Digitalsignalübertragung/Bündelfehlerkanäle

1. Digitalsignalübertragung
2. Digitale Kanalmodelle
3. Bündelfehlerkanäle

• Vorherige Seite
• Nächste Seite

• Vorherige Seite
• Nächste Seite

Kanalmodell nach Gilbert–Elliott

Dieses auf  E. N. Gilbert  [Gil60]  und  E. O. Elliott  [Ell63]  zurückgehende Kanalmodell eignet sich zur Beschreibung und Simulation von digitalen Übertragungssystemen mit Bündelfehlercharakteristik.

Gilbert–Elliott–Kanalmodell mit zwei Zuständen

Das  Gilbert–Elliott–Modell  (Kurzbezeichnung: GE–Modell) lässt sich wie folgt charakterisieren:

• Die unterschiedliche Übertragungsqualität zu unterschiedlichen Zeiten wird durch eine endliche Anzahl  $g$  von Kanalzuständen  $(Z_1, Z_2,\hspace{0.05cm} \text{...} \hspace{0.05cm}, Z_g)$  ausgedrückt.
  

• Die in Wirklichkeit fließenden Übergänge der Störintensität – im Extremfall von völlig fehlerfreier Übertragung bis hin zum Totalausfall – werden beim GE–Modell durch feste Wahrscheinlichkeiten in den einzelnen Kanalzuständen approximiert.
  

• Die Übergänge zwischen den  $g$  Zuständen erfolgen gemäß einem  Markovprozess  (1. Ordnung) und werden durch  $g \cdot (g-1)$  Übergangswahrscheinlichkeiten gekennzeichnet. Zusammen mit den  $g$  Fehlerwahrscheinlichkeiten in den einzelnen Zuständen gibt es somit  $g^2$  freie Modellparameter.
  

• Aus Gründen der mathematischen Handhabbarkeit beschränkt man sich meist auf  $g = 2$  Zustände und bezeichnet diese mit  $\rm G$  („GOOD”) und  $\rm B$  („BAD”). Meist wird die Fehlerwahrscheinlichkeit im Zustand  $\rm G$  sehr viel kleiner sein als im Zustand  $\rm B$.
  

• Im Folgenden benutzen wir diese beiden Fehlerwahrscheinlichkeiten  $p_{\rm G}$  und  $p_{\rm B}$, wobei  $p_{\rm G} < p_{\rm B}$  gelten soll, sowie die Übergangswahrscheinlichkeiten  ${\rm Pr}({\rm B}\hspace{0.05cm}|\hspace{0.05cm}{\rm G})$  und  ${\rm Pr}({\rm G}\hspace{0.05cm}|\hspace{0.05cm}{\rm B})$. Damit sind auch die beiden anderen Übergangswahrscheinlichkeiten festgelegt:

\[{\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} G) = 1 - {\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} G), \hspace{0.2cm} {\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} B) = 1 - {\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} B)\hspace{0.05cm}.\]

Beispielhafte GE–Fehlerfolge

$\text{Beispiel 1:}$  Wir betrachten das GE–Modell mit den Parametern

$$p_{\rm G} = 0.01,$$

$$p_{\rm B} = 0.4,$$

$${\rm Pr}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm} B) = 0.1, $$

$$ {\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G) = 0.01\hspace{0.05cm}.$$

Das zugrundeliegende Modell ist am Beispielende mit den hier angegebenen Parametern dargestellt.

Die obere Grafik zeigt eine (mögliche) Fehlerfolge der Länge  $N = 800$. Befindet sich das GE–Modell im Zustand „BAD”, so erkennt man dies an der grauen Hinterlegung.

Zur Simulation einer solchen GE–Fehlerfolge wird zwischen den Zuständen „GOOD” und „BAD” entsprechend den vier Übergangswahrscheinlichkeiten umgeschaltet.

• Beim ersten Aufruf erfolgt die Auswahl des Zustandes zweckmäßigerweise gemäß den Wahrscheinlichkeiten  $w_{\rm G}$  und  $w_{\rm B}$, wie nachfolgend berechnet.
  
• Zu jedem Taktzeitpunkt wird genau ein Element der Fehlerfolge  $ \langle e_\nu \rangle$  entsprechend der aktuellen Fehlerwahrscheinlichkeit  $(p_{\rm G}$  bzw.  $p_{\rm B})$  erzeugt.
• Die  Fehlerabstandssimulation  ist hier nicht anwendbar, da beim GE–Modell ein Zustandswechsel nach jedem Symbol (und nicht nur nach einem Fehler) möglich ist.

Die Wahrscheinlichkeiten, dass sich die Markovkette im Zustand „GOOD” bzw. „BAD” befindet, lassen sich aus der vorausgesetzten Homogenität und Stationarität berechnen. Man erhält mit den obigen Zahlenwerten:

\[w_{\rm G} = {\rm Pr(im\hspace{0.15cm} Zustand \hspace{0.15cm}G)}= \frac{ {\rm Pr}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm} B)}{ {\rm Pr}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm} B) + {\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G)} = \frac{0.1}{0.1 + 0.01} = {10}/{11}\hspace{0.05cm},\]

\[w_{\rm B} = {\rm Pr(im\hspace{0.15cm} Zustand \hspace{0.15cm}B)}= \frac{ {\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G)}{ {\rm Pr}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm} B) + {\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G)} = \frac{0.11}{0.1 + 0.01} = {1}/{11}\hspace{0.05cm}.\]

Betrachtetes GE–Modell

Mit diesen beiden Zustandswahrscheinlichkeiten kann auch die mittlere Fehlerwahrscheinlichkeit des GE–Modells ermittelt werden:

\[p_{\rm M} = w_{\rm G} \cdot p_{\rm G} + w_{\rm B} \cdot p_{\rm B} = \frac{p_{\rm G} \cdot {\rm Pr}({\rm G\hspace{0.05cm}\vert\hspace{0.05cm} B)}+ p_{\rm B} \cdot {\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G)}{ {\rm Pr}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm} B) + {\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G)} \hspace{0.05cm}.\]

Insbesondere gilt für das hier beispielhaft betrachtete Modell:

\[p_{\rm M} ={10}/{11} \cdot 0.01 +{1}/{11} \cdot 0.4 = {1}/{22} \approx 4.55\%\hspace{0.05cm}.\]

Fehlerabstandsverteilung des GE–Modells

Fehlerabstandsverteilung von GE– und BSC–Modell

In  [Hub82]  finden sich die analytischen Berechnungen

• der Wahrscheinlichkeit des Fehlerabstandes  $k$:

\[{\rm Pr}(a=k) = \alpha_{\rm G} \cdot \beta_{\rm G}^{\hspace{0.05cm}k-1} \cdot (1- \beta_{\rm G}) + \alpha_{\rm B} \cdot \beta_{\rm B}^{\hspace{0.05cm}k-1} \cdot (1- \beta_{\rm B})\hspace{0.05cm},\]

• der  Fehlerabstandsverteilung:

\[V_a(k) = {\rm Pr}(a \ge k) = \alpha_{\rm G} \cdot \beta_{\rm G}^{\hspace{0.05cm}k-1} + \alpha_{\rm B} \cdot \beta_{\rm B}^{\hspace{0.05cm}k-1} \hspace{0.05cm}.\]

Hierbei sind folgende Hilfsgrößen verwendet:

\[u_{\rm GG} ={\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} G ) \cdot (1-{\it p}_{\rm G}) \hspace{0.05cm},\hspace{0.2cm} {\it u}_{\rm GB} ={\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} G ) \cdot (1-{\it p}_{\hspace{0.03cm} \rm G}) \hspace{0.05cm},\]

\[u_{\rm BB} ={\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} B ) \cdot (1-{\it p}_{\hspace{0.03cm}\rm B}) \hspace{0.05cm},\hspace{0.29cm} {\it u}_{\rm BG} ={\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} B ) \cdot (1-{\it p}_{\hspace{0.03cm}\rm B})\hspace{0.05cm}\]

\[\Rightarrow \hspace{0.3cm} \beta_{\rm G} =\frac{u_{\rm GG} + u_{\rm BB} + \sqrt{(u_{\rm GG} - u_{\rm BB})^2 + 4 \cdot u_{\rm GB}\cdot u_{\rm BG}}}{2} \hspace{0.05cm},\]

\[\hspace{0.8cm}\beta_{\rm B} =\frac{u_{\rm GG} + u_{\rm BB} - \sqrt{(u_{\rm GG} - u_{\rm BB})^2 + 4 \cdot u_{\rm GB}\cdot u_{\rm BG}}}{2}\hspace{0.05cm}.\]

\[x_{\rm G} =\frac{u_{\rm BG}}{\beta_{\rm G}-u_{\rm BB}} \hspace{0.05cm},\hspace{0.2cm} x_{\rm B} =\frac{u_{\rm BG}}{\beta_{\rm B}-u_{\rm BB}}\]

\[\Rightarrow \hspace{0.3cm} \alpha_{\rm G} = \frac{(w_{\rm G} \cdot p_{\rm G} + w_{\rm B} \cdot p_{\rm B}\cdot x_{\rm G})( x_{\rm B}-1)}{p_{\rm M} \cdot( x_{\rm B}-x_{\rm G})} \hspace{0.05cm}, \hspace{0.2cm}\alpha_{\rm B} = 1-\alpha_{\rm G}\hspace{0.05cm}.\]

Die angegebenen Gleichungen sind das Ergebnis umfangreicher Matrizenoperationen.

Die obere Grafik zeigt die Fehlerabstandsverteilung (FAV) des GE–Modells (rote Kurve) in linearer und logarithmischer Darstellung für die Parameter

$${\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} B ) = 0.1 \hspace{0.05cm},\hspace{0.5cm}{\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} G ) = 0.001 \hspace{0.05cm},\hspace{0.5cm}p_{\rm B} = 0.4.$$

Zum Vergleich ist als blaue Kurve auch der entsprechende  $V_a(k)$–Verlauf für das BSC–Modell mit der gleichen mittleren Fehlerwahrscheinlichkeit  $p_{\rm M} = 4.5\%$  eingezeichnet.

Fehlerkorrelationsfunktion des GE–Modells

Für die  Fehlerkorrelationsfunktion  (FKF) des GE–Modells mit

• der mittleren Fehlerwahrscheinlichkeit  $p_{\rm M}$,
• den Übergangswahrscheinlichkeiten  ${\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} G )$ und ${\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} B )$  sowie
• den Fehlerwahrscheinlichkeiten  $p_{\rm G}$  und  $p_{\rm B}$  in den beiden Zuständen  $\rm G$  und  $\rm B$

ergibt sich nach umfangreichen Matrizenoperationen der relativ einfache Ausdruck

\[\varphi_{e}(k) = {\rm E}\big[e_\nu \cdot e_{\nu +k}\big] = \left\{ \begin{array}{c} p_{\rm M} \\ p_{\rm M}^2 + (p_{\rm B} - p_{\rm M}) (p_{\rm M} - p_{\rm G}) [1 - {\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} G )- {\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} B )]^k \end{array} \right.\quad \begin{array}{*{1}c} f{\rm \ddot{u}r }\hspace{0.15cm}k = 0 \hspace{0.05cm}, \\ f{\rm \ddot{u}r }\hspace{0.15cm} k > 0 \hspace{0.05cm}.\\ \end{array}\]

Beim GE–Modell muss  $\varphi_{e}(k)$  stets nach dieser Gleichung berechnet werden. Der nur für „erneuernde Modelle” gültige iterative Berechnungsalgorithmus

$$\varphi_{e}(k) = \sum_{\kappa = 1}^{k} {\rm Pr}(a = \kappa) \cdot \varphi_{e}(k - \kappa) $$

kann hier nicht angewendet werden, da das GE–Modell nicht erneuernd ist   ⇒   Die Fehlerabstände sind hier nicht statistisch voneinander unabhängig.

Fehlerkorrelationsfunktion von „GE” (Kreise) und „BSC” (Kreuze)

In der Grafik ist ein beispielhafter FKF–Verlauf des GE–Modells mit roten Kreisen markiert eingetragen. Man erkennt aus dieser Darstellung:

• Während beim gedächtnislosen Kanal (BSC–Modell, blaue Kurve) alle FKF–Werte  $\varphi_{e}(k \ne 0)= p_{\rm M}^2$  sind, nähern sich die FKF–Werte beim Bündelfehlerkanal diesem Endwert deutlich langsamer an.
  
• Beim Übergang von  $k = 0$  nach  $k = 1$  tritt eine gewisse Unstetigkeit auf. Während  $\varphi_{e}(k = 0)= p_{\rm M}$  ist, ergibt sich mit der für  $k > 0$  gültigen zweiten Gleichung für  $k = 0$  folgender extrapolierter Wert:

\[\varphi_{e0} = p_{\rm M}^2 + (p_{\rm B} - p_{\rm M}) \cdot (p_{\rm M} - p_{\rm G})\hspace{0.05cm}.\]

• Ein quantitatives Maß für die Länge der statistischen Bindungen ist die Korrelationsdauer  $D_{\rm K}$, die allgemein als die Breite eines flächengleichen Rechtecks mit der Höhe  $\varphi_{e0} - p_{\rm M}^2$  definiert ist:

\[D_{\rm K} = \frac{1}{\varphi_{e0} - p_{\rm M}^2} \cdot \sum_{k = 1 }^{\infty}\hspace{0.1cm} \big[\varphi_{e}(k) - p_{\rm M}^2\big ]\hspace{0.05cm}.\]

$\text{Fazit:}$  Beim Gilbert–Elliott–Modell erhält man hier die  Korrelationsdauer  den einfachen, analytisch angebbaren Ausdruck

\[D_{\rm K} =\frac{1}{ {\rm Pr}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm} B ) + {\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G )}-1 \hspace{0.05cm}.\]

• $D_{\rm K}$  ist umso größer, je kleiner  ${\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm} G )$  und  ${\rm Pr}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B )$  sind, also dann, wenn Zustandswechsel selten auftreten.
• Für das BSC–Modell   ⇒   $p_{\rm B}= p_{\rm G} = p_{\rm M}$   ⇒   $D_{\rm K} = 0$ ist diese Gleichung nicht anwendbar.

Kanalmodell nach McCullough

Der wesentliche Nachteil des GE–Modells ist, dass damit eine Fehlerabstandssimulation nicht möglich ist. Wie in der  Aufgabe 5.5  herausgearbeitet wird, hat diese gegenüber der symbolweisen Generierung der Fehlerfolge  $\langle e_\nu \rangle$  große Vorteile hinsichtlich Rechengeschwindigkeit und Speicherbedarf.

McCullough  [McC68]  hat das drei Jahre zuvor von Gilbert und Elliott entwickelte Modell dahingehend modifiziert, dass eine Fehlerabstandssimulation in den beiden Zustände „GOOD” und „BAD” jeweils für sich anwendbar ist. Die Grafik zeigt unten das Modell von McCullough, im Folgenden als  MC–Modell  bezeichnet, während oben das GE–Modell nach Umbenennung der Übergangswahrscheinlichkeiten   ⇒   ${\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G ) \rightarrow {\it p}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B )$,  ${\rm Pr}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G ) \rightarrow {\it p}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B )$,  usw. dargestellt ist.

Kanalmodelle nach Gilbert–Elliott (oben) und McCullough (unten)

Zwischen den beiden Modellen bestehen viele Gemeinsamkeiten und einige wenige Unterschiede:

• Das McCullough–Kanalmodell beruht wie das Gilbert–Elliott–Modell auf einem Markovprozess erster Ordnung  mit den beiden Zuständen „GOOD”  $(\rm G)$  und „BAD”  $(\rm B)$. Hinsichtlich der Modellstruktur ist kein Unterschied feststellbar.
  

• Der wesentliche Unterschied zum GE–Modell besteht darin, dass ein Zustandswechsel zwischen „GOOD” und „BAD” jeweils nur nach einem Fehler – also einer „$1$” in der Fehlerfolge – möglich ist. Dies ermöglicht eine Fehlerabstandssimulation.
  

• Die vier frei wählbaren GE–Parameter  $p_{\rm G}$,  $p_{\rm B}$,  ${\it p}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G )$  und  ${\it p}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B )$  können – wie auf der nächsten Seite gezeigt – so in die MC–Parameter  $q_{\rm G}$,  $q_{\rm B}$,  ${\it q}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G )$  und  ${\it q}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B )$  umgerechnet werden, dass eine in ihren statistischen Eigenschaften gleiche Fehlerfolge wie beim GE–Modell erzeugt wird.
  

• Beispielsweise bezeichnet  ${\it q}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G )$  die Übergangswahrscheinlichkeit vom Zustand „GOOD” in den Zustand „BAD” unter der Voraussetzung, dass im Zustand „GOOD” gerade ein Fehler aufgetreten ist. Der GE–Parameter  ${\it p}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G )$  kennzeichnet diese Übergangswahrscheinlichkeit ohne diese Zusatzbedingung.
  

$\text{Beispiel 2:}$  Die Abbildung zeigt oben eine beispielhafte Fehlerfolge des GE–Modells mit den Parametern  $p_{\rm G} = 0.01$,  $p_{\rm B} = 0.4$,  ${\it p}(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G ) = 0.01$,  ${\it p}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B ) = 0.1$. Man erkennt, dass im Gegensatz zur unteren MC–Folge ein Zustandswechsel von „GOOD” (ohne Hinterlegung) nach „BAD” (graue Hinterlegung) und umgekehrt zu jedem Zeitpunkt  $\nu$  möglich ist – also auch dann, wenn  $e_\nu = 0$  ist.

Fehlerfolge des GE–Modells (oben) und des MC–Modells (unten)

$\text{Fazit:}$  Die Zusammenhänge zwischen den beiden Modellen lassen sich wie folgt zusammenfassen:

• Bei der im Beispiel unten dargestellten Fehlerfolge des McCullough–Modells ist im Gegensatz zur oberen Folge ein Zustandswechsel zum Zeitpunkt  $\nu$  nur bei  $e_\nu = 1$  möglich. Der letzte Fehlerwert vor einer grauen Hinterlegung ist stets eine „$1$”.
  

• Dies hat den Vorteil, dass man bei einer Fehlerfolgensimulation die Fehler nicht „step–by–step” generieren muss, sondern die schnellere Fehlerabstandssimulation nutzen kann   ⇒   siehe  Aufgabe 5.5.
  

• Die Parameter des GE–Modells kann man derart in entsprechende MC–Parameter umrechnen, dass die beiden Modelle äquivalent sind   ⇒   siehe nächste Seite. Das bedeutet:   Die MC–Fehlerfolge hat exakt gleiche statistische Eigenschaften  wie die GE–Fehlerfolge. Es bedeutet aber nicht, dass beide Fehlerfolgen identisch sind.

Umrechnung der GE–Parameter in die MC–Parameter

Die Parameter des äquivalenten MC–Modells sind aus den GE–Parametern wie folgt berechenbar:

\[q_{\rm G} =1-\beta_{\rm G}\hspace{0.05cm}, \hspace{0.9cm}q_{\rm B} = 1-\beta_{\rm B}\hspace{0.05cm}, \hspace{0.9cm}q(\rm B\hspace{0.05cm}|\hspace{0.05cm} G ) =\frac{\alpha_{\rm B} \cdot[{\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} G ) + {\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} B )]}{\alpha_{\rm G} \cdot q_{\rm B} + \alpha_{\rm B} \cdot q_{\rm G}} \hspace{0.05cm}, \hspace{0.9cm} q(\rm G\hspace{0.05cm}|\hspace{0.05cm} B ) = \frac{\alpha_{\rm G}}{\alpha_{\rm B}} \cdot q(\rm B\hspace{0.05cm}|\hspace{0.05cm} G )\hspace{0.05cm}.\]

Hierbei sind wieder die folgenden Hilfsgrößen verwendet:

\[u_{\rm GG} = {\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} G ) \cdot (1-{\it p}_{\rm G}) \hspace{0.05cm},\hspace{0.2cm} {\it u}_{\rm GB} ={\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} G ) \cdot (1-{\it p}_{\hspace{0.03cm} \rm G}) \hspace{0.05cm},\]

\[u_{\rm BB} = {\rm Pr}(\rm B\hspace{0.05cm}|\hspace{0.05cm} B ) \cdot (1-{\it p}_{\hspace{0.03cm}\rm B}) \hspace{0.05cm},\hspace{0.29cm} {\it u}_{\rm BG} ={\rm Pr}(\rm G\hspace{0.05cm}|\hspace{0.05cm} B ) \cdot (1-{\it p}_{\hspace{0.03cm}\rm B})\]

\[\Rightarrow \hspace{0.3cm} \beta_{\rm G} = \frac{u_{\rm GG} + u_{\rm BB} + \sqrt{(u_{\rm GG} - u_{\rm BB})^2 + 4 \cdot u_{\rm GB}\cdot u_{\rm BG}}}{2} \hspace{0.05cm}, \hspace{0.9cm}\beta_{\rm B} \hspace{-0.1cm} = \hspace{-0.1cm}\frac{u_{\rm GG} + u_{\rm BB} - \sqrt{(u_{\rm GG} - u_{\rm BB})^2 + 4 \cdot u_{\rm GB}\cdot u_{\rm BG}}}{2}\hspace{0.05cm}.\]

\[x_{\rm G} =\frac{u_{\rm BG}}{\beta_{\rm G}-u_{\rm BB}} \hspace{0.05cm},\hspace{0.2cm} x_{\rm B} =\frac{u_{\rm BG}}{\beta_{\rm B}-u_{\rm BB}} \Rightarrow \hspace{0.3cm} \alpha_{\rm G} = \frac{(w_{\rm G} \cdot p_{\rm G} + w_{\rm B} \cdot p_{\rm B}\cdot x_{\rm G})( x_{\rm B}-1)}{p_{\rm M} \cdot( x_{\rm B}-x_{\rm G})} \hspace{0.05cm}, \hspace{0.9cm}\alpha_{\rm B} = 1-\alpha_{\rm G}\hspace{0.05cm}.\]

$\text{Beispiel 3:}$  Wie im  $\text{Beispiel 2}$  gelte für die GE–Parameter:

$$p_{\rm G} = 0.01, \hspace{0.5cm} p_{\rm B} = 0.4, \hspace{0.5cm} p(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G ) = 0.01, \hspace{0.5cm} {\it p}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B ) = 0.1.$$

Bei Anwendung obiger Gleichungen erhält man dann für die äquivalenten MC–Parameter:

$$q_{\rm G} = 0.0186, \hspace{0.5cm} q_{\rm B} = 0.4613, \hspace{0.5cm} q(\rm B\hspace{0.05cm}\vert\hspace{0.05cm}G ) = 0.3602, \hspace{0.5cm} {\it q}(\rm G\hspace{0.05cm}\vert\hspace{0.05cm}B ) = 0.2240.$$

• Vergleicht man im $\text{Beispiel 2}$ die rote Fehlerfolge (GE, Zustandswechsel ist immer möglich) mit der blauen Folge (äquivalentes MC, Zustandswechsel nur bei  $e_\nu = 1$), so erkennt man durchaus gravierende Unterschiede.
• Aber die blaue Fehlerfolge des äquivalenten McCullough-Modells besitzt exakt gleiche statistische Eigenschaften wie die rote Fehlerfolge des Gilbert–Elliott–Modells.

Die Umrechnung der GE– in die MC–Parameter wird in der  Aufgabe 5.7  an einem einfachen Beispiel verdeutlicht. In der  Aufgabe 5.7Z  wird weiter gezeigt, wie die mittlere Fehlerwahrscheinlichkeit, die Fehlerabstandsverteilung, die Fehlerkorrelationsfunktion und die Korrelationsdauer des MC–Modells direkt aus den  $q$–Parametern ermittelt werden können.

Bündelfehlerkanalmodell nach Wilhelm

Dieses Modell geht auf  Claus Wilhelm  zurück und wurde ab Mitte der 1960er Jahre aus empirischen Messungen zeitlicher Folgen von Bitfehlern entwickelt. Es beruht auf Tausenden von Messstunden in Übertragungskanälen ab  $\text{200 bit/s}$  mit analogem Modem bis hin zu  $\text{2.048 Mbit/s}$  über  ISDN. Ebenso wurden Seefunkkanäle bis zu  $7500$  Kilometern im Kurzwellenbereich vermessen.

Beispielhafte Funktionsverläufe  $p_{\rm B}(n)$

Aufgezeichnet wurden Blöcke der Länge  $n$. Daraus wurde die jeweilige Blockfehlerrate  $h_{\rm B}(n)$  ermittelt.

• Ein Blockfehler liegt bereits dann vor, wenn auch nur eines der  $n$  Symbole verfälscht wurde.
• Wohl wissend, dass die Blockfehlerrate  $h_{\rm B}(n)$  nur für  $n \to \infty$  exakt mit der Blockfehlerwahrscheinlichkeit  $p_{\rm B}$  übereinstimmt, setzen wir bei der folgenden Beschreibung  $p_{\rm B}(n) \approx h_{\rm B}(n)$.
  

Bei einer Vielzahl von Messungen wurde immer wieder die Tatsache bestätigt, dass der Verlauf  $p_{\rm B}(n)$  in doppelt–logarithmischer Darstellung im unteren Bereich lineare Anstiege aufweisen (siehe Grafik). Es gilt also für  $n \le n^\star$:

\[{\rm lg} \hspace{0.15cm}p_{\rm B}(n) = {\rm lg} \hspace{0.15cm}p_{\rm S} + \alpha \cdot {\rm lg} \hspace{0.15cm}n\hspace{0.3cm} \Rightarrow \hspace{0.3cm} p_{\rm B}(n) = p_{\rm S} \cdot n^{\alpha}\hspace{0.05cm}.\]

Hierbei bezeichnet  $p_{\rm S} = p_{\rm B}(n=1)$  die mittlere Symbolfehlerwahrscheinlichkeit und die empirisch gefundenen Werte von  $\alpha$  liegen zwischen  $0.5$  und  $0.95$. Für  $1-\alpha$  wird auch die Bezeichnung Bündelungsfaktor  verwendet.

Beachten Sie bitte, dass  $p_{\rm B}(n)$  die Blockfehlerwahrscheinlichkeit angibt. In anderem Zusammenhang bezeichnet in unserem Lerntutorial  $p_{\rm B}$  manchmal auch die Bitfehlerwahrscheinlichkeit.

$\text{Beispiel 4:}$  Beim BSC–Modell gilt für den Verlauf der Blockfehlerwahrscheinlichkeit:

\[p_{\rm B}(n) =1 -(1 -p_{\rm S})^n \approx n \cdot p_{\rm S}\hspace{0.05cm}.\]

Daraus folgt  $\alpha = 1$  bzw. der Bündelungsfaktor  $1-\alpha = 0$. In diesem Fall (und nur in diesem) ergibt sich auch bei nicht–logarithmischer Darstellung ein linearer Verlauf.

• Zu beachten ist, dass obige Näherung nur für  $p_{\rm S} \ll 1$  und nicht allzu großes  $n$  zulässig ist, da sonst die Näherung  $(1-p_{\rm S})^n \approx1 - n \cdot p_{\rm S}$  nicht anwendbar ist.
• Das heißt aber auch, dass die oben angegebene Gleichung auch nur für einen unteren Bereich $($für  $n < n^\star)$  gilt.
• Ansonsten würde sich für  $n \to \infty$  eine unendlich große Blockfehlerwahrscheinlichkeit ergeben.

$\text{Definition:}$  Für die aus Messungen empirisch bestimmte Funktion  $p_{\rm B}(n)$  muss nun die Fehlerabstandsverteilung gefunden werden, aus der der Verlauf für  $n > n^\star$  extrapoliert werden kann, der die folgende Nebenbedingung erfüllt:

\[\lim_{n \hspace{0.05cm} \rightarrow \hspace{0.05cm} \infty} p_{\rm B}(n) = 1 .\]

Wir bezeichnen diesen Ansatz als Wilhelm–Modell. Da das Gedächtnis nur bis zum letzten Symbolfehler reicht, ist dieses Modell erneuernd (englisch: Renewal Model).

Fehlerabstandsbetrachtung zum Wilhelm–Modell

Wir betrachten nun die  Fehlerabstände. Eine Fehlerfolge  $\langle e_\nu \rangle$  kann in äquivalenter Weise durch die Fehlerabstandsfolge  $\langle a_{\nu\hspace{0.06cm}'} \rangle$  dargestellt werden, wie in der folgenden Grafik gezeigt. Man erkennt:

Fehlerfolge und Fehlerabstandsfolge

• Die Fehlerfolge  $\text{...}\rm 1001\text{...}$  wird durch  $a= 3$  ausgedrückt.
  
• Entsprechend bezeichnet der Fehlerabstand  $a= 1$  die Fehlerfolge  $\text{...}\rm 11\text{...}$.
  
• Die verschiedenen Indizes  $\nu$  und  $\nu\hspace{0.06cm}'$  berücksichtigen, dass die beiden Folgen nicht synchron laufen.

Mit den Wahrscheinlichkeiten  $p_a(k) = {\rm Pr}(a= k)$  für die einzelnen Fehlerabstände  $k$  und der mittleren (Symbol–)Fehlerwahrscheinlichkeit  $p_{\rm S}$  gelten folgende Definitionen für

• die Fehlerabstandsverteilung (FAV):

\[ V_a(k) = {\rm Pr}(a \ge k)= \sum_{\kappa = k}^{\infty}p_a(\kappa) \hspace{0.05cm},\]

• den mittleren Fehlerabstand ${\rm E}\big[a\big]$:

\[ V_a(k) = {\rm E}\big[a\big] = \sum_{k = 1}^{\infty} k \cdot p_a(k) = {1}/{p_{\rm S}}\hspace{0.05cm}.\]

$\text{Beispiel 5:}$  Wir betrachten einen Block mit  $n$  Bit, beginnend bei der Bitposition  $\nu + 1$.

Zur Herleitung des Wilhelm–Modells

• Ein Blockfehler tritt immer dann auf, wenn ein Bit an den Positionen  $\nu + 1$, ... , $\nu + n$  verfälscht ist.
  
• Die Verfälschungswahrscheinlichkeiten werden in der Grafik durch die Fehlerabstandsverteilung  ${V_a}\hspace{0.06cm}'(k)$  ausgedrückt.
• Irgendwo vor dem Block der Länge  $n = 3$  befindet sich der letzte Fehler, aber mindestens im Abstand  $k$  vom ersten Fehler im Block entfernt.
• Also ist der Abstand gleich oder größer als  $k$, was genau der Wahrscheinlichkeit  ${V_a}'(k)$  entspricht.
• Das Hochkomma soll anzeigen, dass später noch eine Korrektur vorzunehmen ist, um von der empirisch gefundenen FAV zur richtigen Funktion  ${V_a}(k)$  zu kommen.

Für die Blockfehlerwahrscheinlichkeit  $p_{\rm B}(n)$  haben wir nun verschiedene Gleichungen.

• Eine erste Gleichung stellt den Zusammenhang zwischen  $p_{\rm B}(n)$  und der (approximativen) Fehlerabstandsverteilung  ${V_a}'(k)$  her:

\[(1)\hspace{0.4cm} p_{\rm B}(n) = p_{\rm S} \cdot \sum_{k = 1}^{n} V_a\hspace{0.05cm}'(k) \hspace{0.05cm}, \]

• Eine zweite Gleichung liefert unsere empirische Untersuchung zu Beginn dieses Abschnitts:

\[(2)\hspace{0.4cm} p_{\rm B}(n) = p_{\rm S} \cdot n^{\alpha}\]

• Die dritte Gleichung ergibt sich aus Gleichsetzen von $(1)$ und $(2)$:

\[(3)\hspace{0.4cm} \sum_{k = 1}^{n} V_a\hspace{0.05cm}'(k) = n^{\alpha} \hspace{0.05cm}. \]

Durch sukzessives Einsetzen von  $n = 1, 2, 3,$ ... in diese Gleichung erhalten wir mit  ${V_a}'(k = 1) = 1$:

\[V_a\hspace{0.05cm}'(1) = 1^{\alpha} \hspace{0.05cm},\hspace{0.8cm} V_a\hspace{0.05cm}'(1) + V_a\hspace{0.05cm}'(2) =2^{\alpha} \hspace{0.05cm}, \hspace{0.8cm}V_a\hspace{0.05cm}'(1) + V_a\hspace{0.05cm}'(2) + V_a\hspace{0.05cm}'(3) = 3^{\alpha} \hspace{0.35cm}\Rightarrow \hspace{0.3cm} V_a\hspace{0.05cm}'(k) = k^{\alpha}-(k-1)^{\alpha} \hspace{0.05cm}.\]

Die aus empirischen Daten gewonnenen Koeffizienten  ${V_a}'(k)$  erfüllen jedoch nicht notwendigerweise die Normierungsbedingung.

Um den Sachverhalt zu korrigieren, verwendet Wilhelm folgenden Ansatz:

\[V_a\hspace{0.05cm}(k) = V_a\hspace{0.05cm}'(k) \cdot {\rm e}^{- \beta \cdot (k-1)}\hspace{0.3cm}\Rightarrow \hspace{0.3cm} V_a\hspace{0.05cm}(k) = \big [k^{\alpha}-(k-1)^{\alpha} \big ] \cdot {\rm e}^{- \beta \cdot (k-1)}\hspace{0.05cm}.\]

Wilhelm bezeichnet diese Darstellung als  L–Modell, siehe  [Wil11]. Die Konstante  $\beta$  ist in Abhängigkeit

• der Symbolfehlerwahrscheinlichkeit  $p_{\rm S}$, und
  
• des empirisch gefundenen Exponenten  $\alpha$   ⇒   Bündelungsfaktor  $1- \alpha$

so zu bestimmen, dass die Blockfehlerwahrscheinlichkeit bei unendlich großer Blocklänge gleich  $1$  wird:

\[\lim_{n \hspace{0.05cm} \rightarrow \hspace{0.05cm} \infty} p_B(n) = p_{\rm S} \cdot \sum_{k = 1}^{n} V_a\hspace{0.05cm}(k) = p_{\rm S} \cdot \sum_{k = 1}^{n} \big [k^{\alpha}-(k-1)^{\alpha} \big ] \cdot {\rm e}^{- \beta \cdot (k-1)} =1 \hspace{0.3cm} \Rightarrow \hspace{0.3cm} \sum_{k = 1}^{\infty} \big [k^{\alpha}-(k-1)^{\alpha} \big ] \cdot {\rm e}^{- \beta \cdot (k-1)} = {1}/{p_{\rm S}} \hspace{0.05cm}.\]

Um  $\beta$  zu bestimmen, wird die  erzeugende Funktion  von  ${V_a}(k)$  verwendet, die wir mit  ${V_a}(z)$  benennen:

\[V_a\hspace{0.05cm}(z) = \sum_{k = 1}^{\infty}V_a\hspace{0.05cm}(k) \cdot z^k = \sum_{k = 1}^{n} \big [k^{\alpha}-(k-1)^{\alpha} \big ] \cdot {\rm e}^{- \beta \cdot (k-1)} \cdot z^k \hspace{0.05cm}.\]

In  [Wil11] wird näherungsweise  $V_a\hspace{0.05cm}(z) = 1/{\left (1- {\rm e}^{- \beta }\cdot z \right )^\alpha} $  hergeleitet. Aus der Gleichung für den mittleren Fehlerabstand folgt:

\[ {\rm E}\big[a\big] = \sum_{k = 1}^{\infty} k \cdot p_a(k) = \sum_{k = 1}^{\infty} V_a(k) = \sum_{k = 1}^{\infty} V_a(k) \cdot 1^k = V_a(z=1) = 1/p_{\rm S}\]

\[ \Rightarrow \hspace{0.3cm}{p_{\rm S}} = \big [V_a(z=1)\big]^{-1}= \big [1- {\rm e}^{- \beta }\cdot 1\big]^{\alpha}\hspace{0.3cm} \Rightarrow \hspace{0.3cm} {\rm e}^{- \beta } =1 - {p_{\rm S}}^{1/\alpha}\hspace{0.05cm}.\]

Numerischer Vergleich von BSC–Modell und Wilhelm–Modell

$\text{Fazit:}$  Fassen wir dieses Zwischenergebnis zusammen. Das L–Modell nach Wilhelm beschreibt die Fehlerabstandsverteilung in der Form

\[V_a\hspace{0.05cm}(k) = \big [k^{\alpha}-(k-1)^{\alpha}\big ] \cdot \big [ 1 - {p_{\rm S}^{1/\alpha} }\big ]^{k-1} \hspace{0.05cm}.\]

Dieses Modell soll nun anhand beispielhafter numerischer Ergebnisse erläutert werden.

$\text{Beispiel 6:}$  Wir gehen zunächst vom BSC–Modell aus.

• Die Verfälschungswahrscheinlichkeit setzen wir aus Darstellungsgründen sehr hoch auf $p_{\rm S} = 0.2$.
• In der zweiten Zeile der nachfolgenden Tabelle ist dessen Fehlerabstandsverteilung ${V_a}(k) = {\rm Pr}(a \ge k)$ für $k \le10$ eingetragen.
  

Kenngrößen des BSC–Modells für $p_{\rm S} = 0.2$

Das Wilhelm–Modell mit $p_{\rm S} = 0.2$ und $\alpha = 1$ weist genau die gleiche Fehlerabstandsverteilung ${V_a}(k)$ wie das entsprechende BSC–Modell auf. Dies zeigt auch die Rechnung. Mit $\alpha = 1$ erhält man aus der Gleichung auf der letzten Seite:

\[V_a\hspace{0.05cm}(k) = \big [k^{\alpha}-(k-1)^{\alpha}\big ] \cdot \big [ 1 - {p_{\rm S}^{1/\alpha} }\big ]^{k-1} = (1 - p_{\rm S} )^{k-1} \hspace{0.05cm}.\]

Damit besitzen beide Modelle entsprechend den Zeilen 3 und 4 auch

• gleiche Wahrscheinlichkeiten ${\rm Pr}(a = k)= {V_a}(k-1) - {V_a}(k)$ der Fehlerabstände,
  

• gleiche Blockfehlerwahrscheinlichkeiten $ p_{\rm B}(n)$.
  
  

Im Hinblick auf das folgende $\rm Beispiel 7$ mit $\alpha \ne 1$ ist nochmals besonders zu erwähnen:

• Die Blockfehlerwahrscheinlichkeiten $ p_{\rm B}(n)$ des Wilhelm–Modells ergeben sich grundsätzlich aus der Fehlerabstandsverteilung ${V_a}(k)$ entsprechend der Gleichung

\[ p_{\rm B}(n) = p_{\rm S} \cdot \sum_{k = 1}^{n} V_a\hspace{0.05cm}(k) \hspace{0.15cm}\Rightarrow \hspace{0.15cm} p_{\rm B}( 1) = 0.2 \cdot 1 = 0.2 \hspace{0.05cm}, \hspace{0.5cm}p_{\rm B}(2) = 0.2 \cdot (1+0.8) = 0.36 \hspace{0.05cm}.\]

• Nur im Sonderfall $\alpha \ne 1$   ⇒   BSC–Modell kann $ p_{\rm B}(n)$ auch durch Summation über die Fehlerabstandswahrscheinlichkeiten ${\rm Pr}(a=k)$ ermittelt werden:

\[ p_{\rm B}(n) = p_{\rm S} \cdot \sum_{k = 1}^{n} {\rm Pr}(a=k) \hspace{0.15cm}\Rightarrow \hspace{0.15cm} p_{\rm B}( 1) = 0.2 \hspace{0.05cm}, \hspace{0.5cm}p_{\rm B}(2) = 0.2+ 0.16 = 0.36 \hspace{0.05cm}.\]

$\text{Beispiel 7:}$  Betrachten wir nun einen Kanal mit Bündelfehlercharakteristik.

• Die Grafik zeigt als grüne Kreise die Ergebnisse für das Wilhelm–L–Modell mit $\alpha = 0.7$.
• Die rote Vergleichskurve gilt für $\alpha = 1$ (bzw. für den BSC–Kanal) bei gleicher mittlerer Symbolfehlerwahrscheinlichkeit $p_{\rm S} = 0.2$.
• Unten rechts sind einige interessante Zahlenwerte angegeben.
  

Ergebnisse des Wilhelm–L–Modells mit α = 0.7 und p_S = 0.2

Man erkennt aus diesen Darstellungen:

• Der Verlauf der Blockfehlerfehlerwahrscheinlichkeit beginnt jeweils mit $p_{\rm B}(n = 1) = p_{\rm S} = 0.2$, sowohl bei statistisch unabhängigen Fehlern (BSC) als auch bei Bündelfehlern (Wilhelm).
  

• Beim Bündelfehlerkanal ist ${\rm Pr}(a=1)= 0.438$ deutlich größer als beim vergleichbaren BSC   ⇒   ${\rm Pr}(a=1)= 0.2$. Zudem erkennt man einen abgeknickten Verlauf im unteren Bereich.
  

• Der mittlere Fehlerabstand ${\rm E}\big [a \big ] = 1/p_{\rm S} = 5$ ist aber bei gleicher Symbolfehlerwahrscheinlichkeit ebenfalls identisch. Der große Ausreiser bei $k=1$ wird durch kleinere Wahrscheinlichkeiten für $k=2$, $k=3$ und $k=4$ ausgeglichen, sowie durch die Tatsache, dass für große $k$ die grünen Kreise – wenn auch nur minimal – oberhalb der roten Vergleichskurve liegen.
  

• Das wichtigste Ergebnis ist aber, dass die Blockfehlerfehlerwahrscheinlichkeit für $n > 1$ beim Bündelfehlerkanal kleiner ist als beim vergleichbaren BSC–Modell, zum Beispiel:   $p_{\rm B}(n = 20) = 0.859$.

Fehlerabstandsbetrachtung nach dem Wilhelm–A–Modell

Wilhelm hat aus der oben angegebenen erzeugenden Funktion $V_a(z)$ eine weitere Näherung entwickelt, die er als das A–Modell bezeichnet. Die Näherung basiert auf einer Taylorreihenentwicklung.

$\text{Definition:}$  Das A–Modell nach Wilhelm beschreibt die angenäherte Fehlerabstandsverteilung in der Form

\[V_a\hspace{0.05cm}(k) = \frac {1 \cdot \alpha \cdot (1+\alpha) \cdot \hspace{0.05cm} ... \hspace{0.05cm}\cdot (k-2+\alpha) }{(k-1)\hspace{0.05cm}!}\cdot \left [ 1 - {p_{\rm S}^{1/\alpha} }\right ]^{k-1} \hspace{0.05cm}.\]

• Insbesondere ergibt sich $V_a(k = 1) = 1$ und $V_a(k = 2)= \alpha \cdot (1 - p_{\rm S}^{1/\alpha})$.
• Hierbei ist zu berücksichtigen, dass der Zähler des Vorfaktors aus $k$ Faktoren besteht. Für $k = 1$ ergibt sich dieser Vorfaktor demzufolge zu $1$.

Nun vergleichen wir die Unterschiede der beiden Wilhelm–Modelle (L bzw. A) hinsichtlich resultierender Blockfehlerwahrscheinlichkeit.

Ergebnisse des Wilhelm–Modells für $p_{\rm S} = 0.01$ und einige $\alpha$

$\text{Beispiel 8:}$  Nebenstehende Grafik zeigt den Verlauf der Blockfehlerwahrscheinlichkeiten $p_{\rm B}(n)$ für drei verschiedene $\alpha$–Werte, erkennbar an den Farben

• Rot:   $\alpha = 1$   ⇒   BSC–Modell,
  
• Blau:  $\alpha = 0.95$  ⇒   schwache Bündelung,
  
• Grün:  $\alpha = 0.7$   ⇒   starke Bündelung.
  
  

Die durchgezogenen gelten für Linien das A–Modell und die gestrichelten für das L–Modell. Die im Bild angegebenen Zahlenwerte für $p_{\rm B}(n = 100)$ beziehen sich ebenfalls auf das A–Modell.

Für $\alpha = 1$ geht sowohl das A–Modell als auch das L–Modell in das BSC–Modell (rote Kurve) über. Desweiteren ist anzumerken:

• Die Symbolfehlerwahrscheinlichkeit $p_{\rm S} = 0.01$   ⇒   ${\rm E}\big[a \big ] = 100$ ist hier (einigermaßen) realistisch angenommen. Alle Kurven starten so bei $p_{\rm B}(n=1) = 0.01$   ⇒   gelber Punkt.
  

• Der Unterschied zwischen zwei gleichfarbigen Kurven ist gering (bei starker Bündelung etwas größer), wobei die durchgezogene Kurve stets oberhalb der gestrichelten Kurve liegt.
  

• Auch dieses Beispiel zeigt: Je stärker die Bündelung (kleineres $\alpha$), desto kleiner ist die Blockfehlerwahrscheinlichkeit $p_{\rm B}(n)$. Dies gilt allerdings nur, wenn man wie hier von einer konstanten Symbolfehlerwahrscheinlichkeit $p_{\rm S}$ ausgeht.
  

• Ein (dürftiger) Erklärungsversuch: Nehmen wir an, dass bei BSC mit sehr kleinem $p_{\rm S}$ jeder Blockfehler von genau einem Symbolfehler herrührt, dann gibt es bei gleicher Symbolfehleranzahl weniger Blockfehler, wenn zwei Symbolfehler in einen Block fallen (Bündelung).
  

• Noch ein (passendes?) Beispiel aus dem täglichen Leben. Man kann eine Straße bei konstantem Verkehrsaufkommen leichter überqueren, wenn die Fahrzeuge „irgendwie gebündelt” kommen.

Fehlerkorrelationsfunktion des Wilhelm–A–Modells

Eine weitere Beschreibungsform der digitalen Kanalmodelle ist neben der Fehlerabstandsverteilung $V_a(k)$ die Fehlerkorrelationsfunktion $\varphi_{e}(k)$ – abgekürzt FKF. Geht man von der binären Fehlerfolge $\langle e_\nu \rangle$ mit $e_\nu \in \{0, 1\}$ aus, wobei hinsichtlich des $\nu$–ten Bits

• $e_\nu = 0$ eine richtige Übertragung bezeichnet, und
• $e_\nu = 1$ einen Symbolfehler (Bitfehler), so gilt folgende Definition:

\[\varphi_{e}(k) = {\rm E}\big[e_{\nu} \cdot e_{\nu + k}\big] = \overline{e_{\nu} \cdot e_{\nu + k}}\hspace{0.05cm}.\]

$\varphi_{e}(k)$ gibt die (zeitdiskrete) Autokorrelationsfunktion der ebenfalls zeitdiskreten Zufallsgröße $e$ an. Die überstreichende Linie in der rechten Gleichung kennzeichnet die Zeitmittelung.

Der Fehlerkorrelationswert $\varphi_{e}(k)$ liefert statistische Aussagen bezüglich zwei um $k$ auseinander liegender Folgenelemente, zum Beispiel über $e_{\nu}$ und $e_{\nu +k}$. Die dazwischen liegenden Elemente $e_{\nu +1}$, ... , $e_{\nu +k-1}$ beeinflussen dagegen den $\varphi_{e}(k)$–Wert nicht.

$\text{Ohne Beweis:}$  Die Fehlerkorrelationsfunktion des Wilhelm–A–Modells kann wie folgt angenähert werden:

\[\varphi_e\hspace{0.05cm}(k) = p_{\rm S} \hspace{-0.03cm}\cdot \hspace{-0.03cm} \left [ 1 \hspace{-0.03cm}-\hspace{-0.03cm} \frac{\alpha}{1\hspace{0.03cm}!} \hspace{-0.03cm}\cdot \hspace{-0.03cm} C \hspace{-0.03cm}-\hspace{-0.03cm} \frac{\alpha \cdot (1\hspace{-0.03cm}-\hspace{-0.03cm} \alpha)}{2\hspace{0.03cm}!} \hspace{-0.03cm}\cdot \hspace{-0.03cm} C^2 \hspace{-0.03cm}-\hspace{-0.03cm} \hspace{0.05cm} \text{...} \hspace{0.05cm}\hspace{-0.03cm}-\hspace{-0.03cm} \frac {\alpha \hspace{-0.03cm}\cdot \hspace{-0.03cm} (1\hspace{-0.03cm}-\hspace{-0.03cm}\alpha) \hspace{-0.03cm}\cdot \hspace{-0.03cm} \hspace{0.05cm} \text{...} \hspace{0.05cm} \hspace{-0.03cm}\cdot \hspace{-0.03cm} (k\hspace{-0.03cm}-\hspace{-0.03cm}1\hspace{-0.03cm}-\hspace{-0.03cm}\alpha) }{k\hspace{0.03cm}!} \hspace{-0.03cm}\cdot \hspace{-0.03cm} C^k \right ] \]

Zur Abkürzung ist hierbei $C = (1-p_{\rm S})^{1/\alpha}$ verwendet. Auf die Herleitung wird hier verzichtet.

Nachfolgend werden die Eigenschaften der Fehlerkorrelationsfunktion an einem Beispiel aufgezeigt.

Fehlerkorrelationsfunktionen des Wilhelm–Modells

$\text{Beispiel 9:}$  Wie im Beispiel 7 gelte $p_{\rm S} = 0.01$. Die hier dargestellten Fehlerkorrelationsfunktionen stehen wieder für

• Grün:  $\alpha = 0.7$   ⇒   starke Bündelung.
  
• Blau:  $\alpha = 0.95$  ⇒   schwache Bündelung,
  
• Rot:   $\alpha = 1$   ⇒   BSC–Modell,
  

Die folgenden Aussagen lassen sich weitgehend verallgemeinern, siehe auch GE–Modell:

• Der FKF-Wert an der Stelle $k = 0$ ist bei allen Kanälen gleich $p_{\rm S} = 10^{-2}$ (markiert durch den Kreis mit grauer Füllung) und der Grenzwert für $k \to \infty$ liegt stets bei $p_{\rm S}^2 = 10^{-4}$.
  

• Dieser Endwert wird beim BSC–Modell bereits bei $k = 1$ erreicht (rot gefüllte Markierung). Hier kann die FKF also nur die beiden Werte $p_{\rm S}$ und $p_{\rm S}^2$ annehmen.
  

• Auch für für $\alpha \ne 1$ (blaue und grüne Kurve) erkennt man einen Knick bei $k = 1$. Danach verläuft die FKF monoton fallend. Der Abfall ist umso langsamer, je kleiner $\alpha$ ist, also je gebündelter die Fehler auftreten.

Analyse von Fehlerstrukturen mit dem Wilhelm–A–Modell

Wilhelm hat sein Kanalmodell hauptsächlich deshalb entwickelt, um aus gemessenen Fehlerfolgen Rückschlüsse über die dabei auftretenden Fehler machen zu können. Aus der Vielzahl der Analysen in [Wil11] sollen hier nur einige wenige angeführt werden, wobei stets die Symbolfehlerwahrscheinlichkeit $p_{\rm S} = 10^{-3}$ zugrunde liegt.

• In den Grafiken gilt jeweils die rote Kurve für statistisch unabhängige Fehler (BSC bzw. $\alpha = 1$),
• die grüne Kurve für einen Bündelfehlerkanal mit $\alpha = 0.7$. Zudem soll folgende Vereinbarung gelten:
  

$\text{Definition:}$  Ein Fehlerburst (oder kurz Burst) beginnt stets mit einem Symbolfehler und endet, wenn $k_{\rm Burst}- 1$ fehlerfreie Symbole aufeinanderfolgen.

• $k_{\rm Burst}$ bezeichnet den Burst–Endeparameter.
• Das Burstgewicht $G_{\rm Burst}$  entspricht der Anzahl aller Symbolfehler im Burst.
• Bei einem Einzelfehler  gilt $G_{\rm Burst}= 1$ und die Burstlänge (bestimmt durch den ersten und letzten Fehler) ist ebenfalls $L_{\rm Burst}= 1$.

Einzelfehlerwahrscheinlichkeit in einem Block der Länge $n$

$\text{Beispiel 10:}\ \text{Wahrscheinlichkeit }p_1\text{ eines Einzelfehlers in einer Probe der Länge} \ n$

Für den BSC–Kanal $(\alpha = 1)$ gilt $p_1 = n \cdot 0.001 \cdot 0.999^{n-1}$   ⇒   rote Kurve. Aufgrund der doppel–logarithmischen Darstellung ergibt sich mit diesen Zahlenwerten ein (nahezu) linearer Verlauf. Beim BSC–Modell treten also Einzelfehler in einer Probe der Länge $n = 100$ mit etwa $9\%$ Wahrscheinlichkeit auf.

Beim Bündelfehlerkanal mit $\alpha = 0.7$ (grüne Kurve) beträgt die entsprechende Wahrscheinlichkeit nur etwa $0.7\%$ und der Kurvenverlauf ist hier leicht gekrümmt. Bei der folgenden Rechnung gehen wir zunächst von der Annahme aus, dass der Einzelfehler in der Probe der Länge $n$ an der Position $b$ auftritt:

• Bei einem Einzelfehler müssen dann noch $n-b$ fehlerfreie Symbole folgen. Nach Mittelung über die möglichen Fehlerpositionen $b$ erhält man somit:

\[p_1 = p_{\rm S} \cdot \sum_{b = 1}^{n} \hspace{0.15cm}V_a (b) \cdot V_a (n+1-b) \hspace{0.05cm}.\]

• Wegen der Ähnlichkeit mit der Signaldarstellung eines Digitalen Filters kann man die Summe als Faltung von $V_a(b)$ mit sich selbst bezeichnen. Für die erzeugende Funktion $V_a(z)$ wird aus der Faltung ein Produkt (bzw. wegen $V_a(b) \star V_a(b)$ das Quadrat) und man erhält folgende Gleichung:

\[V_a(z=1) \cdot V_a(z=1) = \left [ V_a(z=1) \right ]^2 = {\left [ 1 -(1- {p_{\rm S} }^{1/\alpha})\right ]^{-2\alpha} } \hspace{0.05cm}.\]

• Mit der spezifischen Fehlerabstandsverteilung $V_a(z)$ erhält man somit folgendes Endergebnis:

\[p_1 = p_{\rm S} \cdot \frac{2\alpha \cdot (2\alpha+1) \cdot \hspace{0.05cm} \text{... } \hspace{0.05cm} \cdot (2\alpha+n-2)} {(n-1)!}\cdot (1- {p_{\rm S} }^{1/\alpha})^{n-1} \hspace{0.05cm}.\]

Mittlere Fehleranzahl im Burst der Länge $k$

$\text{Beispiel 11:}\ \text{Mittlere Fehleranzahl } {\rm E}[G_{\rm Burst}] \text{ in einem Burst mit Endeparameter }k_{\rm Burst}$

Die mittlere Symbolfehlerwahrscheinlichkeit sei weiterhin $p_{\rm S} = 10^{-3}$, also (relativ) klein.

(1)   Rote Kurve für den BSC–Kanal (bzw. $\alpha = 1$):

• Der Parameter $k_{\rm Burst}= 10$ bedeutet beispielsweise, dass der Burst beendet ist, wenn nach einem Fehler neun fehlerfreie Symbole aufeinanderfolgenden. Die Wahrscheinlichkeit für einen Fehlerabstand $a \le 9$ ist bei kleinem $p_{\rm S}$ (hier: $10^{-3}$) äußerst klein. Daraus folgt weiter, dass dann (fast) jeder Einzelfehler als ein „Burst” aufgefasst wird, und es gilt ${\rm E}[G_{\rm Burst}] \approx 1.01$ .
  
• Bei größerem Burst–Endeparameter $k_{\rm Burst}$ nimmt auch die Wahrscheinlichkeit ${\rm Pr}(a \le k_{\rm Burst})$ deutlich zu und es kommt zu „Bursts” mit mehr als einem Fehler. Wählt man beispielsweise $k_{\rm Burst}= 100$, so beinhaltet ein „Burst” im Mittel $1.1$ Symbolfehler.
  
• Das bedeutet gleichzeitig, dass es auch beim BSC–Modell zu langen Fehlerbursts (entsprechend unserer Definition) kommen kann, wenn bei gegebenem $p_{\rm S}$ der Burst–Endeparameter zu groß gewählt ist oder bei vorgegebenem $k_{\rm Burst}$ die mittlere Fehlerwahrscheinlichkeit $p_{\rm S}$ zu groß ist.
  
  

(2)   Grüne Kurve für den Wilhelm–Kanal mit $\alpha = 0.7$:

Das hier angegebene Verfahren zur numerischen Bestimmung der mittleren Fehleranzahl ${\rm E}[G_{\rm Burst}]$ eines Bursts kann unabhängig vom $\alpha$–Wert angewendet werden. Man geht wie folgt vor:

• Entsprechend den Fehlerabstandswahrscheinlichkeiten ${\rm Pr}(a=k)$ generiert man eine Fehlerfolge $e_1$, $e_2$, ... , $e_i$, ... mit den Fehlerabständen $a_1$, $a_2$, ... , $a_i$, ...
  
• Ist ein Fehlerabstand $a_i \ge k_{\rm Burst}$, so markiert dieser das Ende eines Bursts. Ein solches Ereignis tritt mit der Wahrscheinlichkeit ${\rm Pr}(a \ge k_{\rm Burst}) = V_a(k_{\rm Burst} )$ ein.
  
• Wir zählen solche Ereignisse „$a_i \ge k_{\rm Burst}$” im gesamten Block der Länge $n$. Deren Anzahl ist gleichzeitig die Anzahl $N_{\rm Burst}$ der Bursts im Block.
  
• Gleichzeitig gilt die Beziehung $N_{\rm Burst} = N_{\rm Fehler} \cdot V_a(k_{\rm Burst} )$ , wobei $N_{\rm Fehler}$ die Anzahl aller Fehler im Block angibt.
• Daraus lässt sich die mittlere Fehlerzahl pro Burst in einfacher Weise berechnen:

\[{\rm E}[G_{\rm Burst}] =\frac {N_{\rm Fehler} }{N_{\rm Burst} } =\frac {1}{V_a(k_{\rm Burst})}\hspace{0.05cm}.\]

Die Markierungen in der Grafik korrespondieren mit folgenden Zahlenwerten der Fehlerabstandsverteilung:

• Die grünen Kreise (Wilhelm–Kanal, $\alpha = 0.7$) ergeben sich aus $V_a(10) = 0.394$ und $V_a(100) = 0.193$.
• Die roten Kreise (BSC–Kanal, $\alpha = 1$) sind die Kehrwerte von $V_a(10) = 0.991$ und $V_a(100) = 0906$.

Aufgaben zum Kapitel

Aufgabe 5.6: Fehlerkorrelationsdauer

Aufgabe 5.6Z: GE-Modelleigenschaften

Aufgabe 5.7: McCullough-Parameter aus Gilbert-Elliott-Parameter

Aufgabe 5.7Z: Nochmals McCullough-Modell