任意输入分布
考虑如下简单的加性高斯信道:
其中,X为离散输入符号集
X
=
[
a
0
,
a
1
,
⋯
,
a
M
−
1
]
X = \left[ {{a_0},{a_1}, \cdots ,{a_{M - 1}}} \right]
X=[a0,a1,⋯,aM−1],由上图,
Y
=
X
+
n
Y = X + n
Y=X+n。
根据信道容量的定义:
C
=
max
{
p
(
x
=
a
i
)
,
i
=
1
,
2
,
.
.
.
,
M
−
1
}
{
I
(
X
;
Y
)
}
C = \mathop {\max }\limits_{\left\{ {p\left( {x = {a_i}} \right),i = 1,2,...,M - 1} \right\}} \left\{ {I\left( {X;Y} \right)} \right\}
C={p(x=ai),i=1,2,...,M−1}max{I(X;Y)}
可见,我们的目的是找到一个任意可能的输入信号的概率分布,使得最大化的互信息达到信道容量。如下图计算过程:
其中,(1a)到(1c)是信息论课本中的相关定义,具体可百度;(1c)上半部分到(1d)是全概率公式的展开。
等概
假设输入符号是在M上是均匀分布的,
所以有:
C
=
1
M
∑
k
=
0
M
−
1
∫
y
p
(
y
∣
a
k
)
log
2
(
p
(
y
∣
a
k
)
1
M
∑
i
=
0
M
−
1
p
(
y
∣
a
i
)
)
d
y
(
2
)
C = \frac{1}{M}\sum\limits_{k = 0}^{M - 1} {\int_y {p\left( {y|{a_k}} \right)} {{\log }_2}\left( {\frac{{p\left( {y|{a_k}} \right)}}{{\frac{1}{M}\sum\limits_{i = 0}^{M - 1} {p\left( {y|{a_i}} \right)} }}} \right)dy{\rm{ }}} (2)
C=M1k=0∑M−1∫yp(y∣ak)log2⎝⎜⎜⎛M1i=0∑M−1p(y∣ai)p(y∣ak)⎠⎟⎟⎞dy(2)
再用log(ab)=log(a)+log(b)与log(a/b) = -log(b/a)的性质,把上式分母中的1/M提出来,并将分数项倒过来,有:
C
=
1
M
log
2
M
∑
k
=
0
M
−
1
∫
y
p
(
y
∣
a
k
)
d
y
−
1
M
∑
k
=
0
M
−
1
∫
y
p
(
y
∣
a
k
)
log
2
(
∑
i
=
0
M
−
1
p
(
y
∣
a
i
)
p
(
y
∣
a
k
)
)
d
y
(
3
)
C = \frac{1}{M}{\log _2}M\sum\limits_{k = 0}^{M - 1} {\int_y {p\left( {y|{a_k}} \right)} } dy - \frac{1}{M}\sum\limits_{k = 0}^{M - 1} {\int_y {p\left( {y|{a_k}} \right)} } {\log _2}\left( {\frac{{\sum\limits_{i = 0}^{M - 1} {p\left( {y|{a_i}} \right)} }}{{p\left( {y|{a_k}} \right)}}} \right)dy{\rm{ }}(3)
C=M1log2Mk=0∑M−1∫yp(y∣ak)dy−M1k=0∑M−1∫yp(y∣ak)log2⎝⎜⎜⎛p(y∣ak)i=0∑M−1p(y∣ai)⎠⎟⎟⎞dy(3)
又因为,对该项
∫
y
p
(
y
∣
a
k
)
d
y
\int\limits_y {p\left( {y|{a_k}} \right)} dy
y∫p(y∣ak)dy,其积分结果为1,这是因为归一性,即,y的所有概率和为1。所以有:
C
=
log
2
M
−
1
M
∑
k
=
0
M
−
1
∫
y
p
(
y
∣
a
k
)
log
2
(
∑
i
=
0
M
−
1
p
(
y
∣
a
i
)
p
(
y
∣
a
k
)
)
d
y
(
4
)
C = {\log _2}M - \frac{1}{M}\sum\limits_{k = 0}^{M - 1} {\int_y {p\left( {y|{a_k}} \right)} } {\log _2}\left( {\frac{{\sum\limits_{i = 0}^{M - 1} {p\left( {y|{a_i}} \right)} }}{{p\left( {y|{a_k}} \right)}}} \right)dy{\rm{ }} (4)
C=log2M−M1k=0∑M−1∫yp(y∣ak)log2⎝⎜⎜⎛p(y∣ak)i=0∑M−1p(y∣ai)⎠⎟⎟⎞dy(4)
因为噪声是服从均值为0,方差为
σ
2
{\sigma ^2}
σ2的高斯分布。对于p(y|ak)
有:
p
(
y
∣
a
k
)
=
exp
(
−
∣
y
−
a
k
∣
2
2
σ
2
)
(
5
)
p\left( {y|{a_k}} \right) = \exp \left( { - \frac{{{{\left| {y - {a_k}} \right|}^2}}}{{2{\sigma ^2}}}} \right) (5)
p(y∣ak)=exp(−2σ2∣y−ak∣2)(5)
将(5)带入(4)中,有:
C
=
log
2
M
−
1
M
∑
k
=
0
M
−
1
∫
y
p
(
y
∣
a
k
)
log
2
∑
i
=
1
M
−
1
exp
(
−
∣
y
−
a
i
∣
2
−
∣
y
−
a
k
∣
2
2
σ
2
)
d
y
(
6
)
C = {\log _2}M - \frac{1}{M}\sum\limits_{k = 0}^{M - 1} {\int_y {p\left( {y|{a_k}} \right)} } {\log _2}\sum\limits_{i = 1}^{M - 1} {\exp \left( { - \frac{{{{\left| {y - {a_i}} \right|}^2} - {{\left| {y - {a_k}} \right|}^2}}}{{2{\sigma ^2}}}} \right)dy} (6)
C=log2M−M1k=0∑M−1∫yp(y∣ak)log2i=1∑M−1exp(−2σ2∣y−ai∣2−∣y−ak∣2)dy(6)
接着,令n=y-x,则dy=dz,y与z同号,故可进行积分代换,因为:
故可以得到以下计算过程:
其中,(6)到(7)是把y=x+n待入公式中,(7)到(8)是把积分写成数学期望的形式。(8)式的表达形式常可以在一些论文中见到。
总结
- 附:以上计算结果为单用户单天线的高斯信道,信道矩阵归一化为1了。可以参考经典论文,讨论的是单用户mimo高斯信道:
Globally Optimal Linear Precoders for Finite Alphabet Signals Over
Complex Vector Gaussian Channels
2.可以想象,如果是干扰信道的话,公式6中的y-ak不会再单纯的等于噪声n了,会引入干扰项
具体是什么样的,后面我会再更新博客,也可以去搜一下关于广播和干扰信道的论文,其实就是广义二次矩阵相减的形式.
此外,在广播或者干扰信道的条件下,条件概率也不再单纯等于噪声,需要经过一点点小计算,最终的结果也会是用噪声来进行积分代换的。
敲公式不易,觉得有帮助的话麻烦点个赞把!