應用於多輸入輸出前編碼系統之通用型矩陣分解運算器之架構設計與硬體實作

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：21

、訪客IP：3.141.244.201

姓名

吳昱奇(Yu-Chi Wu) 查詢紙本館藏

畢業系所

電機工程學系

論文名稱

應用於多輸入輸出前編碼系統之通用型矩陣分解運算器之架構設計與硬體實作
(Design and Implementation of Generalized Matrix-Decomposition Processor for MIMO Precoding)

相關論文

★ 具輸出級誤差消除機制之三位階三角積分D類放大器設計	★ 應用於無線感測網路之多模式低複雜度收發機設計
★ 用於數位D類放大器的高效能三角積分調變器設計	★ 交換電容式三角積分D類放大器電路設計
★ 適用於平行處理及排程技術的無衝突定址法演算法之快速傅立葉轉換處理器設計	★ 適用於IEEE 802.11n之4×4多輸入多輸出偵測器設計
★ 應用於無線通訊系統之同質性可組態記憶體式快速傅立葉處理器	★ 3GPP LTE正交分頻多工存取下行傳輸之接收端細胞搜尋與同步的設計與實現
★ 應用於3GPP-LTE下行多天線接收系統高速行駛下之通道追蹤與等化	★ 適用於正交分頻多工系統多輸入多輸出訊號偵測之高吞吐量QR分解設計
★ 應用於室內極高速傳輸無線傳輸系統之設計與評估	★ 適用於3GPP LTE-A之渦輪解碼器硬體設計與實作
★ 下世代數位家庭之千兆級無線通訊系統	★ 協作式通訊於超寬頻通訊系統之設計
★ 適用於3GPP-LTE系統高行車速率基頻接收機之設計	★ 多使用者多輸入輸出前編碼演算法及關鍵組件設計

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

5G通訊中能有效提升無線通訊速率的方法有數種，多輸入輸出為最有效的核心概念並且許多技術都被應用於此架構上，而前編碼技術在其中扮演非常重要的角色，前編碼技術包含了不只發送端還必須要有接收端的緊密配合，在發送端前編碼器需要將訊號使用前編碼矩陣的資料來做發送，在接收端等化器一方面需要使用解碼矩陣的資料來還原接收訊號，一方面還必須考慮硬體的複雜度，同時還得做出快速且準確的通道估測以及效率高錯誤率低的解碼，這些技術都相當倚賴精確度高且多樣性高的通道矩陣分解處理器，本篇論文提出了一個通用型的通道矩陣分解處理器的架構，能夠支援到4根發送天線對應4根接收天線的多輸入多輸出系統，此外能夠在多輸入輸出系統中對通道矩陣分別分解三種不同矩陣分解法，分別是QR分解、特徵值分解以及幾何平均分解，其中所提出的幾何平均分解的演算法利用現有的穩定吞吐量的基礎做了相當改良，能大幅減少分解時近百分之二十一的CORDIC運算數量；透過簡化硬體的模組分類、單純化資料流，這套硬體能發揮出極大的硬體共用與硬體使用效率，如此除了能加速操作時脈達到21.4 MHz之外同時也增加吞吐量，使QR分解只需花費十二個時脈、特徵值分解平均花費五十以內個時脈，幾何平均分解平均花費三十九個時脈，另外硬體有兩大部分的基本運算單元，互相為鏡像的關係，因為這項特性能在分解通道矩陣時同時還原其基底矩陣，當通道矩陣分解完的時候即可得到相對應的左右基底矩陣，也就是解碼矩陣與前編碼矩陣。

摘要(英)

There are several ways to enhance the transmission efficiency of wireless communication in the future 5G. Among them, the multiple-input multiple-output (MIMO) technique is one of the essential solutions. MIMO precoding techniques play an important role recently, which form a close loop that needs joint design of the transmitter side and the receiver side. Several matrix decomposition algorithms are adopted for MIMO precoding. This thesis presents an architecture of a generalized matrix-decomposition processor which can support 4 by 4 MIMO systems. Three different matrix decomposition can be accomplished, including QR decomposition, eigen value decomposition (EVD) and geometric mean decomposition (GMD). The proposed GMD algorithm can reduce almost 21% CORDIC computations during the equalization phase. It takes 12 clock cycles for QRD, less than 50 clock cycles for EVD and about 39 clock cycles for GMD. Two major processing units are designed to generate the decomposed channel matrix, precoding matrix and decoding matrix simultaneously. A total of 16 CORDIC modules are used. The operating frequency achieves 21.4 MHz

關鍵字(中)

★ 多輸入輸出
★ 前編碼
★ QR分解
★ 特徵值分解
★ 奇異值分解
★ 幾何平均值分解

關鍵字(英)

★ multiple input multiple output
★ precoding
★ QR decomposition
★ eigen value decomposition
★ singular value decomposition
★ geometric mean decomposition

論文目次

摘要 i
Abstract ii
目錄 iii
圖示目錄 vi
表格目錄 xi
第一章緒論 1
1.1 研究動機 1
1.2 論文組織 2
第二章多輸入輸出前編碼(MIMO Precoding)系統與技術 3
2.1 介紹 3
2.2 QR分解(QR Decomposition)技術 4
2.3 湯林遜哈洛希瑪前編碼(Tomlinson-Harashima Precoding,THP)技術 5
2.4 幾何平均分解(Geometric Mean Decomposition)技術 7
2.5 奇異值分解(Singular Value Decomposition)技術 9
2.6 特徵值分解(Eigen Value Decomposition)技術 11
第三章矩陣分解演算法 12
3.1 QR分解演算法 12
3.1.1 Givens Rotation原理 12
3.1.2 Givens Rotation QR分解演算法 17
3.2 特徵值分解演算法 20
3.2.1 Hessenberg化簡(Hessenberg Reduction) 21
3.2.2 基於QR演算法(QR Method)之特徵值分解[8] 25
3.2.3 矩陣縮幅(Deflate)與雷利商位移(Rayleigh Quotient Shift)收斂法 28
3.2.4 矩陣縮幅與威爾金森位移(Wilkinson Shift)收斂法[9] 31
3.3 幾何平均分解演算法 36
3.3.1 雙對角矩陣分解法(Bi-diagonalization) 37
3.3.2 無遞迴之2×2奇異值分解(SVD)運算 42
3.3.3 2×2幾何平均分解(GMD)運算 43
3.3.4 遞迴的對角線轉換法 44
3.3.5 高吞吐量(Throughput)幾何平均分解演算法 46
3.4 所提出之幾何平均分解演算法 49
3.4.1 指定值2×2上至下(Top-Down)運算 49
3.4.2 指定值2×2下至上(Bottom-Up)運算 50
3.4.3 子矩陣運算使用限制與分類 51
3.4.4 所提出之對角線等化法 54
第四章硬體架構設計與實現 59
4.1 硬體設計流程 59
4.1.1 硬體方塊圖與說明 61
4.1.2 角度旋轉運算模式 62
4.1.3 相消旋轉運算模式 63
4.2 硬體共用與資料流 64
4.2.1 QR分解硬體使用與資料流 64
4.2.2 特徵值分解硬體使用與資料流 74
4.2.3 幾何平均分解硬體使用與資料流 85
4.3 系統參數與量化方法 116
4.3.1 位元長度(Word Length)的量化方法 117
4.3.2 CORDIC的架構說明與量化方法 120
4.4 硬體複雜度評估 125
4.5 硬體實現與模擬 127
第五章結論 130
參考文獻 131

參考文獻

[1] Rusek, F.; Persson, D.; Buon Kiong Lau;Larsson, E.G.;Marzetta, T.L; Edfors, O.; Tufvesson, F. “Scaling Up MIMO: Opportunities and Challenges with Very Large Arrays,” IEEE Signal Processing Magazine, vol. 30, no. 1, pp. 40,60, Jan, 2013.
[2] C. P. Wu, and J. M. Wu, “Low-complexity Channel Decomposition for Spatial Multiplexing MIMO System,” IEEE 9th Workshop on Signal Processing Advances in Wireless Communications, Jul. 2008, pp. 156-160.
[3] M. Joham and W. Utschick, “Ordered Spatial Tomlinson Harashima Precoding. Chapter 20,” EURASIP, Hindawi Publishing Corporation, 2005.
[4] M. B. Shenouda and T. N. Davidson, “A Framework for Designing MIMO Systems with Decision Feedback Equalization or Tomlinson-Harashima Precoding,” IEEE Journal on Selected Areas in Communications, vol. 26, no. 2, pp. 401-411, Feb, 2008.
[5] Z. Y. Huang, and P. Y. Tsai, “Efficient Implement of QR Decomposition for Gigabit MIMO-OFDM Systems,” Circuits and Systems I: Regular Papers, IEEE Transactions, vol. 58, no. 10, pp. 2531-2542, Oct. 2011.
[6] Olof Persson, “Hessenberg/Tridiagonal Reduction,” Introduction to Numerical Methods Lecture 14, Massachusetts Institute of Technology 18.335J / 6.337J, Oct, 2006.
[7] Maysum Panju, “Iterative Methods for Computing EigenValues and EigenVectors,” Cornell University Library, The Waterloo Mathematics Review 1, pp. 9-18, May, 2011
[8] B. N. Parlett, “The QR Algorithm,” Computing Sci. Eng., pp. 38-42, Feb, 2000.
[9] Jim Lambers, “The Eigenvalue Problem: The Practical QR Algorithm,” Lecture 16 Notes, MAT 610, Summer Session, pp. 1-4, Oct, 2009.
[10] Y. Jiang, J. Li, and W. W. Hager, “Joint Transceiver Design for MIMO Communications using Geometric Mean Decomposition,” IEEE Trans. Signal Process., vol. 53, no. 1 , pp. 180-187, Jan. 2007.
[11] Wen-Da Chen and Yin-Tsung Hang, “A Constant Throughput Geometric Mean Decomposition Scheme Design for Wireless MIMO Precoding,” Vehicular Technology, IEEE Trans, vol. 62, issue. 5, pp. 2080-2090, Jun, 2013.
[12] Yin-Tsung Hwang, Wei-Da Chen, and Cheng-Ru Hong, “A Low Complexity Geometric Mean Decomposition Computing Scheme and Its High Throughput VLSI Implementation,” IEEE Trans, Circuits and System I: Regular Papers, vol. 61, issue. 4, pp. 1170-1182, April, 2014.
[13] G. Golub and W. Kahan, “Calculating the Singular Value and Pseudo-Inverse of A Matrix,” Journal of the Society for Industrial and Applied Mathematics Series B Numerical Analysis, vol. 2, no. 2, pp. 205-224, Jan, 1965.
[14] A. Horn, “On The Eigenvalues of a Matrix with Prescribed Singular Values,” Proc. Armer. Math. Soc., vol. 5, no. 1, pp. 4-7, Feb, 1954.
[15] G. Golub and C. van Loan, Matrix Computatuions, 3rd ed. Baltimore, MD: The Johns Hopkins University. Press, 1996.
[16] R. P. Brent and F. T. Luk, “A Systolic Architecture for Almost Linear Time Solution of The Symmetric Eigenvalue Problem,” Dept. Comp. Sci., Cornell University, Ithaca, NY, USA, Tech. Rep. TR-CS-82-525, Aug, 1982.
[17] C. H. Yang, C. W. Chou, C. S. Hsu, and C. E. Chen, “ A Systolic Array Based GTD Processor With a Parallel Algorithm,” IEEE Trans, Circuits and System I: Regular Papers, vol. 62, no. 4, pp. 1099-1108, April, 2015.
[18] A. E. Rakhmania, P. Y. Tsai, and O. Setyawati, “A Unified and Flexible Eigen-solver for Rank-Deficient Matrix Regarding Interference Alignment MIMO Techniques,” Department of Electrical Engineering, National Central University Institutional Repository, Taiwan.

指導教授

蔡佩芸(Pei-Yun Tsai)

審核日期

2016-8-29

推文