In this thesis, we propose a novel ML decoding scheme based on the combination of depth- and breadth-first searching on a partitioned tree for multiple input multiple output systems. The proposed scheme first partitions the searching tree into several stages, each of which is searched by depth- or breadth-first searching, maximally exploiting the advantages of both the depth- and breadth-first searching. Numerical results indicate that, when the depth- and breadth-first searching algorithms are adopted appropriately, the proposed scheme exhibits a lower computational complexity than the conventional ML decoders while maintaining the ML bit error performance.
이 논문에서는 여러 입력 여러 출력 시스템에서 탐색 나무를 쪼개어 깊이 먼저 탐색법과 너비 먼저 탐색법을 섞어 쓰는 새로운 가장 비슷함 복호 방법을 제안한다. 제안한 방법은 먼저 탐색 나무를 여러 뭉치로 나누고, 각 뭉치마다 깊이 먼저 탐색법이나 너비 먼저 탐색법을 알맞게 써서 탐색하여, 두 탐색법이 가진 장점을 최대한 이끌어 낸다. 깊이 먼저 탐색법과 너비 먼저 탐색법을 알맞게 섞어 씀으로써 다른 일반적인 가장 비슷함 복호기와 비트 오류율이 같으면서도 계산량이 적음을 모의 실험으로 보인다.
