magno teofilo madeira da silva´ - lps · silva, magno te´ofilo madeira da equaliza¸c˜ao...
TRANSCRIPT
MAGNO TEOFILO MADEIRA DA SILVA
EQUALIZACAO AUTODIDATA BASEADA EM
COMBINACAO DE FILTROS ADAPTATIVOS
Tese apresentada a Escola Politecnicada Universidade de Sao Paulo paraobtencao do tıtulo de Professor Livre-Docente junto ao Departamento deEngenharia de Sistemas Eletronicos.
Sao Paulo2013
MAGNO TEOFILO MADEIRA DA SILVA
EQUALIZACAO AUTODIDATA BASEADA EM
COMBINACAO DE FILTROS ADAPTATIVOS
Tese apresentada a Escola Politecnicada Universidade de Sao Paulo paraobtencao do tıtulo de Professor Livre-Docente junto ao Departamento deEngenharia de Sistemas Eletronicos.
Area:Processamento de Sinais
Sao Paulo2013
Silva, Magno Teofilo Madeira da
Equalizacao autodidata baseada em combinacao de filtros adaptativos /
M. T. M. Silva. −− Sao Paulo, 2013.
82 p.
Tese (Livre-Docencia) - Escola Politecnica da Universidade de Sao Paulo.
Departamento de Engenharia de Sistemas Eletronicos.
1. Filtros eletricos adaptativos 2. Equalizacao 3. Algoritmos 4. Com-
binacao de algoritmos. I. Universidade de Sao Paulo. Escola Politecnica.
Departamento de Engenharia de Sistemas Eletronicos II.t
Aos meus alunos
Joao, Renato e Ronaldo
i
Agradecimentos
Em primeiro lugar, agradeco a Profa. Maria D. Miranda por todas as discussoes tecnicas
relevantes, pela orientacao rigorosa da minha tese de doutorado, confianca, apoio, amizade
e por seguirmos trabalhando juntos em algoritmos adaptativos para equalizacao desde 1999.
Ao Prof. Max Gerken, in memorian, pelos conselhos, confianca, incentivo, exemplos a
serem seguidos e pelas orientacoes de iniciacao cientıfica, mestrado e fase inicial do doutorado.
Ao Prof. Vıtor H. Nascimento, com quem tenho trabalhado em combinacoes de filtros
adaptativos desde 2006, pelas inumeras discussoes tecnicas, confianca, apoio e permanente
incentivo.
Ao Prof. Jeronimo Arenas Garcıa pelas ideias e discussoes tecnicas que foram fundamen-
tais para o desenvolvimento deste trabalho. Agradeco tambem por fazer com que eu me
sentisse em casa durante minha estancia na Universidad Carlos III de Madrid no primeiro
semestre de 2012. ¡Gracias amigo!
Aos meus alunos Joao Mendes Filho, Renato Candido e Ronaldo Abreu com os quais
aprendi muito durante as orientacoes de seus trabalhos. Esta tese e dedicada a voces!
Ao Prof. Marcio Eisencraft pela amizade, discussoes tecnicas e trabalhos em conjunto.
A Profa. Denise Consonni, pelo apoio, confianca e exemplo de profissionalismo a ser
seguido.
Agradeco tambem aos professores e colegas do LPS Miguel A. Ramırez, Flavio A. M. Cip-
parrone e Mario Minami e tambem a secretaria Dilma Alves da Silva pelo companheirismo,
apoio e incentivo durante todos esses anos que trabalhamos juntos.
Aos demais professores e funcionarios do Departamento de Engenharia de Sistemas
Eletronicos da EPUSP, em especial aos Profs. Marco I. Alayo Chavez e Joao A. Martino e
a secretaria Darlene Ricetti pelo apoio e incentivo.
A FAPESP e ao CNPq pelos auxılios concedidos.
Por ultimo, mas nao menos importante, a minha famılia pelo carinho, compreensao e por
tudo que representa para mim.
ii
Resumo
Equalizadores autodidatas sao usados em sistemas de comunicacao digital para remover a
interferencia intersimbolica introduzida por canais dispersivos. Eles evitam a transmissao
de sequencias de treinamento, possibilitando um uso mais eficiente da banda do canal. Usu-
almente, depois de uma equalizacao preliminar, esses equalizadores sao chaveados para o
modo de decisao direta (DD) a fim de reduzir o erro quadratico medio (MSE - mean-square
error) em regime para nıveis aceitaveis. O bom desempenho desse esquema depende da
selecao de um limiar apropriado de MSE para o chaveamento entre os modos de treinamento
cego e o modo de decisao direta. No entanto, essa nao e uma tarefa facil ja que o nıvel de
MSE adequado depende de varios fatores como constelacao, canal de comunicacao ou razao
sinal-ruıdo. Neste trabalho, e proposto um esquema de equalizacao autodidata que combina
de forma adaptativa um equalizador cego com um equalizador de decisao direta funcionando
em paralelo. A combinacao e adaptada de forma autodidata e consequentemente, o esquema
proposto possibilita um chaveamento automatico entre os filtros componentes, evitando a
selecao a priori de um nıvel de MSE para a transicao. O desempenho do equalizador pro-
posto e ilustrado de forma analıtica e atraves de simulacoes numericas, que mostram suas
vantagens com relacao a esquemas de chaveamento abrupto e suave existentes na literatura.
Palavras-chave: processamento adaptativo de sinais; filtragem adaptativa; equalizadores
autodidatas; algoritmo do modulo constante; algoritmo multimodulo; combinacao convexa;
decisao direta; rastreio.
iii
Abstract
Blind equalizers are used in digital communications systems to remove the intersymbol inter-
ference introduced by dispersive channels. They avoid the transmission of training sequences,
allowing a more efficient use of the channel bandwidth. Usually, after a first rough equaliza-
tion is achieved, these equalizers are switched to a decision-directed (DD) mode to reduce the
steady-state mean-square error (MSE) to acceptable levels. The good overall performance
depends on the selection of an appropriate MSE threshold for switching between the blind
and the DD modes. However, this is not an easy task, since the adequate MSE level depends
on several factors such as the signal constellation, the communication channel, or the signal-
to-noise ratio. In this work, we propose a blind equalization scheme that adaptively combines
a blind and a DD equalizers running in parallel. The combination is itself adapted in a blind
manner, and as a result the overall scheme can automatically switch between the component
filters, avoiding the need to set the transition MSE level a priori. The performance of our
proposal is illustrated both analytically and through a set of simulations, where we show its
advantages with respect to existing hard- and soft-switching equalization schemes.
Keywords: adaptive signal processing; adaptive filtering; blind equalizers; constant-modulus
algorithm; multimodulus algorithm; convex combination; decision-directed; tracking.
iv
Sumario
Lista de figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
Lista de tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
Lista de abreviaturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
Lista de sımbolos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
1 Introducao e formulacao do problema 1
1.1 A equalizacao adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Sobreamostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Algoritmos para adaptacao dos coeficientes do equalizador . . . . . . 6
1.1.3 Transicao para o modo de decisao direta . . . . . . . . . . . . . . . . 14
1.2 A combinacao convexa de algoritmos adaptativos . . . . . . . . . . . . . . . 15
1.3 Objetivos e justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.4 Contribuicoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5 Organizacao da tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Chaveamento automatico entre os modos cego e de decisao direta 25
2.1 Combinacao convexa do MMA com o LMS . . . . . . . . . . . . . . . . . . . 25
2.1.1 Adaptacao do parametro de mistrura . . . . . . . . . . . . . . . . . . 27
2.2 Um exemplo ilustrativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Analise estatıstica em regime 34
3.1 Hipoteses simplificadoras e indicadores de desempenho . . . . . . . . . . . . 34
3.2 EMSE em regime da combinacao . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 EMSE cruzado em regime . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
SUMARIO v
3.4 Precisao da analise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4 Resultados de simulacao 45
4.1 Algoritmos de chaveamento entre o modo cego e de decisao direta . . . . . . 45
4.2 Cenarios de simulacao, parametros e medida de desempenho . . . . . . . . . 46
4.3 Cenario I: 256-QAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Cenario II: 64-QAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.5 Cenario III: V.29 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.6 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5 Conclusoes e perspectivas 53
5.1 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2 Perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Referencias Bibliograficas 57
Apendices 67
A Versoes do algoritmo de Shalvi-Weinstein 67
B Os algoritmos multimodulo e de decisao para sinais QAM 73
C Hipoteses adicionais usadas na obtencao do EMSE cruzado 80
vi
Lista de Figuras
1.1 Sistema de comunicacao simplificado com um equalizador adaptativo no modo de
treinamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Equalizador adaptativo no modo de decisao direta. . . . . . . . . . . . . . . . . 3
1.3 Sistema de comunicacao simplificado com um equalizador autodidata. . . . . . . . 4
1.4 Sistema de comunicacao simplificado com um equalizador autodidata sobreamostrado. 5
1.5 Combinacao convexa de dois filtros adaptativos transversais para filtragem
supervisionada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 (a) EMSE para µ1-LMS, µ2-LMS, e sua combinacao convexa; (b) media de conjunto
de η(n); µ1 = 0,1, µ2 = 0,01, µα = 100 (adaptacao nao-normalizada), α+ = 4,
b = 0,8; media de 500 realizacoes. . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1 Combinacao convexa do MMA com o LMS. O filtro LMS opera no modo de decisao
direta, sendo que seus coeficientes sao atualizados utilizando a saıda do decisor
como sinal desejado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 MSE dos esquemas de combinacao para o Cenario I da Tabela 4.1: (a) MSE do
MMA, LMS, e da combinacao convexa proposta, estimado com uma media de
conjunto de 1000 realizacoes; (b) MSE do MMA, LMS e de sua combinacao convexa
usando (2.12); (c) Parametros de mistura considerando uma realizacao dos algoritmos. 30
2.3 SER em regime em funcao da SNR para o MMA, o LMS e suas combinacoes
usando (2.10) e (2.12); primeiro canal do Cenario I da Tabela 4.1. . . . . . . 31
2.4 SER ao longo das iteracoes para o Cenario I (Tabela 4.1) com SNR = 30 dB.
Media de conjunto de 100 realizacoes. . . . . . . . . . . . . . . . . . . . . . 32
LISTA DE FIGURAS vii
3.1 EMSE teorico (teo) e experimental (exp) em funcao do passo de adaptacao do
LMS (µ); ρ = 10−6; 64-QAM, Canal H2(z) de [LAZARO et al., 2005, Eq. (29)],
ausencia de ruıdo, implementacao na taxa de sımbolos, M = 12, media de conjunto
de 1000 realizacoes; (a) ambiente estacionario e (b) ambiente nao-estacionario com
Q = 8× 10−9I. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1 MSE ao longo das iteracoes para o Cenario I e parametros dos algoritmos especifi-
cados na Tabela 4.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 MSE ao longo das iteracoes para o Cenario II e parametros dos algoritmos especi-
ficados na Tabela 4.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3 MSE ao longo das iteracoes para o Cenario III e parametros dos algoritmos especi-
ficados na Tabela 4.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
B.1 Parte real do erro do RMA em funcao de yR(n) para 64-QAM. Os erros nas coor-
denadas dos sımbolos da constelacao sao indicados por ◦; fator de escala K = 245. 74
B.2 Parte real do erro do SBD para 64-QAM; fator de escala K = 7. Os erros nas
coordenadas dos sımbolos das constelacoes sao indicados por ◦. . . . . . . . . . . 76
B.3 Regioes da parte real de uma constelacao 64-QAM; o centro da regiao Ak e
representado por ck e k = ±2,±1. . . . . . . . . . . . . . . . . . . . . . . . . 77
viii
Lista de Tabelas
1.1 Sumario do algoritmo LMS aplicado a equalizacao. . . . . . . . . . . . . . . . . 8
1.2 Sumario do CMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Sumario do MMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Sumario da combinacao convexa de dois filtros LMS. . . . . . . . . . . . . . . . 20
2.1 Sumario da combinacao convexa do MMA com o LMS, considerando (2.10). . . . 28
3.1 Expressoes analıticas para o EMSE e EMSE cruzado em regime dos filtros
MMA e LMS em um ambiente nao-estacionario. . . . . . . . . . . . . . . . . 41
4.1 Cenarios de simulacao e parametros dos algoritmos. . . . . . . . . . . . . . . . . 48
A.1 Sumario do SWA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
A.2 Sumario do DM-SWA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.3 Sumario do DM-LSWA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
B.1 Sumario do RMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
B.2 Sumario do algoritmo SBD. . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
ix
Lista de Abreviaturas
A seguir sao listadas as principais abreviacoes usadas na tese. No caso de siglas consagradas
na literatura internacional, optou-se por manter as mesmas em ingles.
AWGN additive white Gaussian noise (ruıdo gaussiano branco e aditivo)
CMA constant-modulus algorithm (algoritmo do modulo constante)
DD decision-directed (decisao direta)
DM-LSWA dual-mode lattice Shalvi-Weinstein algorithm (algoritmo de
Shalvi-Weinstein em trelica com dois modos de operacao)
DM-CMA dual-mode constant-modulus algorithm (algoritmo do modulo
constante com dois modos de operacao)
DM-SWA dual-mode Shalvi-Weinstein algorithm (algoritmo de Shalvi-Weinstein
com dois modos de operacao)
EMSE excess mean-square error (erro quadratico medio em excesso)
FIR finite Impulse Response (resposta ao impulso finita)
HOS high-order statistics (estatısticas de ordem superior)
iid independente e identicamente distribuıdo
ISI intersymbol interference (interferencia intersimbolica)
LMS least mean squares
LTE linear transversal equalizer (equalizador linear transversal)
MMA multimodulus algorithm (algoritmo multimodulo)
MSE mean-square error (erro quadratico medio)
NLMS normalized least mean squares
QAM quadrature amplitude modulation
LISTA DE ABREVIATURAS x
RDE radius-directed equalization (equalizacao guiada por raios)
RLS recursive least squares
RMA regional multimodulus algorithm (algoritmo multimodulo regional)
SBD symbol-based decision (algoritmo de decisao baseada nos sımbolos)
SER symbol error rate (taxa de erro de sımbolo)
SNR signal-to-noise ratio (razao sinal-ruıdo)
SWA Shalvi-Weinstein Algorithm (algoritmo de Shalvi-Weinstein)
xi
Lista de Sımbolos
Nesta tese, matrizes sao indicadas por letras maiusculas em negrito, por exemplo, R. Vetores
coluna sao indicados usando-se letras minusculas em negrito, por exemplo, w e u. Escalares
sao representados por letras minusculas ou maiusculas em italico, por exemplo, M , Nh, µ e
y. A seguir, sao listados os principais sımbolos utilizados.
Sımbolos gerais
n instante de tempo
( · )T transposicao de vetores ou matrizes
( · )∗ complexo conjugado
( · )H hermitiano (transposicao do complexo conjugado) de vetores ou matrizes
E{ · } operador esperanca matematica
‖x‖ norma euclidiana ou ℓ2 do vetor x
Tr(A ) traco (soma dos elementos da diagonal principal) da matriz A
(·)I parte imaginaria
(·)R parte real
∇wJ vetor gradiente da funcao custo J
σ2x variancia do sinal x
O(·) ordem do custo computacional de um algoritmo (operacoes por iteracao)
a sımbolo transmitido
H(z) transformada z da sequencia {hk}Nh−1k=0
funcao de transferencia do canal
Nh numero de coeficientes do canal
hk k-esima amostra da resposta ao pulso unitario do canal
LISTA DE SIMBOLOS xii
u sinal de entrada do equalizador
∆ atraso em numero de amostras
ν ruıdo branco gaussiano
u vetor de entrada do equalizador
w vetor de coeficientes do equalizador
vetor de coeficientes combinados
M numero de coeficientes do equalizador
y sinal de saıda do equalizador
sinal de saıda global da combinacao convexa
e erro de estimacao de algoritmos supervisionados
erro global da combinacao convexa
T perıodo de transmissao dos sımbolos
H0(z) e H1(z) funcao de transferencia dos sub-canais (sobreamostragem)
u0 e u1 vetores regressores de entrada dos sub-equalizadores (sobreamostragem)
β constante que distingue o caso complexo do real
Algoritmo LMS e solucao de Wiener
JMSE funcao custo do erro quadratico medio
wWIE solucao de Wiener
R matriz de autocorrelacao do sinal de entrada
p∆ vetor de correlacao cruzada
µ passo de adaptacao do LMS
λmax maior autovalor da matriz de autocorrelacao R
µ passo de adaptacao do NLMS
δ constante positiva pequena usada para evitar divisao por zero no NLMS
Algoritmo do modulo constante
JCM funcao custo do modulo constante
κ constante de dispersao
LISTA DE SIMBOLOS xiii
passo de adaptacao
ε erro de estimacao
Algoritmo multimodulo
JMM funcao custo multimodulo
r constante de dispersao
ρ passo de adaptacao
c erro de estimacao
Combinacao convexa
η parametro de mistura da combinacao
y1 e y2 saıdas dos filtros da combinacao
w1 e w2 vetores de coeficientes dos componentes da combinacao
e1 e e2 erros de estimacao de uma combinacao de dois filtros LMS
c1 e e2 erros de estimacao da combinacao do MMA com o LMS
µ1 e µ2 passos de adaptacao dos componentes de uma combinacao de dois filtros LMS
ρ e µ passos de adaptacao dos componentes MMA e LMS
ϕ[·] funcao de ativacao nao-linear da combinacao convexa
sgm[x] funcao sigmoidal
α variavel auxiliar da combinacao convexa
ϕ′[·] derivada de ϕ[·]
α+ valor maximo permitido para |α|
µα passo de adaptacao de α (MSE)
ρα passo de adaptacao de α (MMA)
p estimativa da potencia de [y1 − y2]
λp fator de esquecimento
sign[x] funcao sinal
dec[x] funcao de decisao
LISTA DE SIMBOLOS xiv
Analise em regime
ea1 e ea2 erros a priori dos filtros componentes da combinacao
ea erro a priori da combinacao
w1 e w2 vetores de erro dos coeficientes dos filtros componentes
wo solucao otima
v ruıdo complexo iid
ζ1 e ζ2 EMSE em regime dos filtros componentes
ζ12 EMSE cruzado entre os filtros componentes
ζ EMSE da combinacao
Chaveamento abrupto
ξ estimativa do erro quadratico medio de decisao
λe fator de esquecimento
1
Capıtulo 1
Introducao e formulacao do problema
Neste capıtulo, aborda-se inicialmente o problema da equalizacao adaptativa e em seguida,
descreve-se a combinacao convexa de filtros adaptativos. Por fim, os objetivos, a justificativa,
as contribuicoes e a estrutura do trabalho sao apresentados.
1.1 A equalizacao adaptativa
Em sistemas de comunicacao digital, os sinais portadores de informacao, transmitidos entre
locais remotos, sao afetados por interferencia intersimbolica (ISI - intersymbol interference)
e ruıdo introduzidos por canais dispersivos. Exemplos de canais dispersivos incluem cabo
coaxial, fibra optica ou cabo de par trancado em comunicacoes com fio e a atmosfera ou
o oceano em comunicacoes sem fio [JOHNSON JR. et al., 1998]. Para remover os efeitos da
distorcao do canal, e comum usar equalizadores adaptativos, que procuram recuperar a
sequencia de sımbolos transmitida, mitigando os efeitos da ISI [DING; LI, 2001; HAYKIN,
2002; JOHNSON JR. et al., 1998; QURESHI, 1985; TREICHLER; FIJALKOW; JR., 1996; SILVA,
2005].
Um sistema de comunicacao simplificado com um equalizador adaptativo e mostrado na
Figura 1.1. A sequencia transmitida a(n) e em geral nao-gaussiana, independente e identi-
camente distribuıda (iid). O sistema H(z) representa nao so o canal fısico de transmissao,
mas tambem o sistema de transmissao/modulacao e o sistema de recepcao/demodulacao,
efetivamente presentes em qualquer sistema de comunicacao pratico. Assim, denomina-se
aqui como canal um modelo de tempo discreto para o sistema de transmissao, o canal fısico
1.1 A equalizacao adaptativa 2
e o sistema de recepcao. Em geral, as distorcoes decorrentes do canal sao bem modeladas
por um filtro FIR (finite impulse response), cuja funcao de transferencia e dada por
H(z) =
Nh−1∑
k=0
hkz−k, (1.1)
sendo Nh o numero de coeficientes hk, k = 0, 1, 2, . . . , Nh−1 da resposta impulsiva do canal.
Devido a memoria de H(z), o sinal u(n) no receptor contem contribuicoes nao somente de
a(n) mas tambem dos sımbolos anteriores a(n− 1), a(n− 2), . . . , a(n−Nh + 1), ou seja,
u(n) =∆−1∑
k=0
hka(n− k)︸ ︷︷ ︸
pre-ISI
+h∆a(n−∆) +
Nh−1∑
k=∆+1
hka(n− k)︸ ︷︷ ︸
pos-ISI
+ν(n). (1.2)
em que ∆ e o atraso da associacao em serie dos sistemas canal e equalizador e ν(n) e um
ruıdo aditivo, assumido branco e gaussiano (AWGN - additive white Gaussian noise) com
media nula e variancia σ2ν . O papel do equalizador e mitigar os dois somatorios em (1.2),
mitigando dessa forma a ISI e encontrando uma aproximacao y(n) para a(n − ∆). Neste
trabalho, vamos abordar apenas o equalizador linear transversal (LTE - linear transversal
equalizer), cujos vetores de entrada e de coeficientes, ambos de dimensao M , sao dados
respectivamente por
u(n) = [ u(n) u(n− 1) · · · u(n−M + 1)]T (1.3)
e
w(n− 1) = [w0(n− 1) w1(n− 1) · · · wM−1(n− 1) ]T , (1.4)
sendo que (·)T indica transposicao. Usando esses vetores, a saıda do equalizador e calculada
como
y(n) = uT (n)w(n− 1). (1.5)
O equalizador no esquema da Figura 1.1 funciona no chamado modo de treinamento, ja
que uma versao atrasada da sequencia transmitida a(n − ∆) (sequencia de treinamento) e
conhecida previamente no receptor. Durante o modo de treinamento, o equalizador adapta
seus coeficientes usando o erro de estimacao e(n) = a(n−∆)− y(n) e um algoritmo adapta-
tivo. Quando a informacao e efetivamente transmitida, o receptor nao tera acesso a a(n−∆).
1.1 A equalizacao adaptativa 3
equalizador
adaptativo
canal
a(n−∆)z−∆
ν(n)
e(n)
a(n) u(n) y(n)H(z)
Figura 1.1: Sistema de comunicacao simplificado com um equalizador adaptativo no modo de
treinamento.
Nesse caso, como esquematizado na Figura 1.2, o sinal de treinamento a(n−∆) e substituıdo
por sua estimativa a(n−∆) obtida na saıda do decisor, o que caracteriza o chamado modo
de decisao direta (DD - decision-directed). Cabe observar que o equalizador retorna ao trei-
namento sempre que houver inclusao de um novo elemento na rede, quando ocorrer falta
de energia, ou quando variacoes do canal de comunicacao impuserem um novo ajuste aos
coeficientes do filtro utilizado. Esse mecanismo implica paradas previstas e nao previstas e,
principalmente, perda de banda disponıvel, ja que parte da banda deve ser alocada para a
transmissao da sequencia de treinamento [MENDES FILHO, 2011].
equalizador
adaptativodecisor
a(n−∆)e(n)
u(n) y(n)
Figura 1.2: Equalizador adaptativo no modo de decisao direta.
A fim de usar a banda do canal de comunicacao de forma mais eficiente, em vez de
transmitir uma sequencia previamente conhecida no receptor, estatısticas de ordem superior
a dois (HOS - high-order statistics) do sinal transmitido podem ser utilizadas para se calcular
o erro de estimacao e(n) no modo de treinamento [DING; LI, 2001; JOHNSON JR. et al., 1998;
HAYKIN, 2002]. Em outras palavras, o equalizador “conhece” as estatısticas do sinal que
se pretende transmitir e entao ajusta permanentemente os coeficientes com base em um
algoritmo que avalia o quao distante estao as estatısticas do sinal de saıda do equalizador
1.1 A equalizacao adaptativa 4
das do sinal transmitido [BENVENISTE; GOURSAT; RUGET, 1980]. Essa solucao e conhecida
como equalizacao autodidata, cega ou nao-supervisionada (blind equalization), cujo esquema
esta mostrado na Figura 1.3.
filtro
adaptativo
algoritmo
autodidata
HOS dea(n)
canal
ν(n)
e(n)
a(n) u(n) y(n)H(z)
Figura 1.3: Sistema de comunicacao simplificado com um equalizador autodidata.
E comum realizar o processamento dos sinais no receptor com uma taxa maior que a de
transmissao dos sımbolos, usando uma tecnica conhecida como sobreamostragem, descrita
brevemente a seguir.
1.1.1 Sobreamostragem
O equalizador pode realizar o processamento dos sinais na taxa de sımbolos (1/T ) ou com
sobreamostragem. Neste caso, o equalizador trabalha numa taxa maior que a dos sımbolos,
sendo comum se considerar o dobro dessa taxa, i.e., 2/T . Os equalizadores fracionarios ou
sobreamostrados sao amplamente considerados na literatura ja que possibilitam a equalizacao
perfeita sob certas condicoes bem conhecidas, entre elas a ausencia de ruıdo [TREICHLER;
FIJALKOW; JR., 1996; DING; LI, 2001; MAI; SAYED, 2000; SILVA, 2005].
Quando o receptor e implementado para funcionar com o dobro da taxa de sımbolos,
as amostras do modelo de tempo discreto do canal correspondem a uma amostragem do
modelo de tempo contınuo com essa taxa maior. Dessa forma, o modelo equivalente de
tempo discreto do sistema de comunicacao com um equalizador fracionario com taxa 2/T
e composto por dois sub-canais e dois sub-equalizadores em paralelo, como mostrado na
Figura 1.4, considerando a adaptacao autodidata.
1.1 A equalizacao adaptativa 5
w0(n− 1)
w1(n− 1)
algoritmo
autodidata
HOS dea(n)
ν0(n)
ν1(n)
e(n)
a(n)
u0(n)
u1(n)
y(n)
H0(z)
H1(z)
Figura 1.4: Sistema de comunicacao simplificado com um equalizador autodidata sobreamostrado.
Se a resposta impulsiva do canal tiver 2Nh coeficientes, obtidos da amostragem com o
dobro da taxa de sımbolos, i.e,
H(z) = h0 + h1z−1 + h2z
−2 + · · ·+ h2Nh−2z−(2Nh−2) + h2Nh−1z
−(2Nh−1), (1.6)
as respostas impulsivas dos sub-canais serao dadas por
H0(z) = h0 + h2z−1 + h4z
−2 + · · ·+ h2Nh−4z−(Nh−2) + h2Nh−2z
−(Nh−1) (1.7)
e
H1(z) = h1 + h3z−1 + h5z
−2 + · · ·+ h2Nh−3z−(Nh−2) + h2Nh−1z
−(Nh−1). (1.8)
Considerando que cada sub-equalizador tenha M/2 coeficientes (com M par), os vetores
regressores de entrada serao
u0(n) = [ u0(n) u0(n− 1) · · · u0(n−M/2 + 1)]T (1.9)
e
u1(n) = [ u1(n) u1(n− 1) · · · u1(n−M/2 + 1)]T . (1.10)
Por fim, concatenado esses dois vetores no vetor u(n), ou seja,
u(n) = [uT
0 (n) uT
1 (n) ]T , (1.11)
1.1 A equalizacao adaptativa 6
a saıda do equalizador pode ser calculada como y(n) = uT (n)w(n − 1), sendo w o vetor
correspondente a concatenacao dos coeficientes dos dois sub-equalizadores.
Dessa forma, a adaptacao dos dois sub-equalizadores em paralelo pode ser realizada
considerando um unico vetor de coeficientes w com dimensao M . Assim, para adaptacao de
um equalizador fracionario, a unica coisa que deve ser alterada nos algoritmos de equalizacao
descritos a seguir e o vetor de entrada do equalizador, que deve ser como (1.11) [SILVA, 2005].
1.1.2 Algoritmos para adaptacao dos coeficientes do equalizador
Nesta secao, sao descritos brevemente alguns algoritmos adaptativos de equalizacao supervi-
sionada e autodidata para atualizacao do vetorw(n−1). Inicialmente, revisita-se o algoritmo
LMS (least mean squares) usado em equalizacao supervisionada e em seguida sao descritos
o algoritmo do modulo constante (CMA - constant modulus algorithm) e o algoritmo mul-
timodulo (MMA - multimodulus algorithm) usados em equalizacao autodidata.
O algoritmo LMS
Algoritmos do gradiente estocastico buscam minimizar o erro quadratico medio (MSE),
definido como
JMSE(n) , E{|e(n)|2},
em que E{·} representa o operador esperanca matematica e e(n) = a(n−∆)−y(n). O MSE
e uma funcao custo convexa, cujo mınimo depende do atraso ∆ e e dado pela solucao de
Wiener
wWIE = R−1p∆,
em que R = E{u∗(n)uT (n)} e a matriz de autocorrelacao do sinal de entrada, p∆ =
E{u∗(n)a(n − ∆)} e o vetor de correlacao cruzada entre o vetor regressor de entrada e
o sinal transmitido e (·)∗ representa o complexo conjugado [FARHANG-BOROUJENY, 1998;
HAYKIN, 2002; SAYED, 2008; NASCIMENTO; SILVA, 2013].
A solucao de Wiener pode ser encontrada pelo algoritmo do gradiente exato (steepest
descent algorithm), que evita o calculo da inversa de R, atualizando w(n − 1) na direcao
1.1 A equalizacao adaptativa 7
oposta ao gradiente de JMSE(n), i.e.,
w(n) = w(n− 1) + µ [p∆ −Rw(n− 1)] ,
em que µ e um passo de adaptacao e w(−1) e um chute inicial para o mınimo de JMSE(n).
A menos que algum conhecimento previo esteja disponıvel, w(−1) e usualmente feito igual
ao vetor nulo, i.e., w(−1) = 0. Com uma escolha adequada para µ, este algoritmo atinge
exatamente a solucao de Wiener. No entanto, o gradiente exato requer um conhecimento
previo deR e p∆, o que nao e factıvel para equalizacao. E importante observar que em muitas
situacoes praticas, o canal varia no tempo, u(n) e nao-estacionario e consequentemente, R
e p∆ nao podem ser estimados em cada instante de tempo.
Para solucionar esse problema, o algoritmo LMS foi proposto. Em vez de usar o gradiente
exato, o LMS usa uma aproximacao instantanea, i.e.,
∇wJMSE(n) ≈ −2a(n−∆)u∗(n) + 2u∗(n)uT (n)w(n− 1) = −2e(n)u∗(n), (1.12)
o que leva a seguinte equacao de atualizacao:
w(n) = w(n− 1) + µe(n)u∗(n), (1.13)
com w(−1) = 0 e µ sendo o passo de adaptacao. As operacoes do algoritmo LMS estao
mostradas na Tabela 1.1. O LMS e o filtro adaptativo mais popular devido ao seu baixo custo
computacional [O(M)], robustez, facilidade de implementacao e muitos resultados analıticos.
A partir de uma analise de segunda ordem, e possıvel mostrar que ele converge na media
quadratica para a solucao de Wiener se [FARHANG-BOROUJENY, 1998; NASCIMENTO; SILVA,
2013]
0 < µ <2
βλmax
<2
βMσ2u
, (1.14)
sendo β = 2 (resp., β = 3) para sinais complexos (resp., reais), λmax o maior autovalor de R
e σ2u a variancia do sinal de entrada u(n).
Devido a aproximacao (1.12), o algoritmo LMS varia em torno da solucao de Wiener, nao
a atingindo exatamente. A distancia entre o valor mınimo de JMSE(n) e a potencia de erro
obtida efetivamente com o LMS e chamada de erro quadratico medio em excesso (EMSE -
excess mean-square error) e a razao entre o EMSE e o valor mınimo de JMSE(n) e conhecida
como desajuste. Para passos de adaptacao pequenos, o desajuste e pequeno, ja que o LMS se
1.1 A equalizacao adaptativa 8
Tabela 1.1: Sumario do algoritmo LMS aplicado a equalizacao.
Inicializacao:
w(−1) = 0
Para n = 0, 1, 2, . . . , calcule
y(n) = uT (n)w(n− 1)
e(n) = a(n−∆)− y(n)
w(n) = w(n− 1) + µe(n)u∗(n)
Fim
comporta aproximadamente igual ao algoritmo do gradiente exato. Entretanto, um passo de
adaptacao pequeno tambem significa convergencia lenta. Esse compromisso existe para todos
os algoritmos adaptativos e tem sido assunto de intensa pesquisa nas ultimas decadas: muitos
algoritmos tem sido propostos para permitir uma convergencia mais rapida sem aumentar o
desajuste.
Diante disso, um problema do algoritmo LMS e a escolha do passo de adaptacao. Quao
grande deve ser o passo para possibilitar uma convergencia rapida, proporcionar um desajuste
aceitavel e ainda assegurar a estabilidade? Uma possıvel solucao para esse problema e obtida
com o algoritmo LMS normalizado (NLMS - normalized least-mean squares), que usa um
passo de adaptacao variante no tempo, ou seja,
µ(n) =µ
δ + ‖u(n)‖2 , com 0 < µ < 2, (1.15)
sendo que δ e uma constante positiva usada para evitar divisao por zero e ‖ · ‖ representa a
norma euclidiana. Assim, a equacao de atualizacao do NLMS e dada por
w(n) = w(n− 1) +µ
δ + ‖u(n)‖2 e(n)u∗(n). (1.16)
O passo de adaptacao de (1.15) depende inversamente da potencia instantanea do vetor de
entrada u(n), o que possibilita o NLMS acompanhar melhor variacoes na estatıstica do sinal.
Outros algoritmos que merecem destaque sao os da famılia RLS (recursive least-squares).
Embora o algoritmo RLS convencional tenha um custo computacional elevado [O(M2)], ele
apresenta em geral uma velocidade de convergencia maior que as dos algoritmos LMS e
1.1 A equalizacao adaptativa 9
NLMS para um mesmo valor de desajuste. E bem conhecido na literatura que o compro-
misso entre velocidade de convergencia e custo computacional tende a ser menos crıtico para
versoes rapidas do RLS, i.e., versoes que apresentam um custo computacional que crescem
linearmente com o comprimento do filtro [O(M)] [HAYKIN, 2002]. Entre os membros da
famılia dos algoritmos RLS rapidos, merece destaque o algoritmo EF-LSL (error feedback
least-squares lattice) modificado [MIRANDA; GERKEN; SILVA, 1999], que e numericamente
bem comportado em precisao finita, embora nenhuma prova de sua estabilidade numerica
seja conhecida.
A literatura de filtros adaptativos e vasta e esse assunto ainda desperta interesse na
comunidade cientıfica, sendo uma area de intensa pesquisa. Ha varios livros sobre esse
assunto, sendo [HAYKIN, 2002; SAYED, 2003, 2008; DINIZ, 2008; FARHANG-BOROUJENY,
1998; APOLINARIO JR. (Ed.), 2009] os de maior destaque. Cabe mencionar tambem o capıtulo
[NASCIMENTO; SILVA, 2013], que abrange os fundamentos de filtragem adaptativa e aborda
diversos topicos sobre a pesquisa atual na area.
O algoritmo do modulo constante
O CMA foi proposto independentemente em [GODARD, 1980] e [TREICHLER; AGEE, 1983] e
busca minimizar a funcao custo do modulo constante definida como
JCM(n) = E{[κ− |y(n)|2
]2}, (1.17)
sendo κ = E{|a(n)|4}/E{|a(n)|2} uma constante de dispersao, que contem informacao so-
bre as estatısticas de ordem superior do sinal transmitido a(n) e y(n) = uT (n)w(n − 1) e
a saıda do equalizador. Essa funcao penaliza desvios no modulo do sinal equalizado que
ficam distantes da constante de dispersao κ. Diferente da funcao custo do erro quadratico
medio usada em filtragem adaptativa supervisionada, JCM(n) nao e convexa em relacao aos
coeficientes do equalizador. Em outras palavras, ela apresenta mınimos locais e algoritmos
baseados no modulo constante podem ficar parados nessas solucoes sub-otimas.
O CMA e obtido a partir de uma aproximacao instantanea para o vetor gradiente de
JCM(n) em relacao a w. Dessa forma, definindo o “erro” de estimacao
ε(n) =[κ− |y(n)|2
]y(n), (1.18)
1.1 A equalizacao adaptativa 10
a equacao de atualizacao do CMA pode ser escrita como
w(n) = w(n− 1) + ε(n)u∗(n), (1.19)
sendo um passo de adaptacao. Diferente dos algoritmos de equalizacao supervisionada,
o vetor de coeficientes do CMA nao pode ser inicializado com o vetor nulo pois nesse caso
w(n) = 0 para todo n. Por isso, e comum inicializa-lo com o vetor “pino” [DING; LI, 2001],
ou seja,
w(−1) = [ 0 · · · 0 1 0 · · · 0 ]T . (1.20)
As operacoes do CMA estao mostradas na Tabela 1.2.
Tabela 1.2: Sumario do CMA.
Inicializacao:
w(−1) = [ 0 · · · 0 1 0 · · · 0 ]T
κ = E{|a(n)|4}/E{|a(n)|2}
Para n = 0, 1, 2, . . . , calcule
y(n) = uT (n)w(n− 1)
ε(n) = [κ− |y(n)|2]y(n)
w(n) = w(n− 1) + ε(n)u∗(n)
Fim
Como o CMA e um algoritmo do gradiente estocastico, a similaridade de (1.19) com a
equacao de adaptacao do LMS [Eq. (1.13)] nao e surpreendente. Por isso, o CMA e interpre-
tado como a versao autodidata do algoritmo LMS [PAPADIAS; SLOCK, 1997]. Dessa forma,
como no caso do LMS, o custo computacional aumenta linearmente com o comprimento do
filtro, i.e., O(M), e passos de adaptacao pequenos levam a um desajuste pequeno e a uma
convergencia lenta. Entretanto, a similaridade com o LMS para por aı. A multimodalidade
de JCM(n) torna difıcil a analise do comportamento do CMA. Por exemplo, a analise de esta-
bilidade que permite obter o intervalo do passo de adaptacao do CMA depende de inumeras
hipoteses simplificadoras nao muito realistas, como a inicializacao proxima da solucao otima
[NASCIMENTO; SILVA, 2008].
E importante observar que o CMA apresenta algumas desvantagens como a impossibili-
dade de resolver as ambiguidades de fase introduzidas pelo canal de comunicacao, a possıvel
1.1 A equalizacao adaptativa 11
convergencia para mınimos locais indesejaveis e problemas de instabilidade [JOHNSON JR.
et al., 1998; SILVA, 2005; MIRANDA; SILVA; NASCIMENTO, 2008a]. Alem disso, o melhor
desempenho do CMA ocorre para sinais de modulo constante, ja que o fato de√κ nao coin-
cidir com o modulo dos sımbolos da constelacao gera um erro quadratico medio em regime
nao nulo. Na verdade, os algoritmos baseados no modulo constante so podem alcancar um
erro quadratico medio em regime nulo para sinais de modulo constante em um ambiente
estacionario, livre de ruıdo e se for adotada a sobreamostragem [MAI; SAYED, 2000; SILVA;
MIRANDA, 2004; NASCIMENTO; SILVA, 2008]. Por isso, esses algoritmos apresentam um desa-
juste relativamente grande, quando usados para recuperar sinais de modulo nao-constante,
como e o caso de sinais com modulacao QAM (quadrature amplitude modulation) de ordem
elevada (e.g., 1024-QAM) [MENDES FILHO, 2011].
A questao da instabilidade do CMA foi abordada em [MIRANDA; SILVA; NASCIMENTO,
2008a], onde foi proposto um mecanismo para evitar a divergencia em uma versao nor-
malizada do algoritmo. O algoritmo proposto em [MIRANDA; SILVA; NASCIMENTO, 2008a],
denominado dual-mode-CMA (DM-CMA), trabalha com dois modos de operacao. No pri-
meiro modo, ele funciona como o CMA normalizado e no segundo, rejeita estimativas nao-
consistentes do sinal transmitido. Uma analise estatıstica desse algoritmo foi feita posteri-
ormente em [CANDIDO et al., 2010].
O algoritmo multimodulo
Para mitigar o problema da ambiguidade de fase do CMA, o MMA foi proposto em [WE-
SOLOWSKI, 1992; OH; CHIN, 1995] e depois analisado em [YANG; WERNER; DUMONT, 2002].
O MMA e obtido a partir da minimizacao estocastica da dispersao das componentes real e
imaginaria da saıda do equalizador de forma separada, ou seja,
JMM(n) = E{[r − y2
R(n)
]2}+ E
{[r − y2
I(n)
]2}, (1.21)
sendo y(n) = uT (n)w(n− 1) = yR(n) + jyI(n) e yR(n) e yI(n) as partes real e imaginaria de
y(n), respectivamente. A constante de dispersao tambem e calculada usando separadamente
as partes real [aR(n)] e imaginaria [aI(n)] do sinal transmitido a(n) = aR(n) + jaI(n), i.e.,
r =E{a4
R(n)}
E{a2R(n)} =
E{a4I(n)}
E{a2I(n)} (1.22)
1.1 A equalizacao adaptativa 12
para constelacoes simetricas com sımbolos iid.
O “erro” de estimacao do MMA e dado por
c(n) = cR(n) + jcI(n) = [r − y2R(n)]yR(n) + j[r − y2
I(n)]yI(n). (1.23)
Usando essa definicao em (1.19) em vez de ε(n), temos a equacao de atualizacao do algoritmo,
isto e,
w(n) = w(n− 1) + ρc(n)u∗(n), (1.24)
sendo que ρ e o passo de adaptacao e w(n) o vetor de coeficientes que deve ser inicializado
como (1.20). Cabe observar que para sinais reais r = κ, c(n) = ε(n) e o MMA coincide com
o CMA. As operacoes do MMA estao mostradas na Tabela 1.3.
Tabela 1.3: Sumario do MMA.
Inicializacao:
w(−1) = [ 0 · · · 0 1 0 · · · 0 ]T
r = E{a4R(n)}/E{a2
R(n)}
Para n = 0, 1, 2, . . . , calcule
y(n) = uT (n)w(n− 1)
cR(n) = [r − y2R(n)]yR(n)
cI(n) = [r − y2I(n)]yI(n)
c(n) = cR(n) + jcI(n)
w(n) = w(n− 1) + ρc(n)u∗(n)
Fim
Embora o MMA apresente uma melhor convergencia que o CMA para sinais de modulo
nao-constante, ele ainda pode ocasionar rotacoes de fase multiplas de π/2 como comentado
em [GARTH; YANG; WERNER, 2001]. Isso foi confirmado teoricamente em [YUAN; TSAI, 2005],
que mostra que a funcao custo do MMA apresenta pontos estacionarios adicionais relacio-
nados a rotacoes de fase multiplas de π/2 e proximos a esses pontos, ele apresenta uma
convergencia lenta antes de convergir para o mınimo desejado. Entretanto essa convergencia
ruim ocorre muito raramente em situacoes praticas. Ocasionalmente, o MMA tambem pode
convergir para algumas solucoes indesejadas causadas por rotacoes multiplas de π/4 [YANG;
1.1 A equalizacao adaptativa 13
WERNER; DUMONT, 2002]. Porem, essas solucoes podem ser evitadas atraves de diferentes
tecnicas, como mencionado em [YANG; WERNER; DUMONT, 2002, Secao VIII].
Outros algoritmos de equalizacao autodidata
Com o objetivo de melhorar o desempenho do CMA e MMA, diferentes algoritmos de equa-
lizacao autodidata tem sido propostos na literatura (veja, e.g., [DING; LI, 2001; SHALVI;
WEINSTEIN, 1993; SILVA; GERKEN; MIRANDA, 2002, 2004; SILVA; MIRANDA; SOARES, 2005;
SILVA, 2005; MIRANDA; SILVA; NASCIMENTO, 2008b; MENDES FILHO; MIRANDA; SILVA, 2012c]
e suas referencias). Dentre esses algoritmos, destaca-se o algoritmo de Shavi-Weinstein
(SWA) proposto em [SHALVI; WEINSTEIN, 1993]. Em geral, o SWA converge mais rapido
que o CMA e o MMA para um mesmo valor de EMSE em regime, as custas de um custo
computacional maior [O(M2)]. Porem, um dos principais problemas do SWA convencional e
que uma escolha inadequada do fator de esquecimento, uma inicializacao distante da solucao
otima e/ou uma razao sinal-ruıdo baixa podem leva-lo a divergencia (i.e., a norma do vetor
de coeficientes vai para infinito) ou a convergencia para mınimos locais indesejaveis. Como
no RLS convencional, o SWA tambem pode divergir devido a problemas numericos no calculo
da estimativa da matriz de autocorrelacao inversa.
A questao da divergencia do SWA foi abordada em [MIRANDA; SILVA; NASCIMENTO,
2008b], onde foi proposta uma versao do algoritmo com dois modos de operacao, denominada
dual-mode-SWA (DM-SWA). No primeiro modo, ele funciona como o SWA convencional e
no segundo, rejeita estimativas nao-consistentes do sinal transmitido. Para evitar a causa
de divergencia devido a perda de positividade da estimativa da matriz de autocorrelacao, foi
proposto um SWA em trelica com dois modos de operacao (DM-LSWA - dual-mode lattice
Shalvi-Weinstein algorithm), que e estavel mesmo em aritmetica de precisao finita e tem
um custo computacional relativamente baixo [O(M)]. Detalhes sobre essas versoes do SWA
podem ser encontrados no Apendice A.
Tambem merece destaque o algoritmo multimodulo regional (RMA - regional multimodu-
lus algorithm) proposto em [MENDES FILHO, 2011; MENDES FILHO; MIRANDA; SILVA, 2012c]
para equalizacao de sinais QAM. Esse algoritmo foi obtido a partir de uma modificacao na
funcao de erro do MMA, que faz com seu erro de estimacao seja igual a zero nas coordenadas
dos sımbolos da constelacao. Dessa forma, o RMA pode ter um desempenho similar ao de
1.1 A equalizacao adaptativa 14
um algoritmo de equalizacao supervisionada como o NLMS, mesmo quando sao transmiti-
dos sinais QAM de ordem elevada. Um outro algoritmo com caracterısticas similares foi
proposto em [MENDES FILHO, 2011; MENDES FILHO; MIRANDA; SILVA, 2012b] e denominado
algoritmo de decisao baseada nos sımbolos (SBD - symbol-based decision). Esses algoritmos
sao revisitados no Apendice B.
1.1.3 Transicao para o modo de decisao direta
Para finalizar esta secao, e importante salientar que a transicao entre os modos de treina-
mento supervisionado ou cego e o modo de decisao direta depende em geral de um limiar de
erro quadratico medio (MSE - mean-square error) atingido pelo algoritmo adaptativo. Um
bom desempenho global do equalizador depende da selecao de um limiar de MSE adequado.
No entanto, essa nao e uma tarefa simples, ja que depende fortemente de varios fatores como
constelacao do sinal transmitido, canal de comunicacao, razao sinal-ruıdo (SNR - signal-to-
noise ratio), entre outros [JOHNSON JR. et al., 2000]. Uma selecao inadequada do nıvel de
MSE para o chaveamento tem um impacto significativo no desempenho da equalizacao ja que
um valor de MSE muito elevado leva a uma convergencia ruim ou a nao-convergencia para o
algoritmo de decisao direta [MAZO, 1980; MACCHI; EWEDA, 1984]. Em contrapartida, um va-
lor muito pequeno pode resultar em um atraso muito grande ou ate em falha no chaveamento
entre os modos. Para evitar a necessidade de se selecionar um limiar de MSE para o chave-
amento abrupto (hard switching) entre os modos cego e de decisao direta, varios esquemas
de chaveamento suave foram propostos na literatura (veja e.g [PICCHI; PRATI, 1987; WEE-
RACKODY; KASSAM, 1994; CASTRO; CASTRO; ARANTES, 2001; CHEN, 2003]). Alem disso,
algoritmos de equalizacao autodidata com bom desempenho no transitorio e em regime tem
sido propostos a fim de evitar o mecanismo de chaveamento para o modo DD (veja, e.g,
[MENDES FILHO, 2011; MENDES FILHO; MIRANDA; SILVA, 2012b, 2012c] e suas referencias).
Entretanto, esses esquemas sao tipicamente difıceis de ajustar e o desempenho alcancado
ainda e muito dependente do ambiente particular em que sao aplicados.
A seguir, revisita-se a combinacao convexa de algoritmos adaptativos, que sera utilizada
nos capıtulos seguintes para propor um esquema que permite um chaveamento automatico
entre os modos cego e de decisao direta.
1.2 A combinacao convexa de algoritmos adaptativos 15
1.2 A combinacao convexa de algoritmos adaptativos
A combinacao convexa de dois ou mais filtros operando em paralelo foi proposta para melho-
rar o desempenho de filtros adaptativos [MARTINEZ-RAMON et al., 2002; ARENAS-GARCIA,
2004; ARENAS-GARCIA; GOMEZ-VERDEJO; FIGUEIRAS-VIDAL, 2005; ARENAS-GARCIA; FI-
GUEIRAS-VIDAL; SAYED, 2006; ARENAS-GARCIA et al., 2006; AZPICUETA-RUIZ; FIGUEIRAS-
VIDAL; ARENAS-GARCIA, 2008; SILVA; NASCIMENTO, 2008a; ARENAS-GARCIA; FIGUEIRAS-
VIDAL, 2009; LAZARO-GREDILLA et al., 2010]. Esse metodo e relativamente simples e pro-
porciona um desempenho global melhor ou igual ao de cada filtro individual operando in-
dependentemente. Essa ideia tem gerado interesse, pois uma dificuldade no projeto de
filtros adaptativos e escolher da melhor forma os parametros fixos do filtro, como o passo
de adaptacao para algoritmos do tipo LMS ou o fator de esquecimento para algoritmos do
tipo RLS. Cabe destacar que ha diversos artigos que propoem o uso de algoritmos com passo
variavel [KWONG; JOHNSTON, 1992; ABOULNASR; MAYYAS, 1997; BILCU; KUOSMANEN; EGI-
AZARIAN, 2002; NELATURY; RAO, 2002], mas o desempenho deles e pior do que o de um
algoritmo com parametro fixo escolhido de maneira otima, principalmente quando os sinais
sao estacionarios. Como o desempenho de combinacoes de filtros nunca e pior do que o de
cada filtro individual, essa solucao e mais interessante do que as que utilizam parametros
variaveis em muitas situacoes praticas.
A ideia de se combinar as saıdas de varios filtros adaptativos independentes para se
obter um melhor desempenho do que o de cada filtro individual nao e nova. Ela foi proposta
inicialmente em [ANDERSSON, 1985] e posteriormente melhorada em [NIEDZWIECKI, 1990,
1992]. Ideias similares tambem tem sido usadas na literatura de teoria da informacao (veja,
e.g., [KOZAT; SINGER; ZEITLER, 2007]). No entanto, o metodo de [ARENAS-GARCIA; FIGUEI-
RAS-VIDAL; SAYED, 2006] tem recebido mais atencao devido a sua relativa simplicidade e a
prova de que a combinacao e universal, i.e., considerando entradas estacionarias, a estimativa
combinada e pelo menos tao boa quanto a do melhor filtro componente em regime.
A combinacao convexa de dois filtros adaptativos esta esquematizada na Figura 1.5,
onde se considera a filtragem supervisionada que pode ser usada para diferentes aplicacoes,
como identificacao de sistemas, equalizacao adaptativa, cancelamento de eco ou ruıdo etc.
[HAYKIN, 2002; SAYED, 2003]. O sinal de saıda global y(n) e obtido a partir da combinacao
1.2 A combinacao convexa de algoritmos adaptativos 16
linear das saıdas y1(n) e y2(n) dos filtros individuais, ou seja,
y(n) = η(n)y1(n) + [1− η(n)]y2(n), (1.25)
sendo η(n) o parametro de mistura. Os vetores de coeficientes de cada filtro w1(n − 1) e
w2(n− 1) sao adaptados com seus respectivos erros
e1(n) = d(n)− y1(n) (1.26)
e
e2(n) = d(n)− y2(n), (1.27)
sendo d(n) a resposta desejada, que no caso da equalizacao supervisionada corresponde ao
sımbolo a(n−∆).
u(n)
d(n)
e(n)
e1(n)
e2(n)
y1(n)
y2(n)
y(n)η(n)
1− η(n)
w1(n− 1)
w2(n− 1)
w(n− 1)
Figura 1.5: Combinacao convexa de dois filtros adaptativos transversais para filtragem
supervisionada.
Na mistura de dois algoritmos do tipo LMS com passos de adaptacao µ1 e µ2, sendo
µ1 > µ2, a combinacao convexa tem uma interpretacao intuitiva. No inıcio da convergencia,
η(n) → 1 e a combinacao se aproxima do filtro µ1-LMS, que converge mais rapidamente.
Em regime, η(n)→ 0 e a combinacao se aproxima do filtro µ2-LMS, que por ser mais lento,
faz um “ajuste fino” a fim de atingir um erro de estimacao menor. No entanto, ha situacoes
1.2 A combinacao convexa de algoritmos adaptativos 17
em que 0 < η(n) < 1 e nesses casos, a combinacao pode apresentar um desempenho melhor
do que o de cada um dos filtros quando considerados separadamente [ARENAS-GARCIA; FI-
GUEIRAS-VIDAL; SAYED, 2006]. Esse comportamento pode ser observado nos resultados de
simulacao mostrados na Figura 1.6, em que a combinacao convexa de dois filtros LMS com
diferentes passos de adaptacao (µ1 = 0,1 and µ2 = 0,01) foi usada para identificar o sistema
[0,9003 −0,5377 0,2137 −0,0280 0,7826 0,5242 −0,0871
].
O regressor u(n) e obtido de um processo x(n), gerado com um modelo autoregressivo de
primeira ordem, cuja funcao de transferencia e dada por√1− b2/(1 − bz−1). Esse modelo
e alimentado com um processo gaussiano iid, cuja variancia e escolhida para que o traco
da matriz de autocorrelacao R seja igual a um. Alem disso, um ruıdo aditivo iid v(n) com
variancia σ2v = 0,01 e adicionado para se obter o sinal desejado. Na Figura 1.6-(a), sao
mostradas curvas de EMSE, estimadas a partir de uma media de conjunto de 500 realizacoes
e filtradas por um filtro de media movel com 128 coeficientes para facilitar a visualizacao.
Na Figura 1.6-(b), e mostrada a media do parametro de mistura ao longo do tempo. Pode-se
observar que η(n)→ 1 durante o inıcio da convergencia e em regime, η(n)→ 0.
Na combinacao convexa, o parametro de mistura η(n) fica restrito ao intervalo [ 0, 1 ] e
por isso e modificado atraves de uma variavel auxiliar α(n) que esta relacionada com η(n)
atraves da seguinte funcao
η(n) = ϕ[α(n− 1)] =sgm[α(n− 1)]− sgm[−α+]
sgm[α+]− sgm[−α+], (1.28)
sendo
sgm[x] =1
1 + e−x(1.29)
a funcao sigmoidal e α+ o maximo valor que |α(n)| pode assumir. A funcao de ativacao ϕ[·]
foi proposta em [LAZARO-GREDILLA et al., 2010] e e uma versao deslocada e escalonada da
funcao sigmoidal. E importante notar que η(n) atinge os valores 1 e 0 para α(n − 1) = α+
e α(n− 1) = −α+, respectivamente.
Calculando a derivada do MSE global da combinacao
JMSE(n) = E{|e(n)|2} = E{|d(n)− y(n)|2}
1.2 A combinacao convexa de algoritmos adaptativos 18
combinacaoµ2-LMSµ1-LMS
EMSE(dB)
(a)0
0 1 2 3
−10
−20
−30
−40
−50
E{η
(n)}
(b)
00
1
1
0,5
×1042 3
Iteracoes
Figura 1.6: (a) EMSE para µ1-LMS, µ2-LMS, e sua combinacao convexa; (b) media de conjunto
de η(n); µ1 = 0,1, µ2 = 0,01, µα = 100 (adaptacao nao-normalizada), α+ = 4, b = 0,8; media de
500 realizacoes.
com relacao a α(n) e aproximando as esperancas por seus valores instantaneos, obtem-se a
seguinte regra para adaptar α(n):
α(n) = α(n− 1) + µα(n) Re{[d(n)− y(n)][y1(n)− y2(n)]∗}ϕ′[α(n− 1)], (1.30)
sendo
ϕ′[α(n− 1)] =dη(n)
dα(n− 1)=
sgm[α(n− 1)]{1− sgm[α(n− 1)]}sgm[α+]− sgm[−α+]
(1.31)
e µα(n) um passo de adaptacao. Na pratica, α(n) fica restrita por saturacao ao intervalo
simetrico [−α+, α+], ja que o fator ϕ′[α(n − 1)] em (1.30) pararia a adaptacao se |α(n)|
crescesse muito. Uma escolha comum na literatura e α+ = 4 [ARENAS-GARCIA; FIGUEIRAS-
VIDAL; SAYED, 2006; AZPICUETA-RUIZ; FIGUEIRAS-VIDAL; ARENAS-GARCIA, 2008; LAZARO-
GREDILLA et al., 2010]. Quando se trata da combinacao convexa de dois algoritmos com
passos de adaptacao diferentes, por exemplo, combinacao do µ1-LMS com o µ2-LMS, em
que µ1 > µ2, e melhor inicializar α(−1) = α+ para que η(0) = 1 e a combinacao tenha
1.2 A combinacao convexa de algoritmos adaptativos 19
um comportamento semelhante ao do filtro rapido no inıcio da convergencia. Entretanto, o
desempenho da combinacao nao e afetado significativamente se α(−1) for feito igual a um
valor no intervalo [−α+, α+], ja que λ(n) converge rapidamente para proximo de 1 quando
o filtro µ2-LMS ainda nao convergiu. Isso tambem ocorre quando ha mudancas abruptas no
canal de comunicacao, por exemplo.
Embora seja possıvel usar um valor constante para µα(n), um comportamento melhor
pode ser obtido com uma regra normalizada. Reinterpretando a combinacao como um filtro
adaptativo de “segunda camada” [AZPICUETA-RUIZ; FIGUEIRAS-VIDAL; ARENAS-GARCIA,
2008] e notando que [y1(n) − y2(n)] faz o papel de sinal de entrada para essa segunda
camada, pode-se considerar
µα(n) =µα
p(n)(1.32)
sendo p(n) uma estimativa da potencia de [y1(n)−y2(n)], i.e,
p(n) = λp p(n− 1) + (1− λp)|y1(n)− y2(n)|2 (1.33)
com p(−1) = 1. A regra normalizada e mais facil de ajustar do que a nao-normalizada,
como observado em [AZPICUETA-RUIZ; FIGUEIRAS-VIDAL; ARENAS-GARCIA, 2008; CANDIDO;
SILVA; NASCIMENTO, 2010]. Alem disso, a selecao do fator de esquecimento λp nao e crıtica
para um bom desempenho da combinacao, sendo λp = 0,9 uma escolha comum na literatura.
As operacoes da combinacao convexa de dois algoritmos LMS com passos de adaptacao
diferentes e adaptacao normalizada estao mostradas na Tabela 1.4, em que
sign[x] =
−1, x < 0
1, x ≥ 0.
Cabe observar que em uma implementacao pratica, a funcao ϕ[·] pode ser calculada com o
auxılio de uma tabela (lookup table). Alem disso, no caso de equalizacao, nao e necessario
calcular o vetor de coeficientes da combinacao, ou seja,
w(n) = η(n+ 1)w1(n) + [1− η(n+ 1)]w2(n), (1.34)
ja que para essa aplicacao, o interesse esta na estimativa obtida com a saıda global combi-
nada, i.e., y(n).
Os benefıcios de se utilizar a funcao ϕ[·] para o calculo de η(n) sao dois. Primeiramente,
ela serve para manter o parametro de mistura η(n) no intervalo [ 0, 1 ]. Em segundo lugar,
1.2 A combinacao convexa de algoritmos adaptativos 20
Tabela 1.4: Sumario da combinacao convexa de dois filtros LMS.
Inicializacao:
w1(−1) = 0, w2(−1) = 0, α(−1) = α+, p(−1) = 1
Para n = 0, 1, 2, . . . , calcule
η(n) = ϕ[α(n− 1)] =sgm[α(n− 1)]− sgm[−α+]
sgm[α+]− sgm[−α+]
y1(n) = uT (n)w1(n− 1)
y2(n) = uT (n)w2(n− 1)
y(n) = η(n)y1(n) + [1− η(n)]y2(n)
e1(n) = d(n)− y1(n)
e2(n) = d(n)− y2(n)
e(n) = d(n)− y(n)
ϕ′[α(n− 1)] =sgm[α(n− 1)]{1− sgm[α(n− 1)]}
sgm[α+]− sgm[−α+]
p(n) = λp p(n− 1) + (1− λp)|y1(n)− y2(n)|2
α(n) = α(n− 1) +µα
p(n)Re{e(n)[y1(n)− y2(n)]∗}ϕ′[α(n− 1)]
Se |α(n)| > α+
α(n)← α+sign[α(n)]
Fim
w1(n) = w1(n− 1) + µ1e1(n)u∗(n)
w2(n) = w2(n− 1) + µ2e2(n)u∗(n)
Fim
a derivada ϕ′[α(n − 1)] que aparece em (1.30) assume um valor pequeno quando η(n) se
aproxima dos limites inferior e superior, fazendo com que a velocidade de adaptacao e o
ruıdo do gradiente diminuam [ARENAS-GARCIA; FIGUEIRAS-VIDAL; SAYED, 2006; LAZARO-
GREDILLA et al., 2010].
A combinacao convexa tem sido utilizada para melhorar o desempenho de filtros adap-
tativos e tambem como um esquema alternativo em diferentes aplicacoes, destacando-se:
1. melhoria do desempenho do algoritmo LMS com comprimento variavel [ZHANG; CHAM-
BERS, 2006];
1.2 A combinacao convexa de algoritmos adaptativos 21
2. melhoria da capacidade de tracking de filtros adaptativos [SILVA; NASCIMENTO, 2008a];
3. cancelamento de eco acustico, dereverberacao e separacao de fontes acusticas [ARENAS-
GARCIA; FIGUEIRAS-VIDAL, 2009; GONZALO-AYUSO et al., 2012; AZPICUETA-RUIZ et al.,
2011; ZELLER et al., 2011; AZPICUETA-RUIZ, 2011];
4. equalizacao autodidata [ARENAS-GARCIA; FIGUEIRAS-VIDAL, 2006; SILVA; NASCIMENTO,
2008a; CANDIDO; SILVA; NASCIMENTO, 2009];
5. equalizacao espaco-temporal [CHAVES et al., 2011];
6. criacao de estimadores enviesados [LAZARO-GREDILLA et al., 2010];
7. processamento de sinais biologicos [MANDIC et al., 2008; JELFS et al., 2010; XIA et al.,
2011; LI et al., 2012]; e
8. processamento adaptativo distribuıdo [CATTIVELLI; SAYED, 2011; TAKAHASHI; YA-
MADA; SAYED, 2010; ABDOLEE; CHAMPAGNE, 2011; FERNANDES-BES et al., 2012].
Usando a combinacao convexa como fonte de inspiracao, outras combinacoes de algorit-
mos foram propostas na literatura. Dentre essas combinacoes, destacam-se a combinacao
afim [BERSHAD; BERMUDEZ; TOURNERET, 2008; CANDIDO; SILVA; NASCIMENTO, 2010; BER-
MUDEZ; BERSHAD; TOURNERET, 2011] e a combinacao linear [KOZAT et al., 2010], descritas
a seguir. A combinacao afim de dois filtros LMS foi proposta em [BERSHAD; BERMUDEZ;
TOURNERET, 2008]. Nesse artigo, o parametro de combinacao e escolhido de forma otima a
fim de minimizar o MSE em regime, nao ficando restrito ao intervalo [ 0, 1 ]. Dessa forma,
a saıda global e uma combinacao linear das saıdas dos filtros individuais e a combinacao
convexa e um caso particular. Por isso, a combinacao afim de [BERSHAD; BERMUDEZ;
TOURNERET, 2008] e uma generalizacao da combinacao convexa de [ARENAS-GARCIA; FI-
GUEIRAS-VIDAL; SAYED, 2006]. O parametro de mistura pode assumir valores negativos, o
que ocorre usualmente em regime. Os resultados de [BERSHAD; BERMUDEZ; TOURNERET,
2008] foram estendidos em [CANDIDO, 2009; CANDIDO; SILVA; NASCIMENTO, 2010], conside-
rando entrada branca ou colorida e outros algoritmos na combinacao (nao apenas o LMS).
Alem disso, foi apresentada uma analise do transitorio da combinacao, levando-se em conta
1.3 Objetivos e justificativa 22
a adaptacao dos filtros componentes e tambem a adaptacao do parametro de mistura adap-
tado com o algoritmo η-LMS, proposto em [BERSHAD; BERMUDEZ; TOURNERET, 2008]. Os
resultados da analise do transitorio facilitaram o ajuste dos parametros livres do esquema
e a obtencao de dois algoritmos normalizados para atualizar o parametro de mistura. Nas
simulacoes mostradas em [CANDIDO, 2009; CANDIDO; SILVA; NASCIMENTO, 2010], observa-
se uma boa concordancia entre os resultados analıticos e os de simulacao. Dessa forma, os
modelos teoricos sao capazes de prever situacoes em que esses algoritmos podem alcancar
um desempenho melhor, sendo util para o projetista.
Na combinacao linear proposta em [KOZAT et al., 2010], nao e imposta restricao alguma
ao parametro de mistura, ou seja, a soma dos pesos das saıdas dos filtros componentes nao
e necessariamente igual a um como nas combinacoes convexa e afim. Em [KOZAT et al.,
2010], ainda sao apresentados resultados de analises teoricas que confirmam o desempenho
melhor da combinacao linear em relacao aos filtros componentes. Diante dessas diferentes
combinacoes de algoritmos adaptativos, se faz necessaria uma comparacao sistematica e
extensiva, levando-se em conta diferentes cenarios de simulacao e os resultados das analises
teoricas.
1.3 Objetivos e justificativa
Desde a publicacao de [MARTINEZ-RAMON et al., 2002], muitos resultados relacionados a
combinacao de algoritmos adaptativos foram publicados na literatura. No entanto, ainda ha
alguns problemas em aberto e esse assunto continua sendo uma linha de pesquisa ativa.
Especificamente em equalizacao autodidata, esquemas combinados foram explorados em
[ARENAS-GARCIA; FIGUEIRAS-VIDAL, 2006; SILVA; NASCIMENTO, 2008a; CANDIDO; SILVA;
NASCIMENTO, 2010; ABU-SALEM; LUO; GONG, 2009]. Para melhorar o compromisso en-
tre a velocidade de convergencia e o MSE em regime, uma combinacao convexa de dois
equalizadores CMA com diferentes passos de adaptacao foi proposta em [ARENAS-GARCIA;
FIGUEIRAS-VIDAL, 2006]. Posteriormente, em [SILVA; NASCIMENTO, 2008a] foi proposta uma
combinacao convexa do CMA com o SWA para se obter um equalizador com melhor capaci-
dade de rastreio (tracking). Combinacoes afins de equalizadores CMA com diferentes passos
foram exploradas em [CANDIDO, 2009; CANDIDO; SILVA; NASCIMENTO, 2010]. Embora todos
1.4 Contribuicoes 23
esses esquemas encontram um MSE em regime mais baixo que o de um simples CMA, eles
estao baseados em componentes autodidatas, de forma que o chaveamento para o modo de
decisao direta ainda e necessario na maioria dos casos e o problema de selecionar um limiar
apropriado de MSE para a transicao entre os modos persiste.
Neste trabalho, a combinacao convexa sera abordada no contexto de equalizacao auto-
didata para permitir um chaveamento automatico entre os modos de treinamento cego e de
decisao direta. O esquema consiste na combinacao de um algoritmo de equalizacao auto-
didata que rege o modo cego com um algoritmo de equalizacao supervisionada que rege o
modo de decisao direta. A combinacao e tambem e adaptada de forma autodidata, o que
permite um chaveamento automatico entre os filtros componentes, evitando-se a selecao de
um limiar de MSE a priori. O desempenho do esquema proposto e ilustrado atraves de
resultados analıticos e de simulacoes, que mostram sua vantagem em relacao a esquemas de
chaveamento abrupto e suave existentes na literatura.
Cabe observar que neste trabalho sera abordada apenas a combinacao convexa de filtros
adaptativos, ja que os resultados aqui obtidos podem ser estendidos para outros tipos de
combinacao, como as combinacoes afim e linear.
1.4 Contribuicoes
O esquema proposto nesta tese estende os resultados em combinacao de filtros adaptativos
nos seguintes aspectos:
1. Combinacoes de filtros de diferentes famılias foram previamente consideradas (veja,
e.g., [SILVA; NASCIMENTO, 2008a; NASCIMENTO et al., 2010]). No entanto, o esquema
aqui proposto nao somente considera a combinacao de dois filtros de diferentes tipos,
mas seus modos de operacao tambem sao diferentes: um deles e baseado em um criterio
autodidata, enquanto o outro minimiza um custo supervisionado. Isso implica algumas
mudancas na configuracao da combinacao como um todo, i.e., os dois filtros nao sao
adaptados de forma independente, ja que a decisao global e realimentada para atualizar
o componente supervisionado da combinacao;
2. Diferente da maioria dos trabalhos que exploram combinacoes para melhorar a con-
1.5 Organizacao da tese 24
vergencia, capacidade de rastreio (tracking) e desempenho em regime, o objetivo aqui
e proporcionar um mecanismo automatico para se obter uma transicao suave entre o
modo de treinamento cego e o modo de decisao direta;
3. Uma nova regra de adaptacao e proposta. Tal regra e baseada na minimizacao da
funcao custo do MMA e proporciona uma taxa de erro de sımbolo (SER - symbol error
rate) menor que a adaptacao baseada no MSE;
4. Finalmente, embora o esquema proposto seja valido para combinacoes de diferentes
tipos de filtros adaptativos, sera dada uma enfase especial a combinacao do equalizador
MMA com o filtro LMS. E apresentada uma analise teorica do desempenho da mesma
em um ambiente nao-estacionario, usando o metodo de analise baseado na conservacao
de energia [SAYED, 2008]. Essa analise requer o calculo do EMSE cruzado entre os
filtros, que e um desafio diante dos diferentes modos de operacao.
Como resultado das contribuicoes desta tese, o seguinte trabalho foi aceito para pu-
blicacao:
SILVA, M. T. M.; ARENAS-Garcıa, J. A soft-switching blind equalization scheme via
convex combination of adaptive filters. IEEE Transactions on Signal Processing, 2013.
1.5 Organizacao da tese
Esta tese foi organizada em cinco capıtulos. A combinacao convexa do equalizador MMA com
o algoritmo LMS e apresentada no Capıtulo 2, onde e introduzido um algoritmo baseado
no MMA para atualizacao do parametro de mistura. O Capıtulo 3 contem uma analise
estatıstica em regime para a combinacao, cuja precisao e verificada atraves de simulacoes.
No Capıtulo 4, sao apresentados resultados de simulacao com o objetivo de avaliar o esquema
proposto e compara-lo com metodos de chaveamento entre os modos de treinamento cego e
o de decisao direta existentes na literatura. Para finalizar, as conclusoes e perspectivas do
trabalho sao apresentadas no Capıtulo 5.
25
Capıtulo 2
Chaveamento automatico entre os
modos cego e de decisao direta
Neste capıtulo, e proposto um esquema baseado na combinacao convexa de filtros adapta-
tivos, que possibilita um chaveamento suave e automatico entre os modos de treinamento
cego e o de decisao direta. E proposto tambem um algoritmo autodidata para adaptacao
do parametro de mistura. Depois de um exemplo ilustrativo, sao apresentadas algumas
conclusoes do capıtulo.
2.1 Combinacao convexa do MMA com o LMS
O esquema proposto consiste na combinacao convexa de um equalizador autodidata com um
equalizador de decisao direta, como mostrado na Figura 2.1. Como na combinacao convexa
da Secao 1.2 (pagina 15), a saıda global do esquema e dada por
y(n) = η(n)y1(n) + [1− η(n)]y2(n), (2.1)
sendo η(n) ∈ [ 0, 1 ] o parametro de mistura e yi(n)=uT (n)wi(n − 1) as saıdas dos equali-
zadores autodidata e DD, respectivamente para i = 1, 2. Embora a configuracao proposta
possa ser usada com outros tipos de equalizadores, considera-se neste trabalho que y1(n) e
y2(n) sao as saıdas dos equalizadores MMA e LMS. A saıda global e decodificada por um
decisor e a sequencia decodificada, a(n − ∆), e usada como sinal desejado na adaptacao
do algoritmo LMS, que faz o papel de um algoritmo de decisao direta. Cabe observar que
2.1 Combinacao convexa do MMA com o LMS 26
a realimentacao da decisao global para atualizar o componente LMS introduz um acopla-
mento entre os filtros componentes. Especificamente para η(n) ≈ 1, a saıda decodificada do
componente MMA sera usada como sinal desejado na adaptacao do filtro LMS.
u(n)
w1(n− 1)
w2(n− 1)
y(n)
y1(n)
y2(n)
η(n)
1−η(n)
e2(n)
a(n−∆)
MMA
LMS
decisor
Figura 2.1: Combinacao convexa do MMA com o LMS. O filtro LMS opera no modo de decisao
direta, sendo que seus coeficientes sao atualizados utilizando a saıda do decisor como sinal desejado.
Para que a combinacao tenha um bom comportamento, e importante que os filtros com-
ponentes sejam adaptados de acordo com suas proprias regras. O parametro de mistura η(n),
por sua vez, deve ser adaptado para se obter um bom desempenho global [ARENAS-GARCIA;
FIGUEIRAS-VIDAL; SAYED, 2006]. Dessa forma, a combinacao pode unir os comportamentos
complementares dos filtros componentes, isto e, a capacidade de equalizacao autodidata do
MMA e o erro menor em regime do LMS no modo de decisao direta.
As equacoes de atualizacao do MMA e do LMS foram apresentadas na Secao (1.1.2)
(pagina 6) e serao repetidas aqui por conveniencia. A operacao padrao do equalizador MMA
consiste na minimizacao estocastica de
JMM,1(n) = E{[r − y21,R(n)
]2}+ E
{[r − y21,I(n)
]2}, (2.2)
sendo y1,R(n) e y1,I(n) as partes real e imaginaria de y1(n) e r a constante de dispersao
definida em (1.22). Sua equacao de atualizacao e dada
w1(n) = w1(n− 1) + ρ c1(n)u∗(n), (2.3)
sendo
c1(n) = c1,R(n) + jc1,I(n) =[r − y21,R(n)
]y1,R(n) + j
[r − y21,I(n)
]y1,I(n). (2.4)
2.1 Combinacao convexa do MMA com o LMS 27
O algoritmo LMS no modo de decisao direta minimiza uma aproximacao instantanea do
erro quadratico medio de decisao, definido como
JMSE,2(n) = E{|a(n−∆)− y2(n)|2
}. (2.5)
Sua equacao de adaptacao e dada por
w2(n) = w2(n− 1) + µe2(n)u∗(n), (2.6)
em que
ei(n) = a(n−∆)− yi(n), (2.7)
i = 1, 2 sao erros de decisao. Embora somente e2(n) seja usado em (2.6), o calculo de e1(n)
com a saıda do equalizador MMA e empregado na definicao do erro global, i.e.,
e(n) = η(n)e1(n) + [1− η(n)] e2(n)
= a(n−∆)− y(n). (2.8)
2.1.1 Adaptacao do parametro de mistrura
A fim de obter um equalizador totalmente cego, o parametro de mistura deve ser adaptado
para minimizar uma funcao custo tambem cega. Para isso, pode-se considerar a funcao custo
multimodulo para o sistema global, i.e.,
JMM(n) = E{[r − y2
R(n)
]2}+ E
{[r − y2
I(n)
]2}, (2.9)
e atualizar η(n) usando o metodo do gradiente estocastico. Dessa forma, considerando a
variavel auxiliar α(n) e a funcao de ativacao de (1.28) (pagina 17), basta calcular a deri-
vada de (2.9) com relacao a α(n) e aproximar as esperancas por seus valores instantaneos.
Seguindo esse procedimento, obtem-se a seguinte regra para adaptacao normalizada de α(n):
α(n) = α(n− 1) +ραp(n)
Re{c(n)[y1(n)− y2(n)]∗}ϕ′[α(n− 1)], (2.10)
sendo
c(n) =[r − y2
R(n)
]yR(n) + j
[r − y2
I(n)
]yI(n), (2.11)
2.1 Combinacao convexa do MMA com o LMS 28
ρα um passo de adaptacao, ϕ′[α(n − 1)] e p(n) definidos respectivamente em (1.31) e
(1.33). Como anteriormente, a variavel α(n) e restrita por saturacao ao intervalo simetrico
[−α+, α+] para garantir um nıvel mınimo de adaptacao em (2.10). As operacoes da com-
binacao convexa do MMA com o LMS estao mostradas na Tabela 2.1, onde dec[·] representa
a funcao do decisor.
Tabela 2.1: Sumario da combinacao convexa do MMA com o LMS, considerando (2.10).
Inicializacao:
w1(−1) = w2(−1) = [0 · · · 0 1 0 · · · 0]T , α(−1) = α+,
p(−1) = 1, r = E{a4R(n)}/E{a2
R(n)}
Para n = 0, 1, 2, . . . , calcule
η(n) = ϕ[α(n− 1)] =sgm[α(n− 1)]− sgm[−α+]
sgm[α+]− sgm[−α+]
y1(n) = uT (n)w1(n− 1)
y2(n) = uT (n)w2(n− 1)
y(n) = η(n)y1(n) + [1− η(n)]y2(n)
a(n−∆) = dec[y(n)]
c1(n) =[r − y21,R(n)
]y1,R(n) + j
[r − y21,I(n)
]y1,I(n)
e2(n) = a(n−∆)− y2(n)
c(n) = [r − y2R(n)] yR(n) + j [r − y2
I(n)] yI(n)
ϕ′[α(n− 1)] =sgm[α(n− 1)]{1− sgm[α(n− 1)]}
sgm[α+]− sgm[−α+]
p(n) = λp p(n− 1) + (1− λp)|y1(n)− y2(n)|2
α(n) = α(n− 1) +ραp(n)
Re{c(n)[y1(n)− y2(n)]∗}ϕ′[α(n− 1)]
Se |α(n)| > α+
α(n)← α+sign[α(n)]
Fim
w1(n) = w1(n− 1) + ρc1(n)u∗(n)
w2(n) = w2(n− 1) + µe2(n)u∗(n)
Fim
2.2 Um exemplo ilustrativo 29
2.2 Um exemplo ilustrativo
Para ilustrar o desempenho do esquema proposto, sao mostrados a seguir resultados de uma
simulacao, considerando o Cenario I descrito na Tabela 4.1 (pagina 48). Considera-se a
transmissao de um sinal 256-QAM atraves de um canal ruidoso que muda abruptamente
na iteracao n= 1,5 × 104. Na Figura 2.2-(a), e mostrado o MSE dos componentes MMA
e LMS e de sua combinacao convexa usando o algoritmo da Tabela 2.1. E importante
mencionar que um filtro LMS sozinho nao seria capaz de convergir nessa situacao sem uma
fase de treinamento inicial com uma sequencia piloto. No esquema proposto, o componente
MMA e o responsavel pela equalizacao preliminar do canal de comunicacao, sem fazer uso
de uma sequencia de treinamento. E possıvel observar na Figura 2.2-(c) que η(n) ≈ 1
no inıcio da convergencia. Uma vez que a sequencia decodificada e boa o suficiente para
possibilitar a convergencia do LMS no modo DD, a combinacao chaveia automaticamente
para o componente LMS quando η(n) ≈ 0. Um comportamento similar ocorre depois da
mudanca do canal em n = 1,5 × 104, o que mostra a habilidade do esquema proposto de
reverter para o componente cego quando necessario.
O uso de (2.10) na adaptacao da variavel auxiliar α(n) tem um papel crucial no desem-
penho da combinacao proposta. Para verificar isso, α(n) tambem foi adaptada com
α(n) = α(n− 1) +µα
p(n)Re{e(n)[y1(n)− y2(n)]∗}ϕ′[α(n− 1)], (2.12)
sendo µα um passo de adaptacao e e(n) definido em (2.8). Neste caso, considera-se o criterio
MSE em vez do MMA como na combinacao convexa de dois filtros LMS (veja Secao 1.2).
Para obter um comportamento adequado dessa combinacao, o passo de adaptacao µα
em (2.12) deve ser relativamente grande. O MSE para µα = 100 e uma realizacao de η(n)
ao longo do tempo estao mostrados nas Figuras 2.2-(b) e (c), respectivamente. Durante a
convergencia inicial, o sinal decodificado nao e uma boa referencia nem para a adaptacao
do componente LMS nem para a adaptacao de α(n). Consequentemente, e devido ao uso
de um valor grande para µα, o parametro de mistura oscila continuamente entre zero e um
e o desempenho global e similar ao do componente MMA. Entretanto, assim que o MSE
atinge um nıvel suficientemente baixo, o filtro combinado chaveia rapidamente para o modo
de decisao direta.
2.2 Um exemplo ilustrativo 30
−20
0
0,5 1,5 2,5 3,51 2 3 4
20
10
−10
Componente MMA
Componente LMS
Combinacao usando (2.10)
MSE(dB)
(a)
−20
0
0,5 1,5 2,5 3,51 2 3 4
20
10
−10
Componente MMA
Componente LMS
Combinacao usando (2.12)
MSE(dB)
(b)
0
0,5
0,5 1,5 2,5 3,5
1
1 2 3 4
Adaptacao c/ (2.10)
Adaptacao c/ (2.12)
Iteracoes ×10 4
(c)
η(n)
Figura 2.2: MSE dos esquemas de combinacao para o Cenario I da Tabela 4.1: (a) MSE do
MMA, LMS, e da combinacao convexa proposta, estimado com uma media de conjunto de 1000
realizacoes; (b) MSE do MMA, LMS e de sua combinacao convexa usando (2.12); (c) Parametros
de mistura considerando uma realizacao dos algoritmos.
2.2 Um exemplo ilustrativo 31
Apesar de desempenhos muito similares em termos de MSE, uma analise da taxa de erro
de sımbolo (SER - symbol error rate) mostra uma vantagem clara do criterio MMA. Na
Figura 2.3, sao mostradas curvas de SER em regime em funcao da SNR para os componen-
tes MMA e LMS e para a combinacao convexa, usando (2.10) e (2.12) para adaptar α(n) e
considerando o primeiro canal do Cenario I (Tabela 4.1). Essas taxas de erro foram estima-
das depois da convergencia, comparando a sequencia transmitida com a sequencia obtida na
saıda do decisor e contando o numero de erros. Foram desprezados 2×105 sımbolos devido a
convergencia e usados 107 sımbolos para estimar a SER para cada valor de SNR. A curva de
SER para a solucao de Wiener com ∆=13 tambem e mostrada na figura para comparacao.
Observa-se que a adaptacao MMA de α(n) faz com a que a combinacao em regime se com-
porte exatamente como o componente DD, tendo um desempenho relativamente proximo
ao da solucao de Wiener. Em contrapartida, a adaptacao MSE introduz uma degradacao
significativa em termos de SER, que pode ser observada no desempenho da combinacao e do
componente DD. Provavelmente, isso ocorre devido ao valor grande de µα necessario para
adaptacao de α(n) com (2.12).
Componente MMAComponente LMS usando (2.10)Componente LMS usando (2.12)
Combinacao usando (2.12)Combinacao usando (2.10)
Wiener
20 22,5 27,5 32,525 30 35
100
10−1
10−2
10−3
10−4
10−5
10−6
SER
SNR (dB)
Figura 2.3: SER em regime em funcao da SNR para o MMA, o LMS e suas combinacoes
usando (2.10) e (2.12); primeiro canal do Cenario I da Tabela 4.1.
2.3 Conclusoes 32
Curvas de SER em funcao do numero de sımbolos recebidos sao mostradas na Figura 2.4
para o Cenario I (Table 4.1), considerando SNR = 30 dB e uma mudanca abrupta do canal
na iteracao n = 4 × 104. Essas curvas foram obtidas fixando-se os coeficientes dos filtros
componentes e da combinacao em cada iteracao e transmitindo 5 × 105 sımbolos para se
calcular a SER. Novamente, pode-se observar que a combinacao usando (2.10) apresenta uma
clara vantagem com relacao a combinacao usando (2.12), que nao converge adequadamente
para um valor fixo de SER. Por esse motivo, nos capıtulos seguintes considera-se apenas a
combinacao convexa com a adaptacao (2.10), cujas operacoes estao mostradas na Tabela 2.1.
100
10−0,4
10−0,8
10−1,2
10−1,6
10−2
1 2 3 4 5 6 7 8
Iteracoes
Componente MMA
×100
4
SER
Componente LMS c/ (2.10)
Componente LMS c/ (2.12)
Combinacao usando (2.12)
Combinacao usando (2.10)
Figura 2.4: SER ao longo das iteracoes para o Cenario I (Tabela 4.1) com SNR = 30 dB.
Media de conjunto de 100 realizacoes.
2.3 Conclusoes
Neste capıtulo, foi proposta a combinacao convexa do MMA com o LMS a fim de se obter
um esquema de equalizacao autodidata com chaveamento suave para o modo de de decisao
direta. Diferente das combinacoes anteriores propostas na literatura, os filtros componentes
2.3 Conclusoes 33
nao sao independentes, ja que a saıda do decisor obtida com a estimativa combinada faz
o papel de sinal desejado na adaptacao do filtro LMS. Atraves de um exemplo ilustrativo,
observou-se que a adaptacao baseada no criterio multimodulo e mais vantajosa que a baseada
no erro de decisao ao quadrado. Provavelmente, isso acontece por causa do valor elevado
do passo µα usado na adaptacao de α(n) com (2.12) e tambem porque o erro de decisao
e muito elevado no inıcio da convergencia ou depois de mudancas abruptas do canal. A
Equacao (2.10) se mostrou adequada para adaptacao de α(n), independentemente da razao
sinal-ruıdo. Por esse motivo, somente o algoritmo da Tabela 2.1 que usa a adaptacao (2.10)
sera considerado nos capıtulos seguintes.
34
Capıtulo 3
Analise estatıstica em regime
Neste capıtulo, sao obtidas expressoes analıticas para o EMSE em regime da combinacao
convexa do MMA com o LMS em um ambiente nao-estacionario. O EMSE da combinacao
depende do EMSE dos filtros componentes e tambem do EMSE cruzado [ARENAS-GARCIA;
FIGUEIRAS-VIDAL; SAYED, 2006]. Como a literatura contem expressoes para o EMSE do LMS
e do MMA, obtem-se aqui uma expressao para o EMSE cruzado, usando a conservacao de
energia de [SAYED, 2008, Cap. 21] e os resultados da analise em regime do LMS [SAYED, 2008],
CMA [DING; LI, 2001; MAI; SAYED, 2000; SILVA; NASCIMENTO, 2008a, 2008b; SAYED, 2008]
e MMA [MENDES FILHO; MIRANDA; SILVA, 2012c]. Inicia-se descrevendo as hipoteses simpli-
ficadoras usadas na analise e definindo-se os indicadores de desempenho. Entao, revista-se
a expressao analıtica do EMSE da combinacao convexa de filtros adaptativos, obtida em
[ARENAS-GARCIA; FIGUEIRAS-VIDAL; SAYED, 2006, Secao III]. Na sequencia, obtem-se uma
expressao analıtica para o EMSE cruzado da combinacao. Por fim, resultados de simulacao
sao mostrados com o intuito de verificar a precisao da analise em regime.
3.1 Hipoteses simplificadoras e indicadores de desem-
penho
A analise apresentada aqui e baseada nas seguintes hipoteses simplificadoras:
A1. O sinal transmitido a(n−∆) esta relacionado com u(n) atraves de
a(n−∆) = uT (n)wo(n− 1) + v(n), (3.1)
3.1 Hipoteses simplificadoras e indicadores de desempenho 35
sendowo(n−1) a solucao otima e v(n) = vR(n)+jvI(n) um ruıdo complexo, considerado
iid, com media nula e variancia σ2v = E{|v(n)|2} = 2E{v2
R(n)} = 2E{v2
I(n)}. A fim
de tornar a analise de desempenho mais simples, as sequencias {u(n)} e {v(n)} sao
consideradas estacionarias. Considera-se tambem que v(n) e independente de {u(ℓ)},
ℓ ≤ n (nao apenas descorrelacionado).
O modelo (3.1) e comumente utilizado em identificacao de sistemas, sendo chamado de mo-
delo de regressao linear [SAYED, 2008], mas tambem e usado em analises de algoritmos de
equalizacao adaptativa como mostrado em [RUPP, 2011]. Para um equalizador sobreamos-
trado com taxa 2/T na ausencia de ruıdo, v(n) ≡ 0 e o filtro otimo atinge a equalizacao
perfeita [TREICHLER; FIJALKOW; JR., 1996; MAI; SAYED, 2000].
A2. Em um ambiente nao-estacionario, a solucao otima segue o modelo
wo(n) = wo(n− 1) + q(n), (3.2)
sendo q(n) um vetor iid com matriz de autocorrelacao positiva-definida dada por
Q = E{q∗(n)qT (n)}. (3.3)
Considera-se que q(n) e independente das condicoes iniciais {wo(0),wi(0), α(0)}, i =
1, 2 e de {u(ℓ), a(ℓ−∆)} para todo ℓ ≤ n.
Esse modelo e conhecido na literatura como random-walk model [SAYED, 2008]. No caso do
equalizador ser implementado na taxa de sımbolos, wo(n) e dado pela solucao de Wiener.
Em contrapartida, no caso de um equalizador sobreamostrado com 2/T , wo(n) representa
a solucao de forcagem a zero (zero-forcing) [TREICHLER; FIJALKOW; JR., 1996; MAI; SAYED,
2000].
A3. ‖u(n)‖2 e independente de c1(n) e e2(n) em regime. Em analises de filtros adaptati-
vos supervisionados em regime, essa hipotese e usualmente chamada de princıpio da
separacao [SAYED, 2008]. Uma hipotese similar foi adotada na analise do CMA [MAI;
SAYED, 2000; SILVA; MIRANDA, 2004; SILVA; NASCIMENTO, 2008b] e MMA [MENDES
FILHO; MIRANDA; SILVA, 2012c].
3.1 Hipoteses simplificadoras e indicadores de desempenho 36
Para medir o desempenho do esquema combinado em regime, e importante definir pre-
viamente o EMSE e o EMSE cruzado dos filtros componentes, i.e.,
ζi , limn→∞
E{|ea,i(n)|2}, i = 1, 2 (3.4)
e
ζ12 , limn→∞
E{ea,1(n)e∗a,2(n)} = limn→∞
E{e∗a,1(n)ea,2(n)}, (3.5)
em que
ea,i(n) = uT (n)wi(n− 1), i = 1, 2 (3.6)
sao erros a priori dos filtros MMA e LMS e
wi(n− 1) = wo(n− 1)−wi(n− 1), i = 1, 2 (3.7)
correspondem aos vetores de erro dos coeficientes1.
Usando (2.1) (pagina 25), nota-se que o esquema combinado pode ser visto como um
filtro com coeficientes
w(n− 1) = η(n)w1(n− 1) + [1− η(n)]w2(n− 1).
Consequentemente, o erro a priori da combinacao pode ser expresso como
ea(n) = uT (n) [wo(n− 1)−w(n− 1)]
= η(n)ea,1(n) + [1− η(n)]ea,2(n) (3.8)
e o EMSE em regime da combinacao e definido como
ζ , limn→∞
E{|ea(n)|2}. (3.9)
Para simplificar a analise, considera-se tambem que
A4. em regime, o parametro de mistura η(n) e independente dos erros a priori ea,i(n) de
ambos os filtros componentes e tem uma variancia pequena [ARENAS-GARCIA; FIGUEI-
RAS-VIDAL; SAYED, 2006].
1Na Secao 3.3, sera visto que o EMSE cruzado ζ12 e uma grandeza real em regime, o que justifica a
definicao dada em (3.5).
3.2 EMSE em regime da combinacao 37
3.2 EMSE em regime da combinacao
Sob a Hipotese A4 e usando (3.8), o EMSE em regime do filtro combinado pode ser estimado
como [ARENAS-GARCIA; FIGUEIRAS-VIDAL; SAYED, 2006, Secao III]
ζ ≈E{η2(∞)
}ζ1 + E
{[1− η(∞)]2
}ζ2
+ 2E {η(∞)[1− η(∞)]} ζ12. (3.10)
Sob a hipotese de variancia nula para η(∞), a combinacao do MMA com o LMS e aproxi-
madamente universal na media quadratica, ja que ela apresenta um desempenho igual ou
superior que os dos filtros que a compoem. Dessa forma, quando o MMA e superior que o
LMS em regime, η(∞) = 1 e o comportamento da combinacao estara proximo ao do MMA,
i.e., ζ ≈ ζ1. Em contrapartida, quando o LMS e superior que o MMA em regime, η(∞) = 0
e ζ ≈ ζ2. Alem disso, ha situacoes em que ζ12 < ζi, i = 1, 2 e a combinacao sera superior
que seus componentes. Neste caso, o EMSE do filtro combinado pode ser estimado como
ζ ≈ ζ12 +∆ζ1∆ζ2
∆ζ1 +∆ζ2, (3.11)
sendo ∆ζi = ζi − ζ12, i = 1, 2. Essa expressao foi obtida em [ARENAS-GARCIA; FIGUEI-
RAS-VIDAL; SAYED, 2006, Eq.(33)] para a combinacao de dois filtros LMS com diferentes
passos de adaptacao. Entretanto, como notado em [ARENAS-GARCIA; FIGUEIRAS-VIDAL;
SAYED, 2006], (3.11) tambem vale para combinacoes convexas de outros algoritmos, como a
proposta neste trabalho.
Em resumo, o EMSE da combinacao do MMA com o LMS pode ser estimado pelo mınimo
entre os valores calculados pelas expressoes analıticas de ζ1, ζ2 e (3.11), i.e.,
ζ ≈ min{ζ1, ζ2, (3.11)}.
3.3 EMSE cruzado em regime
As equacoes de atualizacao do MMA e do LMS podem ser reescritas em funcao de seus
respectivos vetores de erro dos coeficientes. Dessa forma, subtraindo ambos os lados de (2.3)
e (2.6) de wo(n) e usando (3.7) e (3.2), chega-se a
w1(n) = w1(n− 1)− ρ c1(n)u∗(n) + q(n) (3.12)
3.3 EMSE cruzado em regime 38
e
w2(n) = w2(n− 1)− µ e2(n)u∗(n) + q(n). (3.13)
Para obter uma expressao teorica para ζ12, w1(n) deve ser multiplicado a esquerda pelo
hermitiano (complexo conjugado transposto) de w2(n), denotado como wH
2 (n). Calculando
as esperancas de ambos os lados da expressao resultante, usando (3.6) e a Hipotese A2,
depois de algumas manipulacoes algebricas, chega-se a
E{wH
2 (n)w1(n)} = E{wH
2 (n− 1)w1(n− 1)}
− ρE{c1(n)e∗a,2(n)} − µE{ea,1(n)e∗2(n)}
+ ρ µE{c1(n)e∗2(n)‖u(n)‖2}+ E{qH(n)q(n)}. (3.14)
Considerando que os filtros atingem o regime, i.e.,
E{wH
2 (n)w1(n)} ≈ E{wH
2 (n− 1)w1(n− 1)}, para n→∞
e sob a Hipotese A3, (3.14) pode ser reescrita para n→∞ como
−Tr(Q) =− ρE{c1(n)e∗a,2(n)} − µE{ea,1(n)e∗2(n)}
+ ρ µTr(R)E{c1(n)e∗2(n)}, (3.15)
sendo que Tr(·) representa o traco de uma matriz e R , E{u∗(n)uT (n)} e a matriz de
autocorrelacao do sinal de entrada.
Para prosseguir, e necessario encontrar relacoes entre c1(n) e ea,1(n), e entre e2(n) e
ea,2(n). Usando (3.6), (3.7) e (3.1) (Hipotese A1), pode-se reescrever yi(n), i = 1, 2 em
funcao de ea,i(n), isto e,
yi(n) = uT (n)wi(n− 1)
= uT (n)[wo(n− 1)− wi(n− 1)]
= a(n−∆)− ea,i(n)− v(n), i = 1, 2. (3.16)
De (3.16), uma relacao entre e2(n) e ea,2(n) pode ser obtida diretamente usando (2.7) e
considerando que a(n−∆) = a(n−∆) em regime, o que leva a
e2(n) = ea,2(n) + v(n). (3.17)
3.3 EMSE cruzado em regime 39
Esta e uma relacao bem conhecida para filtros adaptativos supervisionados, como e o caso
do LMS [SAYED, 2008].
Em contrapartida, obter uma relacao entre c1(n) e ea,1(n) para o MMA nao e tao simples
e requer hipoteses simplificadoras adicionais [MAI; SAYED, 2000; SILVA; NASCIMENTO, 2008a,
2008b; MENDES FILHO; MIRANDA; SILVA, 2012c]. Substituindo (3.16) em (2.4) e considerando
que os termos que dependem de eka,1,R(n) e eka,1,I(n) sao suficientemente pequenos para k ≥ 2
quando comparados aos termos lineares em ea,1,R(n) e ea,1,I(n) (veja Apendice C), c1(n) pode
ser aproximado em regime por
c1(n) ≈ [γR(n)ea,1,R(n) + βR] + j [γI(n)ea,1,I(n) + βI(n)] , (3.18)
sendo
γR(n), 3a2R(n−∆)−r−6vR(n)aR(n−∆)+3v2
R(n) (3.19)
e
βR(n) , r aR(n−∆)−a3R(n−∆)−3aR(n−∆)v2
R(n)
+vR(n)[3a2
R(n−∆)−r
]+v3
R(n). (3.20)
Expressoes para γI(n) e βI(n) podem ser obtidas substituindo o subscrito ‘R’ pelo subscrito
‘I’ nas expressoes acima. As principais hipoteses usadas na obtencao desse modelo estao
resumidas no Apendice C. Como os termos que dependem de vkRpara k ≥ 2 nao foram
desprezados nas definicoes (3.19) e (3.20) (similar para a parte imaginaria correspondente),
este modelo e uma extensao dos modelos anteriores usados em analises de regime e transitorio
do CMA e MMA.
Dessa forma, usando (3.17), (3.18), a Hipotese A1 e os resultados do Apendice C, obtem-
se as seguintes aproximacoes em regime
E{c1(n)e∗a,2(n)} ≈ γζ12, (3.21)
E{ea,1(n)e∗2(n)} ≈ ζ12, (3.22)
e
E{c1(n)e∗2(n)}≈ γζ12+E{c1(n)v∗(n)}, (3.23)
3.3 EMSE cruzado em regime 40
sendo que γ , E{γR(n)}=E{γI(n)} e uma constante que depende de estatısticas de ordem
superior da sequencia transmitida e esta definida na Eq. (C.2) (pagina 81). Sob a Hipotese
A7 do Apendice C,
E{γR(n)ea,1,R(n)v∗(n)} = E{γI(n)ea,1,I(n)v
∗(n)} ≈ 0.
Consequentemente, o ultimo termo do lado direito de (3.23) pode ser aproximado por
E{c1(n)v∗(n)} ≈ E{β(n)v∗(n)}
≈ γσ2v + E{|v(n)|4} − 0,5σ4
v . (3.24)
Substituindo (3.24), (3.22) e (3.21) em (3.15), chega-se a
ζ12 ≈ρµTr(R)[γσ2
v+E{|v(n)|4}−0,5σ4v ]+Tr(Q)
ργ + µ− ρµγTr(R). (3.25)
Para γσ2v ≫ E{|v(n)|4}−0,5σ4
v , (3.25) se reduz a
ζ12 ≈ρµTr(R)γσ2
v+Tr(Q)
ργ + µ− ρµγTr(R). (3.26)
Como afirmado anteriormente, e possıvel constatar nessa expressao que o EMSE cruzado em
regime entre o MMA e o LMS e uma grandeza real.
Expressoes analıticas para o EMSE do MMA (ζ1) em um ambiente nao-estacionario foram
obtidas anteriormente na literatura (veja, e.g., [SILVA; NASCIMENTO, 2008a, 2008b; MENDES
FILHO; MIRANDA; SILVA, 2012c]). Em [MENDES FILHO; MIRANDA; SILVA, 2012c], por exemplo,
uma versao normalizada do MMA foi analisada em regime usando o metodo da conservacao
de energia e hipoteses simplificadoras, similares as consideradas aqui. A expressao do EMSE
obtida em [MENDES FILHO; MIRANDA; SILVA, 2012c] pode ser estendida diretamente para a
versao nao-normalizada do MMA e esta mostrada na Tabela 3.1. Esta tabela tambem contem
uma expressao para o EMSE do LMS (ζ2) [SAYED, 2008] conjuntamente com a expressao
(3.26) para o EMSE cruzado (ζ12).
3.4 Precisao da analise 41
Tabela 3.1: Expressoes analıticas para o EMSE e EMSE cruzado em regime dos filtros MMA
e LMS em um ambiente nao-estacionario.
ζ1 (MMA) ζ2 (LMS) ζ12
ρ σ2βTr(R) + Tr(Q)/ρ
2γ − ρ¯γTr(R)
µσ2vTr(R) + Tr(Q)/µ
2− µTr(R)
ρµTr(R)γσ2v+Tr(Q)
ργ + µ− ρµγTr(R)
σ2β ≈ 2E{a6
R(n)− r2a2
R(n)}+ σ2
vE{3a4R(n) + r2}
γ ≈ 1.5(σ2a + σ2
v)− r¯γ ≈ 1.5
(r+9σ2
v
)σ2a+r
2 − 3rσ2v
σ2v ≈ E{|a(n)|2} −wH
o (0)Rwo(0)
3.4 Precisao da analise
Para verificar a precisao da analise em regime, considera-se a transmissao de um sinal
64-QAM atraves do canal
h = [ 0,2258 0,5161 0,6452 −0,5161 ]T
na ausencia de ruıdo [LAZARO et al., 2005, Eq. (29)]. Considera-se ainda que o equalizador
e implementado na taxa de sımbolos com M = 12 coeficientes e que a combinacao con-
vexa do MMA (ρ = 10−6) com o LMS (diferentes passos de adaptacao) utiliza (2.10) com
ρα = 5× 10−3 para adaptacao da variavel auxiliar α(n).
Na Figura 3.1-(a) sao mostradas curvas de EMSE para o MMA e o LMS e de seu EMSE
cruzado, preditas pelas expressoes da Tabela 3.1, considerando um ambiente estacionario
[Tr(Q) = 0]. Os valores experimentais, estimados com uma media de conjunto de 1000
realizacoes, tambem estao mostrados na figura. Como foi usado um passo fixo para o MMA,
seu EMSE em regime nao varia, sendo aproximadamente igual a −10 dB. Pode-se observar
que os resultados experimentais concordam com a analise para todo o intervalo de passo
de adaptacao considerado. O EMSE em regime da combinacao nao e mostrado na figura,
ja que neste caso, sempre ocorre um chaveamento suave para o filtro LMS e a combinacao
apresenta o mesmo EMSE em regime deste componente.
3.4 Precisao da analise 42
MMA − teo
MMA − exp
LMS − teo
LMS − exp
EMSE cruzado − teo
EMSE cruzado − exp
(a)
−60
−50
−40
−30
−20
−10
−3−4−5−6−71010101010
EMSE(dB)
µ
MMA − teo
MMA − exp
LMS − teo
LMS − exp
EMSE cruzado − teo
EMSE cruzado − exp
(b)
−30
−20
−10
−15
−35
−25
−5
−3−4−5−6−71010101010
EMSE(dB)
Combinacao - teo
Combinacao - exp
Figura 3.1: EMSE teorico (teo) e experimental (exp) em funcao do passo de adaptacao do LMS
(µ); ρ = 10−6; 64-QAM, Canal H2(z) de [LAZARO et al., 2005, Eq. (29)], ausencia de ruıdo,
implementacao na taxa de sımbolos, M = 12, media de conjunto de 1000 realizacoes; (a) ambiente
estacionario e (b) ambiente nao-estacionario com Q = 8× 10−9I.
3.5 Conclusoes 43
Considerando agora um ambiente nao-estacionario com Q = 8 × 10−9I, sao obtidas as
curvas teoricas e experimentais de EMSE, mostradas na Figura 3.1-(b). Novamente, como
e considerado um passo de adaptacao fixo para o MMA (ρ = 10−6), seu EMSE nao varia.
Em contrapartida, a curva de EMSE do LMS varia com µ e apresenta um mınimo que
ocorre aproximadamente para µ = 7× 10−5. Como esperado, a combinacao do MMA com o
LMS apresenta um desempenho igual ou melhor que os de seus filtros componentes, sendo
melhor que ambos simultaneamente para um certo intervalo do passo de adaptacao do LMS.
Novamente, a analise concorda com os resultados experimentais para todo o intervalo de
passo de adaptacao do LMS considerado.
Cabe mencionar que resultados igualmente precisos tambem sao obtidos variando-se o
passo de adaptacao do MMA e considerando um passo de adaptacao fixo para o LMS.
3.5 Conclusoes
Devido aos diferentes criterios dos algoritmos considerados na combinacao, a obtencao de
uma expressao analıtica para o EMSE cruzado em regime nao e simples. Um fator compli-
cador desta analise e o fato do MMA ser um algoritmo autodidata baseado em uma funcao
custo nao-linear. Gracas a resultados de analises do CMA e MMA existentes na literatura,
uma expressao analıtica para o EMSE cruzado entre o MMA e o LMS foi obtida neste
capıtulo. Essa expressao em conjunto com (3.10) e com as expressoes analıticas dos EMSEs
dos filtros componentes da Tabela 3.1 possibilitam a predicao teorica do EMSE da com-
binacao em regime. Atraves de resultados de simulacao, verificou-se que ocorre uma boa
concordancia entre os resultados teoricos e experimentais.
Sobre a analise da combinacao, cabe ainda discutir dois aspectos importantes:
- Analise do transitorio: uma analise completa da combinacao deve levar em conta o
transitorio e nao apenas o regime permanente como foi feito neste capıtulo. No entanto,
devido a nao linearidade da funcao sigmoidal, esse problema e muito complicado. Em
[NASCIMENTO et al., 2009] e [SILVA; NASCIMENTO; ARENAS-GARCIA, 2010], foram obti-
dos modelos teoricos para a combinacao de dois filtros LMS no transitorio e em regime
permanente, usando aproximacoes de serie de Taylor para as nao-linearidades. Foram
obtidas expressoes para a evolucao no tempo da media e da variancia do parametro de
3.5 Conclusoes 44
mistura, alem do EMSE da combinacao. No entanto, esses modelos nao apresentam
uma boa concordancia com a simulacao, principalmente durante o chaveamento entre
os filtros componentes. Esse ainda e um problema em aberto, que continua sendo
investigado.
- Metodo de analise: o metodo usado na analise de filtros adaptativos e uma escolha
do projetista. Na literatura, e comum fazer a analise atraves do metodo tradicional,
em que se obtem uma recursao para a matriz de covariancia do vetor de erro dos
coeficientes ou atraves da conservacao de energia, baseada no valor esperado da norma
euclidiana do vetor de erro dos coeficientes. E importante salientar que esses metodos
envolvem hipoteses simplificadoras diferentes e por isso, nem sempre chegam as mesmas
expressoes. Em geral, a conservacao de energia e um metodo mais simples quando se
esta interessado apenas no regime permanente [NASCIMENTO; SILVA, 2013] e por esse
motivo, ela foi utilizada neste capıtulo.
45
Capıtulo 4
Resultados de simulacao
Neste capıtulo, sao mostrados resultados que ilustram o bom comportamento do esquema
proposto em diferentes cenarios de simulacao. Ele e comparado com algoritmos de cha-
veamento entre os modos de treinamento cego e o modo de decisao direta existentes na
literatura. Inicia-se com uma breve descricao dos algoritmos usados na comparacao. Em se-
guida, descrevem-se os cenarios de simulacao. Os resultados sao entao mostrados e discutidos
em tres secoes subsequentes. O capıtulo termina com uma secao de conclusoes.
4.1 Algoritmos de chaveamento entre o modo cego e
de decisao direta
O esquema proposto nesta tese e comparado com os algoritmos de [PICCHI; PRATI, 1987; WE-
ERACKODY; KASSAM, 1994; CASTRO; CASTRO; ARANTES, 2001; MENDES FILHO; MIRANDA;
SILVA, 2012c]. Para facilitar a identificacao, esses algoritmos foram chamados pelos sobre-
nomes de um dos autores, i.e., Picchi, Kassam, Castro e Mendes, respectivamente.
O algorithm de Picchi [PICCHI; PRATI, 1987] e baseado em um modo de operacao do
tipo stop-and-go para o algoritmo de decisao direta (DD). Em cada iteracao, um indicador
(flag) inibe a adaptacao se a confiabilidade do erro de decisao nao e suficientemente grande
para justificar a sua utilizacao na atualizacao dos coeficientes. O algoritmo de Kassam
[WEERACKODY; KASSAM, 1994] e do tipo modulo constante com dois modos de operacao,
em que uma regra decide em cada iteracao pelo CMA ou pelo algoritmo guiado por raios
4.2 Cenarios de simulacao, parametros e medida de desempenho 46
(RDE - radius-directed equalization), que e um algoritmo do tipo decisao-direta. O algoritmo
de Castro [CASTRO; CASTRO; ARANTES, 2001] combina o CMA e o algoritmo DD de forma
concorrente. Em cada iteracao, uma variavel auxiliar, baseada na estimativa obtida com
o CMA, e usada para decidir se os coeficientes do DD devem ser atualizados ou nao. Por
fim, o algoritmo de Mendes [MENDES FILHO, 2011; MENDES FILHO; MIRANDA; SILVA, 2012c]
modificou a funcao de erro do MMA para possibilitar que o algoritmo autodidata convergisse
na media para a solucao de Wiener, evitando dessa forma o chaveamento entre os modos
cego e DD. O algoritmo de Mendes e conhecido na literatura como algoritmo multimodulo
regional (RMA - regional multimodulus algorithm) e e revisitado no Apendice B.
Na comparacao, considera-se tambem o chaveamento abrupto (hard switching) entre o
algoritmo de equalizacao autodidata e o algoritmo DD, usado como filtros componentes na
combinacao. O momento de chaveamento segue um limiar de MSE, calculado para assegurar
uma taxa de erro de sımbolo menor que 10−1, como sugerido em [JOHNSON JR. et al., 2000,
p.88–89]. Neste caso, o MSE e estimado atraves de uma janela exponencial, i.e.,
ξ(n) = λe ξ(n− 1) + (1− λe)|a(n−∆)− y(n)|2,
sendo ξ(0) = 1 e 0 ≪ λe < 1 o fator de esquecimento. Considerou-se λe = 0.9 em todas as
simulacoes. O chaveamento abrupto ocorre se ξ(n) e menor que o limiar de MSE em uma
dada iteracao n. Como esse chaveamento depende de varios fatores como constelacao, canal,
ou razao sinal-ruıdo, ele foi ajustado independentemente para cada cenario de simulacao.
4.2 Cenarios de simulacao, parametros e medida de
desempenho
Os cenarios de simulacao foram caracterizados por diferentes constelacoes, razoes sinal-ruıdo
(SNRs), filtros componentes e canais de comunicacao. Para facilidade de reproducao dos
resultados apresentados, os canais de comunicacao considerados foram usados previamente
em trabalhos ja publicados. Os parametros dos cenarios de simulacao estao apresentados na
Tabela 4.1.
No Cenario I, considera-se a transmissao de um sinal 256-QAM atraves do canal telefonico
de [PICCHI; PRATI, 1987, Fig.2] que muda abruptamente para o canal h = [ 0.3 1 0.3 ]T de
4.2 Cenarios de simulacao, parametros e medida de desempenho 47
[MENDES FILHO; MIRANDA; SILVA, 2012c] na iteracao n = 2,5× 105. Em ambos os casos, a
razao sinal-ruıdo foi de SNR = 40 dB. Alem disso, todos os algoritmos foram implementados
na taxa de sımbolos (1/T ).
No Cenario II, um sinal 64-QAM e transmitido atraves de canais de microondas ruidosos
(chan6 e chan9), obtidos da base de dados disponıvel em [SPIB, 2012] e com uma razao
sinal-ruıdo de SNR = 40 dB. Novamente, ocorre uma mudanca abrupta no canal (de chan6
para chan9) na iteracao n = 4 × 104. Neste caso, os algoritmos foram implementados com
sobreamostragem (2/T ) como explicado na Secao 1.1.1 (pagina 4).
No Cenario III, considera-se novamente a implementacao na taxa de sımbolos. Uma
mudanca abrupta no canal ocorre em n = 105 e vai do canal de [CHEN, 2003, Table 2] para
o canal de [LAZARO et al., 2005, Eq. (29)] com SNR = 30 dB. Alem disso, o sinal e gerado
a partir da constelacao V.29, especificada na recomendacao ITU-T para a transmissao de
9600-bits/s em canais com fio [ITU-T, 1988].
Os parametros dos algoritmos usados na comparacao foram ajustados para se obter
um bom compromisso entre velocidade de convergencia e desempenho em regime. Esses
parametros estao mostrados na Tabela 4.1 e estao identificados com os mesmos sımbolos
usados nos artigos onde foram originalmente publicados. Nas simulacoes, todos os equali-
zadores (incluindo o componente DD) foram inicializados com o tıpico vetor “pino” (veja
Eq. (1.20) da pagina 10) [DING; LI, 2001; JOHNSON JR. et al., 2000]. A variavel auxiliar da
combinacao foi inicializada com α(−1) = α+. Isso faz com que no inıcio, a combinacao
tenha um desempenho semelhante ao do componente autodidata [η(n) ≈ 1]. Entretanto,
qualquer outro valor inicial no intervalo [0, 1] nao afetaria significativamente o desempenho
da combinacao, ja que η(n) converge rapidamente para 1 quando o componente DD ainda
nao convergiu. Isso ocorre, por exemplo, depois de uma mudanca abrupta no canal.
Como medida de desempenho, considera-se o erro quadratico medio
MSE(n) = E{|a(n−∆)− y(n)|2
},
estimado ao longo das iteracoes atraves de uma media de conjunto de 1000 realizacoes.
4.2
Cenariosdesim
ulacao,parametrosemedidadedesempenho
48
Tabela 4.1: Cenarios de simulacao e parametros dos algoritmos.
Parametros Cenario I Cenario II Cenario III
Constelacao 256-QAM 64-QAM V.29 [ITU-T, 1988]
Canais Canal da Fig. 2 de chan6 e chan9 de Canal de [CHEN, 2003, Tab.2]
[PICCHI; PRATI, 1987] [SPIB, 2012] e H2(z) da Eq. (29) de
e h = [ 0.3 1 0.3 ]T [LAZARO et al., 2005]
SNR 40 dB 40 dB 30 dB
Taxa de processamento taxa dos sımbolos (1/T ) sobreamostragem (2/T ) taxa dos sımbolos (1/T )
Numero de coeficientes M=21 M=6 M=35
LMS µ=5× 10−5 µ=5× 10−4 –
MMA ρ=10−7 ρ=10−6 –
EF-LSL – – λ=0,999, δ=104,
DM-LSWA ǫ = 10−13, µp=5× 10−4
Combinacao (2.10) ρα=5× 10−4 ρα=5× 10−3 ρα=5× 10−4
Picchi α=5× 10−6, β=14 α=5× 10−4, β=6 –
Kassam α=10−7, d=0,4 α=5× 10−6, d=0,7 –
Castro ηv=5× 10−5, ηw=10−8 ηv=2× 10−4, ηw=10−6 ηv=10−4, ηw=10−6
Mendes µ=5× 10−4 – –
Chaveamento abrupto limiar de MSE: 0,1 limiar de MSE: 0,5 limiar de MSE: 0,25
4.3 Cenario I: 256-QAM 49
4.3 Cenario I: 256-QAM
Voltando aos resultados da simulacao da Figura 2.2 (pagina 30), que foi realizada para este
mesmo cenario, compara-se agora o desempenho do esquema proposto com os de algumas
tecnicas de equalizacao autodidata para chaveamento suave, existentes na literatura. As
curvas de MSE ao longo das iteracoes para todos os esquemas considerados sao mostradas
na Figura 4.1. Pode-se observar que a combinacao convexa do MMA com o LMS usando
(2.10) apresenta um desempenho superior que os dos outros esquemas de chaveamento suave
em termos de velocidade de convergencia. Alem disso, ela atinge umMSE em regime proximo
ao da solucao de Wiener com um atraso de ∆=13 amostras, independentemente da razao
sinal-ruıdo como mostrado nas curvas de SER da Figura 2.3 (pagina 31). O algoritmo de
Castro leva mais iteracoes para convergir que a combinacao convexa e nao e capaz de atingir
o mesmo MSE em regime. Isso ocorre devido ao CMA, que nunca e desprezado no algoritmo
concorrente. O algoritmo de Mendes e mais lento que o de Castro e atinge um MSE em
regime ligeiramente menor que o da combinacao. Alem de mais lento, esse algoritmo parece
convergir para mınimos locais mais frequentemente que os outros (1.1% das realizacoes desse
algoritmo foi desprezada para obter a curva mostrada na figura). Finalmente, o algoritmo
de Kassam apresenta a convergencia mais lenta e o algoritmo de Picchi apresenta um atraso
relativamente grande antes de convergir para seu valor final de MSE em regime.
PicchiPicchi
CastroCastro
Kassam
Kassam
MendesCombinacao
Iteracoes
MSE(dB)
−30
−20
−10
0
0 1 2 3 4 5
10
20
×10 5
Figura 4.1: MSE ao longo das iteracoes para o Cenario I e parametros dos algoritmos especificados
na Tabela 4.1.
4.4 Cenario II: 64-QAM 50
4.4 Cenario II: 64-QAM
Diferente da simulacao anterior, considera-se agora um equalizador sobreamostrado com
2/T e somente M = 6 coeficientes. Na Figura 4.2 sao mostradas curvas de MSE ao longo
das iteracoes. O algoritmo de Picchi nao e mostrado na figura ja que seu desempenho e
indistinguıvel do obtido com o algoritmo de Kassam. Antes da mudanca abrupta do canal, a
combinacao convexa do MMA com o LMS e o chaveamento abrupto apresentam desempenhos
semelhantes, seguidos pelos algoritmos de Kassam e de Castro. Depois da mudanca abrupta
do canal, a combinacao converge mais rapido que o algoritmo de Kassam, atingindo um
MSE em regime ligeiramente superior. O chaveamento abrupto apresenta a convergencia
mais lenta e o algoritmo de Castro um comportamento intermediario entre o do algoritmo
de Kassam e o do chaveamento abrupto. Comparando com os resultados da Figura. 4.1,
pode-se observar que o desempenho das tecnicas de chaveamento suave consideradas na
comparacao sao muito dependentes do cenario de simulacao. Por exemplo, o algoritmo
de Kassam apresenta o pior desempenho em termos de velocidade de convergencia para o
Cenario I e um desempenho proximo do obtido pela combinacao depois da mudanca do canal
no Cenario II. Essa dependencia do cenario de simulacao nao e observada para a combinacao
convexa, que apresenta um desempenho superior quando comparada com todos os outros
esquemas considerados, independentemente da constelacao, canal e taxa de processamento.
0
0 1 2 3 4
5
5 6 7 8
10
−5
−10
−15
Kassam
Kassam Castro
Castro
Combinacao
Chaveamento abrupto
Combinacao / Chaveamento abrupto
Iteracoes
MSE(dB)
×10 4
Figura 4.2: MSE ao longo das iteracoes para o Cenario II e parametros dos algoritmos especificados
na Tabela 4.1.
4.5 Cenario III: V.29 51
4.5 Cenario III: V.29
A ideia proposta nesta tese tambem pode ser aplicada a diferentes tipos de algoritmo. Para
ilustrar esse fato, considera-se a combinacao convexa do DM-LSWA (dual-mode lattice Shalvi-
Weinstein algorithm) [MIRANDA; SILVA; NASCIMENTO, 2008b] com o algoritmo EF-LSL (er-
ror feedback least-squares lattice) modificado [MIRANDA; GERKEN; SILVA, 1999], revisitados
no Apendice A. O algoritmo EF-LSL modificado e um algoritmo supervisionado que per-
tence a famılia RLS e apresenta um comportamento numerico confiavel. O DM-LSWA,
por sua vez, pode ser interpretado como a versao autodidata do algoritmo EF-LSL modifi-
cado. Como mostrado em [MIRANDA; SILVA; NASCIMENTO, 2008b], o DM-LSWA pode evitar
divergencia quando ha inconsistencia na estimativa nao-linear do sinal transmitido, sendo
numericamente bem comportado, mesmo em precisao finita.
A curva de MSE dessa combinacao e mostrada na Figura 4.3, onde e comparada com
a obtida com o algoritmo de Castro. A tecnica de chaveamento abrupto nao e mostrada
na figura ja que seu desempenho e indistinguıvel do obtido com a combinacao. Alem disso,
as demais tecnicas de chaveamento suave nao foram consideradas nesta simulacao, ja que
foram propostas para sinais QAM. A combinacao do EF-LSL com o DM-LSWA usando
(2.10) converge mais rapido que o algoritmo de Castro e ambos atingem o mesmo MSE em
regime. Novamente, e importante observar que, independentemente do cenario, o esquema
proposto apresenta um bom desempenho.
−20
0
0 0,5 1,51 2
5
15
10
−5
−10
−15
Castro
Combinacao
Iteracoes
MSE(dB)
×10 5
Figura 4.3: MSE ao longo das iteracoes para o Cenario III e parametros dos algoritmos especifi-
cados na Tabela 4.1.
4.6 Conclusoes 52
4.6 Conclusoes
A combinacao convexa de um algoritmo de equalizacao autodidata com um algoritmo de
decisao direta parece ser mais vantajosa que outros metodos de chaveamento suave pela fa-
cilidade de ajuste de seus parametros e principalmente por apresentar um bom desempenho
independentemente do cenario de simulacao. Isso foi constatado nas simulacoes realizadas
em tres cenarios, caracterizados por diferentes constelacoes, razoes sinal-ruıdo, filtros compo-
nentes e canais de comunicacao. E importante salientar que a ideia da combinacao proposta
neste trabalho nao se restringe aos algoritmos MMA e LMS. Isso pode ser constatado atraves
da simulacao correspondente ao Cenario III, em que os algoritmos DM-LSWA e EF-LSL fo-
ram combinados. Essa combinacao e mais vantajosa que a dos algoritmos MMA e LMS, ja
que nao ocorre divergencia e o compromisso entre custo computacional, EMSE em regime e
velocidade de convergencia e melhor.
53
Capıtulo 5
Conclusoes e perspectivas
Em filtragem adaptativa classica, o algoritmo LMS ganhou destaque diante de seu baixo custo
computacional, facilidade de implementacao, robustez e inumeros resultados analıticos. Para
melhorar o compromisso entre velocidade de convergencia, custo computacional, capacidade
de rastreio (tracking) e desempenho em regime do LMS, muitos algoritmos foram propostos
na literatura [SAYED, 2008]. Analogamente, em equalizacao autodidata, diferentes versoes
do CMA vem sendo propostas desde o artigo de [GODARD, 1980]. A proposta de um novo
algoritmo de equalizacao autodidata sempre traz vantagens e desvantagens em relacao aos
existentes. O SWA, por exemplo, apresenta em geral uma velocidade de convergencia maior
que a do CMA, mas o preco que se paga por isso e o custo computacional mais elevado.
Nesse contexto, o algoritmo DM-LSWA pode ser considerado como o que apresenta o melhor
compromisso entre custo, velocidade e desempenho em regime. Alem disso, evita divergencia
devido a problemas numericos e devido a inconsistencia na estimativa do sinal transmitido
[MIRANDA; SILVA; NASCIMENTO, 2008b]. Apesar de todo o esforco despendido durante anos
na busca do algoritmo ideal, isso ainda nao e suficiente para se garantir um bom desempenho
global da equalizacao, uma vez que o MSE atingido por um algoritmo cego em regime e, em
geral, inferior ao de um algoritmo supervisionado, principalmente quando a constelacao nao
e de modulo constante. Por esse motivo, o chaveamento para o modo de decisao direta e
inevitavel.
O chaveamento abrupto entre os modos cego e de decisao direta e a solucao mais simples
para esse problema, mas seu desempenho e muito dependente das caracterısticas do sinal
Conclusoes e perspectivas 54
e do meio de transmissao, incluindo o modelo do canal de comunicacao e a razao sinal-
ruıdo. Diante disso, inumeros algoritmos que possibilitam um chaveamento suave foram
propostos, e.g., [PICCHI; PRATI, 1987; WEERACKODY; KASSAM, 1994; CASTRO; CASTRO;
ARANTES, 2001; CHEN, 2003; MENDES FILHO; MIRANDA; SILVA, 2012c]. Porem, muitos
desses algoritmos sao difıceis de ajustar. Em outras palavras, para cada cenario de simulacao
diferente, e necessario selecionar um conjunto distinto de parametros fixos.
A combinacao de filtros adaptativos surgiu como uma solucao para facilitar a escolha
dos parametros fixos ja que dois algoritmos funcionam em paralelo e a selecao entre eles e
feita tambem de forma adaptativa com o intuito de se obter um melhor desempenho global.
Em equalizacao autodidata, a combinacao de dois algoritmos do tipo CMA com passos de
adaptacao diferentes atinge um MSE em regime menor que o de cada filtro individual. No en-
tanto, isso ainda nao e suficiente pois o chaveamento para o modo de decisao direta continua
sendo necessario. Diante disso, foi proposto nesta tese um esquema de equalizacao autodi-
data com chaveamento suave para o modo de decisao direta baseado na combinacao convexa
de algoritmos adaptativos. As conclusoes e perspectivas deste trabalho sao comentadas a
seguir.
5.1 Conclusoes
A combinacao proposta apresenta um desempenho superior que os obtidos com esquemas de
chaveamento suave em termos de velocidade de convergencia e nao depende da constelacao
ou outras caracterısticas do cenario de simulacao. O algoritmo proposto para adaptar o
parametro de mistura e relativamente simples de ajustar. Obteve-se um modelo teorico
para prever o desempenho da combinacao em regime atraves de uma expressao analıtica
para o EMSE. Esse modelo consegue prever bem as situacoes em que o esquema proposto
apresenta um bom desempenho, sendo util para o projetista. Embora a maior parte dos
resultados foi particularizada para a combinacao do equalizador MMA com o algoritmo LMS,
a proposta pode ser aplicada a diferentes tipos de algoritmos adaptativos, como mostrado
nas simulacoes.
Conclusoes e perspectivas 55
5.2 Perspectivas
As perspectivas relacionadas ao esquema proposto incluem futuras extensoes considerando a
combinacao de filtros com diferentes comprimentos, similar a proposta em [ZHANG; CHAM-
BERS, 2006] ou ainda encontrar um atraso conveniente para a equalizacao supervisionada.
O uso de esquemas baseados na minimizacao da taxa de erro de sımbolos (veja, e.g., [CHEN
et al., 2001]) tambem pode ser considerando em substituicao ao equalizador DD, o que pode
ser vantajoso em relacao a esquemas baseados no MSE, especialmente quando a codificacao
de canal e utilizada. Cabe ainda destacar a possibilidade de usar o esquema proposto para
restauracao de imagens de forma autodidata [ABREU, 2011; ABREU; SILVA, 2011].
Com relacao a combinacao convexa de filtros adaptativos, destacam-se a seguir dois
dos principais problemas em aberto. Um dos problemas da combinacao convexa e o custo
computacional, que em geral e o dobro do custo de um simples filtro. Para reduzir o custo
computacional da combinacao, uma possibilidade e adaptar o filtro rapido de forma usual,
mas em vez de adaptar o filtro lento, pode-se adaptar a diferenca entre os filtros componentes.
Os coeficientes do filtro diferenca tem um intervalo dinamico menor comparado ao do filtro
lento. Consequentemente, esse filtro pode ser atualizado com um menor numero de bits,
que por sua vez, pode ser escolhido de forma a fazer com que o desempenho do esquema
seja similar ao da implementacao em precisao infinita. Essa ideia merece uma investigacao
melhor a fim de viabilizar o uso de um esquema de combinacao na pratica. Alem disso, ela
deve ser estendida para diferentes combinacoes, nao apenas a que considera um filtro rapido
e um lento.
O outro problema diz respeito a analise do transitorio da combinacao. Devido a nao-
linearidade sigmoidal utilizada no calculo do parametro de mistura, a analise teorica do
comportamento transitorio da combinacao convexa nao e simples. Em [NASCIMENTO et al.,
2009] e [SILVA; NASCIMENTO; ARENAS-GARCIA, 2010], foram obtidos modelos teoricos para
a combinacao convexa de dois filtros LMS no transitorio e em regime permanente, usando
aproximacoes de serie de Taylor para as nao-linearidades. Foram obtidas expressoes para
a evolucao no tempo da media e da variancia do parametro de mistura, alem do EMSE
da combinacao. No entanto, esses modelos nao apresentam uma boa concordancia com a
simulacao, principalmente durante o chaveamento entre os filtros componentes. Para resolver
Conclusoes e perspectivas 56
esse problema, uma possibilidade e assumir que o parametro α(n) e uma variavel aleatoria
com distribuicao uniforme. Embora isso nao ocorra na pratica, e possıvel obter um modelo
para o transitorio da combinacao convexa que talvez apresente uma concordancia melhor
com os resultados de simulacao. Isso sera abordado em um trabalho futuro.
57
Referencias Bibliograficas
ABDOLEE, R.; CHAMPAGNE, B. Diffusion LMS algorithms for sensor networks
over non-ideal inter-sensor wireless channels. In: Proc. IEEE Int. Conf. on Distributed
Computing in Sensor Systems. Barcelona, Espanha, 2011.
ABOULNASR, T.; MAYYAS, K. A robust variable step-size LMS-type algorithm: analysis
and simulations. IEEE Trans. Signal Process., v. 45, p. 631–639, Mar. 1997.
ABREU, R.; SILVA, M. T. M. A multimodulus algorithm for blind image deconvolution.
In: Proc. of International Workshop on Telecommunications (IWT). Rio de Janeiro, Brasil,
2011. p. 35–41.
ABREU, R. A. Tecnicas de equalizacao de canais de comunicacao aplicadas a imagens.
Dissertacao (Mestrado em Engenharia Eletrica) — Escola Politecnica da Universidade de
Sao Paulo, Sao Paulo, 2011.
ABU-SALEM, K. F.; LUO, C.; GONG, Y. A new strategy for the blind MMSE equalization.
In: In Proc. of European Signal Process. Conf. (EUSIPCO). Glasgow, Escocia, 2009. p.
338–342.
ANDERSSON, P. Adaptive forgetting in recursive identification through multiple models.
International Journal of Control, v. 42, p. 1175–1193, 1985.
APOLINARIO JR., J. A. (Ed.). QRD-RLS Adaptive Filtering. Springer, 2009.
ARENAS-GARCIA, J. Nuevos algoritmos de filtrado adaptativo mediante combinacion
adaptativa y sus aplicaciones. Tese (Doutorado em Engenharia Eletrica) — Universidad de
Carlos III de Madrid, Leganes, Espanha, 2004.
REFERENCIAS BIBLIOGRAFICAS 58
ARENAS-GARCIA, J.; FIGUEIRAS-VIDAL, A. R. Improved blind equalization via
adaptive combination of constant modulus algorithms. In: Proc. IEEE Int. Conf. Acoustics,
Speech, and Signal Process. (ICASSP). Toulouse, Franca, 2006. III, p. 756–759.
ARENAS-GARCIA, J.; FIGUEIRAS-VIDAL, A. R. Adaptive combination of proportionate
filters for sparse echo cancellation. IEEE Trans. Audio, Speech, and Language Process.,
v. 17, p. 1087–1098, Aug. 2009.
ARENAS-GARCIA, J.; FIGUEIRAS-VIDAL, A. R.; SAYED, A. H. Mean-square
performance of a convex combination of two adaptive filters. IEEE Trans. Signal Process.,
v. 54, p. 1078–1090, Mar. 2006.
ARENAS-GARCIA, J.; GOMEZ-VERDEJO, V.; FIGUEIRAS-VIDAL, A. R. New
algorithms for improved adaptive convex combination of LMS transversal filters. IEEE
Transactions on Instrumentation and Measurement, v. 54, p. 2239–2249, Dec. 2005.
ARENAS-GARCIA, J. et al. Plant identification via adaptive combination of transversal
filters. Signal Processing, v. 86, p. 2430–2438, Sep. 2006.
AZPICUETA-RUIZ, L. A. Aplicacion de algoritmos combinados de filtrado adaptativo a
acustica de salas. Tese (Doutorado em Engenharia Eletrica) — Universidad de Carlos III
de Madrid, Leganes, Espanha, 2011.
AZPICUETA-RUIZ, L. A.; FIGUEIRAS-VIDAL, A. R.; ARENAS-GARCIA, J. A
normalized adaptation scheme for the convex combination of two adaptive filters. In: Proc.
IEEE Int. Conf. Acoustics, Speech, and Signal Process. (ICASSP). Las Vegas, EUA, 2008.
p. 3301–3304.
AZPICUETA-RUIZ, L. A. et al. Adaptive combination of Volterra kernels and its
application to nonlinear acoustic echo cancellation. IEEE Trans. Acoust., Speech, Signal
Process., v. 19, p. 97–110, Jan. 2011.
BENVENISTE, A.; GOURSAT, M.; RUGET, G. Robust identification of a nonminimum
phase system: blind adjustment of a linear equalizer in data communications. IEEE Trans.
Autom. Control, v. 25, p. 385–399, Jun. 1980.
REFERENCIAS BIBLIOGRAFICAS 59
BERMUDEZ, J. C. M.; BERSHAD, N. J.; TOURNERET, J.-Y. Stochastic analysis of an
error power ratio scheme applied to the affine combination of two LMS adaptive filters.
Signal Process., v. 91, n. 11, p. 2615–2622, 2011.
BERSHAD, N. J.; BERMUDEZ, J. C. M.; TOURNERET, J.-Y. An affine combination of
two LMS adaptive filters - transient mean-square analysis. IEEE Trans. Signal Process.,
v. 56, p. 1853–1864, May 2008.
BILCU, R. C.; KUOSMANEN, P.; EGIAZARIAN, K. A transform domain LMS adaptive
filter with variable step-size. IEEE Signal Process. Lett., v. 9, p. 51–53, Feb. 2002.
CANDIDO, R. Combinacao afim de algoritmos adaptativos. Dissertacao (Mestrado em
Engenharia Eletrica) — Escola Politecnica da Universidade de Sao Paulo, Sao Paulo, 2009.
CANDIDO, R. et al. A statistical analysis of the dual-mode CMA. In: Proc. of IEEE
Int. Symp. on Circuits and Systems (ISCAS). Paris, Franca, 2010. p. 2510–2513.
CANDIDO, R.; SILVA, M. T. M.; NASCIMENTO, V. H. On combinations of CMA
equalizers. In: Proc. IEEE Int. Conf. Acoustics, Speech, and Signal Process. (ICASSP).
Taipei, Taiwan, 2009. p. 2865–2868.
CANDIDO, R.; SILVA, M. T. M.; NASCIMENTO, V. H. Transient and steady-state
analysis of the affine combination of two adaptive filters. IEEE Trans. Signal Process.,
v. 58, n. 8, p. 4064 –4078, Aug. 2010.
CASTRO, F. C. C. D.; CASTRO, M. C. F. D.; ARANTES, D. S. Concurrent blind
deconvolution for channel equalization. In: Proc. of IEEE Int. Conf. Commun. Helsinki,
Finlandia, 2001. v. 2, p. 366–371.
CATTIVELLI, F. S.; SAYED, A. H. Modeling bird flight formations using diffusion
adaptation. IEEE Trans. Signal Process., v. 59, p. 2038–2051, May 2011.
CHAVES, F. de S. et al. A convex combination of H2 and H∞ filters for space-time adaptive
equalization. In: Proc. IEEE Workshop on Statistical Signal Process. (SSP). Nice, Franca,
2011. p. 717–720.
REFERENCIAS BIBLIOGRAFICAS 60
CHEN, S. Low complexity concurrent constant modulus algorithm and soft directed scheme
for blind equalization. IEE Proc. - Vision, Image, and Signal Process., v. 150, p. 312–320,
Oct. 2003.
CHEN, S. et al. Adaptive minimum-BER linear multiuser detection for DS-CDMA signals
in multipath channels. IEEE Trans. Signal Process., v. 49, n. 6, p. 1240–1247, Jun. 2001.
DING, Z.; LI, Y. Blind Equalization and Identification. Marcel Dekke, 2001.
DINIZ, P. S. R. Adaptive Filtering: Algorithms and Practical Implementation. 3rd. ed.
Springer, 2008.
FARHANG-BOROUJENY, B. Adaptive Filters - Theory and Applications. John Wiley &
Sons, West Sussex, 1998.
FERNANDES-BES, J. et al. A novel scheme for diffusion networks with least-squares
adaptive combiners. In: Proc. of IEEE Workshop on Machine Learning for Signal Process.
Santander, Espanha, 2012.
GARTH, L. M.; YANG, J.; WERNER, J.-J. Blind equalization algorithms for dual-mode
CAP-QAM reception. IEEE Trans. Comput., v. 49, n. 3, p. 455–466, Mar. 2001.
GODARD, D. N. Self-recovering equalization and carrier tracking in two dimensional data
communication system. IEEE Trans. Commun., v. 28, p. 1867–1875, Nov. 1980.
GONZALO-AYUSO, A. et al. Improving sparse echo cancellation via convex combination
of two NLMS filters with different lengths. In: IEEE International Workshop on Machine
Learning for Signal Process. (MLSP). Santander, Espanha, 2012.
HAYKIN, S. Adaptive Filter Theory. 4th. ed. Prentice Hall, Upper Saddle River, 2002.
ITU-T Recommendation. V.29: 9600 bits per second modem standardized for use on
point-to-point 4-wire leased telephone-type circuits. 1988.
JELFS, B. et al. Characterisation of signal modality: exploiting signal nonlinearity in
machine learning and signal processing. Journal of Signal Processing Systems, Springer
New York, v. 61, p. 105–115, 2010.
REFERENCIAS BIBLIOGRAFICAS 61
JOHNSON JR., C. R. et al. Blind equalization using the constant modulus criterion: a
review. Proc. IEEE, v. 86, p. 1927–1950, Oct. 1998.
JOHNSON JR., C. R. et al. The core of FSE-CMA behavior theory. In: HAYKIN, S. (Ed.).
Unsupervised adaptive filtering: blind equalization. NY: Wiley, 2000. II.
KOZAT, S. S. et al. Steady-state mse performance analysis of mixture approaches to
adaptive filtering. IEEE Trans. Signal Process., v. 58, n. 8, p. 4050–4063, Aug. 2010.
KOZAT, S. S.; SINGER, A. C.; ZEITLER, G. Universal piecewise linear prediction via
context trees. IEEE Trans. Signal Process., v. 55, p. 3730–3745, Jul. 2007.
KWONG, R. H.; JOHNSTON, E. W. A variable step size LMS algorithm. IEEE Trans.
Signal Process., v. 40, p. 1633–1642, Jul. 1992.
LAZARO-GREDILLA, M. et al. Adaptively biasing the weights of adaptive filters. IEEE
Trans. Signal Process., v. 58, n. 7, p. 3890–3895, Jul. 2010.
LAZARO, M. et al. Stochastic blind equalization based on PDF fitting using Parzen
estimator. IEEE Trans. Signal Process., v. 53, n. 2, p. 696–704, Feb. 2005.
LI, L. et al. Modelling of brain consciousness based on collaborative adaptive filters.
Neurocomputing, v. 76, n. 1, p. 36–43, 2012.
MACCHI, O.; EWEDA, E. Convergence analysis of self-adaptive equalizers. IEEE Trans.
Inf. Theory, v. 30, n. 2, p. 161–176, 1984.
MAI, J.; SAYED, A. H. A feedback approach to the steady-state performance of fractionally
spaced blind adaptive equalizers. IEEE Trans. Signal Process., v. 48, p. 80–91, Jan. 2000.
MANDIC, D. P. et al. Online tracking of the degree of nonlinearity within complex signals.
In: Proc. IEEE Int. Conf. Acoustics, Speech, and Signal Process. (ICASSP). Las Vegas,
EUA, 2008. p. 2061–2064.
MARTINEZ-RAMON, M. et al. An adaptive combination of adaptive filters for plant
identification. In: Proc. 14th Int. Conf. Digital Signal Process. Santorini, Greece, 2002. v. 2,
p. 1195–1198.
REFERENCIAS BIBLIOGRAFICAS 62
MAZO, J. E. Analysis of decision-directed equalizer convergence. Bell Syst. Tech. Journal,
v. 59, n. 10, p. 1857–1877, 1980.
MENDES FILHO, J. Algoritmos eficientes para equalizacao autodidata de sinais QAM.
Tese (Doutorado em Engenharia Eletrica) — Escola Poliecnica da USP, Sao Paulo, 2011.
MENDES FILHO, J.; MIRANDA, M. D.; SILVA, M. T. M. Accelerating the convergence
of a decision-based algorithm for blind equalization of QAM signals. In: 3rd International
Workshop on Cognitive Information Processing (CIP). Baiona, Espanha, 2012. p. 45–50.
MENDES FILHO, J.; MIRANDA, M. D.; SILVA, M. T. M. Decision-directed feedback
equalisation for QAM signals. Electronics Letters, v. 48, n. 1, p. 27–28, Jan. 2012.
MENDES FILHO, J.; MIRANDA, M. D.; SILVA, M. T. M. A regional multimodulus
algorithm for blind equalization of QAM signals: introduction and steady-state analysis.
Signal Processing, v. 92, n. 11, p. 2643–2656, Nov. 2012.
MENDES FILHO, J.; SILVA, M. T. M.; MIRANDA, M. D. A family of algorithms for
blind equalization of QAM signals. In: Proc. IEEE Int. Conf. Acoustics, Speech, and Signal
Process. (ICASSP). Praga, Republica Tcheca, 2011. p. 3388–3391.
MENDES FILHO, J. et al. A region-based algorithm for blind equalization of QAM signals.
In: Proc. of the IEEE/SP 15th Workshop on Statistical Signal Processing (SSP). Cardiff,
Reino Unido, 2009. p. 685–688.
MIRANDA, M. D.; GERKEN, M.; SILVA, M. T. M. Efficient implementation of the a
priori error-feedback LSL algorithm. Electronics Letters, v. 35, p. 1308–1309, Aug. 1999.
MIRANDA, M. D.; SILVA, M. T. M.; NASCIMENTO, V. H. Avoiding divergence in the
Constant Modulus Algorithm. In: Proc. IEEE Int. Conf. Acoustics, Speech, and Signal
Process. (ICASSP). Las Vegas, EUA, 2008. p. 3565–3568.
MIRANDA, M. D.; SILVA, M. T. M.; NASCIMENTO, V. H. Avoiding divergence in the
Shalvi Weinstein Algorithm. IEEE Trans. Signal Process., v. 56, p. 5403–5413, Nov. 2008.
NASCIMENTO, V. H.; SILVA, M. T. M. Stochastic stability for the Constant Modulus
Algorithm. IEEE Trans. Signal Process., v. 56, p. 4984–4989, Oct. 2008.
REFERENCIAS BIBLIOGRAFICAS 63
NASCIMENTO, V. H.; SILVA, M. T. M. Adaptive filters. In: THEODORIDIS, S. (Ed.).
Electronic Reference in Signal Processing. Elsevier / Adademic Press, 2013. No prelo.
NASCIMENTO, V. H. et al. On the tracking performance of combinations of least mean
squares and recursive least squares adaptive filters. In: Proc. IEEE Int. Conf. Acoustics,
Speech, and Signal Process. (ICASSP). Dallas, EUA, 2010. p. 3710 –3713. ISSN 1520-6149.
NASCIMENTO, V. H. et al. A transient analysis for the convex combination of adaptive
filters. In: Proc. Workshop on Statistical Signal Process. (SSP). Cardiff, UK, 2009. p. 53–56.
NELATURY, S. R.; RAO, S. S. Increasing the speed of convergence of the Constant
Modulus Algorithm for blind channel equalization. IEEE Trans. Commun., v. 50, p.
872–876, Jun. 2002.
NIEDZWIECKI, M. Identification of nonstationary stochastic systems using parallel
estimation schemes. IEEE Trans. Autom. Control, v. 35, p. 329–334, Mar. 1990.
NIEDZWIECKI, M. Multiple-model approach to finite memory adaptive filtering. IEEE
Trans. Signal Process., v. 40, p. 470–473, Feb. 1992.
OH, K. N.; CHIN, Y. O. Modified constant modulus algorithm: Blind equalization and
carrier phase recovery algorithm. In: Proc. of IEEE Int. Conf. Commun., 1995. v. 1, p.
498–502.
PAPADIAS, C. B.; SLOCK, D. T. M. Normalized sliding window constant modulus and
decision-direct algorithms: a link between blind equalization and classical adaptive filtering.
IEEE Trans. Signal Process., v. 45, p. 231–235, Jan. 1997.
PICCHI, G.; PRATI, G. Blind equalization and carrier recovery using a “stop-and-go”
decision-directed algorithm. IEEE Trans. Commun., COM-35, p. 877–887, Sep. 1987.
PROAKIS, J. Digital Communications. 4th. ed. McGraw-Hill, NY, 2001.
QURESHI, S. U. H. Adaptive equalization. Proc. IEEE, v. 73, n. 9, p. 1349–1387, Sep.
1985.
REFERENCIAS BIBLIOGRAFICAS 64
REGALIA, P. A. On the equivalence between the Godard and Shalvi-Weinstein schemes of
blind equalization. Signal Processing, v. 73, p. 185–190, 1999.
RUPP, M. Convergence properties of adaptive equalizer algorithms. IEEE Trans. Signal
Process., v. 59, n. 6, p. 2562 –2574, Jun. 2011.
SAYED, A. H. Fundamentals of Adaptive Filtering. John Wiley & Sons, NJ, 2003.
SAYED, A. H. Adaptive Filters. John Wiley & Sons, NJ, 2008.
SHALVI, O.; WEINSTEIN, E. Super-exponential methods for blind deconvolution. IEEE
Transactions on Information Theory, v. 39, p. 504–519, Mar. 1993.
SILVA, M. T. M. Um estudo sobre tecnicas de equalizacao autodidata. Tese (Doutorado em
Engenharia Eletrica) — Escola Politecnica da Universidade de Sao Paulo, Sao Paulo, 2005.
SILVA, M. T. M.; GERKEN, M.; MIRANDA, M. D. An accelerated constant modulus
algorithm. In: Proc. of International Telecommunications Symposium. Natal, Brasil, 2002.
SILVA, M. T. M.; GERKEN, M.; MIRANDA, M. D. An accelerated constant modulus
algorithm for space-time blind equalization. In: Proc. of 12th European Signal Processing
Conference (EUSIPCO). Viena, Austria, 2004. p. 1853–1853.
SILVA, M. T. M.; MIRANDA, M. D. Tracking issues of some blind equalization algorithms.
IEEE Signal Process. Lett., v. 11, p. 760–763, Sep. 2004.
SILVA, M. T. M.; MIRANDA, M. D.; SOARES, R. Concurrent algorithm for blind
adaptation of DFE. Electronics Letters, v. 41, p. 928–930, Aug. 2005.
SILVA, M. T. M.; NASCIMENTO, V. H. Improving the tracking capability of adaptive
filters via convex combination. IEEE Trans. Signal Process., v. 56, p. 3137–3149, Jul. 2008.
SILVA, M. T. M.; NASCIMENTO, V. H. Tracking analysis of the Constant Modulus
Algorithmn. In: Proc. IEEE Int. Conf. Acoustics, Speech, and Signal Process. (ICASSP).
Las Vegas, EUA, 2008. p. 3561–3564.
SILVA, M. T. M.; NASCIMENTO, V. H.; ARENAS-GARCIA, J. A transient analysis for
the convex combination of two adaptive filters with transfer of coefficients. In: Proc. IEEE
REFERENCIAS BIBLIOGRAFICAS 65
Int. Conf. Acoustics, Speech, and Signal Process. (ICASSP). Dallas, EUA, 2010. p.
3842–3845.
SPIB – Signal Processing Information Base. Microwave Data. IEEE Sig-
nal Processing Society and National Science Foundation, 2012. Disponıvel em:
<http://spib.rice.edu/spib/microwave.html>. Acesso em: 18/06/2012.
TAKAHASHI, N.; YAMADA, I.; SAYED, A. H. Diffusion least-mean squares with adaptive
combiners: Formulation and performance analysis. IEEE Trans. Signal Process., v. 58, p.
4795–4810, Sep. 2010.
TREICHLER, J. R.; AGEE, B. A new approach to multipath correction of constant
modulus signals. IEEE Trans. Acoust., Speech, Signal Process., ASSP-28, p. 334–358, Apr.
1983.
TREICHLER, J. R.; FIJALKOW, I.; JR., C. R. J. Fractionally spaced equalizers. IEEE
Signal Process. Mag., v. 13, p. 65–81, May 1996.
WEERACKODY, V.; KASSAM, S. Dual-mode type algorithms for blind equalization.
IEEE Transactions on Communications, v. 42, p. 22–28, Jan. 1994.
WESOLOWSKI, K. Analysis and properties of the modified constant modulus algorithm
for blind equalization. European Trans. on Telecommun., v. 3, p. 225–230, May-Jun. 1992.
XIA, Y. et al. A collaborative filtering approach for quasi-brain-death EEG analysis. In:
Proc. IEEE Int. Conf. Acoustics, Speech and Signal Process. (ICASSP). Praga, Republica
Tcheca, 2011. p. 645–648.
YANG, J.; WERNER, J.-J.; DUMONT, G. A. The multimodulus blind equalization and
its generalized algorithms. IEEE J. Sel. Areas Commun., v. 20, p. 997–1015, Jun. 2002.
YUAN, J.-T.; TSAI, K.-D. Analysis of the multimodulus blind equalization algorithm in
QAM communication systems. IEEE Trans. Commun., v. 53, p. 1427 – 1431, Sep. 2005.
ZELLER, M. et al. Adaptive Volterra filters with evolutionary quadratic kernels using
a combination scheme for memory control. IEEE Trans. Signal Process., v. 59, n. 8, p.
1449–1464, Apr. 2011.
REFERENCIAS BIBLIOGRAFICAS 66
ZHANG, Y.; CHAMBERS, J. A. Convex combination of adaptive filters for a variable
tap-length lms algorithm. IEEE Signal Process. Lett., v. 13, n. 10, p. 628 –631, 2006.
67
Apendice A
Versoes do algoritmo de
Shalvi-Weinstein
O SWA foi derivado originalmente em [SHALVI; WEINSTEIN, 1993], usando cumulantes empıricos
na minimizacao da seguinte funcao custo
JSW(n) =Cy
2,2(n)
[Cy1,1(n)]
2, (A.1)
sendo
Cy2,2(n) , E{|y(n)|4} − βE{|y(n)|2}2
e
Cy1,1(n) , E{|y(n)|2}
os cumulantes de y(n) de ordens (2, 2) e (1, 1), respectivamente e β = 2 (resp., β = 3) para
sinais complexos (resp., reais). Como mostrado em [REGALIA, 1999], sob certas condicoes,
a funcao custo JSW(n) se reduz a JCM(n). Dessa forma, o CMA e o SWA buscam minimizar
o mesmo criterio. Consequentemente, o SWA tambem pode ser interpretado como um algo-
ritmo baseado no modulo constante que usa uma aproximacao para a matriz Hessiana, i.e.,
ele pode ser considerado como um algoritmo do tipo quase-Newton [SHALVI; WEINSTEIN,
1993; SILVA; MIRANDA, 2004].
Baseando-se na ligacao entre os algoritmos de equalizacao autodidata e os algoritmos
de filtragem adaptativa classica de [PAPADIAS; SLOCK, 1997], o SWA pode ser visto como a
Versoes do algoritmo de Shalvi-Weinstein 68
versao autodidata do algoritmo RLS convencional. Para reforcar essa interpretacao, o SWA
foi deduzido em [MIRANDA; SILVA; NASCIMENTO, 2008b] a partir da minimizacao da versao
determinista da funcao custo do modulo constante, i.e.,
JSWd(n) =n∑
ℓ=0
λn−ℓ[κ− |yn,ℓ|2
]2, (A.2)
sendo yn,ℓ , uT (ℓ)w(n) e 0 ≪ λ < 1 um fator de esquecimento. Seguindo os passos de
[MIRANDA; SILVA; NASCIMENTO, 2008b], chega-se a seguinte equacao de atualizacao
w(n) = w(n− 1) +1
βσ2a − κ
ε(n)P(n)u∗(n), (A.3)
sendo
P−1(n) , R(n) = λR(n− 1) + u∗(n)uT (n), (A.4)
ε(n) definido em (1.18) e σ2a = Ca
1,1 = E{|a(n)|2}. Como no caso do algoritmo RLS, usando o
lema de inversao matricial [SAYED, 2003, Eq. (2.6.4)] em (A.4), obtem-se a seguinte equacao
recursiva para atualizacao da matriz de autocorrelacao inversa, ou seja,
P(n) =1
λ
[P(n− 1)− P(n− 1)u∗(n)uT (n)P(n− 1)
λ+ uT (n)P(n− 1)u∗(n)
], (A.5)
sendo P(−1) = δ−1I, δ uma constante positiva pequena e I a matriz identidade. As operacoes
do SWA estao mostradas na Tabela A.1.
O SWA tambem apresenta um compromisso entre velocidade de convergencia, desajuste,
capacidade de rastreio (tracking) e custo computacional. Em geral, ele converge mais rapido
que o CMA para um mesmo valor de EMSE em regime, as custas de um custo computacional
maior [O(M2)]. No contexto de tracking, e conhecido que os desempenhos dos algoritmos
CMA e SWA dependem de como o ambiente nao-estacionario varia. Em alguns ambientes,
o CMA tem um desempenho melhor que o SWA; em outros o SWA e superior ou similar
ao CMA [SILVA; MIRANDA, 2004]. Baseando-se nesses resultados, combinacoes convexas de
algoritmos com capacidades de tracking diferentes foram propostas e analisadas em [SILVA;
NASCIMENTO, 2008a], como a combinacao do CMA com o SWA para equalizacao autodi-
data. Dessa forma, a combinacao convexa e capaz de se adaptar a diferentes ambientes
nao-estacionarios, o que nao seria possıvel se apenas um algoritmo fosse utilizado.
Versoes do algoritmo de Shalvi-Weinstein 69
Tabela A.1: Sumario do SWA.
Inicializacao:
w(−1) = [0 · · · 0 1 0 · · · 0]T , 0≪ λ < 1,
P(−1) = δ−1I, δ: constante positiva pequena
κ = E{|a(n)|4}/E{|a(n)|2}, γ−1SW
= 1/(βσ2a − κ)
Para n = 0, 1, 2, 3, ... calcule:
y(n) = uT (n)w(n− 1)
ε(n) = [κ− |y(n)|2]y(n)
P(n) =1
λ
[P(n− 1)− P(n− 1)u∗(n)uT (n)P(n− 1)
λ+ uT (n)P(n− 1)u∗(n)
]
w(n) = w(n− 1) + γ−1SWε(n)P(n)u∗(n)
Fim
Devido a multimodalidade de JSW, uma escolha inadequada do fator de esquecimento,
uma inicializacao distante da solucao otima e/ou uma razao sinal-ruıdo baixa podem leva-lo
a divergencia (i.e., a norma do vetor de coeficientes vai para infinito) ou a convergencia
para mınimos locais indesejaveis. Como no RLS convencional, o SWA tambem pode divergir
devido a problemas numericos no calculo de P(n). A questao da divergencia foi abordada
em [MIRANDA; SILVA; NASCIMENTO, 2008b], onde foi proposta uma versao do SWA com
dois modos de operacao, denominada dual-mode-SWA (DM-SWA). No primeiro modo, ele
funciona como o SWA convencional e no segundo, rejeita estimativas nao-consistentes do
sinal transmitido, como explicado a seguir.
Definindo γSW = βσ2a − κ, a equacao de atualizacao do SWA pode ser reescrita como
w(n) = w(n− 1) + ε(n)P(n)u∗(n), (A.6)
sendo
ε(n) =ε(n)
γSW
. (A.7)
O “erro” ε(n) foi entao reescrito como um erro de estimacao de um algoritmo de equalizacao
supervisionada, como o RLS, ou seja,
ε(n) = ε(n)/γSW = d(n)− y(n), (A.8)
Versoes do algoritmo de Shalvi-Weinstein 70
sendo d(n) = x(n)y(n) e x(n) = [βσ2a − |y(n)|2] /γSW. No RLS, d(n) representa a resposta
desejada, i.e., d(n) = a(n−∆). No SWA, reescrever ε(n) como (A.8) e interessante porque
a informacao das estatısticas de ordem superior do sinal transmitido aparece na variavel
d(n). Nesse caso, tanto d(n) quanto y(n) podem ser interpretados como estimativas do sinal
transmitido. Tal fato sugeriu supor que d(n) e consistente quando apresenta o mesmo sinal
de y(n) e que, nessa situacao, y(n) esta em uma regiao de interesse. Quando d(n) apresenta
um sinal diferente de y(n), o que acontece quando |y(n)|2 > βσ2a ou x(n) < 0, a estimativa
nao e considerada consistente e deve ser rejeitada para evitar divergencia. Dessa forma,
fazendo d(n) = 0, a Equacao (A.6) se reduz a
w(n) = w(n− 1)− y(n)P(n)u∗(n). (A.9)
As equacoes (A.6) e (A.9) caracterizam os dois modos de operacao do DM-SWA, cujas
operacoes estao mostradas na Tabela A.2.
Tabela A.2: Sumario do DM-SWA.
Inicializacao:
w(−1) = [0 · · · 0 1 0 · · · 0]T , 0≪ λ < 1,
P(−1) = δ−1I, δ: constante positiva pequena
Para n = 0, 1, 2, 3, ... calcule:
y(n) = uT (n)w(n− 1)
x(n) =βσ2
a − |y(n)|2βσ2
a − κSe x(n) ≥ 0,
d(n) = x(n)y(n)
Caso contrario
d(n) = 0
Fim
ε(n) = d(n)− y(n)
P(n) =1
λ
[P(n− 1)− P(n− 1)u∗(n)uT (n)P(n− 1)
λ+ uT (n)P(n− 1)u∗(n)
]
w(n) = w(n− 1) + ε(n)P(n)u∗(n)
Fim
Versoes do algoritmo de Shalvi-Weinstein 71
Atraves de uma analise determinista, foi mostrado em [MIRANDA; SILVA; NASCIMENTO,
2008b] que se y(n) deixa a regiao de interesse por alguma razao, como uma inicializacao
ruim ou uma razao sinal-ruıdo baixa, a Equacao (A.9) forca y(n) a retornar para a regiao
de interesse depois de um intervalo de um tempo finito. Dessa forma, embora (A.9) nao
possibilite obter um resultado adequado para equalizacao, ela e importante para evitar a
divergencia devido a inconsistencia na estimativa nao-linear do sinal transmitido. Alem
disso, quando y(n) esta na regiao de interesse, mesmo d(n) sendo limitado, o algoritmo pode
divergir se nao forem tomadas precaucoes na atualizacao da matriz de autocorrelacao inversa.
Porem, tecnicas eficientes de implementar a atualizacao dessa matriz sao bem conhecidas,
como, por exemplo, a solucao com estrutura em trelica de [MIRANDA; GERKEN; SILVA, 1999].
Usando essa estrutura, foi proposto o SWA em trelica com dois modos de operacao (DM-
LSWA - dual-mode lattice Shalvi-Weinstein algorithm), que e estavel mesmo em aritmetica
de precisao finita e tem um custo computacional que cresce linearmente com o numero de
coeficientes do equalizador [O(M)].
O DM-LSWA usa o EF-LSL modificado de [MIRANDA; GERKEN; SILVA, 1999] na secao de
predicao e por isso apresenta as mesmas caracterısticas de paralelismo desse algoritmo. Suas
operacoes estao mostradas na Tabela A.3, onde tambem estao listadas as variaveis que devem
ser inicializadas com valores nao nulos. As variaveis (Efi (n), ϑi, k
fi (n)) e (Eb
i (n), ψi(n),
kbi (n)) representam energias, erros de predicao a priori e coeficientes de reflexao das predicoes
progressiva e regressiva, respectivamente. Os fatores de conversao sao denotados por γi(n).
As variaveis (b, b, f, f) foram introduzidas para reduzir o custo computacional do algoritmo.
Para assegurar um comportamento numerico robusto na secao de predicao, e necessario evitar
divisoes por valores proximos de zero nos calculos. Para isso, uma constante positiva pequena
ǫ e adicionada aos denominadores, cujo valor depende da precisao de implementacao. Em
geral, ǫ = 2k−b deve ser usado para sinais de entrada que satisfazem −2k/2 ≤ u(n) ≤ 2k/2,
sendo k um inteiro e b a mantissa da palavra usada na quantizacao das energias [MIRANDA;
GERKEN; SILVA, 1999]. As operacoes do algoritmo EF-LSL modificado tambem estao contidas
na Tabela A.3. Neste caso, porem, deve-se considerar d(n) = a(n−∆), nao sendo necessario
o calculo de x(n).
Os algoritmos multimodulo e de decisao para sinais QAM 72
Tabela A.3: Sumario do DM-LSWA.
Inicializacao:
v(−1) = [0 · · · 0 1 0 · · · 0]T
Efi (−1) = Eb
i (−1) = δ, i = 0, . . . ,M − 1
Para n = 0, 1, 2, 3, ... calcule:
ϑ0 = ψ0(n) = u(n); ξ0 = d(n− 1); γ0 = 1
Para i = 0 :M − 1,
b = ψi(n− 1) γi
f = ϑi γi
Ebi (n− 1) = λEb
i (n− 2) + b ψ∗
i (n− 1)
Efi (n) = λEf
i (n− 1) + f ϑ∗
i
b = b/(ǫ+ Ebi (n− 1))
f = f/(ǫ+ Efi (n))
γi+1 = γi − b b∗
Trelica:
ψi+1(n) = ψi(n− 1)− kb∗i (n− 1)ϑi
ϑi+1 = ϑi − kf∗i (n− 1)ψi(n− 1)
kbi (n) = kbi (n− 1) + f ψ∗
i+1(n)
kfi (n) = kfi (n− 1) + b ϑ∗
i+1
Estimacao conjunta:
ξi+1 = ξi − ψi(n− 1) v∗i (n− 2)
vi(n− 1) = vi(n− 2) + b ξ∗i+1
Fim
y(n) = vH(n− 1)ψ(n)
x(n) = (βσ2a − |y(n)|2)/(βσ2
a − κ)
Se x(n) ≥ 0
d(n) = x(n) y(n)
Caso contrario
d(n) = 0
Fim
Fim
73
Apendice B
Os algoritmos multimodulo e de
decisao para sinais QAM
O algoritmo multimodulo regional (RMA - regional multimodulus algorithm) e o algoritmo
de decisao baseada nos sımbolos (SBD - symbol-based decision) foram propostos e analisados
em [MENDES FILHO, 2011; MENDES FILHO; MIRANDA; SILVA, 2012c, 2012b, 2012a; MENDES
FILHO; SILVA; MIRANDA, 2011; MENDES FILHO et al., 2009]. Esses algoritmos autodidatas
tratam sinais de modulo nao-constante como sinais de modulo constante e convergem apro-
ximadamente para o MSE em regime de um algoritmo de equalizacao supervisionada. Por
esse motivo, o chaveamento para o modo de decisao direta pode ser evitado.
A equacao de atualizacao dos coeficientes desses algoritmos e dada por
w(n) = w(n− 1) +µ
δ + ‖u(n)‖2 e(n)u∗(n), (B.1)
sendo µ um passo de adaptacao, δ uma constante positiva usada para evitar divisao por zero
e e(n) o erro de estimacao que depende do algoritmo.
A funcao de erro do RMA se anula quando a saıda do equalizador e igual a coordenada
de um dos sımbolos da constelacao. Ela foi obtida atraves da repeticao da funcao de erro do
MMA com r = 1 para cada regiao Ak (veja Figura B.1), ponderada por um fator de escala,
ou seja,
eRMA(n) =αℓ
[1− y2ℓ (n)
]yℓ(n) + jαm
[1− y2m(n)
]ym(n), (B.2)
Os algoritmos multimodulo e de decisao para sinais QAM 74
em que
yℓ(n) = yR(n)− cℓ (B.3)
e
ym(n) = yI(n)− cm (B.4)
correspondem as versoes transladadas das partes real e imaginaria da saıda do equalizador.
Os escalares cℓ e cm sao os centros das regioes identificadas e αℓ e αm sao fatores de escala,
dados pelos valores absolutos desses centros. Devido a translacao de y(n) para origem do
plano complexo, tudo se passa como se somente os sımbolos {±1 ± j} de uma constelacao
4-QAM tivessem sido transmitidos.
Na Figura B.1, e mostrada a parte real do erro do RMA em funcao de yR(n) para 64-
QAM. E possıvel notar que a funcao de erro do RMA e contınua por partes e se anula quando
a saıda do equalizador coincide com a coordenada de um dos sımbolos da constelacao. As
operacoes do RMA sao mostradas na Tabela B.1.
yR(n)
e RM
A,R(n)
−7 −5 −3
−1
−1
0
0
1
1 3 5 7
−0,5
0,5
A−1 A2A1A
−2
Figura B.1: Parte real do erro do RMA em funcao de yR(n) para 64-QAM. Os erros nas coorde-
nadas dos sımbolos da constelacao sao indicados por ◦; fator de escala K = 245.
Os algoritmos multimodulo e de decisao para sinais QAM 75
Tabela B.1: Sumario do RMA.
Inicializacao:
w(0) = [ 0 · · · 0 1 0 · · · 0 ], 0 < µ < 2 e 0 < δ ≪ 1
Para n = 1, 2, 3 . . . , calcule:
y(n) = uT (n)w(n− 1) = yR(n) + jyI(n)
A partir de yR(n) e yI(n), obtem-se cℓ e cm, respectivamente
yℓ(n) = yR(n)− cℓ
ym(n) = yI(n)− cm
eR(n) = |cℓ|[1−y2ℓ (n)]yℓ(n)
eI(n) = |cm|[1−y2m(n)]ym(n)
e(n) = eR(n) + jeI(n)
w(n) = w(n− 1) +µ
δ + ‖u(n)‖2 e(n)u∗(n)
Fim
Inspirando-se no RMA e no algoritmo de decisao direta, foi proposto o algoritmo SBD,
cujo erro de estimacao e dado por
eSBD(n) = |aR(n)| [aR(n)− yR(n)] + j|aI(n)| [aI(n)− yI(n)]. (B.5)
As variaveis |aR(n)| e |aI(n)| criam uma envoltoria no erro do SBD, essencial para a recu-
peracao dos sımbolos transmitidos. Na Figura B.2, e mostrada a parte real desse erro em
funcao de yR(n) para 64-QAM. Novamente, nota-se que a funcao de erro e contınua por par-
tes e se anula quando a saıda do equalizador coincide com a coordenada de um dos sımbolos
da constelacao. As operacoes do SBD sao mostradas na Tabela B.2.
Os algoritmos multimodulo e de decisao para sinais QAM 76
yR(n)
e SBD,R(n)
−7 −5 −3
−1
−1
0
0
1
1 3 5 7
−0,5
0,5
Figura B.2: Parte real do erro do SBD para 64-QAM; fator de escala K = 7. Os erros nas
coordenadas dos sımbolos das constelacoes sao indicados por ◦.
Tabela B.2: Sumario do algoritmo SBD.
Inicializacao:
w(0) = [ 0 · · · 0 1 0 · · · 0 ], 0 < µ < 2/√S e 0 < δ ≪ 1
Para n = 1, 2, 3 . . . , calcule:
y(n) = uT (n)w(n− 1) = yR(n) + jyI(n)
aR(n) = dec[yR(n)]
aI(n) = dec[yI(n)]
eR(n) = |aR(n)|[aR(n)− yR(n)]
eI(n) = |aI(n)|[aI(n)− yI(n)]
e(n) = eR(n) + jeI(n)
w(n) = w(n− 1) +µ
δ + ‖u(n)‖2 e(n)u∗(n)
Fim
Apesar desses algoritmos atingirem aproximadamente o MSE de um algoritmo de equa-
lizacao supervisionada, eles convergem muito lentamente, o que limita a utilizacao dos mes-
mos em situacoes praticas. Para aumentar suas taxas de convergencia, foi proposta uma
tecnica denominada de vizinhanca axial, que pode ser interpretada como um metodo de
Os algoritmos multimodulo e de decisao para sinais QAM 77
casamento de funcoes densidade de probabilidade (pdf fitting) [MENDES FILHO; MIRANDA;
SILVA, 2012a]. A seguir, essa tecnica e explicada brevemente para o RMA. Sua extensao
para o algoritmo SBD e direta e esta detalhada em [MENDES FILHO, 2011; MENDES FILHO;
MIRANDA; SILVA, 2012a].
Na Figura B.3, podem ser observadas quatro regioes da parte real de uma constelacao
64-QAM. Se a parte real da saıda do equalizador cair na regiao A−1, as regioes A−2 e A1 sao
consideradas suas vizinhas e os seus sımbolos podem ser usados de modo a auxiliar o RMA
a aprender mais rapidamente a geometria da constelacao QAM. Para isso, o erro usado na
atualizacao do algoritmo e calculado considerando o erro devido a regiao principal e os erros
provenientes das regioes vizinhas, multiplicados por fatores de ponderacao. No calculo do
erro de uma regiao vizinha, tudo se passa como se a saıda do equalizador pertencesse a essa
regiao. Alem disso, multiplica-se esse erro por um fator de ponderacao, que e tanto menor
quanto mais distante a regiao vizinha estiver da regiao principal. Assim, o erro da regiao
principal sempre tera um peso maior no calculo do erro total.
yR(n)
A−1 A2A1A
−2
a−2,1 a
−2,2 a−1,1 a
−1,2 a2,1 a2,2a1,1 a1,2
c−2 c
−1 c1 c20
0−7 −5 −3 −1 1 3 5 7
saıda do equalizador (parte real)
Figura B.3: Regioes da parte real de uma constelacao 64-QAM; o centro da regiao Ak e
representado por ck e k = ±2,±1.
Para obter uma expressao do erro que incorpore a vizinhanca, cabe lembrar que as regioes
principais que contem as partes reaℓ e imaginaria da saıda do equalizador sao denotadas
como Aℓ e Am, respectivamente. No caso em que sao considerados apenas dois vizinhos de
cada regiao principal, o erro do RMA e calculado levando em conta nao somente as regioes
principais Aℓ e Am, mas tambem as regioes Aℓ±1 e Am±1 nas suas vizinhancas. Assim, a
expressao do erro do RMA passa a ser dada por
eRMA(n) =ℓ+1∑
k=ℓ−1
χkαk
[1−y2k(n)
]yk(n) + j
[m+1∑
l=m−1
χlαl
[1−y2l (n)
]yl(n)
], (B.6)
Os algoritmos multimodulo e de decisao para sinais QAM 78
sendo yk(n) = yR(n)−ck e yl(n) = yI(n)−cl versoes transladadas das partes real e imaginaria
da estimativa do sinal transmitido e χk e χl os fatores de ponderacao, escolhidos tal que o
erro de uma regiao principal (k = ℓ ou l = m) tenha peso igual a “um” no erro total e o erro
de uma regiao vizinha (k = ℓ± 1 ou l = m± 1) tenha peso menor que um, por exemplo, um
valor proporcional ao inverso do quadrado da distancia entre os centros das regioes vizinha e
principal. Para obter um bom desempenho quando a ordem da constelacao QAM e elevada,
pode ser necessario incluir mais vizinhos. Neste caso, algumas regioes vizinhas podem nao
ser adjacentes a regiao principal, fazendo fronteira apenas com outra regiao vizinha.
A velocidade de convergencia do RMA e do SBD aumenta com a ajuda dos vizinhos.
Entretanto, o MSE em regime tambem aumenta devido aos erros dos vizinhos somados ao
erro principal em cada instante de tempo. Por essa razao, e interessante desconsiderar a
ajuda dos vizinhos quando os algoritmos atingem o regime. Assim, em vez de ponderar os
erros dos vizinhos com um valor fixo, pode ser mais interessante pondera-los com uma funcao
que varie no tempo, como por exemplo
χk(n) =[1− bp(n)
]δkℓ + bp(n) (B.7)
e
χl(n) =[1− bp(n)
]δlm + bp(n) (B.8)
em que b = 1/16 para o RMA e b = 1/4 para o SBD. O expoente p(n) e dado pela seguinte
funcao nao-linear
p(n) = 7,1467exp
[8(ξ(n)− 0,03
)]− 1
exp[8(ξ(n)− 0,03
)]+ 1− 9,1467, (B.9)
em que ξ(n) = λξ(n − 1) + (1 − λ)|a(n − ∆) − y(n)|2 e uma estimativa do valor medio do
erro de decisao ao quadrado e 0 ≪ λ < 1 e um fator de esquecimento. Essa funcao forca
p(n) a ficar no intervalo −10 ≤ p(n) ≤ −2. Assim, quanto menor o MSE, menor sera o valor
do expoente p(n) e consequentemente menor sera o peso dado aos vizinhos. Essa funcao foi
obtida experimentalmente para que quanto maior o valor de ξ(n), maior seja a influencia
dos vizinhos e vice-versa. Quando o nıvel de MSE se reduz de tal forma que os vizinhos nao
mais contribuem para a convergencia, estes podem ser descartados completamente.
Os algoritmos multimodulo e de decisao para sinais QAM 79
O uso da funcao (B.9) para descartar os vizinhos faz com que esses algoritmos sejam
interpretados como tecnicas autodidatas de chaveamento suave para o modo de decisao
direta. A escolha das ponderacoes dos vizinhos de forma adaptativa pode torna-los mais
eficientes e simples de ajustar. Alem disso, e interessante estende-los para outros tipos de
constelacao, ja que foram propostos apenas para constelacoes do tipo QAM.
80
Apendice C
Hipoteses adicionais usadas na
obtencao do EMSE cruzado
Para obter (3.18), assume-se que
A5. em regime, termos que dependem de eka,1,R(n) e eka,1,I(n), k ≥ 2 podem ser desprezados,
ja que sao suficientemente pequenos quando comparados a termos que dependem de
ea,1,R(n) e ea,1,I(n), respectivamente. Em outras palavras, o MMA pode nao atingir
a equalizacao perfeita, mas minimiza suficientemente a interferencia intersimbolica
introduzida pelo canal. Uma hipotese similar foi usada na analise do CMA [MAI;
SAYED, 2000; SILVA; NASCIMENTO, 2008a, 2008b].
Dessa forma, substituindo a parte real de (3.16) para i = 1 na parte real de (2.4) e usando
A5, depois de manipulacoes algebricas, chega-se a (3.18).
Como (3.18) e usada para estimar os valores esperados em (3.21) e (3.23), e necessario
calcular os momentos de primeira ordem de γR(n) e γI(n). Alem disso, a expressao analıtica
do MMA em regime (veja Tabela 3.1) tambem depende dos momentos de segunda ordem de
γR(n), γI(n) e β(n) = βR(n) + jβI(n). Na sequencia, sao obtidas expressoes analıticas para
os momentos de primeira e segunda ordens dessas variaveis aleatorias. Para isso, assume-se
tambem que
A6. E{akR(n)} = E{ak
I(n)} = 0, para todo k inteiro, positivo e ımpar; e para dados com-
plexos E{a2(n)} = 0 (condicao de circularidade). Em outras palavras, a constelacao e
Hipoteses adicionais usadas na analise em regime do MMA 81
simetrica (media nula), condicao comum das constelacoes usadas em comunicacoes di-
gitais [PROAKIS, 2001]. Alem disso, considera-se que v(n) tambem obedece a condicao
de circularidade.
A7. a(n − ∆), v(n) e ea,1(n) sao mutuamente independentes em regime. Essa hipotese
requer que as flutuacoes em regime de ea,1(n) sejam insensıveis ao sımbolo transmitido
a(n −∆) [MAI; SAYED, 2000; SILVA; NASCIMENTO, 2008b]. Alem disso, a hipotese de
independencia entre ea,1(n) e v(n) e comumente usada na analise de filtros adaptativos
supervisionados [SAYED, 2008]. Uma consequencia imediata dessa hipotese e que γR(n),
γI(n) e β(n) sao independentes de ea,1(n) em regime.
A8. As partes reais de a(n), ea,1(n) e v(n) sao independentes de suas respectivas partes
imaginarias em regime.
Usando A6-A8 e as definicoes (3.19) e (3.20), chega-se a
E{β(n)} = 0
σ2β = 2E{β2
R(n)}=2E{β2
I(n)}
≈ 2E{a6R(n)− r2a2
R(n)}+ σ2
vE{3a4R(n) + r2},
+ 18E{a2R(n)}E{v4
R(n)}
+ 4E{v4R(n)}E{3a2
R(n)− r}+ 2E{v6
R(n)}, (C.1)
γ , E{γR(n)} = E{γI(n)} = 1.5(σ2a + σ2
v)− r, (C.2)
e
¯γ , E{γ2R(n)} = E{γ2
I(n)}
≈ 1.5(r+9σ2
v
)σ2a+r
2 − 3rσ2v + 9E{v4
R(n)}. (C.3)
sendo σ2a = 2E{a2
R(n)} and σ2
v = 2E{v2R(n)}.
A variancia de v(n) pode ser estimada teoricamente por
σ2v ≈ σ2
a −wH
o Rwo, (C.4)
sendo wo , E{wo(n)} = wo(0). Quando o filtro otimo atinge a equalizacao perfeita
wH
o Rwo = σ2a e σ2
v = 0. Alem disso, quando wo e a solucao de Wiener, i.e., wo = wWIE =
Hipoteses adicionais usadas na analise em regime do MMA 82
R−1p∆, σ2v = σ2
a − wT
WIEp∗
∆, sendo que p∆ = E{a(n − ∆)u∗(n)} representa a correlacao
cruzada entre a sequencia transmitida e o vetor de entrada.
Expressoes fechadas para os momentos de quarta e sexta ordens de v(n) em funcao de σ2a,
wo, R e p∆ sao complicadas. Alem disso, quando v(n) e relativamente pequeno em regime,
termos que dependem de seus momentos de quarta e sexta ordens podem ser desprezados
em (C.1) e (C.3), levando a expressoes mais simples, i.e.,
σ2β ≈ 2E{a6
R(n)− r2a2
R(n)}+ σ2
vE{3a4R(n) + r2}, (C.5)
e
¯γ ≈ 1.5(r+9σ2
v
)σ2a+r
2 − 3rσ2v . (C.6)
Diferente de [MENDES FILHO; MIRANDA; SILVA, 2012c], aqui nao se despreza termos
que dependem de vkRe vk
Ipara k ≥ 2 nas definicoes de γR(n), βR(n), γI(n) e βI(n) [veja
Eqs. (3.19) e (3.20)]. Por esse motivo, as expressoes (C.2) e (C.6) sao ligeiramente dife-
rentes das Eqs. (40) e (41) de [MENDES FILHO; MIRANDA; SILVA, 2012c], respectivamente,
chegando-se aqui a um modelo mais preciso. Essa precisao se torna evidente quando v(n) e
pequeno o suficiente para desprezar termos que dependem de momentos de quarta e sexta
ordens, mas nao tao pequeno para desprezar termos que dependem de σ2v .