2x2mimo的最大似然检测，可verilog实现，这个问题大家解决了么

难点在哪儿？

64qam最大似然检测的复杂度，你计算过么？

我的理解是应该解决了。比如2*2的64 QAM，复杂度为64*2，再优化一下可以降得更低，
性能损失也较小。

QRM类算法都是为降低复杂度的吧，球形译码，分区域或者象限限定搜索范围等，我觉得这是已经解决了的问题

是64*64的搜索维度好不好？
QRM不算最大似然的吧？
球形译码不靠谱，深度优先，搜索时间不确定，不好用吧？
而且，40MHz的带宽，你深度优先搜索，得多块的时钟？

我说的是对2*2 MIMO，适合硬件的ML算法只需要64*2，这是ML而不是near-ML的。

这个相关论文好像也有不少了，对于2*2因为固定了一维另一维的ML解就是最小（x或y）
坐标距离，硬件上实现很简单。

64*2个复数乘法器也挺郁闷的吧？
不知道你说的64*2具体是指什么？

就是64*2次计算，硬件上就是64*2个相同的单元（不考虑复用）。ML的话，我理解不能比
这更少了吧？

说错了，应该是64次。

固定一维得分出64个支路吧？
你下一步再怎么解决？再想一想它要多少个乘法器？

64*2个相同的单元，单元是指什么？单元的复杂度有多大？

我简单说下吧，比如我们要计算[x1;x2]中x1的LLR，遍历64个x1。对每个x1，x2的解就是
min{||y2-r21*x1-x2||}，这里假设做了归一化的QR分解信道矩阵为[r11 0;r21 1]。硬件
上找这个x2不需要乘法器。
对r21*x1，也是不需要乘法器的，因为x1的实部虚部都是整数。当然，最后计算LLR度量
时还是需要乘法器的。

不错。跟我的方法基本一致。
现在有不少文章了？

嗯，是的，我以前做这个的时候就看过不少相关的论文。推广到高维的情况，near-ML的
有一类也是类似的做法。

我最初2010年的时候，写这么个文章，投一个电路与系统的会议，还被拒了。
不知道是我没讲清楚，还是人家根本就没意识到问题在哪里。
压了几年没投，前几天又想起来了。

我翻了一下电脑里的，有一篇Low-complexity high throughput VLSI architecture of
soft-output ML MIMO detector，10年发的，就是我讲的这个。最原始的文章应该比这还
要早。

没看到过。把你说的，near-ML也用这种办法的文章，发给我看看？

比如这篇：Fixed-Complexity Soft MIMO Detection via Partial Marginalization