[论文解读] Compressive Demodulation of Mutually Interfering Signals

Yuejie Chi, Yao Xie+1 more|arXiv (Cornell University)|Mar 15, 2013

Sparse and Compressive Sensing Techniques参考文献 22被引用 3

一句话总结

本文提出了一种压缩解调框架，用于在异步多用户系统中检测稀疏且相互干扰的信号，采用压缩感知技术。通过将两种前端架构统一为单一离散信号模型，该方法使迭代匹配追踪算法仅需 O(K log N(τ+1)) 个采样点——远少于传统 MUD 所需的 N(τ+1) 个采样点——同时在使用 Kerdock 码时表现出鲁棒性能，其误码率和采样效率优于 Gabor 基阵。

ABSTRACT

Multi-User Detection is fundamental not only to cellular wireless communication but also to Radio-Frequency Identification (RFID) technology that supports supply chain management. The challenge of Multi-user Detection (MUD) is that of demodulating mutually interfering signals, and the two biggest impediments are the asynchronous character of random access and the lack of channel state information. Given that at any time instant the number of active users is typically small, the promise of Compressive Sensing (CS) is the demodulation of sparse superpositions of signature waveforms from very few measurements. This paper begins by unifying two front-end architectures proposed for MUD by showing that both lead to the same discrete signal model. Algorithms are presented for coherent and noncoherent detection that are based on iterative matching pursuit. Noncoherent detection is all that is needed in the application to RFID technology where it is only the identity of the active users that is required. The coherent detector is also able to recover the transmitted symbols. It is shown that compressive demodulation requires $\mathcal{O}(K\log N(τ+1))$ samples to recover $K$ active users whereas standard MUD requires $N(τ+1)$ samples to process $N$ total users with a maximal delay $τ$. Performance guarantees are derived for both coherent and noncoherent detection that are identical in the way they scale with number of active users. The power profile of the active users is shown to be less important than the SNR of the weakest user. Gabor frames and Kerdock codes are proposed as signature waveforms and numerical examples demonstrate the superior performance of Kerdock codes - the same probability of error with less than half the samples.

研究动机与目标

• 解决在无信道状态信息（CSI）的异步非相干系统中多用户检测（MUD）的挑战，尤其适用于 RFID 和无线网络场景。
• 通过利用压缩感知技术减少采样需求，克服传统 MUD 所需 N(τ+1) 个采样点的局限性，其中 N 为用户数，τ 为最大延迟。
• 构建统一的信号模型，将两种前端架构——随机子采样与广义匹配滤波器——统一于压缩解调框架之下。
• 通过迭代匹配追踪实现相干与非相干检测，其中非相干检测足以满足 RFID 应用中仅需识别用户身份的需求。
• 评估并比较签名波形（Gabor 基阵与 Kerdock 码）在噪声环境下稀疏恢复中的性能与采样效率。

提出的方法

• 构建统一的离散信号模型，融合随机子采样与广义匹配滤波器前端，将所需测量数 M 降低至低于 N(τ+1)。
• 提出用于相干与非相干检测的迭代匹配追踪算法，实现对活跃用户及其传输符号的恢复。
• 采用 Gabor 基阵与 Kerdock 码作为签名波形，其中 Kerdock 码因具有有利的相干性特性而表现出更优性能。
• 为两种检测类型推导性能保证，表明其与活跃用户数 K 的缩放关系相同，且与功率分布无关。
• 分析子采样 Gabor 与 Kerdock 基阵的相干性特性，证明子采样后的 Kerdock 基阵在高概率下保持低平均相干性。
• 应用 Hoeffding 不等式与联合界，推导子采样测量矩阵最坏情况与平均相干性的概率界。

实验结果

研究问题

• RQ1 能否将两种截然不同的压缩解调前端架构统一于单一离散信号模型之下？
• RQ2 在压缩 MUD 中，所需采样点数与 K（活跃用户数）、N（总用户数）和 τ（最大延迟）的关系如何，相较于传统 MUD 有何差异？
• RQ3 签名波形设计（特别是 Gabor 基阵与 Kerdock 码）对压缩解调性能与采样效率有何影响？
• RQ4 在恢复性能中，最弱活跃用户的信噪比（SNR）相较于强用户功率分布的重要性如何？
• RQ5 通过迭代匹配追踪实现的非相干检测能否在无 CSI 条件下可靠恢复 RFID 系统中的用户身份？其性能与相干检测相比如何？

主要发现

• 压缩解调仅需 O(K log N(τ+1)) 个采样点即可恢复 K 个活跃用户，显著少于传统 MUD 所需的 N(τ+1) 个采样点。
• 通过迭代匹配追踪实现的非相干检测在 K 的缩放关系上与相干检测保持一致，尽管无需 CSI。
• 系统性能对最弱活跃用户 SNR 的敏感度高于对强用户功率分布的敏感度。
• Kerdock 码优于 Gabor 基阵，由于其更优的相干性特性，可在采样点数少于一半的情况下实现相同的误码概率。
• 理论分析表明，子采样后的 Kerdock 基阵在高概率下保持平均相干性 ν(X) ≤ 2/M，从而支持稳定的稀疏恢复。
• 数值结果证实，在相同采样率与噪声条件下，Kerdock 码的误码率性能显著优于 Gabor 基阵。