Um estudo sobre técnicas de equalização autodidata.

Abstract

Agradecimentos Meus agradecimentos ao Prof. Max Gerken, que me orientou com grande competência científica durante o mestrado e dois anos do doutorado. Obrigado Max, pela orientação cuidadosa, discussões técnicas valiosas, confiança, segurança e amizade. A minha orientadora, Profa. Maria D. Miranda, pela orientação rigorosa, extrema dedicação e preocupação constante com o desenvolvimento do trabalho. Suas críticas e sugestões tiveram uma importância fundamental. Agradeço também pela paciência, confiança, amizade e preocupação com a minha carreira. Ao Prof. Vítor H. Nascimento, pelas sugestões e discussões técnicas enriquecedoras. Ao Prof. Luiz A. Baccalá, pelo apoio constante.Ao Prof. J. R. C. Piqueira, pelo apoio e pelas sugestões dadas no exame de qualificação. Ao Prof. Phillip M. S. Burt, pela leitura meticulosa da tese e pelas sugestões interessantes. A toda minha família, em especial aos meus pais Maria e Maciel, pelo amor incondicional e permanente incentivo. Ao amigo Eduardo F. Camacho, pelo companheirismo e pela convivência agradável. A todos os colegas do Laboratório de Comunicações e Sinais, em especial ao amigo Pablo E. Jojoa, pelo apoio e pela convivência. A Fundação de Amparoà Pesquisa do Estado de São Paulo (FAPESP), pelo financiamento deste trabalho. i Resumo Neste trabalho, investigam-se técnicas autodidatas baseadas em estatísticas de ordem superior, aplicadasà equalização de canais de comunicação. Inicialmente, obtém-se um intervalo do passo de adaptação que assegura a convergência do algoritmo do Módulo Constante com o gradiente exato. Algoritmos como o CMA (Constant Modulus Algorithm) e o SWA (Shalvi-Weinstein Algorithm) são revisitados e suas capacidades de tracking analisadas, utilizando-se uma relação de conservação de energia. Além disso,é proposto um algoritmo autodidata denominado AC-CMA (Accelerated Constant Modulus Algorithm) que utiliza a segunda derivada ("aceleração") da estimativa dos coeficientes. Esse algoritmo pode apresentar um compromisso mais favorável entre complexidade computacional e velocidade de convergência que o CMA e o SWA. Esses resultados são estendidos para o caso multiusuário. Através de simulações, os algoritmos são comparados e as análises de convergência e tracking validadas. Considerando o DFE (Decision Feedback Equalizer ) no caso monousuário com o critério do módulo constante,é proposto um algoritmo concorrente que evita soluções degeneradas e apresenta um desempenho melhor do que os existentes na literatura. Com o intuito de evitar propagação de erros,é proposta uma estrutura híbrida que utiliza uma rede neural recorrente na malha de realimentação. Resultados de simulações indicam que seu uso pode ser vantajoso para canais lineares e não-lineares. ii Abstract The equalization of communication channels is addressed by using blind techniques based on higher order statistics. A step-size interval is obtained to ensure the convergence of Steepest-Descent Constant Modulus Algorithm. The Shalvi-Weinstein Algorithm (SWA) and Constant Modulus Algorithm (CMA) are rev...

Técnicas de equalização de canais de comunicação aplicadas a imagens.

“…Para isso, são considerados ltros empregados em equalização de canais de comunicação, como o equalizador linear transversal e o equalizador de decisão realimentada [Silva, 2005]. Além disso, são utilizados algoritmos que apresentem boa capacidade de tracking e que consigam um bom desempenho para imagens com muitos bits/pixel, o que é equivalente a se ter muitos símbolos na constelação.…”

“…[Hadhoud e Thomas, 1988, Vural e Sethares, 2002. Dentre essas téc-nicas, destacam-se os algoritmos de equalização autodidata de canais de comunicação [Silva, 2005]. Embora existam alguns trabalhos na literatura sobre a extensão do CMA para restauração de imagens, ainda há um vasto trabalho de extensão a ser feito.…”

“…No caso supervisionado, o sinal transmitido é usado como referência e o erro de estimação é calculado efetuando-se a diferença entre sinal transmitido atrasado d(n) = a(n−∆) e a sua estimativa y(n). No caso autodidata, em que não se possui uma sequência de treinamento para referência, o sinal desejado pode ser estimado através de estatísticas de ordem superior do sinal transmitido [Silva, 2005].…”

Algoritmos eficientes para equalização autodidata de sinais QAM.

“…Cabe notar que a variávelγ já havia sido definida na página 80, já que ela tem um papel importante no mecanismo que evita divergência de algoritmos baseados no módulo constante. E importante observar que usando (5.6), a variância de v(n) pode ser estimada teoricamente, utilizando a seguinte expressão devidoàs suas vantagens inerentes, que são bem conhecidas e justificadas, por exemplo, em [TREICHLER; JR., 1996;QIN et al, 2004;SZCZECINSKI;GEI, 2002;SILVA, 2005] e suas referências. Um sinal i.i.d.…”

“…Assim, o valor mínimo da função custo do erro quadrático médioé dado neste caso por MSE min (n) = J min (n) = E{|v(n)| 2 } = σ 2 v (n). Cabe notar que a menos que se considere sobreamostragem, ausência de ruído e outras condições bem conhecidas na literatura (veja, e.g., [SILVA, 2005]), Por fim, uma medida de desempenho muito utilizada em sistemas de comunicaçãoé a taxa de erro de símbolos. Essa medidaé definida como a razão entre o número de símbolos recuperados com erro e o número total de símbolos transmitidos, para uma determinada razão sinal-ruído (SNR) e considerando o algoritmo adaptativo em regime, ou seja, SER(SNR) = Número de símbolos recuperados com erro Número total de símbolos transmitidos .…”