A maioria dos trabalhos de classifica¸c˜ao de modula¸c˜ao dispon´ıveis na literatura consideram apenas a modelagem do canal com ru´ıdo do tipo AWGN [21], [7], [12], o que torna a avalia¸c˜ao dos classificadores distante das condi¸c˜oes reais de transmiss˜ao. Por esse motivo, optou-se por avaliar o desempenho dos classificadores considerando dois distintos cen´arios na modelagem do canal. S˜ao eles: canal com AWGN e canal com desvanecimento multipercurso.
3.3.1
Canal com AWGN
Um canal com AWGN (Additive White Gaussian Noise) ´e utilizado para caracterizar canais cujo tipo de ru´ıdo respons´avel por degradar a comunica¸c˜ao ´e um ru´ıdo branco adicionado ao sinal. O ru´ıdo branco ´e definido como um sinal aleat´orio estacion´ario de m´edia nula e que tem largura de faixa infinita. O mesmo tem correla¸c˜ao nula entre suas amplitudes tomadas a instantes de tempo distintos, ou seja, o valor da amplitude do ru´ıdo em um determinado instante independe daquele observado em outro instante de tempo qualquer.
O termo Gaussiano se deve ao fato desse tipo de ru´ıdo possuir uma fun¸c˜ao densidade de probabilidade Gaussiana (com m´edia nula). Essa modelagem ´e comumente utilizada na literatura, pois produz um modelo matem´atico simples e f´acil de tratar, que permite ganhar percep¸c˜ao sobre o comportamento do sistema a ser analisado.
Neste cen´ario, o desempenho dos classificadores foi avaliado considerando um ambiente simulado (usando o software MATLAB), no qual os sinais modulados foram corrompidos com AWGN, com RSR variando entre −15 dB e 15 dB, com incrementos de 2 dB. Estes valores de RSR foram baseados em outros trabalhos de classifica¸c˜ao dispon´ıveis na literatura.
3.3.2
Canal com Desvanecimento por Multipercurso
Sinais recebidos por um terminal m´ovel em ambientes urbanos s˜ao provenientes de um n´umero grande de percursos de propaga¸c˜ao. Isto ´e conhecido como propaga¸c˜ao por multipercursos [53]. Os m´ultiplos percursos de propaga¸c˜ao s˜ao causados por reflex˜ao, difra¸c˜ao e/ou espalhamento da onda de r´adio em estruturas naturais (tais como eleva¸c˜oes no terreno, vegeta¸c˜ao, etc.) e constru¸c˜oes (pr´edios, postes, etc.).
O sinal composto na antena receptora sofre varia¸c˜oes de fase e de amplitude, devido aos m´ultiplos percursos que interferem entre si, construtiva ou destrutivamente, dependendo da posi¸c˜ao do receptor. Essas varia¸c˜oes s˜ao chamadas de desvanecimento por multipercursos e ocorrem numa taxa que depende diretamente da velocidade de movimento do terminal m´ovel e/ou dos objetos ao redor deste.
Quando existir um percurso de propaga¸c˜ao predominante, ou linha de visada entre o transmissor e o receptor, o desvanecimento se caracteriza como desvanecimento de Rice e as varia¸c˜oes seguem a fun¸c˜ao densidade de probabilidade de Rice [54]. Quando o sinal chega `a antena por todas as dire¸c˜oes com praticamente a mesma potˆencia m´edia, tem-se o desvanecimento Rayleigh [54]. Em sistemas de comunica¸c˜ao m´ovel terrestre t´ıpico, o ´ultimo tipo ´e predominante e representa o pior caso.
Neste cen´ario, adotou-se o modelo de canal com seis percursos com desvanecimento Rayleigh, definidos no modelo de canal COST 207 [55]. Este modelo define as potˆencias e atrasos dos sinais de cada percurso de acordo com o mostrado na Tabela 3.1.
Outra importante caracter´ıstica sofrida por sinais recebidos por um terminal m´ovel ´e o efeito Doppler. Esse efeito refere-se `a percep¸c˜ao de uma freq¨uˆencia diferente daquela que est´a sendo transmitida. Isso acontece devido ao movimento relativo entre o transmissor e o receptor. Quanto maior a velocidade de deslocamento do receptor em rela¸c˜ao `a dire¸c˜ao de propaga¸c˜ao do sinal, maior a frequˆencia Doppler percebida.
35
Tabela 3.1: Modelo de canal COST 207. No
do Percurso Atraso(µs) Pot^encia(dB)
1 0.0 -2.5 2 0.3 0 3 1.0 -3.0 4 1.6 -5.0 5 5.0 -2.0 6 6.6 -4.0
A frequˆencia Doppler ´e comumente especificada em termos da velocidade do m´ovel. Se o m´ovel se movimenta com uma velocidade v (m/s), ent˜ao a m´axima frequˆencia Doppler ´e calculada como:
F D = vfc λ ,
onde fc ´e a frequˆencia da portadora em Hertz e λ ´e a velocidade da luz (3x108 m/s).
Na modelagem deste cen´ario, adotou-se a m´axima frequˆencia Doppler de 50, 150 e 300 Hz, representando velocidades de movimento de at´e 37,5 m/s. Para implementa¸c˜ao desse canal, utilizou-se AWGN e desvanecimento multipercurso, esse ´ultimo implementado atrav´es da fun¸c˜ao rayleighchan do software MATLAB [56].
A Fig. 3.2 ilustra a degrada¸c˜ao sofrida por um sinal com modula¸c˜ao BPSK, quando considerada uma frequˆencia Doppler de 50 Hz e AWGN com RSR de -2 dB. Torna-se relevante considerar o desvanecimento multipercurso na modelagem do canal, pois esta ´e uma caracter´ıstica encontrada nos canais sem fio reais e alguns classificadores de modula¸c˜ao apresentam dificuldades de caracterizar sinais nestas condi¸c˜oes.
3.4
Reconhecedores de Padr˜ao
Os reconhecedores de padr˜ao fornecem uma abordagem sistem´atica para a constru¸c˜ao de modelos de classifica¸c˜ao a partir de um conjunto de dados de entrada. De tal forma, que o objetivo dos reconhecedores de padr˜ao ´e construir modelos de classifica¸c˜ao com boa capacidade de generaliza¸c˜ao, ou seja, modelos que possam predizer corretamente a classe de um determinado exemplo sem ter sido previamente treinado por ele [38].
Um fator de grande influˆencia na constru¸c˜ao de modelos de classifica¸c˜ao, diz respeito `a sele¸c˜ao de parˆametros do reconhecedor de padr˜ao. Nesta disserta¸c˜ao, utilizou-se a sele¸c˜ao
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 −4 −2 0 2 4 BPSK sem ruído 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 −4 −2 0 2 4
BPSK com desvanecimento por multipercurso
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 −4 −2 0 2 4
BPSK com desvanecimento por multipercurso e AWGN
Figura 3.2: Efeitos do desvanecimento multipercurso e AWGN em um sinal BPSK. autom´atica de parˆametros, objetivando diminuir o tempo associado `a sele¸c˜ao manual e tornar o processo independente da expertise do usu´ario. Para composi¸c˜ao do modelo final de classifica¸c˜ao, foram escolhidos os parˆametros com melhor desempenho durante a sele¸c˜ao autom´atica.
Al´em disso, buscou-se variar os parˆametros entre os valores mais comumente usados de cada reconhecedor, com o objetivo de se alcan¸car uma boa generaliza¸c˜ao do modelo de classifica¸c˜ao.
Os reconhecedores de padr˜ao avaliados nesta disserta¸c˜ao foram: Na¨ıve Bayes, KNN, ´arvore de decis˜ao J4.8, SVM e Rede Neural, os quais representam diferentes paradigmas de aprendizagem. Estes reconhecedores est˜ao implementados no software WEKA, o qual ´e uma ferramenta livre que re´une uma s´erie de reconhecedores de padr˜ao e ´e bastante utilizada no meio acadˆemico para compara¸c˜ao de desempenho em problemas de classifica¸c˜ao. A composi¸c˜ao desse software ser´a melhor descrita na Se¸c˜ao 3.5.
Nesta disserta¸c˜ao, em ambos os cen´arios de modelagem de canal, adotou-se as seguintes configura¸c˜oes para os reconhecedores padr˜ao:
37 • Na¨ıve Bayes: O Na¨ıve Bayes n˜ao requer o uso de sele¸c˜ao autom´atica de parˆametros. Foi utilizada uma distribui¸c˜ao normal para os atributos num´ericos, sendo o parˆametro K (UseKernelEstimator ) configurado como “Falso”, o que corresponde ao Na¨ıve Bayes convencional.
• KNN: Na configura¸c˜ao do KNN foi adotado o algoritmo de busca de vizinhos baseado na distˆancia Euclidiana;
• ´arvore de decis˜ao J4.8: O J4.8 foi configurado com sele¸c˜ao autom´atica para o parˆametro fator de confian¸ca C. Dessa forma, os resultados apresentados nesta disserta¸c˜ao representam o melhor resultado alcan¸cado para valores de fator de confian¸ca variados entre [0,1; 0,25 e 0,5];
• SVM: A SVM foi configurada com kernel linear (K = 0), com parˆametro custo C variando entre [2; 1; 0,5 e 0,25] e grau do kernel D = 3.
• Rede Neural: adotou-se uma Rede Neural do tipo perceptron multicamadas, com algoritmo de aprendizagem backpropagation, n´umero de neurˆonios na camada escondida variando entre [60, 110, 130 e 160] neurˆonios, taxa de aprendizagem variando entre [0,1; 0,5 e 0,9] e taxa de momento variando entre [0,1; 0,2 e 0,4].
Na avalia¸c˜ao de desempenho dos reconhecedores trˆes diferentes conjuntos de dados foram criados: conjunto de treino, teste e valida¸c˜ao. Para garantir a isen¸c˜ao da avalia¸c˜ao do modelo de classifica¸c˜ao, cada um destes conjuntos foi constitu´ıdo por amostras aleat´orias e independentes. E os dados utilizados pelo conjunto de treino para constru¸c˜ao do modelo diferem dos conjuntos de dados utilizados na avalia¸c˜ao desse modelo.
Dessa forma, os resultados da avalia¸c˜ao de desempenho correspondem aos resultados obtidos na classifica¸c˜ao do conjunto de teste, os quais foram analisados de acordo com os seguintes crit´erios:
• Precis˜ao: consiste na habilidade do modelo em avaliar ou prever corretamente classes, agrupamento ou regras. Nesta disserta¸c˜ao foi representada pela porcentagem de classifica¸c˜ao correta;
• Robustez: consiste na habilidade do modelo em avaliar ou prever corretamente utilizando dados ruidosos;