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

Resumo Técnico: Propagação de Expectativa em Espaço de Sinal Transformado para Detecção de Símbolos em Canais com ISI

Definição do Problema
A detecção baseada em passagem de mensagens iterativa via Propagação de Expectativa (EP) estabeleceu-se como um arcabouço quase ótimo para o processamento de sinais em canais MIMO (Multiple-Input Multiple-Output) e de Interferência Entre Símbolos (ISI). Neste arcabouço, um estimador de erro quadrático médio linear mínimo (LMMSE) itera com um descodificador (demapper) não linear por símbolo. Embora seja eficaz para muitos cenários, a detecção convencional baseada em EP sofre uma degradação significativa de desempenho em canais com forte ISI. Essa falha ocorre quando a estimativa inicial do LMMSE é imprecisa, levando a uma aproximação pobre da distribuição posterior real, particularmente ao lidar com priors discretos. Além disso, embora o detector ótimo de Bahl–Cocke–Jelinek–Raviv (BCJR) ofereça um desempenho superior, sua complexidade computacional escala exponencialmente com a memória do canal ($O(M^{L+1})$), tornando-o inviável para canais com respostas de impulso longas.

Metodologia
Os autores propõem um detector baseado em EP que opera dentro de um espaço de sinal transformado em vez do espaço de canal original. A metodologia central envolve três componentes principais:

1. Encurtamento Linear do Canal: Um filtro de recepção linear ($W$) transforma o modelo de sistema original ($y = Hx + n$) em um modelo transformado ($y_F = Fx + \epsilon_F$). A matriz de canal alvo $F$ é restrita a possuir memória reduzida ($\nu < L$) em comparação com o canal original. Esta transformação é projetada para melhorar a inicialização de ambos os estimadores, o linear e o não linear.
2. Estimativa Iterativa no Espaço Transformado: Em vez do loop convencional entre um estimador LMMSE e um demapper por símbolo, o esquema proposto itera entre:
   • Um Estimador Linear (LE): Baseado em um filtro de encurtamento de canal, operando no espaço de sinal transformado.
   • Um Estimador Não Linear (NLE): Um detector BCJR baseado em treliça. Crucialmente, este detector opera na memória reduzida $\nu$ do modelo de sistema transformado, e não na memória de canal original $L$. Isso permite que a complexidade do BCJR escale como $O(M^{\nu+1})$, tornando-o viável mesmo para canais onde a memória de canal original $L$ seria grande demais para um BCJR padrão.
3. Inicialização Desequilibrada Deliberada: Para acelerar a convergência, os autores propõem uma estratégia de inicialização específica para a primeira iteração ($\ell=0$). Enquanto o arcabouço EP tipicamente assume um prior de covariância totalmente fatorizado (diagonal), os autores inicializam o LE usando a matriz de covariância completa $V_A = FF^T$ derivada do filtro de encurtamento de canal. No entanto, o prior de passagem de mensagens ainda é inicializado com os elementos diagonais desta matriz ($v^{(0)}_A = \text{diag}(FF^T)$). Este "desequilíbrio" recupera efetivamente as estimativas do filtro de encurtamento de canal ideal no primeiro passo sem violar a suposição de diagonalidade necessária para as iterações subsequentes de passagem de mensagens.

Principais Contribuições

• EP em Espaço de Sinal Transformado: A introdução de um arcabouço EP que opera em um espaço de sinal definido por um filtro de encurtamento de canal linear, permitindo o uso de detectores BCJR de memória reduzida dentro de um loop de EP iterativo.
• Compromisso Desempenho-Complexidade: O método introduz hiperparâmetros (memória transformada $\nu$ e número de iterações $N_{It}$) que permitem um compromisso granular entre o desempenho de detecção e a complexidade computacional.
• Aceleração de Convergência: A proposta de um desequilíbrio deliberado entre as mensagens inicializadas e a covariância usada no estimador linear para a primeira iteração, o que melhora significativamente a velocidade de convergência e a precisão da estimativa inicial.

Resultados
O método proposto foi avaliado em dois modelos de canal: o conhecido canal ISI Proakis-C (representando um cenário de pior caso de forte ISI) e um conjunto de dados de 26.161 CIRs de uma campanha de medição sem fio em ambientes internos não-lineares de visada direta (DICHASUS).

• Canal Proakis-C (8-PAM): Em uma informação mútua por símbolo (SMI) de 2 bits por uso de canal, o detector proposto com memória reduzida $\nu=2$ alcançou um ganho de 5 dB sobre o detector EP convencional ($\nu=0$). Aumentar a memória para $\nu=3$ proporcionou um ganho adicional de 1 dB, reduzindo a lacuna para o detector BCJR de memória total ótima para 2 dB.
• Canais Internos DICHASUS (16-QAM): Em uma Taxa de Erro de Símbolo (SER) de $2 \times 10^{-3}$, o detector proposto mostrou um ganho de mais de 2 dB em comparação com o detector EP convencional. Um ganho de 0,7 dB foi observado ao comparar $\nu=2$ contra $\nu=1$.
• Análise de Complexidade: Os resultados demonstram que, para um número fixo de complexidade (soma ponderada de operações), aumentar a memória reduzida $\nu$ resulta em melhor desempenho. A estratégia de "inicialização desequilibrada" melhorou significativamente a convergência para o canal Proakis-C, embora seu impacto tenha variado para o canal DICHASUS.

Significância e Alegações
O artigo afirma que o método proposto oferece um compromisso desempenho-complexidade favorável sobre a detecção baseada em EP convencional. Ao operar em um espaço de sinal transformado, o método permite o uso de detectores BCJR com memória reduzida, tornando a detecção próxima da ótima viável para canais onde o BCJR padrão seria computacionalmente proibitivo. Os autores enfatizam que a abordagem é particularmente eficaz para canais com forte ISI, onde as estimativas lineares iniciais são tipicamente imprecisas, demonstrando melhorias de até 6 dB em 2 bits por uso de canal em configurações específicas. O trabalho sugere que a abordagem de espaço de sinal transformado efetivamente melhora a inicialização de ambos os estimadores lineares e não lineares, levando a um desempenho de detecção robusto sem a penalidade de complexidade exponencial da detecção ótima de memória total.