Escolar Documentos
Profissional Documentos
Cultura Documentos
Widely Linear Adaptive Equalization of Digital Communication Channel
Widely Linear Adaptive Equalization of Digital Communication Channel
1, MARCH 2010
Abstract In this paper, we employ the widely linear disponvel para a inicializao e ajuste peridico dos
adaptive processing technique in digital communication channel parmetros do equalizador, temos uma equalizao treinada.
equalization. We present two new techniques for supervised and Quando tal seqncia de dados no est disponvel, mas
unsupervised equalization. In the supervised technique the multi-
apenas o modelo estatstico do sinal transmitido, temos uma
split transform is aggregated to the widely linear processing,
using a power normalized and time-varying step-size LMS equalizao autodidata.
algorithm. The unsupervised technique consists of a widely linear O uso de processamento LL em equalizao de canal requer
adaptive prediction-error filter using the time-varying step-size que o sistema de comunicao digital possa ser analisado sob
LMS algorithm proposed by Kwong and Johnston. We show that o ponto de vista de uma transmisso de dados reais sobre um
this technique can invert non-minimum phase channels. The canal complexo. Desta maneira, o sinal recebido imprprio.
main advantages of the proposed equalizers are the low Como exemplo, podemos citar os sistemas que usam
computational complexity and better performance in terms of
convergence rate and accuracy, when compared to the modulaes OQAM, MSK e GMSK. De fato, tais sistemas
conventional equalization techniques. Simulation results show podem ser modelados como uma transmisso de sinais reais
that the widely linear equalizers have a good performance. por um canal complexo [2].
Em [2], apresentado o uso do processamento LL para
Keywords widely linear processing, channel equalization, equalizao de canais seletivos em freqncia. Equalizadores
LMS algorithm, multi-split transform.
treinados, com resposta ao impulso finita (FIR) e infinita
(IIR), e realimentado por deciso (DFE_decision feedback
I. INTRODUO
equalizer) so derivados e adaptados utilizando o algoritmo
O processo x(n) conhecido como prprio quando (n1,n2) Figura 2: Esquema de filtragem adaptativa de Wiener
igual a zero, e a FPAC pode ser omitida. Por outro lado, se o
processo x(n) apresenta uma FPAC no nula, este dito ser podendo ser diferente de zero para |k| < L+1. Neste caso, o
imprprio. Um processo imprprio estacionrio no sentido processamento largamente linear se aplica e o equalizador
amplo (wide-sense stationary WSS) se, e somente se, formado por dois filtros transversais em paralelo: w = [fT gT]T.
E{x(n)} = mx uma constante e tanto a FAC quanto a FPAC
no dependentem dos instantes de tempo discretos n1 e n2, e III. TCNICA MULTI-SPLIT
sim da diferena entre eles [7]. O algoritmo LMS um importante membro da famlia de
B. Modelagem do sistema algoritmos de gradiente estocstico. Duas caractersticas
importantes do algoritmo LMS so sua simplicidade e
O canal de comunicao digital modelado por um filtro
robustez. Alm disto, no requer o conhecimento de funes
FIR de ordem L, com coeficientes complexos. O sinal na sada
de correlao, nem envolve inverso de matrizes.
do canal, x(n), em banda base, assumindo sincronizao
Infelizmente, seu desempenho, em termos de capacidade de
perfeita de portadora, descrito por:
L
rastreamento e taxa de convergncia, depende do
x (n) = hm ( n ) a ( n m ) + ( n ) , (3) espalhamento dos autovalores da matriz de correlao do sinal
m =0 de entrada e da escolha do passo de adaptao [8]. A Fig.2
onde a(n) denota o smbolo transmitido, pertencente a uma mostra o esquema clssico de filtragem adaptativa de Wiener
constelao A real, de mdia nula e varincia a2, hm(n) o m- utilizando o algortmo LMS, onde x(n) o sinal de entrada,
w(n) o vetor de coeficientes do filtro, y(n) o sinal de sada,
simo coeficiente do canal, no instante n, e (n) um rudo
d(n) o sinal desejado e e(n) o sinal de erro.
aditivo, gaussiano, complexo, de mdia nula e varincia 2.
Teoricamente, usando uma transformao de similaridade
Os smbolos gerados pelo transmissor so assumidos ser
como, por exemplo, a transformao de Karhunen-Love
independentes e identicamente distribudos (i.i.d.), e o rudo
(KLT), possvel obter uma diagonalizao da matriz de
(n) independente de a(n).
autocorrelao e melhorar a taxa de convergncia do
Para no carregar muito a notao, ser omitida a
algoritmo LMS, atravs de uma adaptao normalizada na
dependncia temporal do canal. A Fig.1 ilustra o modelo
potncia. Porm, a transformao KLT, alm de requerer o
descrito e o emprego do processamento largamente linear em
conhecimento da matriz de autocorrelao, possui uma
equalizao de canal de comunicao digital.
elevada complexidade computacional [9].
Considerando que o canal h seja estacionrio no sentido
Transformaes alternativas que no requerem o
amplo, a partir de (2) e (3), a FPAC de x(n) pode ser calculada
conhecimento a priori da matriz de autocorrelao, como a
por [2]:
DCT (discrete cosine transfom) e a DFT (discrete Fourier
( k ) = a2 hm + k hm , (4) transform), tambm podem ser empregadas, mas ainda com
m
complexidades computacionais proibitivas quando a ordem do
filtro muito elevada.
32 IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 1, MARCH 2010
xi ( j )
2
n j Nesta seo, apresentado um filtro de erro de predio
pi ( n ) largamente linear (FEPLL) que, ao contrrio de sua verso
ri ( n ) =
j =1
= , (8)
n
qi ( n ) estritamente linear, capaz de equalizar canais de fase no
n j
j =1
mnima ou que tenham nulos espectrais [11].
onde pi(n) e qi(n) so recursivamente obtidos por: A. Filtro de erro de predio linear (FEPL)
pi ( n ) = xi ( n ) + pi ( n 1)
2
(9) O problema de predio linear direta (forward) consiste em
prever o valor futuro de uma seqncia Xn discreta no tempo,
e
aleatria e estacionria, a partir da combinao linear das
qi ( n ) = 1 + qi ( n 1) , (10) amostras passadas desta mesma seqncia [8]. Ou seja, dados
onde (0 << 1) um fator de esquecimento. Para um os valores x(n), x(n-1), , x(n-M+1) indicando as M amostras
ambiente estacionrio pode ser unitrio. passadas da seqncia at e incluindo o instante n,
AQUINO et al.: WIDELY LINEAR ADAPTIVE EQUALIZATION 33
( )
x n + k X n ,n M +1 corresponde ao valor predito no instante de calculados pela resoluo do seguinte sistema de equaes:
= , (16)
( ) H HT + I g Hh*e
e ( n ) = x ( n ) x n X n 1, n M ,
H
(12) HH
e conhecida como resduo ou erro de predio direta onde = n2 / a2 e I uma matriz identidade de dimenso
(forward prediction error). O preditor timo, no sentido MSE M M . Os vetores timos so dados por:
(mean square error), aquele que minimiza o valor mdio
quadrtico de e(n), isto , os coeficientes bk* [ n ] , k=1, ..., M, 1
( )
fopt = HH H + I HHT H* HT + I ( ) H* H H
1
(
g opt = HHT HH H + I H* H H )( ) (H H )
+I
1
* T
O FEPLL utiliza alm de x(n) seu conjugado complexo
x*(n), como mostra a Fig.5. De acordo com esta figura, o erro (18)
de predio largamente linear pode ser expresso por:
M M
( H h ( HH
* *
e
H
)(
+ I H* H H )
1
Hh*e . )
eLL ( n ) = x ( n ) f k* ( n ) x ( n k ) g *k ( n ) x* ( n k )
k =1 k =1 (13) Nota-se que fopt g*opt , que diferente do que ocorre no caso
= x (n) f H
( n ) x ( n 1) g ( n ) x ( n 1) ,
H *
de equalizao treinada quando fopt = g*opt [2], [10], [11].
onde x(n-1) = [x(n-1) x(n-2) ... x(n-M)]T, x(n) = hTa(n) + (n), Alternativamente, para o caso de um canal sem rudo, isto ,
com h = [h0 h1 ... hL]T, f(n) = [f1(n) ... fM(n)]T, = 0, pode-se reescrever o sistema de equaes em (16)
g(n) = [g1(n) ... gM(n)]T e a(n) = [a(n) ... a(n-L)]T. como:
h0 h0* 0 0 0 0 f1 h0
Omitindo a dependncia temporal dos filtros f e g, pode-se
h0 h0* g1
reescrever (13) como h hL* 0 0 hL
L = . (19)
eLL (n ) = h Te a e (n ) f H (Ha e (n ) + (n 1)) + 0 0 hL hL* h0 h0* 0
(14)
(
g H H *a e (n ) + * (n 1) , )
fM
0 0 hL hL* g M 0
onde he = [h0 ... hL 0 ... 0]T tem dimenso (M+L+1) 1, ae(n) =
[a(n) ... a(n-L) 0 ... 0]T, com mesma dimenso de he,
A partir de (19) e usando os resultados gerais apresentados
(n 1) = [[n 1] [n 2] ... [n M ]] e a matriz do canal
T
em [1], [2], [12], [13], podemos fazer as seguintes
de dimenso M (M+L+1) definida por: observaes para que exista uma soluo tima:
o canal precisa ser complexo (ao menos um
0 h0 h1 hL 0 0 coeficiente precisa ser complexo);
os canais h e h* no podem possuir zeros em comum
0 0 h0 h1 hL
H= , (15) (identidade de Bezout);
0
os filtros timos fopt e g opt precisam ter somente L
0 0 0 h0 h1 hL
coeficientes.
sendo que a coluna de zeros em H corresponde ao atraso de Tal soluo tima para o FEPLL corresponde a um
uma amostra. equalizador do tipo zero-forcing (ZF), com eLL(n) = h0a(n).
Aplicando o critrio MMSE (minimum MSE) e as regras de
derivao complexa [2], [8], os filtros f e g timos podem ser
34 IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 1, MARCH 2010
C. Algoritmo adaptativo LMS-LL com passo fixo onde 0 < min < max e X () um erro que depende de qual
Segundo a tcnica LMS, os filtros f e g so adaptados pelas passo est sendo adaptado, como ser explicado a seguir.
seguintes equaes:
eLL ( n )
2
f ( n + 1) = f ( n )
f * ( n ) (20)
= f ( n) + e *
LL (n) x (n)
e
Figura 6: Diagrama de blocos do FEPLL adaptativo proposto.
eLL ( n )
2
g ( n + 1) = g ( n )
g* ( n ) (21) Usualmente, usamos como valor inicial ( 0 ) = max . Em [4],
= g ( n ) + e*LL ( n ) x* ( n ) , ( )
sugerido que max = 0,1 N . x2 , sendo N o nmero de
onde o passo de adaptao. Os filtros so inicializados coeficientes do filtro f (ou g) e x2 a potncia mdia do sinal
fazendo f(0)=g(0)=0. na sada do canal.
A Fig.6 mostra o diagrama de blocos do equalizador Como pode ser observado a partir de (28), o passo de
adaptativo proposto usando o FEPLL. Para compensar o efeito adaptao sempre positivo e controlado pelos parmetros
multiplicativo provocado pelo coeficiente complexo do canal, e X . Tipicamente, 0,98 um valor adequado para ,
h0, utilizado um CAG complexo (n) = (n)e j ( n ) , cujo o enquanto que o valor de X usualmente pequeno (da ordem
ajuste de fase e magnitude realizado segundo as equaes: de 10-5 nas simulaes deste artigo). Naturalmente, a adoo
do passo varivel acarreta em uma maior complexidade
(
(n + 1) = (n) + Im eDD ( n ) y* ( n ) , ) (22) computacional para o algoritmo.
{ }
G ( n + 1) = G ( n ) + G E a ( n ) y ( n ) ,
2 2
(23)
Para cada passo ( , G ou ), o erro X ( n ) calculado
de forma diversa:
e
( n) = ( y ( n)) y ( n)
(n) = G (n) , (24) G G ( n ) = ( y ( n ) ) Re { y ( n )} (27)
e
eDD ( n )
2
g ( n + 1) = g ( n )
g* ( n ) (29)
= g ( n ) ( n )e *
DD (n) x ( n) .
*
A Fig.10 apresenta as curvas de aprendizado para os parmetros foram estabelecidos aps vrias rodadas de
algoritmos LMS-LL, LMS-LL-N e LMS-LL-MS. Neste caso, simulao, de tal forma que os dois equalizadores,
o atraso de propagao utilizado foi de 2 amostras. especialmente o equalizador CMA, apresentassem um
Novamente, para um mesmo erro quadrtico mdio final ,pode desempenho satisfatrio, isto , sempre conseguisse convergir.
ser observado que o algoritmo LMS-LL-MS converge com A Fig.13 mostra a comparao entre o MSE dos dois
um nmero menor de iteraes. Os passos de adaptao equalizadores. Estas curvas foram obtidas pela mediao de
usados foram: LL = 0,0050; N = 0,25 e LL-MS = 1/32. 500 realizaes independentes.
Em todas as simulaes realizadas, o desempenho do
equalizador largamente linear, usando o algoritmo LMS em TABELA I
conjunto com a tcnica multi-split, foi superior ao dos PARMETROS DO ALGORITMO LMS DE PASSO VARIVEL DO FEPLL
algoritmos LMS-LL e LMS-LL normalizado (LMS-LL-N). min = 2 ,80 104
: = 3 , 5 105
passo varivel
os canais usados nas simulaes anteriores. O FEPLL tem dez G : G = 1, 5 105
max = 3 , 0 103
coeficientes complexos, isto , cinco no filtro f e cinco no
filtro g. Os demais parmetros usados na simulao esto min = 8 , 0 104
: = 8 105
indicados na Tabela I. max = 3 , 0 103
i) Simulao 1 considerado que o canal sofre uma = 0,35 (limiar para o modo de deciso direta)
mudana brusca no instante n = 5000, passando de h1(z) para
h2(z). Podemos observar pela Fig.11 que o FEPLL com o
algoritmo de passo varivel conseguiu se recuperar
rapidamente aps a mudana do canal. Isto , foram
necessrios cerca de 1.500 smbolos para que o equalizador
conseguisse compensar o canal. Levando-se em conta o
reduzido nmero de coeficientes do FEPLL (baixa
complexidade computacional), esse um bom resultado
quando comparado as outras tcnicas de equalizao cega
encontradas na literatura [16], [17], [18].
A IES residual, definida como [16]
( hek
2
) he 2
k max
IES = k
2
, (31)
hek max
[9] L.S. Resende, J.M.T. Romano, and M.G. Bellanger, Split Wiener
filtering with application in adaptive systems. IEEE Transactions on
Signal Processing; vol. 52; no. 3; pp. 636-644; Maro 2004.
[10] R.D. Souza, L.S. Resende, M.G. Bellanger, Efficient Implementation of
Multi-Split LMS Filtering with Complex Parameters, Proceedings of
Erro quadrtico mdio