Approche de détection linéaire qui choisit un filtre linéaire (matrice) mappant le vecteur reçu en estimations de symboles en minimisant l’erreur quadratique moyenne entre symboles transmis et estimations sous un modèle de bruit additif ; dans le modèle linéaire standard la solution est l’inverse régularisé W=(Ĥ^H Ĥ + σ^2 I)^{-1} Ĥ^H et elle équilibre suppression d’interférence et amplification du bruit.

Principe

Le filtre MMSE réalise une inversion régularisée du canal : l’ajout d’un terme identité pondéré par la variance du bruit pénalise les gains de filtre élevés dans les directions où le canal est faible, de sorte que l’estimateur minimise l’erreur quadratique moyenne attendue plutôt que d’imposer coûte que coûte l’annulation d’interférence ; lorsque la variance de bruit →0 la solution MMSE tend vers la solution ZF.

Démonstration

Scénario illustratif : pour un canal MIMO connu Ĥ et une variance de bruit σ^2, calculer W = (Ĥ^H Ĥ + σ^2 I)^{-1} Ĥ^H et former x̂ = W r. Cela produit une estimation linéaire biaisée avec une MSE plus faible que ZF à SNR fini parce que la régularisation réduit l’amplification du bruit dans les directions faibles du canal.

Mauvaise application

Utiliser une variance de bruit incorrecte ou un Ĥ mal estimé dans la formule MMSE est une erreur de raisonnement : le terme de régularisation ne correspond alors pas à l’équilibre réel bruit/interférence et le filtre ne minimise plus la MSE réelle, ce qui peut détériorer la détection par rapport à d’autres méthodes.

Conséquence

À SNR pratique et avec des estimations de canal raisonnables, MMSE dépasse typiquement ZF en réduisant l’amplification du bruit et en abaissant la MSE ; toutefois, MMSE reste linéaire et est sous‑optimal par rapport aux détecteurs ML sur constellations discrètes, en particulier à faible SNR ou lorsque des lois a priori sur les symboles devraient être exploitées non linéairement.

Inversion

Dans la limite de SNR élevé (σ^2→0) et pour Ĥ de plein rang, MMSE converge vers ZF ; lorsque des distributions a priori des symboles ou un bruit non‑gaussien sont pertinents, des estimateurs bayésiens non linéaires ou des détecteurs ML peuvent surpasser le MMSE linéaire.

Limite

Manifestement dans : modèles linéaires de bruit gaussien pour MIMO ou égalisation où un estimateur linéaire est recherché et où une estimation de la variance de bruit est disponible. Cas limite : interférence fortement non‑gaussienne où la linéarité MMSE est un mauvais ajustement. Manifestement hors du champ : détection ML discrète exacte sur constellations ou méthodes incorporant explicitement a priori discrets et régions de décision.

Tension sémantique

Compromis biais‑variance : MMSE accepte un biais contrôlé (régularisation) pour réduire la variance (amplification du bruit), versus l’inversion non biaisée mais à forte variance du ZF ; le concepteur choisit MMSE lorsque la réduction de la MSE sous bruit est prioritaire sur l’annulation stricte d’interférence.

Synthèse

MMSE formalise l’inversion régularisée du canal comme estimateur linéaire optimal au sens de la MSE sous hypothèse de bruit gaussien ; il fournit un compromis fondé entre annulation d’interférence et évitement de l’amplification du bruit, et tend vers ZF quand le bruit disparaît.