Optimum group detection for spatial multiplexing systems

Résumé

Les grands systèmes MU-MIMO (Multi-User Multiple-Input Multiple-Output) sont des technologies de communication sans fil avancées qui prennent en charge un grand nombre d’antennes aux extrémités de l’émetteur et du récepteur. Ces systèmes assurent le multiplexage spatial, la diversité et la formation de faisceaux, améliorant considérablement la capacité et la fiabilité des communications sans fil. En conséquence, les grands systèmes MU-MIMO sont devenus un composant essentiel des réseaux sans fil 5G et au-delà de la 5G, répondant à la demande croissante de débits de données plus élevés. Le facteur de charge fait référence au rapport entre le nombre d’équipements utilisateur (UE) et le nombre d’antennes de la station de base (BS). Lorsque le facteur de charge s’approche de zéro, le système atteint des conditions de propagation favorables qui offrent un gain de diversité et une fiabilité significatifs. Dans ce scénario, les récepteurs linéaires tels que le forçage zéro (ZF) et l’erreur quadratique moyenne minimale (MMSE) fonctionnent de manière quasi optimale. En revanche, le système maximise le gain de multiplexage et la capacité lorsque le facteur de charge est égal à un, appelé facteur de pleine charge. Cependant, ce scénario entraîne des conditions de propagation non favorables, dégradant gravement les performances des récepteurs linéaires et en faisant des algorithmes sous-optimaux. Le récepteur de détection de groupe à vraisemblance maximale (GD-ML) est un algorithme qui améliore les performances des récepteurs linéaires sans augmenter significativement leur complexité. La technique GD-ML consiste à diviser le vecteur de symboles reçus en groupes après application d’une projection linéaire. La détection optimale de vraisemblance maximale (ML) est appliquée à chaque groupe. Bien que cette technique ait été étudiée pour les systèmes conventionnels à entrées multiples et sorties multiples (MIMO) avec canaux Rayleigh non corrélés, son potentiel pour les grands systèmes MU-MIMO reste largement inexploré. Dans cette thèse, nous visions à atteindre deux objectifs principaux liés à l’efficacité du récepteur GD-ML dans les grands systèmes MU-MIMO avec facteur de pleine charge et canal Rayleigh corrélé. Le premier objectif consiste à obtenir l’équation de la complexité du récepteur et à évaluer le compromis entre performance et complexité. Le deuxième objectif est de dériver une expression analytique des performances du récepteur GD-ML. Les objectifs susmentionnés ont été atteints en utilisant la méthodologie suivante: une revue de la littérature, qui comprenait des travaux pertinents et des informations de base ; création d’un modèle de système qui suppose une infrastructure cellulaire sans fil avec des antennes distribuées et non corrélées de M au niveau de la BS, des UE à antenne unique et corrélés N étroitement situés, et un récepteur GD-ML avec une taille de groupe Nu, ( N _ Nu); des métriques d’évaluation qui incluaient le taux d’erreur sur les bits (BER) et le taux d’erreur vectorielle (VER) comme métriques de performances, ainsi que la métrique des opérations à virgule flottante (FLOP) pour la complexité de calcul; analyse mathématique qui impliquait la formulation d’équations analytiques pour évaluer les performances et la complexité du récepteur à l’aide de la théorie aléatoire multivariée, de l’ordre stochastique et des opérations matricielles. Nous avons fourni l’équation FLOP pour évaluer la complexité du récepteur GD-ML. Nous avons observé que l’algorithme GD-ML a presque la même complexité que ZF et MMSE, où les étapes de détection ML et de regroupement ajoutent une complexité négligeable à l’opération de projection linéaire. Nous avons dérivé une expression sous forme fermée pour le groupe moyen VER afin d’évaluer les performances du récepteur GD-ML. Nos résultats analytiques ont indiqué que le récepteur GD-ML fournit un gain de diversité proportionnel à M − N + Nu. Nous avons également constaté que les performances du récepteur GD-ML diminuent à mesure que les coefficients de corrélation des UE augmentent. Les résultats numériques ont révélé que le récepteur GD-ML surpasse à la fois les récepteurs ZF et MMSE et ont validé l’expression de performance dérivée. Nous avons observé que l’expression analytique et les résultats numériques restent proches pour les petits Nu. À un rapport signal/bruit (SNR) modéré, nous avons observé que les résultats de l’expression analytique et de la simulation correspondent étroitement et deviennent parfaits à mesure que la corrélation des UE augmente.

Date	4 oct. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Kaddoum (Directeur(-trice)) & François Gagnon (Codirecteur(-trice))