Skip to content
กลับไปยังผลการค้นหา

การปรับสมดุลแบบบังคับศูนย์และค่าคลาดเคลื่อนกำลังสองเฉลี่ยต่ำสุด (Zero-Forcing and MMSE Equalization)

ผู้เสนอ
Saleh Mansour and Paul Zervos
ปี
1974
ประเภท
linear equalization algorithm
กลุ่มวิธี
Signal processing

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

Zero-Forcing (ZF) และ Minimum Mean-Square Error (MMSE) equalization เป็นอัลกอริทึมตัวรับเชิงเส้นพื้นฐานสำหรับการต่อสู้กับการรบกวนระหว่างสัญลักษณ์ (intersymbol interference) ในช่องสัญญาณที่มีการกระจายตัว (dispersive channels) วิธีการเหล่านี้พัฒนาขึ้นในบริบทของทฤษฎีการส่งข้อมูล และเป็นพื้นฐานของการปรับสภาพช่องสัญญาณ (channel equalization) ในระบบไร้สายและมีสาย แม้ว่า ZF จะทำการยกเลิกการรบกวนอย่างเข้มงวด แต่ MMSE จะสร้างสมดุลระหว่างการระงับการรบกวนกับการเพิ่มขึ้นของสัญญาณรบกวน ทำให้เป็นทางออกเชิงเส้นที่เหมาะสมที่สุดภายใต้สัญญาณรบกวนแบบเกาส์เซียน (Gaussian noise)

แนวคิดเบื้องหลังวิธีการ

เมื่อสัญญาณเดินทางผ่านช่องสัญญาณที่มีการกระจายตัว (เช่น การแพร่กระจายแบบหลายเส้นทาง - multipath propagation) สัญญาณที่ได้รับจะเป็นสัญญาณที่บิดเบี้ยวและพร่ามัวของสัญญาณที่ส่ง โดยมีเสียงสะท้อนจากเส้นทางต่างๆ รบกวนสัญลักษณ์ปัจจุบัน ตัวรับแบบง่ายที่พยายามตรวจจับโดยตรงจะล้มเหลว ตัวปรับสภาพ (equalizer) คือตัวกรองเชิงเส้นที่วางไว้ที่ตัวรับเพื่อย้อนกลับผลกระทบของช่องสัญญาณ ZF เพียงแค่ใช้ค่าผกผันของช่องสัญญาณ ซึ่งเป็นการยกเลิกที่สมบูรณ์แบบ แต่จะขยายสัญญาณรบกวนบนส่วนประกอบช่องสัญญาณที่อ่อนแอ MMSE ก้าวไปอีกขั้น แทนที่จะบังคับให้การรบกวนเป็นศูนย์ มันจะลดค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (mean-square error) ระหว่างเอาต์พุตที่ปรับสภาพแล้วกับสัญลักษณ์ที่ส่งจริง โดยยอมให้มีการรบกวนเล็กน้อยหลงเหลืออยู่ หากช่วยลดการขยายสัญญาณรบกวนได้อย่างมาก การแลกเปลี่ยนนี้เหมาะสมที่สุดเมื่อสัญญาณรบกวนเป็นแบบเกาส์เซียน

ประวัติศาสตร์

การปรับสภาพช่องสัญญาณเกิดขึ้นในช่วงทศวรรษ 1960 ด้วยเทคนิคแบบอะนาล็อก Saleh และ Zervos เป็นผู้บุกเบิกการปรับสภาพเชิงเส้นแบบดิจิทัลในปี 1974 การแก้ปัญหา ZF และ MMSE ได้รับการกำหนดรูปแบบในบริบทของทฤษฎีการประมาณค่าที่เหมาะสมที่สุด (optimal estimation theory) ตัวปรับสภาพแบบปรับได้ที่ใช้อัลกอริทึม LMS (Widrow, 1960) และ RLS (Kailath, 1974) ช่วยให้สามารถติดตามการเปลี่ยนแปลงของช่องสัญญาณได้ การปรับสภาพแบบป้อนกลับการตัดสินใจ (DFE) ได้เพิ่มความเป็นไม่เชิงเส้นเข้ามาในช่วงทศวรรษ 1980 เทคนิคเหล่านี้ยังคงเป็นแกนหลักของตัวรับสมัยใหม่ในระบบ 4G/5G แม้ว่าจะมักจะใช้ร่วมกับ OFDM เพื่อกระจายภาระการปรับสภาพไปยังผู้ให้บริการย่อย (subcarriers)

ควรใช้เมื่อใด

การปรับสภาพมีความจำเป็นสำหรับช่องสัญญาณที่มีการกระจายตัวของเวลา (delay spread) มากกว่าระยะเวลาสัญลักษณ์ (symbol duration) อย่างมาก (การรบกวนระหว่างสัญลักษณ์) ใช้ ZF เมื่อสัญญาณรบกวนต่ำและคุณให้ความสำคัญกับความเรียบง่าย (ไม่ต้องประมาณค่าความแปรปรวนของสัญญาณรบกวน) ใช้ MMSE เมื่อสัญญาณรบกวนมีนัยสำคัญหรือเมื่อทราบความแปรปรวนของสัญญาณรบกวน มันเหมาะสมที่สุดในแง่ของค่าเฉลี่ยกำลังสองน้อยที่สุด (minimum mean-square sense) หลีกเลี่ยงทั้งสองวิธีเมื่อช่องสัญญาณยาวมาก (OFDM มีประสิทธิภาพมากกว่า) การปรับสภาพใช้งานได้จริงสำหรับการกระจายตัวของเวลาปานกลาง (<10 สัญลักษณ์) พิจารณาการปรับสภาพแบบป้อนกลับการตัดสินใจ (decision-feedback equalization - DFE) เพื่อการปรับปรุงแบบไม่เชิงเส้น

ข้อจำกัดและข้อควรพิจารณา

  • ZF อาจทำให้เกิดการขยายสัญญาณรบกวนอย่างรุนแรง (noise enhancement) ในบริเวณช่องสัญญาณที่อ่อนแอ
  • MMSE ต้องการทราบความแปรปรวนของสัญญาณรบกวนหรือการประมาณค่า
  • การปรับสภาพเชิงเส้นไม่สามารถยกเลิกการบิดเบือนของช่องสัญญาณแบบไม่เชิงเส้นได้
  • สำหรับช่องสัญญาณที่ยาว (>50 taps) ต้นทุนการคำนวณจะสูงขึ้น OFDM ที่ใช้ FFT จะมีประสิทธิภาพมากกว่า
  • อัลกอริทึมแบบปรับได้ (LMS, RLS) อาจลู่เข้าช้าหรือลู่ออกในช่องสัญญาณที่เปลี่ยนแปลงอย่างรวดเร็ว

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • เชิงเส้น (Linear), คำนวณง่าย (การผกผันเมทริกซ์หรือการไล่ระดับแบบวนซ้ำ - iterative descent)
  • MMSE เหมาะสมที่สุดตามทฤษฎีสำหรับตัวรับเชิงเส้นภายใต้สัญญาณรบกวนแบบเกาส์เซียน
  • รูปแบบที่ปรับได้ (Adaptive variants - LMS, RLS) ช่วยให้เรียนรู้แบบออนไลน์ได้โดยไม่ต้องใช้ overhead จากการส่งสัญญาณนำร่อง
  • ไม่มีข้อสมมติฐานเกี่ยวกับรูปแบบการมอดูเลตเฉพาะ (ใช้ได้กับกลุ่มดาวทุกรูปแบบ)
  • เป็นที่เข้าใจกันดี: มีเอกสารจำนวนมาก การนำไปใช้งานที่พิสูจน์แล้ว

การประยุกต์ใช้

  • เครือข่ายเซลลูลาร์รุ่นเก่า (GSM, IS-95) และ 4G ยุคแรก: การลดทอนการเฟดแบบหลายเส้นทาง (multipath fading) ในเครือข่ายมือถือด้วยการมอดูเลตแบบคลื่นพาหะเดี่ยว (single-carrier modulation)
  • บรอดแบนด์แบบคงที่ (ADSL, เคเบิลโมเด็ม): การปรับสภาพช่องสัญญาณแบบสายคู่ตีเกลียว (twisted-pair) หรือสายโคแอกเชียล (coaxial) เพื่อให้ได้อัตราหลาย Mbps
  • การสื่อสารด้วยเสียง: ช่องสัญญาณใต้น้ำที่มีการแพร่กระจายหลายเส้นทางอย่างรุนแรง การปรับสภาพแบบปรับได้มีความจำเป็นสำหรับการรับสัญญาณแบบโคเฮเรนต์ (coherent reception)
  • การบันทึกข้อมูลด้วยแม่เหล็ก (HDDs): การกู้คืนข้อมูลจากสื่อบันทึกที่มีการรบกวนระหว่างสัญลักษณ์อย่างมีนัยสำคัญ
  • การประมวลผลสัญญาณแผ่นดินไหว: การปรับสภาพของคลื่นไหวสะเทือนจากการสะท้อน (reflection seismograms) เพื่อระบุลักษณะทางธรณีวิทยาใต้พื้นผิว

วิธีการทำงาน

วิธีการทำงาน

1

สัญญาณที่ได้รับ Y คือผลการสังวัตนา (convolution) ของสัญญาณที่ส่ง X กับการตอบสนองแบบอิมพัลส์ของช่องสัญญาณ H บวกกับสัญญาณรบกวนที่บวกเข้ามา N: Y = H * X + N

2

ตัวอย่างสัญญาณที่ได้รับจะถูกรวบรวมในช่วงเวลาที่ตรงกันหรือเกินกว่าการกระจายตัวของช่องสัญญาณ (channel delay spread) เพื่อให้ได้สัญญาณที่กระจายตัวเต็มรูปแบบ

3

การตอบสนองแบบอิมพัลส์ของช่องสัญญาณ H จะถูกประมาณค่าผ่านการฝึกนำร่อง (pilot training) หรือเทคนิคแบบไม่ระบุ (blind techniques) ทำให้ได้ค่าประมาณ H_hat

4

สำหรับ ZF: น้ำหนักของตัวปรับสภาพ W_ZF = (H_hat^H H_hat)^{-1} H_hat^H ซึ่งเป็นการประมาณค่าผกผันแบบกำลังสองน้อยที่สุด (least-squares inverse) สำหรับ MMSE: W_MMSE จะรวมความแปรปรวนของสัญญาณรบกวน (noise covariance) ด้วย W_MMSE = H_hat^H (H_hat H_hat^H + sigma^2 I)^{-1}

5

เอาต์พุตที่ปรับสภาพแล้วคือ X_hat = W^H Y สัญลักษณ์จะถูกตรวจจับโดยการแบ่ง X_hat เป็นจุดกลุ่มดาวที่ใกล้ที่สุด ความผิดพลาดจะถูกส่งย้อนกลับสำหรับการเรียนรู้แบบปรับได้ (adaptive learning) (อัลกอริทึม LMS, RLS)

ข้อผิดพลาดที่พบบ่อย

  • การใช้ ZF ในสถานการณ์ที่มีสัญญาณรบกวนสูงโดยไม่คำนึงถึงสัญญาณรบกวน ทำให้เกิดพื้นข้อผิดพลาด (error floor) ที่ยอมรับไม่ได้
  • การประมาณค่าความแปรปรวนของสัญญาณรบกวนต่ำเกินไปใน MMSE ส่งผลให้เกิดการขยายสัญญาณรบกวนมากเกินไป
  • การใช้ตัวปรับสภาพแบบคงที่ในช่องสัญญาณที่เปลี่ยนแปลงอย่างรวดเร็วโดยไม่มีการติดตามแบบปรับได้ การประมาณค่าช่องสัญญาณที่ล้าสมัยจะทำให้ประสิทธิภาพลดลง
  • การพึ่งพาตัวปรับสภาพมากเกินไปโดยไม่ได้ตรวจสอบคุณภาพของการประมาณค่าการตอบสนองแบบอิมพัลส์ของช่องสัญญาณ ค่า CSI ที่ไม่ดีจะส่งผลต่อการปรับสภาพที่ไม่ดี
  • การไม่คำนึงถึงผลกระทบที่ขอบ (edge effects) สัญลักษณ์ที่ขอบของบล็อกสัญลักษณ์จะถูกกำหนดได้ไม่สมบูรณ์หากการกระจายตัวของเวลาเกินกว่าหน้าต่างที่กำหนด

คำถามที่พบบ่อย

เหตุใด ZF จึงทำงานได้แย่กว่าช่องสัญญาณที่ไม่ได้ปรับสภาพในบางครั้ง?

ZF อาจทำให้เกิดการขยายสัญญาณรบกวนอย่างรุนแรง หากส่วนประกอบของช่องสัญญาณมีการเฟดลึก (อ่อนแอมาก) ค่าผกผันของมันจะมีอัตราขยายสูงมาก ซึ่งจะขยายสัญญาณรบกวนในเส้นทางนั้นด้วยปัจจัยที่เท่ากัน หากสัญญาณรบกวนมีอิทธิพลเหนือเส้นทางที่อ่อนแออยู่แล้ว การขยายนี้อาจทำให้ค่าอัตราข้อผิดพลาดโดยรวมแย่ลง นี่คือเหตุผลว่าทำไม MMSE จึงเป็นที่ต้องการเมื่อสัญญาณรบกวนมีนัยสำคัญ มันจำกัดการขยายโดยการรักษาการรบกวนไว้หากช่วยลดสัญญาณรบกวนได้มากขึ้น

ช่องสัญญาณถูกประมาณค่าอย่างไรสำหรับการปรับสภาพ?

วิธีการทั่วไป ได้แก่: (1) การใช้สัญญาณนำร่อง (Pilot-based): มีการส่งสัญลักษณ์ฝึกหัดที่ทราบค่า ตัวรับจะคำนวณค่าประมาณ H แบบกำลังสองน้อยที่สุด (least-squares estimate) (2) การปรับสภาพแบบไม่ระบุ (Blind equalization): อัลกอริทึมเช่น CMA (Constant Modulus Algorithm) จะประมาณค่า H จากสัญญาณที่ได้รับโดยใช้เฉพาะคุณสมบัติการมอดูเลตที่ทราบ (แอมพลิจูดคงที่, เฟส) โดยไม่ต้องใช้สัญญาณนำร่อง วิธีการแบบไม่ระบุช่วยประหยัดแบนด์วิดท์ แต่ลู่เข้าช้า ระบบที่ใช้งานได้จริงมักใช้ส่วนหัวของสัญญาณนำร่อง (pilot preambles) ตามด้วยการติดตามแบบไม่ระบุ

การปรับสภาพแบบป้อนกลับการตัดสินใจ (decision-feedback equalization - DFE) คืออะไร และเมื่อใดจึงควรเลือกใช้?

DFE เป็นส่วนขยายแบบไม่เชิงเส้น: เมื่อสัญลักษณ์ถูกตรวจจับ (แบ่งกลุ่ม) ส่วนประกอบของมันที่มีต่อการรบกวนระหว่างสัญลักษณ์ในอนาคตจะถูกหักลบออกก่อนทำการปรับสภาพสัญลักษณ์ถัดไป วิธีนี้จะป้องกันการแพร่กระจายของข้อผิดพลาด (error propagation) ที่เพิ่มขึ้นแบบทวีคูณในช่องสัญญาณที่ยาว DFE เหมาะสำหรับช่องสัญญาณที่ยาว (>20 taps) หรือ SNR สูงมาก อย่างไรก็ตาม มันจะประสบปัญหาการแพร่กระจายของข้อผิดพลาดหากสัญลักษณ์แรกๆ ถูกตรวจจับผิดพลาด

ตัวปรับสภาพแบบปรับได้ (LMS, RLS) ปรับเปลี่ยนช่องสัญญาณที่เปลี่ยนแปลงได้อย่างไร?

ในช่องสัญญาณที่แปรผันตามเวลา ตัวปรับสภาพแบบคงที่จะล้าสมัย อัลกอริทึมแบบปรับได้จะปรับน้ำหนักของตัวปรับสภาพอย่างต่อเนื่องตามการป้อนกลับข้อผิดพลาด LMS ใช้การไล่ระดับความชัน (gradient descent) (ช้า, เสถียร) RLS ใช้กำลังสองน้อยที่สุดแบบเวียนเกิด (recursive least-squares) (ลู่เข้าเร็ว, ต้นทุนสูงกว่า) ทั้งสองวิธีติดตามการเปลี่ยนแปลงของช่องสัญญาณ LMS เรียบง่ายกว่าและทนทานต่อข้อผิดพลาดของแบบจำลองมากกว่า RLS เร็วกว่าแต่ไวต่อสัญญาณรบกวน การเลือกขึ้นอยู่กับเวลาความสอดคล้อง (coherence time) ของช่องสัญญาณ

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  2. Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว