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

Sintesi Tecnica: Signal Space-Transformed Expectation Propagation per la Rilevazione dei Simboli in Canali ISI

Definizione del Problema
La rilevazione iterativa basata sul passaggio di messaggi tramite Expectation Propagation (EP) si è affermata come un framework quasi-ottimale per l'elaborazione dei segnali in canali MIMO (Multiple-Input Multiple-Output) e ISI (Inter-Symbol Interference). In questo framework, un estimatore LMMSE (Linear Minimum Mean Square Error) itera con un demapper non lineare per simbolo. Sebbene sia efficace in molti scenari, la rilevazione convenzionale basata su EP soffre di un significativo degrado delle prestazioni in canali con forte ISI. Questo fallimento si verifica quando la stima LMMSE iniziale è imprecisa, portando a un'approssimazione povera della vera distribuzione a posteriori, particolarmente quando si trattano prior discreti. Inoltre, sebbene il rilevatore ottimale Bahl–Cocke–Jelinek–Raviv (BCJR) offra prestazioni superiori, la sua complessità computazionale scala esponenzialmente con la memoria del canale ($O(M^{L+1})$), rendendolo impraticabile per canali con risposte all'impulso lunghe.

Metodologia
Gli autori propongono un rilevatore basato su EP che opera in uno spazio di segnale trasformato piuttosto che nello spazio del canale originale. La metodologia principale coinvolge tre componenti chiave:

1. Accorciamento Lineare del Canale: Un filtro di ricezione lineare ($W$) trasforma il modello di sistema originale ($y = Hx + n$) in un modello trasformato ($y_F = Fx + \epsilon_F$). La matrice del canale target $F$ è vincolata ad avere una memoria ridotta ($\nu < L$) rispetto al canale originale. Questa trasformazione è progettata per migliorare l'inizializzazione sia degli stimatori lineari che di quelli non lineari.
2. Stima Iterativa nello Spazio Trasformato: Invece del ciclo convenzionale tra un estimatore LMMSE e un demapper per simbolo, lo schema proposto itera tra:
   • Un Estimatore Lineare (LE): Basato su un filtro di accorciamento del canale, operante nello spazio del segnale trasformato.
   • Un Estimatore Non Lineare (NLE): Un rilevatore BCJR basato su trellis. Fondamentalmente, questo rilevatore opera sulla memoria ridotta $\nu$ del modello di sistema trasformato, non sulla memoria del canale originale $L$. Ciò consente alla complessità del BCJR di scalare come $O(M^{\nu+1})$, rendendolo fattibile anche per canali in cui la memoria del canale originale $L$ è troppo grande per un BCJR standard.
3. Inizializzazione Deliberatamente Mismatchata: Per accelerare la convergenza, gli autori propongono una specifica strategia di inizializzazione per la prima iterazione ($\ell=0$). Mentre il framework EP assume tipicamente un prior con covarianza completamente fattorizzata (diagonale), gli autori inizializzano il LE utilizzando la matrice di covarianza completa $V_A = FF^T$ derivata dal filtro di accorciamento del canale. Tuttavia, il prior del passaggio di messaggi è ancora inizializzato con gli elementi diagonali di questa matrice ($v^{(0)}_A = \text{diag}(FF^T)$). Questo "mismatch" recupera efficacemente le stime del filtro di accorciamento del canale ottimali nel primo step senza violare l'assunzione di diagonalità richiesta per le successive iterazioni del passaggio di messaggi.

Contributi Chiave

• EP in Spazio di Segnale Trasformato: L'introduzione di un framework EP che opera in uno spazio di segnale definito da un filtro di accorciamento del canale lineare, consentendo l'uso di rilevatori BCJR a memoria ridotta all'interno di un ciclo EP iterativo.
• Compromesso Prestazioni-Complessità: Il metodo introduce iperparametri (memoria trasformata $\nu$ e numero di iterazioni $N_{It}$) che permettono un compromesso granulare tra prestazioni di rilevazione e complessità computazionale.
• Accelerazione della Convergenza: La proposta di un mismatch deliberato tra i messaggi inizializzati e la covarianza utilizzata per l'estimatore lineare nella prima iterazione, il che migliora significativamente la velocità di convergenza e l'accuratezza della stima iniziale.

Risultati
L'approccio proposto è stato valutato su due modelli di canale: il noto canale ISI Proakis-C (che rappresenta uno scenario di forte ISI peggiore) e un dataset di 26.161 CIR provenienti da una campagna di misurazione wireless indoor non-line-of-sight (DICHASUS).

• Canale Proakis-C (8-PAM): A un'informazione mutua per simbolo (SMI) di 2 bit per uso di canale, il rilevatore proposto con memoria ridotta $\nu=2$ ha ottenuto un guadagno di 5 dB rispetto al rilevatore EP convenzionale ($\nu=0$). Aumentare la memoria a $\nu=3$ ha fornito un ulteriore guadagno di 1 dB, riducendo il divario rispetto al rilevatore BCJR a memoria completa ottimale a 2 dB.
• Canali Indoor DICHASUS (16-QAM): A un tasso di errore di simbolo (SER) di $2 \times 10^{-3}$, il rilevatore proposto ha mostrato un guadagno di oltre 2 dB rispetto al rilevatore EP convenzionale. Un guadagno di 0,7 dB è stato osservato confrontando $\nu=2$ contro $\nu=1$.
• Analisi della Complessità: I risultati dimostrano che, per un numero fisso di complessità (somma pesata delle operazioni), aumentare la memoria ridotta $\nu$ produce prestazioni migliori. La strategia di "inizializzazione mismatchata" ha migliorato significativamente la convergenza per il canale Proakis-C, sebbene il suo impatto sia variato per il canale DICHASUS.

Significatività e Rivendicazioni
Il documento afferma che il metodo proposto offre un favorevole compromesso prestazioni-complessità rispetto alla rilevazione basata su EP convenzionale. Operando in uno spazio di segnale trasformato, il metodo consente l'uso di rilevatori BCJR con memoria ridotta, rendendo la rilevazione quasi-ottimale fattibile per canali in cui il BCJR standard sarebbe computazionalmente proibitivo. Gli autori sottolineano che l'approccio è particolarmente efficace per canali con forte ISI dove le stime lineari iniziali sono tipicamente imprecise, dimostrando miglioramenti fino a 6 dB a 2 bit per uso di canale in configurazioni specifiche. Il lavoro suggerisce che l'approccio dello spazio di segnale trasformato potenzia efficacemente l'inizializzazione sia degli estimatori lineari che di quelli non lineari, portando a una rilevazione robusta senza la penalità di complessità esponenziale della rilevazione ottimale a memoria completa.