En aquesta tesi s'estudia el problema d'estimació cega de segon ordre en comunicacions digitals. En aquest camp, els símbols transmesos esdevenen paràmetres no desitjats (nuisance parameters) d'estadística no gaussiana que degraden les prestacions de l'estimador. En aquest context, l'estimador de màxima versemblança (ML) és normalment desconegut excepte si la relació senyal-soroll (SNR) és prou baixa. En aquest cas particular, l'estimador ML és una funció quadràtica del vector de dades rebudes o, equivalentment, una transformació lineal de la matriu de covariància mostral. Aquesta característica es compartida per altres estimadors importants basats en el principi de màxima versemblança com ara l'estimador ML gaussià (GML) i l'estimador ML condicional (CML). Així mateix, l'estimador MUSIC, i altres mètodes de subespai relacionats amb ell, es basen en la diagonalització de la matriu de covariància mostral. En aquest marc, l'aportació principal d'aquesta tesi és la deducció i avaluació de l'estimador òptim de segon ordre per qualsevol SNR i qualsevol distribució dels nuisance parameters.
El disseny d'estimadors quadràtics en llaç obert i llaç tancat s'ha plantejat de forma unificada. Pel que fa als estimadors en llaç obert, s'han derivat els estimadors de mínim error quadràtic mig i mínima variància considerant que els paràmetres d'interès són variables aleatòries amb una distribució estadística coneguda a priori però, altrament, arbitrària. A partir d'aquest plantejament Bayesià, els estimadors en llaç tancat es poden obtenir suposant que la distribució a priori dels paràmetres és altament informativa. En aquest model de petit error, el millor estimador quadràtic no esbiaixat, anomenat BQUE, s'ha formulat sense convenir cap estadística particular pels nuisance parameters. Afegit a això, l'anàlisi de l'estimador BQUE ha permès calcular quina és la fita inferior que no pot millorar cap estimador cec que utilitzi la matriu de covariància mostral.
Probablement, el resultat principal de la tesi és la demostració de què els estimadors quadràtics són capaços d'utilitzar la informació estadística de quart ordre dels nuisance parameters. Més en concret, s'ha demostrat que tota la informació no gaussiana de les dades que els mètodes de segon ordre són capaços d'aprofitar apareix reflectida en els cumulants de quart ordre dels nuisance parameters. De fet, aquesta informació de quart ordre esdevé rellevant si el mòdul dels nuisance parameters és constant i la SNR és moderada o alta. En aquestes condicions, es demostra que la suposició gaussiana dels nuisance parameters dóna lloc a estimadors quadràtics no eficients.
Un altre resultat original que es presenta en aquesta memòria és la deducció del filtre de Kalman estès de segon ordre, anomenat QEKF. L'estudi del QEKF assenyala que els algoritmes de seguiment (trackers) de segon ordre poden millorar simultàniament les seves prestacions d'adquisició i seguiment si la informació estadística de quart ordre dels nuisance parameters es té en compte. Una vegada més, aquesta millora és significativa si els nuisance parameters tenen mòdul constant i la SNR és prou alta.
Finalment, la teoria dels estimadors quadràtics plantejada s'ha aplicat en alguns problemes d'estimació clàssics en l'àmbit de les comunicacions digitals com ara la sincronització digital no assistida per dades, el problema de l'estimació del temps d'arribada en entorns amb propagació multicamí, la identificació cega de la resposta impulsional del canal i, per últim, l'estimació de l'angle d'arribada en sistemes de comunicacions mòbils amb múltiples antenes. Per cadascuna d'aquestes aplicacions, s'ha realitzat un anàlisi intensiu, tant numèric com asimptòtic, de les prestacions que es poden aconseguir amb mètodes d'estimació de segon ordre.
This thesis deals with the problem of blind second-order estimation in digital communications. In this field, the transmitted symbols appear as non-Gaussian nuisance parameters degrading the estimator performance. In this context, the Maximum Likelihood (ML) estimator is generally unknown unless the signal-to-noise (SNR) is very low. In this particular case, if the SNR is asymptotically low, the ML solution is quadratic in the received data or, equivalently, linear in the sample covariance matrix. This significant feature is shared by other important ML-based estimators such as, for example, the Gaussian and Conditional ML estimators. Likewise, MUSIC and other related subspace methods are based on the eigendecomposition of the sample covariance matrix. From this background, the main contribution of this thesis is the deduction and evaluation of the optimal second-order parameter estimator for any SNR and any distribution of the nuisance parameters.
A unified framework is provided for the design of open- and closed-loop second-order estimators. In the first case, the minimum mean square error and minimum variance second-order estimators are deduced considering that the wanted parameters are random variables of known but arbitrary prior distribution. From this Bayesian approach, closed-loop estimators are derived by imposing an asymptotically informative prior. In this small-error scenario, the best quadratic unbiased estimator (BQUE) is obtained without adopting any assumption about the statistics of the nuisance parameters. In addition, the BQUE analysis yields the lower bound on the performance of any blind estimator based on the sample covariance matrix.
Probably, the main result in this thesis is the proof that quadratic estimators are able to exploit the fourth-order statistical information about the nuisance parameters. Specifically, the nuisance parameters fourth-order cumulants are shown to provide all the non-Gaussian information that is utilizable for second-order estimation. This fourth-order information becomes relevant in case of constant modulus nuisance parameters and medium-to-high SNRs. In this situation, the Gaussian assumption is proved to yield inefficient second-order estimates.
Another original result in this thesis is the deduction of the quadratic extended Kalman filter (QEKF). The QEKF study concludes that second-order trackers can improve simultaneously the acquisition and steady-state performance if the fourth-order statistical information about the nuisance parameters is taken into account. Once again, this improvement is significant in case of constant modulus nuisance parameters and medium-to-high SNRs.
Finally, the proposed second-order estimation theory is applied to some classical estimation problems in the field of digital communications such as non-data-aided digital synchronization, the related problem of time-of-arrival estimation in multipath channels, blind channel impulse response identification, and direction-of-arrival estimation in mobile multi-antenna communication systems. In these applications, an intensive asymptotic and numerical analysis is carried out in order to evaluate the ultimate limits of second-order estimation.
