Hardware Architectures for Wireless Communication - Symbol Detection and Channel Estimation

Sammanfattning: Popular Abstract in Swedish I och med de smarta mobiltelefonernas framväxt överförs allt mer data i de mobila nätverken. Detta ställer allt högre krav på mobilsystemen och de mobila enheterna. Ett effektivt utnyttjande av de tillgängliga resurserna är nödvändigt. Det tillgängliga frekvensspektrat är begränsat och måste utnyttjas så väl som möjligt. Detta görs bland annat genom att öka mängden data som överförs inom samma bandbredd, alltså antalet bitar per Hertz. Ett effektivt sätt att öka dataöverföringen är att använda sig av MIMO-system. MIMO (Multiple Input Multiple Output) betyder att flera antenner på både sändar- och mottagarsidan används för att skicka och ta emot datan. En välanpassad algoritm på mottagarsidan används för att korrekt detektera och avkoda datan som skickats. Olika algoritmer kan användas, där vissa är enklare och därmed strömsnålare, medan andra är mer komplexa och konsumerar mer ström. Nackdelen med de enklare algoritmerna är dock att de leder till fler fel i mottagningen. Det är därför viktigt att hitta en kompromiss som leder till få fel samtidigt som komplexiteten i algoritmen inte blir för hög. Signalen skickas från sändaren till mottagaren genom luften i en så kallad kanal. Kanalen är uppbygd av flera oberoende vägar som var för sig leverarar en förvanskad kopia av signalen. I mottagaren summeras alla dessa kanalvägar samman. En förutsättning för att korrekt kunna detektera den mottagna dataströmmen är att veta hur kanalen påverkar signalen. Ett sätt att göra detta är att skicka känd data, så kallade piloter. Man tittar på hur dessa piloter påverkas och utgår från att all annan data påverkas på samma sätt. Med hjälp av detta uppskattar, eller estimerar, man kanalens effekter. Kanalen är dock föränderlig i både tid, frekvens och rum vilket betyder att kanalestimering behöver genomföras kontinuerligt. Det första bidraget i detta arbete avhandlar en algoritm för detektion i ett MIMO-system, den så kallade K-Best-algoritmen. Den mottagna dataströmmen består av ett antar symboler, representerade som komplexa tal. Förbättringar i hur man utnyttjar ortogonaliteten i symbolerna mellan real- och imaginärdelarna av det komplexa talet behandlas. Resultatet av detta är en förenklad algoritm som tillåter större flexibiltet. Det andra bidraget avhandlar en kanalestimeringsalgoritm. Mottagen data är alltid behäftad med fel på grund av brus. Därför kan man, även om man använder sig av piloter, göra fel när man försöker estimera kanalen. För att minska detta fel försöker man ofta använda fler piloter och medelvärdesbilda mellan dem. Detta kommer att minska brusets totala inverkan. Eftersom kanalen ändrar sig i både tid och frekvens går det inte att bara summera alla piloter. Istället måste man ta hänsyn till hur stor inverkan piloter från andra tidpunkter eller frekvenser har. Detta gör man genom att tillämpa en algoritm för att hitta minsta medelvärdesfelet (Minimum Mean Square Error, MMSE). En MMSE-estimator är dock väldigt komplicerad då den multiplicerar piloterna med en MMSE-matris. I denna avhandling beskrivs hur man kan reducera komplexiteten genom att tillämpa en singulärvärdesuppdelning (Singular Value Decomposition, SVD) av MMSE-matrisen. SVD-matrisen samlar energin i olika moder, där de första moderna innehåller en stor majoritet av energin. Genom att bara använda dessa moder kan man multiplicera med en mycket mindre matris. Kostnaden är dock en viss begränsning av prestandan då en liten del av energin inte används. I avhandlingen beskrivs en arkitektur och implementation av en SVD-estimator. Även det tredje bidraget avhandlar kanalestimering. En mer komplicerad algoritm som försöker estimera kanalen genom matchning (Matching Pursuit, MP) har undersökts och förbättrats. MP-estimatorn försöker uppskatta varje kanalväg separat och sedan addera dem, istället för att bara uppskatta summan av dem. Detta går att göra då de olika vägarna har olika sträcka och att signalen därför når mottagaren vid olika tider för de olika vägarna. Genom att successivt plocka bort inverkan från den starkaste vägen kan man hitta alla betydande signalvägar. Förbättringarna i detta arbete har reducerat antalet multiplikationer i MP-estimatorn med ungefär 56 % jämfört med tidigare resultat. Detta åstadkoms genom ett val av en smartare upplösning i estimatorn. Om estimatorns upplösning väljs till dubbla antalet signalfrekvenser kommer bara hälften av de multiplikationerna krävas vid bortplockningen. Estimatorn har även implementerats och resultatet jämförts med tidigare implementationer. Över sex gånger fler kanaler kan uppskattas under samma tidsåtgång, samtidigt som felet i uppskattningen minskar.