大规模MIMO信号检测的高效算法优化

本文主要探讨了大规模MIMO (Multiple-Input Multiple-Output) 系统中信号检测的问题，针对大规模MIMO系统因天线数量众多导致的信号检测计算复杂度升高的挑战。作者提出了一种改进的临近信息传递算法来解决这一问题。 在大规模MIMO系统中，传统的检测方法如最大似然检测（Maximum Likelihood Detection, MLD）可能面临难以处理大量数据的困境。文章首先构建了一个基于因子图的概率模型，用于符号检测，这是将MIMO系统中的多用户信号与干扰和噪声关联起来的一种有效方法。因子图的利用有助于简化系统的表示，并通过图形结构更好地理解信号间的依赖关系。 接着，文章引入了高斯临近策略，通过对干扰信号和噪声进行近似的高斯分布假设，降低了信息计算的复杂性和数量。这种策略使得算法能够更高效地估计信号，尤其是在处理高斯性较强的噪声环境时，能有效减少运算量。 为了进一步扩展到高阶调制系统，如16QAM（16-ary Quadrature Amplitude Modulation），作者采用了高斯树临近方法，这是一种递归的近似方法，能够更精确地处理非线性调制带来的复杂性。高斯树临近通过分层次的方式逼近信号，提高了算法的适应性和性能。 仿真结果表明，当系统采用BPSK（Binary Phase Shift Keying）调制时，改进的临近信息传递算法与MLD的误码率性能相近，随着天线数量的增加，两者的性能趋于一致。然而，当系统使用高阶调制，如16QAM时，高斯树临近方法显示出更好的性能，证明了其在复杂调制下的优势。 这篇研究论文主要关注的是如何通过改进的临近信息传递算法优化大规模MIMO系统的信号检测，尤其是针对高阶调制和计算复杂度提升的问题。通过引入高斯树临近等策略，作者试图提升系统的检测效率和准确性，对于实际的无线通信系统设计具有重要的理论和实践意义。