Skip to content
بازگشت به نتایج جست‌وجو

برابرسازی با روش نیروی صفر (Zero-Forcing - ZF) و حداقل میانگین مربعات خطا (Minimum Mean-Square Error - MMSE)

معرفی‌شده توسط
Saleh Mansour and Paul Zervos
سال
1974
نوع
linear equalization algorithm
خانواده
Signal processing

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

برابرسازی با روش نیروی صفر (ZF) و حداقل میانگین مربعات خطا (MMSE) الگوریتم‌های اساسی گیرنده خطی برای مقابله با تداخل بین نمادها (ISI) در کانال‌های پراکنده هستند. این روش‌ها که در چارچوب نظریه انتقال داده توسعه یافته‌اند، اساس برابرسازی کانال مدرن در سیستم‌های بی‌سیم و سیمی را تشکیل می‌دهند. در حالی که ZF به شدت تداخل را حذف می‌کند، MMSE سرکوب تداخل را با تقویت نویز متعادل می‌سازد و آن را به راه‌حل خطی بهینه تحت نویز گوسی تبدیل می‌کند.

شهود پشت روش

هنگامی که سیگنال از یک کانال پراکنده (مانند انتشار چندمسیری) عبور می‌کند، سیگنال دریافتی نسخه‌ای کشیده و تحریف‌شده از سیگنال ارسالی است که در آن پژواک‌های مسیرهای مختلف با نماد فعلی تداخل می‌کنند. یک گیرنده ساده که تلاش در تشخیص مستقیم دارد، شکست می‌خورد. برابرساز یک فیلتر خطی است که در گیرنده قرار می‌گیرد و اثر کانال را معکوس می‌کند. ZF به سادگی معکوس کانال را اعمال می‌کند – حذف کامل، اما نویز را در مولفه‌های ضعیف کانال تقویت می‌کند. MMSE گامی به عقب برمی‌دارد: به جای اجبار تداخل به صفر، میانگین مربعات خطا بین خروجی برابرسازی‌شده و نماد ارسالی واقعی را به حداقل می‌رساند و اجازه می‌دهد مقدار کمی تداخل باقی بماند اگر به طور قابل توجهی تقویت نویز را کاهش دهد. این بده‌بستان زمانی بهینه است که نویز گوسی باشد.

تاریخ

شبکه‌های سلولی قدیمی (GSM، IS-95) و 4G اولیه: کاهش محو شدگی چندمسیری در شبکه‌های سیار با مدولاسیون تک‌کاریر

چه زمانی استفاده شود

برابرسازی برای کانال‌هایی با عرض باند پراکندگی بسیار بزرگتر از مدت زمان نماد (تداخل بین نمادها) ضروری است. از ZF زمانی استفاده کنید که نویز کم است و سادگی را اولویت می‌دهید (بدون تخمین واریانس نویز). از MMSE زمانی استفاده کنید که نویز قابل توجه است یا واریانس نویز مشخص است؛ این روش از نظر حداقل میانگین مربعات بهینه است. از هر دو زمانی که کانال بسیار طولانی است اجتناب کنید (OFDM کارآمدتر است)؛ برابرسازی برای پراکندگی متوسط (کمتر از ۱۰ نماد) عملی است. برابرسازی با بازخورد تصمیم (DFE) را برای بهبود غیرخطی در نظر بگیرید.

محدودیت‌ها و ملاحظات

  • ZF می‌تواند باعث تقویت شدید نویز (افزایش نویز) در مناطق ضعیف کانال شود
  • MMSE به دانش واریانس نویز یا تخمین آن نیاز دارد
  • برابرسازی خطی قادر به حذف اعوجاج غیرخطی کانال نیست
  • برای کانال‌های طولانی (بیش از ۵۰ شیر)، هزینه محاسباتی بالا می‌رود؛ OFDM مبتنی بر FFT کارآمدتر است
  • الگوریتم‌های تطبیقی (LMS، RLS) ممکن است در کانال‌های با تغییر سریع واگرا شوند یا به آرامی همگرا شوند

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • خطی، از نظر محاسباتی ساده (معکوس ماتریس یا نزول تکراری)
  • MMSE برای گیرنده‌های خطی تحت نویز گوسی از نظر تئوری بهینه است
  • انواع تطبیقی (LMS، RLS) امکان یادگیری آنلاین را بدون سربار پایلوت فراهم می‌کنند
  • بدون فرض فرمت مدولاسیون خاص (برای هر صورت فلکی کار می‌کند)
  • به خوبی درک شده: ادبیات گسترده، پیاده‌سازی‌های اثبات شده

کاربردها

  • پهنای باند ثابت (ADSL، مودم‌های کابلی): برابرسازی کانال زوج سیم مسی یا کابل کواکسیال برای دستیابی به نرخ‌های چند مگابیت بر ثانیه
  • ارتباطات صوتی: کانال‌های زیر آب با چندمسیری شدید؛ برابرسازی تطبیقی برای دریافت همدوس ضروری است
  • ضبط مغناطیسی (هارد دیسک‌ها): بازیابی داده از رسانه‌های ضبط با تداخل بین نماد قابل توجه
  • پردازش سیگنال لرزه‌نگاری: برابرسازی لرزه‌نگاشت‌های بازتابی برای شناسایی ویژگی‌های زمین‌شناسی زیرسطحی
  • چرا ZF گاهی اوقات بدتر از کانال بدون برابرسازی عمل می‌کند؟

چگونه کار می‌کند

چگونه کار می‌کند

1

سیگنال دریافتی Y حاصل کانولوشن سیگنال ارسالی X با پاسخ ضربه کانال H، به علاوه نویز افزایشی N است: Y = H * X + N.

2

نمونه‌های دریافتی در پنجره‌ای جمع‌آوری می‌شوند که عرض باند کانال را پوشش می‌دهد یا از آن فراتر می‌رود تا سیگنال پراکنده کامل به دست آید.

3

پاسخ ضربه کانال H از طریق آموزش پایلوت یا تکنیک‌های کور تخمین زده می‌شود و تخمینی به نام H_hat تولید می‌شود.

4

برای ZF: وزن‌های برابرساز W_ZF = (H_hat^H H_hat)^{-1} H_hat^H، معکوس حداقل مربعات. برای MMSE: W_MMSE کوواریانس نویز را در بر می‌گیرد، W_MMSE = H_hat^H (H_hat H_hat^H + sigma^2 I)^{-1}.

5

خروجی برابرسازی‌شده X_hat = W^H Y است. نمادها با برش X_hat به نزدیک‌ترین نقطه از صورت فلکی تشخیص داده می‌شوند. خطا برای یادگیری تطبیقی (الگوریتم‌های LMS، RLS) به عقب منتشر می‌شود.

دام‌های رایج

  • اعمال ZF در سناریوهای با نویز بالا بدون آگاهی از نویز، باعث ایجاد کف خطای غیرقابل قبول می‌شود
  • کم‌تخمین زدن واریانس نویز در MMSE، منجر به تقویت بیش از حد نویز می‌شود
  • استفاده از برابرساز ثابت در محو شدگی سریع بدون ردیابی تطبیقی؛ تخمین‌های منسوخ کانال عملکرد را کاهش می‌دهند
  • عدم در نظر گرفتن اثرات لبه؛ نمادها در مرزهای بلوک نماد اگر پراکندگی از پنجره فراتر رود، تعیین‌ناپذیر هستند
  • برابرسازی کانال در دهه ۱۹۶۰ با تکنیک‌های آنالوگ ظهور کرد. صالح و زرووس در سال ۱۹۷۴ پیشگام برابرسازی خطی دیجیتال بودند. راه‌حل‌های ZF و MMSE در چارچوب نظریه تخمین بهینه فرموله شدند. برابرسازهای تطبیقی با استفاده از الگوریتم‌های LMS (ویدرو، ۱۹۶۰) و RLS (کایلات، ۱۹۷۴) امکان ردیابی کانال‌های غیر ایستا را فراهم کردند. برابرسازی با بازخورد تصمیم (DFE) در دهه ۱۹۸۰ غیرخطی بودن را اضافه کرد. این تکنیک‌ها هسته گیرنده‌های مدرن در سیستم‌های 4G/5G باقی مانده‌اند، اگرچه اغلب با OFDM ترکیب می‌شوند تا بار برابرسازی را در بین زیر حامل‌ها توزیع کنند.

پرسش‌های متداول

ZF می‌تواند باعث تقویت شدید نویز شود. اگر یک مولفه کانال به شدت محو شده باشد (بسیار ضعیف)، معکوس آن بهره بسیار بالایی خواهد داشت و نویز را در آن مسیر به همان نسبت زیاد تقویت می‌کند. اگر نویز در مسیرهای ضعیف غالب باشد، این تقویت می‌تواند نرخ خطای کلی را بدتر کند. به همین دلیل است که MMSE زمانی که نویز قابل اغماض نیست ترجیح داده می‌شود؛ این روش با حفظ تداخل در صورت کاهش بیشتر نویز، تقویت را محدود می‌کند.

کانال برای برابرسازی چگونه تخمین زده می‌شود؟

روش‌های رایج عبارتند از: (۱) مبتنی بر پایلوت: نمادهای آموزشی شناخته‌شده ارسال می‌شوند؛ گیرنده تخمین حداقل مربعات H را محاسبه می‌کند. (۲) برابرسازی کور: الگوریتم‌هایی مانند CMA (الگوریتم مدولاسیون ثابت) H را از سیگنال دریافتی با استفاده از تنها خواص مدولاسیون شناخته‌شده (دامنه ثابت، فاز)، بدون پایلوت، تخمین می‌زنند. روش‌های کور پهنای باند را ذخیره می‌کنند اما به آرامی همگرا می‌شوند. سیستم‌های عملی اغلب از پیش‌بندهای پایلوت و سپس ردیابی کور استفاده می‌کنند.

برابرسازی با بازخورد تصمیم چیست و چه زمانی ترجیح داده می‌شود؟

DFE یک توسعه غیرخطی است: پس از تشخیص یک نماد (برش)، سهم آن در تداخل بین نمادهای آینده قبل از برابرسازی نماد بعدی کسر می‌شود. این امر از انتشار خطا که در کانال‌های عمیق به صورت نمایی رشد می‌کند، جلوگیری می‌کند. DFE برای کانال‌های طولانی (بیش از ۲۰ شیر) یا SNR بسیار بالا ترجیح داده می‌شود؛ با این حال، اگر نمادهای اولیه اشتباه تشخیص داده شوند، دچار انتشار خطا می‌شود.

برابرسازهای تطبیقی (LMS، RLS) چگونه خود را با کانال‌های در حال تغییر تطبیق می‌دهند؟

در کانال‌های متغیر با زمان، یک برابرساز ثابت منسوخ می‌شود. الگوریتم‌های تطبیقی وزن‌های برابرساز را به طور مداوم بر اساس بازخورد خطا تنظیم می‌کنند. LMS از نزول گرادیان استفاده می‌کند (کند، پایدار). RLS از حداقل مربعات بازگشتی استفاده می‌کند (همگرایی سریع، هزینه بالاتر). هر دو تغییرات کانال را ردیابی می‌کنند؛ LMS ساده‌تر و مقاوم‌تر در برابر خطاهای مدل است، RLS سریع‌تر اما به نویز حساس است. انتخاب به زمان همدوسی کانال بستگی دارد.

In time-varying channels, a fixed equalizer becomes outdated. Adaptive algorithms continuously adjust equalizer weights based on error feedback. LMS uses gradient descent (slow, stable). RLS uses recursive least-squares (fast convergence, higher cost). Both track channel changes; LMS is simpler and more robust to model errors, RLS is faster but sensitive to noise. The choice depends on coherence time of the channel.

روش‌های مرتبط

منابع

  1. Proakis, J. G. (2001). Digital Communications (4th ed.). McGraw-Hill.

    باز کردن مرجع انتشار
    کپی شد.
  2. Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.

    باز کردن مرجع انتشار
    کپی شد.