Professional Documents
Culture Documents
Chuong16 6-16 7 PDF
Chuong16 6-16 7 PDF
Chương 11: Thu tín hiệu cho hệ MIMO sử dụng ghép kênh theo không
gian
Hai tập vector cơ sở của cùng một không gian cho hai trường hợp của anten phát
11.6 – Thu với lưới rút gọn
• Sử dụng phân rã QR 𝐻෩ = 𝑄𝑅, hệ phương trình mô tả hệ MIMO được
thể hiện dưới dạng:
෩ 𝑥ҧ + 𝑧ҧ = 𝑄𝑅𝑥 + 𝑧ҧ
𝑦 = 𝐻
𝒓𝟐 ← 𝒓𝟐 − 𝜇1,2 𝒓𝟏
𝒕𝟐 ← 𝒕𝟐 − 𝜇1,2 𝒕𝟏
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 1 : Giảm độ dài cột thứ 2 𝒓𝟐 :
Nếu ma trận sau khi thay vào 𝑹 không thỏa điều kiện
2 2 2
𝛿𝑟1,1 ≤ 𝑟1,2 + 𝑟2,2
Với 1/4 < 𝛿 ≤ 1, các véc-tơ cột trong ma trận 𝑹 và 𝑻 sẽ đổi chổ:
𝑹 ← 𝒓𝟐 𝒓𝟏 𝒓𝟑 𝒓𝟒
𝑻 ← 𝒕 𝟐 𝒕𝟏 𝒕𝟑 𝒕𝟒
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 1 : Giảm độ dài cột thứ 2 𝒓𝟐 :
Dùng phép quay Givens:
𝑹 ← 𝚯𝟏 𝑹
Hiệu chỉnh ma trận đơn vị 𝑸:
𝑸 ← 𝑸𝚯𝑻𝟏
Với Θ1 là ma trận quay trực giao được định nghĩa là:
𝛼1 𝛽1 0 0
−𝛽1 𝛼1 0 0
𝚯1 =
0 0 1 0
0 0 0 1
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 1 : Giảm độ dài cột thứ 2 𝒓𝟐 :
2 2 2
𝛿𝑟2,2 ≤ 𝑟2,3 + 𝑟3,3
Hay, nếu ma trận 𝑹 được hiệu chỉnh không thỏa mãn điều kiện trên,
véc-tơ cột thứ hai và véc-tơ cột thứ ba của 𝑹 và 𝑻 được đổi chỗ:
𝑹 ← 𝒓𝟏 𝒓𝟑 𝒓𝟐 𝒓𝟒
𝑻 ← 𝒕𝟏 𝒕𝟑 𝒕𝟐 𝒕𝟒
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 2 :Rút gọn độ dài của véc-tơ cột thứ 3 𝒓𝟑
Quay givens:
𝑹 ← 𝚯𝟐 𝑹
Hiệu chỉnh 𝑸 :
𝑸 ← 𝑸𝜽𝑻𝟐
Với 𝚯𝟐 là ma trận quay trực giao :
1 0 0 0
0 𝛼2 𝛽2 0
Θ2 =
0 −𝛽2 𝛼2 0
0 0 0 1
Với 𝛼2 và 𝛽2 được tính bởi:
𝑟2,2 𝑟3,2
𝛼2 = và 𝛽2 =
2 2 2 2
𝑟2,2 + 𝑟3,2 𝑟2,2 + 𝑟3,2
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 3 :Rút gọn chiều dài véc-tơ cột thứ 4 𝒓𝟒
Đặt 𝜇3,4 là:
𝑟3,4
𝜇3,4 =< >
𝑟3,3
Thay 𝜇3,4 vào, các véc-tơ cột thứ 4 của 𝑹 và 𝑻 trở thành:
𝒓𝟒 ← 𝒓𝟒 − 𝜇3,4 𝒓𝟑
𝒕𝟒 ← 𝒕𝟒 − 𝜇3,4 𝒕𝟑
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 3 :Rút gọn chiều dài véc-tơ cột thứ 4 𝒓𝟒
Đặt 𝜇2,4 là:
𝑟2,4
𝜇3,4 =< >
𝑟2,2
Lưu ý 𝑟2,4 đã được hiệu chỉnh ở trên. Thế 𝜇2,4 vào, véc-tơ cột thứ 4 của
𝑹 và 𝑻 được hiệu chỉnh là:
𝒓𝟒 ← 𝒓𝟒 − 𝜇2,4 𝒓𝟐
𝒕𝟒 ← 𝒕𝟒 − 𝜇2,4 𝒕𝟐
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 3 :Rút gọn chiều dài véc-tơ cột thứ 4 𝒓𝟒
Đặt 𝜇1,4 là:
𝑟1,4
𝜇1,4 =< >
𝑟1,1
𝒓𝟒 ← 𝒓𝟒 − 𝜇1,4 𝒓𝟏
𝒕𝟒 ← 𝒕𝟒 − 𝜇1,4 𝒕𝟏
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 3 :Rút gọn chiều dài véc-tơ cột thứ 4 𝒓𝟒
Kiểm tra điều kiện sau:
2 2 2
𝛿𝑟3,3 ≤ 𝑟3,4 + 𝑟4,4
Nếu điều kiện được thỏa mãn, thuật toán Rút gọn lưới LLL hoàn tất.
Nếu không, hai véc tơ 𝑹 và 𝑻 sẽ bị đổi chỗ và trở thành:
𝑹 ← 𝒓𝟏 𝒓𝟐 𝒓𝟒 𝒓𝟑
𝑻 ← 𝒕𝟏 𝒕𝟐 𝒕𝟒 𝒕𝟑
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Bước 3 :Rút gọn chiều dài véc-tơ cột thứ 4 𝒓𝟒
Biến đổi ma trận 𝑹 trên thành ma trận tam giác vuông bằng phép quay Givens:
𝑹 ← 𝚯𝟑 𝑹
𝑸 ← 𝑸𝚯𝟑
Với Θ là ma trận quay trực giao được định nghĩa bởi:
1 1 0 0
1 1 0 0
Θ3 =
0 0 𝛼3 𝛽3
0 0 −𝛽3 𝛼3
Với 𝛼3 và 𝛽3 được tính bởi:
𝑟3,3 𝑟4,3
𝛼3 = 𝑣à 𝛽3 =
2 2 2 2
𝑟3,3 + 𝑟4,3 𝑟3,3 + 𝑟4,3
11.6 – Thu với lưới rút gọn
11.6.1 Thuật toán Lenstra-Lenstra-Lovasz (LLL)
Tóm lại:
- Đầu vào: 𝑸, 𝑹, và 𝑻 = 𝑰
- Đầu ra: các ma trận hiệu chỉnh 𝑸𝑳𝑳𝑳 , 𝑹𝑳𝑳𝑳 và 𝑻𝑳𝑳𝑳 với số điều kiện
của 𝑹𝑳𝑳𝑳 nhỏ hơn hoặc bằng số điều kiện của 𝑹
ഥ 𝒙 + 𝒛ത
ഥ = 𝑯ഥ
𝒚
= 𝑸𝑹ഥ 𝒙 + 𝒛ത
−𝟏
= 𝑸𝑳𝑳𝑳 𝑹𝑳𝑳𝑳 𝑻𝑳𝑳𝑳 ഥ + 𝒛ത
𝒙
11.6 – Thu với lưới rút gọn
11.6.2 Ứng dụng của phương pháp Rút gọn Lưới
Nhân cả hai vế ở phương trình với 𝑸𝑯 𝑳𝑳𝑳 , ta có:
𝑸𝑯𝑳𝑳𝑳 ഥ
𝒚 = 𝑹 𝑻 −𝟏
𝑳𝑳𝑳 𝑳𝑳𝑳 ഥ
𝒙 + 𝑸 𝑯
ത
𝑳𝑳𝑳 𝒛
Nếu đặt 𝒚ഥ = 𝑸𝑯
𝑳𝑳𝑳 ഥ
𝒚 , ෩
ഥ
𝒙 = 𝑻 −𝟏
𝑳𝑳𝑳 ഥ
𝒙 và ෨
ത
𝒛 = 𝑸 𝑯
, ta được:
𝑳𝑳𝑳 𝒛
෩ = 𝑹𝑳𝑳𝑳 𝒙
ഥ
𝒚 ഥ
+ 𝒛ത෨
có số điều kiện tốt. Dùng MMSE:
𝑯 −𝟏 𝑯
𝑀𝑀𝑆𝐸 = 𝑹𝑳𝑳𝑳 𝑹𝑳𝑳𝑳 + 𝜎𝑧 𝑰 𝑹𝑳𝑳𝑳 𝒚
ഥ
𝒙 2 ෩
ഥ
𝑀𝑀𝑆𝐸 là ước lượng của 𝒙 ෩ −𝟏 ෩
ഥ
𝒙 ഥ = 𝑻𝑳𝑳𝑳 ഥ. Đặt 𝒙
𝒙 ഥ𝒔𝒍𝒊𝒄𝒆𝒅 là các giá trị đã được
có thể được tính bởi:
làm tròn. 𝒙
−𝟏 ෩
= 𝑻𝑳𝑳𝑳
ഥ
𝒙 ഥ𝒔𝒍𝒊𝒄𝒆𝒅
𝒙
11.6 – Thu với lưới rút gọn
11.6.2 Ứng dụng của phương pháp Rút gọn Lưới
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
Tín hiệu thu được của hệ SISO:
𝑦 = ℎ𝑥 + 𝑧
Xử lý ngược ở tín hiệu thu được:
𝑦 𝑧
𝑥 = = 𝑥 + = 𝑥 + 𝑧ǁ
ℎ ℎ
Nếu 𝑧 có phân bố Gaussian với trung bình bằng không và phương sai
𝜎𝑧2 thì điều kiện PDF để 𝑥 được nhận khi tín hiệu truyền là 𝑥 là
1 𝑥 − 𝑥 2
𝑓𝑥 𝑥 𝑥 = exp − 2
2𝜋𝜎 2 2𝜎
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
σ𝑥∈𝑆 + 𝑓𝑋෨ 𝑥 𝑥
𝑙
𝐿𝐿𝑅 𝑏𝑙 = ln
σ𝑥∈𝑆 − 𝑓𝑋෨ 𝑥 𝑥
𝑙
max+ 𝑓𝑋෨ 𝑥 𝑥
𝑥∈𝑆𝑙 1 2 + 2
≈ ln = 2 𝑥 − 𝑥ҧ𝑙,𝑜𝑝𝑡 − 𝑥𝑡𝑖𝑙𝑑𝑒 − 𝑥𝑙,𝑜𝑝𝑡
max− 𝑓𝑋෨ 𝑥 𝑥 2𝜎
𝑥∈𝑆𝑙
+ −
với 𝑥𝑙,𝑜𝑝𝑡 và 𝑥𝑙,𝑜𝑝𝑡 được định nghĩa
+ 2
𝑥𝑙,𝑜𝑝𝑡 = arg min+ 𝑥 − 𝑥
𝑥∈𝑆𝑙
− 2
𝑥𝑙,𝑜𝑝𝑡 = arg min− 𝑥 − 𝑥
𝑥∈𝑆𝑙
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
Nếu 𝜎 2 là hằng số trong một khối mã, giá trị LLR trong phương trình có
thể được đơn giản hóa dưới dạng
− 2 + 2
𝐿𝐿𝑅 𝑏1 ≈ 𝑥 − 𝑥𝑙,𝑜𝑝𝑡 − 𝑥 − 𝑥𝑙,𝑜𝑝𝑡
Giá trị hằng số của 𝜎 2 xác định rằng độ lợi kênh phức ℎ là hằng số
trong một khối mã.
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
Xét vị trí của 𝑥 = 𝑥෦𝑅 + 𝑗𝑥𝑙 và giả sử rằng 𝜎 2 là hằng số trong một khối
mã, giá trị LLR được xấp xỉ2với tất cả 4 bit được
2
tính toán như sau:
𝑥𝐼 − 3 − 𝑥𝐼 − −1 = −8𝑥𝐼 + 8, 2 ≤ 𝑥𝐼
2 2
𝑥𝐼 − 1 − 𝑥𝐼 − −1 = −4𝑥𝐼 , 0 ≤ 𝑥𝐼 < 2
𝐿𝑅 𝑏1 = 2
𝑥𝐼 − 1 2 − 𝑥𝐼 − −1 = −4𝑥𝐼 , −2 ≤ 𝑥𝐼 < 0
2
𝑥𝐼 − 1 2 − 𝑥𝐼 − −3 = −8𝑥𝐼2 − 8, 𝑥𝐼 < −2
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
Xét vị trí của 𝑥 = 𝑥෦𝑅 + 𝑗𝑥𝑙 và giả sử rằng 𝜎 2 là hằng số trong một khối
mã, giá trị LLR được xấp xỉ với tất cả 4 bit được tính toán như sau:
2
𝑥𝐼 − 3 − 𝑥𝐼 − 1 2 = −4𝑥𝐼 + 8, 2 ≤ 𝑥𝐼
𝑥𝐼 − 3 2 − 𝑥𝐼 − 1 2 = −4𝑥𝐼 + 8, 0 ≤ 𝑥𝐼 < 2
𝐿𝐿𝑅 𝑏2 = 2 2
𝑥𝐼 − −3 − 𝑥𝐼 − −1 = 4𝑥𝐼 + 8, −2 ≤ 𝑥𝐼 < 0
2 2
𝑥𝐼 − −3 − 𝑥𝐼 − −1 = 4𝑥𝐼2 + 8, 𝑥𝐼 < −2
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
Xét vị trí của 𝑥 = 𝑥෦𝑅 + 𝑗𝑥𝑙 và giả sử rằng 𝜎 2 là hằng số trong một khối
mã, giá trị LLR được xấp xỉ với2 tất cả 4 bit được
2
tính toán như sau:
𝑥𝑅 − −1 − 𝑥𝐼 − 3 = 8𝑥𝑅 − 8, 2 ≤ 𝑥𝑅
2 2
𝑥𝑅 − −1 − 𝑥𝐼 − 1 = 4෦
𝑥𝑅 , 0 ≤ 𝑥෦𝑅 < 2
𝐿𝐿𝑅 𝑏3 = 2 2
𝑥𝑅 − −1 − 𝑥𝑅 − 1 = 4𝑥𝑅 , −2 ≤ 𝑥෦𝑅 < 0
2
𝑥෦𝑅 − −3 − 𝑥෦𝑅 − 1 2 = 8𝑥𝑅2 + 8, 𝑥𝑅 < −2
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
Xét vị trí của 𝑥 = 𝑥෦𝑅 + 𝑗𝑥𝑙 và giả sử rằng 𝜎 2 là hằng số trong một khối
mã, giá trị LLR được xấp xỉ ở với tất cả 4 bit được tính toán như sau:
2
𝑥𝑅 − 3 − 𝑥𝐼 − 1 2 = −4𝑥𝑅 + 8, 2 ≤ 𝑥𝑅
𝑥𝑅 − 3 2 − 𝑥𝑅 − 1 2 = −4෦ 𝑥𝑅 + 8, 0 ≤ 𝑥෦𝑅 < 2
𝐿𝐿𝑅 𝑏4 = 2 2
𝑥𝑅 − −3 − 𝑥𝑅 − −1 = 4𝑥𝑅 + 8, −2 ≤ 𝑥෦𝑅 < 0
2 2
𝑥෦𝑅 − −3 − 𝑥෦𝑅 − −1 = 4𝑥𝑅2 + 8, 𝑥𝑅 < −2
11.7 Soft Decision cho hệ MIMO
11.7.1 Log-Likelihood-Ratio (LLR) cho hệ SISO
LLR là một hàm của 𝑥𝑙 hoặc 𝑥𝑅 cho giản đồ chòm sao Hiệu suất lỗi gói cho hệ SISO: hard-decision và
16-QAM soft-decision.
11.7 Soft Decision cho hệ MIMO
11.7.2 LLR cho hệ MIMO sử dụng thu tuyến tính.
Xét một hệ MIMO 2x2:
𝒚 = 𝒉𝟏 𝑥1 + 𝒉𝟐 𝑥2 + 𝒛
2
Đầu ra của đầu thu MMSE cho 𝑥𝑖 𝑖=1 được cho bởi:
𝑥𝑖,𝑀𝑀𝑆𝐸 = 𝒘𝒊,𝑴𝑴𝑺𝑬 𝒚
= 𝒘𝑖,𝑀𝑀𝑆𝐸 𝒉𝟏 𝑥1 + 𝒘𝑖,𝑚𝑚𝑠𝑒 𝒉𝟐 𝑥2 + 𝒘𝑖,𝑀𝑀𝑆𝐸 𝒛, 𝑗≠𝑖
= 𝜌𝑥𝑖 + 𝐼𝑗 + 𝑧ҧ
11.7 Soft Decision cho hệ MIMO
11.7.2 LLR cho hệ MIMO sử dụng thu tuyến tính.
Giả sử ba thành phần không có quan hệ về mặt thống kê,
phần hậu-phát hiện SINR của 𝑥𝑖 được biểu diễn dưới dạng:
𝐸 𝜌𝑥𝑖 2 𝜌 2 𝐸𝑥
𝑆𝐼𝑁𝑅𝑖 = 2 = 2 𝟐
, 𝑗≠𝑖
𝐸 𝐼𝑗 + 𝐸 𝑧ǁ 2
𝒘𝑖,𝑀𝑀𝑆𝐸 𝒉𝑗 𝐸𝑥 + 𝒘𝑖,𝑀𝑀𝑆𝐸 𝝈𝟐𝒛
11.7 Soft Decision cho hệ MIMO
11.7.2 LLR cho hệ MIMO sử dụng thu tuyến tính.
Sử dụng phép xấp xỉ nằng, ta có hàm phân phối xác
suất có điều kiện như sau:
2
1 𝑥𝑖,𝑀𝑀𝑆𝐸 − 𝜌𝑥𝑖
𝑓𝑋෨ 𝑥𝑖,𝑀𝑀𝑆𝐸 𝑥𝑖 = exp − 2
2 2𝜎 𝑖
2𝜋𝜎𝑖
11.7 Soft Decision cho hệ MIMO
11.7.2 LLR cho hệ MIMO sử dụng thu tuyến tính.
+ −
Nếu SNR có giá trị cao, giá trị 𝜌 tiến về đơn vị. Đặt 𝑆𝑙,𝑖 và 𝑆𝑙,𝑖 lần lượt là
hai tập véc-tơ với bit thứ 𝑙 của ký hiệu thứ 𝑖 là 1 hoặc 0. Với SNR cao,
LLR của bit thứ 𝑙 của 𝑥𝑖 được biểu diễn thành:
𝐿𝐿𝑅 𝑏𝑙,𝑖 =
1 2 + 2
= 2 𝑥ҧ𝑖,𝑀𝑀𝑆𝐸 − 𝑥ҧ𝑖,𝑙,𝑜𝑝𝑡 − 𝑥ҧ𝑖,𝑀𝑀𝑆𝐸 − 𝑥𝑖,𝑙,𝑜𝑝𝑡 , 𝑖 = 1,2
2𝜎𝑖
+ −
với 𝑥𝑖,𝑙,𝑜𝑝𝑡 và 𝑥𝑖,𝑙,𝑜𝑝𝑡 được định nghĩa là:
+ 2
𝑥𝑖,𝑙,𝑜𝑝𝑡 = arg min+ 𝑥𝑖,𝑀𝑀𝑆𝐸 − 𝑥
𝑥∈𝑆𝑙
− 2
𝑥𝑖,𝑙,𝑜𝑝𝑡 = arg min− 𝑥𝑖,𝑀𝑀𝑆𝐸 − 𝑥
𝑥∈𝑆𝑙
11.7 Soft Decision cho hệ MIMO
11.7.2 LLR cho hệ MIMO sử dụng thu tuyến tính.
HIệu suất lỗi Bit cho hệ MIMO với phương pháp thu MMSE tuyến tính:
hard-decision và soft-decision.
11.7 Soft Decision cho hệ MIMO
11.7.3 LLR cho hệ MIMO với một Tập véc-tơ dự tuyển
(Candidate Vector Set)
Xét mộ hệ MIMO 𝑁𝑅 𝑥𝑁𝑇 với nhiễu AWGN:
𝒚 = 𝑯𝒙 + 𝒛
từ đó ta có thể biểu diễn nhiễu dưới dạng
𝒛 = 𝒚 − 𝑯𝒙
Hàm phân bố xác suất của véc-tơ nhiễu Gauss 𝒛 được cho dưới dạng:
1 1 𝑻 −𝟏
𝑓𝒁 𝒛 = 1/2
exp − 𝒛 − 𝝁 𝚺 𝒛−𝝁
2𝜋Δ 2
11.7 Soft Decision cho hệ MIMO
11.7.3 LLR cho hệ MIMO với một Tập véc-tơ dự tuyển
(Candidate Vector Set)
Nếu véc-tơ nhiễu là véc-tơ ngẫu nhiên Gauss trắng với trung bình bằng
không có tính đối xứng tròn, hàm mật độ xác suất trở thành:
1 1 𝟐
𝑓𝒁 𝒛 = 1/2
exp − 2 𝒚 − 𝑯𝒙 = 𝑓𝒀 𝒚 𝒙
2𝜋Δ 2𝜎2
Theo định lý Bayes, mối quan hệ sau đây là đúng cho giá trị LLR:
𝑝 𝒙𝒊 𝒚 𝑓𝒀 𝒚 𝒙𝒋 𝑝 𝒙𝒊 /𝑓𝑌 𝒚 𝑓𝒀 𝒚 𝒙𝒊 𝑝 𝒙𝒊
ln = ln = ln
𝑝 𝒙𝒋 𝒚 𝑓𝒀 𝒚 𝒙𝒋 𝑝 𝒙𝒋 /𝑓𝑌 𝒚 𝑓𝒀 𝒚 𝒙𝒋 𝑝 𝒙𝒋
11.7 Soft Decision cho hệ MIMO
11.7.3 LLR cho hệ MIMO với một Tập véc-tơ dự tuyển
(Candidate Vector Set)
Nếu các véc-tơ ký tự được truyền đi là có xác suất như nhau ( 𝑝 𝒙𝒋 = 1/
𝐶 𝑁𝑇 , ∀𝑗), phương trình có thể được viết lại dưới dạng:
𝑝 𝒙𝒊 𝒚 𝑓𝒀 𝒚 𝒙𝒊
ln = ln
𝑝 𝒙𝒋 𝒚 𝑓𝒀 𝒚 𝒙𝒋
Sử dụng hàm mật độ xác suất trên, LLR cho véc-tơ hai ký tự trên được biểu diễn:
1 𝟐
exp − 2 𝒚 − 𝑯𝒙𝒊
𝑝 𝒙𝒊 𝒚 2𝜎2
ln =
𝑝 𝒙𝒋 𝒚 1 𝟐
exp − 2 𝒚 − 𝑯𝒙𝒋
2𝜎2
Phương trình có thể được rút gọn:
𝑝 𝒙𝒊 𝒚 1 𝟐 1 𝟐
ln = 2 𝒚 − 𝑯𝒙𝒋 − 2 𝒚 − 𝑯𝒙𝒊
𝑝 𝒙𝒋 𝒚 2𝜎2 2𝜎2
11.7 Soft Decision cho hệ MIMO
11.7.3 LLR cho hệ MIMO với một Tập véc-tơ dự tuyển
(Candidate Vector Set)
Nếu tất cả mọi bit đều có xác suất như nhau (𝑝 𝑏𝑗,𝑖 = 1 = 𝑝൫𝑏𝑖,𝑗 =
11.7 Soft Decision cho hệ MIMO
11.7.3 LLR cho hệ MIMO với một Tập véc-tơ dự tuyển
(Candidate Vector Set)
Sử dụng xấp xỉ max-log:
log 𝑒 𝑋1 + 𝑒 𝑋2 + ⋯ + 𝑒 𝑋𝑛 ≈ max 𝑋𝑖
𝑖
LLR ở có thể xấp xỉ dưới dạng:
𝑝 𝑏𝑗,𝑖 = 1 𝒚
ln
𝑝 𝑏𝑖,𝑗 = 0 𝒚
1 𝟐 1 𝟐
= ln exp − 2 𝒚 − 𝑯𝒙 − ln exp − 2 𝒚 − 𝑯𝒙
+
2𝜎2 − 2𝜎2
𝑥∈𝑆𝑙,𝑖 𝑥∈𝑆𝑙,𝑗
1 𝟐 1 𝟐
≈ ln(max+ exp − 2 𝒚 − 𝑯𝒙 − ln max−
exp − 2 𝒚 − 𝑯𝒙
𝑥∈𝑆𝑙,𝑖 2𝜎2 𝑥∈𝑆𝑙,𝑗 2𝜎2
11.7 Soft Decision cho hệ MIMO
11.7.3 LLR cho hệ MIMO với một Tập véc-tơ dự tuyển
(Candidate Vector Set)
Sử dụng tính chất đơn điệu giảm của hàm 𝑒 −𝑔 𝑥 khi 𝑔 𝑥 > 0:
𝑝 𝑏𝑗,𝑖 = 1 𝒚
𝐿𝐿𝑅 𝑏𝑙 , 𝑗 𝒚 ≜ ln
𝑝 𝑏𝑖,𝑗 = 0 𝒚
1 𝟐 1 𝟐
≈ 2 min+ 𝒚 − 𝑯𝒙 − 2 min− 𝒚 − 𝑯𝒙
2𝜎𝑧 𝑥∈𝑆𝑙,𝑖 2𝜎𝑧 𝑥∈𝑆𝑙,𝑗
= min+ 𝐷(𝑥) − min− 𝐷(𝑥)
𝑥∈𝑆𝑙,𝑖 𝑥∈𝑆𝑙,𝑗
𝟐
với 𝐷 𝒙 = 𝒚 − 𝑯𝒙
11.7 Soft Decision cho hệ MIMO
11.7.3 LLR cho hệ MIMO với một Tập véc-tơ dự tuyển
(Candidate Vector Set)
− − + +
với 𝑆𝑙,𝑖,𝐵 = 𝑆𝑙,𝑖 ∩ 𝐵 và 𝑆𝑙,𝑖,𝐵 = 𝑆𝑙,𝑖 ∩ 𝐵.
11.7 Soft Decision cho hệ MIMO
11.7.4 LLR cho hệ MIMO sử dụng Tập Véc-tơ Dự tuyển
Giới hạn (Limited Candidate Vector Set)
Vấn đề 1:
− − + +
𝑆𝑙,𝑖,𝐵 = 𝑆𝑙,𝑖 ∩ 𝐵 = 𝜙 hoặc 𝑆𝑙,𝑖,𝐵 = 𝑆𝑙,𝑖 ∩𝐵 =𝜙
Gọi 𝒙𝑀𝐿,𝐵 là :
𝟐 𝟐
𝒙𝑀𝐿,𝐵 = arg min 𝒚 − 𝑯𝒙 = arg min
− ∪𝑆 +
𝒚 − 𝑯𝒙
𝑥∈𝐵 𝑥∈𝑆𝑙,𝑖,𝐵 𝑙,𝑖,𝐵
𝒙𝑀𝐿,𝐵 bằng:
Gọi 𝑏𝑙,𝑖,𝑀𝐿 và 𝑏𝑙,𝑖,𝑀𝐿,𝐵 lần lượt là các giá trị bit của 𝒙𝑴𝑳 và 𝒙𝑴𝑳,𝑩 , với 𝑙 = 1,2, … , 𝑘, 𝑖 = 1,2, … , 𝑁𝑇 .
Các giá trị LLR ở mức bit khi 𝒙𝑴𝑳 = 𝒙𝑴𝑳,𝑩 , và vì thế 𝑏𝑙,𝑖,𝑀𝐿 = 𝑏𝑙,𝑖,𝑀𝐿,𝐵 . Khi 𝐷 𝒙𝑀𝐿 = min
−
𝐷(𝒙) với
𝑥∈𝑆𝑙,𝑖,𝐵
𝑏𝑙,𝑖,𝑀𝐿 = 𝑏𝑙,𝑖,𝑀𝐿,𝐵 = 0khi 𝒙𝑀𝐿 = 𝒙𝑀𝐿,𝐵 , giá trị LLR ở mức bit tương ứng là:
Dấu trừ ở phương trình là do với giá trị 𝑙 và 𝑖 bất kỳ, theo định nghĩa 𝒙𝑀𝐿,𝐵 ở
phương trình thì bất phương trình sau đây luôn đúng:
𝟐 2 𝟐 2
𝒚 − 𝑯𝒙𝑀𝐿,𝐵 ≤ min
−
𝒚 − 𝑯𝑥 và 𝒚 − 𝑯𝒙𝑀𝐿,𝐵 ≤ min
+
𝒚 − 𝑯𝑥
𝑥∈𝑆𝑙,𝑖,𝐵 𝑥∈𝑆𝑙,𝑖,𝐵
• In the field of numerical analysis, the condition number of a function measures how much the output value
of the function can change for a small change in the input argument. This is used to measure how sensitive a
function is to changes or errors in the input, and how much error in the output results from an error in the
input. Very frequently, one is solving the inverse problem: given {\displaystyle f(x)=y,}f(x) = y, one is solving
for x, and thus the condition number of the (local) inverse must be used. In linear regression the condition
number of the moment matrix can be used as a diagnostic for multicollinearity.[1][2]
• The condition number is an application of the derivative, and is formally defined as the value of the
asymptotic worst-case relative change in output for a relative change in input. The "function" is the solution
of a problem and the "arguments" are the data in the problem. The condition number is frequently applied
to questions in linear algebra, in which case the derivative is straightforward but the error could be in many
different directions, and is thus computed from the geometry of the matrix. More generally, condition
numbers can be defined for non-linear functions in several variables.
• A problem with a low condition number is said to be well-conditioned, while a problem with a high
condition number is said to be ill-conditioned. The condition number is a property of the problem. Paired
with the problem are any number of algorithms that can be used to solve the problem, that is, to calculate
the solution. Some algorithms have a property called backward stability. In general, a backward stable
algorithm can be expected to accurately solve well-conditioned problems. Numerical analysis textbooks give
formulas for the condition numbers of problems and identify known backward stable algorithms.