利用激发马尔可夫链蒙特卡洛 MIMO 检测器实现近 MAP 性能
信息论
2017-07-13 v1 math.IT
摘要
我们介绍了逐比特马尔可夫链蒙特卡洛 (MCMC) 多输入多输出 (MIMO) 检测器的修订推导。新方法解决了先前报道的 MCMC 在高信噪比 (SNR) 下的停滞问题，无需与其他检测方法混合或添加启发式温度缩放因子。MCMC 算法的另一个常见问题是收敛时间未知，使得可预测的固定长度实现变得困难。当在收敛缓慢的示例中使用不足的迭代次数时，输出的对数似然比 (LLRs) 可能不稳定且过于自信。因此，我们开发了一种方法来识别罕见的缓慢收敛运行，并减轻其对软输出信息的退化影响。这提高了前向纠错码的性能，并消除了误码率 (BER) 图中的症状性错误平层。接下来，通过一种可视化 Gibbs 采样器内部行为的新方法识别伪收敛。提出了一种有效且高效的伪收敛检测和逃逸策略。最后，展示了新的激发 MCMC (X-MCMC) 检测器即使在 802.11ac WiFi 规范支持的最大 MIMO 尺寸和调制速率（8x8 MIMO 256 QAM）下，面对具有挑战性的、现实的、高度相关的信道，也能具有近最大后验概率 (MAP) 的性能。
引用
@article{arxiv.1707.03422,
title = {Achieving Near MAP Performance with an Excited Markov Chain Monte Carlo MIMO Detector},
author = {Jonathan C. Hedstrom and Chung Him and Yuen and Rong-Rong Chen and Behrouz Farhang-Boroujeny},
journal= {arXiv preprint arXiv:1707.03422},
year = {2017}
}