⚡ electrical engineering

Statistical Characterization and Block-EM Estimation of Frequency-Domain NSI for OFDM Systems in Bursty Impulsive Noise

本文提出了一种用于缓解正交频分复用（OFDM）系统中脉冲噪声的频域分块框架，该框架推导出了用于描述噪声统计特性的变换高斯混合模型，并引入了一种无监督分块期望最大化（EM）估计算法，以在保持子载波正交性并避免时域处理复杂性的同时实现最优性能。

原作者： Chin-Hung Chen, Wim van Houtum, Yan Wu, Alex Alvarado

发布于 2026-08-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Chin-Hung Chen, Wim van Houtum, Yan Wu, Alex Alvarado

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

从为我们家送电的输电线到连接我们设备的无线网络，现代通信系统面临着一个持久且隐形的敌人：突发性的高能静电脉冲。不同于工程师们早已学会应对的稳定、可预测的背景噪声，这种干扰以尖锐、不可预测的峰值形式出现。它是由我们赖以生存的电子设备——如开关电源、电动机和数字转换器——所产生的混沌电涌而生成的。当这些电涌冲击信号时，它们会淹没所携带的脆弱信息，导致数据消失或损坏。几十年来，工程师们一直试图通过在信号被处理前观察原始电波来清理信号，试图切除这些峰值或重建原始波形。然而，这些方法往往难以奏效，因为它们试图在时域（time domain）中解决问题，而在该领域中，信号的结构复杂且极易因不完美的修复而受损。

来自埃因霍芬理工大学和恩智浦半导体（NXP Semiconductors）的研究小组提出了一种不同的方法，这种方法是顺应而非对抗现代数字传输的自然架构。他们专注于一种被称为正交频分复用（OFDM）的系统，这是数字电视和电力线互联网等技术的基石。在这种系统中，数据并非作为单一流传输，而是作为许多个并行通道的集合进行传输，每个通道携带一小部分信息。研究人员意识到，通过等待信号被转换为这些并行频率通道之后，他们可以使用一种比以往假设更精确的统计模型来描述这种混沌噪声。他们不再试图猜测并减去噪声，而是开发出一种方法，能够精确识别哪些部分的信号受到了峰值的冲击，哪些部分是安全的，从而允许接收器相应地调整其对数据的置信度。

其工作的核心在于理解这些噪声脉冲在转化为频率通道的数学变换过程中是如何表现的。研究人员发现，虽然噪声在时域看起来是混沌的，但一旦进入频域（frequency domain），它就会组织成一种可预测的模式。他们将这种模式建模为不同状态的混合，其中每个状态代表不同的噪声强度。在一个理想的世界里，接收器能够准确知道在任何给定时刻噪声处于哪种状态，从而实现近乎完美的解码。但在现实中，这一信息是隐藏的。研究人员的突破在于创建了一套算法，能够实时学习这种隐藏信息，而无需预先录制的噪声图谱。

他们开发了三种截然不同的方法来解决这个学习问题，每种方法都针对不同的复杂度水平和资源可用性进行了设计。第一种方法将每个数据块视为独立个体，根据当前信号更新其对噪声的理解。第二种方法增加了一个记忆层，识别出噪声脉冲通常会连续持续数个时刻，并利用这种连续性来进行更好的预测。第三种也是最先进的方法旨在实现自我校正；它从大量的可能噪声状态开始，并自动剔除那些不需要的状态，从而确保即使在信号复杂度增加时，系统仍能保持高效。这些方法依赖于传输系统的一个特定特征：少量不携带数据的“静默”通道。通过仅观察这些静默通道，算法可以推导出影响整个信号的噪声性质，而无需了解原始消息。

通过广泛的计算机模拟，团队证明了他们的方法在噪声具有高度爆发性且系统受到约束的情况下，比传统方法具有显著优势。在噪声剧烈且不可预测的场景下，他们的新算法可以将错误率降低到标准接收器的十分之一甚至更多，而标准接收器通常假设噪声是均匀分布的。模拟结果显示，当系统拥有的静默通道非常少时（这是现实应用中的常见限制），考虑了噪声记忆的最先进方法表现得尤为有效。然而，研究人员也发现，随着数据块规模的增大，这些复杂方法的优势开始减弱，因为噪声会自然地平滑成一种更可预测的模式。这表明，最佳方案很大程度上取决于网络的具体条件。

该研究明确反对目前普遍依赖的时域重建技术，即试图通过数学手段减去估计的噪声来重建原始信号。作者发现这些方法极易出错；如果减法操作哪怕只有轻微的不完美，都会破坏不同通道之间微妙的数学关系，从而产生比原始问题更难处理的新干扰。他们的频域方法通过完全避免尝试重建原始波形，转而专注于调整接收数据的统计置信度，从而彻底规避了这一陷位。他们还排除了使用简单、静态噪声模型的想法，证明了现代系统的噪声行为是动态变化的，必须进行实时追踪。

源自编码通信系统模拟的结果表明，这一框架可以弥合理论完美与实际应用之间的差距。通过利用静默通道来学习噪声剖面，系统可以在不需要额外带宽或复杂硬件的情况下，适应不断变化的环境。研究人员指出，虽然他们最先进的算法性能最佳，但其计算成本也更高；在许多情况下，使用简化版的算法便已足够。这种复杂度与性能之间的权衡是一个关键发现，为工程师提供了一个工具包，以便根据其具体需求选择合适的复杂程度。这项工作证实，通过将视角从时域转向频域，并拥抱干扰的统计本质，构建能够抵御现代世界混沌电噪声的稳健接收器是完全可能的。

技术摘要：突发脉冲噪声环境下 OFDM 系统频域 NSI 的统计特性表征与 Block-EM 估计

问题陈述
脉冲噪声（IN）具有高功率和非高斯分布的特征，对正交频分复用（OFDM）系统构成了重大挑战，尤其是在存在电子干扰（如电力线、开关设备）的环境中。虽然现有的缓解技术通常依赖于时域处理（如自适应裁剪、置零或稀疏重构），但这些方法存在以下局限性：

复杂度与对齐问题： 它们在离散傅里叶变换（DFT）之前运行，未能与 OFDM 内在的频域处理流程保持一致。
正交性风险： 时域脉冲的不完全减除会破坏子载波的正交性，从而产生自诱导的载波间干扰（ICI）。
计算负担： 高级重构方法（如压缩感知、稀疏贝叶斯学习）需要迭代处理和显著的空载载波（null-tone）开销，这在实际应用中往往难以实现。
统计失配： 传统的频域接收机通常假设加性高斯白噪声（AWGN），当噪声表现出突发性、非高斯特性时，这种假设是次优的。

核心挑战在于缺乏一种鲁棒的频域框架，能够在不进行复杂的时域重构的情况下，准确估计噪声状态信息（NSI），从而在突发脉冲噪声环境下实现最优检测。

方法论
本文提出了一个基于频域、基于块（block-based）的框架，其核心思想是从重构时域脉冲转向对后 DFT 噪声分布进行统计表征。

统计表征：
- 作者使用马尔可夫-米德尔顿顿（Markov-Middleton）模型对时域脉冲噪声进行建模（该模型结合了隐马尔可夫模型与高斯混合模型）。
- 他们推导了噪声在频域的统计表示。通过对一组时域样本进行 DFT，可以证明频域噪声遵循变换后的高斯混合模型（GMM）。
- 频域状态数 ( $L_f$ ) 是基于块大小 ( $M$ ) 和时域状态数 ( $L$ ) 推导出来的。随着 $M$ 的增加，中心极限定理（CLT）表明噪声会趋向于单一的高斯分布，但对于有限块大小，其非高斯混合结构仍然显著。
最优接收机基准：
- 本文推导了一个假设已知完美 NSI（即已知每个符号的确切噪声状态和方差）的最优接收机。这作为性能的上界，证明了在非高斯环境下，精确的 NSI 至关重要，尤其是在块大小较小或时间相关性较高时。
Block-EM 估计框架：
为了弥合理论与实践之间的差距，本文提出了三种无监督期望最大化（EM）算法，利用 OFDM 帧内的空载载波（guard bands）来估计 NSI：
- SBS-EM（逐符号 EM）： 一种简单的 EM 算法，估计整个 OFDM 符号块的单一状态，并迭代更新方差和混合系数。
- HMM-EM（隐马尔可夫模型 EM）： 一种增强型算法，对连续 OFDM 符号之间的时域相关性进行建模。它利用 BCJR 算法计算联合状态概率，通过显式学习转移概率来追踪突发噪声模式。
- MAP-EM（最大后验概率 EM）： 一种旨在解决大型 DFT 系统中“状态空间爆炸”问题的变体。它引入了针对混合系数的促进稀疏性的狄利克雷先验（Dirichlet prior）。这使得算法能够动态地剪枝冗余状态并合并相似的方差，从而在不依赖固定高维状态空间的情况下，使模型复杂度适应观测窗口。

主要贡献

频域统计推导： 本文严谨地推导了突发脉冲噪声的频域 GMM 表示，确立了 CLT 允许简化 AWGN 假设的条件，以及何时需要精确的 NSI。
Block-EM 算法： 开发了三种不同的 EM 变体（SBS、HMM、MAP），利用了频域脉冲噪声的块相关特性。这些算法在 DFT 之后运行，保留了子载波的正交性。
自适应复杂度： 引入了 MAP-EM 变体，利用促进稀疏性的先验自动减少估计的状态数，从而在性能与计算复杂度之间取得平衡。
系统级权衡分析： 通过全面的评估，确定了每种算法变体在不同 DFT 大小、空载载波开销和噪声相关参数下的最佳适用场景。

仿真结果
该框架在采用 QPSK 调制和马尔可夫-米德尔顿噪声信道的编码 OFDM 系统上进行了评估。

最优 vs. 传统： 最优 NSI 感知接收机显著优于传统的 AWGN 接收机，特别是在小 DFT 大小 ( $M$ ) 和高脉冲/背景功率比 ( $\Lambda$ ) 的情况下。例如，在 $M=1$ 且 $\Lambda=5$ 时，最优接收机在 $10^{-4}$ BER 下比 AWGN 接收机获得了约 10 dB 的 SNR 增益。
块大小的影响： 随着 $M$ 的增加，由于 CLT 效应，最优接收机与 AWGN 接收机之间的性能差距会缩小，除非存在高时间相关性 ( $r$ )。高相关性保留了状态稳定性，使得最优接收机即使在较大的块大小时仍能保持优势。
EM 算法性能：
- HMM-EM 在高时间相关性 ( $r \approx 0.99$ ) 和低空载载波开销场景下表现出色，通过精确追踪状态转移，性能优于 SBS-EM。
- MAP-EM 展示了鲁棒性，能够收敛到精简的活跃状态数（在测试场景中通常为 4–6 个），从初始的 10 个状态中收敛，同时达到了固定 10 状态模型的性能，并降低了复杂度。
- 开销敏感性： 在低开销场景（如 12.5% 空载载波）下，基于 HMM 的追踪至关重要。在高开销场景下，简单的 SBS 估计器即可满足需求。
- 基准对比： Block-EM 方法显著优于 Block-Average (BAVG) 方差估计器，后者由于估计不确定性极高，在低开销条件下表现不佳。

意义与主张
本文声称，其频域设计通过与 OFDM 处理链无缝集成，为时域缓解提供了一种鲁棒的替代方案。通过避免时域重构，它消除了破坏子载波正交性的风险，并降低了对复杂迭代重构算法的需求。

作者强调，虽然简化模型（如 SBS-EM）在高开销条件下已足够，但在资源受限（空载载波有限）或高度相关突发噪声的环境中，复杂的变体（HMM-EM 和 MAP-EM）是必不可少的。这项工作为在非高斯环境下实现接近最优的性能提供了一条切实可行的路径，且无需承受时域脉冲重构的巨大复杂度。未来的工作建议侧重于优化初始化策略，并将该框架扩展到半盲、基于导频的系统中。

类似论文