Multiple-input and multiple-output (MIMO) systems have been receiving a special attention as a promising candidate for next-generation communication systems due to the fact that use of multiple transmit and receive antennas dramatically increases the system capacity and diversity. The optimal detector of MIMO system is the maximum likelihood (ML) detector. However, the major problem with ML detector is its computational complexity. The complexity of ML detector increases exponentially according to the number of transmit antennas and the size of modulation set. For practical implementation, an ordered successive interference cancellation (OSIC) has been considered. Although an OSIC detection scheme requires less computational complexity than ML decision rule, it suffers from a significant performance degradation.
Recently, several algorithms achieving near-ML or ML performance have been proposed. The tree search based QRD-M algorithm and sphere decoding are the promising algorithms. Both algorithms are attracting a special attention as they achieve near-ML and ML performance while requiring substantially low complexity. Sphere decoding has lower complexity than QRD-M algorithm in aspect of the average complexity. However, QRD-M algorithm has advantage over sphere decoding in implementation because its worst case complexity is much lower than that of sphere decoding. The QRD-M algorithm reduces the complexity by selecting $It\{M}$ candidates with the smallest accumulated metrics at each level of the tree search. To accomplish near-ML performance for QRD-M algorithm, $It\{M}$ must be the size of modulation set. As the number of antennas and the size of modulation set are large, a larger value of $It\{M}$ is needed. In this case, it still requires high computational complexity.
In this respect, we introduce the new approach which reduce the complexity of conventional QRD-M algorithm by using decision feedback (DF) detection. The proposed method is based on two steps. The first step consists of searching for the threshold, which is obtained by using DF detection based on path with the minimum accumulated metric at each stage. In addition, more accurate threshold can be found by multiple DF detections, which are performed through the best paths as many as the size of list. In the second step, we select survival branches with accumulated metrics smaller than the threshold obtained at the first step. Both steps shown above are repeated in every stage except for the last stage on tree structure. It results in reducing the number of branches to be searched at each stage. Therefore, the proposed algorithm not only achieves near-ML performance like original QRD-M algorithm but also requires lower complexity than algorithm in [13] because the proposed algorithm prunes off the unnecessary branches more accurately.
무선 통신시스템에서 송수신 안테나의 사용은 안테나 수에 비례하여 채널 용량을 증가시킬 수 있다. 다중 입출력(Multiple-Input Multiple-Output: MIMO)시스템의 최적용량을 얻기 위해서는 ML(maximum likelihood) 수신기를 사용한다. 하지만 ML수신기의 주요한 문제점은 높은 복잡도이다. 실제적인 구현을 위해 OSIC(ordered successive interference cancellation)수신 기법이 고려되고 잇다. 그러나 비록 OSIC수신 기법이 ML수신기에 비해 낮은 복잡도를 요구하지만 성능면에서는 심각한 열화를 발생시키게 된다.
최근 tree기반의 QRD-m 기법과 sphere decoding 기법이 많은 관심을 모으고 있다. 두 기법 모두 ML수신기에 비해 상대적으로 낮은 복잡도를 요구하면서 near-ML의 성능을 보여준다. Sphere decoding 기법은 평균 복잡도 측면에서 QRD-M 기법에 비해 낮은 복잡도를 요구하는 반면, QRD-M 기법은 실제 구현에서 중요한 절대복잡도 측면에서 sphere decoding 기법보다 낮은 복잡도를 필요로 한다. 더욱이 QRD-M 기법은 forward tree 검색에 해당하지만, sphere decoding 기법은 backward node 방문으로 인한 시스템 지연이 발생한다. QRD-M 기법은 tree 검색의 각 단에서 가장 작은 누적 metric을 가지는 $It\{M}$은 신호 성상도의 크기와 같아야 한다. 안테나 수와 변조 차수가 증가하면 더 큰 수의 후보수 $It\{M}$이 필요하게 된다. 이럴 경우 복잡도는 함께 증가하게 된다.
본 논문에서는 다중 DF 수신기를 이용하여 기존 QRD-M 기법의 복잡도를 줄이는 새로운 기법을 소개한다. 제안된 방식은 두 가지 단계로 이루어 진다. 첫 번째 단계는 임계값을 찾는 것인 데, 이는 각 단계에서 가장 작은 누적 metric을 가지는 path를 기준으로 partial DF검출을 이용하여 구한다. 여기서의 partial DF는 이처럼 검출하고자 하는 전체 신호의 부분을 기준으로 하여 나머지 신호들을 구하기 위해 DF검출을 실행하는 것을 의미한다. 게다가 더욱 정교한 임계값은 list의 수 만큼의 가장 좋은 path를 기준으로 다중 DF검출을 수행하여 구할 수 있다. 두 번째 단계는 첫 번째 단계에서 구한 임계값보다 작은 누적 metric을 가지는 path를 살아남게 하는 것이다. 위의 과정은 tree의 마지막 단을 제외한 모든 단에서 반복된다. 따라서 제안된 방식은 기존 QRD-M 기법과 같이 near-ML 성능을 유지하면서 adaptive QRD-M 기법보다 낮은 복잡도를 요구한다.
