektors cm zu dem ent- sprechenden Symbol ξm beispielsweise durch Gray-Labelling erfolgen kann. Q = 2L bezeichnet die Symbolvalenz, typische Werte für Q sind 4, 16, 64, 256. Mit ξ/ und ξg werden die Inphasen- bzw. die Quadraturphasenkomponente eines Symbols bezeichnet. Das Sendesignal x = (x(l), ...,x(Nτ)f e XNτXl der Menge der möglichen Sendesymbole wird durch Multiplikation mit der Systemmatrix auf das Empfangssignal y = (y(l), ..., y(NR)f e C^*1 abgebildet, welches von additivem komplexwertigemAssuming that the assignment ξ m = map (c m ) of the m-th bit vector c m to the corresponding symbol ξ m can be done for example by Gray-labeling. Q = 2 L denotes the symbol valence, typical values for Q are 4, 16, 64, 256. ξ / and ξg denote the in-phase and quadrature-phase components of a symbol, respectively. The transmitted signal x = (x (l), ..., x (N τ) fe X NτXl the set of possible transmit symbols is (by multiplication with the system matrix to the received signal y = (y (l), ..., y N R ) fe C ^ * 1 , which of additive complex valued
Rauschen ne C^*4 mit der Rauschleistungsdichte N0 und der Varianz σ2 überlagert wird: y = Hx + n .Noise ne C ^ * 4 is superimposed with the noise power density N 0 and the variance σ 2 : y = Hx + n.
Fig.2 zeigt beispielhaft die Symbole und Bitwerte einer 64-QAM Konstellation mit Gray- Labelling. In Fig. 3 ist die durch die Übertragung verzerrte Empfangskonstellation, die Grundlage für die Detektion ist, am Beispiel einer 16-QAM veranschaulicht. Anhand der empfangenen Symbole y werden die gesendeten Daten geschätzt, und zwar mittels eines in Fig.1 dargestellten Detektors 122 und entsprechender durch die senderseitige Vorverarbeitung gegebenen Dekodierung 128, wobei der DetektionsVDekodierungs- Prozess auch iterativ erfolgen kann (126). Die dekodierten Daten werden danach in bekannter Weise über einen Hard-Decision- Block 130 einem Binärdatenempfänger 132 zugeleitet.2 shows by way of example the symbols and bit values of a 64-QAM constellation with gray labeling. In Fig. 3, the transmission distorted reception constellation which is the basis for the detection is illustrated by the example of a 16-QAM. Based on the received symbols y, the transmitted data is estimated by means of a detector 122 shown in Fig. 1 and corresponding decoding 128 given by the transmitter-side preprocessing, whereby the detection-decoding process can also be performed iteratively (126). The decoded data are then forwarded in a known manner via a hard-decision block 130 to a binary data receiver 132.
Die Aufgabe des hier betrachteten Detektors 122, in welchem die vorliegende Erfindung implementiert werden kann, besteht darin, die Bits c zu bestimmen, die höchstwahrscheinlich gesendet wurden, sowie Zuverlässigkeitsinformationen (L-Werte) für diese Bits, welche dem logarithmischen Verhältnis dessen entsprechen, ob ein Bit eine "1 " oder "0" bzw. "+1 " oder "-1 " ist. Diese werden aus den empfangenen Symbolen, der Kanalschätzung, der ermittelten Rauschleistung, sowie eventuell verfügbaren a-priori- Informationen ermittelt. Über den Satz von Bayes, die statistische Unabhängigkeit der Sendebits, die Dichtefunktion des mehrdimensionalen Gaußschen Rauschens und die Max-Iog-Approximation kann der Detektionsprozess wie folgt dargestellt werden:The object of the detector 122 considered herein, in which the present invention can be implemented, is to determine the bits c most likely to be sent and reliability information (L values) for these bits corresponding to the logarithmic ratio of whether one bit is a "1" or "0" or "+1" or "-1". These are determined from the received symbols, the channel estimation, the determined noise power as well as possibly available a-priori information. Using the Bayes theorem, the statistical independence of the transmit bits, the density function of the multidimensional Gaussian noise, and the max-log approximation, the detection process can be represented as follows:
L (q|y) ■= i π p [ r C/ ^ +!| lyN mϊx i {Λ(c, y, Lα(c))}- rπax {Λ(c, y, Lα(c))} ( 1 )L (q | y) ■ = i π p [r C / ^ +! | ly N m ϊ x i {Λ (c, y, L α (c))} - rπax {Λ (c, y, L α (c))} (1)
mit Λ(c, y, Lα(c)) - _-l| |y' - Rχ| |2 + icτLu(c) - -^A1, ( 2 )with Λ (c, y, L α (c)) - _-l | | y '- R | | | 2 + ic τ L u (c) - - ^ A 1 , (2)
^O 2 ^O wobei A1 = X1+1 + ( 3 )^ O 2 ^ O where A 1 = X 1 + 1 + (3)
Metrik von bereits
Figure imgf000006_0001
geschätzten Symbolen euklidische DistanzMetric of already
Figure imgf000006_0001
estimated symbols Euclidean distance
in der Max-Iog-Approximation die ebenenspezifische Distanzmetrik ist undin the max-log approximation, the plane-specific distance metric is and
H = QR, y' = QHy gilt. Für jede zu detektierende Antenne (i = \...Nτ) existieren mehrere mögliche Sendesymbole, so dass die Verfolgung mehrerer Hypothesen bzw. Gegenhypothesen für die einzelnen Bits des Sendevektors, bedingt durch dieH = QR, y '= Q H y holds. For each antenna to be detected (i = \ ... N τ ) exist several possible transmission symbols, so that the pursuit of several hypotheses or counter-hypotheses for the individual bits of the transmission vector, due to the
Dreieckstruktur der zerlegten Systemmatrix, als Suche nach Blattknoten (/ = 1) in einer Baumstruktur interpretiert werden kann. Verschiedene Baumsuchmethoden sind in Fig. 4 veranschaulicht.Triangle structure of the decomposed system matrix, can be interpreted as a search for leaf nodes (/ = 1) in a tree structure. Various tree search methods are illustrated in FIG.
Der Suchbaum umfasst dabei mehrere Ebenen i, die jeweils ein zu schätzendesThe search tree comprises several levels i, each one to be estimated
Sendesymbol repräsentieren. In jeder Baumebene (i = \...Nτ) existieren für X1 jeweils QRepresent send symbol. In each tree plane (i = \ ... N τ ) there are Q for X 1
Möglichkeiten entsprechend der gewählten Konstellation. Jede dieser Möglichkeiten wird durch einen Baumknoten repräsentiert und führt mittels der durch das entsprechende Symbol verursachten Interferenz auf die verbleibenden noch nicht geschätzten Symbole (1,...,/ -1) zu den Kinderknoten der Baumebene (/ -1) . Die Blätter des Baumes stehen somit für einen vollständig geschätzten Sendedatenblock. Die Schätzung der gesendeten Symbole x mittels der QR-Zerlegung der Systemmatrix entspricht der Anwendung von z.B. linearem Zero Forcing (ZF, vollständige Interferenzunterdrückung) oder linearem Minimum Mean Square Error (MMSE, Kriterium der kleinsten quadratischen Fehler) bei erweiterter Kanalmatrix und kann analog auch für ein reellwertiges Ersatzmodell, sortierte QR-Zerlegung (SQRD) oder gitterreduziertePossibilities according to the chosen constellation. Each of these possibilities is represented by a tree node and leads to the child nodes of the tree level (/ -1) by means of the interference caused by the corresponding symbol on the remaining not yet estimated symbols (1, ..., / -1). The leaves of the tree thus represent a fully estimated transmission data block. The estimation of the transmitted symbols x by means of the QR decomposition of the system matrix corresponds to the application of, for example, linear zero forcing (ZF, full interference suppression) or linear minimum mean square error (MMSE) with extended channel matrix and can analogously also for a real-valued substitute model, sorted QR decomposition (SQRD) or lattice-reduced
Systemmatrizen angewendet werden. Bei der Schätzung werden die Sendepunkte durch Verzerrung in die Nähe der empfangenen Punkte in der I/Q-Ebene verschoben, siehe Figur 3, und über alle Antennen hinweg das verzerrte Sendesignal mit der geringsten Abweichung gesucht. Dies geschieht iterativ in der Berechnung von Λ(c,y,La(c)) über die Rücksubstitution bereits geschätzter Sendesymbole und der zugehörigen kumulativen Distanzmetriken A1 . Aufgrund der vielen potentiell möglichen Symbole ist die Anwendung spezieller Suchverfahren zur Begrenzung der Rechenkomplexität erforderlich. Dies geschieht durch Eingrenzen der Suchpfade im Suchbaum. Baumsuchverfahren lassen sich dabei grob in drei Klassen von Algorithmen einteilen: Tiefensuche, metrikgesteuerte Suche und Breitensuche, wie von J. Anderson und S. Mohan in "Sequential CodingSystem matrices are applied. In the estimation, the transmit points are shifted by distortion to near the received points in the I / Q plane, see Figure 3, and the distorted transmit signal with the least deviation is searched across all the antennas. This is done iteratively in the calculation of Λ (c, y, L a (c)) via the return substitution of already estimated transmit symbols and the associated cumulative distance metrics A 1 . Due to the many potentially possible symbols, it is necessary to use special search methods to limit computational complexity. This is done by narrowing down the search paths in the search tree. Tree search methods can be roughly divided into three classes of algorithms: depth search, metric-controlled search and breadth-first search, as described by J. Anderson and S. Mohan in "Sequential Coding
Algorithms: A Survey and Cost Analysis", IEEE Transactions on Communications, Bd. 32, Nr. 2, S.169-176, Februar 1984 beschrieben.Algorithms: A Survey and Cost Analysis, "IEEE Transactions on Communications, Vol. 32, No. 2, p.169-176, February 1984.
Bei der Tiefensuche des Sphere Detection (SD)-Algorithmus, wie von R. Fano in "A heuristic discussion of probabilistic decoding", IEEE Transactions on Information Theory, Bd. 9 S. 64-74, April 1963 und von M. Pohst in "On the computation of lattice vectors of minimal length, successive minima and reduced bases with applications", ACM SIGSAM Bulletin, Bd. 15, S. 37-44, 1981 und von B. M. Hochwald und S. ten Brink in "Achieving near-capacity on a multiple-antenna Channel", IEEE Transactions on Communications, Bd. 51 , S. 389-399, März 2003 beschrieben (siehe Fig. 4b), wird versucht, den Suchraum, eine Hyperkugel ("Sphäre") um die Empfangssymbole, möglichst schnell einzugrenzen und somit die Anzahl der durchzuführenden Berechnungen gering zu halten. Als Parameter für die Beschränkung dient dabei der Radius R der Sphäre, welcher über die Distanzmetrik \ der ermittelten Blattknoten adaptiert wird. Nach anfänglicher Betrachtung des unbeschränkten Suchraumes folgt (Initialisierung mit R = ∞), durch Bestimmung der Successive Interference Cancellation (SIC) -Lösung, dem so genannten Babai-Punkt (siehe Fig. 4a), eine Begrenzung des Suchraumes auf z.B. R := \Bαbαι . Nachfolgend werden die Baumebenen in inverser Reihenfolge betrachtet, wobei jeweils für die noch nicht erweiterten Baumknoten innerhalb der aktuellen Suchsphäre (A1 ≤ R) eine Tiefensuche durchgeführt wird. Die Auswahl der zu betrachtenden Knoten erfolgt hierbei meist zweckmäßig über die so genannten Schnorr-Euchner-Aufzählung, wie von CP. Schnorr und M. Euchner in "Lattice basis reduction: Improving practical lattice basisreduction and solving subset sum problems", Mathematical Programming, Bd. 66, S. 181 -199, August 1997 beschrieben, bei der stets der nächst wahrscheinliche Knoten als nächstes betrachtet wird. Die Suche sowie die Anpassung des Suchraumes beiIn the depth search of the Sphere Detection (SD) algorithm as described by R. Fano in "A heuristic discussion of probabilistic decoding", IEEE Transactions on Information Theory, Vol. 9 pp. 64-74, April 1963 and by M. Pohst in 15, pp. 37-44, 1981 and by BM Hochwald and S. ten Brink in "Achieving near-capacity on a multiple-antenna channel ", IEEE Transactions on Communications, Vol. 51, p. 389-399, March 2003 (see Fig. 4b), an attempt is made to search the search space, a hyperspheric (" sphere ") around the receive symbols, as quickly as possible and thus keep the number of calculations to be performed low. The parameter used for the restriction is the radius R of the sphere, which is adapted via the distance metric of the determined leaf nodes. After initial consideration of the unrestricted search space follows (initialization with R = ∞), by determining the Successive Interference Cancellation (SIC) solution, the so-called Babai point (see Fig. 4a), a limitation of the search space to eg R: = \ Bαbαι . In the following, the tree levels are considered in inverse order, wherein a depth search is carried out in each case for the not yet expanded tree nodes within the current search sphere (A 1 ≤ R). The selection of the nodes to be considered takes place here mostly useful on the so-called Schnorr-Euchner list, as from CP. Schnorr and M. Euchner in "Lattice basic reduction: Improving practical lattice basis reduction and solving subset sum problems", Mathematical Programming, Vol. 66, pp. 181-199, August 1997, in which the next probable node is always considered next , The search as well as the adaptation of the search space
Bestimmung neuer Blattknoten wird solange durchgeführt, bis alle Knoten der Sphäre betrachtet wurden.Determination of new leaf nodes is performed until all nodes of the sphere have been considered.
Im Gegensatz zur Tiefensuche wird bei der metrikbasierten Suche, wie sie von F. Jelinek in "Fast Sequential Decoding Algorithm Using a Stack", IBM Journal of Research, Bd. 13, S. 675-685, 1969 und von J. Hagenauer und C. Kuhn in "The List-Sequential (LISS) Algorithm and its Application", IEEE Transactions on Communications, Bd. 55, S. 918- 928, Mai 2007 beschrieben ist, prinzipiell direkt die Anzahl der Metrikberechnungen minimiert, ohne den Umweg über die Suchraumbeschränkung. Dabei wird die Metrik A1 aller betrachteten Knoten in einer Liste abgelegt, diese wird sortiert und der Knoten mit der niedrigsten Metrik wird erweitert. Das erste zum Erweitern gewählte Blatt (/ = 1) entspricht der MLVMAP-Lösung. Eine weiter durchgeführte Suche liefert die zugehörigen Gegenhypothesen.In contrast to the depth search, in the metric-based search, as described by F. Jelinek in "Fast Sequential Decoding Algorithm Using a Stack", IBM Journal of Research, Vol. 13, pp. 675-685, 1969 and by J. Hagenauer and C Kuhn in "The List-Sequential (LISS) Algorithm and its Application", IEEE Transactions on Communications, Vol. 55, pp. 918-928, May 2007, in principle directly minimizes the number of metric calculations, without detouring over the search space restriction. The metric A 1 of all considered nodes is stored in a list, this is sorted and the node with the lowest metric is extended. The first sheet selected for expanding (/ = 1) corresponds to the MLVMAP solution. A further search provides the corresponding counter-hypotheses.
Die dritte Klasse von Baumsuchverfahren wird von der so genannten Breitensuche, wie beispielsweise dem M-Algorithmus oder K-Best-Algorithmus gebildet, wie von J. Anderson und S. Mohan in "Sequential Coding Algorithms: A Survey and Cost Analysis", IEEE Transactions on Communications, Bd. 32, Nr. 2, S. 169-176, Februar 1984 und von S. Haykin, M. Sellathurai, Y. de Jong, und T. Willink in "Turbo-MIMO for wireless Communications", IEEE Communications Magazine, Bd. 42, S. 48-53, Oktober 2004 beschrieben. In jeder Ebene i + l des Baumes werden dabei für die selektierten Knoten die möglichen Folgeknoten (Ebene i ) ermittelt und die M bzw. K Besten für die Berechnungen der nächsten Ebene ausgewählt. Der prinzipielle Ablauf ist in Fig. 4c) für M bzw. K = 3 dargestellt.The third class of tree search methods is formed by the so-called breadth-first search, such as the M algorithm or K-Best algorithm, as described by J. Anderson and S. Mohan in Sequential Coding Algorithms: A Survey and Cost Analysis, IEEE Transactions on Communications, Vol. 32, No. 2, pp. 169-176, February 1984, and S. Haykin, M. Sellathurai, Y. de Jong, and T. Willink in "Turbo-MIMO for Wireless Communications," IEEE Communications Magazine, Vol. 42, p. 48-53, October 2004. In each level i + 1 of the tree, the possible successor nodes (level i) are determined for the selected nodes and the M or K best are selected for the calculations of the next level. The basic sequence is shown in FIG. 4c) for M or K = 3.
Eine spezielle Variante eines Baumsuchverfahrens der Tiefensuche zur Detektion von MIMO-Empfangssignalen ist der so genannte List-Sphere-Detection- (LSD-) Algorithmus, wie er beispielsweise von B. M. Hochwald und S. ten Brink in "Achieving near-capacity on a multiple-antenna Channel", IEEE Transactions on Communications, Bd. 51 , S. 389-399, März 2003 beschrieben worden ist. Ein herkömmlicher Verarbeitungsablauf für diesen Algorithmus ist Fig. 5 anhand eines Datenflussdiagramms dargestellt. Nach einer Initialisierung in Schritt 502 wird der Algorithmus wie folgt durchgeführt:A special variant of a tree-searching method of depth search for the detection of MIMO received signals is the so-called List Sphere Detection (LSD) algorithm, as described, for example, by BM Hochwald and S. ten Brink in Achieving near-capacity on a multiple Antenna Channel ", IEEE Transactions on Communications, Vol. 51, pp. 389-399, March 2003. A conventional processing flow for this algorithm is shown in FIG. 5 with reference to a data flow diagram. After a Initialization in step 502, the algorithm is performed as follows:
1. Solange die Suche noch nicht beendet ist (Entscheidung 540), also z.B. der Suchbaum nicht vollständig durchlaufen wurde oder Abbruchbedingungen wie die maximale Anzahl an Takten nicht erfüllt sind, wird der Algorithmus fortgesetzt,1. As long as the search is not finished (decision 540), e.g. the search tree has not been completely traversed or abort conditions such as the maximum number of bars are not met, the algorithm is continued,
5 ansonsten wird der 6. Schritt durchgeführt.Otherwise the 6th step will be carried out.
2. Als nächstes werden die Kinderknoten in der aktuellen Ebene weiter betrachtet:2. Next, continue to look at the children's nodes in the current layer:
2.1 Wenn eine Baumebene (bzw. Antenne) neu betrachtet wird (Entscheidung 503), so müssen die Interferenzen der bereits geschätzten Symbole aus dem Empfangssymbol entfernt werden (Schritt 504) und die Distanzen zu den o Kinderknoten ermittelt werden (Schritt 505). Für die Auswahl der günstigsten2.1 When a tree level (or antenna) is re-considered (decision 503), the interferences of the already estimated symbols must be removed from the receive symbol (step 504) and the distances to the 0 child nodes determined (step 505). For the selection of the cheapest
Koten ist dabei z. B. eine Berechnung aller Kinderknoten sowie deren Sortierung (Schritt 506) gemäß ihrer Wahrscheinlichkeiten erforderlich.Koten is z. For example, a calculation of all children's nodes and their sorting (step 506) are required according to their probabilities.
2.2 Wurden die Kinderknoten der aktuellen Baumebene (somit bei gleichen bereits geschätzten Vaterknoten) schon betrachtet und sortiert, so ist in diesem Schritt5 keine weitere Verarbeitung erforderlich und es wird ein als nächster zu bearbeitender Vaterknoten ausgewählt (Schritt 508).2.2 If the child nodes of the current tree level (thus for the same already valued parent nodes) have already been considered and sorted, no further processing is required in this step 5 and a parent node to be processed next is selected (step 508).
3. Als nächstes kann eventuell der Suchraum eingegrenzt werden:3. Next, the search space may be narrowed down:
3.1 Wurde die Ebene der Baumblätter erreicht (Entscheidung 510), so kann die Suchsphäre eventuell weiter beschränkt werden. Eine Möglichkeit hierfür o besteht in der Abspeicherung der für die Suchsphäre maßgeblichen Kandidaten und Ermittelung der Suchsphäre über die Sortierung der Kandidaten (Schritt 512), verbunden mit einer geeigneten Sphärenradiusberechnung (Schritt 514).3.1 If the level of the tree leaves has been reached (decision 510), then the search sphere may possibly be further limited. One possibility for this is to store the candidates relevant for the search sphere and to determine the search sphere via the sorting of the candidates (step 512), combined with a suitable sphere radius calculation (step 514).
3.2 Wurden keine Baumblätter in der aktuellen Ebene betrachtet (i ≠ 1) , so ist die3.2 If no tree leaves were considered in the current level (i ≠ 1), then the
Suchsphäre in dieser Ausführungsvariante nicht weiter einzuschränken und der5 Ablauf geht zu Entscheidungsfrage 520 über.The search scope in this embodiment is not further limited, and the flow proceeds to decision question 520.
4. Festlegung der als nächstes zu betrachtenden Baumebene:4. Definition of the tree level to be considered next:
4.1 Wurde die Ebene der Baumblätter erreicht, so wird die Baumebene i um eins erhöht (Schritt 530).4.1 If the plane of the tree leaves has been reached, then the tree level i is increased by one (step 530).
4.2 Wurden keine Baumblätter in der aktuellen Ebene betrachtet (i ≠ 1) , so wird die0 Baumebene erhöht, wenn alle Knoten in der aktuellen Suchebene, welche sich innerhalb der Suchsphäre befinden, schon betrachtet wurden (Entscheidung JA bei 520). Ansonsten wird der wahrscheinlichste noch nicht betrachtete Knoten ausgewählt (Schritt 522) und die Baumebene für diesen Knoten reduziert (Schritt 524). 5 5. Die Baumsuche wird bei 1. fortgesetzt. 6. Zum Abschluss der Baumsuche werden aus den ermittelten Blattknoten die Zuverlässigkeitsinformationen berechnet und abgespeichert (Schritt 542).4.2 If no tree leaves have been considered in the current plane (i ≠ 1), the tree level is increased if all nodes in the current search plane which are within the search sphere have already been considered (decision YES at 520). Otherwise, the most likely not yet considered node is selected (step 522) and the tree level for that node is reduced (step 524). 5 5. The tree search is continued at 1.. 6. At the conclusion of the tree search, the reliability information is calculated and stored from the determined leaf nodes (step 542).
Grundlegend für die Berechnung der Zuverlässigkeitsinformationen ist bei diesem 5 Algorithmus der Tiefensuche wie auch für die anderen Verfahren die Ermittlung derFundamental to the calculation of the reliability information in this algorithm of the depth search as well as for the other methods, the determination of the
Hypothese und der Gegenhypothese sowie deren Distanzmetriken. Hierbei muss über das verwendete Baumsuchverfahren sichergestellt werden, dass sowohl für die Hypothese als auch für die Gegenhypothesen der einzelnen Bits günstige Blattknoten gefunden werden und diese für die Ermittlung der Zuverlässigkeitsinformation nutzbar sind. Gleichzeitig soll0 die Suche nur ein Mindestmaß an Komplexität aufweisen. Hierfür ist die Zahl der durchzuführenden Operationen und somit die Anzahl der betrachteten Baumknoten maßgeblich. Ausschlaggebend für die Beschränkung der Rechenkomplexität ist somit eine günstige Einschränkung des Suchraums. 5 Um den Suchraum einzuschränken, aber dennoch ausreichend günstige Gegenhypothesen zu ermitteln, sind neben expliziten Suchverfahren für Gegenhypothesen bei der Tiefensuche prinzipiell zwei Verfahren bekannt:Hypothesis and the counter-hypothesis and their distance metrics. In this case, it must be ensured via the tree search method used that favorable leaf nodes are found both for the hypothesis and for the counterhypotheses of the individual bits and these can be used for the determination of the reliability information. At the same time, the search should only have a minimum of complexity. For this, the number of operations to be performed and thus the number of considered tree nodes is relevant. Decisive for the restriction of computational complexity is thus a favorable restriction of the search space. In order to limit the search space, but nevertheless to find sufficiently favorable counter-hypotheses, in addition to explicit search methods for counter-hypotheses in the depth search two methods are known in principle:
Bei der ersten Methode erfolgt die Einschränkung des Suchraumes über einen Radius, o welcher aus der Distanzmetrik der Hypothese ( R = λHypothese ) oder über die günstigsten berechneten Kandidaten ( R = λL_ter Kandιdat ) ermittelt wird, wie bei dem von B. M. Hochwald und S. ten Brink in "Achieving near-capacity on a multiple-antenna Channel", IEEE Transactions on Communications, Bd. 51 , S. 389-399, März 2003 beschrieben List Sphere Detektion (LSD)-Algorithmus. Dabei werden die Baumblätter zusammen mit ihren5 Distanzmetriken in eine Kandidatenliste einsortiert. Die in der Liste enthaltenen Blätter werden nach der Suche zur Bestimmung der Zuverlässigkeitswerte herangezogen. Um sicherzustellen, dass bei einer begrenzten Liste der Größe L stets die günstigsten Kandidaten in der Liste abgelegt sind, werden die neu bestimmten Blätter zusammen mit den in der Liste abgelegten Kandidaten mit aufsteigender Distanzmetrik sortiert, wobei nur0 Blätter mit den L kleinsten Distanzmetriken beibehalten und in der Liste abgelegt werden. Im Anschluss an die Suche wird aus der Kandidatenliste die Zuverlässigkeitsinformation berechnet. Entscheidend für die Güte des Verfahrens ist, sofern genügend günstige Kandidaten im Laufe der Suche ermittelt werden können, die Anzahl der gespeicherten Kandidaten, welche durch die Listengröße begrenzt wird. Eine zu kleine Liste oder ein5 Baumsuchverfahren, bei dem wenige günstige Blätter ermittelt werden, verringern die Güte der Zuverlässigkeitsinformationen. Nachteilig ist dabei die mit der Listengröße steigende Komplexität, sowohl was die benötigten Hardwareeinheiten als auch die zur Verwaltung, der Liste benötigte Rechenkomplexität betrifft. Für jedes der Listenelemente sind mehrere Speicherelemente erforderlich. Zusätzlich muss im Laufe der Suche, sobald neue Blätter ermittelt wurden, die Liste sortiert werden, wodurch die Hardwarekomplexität dramatisch ansteigt. Wird zur Festlegung des Suchraumes der schlechteste Kandidat der Liste herangezogen, so steigt die Suchkomplexität zudem mit der Listengröße und eine unabhängige Anpassung der Suchgenauigkeit bzw. Suchkomplexität ist nicht möglich.In the first method, the restriction of the search space over a radius, o which is determined from the distance metric of the hypothesis (R = λ hypothesis ) or the cheapest calculated candidates (R = λ L _ ter Kandιdat ), as in the case of BM Hochwald and S. ten Brink in "Achieving Near-Capacity on a Multiple-Antenna Channel", IEEE Transactions on Communications, Vol. 51, pp. 389-399, March 2003. List Sphere Detection (LSD) Algorithm. The tree leaves are sorted together with their 5 distance metrics in a candidate list. The sheets in the list are used after the search to determine the reliability values. To ensure that the most favorable candidates are always in the list for a limited list of size L, the newly determined hands are sorted along with the dropped distance candidates in the list, with only 0 leaves with the L smallest distance metrics maintained and in the list are stored. Following the search, the reliability information is calculated from the candidate list. Decisive for the quality of the procedure, if enough favorable candidates in the course of the search can be determined, the number of stored candidates, which is limited by the list size. Too small a list or a tree search method in which few cheap sheets are detected reduces the quality of the reliability information. The disadvantage is the with the list size increasing complexity, both in terms of the hardware units required and the computational complexity needed to manage the list. Each of the list elements requires multiple storage elements. Additionally, in the course of the search, as new sheets are detected, the list must be sorted, dramatically increasing hardware complexity. If the worst candidate of the list is used to determine the search space, the search complexity also increases with the list size and an independent adaptation of the search accuracy or search complexity is not possible.
Die zweite Möglichkeit zur Einschränkung des Suchraumes ist die Einführung bitspezifischer Radien, wie von J. Jalden und B. Ottersten in "Parallel Implementation of a Soft Output Sphere Decoder", Asilomar Conference on Signals, Systems, and Computers, November 2005 beschrieben. Hierbei wird versucht, stets für jeden möglichen Bitwert (0/1 ) das günstigste Baumblatt zu finden. Der Suchraum ist somit von den Bitwerten des aktuell betrachteten Knotens abhängig, wobei stets Knoten erweitert werden (also Kinderknoten des betreffenden Knotens untersucht werden), die zu einer neuen Hypothese bzw. Gegenhypothese führen können:The second way to constrain the search space is to introduce bit-specific radii, as described by J. Jalden and B. Ottersten in "Parallel Implementation of a Soft Output Sphere Decoder", Asilomar Conference on Signals, Systems, and Computers, November 2005. An attempt is always made to find the cheapest tree leaf for every possible bit value (0/1). The search space is thus dependent on the bit values of the currently considered node, whereby nodes are always expanded (ie children nodes of the node in question are examined), which can lead to a new hypothesis or counter-hypothesis:
R(C1) = max(/lGegenhyp iC] V (c} ≠ cj je c,, ÄCegenhyp c V C^ c1 ) , wobei ÄGegenhyp ^ dieR (C 1 ) = max (/ l Gegenhyp iC] V (c ) ≠ cj each c ,, Ä cegenhyp c VC ^ c 1 ), where Ä Gegenhyp ^ the
Distanzmetrik der günstigsten Gegenhypothese des Bits c} , C7 die Bitwerte des aktuellenDistance metric of the most favorable alternative hypothesis of the bit c } , C 7 the bit values of the current one
Knotens und c} h der Bitwert der Hypothese des Bits c} ist. Sobald Blätter gefunden werden, so werden für die Bits, die durch das Blatt repräsentiert werden, dieNode and c } h is the bit value of the hypothesis of the bit c } . As soon as leaves are found, for the bits represented by the leaf, the
Distanzmetriken abgespeichert. Existiert für ein Bit schon eine Distanzmetrik, so wird stets die kleinere beibehalten. Bei der Baumsuche werden in der Folge stets Knoten erweitert, die zu einer kleineren Distanzmetrik für mindestens eines der Bits, die dem Suchpfad entsprechen, führen können. Der Suchradius ist somit für jedes Bit unterschiedlich. Hierdurch ist sichergestellt, dass bei der Suche stets die günstigste Hypothese und die günstigsten Gegenhypothesen gefunden werden. Zudem ist die Zahl der hierfür zu speichernden Zwischenzustände fest vorgegeben.Distance metrics stored. If a distance metric already exists for a bit, then the smaller one is always retained. In the tree search, nodes are always subsequently expanded, which can lead to a smaller distance metric for at least one of the bits which correspond to the search path. The search radius is thus different for each bit. This ensures that the search always the cheapest hypothesis and the most favorable counter-hypotheses are found. In addition, the number of intermediate states to be stored for this purpose is fixed.
Dieses Verfahren benötigt zwar nur wenige Speicherplätze, verändert den Suchablauf aber grundlegend. Dadurch, dass für jedes Bit das günstigste Blatt gesucht wird, und durch die Vergrößerung des Suchraums über den Radius mit R(C1) > λHypothese wird jedoch zugleich auch die Anzahl der zu analysierenden Baumknoten, welche innerhalb des Suchraumes liegen, drastisch erhöht. Gleiches gilt für die Komplexität zur Bestimmung des aktuellen Suchraums. Um diesen Effekt zu mildern, wird häufig eine Limitierung der Radien, das so genannte Clipping, einbezogen, wobei für den Suchraum ein Maximalwert festgelegt wird. Hierdurch findet das Baumsuchverfahren die günstigsten Baumblätter innerhalb des vorgegebenen Suchraums, wobei bei ausreichend großem Suchraum jedoch immer noch eine relativ große Zahl an Knoten analysiert werden muss, wodurch dieses Verfahren für eine effiziente Detektion nur bedingt einsetzbar ist.Although this method requires only a few memory locations, it fundamentally alters the search process. By searching for the most favorable leaf for each bit, and by increasing the search space over the radius with R (C 1 )> λ hypothesis , however, the number of tree nodes to be analyzed, which are within the search space, is drastically increased. The same applies to the complexity for determining the current search space. In order to mitigate this effect, a limitation of the radii, the so-called clipping, is often included, whereby a maximum value is determined for the search space. As a result, the tree search method finds the cheapest Tree leaves within the given search space, but with a sufficiently large search space, however, still a relatively large number of nodes must be analyzed, whereby this method is only conditionally applicable for efficient detection.
Ziel fortgesetzter Bestrebungen im Fachgebiet ist es, die algorithmische Komplexität und damit die Komplexität von Hardware-Umsetzungen von Baumsuchen für Signaldetektions- zwecke zu reduzieren, ohne dass sich die Suchgenauigkeit wesentlich verschlechtert.The aim of continued efforts in the art is to reduce the algorithmic complexity and thus the complexity of hardware transformations of tree searches for signal detection purposes, without the search accuracy significantly deteriorating.
Die Aufgabe der Erfindung besteht darin, Baumsuchalgorithmen so zu modifizieren, dass die Anzahl der zu betrachtenden Baumknoten und somit die Komplexität derThe object of the invention is to modify tree search algorithms such that the number of tree nodes to be considered and thus the complexity of the tree nodes
Berechnungen und der Hardwareumsetzung zur Ermittlung der Distanzmetriken reduziert wird, bei vergleichbarer oder verbesserter Suchgenauigkeit. Dabei soll das Verfahren einfach in seiner Struktur und Umsetzung sein und eine hohe Flexibilität der Suchverfahren bei gleichzeitig hoher Performanz ermöglichen.Calculations and hardware implementation to determine the distance metrics is reduced, with comparable or improved search accuracy. The process should be simple in its structure and implementation and allow a high flexibility of the search method with high performance at the same time.
Die erfindungsgemäße Lösung für diese Aufgabe ist dem Anspruch 1 zu entnehmen. Vorteilhafte Weiterführungen sind den Unteransprüchen zu entnehmen, die im Folgenden im Zusammenhang mit der Erfindung näher erläutert werden.The solution according to the invention for this task can be found in claim 1. Advantageous developments can be found in the dependent claims, which are explained in more detail below in connection with the invention.
Erfindungsgemäß wird ein komplexreduziertes Baumsuchverfahren der Tiefensuche zur baumsuchbasierten Detektion von Empfangssignalen von Mehrpunkt-zu-Mehrpunkt- (MIMO-) Kanälen aufgezeigt. Das Verfahren ist dadurch gekennzeichnet, dass die Begrenzung des Suchraums für die Baumsuche unabhängig von der Verarbeitung der Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte erfolgt. Die Begrenzung des Suchraums erfolgt über ein n-Tupel von Zustandsinformationen von während derAccording to the invention, a complex-reduced tree search method of the depth search for the tree-search-based detection of received signals from multipoint-to-multipoint (MIMO) channels is shown. The method is characterized in that the limitation of the search space for the tree search is independent of the processing of the state information for calculating the reliability values. The limitation of the search space is via an n-tuple of state information from during the
Baumsuche ermittelten Blattknoten, wobei ein Maximalwert der Zustandsinformationen in dem Tupel als Radius des Suchraums festgelegt wird. Durch die erfindungsgemäße Trennung von Suchraumbegrenzung und Berechnung der Zuverlässigkeitswerte können Probleme der bekannten Baumsuchen wie der Umfang und die Komplexität der Knotenanalyse, die Güte der ermittelten Gegenhypothesen, die Kosten derTree search determined leaf node, wherein a maximum value of the state information in the tuple is determined as the radius of the search space. Due to the separation according to the invention of search space limitation and calculation of the reliability values, problems of the known tree searches, such as the extent and complexity of the node analysis, the quality of the counter-hypotheses determined, the costs of
Suchraumbegrenzung und die Kosten der Ermittlung der Zuverlässigkeitsinformationen deutlich vermindert werden. Die im n-Tupel gespeicherten Zustandsinformationen können dabei Distanzmetriken von Blattknoten des Suchbaumes sein.Search space limitation and the cost of determining the reliability information can be significantly reduced. The state information stored in the n-tuple can be distance metrics of leaf nodes of the search tree.
Ein Blattknoten, der während der Baumsuche innerhalb des aktuellen Suchradius gefunden wird und eine günstigere Zustandsinformation als der ungünstigste Wert des n- Tupels aufweist, kann erfindungsgemäß in das n-Tupel aufgenommen werden und das ungünstigste Element des n-Tupels ersetzen. Damit wird sichergestellt, dass das Tupel immer die n bis dato gefundenen Baumblätter mit den niedrigsten Distanzmetriken enthält.A leaf node, which is found during the tree search within the current search radius and has a more favorable state information than the most unfavorable value of the n-tuple, can be included in the n-tuple according to the invention and the Replace the least favorable element of the n-tuple. This ensures that the tuple always contains the tree leaves with the lowest distance metrics that have been found so far.
Gemäß einer vorteilhaften Ausführungsform der Erfindung kann das n-Tupel als sortierte Liste mit Listenelementen 1 bis n erzeugt werden, wobei die Listenelemente entsprechend den Werten der Zustandsinformationen geordnet werden. Die Listenelemente können z.B. anhand ihrer Distanzmetriken mit ansteigenden Werten, beginnend mit dem niedrigsten Wert an Position 1 der Untermenge bis hin zum größten Wert der an der n -ten Position der Untermenge geordnet werden.According to an advantageous embodiment of the invention, the n-tuple can be generated as a sorted list with list elements 1 to n, wherein the list elements are ordered according to the values of the state information. The list elements may e.g. ordered by their distance metrics with increasing values, starting with the lowest value at position 1 of the subset up to the largest value at the nth position of the subset.
Entsprechend einer günstigen Ausführungsform der Erfindung kann das n-Tupel als Untermenge einer Liste L der Größe L > n implementiert werden, wobei die Liste L insgesamt eine Kandidatenliste mit Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte darstellen kann. Die Liste L wird zumindest bis zum Element n+1 sortiert, und ein neues potentielles Tupelelement wird an der n + 1 -ten Stelle der sortierten Untermenge einsortiert.According to a favorable embodiment of the invention, the n-tuple can be implemented as a subset of a list L of size L> n, the list L overall being able to represent a candidate list with state information for calculating the reliability values. The list L is sorted at least until element n + 1, and a new potential tuple element is sorted at the n + 1th digit of the sorted subset.
Zur Begrenzung des Suchraums kann dann das n-te Listenelement der Liste L genutzt werden, wobei die Position von n in der Liste L variabel ist, mit 1 < n < L. Mit einer Radiusposition an der n-ten Position der sortierten Liste mit Hypothese undTo limit the search space, the nth list element of the list L can then be used, where the position of n in the list L is variable, with 1 <n <L. With a radius position at the nth position of the sorted list with hypothesis and
Gegenhypothesen mit aufsteigender Distanzmetrik ist sichergestellt, dass die n besten Blätter des Suchbaumes ermittelt wurden. Hierdurch ist die Qualität der Gegenhypothesen sichergestellt, und die Liste kann dementsprechend klein gewählt werden. Darüber hinaus wird hierdurch die Hardwarekomplexität begrenzt und die Anzahl und der Umfang der zum Sortieren der Liste erforderlichen Operationen minimiert. Die Umsetzung eines Tupels mit variabler Größe kann durch Variieren der Größe einer Untermenge einer bestehenden Anzahl an Speicherelementen durch Nutzung und Sortierung eines variablen Anteils der zur Verfügung stehenden Ressourcen erfolgen. Dadurch wird eine Anpassung der Suchkomplexität und der Suchgenauigkeit an Umgebungsbedingungen vor oder während der Laufzeit der Baumsuche ermöglicht. Durch ein größeres Tupel werden mehr günstigeCounter-hypotheses with ascending distance metrics ensure that the n best leaves of the search tree have been determined. This ensures the quality of the counter-hypotheses, and the list can be chosen accordingly small. In addition, this limits hardware complexity and minimizes the number and amount of operations required to sort the list. The implementation of a variable size tuple may be accomplished by varying the size of a subset of an existing number of storage elements by utilizing and sorting a variable proportion of the resources available. This makes it possible to adapt the search complexity and the search accuracy to environmental conditions before or during the runtime of the tree search. By a larger tuple are more favorable
Blattknoten ermittelt. Eine große Anzahl bestimmter günstiger Blattknoten führt hierbei, je nach zur Anwendung kommender Suchmethodik, direkt oder indirekt zu einer größeren Wahrscheinlichkeit zur Ermittlung günstigerer Zustandsinformationen zur Berechnung der Zuverlässigkeitsinformationen und somit im Mittel zu einer verbesserten Suchgenauigkeit.Leaf node determined. Depending on the search methodology used, a large number of specific favorable leaf nodes leads, directly or indirectly, to a greater probability of determining more favorable state information for calculating the reliability information and thus, on average, to improved search accuracy.
Gemäß einer bevorzugten Ausführungsform werden die zur Berechnung der Zuverlässigkeitswerte genutzten Zustandsinformationen separat von dem zur Begrenzung des Suchraums genutzten n-Tupel gespeichert. Besonders bevorzugt erfolgt die separierte Speicherung der Zustandsinformationen für die Berechnung der Zuverlässigkeitsinformationen bitspezifisch in einer gesonderten Liste. Die bitspezifische Speicherung der Zustandsinformationen kann dabei entweder für jeden möglichen Bitwert und über alle Bits separat erfolgen oder kann gemäß einer alternativen Ausführungsform für alle Bits einer aktuellen Hypothese über ein Sendesymbol gemeinsam und für die entsprechenden Bits von Gegenhypothesen separat erfolgen. Die bitspezifische Speicherung ermöglicht das Einbeziehen aller im Laufe der Baumsuche bestimmten Blätter in die Bestimmung der Wahrscheinlichkeitswerte. Durch die separate Verarbeitung der Zustandsinformationen zur Bestimmung der Zuverlässigkeitsinformationen kann diese Verarbeitung optimiert erfolgen, ohne Einfluss auf den Suchablauf. Im Gegensatz zu traditionellen listenbasierten Verfahren, bei denen zum Teil Gegenhypothesen verworfen wurden, indem sie durch eine Begrenzung der Listengröße im Laufe der Baumsuche aussortiert wurden, kann aufgrund der erfindungsgemäßen Speicherung der Distanzmetriken für jedes Bit separat stets sichergestellt werden, dass die kleinste Distanzmetrik, die für ein Bit gefunden wurde, auch für die Berechnung der Gegenhypothesen zur Verfügung steht. Das Clipping der Werte für die Baumsuche oder im Anschluss an die Suche wird dabei nicht beeinflusst. Durch die Einbeziehung aller berechneten Blattknoten in die bitspezifische Distanzmetrikspeicherung wird der Verlust von relevantenAccording to a preferred embodiment, those for calculating the Reliability values used state information stored separately from the n-tuple used to limit the search space. Particularly preferably, the separated storage of the status information for the calculation of the reliability information is bit-specific in a separate list. The bit-specific storage of the state information can either be done separately for each possible bit value and over all bits or, according to an alternative embodiment, can be done together for all bits of a current hypothesis via a transmit symbol and separately for the corresponding bits of counter-hypotheses. The bit-specific storage allows the inclusion of all in the course of the tree search specific leaves in the determination of the probability values. Due to the separate processing of the status information for determining the reliability information, this processing can be carried out in an optimized manner, without influencing the search process. In contrast to traditional list-based methods, in which some counter-hypotheses were discarded by sorting them out by limiting the list size in the course of the tree search, it can always be ensured separately for each bit that the smallest distance metric, the was found for a bit, is also available for the calculation of counter-hypotheses. The clipping of the values for the tree search or following the search will not be affected. By including all calculated leaf nodes in the bit-specific distance metric storage, the loss of relevant
Zustandsinformationen in Laufe der Baumsuche vermieden und die Suchgenauigkeit kann gesteigert werden.Condition information in the course of the tree search avoided and the search accuracy can be increased.
Damit ist eine gezielte Reduktion des Tupels zur Suchraumbegrenzung im Vergleich zur Suche über ein Tupel und der Berechnung der Zuverlässigkeitsinformation aus einer begrenzten Kandidatenliste möglich, und dies bei gleicher Leistungsfähigkeit der Detektion. Damit reduzieren sich die benötigten Speicherplätze und die für die Sortierung der Liste notwendigen Operationen. Eine kostenintensive Suchraumbegrenzung, wie bei der Verwendung bitspezifischer Radien entfällt. Das Verfahren ermöglicht durch die Verwendung der bitspezifischen Distanzmetriken eine parallele Berechnung derThus, a targeted reduction of the tuple to the search space limitation in comparison to the search for a tuple and the calculation of the reliability information from a limited candidate list is possible, and this with the same performance of the detection. This reduces the required memory locations and the necessary operations for sorting the list. A costly search space limitation, as with the use of bit-specific radii deleted. By using the bit-specific distance metrics, the method enables a parallel calculation of the
Zuverlässigkeitsinformation aus der bestehenden Liste. Eine Suche nach günstigen Gegenhypothesen wie bei anderen listenbasierten Verfahren ist daher nicht erforderlich.Reliability information from the existing list. A search for favorable counter-hypotheses as with other list-based methods is therefore not required.
Anders als bei bekannten listenbasierten Verfahren oder Verfahren mit Bitradien kann das erfindungsgemäße Verfahren in einer bevorzugten Ausführungsform derart gestaltet werden, dass in die separierte Verarbeitung der Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte, der Auswahl der Hypothesen und Gegenhypothesen sowie deren Distanzmetriken, Korrekturfunktionen einbezogen werden, wie sie beispielsweise bei einer Suche basierend auf dem MMSE-Prinzip benötigt werden. Durch Einbeziehung von Korrekturfunktionen kann das Verfahren auch für Systeme eingesetzt werden, in denen die Distanzen zur Berechnung der Zuverlässigkeitsinformation von den für die Baumsuche maßgeblichen Distanzen abweichen, indem über die Korrekturfunktion abweichende Hypothesen und Gegenhypothesen ermittelt werden. Durch die optimierte Berechnung der Zuverlässigkeitsinformation mithilfe von Korrekturfunktionen wird der Ablauf der Baumsuche über das n-Tupel nicht beeinflusst.Unlike in the case of known list-based methods or methods with bit radii, in a preferred embodiment the method according to the invention can be designed such that into the separate processing of the state information for calculating the reliability values, the selection of hypotheses and counterhypotheses, and their distance metrics, correction functions are included, as they are needed, for example, in a search based on the MMSE principle. By incorporating correction functions, the method can also be used for systems in which the distances for calculating the reliability information differ from the distances relevant for the tree search, by determining deviating hypotheses and counterhypotheses via the correction function. The optimized calculation of the reliability information by means of correction functions does not affect the process of the tree search via the n-tuple.
So kann beispielsweise bei der MMSE-Detektion eine über den Bias abweichende Hypothese/Gegenhypothese ermittelt werden, und außerdem kann der Suchraum vorteilhaft über das MMSE-Verfahren eingeschränkt werden. Als Folge steigt die Genauigkeit der bestimmten Hypothese und Gegenhypothesen an, was zu einer höheren Suchgenauigkeit führt. Das Verfahren kann daher auch mit der Bitradien-Methode (zwei Listen, eine für die Bitradien und eine für die Zuverlässigkeitsinformationen) und anderen Baumsuchverfahren (Breitensuche, Tiefensuche) kombiniert werden. Darüber hinaus kann ebenfalls die Ermittlung des Suchraumes weiter optimiert werden, ohne dass dabei die Genauigkeit der Zuverlässigkeitsinformationen negativ beeinflusst wird. Die Berechnung der Zuverlässigkeitsinformationen im Anschluss an die Baumsuche kann aus den bereits angepassten bitspezifischen Zustandsinformationen über Subtraktionen einzelner Elemente und ohne weitere Korrekturverarbeitungen erfolgen. Wenn die gespeicherten bitspezifischen Metriken bereits Korrekturterme für die Berechnung der Zuverlässigkeitsinformation enthalten (wie z.B. bei MMSE erforderlich), können exaktere Hypothesen und Gegenhypothesen ermittelt werden und das Verfahren ist für effizientere Suchalgorithmen einsetzbar. Hierdurch ist das Verfahren allen bekannten Verfahren deutlich hinsichtlich der Effizienz (Suchgenauigkeit in Bezug auf analysierte Baumknoten) überlegen. Durch die bitspezifische Speicherung wird zudem, anders als bei traditionellen listenbasierten Verfahren, eine parallele Berechnung der Zuverlässigkeitsinformationen ermöglicht.For example, in the case of MMSE detection, a hypothesis / counter-hypothesis deviating from the bias can be determined, and, moreover, the search space can advantageously be restricted via the MMSE method. As a result, the accuracy of the particular hypothesis and counter-hypotheses increases, resulting in higher search accuracy. The method can therefore also be combined with the bit-radius method (two lists, one for the bit radii and one for the reliability information) and other tree search methods (breadth-first search, depth search). In addition, the determination of the search space can also be further optimized without adversely affecting the accuracy of the reliability information. The calculation of the reliability information following the tree search can be done from the already adapted bit-specific state information about subtractions of individual elements and without further correction processing. If the stored bit-specific metrics already contain correction terms for the calculation of reliability information (as required for example in MMSE), more exact hypotheses and counter-hypotheses can be determined and the method can be used for more efficient search algorithms. As a result, the method is clearly superior in terms of efficiency (search accuracy with respect to analyzed tree nodes) to all known methods. In addition, bit-specific storage enables parallel calculation of reliability information, unlike traditional list-based methods.
Durch die separierte Verarbeitung der Zustandsinformationen zur Berechnung der Zuverlässigkeitsinformationen unabhängig von der Baumsuche ist eine Optimierung der beiden Verfahrensbestandteile unabhängig voneinander möglich. So kann die Ermittlung der zur Suchraumbegrenzung genutzten Zustandsinformationen über eine andere Methode als die Ermittlung der zur Berechnung von Zuverlässigkeitswerten genutzten Zustandsinformationen erfolgen. Beispielsweise kann für die Baumsuche die MMSE-Methode und bei der Ermittlung der Zuverlässigkeitsinformationen die ZF(ZeroForcing)-Methode zur Anwendung kommen.Due to the separate processing of the state information for calculating the reliability information independent of the tree search, an optimization of the two process components is possible independently of one another. Thus, the determination of the state information used for the search space limitation can take place via a method other than the determination of the state information used for calculating reliability values. For example, for the Tree the MMSE method and use the ZF (ZeroForcing) method to determine the reliability information.
Entsprechend einer weiteren vorteilhaften Verfahrensausgestaltung können in die separierte Verarbeitung der Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte Informationen über den Aufbau der Baumknoten, beispielsweise Mapping- Informationen, einbezogen werden. Durch Einbeziehung von Informationen über den Aufbau der Baumknoten, wie beispielsweise dem Mapping der Bits, zur Auswahl von Baumknoten, welche potentiell günstig für die Zustandsinformationen zur Berechnung der Zuverlässigkeitsinformationen bzw. für das Tupel zur Suchraumbegrenzung sind, brauchen die Operationen zur Berechnung, Auswahl und Speicherung günstiger Daten nur für eine Untermenge der potentiell zu betrachtenden Baumknoten durchgeführt zu werden.According to a further advantageous embodiment of the method, information about the structure of the tree nodes, for example mapping information, can be included in the separated processing of the status information for calculating the reliability values. By including information about the structure of the tree nodes, such as the mapping of the bits, to select tree nodes that are potentially favorable to the state information for calculating the reliability information or for the tuple to the search space boundary, the operations for calculation, selection and storage favorable data only for a subset of potentially to be considered tree nodes to be performed.
Die Verarbeitung der Zustandinformationen zur Berechnung der Zuverlässigkeitsinformation kann erfindungsgemäß parallel zur Suchraumfestlegung und zur Baumsuche erfolgen. Damit ergibt sich eine Steigerung des Durchsatzes der Baumsuche.According to the invention, the processing of the status information for calculating the reliability information can take place parallel to the search space specification and for the tree search. This results in an increase in the throughput of the tree search.
Die Anwendung des erfindungsgemäßen Verfahrens führt zu einer deutlichen Vereinfachung in der Komplexität der Umsetzung für Baumsuchverfahren bei gleichzeitig gesteigerter Flexibilität. Als Folge steigt die Leistungs- und Flächeneffizienz der Hardware- Umsetzung im Vergleich zu traditionellen Umsetzungen deutlich. Durch die Reduktion von Listengrößen reduziert sich neben den hierfür benötigten Speicherplätzen auch die Anzahl und der Umfang der zur Verwaltung notwendigen Operationen, und gleichzeitig wird die Komplexität von bitspezifischen Radien vermieden. Über eine flexible Bestimmung desThe application of the method according to the invention leads to a significant simplification in the complexity of implementation for tree search methods with simultaneously increased flexibility. As a result, the performance and space efficiency of hardware implementation increases significantly compared to traditional implementations. Reducing list sizes not only reduces the number of memory spaces required, but also reduces the number and scope of operations needed to manage them, while avoiding the complexity of bit-specific radii. About a flexible determination of the
Suchradius wird es zudem möglich, die Suchgenauigkeit und hiermit einhergehend auch den Suchaufwand an die Bedürfnisse der Umgebung anzupassen.Search radius also makes it possible to adapt the search accuracy and, associated with this, the search effort to the needs of the environment.
Weitere Vorteile und Merkmale des erfindungsgemäßen Verfahrens werden anhand der detaillierten Beschreibung von Ausführungsbeispielen deutlich werden, die mitFurther advantages and features of the method according to the invention will become apparent from the detailed description of exemplary embodiments, which with
Bezugnahme auf die anhängenden Figuren gegeben wird.Reference is made to the attached figures.
Dabei zeigt:Showing:
Fig. 1 ein Systemmodell eines MIMO-Systems mit iterativem1 is a system model of a MIMO system with iterative
Detektions/Dekodierungs-Prozess; Fig. 2 eine 64-QAM-Konstellation mit Bitwerten bei Gray-Labeling;Detection / decoding process; FIG. 2 shows a 64-QAM constellation with bit values for gray labeling; FIG.
Fig. 3 die durch die Systemmatrix verzerrten potentiellen Sendesymbole;3 shows the potential transmission symbols distorted by the system matrix;
Fig. 4 Beispiele für eine Baumsuche für ein 4x4-MIMO-System; Fig. 5 ein Datenflussdiagramm eines herkömmlichen Sphere-Detection-4 shows examples of a tree search for a 4x4 MIMO system; 5 is a data flow diagram of a conventional sphere detection
Algorithmus; Fig. 6 das Prinzip eines Tupels zur Festlegung des Suchraums über eineAlgorithm; 6 shows the principle of a tuple for determining the search space via a
Untermenge einer sortierten Liste; Fig. 7 das Prinzip einer bitspezifischen Speicherung von Zustandsinformationen am Beispiel von 24 Bits und der Speicherung von Distanzmetriken für jedenSubset of a sorted list; Fig. 7 shows the principle of a bit-specific storage of state information using the example of 24 bits and the storage of distance metrics for each
Bitwert und jedes Bit separat; Fig. 8 eine Ausführungsvariante der bitspezifischen Speicherung vonBit value and each bit separately; Fig. 8 shows an embodiment of the bit-specific storage of
Zustandsinformationen am Beispiel von 24 Bits und der Speicherung von Distanzmetriken für die Hypothese und jedes Bit der Gegenhypothese;State information on the example of 24 bits and the storage of distance metrics for the hypothesis and each bit of the counter-hypothesis;
Fig. 9 eine Variante einer regularisierten List-Sphere-Detektion-Implementierung;FIG. 9 shows a variant of a regularized list-sphere detection implementation; FIG.
Fig. 10 ein Ausführungsbeispiel eines erfindungsgemäßen List-Sphere-Detektion-10 shows an exemplary embodiment of a list-sphere detection
Algorithmus mit separierter und optimierter Verarbeitung der Zustandsdaten für die Berechnung der Zuverlässigkeitsinformationen; FFiigg.. 11 11 den Einfluss des Bias auf die Positionsbestimmung bei MMSE-Detektion und einer Q-QAM, sowie die Korrektur dieses Einflusses;Algorithm with separated and optimized processing of the status data for the calculation of the reliability information; Fig. 11 shows the influence of the bias on the position determination in MMSE detection and a Q-QAM, as well as the correction of this influence;
Fig. 12 einen Vergleich der Leistungsfähigkeit einer erfindungsgemäßen Umsetzung mit herkömmlichen Umsetzungen von Baumsuchverfahren der Tiefensuche;FIG. 12 shows a comparison of the performance of a conversion according to the invention with conventional implementations of depth-search tree search methods; FIG.
Fig. 13 den Einfluss der bitspezifischen Speicherung von optimierten Zustandsinformationen zur Berechnung der L-Werte auf die13 shows the influence of the bit-specific storage of optimized state information for calculating the L values on the
Leistungsfähigkeit des Algorithmus;Efficiency of the algorithm;
Fig. 14 einen Vergleich der Komplexität einer erfindungsgemäßen Umsetzung mit herkömmlichen Umsetzungen von Baumsuchverfahren der Tiefensuche;14 shows a comparison of the complexity of a conversion according to the invention with conventional implementations of depth-search tree search methods;
Fig. 15 den Einfluss der bitspezifischen Speicherung von optimierten Zustandsinformationen zur Berechnung der L-Werte auf die Komplexität des15 shows the influence of the bit-specific storage of optimized state information for calculating the L values on the complexity of the
Algorithmus; und Fig. 16 eine Modifikation der Empfängeranordnung aus Fig. 1 für listenbasierteAlgorithm; and FIG. 16 shows a modification of the receiver arrangement of FIG. 1 for list-based
Iterationen.Iterations.
Die erfindungsgemäße Trennung der Suchraumfestlegung von der Bestimmung derThe inventive separation of the search space definition of the determination of
Zuverlässigkeitsinformationen und ihre Auswirkung auf die Baumsuche soll nun anhand von Ausführungsbeispielen verdeutlicht werden.Reliability information and its effect on the tree search will now be illustrated by means of exemplary embodiments.
Durch die erfindungsgemäße Trennung der Suchraumfestlegung von der Bestimmung der Zuverlässigkeitsinformationen ist es möglich, sowohl die Suchraumfestlegung als auch die Bestimmung der Zuverlässigkeitsinformationen optimiert durchzuführen und die Komplexität der Baumsuche insgesamt deutlich zu reduzieren. Wie bereits in der Einleitung ausgeführt, müssen zur Bestimmung der Zuverlässigkeitsinformationen in Formel (1 ) bei der Baumsuche zur Detektion von Sendesignalen neben der Hypothese eine Reihe günstiger Gegenhypothesen ermittelt werden.The inventive separation of the search space specification from the determination of the reliability information makes it possible to perform both the search space determination and the determination of the reliability information in an optimized manner and to significantly reduce the overall complexity of the tree search. As already stated in the introduction, in order to determine the reliability information in formula (1) in the tree search for the detection of transmission signals, a number of favorable counter-hypotheses must be determined in addition to the hypothesis.
Erfindungsgemäß wird eine genügend genaue Baumsuche sichergestellt, indem der Suchraum für die Baumsuche nicht über die zur Bestimmung der Zuverlässigkeitsinformationen ermittelten Daten, sondern lediglich über ein Tupel
Figure imgf000018_0001
vonAccording to the invention, a sufficiently accurate tree search is ensured by the search space for the tree search not having the data determined for determining the reliability information, but merely a tuple
Figure imgf000018_0001
from
n günstigen Baumblättern c' eingegrenzt wird. Der Umfang n des Tupels ist hierbei entscheidend für die Qualität der Zustandsinformationen (z.B. Distanzmetrik) und somit für die Komplexität der Baumsuche. Durch die Einschränkung des Suchraums über dieses Tupel, getrennt von der Bestimmung der Zuverlässigkeitsinformationen, sind die Elemente dieses Tupels prinzipiell unabhängig von der zur Bestimmung der Zuverlässigkeits- information genutzten Zustandsinformation. Dies gilt insbesondere auch für die Knotenauswahl und Art der Zustandsinformation. Die Festlegung des Suchraums erfolgt hierbei zweckmäßig über die maximale Distanzmetrik des n -Tupels 7? = max(/lCi V c' e KJ mit den Elementen c\ den günstigsten ermittelten Baumblättern. Hierfür werden im Laufe der Suche stets die n Blätter mit den niedrigsten Distanzmetriken zwischengespeichert und neue Blätter mit den bereits gespeicherten verglichen. Als Ergebnis ermittelt die Baumsuche die n Blätter mit den niedrigsten Distanzmetriken.n favorable tree leaves c 'is limited. The scope n of the tuple is decisive for the quality of the state information (eg distance metric) and thus for the complexity of the tree search. By restricting the search space over this tuple, separate from the determination of the reliability information, the elements of this tuple are in principle independent of the state information used to determine the reliability information. This also applies in particular to the node selection and type of state information. The determination of the search space is expediently carried out via the maximum distance metric of the n-tuple 7. = max (/ l Ci V c 'e KJ with the elements c \ the cheapest determined tree leaves.For this purpose, in the course of the search, the n leaves with the lowest distance metrics are always buffered and new leaves are compared with the already stored ones.The result is the tree search the n leaves with the lowest distance metrics.
Auf die Güte der Zustandsinformationen zur Berechnung der Zuverlässigkeitsinformationen kann nicht zwangsläufig direkt aus der Güte und dem Umfang der Daten des Tupels geschlossen werden, insbesondere wenn die Methoden zur Bestimmung der Zustandsinformationen zur Suchraumfestlegung einerseits und zur Bestimmung der Zuverlässigkeitsinformationen andererseits voneinander abweichen. Durch die mittels des Tupels festgelegte Komplexität und die Konzentration der Baumsuche auf günstige Knoten steigt mit der Tupelgröße und der Suchkomplexität jedoch die Wahrscheinlichkeit, mit der günstige Zustandsinformationen zur Berechnung der Zuverlässigkeitsinformationen gefunden werden, wodurch die Güte der Daten eine hohe Korrelation aufweist und somit ein ausreichendes Gütemaß für die Ergebnisse der Baumsuche darstellt.The quality of the state information for calculating the reliability information can not necessarily be deduced directly from the quality and the extent of the data of the tuple, in particular if the methods for determining the state information for the search space determination on the one hand and for determining the reliability information on the other hand differ from one another. However, tuple size and search complexity increase the likelihood of finding favorable state information for calculating the reliability information due to the tuple-defined complexity and the concentration of the tree search on favorable nodes, whereby the quality of the data has a high correlation and thus a sufficient correlation Represents the quality measure for the results of the tree search.
Die Berechnung der Zuverlässigkeitsinformationen erfolgt, anders als bei den bekannten Verfahren, nicht in jedem Fall aus den Distanzmetriken, die bei der Baumsuche unter anderem zur Suchraumbegrenzung verwendet werden, sondern aus Metriken, welche aus den Distanzmetriken ermittelt werden und welche für die Bestimmung der Zuverlässigkeitsinformation optimiert werden können. Die Berechnung der Zuverlässigkeitsinformation (L-Werte) wird erfindungsgemäß daher wie folgt verändert:The calculation of the reliability information takes place, unlike the known ones Method, not in each case from the distance metrics, which are used in the tree search, among other things, the search space limitation, but from metrics, which are determined from the distance metrics and which can be optimized for the determination of the reliability information. The calculation of the reliability information (L values) is therefore changed according to the invention as follows:
L(c, |y) {/ (Λ(c,y,Lβ (c)),σ2,c)}
Figure imgf000019_0001
L (c, | y) {/ (Λ (c, y, L β (c)) σ, 2, c)}
Figure imgf000019_0001
(4), wobei /(•) die angewendete Optimierungsfunktion ist und σ2 bzw. c weitere exemplarische Elemente der Funktion sind, wie sie für eine biasreduzierte MMSE- Detektion benötigt werden, die im Weiteren noch detailliert mit Bezug auf Fig. 1 1 beschrieben wird. Da hierbei die Optimierungsfunktion nicht nur auf eine Untermenge der analysierten Blätter, der Menge der in der Kandidatenliste bzw. durch die Bit-Radien gespeicherten Distanzmetriken, sondern auf alle im Rahmen der Baumsuche gefundenen Blätter angewendet wird, führt dies zu einer entsprechenden Steigerung in der Genauigkeit der Zuverlässigkeitsinformationen. Insbesondere müssen die hierdurch gefundenen Kandidaten c' mit maximaler Metrik für C1 = +l bzw. C1 = -l nicht mit den(4), where / (•) is the applied optimization function and σ 2 and c are further exemplary elements of the function as needed for a reduced-bias MMSE detection, which will be described in further detail below with reference to FIG becomes. In this case, since the optimization function is applied to not only a subset of the analyzed leaves, the amount of distance metrics stored in the candidate list or the bit radii, but all leaves found in the tree search, this leads to a corresponding increase in accuracy the reliability information. In particular, the candidates c 'found by this method with maximum metric for C 1 = + 1 or C 1 = -1 do not have to match the
Hypothesen oder Gegenhypothesen übereinstimmen, welche über die minimalen Distanzmetriken ermittelt würden.Hypotheses or counter-hypotheses match, which would be determined by the minimum distance metrics.
Eine günstige Ausführungsform der Umsetzung der Suchraumfestlegung über das n - Tupel getrennt von der Bestimmung der Zuverlässigkeitsinformationen, ist in Fig. 6 dargestellt. Als n-Tupel wird hierbei eine sortierte Untermenge einer Menge von Speicherelementen (6-1 , 6-2 ..., 6-L), im Folgenden Liste genannt, mit der Größe L > n verwendet. RTupei bezeichnet das letzte Element des n-Tupels, wobei die Listenelemente bis zu RTupei entsprechend ihrer Distanzmetrik sortiert sind, was in der Figur durch die Pfeile veranschaulicht ist, wobei RTupei auf das Tupelelement mit der maximalen Distanzmetrik verweist. Die Suchraumfestlegung für die Baumsuche erfolgt lediglich anhand der Listenelemente, die Bestandteil des n-Tupels sind. Die restlichen Elemente der liste dienen zur Abspeicherung von gefundenen Gegenhypothesen, und die Liste in ihrer Gesamtheit wird für die L-Wert-Berechnung genutzt. Ein neues Element (gefundenes Baumblatt) wird an der Stelle 6-( π + l) der Liste bezüglich seiner Distanzmetrik (λi) einsortiert. Durch das Einsortieren dieses Elementes in die bis zum w -ten Element sortierte Liste entsprechen somit die ersten n Elemente der Liste (6-1 ...6-n) dem beschriebenen n -Tupel. Durch Variation der Position des n-ten Listenelements, nach welchem neue Blätter einsortiert werden, d.h. Variation der Position des Listenelements 6- n in der Liste 6-1 ... 6-L, und durch Sortieren der Liste bis zu diesem Element kann die Größe des Tupels mit \ ≤ n < L verändert werden. Dies ermöglicht eine variable Festlegung der Tupelgröße und somit der Suchkomplexität bzw. Genauigkeit, was folglich eine Adaption der Baumsuche an Umgebungsbedingungen ermöglicht. Mit steigendem n steigt die Anzahl der abgesuchten Baumknoten und somit die Komplexität des Baumsuchverfahrens, allerdings auch die Genauigkeit der bestimmten Zuverlässigkeitsinformationen. Für jede Baumsuche kann somit adaptiv die Genauigkeit angepasst werden. Die Festlegung des Suchraumes über die maximale Distanzmetrik des Tupels kann durch Ausführung der Suche mit einem Suchradius gleich der Distanzmetrik des n - ten Listenelementes erfolgen (R = PnSLx (A1 V c1 G K) ). Bei der beschriebenenA favorable embodiment of the implementation of the search space specification via the n-tuple, separate from the determination of the reliability information, is shown in FIG. In this case, an ordered subset of a set of memory elements (6-1, 6-2..., 6-L), referred to below as a list, having the size L> n is used as an n-tuple. R Tupe i denotes the last element of the n-tuple, the list elements are sorted up to R Tupe i according to their distance metric, which is illustrated by the arrows in the figure, where R Tupe i refers to the tuple element with the maximum distance metric. The search space determination for the tree search takes place only on the basis of the list elements that are part of the n-tuple. The remaining elements of the list are used to store found counter-hypotheses, and the list in its entirety is used for the L-value calculation. A new element (found tree leaf) is sorted at location 6- (π + l) of the list with respect to its distance metric (λi). By sorting this element into the list sorted up to the w-th element, the first n elements of the list (6-1 ... 6-n) thus correspond to the n-tuple described. By varying the position of the nth list item, after which new leaves are sorted, ie variation of the position of the list element 6- n in the list 6-1 ... 6-L, and by sorting the list up to this element, the size of the tuple can be changed with \ ≤ n <L , This allows a variable definition of the tuple size and thus the search complexity or accuracy, which thus allows an adaptation of the tree search to environmental conditions. As n increases, so does the number of tree nodes being searched, and thus the complexity of the tree search method, but also the accuracy of the particular reliability information. Adaptive accuracy can thus be adapted for each tree search. The determination of the search space over the maximum distance metric of the tuple can be carried out by executing the search with a search radius equal to the distance metric of the nth list element (R = PnSLx (A 1 V c 1 GK)). In the described
Einsortierung neuer Baumblätter über beispielsweise n elementweise durchgeführte sequenzielle Vergleiche, beginnend mit dem w -ten Element, kann der Suchraum unmittelbar nach dem ersten Vergleich (zwischen dem w -ten und dem π + l-ten Element) festgelegt werden. Alle weiteren Vergleiche dienen zwar der Sortierung der Liste, haben aber keinen Einfluss auf das den Suchraum bestimmende Element. Dies ermöglicht neben der raschen Festlegung des Suchraumes und somit einer geringen Verarbeitungszeit auch die Parallelisierung der Operationen zum Sortieren der Liste ( n -l Vergleiche), wie noch genauer mit Bezug auf Fig. 10 beschrieben wird, so dass diese keinen Beitrag zur Verarbeitungszeit des Suchalgorithmus liefern.Sorting new tree leaves over, for example, n element-wise sequential comparisons, starting with the wth element, the search space can be set immediately after the first comparison (between the wth and the π + lth element). Although all further comparisons serve to sort the list, they have no influence on the element determining the search space. This allows not only the rapid determination of the search space and thus a low processing time but also the parallelization of the operations for sorting the list (n-l comparisons), as will be described in more detail with reference to Fig. 10, so that this does not contribute to the processing time of the search algorithm deliver.
In einer weiteren günstigen Ausführungsform der Umsetzung der Suchraumfestlegung über das n -Tupel getrennt von der Bestimmung der Zuverlässigkeitsinformationen erfolgt die separierte Speicherung der für die L-Wert-Berechnung laut Formel (4) optimierten Metriken / (Λ(c,y,Lα (c)),σ2,c) über eine bitspezifische Speicherung der Metriken, welche unabhängig von der angewandten Suchmethode bei allen Baumsuchverfahren eingesetzt werden kann. Dabei können die Zustandsinformationen für jeden Bitwert (0/1 ) separat zwischengespeichert werden. Eine mögliche bitspezifische Distanz- metrikspeicherung ist in Fig. 7 für eine 64-QAM und 4 Sendeantennen dargestellt. In einer alternativen Ausführungsform können die Zustandsinformationen auch für die Hypothese ch und die hieraus resultierenden Bitwerte der Gegenhypothesen c} ≠ c} h zwischengespeichert werden, also die Distanzmetrik der Hypothese mit den entsprechenden Bitwerten und die Distanzmetriken der Gegenhypothesen für alle Bits (0...24), wie in Fig. 8 veranschaulicht ist. Neu ermittelte Distanzmetriken werden mit den gespeicherten verglichen, und es wird stets die günstigere beibehalten, wodurch nach der Baumsuche die jeweils günstigsten im Laufe der Suche gefundenen Metriken für die Berechnung der Zuverlässigkeitsinformation zur Verfügung stehen. Der Verlust von günstigen Metriken im Suchverlauf, wie er bei den bekannten Verfahren durch begrenzte Kandidatenlisten oder eine nachträgliche Optimierung entsteht, ist somit ausgeschlossen. Durch die direkte Einbeziehung von Optimierungen in Kombination mit der bitspezifischen Speicherung ist neben der bestmöglichen Güte der Metriken auch die geringe Komplexität des Verfahrens sichergestellt. Hierbei ist die Anzahl der benötigten Speicherplätze gering und für ein System unabhängig von dem Verfahren zur Baumsuche vorab fest vorgegeben, eine Anpassung der Listgröße für die Suchraumbegrenzung an gegebene Hardware- und/oder algorithmische Anforderungen ist möglich.In a further advantageous embodiment of the implementation of the search space determination via the n-tuple separate from the determination of the reliability information, the separated storage of the optimized for the L-value calculation according to formula (4) metrics / (Λ (c, y, L α ( c)), σ 2 , c) via bit-specific storage of the metrics, which can be used regardless of the search method used in all tree search methods. The status information for each bit value (0/1) can be buffered separately. One possible bit-specific distance metric storage is shown in FIG. 7 for a 64 QAM and 4 transmit antennas. In an alternative embodiment, the state information can also be temporarily stored for the hypothesis c h and the resulting bit values of the counterhypotheses c } ≠ c } h , ie the distance metric of the hypothesis with the corresponding bit values and the distance metrics of the counterhypotheses for all bits (0 .. .24), as illustrated in FIG. Newly determined distance metrics are compared with the stored ones, and always the cheaper one is maintained, thus after the tree search the most favorable metrics found during the search are available for the calculation of the reliability information. The loss of favorable metrics in the search process, as it arises in the known methods by limited candidate lists or a subsequent optimization is thus excluded. The direct inclusion of optimizations in combination with the bit-specific storage ensures not only the best possible quality of the metrics, but also the low complexity of the procedure. In this case, the number of required memory locations is small and predetermined for a system independently of the method for tree search in advance, it is possible to adapt the list size for the search space limitation to given hardware and / or algorithmic requirements.
Alle Operationen zur Verarbeitung und Abspeicherung der Metriken können darüber hinaus parallel zur Baumsuche durchgeführt werden, so dass die Verarbeitungszeit für die Baumsuche durch diese Schritte nicht beeinträchtigt wird. Die Berechnung der Zuverlässigkeitsinformationen kann direkt über die Metriken der Hypothesen und Gegenhypothesen der einzelnen Bits erfolgen und impliziert somit eine minimale Komplexität im Anschluss an die Baumsuche.Furthermore, all operations for processing and storing the metrics can be performed in parallel with the tree search, so that the processing time for the tree search is not affected by these steps. The calculation of the reliability information can be done directly via the metrics of the hypotheses and counter-hypotheses of the individual bits and thus implies a minimum complexity following the tree search.
Eine modifizierte Form des in Fig. 5 beschriebenen Datenflussdiagramms eines List- Sphere-Detection-Algorithmus ist in Fig. 9 dargestellt. Dieser weist einen regularisierten Datenfluss auf und wurde ausführlich in der bereits früher eingereichten DE- Patentanmeldung "Verfahren zur baumsuchbasierten Detektion von Empfangssignalen" desselben Anmelders beschrieben. Nach einer Initialisierung (Schritt 902) wird der regularisierte Algorithmus wie folgt durchgeführt: 1. Solange die Suche noch nicht beendet ist (Entscheidung 940), also z.B. derA modified form of the data flow diagram of a list-sphere detection algorithm described in FIG. 5 is shown in FIG. This has a regularized data flow and has been described in detail in the previously filed DE patent application "method for tree-based detection of received signals" by the same applicant. After initialization (step 902), the regularized algorithm is performed as follows: 1. As long as the search is not completed (decision 940), e.g. of the
Suchbaum nicht vollständig durchlaufen wurde oder Abbruchbedingungen wie die maximale Anzahl an Takten nicht erfüllt sind, wird der Algorithmus fortgesetzt, ansonsten wird der 6. Schritt durchgeführt.If the search tree has not been completely traversed or abort conditions such as the maximum number of bars have not been met, the algorithm is continued, otherwise the sixth step is performed.
2. Als nächstes werden die Kinderknoten in der aktuellen Ebene weiter betrachtet. Aufgrund der Initialisierung oder einer gesonderten Ebenen- und Folgeknotenbestimmung, wie sie detailliert in der bereits früher eingereichten DE- Patentanmeldung "Verfahren und Anordnung zur Auswahl von Ebenen bei Baumsuchalgorithmen der Tiefensuche" desselben Anmelders beschrieben worden ist, ist hierbei stets der als nächstes zu betrachtende Elternknoten bekannt. Die hieraus resultierenden Interferenzen, sowie die Interferenzen der übrigen bereits geschätzten Symbole werden aus dem Empfangssymbol entfernt (Schritt 904), und die Distanzen zu den Kinderknoten werden ermittelt (Schritt 905). Für die Auswahl der günstigsten Knoten ist dabei z. B. eine Berechnung aller Kinderknoten sowie deren Sortierung (Schritt 906) gemäß ihrer Wahrscheinlichkeiten erforderlich.2. Next, the children's nodes in the current level are considered further. Due to the initialization or a separate level and sequence node determination, as described in detail in the previously filed DE patent application "Method and Arrangement for the selection of levels in tree search algorithms depth search" by the same applicant, this is always the next to be considered parent node known. The resulting interferences as well as the interferences of the other already estimated symbols are removed from the reception symbol (step 904) and the distances to the children's nodes are determined (step 905). For the selection the cheapest node is z. For example, a calculation of all children's nodes and their sorting (step 906) according to their probabilities required.
3. Als nächstes wird überprüft, ob der Suchraum eingegrenzt werden kann (914), wobei diese Überprüfung unabhängig von der aktuell betrachteten Baumebene auf Basis des Abspeicherns und Sortierens der für die Suchsphäre maßgeblichen3. Next, it is checked whether the search space can be narrowed down (914), whereby this check is independent of the currently considered tree level based on the storage and sorting of the relevant for the search sphere
Kandidaten (Schritt 912) erfolgt. Sortierkriterium ist beispielweise die Zuverlässigkeit der Kandidaten.Candidates (step 912). Sort criterion is, for example, the reliability of the candidates.
4. Im Anschluss kann die als nächstes zu betrachtende Ebene ermittelt werden (924).4. Subsequently, the next level to be considered can be determined (924).
5. Die Baumsuche wird bei 1. fortgesetzt. 6. Wenn die Suche beendet ist (Entscheidung 940), also z. B. der Suchbaum vollständig durchlaufen wurde oder Abbruchbedingungen wie die maximale Anzahl an Takten erfüllt sind, werden aus den ermittelten Blattknoten die Zuverlässigkeitsinformationen berechnet und abgespeichert (Schritt 942).5. The tree search is continued at 1.. 6. When the search is completed (decision 940), so z. For example, if the search tree has been completely traversed or termination conditions such as the maximum number of clocks are met, the reliability information is calculated and stored from the determined leaf nodes (step 942).
Anhand der enthaltenen Module zeigen sich einige der Nachteile der bekannten Suchraumbegrenzung bzw. L-Wert-Berechnung. So erfolgen die Festlegung des Suchraumes wie auch die L-Wert-Berechnung sequenziell im Algorithmus. Insbesondere bei der Verwendung der bitspezifischen Radien ist dies von deutlichem Nachteil, da hierbei eine Reihe von Vergleichen sequenziell durchgeführt werden müssen. Dabei muss zuerst ermittelt werden, ob das bestimmte Blatt eine neue Hypothese darstellt, falls nicht, ob hierbei eine oder mehrere neue Gegenhypothesen gegeben sind, und zuletzt muss der Suchraum aufwendig über die Bit-Radien ermittelt werden. Bei der Verwendung einer Kandidatenliste ist neben der bereits diskutierten Hardware-Komplexität auch die erforderliche Sortierung problematisch. Diese kann zwar weitestgehend parallel zum Algorithmus durchgeführt werden, sie ist allerdings bedingt durch die große Anzahl benötigter Operationen ein limitierender Faktor. Die L-Wert-Berechnung (942) kann lediglich im Anschluss an die Baumsuche durchgeführt werden. Neben der je nach Verfahren zum Teil sehr großen algorithmischen Komplexität und der hiermit einhergehenden Verarbeitungszeit ist die Berechnung der L-Werte, wie bereits ausgeführt, nur über die gespeicherten Daten möglich.The included modules show some of the disadvantages of the known search space limitation or L value calculation. Thus, the determination of the search space as well as the L value calculation are performed sequentially in the algorithm. This is a significant disadvantage, especially when using the bit-specific radii, since a series of comparisons must be carried out sequentially. It must first be determined whether the particular sheet represents a new hypothesis, if not, whether this one or more new counter-hypotheses are given, and lastly, the search space must be determined consuming on the bit radii. When using a candidate list, the required sorting is problematic in addition to the already discussed hardware complexity. Although this can be done largely parallel to the algorithm, but it is a limiting factor due to the large number of required operations. The L value calculation (942) can only be performed after the tree search. In addition to the sometimes very large algorithmic complexity depending on the method and the associated processing time, the calculation of the L values, as already explained, is possible only via the stored data.
Eine günstige Ausführungsvariante eines List Sphere Detection-Baumsuch-Algorithmus mit Einbeziehung der erfindungsgemäßen Trennung von Suchraumbegrenzung und Kandidatenverarbeitung für die L-Wert-Berechnung ist in Fig. 10 dargestellt. Dabei sind Module mit gleicher oder analoger Funktion wie in Fig. 9 mit analogen, um 100 erhöhten Bezugszeichen bezeichnet und der entsprechende Datenfluss hierfür soll nicht wiederholt werden. Nach der Auswahl des als nächstes zu betrachtenden Elementes (1024, 1032) erfolgt lediglich die Betrachtung eines Knotens sowie des nachfolgend zu betrachtenden Knotens der Baumebene über die Berechnung der Distanzmetriken. Die anschließende Sortierung (Schritt 912 in Fig. 9) entfällt, und das eventuelle Einsortieren in eine Radiusliste reduziert sich auf das Einsortieren eines Blattknotens, der Blatthypothese, in das den Suchraum bestimmende Tupel. Für die Suchraumbegrenzung wird ein n-Tupel, wie mit Bezug auf Fig. 6 erklärt, verwendet. Hierdurch kann die Festlegung des Suchraums (Schritt 1014) bereits nach dem ersten Vergleich des w -ten Listenelementes mit dem neuen Knoten erfolgen. Der weitere Einsortiervorgang kann daraufhin parallel zur Baumsuche erfolgen (1050), da hierdurch der Suchraum nicht weiter verändert wird. Resultierend hieraus sinkt die Verarbeitungszeit für die Suchraumfestlegung (1014) auf ein Minimum. Darüber hinaus erfolgt die Suchraumfestlegung nur auf Basis der Blatthypothesen, wodurch bei gleicher Güte und Suchkomplexität nur ein Tupel mit halbierter Größe erforderlich ist. Die Berechnung der für die Ermittlung der Zuverlässigkeitsinformationen optimierten Metrik für das aktuelle Blatt sowie dessen Gegenhypothesen und deren Metriken kann dabei ebenfalls parallel zum Suchalgorithmus erfolgen, da diese Berechnungen keinen Einfluss auf den Suchablauf haben. Durch eine entsprechende Auswahl, basierend auf Mapping-Eigenschaften, kann die Berechnung der Gegenhypothesen darüber hinaus kostengünstig nur für günstige Gegenhypothesen erfolgen. Für die Kanditatenliste zur Berechnung der L-Werte wird eine Speicherung der Kandidaten bzw. der Zustandsinformationen gemäß Formel (4), angepasst an das Detektionsverfahren, vorgeschlagen. Sowohl für die Hypothese als auch die Gegenhypothese können dabei nachteilige Auswirkungen der Suchmethode auf die Auswahl der günstigen (Gegen-) Hypothesen und deren Metriken eliminiert werden, beispielsweise Auswirkungen des Bias einer MMSE-Detektion, wie noch mit Bezug auf Fig. 1 1 erläutert wird. Anschließend an die Berechnungen erfolgt die beschriebene bitspezifische Speicherung in Abhängigkeit von den resultierenden Metriken. Für die Berechnung der Zuverlässigkeitswerte liegen somit Metriken maxj/ (Λ(c,y,Lα (c)),σ2,c)J vor, wodurch die Berechnung durch eine kostengünstigeA favorable embodiment variant of a List Sphere Detection tree search algorithm including the inventive separation of search space limitation and candidate processing for the L value calculation is shown in FIG. In this case, modules having the same or analogous function as in FIG. 9 are denoted by analogous references, increased by 100, and the corresponding data flow for this purpose is not to be repeated. After selecting the element to be considered next (1024, 1032) only the consideration of a node as well as the node of the tree level to be considered subsequently takes place via the calculation of the distance metrics. The subsequent sorting (step 912 in FIG. 9) is omitted, and the possible sorting into a radius list is reduced to the sorting of a leaf node, the leaf hypothesis, into the tuple determining the search space. For search space limitation, an n-tuple as explained with reference to FIG. 6 is used. As a result, the determination of the search space (step 1014) can already take place after the first comparison of the wth list element with the new node. The further sorting process can then take place parallel to the tree search (1050), since this does not further change the search space. As a result, the processing time for the search space determination (1014) decreases to a minimum. In addition, the search space is determined only on the basis of the leaf hypotheses, whereby only one tuple with halved size is required for the same quality and search complexity. The calculation of the metric for the current sheet optimized for the determination of the reliability information as well as its counter-hypotheses and their metrics can also be carried out parallel to the search algorithm, since these calculations have no influence on the search process. In addition, due to an appropriate selection based on mapping properties, the calculation of the counterhypotheses can be cost-effective only for favorable counter-hypotheses. For the candidate list for calculating the L values, a storage of the candidates or the status information according to formula (4), adapted to the detection method, is proposed. Adverse effects of the search method on the selection of the favorable (counter) hypotheses and their metrics can be eliminated for both the hypothesis and the counter-hypothesis, for example effects of the bias of an MMSE detection, as will be explained with reference to FIG. 11 , Subsequent to the calculations, the described bit-specific storage takes place as a function of the resulting metrics. For the calculation of the reliability values there are thus metrics maxj / (Λ (c, y, L α (c)), σ 2 , c) J, whereby the calculation by a cost-effective
Subtraktion erfolgen kann und die Verarbeitungszeit nach der Baumsuche minimiert wird.Subtraction can be done and the processing time is minimized after the tree search.
Durch die erfindungsgemäße Trennung der Suchraumfestlegung von der Bestimmung der Zuverlässigkeitsinformationen kann bei der Baumsuche ein anderes Suchkriterium verwendet werden als bei der Ermittlung der Hypothesen bzw. Gegenhypothesen und den L-Werten für diese. Wird beispielsweise für die Detektion, also für die Baumsuche, das MMSE-Verfahren angewendet, so sind die Suchergebnisse und die resultierenden Zuverlässigkeitsinformationen nicht erwartung streu, da sie mit einem Versatz, dem so genannten Bias, behaftet sind. Dieser entsteht durch die Rauschunterdrückung, die Minimierung des mittleren quadratischen Fehlers. Bei der Baumsuche kann die MMSE- Detektion beispielsweise, wie von E. Zimmermann und G. Fettweis in "Unbiased MMSE Tree Search Detection for Multiple Antenna Systems", International Symposium on Wireless Personal Multimedia Communications (WPMC'06), September 2006 beschrieben, durch Erweiterung der Kanalmatrix vor der QR-Zerlegung erfolgen, wodurch der Bias σ2 l|x||2 in der euklidischen Distanz enthalten ist:As a result of the inventive separation of the search space specification from the determination of the reliability information, a different search criterion can be used in the tree search than in the determination of the hypotheses or counter-hypotheses and the L values for these. If, for example, the MMSE method is used for the detection, that is to say for the tree search, then the search results and the resulting reliability information are not to be expected, since they are offset with an offset mentioned bias are afflicted. This is due to the noise suppression, the minimization of the mean square error. For example, in tree search, MMSE detection may be as described by E. Zimmermann and G. Fettweis in "Unbiased MMSE Tree Search Detection for Multiple Antenna Systems", International Symposium on Wireless Personal Multimedia Communications (WPMC'06), September 2006 Extension of the channel matrix before the QR decomposition, whereby the bias σ 2 l | x || 2 contained in the Euclidean distance is:
W W = lly - HxII + σ2 \\x\\ . Während der Bias vorteilhaft den SuchraumWW = lly - HxII + σ 2 \\ x \\. While the bias advantageous the search space
{0} {σl} bei der Suche eingrenzt, führt er bei der Berechnung der Zuverlässigkeitsinformation zu einem Fehler, welcher für eine genaue Detektion korrigiert werden muss. Dies führt zu abweichenden Metriken für die Berechnung der Zuverlässigkeitsinformationen und kann auch zu abweichenden Hypothesen und Gegenhypothesen führen. Fig. 1 1 -1 verdeutlicht den Einfluss des Bias auf die Metriken und die hierdurch hervorgerufene Verringerung der Distanzen. Je weiter die Konstellationspunkte vom Ursprung entfernt sind, desto größer ist die Verringerung der Distanz durch den Bias. Für die Berechnung der Zuverlässigkeitsinformationen muss somit der biasreduzierte Term{0} {σl} is narrowed down in the search, it leads in the calculation of the reliability information to an error, which must be corrected for an accurate detection. This leads to different metrics for the calculation of the reliability information and can also lead to deviant hypotheses and counter-hypotheses. Fig. 11-1 illustrates the influence of the bias on the metrics and the resulting reduction in the distances. The further the constellation points are away from the origin, the greater the reduction in distance from the bias. For the calculation of the reliability information, the reduced-biased term must therefore be used
/ (Λ(c,y,Lα (c)),σ2,c) =Λ(c,y,Lα (c)) -σ2 |x(c)| gespeichert werden. Neben dem/ (Λ (c, y, L α (c)), σ 2 , c) = Λ (c, y, L α (c)) -σ 2 | x (c) | get saved. Next to the
Entfernen des Bias aus den Distanzmetriken für die Berechnungen ist für die Zuverlässigkeitsinformationen somit auch die Veränderung der Hypothese und somit der Gegenhypothesen erforderlich. Durch Einbeziehung dieses Einflusses auf dieRemoving the bias from the distance metrics for the calculations thus also requires the change of the hypothesis and thus of the counter-hypotheses for the reliability information. By including this influence on the
Konstellationspunkte und die Entscheidungsregionen, wie in Fig. 1 1 -2 dargestellt, kann die geometrische Betrachtung bei der beschriebenen MMSE-Detektion auf ein mitConstellation points and the decision regions, as shown in Fig. 1 1 -2, the geometric view in the described MMSE detection on a with
Vl-cr2 gestauchtes System übertragen werden. Durch die ungünstige Stauchung des Systems entstehen bei der Berechnung weitere Kosten. Hierdurch ist eine Übertragung des Biaseinflusses auf die Position des Repräsentanten des Sucharguments, wie in Fig. 1 1 -3 dargestellt, günstiger. Um dies zu erreichen, wird ein Korrekturterm für die Berechnungen bzw. die Knotenbestimmungen verwendet. Zur Bestimmung der Hypothesen bzw. Gegenhypothesen einer Baumebene wird daher eine korrigierte Position des Suchargumentes verwendet: yt '" := fc* yt " , und für die Positionsbestimmung wird das ursprüngliche Gitter verwendet. Für die beschriebene MMSE-Detektion ergibt sich der Korrekturterm aus der Rückwirkung des biasreduzierten Signals auf die L-Wert-Vl-cr 2 compressed system. Due to the unfavorable compression of the system, additional costs are incurred in the calculation. As a result, a transmission of the bias influence on the position of the representative of the search argument, as shown in Fig. 1 1 -3, cheaper. To achieve this, a correction term is used for the calculations or node determinations. Therefore, a corrected position of the search argument is used to determine the hypotheses or counter-hypotheses of a tree level: y t '": = fc * y t ", and the original grid is used for the position determination. For the described MMSE detection, the correction term results from the reaction of the reduced-bias signal on the L values.
Berechnung zu κ = . Bei σ2 handelt es sich genau genommen um dieCalculation to κ =. In fact, σ 2 is the
1-σ Rauschvarianz, und der Korrekturterm (l - σ2 ) entspricht dabei der nicht erwartungs- werttreuen Stauchung, die durch die Biasreduktion hervorgerufen wird. Dadurch kann die Auswahl günstiger Blattknoten angepasst werden. Anders ausgedrückt ist der Erwartungswert der MMSE-Detektion ein anderer als der der biasreduzierten Detektion, der mit dem Erwartungswert der auf Zero Forcing basierenden Detektion übereinstimmt. Der Korrekturterm macht dies rückgängig, allerdings ist er nur für die Auswahl günstiger Elemente gültig. Der Korrekturterm kann vor der Baumsuche bestimmt werden. Da die Bestimmung der Hypothesen bzw. Gegenhypothesen und deren Distanzmetriken für die Berechnung der Zuverlässigkeitsinformationen unabhängig von der eigentlichen Suche sowie der Suchraumbegrenzung sind, hat dieses Verfahren prinzipiell keinen Einfluss auf den Suchablauf. Durch die verbesserte Ermittlung der Zuverlässigkeitsinformationen verbessert sich allerdings die Suchgenauigkeit.1-σ Noise variance, and the correction term (l - σ 2 ) corresponds to the non-expected-value compression, which is caused by the bias reduction. This allows the selection of favorable leaf nodes to be adjusted. In other words, the expectation value of the MMSE detection is different from that of the reduced-bias detection that matches the expectation value of zero-forcing based detection. The correction term reverses this, but it is only valid for the selection of favorable elements. The correction term can be determined before the tree search. Since the determination of the hypotheses or counterhypotheses and their distance metrics for the calculation of the reliability information is independent of the actual search as well as the search space limitation, this method has in principle no influence on the search process. Improved identification of reliability information, however, improves search accuracy.
Ein gutes Maß zur Ermittlung der Berechnungskomplexität und somit zur Abschätzung des erreichbaren Durchsatzes stellt die Zahl der Knotenerweiterungen der Baumsuche dar.A good measure for determining the computational complexity and thus for estimating the achievable throughput is the number of node extensions of the tree search.
In Fig. 12 ist die Leistungsfähigkeit (BER - Bit Error Rate) und in Fig.14 die Komplexität (mittlere Anzahl von Knotenerweiterungen) des erweiterten Sphere-Detection-Algorithmus mit der beschriebenen Suchraumbestimmung über ein 8er Tupel (n = 8) und mit bitspezifischer Speicherung von biasreduzierten Metriken im Vergleich zu traditionellen Umsetzungen dargestellt. Das Verfahren mit bitspezifischen Radien wurde dabei um die separate optimierte bitspezifische Metrikverarbeitung und ein Clipping der Radien (auf 3,5) erweitert, um eine verlustfreie MMSE-Detektion mit Biasreduktion zu ermöglichen, da das traditionelle Verfahren deutlich mehr Knotenerweiterungen benötigen würde und somit nicht vergleichbar wäre. Bei der Detektion mit T = 4 Detektor/Decoder-Iterationen kann durch die erfindungsgemäße Detektion mit getrennter Suchraumfestlegung über ein n- Tupel die Leistungsfähigkeit gegenüber dem traditionellen LSD (List Spere Detector, mit R = λHypothese ) deutlich gesteigert werden, bei nur doppelter Anzahl an betrachteten Knoten.In Fig. 12 the performance (BER - Bit Error Rate) and in Fig. 14 the complexity (average number of node extensions) of the extended sphere detection algorithm with the described search space determination over a tiger of 8 (n = 8) and with bitspecific Storage of bias-reduced metrics compared to traditional implementations. The process with bit-specific radii was extended by the separate optimized bit-specific metric processing and a clipping of the radii (to 3.5) in order to enable a lossless MMSE detection with bias reduction, since the traditional method would require significantly more node extensions and thus not comparable would. In the case of detection with T = 4 detector / decoder iterations, the performance according to the invention with separate determination of the search space via an n-tuple can significantly increase the performance compared with the traditional LSD (List Spere Detector, with R = λ hypothesis ), with only twice the number at considered nodes.
Fig. 16 stellt eine gegenüber der aus Fig. 1 modifizierte Empfängeranordnung für listenbasierte Iterationen dar. Ein Ansatz zur komplexitätsreduzierten iterativen Detek- tion/Dekodierung beinhaltet die Wiederverwendung von Ergebnissen, die während der ersten Detektion (im Detektor 1622) ermittelt wurden, um die restlichen Baumsuchen zu überspringen. Eine Kandidatenliste 1650, die während der ersten Detektion ermittelt wurde, kann als Hauptbestandteil für die nächsten Iterationen (L-Wert-Berechnung bei 1642) genutzt werden. Die Grundidee besteht darin, ohne a-priori-Wissen eine große Menge an Blattknoten mit niedrigen Zustandsinformationen, also beispielsweise niedrigen Distanzmetriken λi oder optimierten Metriken f(c) der gefundenen Kandidaten, zu finden. Die für die Iterationen verfügbaren a-priori-lnformationen werden hauptsächlich die Reihenfolge von günstigen Knoten verändern, da durch diese die Distanzmetrik ungünstiger Pfade der Baumsuche erhöht wird. Wenn die Kandidatenliste aus der ersten Detektion groß genug ist, werden das neue MAP(maximum a posteriori) -Blatt oder zumindest ein Blatt in dessen Nähe wie auch günstige Gegenhypothesen in der Liste (1650) enthalten sein. Eine neue Baumsuche ist somit nicht erforderlich.FIG. 16 illustrates a listener-based iterate receiver arrangement modified from FIG. 1. One approach to complexity-reduced iterative detection / decoding involves the reuse of results obtained during the first detection (in detector 1622) of the remaining ones Skip tree search. A candidate list 1650 determined during the first detection can be used as the main component for the next iterations (L-value calculation at 1642). The basic idea is to find, without a priori knowledge, a large amount of leaf nodes with low state information, ie, for example, low distance metrics λi or optimized metrics f (c) of the candidates found. The a-priori information available for the iterations will mainly change the order of favorable nodes, since this will increase the distance metric of unfavorable paths of the tree search. If the candidate list from the first detection is large enough, the new MAP (maximum a posteriori) leaf or at least one leaf in its vicinity as well as favorable counter-hypotheses will be included in the list (1650). A new tree search is not required.
Durch die beim herkömmlichen LSD gemäß Fig. 9 entstehende Komplexität der Kandidatenliste, der Operationen zum Sortieren und Speichern der Elemente der Liste sowie der benötigten Hardwareeinheiten und der Berechnung der Zuverlässig- keitsinformationen, Minima-Suchen über die Liste für alle Bits etc. ist die Suchkomplexität (Anzahl an Verarbeitungsschritten, verwendete Hardwareeinheiten, Leistungsverbrauch etc.) des LSD insgesamt deutlich höher als die der erfindungsgemäßen Umsetzung.The complexity of the candidate list resulting from the conventional LSD according to FIG. 9, the operations for sorting and storing the elements of the list as well as the required hardware units and the calculation of the reliability information, minimum searches over the list for all bits etc. is the search complexity (Number of processing steps, hardware units used, power consumption, etc.) of the LSD overall significantly higher than that of the implementation of the invention.
Gegenüber dem Verfahren mit bitspezifischen Radien kann die Komplexität mit der erfindungsgemäßen Umsetzung bei vergleichbarer Leistungsfähigkeit deutlich reduziert werden. Da die Komplexität der Umsetzungen pro zu betrachtendem Knoten annähernd vergleichbar ist, ist auch hier die erfindungsgemäße Umsetzung deutlich kostengünstiger und zudem mit einer deutlich geringeren Verarbeitungszeit verbunden.Compared with the method with bit-specific radii, the complexity can be significantly reduced with the inventive implementation with comparable performance. Since the complexity of the transformations per node to be considered is approximately comparable, the implementation of the invention is also significantly cheaper and also associated with a much lower processing time.
Zur Verdeutlichung der Leistungsfähigkeit der optimierten separierten bitpezifischenTo clarify the performance of the optimized separated bit-specific
Verarbeitung sind in Fig. 13 und Fig. 15 zusätzlich die Leistungsfähigkeit und die Komplexität für eine Baumsuche über ein 16er Tupel ohne diese bitspezifische Verarbeitung und ohne Detektor/Decoder-Iterationen dargestellt. Die Anzahl der betrachteten Baumknoten ist näherungsweise vergleichbar mit dem 8er Tupel (Halbierung der Tupelgröße aufgrund der Verwendung von Blatthypothesen für dieProcessing in Figure 13 and Figure 15 additionally illustrates the performance and complexity for tree searching over a 16-bit tuple without this bit-specific processing and without detector / decoder iterations. The number of considered tree nodes is approximately comparable to the 8th tuple (halving the tuple size due to the use of leaf hypotheses for the
Suchraumbegrenzung) und mit bitspezifischer Speicherung und ist somit besser als die des Verfahrens mit bitspezifischen Radien, welches aus Gründen der Übersichtlichkeit in den Diagrammen der Fign. 13 und 15 weggelassen wurde. Durch die bitspezifische Speicherung ist jedoch, wie bereits diskutiert, die Komplexität der erfindungsgemäßen Umsetzung deutlich geringer als die des auf Kandidatenlisten basierenden Verfahrens mit Suche über das 16er Tupel. Bei der Leistungsfähigkeit zeigen sich zudem deutliche Unterschiede. Allein durch die optimierte Verarbeitung und somit Vermeidung des Verlustes günstiger Zustandsinformationen steigt die Leistungsfähigkeit um ca. 0,3 - 0,5 dB gegenüber einem vergleichbaren Suchalgorithmus mit identischer Komplexität. Die optimierte und separierte Verarbeitung der Zustandsinformationen für die Suchraumbestimmung und die Berechnung der Zuverlässigkeitsinformationen ist somit Vorraussetzung für eine effiziente Baumsuche. Eine erfindungsgemäße Umsetzung der Detektion über Tupel-Suche mit einer geeigneten Größe des n-Tupels und der Kandidatenliste (z. B. 16/64) ermöglicht eine nahezu optimale Detektionsgüte bei deutlich verringerter Komplexität. Neben der Steigerung der Leistungsfähigkeit durch entsprechende Korrekturfunktionen kann die Suchkomplexität deutlich reduziert werden. Ermöglicht wird dies insbesondere durch eine höhere Genauigkeit der Informationen für die Zuverlässigkeitsberechnung und die Möglichkeit, den Suchraum unabhängig von diesen Informationen einzugrenzen. Hierdurch kann die Suchkomplexität deutlich eingeschränkt werden und darüber hinaus variabel an die Umgebungsbedingungen angepasst werden.Search space limitation) and with bit-specific storage and is thus better than that of the method with bit-specific radii, which for reasons of clarity in the diagrams of FIGS. 13 and 15 was omitted. However, as already discussed, the bit-specific storage means that the complexity of the implementation according to the invention is significantly lower than that of the candidate list-based method with search via the 16-tuple. The performance also shows significant differences. Alone through the optimized processing and thus avoidance of Loss of favorable state information increases the performance by about 0.3 - 0.5 dB compared to a comparable search algorithm with identical complexity. The optimized and separated processing of the state information for the search space determination and the calculation of the reliability information is thus a prerequisite for an efficient tree search. An implementation according to the invention of the detection via tuple search with a suitable size of the n-tuple and the candidate list (eg 16/64) enables a nearly optimal detection quality with significantly reduced complexity. In addition to the increase in performance through appropriate correction functions, the search complexity can be significantly reduced. This is made possible in particular by a higher accuracy of the information for the reliability calculation and the possibility to limit the search space independently of this information. As a result, the search complexity can be significantly reduced and also variably adapted to the environmental conditions.
Zur Umsetzung des erfindungsgemäßen Verfahrens kann eine synchrone Transfer Architektur (STA) zur Anwendung kommen. Durch die Ausführung der Prozesse in je einer Berechnungseinheit können die entsprechenden Komponenten des Algorithmus in ein oder mehrere STA-Module integriert werden. Die Steuerung der Module kann dann einzeln oder über ein VLIW erfolgen. Dies macht es möglich, die Vorteile einer STA, hohe Leistungsfähigkeit, geringen Stromverbrauch, einfache Erweiterbarkeit und hohe Flexibilität, auch für Baumsuchverfahren zu nutzen.To implement the method according to the invention, a synchronous transfer architecture (STA) can be used. By executing the processes in one calculation unit, the corresponding components of the algorithm can be integrated into one or more STA modules. The control of the modules can then take place individually or via a VLIW. This makes it possible to use the advantages of a STA, high performance, low power consumption, easy expandability and high flexibility, also for tree search.
Die Erfindung kann im Zusammenhang mit einem OFDM- (Orthogonal Frequency Division Multiplex) Verfahren als digitales Übertragungsverfahren zum Einsatz kommen. DieThe invention can be used in connection with an OFDM (Orthogonal Frequency Division Multiplex) method as a digital transmission method. The
Systemmatrix H beinhaltet dann den Übertragungskanal im Frequenzbereich für einen oder mehrere Unterträger. Die Erfindung kann auch im Zusammenhang mit anderen Mehrfachzugriffsverfahren, Direct-Sequence-CDMA (DS-CDMA) oder Multi-Carrier-CDMA (MC-CDMA) oder Space-Division-Multiple-Access (SDMA), angewendet werden.System matrix H then contains the transmission channel in the frequency domain for one or more subcarriers. The invention may also be used in conjunction with other multiple access methods, Direct Sequence CDMA (DS-CDMA) or Multi-Carrier CDMA (MC-CDMA) or Space Division Multiple Access (SDMA).
Die Erfindung ist auch bei einem Mehrnutzer-Übertragungsverfahren (MUT - Multi User Transmission) zu einem oder mehreren Empfängern mit gemeinschaftlicher Detektion der empfangenen Daten anwendbar. Die Systemmatrix H beinhaltet dann die Übertragungskanäle zwischen den entsprechenden Nutzern. In dem einen oder den mehreren Empfängern können mehrere Antennen verwendet werden.The invention is also applicable to a multi-user transmission method (MUT) to one or more receivers with collaborative detection of the received data. The system matrix H then contains the transmission channels between the corresponding users. Multiple antennas may be used in the one or more receivers.
Anhand der vorstehenden Beschreibung sollte klar geworden sein, dass mit dem vorgeschlagenen Baumsuchverfahren mit Trennung der Suchraumfestlegung von der Bestimmung der Zuverlässigkeitsinformationen durch eine einfache Suchradiusbestimmung, wenige benötigte Speicherelemente, geringen Aufwand zur Sortierung des für die Suchraumbestimmung genutzten Tupels usw. die algorithmische Komplexität gegenüber den bekannten Verfahren bei gleicher Leistungsfähigkeit deutlich verringert wird, wodurch eine effiziente und komplexitätsreduzierte Hardwareumsetzung der für die Detektion verwendeten Baumsuchen möglich ist, was den Einsatz dieser Verfahren in praktischen mobilen Systemen möglich macht. From the above description it should be clear that with the proposed tree search method with separation of the search space determination of the determination of the reliability information by a simple Suchradiusbestimmung, few memory elements required, little effort to sort the used for the search space tuple, etc. the algorithmic complexity over the known methods with the same performance is significantly reduced, creating an efficient and complexity-reduced hardware conversion of the tree searches used for the detection is possible, which makes the use of these methods possible in practical mobile systems.

Claims

Baumsuchverfahren der Tiefensuche zur Detektion von MIMO-EmpfangssignalenPatentansprüche Deep Search Tree Search Method for Detecting MIMO Received Signal Patents
1. Baumsuchverfahren der Tiefensuche zur baumsuchbasierten Detektion von Empfangssignalen von Mehrpunkt-zu-Mehrpunkt- (MIMO-) Kanälen, bei dem Blattknoten eines Suchbaumes potentielle Sendebits repräsentieren und welches das Bestimmen von höchstwahrscheinlich gesendeten Bits und von Zuverlässigkeitswerten für diese Bits umfasst, wobei die Zuverlässigkeitswerte anhand von Zustandsinformationen der während der Baumsuche ermitteltenA depth search tree search method for tree search based detection of multipath to multipoint (MIMO) channel receive signals in which leaf nodes of a search tree represent potential transmit bits and which comprises determining most likely transmitted bits and reliability values for those bits, wherein the reliability values based on state information of during tree search determined
Blattknoten bestimmt werden und wobei ein Suchraum der Baumsuche anhand von Zustandsinformationen der während der Baumsuche ermittelten Blattknoten begrenzt wird, dadurch gekennzeichnet, dass die Begrenzung des Suchraums für die Baumsuche unabhängig von derLeaf nodes are determined and wherein a search space of the tree search is limited based on state information of the leaf nodes determined during the tree search, characterized in that the boundary of the search space for the tree search regardless of the
Verarbeitung der Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte erfolgt, dass die Begrenzung des Suchraums über ein n-Tupel von Zustandsinformationen von während der Baumsuche ermittelten Blattknoten erfolgt und dass ein Maximalwert der Zustandsinformationen in dem Tupel als Radius des Suchraums festgelegt wird.Processing of the state information for calculating the reliability values is performed by limiting the search space via an n-tuple of state information of leaf nodes detected during the tree search, and setting a maximum value of the state information in the tuple as the radius of the search space.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein Blattknoten, der während der Baumsuche innerhalb des aktuellen Suchradius gefunden wird und eine günstigere Zustandsinformation als der ungünstigste Wert des n-Tupels aufweist, in das n-Tupel aufgenommen wird und das ungünstigste Element ersetzt.2. The method according to claim 1, characterized in that a leaf node, which is found during the tree search within the current search radius and has a more favorable state information than the most unfavorable value of the n-tuple is added to the n-tuple and replaced the least favorable element ,
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das n-Tupel als sortierte Liste mit Listenelementen 1 bis n erzeugt wird, wobei die3. The method according to claim 1, characterized in that the n-tuple is generated as a sorted list with list elements 1 to n, wherein the
Listenelemente entsprechend den Werten der Zustandsinformationen geordnet werden. List elements are ordered according to the values of the state information.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass das n-Tupel als Untermenge einer Liste L der Größe L > n implementiert wird, wobei die Liste L Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte enthält, und dass die Liste L zumindest bis zum Element n+1 sortiert wird.4. The method according to claim 3, characterized in that the n-tuple is implemented as a subset of a list L of size L> n, the list L containing state information for calculating the reliability values, and that the list L at least until the element n + 1 is sorted.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Zustandsinformationen Distanzmetriken von Blattknoten des Suchbaumes sind.5. The method according to any one of the preceding claims, characterized in that the state information distance metrics of leaf nodes of the search tree.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Begrenzung des Suchraums das n-te Listenelement der Liste L genutzt wird, wobei die Position von n in der Liste L variabel ist, mit 1 < n < L.6. The method according to any one of the preceding claims, characterized in that the n-th list element of the list L is used to limit the search space, wherein the position of n in the list L is variable, with 1 <n <L.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die zur Berechnung der Zuverlässigkeitswerte genutzten Zustandsinformationen separat von dem zur Begrenzung des Suchraums genutzten n-Tupel gespeichert werden und dass sie den Suchablauf der Baumsuche nicht beeinflussen.7. The method according to any one of the preceding claims, characterized in that the state information used to calculate the reliability values are stored separately from the used for limiting the search space n-tuple and that they do not affect the search process of the tree search.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die separierte Speicherung der Zustandsinformationen für die Berechnung der Zuverlässigkeitsinformationen durch eine bitspezifische Speicherung erfolgt.8. The method according to claim 7, characterized in that the separated storage of the state information for the calculation of the reliability information is performed by a bit-specific storage.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass die bitspezifische Speicherung der Zustandsinformationen für jeden möglichen Bitwert und über alle Bits separat erfolgt.9. The method according to claim 8, characterized in that the bit-specific storage of the state information for each possible bit value and over all bits is done separately.
10. Verfahren nach Anspruch 8, d a d u r c h gekennzeichnet, dass die bitspezifische Speicherung der Zustandsinformationen für alle Bits einer aktuellen Hypothese über ein Sendesymbol gemeinsam und für die entsprechenden Bits von Gegenhypothesen separat erfolgt.10. The method according to claim 8, characterized in that the bit-specific storage of the state information for all bits of a current hypothesis via a transmit symbol is done in common and for the corresponding bits of counter-hypotheses separately.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in die separierte Verarbeitung der Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte Korrekturfunktionen einbezogen werden.11. The method according to any one of the preceding claims, characterized in that in the separated processing of Condition information to calculate the reliability values correction functions are included.
12. Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass f ü r die Baumsuche eine MMSE (Minimum Mean Square Error)-Detektions- methode angewendet wird und für die Bestimmung der Hypothesen und Gegenhypothesen einer Baumebene eine korrigierte Position des Empfangssignals verwendet wird, wobei als Korrekturfunktion der MMSE-Detektion der Korrekturterm (l-σ2) verwendet wird, wobei σ2 die Rauschvarianz ist.12. The method according to claim 11, characterized in that for the tree search an MMSE (minimum mean square error) detection method is used and for the determination of the hypotheses and counter-hypotheses of a tree level, a corrected position of the received signal is used as Correction function of the MMSE detection of the correction term (l-σ 2 ) is used, where σ 2 is the noise variance.
13. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in die separierte Verarbeitung der Zustandsinformationen zur Berechnung der Zuverlässigkeitswerte Informationen über den Aufbau der Baumknoten, beispielsweise Mapping-Informationen, einbezogen werden.13. The method according to any one of the preceding claims, characterized in that information about the structure of the tree nodes, such as mapping information, are included in the separated processing of the state information for calculating the reliability values.
14. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Verarbeitung der Zustandinformationen zur Berechnung der Zuverlässigkeitsinformation parallel zur Suchraumfestlegung und Baumsuche erfolgt. 14. The method according to any one of the preceding claims, characterized in that processing of the state information for calculating the reliability information is performed in parallel to the search space determination and tree search.
PCT/EP2010/053745 2009-03-30 2010-03-23 Depth-first tree search method for the detection of mimo received signals WO2010112370A2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012502572A JP5531089B2 (en) 2009-03-30 2010-03-23 Tree search method by depth-first search for detecting MIMO received signal

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102009014842.6 2009-03-30
DE102009014842 2009-03-30
DE102009024843.9A DE102009024843B4 (en) 2009-03-30 2009-06-09 Deep search tree search method for detecting MIMO received signals
DE102009024843.9 2009-06-09

Publications (2)

Publication Number Publication Date
WO2010112370A2 true WO2010112370A2 (en) 2010-10-07
WO2010112370A3 WO2010112370A3 (en) 2011-01-20

Family

ID=42733309

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2010/053745 WO2010112370A2 (en) 2009-03-30 2010-03-23 Depth-first tree search method for the detection of mimo received signals

Country Status (3)

Country Link
JP (1) JP5531089B2 (en)
DE (1) DE102009024843B4 (en)
WO (1) WO2010112370A2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2680520A1 (en) * 2012-06-29 2014-01-01 ST-Ericsson SA Turbo equalization using multiple parallel equalization stages
JP2014515568A (en) * 2011-05-19 2014-06-30 エスティー‐エリクソン、ソシエテ、アノニム Detection process for a receiver of a wireless MIMO communication system and receiver for the system

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009010661B3 (en) * 2009-01-19 2010-01-28 Technische Universität Dresden Method for controlling data flow with pyramid based detection of multipoint to multipoint channels, involves fulfilling abort criterion during examining of testing step

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60227352D1 (en) * 2002-06-24 2008-08-14 Mitsubishi Electric Inf Tech MIMO message transmission method with accelerated ball decoding
EP1521414B1 (en) * 2003-10-03 2008-10-29 Kabushiki Kaisha Toshiba Method and apparatus for sphere decoding
US7308047B2 (en) * 2003-12-31 2007-12-11 Intel Corporation Symbol de-mapping methods in multiple-input multiple-output systems

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
B.M. HOCHWALD; S. TEN BRINK: "Achieving near-capacity on a multiple-antenna channel", IEEE TRANSACTIONS ON COMMUNICATIONS, vol. 51, March 2003 (2003-03-01), pages 389 - 399
C. STUDER; A. BURG; H. BÖLCSKEI: "Soft-output sphere decoding: Algorithms and VLSI implementation", IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS, April 2007 (2007-04-01)
C.P. SCHNORR; M. EUCHNER: "Lattice basis reduction: Improving practical lattice basisreduction and solving subset sum problems", MATHEMATICAL PROGRAMMING, vol. 66, August 1997 (1997-08-01), pages 181 - 199
E. ZIMMERMANN; G. FETTWEIS: "Unbiased MMSE Tree Search Detection for Multiple Antenna Systems", INTERNATIONAL SYMPOSIUM ON WIRE/ESS PERSONAL MULTIMEDIA COMMUNICATIONS (WPMC'06), September 2006 (2006-09-01)
F. JELINEK: "Fast Sequential Decoding Algorithm Using a Stack", IBM JOURNAL OF RESEARCH, vol. 13, 1969, pages 675 - 685
G. NILSSON, P. NILSSON: "Algorithm and Implementation of the K-Best Sphere Decoding for MIMO Detection", IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS, vol. 24, no. 3, March 2006 (2006-03-01), pages 491 - 503
J. ANDERSON; S. MOHAN: "Sequential Coding Algorithms: A Survey and Cost Analysis", IEEE TRANSACTIONS ON COMMUNICATIONS, vol. 32, no. 2, February 1984 (1984-02-01), pages 169 - 176
J. HAGENAUER; C. KUHN: "The List-Sequential (LISS) Algorithm and its Application", IEEE TRANSACTIONS ON COMMUNICATIONS, vol. 55, May 2007 (2007-05-01), pages 918 - 928
J. JALDEN; B. OTTERSTEN: "Parallel Implementation of a Soft Output Sphere Decoder", ASILOMAR CONFERENCE ON SIGNALS, SYSTEMS, AND COMPUTERS, November 2005 (2005-11-01)
M. POHST: "On the computation of lattice vectors of minimal length, successive minima and reduced bases with applications", ACM SIGSAM BULLETIN, vol. 15, 1981, pages 37 - 44
R. FANO: "A heuristic discussion of probabilistic decoding", IEEE TRANSACTIONS ON INFORMATION THEORY, vol. 9, April 1963 (1963-04-01), pages 64 - 74
S. HAYKIN; M. SELLATHURAI; Y. DE JONG; T. WILLINK: "Turbo-MIMO for wireless communications", IEEE COMMUNICATIONS MAGAZINE, vol. 42, October 2004 (2004-10-01), pages 48 - 53

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014515568A (en) * 2011-05-19 2014-06-30 エスティー‐エリクソン、ソシエテ、アノニム Detection process for a receiver of a wireless MIMO communication system and receiver for the system
EP2680520A1 (en) * 2012-06-29 2014-01-01 ST-Ericsson SA Turbo equalization using multiple parallel equalization stages
WO2014001481A1 (en) * 2012-06-29 2014-01-03 St-Ericsson Sa Turbo equalisation
US9160578B2 (en) 2012-06-29 2015-10-13 Telefonaktiebolaget L M Ericsson (Publ) Turbo equalisation

Also Published As

Publication number Publication date
DE102009024843A1 (en) 2010-10-14
WO2010112370A3 (en) 2011-01-20
JP2012522446A (en) 2012-09-20
DE102009024843B4 (en) 2014-12-24
JP5531089B2 (en) 2014-06-25

Similar Documents

Publication Publication Date Title
DE60225418T2 (en) SELECTION OF INFORMATION PACKAGE WITH REDUCED SOFT OUTPUT
DE60214061T2 (en) Turbo receiver and the corresponding procedure for a MIMO system
DE60318726T2 (en) SOFT-TURBO-MUD WITH LOW COMPLEXITY AND WITH OPTIONAL SYSTEM FOR PERFORMANCE AND RELIABILITY
EP1367759B1 (en) Receiver for interference suppression in a TDMA and/or FDMA transmission
DE69932118T2 (en) Channel estimation using soft decision feedback
DE60019091T2 (en) Radio communication system
DE102009024843B4 (en) Deep search tree search method for detecting MIMO received signals
DE102014011876A1 (en) Decision feedback solution for low signal-to-noise channels
EP3756291B1 (en) Receiver and method for receiving a combination signal using separate inphase and quadrature components
EP3756320B1 (en) Receiver and method for receiving a combination signal using probability density functions
DE102009014844B4 (en) Method for determining the search order of nodes in a tree search algorithm, tree search method and detector arrangement for carrying out the methods
WO2010112506A1 (en) Method for determining distance metrics for nodes and counter-hypotheses in a tree search algorithm, tree search method, and detector arrangement for performing the method
DE102018202647B4 (en) Receiver, transmitter, method and system for receiving and transmitting a combination signal
DE69921578T2 (en) SEQUENTIAL DECODER AND RECEIVER USING A SEQUENTIAL DECODER
DE102009010661B3 (en) Method for controlling data flow with pyramid based detection of multipoint to multipoint channels, involves fulfilling abort criterion during examining of testing step
EP1964344B1 (en) Method and equaliser for detecting data symbol sequences from a received signal containing said sequences, transmitted via a time-variable transmission channel
CN113660016A (en) EPA-based MIMO detection method, device, equipment and storage medium
DE102009010659B3 (en) Arrangement for selecting plane of receiving antenna for detecting receiving signal of multipoint-to-multipoint channel, has AND-gates whose outputs are connected with inputs of multiplexer/arithmetic unit, respectively
DE60307324T2 (en) SOFT-OUTPUT DETECTOR FOR DIFFERENTIAL SENDEDIVERSITY OF ORTHOGONAL DESIGNS
DE102009016495A1 (en) Method for tree-search based detection of received signals of multiple-input multiple-output channel, involves carrying parallel processing of independent tree searches or independent sub-processes of tree search by vector processing
DE60318398T2 (en) Method for noise suppression by means of an iterative, semi-blind channel estimation
EP1964345B1 (en) Method and equaliser for equalising a data symbol sequence captured by a time-variable transmission channel
DE102008057059B3 (en) Receipt device for receiving transmitted signals from overlay impaired, channel-coded transmitted signals, has branch of receipt for receiving overlay of impaired, channel-coded transmitted signals
DE102006040279B4 (en) Method and arrangement for transmitting radio signals with multiple parallel data streams with reduced computational complexity
Larsson Multiuser detection with an unknown number of users

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10710580

Country of ref document: EP

Kind code of ref document: A2

WWE Wipo information: entry into national phase

Ref document number: 2012502572

Country of ref document: JP

122 Ep: pct application non-entry in european phase

Ref document number: 10710580

Country of ref document: EP

Kind code of ref document: A2