Clipping Noise Estimation and Cancellation (CNEC)…. 27

接著,我們要討論另外一個在接收端消除 CN 的方法.此方法主要還是基於 遞迴的概念.但比較特別的,它將 CN 視為一種可以在接收端複製的雜訊.而不再 像 DAR 將它與 AWGN 視為同一種雜訊.根據這個想法,我們針對收到的信號作 決策,再仿效傳送端 Clipping 的程序,藉此在接收端估計 CN 並且將它從接收信 號中扣除.整個演算架構可以用圖 3.8 表示.特別注意的是,在接收端複製 CN 的 時候,必須注意 Clipping 的環境條件都必須與傳送端之 Clipping 相同.如此才能 正確估計 CN.

圖 3.8 應用於傳送端 Clipping 之 CNEC 流程圖

( )

經過接收端複製 Clipping 的動作後(以 A 為 Clipping Threshold ),我們可以得到 與 被切掉的部分在時域上的數學表示:

且兩者之差為:

Decision boundary

從以上討論得知,CNEC 的精神是利用再次的 Clipping 來複製 CN 並且將其 從接收訊號中扣除.而對於決策錯誤的訊號我們也利用上述推導說明即使在決 策不正確時,所估計出來的 CN 跟決策正確時所估計出的 CN 有著極高的相關 性.而跟 DAR 最大不同之處在於,CNEC 考慮了星狀圖的因素,使得每一次的遞 迴不會使得訊號星狀圖改變,最主要是因為在 CNEC 中,我們所估計的 CN 是一 個隨機的雜訊.這也說明了 CNEC 的補償效果會優於 DAR ,尤其在 CR 值較低 的時候此現象會愈加明顯.此外,在複製 CN 時必須要特別注意重製的環境必須 與先前 Clipping 的環境相同,如此所複製出的 CN 才會是我們所需要的,也才能 夠真正達到扣除 CN 之目的.

3.2.4 同時於傳送端與接收端消除 Clipping Noise

由前面的討論,我們知道傳送端可以利用超頻取樣以及一個低通濾波器達 到減少 CN 的效果;而接收端則是可以透過 DAR 或是 CNEC 來消除 CN 對系統 的影響.在此,我們想知道,兩端是否可以同時進行來達到效果的改善.由於 DAR 與 CNEC 兩者在消除 CN 的過程皆利用決策迴受(Decision Feedback)的機制, 因此若產生的 CN 大過某個程度後造成第一次的決策錯誤率相當高,如此便會 發生不論經過幾次遞迴都無法改善系統的表現.但如果加入傳送端消除 CN 的 機制後,我們期待在同樣的遞迴次數下,降低傳送端可以忍受的最低 CR.如此便 可以更加節省傳送端 PA 所需消耗之功率.

我們以 CNEC 為例解釋如何搭配傳送端使用超頻取樣的機制來達到我們 所希望的效果.回顧 CNEC 的演算過程,我們發現對於傳送端使用超頻取樣時, 我們在接收端只要同樣加入超頻取樣的機制(圖 3.12)就可以正確估計出我們

需要的 CN.而且也因為 CN 在傳送端時就已經被降低若干,因此我們可以用較 少的遞迴次數來達到同樣的效果.或者更進一步的我們可以將 CNEC 所能忍受 的最低 CR 降低,以達到減少傳送端所需消耗之功率.

圖 3.12 CNEC 配合傳送端實施超頻取樣後作的修正