PAPR Reduction for AFDM by Affine-Domain Circular Shift without Side Information

Technische Zusammenfassung: PAPR-Reduktion für AFDM durch zirkuläre Verschiebung im Affinen-Bereich ohne Nebeninformationen

Problemstellung
Die Affine Frequenz-Divisions-Multiplexierung (AFDM) ist ein vielversprechendes Multicarrier-Verfahren für Szenarien mit hoher Mobilität (z. B. Fahrzeug- und Satellitenkommunikation), da sie im Gegensatz zu Orthogonaler Frequenz-Divisions-Multiplexierung (OFDM) in der Lage ist, die volle Verzögerungs-Doppler-Diversität unter schweren Doppler-Verschiebungen aufrechtzuerhalten. Ähnlich wie bei OFDM weist das AFDM-Signal jedoch ein hohes Spitzen-Leistungs-Verhältnis (Peak-to-Average Power Ratio, PAPR) auf. Ein hohes PAPR erfordert Leistungsverstärker mit großen Back-offs, was zu verringerter Energieeffizienz oder signifikanten nichtlinearen Verzerrungen und Fehlerraten führt.

Bestehende Methoden zur PAPR-Reduktion für AFDM stehen vor spezifischen Einschränkungen:

• Einige Methoden erfordern die Übertragung von Nebeninformationen (Side Information, SI) an den Empfänger, was die Spektraleffizienz reduziert und die Komplexität erhöht.
• Andere Ansätze, wie Companding oder Prä-Modulations-Spreading, können die Kanalschätzung beeinträchtigen oder die einzigartige Pilotstruktur von AFDM nicht vollständig ausnutzen.
• Neuere blinde Methoden (z. B. [8]) erreichen eine moderate PAPR-Reduktion, können aber die Auswahl der Verschiebung oder den Kompromiss zwischen Kandidatendichte und Detektionszuverlässigkeit nicht vollständig optimieren.

Methodik
Das Paper schlägt ein neuartiges PAPR-Reduktionsschema vor, das auf einer zirkulären Verschiebung im Affinen-Bereich ohne die Notwendigkeit von Nebeninformationen (SI) basiert. Die Methodik besteht aus drei Komponenten:

1. Zirkuläre Verschiebung im Affinen-Bereich am Sender:
   Anstatt den ursprünglichen Signalvektor $x$ zu übertragen, sucht der Sender nach einer zirkular verschobenen Version von $x$ (bezeichnet als $x \gg k$), die nach der AFDM-Modulation die niedrigste PAPR liefert. Der Modulationsprozess umfasst eine Pre-Chirp-Operation ($\Lambda_2^H$) gefolgt von einer Inversen Diskreten Fourier-Transformation (IDFT). Die Autoren zeigen, dass die PAPR des Zeitbereichssignals von dem prä-gechirpten Signal $\tilde{s}_0 = \text{IDFT}\{a_2 \otimes x\}$ abhängt. Durch das Verschieben von $x$ vor dem Pre-Chirp ändern sich die Phasenbeziehungen, was die Spitzenleistung im Zeitbereich verändert. Der Sender wählt den Verschiebeindex $\hat{k}$, der die Spitzenleistung unter einer Menge von Kandidaten minimiert.

2. Maximum-Likelihood-basierter (MLB) Blinder Empfänger:
   Da keine SI übertragen wird, muss der Empfänger den angewendeten Verschiebeindex $\hat{k}$ blind detektieren. Die vorgeschlagene Methode nutzt die spezifische Pilotstruktur von AFDM aus, bei der ein Pilotsymbol im Affinen-Bereich eingebettet ist, umgeben von Null-Werten der Guard-Intervalle.

• Mechanismus: Wenn das Signal einen doppelt selektiven Kanal durchläuft, erzeugt die effektive Kanalsmatrix $H_{eff}$ distinkte Segmente im empfangenen Signal, die den verschiedenen Kanalpfaden (Verzögerungen) entsprechen.
• Detektion: Der Empfänger testet Kandidatenshiftings, indem er das empfangene Signal zirkular zurückverschiebt. Für jeden Kandidaten berechnet er die Likelihood, dass die mit dem Piloten assoziierten Segmente mit der erwarteten Kanalstruktur übereinstimmen (speziell, dass die Energie in spezifischen Bins konzentriert ist, die den Kanal-Taps entsprechen).
• Integer vs. Nicht-Integer Doppler: Das Paper leitet die Wahrscheinlichkeitsdichtefunktion (PDF) der empfangenen Segmente sowohl für ganzzahlige als auch für nicht-ganzzahlige Doppler-Verschiebungen her. Für den nicht-ganzzahligen Fall wird die Likelihood mithilfe einer Riemann-Summe über diskrete Frequenzschritte approximiert, um die Komplexität des Integrals zu handhaben.

3. Strategie zur Kandidaten-Abstandsberechnung:
   Um das Risiko zu mindern, dass der MLB-Detektor sehr ähnliche Kandidaten (z. B. Verschiebungen, die sich nur um einen Sample unterscheiden) nicht unterscheiden kann, schlagen die Autoren vor, die Kandidatenmenge zu begrenzen. Ein minimaler Abstand $D$ (in Samples) wird zwischen zwei beliebigen Kandidatenshifts erzwungen. Dies reduziert die Suchkomplexität und stellt sicher, dass die Positionen der Piloten für verschiedene Kandidaten ausreichend unterscheidbar sind, um vom blinden Schätzer zuverlässig detektiert zu werden.

Wesentliche Beiträge

• SI-freie PAPR-Reduktion: Das Paper führt eine Methode zur Reduktion der AFDM-PAPR mittels zirkularer Verschiebungen im Affinen-Bereich ein, die ohne den spektralen Overhead von Nebeninformationen auskommt.
• Blinde Verschiebung-Detektion: Ein Maximum-Likelihood-basierter (MLB) blinder Detektor wurde entwickelt, der die inhärente Pilot- und Guard-Band-Struktur von AFDM nutzt, um die angewendete Verschiebung wiederherzustellen. Dieser Ansatz erfordert keine Kanalschätzungsinformationen (CSI) für die Detektion der Verschiebung selbst.
• Optimierung des Kandidatenabstands: Die Arbeit identifiziert, dass dichte Kandidatensätze die Leistung der blinden Detektion aufgrund der Ähnlichkeit zwischen den Kandidaten verschlechtern können. Es wird eine Abstandsbeschränkung ($D$) vorgeschlagen, um einen Kompromiss zwischen PAPر-Reduktionsgewinn und Detektionszuverlässigkeit zu finden.
• Komplexitätsanalyse: Die Arbeit liefert eine Komplexitätsanalyse, die zeigt, dass während die Senderkomplexität linear mit der Anzahl der Kandidaten steigt, die Empfängerkomplexität handhabbar bleibt, da sie von kleinen Parametern (maximale Verzögerung und Abstand) abhängt.

Simulationsergebnisse
Die vorgeschlagene Methode wurde mit 16-QAM-Modulation und einem Solid-State-Leistungsverstärker (SSPA)-Modell evaluiert.

• PAPR-Reduktion: Das Schema erreicht eine PAPR-Reduktion von 2,5 bis 4 dB gegenüber dem ursprünglichen AFDM, abhängig vom Kandidatenabstand. Während die Suche über alle $N$ Kandidaten bis zu 4 dB Gewinn liefert, reduziert die Erweiterung des Abstands auf $2Q$ Samples diesen auf 2,5 dB.
• Symbolfehlerrate (SER):
  • Mit einem Kandidatenabstand von $D = Q$ oder $2Q$ erreicht die Methode bei einer SER von $10^{-4}$ unter Verwendung eines SSPA einen Gewinn von etwa 2 dB gegenüber dem ursprünglichen AFDM (ohne PAPR-Reduktion).
  • Die Performance ist vergleichbar mit der State-of-the-Art-Methode aus [8] für $N=256$ Subcarrier.
  • Für $N=512$ Subcarrier übertrifft die vorgeschlagene Methode [8] um etwa 1 dB bei einer SER von $10^{-4}$, was auf den größeren verfügbaren Kandidatensatz mit mehr Subcarriern zurückzuführen ist.
  • In Szenarien mit schlechter Verstärkerlinearität (niedrige Sättigungsamplitude $A_{sat}$) übertrifft das vorgeschlagene Schema das nicht-reduzierte AFDM deutlich und vermeidet Fehlerschwellen (Error Floors), die durch nichtlineare Verzerrungen verursacht werden.

Bedeutung und Ansprüche
Das Paper behauptet, dass die vorgeschlagene Methode eine praktische Lösung zur PAPR-Reduktion in hochmobilen AFDM-Systemen bietet. Die primäre Bedeutung liegt in der Erzielung einer erheblichen PAPR-Reduktion (bis zu 4 dB) und der entsprechenden Verbesserung der SER ohne den spektralen Overhead durch Nebeninformationen oder die mit anderen blinden Techniken verbundene Verschlechterung der Kanalschätzung. Durch die Nutzung der spezifischen Pilotstruktur von AFDM ermöglicht die Methode eine zuverlässige blinde Detektion der Verschiebung, was sie für Szenarien geeignet macht, in denen die Kanalschätzung unbeeinträchtigt bleiben muss und die Spektraleffizienz entscheidend ist. Die Autoren kommen zu dem Schluss, dass der Kompromiss zwischen Suchkomplexität und Detektionszuverlässigkeit gerechtfertigt ist, insbesondere wenn der Kandidatenabstand optimiert wird.