MMSE(Minimum Mean Square Error)

13 篇文章 27 订阅

MMSE是一种最小化接收数据的MSE(均方误差)的模型。关于这句话,你的脑海里就会出现很多问题:

什么是均方误差?

“最小化MSE”的物理意义是什么?

让我们从一个我们现在非常熟悉的信道模型开始.

y= Hx +n

MMSE作为一种均衡器,是一种后处理算法,它帮助我们找出接收到的数据与原始数据(传输数据)尽可能接近的数据。简而言之,在MMSE中最重要的步骤是在下面的例子中找到一个矩阵G。如果我们假设没有噪声,这个[G]矩阵可以是信道矩阵的逆H^{-1}。但是当有噪声时,我们需要使用一些能够反映噪声的模型。MMSE就是这些算法之一。

现在我们设定一个目标,也就是我们要解决的目标函数。然后,我们需要找出如何求解目标函数。有几种不同的方法可以达到这个解决方案。我的方法是解下面这个方程。当我第一次学习这个方程时,我的第一个问题是这个方程的意义是什么。如果您更仔细地观察它,您会发现这些方程表示一个特定的条件,即接收的数据向量和错误向量之间没有相关性。

E\{y.e^H\} = 0           OR         E\{e.y^H\} = 0

sharetechnote

我的下一个问题是“这个特定的条件如何成为最小化误差的最小最小误差的条件?”,简而言之,“这如何成为MMSE的条件?”

以下是一个FPGA工程师的评论,他教我在物理层的各种主题。一开始可能听起来不那么清楚,但是多想想就会明白了。

在MMSE中,矩阵G应该是这样一个矩阵,即利用接收信号的统计特性使MSE最小化。如果“y”和“e”之间仍然存在一定的相关性,那么应该可以利用这种相关性来降低“e”的范数。所以,在最优点,y和e之间应该没有相关性。(如果不是,我们应该能够利用相关性进一步降低“e”的范数。)

这就是为什么我们可以通过使用声称接收信号“y”与误差“e”之间的相关性为零的准则来推导出MMSE最优矩阵G的原因。

一旦你得到了要解的对象方程并理解了它的物理(或统计)意义,剩下的步骤就是高中数学了。我给你的一个建议是,在你找到最终的解决方案之前,不要过多地考虑解决方案的物理意义。大多数中间步骤是纯粹的数学操作,在大多数情况下没有具体的物理意义。当然,在某些情况下,我们需要考虑物理意义,例如在解决方案过程中删除某些术语时。但在大多数情况下,这个求解过程只是数学操作。

首先,您可以展开如下过程中给出的对象方程。不要害怕,拿出一张纸和一支笔,用手写下每一步。你会发现这是真正的高中数学。

现在我们有了用两个E{}块表示的矩阵[G]。让我们进一步扩展这些块。
然后你可能会问为什么要做更多的扩展?为什么我们不能使用这个结果作为解决方案?
要使用它作为一个解,你需要知道方程中的所有值。
让我们看看这一行(上面的最后一行)中的每一项,并检查我们是否知道所有的值。
我们能知道[y]向量吗?是的,因为它是接收方首先实际检测/测量的值。
那么[x]向量呢?它是传输数据。如果这个传输的数据是一个参考信号,我们可以说我们知道这个值,但是如果它是用户数据,我们就不知道这个值。
现在让我们逐个展开每个E{}块。让我先试试第二个E{}块。(我先扩展第二个block并没有什么特别的原因。我只是做了:)。在这个过程中,您可以看到一些术语(用颜色标记)被删除,并被其他更简单的形式所取代。这是基于术语的物理性质。对于如何删除或替换这些术语,没有纯粹的数学上的原因。

现在我们有了由已知值组成的表达式。[H]为信道矩阵。我们假设在信道估计过程中我们已经求出了这个矩阵。我们知道P,因为我们决定了传输功率。那么“噪声方差”呢?我们不可能确切地知道每个接收到的数据的噪声值,但是我们可以计算出噪声的长期统计特性。噪声方差是噪声的一种长期统计性质。

接下来,让我们展开第一个E{}块。它可以如下所示展开。在这个过程中,您也会看到一些术语(用颜色标记)被删除,并被其他更简单的形式所取代。这是基于术语的物理性质。

现在我们有了两个E{}块的展开形式,让我们用展开的表达式重写[G]矩阵,它变成如下形式。

G = E\{xy^H\}E\{yy^H\}^{-1}

= (P.I)H^H (H(P.I)H^H+\sigma ^2.I)^{-1}

=P.H^H(PHH^H+\sigma^2.I)^{-1}

=H^H(HH^H+\frac{\sigma^2}{P}.I)^{-1}

现在你看到整个[G]矩阵本身是用所有已知的值表示的。在实际的DSP或FPGA中要解决这个表达式,可能需要进一步的操作(比如:矩阵分解),但只是为了理解MMSE的概念,这就足够了。


即使你通过这个漫长而乏味的数学过程,我们还面临另一个大的问题:为了推导G,我们需要知道的信道矩阵H,我们怎么知道它?'。这是你需要学习的另一个复杂和无聊的话题叫做“信道估计”。
注:以上方程中H的解释因系统的实现而略有不同。如果我们假设一个系统不做任何放大或预编码,H只表示空气信道的特性,如图所示。但如果我们假设一个更现实的实现,执行一些预编码和扩增,H表示一个矩阵,其中包括预编码和扩增的性质。在数学上,这里的H可以表示为'Amp * H * P',其中Amp为放大器,H为空气中的信道矩阵,P为预编码矩阵。
 

如果您对获取MMSE实现的一些示例感兴趣,请参阅此页。我发布了一些MMSE均衡的Matlab例子。

 

 

 

这是一份论文,有关信道估计的.里面介绍了LS,MMSE算法,并且有LMMSE和SVD作为对MMSE算法的改进.Y()=DFT(y(n))-N2y(nje (7) n=0,1,…,N-1 Y(k)也可以表示为 Y(k)=x(k)H(k)+/(k)+W() (8) 其中,H(k)是信道的频域响应,I(κ)是多普勒频移带来的载波间干扰(ICI),W(k)是高撕白噪声的傅立 叶变换。 3基于最小均方误差(MMSE)的信道估计算法 31LS信道估计算法简介 IS准则的目标是使(Y-1)(Y-)最小,在频域高斯独立子信道的假定之下,IS估计就可以 简单的表示成除法,得到IS准则的信道估计为: ,=x-Y (9) 最小二乘估计,只需要知道观测方程的观测矩阵X,对于待定的参数h,观测的噪声,以及观测样本Y 的其他统计特性,都不需要其他的先验信息,这就是最小二乘估计最大的优势,也是它得到广泛应用最大 的原因。 32MMSE信道估计算法 假设表示信道估计值,H表示实际值。估计误差为 =H-a (10) 均方误差(MSE)为 P=E{eP}=B{H-}=E(-H)(H-H)"} MMSE准则的目标是使均方误差E(-B)(-H)}最小,其中 E(-H)(-H)"}=E[(-1)(-)} H=gh (12) 其中Q为DF变换矩阵。得到MMSE的估计值为 Humse =QhmMse=QFmse"Y Mmse=rlle"Xxoo+RT(QX X@) (13) MMSE可以实现理想的信道估计,此算法的均方误差和信噪比成反比,如果此种算法需要的统计参数 都是理想的,那么估计出来的性能就会非常的理想。缺点就是此算法非常复杂。 与LS估计相比,MMSE估计算法在信噪比上有10-15dB的增益。可以看到,MMSE估计算法需要对 矩形求逆,当OFDM系统的子信道数目N增大时,矩阵的运算量也就会变得十分巨大。因此,MMSE算法 的最大的缺点就是计算量太大,实现起来对硬件的要求比较高。如何在估计性能的下降不多的前提下,对 MMSE估计算法做适当的简化,是一个关键的研究方向 33对MMSE算法的改进 首先可以简化(Xx)的计算,用E{xx}代替x。于是,有 HH(HH (14) SNR ·1373 这里 SNR=EX()o β=E{X()}·E(1/X(k)}2。 对于给定的信号星座图为定值,当子信道相关矩阵Rm与信噪比SNR已知时,对Rm1(Rm+l) SNR 只计算一次。但是矩阵的运算量还是比较大,由于子信道频响的频谱能量主要集中在低频部分,即主 要集中在前G阶,这里G为信道最大多径时延对应的样值个数。因此,设子信道的自相关矩阵可表 示为Rm=UAU的形式,这样可以显著降低MMSE的计算复杂度。这里U为酉矩阵, A=dlag(2,3,…,2)为由Rm的特征值构成的对角阵。由此可得 MMSE U H (15) 这里△n为 +(B/M1),k=1…,m构成的对角阵,为A的前m个特征值,通常可以取m与 循环前缀的长度一致,相应地矩阵U可化简为N×L阶矩阵 4算法性能分析 仿真基于图2所示道频结构的OFDM系统,信道设定为时变信道,包含了多径和由于终端移动产 生的多普勒频移。具体参数为:载波频率2GHz,采样频率6MHz,子载波数N=1024,无符号间干扰。 本仿真与文献[6中的频域LE加线性插值的信道估计性能比较,同时有一条理想估计曲线作为参考。如 图3、图4所示 10 理想模型 须域线性值估计的线性插值 时域最小均方误差 ●。。。●。。●。o。●c 温 o●。。o鲁。。。●o。 o。●0o。●。。o●。 e●。。●。。。。。。 域 o。●D。。● o● ●●。。。●。。。●。 ●o●o●。O。 10 频域 ENNo/dB 图2仿真系统导频结构 图360km/h时LE插值和MMSE算法性能比较 亞 想模型 域线性值估计的线性插倒 域最小均方误差 10 ENNo/dB 图4120km/h时LE插值和MMSE算法性能比较 ·1374· 以上两图显示,在高信噪比情况下,MMSE算法与LE插值算法性能近似,但在低信噪比时,本文提 出的MMSE改进算法较LE插值算法约有2~3dB的性能提升,更接近于理想曲线。 参考文献 [1] Meng-Han Hsieh, Che-Ho Wei. Channel estimation for OFDM systems based on comb-type pilot arangement in frequency selective fading channels. IEEE Transactions on Consumer Electronics, 1998, 44(1 ): 217-225 [2]Tufvesson F Maseng T Pilot Assisted Channel Estimation for OFDM in Mobile Cellular Systems. Proceedings of iEEE Vehicular Technology Conference, Vol 3. Phoenix(AZ USA), 1997. Piscataway (J, USA): IEEE, 1997. 1639-1643 3] Louis L. Scharf, Statistical Signal Processing, Addison-Wesley, 1991 [4] I. J. van de Beek, O. Edfors, M. Sandell,S. K. Wilson, and P 0. Borjesson, "OFDM channel estimation by singular value decomposition", Proc. Of 46IEEE Veh Tech Conf. Pp. 923-927, April1996 [5] Li Y G, Cimini L J, Sollenberger N R. Robus Channel Estimation for OFDM Systems with Rapid Dispersive Fading Channels [J]. IEEE Transactions on Communications, 1998, 46(7): 902-915 [6] Jae Kyoung Moon, Song In Choi. Performance of channel estimation methods for OFDM systems in a multipath fading channels IEEE Transactions on Consumer Electronics, 2000 46(1): 161-170 7]尹长川.多载波宽带无线通信技术.北京:北京邮电大学出版社,200.7 作者简介 王东,男,1978年生,陕西西安人,解放军西安通信学院讲师,在读硕士,主要研究方向为多载波通信 栾英姿,女,1970年生,江苏盐城人,西安电子科技大学副教授,博士,主要研究领域为宽带无线通信和多载波技术。 1375 一种基于MMSE的OFDM系统信道估计改进算法 旧 WANFANG DATA文献链接 作者: 王东,栾英姿 作者单位: 王东(西安电子科技大学,西安,710071;解放军西安通信学院,西安,710106),栾英姿(西安 电子科技大学,西安,710071) 本文链接http://d.g.wanfangdata.comcn/confereNce6442807.aspx
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值