無(wú)線與移動(dòng)通信中的信號(hào)處理新技術(shù)（第1冊(cè) 信道估計(jì)與均衡 英文版）

PREFACE  xi                  
 1  CHANNEL ESTIMATION AND EQUALIZATION USING HIGHER-ORDER STATISTICS  1                  
   1.1  Introduction  1                  
   1.2  Single-User Systems :Baud Rate Sampling  4                  
     1.2.1  Cumulant Matching  4                  
     1.2.2  Inverse Filter Criteria  8                  
     1.2.3  Equation Error Formulations  8                  
     1.2.4  Simulation Examples  8                  
   1.3  Single-user Systems :Fractional Sampling  12                  
     1.3.1  Cumulant Matching  13                  
     1.3.2  Simulation Example  20                  
   1.4  Multi-user Systems  24                  
     1.4.1  Inverse Filter Criteria  26                  
     1.4.2  Cumulant Matching  28                  
     1.4.3  Simulation Examples  31                  
   1.5  Concluding Remarks  35                  
   Bibliography  37                  
                   
 2  PERFORMANCE BOUNDS FOR BLIND CHANNEL ESTIMATION  41                  
   2.1  Introduction  42                  
   2.2  Problem Statement and Preliminaries  42                  
     2.2.1  The Blind Channel Identification Problem  42                  
     2.2.2  Ambiguity Elimination  44                  
     2.2.3  The Unconstrained FIM  46                  
     2.2.4  Achievability of the CRB  47                  
   2.3  CRB for Constrained Estimates  48                  
   2.4  CRB for Estimates of Invariants  49                  
   2.5  CRB for Projection Errors  52                  
   2.6  Numerical Examples  53                  
   2.7  Concluding Remarks  58                  
   Appendix 2.A Proof of Proposition 2  59                  
   Bibliography  61                  
                   
 3  SUBSPACE METHOD FOR BLIND IDENTIFICATION AND DECONVOLUTION  63                  
                   
   3.1  Introduction  63                  
   3.2  Subspace Identification of SIMO Channels  65                  
     3.2.1  Practical Considerations  69                  
     3.2.2  Simplifications in the Two-Channel Case  70                  
   3.3  Subspace Identification of MIMO Channels  71                  
     3.3.1  Rational Spaces and Polynomial Bases  72                  
     3.3.2  The Structure of the Left Nullspace of a Sylvester Matrix  76                  
     3.3.3  The Subspace Method  78                  
     3.3.4  Advanced Results  82                  
   3.4  Applications to the Blind Channel Estimation of CDMA Systems  84                  
     3.4.1  Model Structure  84                  
     3.4.2  The Structured Subspace Method: The Uplink Case  88                  
     3.4.3  The Structured Subspace Method: The Downlink Case  89                  
   3.5  Undermodeled Channel Identification  92                  
     3.5.1  Example: Identifying a Significant Part of a Channel  99                  
     3.5.2  Determining the Effective Impulse Response Length  100                  
   Appendix 3.A  102                  
   3.A.1  Proof of Theorem 1  103                  
   3.A.2  Proof of Proposition 3  104                  
   3.A.3  Proof of Theorem 4  105                  
   3.A.4  Proof of Proposition 5  106                  
   Bibliography  108                  
                   
 4  BLIND IDENTIFICATION AND EQUALIZATION OF CHANNELS DRIVEN BY COLORED SIGNALS  113                  
   4.1  Introduction  114                  
   4.2  FIR MIMO Channel  115                  
     4.2.1  Original Model  115                  
     4.2.2  Slide-Window Formulation  115                  
     4.2.3  Noise Variance and Number of Input Signals  116                  
   4.3  Identifiability Using SOS  117                  
     4.3.1  Identifiability Conditions  117                  
     4.3.2  Some Facts of Polynomial Matrices  118                  
     4.3.3  Proof of the Conditions  120                  
     4.3.4  When the Input is White  121                  
   4.4  Blind Identification via Decorrelation  121                  
     4.4.1  The Principle of the BID  121                  
     4.4.2  Constructing the Decorrelators  126                  
     4.4.3  Removing the GCD of Polynomials  128                  
     4.4.4  Identification of the SIMO Channels  130                  
   4.5  Final Remarks  135                  
   Bibliography  135                  
                   
 5  OPTIMUM SUBSPACE METHODS  139                  
   5.1  Introduction  139                  
   5.2  Data Model and Notations  140                  
     5.2.1  Scalar Valued Communication Systems  140                  
     5.2.2  Multi Channel Communication Systems  141                  
     5.2.3  A Stacked System Model  143                  
     5.2.4  Correlation Matrices  145                  
     5.2.5  Statistical Assumptions  147                  
   5.3  Subspace Ideas and Notations  148                  
     5.3.1  Basic Notations  149                  
   5.4  Parameterizations  151                  
     5.4.1  A Noise Subspace Parameterization  151                  
     5.4.2  Selection Matrices  153                  
   5.5  Estimation Procedure  154                  
     5.5.1  The Signal Subspace Parameterization  155                  
     5.5.2  The Noise Subspace Parameterization  156                  
   5.6  Statistical Analysis  156                  
     5.6.1  The Residual Covariance Matrices  157                  
     5.6.2  The Parameter Covariance Matrices  159                  
   5.7  Relation to Direction Estimation  161                  
   5.8  Further Results for the Noise Subspace Parameterization  162                  
     5.8.1  The Results  163                  
     5.8.2  The Approach  163                  
   5.9  Simulation Examples  164                  
   5.10  Conclusions  171                  
   Appendix 5.A  173                  
   Bibliography  174                  
                   
 6  LINEAR PREDICTIVE ALGORITHMS FOR BLIND MULTICHANNEL IDENTIFICATION  179                  
   6.1  Introduction  179                  
   6.2  Channel Identification Based on Second Order Statistics: Problem Formulation  181                  
   6.3  Linear Prediction Algorithm for Channel Identification  183                  
   6.4  Outer-Product Decomposition Algorithm  185                  
   6.5  Multi-step Linear Prediction  188                  
   6.6  Channel Estimation by Linear Smoothing (Not Predicting)  189                  
   6.7  Channel Estimation by Constrained Output Energy Minimization  192                  
   6.8  Discussion  195                  
     6.8.1  Channel Conditions  195                    
     6.8.2  Data Conditions  196                  
     6.8.3  Noise Effect  196                  
   6.9  Simulation Results  197                  
   6.10  Summary  198                  
   Bibliography  207                  
                   
 7  SEMI-BLIND METHODS FOR FIR MULTICHANNEL ESTIMATION  211                  
   7.1  Introduction  212                  
     7.1.1  Training Sequence Based Methods and Blind Methods  212                  
     7.1.2  Semi-Blind Principle  213                  
   7.2  Problem Formulation  214                  
   7.3  Classification lf Semi-Blind Methods  217                  
   7.4  Identifiability Conditions for Semi-Blind Channel Estimation  218                  
     7.4.1  Identifiability Definition  218                  
     7.4.2  TS Based Channel Identifiability  219                  
     7.4.3  Identifiability in the Deterministic Model  219                  
     7.4.4  Identifiability in the Gaussian Model  222                  
   7.5  Performance Measure: Cramer-Rao Bounds  224                  
   7.6  Performance Optimization Issues  226                  
   7.7  Optimal Semi-Blind Methods  227                  
   7.8  Blind DML 229                  
     7.8.1  Denoised IQML (DIQML)  230                  
     7.8.2  Pseudo Quadratic ML (PQML)  231                  
   7.9  Three Suboptimal DML Based Semi-Blind Criteria  232                  
     7.9.1  Split of the Data  232                  
     7.9.2  Least Squares-DML  232                  
     7.9.3  Alternating Quadratic DML (AQ-DML)  233                  
     7.9.4  Weighted-Least-Squares-PQML (WLS-PQML)  235                  
     7.9.5  Wimulations  236                  
   7.10  Semi-Blind Criteria as a Combination of a Blind and a TS Based Criteria  236                  
     7.10.1  Semi-Blind SRM Example  237                  
     7.10.2  Subspace Fitting Example  239                  
   7.11  Performance of Semi-Blind Quadratic Criteria  242                  
     7.11.1  MU and MK infinite  243                  
     7.11.2  MU infinite, MK finite  243                  
     7.11.3  Optimally Weighted Quadratic Criteria  247                  
   7.12  Gaussian Methods  247                  
   7.13  Conclusion  249                  
   Bibliography  250                  
                   
 8  A GEOMETRICAL APPROACH TO BLIND SIGNAL ESTIMATION  255                  
   8.1  Introduction  256                  
   8.2  Design Criteria for Blind Estimators  258                  
     8.2.1  The Constant Modulus Receiver  260                  
     8.2.2  The Shalvi-Weinstein Receiver  261                  
   8.3  The Signal Space Property and Equivalent Cost Functions  263                  
     8.3.1  The Signal Space Property of CM Receivers  263                  
     8.3.2  The Signal Space Property of SW Receivers  264                  
     8.3.3  Equivalent Cost Functions  265                  
   8.4  Geometrical Analysis of SW Receivers: Global Characterization  266                  
     8.4.1  The Noiseless Case  268                  
     8.4.2  The Noisy Case  270                  
     8.4.3  Domains of Attraction of SW Receivers  275                  
   8.5  Geometrical Analysis of SW Receivers: Local Characterizations  277                  
     8.5.1  Local Characterization  277                  
     8.5.2  MSE of CM Receivers  281                  
   8.6  Conclusion and Bibliography Notes  282                  
     8.6.1  Bibliography Notes  283                  
   Appendix 8.A Proof of Theorem 5  285                  
   Bibliography  288                  
                   
 9  LINEAR PRECODING FOR ESTIMATION AND EQUALIZATION OF FREQUENCY-SELECTIVE CHANNELS  291                  
   9.1  System Model  293                  
   9.2  Unifying Filterbank Precoders  296                  
   9.3  FIR-ZF Equalizers  301                  
   9.4  Jointly Optimal Precoder and Decoder Design  306                  
     9.4.1  Zero-order Model  306                  
     9.4.2  MMSE/ZF Coding  308                  
     9.4.3  MMSE Solution wit Constrained Average Power  309                  
     9.4.4  Constrained Power Maximum Information Rate Design  311                  
     9.4.5  Comparison Between Optimal Designs  313                  
     9.4.6  Asymptotic Performance  317                  
     9.4.7  Numerical Examples  318                  
   9.5  Blind Symbol Recovery  320                  
     9.5.1  Blind Channel Estimation  322                  
     9.5.2  Comparison with Other Blind Techniques  324                  
     9.5.3  Statistical Efficiency  330                  
   9.6  Conclusion  332                  
   Bibliography  332                  
                   
 10.  BLIND CHANNEL IDENTIFIABILITY WITH AN ARBITRARY LINEAR PRECODR  339                  
   10.1  Introduction  339                  
   10.2  Basic Theory of Polynomial Equations  344                  
     10.2.1  Definition of Generic  344                  
     10.2.2  General Properties of Polynomial Maps  344                  
     10.2.3  Generic and Non-Generic Points  346                  
     10.2.4  Invertibility Criteria  347                  
   10.3  Inherent Scale Ambiguity  348                  
   10.4  Weak Identifiability and the CRB  348                  
   10.5  Arbitrary Linear Precoders  349                  
   10.6  Zero Prefix Precoders  351                  
   10.7  Geometric Interpretation of Precoding  354                  
     10.7.1  Linear Precoders  354                  
     10.7.2  Zero Prefix Precoders  355                  
   10.8  Filter Banks  355                  
     10.8.1  Algebraic Analysis of Filter Banks  357                  
     10.8.2  Spectral Analysis of Filter Banks  358                  
   10.9  Ambiguity Resistant Precoders  360                  
   10.10 Symbolic Methods  361                  
   10.11 Conclusion  362                  
   Bibliography  363                  
                   
 11  CURRENT APPROACHES TO BLIND DECISION FEEDBACK EQUALIZATION  367                  
   11.1  Introduction  367                  
   11.2  Notation  370                  
   11.3  Data Model  373                  
   11.4  Wiener Filtering  374                  
     11.4.1  Unconstrained Length MMSE Receivers  375                  
     11.4.2  Constrained Length MMSE Receivers  377                  
     11.4.3  Example: Constrained Versus Unconstrained Length Wiener Receivers  379                  
   11.5  Blind Tracking Algorithms  380                  
     11.5.1  DD-DFE 381                  
     11.5.2  CMA-DFE  388                  
     11.5.3  Algorithmic and Structural Modifications  389                  
     11.5.4  Summary of Blind Tracking Algorithms  391                  
   11.6  DFE Initialization Strategies  391                  
     11.6.1  Generic Strategy  391                  
     11.6.2  Multistage Equalization  395                  
     11.6.3  CMA-IIR Initialization  397                  
     11.6.4  Local Stability of Adaptive IIR Equalizers  398                  
     11.6.5  Summary of Blind Initialization Strategies  399                  
   11.7  Conclusion  400                  
   Appendix 11.A Spectral Factorization  402                  
   Appendix 11.B CL-MMSE-DFE  403                  
   Appendix 11.C DD-DFE Local Convergence  405                  
   Appendix 11.D Adaptive IIR Algorithm Updates  406                  
   Appendix 11.E CMA-AR Local Stability  409                  
   Bibliography  411