Para avaliar o desempenho dos algoritmos descritos neste capítulo realizamos simu- lações numéricas, medindo as taxas médias de erro de bit (BER) obtidas ao longo de 250 realizações independentes. O sistema de comunicação analisado transmite blocos de 400 símbolos BPSK (±1) (independentes e equiprováveis, codificados diferencial- mente ou não dependendo do algoritmo empregado). Em todas as simulações, os 100 primeiros símbolos são descartados para fins de medição das taxas de erro de modo a permitir a convergência dos algoritmos analisados. Nas simulações a seguir, empre- gamos o canal h = [ 0, 41 − 0, 82 0, 41]T e ruído aditivo gaussiano branco (real) de
(Inicialização) Para i = 1 : N h(i)0 ∼ N (h0|¯h0; Σ0). X0(i) ∼ p(X0). Fim (Algoritmo) Para n > 0 1) Para i = 1 : N, A) Para r = 1 : P , amostre
h(i,r)n ∼ N (hn|h(i)n−1; I(ρ2/2)). Fim
B) Amostre Xne hnconjuntamente da densidade discreta π(Xn, hn)∝ pvn(yn− h
H
nXn)p(Xn|X (i)
n−1)I{hn = h(i,r)n }, C) Calcule e normalize os pesos
wn(i) ∝r,spvn(yn− h (r)H n Xn(s))p(Xn(s)|Xn−1(i) )N (h (r) n |h(i)n−1; Iρ2/2) . D) Obtenha b(i) n decodificando x(i)0:n. Fim
2) Reamostre o conjunto de partículas de acordo com os pesos w(i) n . 3) Estime p(bn) por p(bn = B|y0:n)≈ 1 N N −1 i=0 I{b (i) n = B} . Fim
Tabela 3.5: Algoritmo para equalização cega sob ruído com distribuição genérica ba- seado no método de evolução artificial utilizando função de importância modificada. fazendo h(i)
0 ∼ N (h|0; I), e a relação sinal-ruído (SNR) foi definida como SN R h2
σ2 v
.
Na Figura 3.1 mostramos o desempenho médio dos algoritmos para equalização descritos nesta seção em função da relação sinal-ruído (SNR), empregando 100 par- tículas e limiar de reamostragem11 T
M IN = 1 (i.e., forçando reamostragem a cada iteração). Para efeito de comparação, mostramos também as taxas médias de erro ob- tidas através do equalizador ótimo MAP (algoritmo BCJR12).
Como se pode observar na Figura 3.1, o algoritmo determinístico teve um desem- penho bastante superior ao dos demais. Quanto à forma de combate aos efeitos da
11Aplicável somente aos filtros estocásticos.
12O algoritmo BCJR, descrito no Apêndice F, determina a probabilidade a posteriori p(x
0:n|y0:n) dado o bloco y0:ne os parâmetros do canal. Para permitir uma comparação justa, a BER média produ- zida pelo algoritmo BCJR foi estimada tomando os 300 elementos centrais de um bloco de 400 amostras do sinal decodificado, sendo a estimativa MAP de x0:ncalculada e os bits transmitidos b0:nestimados decodificando-se diferencialmente esta seqüência.
ambigüidade de fase, podemos observar também que os métodos (determinísticos)13 empregando codificação diferencial e pivotamento exibiram praticamente o mesmo desempenho, enquanto o uso de codificação diferencial implícita levou a um desempe- nho bastante inferior.
Ao se aumentar o número de partículas empregado para N = 300 (Fig. 3.2) e N = 500 (Fig. 3.3), observa-se uma melhoria no desempenho dos métodos estocás- ticos e baseados em evolução artificial. Curiosamente, porém, o desempenho do mé- todo determinístico começa a se degradar quando o número de partículas ultrapassa N = 300, o que talvez possa a ser explicado pela tendência do método de seleção de partículas determinístico de introduzir um viés crescente em função do número de partículas utilizado. Note ainda que a diferença de desempenho de aproximadamente 6 dB entre o método ótimo (BCJR) e o melhor dos algoritmos cegos persiste, mesmo com N = 500.
Nas Figuras 3.4 e 3.5, repetimos o mesmo experimento, empregando agora a téc- nica de suavização descrita na Sec. 2.4.2, com atraso de 5 e 10 amostras respectiva- mente e N = 300 partículas. Observando estas figuras, pode-se notar que o desempe- nho de todos os métodos é grandemente melhorado pelo uso da técnica de suavização (5 amostras), o que faz com que o desempenho do método determinístico praticamente coincida com o ótimo para SNR intermediárias (persistindo, porém, uma perda de de- sempenho de aproximadamente 2 dB sob baixos níveis de ruído). Note, porém, que ao se aumentar o atraso para 10 amostras, o desempenho de todos os algoritmos (exceto os de evolução artificial) sofre degradações, especialmente sob baixos níveis de ruído, o que é de certa forma esperado, uma vez que esta combinação de fatores exacerba o pro- blema do empobrecimento amostral. Vale mencionar que testamos o uso de técnicas alternativas de filtragem de partículas (algoritmo Resample-Move [9]) para combater o empobrecimento amostral nestas situações, sem obter resultados satisfatórios.
Na Figura 3.6 mostramos o resultado de um experimento distinto, no qual avalia- mos o desempenho dos algoritmos baseados em evolução artificial (EA) (com P = 1) em função do número de partículas empregado e da SNR. Nestas simulações (e nas simulações a seguir), adotamos o valor δ2 = 0, 0125 para a variância do núcleo de transição (Eq. 3.21), por experimentalmente ter levado aos melhores resultados. Como se pode observar, o desempenho das técnicas EA (sem suavização) é bastante inferior ao do algoritmo determinístico (Rao-Blackwellizado), tendendo a este somente quando o número de partículas empregado torna-se muito superior, situação que se repete na Fig. 3.7, em que mostramos os resultados obtidos para o caso em que P = 5.
Nas Figuras 3.8 e 3.9, avaliamos os efeitos da variação do parâmetro δ2 (variân- cia do núcleo de transição) sobre o desempenho dos algoritmos baseados em evolução artificial (EA), para P = 1 e P = 5, respectivamente, empregando N = 1000 partícu- las e um atraso de suavização de 10 amostras. Como se pode observar, o valor de δ2 escolhido estabelece um bom compromisso, uma vez que valores inferiores a este ten- dem a degradar o desempenho observado sob baixos níveis de ruído, enquanto valores superiores produzem uma degradação em toda a faixa de SNR analisada.
Finalmente, nas Figuras (3.10)-(3.12) analisamos os efeitos conjuntos da variação do número de partículas e do limiar de reamostragem sobre o desempenho dos al- goritmos baseados em filtros de partículas estocásticos. Na Figura 3.10 mostramos o desempenho obtido pelo método estocástico empregando a função de importância ótima, enquanto na Fig. 3.11, o resultado para a função de importância a priori. Como se pode observar, o efeito da diminuição do limiar de reamostragem é pequeno, sendo percebido com mais intensidade quando o número de partículas é menor.
Na Fig. 3.12, repetimos o mesmo experimento com N = 300 partículas e suavi- zação (10 amostras). Neste caso, a diminuição do limiar de reamostragem produziu resultados benéficos, uma vez que algoritmos empregando suavização são mais sensí- veis ao empobrecimento amostral causado pela reamostragem freqüente do conjunto de partículas.
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Det (Dif.) Det (Pivot.) Det (Implic.) Estoc. (Post.) Estoc. Priori EA (P=1) EA (P=5)
Figura 3.1: Desempenho médio ao longo de 250 realizações independentes dos algo- ritmos para equalização cega baseados em filtros de partículas descritos neste capítulo, num sistema BPSK (empregando N = 100 partículas) e do equalizador ótimo MAP (BCJR), em função da relação sinal-ruído (SNR). Os algoritmos estocásticos e basea- dos em evolução artificial (EA) empregam codificação diferencial.
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Det (Dif.) Det (Pivot.) Det (Implic.) Estoc. (Post.) Estoc. Priori EA (P=1) EA (P=5)
Figura 3.2: Desempenho médio ao longo de 250 realizações independentes dos algo- ritmos para equalização cega baseados em filtros de partículas descritos neste capítulo,
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Det (Dif.) Det (Pivot.) Det (Implic.) Estoc. (Post.) Estoc. Priori EA (P=1) EA (P=5)
Figura 3.3: Desempenho médio ao longo de 250 realizações independentes dos algo- ritmos para equalização cega baseados em filtros de partículas descritos neste capítulo, num sistema BPSK (empregando N = 500 partículas) e do equalizador ótimo MAP (BCJR), em função da relação sinal-ruído (SNR).
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Det (Dif.) Det (Pivot.) Det (Implic.) Estoc. (Post.) Estoc. Priori EA (P=1) EA (P=5)
Figura 3.4: Desempenho médio ao longo de 250 realizações independentes do equali- zador ótimo MAP (BCJR) e dos algoritmos para equalização cega baseados em filtros de partículas descritos neste capítulo, num sistema BPSK, empregando N = 300 partí- culas e suavização (com atraso de 5 amostras), em função da relação sinal-ruído (SNR).
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Det (Dif.) Det (Pivot.) Det (Implic.) Estoc. (Post.) Estoc. Priori EA (P=1) EA (P=5)
Figura 3.5: Desempenho médio ao longo de 250 realizações independentes do equali- zador ótimo MAP (BCJR) e dos algoritmos para equalização cega baseados em filtros de partículas descritos neste capítulo, num sistema BPSK, empregando N = 300 par- tículas e suavização (com atraso de 10 amostras), em função da relação sinal-ruído (SNR). 0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Determ. (N=100) N=100 N=300 N=500 N=1000 N=2000
Figura 3.6: Desempenho médio ao longo de 250 realizações independentes do equali- zador ótimo MAP (BCJR), do algoritmo determinístico (utilizando N = 100 partícu- las) e dos algoritmos para equalização cega baseados em evolução artificial (P = 1),
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Determ. (N=100) N=100 N=300 N=500 N=1000 N=2000
Figura 3.7: Desempenho médio ao longo de 250 realizações independentes do equali- zador ótimo MAP (BCJR), do algoritmo determinístico (utilizando N = 100 partícu- las) e dos algoritmos para equalização cega baseados em evolução artificial (P = 5), num sistema BPSK com codificação diferencial, em função da relação sinal-ruído (SNR) e do número de partículas N. 0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR δ2/4 δ2/2 δ2 2δ2 4δ2
Figura 3.8: Efeito da escolha da variância δ2 do núcleo de transição p(hn|hn−1) so- bre o desempenho médio ao longo de 250 realizações independentes dos algoritmos para equalização cega baseados em evolução artificial (P = 1), utilizando N = 1000 partículas e suavização (com atraso de 10 amostras) em função da relação sinal-ruído (SNR), comparado com o desempenho do equalizador ótimo MAP (BCJR).
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR δ2/4 δ2/2 δ2 2δ2 4δ2
Figura 3.9: Efeito da escolha da variância δ2 do núcleo de transição p(hn|hn−1) so- bre o desempenho médio ao longo de 250 realizações independentes dos algoritmos para equalização cega baseados em evolução artificial (P = 5), utilizando N = 1000 partículas e suavização (com atraso de 10 amostras) em função da relação sinal-ruído (SNR), comparado com o desempenho do equalizador ótimo MAP (BCJR).
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR N=100 N=300 N=500 N=100 (lim=0,25) N=300 (lim=0,25) N=500 (lim=0,25)
Figura 3.10: Desempenho médio ao longo de 250 realizações independentes do equa- lizador ótimo MAP (BCJR) e do algoritmo para equalização cega baseado no filtro de partículas estocástico empregando a função de importância ótima, num sistema BPSK
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR N=100 N=300 N=500 N=100 (lim=0,25) N=300 (lim=0,25) N=500 (lim=0,25)
Figura 3.11: Desempenho médio ao longo de 250 realizações independentes do equa- lizador ótimo MAP (BCJR) e do algoritmo para equalização cega baseado no filtros de partículas estocástico empregando a função de importância a priori , num sistema BPSK com codificação diferencial, em função da relação sinal-ruído (SNR), do limiar de reamostragem e do número de partículas empregado.
0 2 4 6 8 10 12 14 16 18 20 10−4 10−3 10−2 10−1 100 SNR BER BCJR Estoc. (Post.) Estoc. (Priori) Estoc. Post. (lim=0,25) Estoc. Priori (lim=0,25)
Figura 3.12: Desempenho médio ao longo de 250 realizações independentes do equa- lizador ótimo MAP (BCJR) e de algoritmos para equalização cega baseados em filtros de partículas estocásticos (utilizando N = 300 partículas e suavização (10 amostras)), empregando a função de importância ótima e a priori , num sistema BPSK com codi- ficação diferencial, em função da relação sinal-ruído (SNR) e do limiar de reamostra- gem.
3.5.1 Equalização sob Ruído Não-Gaussiano
Apesar de oferecerem um desempenho inferior ao dos filtros de partículas Rao-Black- wellizados, os métodos baseados no princípio da evolução artificial (EA) podem ser aplicados a uma ampla gama de modelos de sinal que não permitem a integração ana- lítica dos seus parâmetros. Nesta seção, aplicamos os algoritmos baseados em técnicas de EA descritos na Sec. 3.4 na equalização de um canal com ruído aditivo de envoltória Weibull.
Embora a maioria dos trabalhos na literatura de telecomunicações tenda a recorrer a modelos Gaussianos [34] para o modelamento de perturbações de “cauda longa”, processos com envoltória Weibull são freqüentemente utilizados para o mesmo fim em problemas de detecção com radares [35], por exemplo. Uma variável aleatória complexa vn= vnR+ jvIncom envoltória Weibull é definida tal que
p(|vn|) = a 2σ2|vn| a−1exp " − 1 2σ2|vn| a # , (3.24)
para a > 1. Note que ao se adotar o valor a = 2, (3.24) se reduz a uma distribuição Rayleigh. Para valores 1 < a ≤ 2 , vn é supergaussiana (i.e., tem curtose positiva), característica enfatizada quando a → 1.
Observação 3 Uma variável aleatória que satisfaça (3.24) pode ser obtida [36] a partir de duas variáveis x, y Gaussianas IID, reais, de média nula e variância σ2
através da transformação vR n = x(x2+ y2)1/a−1/2 vI n = y(x2+ y2)1/a−1/2
Pode-se verificar [36] que a densidade de probabilidade conjunta de (vR
n, vnI) é dada por p(vnR, vIn) = a 4πσ2((v R n)2+ (vnI)2)a/2−1exp " − 1 2σ2((v R n)2+ (vnI)2)a/2 # . (3.25) As densidades marginais pvR
n e pvIn, no entanto, não podem ser determinadas anali-
Nas Figuras 3.13 e 3.14, mostramos o resultado de simulações numéricas em que avaliamos o desempenho obtido pelo algoritmo da Tab. 3.5, para P = 1 e P = 5, em função da relação sinal-ruído. Todos os parâmetros desta simulação são iguais aos adotados na seção anterior, à exceção da distribuição do ruído aditivo, assumida como a parte real de uma v.a. com envoltória Weibull de parâmetro14 a = 1, 1, sendo a sua distribuição dada por (3.26).
0 2 4 6 8 10 12 14 16 18 20 10−3 10−2 10−1 100 SNR BER BCJR EA (P=1) EA (P=5) N=1000 N=500
Figura 3.13: Desempenho médio ao longo de 250 realizações independentes do equali- zador ótimo MAP (BCJR) e do algoritmo para equalização cega baseado em evolução artificial, num sistema BPSK com codificação diferencial sob ruído de envoltória Wei- bull (real, com α = 1, 1), em função da relação sinal-ruído (SNR). As linhas cheias mostram os resultados para N = 500 partículas, enquanto as linhas tracejadas, resul- tados para N = 1000 partículas.
Como se pode observar na Figura 3.13, o desempenho obtido pelas técnicas de EA é bastante ruim ao não se utilizar suavização. Utilizando suavização (10 amostras - Fig. 3.14), o desempenho obtido se aproxima por cerca de 3 dB do ótimo para o caso em que P = 5. Note que, diferentemente do caso Gaussiano, o desempenho dos métodos EA sob ruído Weibull melhora significativamente ao se aumentar o valor de P .
Nas Figuras 3.13 e 3.14, mostramos os resultados obtidos numa simulação distinta, empregando modulação QPSK diferencial (com codificação Gray [37]) e ruído (de
14Para a = 1, 1, a distribuição de vR
n é marcadamente não-gaussiana. Como indicador disto, po- demos citar o fato de que P(vR
n > 3σvR
n) = 2, 5· 10
−3, enquanto, para uma variável gaussiana, esta probabilidade é de 3, 1 · 10−5.
0 2 4 6 8 10 12 14 16 18 20 10−2 10−1 100 SNR BER BCJR EA (P=1) EA (P=5) N=1000 N=500
Figura 3.14: Desempenho médio ao longo de 250 realizações independentes do equali- zador ótimo MAP (BCJR) e do algoritmo para equalização cega baseado em evolução artificial, num sistema BPSK com codificação diferencial sob ruído de envoltória Wei- bull (real, com α = 1, 1), em função da relação sinal-ruído (SNR), empregando suavi- zação (10 amostras). As linhas cheias mostram os resultados para N = 500 partículas, enquanto as linhas tracejadas, resultados para N = 1000 partículas.
envoltória) Weibull complexo, com a = 1, 1. O canal empregado agora foi h = [0, 45 − 0, 39 − j0, 66 − 0, 22 + j0, 39 ]T .
Como se pode notar, os resultados obtidos são qualitativamente equivalentes ao caso utilizando modulação BPSK. No entanto, pode-se observar que o algoritmo utili- zando P = 1 tem um desempenho bastante inferior neste caso, e que ao se aumentar o número de partículas para N = 1000, consegue-se uma melhora de desempenho não observada no caso anterior.