LMMSE、MMSE、IRC 與 Regularization：從估測到等化¶

狀態：已發布
理解確認：Kent 已於 2026-08-15 明確確認理解核心概念
內容核准：Kent 已於 2026-08-15 核准本文發布

這篇文章要回答什麼？¶

在 L1 接收機裡，「MMSE」常同時出現在 channel estimation、equalization 與 interference rejection。名稱相似，但估測對象、使用的統計資訊與工程限制並不相同。

本文依序釐清：

LMMSE 與 exact MMSE 的核心差異。
LMMSE channel estimation 與 LMMSE equalization 為何是兩個問題。
IRC 為什麼使用 interference covariance 的反矩陣。
Desired signal 與 interference 何時能在空間上分離。
Channel estimate 不可靠時，regularization 如何避免 error amplification。

一、LMMSE 與 exact MMSE¶

Exact MMSE¶

給定觀測 \(y\)，想估計 \(x\)：

\[ \hat{x}_{\mathrm{MMSE}}=\mathbb{E}[x\mid y] \]

Exact MMSE 在所有可能的估測函數中尋找最小 MSE。估測器可以是線性或非線性，並使用完整的：

\[ \text{Prior: }p(x),\qquad \text{Likelihood: }p(y\mid x),\qquad \text{Posterior: }p(x\mid y) \]

LMMSE¶

LMMSE 把估測器限制為線性／仿射形式：

\[ \hat{x}=Wy+b \]

一般形式：

\[ \hat{x}_{\mathrm{LMMSE}} =\mu_x+C_{xy}C_{yy}^{-1}(y-\mu_y) \]

零均值時：

\[ \hat{x}_{\mathrm{LMMSE}}=C_{xy}C_{yy}^{-1}y \]

它只需要一、二階統計量：

Mean
Covariance
Cross-covariance

兩者何時相同？¶

若 \(x\) 與 \(y\) jointly Gaussian，conditional mean 本身就是仿射函數，因此：

\[ \hat{x}_{\mathrm{MMSE}}=\hat{x}_{\mathrm{LMMSE}} \]

如果變數不是 Gaussian，例如 QPSK symbol、sparse channel 或 mixture model，exact MMSE 可以利用完整分布產生非線性估測；LMMSE 則仍只看一、二階統計量。

相同 covariance 的兩種 Channel¶

假設 Gaussian channel 與 sparse non-Gaussian channel 有相同：

\[ \mu_h,\qquad R_{hh},\qquad R_{nn},\qquad X_p \]

則 LMMSE estimator 相同，因為公式只看這些統計量。

Exact MMSE 不保證相同，因為完整的 \(p(h)\) 不同；但特殊情況下 conditional mean 仍可能碰巧相同，因此較嚴謹的說法是「通常不同，而非必然不同」。

二、LMMSE Channel Estimation¶

Pilot observation：

\[ y_p=X_ph+n_p \]

零均值 LMMSE channel estimate：

\[ \hat{h}_{\mathrm{LMMSE}} =R_{hh}X_p^H \left(X_pR_{hh}X_p^H+R_{nn}\right)^{-1}y_p \]

其中：

h_est：估計出的 channel
Rhh：  channel covariance
Rnn：  pilot noise／interference covariance
Xp：   已知 pilot matrix
Xpᴴ：  Xp 的 Hermitian transpose

Delay spread、Doppler、frequency correlation 與 spatial correlation 通常透過 \(R_{hh}\) 進入 estimator。LMMSE 並不是事先知道這次真實 channel，而是利用 channel 的統計結構和本次 pilot observation 估計 channel realization。

三、Channel Estimation 與 Equalization 是兩個問題¶

Channel estimation：

pilot observation
→ h_est

Data equalization：

\[ y_d=Hx+v \]

使用 \(\hat{H}\) 計算 equalizer：

\[ \hat{x}=Wy_d \]

所以：

H 使用 LMMSE 估出來

不代表：

x 必須使用 LMMSE equalizer

Equalizer 仍可選擇 ZF、LMMSE、IRC、SIC 或非線性 detector。

四、LMMSE Equalizer¶

一般線性 MMSE weight：

\[ W=R_x\hat{H}^H \left(\hat{H}R_x\hat{H}^H+R_v\right)^{-1} \]

等價形式：

\[ W= \left(\hat{H}^HR_v^{-1}\hat{H}+R_x^{-1}\right)^{-1} \hat{H}^HR_v^{-1} \]

若：

\[ R_x=I \]

則：

\[ W= \left(\hat{H}^HR_v^{-1}\hat{H}+I\right)^{-1} \hat{H}^HR_v^{-1} \]

工程文件裡的「MMSE equalizer」通常實際指 linear MMSE equalizer，而不是直接計算完整的 \(\mathbb{E}[x\mid y]\)。

五、IRC 為什麼使用 inverse(Rv)¶

令 \(R_v\) 為 noise＋interference covariance：

\[ R_v=R_{\mathrm{interference}}+R_{\mathrm{noise}} \]

如果某個空間方向干擾很強，該方向在 \(R_v\) 中有較大的 eigenvalue；經過 \(R_v^{-1}\) 後，對應權重變小。

對角範例¶

\[ R_v=\begin{bmatrix}100&0\\0&1\end{bmatrix}, \qquad R_v^{-1}=\begin{bmatrix}0.01&0\\0&1\end{bmatrix} \]

因此：

方向 1：強干擾 → 權重 0.01 → 大幅壓低
方向 2：弱干擾 → 權重 1    → 保留較多

直接乘 \(R_v\) 反而會放大強干擾方向，與 interference rejection 的目的相反。

六、Off-diagonal 代表相關干擾¶

假設：

\[ R_v=\begin{bmatrix}10&9\\9&10\end{bmatrix} \]

兩支 antenna 的個別干擾功率相同，但 off-diagonal 很大，代表干擾高度相關。

反矩陣：

\[ R_v^{-1}=\frac{1}{19} \begin{bmatrix}10&-9\\-9&10\end{bmatrix} \]

主要空間方向：

\[ u_{\mathrm{common}}=\begin{bmatrix}1\\1\end{bmatrix}, \quad \lambda_{\mathrm{common}}=19 \]

\[ u_{\mathrm{diff}}=\begin{bmatrix}1\\-1\end{bmatrix}, \quad \lambda_{\mathrm{diff}}=1 \]

經過 inverse 後：

\[ w_{\mathrm{common}}=\frac{1}{19}, \qquad w_{\mathrm{diff}}=1 \]

IRC 因此不是簡單地降低某支 antenna，而是壓低高干擾的 spatial eigen-direction。

七、Pre-whitening 觀點¶

若：

\[ R_v=LL^H \]

先做 whitening：

\[ y_{\mathrm{white}}=L^{-1}y, \qquad H_{\mathrm{white}}=L^{-1}H \]

則 whitened interference covariance 為 identity matrix。接著對 \(H_{\mathrm{white}}\) 做一般 LMMSE equalization，展開後就會得到：

\[ H^HR_v^{-1}H \]

實作不一定真的建立完整 inverse matrix，通常可使用：

Cholesky solve
LDLᴴ decomposition
QR decomposition
Matrix inversion lemma
Iterative solver

八、IRC 的空間可分離限制¶

若 desired 與 interference 的 spatial signatures 完全相同：

\[ h_{\mathrm{desired}}= h_{\mathrm{interference}}= \begin{bmatrix}1\\1\end{bmatrix} \]

任何壓低 interference 的 linear projection 都會一起壓低 desired signal。這不是 IRC 演算法不夠好，而是接收觀測缺乏可分離性。

IRC 有效的前提是 desired 與 interference 在接收空間具有足夠差異。

九、Channel Estimation Error 與 Regularization¶

實際 channel：

\[ H_{\mathrm{true}}=\hat{H}+\Delta H \]

接收訊號：

\[ y=H_{\mathrm{true}}x+v =\hat{H}x+\Delta Hx+v \]

\(\Delta Hx\) 可視為額外的 effective interference，因此：

\[ R_{\mathrm{effective}} =R_{\mathrm{noise+interference}} +\mathbb{E}\!\left[\Delta H R_x\Delta H^H\right] \]

ZF 的風險¶

Scalar ZF：

\[ \hat{x}_{\mathrm{ZF}}=\frac{y}{\hat{h}} \]

當 \(|\hat{h}|\) 很小，\(|1/\hat{h}|\) 很大，會同時放大：

Noise
Interference
Channel estimation error

MIMO 中對應的是 \(\hat{H}\) 有很小的 singular value；ZF 反轉該方向後會產生很大的 combining weight。

Regularization¶

Scalar LMMSE：

\[ w_{\mathrm{LMMSE}} =\frac{\hat{h}^{*}}{|\hat{h}|^2+\lambda} \]

MIMO：

\[ W=\left(\hat{H}^H\hat{H}+\lambda I\right)^{-1}\hat{H}^H \]

當 channel uncertainty 增加，應提高 effective covariance／regularization，使 equalizer 不要過度相信 H_est。

這是 bias–variance trade-off：允許一些 bias，換取較低的 noise、interference 與 estimation-error amplification。

十、常見誤解¶

誤解一：LMMSE 是假設 Channel，MMSE 是先知道真實 Channel¶

修正：LMMSE 使用一、二階統計量；exact MMSE 使用完整 posterior。若已知道真實 channel，就不需要 channel estimation。

誤解二：Channel 用 LMMSE 估測，Data 就一定要用 LMMSE Equalizer¶

修正：Channel estimation 與 symbol equalization 是兩個不同 estimator，可使用不同方法。

誤解三：IRC 直接乘上 Rv¶

修正：IRC 使用 \(R_v^{-1}\) 或等價 whitening／linear solve，目的是降低高干擾空間方向的權重。

誤解四：IRC 能消除所有干擾¶

修正：只有在 desired 與 interference 的 spatial signatures 足夠可分離時，空間抑制才有效。

誤解五：H_est 不可靠時更應該使用 ZF 完全反轉¶

修正：不可靠或接近 singular 的 \(\hat{H}\) 會使 ZF 放大 error；應增加 regularization。

理解確認紀錄¶

Kent 已能以自己的話說明：

LMMSE 使用線性估測；exact MMSE 需要完整機率分布。
IRC 利用 interference covariance 區分並壓低高干擾空間方向。
Desired 與 interference 空間方向相同時無法無損分離。
\(\hat{H}\) 太小或 singular value 太小時，ZF 會放大估值誤差與雜訊。
Regularization 可限制不可靠方向的 equalizer gain。

來源說明¶

本稿源自 Google Takeout 中的 LMMSE／MMSE 對話線索，並依 Kent 與夏洛特於 2026-08-15 的逐題討論重新建構。原始 Gemini 回答只作為問題來源；本文的觀念、公式與限制已在討論中重新釐清。