📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 4周 📈⚡ 訊號煉金術：DSP 與自適應濾波
——通訊基頻處理的核心引擎
40／150單元： 第四章小結×章末 測驗 🛰️ DSP × 基頻架構
________________________________________
📘複習 第 4 章：DSP × 基頻處理
本章帶你走完了通訊工程中最重要的一條主線——
如何把“電磁波”轉成能運算的數位訊號，再把訊號變乾淨、可偵測、可解調。
從時域/頻域分析、FFT、濾波器設計，到取樣定理、同步、多速率處理，再到 LMS/RLS 等自適應濾波器，以及 Massive MIMO Beamforming，最後以 AI 輔助濾波收尾……
整套流程，就是一個完整 5G/6G 全基頻處理鏈（Baseband Processing Chain）。
你會發現：
DSP 看似是“數位訊號計算”，但在通訊系統中，它其實是：
📌 把通道的不確定性 → 函數化、數位化、可被演算法處理化。
這個章節的每一個單元，都是基頻處理中不可或缺的模組：
• 時域 vs 頻域（理解訊號本質）
• FFT（OFDM 的靈魂）
• FIR/IIR（頻率選擇工具）
• 取樣定理（避免 aliasing）
• 同步（不準 → 系統崩潰）
• 多速率系統（5G/6G 節能與高效率關鍵）
• LMS/RLS（硬體可實現的“學習型濾波器”）
• Beamforming（MIMO 的方向控制核心）
• AI 濾波（6G 特色：AI-native PHY）
這些看似不同的技術，真正共同指向的是：
⭐ DSP = 把真實、連續、隨機的電波 → 轉成離散、可運算、可優化的訊號模型。
AI = 把這些訊號 → 交給神經網路自動找答案。
因此，本章不只在教 DSP，而是在教：
📡 如何讓無線通訊變成一種“可被演算法控制的系統”。
你學到的不只是工具，而是完整的通訊系統底層認知。
________________________________________
🧠 第 4 章重點總整理（31～39 單元）
________________________________________
🎛 31. 時域/頻域：訊號兩種“語言”
• 時域看“波形”
• 頻域看“能量分布”
• 所有 OFDM/MIMO 都在頻域運作
→ 理解兩者切換（Fourier Transform）超重要
________________________________________
⚡ 32. FFT/IFFT：OFDM 的加速引擎
• FFT：將訊號分解成子載波
• IFFT：把頻域資料合成回時域
• 5G/6G 不用 FFT = 系統直接死掉
→ 這是整個基頻硬體最關鍵的核心
________________________________________
🔧 33. FIR/IIR 濾波器：訊號清潔工具
• FIR 穩定、必收斂
• IIR 複雜但效率高
• 濾波器 = 調整頻域形狀的工具
→ 尤其重要於 OFDM 的子載波保護 & 雜訊抑制
________________________________________
🪜 34. 取樣定理與同步：失敗 → 整包 BER 爆炸
• Nyquist：沒有足夠頻寬就會 aliasing
• 同步：5G/NTN 系統成敗的分水嶺
→ mmWave 與 LEO 衛星對同步要求極高
________________________________________
↕️ 35. 多速率處理：降低計算成本的關鍵
• 下取樣 / 上取樣
• CIC、Polyphase、Decimator
→ 實作 OFDM、5G 上下變頻時必用
5G/6G 為何能高頻低電耗？
靠的就是多速率架構。
________________________________________
🎛 36. LMS 適應濾波：可自學的濾波器
• 用梯度下降自己更新係數
• 通道變，你的濾波器也變
→ 等化 & Echo Cancellation 的基石
________________________________________
🎚 37. NLMS/RLS：更快的適應方法
• NLMS：避免發散
• RLS：學習速度極快
→ 用於 5G Massive MIMO / mmWave 快速估測
________________________________________
🔦 38. Beamforming：Massive MIMO 的方向控制魔法
• 控制方向增益
• 抗衰落、抗干擾
• mmWave、RIS、LEO 完全依賴 beamforming
→ 6G 的核心能力之一
________________________________________
🤖 39. AI 輔助濾波：6G 時代引擎
AI 可以做：
• Channel Estimation
• Equalization
• Denoising
• Doppler Prediction（星鏈重點）
→ 真正讓 DSP 變成“AI-native PHY”
________________________________________
⭐ 本章最重要的一句話
📌 DSP 讓通訊可運算，AI 讓通訊可學習。
兩者結合 → 6G 的 AI-native 無線系統。
________________________________________
📝 第 4 章：章末測驗（10 題）
________________________________________
（1）為什麼 OFDM 一定要使用 FFT / IFFT？
OFDM 需同時產生與分離大量彼此正交的子載波。直接以數學方式實作多載波調變計算量極高，而 FFT/IFFT 可將複雜度由 O(N²) 降為 O(N log N)，使 OFDM 能在實務系統中即時運作，並讓頻域等化簡化為每個子載波的一次乘法。
________________________________________
（2）FIR 與 IIR 的核心差異？
FIR 濾波器無回授結構，具有有限記憶、一定穩定，且可設計為線性相位，因此常用於通訊基頻與同步；IIR 濾波器具回授，能以較低階數達到相同頻率選擇性，但可能存在穩定性與相位失真風險，較常用於語音或類比等效濾波。
________________________________________
（3）若系統取樣率不足會發生什麼？為何致命？
取樣率不足會違反取樣定理，導致頻域混疊（aliasing），使高頻成分折返到基頻並與有用訊號重疊。此失真在數位域中是不可逆的，後續任何濾波或等化都無法還原原始訊號，因此在通訊系統中屬於致命錯誤。
________________________________________
（4）為什麼 NTN（星鏈）同步特別困難？
LEO 衛星高速移動造成極高 Doppler 頻移與快速變動的傳播延遲，使頻率同步與時間同步需持續追蹤。此外，星地距離遠、回授延遲大，導致傳統以靜態假設為前提的同步方法難以適用。
________________________________________
（5）LMS 與 RLS 的學習差異？
LMS 以隨機梯度下降更新係數，計算量低、結構簡單，但收斂速度慢且對步階選擇敏感；RLS 利用輸入訊號的相關性資訊進行更新，能快速收斂並追蹤快速通道變化，但計算複雜度與記憶體需求顯著較高。
________________________________________
（6）Beamforming 的核心目標是什麼？
透過空間加權控制天線陣列的輻射方向，使期望訊號方向能量最大化，同時在干擾方向形成抑制或零點，以提升接收端的 SNR 或 SINR，進而提高系統容量與連線可靠度。
________________________________________
（7）為什麼多速率系統能降低計算量？
多速率系統在訊號頻寬受限後及早進行降取樣，使後續 FFT、等化與解碼模組在較低取樣率下運作。由於運算量與取樣率近似成正比，這能大幅降低 DSP 或 CPU 負載，是基頻架構設計的關鍵技巧。
________________________________________
（8）在 OFDM 中，窄帶干擾（NBI）通常破壞什麼？
窄帶干擾主要影響其所在頻段附近的少數子載波，使這些子載波的 SNR 嚴重下降，進而造成局部錯誤率上升，而非整個 OFDM 符元全面失效。
________________________________________
（9）AI 等化器相較 ZF 最大的優點？
AI 等化器不依賴精確通道模型，可學習非線性失真、硬體效應與通道時變特性，在高速移動或模型失配環境下，較 ZF 具有更佳的穩定度與整體效能。
________________________________________
（10）DSP 與 AI 在 6G 中的角色是什麼？
DSP 提供可解釋、可驗證、低延遲且穩定的基礎訊號處理；AI 則用於補足理論模型不足，處理高動態、非線性與不確定通道。6G 系統將以 DSP 為骨幹、AI 為增強層 的混合架構為主流。
________________________________________
📌總結一句話：
6G 的核心不是拋棄 DSP，而是讓 AI 在關鍵瓶頸處強化 DSP 的能力。
________________________________________
🎓 第 4 章｜學習後的收穫
• 建立 時域與頻域雙重觀點，能依情境選擇合適的訊號分析方式。
• 理解 FFT / IFFT 為 OFDM 能即時實作的關鍵，並掌握其在頻域等化中的角色。
• 掌握 FIR 與 IIR 濾波器 的結構差異、穩定性與實務應用取捨。
• 認識 取樣定理與同步的重要性，並理解取樣不足與同步誤差的不可逆影響。
• 了解 LEO / NTN 衛星通訊同步挑戰，包含高 Doppler 與時變延遲問題。
• 學會 多速率訊號處理 的設計概念，能透過降取樣有效降低運算量。
• 理解 LMS、NLMS、RLS 自適應濾波 的收斂特性與計算複雜度差異。
• 掌握 Beamforming 的核心目標與其在 Massive MIMO 中的應用。
• 認識 AI 輔助濾波與等化 在非理想通道與高動態環境下的優勢。
• 建立 DSP 與 AI 協同運作 的系統觀，理解其在 5G/6G 基頻架構中的角色分工。
