Signal Space-Transformed Expectation Propagation for Symbol Detection in ISI Channels

Technische Zusammenfassung: Signalraum-transformierte Expectation Propagation zur Symbolerkennung in ISI-Kanälen

Problemstellung
Die iterative Message-Passing-Detektion basierend auf Expectation Propagation (EP) hat sich als ein nahezu optimales Framework für die Signalverarbeitung in Multiple-Input Multiple-Output (MIMO) und Inter-Symbol-Interferenz (ISI) Kanälen etabliert. In diesem Framework iteriert ein linearer Minimum Mean Square Error (LMMSE) Schätzer mit einem nichtlinearen symbolweisen Demapper. Obwohl dies für viele Szenarien effektiv ist, leidet die konventionelle EP-basierte Detektion unter einer signifikanten Leistungsdegradation in Kanälen mit starker ISI. Dieses Versagen tritt auf, wenn die initiale LMMSE-Schätzung ungenau ist, was zu einer schlechten Approximation der wahren Posterior-Verteilung führt, insbesondere beim Umgang mit diskreten Priors. Zudem bietet der optimale Bahl–Cocke–Jelinek–Raviv (BCJR) Detektor zwar eine überlegene Leistung, aber seine Rechenkomplexität skaliert exponentiell mit dem Kanalspeicher ($O(M^{L+1})$), was ihn für Kanäle mit langen Impulsantworten unpraktikabel macht.

Methodik
Die Autoren schlagen einen EP-basierten Detektor vor, der in einem transformierten Signalraum anstatt im ursprünglichen Kanalraum operiert. Die Kernmethodik umfasst drei Hauptkomponenten:

1. Lineare Kanalkürzung: Ein linearer Empfangsfilter ($W$) transformiert das ursprüngliche Systemmodell ($y = Hx + n$) in ein transformiertes Modell ($y_F = Fx + \epsilon_F$). Die Zielkanalmatrix $F$ ist so beschränkt, dass sie einen reduzierten Speicher ($\nu < L$) im Vergleich zum ursprünglichen Kanal aufweist. Diese Transformation ist darauf ausgelegt, die Initialisierung sowohl der linearen als auch der nichtlinearen Schätzer zu verbessern.
2. Iterative Schätzung im transformierten Raum: Anstelle der konventionellen Schleife zwischen einem LMMSE-Schätzer und einem symbolweisen Demapper iteriert das vorgeschlagene Schema zwischen:
   • Einem linearen Schätzer (LE): Basierend auf einem Kanalkürzungsfilter, der im transformierten Signalraum operiert.
   • Einem nichtlinearen Schätzer (NLE): Einem Trellis-basierten BCJR-Detektor. Entscheidend ist, dass dieser Detektor auf dem reduzierten Speicher $\nu$ des transformierten Systemmodells operiert und nicht auf dem ursprünglichen Kanalspeicher $L$. Dies ermöglicht es, dass die BCJR-Komplexität als $O(M^{\nu+1})$ skaliert, was sie selbst für Kanäle mit einem ursprünglichen Kanalspeicher $L$, der zu groß für einen Standard-BCJR wäre, praktikabel macht.
3. Bewusste Fehlanpassung der Initialisierung: Um die Konvergenz zu beschleunigen, schlagen die Autoren eine spezifische Initialisierungsstrategie für die erste Iteration ($\ell=0$) vor. Während das EP-Framework typischerweise einen vollständig faktorisierte (diagonale) Prior-Kovarianz annimmt, initialisieren die Autoren den LE unter Verwendung der vollen Kovarianzmatrix $V_A = FF^T$, die aus dem Kanalkürzungsfilter abgeleitet wurde. Der Message-Passing-Prior wird jedoch weiterhin mit den Diagonalelementen dieser Matrix ($v^{(0)}_A = \text{diag}(FF^T)$) initialisiert. Diese „Fehlanpassung“ ermöglicht es effektiv, die optimalen Schätzungen des Kanalkürzungsfilters im ersten Schritt wiederherzustellen, ohne die für nachfolgende Message-Passing-Iterationen erforderliche Diagonalannahme zu verletzen.

Wesentliche Beiträge

• Transformierter Signalraum-EP: Die Einführung eines EP-Frameworks, das in einem durch einen linearen Kanalkürzungsfilter definierten Signalraum operiert, was die Verwendung von BCJR-Detektoren mit reduziertem Speicher innerhalb einer iterativen EP-Schleife ermöglicht.
• Leistungs-Komplexitäts-Trade-off: Die Methode führt Hyperparameter (transformierter Speicher $\nu$ und Iterationsanzahl $N_{It}$) ein, die einen feingranularen Trade-off zwischen Detektionsleistung und Rechenkomplexität ermöglichen.
• Konvergenzbeschleunigung: Der Vorschlag einer bewussten Fehlanpassung zwischen den initialisierten Nachrichten und der für den linearen Schätzer verwendeten Kovarianz für die erste Iteration verbessert die Konvergenzgeschwindigkeit und die initiale Schätzgenauigkeit signifikant.

Ergebnisse
Der vorgeschlagene Ansatz wurde auf zwei Kanalmodellen evaluiert: dem bekannten Proakis-C ISI-Kanal (der ein Worst-Case-Szenario für starke ISI darstellt) und einem Datensatz von 26.161 CIRs aus einer Indoor-Non-Line-of-Sight-Funkmesskampagne (DICHASUS).

• Proakis-C Kanal (8-PAM): Bei einer Symbol-wise Mutual Information (SMI) von 2 Bits pro Kanaleinsatz erreichte der vorgeschlagene Detektor mit reduziertem Speicher $\nu=2$ einen Gewinn von 5 dB gegenüber dem konventionellen EP-Detektor ($\nu=0$). Eine Erhöhung des Speichers auf $\nu=3$ lieferte einen zusätzlichen Gewinn von 1 dB und reduzierte die Lücke zum optimalen Full-Memory-BCJR-Detektor auf 2 dB.
• DICHASUS Indoor-Kanäle (16-QAM): Bei einer Symbolfehlerrate (SER) von $2 \times 10^{-3}$ zeigte der vorgeschlagene Detektor einen Gewinn von mehr als 2 dB im Vergleich zum konventionellen EP-Detektor. Ein Gewinn von 0,7 dB wurde beobachtet, als $\nu=2$ gegen $\nu=1$ verglichen wurde.
• Komplexitätsanalyse: Die Ergebnisse zeigen, dass für eine feste Komplexitätszahl (gewichtete Summe der Operationen) die Erhöhung des reduzierten Speichers $\nu$ eine bessere Leistung liefert. Die Strategie der „mismatched initialization“ verbesserte die Konvergenz für den Proakis-C Kanal signifikant, obwohl ihr Einfluss für den DICHASUS-Kanal variierte.

Bedeutung und Ansprüche
Das Paper behauptet, dass die vorgeschlagene Methode einen günstigen Leistungs-Komplexitäts-Trade-off gegenüber der konventionellen EP-basierten Detektion bietet. Durch die Operation in einem transformierten Signalraum ermöglicht die Methode die Verwendung von BCJR-Detektoren mit reduziertem Speicher, was eine nahezu optimale Detektion für Kanäle praktikabel macht, für die ein Standard-BCJR rechentechnisch zu aufwendig wäre. Die Autoren betonen, dass der Ansatz besonders effektiv für Kanäle mit starker ISI ist, in denen die initialen linearen Schätzungen typischerweise ungenau sind, wobei Verbesserungen von bis zu 6 dB bei 2 Bits pro Kanaleinsatz in spezifischen Konfigurationen nachgewiesen wurden. Die Arbeit legt nahe, dass der Ansatz des transformierten Signalraums die Initialisierung sowohl der linearen als auch der nichtlinearen Schätzer effektiv verbessert, was zu einer robusten Detektionsleistung führt, ohne die exponentielle Komplexitätsstrafe einer Full-Memory-Optimaldetektion zu tragen.