[논문]무선 패킷데이터 전송을 위한 LMS기반의 반복결정 귀환 등화기

최윤석; 박형근

초록
AI-Helper

최근의 무선 패킷데이터 시스템에서 짧은 버스트 데이터의 전송이 많이 사용되고 있고 훈련 심볼에 의한 오버헤드가 심각한 문제를 야기할 수 있다. 따라서 적응등화기의 설계에 있어서 짧은 훈련심볼과 빠른 수렴 알고리즘이 필수적인 문제라고 할 수 있다. 본 논문에서는 짧은 훈련심볼을 사용하는 MTLMS (multiple-training least mean square) 기반의 DFE (decision feedback equalizer) 의 성능을 향상시킬 수 있는 등화알고리즘을 제 안한다 . 제안된 알고리즘에서 DEF의 출력 은 LMS(least mean square) 기반의 적응DEF 루프로 입 력되고 확장된 훈련심볼로서 사용된다. 또한 전체적인 처리를 위하여 ML (maximum likelihood) 추정기를 사용하는 블록연산 대신에 낮은 복잡도의 적응 LMS연산이 사용된다. 시뮬레이션 결과에서 제안된 등화기는 반복귀환이 증가함에 따라 성능이 향상되고 시변 페이딩에 보다 강한 성능을보여준다.

Abstract ▼ AI-Helper

In many current wireless packet data system, the short-burst transmissions are used, and training overhead is very significant for such short burst formats. So, the availability of the short training sequence and the fast converging algorithm is essential in the adaptive equalizer. In this paper, th...

In many current wireless packet data system, the short-burst transmissions are used, and training overhead is very significant for such short burst formats. So, the availability of the short training sequence and the fast converging algorithm is essential in the adaptive equalizer. In this paper, the new equalizer algorithm is proposed to improve the performance of a MTLMS (multiple-training least mean square) based DFE (decision feedback equalizer)using the short training sequence. In the proposed method, the output of the DFE is fed back to the LMS (least mean square) based adaptive DEF loop iteratively and used as an extended training sequence. Instead of the block operation using ML (maximum likelihood) estimator, the low-complexity adaptive LMS operation is used for overall processing. Simulation results show that the perfonnance of the proposed equalizer is improved with a linear computational increase as the iterations parameter in creases and can give the more robustness to the time-varying fading.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

가설 설정

그림 5. h₁(t)채널에서의 제안된 DEF의 BER 성능. K=4, 실선: 16개 훈련심볼, 점선: 32개 훈련심볼, 데쉬선: 64개 훈련심볼, 원표시: M=0 네모표시: M=5 삼각형: M=10.
그림 6. h₂(t)채널에서의 제안된 DEF의 BER 성능. K=4, 실선: 16개 훈련심볼, 점선: 32개 훈련심볼, 데쉬선: 64개 훈련심볼, 원표시: M=0 네모표시: M=5 삼각형: M=10.

제안 방법

This idea is extended in a MTLMS based DFE and this method is called as 'LMS based iterative DFE'. In the proposed method, the output of the DFE is feedback to the LMS based adaptive DFE loop iteratively and used as an extended training sequence. Instead of the block operation using ML estimator in [6]-[7], the low-complexity symbol-by-symbol adaptive LMS operation is used for overall processing.
In this paper, the new method is proposed to improve the performance of a MTLMS based DFE using the short training sequence. In [6]-[7], it has been shown that the performance of the channel estimator can be improved if the output of the equalizer is feedback to the channel estimator and used as an extended training sequence.

이론/모형

Initialization loop: The initial DFE tap coefficients are obtained by the training of the training sequence using the MTLMS algorithm. Using these initial coefficients, the tracking of the message sequence is performed using the LMS algorithm and hard/soff decision feedback.
Initialization loop: The initial DFE tap coefficients are obtained by the training of the training sequence using the MTLMS algorithm. Using these initial coefficients, the tracking of the message sequence is performed using the LMS algorithm and hard/soff decision feedback. Then, the initial equalized data is acquired for the entire burst.

성능/효과

Simulation res미ts show that the proposed iterative DFE can provide the praformance improvement at modeate iteradons. Consequently, the proposed method can achieve high spectral efficiency, and performance gain with a linear increase in computational complexity rather than exponential increase.
However, at low SNRs, the performance improvement is very slight. From simulation results, it is shown that the proposed method can shorten the length of the required training sequence effectively with a linear increase in computational complexity. So, the spectral efficiency can be achieved.
It is shown that the performance of the proposed DFE is improved with the increase of the parameter M when the 16 training symbols were used. Furthemore, at high SNR, the performance of the proposed method is better than that of the non-iterative DFE with the 32 or 64 training symbols. However, at low SNRs, the performance improvement is very slight.
The LMS based iterative DFE scheme, where the output of the DFE was feedback to the LMS based adaptive DFE loop iteratively and used as an extended training sequence, was proposed to overcome the performance degradation of a conventional DFE using a short training sequence. Simulation results show that the performance of the proposed method is improved with a linear computational increase as the iterations parameter (M) increases. In addition, it is shown that the proposed method can give the more robustness to the time-varying fading.
그림 4. 제안된 DFE 방식에 대한 BER 성능. E_b/N₀=-18dB, K=4, 16개의 훈련심볼, 실선: 경판정, 점선: 연판정, 원표시: h₁t) 네모표시: h₂(t)

참고문헌 (10)

J. G. Proakis, Digital Communication, 3rdedition, MC Graw Hill, 1995
E. A. Lee, and D. G. Messerschmitt, Digital Communication, 2ndedition, Kluwer Academic, 1994
D. D. Falconer, F. Adachi, and B. Gudmundson, 'Time Division Multiple Access Methods for Wireless Personal Communications,' IEEE Comm. Mag., pp. 50-57, Jan. 1995
W. R. Wu, and Y. M. Tsuie, 'LMS-Based Decision Feedback Equalizer for IS-136 Receivers,' IEEE Tr. Veh. Tech., Vol. 51, No.1, pp. 130-143, Jan. 2002

상세보기
S. L. Ariyavisitakul, J. H. Winters, and N. R. Sollenberger, 'Joint equalization and interference suppression for high data rate wireless systems,' IEEE J. Sel. Areas Comm., Vol. 18, No.7, pp. 1214-1220, July 2000

상세보기
C. Luschi, M. Sandell, P. Strauch, J. J. Wu, C. Ilas, P. W. Ong, R. Baeriswyl, F. Battaglia, S. Karageorgis, and R. H. Yan, 'Advanced Signal-Processing Algorithms for Energy-Efficient Wireless Communications,' Proc. IEEE, Vol. 88, No. 10, pp. 1633-1650, Oct. 2000

상세보기
M. Sandell, C. Luschi, P. Strauch, and R. H. Yan, 'Iterative channel estimation using soft decision feedback,' in Proc. IEEE Globecom, Sydney, Australia, pp. 3728-3733, Nov. 1998
S. G. Kang, Y. M. Ha, and E. K. Joo, 'A Comparative Investigation on Channel Estimation Algorithms for OFDM in Mobile Communications,' IEEE Tr. Broadcasting, Vol. 49, No.2, pp. 142-149, June 2003

상세보기
J. F. Doherty and R. J. Mammone, 'Adaptive algorithm for stable decision-feedback filtering,' IEEE Tr. Circuits Syst. II, Vol. 40, No.1, pp. 1-9, Jan. 1993
S. L. Ariyavisitakul, Y. Li, 'Joint Coding and Decision Feedback Equalization for Broadband Wireless Channels,' IEEE J. Sel. Comm., Vol. 16, No.9, 1670-1678, Dec. 1998

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

무선 패킷데이터 전송을 위한 LMS기반의 반복결정 귀환 등화기
LMS based Iterative Decision Feedback Equalizer for Wireless Packet Data Transmission 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

가설 설정

제안 방법

이론/모형

성능/효과

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

무선 패킷데이터 전송을 위한 LMS기반의 반복결정 귀환 등화기 LMS based Iterative Decision Feedback Equalizer for Wireless Packet Data Transmission 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

이론/모형

성능/효과

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

최윤석 (5) 박형근 (37)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

무선 패킷데이터 전송을 위한 LMS기반의 반복결정 귀환 등화기
LMS based Iterative Decision Feedback Equalizer for Wireless Packet Data Transmission 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper