外文翻譯--由于晶格減少輔助峰值功率減少的最近點搜索的mimo廣播頻道

1、<p>　　由于晶格減少輔助峰值功率減少的最近點搜索的MIMO廣播頻道</p><p><b>　　介紹</b></p><p>　　最近幾年多輸入多輸出廣播信道有很大的研究空間。在未來的多孔系統(tǒng)中，它可能被應用到在基地有多傳輸天線和有多接受天線的每名用戶的下行通道中.在高斯容量區(qū)域的MiMO BC有很多驗證(Caire和Shamai; Vishwanath

2、 等人，2003年; Viswanath and Tse，2003年; Yu and Cioffi，2004年; Weingarten等人，2006年). Weingarten等人(2006)研究的the dirty-paper編程(DPC)( Costa，1983年)的成功率區(qū)域和高斯容量區(qū)域的MIMO BC幾乎一樣.DPC容量研究成功的方法眾所周知是基本的多維網格的量子化和極小的方差(MMSE)的降低(Erez and Brink，

3、2005年; Erez等人，2005年). 其他事態(tài)發(fā)展的基礎上DPC技術計劃包括網格和卷積預編碼（2005年YU等人）和疊加編碼(Bennatan 等人，2006年).</p><p>　　然而,DPC技術的高非線性組織它的實際運行情況. 這促使研究人員考慮一些其他一些預編碼方案，包括通道反演（Peel等人，2005年）, 正規(guī)化渠道反演（Peel等人，2005年） ，矢量擾動范圍的基礎上編碼（Hochwald

4、等人，2005年） ，格減少計算機輔助（LRA）湯，原島預編碼（ Windpassinger等人，2004年）和塊對角化（(Spencer等人 ，2004年） 。其中預編碼方案，矢量微擾方案能夠實現最佳的性能附近的DPC技術的多樣性時，多是無法使用。然而，矢量擾動計劃沒有考慮到的峰值平均功率比（ PAPR的）所產生的發(fā)送信號。最近的工作博卡迪和開羅（ 2006年）的基礎上的P -領域編碼（p-SE）的承諾，以減少PAPR的，但受到高的復

5、雜性。在本文中，我們首先采用多項式時間Lenstra-Lenstra-Lovasz（LLL）算法（(Lenstra等，1982年）的預編碼矩陣獲得晶格的基礎上減少。 然后，使用近似正交性質欄的LLL減少的基礎上，最近點搜索（CPS）可以用來尋找最佳微擾載體。擬議的LRA-CPS計劃能夠實現之間的權衡的功率效率和PAPR的。此外，LRA</p><p><b>　　系統(tǒng)模型和預備</b><

6、;/p><p>　　考慮每一個接收天線有M傳輸天線基站和K個用戶接收天線的MIMO BC預編碼模式。在每一個符號間隔中可以表示成復雜的基帶輸入輸出模型，</p><p><b>　?。?）</b></p><p>　　包含在每個用戶所收到的數據中, 它包含從M傳輸天線的信號傳播，H是一個有K × M復值頻道矩陣與每個參數代表傳輸信道增益天

7、線m 和用戶k,然而是一個有有獨立和相同分布(i.i.d.)的復雜的高斯噪聲向量。我們假設 MIMO信道矩陣H是平坦的瑞利衰落和已知的發(fā)射機.</p><p>　　基于被發(fā)送信號加強的平均功率約束。在載體微動變化的計劃中，它很方便的也考慮有的非標準發(fā)送信號s </p><p><b>　?。?）</b></p><p>　　在這里，是信息關聯信

8、號包含調制符號傳送給用戶，表示設置一些復雜的信號，如正交幅度調制（ QAM ）坐標, 是一支M × K預編碼矩陣這往往設置為theMoore-Penrose轉置的H矩陣 ，即，與上標H表明共軛移調其論據（向量或矩陣） ，和是一個依賴于數據載體的擾動和, 。 對于案件平方米的QAM座標，在是絕對值座標符號的最大規(guī)模和Δ是間距座標點。例如，對于16 - QAM調制坐標與振幅在實際層面， 和。</p><p&g

9、t;<b>　　問題描述</b></p><p>　　在載體微動變動方案中，最優(yōu)擾動向量記作,是其中最小瞬時傳輸功率,</p><p><b>　　例如,</b></p><p><b>　　(3)</b></p><p>　　這可以有效地實施領域解碼器(SD) (Damen

10、等人., 2003年) 和預編碼方案，也被稱為'領域編碼器' （SE）。然而，這一方案只有最小的平均發(fā)射功率沒有任何控制的峰值功率的，這里是指載體∞的范圍?？紤]到雙方的平均發(fā)射功率和瞬時峰值功率，我們介紹了瞬時PAPR的，其定義是：</p><p><b>　　(4)</b></p><p>　　我們的目的是找到一種動態(tài)載體以降低在不增加瞬時PAPR時

11、不增加太多的平均發(fā)射功率。這意味著，我們要解決這個問題以限制給定的功率 。</p><p><b>　?。?5 ）</b></p><p>　　在這里，和是解決方案的Eq.(3)，這意味著有最低瞬時發(fā)射功率。在p-SE (Boccardi and Caire, 2006年), 首先是通過SD獲得, 然后通過P-SE來解決Eq （ 5 ）的問題 。P – SD的期望復雜

12、性是有關的 (Damen 等人 2003年)。在下一節(jié)中，我們將提出一種較簡單的計劃，這里P – SD被CPS取代。此外，CPS研究的空間范圍只有線性或K的二次。</p><p><b>　　LRA-CPS計劃</b></p><p>　　在LRA-CPS計劃的提議中，我們首先采用多項式時間LLL算法（Lenstra等人 1982年）以獲得G的意義，</p>

13、;<p><b>　　(6)</b></p><p>　　上式的描述，這里的T是在降低M× K LLL算法的近似正交數，R是一個整數矩陣。很明顯，矢量是有整數項。那么，瞬時發(fā)射功率可近似為</p><p><b>　　(7)</b></p><p>　　其中是指第k列的T和近似正交性質的當。此外，規(guī)

14、定和中所有的項應是整數倍數以確保載體是一個整數。那么平均傳輸功率在Eq.（ 5 ）被限制可近似為</p><p><b>　　(8)</b></p><p>　　注釋所有T的序列的長度與LLL的最簡約算法(Lenstra et al., 1982) 之間保證小的誤差。我們假設所有對是想等的，這將表示我們的方法有很好的執(zhí)行性。然后，Eq.（ 8 ）可以進一步簡化為<

15、;/p><p><b>　　(9)</b></p><p>　　很明顯，一個合適CPS的方法獲得較好的矢量圖以滿足平均功耗的制約因素。在這里，我們只考慮最簡單的CPS的三個戰(zhàn)略，定義為：</p><p>　　方法A 只有一個項目的V變化和四個最接近點被認為是這個項目，即最近的點集的定義是：</p><p>　　在e中是所有零

16、向量除1在第k個元素。</p><p>　　方法B 類似的方法A ，但與8最接近點考慮，即最接近點集的定義是：</p><p>　　方法C 兩個項目的V變化同時和四個最接近點的這兩個項目的審議，即最接近的點集的定義是：</p><p>　　為了簡潔明了，在這三個搜索方法中，我們不考慮發(fā)射功率的限制，這意味著有CPS所獲得的載體不符合Eq.（ 9 ） 。此外，一些載體

17、滿足Eq.（ 9 ）不符合傳輸功率Eq.（ 5 ）的約束，自T序列的不完全正交。為解決這些問題，最初的發(fā)射功率限制在Eq.（ 5 ）中仍然是必要的。然后，最佳載體可以得到解決下限制問題：</p><p><b>　　（10）</b></p><p>　　Peak-power reduction by the lattice-reduction-aided</p&

18、gt;<p>　　closest point search for MIMO broadcast channels*</p><p>　　INTRODUCTION</p><p>　　The multiple-input multiple-output (MIMO) broadcast channel (BC) has been an area of extensive<

19、;/p><p>　　research in recent years. In future cellular systems, it may be used to model the downlink channel in which there are multiple transmit antennas at the base station and multiple receive antennas at ea

20、ch user. The capacity region of the Gaussian MIMO BC has been thoroughly investigated (Caire and Shamai, 2003; Vishwanath et al., 2003; Viswanath and Tse, 2003; Yu and Cioffi, 2004; Weingarten et al., 2006). Weingarten e

21、t al.(2006) showed that the dirty-paper coding (DPC) (Costa, 1983) achievable ra</p><p>　　However, the high nonlinearity of the DPC technique prevents its practical implementation. This has motivated several

22、 researchers to consider some other precoding schemes, including channel inversion (Peel et al., 2005), regularized channel inversion (Peel et al., 2005), vector-perturbation based on the sphere encoder (Hochwald et al.,

23、 2005), lattice-reduction-aided (LRA) Tomlinson-Harashima precoding (Windpassinger et al., 2004) and block diagonalization (Spencer et al., 2004). Among these prec</p><p>　　Recent work by Boccardi and Caire

24、(2006) based on the p-sphere encoder (p-SE) promises to reduce the PAPR but suffers from high complexity. In, this letter, we first apply the polynomial-time Lenstra-Lenstra-Lovasz (LLL) algorithm (Lenstra et al.1982) on

25、 the precoding matrix to obtain a lattice-reduced basis. Then, using the approximately orthogonal character of the columns of the LLL-reduced basis, the closest point search (CPS) can be used to find the optimal perturba

26、tion vector. The proposed </p><p>　　SYSTEM MODEL AND PRELIMINARIES</p><p>　　Consider a MIMO BC precoding model with M transmit antennas at the base station and K users, each with one receive ant

27、enna. The complex baseband input-output model can be represented as</p><p><b>　　(1)</b></p><p>　　where in each symbol interval, contains the data received at each user, contains the

28、signal transmitted from M transmit antennas, H is a K × M complex-valued channel matrix with each entryrepresenting the channel gain between transmit antenna m and user k, andis an independently and identically dist

29、ributed (i.i.d.) complex Gaussian noise vector. We assume that the MIMO channel matrix H</p><p>　　is flat Rayleigh-fadingand known to the transmitter.</p><p>　　The average power constraint impos

30、ed on the transmitted signal. In the vector perturbation scheme, it is convenient to also consider the unnormalized transmitted signal s such that</p><p><b>　　(2)</b></p><p>　　with.

31、Here, is the information-bearing signal containing the modulation symbols to be transmitted to the users, X denotes some complex signal set such asquadrature amplitude modulation (QAM) constellation, G is an M × K p

32、recoding matrix which is often set to be the Moore-Penrose pseudoinverse of H, i.e., with superscript H denoting the conjugate transpose of its argument (vector or matrix), and τλ is a data-dependent perturbation vector

33、with and</p><p>　　For the case of square QAM constellation, τ=2(+Δ/2), where is the absolute value of the constellation symbolswith the largest magnitude and Δ is the spacing between constellation points.