如何使用MLD优化MIMO接收器的性能？

　　对于改进数据速率和/或信噪比，多输入和多输出（MIMO）是领先的方法之一。通过使用多个接收和发送天线，MIMO可利用无线信道的多样性。对于任何给定的信道带宽，这可用于提高信道的频谱效率并改进数据速率。
　　MIMO的规格取决于发送和接收天线的数量。在一个4×4 MIMO配置中，使用了四个发送天线和四个接收天线。这在同样信道带宽上实现了（在合适的条件下）高达四倍的数据传输。
　　一方面，简单的MIMO接收器基于线性接收器算法，其易于实现但无法完全利用MIMO的好处。另一方面，使用迭代法，可以实现最佳的最大后验概率近似MIMO算法；然而，这会导致高延时的不足。一种更加实用的非线性MIMO接收器的实施途径是最大似然（Maximum Likelihood， ML）或最大似然检测器（Maximum Likelihood Detector， MLD）， 它在根本上是基于一个彻底的并列搜索。MLD在处理方面比传统线性接收器要求更高，但对于相同的信道条件，可提供明显更高的比特率。另外，对于具有天线相关性的信道，MLD更稳健可靠。
　　使用高阶MIMO规格（超过两个接收和两个发送天线）可以导致显著的频谱效率改进——但这也有其成本代价：随着MIMO规格的增加，MLD接收器的计算复杂性以指数方式增加。高阶MIMO要求相当大的处理能力——对于这一点，直接的MLD方法是不切实际的，必须使用次优（suboptimal）MLD算法来实现用户设备（User Equipment，UE）的实施。
　　次优ML接收器
　　次优ML接收器试图以更有效的方法来扫描可能的传送信号，从而减少整体复杂性并达到接近ML精度的结果。减少复杂性有助于根据大小和功率进行更加实际的硬件实施。这还使硬件能够保持由先进通信标准规定的高吞吐量。
　　次优ML方程式的解决可定义为一种树形搜索，其中树的每一个层级对应于一个发送符号。每个节点的分支突出数匹配QAM或发送符号的调制。一个4×4 MIMO配置可由一个四层树表示。假如调制为BPSK，每个节点将包含两个分支。
　　一旦定义了树的符号，可以部署树遍历算法，借用其它领域比如计算机科学。
　　
　　关于此点，次优ML接收器可划分为两个主要类型：
　　1. 横向优先搜索
　　2. 深度优先搜索
　　横向优先搜索
　　横向优先的一个例子就是K-best算法。该解码器是一个固定复杂性解决方案，从树根开始并上行，直至它达到树的最后一层。在树的每层上，对所有选择的分支进行了评估并保留K留存节点，匹配最佳解决方案（代表了最接近接收信号的符号）——因此得名“K-best”。K剩余树叶然后就用于生成LLR结果。
　　该解码器的优点是：
　　* 单向流有助于硬件的简易流水线实施。
　　* 计算每层所需要的处理能力是恒定的，且直接与实施中所选的留存节点（K）的数量相关。
　　* 数据吞吐量是恒定的，其反过来简化了在系统中计划的数据流
　　该解码器的缺点包括：
　　* 需要大面积实施以便评估和分类所有选择的层级节点。
　　* 精度要求越高，所需要的K值越高。
　　* 在最佳SNR条件中，数据吞吐量不会增加。
　　* 不能保证达到ML解决方案，因为最佳解决方案可能存在于没有选择的节点中。
　　下述图表显示了一个采用QPSK调制的MIMO 4×4 （4-层）树。在此例子中，K为四。树的每层将分为十六个节点。最好的四个将会是用于下一层的留存节点。
　　
　　深度优先搜索
　　深度优先的一个例子就是软输出球解码（Soft-Output Sphere Decoder）算法。此解码器是一种自适应复杂性解决方案，从树根开始并首先直接上升到树叶——因此得名“深度优先”。该树的优先解决方案确定了初始搜索半径或范围。从那时起，解码器在整个树层中追溯并上升。对树的每个超出搜索半径的节点及其下面的所有节点进行修整。每次找到一个更好的解决方案，相应地减少半径范围。以此方法，扫描并修整了符号树，直至有效选项数量减少。余下的符号代表了ML解决方案。
　　此解码器的优点是：
　　* 可保证获得ML解决方案，有助于结果精确度。
　　* 在高SNR条件下， 解码器运行更快，增加了数据吞吐量并降低了功耗。
　　* 相比同等的横向优先解决方案，可在更小区域内实施。
　　图3显示了具有自适应复杂性软输出球解码器与固定复杂性K-best解码器间的循环计数比较。因为SNR增加，球解码器将减少它的循环计数，而固定复杂性将保持不变，无论信道条件如何。
　　
　　图3：固定对自适应复杂性。
　　该解码器的缺点包括：
　　* 解码器的非确定性表现使系统计划复杂化。
　　* 仅在当前分支完成后才知道下一个分支选择。这使得硬件传递途径的实施受到挑战。
　　图4显示了一个采用QPSK调制的MIMO 4×4 （4层）树例子。
　　1. 深度优先以下列方式选择到第一个树叶的符号路径：a. -3 （层1）；b. -3 （层2）；c. 1 （层 3）；d. 3 （层 4）
　　2. 更新了初始半径
　　3. 追溯执行到第二层的一个符号
　　4. 在搜索期间，修整了超出搜索半径的分支（红色所示），因此使搜索树最小化。
　　
　　图4：球解码树遍历。
　　CEVA解决方案
　　CEVA通过推出最大似然MIMO检测器（MLD）来应对MIMO接收器的挑战。该MLD是紧密耦合扩展加速器硬件单元。该MLD能够处理LTE——先进的Cat.7数据流并产生软输出最大对数解决方案。
　　该MLD加速器达到了次优最大似然（ML）解决方案，可用于4×4或3×3 MIMO @12.6 Mega-tones/秒，使用软输出球***，以及2×2基于LORD 的ML解决方案 @ 28.8 Mega-tones/秒，使用载波聚合。该MLD设计用于移动应用，强调低功耗设计理念。
　　功能集
　　MLD功能集包括对以下的支持：
　　* 从2×2到4×4 MIMO的可变传输模式，且每层可配置的调制高达64QAM。
　　* 三种搜索优化：每个树层的用户自定义层排序，初始半径和搜索半径。
　　* 通过提供吞吐量控制能力，CEVA MLD解决了软输出球解码的非确定性质，包括用于音调处理的上下循环计数界线。另外，使用用户自定义的基于时间标记的终端来保持系统吞吐量。
　　* 可以扩展软比特来补偿SNR和调制因数。
　　* 在内部符号和内层解决方案中提供对LLR排列的支持
　　* 内层解映射：支持两个代码层，使MLD能够将所写数据拆分到两个不同的目的地。
　　* 可扩展的硬件解决方案实现了性能/功率/面积的权衡，包括选择MLD引擎的数量、缓冲器大小和接口时钟比率。
　　另外，加速器提供了广泛的调试和性能分析能力。
　　MLD加速器方框图
　　图5描述了MLD加速器的方框图，其包含了一个AXI接口、输入缓冲器、分配器、最大似然引擎（Maximum Likelihood Engine，MLE）、LLR发生器、重排序缓冲器和输出缓冲器。
　　输入缓冲器存储了大量的音调数据，通过分配器，每次传送一个音调到MLE。每个MLE输出有关检测到的比特数据；这进而通过LLR发生器转化为LLR格式。重排序缓冲器积累LLR 数据，以便传输和发送有序的输出到输出缓冲器中。输出缓冲器通过AXI接口将LLR写到接收链中的下一个模块。
　　
　　图5：MLD加速器方框图。
　　MLD性能
　　图6描述了与MMSE接收器相比较的CEVA MLD TCE的性能，使用了4×4空间复用MIMO。封包出错率中的吞吐量可在不同的SNR条件下评估。LTE信道设置在EPA 5Hz和低相关传播条件上。
　　
　　图6：4×4 MIMO空间复用性能。
　　CEVA的解决方案获得接近ML的结果，而MMSE遭受严重的性能下降，即便在低相关条件下。对于更高的相关条件，MMSE将会进一步恶化。
　　相比之下，具有类似性能的K-best解决方案将需要超过两倍的CEVA MLD TCE范围。
　　CEVA MLD TCE包含了：
　　* 相比单纯的ML解码，MIMO 4×4具有低于1.5dB损失的极佳精确度。
　　* 无精度损失解码MIMO 2×2 （LORD同等性能和复杂性）。
　　* 超低功耗设计。
　　* 有竞争力的芯片尺寸。
　　图7描述了4×4 MIMO的性能，采用64-QAM调制，SM在最高编码速率下。即使在这些条件下，相比理想的ML结果，CEVA MLD TCE仍提供了低于1.5dB的精度损失。
　　
　　图7：MLD 4×4 MIMO的性能。
　　图8说明了SM 在最高编码速率下的2×2 MIMO的性能，采用64-QAM 调制。CEVA MLD TCE提供完美的ML性能。
　　结论
　　本文展示MLD接收器实现了优于线性接收器的结果，但当选择MLD实施时，仍有许多因素需要考虑。MLD接收器设计人员必须选择最合适的解决方案用于所需的应用，要考虑以下因素：
　　* 精度目标和吞吐量要求：需要一个用户可配置的解决方案，以便快速获得高质量LLR。
　　* 延迟定义：需要可定义的系统计划，以便在规定的时间内完成任务——例如，通过使用时间标记。
　　* 信道类型快/慢时间变化：快速时间变化信道将需要频繁更新信道信息的能力。
　　* 硬件考虑：大小、速度（MHz）和功耗。
　　* 需要可扩展的硬件解决方案来满足小面积和低功耗需求。