[论文解读] Probabilistic Receiver Architecture Combining BP, MF, and EP for Multi-Signal Detection

Daniel J. Jakubisin, R. Michael Buehrer+1 more|arXiv (Cornell University)|Apr 17, 2016

Error Correcting Code Techniques参考文献 44被引用 3

一句话总结

本文提出了一种新颖的基于概率的接收机架构，将信念传播（BP）、平均场（MF）近似和期望传播（EP）相结合，用于MIMO和多用户系统中的多信号检测。通过将因子图划分为不同的子图——高斯BP用于多信号检测，MF用于信道估计和观测，离散BP用于解调——该框架在理论上有充分依据且复杂度较低，通过在离散域与连续域之间基于EP的消息传递，实现了优异的检测性能。

ABSTRACT

Receiver algorithms which combine belief propagation (BP) with the mean field (MF) approximation are well-suited for inference of both continuous and discrete random variables. In wireless scenarios involving detection of multiple signals, the standard construction of the combined BP-MF framework includes the equalization or multi-user detection functions within the MF subgraph. In this paper, we show that the MF approximation is not particularly effective for multi-signal detection. We develop a new factor graph construction for application of the BP-MF framework to problems involving the detection of multiple signals. We then develop a low-complexity variant to the proposed construction in which Gaussian BP is applied to the equalization factors. In this case, the factor graph of the joint probability distribution is divided into three subgraphs: (i) a MF subgraph comprised of the observation factors and channel estimation, (ii) a Gaussian BP subgraph which is applied to multi-signal detection, and (iii) a discrete BP subgraph which is applied to demodulation and decoding. Expectation propagation is used to approximate discrete distributions with a Gaussian distribution and links the discrete BP and Gaussian BP subgraphs. The result is a probabilistic receiver architecture with strong theoretical justification which can be applied to multi-signal detection.

研究动机与目标

• 为解决标准BP-MF框架在多信号检测中性能较差的问题，特别是其在信号分离任务中MF近似效果不佳。
• 构建一种因子图结构，将检测、信道估计和解调分离为专用子图，以提升推理性能。
• 通过将高斯BP应用于均衡因子，降低计算复杂度，同时保持概率消息传递的完整性。
• 引入期望传播（EP）以连接离散解调与连续检测子图，实现准确的消息交换。
• 提供一种理论上有依据、复杂度低的接收机架构，适用于MIMO和多用户检测，并具备出色的性能表现。

提出的方法

• 将联合概率分布分解为三个子图：用于多信号检测的高斯BP子图，用于观测和信道估计的MF子图，以及用于解调和译码的离散BP子图。
• 使用期望传播（EP）将离散分布近似为高斯分布，从而实现离散BP子图与高斯BP子图之间的消息传递。
• 从信道系数估计值和先验信息中推导出后验均值与方差，计算MF子图到观测因子的消息。
• 高斯BP子图利用来自信道状态信息和接收信号的近似 sufficient 统计量，计算发射符号的后验信念。
• MF子图基于观测的似然函数和先验分布，使用共轭先验和矩匹配方法，计算发送至信道系数的消息。
• 最终架构支持子图之间的迭代消息传递，其收敛性由基于区域的自由能框架保证。

实验结果

研究问题

• RQ1 BP-MF-EP混合框架是否能在多信号检测任务中优于标准BP-MF架构？
• RQ2 MF近似在多信号检测中是否有效，特别是在干扰受限的场景下？
• RQ3 如何重构因子图，以实现检测、信道估计和解调的解耦，从而提升性能？
• RQ4 将高斯BP应用于均衡因子，在复杂度与准确性方面有何影响？
• RQ5 期望传播能否有效连接混合接收机架构中离散与连续的消息传递？

主要发现

• MF近似在多信号检测中表现不佳，原因在于其无法有效处理信号分离模型中的硬约束。
• 所提出的因子图分解方法显著优于标准BP-MF框架，检测性能大幅提升。
• 将高斯BP应用于均衡因子可降低计算复杂度，同时在多信号检测中保持高精度。
• 期望传播实现了离散解调与连续检测子图之间准确而高效的的消息交换。
• 通过基于区域的自由能最小化提供了理论依据，确保逼近过程收敛至驻点。
• 数值结果表明，在MIMO和多用户场景下，误比特率（BER）性能得到显著改善，尤其在低信噪比（SNR）区域。