发表机构
Indian Institute of Technology Bombay（印度理工学院孟买分校）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出一种无需展开即可直接对折叠量化采样进行符号检测的马氏最大似然方法，利用卷绕向量稀疏性简化计算，在低比特率模数转换器场景下接近传统精度。
AI 中文摘要
模数折叠转换器通过限制采样信号在量化前的动态范围来降低功耗，但代价是需要一个展开步骤来恢复真实采样值，然后才能进行任何进一步处理。我们表明，对于符号检测，即使在现实中的过采样设置下（其中加性噪声存在于模运算之前，并在通过接收机前端滤波器后变得相关，且由于模数转换器还引入了单独的量化噪声），这个展开步骤也可以完全跳过。我们证明，由折叠的量化观测值和候选符号假设构成的特定残差，能够精确抵消折叠引入的未知整数卷绕，因此假设的似然性是在该残差处评估的折叠噪声密度。从这一精确似然（一个对所有整数卷绕向量的不可解格和）出发，我们证明，每当折叠阈值超过噪声标准差时，卷绕向量以高概率为三元且稀疏，因此在阈值噪声比达到三或以上时，该和可被单个高斯项很好地近似。由此产生的马氏最大似然检测器直接作用于折叠的量化采样值，而块结构搜索使得长符号序列的检测保持可处理性。仿真证实，在此范围内，我们的检测器在广泛的信噪比范围内紧密跟踪传统非折叠模数转换器的精度，而基于展开的基线方法需要大幅提高过采样率才能达到相当的精度。
英文摘要
Modulo-folding analog-to-digital converters (MF-ADCs) enable low-dynamic-range quantizers to sample high-amplitude signals without clipping. However, downstream processing traditionally relies on waveform unfolding algorithms, which require high oversampling rates and are highly sensitive to noise. For communication receivers, where the goal is symbol detection rather than signal reconstruction, unfolding is a redundant intermediate step. In this paper, we propose an unfolding-free maximum-likelihood symbol-detection framework for oversampled MF-ADCs in the presence of joint channel and quantization noise. By leveraging modulo wrap cancellation, we derive an exact, single-term Mahalanobis-distance metric that operates directly on folded observations. To handle long sequences, we introduce a parallelized block search algorithm that reduces computational complexity to scale linearly with sequence length. Simulations show our detector significantly outperforms existing unfolding baselines and approaches unclipped conventional ADC performance.
Comments9 pages
