[論文レビュー] Maximum Likelihood Algorithms for Joint Estimation of Synchronization Impairments and Channel in MIMO-OFDM System

Renu Jose, K.V.S. Hari|arXiv (Cornell University)|Oct 19, 2012

Advanced Wireless Communication Techniques参考文献 19被引用数 5

ひとこと要約

本稿では、MIMO-OFDMシステムにおける搬送周波数誤差（CFO）、サンプリング周波数誤差（SFO）、シンボルタイミングエラー（STE）、およびチャネルインパulse応答の同時推定のための最尤（ML）アルゴリズムを提案する。多次元最適化を二次元および一次元のグリッド探索に低減させることで、MLアルゴリズムは最小限の複雑さでCramér-Rao下界（CRLB）に近い性能を達成し、段階的または分離推定手法を凌駕する。

ABSTRACT

Maximum Likelihood (ML) algorithms, for the joint estimation of synchronization impairments and channel in Multiple Input Multiple Output-Orthogonal Frequency Division Multiplexing (MIMO-OFDM) system, are investigated in this work. A system model that takes into account the effects of carrier frequency offset, sampling frequency offset, symbol timing error, and channel impulse response is formulated. Cramér-Rao Lower Bounds for the estimation of continuous parameters are derived, which show the coupling effect among different impairments and the significance of the joint estimation. We propose an ML algorithm for the estimation of synchronization impairments and channel together, using grid search method. To reduce the complexity of the joint grid search in ML algorithm, a Modified ML (MML) algorithm with multiple one-dimensional searches is also proposed. Further, a Stage-wise ML (SML) algorithm using existing algorithms, which estimate fewer number of parameters, is also proposed. Performance of the estimation algorithms is studied through numerical simulations and it is found that the proposed ML and MML algorithms exhibit better performance than SML algorithm.

研究の動機と目的

• MIMO-OFDMシステムにおける複数の同期歪み（CFO、SFO、STE）とチャネルの連携推定問題に対処する。
• 歪みとチャネルの分離または段階的推定によって引き起こされる性能劣化を是正する。
• 理論的限界を定量化し、歪み間の結合効果を明らかにするためにCramér-Rao下界（CRLBs）を導出する。
• 最小限の性能損失ですべてのパラメータを同時に推定可能な低複雑度のMLベースのアルゴリズムを開発する。
• シミュレーションを用いて、同時ML、修正ML（MML）、および段階的ML（SML）アルゴリズムの性能を評価・比較する。

提案手法

• CFO、SFO、STE、周波数選択的フェージングチャネルを組み込んだ包括的なMIMO-OFDMシステムモデルを構築する。
• 連続的パラメータのCramér-Rao下界（CRLBs）を導出し、理論的性能限界を確立するとともに、歪み間の結合効果を明らかにする。
• CFOとSFOの二次元グリッド探索、その後にSTEの一次元探索を実行する、同時ML推定アルゴリズムを提案する。
• 多次元グリッド探索を複数回の一様次元探索に置き換えることで計算複雑度を低減する、修正ML（MML）アルゴリズムを導入する。
• 既存の単一パラメータ推定手法を構成要素として用い、比較のための段階的ML（SML）アルゴリズムを設計する。
• MSEおよびタイミング障害確率（Ptf）を性能指標として用い、モンテカルロシミュレーションによりすべてのアルゴリズムを評価する。

実験結果

リサーチクエスチョン

• RQ1 MIMO-OFDMシステムにおけるチャネルインパulse応答推定において、CFO、SFO、STEはどのように結合するか？
• RQ2 MIMO-OFDMにおけるCFO、SFO、STE、およびチャネルの同時推定の理論的性能限界（CRLB）は何か？
• RQ3 分離または段階的推定と比較して、同時ML推定器は低複雑度で近似的最適性能を達成できるか？
• RQ4 提案されたMLおよびMMLアルゴリズムの性能は、MSEおよびタイミング障害の観点でSMLアルゴリズムと比べてどの程度か？
• RQ5 MIMO-OFDMシステムにおいて同期歪みを無視すると、チャネル推定精度にどのような影響が生じるか？

主な発見

• MLアルゴリズムは理論的性能に近く、SFOおよびCFOのMSEがそれぞれCRLBに非常に近いが、SNR劣化は約1.25 dBおよび約0.75 dBにとどまる。
• 修正ML（MML）アルゴリズムは、完全なMLアルゴリズムと比較して最小限の性能劣化を示しており、顕著な性能損失なしに計算複雑度を効果的に低減できることを示している。
• 段階的ML（SML）アルゴリズムは3 dBを超える性能劣化を示し、特にCFOおよびSFO推定において25 dB SNRで誤差床を形成しており、性能が著しく劣化している。
• STEを無視した場合（ML(θ=0) 対 完全ML）、チャネル推定において4 dBの性能劣化が生じることから、STEとチャネルの同時推定が結合効果を示していることが明らかになった。
• SMLのタイミング障害確率（Ptf）は、MLおよびMMLと比較して特に低SNR領域で顕著に高く、その低耐障害性が確認された。
• CRLB解析により、歪み同士が結合していることが確認され、分離または逐次的アプローチではなく、同時に推定する必要があることが正当化された。