大規(guī)模MIMO系統(tǒng)信號檢測技術(shù)算法研究及硬件加速隨著移動通信技術(shù)的發(fā)展,人們對移動互聯(lián)網(wǎng)的需求越發(fā)多樣化,虛擬現(xiàn)實和增強(qiáng)現(xiàn)實等應(yīng)用需求的出現(xiàn)使得移動互聯(lián)網(wǎng)絡(luò)的流量規(guī)模爆炸式增長;另一方面,物聯(lián)網(wǎng)的出現(xiàn)改變了人們對通信服務(wù)范圍的定義,海量的、多種多樣的物聯(lián)網(wǎng)設(shè)備使得網(wǎng)絡(luò)節(jié)點數(shù)顯著增加,網(wǎng)絡(luò)結(jié)構(gòu)多樣且復(fù)雜。基于移動互聯(lián)網(wǎng)和物聯(lián)網(wǎng)這兩大驅(qū)動力,第5代移動通信技術(shù)得以飛速發(fā)展,以滿足人們高速、綠色、泛在、智能的通信需求。大規(guī)模多輸入多輸出（MIMO）無線通信是未來通信的關(guān)鍵使能技術(shù),利用空間維度大大提升了系統(tǒng)的分集或復(fù)用增益,能夠顯著增加系統(tǒng)容量,提升系統(tǒng)能效。然而,大規(guī)模的天線陣列使得信號處理的數(shù)據(jù)規(guī)模激增,信號處理的復(fù)雜度超出了可接受范圍。因此,基于低復(fù)雜度近似計算的信號處理算法成為大規(guī)模MIMO技術(shù)研究的一個重要方向。矩陣逆計算是信道估計、信號檢測、預(yù)編碼等信號處理算法的關(guān)鍵計算步驟,本文基于大規(guī)模MIMO系統(tǒng)信號檢測和預(yù)編碼算法中運算矩陣的特點,提出了低復(fù)雜度高精度的近似迭代矩陣逆算法,并根據(jù)算法的特征,基于FPGA設(shè)計了相應(yīng)的硬件加速單元。由于信號檢測和預(yù)編碼同屬于干擾消除技術(shù),只是應(yīng)用位置不同,且形式具有對偶性,因此本文主要以信號檢測為例進(jìn)行說明。本文的主要貢獻(xiàn)包括以下幾個方面:1.提出在大規(guī)模MIMO數(shù)據(jù)檢測中采用基于牛頓迭代（NI）的矩陣逆方法。為了進(jìn)一步平衡精度與計算復(fù)雜度,我們還提出了基于對角帶牛頓迭代（DBNI）的近似矩陣逆算法。與多項式擴(kuò)展（PE）方法相比,NI方法收斂速度快,且迭代次數(shù)越多,NI方法的精度提升越快,同時NI方法每次迭代的計算復(fù)雜度恒定,因此其計算效率隨著迭代次數(shù)的增加也越來越高;而對于DBNI方法,它可以在計算復(fù)雜度保持O（M2）量級的情況下,獲得更高的精度,在精度和復(fù)雜度間取得良好的平衡。另外,我們的方法適用范圍更廣,可以用在基站天線數(shù)與用戶數(shù)比值較小的情況,而PE方法則會在小比值情況下遇到誤差平層。除此之外,NI方法和DBNI方法非常適合基于迭代的聯(lián)合信道估計、檢測和譯碼算法,可以在大規(guī)模MIMO系統(tǒng)中以較低的復(fù)雜度獲得較高的性能。2.提出了基于迭代加工（IR）的近似迭代檢測或預(yù)編碼方法。我們討論了多種近似迭代檢測或預(yù)編碼方法,并詳細(xì)分析了其計算復(fù)雜度。然后我們利用IR方法對這幾種近似迭代方法進(jìn)行改進(jìn),稱這種改進(jìn)后的方法為基于IR的近似迭代方法,該方法本質(zhì)上是三種近似迭代方法的結(jié)合。我們比較了基于IR的近似迭代方法和四種近期提出的近似迭代方法,在SELF模式下其歸一化均方誤差分別降低了27%、44%、67%和83%,這一性能提升不需要任何額外硬件資源,并且僅需要極小的復(fù)雜度開銷。接下來我們以NI和DBNI為例,在硬判決譯碼系統(tǒng)中更細(xì)致地分析了IR方法的改進(jìn)效果。最后,我們進(jìn)一步分析了近似迭代檢測結(jié)合軟輸入軟輸出Viterbi譯碼系統(tǒng)的誤碼率性能。3.設(shè)計了基于牛頓迭代法的大規(guī)模MIMO矩陣逆硬件加速器,提出了陣列結(jié)構(gòu)和迭代結(jié)構(gòu)兩種設(shè)計框架。為了平衡硬件開銷和計算精度,我們利用Matlab進(jìn)行了設(shè)計參數(shù)模擬,選擇了最佳的定點設(shè)計位寬參數(shù)。然后,基于提出的設(shè)計框架和設(shè)計參數(shù),我們設(shè)計了NI矩陣逆硬件加速器的基本模塊NI₄x4,并以160×8規(guī)模的天線檢測任務(wù)為例,分別介紹了陣列結(jié)構(gòu)的NI₈x8設(shè)計和迭代結(jié)構(gòu)的NI_iter的任務(wù)劃分與調(diào)度方法。最后我們將NI矩陣逆硬件加速器與PE矩陣逆硬件加速器進(jìn)行了比較,對于陣列結(jié)構(gòu),其設(shè)計靈活性高,可以支持多次迭代實現(xiàn)高精度計算,即使相較于改進(jìn)的PE結(jié)構(gòu),在更高的精度要求下,基于NI的設(shè)計也可以獲得更小的延時,更高的吞吐率;對于迭代結(jié)構(gòu),它進(jìn)一步增加了設(shè)計的靈活性,在任務(wù)規(guī)模小于計算單元陣列規(guī)模時,效果與陣列結(jié)構(gòu)一致,當(dāng)執(zhí)行大規(guī)模任務(wù)時,NI_iter可以通過劃分調(diào)度支持超硬件規(guī)模的任務(wù),并利用酉對稱特性優(yōu)化計算過程,顯著縮短執(zhí)行延時。4.我們設(shè)計了大規(guī)模MIMO條件下基于DBNI方法的矩陣逆硬件加速器,提出了陣列結(jié)構(gòu)和迭代結(jié)構(gòu)兩種設(shè)計框架并重點介紹了迭代結(jié)構(gòu)。綜合考慮硬件開銷和計算精度,我們利用Matlab進(jìn)行了設(shè)計參數(shù)模擬,選擇了最佳的定點設(shè)計位寬參數(shù)。然后,基于迭代結(jié)構(gòu)設(shè)計框架和設(shè)計參數(shù),我們設(shè)計了DBNI矩陣逆硬件加速器DBNI_iter的基本模塊Gram₄x4和DBNIINV₄x5。接下來,我們提出了DBNI_iter的任務(wù)劃分、調(diào)度方法,并定制了相應(yīng)的控制單元。最后我們將DBNI_iter與PE矩陣逆硬件加速器和NI_iter進(jìn)行了比較,實驗結(jié)果顯示,DBNI_iter比PE結(jié)構(gòu)擁有更高的頻率,更少的資源開銷,且能支持超硬件規(guī)模的計算任務(wù),適合于計算資源緊張、任務(wù)規(guī)模動態(tài)變化的應(yīng)用場景;而與NI_iter相比,DBNI_iter充分利用算法特征,降低了各計算模塊的計算延時,并且通過解耦Gram計算與迭