통신 채널 추정 방식 - MMSE

 

 
지난 포스팅에선  LS(Least Squares) 방식에 대해 다루어 봤다면, 이번 포스팅에선 또 다른 전통적인 통신 채널 추정 방식인 MMSE에 대해 다뤄보려고 한다.
 

[통신 채널 추정 방식 - LS]

---

 
 
MMSE(Minimum Mean Square Error) 채널 추정은 잡음과 채널의 통계를 함께 고려하는 방식이다. 이와 같이 MMSE는 잡음을 반영하기에 잡음이 많아지는, SNR이 낮아지는 상황에서 LS보다 더 정확한 채널 추정이 가능하다. 

구분	LS	MMSE
잡음 통계 고려	안 함	고려함
채널 통계 고려	안 함	고려함
수식 구조	오로지 송수신 신호	채널과 잡음의 통계적 정보를 반영
특징	빠르고 간단하지만 잡음에 약함	계산이 복잡하지만 잡음에 강함
성능 (SNR 낮을 때)	낮음	높음

 

---

 

MMSE의 핵심 목표

 
MMSE는 진짜 채널과 추정한 채널 사이의 오차 제곱의 평균값(MSE)을 최소화하는 것을 목표로 한다. 
$$
\hat{\mathbf{h}}_{\text{MMSE}} = \arg \min_{\hat{\mathbf{h}}} \mathbb{E} \left[ \| \mathbf{h} - \hat{\mathbf{h}} \|^2 \right]
$$
 

시스템 모델

MMSE의 시스템 모델은 LS와 동일하다.
$$
\mathbf{y} = \mathbf{X} \mathbf{h} + \mathbf{n}
$$
 

• \( \mathbf{y} \): 수신 신호 
• \( \mathbf{X} \): 송신 신호 
• \( \mathbf{h} \) : 채널 응답 
• \( \mathbf{n} \) : 잡음 벡터 

 

MMSE 채널 추정 공식

 
오차의 MSE를 최소화하는 최적해는 다음과 같다. 이는 수신 신호 \( \mathbf{y} \) 가 주어졌을 때, 채널 \( \mathbf{h} \) 의 조건부 평균이다.   \( \hat{\mathbf{h}}_{\text{MMSE}} = \mathbb{E}[\mathbf{h} \mid \mathbf{y}] \)
 
이 식에서 Zero-mean Joint Gaussian의 성질과 채널과 잡음의 통계 정보를 반영하는 공분산 행렬을 이용하여 정리하면 MMSE 채널 추정 공식은 아래와 같다. 
 
$$
\hat{\mathbf{h}}_{\text{MMSE}} = \mathbf{R}_h \mathbf{X}^H \left( \mathbf{X} \mathbf{R}_h \mathbf{X}^H + \mathbf{R}_n \right)^{-1} \mathbf{y}
$$
- \( \mathbf{R}_h = \mathbb{E}[\mathbf{h} \mathbf{h}^H] \) : 채널의 공분산 행렬
- \( \mathbf{R}_n = \mathbb{E}[\mathbf{n} \mathbf{n}^H] \) : 잡음의 공분산 행렬 (보통 \( \sigma_n^2 \mathbf{I} \))
 
이 식을 통해 알 수 있는 MMSE의 특징은 다음과 같다. 

잡음 고려	잡음 통계 정보 사용
채널 통계 고려	채널 공분산 반영
계산 복잡도	LS보다 복잡 (역행렬 계산 포함)
성능 (SNR 낮을 때)	뛰어난 정확도
사전 정보 필요	Rh\mathbf{R}_hRh와 Rn\mathbf{R}_nRn 사전 지식 필요
실시간 적용	복잡도 때문에 어렵기도 함

 

---

Colab 실습

https://colab.research.google.com/drive/1NP5VaYf7m8YPKH20p7QCB1Ww9m2jEoeY?usp=sharing

MMSE

 

▶ MMSE 채널 추정 및 시각화

 

• Rayleigh 페이딩 채널 생성
• 파일럿 신호 전송 및 수신
• MMSE 방식으로 채널 추정
• True 채널과 추정 채널을 비교 및 시각화하기

 

 

▶ SNR 변화에 따른 LS vs MMSE 채널 추정 성능 비교

 

• OFDM 시스템을 가정하여, 총 64개의 서브캐리어 사용
• 16개 파일럿 심벌을 고르게 분포시켜 채널 추정
• Rayleigh 페이딩 채널을 생성하여 시뮬레이션
• AWGN(가우시안 잡음) 추가
• SNR을 0dB ~ 20dB까지 2dB 간격으로 변화시켜 실험
• 각 SNR마다 1000번 반복(Monte Carlo 시뮬레이션) 후 평균 MSE 계산
• 파일럿 위치에서만 채널을 추정하고, 나머지 서브캐리어는 선형 보간(interpolation)으로 복원
• 결과는 MSE vs SNR 그래프로 시각화

 

 
 SNR이 낮을 때는 MMSE가 잡음을 고려해 훨씬 뛰어난 추정 성능을 보여주지만 SNR이 높아질수록 두 방식의 성능 차이는 줄어든다. 

---

마무리

또 다른 전통 채널 추정 방식의 일종인 MMSE에 대해 학습해 봤다. MMSE의 수식을 살펴보고 이는 통계 모델을 사용하는 방식이라는 것을 알 수 있었다. Colab 실습을 통해 MMSE 채널 추정 방식과 LS의 성능 비교를 시뮬레이션해 볼 수 있었다.