⚡ electrical engineering

Enhanced Uplink Data Detection for Massive MIMO with 1-Bit ADCs: Analysis and Joint Detection

本文针对配备 1 比特模数转换器的大规模 MIMO 上行链路系统，提出了一种新的分析框架，推导了软估计符号的期望值，并据此设计了线性最小均方弥散（LMMD）接收机及利用符号间依赖关系的联合检测策略，显著提升了符号误码率性能。

原作者： Amin Radbord, Italo Atzeni, Antti Tolli

发布于 2026-03-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Amin Radbord, Italo Atzeni, Antti Tolli

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让未来的 6G 通信网络既快又省电的聪明办法。

想象一下，你正在举办一场盛大的派对（这就是大规模 MIMO 系统，基站是派对主人，有很多天线；用户是客人，有很多手机）。主人想同时听清楚所有客人的说话声（上行数据检测）。

1. 遇到的难题：戴着“单色眼镜”听世界

为了省钱和省电，主人决定给每个耳朵（天线）只装1 比特的转换器（1-bit ADC）。

这是什么意思？ 就像主人戴了一副只能看到“黑”和“白”的眼镜，或者只能听到“响”和“不响”的耳朵。它把复杂的信号（像彩色的声音）强行压缩成最简单的“是/否”信号。
后果： 信号严重失真。原本清晰的对话变得模糊不清，而且因为信号太简单，很难分辨出谁在说什么，尤其是当很多人同时说话时。

2. 传统的做法：老派侦探

以前的方法（像 MRC、MMSE 接收机）就像是老派的侦探。他们拿到这些模糊的“黑白”信号后，直接套用以前在“彩色世界”（高精度设备）里总结的经验公式。

问题： 这些公式没考虑到“黑白眼镜”带来的特殊扭曲。就像用看彩色照片的经验去猜黑白照片里的人是谁，经常猜错。

3. 本文的突破：三位一体的新策略

这篇论文提出了一套全新的“侦探技巧”，分为三步走：

第一步：绘制“失真地图” (理论分析)

作者首先发现，虽然信号被压缩了，但并不是完全乱套。

比喻： 想象你在雾里看路。虽然看不清细节，但你知道“红灯”在雾里看起来总是偏暗红，“绿灯”总是偏暗绿。
发现： 作者计算出了在 1-bit 压缩下，每个用户的声音在基站耳朵里**“平均”会变成什么样**。他们发现，不同用户的声音会互相干扰，形成一种特定的“扭曲图案”。这个图案取决于信号强弱、有多少人说话等。

第二步：定制新眼镜 (LMMD 接收机)

既然知道了信号会怎么“扭曲”，那就别用老派侦探的公式了，我们要造一副专门针对“黑白眼镜”的新眼镜。

比喻： 以前的侦探试图把黑白照片强行还原成彩色（这很难且不准）。新的侦探（LMMD 接收机）直接承认：“好吧，这就是黑白世界，但我根据刚才画的‘失真地图’，知道哪个黑点其实代表的是‘张三’，哪个代表‘李四’。”
效果： 这副新眼镜能最大程度地减少信号在“黑白转换”过程中的混乱，让原本模糊的点变得更清晰。

第三步：联合破案 (联合检测 JD)

这是最精彩的部分。

传统做法： 侦探一个个单独审问客人：“张三，你刚才说了什么？”然后猜。
新做法 (JD)： 侦探把所有人叫到一起，联合分析。
- 比喻： 侦探发现，如果张三说了“你好”，李四的声音在基站听起来会有某种特定的“回声”；如果张三说了“再见”，李四的声音回声又不同。
- 策略： 不再单独猜每个人，而是把所有可能的“声音组合”（张三说 A 且李四说 B，或者张三说 C 且李四说 D...）都列出来，看看哪一组组合产生的“整体回声”和基站听到的最像。
- 低复杂度版 (N-JD)： 如果客人太多，把所有组合都列出来太累了。新策略就只挑出最像的几种可能性（比如只考虑张三最可能说的 3 种话），大大减少了计算量，但依然比单独猜要准得多。

4. 结果如何？

作者通过大量的数学模拟（就像在电脑里开了几千次派对）发现：

新眼镜 (LMMD) 比老派侦探（传统接收机）准得多，尤其是在信号稍微强一点的时候。
联合破案 (JD) 比单独审问（UE 特定检测）效果好得多，因为它利用了“大家说话互相影响”这个线索，而不是忽略它。
低复杂度版 (N-JD) 既聪明又省力，非常适合实际使用。

总结

这篇论文的核心思想就是：既然硬件（1-bit ADC）为了省钱变得“笨”了，那我们的算法就要变得更“聪明”来弥补。

它不再试图强行把“黑白”变回“彩色”，而是学会了在“黑白”的世界里，通过理解扭曲的规律和联合分析所有线索，依然能精准地听清每个人的声音。这为未来 6G 网络在保持超低功耗的同时，实现超高速通信提供了重要的理论支撑。

这是一份关于论文《Enhanced Uplink Data Detection in Massive MIMO with 1-Bit ADCs: Analysis and Joint Detection》（基于 1-bit ADC 的大规模 MIMO 上行链路数据检测增强：分析与联合检测）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：为了利用太赫兹（sub-THz）频段的宽带宽，大规模多输入多输出（Massive MIMO）系统成为关键。为了降低功耗和硬件复杂度，采用低分辨率（特别是 1-bit）模数转换器（ADC）的完全数字架构备受关注。
核心挑战：
1. 量化失真：1-bit ADC 会引入严重的非线性量化失真，导致接收信号星座图发生畸变。这种失真不仅发生在数据传输阶段，也发生在信道估计阶段。
2. 现有方法的局限性：传统的接收机（如 MRC、ZF、MMSE）通常假设无限分辨率或仅考虑高斯噪声，忽略了 1-bit 量化带来的非线性效应。现有的联合检测算法（如基于消息传递或最大似然的方法）要么计算复杂度过高，要么在信道状态信息（CSI）不完美时性能下降严重。
3. 多用户干扰：在多用户（Multi-UE）场景下，用户间的干扰与量化噪声耦合，使得单独检测每个用户的数据变得困难。

2. 方法论 (Methodology)

本文提出了一套完整的分析框架和检测策略，主要包含以下三个部分：

A. 软估计符号期望值的理论分析

模型构建：考虑了相关瑞利衰落（Correlated Rayleigh Fading）和多用户场景。
核心推导：推导了在使用线性接收机（MRC、ZF、MMSE）后、但在数据判决之前，软估计符号（Soft-estimated symbols）的期望值的闭式表达式。
关键发现：
- 软估计符号的期望值不仅取决于目标用户的数据符号，还取决于所有干扰用户的数据符号和导频矩阵。
- 这种**相互依赖性（Interdependence）**是由于 1-bit 量化在信道估计和数据传输过程中共同作用导致的。
- 在高信噪比（SNR）下，具有相同相位但不同幅度的数据符号，其软估计值会变得难以区分（幅度信息丢失）。

B. 新型接收机设计：线性最小均方弥散（LMMD）接收机

设计理念：传统的接收机直接套用无限分辨率下的结构，未针对 1-bit 量化优化。本文设计了一种LMMD 接收机。
优化目标：最小化软估计符号围绕其理论期望值的均方弥散（Mean Dispersion）。
实现方式：利用 Bussgang 分解和推导出的期望值，构建了一个针对 1-bit ADC 优化的接收矩阵 $V^{(LMMD)}$ 。该接收机能够更有效地处理量化信号中的非线性失真。

C. 联合数据检测（Joint Data Detection, JD）策略

策略核心：利用不同用户软估计符号之间的相互依赖性，不再单独检测每个用户，而是对所有用户进行联合检测。
具体方案：
1. 联合检测（JD）：在所有可能的用户数据符号组合构成的空间中，寻找与接收到的软估计向量距离最小的点。这相当于在 $L^K$ 个候选点中进行穷举搜索（ $L$ 为星座大小， $K$ 为用户数）。
2. 低复杂度变体（N-JD）：为了降低计算复杂度，提出了一种限制搜索空间的变体。首先为每个用户筛选出 $N$ 个最可能的候选符号，然后在这些候选的笛卡尔积构成的子空间中进行联合搜索。
3. 用户特定检测（UE-specific）：作为对比，提出了基于期望值的穷举、启发式和“神谕”（Genie-aided）检测策略。

3. 主要贡献 (Key Contributions)

理论分析扩展：将 1-bit ADC 下软估计符号期望值的分析从单用户、独立同分布（i.i.d.）瑞利衰落场景，扩展到了多用户、相关瑞利衰落场景，并推导了 MRC、ZF 和 MMSE 接收机下的闭式表达式。
新型接收机：提出了LMMD 接收机，专门针对 1-bit ADC 的非线性特性进行设计，显著优于传统接收机。
联合检测框架：提出了利用用户间软估计符号依赖性的**联合检测（JD）**策略，并给出了其低复杂度版本（N-JD）。
性能分析：推导了 JD 策略在 i.i.d. 瑞利衰落下的符号错误率（SER）上界，以及启发式用户特定检测的精确 SER 表达式。

4. 数值结果 (Results)

通过大量数值模拟，得出了以下关键结论：

接收机性能对比：
- MMSE 优于 MRC，因为 MMSE 能更好地抑制干扰，减少软估计符号的弥散。
- 提出的 LMMD 接收机 在最佳信噪比点（通常约为 6 dB）显著优于 MRC 和 MMSE。
- 有趣的是，在完美 CSI 下，LMMD 表现最好；但在不完美 CSI 下，随着 SNR 升高，LMMD 性能会下降（因为信道估计误差在高 SNR 下占主导），此时 MMSE 表现更稳健。
检测策略对比：
- JD 和 N-JD 显著优于单独检测每个用户的策略（如 E-USD 和 H-USD）。这证明了利用用户间干扰的相互依赖性可以大幅提升性能。
- N-JD (N=3) 的性能几乎与穷举搜索的 JD 相当，但计算复杂度大幅降低。
- 与现有的鲁棒最大似然（RML）方法相比，JD 和 N-JD 在中高信噪比下表现更好，因为 RML 未能有效处理高 SNR 下因量化导致的幅度信息丢失问题。
系统参数影响：
- 天线数量 (M)：增加基站天线数可以线性降低 SER，因为更大的阵列提供了更高的空间分辨率，有助于缓解量化失真。
- 用户数量 (K)：在用户数较少或中等（如 K=2, 3）时，联合检测增益显著。当用户数过多时，干扰趋于高斯分布，联合检测的增益会减弱，且计算复杂度呈指数级增长。

5. 意义与总结 (Significance)

理论价值：深入揭示了 1-bit 量化在多用户 Massive MIMO 系统中对信道估计和数据检测的双重影响，建立了软估计符号期望值与系统参数（SNR、用户数、导频等）之间的精确数学联系。
工程价值：
- 提出的 LMMD 接收机 和 N-JD 策略 为在低功耗硬件（1-bit ADC）上实现高性能 Massive MIMO 系统提供了可行的解决方案。
- 证明了在毫米波和太赫兹通信中，由于波束赋形导致同时调度的用户数通常较少，联合检测策略具有极高的实用价值。
- 指出了单纯追求高信噪比在 1-bit 系统中可能带来的性能瓶颈（幅度信息丢失），强调了功率控制和导频设计的重要性。

总结：该论文通过理论推导和算法创新，解决了 1-bit ADC 大规模 MIMO 上行链路中数据检测的难题，提出了一套从接收机设计到联合检测的完整优化方案，显著提升了系统的符号错误率性能，为未来 6G 高频段通信系统的硬件设计提供了重要的理论依据和技术参考。