Optimum group detection for spatial multiplexing systems

Maza Chalan, Byron Paul (2023). Optimum group detection for spatial multiplexing systems. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (698kB) | Prévisualisation

Résumé

Large MU-MIMO (Multi-User Multiple-Input Multiple-Output) systems are advanced wireless communication technologies that support a large number of antennas at both the transmitter and receiver ends. These systems provide spatial multiplexing, diversity, and beamforming, significantly enhancing wireless communication’s capacity and reliability. As a result, large MU-MIMO systems have become an essential component of 5G and beyond-5G wireless networks, meeting the increasing demands for higher data rates.

The load factor refers to the ratio of the number of user equipment (UEs) to the number of antennas at the base station (BS). When the load factor approaches zero, the system achieves a favorable propagation condition that offers significant diversity gain and reliability. In this scenario, linear receivers such as zero-forcing (ZF) and minimum mean square error (MMSE) perform near-optimal. In contrast, the system maximizes the multiplexing gain and capacity when the load factor equals one, called the full-load factor. However, this scenario results in a non-favorable propagation condition, severely degrading the linear receivers’ performance and making them sub-optimal algorithms.

Maximum-likelihood group detection (GD-ML) receiver is an algorithm that improves the performance of linear receivers without significantly increasing their complexity. The GD-ML technique involves dividing the received symbols vector into groups after applying a linear projection. The optimal Maximum-likelihood (ML) detection is applied to each group. While this technique has been researched for conventional multiple-input multiple-output (MIMO) systems with uncorrelated Rayleigh channels, its potential for large MU-MIMO systems remains largely unexplored.

In this thesis, we aimed to achieve two primary objectives related to the effectiveness of the GD-ML receiver in large MU-MIMO systems with full-load factor and correlated Rayleigh channel. The first objective involves obtaining the equation for the receiver’s complexity and assessing the compromise between performance and complexity. The second objective is to derive an analytical expression for GD-ML receiver performance. The aforementioned objectives were accomplished using the following methodology: a literature review, which encompassed relevant works and background information; creation of a system model that assumes a wireless cellular infrastructure with M distributed and uncorrelated antennas at the BS, N closely-located single-antenna and correlated UEs, and a GD-ML receiver with group size Nu, (N _ Nu); evaluation metrics that included bit error rate (BER) and vector error rate (VER) as performance metrics, along with the floating-point operations (FLOPs) metric for computational complexity; mathematical analysis which involved the formulation of analytical equations to assess the receiver’s performance and complexity using multivariate random theory, stochastic ordering, and matrix operations.

We provided the FLOPs equation to evaluate the GD-ML receiver’s complexity. We observed that the GD-ML algorithm has almost the same complexity as ZF and MMSE, where the ML detection and grouping stages add a negligible complexity compared to linear projection operation. We derived a closed-form expression for the average group VER to assess the GD-ML receiver’s performance. Our analytical results indicated that the GD-ML receiver provides a diversity gain proportional to M − N + Nu. We also found that the GD-ML receiver’s performance decreases as the UEs’ correlation coefficients increase. Numerical results revealed that the GD-ML receiver outperforms both ZF and MMSE receivers, and validated the derived performance expression. We observed that the analytical expression and numerical outcomes remain close for small Nu. At a moderate signal-to-noise ratio (SNR), we observed that the analytical expression and simulation results closely match and become perfect as the UEs’ correlation increases.

Titre traduit

Détection de groupe optimale pour les systèmes de multiplexage spatial

Résumé traduit

Les grands systèmes MU-MIMO (Multi-User Multiple-Input Multiple-Output) sont des technologies de communication sans fil avancées qui prennent en charge un grand nombre d’antennes aux extrémités de l’émetteur et du récepteur. Ces systèmes assurent le multiplexage spatial, la diversité et la formation de faisceaux, améliorant considérablement la capacité et la fiabilité des communications sans fil. En conséquence, les grands systèmes MU-MIMO sont devenus un composant essentiel des réseaux sans fil 5G et au-delà de la 5G, répondant à la demande croissante de débits de données plus élevés.

Le facteur de charge fait référence au rapport entre le nombre d’équipements utilisateur (UE) et le nombre d’antennes de la station de base (BS). Lorsque le facteur de charge s’approche de zéro, le système atteint des conditions de propagation favorables qui offrent un gain de diversité et une fiabilité significatifs. Dans ce scénario, les récepteurs linéaires tels que le forçage zéro (ZF) et l’erreur quadratique moyenne minimale (MMSE) fonctionnent de manière quasi optimale. En revanche, le système maximise le gain de multiplexage et la capacité lorsque le facteur de charge est égal à un, appelé facteur de pleine charge. Cependant, ce scénario entraîne des conditions de propagation non favorables, dégradant gravement les performances des récepteurs linéaires et en faisant des algorithmes sous-optimaux.

Le récepteur de détection de groupe à vraisemblance maximale (GD-ML) est un algorithme qui améliore les performances des récepteurs linéaires sans augmenter significativement leur complexité. La technique GD-ML consiste à diviser le vecteur de symboles reçus en groupes après application d’une projection linéaire. La détection optimale de vraisemblance maximale (ML) est appliquée à chaque groupe. Bien que cette technique ait été étudiée pour les systèmes conventionnels à entrées multiples et sorties multiples (MIMO) avec canaux Rayleigh non corrélés, son potentiel pour les grands systèmes MU-MIMO reste largement inexploré.

Dans cette thèse, nous visions à atteindre deux objectifs principaux liés à l’efficacité du récepteur GD-ML dans les grands systèmes MU-MIMO avec facteur de pleine charge et canal Rayleigh corrélé. Le premier objectif consiste à obtenir l’équation de la complexité du récepteur et à évaluer le compromis entre performance et complexité. Le deuxième objectif est de dériver une expression analytique des performances du récepteur GD-ML. Les objectifs susmentionnés ont été atteints en utilisant la méthodologie suivante: une revue de la littérature, qui comprenait des travaux pertinents et des informations de base ; création d’un modèle de système qui suppose une infrastructure cellulaire sans fil avec des antennes distribuées et non corrélées de M au niveau de la BS, des UE à antenne unique et corrélés N étroitement situés, et un récepteur GD-ML avec une taille de groupe Nu, ( N _ Nu); des métriques d’évaluation qui incluaient le taux d’erreur sur les bits (BER) et le taux d’erreur vectorielle (VER) comme métriques de performances, ainsi que la métrique des opérations à virgule flottante (FLOP) pour la complexité de calcul; analyse mathématique qui impliquait la formulation d’équations analytiques pour évaluer les performances et la complexité du récepteur à l’aide de la théorie aléatoire multivariée, de l’ordre stochastique et des opérations matricielles.

Nous avons fourni l’équation FLOP pour évaluer la complexité du récepteur GD-ML. Nous avons observé que l’algorithme GD-ML a presque la même complexité que ZF et MMSE, où les étapes de détection ML et de regroupement ajoutent une complexité négligeable à l’opération de projection linéaire. Nous avons dérivé une expression sous forme fermée pour le groupe moyen VER afin d’évaluer les performances du récepteur GD-ML. Nos résultats analytiques ont indiqué que le récepteur GD-ML fournit un gain de diversité proportionnel à M − N + Nu. Nous avons également constaté que les performances du récepteur GD-ML diminuent à mesure que les coefficients de corrélation des UE augmentent. Les résultats numériques ont révélé que le récepteur GD-ML surpasse à la fois les récepteurs ZF et MMSE et ont validé l’expression de performance dérivée. Nous avons observé que l’expression analytique et les résultats numériques restent proches pour les petits Nu. À un rapport signal/bruit (SNR) modéré, nous avons observé que les résultats de l’expression analytique et de la simulation correspondent étroitement et deviennent parfaits à mesure que la corrélation des UE augmente.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 75-81).
Mots-clés libres:	détection de groupe, grand MU-MIMO, détection ML, performances VER, canaux corrélés
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kaddoum, Georges
Codirecteur:	Codirecteur Gagnon, François
Programme:	Doctorat en génie > Génie
Date de dépôt:	16 janv. 2024 15:04
Dernière modification:	16 janv. 2024 15:04
URI:	https://espace.etsmtl.ca/id/eprint/3347

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt