Detección de ruido predictivo probabilidad máxima (NPML)

Ir a: navegación, búsqueda de

Probabilidad máxima ruido predictivo (NPML) es un método avanzado de procesado de señal digital adecuado para sistemas de almacenamiento de datos magnético que operan en grabación lineal de alta densidad. Se utiliza para la recuperación fiable de datos registrados en el medio magnético.

Datos se leen como una señal analógica débil y ruidosa por la cabeza de lectura y NPML tiene como objetivo reducir al mínimo la influencia del ruido en el proceso de detección. Por lo tanto, permite grabar datos en densidades más altas que otros esquemas de detección, tales como detección de picos, Respuesta parcial máxima verosimilitud (PRML) y la detección extendida respuesta parcial máxima probabilidad (EPRML).[1]

Aunque los avances en tecnologías de la cabeza y los medios de comunicación han sido históricamente las fuerzas impulsoras detrás de los incrementos en la densidad de grabación areal, codificación y procesamiento digital de la señal se establecieron como costo-eficientes técnicas para habilitar adicionales considerables aumentos en la densidad areal conservando la alta confiabilidad de los sistemas de disco duro (HDD).[1] En consecuencia, el despliegue de sistemas sofisticados de detección basada en el concepto de predicción de ruido son de suma importancia en la industria del disco duro.

Contenido

  • 1 Principios
  • 2 Historia
  • 3 Aplicaciones
  • 4 Véase también
  • 5 Referencias

Principios

En general, NPML se refiere a una familia de detectores de datos de secuencia-estimación, que surgen por encajar un proceso de predicción/blanqueamiento ruido[2][3][4] en el cómputo métrico de rama del algoritmo de Viterbi, que es una técnica de detección de datos bien conocidos por los canales de comunicación que presentan interferencia de intersímbolo (ISI) con memoria finita.

Operación confiable del proceso de predicción/blanqueamiento en general se logra utilizando hipotéticas decisiones asociadas con las ramas de la Espaldera en el cual el Algoritmo de Viterbi Opera así como las decisiones provisionales correspondientes a la memoria de ruta asociada con cada estado enrejado. Los detectores de NPML por lo tanto pueden considerarse como una familia de detectores de estado reducido secuencia-estimación ofreciendo una gama de las complejidades de la aplicación. La complejidad se rige esencialmente por el número de Estados de detector, que equivale a 2K, 0 ≤ K ≤ M, con M denota el número máximo de controlados ISI términos introducidos por la combinación de un ecualizador que forma respuesta parcial y el predictor de ruido. Eligiendo juiciosamente el parámetro K, detectores de NPML prácticos pueden idear para el canal de grabación magnética que proporciona una mejora importante en el rendimiento sobre PRML y EPRML detectores en términos de tasa de error y/o densidad de grabación lineal[2][3][4]

Suponiendo que no hay mejora ruido ni correlación de ruido, la PRML detector de secuencia realiza la estimación de la probabilidad máxima de secuencia. Pero, como el punto de operación se mueve a mayores densidades de grabación lineal, esta hipótesis ya no se sostiene y hay una pérdida de optimalidad asociado con lineal de respuesta parcial (PR) la igualación, que realza el ruido y hace que sea correlacionado. Claramente, un partido muy estrecho entre el polinomio del destino deseado y el canal físico garantizará que esta pérdida es mínima. Una forma eficaz de alcanzar cerca de óptimo rendimiento independientemente del punto de funcionamiento — en términos de densidad de grabación lineal — y las condiciones de ruido es a través de predicción de ruido. En particular, el poder de una secuencia de ruido estacionario n(D), donde el D operador corresponde a un retraso de poco un intervalo, a la salida de un PR ecualizador puede minimizarse mediante el uso de un predictor infinitamente largo. Un predictor lineal con coeficientes {}pl}, l = 1, 2,..., operando en la secuencia de ruido n(D) producirá el ruido Estimado secuencia ń (D). Luego, la secuencia de error de predicción dada por e(D) = n(D) -(ŃD) = n(D) (1- P(D)) es blanco con potencia mínima. El predictor óptimo P(D) = p1D + p2D2 +..., o el filtro de ruido-blanqueamiento óptimo W(D) = 1 - P(D), es el que minimiza la secuencia de error de predicción e(D) en un sentido cuadrada media [2][3][4][5][6]

Un filtro predictor infinitamente largo conduciría a una estructura de detector de secuencia que requiere una cantidad ilimitada de Estados. Por lo tanto, predictores de longitud finita que hacen el ruido en la entrada del detector de secuencia aproximadamente blanco son de interés. PR generalizada que forma los polinomios de la forma G(D) = F(D) × W(D), donde F(D) es un polinomio de orden S y el filtro de ruido-blanqueamiento W(D) tiene un orden finito de L, dan lugar a sistemas de NPML cuando se combina con la detección de la secuencia[2][3][4][5][6] En este caso, la memoria efectiva del sistema se limita a M = L + S, que requieren un 2L + S-detector de NPML de estado si no se emplea detección de estado reducido.

a diagram of a Magnetic-recording system with NPML detection

Por ejemplo, si F(D) = 1 - D2 Entonces esto corresponde a la clásica forma de señal PR4. Usando un filtro de blanqueamiento W(D), se convierte en el objetivo generalizado de PR G(D) = (1 - D2) × W(D), y se limita a la memoria ISI efectiva del sistema M = L + 2 símbolos. En este caso, realiza el detector NMPL completo-estado estimación de máxima verosimilitud secuencia (MLSE) usando los 2L + 2-estado enrejado correspondiente a G(D).

El detector NPML eficientemente se implementa mediante el algoritmo de Viterbi, que recurrentemente calcula la secuencia de datos estimados [2][3][4][5][6]

â(D) = arg mina(D) ǁz(D) - a(D)G(D)ǁ2, donde a(D) denota la secuencia binaria de bits de los datos registrados y z(D) la secuencia de la señal en la salida del filtro de ruido que blanquea W(D).

Esquemas de detección secuencia reducida-estado[7][8][9] también se han estudiado extensamente para su aplicación en el canal de grabación magnética [2][4] y las referencias en el mismo. Por ejemplo, se puede fácilmente ver que los detectores de NPML con PR generalizada apunten polinomios G(D) = F(D) × W(D) puede verse como una familia de detectores de estado reducido con retroalimentación incrustado. Estos detectores también existen en una forma en la que la ruta de decisión-realimentación puede ser realizada por las operaciones de búsqueda simple mesa, por el que se puede actualizar el contenido de estas tablas en función de las condiciones de funcionamiento.[2] Estudios analíticos y experimentales han demostrado que un juicioso equilibrio entre rendimiento y complejidad del estado conduce a la prácticas planes con prestaciones considerables ganancias. Así, estado reducido enfoques son prometedores para aumentar la densidad lineal aún más.

Dependiendo de la rugosidad de la superficie y tamaño de las partículas, partículas medios pudieron exhibir estacionarios transición dependen de los datos o ruido medio en lugar de color ruido medio inmóvil. Mejoras en la calidad de la cabeza de lectura, así como la incorporación de preamplificadores de bajo nivel de ruido pueden representar el ruido medio dependen de los datos un componente significativo del ruido total que afectan el rendimiento del sistema de grabación magnética. Porque ruido medio está correlacionada y dependen de los datos, la información sobre el ruido y los patrones de datos en muestras anteriores pueden proporcionar información sobre el ruido en la muestra actual. Así, se convirtió en el concepto de predicción de ruido para fuentes fijas de ruido gaussiano [2][6] Naturalmente puede extenderse al caso donde las características de ruido dependen altamente de los patrones de datos locales[1][10][11][12] Modelando el ruido dependen de los datos como un proceso de Markov de orden finito, el óptimo MLSE para canales con ISI se ha derivado en [11] En particular, se ha demostrado que cuando el ruido dependen de los datos es condicional Gauss-Markov, se pueden computar los parámetros de la rama de la estadística de segundo orden condicional del proceso de ruido. En otras palabras, el óptimo MLSE puede implementarse eficientemente mediante el algoritmo de Viterbi, en los que el cómputo de rama-métrico implica predicción de ruido dependen de los datos [11] Porque los coeficientes de predictor y error de predicción que ambos dependen del patrón de datos locales, la estructura resultante se ha llamado detector de NPML dependen de los datos [1][12][13] Los esquemas de detección reducido estado secuencia mencionados en relación con la detección de NPML también pueden aplicarse a NPML dependen de los datos, proporcionando una reducción significativa de la complejidad de implementación.

Finalmente, NPML y sus diversas formas también representan la tecnología de detección y lectura-canal de núcleo utilizada en sistemas que emplean avanzados códigos de corrección de errores que se prestan a descifrar suaves, tales como la grabación comprobación de paridad de baja densidad Códigos (LDPC). Por ejemplo, si la detección de ruido predictivo se realiza conjuntamente con una máximo a posteriori Algoritmo de detección (mapa) tales como la BCJR algoritmo[14] Entonces NPML y NPML-como detección permiten el cómputo de información fiabilidad suave de símbolos de código individual, mientras conservando todas las ventajas de rendimiento asociado a técnicas predictivas de ruido. La suave información generada de esta manera se utiliza para descifrar suave del código de corrección de errores. Además, se puede alimentar la información suave calculada por el decodificador de volver otra vez el detector suave para mejorar el rendimiento de detección. De esta manera es posible iterativamente mejorar el rendimiento de la tasa de error en la salida del decodificador en rondas sucesivas suave detección y descodificación.

Historia

En las últimas tres décadas, varios digital procesamiento de señales y técnicas de codificación fueron introducidos en las unidades de disco duro para mejorar el rendimiento de tasa de error de disco para operación en siempre más altas densidades tan bien en cuanto a la reducción de la producción y los costos de mantenimiento. En la década de 1990, respuesta parcial clase-4[15][16][17] (PR4) señal formar conjuntamente con detección de probabilidad máxima secuencia, eventualmente conocida como PRML técnica [15][16][17] reemplazar los sistemas de detección de pico que usa (run-longitud-limitada (RLL)d, k)-limitado de codificación. Este desarrollo también allanó el camino para futuras aplicaciones de codificación avanzada y técnicas de procesamiento de señales [1] en almacenamiento de datos magnético.

Detección de NPML fue descrita por primera vez en 1996 [4][18] y finalmente encontró amplia aplicación en el diseño de canal de lectura de los discos duros. El concepto de "ruido predictivos" se extendió posteriormente para manejar no sólo procesos autorregresivos (AR) ruido sino también procesos autorregresivos promedio móvil (ARMA) ruido estacionario [2] El concepto también se amplió para incluir una variedad de fuentes de ruido no estacionarios, tales como cabeza, ruido jitter y medios de comunicación de la transición;[10][11][12] se aplicó con gran éxito en el diseño de varios esquemas de post-procesamiento[19][20][21] para nuevas mejoras de las prestaciones de tasa de error. Predicción de ruido se utiliza hoy como parte integrante de los cómputos métricos en una amplia variedad de sistemas de detección/descifrar iterativo.

El trabajo pionero de investigación en probabilidad máxima respuesta parcial (PRML) y detección de ruido predictivo probabilidad máxima (NPML) y su impacto en la industria reconoció en 2005 por la prestigiosa Premio a la tecnología europea Eduard Rhein Foundation.

Aplicaciones

La tecnología NPML y sus variantes de menor complejidad fueron introducidos primero en línea de IBM de unidad de disco duro productos a finales de 1990, una empresa que fue adquirida por Hitachi Global Storage Technology[22] (HGST) en 2002. Finalmente, detección de ruido predictivo se convirtió en un estándar de facto y en sus diversas instancias se convirtió en la tecnología de base del módulo de canal leer en los sistemas de HDD.[23][24]

En 2010, NPML fue introducido en IBM Linear Tape Open (LTO) cinta drive productos y en 2011 también en unidades de cinta de clase empresarial de IBM.

Véase también

  • Máxima verosimilitud
  • Algoritmo de Viterbi
  • Respuesta parcial máxima verosimilitud

Referencias

  1. ^ a b c d e Eleftheriou, E. (2003). John G., Proakis, ed. "Procesamiento de señales para canales de grabación magnética". Wiley enciclopedia de telecomunicaciones (John Wiley & Sons, Inc.) 4:: 2247-2268.
  2. ^ a b c d e f g h i Coker, J. D.; E. Eleftheriou; R. L. Galbraith; W. Hirt (1998). "La detección del ruido predictivo de máxima verosimilitud (NPML)". Magn IEEE trans. 34:: 110-117. Bibcode:1998ITM...34..110 C. Doi:10.1109/20.663468.
  3. ^ a b c d e Eleftheriou, E; Hirt W. (1996). "Mejorar el rendimiento de PRML/EPRML a través de predicción de ruido". Magn IEEE trans.. 32 parte 1 (5): 3968-3970. Bibcode:1996ITM...32.3968E. Doi:10.1109/20.539233.
  4. ^ a b c d e f g Eleftheriou, E.; Hirt W. (1996). "Detección de ruido predictivo probabilidad máxima (NPML) para el canal de grabación magnética". Proc. IEEE INTL conf. En Commun.,:: 556 – 560.
  5. ^ a b c Eleftheriou, E.; S. Ölçer; R. A. Hutchins (2010). "Detección de datos adaptable ruido predictivo probabilidad máxima (NPML) para sistemas de almacenamiento de cinta magnética". Desarrollo de IBM J. res. 54 (papel de 2, 7): 7:1. Doi:10.1147/JRD.2010.2041034.
  6. ^ a b c d Chevillat, P.R.; E. Eleftheriou; D. Maiwald (1992). "Ruido predictivos de respuesta parcial ecualizadores y aplicaciones". Proc. IEEE INTL conf. En Commun.:: 942-947.
  7. ^ Eyuboglu, V. M.; Qureshi; S. U. Qureshi (1998). "Estimación de estado reducido secuencia con Set particionado y decisión retroalimentación". Commun IEEE trans. 36:: 13 – 20. Bibcode:1988ITCom...36... 13E. Doi:10.1109/26.2724.
  8. ^ DUELL-Hallen, A.; Heegard; C. Heegard (1989). "Retrasa decisión retroalimentación secuencia estimación". IEEE Trans Commun. 37 (5): 428 – 436. Bibcode:1989ITCom...37..428 D. Doi:10.1109/26.24594.
  9. ^ Chevillat, P. R.; Eleftheriou E. (1989). "Descodificación de señales codificadas enrejado en presencia de interferencia de intersímbolo y ruido". IEEE trans. Commun. 37 (7): 669 – 676. Doi:10.1109/26.31158.
  10. ^ a b Caroselli, J.; Altekar; McEwen; Lobo; S. Altekar A., P. McEwen y J. K. Wolf (1997). "Detección mejorada para los sistemas de grabación magnética con ruido mediático". IEEE trans. Magn. 33 (5): 2779-2781. Bibcode:1997ITM...33,2779 C. Doi:10.1109/20.617728.
  11. ^ a b c d Kavcic, A.; J. M. F. Moura (2000). El algoritmo de Viterbi y Markov ruido memoria. IEEE trans. informar. Teoría 46:: 291-301. Doi:10.1109/18.817531.
  12. ^ a b c Luna, J.; J. Parque (2001). "Predicción dependiente de patrón de ruido en dependiente de señal de ruido". IEEE J. SEL áreas Commun. 19 (4): 730 – 743. Doi:10.1109/49.920181.
  13. ^ Caroselli, J.; Altekar; McEwen; Lobo; S. Altekar A., P. McEwen y J. K. Wolf (1997). "Detección mejorada para los sistemas de grabación magnética con ruido mediático". Magn IEEE trans. 33 (5): 2779-2781. Bibcode:1997ITM...33,2779 C. Doi:10.1109/20.617728.
  14. ^ Bahl, R. L.; J. Cocke; F el. Jelinek; Raviv J. (1974). "" Óptimo"decodificación de códigos lineales para minimizar la tasa de Error de símbolo. IEEE. Trans. informar. Teoría 20 (2): 284-287. Doi:10.1109/TIT.1974.1055186.
  15. ^ a b Kobayashi, H.; D. T. Tang (1970). "Aplicación de codificación de canal de respuesta parcial a los sistemas de grabación magnética". Desarrollo de IBM J. res. 14 (4): 368 – 375. Doi:10.1147/Rd.144.0368.
  16. ^ a b Kobayashi, H. (1971). "Aplicación de decodificación probabilístico de grabación magnética Digital". Desarrollo de IBM J. res. 15:: 65 – 74. Doi:10.1147/Rd.151.0064.
  17. ^ a b Cideciyan, R. D.; F el. Dolivo; R. Hermann; Hirt W.; W. Schott (1992). "Un sistema PRML de grabación magnética Digital". IEEE J. SEL áreas Commun. 10:: 38 – 56. Doi:10.1109/49.124468.
  18. ^ Eleftheriou, E.; Hirt W. (1996). "Mejorar el rendimiento de PRML/EPRML a través de predicción de ruido". Magn IEEE trans.. 32 parte 1 (5): 3968-3970. Bibcode:1996ITM...32.3968E. Doi:10.1109/20.539233.
  19. ^ Sonntag, J. L.; B. Vasic (2000). "Implementación y caracterización Banco de un canal de lectura con paridad verificación postprocesador". Resumen de la Conferencia de grabación magnética (TMRC).
  20. ^ Cideciyan, R. D.; J. D. Coker; E. Eleftheriou; R. L. Galbraith (2001). "Detección de NPML combinada con Postprocessing basado en la paridad". Magn IEEE trans. 37 (2): 714 – 720. Bibcode:2001ITM...37..714 C. Doi:10.1109/20.917606.
  21. ^ Feng, w el.; A. Vityaev; G. Burd; N. Nazari (2000). "En la interpretación de los códigos de paridad en los sistemas de grabación magnética". Proc. IEEE defensa Global. Conf.:: 1877-1881.
  22. ^ Popovich, Ken. "Hitachi para comprar negocios de IBM disco duro". PC Magazine. 5 de junio, 2002.
  23. ^ Yoo, Daniel. "Marvell contribuye a densidad récord Read-Rite". Marvell. 3 de agosto, 1999.
  24. ^ "Samsung SV0802N especificaciones de unidad de disco duro".

Otras Páginas

Obtenido de"https://en.copro.org/w/index.php?title=Noise-Predictive_Maximum-likelihood _ (NPML) _Detection & oldid = 617573423"