Rauschprädiktive Maximum-Likelihood-Erkennung - Noise-predictive maximum-likelihood detection

Noise-Predictive Maximum-Likelihood (NPML) ist eine Klasse digitaler Signalverarbeitungsverfahren , die für magnetische Datenspeichersysteme geeignet sind , die mit hohen linearen Aufzeichnungsdichten arbeiten . Es wird zum Abrufen von Daten verwendet, die auf magnetischen Medien aufgezeichnet sind.

Die Daten werden vom Lesekopf zurückgelesen, wodurch ein schwaches und verrauschtes Analogsignal erzeugt wird. NPML zielt darauf ab, den Einfluss von Rauschen im Erkennungsprozess zu minimieren. Bei erfolgreicher Anwendung ermöglicht es die Aufzeichnung von Daten bei höheren Flächendichten . Zu den Alternativen gehören Peak-Erkennung, Partial-Response-Maximum-Likelihood (PRML) und erweiterte Partial-Response-Maximum-Likelihood- (EPRML)-Erkennung.

Obwohl Fortschritte in der Kopf- und Medientechnologie in der Vergangenheit die treibenden Kräfte hinter der Erhöhung der flächenhaften Aufzeichnungsdichte waren, haben sich die digitale Signalverarbeitung und -codierung als kosteneffiziente Techniken etabliert, um zusätzliche Steigerungen der flächenhaften Dichte bei gleichzeitiger Wahrung der Zuverlässigkeit zu ermöglichen. Dementsprechend ist der Einsatz ausgeklügelter Erkennungsschemata auf der Grundlage des Konzepts der Rauschvorhersage von größter Bedeutung in der Plattenlaufwerkindustrie.

Grundsätze

Die NPML-Familie von Sequenzschätzungs-Datendetektoren entsteht durch Einbetten eines Rauschvorhersage-/Aufhellungsprozesses in die Zweigmetrikberechnung des Viterbi-Algorithmus . Letzteres ist eine Datenerkennungstechnik für Kommunikationskanäle, die Intersymbolinterferenz (ISI) mit endlichem Speicher aufweisen.

Ein zuverlässiger Betrieb des Prozesses wird erreicht, indem hypothetische Entscheidungen verwendet werden, die den Zweigen des Trellis zugeordnet sind, auf denen der Viterbi-Algorithmus arbeitet, sowie vorläufiger Entscheidungen, die dem jedem Trellis-Zustand zugeordneten Pfadspeicher entsprechen. NPML-Detektoren können daher als Detektoren mit reduzierter Zustandsfolgeschätzung angesehen werden, die eine Reihe von Implementierungskomplexitäten bieten. Die Komplexität wird durch die Anzahl von Detektorzuständen bestimmt, die gleich , ist , wobei die maximale Anzahl von gesteuerten ISI-Termen bezeichnet wird, die durch die Kombination eines Teilantwortformungsentzerrers und des Rauschprädiktors eingeführt werden. Durch umsichtige Auswahl können praktische NPML-Detektoren entwickelt werden, die die Leistung gegenüber PRML- und EPRML-Detektoren hinsichtlich Fehlerrate und/oder linearer Aufzeichnungsdichte verbessern. ${\displaystyle 2^{K}}$${\displaystyle 0\leq K\leq M}$${\displaystyle M}$${\displaystyle K}$

In Abwesenheit von Rauschverstärkung oder Rauschkorrelation führt der PRML-Sequenzdetektor eine Sequenzschätzung mit maximaler Wahrscheinlichkeit durch. Wenn sich der Arbeitspunkt zu höheren linearen Aufzeichnungsdichten bewegt, nimmt die Optimalität mit der linearen Partial-Response (PR)-Entzerrung ab, die das Rauschen verstärkt und korreliert. Eine enge Übereinstimmung zwischen dem gewünschten Zielpolynom und dem physikalischen Kanal kann Verluste minimieren. Ein effektiver Weg, um unabhängig vom Betriebspunkt – in Bezug auf die lineare Aufzeichnungsdichte – und den Rauschbedingungen eine nahezu optimale Leistung zu erzielen, ist die Rauschvorhersage. Insbesondere kann die Leistung einer stationären Rauschsequenz , bei der der Operator einer Verzögerung von einem Bitintervall entspricht, am Ausgang eines PR-Entzerrers durch Verwendung eines unendlich langen Prädiktors minimiert werden. Ein linearer Prädiktor mit Koeffizienten , ..., der auf der Rauschsequenz arbeitet, erzeugt die geschätzte Rauschsequenz . Dann ist die Vorhersage-Fehler-Folge gegeben durch ${\displaystyle n(D)}$${\displaystyle D}$${\displaystyle \{p_{l}\},l=1,2}$${\displaystyle n(D)}$${\displaystyle {\acute {n}}\left(D\right)}$

${\displaystyle e\left(D\right)=n\left(D\right)-{\acute {n}}\left(D\right)=n\left(D\right)\left(1-P \left(D\right)\right)}$

ist weiß mit minimaler Leistung. Der optimale Prädiktor

${\displaystyle P\left(D\right)=p_{1}D+p_{2}{D^{2}}+}$...

oder der optimale rauschaufhellende Filter

${\displaystyle W\left(D\right)=1-P\left(D\right)}$,

ist diejenige, die die Vorhersagefehlerfolge im mittleren quadratischen Sinne minimiert${\displaystyle e(D)}$

Ein unendlich langer Prädiktorfilter würde zu einer Sequenzdetektorstruktur führen, die eine unbegrenzte Anzahl von Zuständen erfordert. Daher sind Prädiktoren endlicher Länge von Interesse, die das Rauschen am Eingang des Sequenzdetektors ungefähr weiß machen.

Verallgemeinerte PR-Formungspolynome der Form

${\displaystyle G\left(D\right)=F\left(D\right)\times W\left(D\right)}$,

wobei ein Polynom der Ordnung S ist und das Rauschaufhellungsfilter eine endliche Ordnung von hat, zu NPML-Systemen in Kombination mit einer Sequenzerkennung In diesem Fall ist der effektive Speicher des Systems auf limited begrenzt ${\displaystyle F(D)}$${\displaystyle W(D)}$${\displaystyle L}$

${\displaystyle M=L+S}$,

Erfordern eines NPML-Detektors mit -Zustand, wenn keine Detektion mit reduziertem Zustand verwendet wird. ${\displaystyle 2^{L}+S}$

Als Beispiel, wenn

${\displaystyle F\left(D\right)=1-{D^{2}}}$

dann entspricht dies der klassischen PR4-Signalformung. Mit einem Whitening-Filter wird das generalisierte PR-Ziel zu target ${\displaystyle W(D)}$

${\displaystyle G\left(D\right)=\left(1-{D^{2}}\right)\times W\left(D\right)}$,

und der effektive ISI-Speicher des Systems ist begrenzt auf

${\displaystyle M=L+2}$Symbole. In diesem Fall führt der Vollzustands-NMPL-Detektor eine Maximum-Likelihood-Sequenzschätzung (MLSE) unter Verwendung des -Zustands-Trellis entsprechend durch . ${\displaystyle 2^{L+2}}$${\displaystyle G(D)}$

Der NPML-Detektor wird effizient über den Viterbi-Algorithmus implementiert, der die geschätzte Datenfolge rekursiv berechnet.

${\displaystyle {\hat{a}}\left(D\right)=arg\min_{a\left(D\right)}\parallel z\left(D\right)-a\left(D\right) G\links(D\rechts)\parallel {^{2}}}$

wobei bezeichnet die binäre Folge von aufgezeichneten Datenbits und z(D) die Signalfolge am Ausgang des Rauschaufhellungsfilters . ${\displaystyle a(D)}$${\displaystyle W(D)}$

Schemata zur Detektion von Sequenzen mit reduziertem Zustand sind für die Anwendung im Magnetaufzeichnungskanal und die darin enthaltenen Referenzen untersucht worden. Zum Beispiel die NPML-Detektoren mit verallgemeinerten PR-Zielpolynomen

${\displaystyle G\left(D\right)=F\left(D\right)\times W\left(D\right)}$

kann als eine Familie von Detektoren mit reduziertem Zustand mit eingebetteter Rückkopplung betrachtet werden. Diese Detektoren liegen in einer Form vor, in der der Entscheidungsrückkopplungspfad durch einfache Tabellennachschlageoperationen realisiert werden kann, wodurch die Inhalte dieser Tabellen in Abhängigkeit von den Betriebsbedingungen aktualisiert werden können. Analytische und experimentelle Studien haben gezeigt, dass ein vernünftiger Kompromiss zwischen Leistung und Zustandskomplexität zu praktischen Schemata mit erheblichen Leistungssteigerungen führt. Daher sind Ansätze mit reduzierten Zuständen vielversprechend für die Erhöhung der linearen Dichte.

Abhängig von der Oberflächenrauheit und Partikelgröße können partikelförmige Medien eher einen nichtstationären datenabhängigen Übergang oder ein Mediumrauschen als ein farbiges stationäres Mediumrauschen aufweisen. Verbesserungen der Qualität des Rücklesekopfes sowie der Einbau von rauscharmen Vorverstärkern können das datenabhängige Medienrauschen zu einem wesentlichen Bestandteil des Gesamtrauschens machen, das die Leistung beeinflusst. Da mittleres Rauschen korreliert und datenabhängig ist, können Informationen über Rauschen und Datenmuster in vergangenen Samples Informationen über Rauschen in anderen Samples liefern. Somit kann das Konzept der Rauschvorhersage für stationäre Gaußsche Rauschquellen, das in entwickelt wurde, natürlich auf den Fall ausgedehnt werden, wo Rauscheigenschaften stark von lokalen Datenmustern abhängen.

Durch Modellieren des datenabhängigen Rauschens als Markov-Prozess endlicher Ordnung wurde der optimale MLSE für Kanäle mit ISI abgeleitet. Insbesondere wenn das datenabhängige Rauschen bedingt Gauss-Markov ist, können die Verzweigungsmetriken aus der bedingten Statistik zweiter Ordnung des Rauschprozesses berechnet werden. Mit anderen Worten, der optimale MLSE kann effizient implementiert werden, indem der Viterbi-Algorithmus verwendet wird, bei dem die Berechnung der Zweigmetrik eine datenabhängige Rauschvorhersage beinhaltet. Da sowohl die Prädiktorkoeffizienten als auch der Prädiktionsfehler vom lokalen Datenmuster abhängen, wurde die resultierende Struktur als datenabhängiger NPML-Detektor bezeichnet. Schemata zur Erkennung von Sequenzen mit reduziertem Zustand können auf datenabhängige NPML angewendet werden, wodurch die Komplexität der Implementierung reduziert wird.

NPML und seine verschiedenen Formen stellen die Kern-Lesekanal- und Erkennungstechnologie dar, die in Aufzeichnungssystemen verwendet werden, die fortschrittliche fehlerkorrigierende Codes verwenden, die sich für eine weiche Dekodierung eignen, wie beispielsweise LDPC-Codes ( Low Density Parity Check ). Wenn beispielsweise eine rauschprädiktive Erkennung in Verbindung mit einem Maximum-a-posteriori- Erkennungsalgorithmus (MAP) wie dem BCJR- Algorithmus durchgeführt wird, dann ermöglichen NPML und NPML-ähnliche Erkennung die Berechnung von weichen Zuverlässigkeitsinformationen zu einzelnen Codesymbolen, während alle Leistungsvorteile in Verbindung mit geräuschvorhersagbaren Techniken. Die auf diese Weise erzeugten Soft-Informationen werden zur Soft-Decodierung des fehlerkorrigierenden Codes verwendet. Darüber hinaus können die vom Decoder berechneten Soft-Informationen wieder an den Soft-Detektor rückgekoppelt werden, um die Erkennungsleistung zu verbessern. Auf diese Weise ist es möglich, die Fehlerratenleistung am Decodiererausgang in aufeinanderfolgenden sanften Erkennungs-/Decodierungsrunden iterativ zu verbessern.

Geschichte

Beginnend in den 1980er Jahren wurden mehrere digitale Signalverarbeitungs- und Codiertechniken in Plattenlaufwerke eingeführt, um die Leistung der Laufwerksfehlerrate für den Betrieb bei höheren Flächendichten zu verbessern und um die Herstellungs- und Wartungskosten zu senken. In den frühen 1990er Jahren ersetzte die Partial-Response-Klasse-4-Signalformung (PR4) in Verbindung mit der Maximum-Likelihood-Sequenzerkennung, schließlich bekannt als PRML- Technik, die Spitzenerkennungssysteme, die lauflängenbegrenzt (RLL) ( d,k ) -eingeschränkte Codierung. Diese Entwicklung ebnete den Weg für zukünftige Anwendungen fortschrittlicher Codierungs- und Signalverarbeitungstechniken in der magnetischen Datenspeicherung.

Die NPML-Erkennung wurde erstmals 1996 beschrieben und fand schließlich breite Anwendung beim Design von HDD-Lesekanälen. Das Konzept „Noise Predictive“ wurde später um autoregressive (AR) Rauschprozesse und autoregressive Moving-Average (ARMA) stationäre Rauschprozesse erweitert Medienrauschen; es wurde auf verschiedene Nachbearbeitungsschemata angewendet. Die Rauschvorhersage wurde zu einem integralen Bestandteil der Metrikberechnung in einer Vielzahl von iterativen Erkennungs-/Decodierungsschemata.

Die bahnbrechenden Forschungsarbeiten zur Partial-Response-Maximum-Likelihood- (PRML) und Noise-Predictive Maximum-Likelihood- (NPML)-Erkennung und deren Auswirkungen auf die Industrie wurden 2005 mit dem European Eduard Rhein Foundation Technology Award ausgezeichnet.

Anwendungen

Die NPML-Technologie wurde erstmals Ende der 1990er Jahre in die HDD- Produktlinie von IBM eingeführt . Schließlich wurde die rauschprädiktive Erkennung zu einem De-facto-Standard und wurde in ihren verschiedenen Instanzen zur Kerntechnologie des Lesekanalmoduls in HDD-Systemen.

2010 wurde NPML in IBMs Linear Tape Open (LTO) -Bandlaufwerksprodukte und 2011 in IBMs Bandlaufwerke der Enterprise-Klasse eingeführt.

Siehe auch

• Maximale Wahrscheinlichkeit
• Teilantwort-Maximalwahrscheinlichkeit
• Viterbi-Algorithmus

Verweise