HAL Id: pastel-00682392
https://pastel.archives-ouvertes.fr/pastel-00682392
Submitted on 25 Mar 2012
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Abdellatif Salah
To cite this version:
Abdellatif Salah. Low complexity decoding schemes for MIMO systems. Information Theory [cs.IT].
Télécom ParisTech, 2010. English. �pastel-00682392�
présentée pour obtenir le grade de do teur
de TELECOM ParisTe h
Spé ialité : Éle tronique et Communi ations
Abdellatif SALAH
S hémas de dé odage MIMO à
Com-plexité Réduite
soutenu le 12, juillet 2010 devant le jury omposé de
Pr. Dirk Slo k Rapporteurs
Dr. Cong Ling
Pr. Mérouane Debbah Examinateurs
Dr. Ahmed Saadani
Pr. Hi hem Besbes
Dr. Ghaya Rekaya-Ben Othman Dire teurs de thèse
TELECOM ParisTe h
Communi ations and Ele troni s department
Digital ommuni ations group
Abdellatif SALAH
Low Complexity De oding S hemes for
MIMO Systems
Defense date: 07, 12 2010
Committee in harge:
Pr. Dirk Slo k Reporters
Dr. Cong Ling
Pr. Mérouane Debbah Examiners
Dr. Ahmed Saadani
Pr. Hi hem Besbes
Dr. Ghaya Rekaya-Ben Othman Advisors
during the progress of this work. I dedi ate this thesis to my wife Manel for her
suggestions and support and to our babyMalik. Thanks for all. My beloved brothers and
A knowledgment
This thesis bears my name on the over, but it is the result not only of my work, but
also that of many others who have helped or supported me along the way. Without
them, the present work would not have been possible. This thesis would not have been
possiblewithoutthekindsupport, thetren hant ritiques,theprobingquestions,andthe
remarkable patien e of my thesis advisor Dr. Ghaya Rekaya Ben Othman. I amheartily
thankful to her for hisen ouragement,guidan e and supportfrom the initialtothe nal
level enabled me to develop an understanding of the subje t. I am also grateful to my
advisorPr. Jean-ClaudeBelorewho provided mede isiveandenergeti supportandfor
hisassistan e and willingness todis uss ideas.
I wish tothank TELECOM ParisTe h for openingtheir doors tome, and for making
alltheirresour esavailablesothatmywork ouldbedevelopedunderthebest onditions.
I would like to thank Pr. Dirk Slo k, Dr Cong Ling, Pr. Mérouane Debbah, Dr.
Ahmed Saadani, Pr. Hi hem Besbes, for a epting to be the jury at my thesis defen e.
I'mgratefultomyfriendsinFran eandinTunisiafortheir supportanden ouragements.
I am espe ially thankful to my son Malik for being the ultimate reason for nishing
my thesis and to my wife Manel for his love and understanding. I am indebted to my
parents: Sassi and Fattoum,my brothers: Mondher, Hou ine,Omar, my sister Zohrafor
en ouraging me and being patient. I would like to express ma gratitude to my family
in-law for their are. Last, but not least, I'm thankful to my olleagues Rim Ouertani,
MireilleSarkiss, SamiMekki, MayaBadr,Eri Bouton...I wouldliketothank alsoRediet
Geta hew for histimespent readingmythesis and histhoughtful ommentswhi hledto
great improvements.
Lastly,Ioermyregardsandblessingstoallofthosewhosupportedmeinanyrespe t
Résumé
L'utilisationdes antennes MIMO est une te hnique qui permet d'exploiterde façon très
e a e ladiversité spatialeettemporelleprésentedans ertainssystèmesde
ommuni a-tion, dont le anal sans l. Le prin ipalavantage de ette te hnique est une très grande
e a ité spe trale. De nos jours, oùle anal radio-mobileest de plus en plusutilisé pour
transmettretouttyped'information,lesméthodespermettantuneutilisationpluse a e
du spe tre éle tromagnétiqueont une importan efondamentale.
Les algorithmes de ré eption onnus aujourd'hui sont très omplexes, même en e
qui on erne les systèmes MIMO ave les odes espa e-temps les plus simples. Cette
omplexitéreste l'un des obsta les prin ipauxà l'exploitationréelle.
Cette thèse présente une étude très détaillée de la omplexité, la performan e et les
aspe ts les plus intéressants du omportement des algorithmes de la ré eption pour le
dé odageMIMO,étude quiprésenteun moyen rapidepourune éventuelle on eptiondes
ar hite tures adaptées à e problème.
Parmilessujetsprésentés dans ettethèse,uneétudeapprofondiedelaperforman eet
la omplexitéde esalgorithmesaétéréalisée,ayantpourobje tifd'avoirune onnaissan e
susante pour pouvoir hoisir, parmi le grand nombre d'algorithmes onnus, le mieux
adaptéà haque système parti ulier. Des améliorationsauxalgorithmes onnusontaussi
Abstra t
The use of MIMO antennas is a te hnique that allows to exploit in a very ee tive way
the spatial and temporal diversity in ertain systems of ommuni ation, of whi h the
wireless ommuni ationsystems. Themainadvantageofthis te hnique isagoodspe tral
e ien y. Nowadays, themobileradio hannelisin reasinglyusedtotransmitalltypeof
informationandmethodsallowingamoreee tiveuseofthespe trumhaveafundamental
importan e.
Today, the well-known re eption algorithms are very omplex, even as regards the
MIMO systems with the simplest spa e-time odes. This omplexity remains one of the
main obsta les in the real exploitationof this te hnique.
This thesis presents a detailed study of the omplexity, the performan e and the
most interesting aspe ts of the behaviorof the re eption algorithmsfor MIMO de oding.
This study presents aqui k mean fora possible ar hite tural on eption adapted to this
problem.
Amongthesubje tspresented inthisthesis,anin-depthstudy oftheperforman eand
the omplexity of these algorithms was realized, having for obje tive to a quire enough
knowledge to be able to hoose, among the large number of known algorithms, the best
adapted to every parti ular system. Improvements in the known algorithms were also
Contents A knowledgment i Résumé ii Abstra t iii Contents v List of Figures ix
List of Abbreviations xiii
List of Notations xvi
Résumé en Français 1
0.1 CanalMIMO etModélisationdu Systeme . . . 1
0.1.1 S hemas de Transmission . . . 1
0.1.2 Modulationand Demodulation . . . 4
0.1.3 LesTe hniques de diversité . . . 5
0.1.4 Dénitionde Latti e etses propriétés . . . 9
0.2 Dé odage MIMO . . . 11
0.2.1 Introdu tion . . . 11
0.2.2 Du modèle anal vers ledesign de Latti e . . . 12
0.2.3 Dé odeurs MIMO : Prin ipes de base et stru tures . . . 12
0.2.4 Les lasses des dé odeurs MIMO . . . 13
0.3 Dé odeur par Sta k àbornes sphériques dur et souple . . . 21
0.3.1 Introdu tion . . . 21
0.3.2 Dé odeur par Sta k à bornes sphériques . . . 21
0.4 Rédu tion de la omplexitéde l'algorithme de dé odage par sta k . . . 24
0.4.1 Introdu tion . . . 24
0.4.2 Dé odage par Sta k parallèle. . . 24
1 MIMO Channel Des ription and Information Theory notions 31
1.1 MIMO Channel and System Modeling . . . 31
1.1.1 Transmission S heme . . . 31
1.1.2 Modulationand Demodulation . . . 36
1.1.3 Fading Channels . . . 37
1.1.4 Diversity Te hniques . . . 38
1.1.5 Latti e Denitionand Properties . . . 41
1.2 Some Mathemati alToolsfor MIMO De oding . . . 43
1.2.1 QRDe omposition . . . 43
1.2.2 Cholesky fa torization . . . 44
1.2.3 SVD De omposition . . . 47
1.3 InformationTheory . . . 48
1.3.1 Mutual Informationand MIMOChannel Capa ity . . . 48
1.3.2 OutageProbability . . . 53
1.3.3 MultiplexingGain . . . 53
1.3.4 Diversity MultiplexingTradeo . . . 54
1.4 Spa eTime Codes . . . 55
1.4.1 Spa e Time Codes Constru tionCriteria . . . 56
1.4.2 Spa e Time Blo kCodes . . . 58
1.4.3 Linear Dispersion Spa e Time Codes . . . 58
1.5 Con lusion . . . 59
2 MIMO De oding 61 2.1 Introdu tion . . . 61
2.2 From aChannel Modelto alatti e design . . . 61
2.3 MIMO De oders : Basi Prin iplesand Stru tures . . . 61
2.4 MIMO De oder Classes . . . 63
2.4.1 Sub-OptimalMIMO De oders . . . 63
2.4.2 Latti e MIMO De oders . . . 66
2.4.3 Sequential MIMO De oders . . . 74
2.4.4 SoftMIMO De oders . . . 84
2.5 Pre-pro essing Te hniques . . . 89
2.5.1 Left Pre-pro essing :MMSE-GDFE . . . 89
2.5.2 RightPre-pro essing . . . 93
2.5.3 MinkowskiRedu tion . . . 94
2.5.4 Korkine-Zolotare Redu tion . . . 95
2.5.5 LLL Redu tion . . . 95
2.6 The Diversity MultiplexingTradeo of MIMO De oders. . . 96
2.7 Con lusion . . . 97
3 Hard and Soft Spheri al-Bound Sta k de oder for MIMO systems 99 3.1 Introdu tion . . . 99
3.2 Spheri al-BoundSta k de oder for MIMO systems. . . 99
3.2.3 Comparisonof the SB-Sta k De oder and the original Sta k De oder108
3.2.4 Comparisonof the SB-Sta k De oder and the Sphere De oder . . . 110
3.2.5 Sub-optimalSB-Sta k de oder . . . 114
3.3 SoftDe oding usingthe sta k de oder with Spheri al Bounds . . . 114
3.3.1 SoftSta k De oding Strategy . . . 114
3.3.2 SoftDe oders Comparison . . . 115
3.4 Con lusion . . . 120
4 On Redu ing Complexity of MIMO Sta k De oding 121 4.1 Introdu tion . . . 121
4.2 Parallel Sta k De oding . . . 121
4.2.1 New Latti e Representation . . . 122
4.2.2 Overview of Parallel De oding te hnique . . . 123
4.3 OptimizedSta k De oding Strategies . . . 125
4.3.1 Child -Sibling Sta k De oding Strategy . . . 125
4.3.2 Complex Sta k De oding Strategy. . . 128
4.4 EarlyTermination Sta k De oding . . . 131
4.4.1 ZF-DFEand K-BEST earlytermination for hard and soft de oding 131 4.4.2 Bias update forearly termination . . . 133
4.5 Con lusion . . . 135
Con lusions and perspe tives 135
List of Figures
1 Generi Ar hite ture of aDigitalCommuni ation System . . . 2
2 MultipathPropagation of Radio Signals . . . 3
3 Dierent antenna ongurations inspa e-time systems. . . 4
4 MIMO System representation onstituted of M transmit and N re eive antennas . . . 5
5 Example of a
Z
[i]
latti eof dimension 2. . . 66 SpatialRe eive Diversity . . . 7
7 SpatialTransmit Diversity . . . 8
8 Example of a
Z
[i]
latti eof dimension 2. . . 109 OrthogonalProje tion of the re eived ve tor . . . 14
10 Linearand Non-LinearSub-OptimalDe oders Performan e and Complex-ity Comparisonfor
2
× 2
MIMOSystem using SpatialMultiplexingwith a 4-QAMConstellation . . . 1711 Sphere De oding . . . 19
12 SESear hStrategy . . . 20
13 Performan e of a MIMO System using a SM with
M = N = 4
, obtained for dierent sear h regions . . . 2314 Example of a Latti e dened in
Z
2
; the Sear h Region does not ontain the ML point . . . 2315 Parallel pro essingprin iple . . . 26
1.1 Generi Ar hite ture of aDigitalCommuni ation System . . . 32
1.2 MultipathPropagation of Radio Signals . . . 33
1.3 Dierent antenna ongurations inspa e-time systems. . . 34
1.4 MIMO System representation onstituted of M transmit and N re eive antennas . . . 35
1.5 Example of a
Z
[i]
latti eof dimension 2. . . 361.6 SpatialRe eive Diversity . . . 39
1.7 SpatialTransmit Diversity . . . 40
1.8 Example of a
Z
[i]
latti eof dimension 2. . . 421.9 Diversity Multiplexing Tradeo for a Rayleigh Channel with M transmit and N re eiveantennas . . . 55
2.2 Linearand Non-LinearSub-OptimalDe oders Performan e and
Complex-ity Comparisonfor
2
× 2
MIMOSystem using SpatialMultiplexingwith a4-QAMConstellation . . . 67
2.3 Sphere De oding . . . 68
2.4 SESear hStrategy . . . 71
2.5 SEzigzag Strategy . . . 73
2.6 SEand SD Performan e and Complexity Comparison . . . 75
2.7 Tree sear hfor a point with tree depth =4 . . . 76
2.8 Example of atree stru ture with adepth =4 . . . 76
2.9 Breadth-FirstSear h Strategy . . . 77
2.10 Depth-First Sear h Strategy . . . 77
2.11 Bran hand Bound . . . 79
2.12 Fano De oder . . . 80
2.13 Sta k managementfor the Sta k De oding algorithm . . . 82
2.14 Best-FirstSear hAlgorithm . . . 82
2.15 Flow hart of the sta k de oder . . . 83
2.16 Sta k De oding using bias : aComplexity-Performan e Tradeo . . . 85
2.17 SphereCenteredontheMLPointandtheSphereCenteredontheRe eived point . . . 88
2.18 Example of bases in
Z
2
. . . 933.1 Performan e of a MIMO System using a SM with
M = N = 4
, obtained for dierent sear h regions . . . 1013.2 Example of a Latti e dened in
Z
2
; the Sear h Region does not ontain the ML point . . . 1023.3 Flow hart of the Spheri al-Bound-Sta k de oder . . . 104
3.4 Performan eand omplexityoftheSB-Sta kde oderfora
2
×2
anda4
×4
MIMO systems using aSM. . . 1063.5 Complexity Comparison of the Sta k De oder and the Sphere De oder using dierent
QAM
Constellations, for a MIMO System with SM,M =
N = 4
. . . 1073.6 Comparison of the Sta k and the SB-Sta k de oding in terms of visited nodes for a
4
× 4
system with spatial multiplexing . . . 1093.7 ComparisonoftheSta kandtheSB-Sta kde odingintermsofthenumber of multipli ationsfor a
4
× 4
system with spatial multiplexing . . . 1113.8 Comparison of the SD and the SB-Sta k de oding in terms of the average numberof visited nodes foraMIMO systemwith spatialmultiplexingand with a64-QAM onstellation. . . 112
3.9 Comparison of the SD and the SB-Sta k de oding in terms of the average number of multipli ations for a MIMO system with spatial multiplexing and with a 64-QAM onstellation . . . 113
3.12 Comparisonof thePerforman e ofSoftDe odersfora
2
× 2
MIMOSystem withSpatialMultiplexing,16-QAM,CC[133, 171]
O
,R
c
= 1/2
,inaRayleighChannel . . . 118
3.13 Comparison of the Complexity of Soft De oders for a
2
× 2
MIMO Sys-tem with Spatial Multiplexing, 16-QAM,CC[133, 171]
O
,R
c
= 1/2
, in a RayleighChannel . . . 1194.1 Parallel pro essingprin iple . . . 124
4.2 Parallel pro essing: Four dimension in two steps. . . 125
4.3 Parallel Pro essing Sta k De oding :estimation of s
4
and s3
. . . 1264.4 Parallel Pro essing Sta k De oding :estimation of s
1
and s2
. . . 1274.5 The Standard Sta k De oder Hardware Ar hite ture . . . 128
4.7 4-ASK order of visited symbols . . . 128
4.6 Parallel Sta k de oder hardware ar hite ture . . . 129
4.8 ComparisonofdierentSta kDe odingStrategiesintermsofvisitednodes for a
4
× 4
system with spatialmultiplexingand 16-QAM onstellation . . 1304.11 16-QAM order of visited symbols . . . 130
4.9 ComplexSta k de oding :(a) Firststep:
x
4
symboldete tion,(b) Se ond stepx
3
symbol dete tion . . . 1314.10 Complex Sta k de oding : ( ) Third step :
x
2
symbol dete tion , (d)(e) Fourth stepx
1
symbol dete tion . . . 1324.12 EarlyTermination Controlfor hard de oding . . . 133
4.13 EarlyTermination Controlfor soft de oding . . . 133
4.14 Sta k de oding to ZFE-DFEtransition . . . 134
4.15 Sta k de oding to K-BEST transition(k=3) . . . 135
4.16 ComparisonofSphereDe odingwith lippingandSta kDe odingwith ZF-DFEearlyterminationwithamultipli ation omplexity onstraintof1700 operationsper odewordfora
2
×2
MIMOsystemwithspatialmultiplexing and using a16-QAM onstellation. . . 136List of abbreviations
AWGN AdditiveWhite GaussianNoise
BB Bran h and Bound
BeFS Best First Sear h
BrFS Breadth First Sear h
BER Bit Error Rate
BICM Bit Interleaved Coded Modulation
BLAST Bell-labsLAyered Spa e-Time
BPSK Binary Phase Shift Keying
BS Base Station
CCDF CumulativeComplementaryDensity Fun tion
CLPS Closest Latti e Point Sear h
CSIR Channel State Information atthe Re eiver
CSITR Channel State Information atthe Transmitter and atthe Re eiver
DAST Diagonal Algebrai Spa e-Time
DFE Diagonal Algebrai Spa e-Time
DFS Depth FirstSear h
DL Down Link
DSL Digital Subs riber Line
ECC Error Corre ting Code
GC Golden Code
IEEE Institute of Ele tri aland Ele troni s Engineers
LDPC Low-Density Parity Che k
LDSTC Linear DispersionSpa e-Time Code
LLR Log-LikelihoodRatio
LOS Line-Of-Sight
LSD List Sphere De oder
LSTC Layered Spa e-Time Code
MAP Maximum A Posteriori
MIMO Multiple-Input Multiple-Output
MISO Multiple-Input Single-Output
ML Maximum Likelihood
MMSE Minimum Mean SquaredError
MMSE-GDFE Minimum Mean SquaredError Generalized De ision Feedba k Equalization
NVD Non Vanishing Determinant
PER Pa ket Error Rate
PSK Phase-Shift Keying
OFDM Orthogonal Frequen y Division Multiplexing
OFDMA Orthogonal Frequen y-Division MultipleA ess
OSIC Ordered Su essive Interferen es Can ellation
OSTBC Orthogonal Spa e-TimeBlo k Code
QAM Quadrature AmplitudeModulation
QPSK QPSK Quadrature Phase ShiftKeying
QRD QR De omposition
SB-Sta k Spheri al Bound Sta k de oder
SE S hnorr-Eu hner
SER SymbolError Rate
SD Sphere De oder
SIC Su essive Interferen es Can ellation
SIMO Single-Input Multiple-Output
SISO Soft-Input Soft-Output
SSD Shifted Sphere De oder
SM Spatial Multiplexing
SNR Signal-to-Noise Ratio
SOVA Soft-Output Viterbi Algorithm
ST Spa e-Time
STBC Spa e-Time Blo k Code
SVD SingularValue De omposition
UL Up Link
UMTS Universal Mobile Tele ommuni ations System
WIMAX WorldwideInteroperability for Mi rowave A ess
WLAN Wireless lo alArea Network
List of Notations
Mathemati al Notations
E[a]
Mean of the randomvariable aσ
2
a
Varian eof the randomvariable aN (µ, σ
2
)
Normal distribution with mean
µ
and varian eσ
2
ℜ(z)
Imaginary part of the omplexz
ℑ(z)
Realpart of the omplexz
v
Sta kingthe real part ofv
over itsimaginary part as:v
=
Re
(v)
Im
(v)
Z
The set of all integersR
The set of allreal numbersC
The set of all omplex numbers ve (A
) Ve torization of matrixA
tr(A
) Tra e of matrixA
rank (
A
) Rank of matrixA
det(A
) Determinant of matrixA
A
T
Transpose of matrixA
A
H
Hermitian onjugateof matrixA
A
−1
Inverse ofA
A
From omplex valued matrixA
toreal valuedmatrixA
as follows :A
= Ψ(A) =
Re
(A)
−Im(A)
Im
(A)
Re
(A)
.
I
N
Identity Matrixof dimensionN
× N
A
\i
Matrix omprising all olumns ofA
but thei
th
A
j
i
Matrix omprising olumnsi
throughj
ofA
A
jl
ik
Matrix omprising rowsi
throughj
and olumnsk
throughl
ofA
A
\ij
Matrix formed by removingthei
th
row andj
th
olumn(x)
+
=
a
ifx > 0
0
elsePropagation Channel
h(t,τ )
Impulse response of the linear lter modeling the propagation hannels(t)
Transmitted signaln(t)
Noiser(t)
Re eived signalB
c
Channel oheren e bandB
s
Transmitted signals(t)
BandwidthRésumé en Français
Dans un premiertemps, on présente le fon tionnement générald'un système de
ommu-ni ation numérique. On se fo alise parti ulièrement sur les systèmes MIMO. D'abord,
on présente le modèle du anal pour un système MIMO. Ainsi,diérentes te hniques de
modélisationsont présentéesetquelques modèlesissus de lalittératuresont lassiés. On
introduit ensuite leste hniques de diversité etles propriétés de latti e.La probabilité de
oupure et le gain de multiplexage sont présentés. Le tradeo diversité-multiplexage est
aussi détaillé.
0.1 Canal MIMO et Modélisation du Systeme
0.1.1 S hemas de Transmission
Un diagramme pour un système de ommuni ation radio sans ls est présenté dans la
gure (1.1). Dans ette gure, la sour e d'information pourrait être de la voix, de la
vi-déo oudes données. Le odeur sour e traite l'informationet la formate en une séquen e
binaire bits
∈ {±1}
. L'obje tif du odage sour e est de supprimer la redondan e non stru turée de lasour e. Le odage anal ajoute de laredondan e stru turéedans l'obje -tif de protéger l'informationde la distorsionet du bruit du anal grâ e á ette diversité.
Lemodulateurvamapperlaséquen e des bits odésen ondesradio onvenantes pourune
transmissionátravers le anal.L'amplitudedu signaldé roit á ausede ladistan e entre
l'émetteur et le ré epteur. C'est la perte de propagation. A ause des obsta les,
l'ampli-tude du signal est atténué, 'est e qu'on appelle shadowing. Finalement, à ause de la
propagation multi-trajets entre l'antenne émettri e et l'antenne ré eptri e, le signal est
déformé. L'évanouissement multi-trajets peut être onstru tifou destru tif.Le ara tère
onstru tifoudestru tifdel'évanouissementdu analdépend delafréquen eporteusedu
signal etainsi appelé anal séle tif en fréquen e. En plus des eets de propagation,vient
s'ajouter un bruit auniveau du ré epteur dé orrelé du signal transmis : bruit thermique
et interféren es o- analet issus des anaux adja ents.
« Front−End »
Radio
Frequency
Radio
Propagation
Channel
« Front−End »
Radio
Frequency
Channel
Demodulation
Digital
Modulation
Digital
Destination
Source
Source
Coding
Decoding
Source
Channel
Coding
Decoding
Figure 1 Generi Ar hite ture of aDigital Communi ation System
Ainsi,lamodélisationdu anal de transmission est essentielle pour on evoir un système
de ommuni ation numérique performant, le modèle du anal dépend ainsi de
l'environ-nement et du modèle de propagation. Comme montré dans la gure (1.2), le ré epteur
déte telesdiérentesversionsdusignal.L'é hode emêmesignaln'estautreque
l'intera -tion de l'ondeave l'environnementde propagationréel : dira tion,réexion, dispersion
(2).
Lareprésentationmathématiquesimplepourun analde ommuni ationestla
repré-sentationave un ltrelinéairedonts'ajouteun bruit additif.Lesignaltransmisest ainsi
orrompu par le bruit additif(3).
Figure (1.3) illustre les diérentes ongurations d'antennes utilisées pour pour
dé-nir des systèmes spatio-temporels. Single-input single-output (SISO) est le modele sans
lleplus onnu,single-inputmultiple-output(SIMO) utilisesuneseule antennede
trans-mission et plusieurs en ré eption. Multiple-input single-output (MISO) utilises plusieurs
antennes en transmission et une seule en ré eption. Considérons un système MIMO ave
M
antennesde transmission etN
antennes en ré eption. Ainsile signal en blo k reçu:Y
N ×T
= H
N ×M
· X
M ×T
+ W
N ×T
,
(1)Ave
H
est lamatri edu analave desentrées omplexesh
ij
représentantles oe ients d'évanouissement entre lei
me
antenne de ré eption etle
j
me
antenne de transmission, et
sontmodéliséespar des variables gaussiens indépendantsde moyenne zéro etde varian e
000000000000000
000000000000000
000000000000000
000000000000000
111111111111111
111111111111111
111111111111111
111111111111111
000
000
000
000
000
000
000
000
111
111
111
111
111
111
111
111
Diffusion
Line Of Sight
Diffraction
Reflection
Figure2 MultipathPropagation of Radio Signals
Le anal MIMO
H
peut être représentéà un instant donné par une matri e de tailleN
× M
H
N ×M
=
h
11
h
12
· · · h
1M
h
21
h
22
· · · h
2M
. . . . . . . . . . . .h
N 1
h
N 2
· · · h
N M
,
(2)La gure (1.4)représente e système.
X
M ×T
est leblo du signal transmissur un T périodessymboleetunematri ededimensionsM
×T
.T
estladimensiontemporelle, 'est ainsilenombred'utilisations anal(u ).W
N ×T
∈ N (0,σ
2
.I)
estunbruitadditifgaussien.
Le anal est supposé onstant durant la transmission d'un blo ( applé aussi des fois :
trame)et hanged'un blo à un autre.Le analest supposé aussi sans mémoireentre les
blo s: ainsi les matri esasso iés auxdiérents blo ssont statistiquement indépendants.
Ce analest onnu ommeun analplat en fréquen e,un anal àévanouissement lentou
tout simplement un anal à évanouissement par blo . Ces ara téristiques sont typiques
dans des appli ationssans lsxes (WiFi...),ouun hangement lentdu anal est prévu:
un exemple seraun environnement bureautiqueoules genspeuventbougeren mar hant.
La matri e
H
est supposé de rang plein. Ce i étantjustié ar la probablilitéde generer une matri ealéatoirementprésentant deslignes oudes olonnes non-indépendantest trèspro he de zero. En pratique, ela veut dire que les antennes de ré eption ou d'émission
Tx
Tx
Tx
Tx
Rx
Rx
Rx
Rx
SISO
SIMO
MISO
MIMO
Figure3 Dierent antenna ongurations in spa e-time systems.
gigahertz et don la séparation requise serait de quelques entimètres. Chaque ré epteur
est supposé voirestimé
H
parfaitementàtravers l'utilisationde ertainspro édés appro-priés, telle qu'une séquen e d'apprentissage transmis à haque blo . Cette situation estsouventdé ritedans lalittérature ommeleré epteur ayantune onnaissan eparfaite de
l'état du anal (CSI).
Les entrées
|h
ij
|
sont supposés avoir une distribution de Rayleigh. Les entrées de la ma-tri e de analH
sont omplexesetgaussiens. Chaque omposant dénitun gaussienréel etune partie imaginairegaussiennede moyenne nulleet de varian eégale à0,5. Ainsi,leanal
H
est onsidéré omme un anal de Rayleigh.0.1.2 Modulation and Demodulation
Modulation et la démodulation sont utilisées dans de nombreux types de transmission
de données analogique et numérique. Le hoix d'un type de modulation est basé sur la
bande passante et le rapport signal bruit. Dans la modulation numérique, une porteuse
analogique est modulée par un train de bits numériques. Les pro édés de modulation
numériques peuventêtre onsidérés omme onvertisseur numérique-analogique, etla
dé-modulation omme onvertisseur analogique-numérique. Les hangements dans le signal
de porteusesont hoisisparmiun nombre nide symboles (l'alphabetde modulation).Si
l'alphabetse omposede 2
N
b
symboles, haque symbolereprésenteun message onstitué
de
N
b
bits. Habituellement,pournos simulations,nous allons utiliserlaQuadrature Am-plitude Modulation(QAM). La modulation QAM est tout simplement une ombinaisonde modulationd'amplitude et de modulationpar dépla ement de phase.Ses pointsde la
onstellationsontgénéralementorganisés dansunegrille arréeave unespa ement
verti- alethorizontalégale.L'ensembledespointsdes onstellationsest unsous-ensemblenal
M transmit antennas
X
H
Y
N receive antennas
Figure 4 MIMO System representation onstituted of M transmit and N re eive
an-tennas
binaires, le nombre de points dans la grilleest généralement une puissan e de 2 (2, 4, 8
...). Quelques exemplesde onstellations
q
− QAM
aveq =
4,8,16 sont présentées dans lagure (1.5).Enpassantàune onstellationd'ordresupérieur,ilestpossibledetransmettreplusdebits
par symbole. Toutefois, si l'énergiemoyenne de la onstellation reste lamême, lespoints
doiventêtrerappro hésetsontdon plussensiblesaubruit;ilen résulteuntauxd'erreur
binaire plus élevé et d'ordre supérieur QAM peut fournir des données moins able que
d'ordreinférieur QAM, pour une énergie moyenne onstante.
0.1.3 Les Te hniques de diversité
Leste hniquesdediversitéfon tionnentsurladimensiontemps,fréquen eouespa e,mais
l'idée de base est la même. En envoyant des signaux qui transportent la même
informa-tionpar des voiesdiérentes, multiplesindépendammentatténués. Plusieursrépliquesdu
signalsontobtenuesauniveauduré epteuretuneplusabledéte tionpeutêtreatteinte.
Il yatrois types de s hémas de diversité dans les ommuni ations sans l
la diversité temporelle : Dans e as, les répliques du signal émis sont fournis dans le
tempo-00
01
10
11
101
111
011
001
110
010
000
100
1000
1010
0010
0000
0001
0011
1011
1001
0101
0111
1111
1101
1100
1110
0110
0100
(a) 4−QAM
(b) 8−QAM
(c) 16−QAM
Figure5 Example of a
Z
[i]
latti e of dimension 2anal doit fournir susamment de variations dans le temps. Elle est appli able dans le
as où le temps de ohéren e du anal est faible par rapport à la durée d'entrela ement
désirée de symbole. Dans un tel as, nous sommes assurés que le symbole entrela é est
indépendantdusymbolepré édent.Ce i lerend unerépliquetout àfait nouvelledu
sym-bole d'origine.
diversité fréquentielle : Ce type de diversité ore des répliques du signal original dans
ledomainefréquentiel.Ce i estappli able dansles as oùlabandede ohéren e du anal
est faiblepar rapport à labande passante du signal. Cela nous assure que lesdiérentes
parties du spe tre verront des évanouissementsindépendants.
La diversité spatiale : Elle est également appelé la diversité de l'antenne et est elle un
moyen e a e de lutte ontre l' évanouissement multi-trajets. Dans e as, les répliques
du même signal transmis sont prévues dans diérentes antennes du ré epteur. Ce i est
Fondamentalement, l'e a ité de tout s héma de diversité réside dans le fait que, au
ré epteurondoitfournir desversionsindépendantessdu signaltransmis.Dansuntel as
nous sommesassurésque laprobabilitéque deux signaux ouplus en ourentun
évanouis-sement profond sera très faible. Les ontraintes qui pèsent sur le temps de ohéren e,
la bande de ohéren e, et la distan e de ohéren e le onrme. Le s héma de diversité
doit don ombiner de façon optimale les formes d'onde reçues diversiées de manière à
maximiserla qualité du signal qui en résulte.
Nouspouvons également lasserla diversité en diversité d'émission et de ré eption.
diversité de ré eption : Maximum Ratio Combining est un s héma de diversité souvent
appliqué dans lesré epteurs pour améliorerlaqualité du signal. Dans lestéléphones
el-lulaires, ildevient oûteuse et lourde àdéployer. C'est une des raisons prin ipales que la
diversité d'émission est devenue populaire,puisque la diversité d'émission est plus fa ile
à mettreen Åuvre auniveau de la station de base.
Tx
x2
Rx
Scatterers
x
x1
x’
Figure6 Spatial Re eiveDiversity
Diversité de tranmission Dans e as, nous introduisons de la redondan e ontrlée
au niveau de l'émetteur, qui peut être ensuite exploité par des te hniques de traitement
de signal appropriées au niveau du ré epteur. En général, ette te hnique né essite une
onnaissan e parfaite du anal au niveau de l'émetteur. Maisave l'invention du odage
espa e-temps, ommelesystèmeAlamouti(4), ilest devenu possiblede mettreen oeuvre
ladiversitédetransmissionsans onnaissan edu anal.Cefutl'unedesraisons
fondamen-talespour lesquellesleMIMOindustriel ommen eà prendre essort.Codes espa e-temps
pour latransmissionMIMOexploiteàlafoisladiversitéd'emissionetde re eption equi
aboutit àune bonne qualité en re eption.
Par onséquent,enMIMO,nous parlonsbeau oupdeladiversitéde ré eptionou
d'émis-sion. En diversité de ré eption, le ré epteur qui a plusieurs antennes reçoit plusieurs
répliques du signal transmis même, en supposant que le la transmission est venu de la
Scatterers
x1
x2
x
Tx
Rx
x’
x21
x11
Figure7 Spatial Transmit Diversity
extrêmementpeuprobablequetouslesautres heminssontaussienévanouissement.Sile
nombre d'antennes de ré eptiontend vers l'inni,ladiversitétend vers l'innietle anal
tend vers un analà bruit blan gaussienadditif(AWGN)(5).
Dans la atégorie de la diversité spatiale, il ya deux types de diversité en plus que nous
devons examiner.Ce sont :
diversité de polarisation : Dans e type de diversité de polarisation horizontale et
ver-ti ale, les signaux sont transmis par deux antennes polarisées diéremment et reçues
respe tivement par deux antennes polariséesdiéremmentau niveau du ré epteur.
Dié-rentes polarisations assurent qu'il n'yait pas de orrélation entre les données, sans avoir
à sesou ier de la distan e de ohéren e entre lesantennes.
Diversité d'Angle Cela s'applique à des fréquen es porteuses de plus de 10 GHz. À es
fréquen es,les signauxtransmissont hautement dispersésdans l'espa e. Dans un tel as,
le ré epteur peut avoir deux antennes très dire tivesfa e dans des dire tions totalement
diérentes. Ce i permet au ré epteur de déte ter deux é hantillons du même signal, qui
sont totalement indépendantes les unes des autres.
Considérant un système MIMO
N
× M
, le gain de diversité maximal possible est égal àN
× M
. À haut SNR, la probabilité d'erreurP
e
diminue àd
me
en puissan e de SNR,
orrespondant à une pente de
−d
dans la ourbede probabilité d'erreur (en é helle dB / dB).P
e
∝
1
SNR
d
(3)Ainsi,la diversité est
d =
− lim
SN R→∞
log(P
e
)
don la probabilité d'erreur diminue si nous envoyons des informations sur
d
hemins indépendants.0.1.4 Dénition de Latti e et ses propriétés
Un latti e
Λ
est un sous ensemble de rangp
; pourp < n
, deR
n
.
Λ
est ainsi un latti e de dimensionp
etil existep
ve teursv
1
,v
2
, . . . ,v
p
∈ R
n
de dimension
n
telque :Λ = Λ(S) =
{a
1
v
1
+ a
2
v
2
+ . . . + a
p
v
p
: a
i
∈ Z}
(5) aveS
= [v
1
,v
2
, . . . ,v
p
]
est une matri e de dimensionsn
× p
. L'ensemlbe des ve teurs olonnes{v
1
,v
2
, . . . ,v
p
}
etlamatri eS
sontappelés respe tivement labase etlamatri e de base deΛ
. Ainsi,un latti eest une ombinaison linéaireentière des ve teurs de base. Dans lereste de do ument, un latti e ayantS
ommematri ede base sera notéΛ
S
. Considérons ainsi quelques dénitions utiles, (voir gure(1.8)):•
La matri ede Gram d'un latti eΛ
S
estG
= S
T
S
.
•
Lelatti e équivalentSoit
Q
dansM
n
(R)
,de telle sorte queT
= I
n
.Les deux latti es
Λ
S
etΛ
S.Q
sont équivalents(même latti e).•
volume fondamental d'un latti elavolumefondamentaled'unlatti e
Λ
S
ayantunebase{v
1
,v
2
, . . . ,v
p
}
dansR
n
est donné
par :
V
=
{x ∈ R
n
\x = a
1
v
1
+ a
2
v
2
+ . . . + a
p
v
p
, 0
≤ a
i
< 1, i = 1 . . . p
}
(6) Géométriquement,ledeterminantdet (Λ)
d'unlatti eΛ
estdéni ommeétantle ontenu du parallélépipède engendré par les bases du latti e. Généralement,un latti epeut avoirplusieursbases possiblesmais toujours le même déterminant.
•
Cellule de VoronoïLa ellulede Voronoï d'un point
u
dans un latti eΛ
est la régiondéni parv(u) =
{x ∈ R
n
\kx − uk ≤ kx − yk,y ∈ Λ}
(7)Ainsi, la ellule de Voronoï est une stru ture où haque interieur d'une ellule onsiste
en tous les points pro hes d'un point parti ulier du latti e que tout autre point dans le
latti e. Comme le latti e est uniforme, toutes les ellules de Voronoï sont identiques. Le
volume fondamentald'un latti e est égale au volume d'une ellule de Voronoï. La
repré-sentation des systèmes MIMO omme latti e et les dé oder ave un dé odeur latti e a
Lattice Point
Lattice Base
Voronoï Cell
Fundamental Parallelotope
(V1,V2)
V2
V1
Figure8 Example of a
Z
[i]
latti e of dimension 2représentation en latti e du modèle du anal.
0.1.4.1 Pour le as du système non odé
I i, on suppose que
T
, la dimension temporelle, est égale à1
. Soit le mapping inversibleΨ : C
M
→ R
M
du ve teur omplexe
v
en empilant la partie réelle du ve teurv
sur la partie imaginaire,déni parv
= Ψ(v) =
Re
(v)
Im
(v)
,
(8) OùM = 2M
. OùN
6= 1
, le mappingΨ : C
N ×M
→ R
N
×M
and
N = 2N
d'une matri e omplexeA
à une matri ereelleA
est denit ommesuit :A
= Ψ(A) =
Re
(A)
−Im(A)
Im
(A)
Re
(A)
.
(9)Ainsi,on peut réé rirel'équation(1.5)en séparantla partieréelle etla partieimaginaire
omme suit :
y
N
= H
N ×M
x
M
+ z
N
.
(10)Commelamatri e
H
N ×M
estderangplein,lamatri eH
N ×M
est ainsiderangplein.On obtient don une représentation en latti e du système MIMO non odé. Les dimensionsdu latti e sont
N
× M
et lamatri e génératri eestH
N ×M
.0.1.4.2 Pour le as du système odé
Dans e as
X
n'est plus un ve teur symbole omme dans le as d'un système non odé. Mais, il représente plutt la matri e mot de ode à envoyer. Le mot de ode reçu reste ommedé ritdansl'équation(1.5).Deuxétapesdoivent êtresuivies pour avoirune représentation en latti e du système MIMO odé :1) représenter le système ode omme un système non ode,
2) séparer les parties imaginaires et réelles. Premier pas onsiste dans la ve torisation.
Ainsi,l'équation (1.5) devient
y
N ·T
=
H
N ×M
0
. . .0
H
N ×M
·
φ
11
. . .
φ
1,M ·T
. . . . . . . . .φ
M ·T,1
. . . φ
M ·T,M·T
|
{z
}
φ
M ·T ×M ·T
·
x
1
. . .x
M ·T
|
{z
}
x
M ·T
+
z
1
. . .z
N ·T
,
Ave Commeresultat, onobtient unsystème equivalent à (1.5)
y
N ·T
= H
1,N ·T ×M ·T
· φ
M ·T ×M ·T
· x
M ·T
+ z
N ·T
= H
N ·T ×M ·T
·
x
M ·T
+ z
N ·T
(11)Laséparation delapartie réelleetimaginaireestappliquéeàl'équationpré édente ommepour l'équation(1.15),etlesystème odé devient
y
N ·T
= H
N ·T ×M ·T
·
x
M ·T
+ z
N ·T
(12)Oùon denit par
H
N ·T ×M ·T
lamatri eéquivalente génératri e du latti e.0.2 Dé odage MIMO
0.2.1 Introdu tion
Dans ette partie, on présente l'etat de l'art des algorithmes de dé odage MIMO existant en littérature.Ondis uteradansunpremiertemps,lesde odeurssous-optimaux, ommelede odeur de For age àZero(Zero For ing :ZF), l'algorithmede meminimisation del'erreur quadratique
(MinimumMean Square Error :MMSE),etlesalgorithmes à retourde dé ision, et .
On présente ensuite, les dé odeurs MIMO optimaux, eton se fo alisera en parti ulier sur eux baséssurunereprésentationenlatti eetsurlesalgorithmesséquentiels. Ondistingueainsideux
ategories,lesde odeursutilisantlastratégiedePohst ommeleSphèreDé odeuretle S hnorr-Eu hner,algorithmesutilisantslastratégiedeDijkstra(ex:best-rst-sear h) ommelede odage parsta ketlede odage deFano.Onmontreraque ettedernière atégorieoriraun ompromis
0.2.2 Du modèle anal vers le design de Latti e
La théorie de Latti e est appliquée e a ement pour en oder et dé oder l'information dans la transmissionnumériqueave antennesmultiples.Lathéoriedelatti eestunoutil mathématique puissantpourreprésenterle analgéométriquement et omprendreson omportementdans
l'ob-je tif dedesigner unbonmodulateur etunbondémodulateur.
0.2.3 Dé odeurs MIMO : Prin ipes de base et stru tures
Dans ettethèse,less hémasMIMO étudiéssont less hémasspatio-temporels.Ainsi,ilest pos-sibledereprésenterlesystème ommeunsystèmenon- odé équivalent.Pourguise desimpli ité, on onsidérera le s hémas de transmissionnon odé.Don , les algorithmes de dé odage étudiés
etproposés pour la suite reste valable pour un système odé, seulement les dimensionsdu sys-tème vont hanger. Rappelons, l'equation quirepresentelesystème MIMO ave Mantennes de transmissionetN antennes de ré eption.Soit lamatri e motde ode
X
de dimensionM
× T
et lesigna reçuY
de dimensionsN
× T
vériant :Y
= HX + W
(13)Apres ve torisation,lesystème peutêtre é ritsous ette forme:
y
eq
= H
eq
s
+ w
eq
(14)Où
y
eq
etw
eq
sont les ve teurs olonnes omposés deN T
éléments obtenus deY
etW
.s
est le ve teur omposé dep
symboles en odés ave la matri e mot de odeX
. La matri e du analéquivalenteH
eq
dedimensionsN T
× p
in lutlaréponsedu analetl'opérationdu odage spatio-temporel. Dans lasuite, pour simplier les notations, on va plus mentionner l'indi eeq
. Soitaussin = N T
.Commerésultat, lesnouveaux dimensionsdu systèmesontn
× p
.On suppose aussi une transmission ohérente (matri e anal onnu à l'émission). Le system
devient ainsi:
y
= H
· s + w,
(15)L'obje tif derrière la transmission MIMO est de trouver l'estimation du ve teur transmis. Le de odage optimalestlemaximumde vrairessemblan e (maximumlikelihood:ML).Il s'agitde trouverleve teur leplus pro he
s
qui minimise lamétriqueˆ
s
= arg min
s
∈C
s
ky − H · sk
(16)
Où
C
s
est l'ensemble formé par les ve teurs de la onstellation. Le ré epteur ML her he dans tous les ve teursde la onstellation,le ve teur signal leplus probablement transmis. En analy-sant lastru ture desdé odeurs, on peutdéduire que troisphases peuvent êtredistinguées dansla onstru tion. Chaquedé odeurpeutin lurequelquesphasesoutoutes lesphases.Ce i dépen-dra du ompromis ompexité-performan e re her hé. Les dé odeurs in luant toutes les phases oriront une estimation plusoptimale maissouriront néanmoinsd'une énorme omplexité.
Le prétraitement est une phaseoptionnelle. Etant donné unproblème de re her he, laphasede prétraitement estutilepour améliorerl'e a ité dudé odage.Leprétraitementpeutêtreséparé endeuxétapesindépendantes:leprétraitement àgau he etleprétraitement àdroite. Cesdeux
étapesseront détaillésplus tard.
Phase deux : Un premier point
Cette phasepermetd'obtenir une première estimation. L'avantage est d'obtenir rapidement un premier résultat qui n'est pasfor ement optimal. Quelques fois,le ré epteur abesoin d'obtenir
une estimation rapide. Dans e as, ette phase peutetre susante puisqueelle ore une om-plexité très réduite même si le résultat n'est pas optimal. Ce premier point peut être amélioré en utilisantd'autres phases,mais a rendra le outde la omplexité plusimportant.
Phase deux : un meilleur Point
Le premier point obtenu pré édemment seraamélioré pour avoir une estimation plus able. Ce premierpointestgénéralementutilisé ommeinitialisation pour ladeuxièmephasepour trouver
un point plusable. Cette phasene peutpasêtre indépendantede lapremière phase.
0.2.4 Les lasses des dé odeurs MIMO
0.2.4.1 Les dé odeurs MIMO sous-optimaux
Ledé odeurZFLeré epteurZFestunré epteurlinéaire.Ilse omporte ommeunltrelinéaire
F
et il sépare les ux des datas pour dé oder ainsi indépendamment haque ux. On suppose quele matri edu analH
estinversibleeton estime leve teur transmis ommesuit :ˆ
s
= H
H
H
−1
Hs
= H
†
s
(17)où
†
représente lepseudo-inverse.Puisque l'inverse deH
ne peut existerque si les olonnesdeH
sont independents, ilest supposéqueles elementsdeH
sont i.i.d.Ainsi:F
ZF
= H
H
H
−1
H
(18)
et
F
ZF
· y = s + F
ZF
· w.
(19)Ainsi,unesimpledéte tionpermettrad'estimer
s
ˆ
enutilisantunequanti ationdansla onstel-lationQAMgrâ e àlafon tionQ
QAM
:ˆ
s
= Q
QAM
{F
ZF
· y}
(20)Le dé odage ZF peut être vu omme une proje tion orthogonale du ve teur reçu sur la base onstitué desve teurslignes delamatri e
H
.Figure(2.1) montre unexemple de proje tion en dimension2.Silabasen'estpasorthogonal,laproje tiondey
génèreuneerreurdedé odage.Si labaseestorthogonale, laproje tion n'induitpasune erreurde dé odage etlasolution obtenue estbien lasolutionML.En pratique, la matri e du anal n'est pas orthogonale. Plusieurs travaux dans la littérature permettent d'obtenir des bases équivalentes omposées desve teurs les plus ourtes etles plus orthogonales possibles, este hniquessont appeléesleste hniquesde rédu tion(43).Ainsi,
apl-(b)
e
y
y
y
y
e
e
e
2
2
2
2
1
1
1
1
y’
y’
2
1
(a)
random H
Orthogonal H
Figure9 Orthogonal Proje tion of the re eived ve tor
dé odage pré-ML enterme de performan e.
A lasoritedu lter ZF,lebruit résultant est
w
˜
= F
ZF
· w
.La matri e de ovarian e est déni parR
w
˜
w
˜
= E
( ˜
w)
· ( ˜
w)
H
= σ
2
H
H
· H
−1
= σ
2
G
−1
.
(21)Par onséquen e, le bruit n'est pas blan ,
R
w
˜
w
˜
6= R
ww
= σ
2
I
. En plus, si on applique la de omposition SVD de la matri e de Gram
G
,on obtientG
= U
· D · V
H
, où
U
etV
sont desmatri esunitairesetD
estunematri ediagonale ontenant lesvaleurssingulières deG
.En utilisant la proprieté que les valeurs singulières de la matri e de Gram sont égalesau arré des valeurspropres deH
,notéλ
1
,λ
2
, . . . ,λ
n
,la matri ede ovarian ew
˜
estdonné parR
w
˜
w
˜
= σ
2
V
·
√
λ
1
−1
· · ·
0
. . . . . . . . .0
· · ·
√
λ
n
−1
· U
H
(22)Ainsi, le problème onnu de forçage à zeroest l'ampli ation dubruit provoqué par l'inversion desvaleurspropres de
H
.Ces valeurspropres sontgrandes pourune matri e mal- onditionnée. Ledé odeuràretourdede ision:ZF-DFE L'idéegénéraledudé odeurZF-DFEestdetraiterleve teurreçu
y
pourestimerleve teurtransmiss
enestimant haque omposantes
k
,uneparune, enannulantleseetsde essymbolesdéjàdé odés,etannulant euxdéjàin onnus.Enpratique, si un symboles
ˆ
k
est estimé, ledé odeur exploite ette dé ision pour estimers
ˆ
k−1
,s
ˆ
k−2
,. . .
,s
ˆ
1
.Ainsi, e dé odeur non linéaire est appelé un dé odeur à retour de dé ision ( DFE : De ision Feedba k Equalization).Le dé odeurTheZF-DFEutilise le ritère ZFpour dé oderlesymbole
ˆ
s
k
.LeDFEin lutunltrefeedforward quiopèresurlesignalreçupour supprimerl'interféren e inter-symbolesISI,unltredefeedba kquiopèresurlessymbolesdéjàdéte téspoursupprimer l'ISI.LeDFEestgénéralementplusperformantquelel'égaliseurlinéairetraditionnel.Etpuisqu'il s'agit d'unedéte tionsu essive,ladé ompositionQRest très utile.y
= H
· s + w
= QR
· s + w
(23)Dans l'obje tif d'exploiter la stru ture triangulaire supérieurede la matri e
R
, onmultiplie les deuxparties del'équation (2.11) du oté gau he parle transposé deQ
.y
1
= Q
T
y
Comme
R
est triangulairesupérieure, pourla premièreitération, ledé odeurestime lesymboles
n
enutilisant ette équationˆ
s
n
= Q
QAM
y
1,n
r
nn
(25)Pour de oder le symbole d'information
s
k
, le dé odeur utilise les symboless
ˆ
j
,j = k + 1, . . . ,n
pré édemment estimés, enutilisant ette équationˆ
s
k
= Q
QAM
1
r
kk
y
1,n
−
n
X
j=k+1
r
kj
· ˆs
j
, 1
≤ k ≤ n
(26)Malheureusement, ZF-DFE performan e est entravée par lapropagation des erreurs. La degra-dationdanslesperforman esdudé odeurDFEsurvientquandunedéte tionerronéeestinje tée
dansle ltre feedba k. Ainsi, au lieu de supprimer l'ISI, leDFE peutamplier l'ISI. La propa-gation d'erreur peut induire des erreurs de dé ision et augmenter ainsi la probabilité d'erreur binaire et symbole. Le dé odeur MMSE Le ré epteur ZF élimine l'interféren e maisamplie le bruit. Ce i, peut être pas trop signiant pour des hauts SNR, mais pour des SNR faibles, il
serapratique dedesignerunltre quimaximise lerapportglobalsignalsurbruitetinterféren e (SINR). Une possibilité sera de minimiser le bruit total résultant, i.e. trouver le ltre optimal
F
M M SE
quiminimise l'erreur quadratiquemoyenne :F
M M SE
= arg min
F
(E
{kˆs − sk})
= arg min
F
(E
{kF · y − sk})
(27)
Ainsi, leltre MMSEpeutêtre é rit ommesuit :
F
M M SE
= H
H
·
H
H
H
+
σ
2
σ
2
s
I
−1
,
(28) oùσ
2
s
représente la puissan emoyenne des omposantes duve teurs
,i.eE
ss
H
= σ
2
s
I
p
.Le ritèreMMSEa desperforman es meilleurqueleForçageàZeropour desSNRfaibles, mais
ave un désavantage : le ré epteur doit onnaitre la varian e du bruit. Aussi, pour des SNR élevés, leMMSEetleZFsont équivalents.
Le ré epteur MMSE ore un bon ompromis entre la suppressiond'interféren e et larédu tion dubruit.PourunSNRélevé,leré epteurMMSEdevientunré epteurZF.PourlesSNRfaibles,
leré epteur MMSEdevient similaireà unltre adapté:
F
M M SE
=
(
F
ZF
ifSNR ishighσ
2
σ
2
s
H
H
ifSNR islowComparaison des dé odeurs sous-optimaux Dans lagure (3.13), on ompare les performan es et les omplexités des diérents dé odeurs sous-optimaux présentés ultérieurement. Ainsi, on onsidère un système MIMO
2
× 2
ave un multiplexage spatial. On utilise simplement une onstellation4-QAM.Le analestRayleighquasi-statique.L'e a ité spe traleestde 4b/s/Hz. Les performan es sont al ulés en termede BER en fon tion du SNR.Le SNR est al ulé ave ette équation:SN R = 10log
10
n
P
p
i=1
E
s
i
2
P
p
i=1
log
2
(q) N
0
dBoù
E
s
i
estl'énergiemoyenne pardimension del'information omplexe appartenant àunonstel-lation
q
− QAM
etσ
2
= 2N
0
.Dans la gure (3.13), on montre aussila omplexité des dé odeurs sous-optimaux en terme de
nombre de multipli ations par mot de ode. Pour tous es dé odeurs, les opérations sont des opérations matri ielles appliquéesau signal reçuet omplètement indépendantes de lavarian e du bruit.Cequi peutexpliquela omplexité onstanteave leSNR.
Mêmesitouslesdé odeurssous-optimauxorentune omplexité faibleet onstanteâquiest
trèsutiledansles implémentationspratiques- ilsne permettentpasdesbonnesperforman es et ne protent pasde ladiversitéoertepar les systèmesMIMO.
D'unautre oté,l'utilisationdesdé odeurssous-optimauxpeutêtretrèsintéressantesilenombre
desantennesderé eptionestgrand omparéaunombred'antennesdetransmission aronprote deladiversitéderé eptionélevé.Mais,anderé upérerladiversitétotaleoerteparlessystèmes MIMO etles odesespa e-temps, nousdevrionsnous on entrer sur lesdé odeurs optimales.
5
10
15
20
25
10
−3
10
−2
10
−1
10
0
SNR (dB)
BER
ZF
ZF−DFE
MMSE
5
10
15
20
25
0
50
100
150
200
250
300
SNR (dB)
Complexity (Multiplications/Codeword)
MMSE
ZF−DFE
ZF
Figure10LinearandNon-LinearSub-OptimalDe odersPerforman eandComplexity
Comparison for
2
× 2
MIMO System using SpatialMultiplexing with a4-QAM Constel-lation0.2.4.2 Les de odeurs MIMO pour latti e
Le maximum likelihood (ML) onduit à la meilleure performan e en terme de taux d'erreur, maisil estextrêmement exigeantes entermes de omplexité.Pour les onstellations, de taille
q
, ledé odageML onsiste à her herparmiq
p
andidatspossibles. Ce iestabordablequand
q
etp
sont petits, maispaspour lessystèmes à grande e a ité spe trale. La omplexité roissante est ausée par la re her he dans toutes les ombinaisons possibles ,bien que beau oup d'entreeux sont probablement pas le bon andidat : en raison de la distribution gaussienne du bruit, des mots de ode qui sont loin du ve teur reçu sont beau oup moinsprobable que des mots de ode pro he du ve teur reçu. Le dé odage par Latti e permet une rédu tion signi ative de la
omplexité omparé auML exhaustif,d'abord 1) a évitelebesoin d'un ontrle ompliqué des bornes (44) et 2 ) permet une utilisation plus e a e des algorithmes des prétraitements (ex., l'algorithmeLLL(43))quisont onnuspouravoirorirunerédu tionsigni ativede omplexité. Lare her he dupointlepluspro hed'unpointdonnéaététrèslargement étudiédanslathéorie
delatti e.Engénéral,l'algorithmedere her heoptimaldoitexploiterdanslastru turedelatti e. Pour leslatti esengénéral,quin'ontpasunestru tureparti ulière,leproblèmeestNP-di ile.
Une appro he ommune auproblèmedupointlepluspro heestd'identier unerégion dans
lequellepointoptimaldelatti edoitexister,etaprèsétudiertouslespointsdelatti edans ette région,etetéventuellementderéduiresatailledynamiquement.Engénéral,ledéveloppementdes algorithmesdupointlepluspro hesuiventdeuxbran hesinspiréespardeuxarti lesfondateurs:
Phost(45)en1981 aexaminélespointsdelatti equiappartiennent àunhyper sphère,Kannan (49) en 1983 a utilisé un parallélépipède re tangulaire. Lesdeux papiers apparaissent plus tard
dans des versions étendus :Pohst (48) et Kannan ( en suivant les travaux de Helfri h (47)) et (46). En (45), ependant, Pohst a proposé une stratégie e a e pour énumérer tous les points du réseau intérieur d'une sphère ave un ertain rayon. Bien au pire des as, la omplexité est exponentielle en
q
, ette stratégie a été largement utilisé dans plusieurs problematiques de re her he de points en raison de son e a ité dans de nombreux s énarios (voir (52) pour un examenexhaustif desouvrages onnexes).La stratégie d'énumération de Pohst a été initialement introduite en ommuni ation
numé-riqueparViterboetBiglieri(50).Dans(51),ViterboetBoutrosl'ontappliquépourladéte tion ML pour les onstellations multi-dimensionnelles transmis sur un anal évanouissant à une an-tenne etdonnent le diagramme d'une éventuelle implémentation. Agrell et al. (52) ont propose
l'utilisation d'unranement S hnorr-Eu hner(53) del'énumération dePohstdanslare her he du point le plus pro he. Algorithme du dé odeur par Sphère L'algorithme de dé odeur par sphère a été initialement développé dans les années 1980, mais a ré emment attiré beau oup
d'attention dans la ommunauté MIMO grâ e à sa performan e similaire au dé odeur ML ex-haustive à une omplexité raisonnable. L'idée prin ipale est de limiter la re her he parmi les andidatspossibleslo alisés dans unsphère de rayon
√
C
entrésur leve teur reçu (voir gure (2.3)). Dans ette partie onsuppose un systèmeMIMO symétrique,M = N
.En appliquant un mapping du système omplexe versun système réellede l'équation (2.3) ommedé rit dansles équations (1.13) et(1.14),on obtientAprès, on onsidère la dé omposition QR de la matri e
H
= QR
. Après la multipli ation de deux otés de l'équation(2.17) parQ
T
,lesystème devient
y
1
= Q
T
· y
= R
· s + w
1
.
(30)Q
estorthogonaleetlamultipli ationparQ
T
ne hangepaslesystèmepré édent.Lesystèmeest dedimension
2n
puisqueM = N
etpuisqu'onestpasséàlareprésentationdansledomaine réel. Maintenant,trouverlepoint leplus pro he danslesphèreestéquivalentà résoudrel'inéquation suivante:min
s
∈C
s
ky
1
− R · sk
2
≤ C
(31)C
y
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
1
1
00
00
00
11
11
11
0
0
1
1
00
00
00
11
11
11
00
00
11
11
0
0
1
1
0
0
1
1
00
00
11
11
0
0
0
1
1
1
0
0
1
1
0
0
0
1
1
1
0
0
1
1
00
00
11
11
00
00
00
11
11
11
0
0
1
1
0
0
1
1
00
00
00
11
11
11
0
0
1
1
00
00
00
11
11
11
00
00
11
11
00
00
11
11
00
00
11
11
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
Figure11 Sphere De oding
L'algorithme de dé odage S hnorr-Eu hnerL'algorithme de S hnorr-Eu hner nous étudions i iaétéprésentédans(52).Ilaétéutilisédansdesappli ationsde ryptographie.Cetalgorithme alemême prin ipe queleSD:lare her he du point lepluspro he.Cetalgorithmeestbasésur
deux étapes. La première étape onsiste à re her herle point de Babai (BP), e qui représente une première estimation, maisn'est pas né essairement le point le plus pro he. Trouver le BP nous donne une borne sur l'erreur. Dans la deuxième étape, nous modions le BP jusqu' à e
que lepoint le pluspro he est atteint. Nouszigzagons autour de haque omposant BPen vue de onstruire lepoint leplus pro he( ontrairement ausphère dé odeur, iln'yapasde minimum etmaximumpour haque omposantedu BP).Letemps né essairepourtrouverlepoint leplus
pro heestétroitement liéeàBP, equisignieétroitementliéeauSNR.Enfait,sileBPesttrès loin du point le plus pro he, 'est à dire pour les rapports signal sur bruit faible, l'algorithme prendbeau oupplusdetemps à onverger.Toutefois,sileBPestpro hedepointlepluspro he,
Figure 12 SESear h Strategy
L'idée lefestde voirle latti e ommeune superposition deshyperplansetpuis ommen er lare her he pour lepoint lepluspro he dansl'hyperplan (voir gure2.4).
Rappelons l'équation (2.18). La forme triangulaire supérieure de
R
permet de voir le latti e ommeplusieurs ou hes. Ainsi, lamatri eR
peutêtreé rit ommesuitR
=
R
1
r
2n
,
(2.30)Où
R
1
est une matri e(2n
− 1) × 2n
Composée du top2n
− 1
lignes de la matri eR
. La matri eR
est triangulaire, le ve teurr
2n
= (0,,0,r
2n,2n
)
est orthogonal à l'espa e généré par la matri eR
1
. Maintenant, l'algorithme de re her he dans le latti e de dimension2n
va être détaillé ré ursivement omme un nombre ni de2n
− 1
opérations dimensionnelles. Le latti eΛ
R
peut etrevu ommeune superposition inni d'hyperplansde dimension2n
− 1
générés par lamatri eR
1
:Λ
R
=
∪ {c + t
2n
r
2n
/c
∈ Λ
R
1
,t
2n
∈ Z} .
(2.31)Uneproje tion su essivesurlesdiérentshyperplansdulatti epermetdetrouverunepremière
estimation du point le plus pro he. C'est le 'Babai point' et il orrespond au point ZF-DFE (55).Une fois e point est trouvé, il onstitue le point de départ pour visiter les autres points. L'obje tif est de trouver le point le plus pro he, il n'est don pas né essaire de onsidérer les
points ayant une distan e supérieure au 'Babai point'. Ainsi, le S hnorr-Eu hner (SE) est un algorithme dans une sphère entre sur le point reçu ave omme rayon initial la distan e entre lepoint reçuetleBP.