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

Technische Samenvatting: Signal Space-Transformed Expectation Propagation voor Symbooldetectie in ISI-kanalen

Probleemstelling
Iteratieve message-passing detectie gebaseerd op Expectation Propagation (EP) heeft zichzelf gevestigd als een bijna-optimale framework voor signaalverwerking in Multiple-Input Multiple-Output (MIMO) en Inter-Symbol Interference (ISI) kanalen. In dit framework iterreert een lineaire minimum mean square error (LMMSE) schatter met een niet-lineaire symbool-gewijze demapper. Hoewel dit effectief is voor veel scenario's, lijdt conventionele EP-gebaseerde detectie onder aanzienlijke prestatievermindering in kanalen met sterke ISI. Dit falen treedt op wanneer de initiële LMMSE-schatting onnauwkeurig is, wat leidt tot een slechte benadering van de ware posterieure distributie, met name bij het werken met discrete priors. Bovale is, terwijl de optimale Bahl–Cocke–Jelinek–Raviv (BCJR) detector superieure prestaties biedt, de computationele complexiteit ervan exponentieel schaalt met de kanaalgeheugen ($O(M^{L+1})$), wat het onhaalbaar maakt voor kanalen met lange impulsresponsen.

Methodologie
De auteurs stellen een EP-gebaseerde detector voor die opereert binnen een getransformeerde signaalruimte in plaats van de oorspronkelijke kanaalruimte. De kernmethodologie bestaat uit drie belangrijke componenten:

1. Lineaire Kanaalverkorting: Een lineair ontvangstfilter ($W$) transformeert het oorspronkelijke systeemmodel ($y = Hx + n$) naar een getransformeerd model ($y_F = Fx + \epsilon_F$). De doelkanaalmatrix $F$ wordt beperkt tot een gereduceerd geheugen ($\nu < L$) vergeleken met het oorspronkelijke kanaal. Deze transformatie is ontworpen om de initialisatie van zowel de lineaire als de niet-lineaire schatters te verbeteren.
2. Iteratieve Schatting in Getransformeerde Ruimte: In plaats van de conventionele lus tussen een LMMSE-schatter en een symbool-gewijze demapper, roteert het voorgestelde schema tussen:
   • Een Lineaire Schatter (LE): Gebaseerd op een kanaalverkortingsfilter, opererend op de getransformeerde signaalruimte.
   • Een Niet-Lineaire Schatter (NLE): Een trellis-gebaseerde BCJR-detector. Cruciaal is dat deze detector opereert op het gereduceerde geheugen $\nu$ van het getransformeerde systeemmodel, en niet op het oorspronkelijke kanaalgeheugen $L$. Dit maakt de BCJR-complexiteit schaalbaar als $O(M^{\nu+1})$, wat het haalbaar maakt zelfs wanneer het oorspronkelijke kanaalgeheugen $L$ te groot is voor een standaard BCJR.
3. Bewuste Mismatched Initialisatie: Om convergentie te versnellen, stellen de auteurs een specifieke initialisatiestrategie voor voor de eerste iteratie ($\ell=0$). Terwijl het EP-framework doorgaans een volledig gefactoriseerde (diagonale) prior covariantie aanneemt, initialiseren de auteurs de LE met de volledige covariantie-matrix $V_A = FF^T$ afgeleid van het kanaalverkortingsfilter. Echter, de message passing prior wordt nog steeds geïnitialiseerd met de diagonale elementen van deze matrix ($v^{(0)}_A = \text{diag}(FF^T)$). Deze "mismatch" herstelt effectief de optimale kanaalverkortingsfilter-schattingen in de eerste stap zonder de diagonale assumptie vereist voor opeenvolgende message passing iteraties te schenden.

Belangrijkste Bijdragen

• Transformed Signal Space EP: De introductie van een EP-framework dat opereert in een signaalruimte gedefinieerd door een lineair kanaalverkortingsfilter, wat het gebruik van gereduceerd-geheugen BCJR-detectoren binnen een iteratieve EP-lus mogelijk maakt.
• Prestatie-Complexiteit Afweging: De methode introduceert hyperparameters (getransformeerd geheugen $\nu$ en iteratie-aantal $N_{It}$) die een fijnmazige afweging bieden tussen detectieprestaties en computationele complexiteit.
• Convergentieversnelling: Het voorstel van een bewuste mismatch tussen de geïnitialiseerde berichten en de covariantie gebruikt in de lineaire schatter voor de eerste iteratie, wat de convergentiesnelheid en de initiële schattingsnauwkeurigheid aanzienlijk verbetert.

Resultaten
De voorgestelde aanpak werd geëvalueerd op twee kanaalmodellen: het bekende Proakis-C ISI-kanaal (dat een worst-case sterke ISI-scenario representeert) en een dataset van 26.161 CIR's uit een indoor non-line-of-sight wireless meetcampagne (DICHASUS).

• Proakis-C Kanaal (8-PAM): Bij een symbol-wise mutual information (SMI) van 2 bits per kanaalgebruik, behaalde de voorgestelde detector met gereduceerd geheugen $\nu=2$ een winst van 5 dB ten opzichte van de conventionele EP-detector ($\nu=0$). Het verhogen van het geheugen naar $\nu=3$ leverde een extra winst op van 1 dB, waardoor de kloof met de optimale full-memory BCJR-detector werd verkleind tot 2 dB.
• DICHASUS Indoor Kanalen (16-QAM): Bij een Symbol Error Rate (SER) van $2 \times 10^{-3}$ vertoonde de voorgestelde detector een winst van meer dan 2 dB vergeleken met de conventionele EP-detector. Een winst van 0,7 dB werd waargenomen bij het vergelijken van $\nu=2$ tegenover $\nu=1$.
• Complexiteitsanalyse: De resultaten demonstreren dat voor een vast complexiteitscijfer (gewogen som van operaties), het verhogen van het gereduceerde geheugen $\nu$ betere prestaties oplevert. De "mismatched initialization" strategie verbeterde de convergentie voor het Proakis-C kanaal aanzienlijk, hoewel de impact varieerde voor het DICHASUS-kanaal.

Betekenis en Claims
Het artikel claimt dat de voorgestelde methode een gunstige prestatie-complexiteit afweging biedt ten opzien van conventionele EP-gebaseerde detectie. Door te opereren in een getransformeerde signaalruimte, maakt de methode het gebruik van BCJR-detectoren met gereduceerd geheugen mogelijk, wat bijna-optimale detectie haalbaar maakt voor kanalen waar de standaard BCJR computationeel onhaalbaar is. De auteurs benadrukken dat de aanpak bijzonder effectief is voor kanalen met sterke ISI waar initiële lineaire schattingen doorgaans onnauwkeurig zijn, waarbij verbeteringen tot 6 dB worden aangetoond bij 2 bits per kanaalgebruik in specifieke configuraties. Het werk suggereert dat de getransformeerde signaalruimte aanpak de initialisatie van zowel lineaire als niet-lineaire schatters effectief verbetert, wat leidt tot robuuste detectieprestaties zonder de exponentiële complexiteitspenalty van volledige-geheugen optimale detectie.