In this paper, we concern the uplink of a massive single-input multiple-output enabled ultra-reliable low-latency communication system, in which a single-antenna transmitter aims to timely and reliably send data to a receiver equipped with a large number of antennas over Rayleigh fading channels. For such a scenario, to eliminate the considerable overhead caused by channel estimation, we adopt a noncoherent maximum-likelihood (ML) receiver, which is known to be optimal in terms of average symbol-error rate for equiprobable discrete input signals. We propose a two-dimensional noncoherent constellation design framework to enhance the reliability of the considered system. Specifically, our design principle is to maximize the minimum Kullback-Leibler divergence between the conditional distributions induced by different transmitted signals under average power constraint for any given transmission rate. The resulting optimization problem is shown to be a challenging mixed discrete-continuous problem. We manage to solve the problem by deliberately designing optimal bit allocation and optimal constellation structure as a function of signal-to-noise ratios. We then unveil that the proposed constellation can facilitate efficient ML detection with low computational complexity. Finally, simulation results illustrate that the proposed scheme has a superior error performance than conventional training-based schemes and existing energy detection designs.

中文翻译：

---

URLLC 应用中非相干大规模 SIMO 系统的星座设计

在本文中，我们关注一个大规模单输入多输出的超可靠低延迟通信系统的上行链路，其中单天线发射机旨在及时可靠地将数据发送到配备大量瑞利衰落信道上的天线。对于这种情况，为了消除由信道估计引起的相当大的开销，我们采用了非相干最大似然 (ML) 接收器，已知它在等概率离散输入信号的平均误码率方面是最佳的。我们提出了一个二维非相干星座设计框架，以提高所考虑系统的可靠性。具体来说，我们的设计原则是在任何给定传输速率的平均功率约束下，最大化由不同传输信号引起的条件分布之间的最小 Kullback-Leibler 散度。由此产生的优化问题被证明是一个具有挑战性的混合离散连续问题。我们通过故意设计最佳位分配和最佳星座结构作为信噪比的函数来解决这个问题。然后，我们揭示了所提出的星座可以以低计算复杂度促进高效的 ML 检测。最后，仿真结果表明，所提出的方案比传统的基于训练的方案和现有的能量检测设计具有更好的错误性能。由此产生的优化问题被证明是一个具有挑战性的混合离散连续问题。我们通过故意设计最佳位分配和最佳星座结构作为信噪比的函数来解决这个问题。然后，我们揭示了所提出的星座可以以低计算复杂度促进高效的 ML 检测。最后，仿真结果表明，所提出的方案比传统的基于训练的方案和现有的能量检测设计具有更好的错误性能。由此产生的优化问题被证明是一个具有挑战性的混合离散连续问题。我们通过故意设计最佳位分配和最佳星座结构作为信噪比的函数来解决这个问题。然后，我们揭示了所提出的星座可以以低计算复杂度促进高效的 ML 检测。最后，仿真结果表明，所提出的方案比传统的基于训练的方案和现有的能量检测设计具有更好的错误性能。然后，我们揭示了所提出的星座可以以低计算复杂度促进高效的 ML 检测。最后，仿真结果表明，所提出的方案比传统的基于训练的方案和现有的能量检测设计具有更好的错误性能。然后，我们揭示了所提出的星座可以以低计算复杂度促进高效的 ML 检测。最后，仿真结果表明，所提出的方案比传统的基于训练的方案和现有的能量检测设计具有更好的错误性能。