La máxima verosimilitud predictiva de ruido (NPML) es una clase de métodos de procesamiento de señales digitales adecuados para sistemas de almacenamiento de datos magnéticos que operan a altas densidades de grabación lineal . Se utiliza para recuperar datos grabados en soportes magnéticos.
Los datos son leídos por el cabezal de lectura, produciendo una señal analógica débil y ruidosa . NPML tiene como objetivo minimizar la influencia del ruido en el proceso de detección. Aplicado con éxito, permite registrar datos en densidades de área más altas . Las alternativas incluyen detección de picos, detección de máxima verosimilitud de respuesta parcial (PRML) y detección de máxima verosimilitud de respuesta parcial extendida (EPRML). [1]
Aunque los avances en la cabeza y las tecnologías de los medios de comunicación han sido históricamente las fuerzas impulsoras detrás de los aumentos en la densidad de grabación areal, [ citación necesaria ] procesamiento de señal digital y de codificación establecido a sí mismos como técnicas rentables para permitir aumentos adicionales en la densidad areal preservando al mismo tiempo la fiabilidad. [1] En consecuencia, el despliegue de esquemas de detección sofisticados basados en el concepto de predicción de ruido es de suma importancia en la industria de las unidades de disco.
Principios
La familia NPML de detectores de datos de estimación de secuencia surge al incorporar un proceso de predicción / blanqueamiento de ruido [2] [3] [4] en el cálculo de métricas de rama del algoritmo de Viterbi . Esta última es una técnica de detección de datos para canales de comunicación que exhiben interferencia entre símbolos (ISI) con memoria finita.
El funcionamiento confiable del proceso se logra mediante el uso de decisiones hipotéticas asociadas con las ramas del enrejado en el que opera el algoritmo de Viterbi, así como decisiones tentativas correspondientes a la memoria de la ruta asociada con cada estado del enrejado. Por tanto, los detectores NPML pueden verse como detectores de estimación de secuencia de estado reducido que ofrecen una gama de complejidades de implementación. La complejidad se rige por el número de estados del detector, que es igual a, , con que denota el número máximo de términos ISI controlados introducidos por la combinación de un ecualizador de conformación de respuesta parcial y el predictor de ruido. Al elegir juiciosamente, se pueden diseñar detectores NPML prácticos que mejoren el rendimiento sobre los detectores PRML y EPRML en términos de tasa de error y / o densidad de grabación lineal. [2] [3] [4]
En ausencia de mejora de ruido o correlación de ruido, el detector de secuencia PRML realiza una estimación de secuencia de máxima verosimilitud. A medida que el punto de operación se mueve a densidades de grabación lineales más altas, la optimización disminuye con la ecualización de respuesta parcial lineal (PR), que mejora el ruido y lo hace correlacionado. Una coincidencia cercana entre el polinomio objetivo deseado y el canal físico puede minimizar las pérdidas. Una forma eficaz de lograr un rendimiento casi óptimo independientemente del punto de funcionamiento (en términos de densidad de grabación lineal) y las condiciones de ruido es mediante la predicción de ruido. En particular, el poder de una secuencia de ruido estacionaria, donde el El operador corresponde a un retardo de un intervalo de bit, a la salida de un ecualizador PR se puede minimizar mediante el uso de un predictor infinitamente largo. Un predictor lineal con coeficientes,…, Operando en la secuencia de ruido produce la secuencia de ruido estimada . Entonces, la secuencia de error de predicción dada por
es de color blanco con mínima potencia. El predictor óptimo
...
o el filtro blanqueador de ruido óptimo
,
es el que minimiza la secuencia de error de predicción en sentido cuadrático medio [2] [3] [4] [5] [6]
Un filtro predictor infinitamente largo conduciría a una estructura de detector de secuencia que requiere un número ilimitado de estados. Por lo tanto, son de interés los predictores de longitud finita que hacen que el ruido en la entrada del detector de secuencia sea aproximadamente blanco.
Polinomios de conformación de PR generalizados de la forma
,
dónde es un polinomio de orden S y el filtro blanqueador de ruido tiene un orden finito de , dan lugar a sistemas NPML cuando se combinan con detección de secuencia [2] [3] [4] [5] [6] En este caso, la memoria efectiva del sistema se limita a
,
requiriendo un -Detector NPML de estado si no se emplea detección de estado reducido.
Como ejemplo, si
entonces esto corresponde a la configuración clásica de la señal PR4. Usar un filtro blanqueador, el objetivo de relaciones públicas generalizadas se convierte en
,
y la memoria ISI efectiva del sistema se limita a
símbolos. En este caso, el detector NMPL de estado completo realiza una estimación de secuencia de máxima verosimilitud (MLSE) utilizando el-estado enrejado correspondiente a .
El detector NPML se implementa de manera eficiente mediante el algoritmo de Viterbi, que calcula de forma recursiva la secuencia de datos estimada. [2] [3] [4] [5] [6]
dónde denota la secuencia binaria de bits de datos grabados yz (D) la secuencia de señal en la salida del filtro de blanqueamiento de ruido.
Se han estudiado los esquemas de detección de secuencia de estado reducido [7] [8] [9] para su aplicación en el canal de grabación magnética [2] [4] y las referencias en el mismo. Por ejemplo, los detectores NPML con polinomios objetivo PR generalizados
puede verse como una familia de detectores de estado reducido con retroalimentación incorporada. Estos detectores existen en una forma en la que la ruta de retroalimentación de decisiones se puede realizar mediante operaciones simples de búsqueda de tablas, por lo que el contenido de estas tablas se puede actualizar en función de las condiciones de funcionamiento. [2] Los estudios analíticos y experimentales han demostrado que un equilibrio sensato entre el rendimiento y la complejidad del estado conduce a esquemas prácticos con considerables ganancias de rendimiento. Por lo tanto, los enfoques de estado reducido son prometedores para aumentar la densidad lineal.
Dependiendo de la rugosidad de la superficie y el tamaño de las partículas, los medios particulados pueden presentar una transición dependiente de los datos no estacionarios o un ruido medio en lugar de un ruido medio estacionario de color. Las mejoras en la calidad del cabezal de lectura, así como la incorporación de preamplificadores de bajo ruido, pueden hacer que el ruido del medio dependiente de los datos sea un componente significativo del ruido total que afecta al rendimiento. Debido a que el ruido medio está correlacionado y depende de los datos, la información sobre el ruido y los patrones de datos en muestras pasadas puede proporcionar información sobre el ruido en otras muestras. Por tanto, el concepto de predicción de ruido para fuentes estacionarias de ruido gaussiano desarrollado en [2] [6] puede extenderse naturalmente al caso en el que las características del ruido dependen en gran medida de los patrones de datos locales. [1] [10] [11] [12]
Al modelar el ruido dependiente de datos como un proceso de Markov de orden finito , se ha derivado el MLSE óptimo para canales con ISI. [11] En particular, cuando el ruido dependiente de los datos es condicionalmente Gauss-Markov, las métricas de rama se pueden calcular a partir de las estadísticas condicional de segundo orden del proceso de ruido. En otras palabras, el MLSE óptimo se puede implementar de manera eficiente utilizando el algoritmo de Viterbi, en el que el cálculo de la métrica de rama implica la predicción de ruido dependiente de los datos. [11] Debido a que los coeficientes de predicción y el error de predicción dependen del patrón de datos local, la estructura resultante se ha denominado detector NPML dependiente de datos. [1] [12] [13] Los esquemas de detección de secuencia de estado reducido se pueden aplicar a NPML dependiente de datos, lo que reduce la complejidad de implementación.
NPML y sus diversas formas representan el canal de lectura central y la tecnología de detección utilizada en los sistemas de grabación que emplean códigos avanzados de corrección de errores que se prestan a la decodificación suave, como los códigos de verificación de paridad de baja densidad (LDPC). Por ejemplo, si la detección predictiva de ruido se realiza junto con un algoritmo de detección máximo a posteriori (MAP) como el algoritmo BCJR [14] , la detección NPML y similar a NPML permite el cálculo de información de confiabilidad suave en símbolos de código individuales, mientras que conservando todas las ventajas de rendimiento asociadas con las técnicas de predicción de ruido. La información suave generada de esta manera se usa para la decodificación suave del código de corrección de errores. Además, la información suave calculada por el decodificador se puede retroalimentar al detector suave para mejorar el rendimiento de detección. De esta manera, es posible mejorar iterativamente el rendimiento de la tasa de error en la salida del decodificador en sucesivas rondas de detección / decodificación suave.
Historia
A partir de la década de 1980 , se introdujeron varias técnicas de codificación y procesamiento de señales digitales en las unidades de disco para mejorar el rendimiento de la tasa de error de la unidad para el funcionamiento a densidades de área más altas y para reducir los costos de fabricación y servicio. A principios de la década de 1990, la formación de señales de clase 4 de respuesta parcial [15] [16] [17] (PR4) junto con la detección de secuencia de máxima verosimilitud, eventualmente conocida como técnica PRML [15] [16] [17] reemplazó a la sistemas de detección de picos que utilizaban codificación limitada de longitud de ejecución (RLL) ( d, k ). Este desarrollo allanó el camino para futuras aplicaciones de codificación avanzada y técnicas de procesamiento de señales [1] en el almacenamiento de datos magnéticos.
La detección de NPML se describió por primera vez en 1996 [4] [18] y finalmente encontró una amplia aplicación en el diseño de canales de lectura de HDD. El concepto de "predicción de ruido" se amplió posteriormente para manejar procesos de ruido autorregresivo (AR) y procesos de ruido estacionario de media móvil autorregresiva (ARMA) [2] El concepto se amplió para incluir una variedad de fuentes de ruido no estacionarias, como la cabeza, jitter de transición y ruido de medios; [10] [11] [12] se aplicó a varios esquemas de posprocesamiento. [19] [20] [21] La predicción de ruido se convirtió en una parte integral del cálculo métrico en una amplia variedad de esquemas iterativos de detección / decodificación.
El trabajo de investigación pionero sobre detección de máxima verosimilitud de respuesta parcial (PRML) y de máxima verosimilitud predictiva de ruido (NPML) y su impacto en la industria fueron reconocidos en 2005 [22] por el Premio Tecnológico de la Fundación Europea Eduard Rhein. [23]
Aplicaciones
La tecnología NPML se introdujo por primera vez en la línea de productos HDD de IBM a fines de la década de 1990. [24] Con el tiempo, la detección predictiva de ruido se convirtió en un estándar de facto y en sus diversas instancias se convirtió en la tecnología central del módulo de canal de lectura en los sistemas HDD. [25] [26]
En 2010, NPML se introdujo en los productos de unidad de cinta Linear Tape Open (LTO) de IBM y en 2011 en las unidades de cinta de clase empresarial de IBM. [ cita requerida ]
Ver también
- Máxima verosimilitud
- Máxima probabilidad de respuesta parcial
- Algoritmo de Viterbi
Referencias
- ↑ a b c d e Eleftheriou, E. (2003). John G., Proakis (ed.). "Procesamiento de señales para canales de grabación magnética". Enciclopedia de telecomunicaciones de Wiley . John Wiley & Sons, Inc. 4 : 2247–2268.
- ^ a b c d e f g h yo Coker, JD; E. Eleftheriou; RL Galbraith; W. Hirt (1998). "Detección de máxima verosimilitud predictiva de ruido (NPML)". IEEE Trans. Magn . 34 (1): 110-117. Código bibliográfico : 1998ITM .... 34..110C . doi : 10.1109 / 20.663468 .
- ^ a b c d e Eleftheriou, E; W. Hirt (1996). "Mejora del rendimiento de PRML / EPRML mediante predicción de ruido". IEEE Trans. Magn . 32 parte 1 (5): 3968–3970. Código Bibliográfico : 1996ITM .... 32.3968E . doi : 10.1109 / 20.539233 .
- ^ a b c d e f g Eleftheriou, E .; W. Hirt (1996). "Detección de máxima verosimilitud predictiva de ruido (NPML) para el canal de grabación magnética". Proc. IEEE Int. Conf. Comun. : 556–560.
- ^ a b c Eleftheriou, E .; S. Ölçer; RA Hutchins (2010). "Detección de datos de máxima verosimilitud predictiva de ruido adaptativo (NPML) para sistemas de almacenamiento de cinta magnética". IBM J. Res. Dev . 54 (2, documento 7): 7: 1. doi : 10.1147 / JRD.2010.2041034 .
- ^ a b c d Chevillat, PR; E. Eleftheriou; D. Maiwald (1992). "Ecualizadores y aplicaciones de respuesta parcial predictiva de ruido". Proc. IEEE Int. Conf. Comun. : 942–947.
- ^ Eyuboglu, VM; SU Qureshi (1998). "Estimación de secuencia de estado reducido con partición de conjuntos y retroalimentación de decisión". IEEE Trans. Comun . 36 : 13-20. Código bibliográfico : 1988ITCom..36 ... 13E . doi : 10.1109 / 26.2724 .
- ^ Duell-Hallen, A .; C. Heegard (1989). "Estimación de la secuencia de retroalimentación de decisión retrasada". IEEE Trans. Comun . 37 (5): 428–436. Código bibliográfico : 1989ITCom..37..428D . doi : 10.1109 / 26.24594 .
- ^ Chevillat, PR; E. Eleftheriou (1989). "Decodificación de señales codificadas en Trellis en presencia de interferencia y ruido entre símbolos". IEEE Trans. Comun . 37 (7): 669–676. doi : 10.1109 / 26.31158 .
- ^ a b Caroselli, J .; SA Altekar; P. McEwen; JK Wolf (1997). "Detección mejorada para sistemas de grabación magnética con ruido de medios". IEEE Trans. Magn . 33 (5): 2779–2781. Código Bibliográfico : 1997ITM .... 33.2779C . doi : 10.1109 / 20.617728 .
- ^ a b c d Kavcic, A .; JMF Moura (2000). "El algoritmo de Viterbi y la memoria de ruido de Markov". IEEE Trans. Inf. Teoría . 46 : 291-301. doi : 10.1109 / 18.817531 .
- ^ a b c Moon, J .; J. Park (2001). "Predicción de ruido dependiente del patrón en ruido dependiente de la señal". IEEE J. Sel. Áreas Comun . 19 (4): 730–743. CiteSeerX 10.1.1.16.6310 . doi : 10.1109 / 49.920181 .
- ^ Caroselli, J .; SA Altekar; P. McEwen; JK Wolf (1997). "Detección mejorada para sistemas de grabación magnética con ruido de medios". IEEE Trans. Magn . 33 (5): 2779–2781. Código Bibliográfico : 1997ITM .... 33.2779C . doi : 10.1109 / 20.617728 .
- ^ Bahl, LR; J. Cocke; F. Jelinek; J. Raviv (1974). "Decodificación óptima de códigos lineales para minimizar la tasa de error de símbolo". IEEE Trans. Inf. Teoría . 20 (2): 284-287. doi : 10.1109 / TIT.1974.1055186 .
- ^ a b Kobayashi, H .; DT Tang (1970). "Aplicación de la codificación de canales de respuesta parcial a los sistemas de grabación magnética". IBM J. Res. Dev . 14 (4): 368–375. doi : 10.1147 / rd.144.0368 .
- ^ a b Kobayashi, H. (1971). "Aplicación de la decodificación probabilística a la grabación magnética digital". IBM J. Res. Dev . 15 : 65–74. doi : 10.1147 / rd.151.0064 .
- ^ a b Cideciyan, RD; F. Dolivo; R. Hermann; W. Hirt; W. Schott (1992). "Un sistema PRML para grabación magnética digital". IEEE J. Sel. Áreas Comun . 10 : 38–56. doi : 10.1109 / 49.124468 .
- ^ Eleftheriou, E .; W. Hirt (1996). "Mejora del rendimiento de PRML / EPRML mediante predicción de ruido". IEEE Trans. Magn . 32 parte 1 (5): 3968–3970. Código Bibliográfico : 1996ITM .... 32.3968E . doi : 10.1109 / 20.539233 .
- ^ Sonntag, JL; B. Vasic (2000). "Implementación y caracterización en banco de un canal de lectura con postprocesador de verificación de paridad". Resumen de la Conf. Grabación magnética. (TMRC) .
- ^ Cideciyan, RD; JD Coker; E. Eleftheriou; RL Galbraith (2001). "Detección NPML combinada con posprocesamiento basado en paridad". IEEE Trans. Magn . 37 (2): 714–720. Código bibliográfico : 2001ITM .... 37..714C . doi : 10.1109 / 20.917606 .
- ^ Feng, W .; A. Vityaev; G. Burd; N. Nazari (2000). Sobre el rendimiento de los códigos de paridad en los sistemas de registro magnético . Proc. IEEE Global Telecommun. Conf . 3 . págs. 1877–1881. doi : 10.1109 / GLOCOM.2000.891959 . ISBN 978-0-7803-6451-6.
- ^ "Copia archivada" . Archivado desde el original el 18 de julio de 2011 . Consultado el 26 de julio de 2012 .CS1 maint: copia archivada como título ( enlace )
- ^ "Eduard Rhein Stiftung" . www.eduard-rhein-stiftung.de . Consultado el 4 de julio de 2017 .
- ^ Popovich, Ken. "Hitachi para comprar el negocio de discos duros de IBM" . Revista de PC . Consultado el 5 de junio de 2002 .
- ^ Yoo, Daniel. "Marvell contribuye al registro de densidad de área de Read-Rite" . Marvell.
- ^ "Especificaciones del disco duro Samsung SV0802N" .