آشكارسازي ML در گيرنده سيستمهاي مخابرات بي‌سيم MIMO در حضور خطاي تخمين كانال
محورهای موضوعی : مهندسی برق و کامپیوتر
مهرزاد بیغش
1
(دانشگاه شیراز)
احمدعلی فرهودی
2
(دانشگاه شیراز)
محمدعلی مسندی شیرازی
3
(دانشگاه شیراز)
کلید واژه: آشكارسازي MLخطاي تخمين كانالسيستم‌هاي چندورودي و چندخروجي (MIMO),
چکیده مقاله :
ظرفیت سیستم‌های مخابرات بی‌سیم را می‌توان با به کار بردن چند آنتن در فرستنده و چند آنتن در گیرنده به نحو قابل ملاحظه‌ای افزایش داد. در چنین سیستم‌هایی، که سیستم‌های MIMO نامیده می‌شوند، گیرنده با اطلاع از کانال به آشکارسازی سیگنال ارسالی می‌پردازد. در صورتی که اطلاعات کانال در گیرنده همراه با خطا باشد، كارايي آشکارساز كاهش يافته و نرخ خطای بیت افزایش می‌یابد. با توجه به اینکه در عمل، گیرنده تخمینی از کانال میان فرستنده و گیرنده را در اختیار دارد و نه مقدار دقیق آنرا، مقاله حاضر روشي بهبودیافته براي آشكارساز ML در سيستمهاي مخابرات بي‌سيم MIMO، در حالتي كه ماتريس كانال در گيرنده همراه با خطا در دسترس است را پيشنهاد مي‌کند. در روش پيشنهادي ما الگوريتم ML به صورت تحليلي اصلاح شده تا تأثير خطاي تخمين كانال بر روي آشکارسازی به حداقل كاهش يابد. بدین ترتیب در مقاله روشی پیشنهاد شده است که علاوه بر مقاوم‌بودن در برابر خطای تخمین کانال از نظر نرخ محاسباتی با الگوریتم ML چندان تفاوتی ندارد.
Capacity of wireless communication systems can be increased significantly by using arrays of antenna at the transmitter and receiver. In these so called multiple input multiple output (MIMO) communication systems, the algorithms used for detection of transmitted symbols are based on perfect channel state information (CSI) at the receiver side. The optimum detection approach in the sense of symbol error rate (SER) is Maximum likelihood (ML) detector. However, in the case of imperfect channel knowledge, the performance of this type of detection method degrades and symbol error rate (SER) increases. In this manuscript, we have briefly addressed the effect of imperfect channel knowledge on the performance of MIMO communication systems. Then, an analytical approach is proposed to cope with the destructive effect of CSI uncertainty on the ML detection algorithm and the performance of our proposed method is verified via computer simulations.
[1] A. J. Paulraj, D. A. Gore, R. U. Nabar, and H. Bolcskei, "An overview of MIMO communication- A key to Gigabit wireless," in Proc. of the IEEE, vol. 92, no. 2, pp. 198-218, Feb. 2004.
[2] D. Gesbert, M. Shafi, D. Shiu, P. J. Smith, and A. Naguib, "From theory to practice: An overview of MIMO space-time coded wireless systems," IEEE J. Selec. Areas Comm., vol. 21, no. 3, pp. 281-302,Apr. 2003.
[3] A. L. Swindlehurst, G. German, J. Wallace, and M. Jensen ,"Experimental measurements of capacity for MIMO indoor wireless channels," in Proc. IEEE Signal Processing Workshop SPAWC,pp. 30-33, 2000.
[4] E. Teletar, "Capacity of multi-antenna Gaussian channels ,"European Trans. Telecommun., vol. 6, pp. 585-595, Dec. 1999.
[5] G. J. Foschini and M. J. Gans, "On limits of wireless communications in a fading environment when using multiple antennas," Wireless Personal Communication, vol. 6, no. 3,pp. 311-335, Mar. 1998.
[6] R. Heath, S. Sandhu, and A. Paulraj, "Antenna selection for spatial multiplexing systems with linear receivers," IEEE Communications Letters, vol. 5, no. 4, pp. 142-144, Apr. 2001.
[7] M. Biguesh and A. B. Gershman, "Training based MIMO channel estimation: A study of estimator tradeoffs and optimal training signals," IEEE Trans. Sig. Proc., to appear.
[8] B. Hassibi and B. M. Hochwald, "How much training is needed in multiple-antenna wireless links?" IEEE Trans. Info. Theory, vol. 49, no. 4, pp. 951-963, Apr. 2003.
[9] S. Shahbazpanahi, A. B. Gershman, and J. H. Manton, "Closed-form blind MIMO channel estimation for orthogonal space-time block codes," IEEE Trans. Sig. Proc., vol. 53, no. 12, pp. 4506-4517,Dec. 2005.
[10] J. K. Tugnait and B. Huang, "Blind channel estimation and equalization of multiple-input multiple-output channels," in IEEE International Conf. on Personal Wireless Communication, pp. 231-235, Jaipur, India, Feb. 1999.
[11] S. Yatawatta and A. P. Petropulu, "Blind channel estimation in MIMO OFDM systems," IEEE Workshop on Statistical Signal Proc., pp. 363-366, Missori, US, Sept./Oct. 2003.
[12] H. Artes, D. Seethaler, and F. Hlawatsch, "Efficient detection algorithm for MIMO channels: A geometrical approach to approximate ML detection," IEEE Trans. Sig. Proc., vol. 51, no. 11,pp. 2808-2820, Nov. 2003.
[13] T. Yoo and A. Goldsmith, "Capacity of fading MIMO channels with channel estimation error," in IEEE International Conf. on Communication, vol. 2, pp. 808-813, Paris, France, Jun. 2004.
[14] G. Taricco and E. Biglieri, "Space-time decoding with imperfect channel estimation," IEEE Trans. wireless commun., vol. 4, no. 4, pp. 1874-1888, Jul. 2005.
[15] G. H. Golub and C. F. van Loan, Matrix Computations, Johns Hopkins Univ. Press, 3rd edition, 1996.
[16] A. A. Farhoodi and M. Biguesh, "Robust ML detection algorithm for MIMO receivers in presence of channel estimation error,'' in Proc.IEEE Int. Conf. Person. Indoor Mobile Radio Commun. PIMRC'06,Sept. 2006.
[17] M. Biguesh, S. Shahbazpanahi, and A. B. Gershman, "Robust downlink power control in wireless cellular systems," EURASIP J. on Wireless Communications and Networking, no. 2, pp. 261-272,Dec. 2004.