Compressive Sensing Mehrnutzerdetektions-Verfahren für Code-Multiplex-Systeme
Zusammenfassung der Projektergebnisse
Ausgehend von der kürzlich im Bereich der Signalverarbeitung entwickelten Theorie des Compressed Sensing (CS) war die Zielsetzung des vorliegenden Projektes die Vertiefung der zuvor erreichten Ergebnisse. Im Projektzeitraum des Erstantrags von CoSeM konnte die prinzipielle Anwendbarkeit der CS-Theorie im Bereich der Nachrichtenübertragung aufgezeigt werden. In der Fortsetzung von CoSeM, die Gegenstand dieses Berichts ist, wurden hierauf aufbauend neue Verfahren aus dem Gebiet der Graphentheorie entwickelt. Ausgangsbasis von CoSeM war die prinzipielle Erkenntnis, dass aufgrund sporadischer Uplink Kommunikation im Bereich der Machine-to-Machine Kommunikation (M2M) ein für CS-geeignetes dünn-besetztes Mehrnutzersignal vorliegt. Im Verlauf des Projekts ergab sich, dass die Anpassung von CS-Algorithmen für die Mehrnutzerdetektion in diesem Kontext besondere Vorteile bietet. Prinzipiell ermöglicht die Anwendung von CS zur Schätzung eines empfangenen Mehrnutzersignals eine gemeinsame Schätzung der Nutzerdaten und der Nutzeraktivität. Hierdurch kann der generell zum Aufbau einer Kommunikation notwendige Signalisierungsaufwand reduziert werden, welcher unter den M2M-typischen Annahmen vieler Sensoren (massive M2M) und geringer Datenmengen ein limitierender Faktor ist. Compressed Sensing bietet neue Ansätze zur Signalrekonstruktion von dünn-besetzten bzw. komprimierbaren Signalen, die sich auf die Detektion von nachrichtentechnischen Signalen übertragen lassen. Hierfür war jedoch eine Anpassung geeigneter Algorithmen auf typische Annahmen in nachrichtentechnischen Kontexten notwendig. Insbesondere konnte nachgewiesen werden, dass die Berücksichtigung von finiten Modulationsalphabeten und die Ausnutzung von Kanalcodierung deutliche Gewinne in der Detektionsqualität ermöglichen. Das Projekt konnte somit den grundsätzlichen Nachweis erbringen, dass die Anwendung von CS-Algorithmen im Kontext von M2M-Kommunikation nicht nur möglich ist, sondern näherungsweise die Leistungsfähigkeit von Methoden mit bekannter Nutzeraktivität erreichen kann. Das vorliegende Projekt verfolgte daher den Ansatz, noch grundsätzlicher ausgehend von der bayesischen Schätztheorie einen umfassenden MAP-Detektor zu formulieren. Dieser MAP-Detektor berücksicht durch die Annahme geeigeneter a-priori Verteilungen für die Schätzvariable sowohl die Sparsity als auch nachrichtentchnische Annahmen wie Modulation und Kanalcodierung. Auf Basis dieser Formulierung wurde daraufhin eine Zerlegung im Sinne der klassischen Belief Propagation durchgeführt, um einen vereinfachten, iterativen Detektor zu erhalten. Die im Projekt erzielten Ergebnisse zeigen eine vielfach höhere Leistungsfähigkeit dieser iterativen Struktur aus Aktivititäts- und Symbolschätzer und Decoder im Vergleich zu klassischen CS-Verfahren.
