针对高速移动场景中正交时频空间(Orthogonal Time Frequency Space, OTFS)系统线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)检测复杂度过高而难以快速有效实现的问题,利用零填充(Zero Padding, ZP)OTFS系统时域信道矩...针对高速移动场景中正交时频空间(Orthogonal Time Frequency Space, OTFS)系统线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)检测复杂度过高而难以快速有效实现的问题,利用零填充(Zero Padding, ZP)OTFS系统时域信道矩阵呈块对角稀疏特性提出一种逐块迭代的对称逐次超松弛(Symmetric Successive over Relaxation, SSOR)迭代算法,在降低系统复杂度的同时获得与LMMSE检测近似的性能。仿真结果表明,与逐次超松弛(Successive over Relaxation, SOR)算法相比,所提算法对松弛参数不敏感且具有更快的收敛速度,在迭代次数为10次时误码性能几乎达到LMMSE误码性能,显著降低了检测器的复杂度。展开更多
Kellogg gave a version of the Peaceman-Radford method. In this paper, we introduce a SSOR iteration method which uses Kellogg’s method. The new algorithm has some advantages over the traditional SSOR algorithm. A Cyc...Kellogg gave a version of the Peaceman-Radford method. In this paper, we introduce a SSOR iteration method which uses Kellogg’s method. The new algorithm has some advantages over the traditional SSOR algorithm. A Cyclic Reduction algorithm is introduced via a decoupling in Kellogg’s method.展开更多
由于SSOR预条件共轭梯度算法中预条件方程求解需要前推和回代,导致算法迁移到GPU平台上并行效率不高.为此,基于诺依曼多项式分解技术,提出了一种GPU加速的SSOR稀疏近似逆预条件子(GSSORSAI).它不仅保持了原线性系统系数矩阵的稀疏和对...由于SSOR预条件共轭梯度算法中预条件方程求解需要前推和回代,导致算法迁移到GPU平台上并行效率不高.为此,基于诺依曼多项式分解技术,提出了一种GPU加速的SSOR稀疏近似逆预条件子(GSSORSAI).它不仅保持了原线性系统系数矩阵的稀疏和对称正定特性,而且预条件方程求解仅需一次稀疏矩阵矢量乘运算,避免了前推和回代过程.实验结果表明:在NVIDIA Tesla C2050GPU上,对比使用Python在单个CPU上SSOR稀疏近似逆预条件子实现方法,GSSORSAI平均快将近100倍;应用到并行的PCG算法中,相比无预条件的CG算法,平均提高了算法的3倍的收敛速度.展开更多
文摘针对高速移动场景中正交时频空间(Orthogonal Time Frequency Space, OTFS)系统线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)检测复杂度过高而难以快速有效实现的问题,利用零填充(Zero Padding, ZP)OTFS系统时域信道矩阵呈块对角稀疏特性提出一种逐块迭代的对称逐次超松弛(Symmetric Successive over Relaxation, SSOR)迭代算法,在降低系统复杂度的同时获得与LMMSE检测近似的性能。仿真结果表明,与逐次超松弛(Successive over Relaxation, SOR)算法相比,所提算法对松弛参数不敏感且具有更快的收敛速度,在迭代次数为10次时误码性能几乎达到LMMSE误码性能,显著降低了检测器的复杂度。
文摘Kellogg gave a version of the Peaceman-Radford method. In this paper, we introduce a SSOR iteration method which uses Kellogg’s method. The new algorithm has some advantages over the traditional SSOR algorithm. A Cyclic Reduction algorithm is introduced via a decoupling in Kellogg’s method.
文摘由于SSOR预条件共轭梯度算法中预条件方程求解需要前推和回代,导致算法迁移到GPU平台上并行效率不高.为此,基于诺依曼多项式分解技术,提出了一种GPU加速的SSOR稀疏近似逆预条件子(GSSORSAI).它不仅保持了原线性系统系数矩阵的稀疏和对称正定特性,而且预条件方程求解仅需一次稀疏矩阵矢量乘运算,避免了前推和回代过程.实验结果表明:在NVIDIA Tesla C2050GPU上,对比使用Python在单个CPU上SSOR稀疏近似逆预条件子实现方法,GSSORSAI平均快将近100倍;应用到并行的PCG算法中,相比无预条件的CG算法,平均提高了算法的3倍的收敛速度.
