[논문 리뷰] Increased Capacity per Unit-Cost by Oversampling

Tobias Koch, Amos Lapidoth|arXiv (Cornell University)|2010. 08. 31.

Blind Source Separation Techniques참고 문헌 9인용 수 10

한 줄 요약

이 논문은 임의의 상관 계수를 가진 삼변량 평균이 0인 가우시안 벡터의 보완 누적분포함수(CCDF)에 대한 渐近 전개를 유도한다. 이중 CCDF 전개와 Q-함수의 테일러 급수 근사법을 활용하여, A에 대해 두 번째 차수 항까지 닫힌 형태의 표현식을 유도하며, 유한한 오차 항을 포함하여 고신호대역비(SNR) 영역에서 상관된 fading 채널의 정밀한 용량 분석을 가능하게 한다.

ABSTRACT

It is demonstrated that doubling the sampling rate recovers some of the loss in capacity incurred on the bandlimited Gaussian channel with a one-bit output quantizer.

연구 동기 및 목표

• 임의의 상관 계수를 가진 삼변량 평균이 0인 가우시안 분포의 CCDF에 대한 渐近 전개를 유도하기.
• 상관된 fading을 가진 다중 안테나 또는 다중 사용자 시스템에서의 장애 확률 또는 오차율을 모델링하기.
• 정보이론적 용량 분석에 사용 가능한 명시적 오차 한계를 가진 수학적으로 엄밀한 근사 제공하기.
• 기존의 이변량 CCDF 결과를 조건부 밀도 분해 및 급수 전개 기법을 사용하여 삼변량 경우로 확장하기.

제안 방법

• 상관 행렬 K를 가진 연합 가우시안 PDF를 사용하여, 이동한 정사각형 영역 위의 적분 합으로 삼변량 CCDF를 표현하기.
• 모수 및 조건부 밀도를 사용한 이변량 CCDF 분해: ϕ₀,ₖ(x,y) = ϕ₀,₁(x) ⋅ ϕ_{ϱx,1−ϱ²}(y).
• Q-함수의 0 근처에서의 테일러 급수 전개를 적용하여 尾부 적분 항을 근사하기.
• 상관 계수의 arcsin을 포함하는 이변량 정사각형 확률에 대한 기존 결과 활용하기.
• 역사인수 함수를 사용하여 α, β, γ 및 상관 계수를 포함하는 두 번째 차수 보정 항 유도하기.
• 유계 함수 η(A, |α|, |β|, |γ|)를 사용하여 나머지 항 Δ(A, α, β, γ)의 상한을 설정하여 수렴성 확보하기.

실험 결과

연구 질문

• RQ1 A, α, β, γ가 큰 경우 삼변량 평균이 0인 가우시안 벡터의 CCDF는 어떻게 渐近적으로 전개될 수 있는가?
• RQ2 상관된 가우시안 변수의 CCDF 전개에서 두 번째 차수 보정 항의 구조는 어떠한가?
• RQ3 상관 행렬(ϱ₁₂, ϱ₁₃, ϱ₂₃)은 CCDF의 渐近적 행동에 어떻게 영향을 미치는가?
• RQ4 모든 유한한 A, α, β, γ에 대해 근사 전개의 오차를 균일하게 유계로 유지할 수 있는가?
• RQ5 Q-함수의 테일러 전개는 CCDF의 고차항 유도에 어떤 역할을 하는가?

주요 결과

• 삼변량 CCDF의 주요 항은 1/8 + (1/4π)(arcsin(ϱ₁₂) + arcsin(ϱ₁₃) + arcsin(ϱ₂₃))이며, 평균이 0인 가우시안 벡터의 정사각형 확률을 반영한다.
• 일차 보정 항은 A에 비례하며, 부분 상관 계수의 가중된 arcsin 함수를 포함한다. 특히 A/2π × [α + β + γ]/4 및 정규화된 상관 계수 차이를 포함하는 추가 항들이 포함된다.
• 이차 보정 항은 A²/2π 곱하기 부분 상관 계수 비율의 arcsin 함수 합으로 명시적으로 유도되었으며, 교차 상관의 영향을 반영한다.
• 나머지 항 Δ(A, α, β, γ)의 크기는 A² × η(A, |α|, |β|, |γ|)로 유계이며, 여기서 η는 모든 유한한 입력에 대해 단조 증가하고 유한하다.
• 잘 정의된 유계 함수 η를 통해 오차를 제어함으로써, 이 방법은 고SNR 영역에서 높은 정밀도를 달성한다.
• 조건부 밀도 분해 및 Q-함수의 급수 전개 기법을 사용하여, 기존의 이변량 결과를 삼변량 경우로 일반화하였다.