Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EN UN SISTEMA DE COMUNICACIONES
MOVILES GSM APLICANDO REDES
NEURONALES ARTIFICIALES
UNIVERSIDAD DE CARABOBO
REA DE ESTUDIOS DE POSTGRADO
FACULTAD DE INGENIERA
MAESTRA EN INGENIERA ELCTRICA
UNIVERSIDAD DE CARABOBO
REA DE ESTUDIOS DE POSTGRADO
FACULTAD DE INGENIERA
MAESTRA EN INGENIERA ELCTRICA
UNIVERSIDAD DE CARABOBO
REA DE ESTUDIOS DE POSTGRADO
FACULTAD DE INGENIERA
MAESTRA EN INGENIERA ELCTRICA
UNIVERSIDAD DE CARABOBO
REA DE ESTUDIOS DE POSTGRADO
FACULTAD DE INGENIERA
MAESTRA EN INGENIERA ELCTRICA
VEREDICTO
Nosotros, miembros del Jurado designado para la evaluacin del Trabajo de
Grado titulado: ECUALIZACION DEL CANAL DE PROPAGACION EN
UN SISTEMA DE COMUNICACIONES MOVILES GSM APLICANDO
REDES NEURONALES ARTIFICIALES, presentado por: JAIRO ANDRES
RUIZ CASTELLANOS, para optar la Ttulo de: MAGISTER EN INGENIERA ELCTRICA, estimamos que el mismo reune los requisitos para ser
considerado como:
ndice general
Introduccin
1. El Problema
2. Marco Terico
10
2.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
13
13
15
19
20
21
ii
2.4. La Interfaz de Aire en GSM . . . . . . . . . . . . . . . . . . . . .
23
24
25
27
28
30
33
2.7. Ecualizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
38
40
41
42
45
48
3. Marco Metodolgico
51
51
52
53
53
56
iii
4. Anlisis, Presentacin e Interpretacin de Resultados
58
59
59
61
65
66
68
80
86
87
88
89
92
95
96
98
99
99
iv
4.5. Comparacin del rendimiento del modelo GSM/EDGE con Ecualizacin Adaptativa usando Redes Neuronales Artificiales . . . . . 107
4.5.1. Comparacin Ecualizador Lineal y Ecualizador NN para 8PSK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.5.2. Comparacin Ecualizador Basado en NN y el Error de Entrenamiento para 8-PSK . . . . . . . . . . . . . . . . . . . 115
4.5.3. Ecualizador NN usando modulacin BPSK . . . . . . . . . 116
Conclusiones
124
Referencias Bibliograficas
128
Glosario de Terminos
134
Anexos
136
ndice de figuras
1.1. Diagrama de Bloques del Modelo de Simulacin GSM/EDGE . . .
14
16
18
21
23
24
26
27
30
32
32
36
36
39
43
vi
2.16. Red Neuronal Tipo MLP conectada completamente con 1 Capa
Oculta y 1 Capa de Salida, [42] . . . . . . . . . . . . . . . . . . .
46
47
49
61
63
63
64
65
68
75
76
77
81
88
89
90
94
94
95
97
vii
4.18. Capa de Entrada del Ecualizador MLP. . . . . . . . . . . . . . . .
98
98
4.20. Modelo del Ecualizador Basado en una Red Multi Layer Perceptron.101
4.21. Diagrma de Flujo, Ecualizador Basado en Red Neuronal Multi
Layer Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.22. Rendimiento del modelo GSM/EDGE en Canal RA con Ecualizador NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.23. Rendimiento del modelo GSM/EDGE en Canal HT con Ecualizador NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.24. Rendimiento del modelo GSM/EDGE en Canal TU con Ecualizador NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.25. Comparacin Rendimiento del Modelo GSM/EDGE con Ecualizador LMS y Ecualizador NN en Canal RA . . . . . . . . . . . . 109
4.26. Comparacin Rendimiento del Modelo GSM/EDGE con Ecualizador LMS y Ecualizador NN en Canal HT . . . . . . . . . . . . 110
4.27. Comparacin Rendimiento del Modelo GSM/EDGE con Ecualizador LMS y Ecualizador NN en Canal TU . . . . . . . . . . . . 111
4.28. Variacin de Condiciones Moviles y de Propagacin para el modelos
GSM/EDGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.29. SER ( %) para GSM/EDGE con Ecualizador LMS y Ecualizador
NN en un Canal RA con variacin de SNR de 5 a 30 dB . . . . . 114
4.30. SER ( %) para GSM/EDGE con Ecualizador LMS y Ecualizador
NN en un Canal HT con variacin de SNR de 5 a 30 dB . . . . . 114
4.31. SER ( %) para GSM/EDGE con Ecualizador LMS y Ecualizador
NN en un Canal TU con variacin de SNR de 5 a 30 dB . . . . . 115
4.32. Reduccion del SER usando Ecualizador MLP y comparando con el
SER obtenido usando ecualizador LMS . . . . . . . . . . . . . . . 116
4.33. SER y Error de Entrenamiento en el Modelo GSM/EDGE en Canal
RA. Training Goal=1x10 3 . . . . . . . . . . . . . . . . . . . . . 117
viii
4.34. SER y Error de Entrenamiento en el Modelo GSM/EDGE en Canal
HT. Training Goal=1x10 3 . . . . . . . . . . . . . . . . . . . . . 118
4.35. SER y Error de Entrenamiento en el Modelo GSM/EDGE en Canal
TU. Training Goal=1x10 3 . . . . . . . . . . . . . . . . . . . . . 119
4.36. BER( %) para GSM con una variacin de SNR de 5 a 40 dB, en
canales RA250, HT100 y TU50 . . . . . . . . . . . . . . . . . . . 121
4.37. BER y Error de Entrenamiento en un modelo GSM con Ecualizador
tipo MLP Real, en canales RA250, HT100 y TU50 . . . . . . . . 122
4.38. Comparacin BER para GSM usando Ecualizador tipo MLP Real
y MLP Complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
ndice de cuadros
27
29
44
45
70
72
72
72
78
82
84
86
91
91
93
x
4.13. Variables de Entrada GSM/EDGE con Ecualizador NN . . . . . . 104
4.14. SER Promedio para GSM/EDGE con Ecualizador NN en Canal RA106
4.15. SER Promedio para GSM/EDGE con Ecualizador NN en Canal HT107
4.16. SER Promedio para GSM/EDGE con Ecualizador NN en Canal TU107
4.17. SER promedio para Movil con Ecualizador LMS y NN, Canal RA
113
4.18. SER promedio para Movil con Ecualizador LMS y NN, Canal HT
113
4.19. SER promedio para Movil con Ecualizador LMS y NN, Canal TU
113
RESUMEN
El presente proyecto de investigacin tiene como objetivo general Ecualizar el Canal
de Propagacin en un Sistema de Comunicaciones Mviles GSM aplicando Redes
Neuronales Artificiales. Para lograr el objetivo general se desarrolla un modelo de
simulacin de tiempo discreto, del sistema de comunicaciones GSM/EDGE, usando
modulacin 8-PSK y modulacin B-PSK. El Ecualizador basado en Redes Neuronales Artificiales, es del tipo Multi Layer Perceptron, con un algoritmo de entrenamiento del tipo Backpropagation Real. El rendimiento del modelo de simulacin
del sistema GSM/EDGE, se analiza en unidades de BER/SER, usando un Ecualizador Lineal LMS y el Ecualizador MLP desarrollado en este proyecto, para comparar el uso de estructuras de ecualizacin adaptativas lineales y no-lineales (redes
neuronales). Se usan tres tipos de canales de propagacin definidos por la ETSI
05.05, que son Canal de rea Rural (RA), Canal de Terreno Montaoso (HT) y
Canal de Tpico Urbano (TU), esto con la finalidad de analizar los diferentes ambientes que pueden ocasionar desvanecimiento por multitrayectoria e interferencia
nter simblica a la seal transmitida. Por otra parte se considera el Efecto Doppler
asociado por la velocidad relativa entre mvil y la onda de propagacin, relacin
Signal To Noise Relation (SNR) y el Ruido Blanco Gausiano Aditivo en el extremo
del receptor. Todos estos fenmenos ocasionan distorsiones en amplitud y fase de
la seal transmitida, siendo la principal responsabilidad del ecualizador, compensar
tales distorsiones para reducir la tasa de errores en smbolos o bits de la informacin
transmitida.
Introduccin
La capacidad de los sistemas celulares que usan tecnologa de acceso TDMA(Time Division Multiple Access) como GSM [1] (Global System for Mobile Communications), est limitada por el ancho de banda de las radio frecuencias que les
son permitidas. Por lo tanto se invierte un gran esfuerzo para proveer mayor capacidad en los sistemas con una misma banda de frecuencia. Los algoritmos en
los receptores [2], ofrecen tiles mejoras en la comunicacin lo que implica pocos
cambios en el lado del transmisor ya que ste se presenta ms rgido en cuanto a modificaciones se refiere, debido a los estndares de control. Un algoritmo
til para mejorar el rendimiento en un sistema de comunicaciones mviles es la
ecualizacin del canal de propagacin, ya que tiene numerosas aplicaciones entre
las cuales se encuentra: la adaptacin del medio por parte del MS, reduccin de la
interferencia nter simblica, estimacin del SIR, adaptacin de los algoritmos de
codificacin y modulacin para los servicios de voz y datos en tercera generacin.
Este proyecto de investigacin presenta un anlisis de la ecualizacin basado
en Redes Neuronales Artificiales, que ubica la ecualizacin como un problema
de clasificacin de las muestras moduladas que llegan al receptor, y que deben
ser compensadas antes de llegar al discriminador o demodulador, para reducir
i
ii
de forma optima la tasa de errores BER (Bit Error Rate). Las redes neuronales
artificiales sern aplicadas en un sistema GSM simulado, sustituyendo en la etapa
de ecualizacin un modelo de redes neuronales artificiales basado en MLP (Multi
Layer Perceptron), con la premisa de obtener mejor rendimiento que los ecualizadores clsicos basados en decisiones de filtrado inverso. El modelo de simulacin
del sistema GSM y las redes neuronales artificiales sern desarrollados usando
un modelo de simulacin con desvanecimiento por multipropagacin, ISI (Inter
Simbolic Interference) y AWGN (Additive White Gaussian Noise).
Captulo 1
El Problema
1.1.
2
Station) hasta la estacin mvil MS (Mobile Station) ocasionando interferencia
nter simblica ISI (Intersymbol Interference) en la seal recibida.
El retardo disperso de los bits transmitidos debido al efecto de multipropagacin en el canal de radio produce ISI [2], que es una dificultad significativa
e inherente en las comunicaciones digitales mviles y se debe a que seales que
provienen de la misma fuente pueden llegar al receptor en intervalos de tiempo
dispersos, ocasionando que un receptor sincronizado pueda interpretar seales de
multitrayecto como seales interferentes, adems que las caractersticas del canal
son variantes en el tiempo debido a la movilidad relativa entre el MS y su entorno
de propagacin. La ISI puede causar un margen de error cuando el tiempo de
smbolo en la modulacin se encuentra en el mismo orden del retardo disperso
del canal [2]. En un esquema tal como GSM (Global System for Mobile Communications), que usa tecnologa de acceso TDMA (Time Division Multiple Access)
el receptor debe ser capaz de estimar el canal (etapa de estimacin de canal) y
compensar la distorsin (etapa de ecualizacin) adaptativamente de acuerdo a las
condiciones del medio o ambiente de propagacin y del usuario.
El procesamiento de seales provee tiles mecanismos para contrarrestar la
ISI. La ecualizacin se define como cualquier tcnica de procesamiento de seales
utilizada en el receptor para reducir el problema de ISI provocado por el retardo
disperso, los receptores GSM usan MLSE (Maximun Likelihood Sequence Stimation) como algoritmo de ecualizacin no-lineal en el receptor [3]. Usando MLSE [2],
se requiere de la Respuesta Impulsiva del Canal CIR (Channel Impulse Response)
[1]. El Estimador de Canal tiene la finalidad bsica en el MS de caracterizar el
canal de banda ancha como un filtro lineal, con una respuesta impulsiva finita
3
variante en el tiempo Filtro-FIR (Finite Impulse Response Filter).
La caracterizacin del canal puede ser realizada usando algoritmos lineales como Least Squares (LS) [4]. El estimador interpreta una secuencias de bits (training
sequences) que es colocada en cada rfaga de bits transmitida en el aire que es
conocida por el receptor para obtener los coeficientes del Filtro-FIR, que modela
como un filtro digital: El Canal de Multi-Propagacin, El Ruido en el Receptor y El Filtro de recepcin, para posteriormente entregar esta informacin al
ecualizador (MLSE) y compensar el canal como un problema de filtrado ante los
desvanecimientos del medio de propagacin, ruido, ISI y las diferentes fuentes de
interferencia co-canal que existen tomando en cuenta la filosofa de reutilizacin
de frecuencia en las redes celulares.
En el contexto de comunicaciones mviles, una seal sufre distorsiones por las
caractersticas de respuesta en frecuencia y fase lineales y no-lineales, debido al
ancho de banda finito del canal de propagacin usado [5]. Las redes neuronales
artificiales surgen como alternativa a los ecualizadores clsicos [6], para resolver el
problema de la ecualizacin adaptativa del canal, utilizando las redes neuronales
artificiales como solucin a un problema de clasificacin y no de filtrado (como los
ecualizadores clasicos), siendo la solucin inherente no-lineal [7]. En este proyecto
de investigacin se estudian las estructuras de redes neuronales artificiales nolineales como elementos ecualizadores de optimo rendimiento en compracin con
los convencionales ecualizadores de canal en el sistema de comunicaciones inalmbricas GSM, en condiciones de ruido, ISI y ambientes de multipropagacin Se
propone el so redes neuronales artificiales comprobando la hiptesis [8] de mejor
comportamiento frente a los ecualizadores clasicos (que resuelven el problema co-
4
mo filtrado adaptativo), en trminos de SER (Symbol Error Rate) y/o BER (Bit
Error Rate) vs. SNR (Signal To Noise Relation).
1.2.
Objetivos de la Investigacin
1.2.1.
Objetivo General
1.2.2.
Objetivos Especficos
5
de un sistema GSM: Ambientes con Desvanecimiento por Multitrayectoria,
Alta Interferencia y Baja SNR.
Comparar los resultados obtenidos en el modelo de simulacin del sistema
de comunicaciones GSM usando Redes neuronales artificiales Artificiales con
los ecualizadores clsicos basados en filtrado inverso.
1.3.
6
Data Unit), incrementando la proteccin de datos en ambientes con alta tasa de
errores, pero reduciendo la carga til de la informacin.
Los CS (Coding Scheme) y MCS (Modulation Coding Scheme) usados en las
redes GERAN (GPRS and EDGE Radio Access Network) son algoritmos de proteccin que se adaptan a las condiciones del medio, teniendo como variable de
monitoreo la tasa de errores que ocurre en el medio RXQUAL (Received Signal
Quality % BER) y el rendimiento de estos algoritmos depender de la SIR (Signal
To Interference Relation), apreciando que la proteccin en las capas superiores de
OSI va a depender de variables de capa fsica de OSI como BER y SIR. Si el MS
puede compensar a travs de la ecualizacion las distorsiones del medio, reduciendo
la tasa de bits errados, los esquemas de codificacin y modulacin sern utilizados
de manera optima, presentando una mejor QoS (Quality of Service) al usuario
final en la aplicacin que se encuentre utilizando.
Las redes neuronales artificiales se presentan como elementos de ecualizacin y
presentan mejor comportamiento que los ecualizadores clsicos basado en filtrado
inverso, reduciendo la tasa de errores por las condiciones de transmisin de la
seal. Si los resultados obtenidos en los modelos de simulacin son consistentes
con la hiptesis [8], sta investigacin aportara evidencia a favor, en cambio, s
se refutan, se descartara la hiptesis en busca de mejores explicaciones usando
tecnicas de recoleccin y anlisis de datos provenientes de los escenarios simulados
y debidamente analizados. El plan propuesto para someter las hiptesis a prueba
depende de los escenarios que son representados por los modelos de simulacin,
asociando el estudio con los experimentos en el simulador.
7
La fuente de investigacin surge de la veracidad y experiencia que posee el
investigador, desarrollndose en el rea de Operacin y Mantenimiento en la empresa de Telefona Mvil Celular GSM DIGITEL C.A., pudiendo contactar objetivamente que el rendimiento de las aplicaciones inalmbricas dependern exclusivamente del medio de propagacin (su entorno) y la capacidad de la estacin
mvil (MS) y la estacin base (BTS) de lograr la mxima adaptabilidad al medio
de propagacin.
1.4.
Alcance y Delimitacion
8
artificiales. El modelo de simulacin representa los siguientes componentes del
sistema GSM que se pueden apreciar en la Figura 1.1:
Fuente de Informacin
Binaria y Secuencia
de Entrenamiento
Etapa de Transmisin
Ruido Blanco
Gausiano Aditivo
AWGN
Etapa de Recepcin
Modulador
GMSK
Canal de
Propagacin
Ecualizador
Red Neuronal
Demodulador
GMSK
Medidor de
BER
9
en diferentes ambientes de propagacin simulados: Alto Valor de Ruido (SNR) y
Ambientes de Multipropagacin, usando modelos de propagacin tipo indoor y
outdoor, estableciendo patrones de comportamiento para los mtodos de ecualizacin lineales y no-lineales, aportando conclusiones con enfoque de investigacin
cuantitativas. En base a las conclusiones se podrn establecer recomendaciones en
cuanto a la relacin de las variables Canal de propagacin, SNR y los algoritmos
de ecualizacin analizados, que son usados al momento de tomar decisiones en
cuanto al rendimiento y limitaciones de los mtodos de ecualizacin.
Una de las implicaciones y limitantes estar referida al procesamiento computacional necesario durante la convergencia del entrenamiento de la red neuronal, este tipo de consideraciones debern tomarse en cuenta en proyectos de
investigacin posteriores donde se requiera implementar la red neuronal en un
dispositivo fsico (hardware).
Captulo 2
Marco Terico
En este capitulo se describe brevemente los antecedentes referidos al estudio
de la Ecualizacin del Canal de Radio propagacin mvil, La mayora de las investigaciones precedentes y sus antecedentes tienen referencia internacional, aunque
no se descarta que existan investigaciones nacionales que sean antecedentes a esta
investigacin, de igual forma se presentan los principales conceptos tericos que
deben introducirse para tener conocimiento de la investigacin que s realizo.
2.1.
Antecedentes
11
macin del canal de propagacin y su ecualizacin en canales con desvanecimiento
selectivo en frecuencia. Los modelos aproximados mediante taps son obtenidos mediante tcnicas Auto-Regresivas de bajo orden. Tambin es usado un filtro Kalman
para el seguimiento de la estimacin del canal. El proyecto sera de utilidad para
la obtencin del modelo de taps del canal de propagacin.
Mohamed Ibnkahla. Ao 1997. Applications of neural networks to digital
communications-a survey. National Polytechnic Institute of Toulouse. Francia [6].
Este trabajo de investigacin presenta las redes neuronales artificiales (NNs),
como elementos que son capaces de resolver problemas complejos en comunicaciones digitales, como identificacin y ecualizacin del canal de propagacin, por
la no-linealidad de su procesamiento. El trabajo presenta varios ejemplos para
seleccionar una apropiada arquitectura de red neuronal que arroje el mejor resultado. Finalmente la investigacin revisa la aproximacin matemtica usada para
comprender y el aprendizaje y convergencia de los algoritmos basados en redes
neuronales artificiales.
Ekman Torbjn. Prediction of Mobile Radio Channels. Ao 2000. Uppsala
University. Sweden [16].
Esta investigacin, como Proyecto de Licenciatura, tiene como objetivo principal comparar el rendimiento de varios mtodos de prediccin del radio canal
mvil, utilizando la herramienta de simulacin para establecer comparaciones en
los resultados analizados y diferenciar la precisin y exactitud de los mtodos
estudiados. El anlisis es principalmente referido a mtodos de Predictores FIR
Lineales Adaptativos y No-Adaptativos, obteniendo conclusiones referidas a que
12
el Predictor FIR Sub-muestreado produce excelentes estimaciones hasta un rango de 0.1 unidades de longitud de onda, cabe destacar que lo estudios realizados
fueron en la banda de GSM-1800Mhz, donde la longitud de onda es 16 cm.
Phillip David Power. Ao 2001. Non-Linear Multi-Layer Perceptron Channel
Equalization. University of Belfast [17].
Esta Tesis Doctoral, presenta la investigacin referida a la implementacin de
las redes neuronales artificiales tipo MLP para ecualizacin del canal. Se ejecuta
un anlisis de la estructura MLP y las propiedades que afectan su entrenamiento.
El problema de ecualizacin es examinado directamente para demostrar que el
rendimiento como clasificacin de Bayes, puede ser logrado con estructuras tipo
MLP.
A. Kantsila, M. Lehtokangas y J. Saarinen. Ao 2003. On Radial Basis
Function Network Equalization In The GSM System. European Symposium on Artificial Neural Networks. Bruges Belgium [18].
Este trabajo de investigacin estudia la ecualizacin adaptativa en un ambiente GSM, usando funciones de base radia RBF (Radial Basis Function). La
ecualizacin es considerada como un problema de clasificacin, donde la idea es
seleccionar correctamente la seal recibida evaluada de forma compleja, a un valor
binario deseado usando una red de ecualizacin basada en RBF.
13
2.2.
2.2.1.
Las ondas electromagnticas de las seales de radio se propagan bajo condiciones ideales en espacio libre en un patrn simtrico radial, es decir la potencia
recibida PEF , decrece con el cuadrado de la distancia L, al transmisor.
PEF
1
L2
(2.1)
Esta condicin idealizada no aplica a las condiciones de radio mviles terrestres. La seal en cambio es dispersa y reflejada, por ejemplo, en obstculos
naturales como montaas, vegetacin o superficies de agua. Las componentes de
la seal directa y reflejada son luego superpuestas en el receptor. Esto se refiere
a la propagacin por multitrayectoria que puede ser explicada a continuacin en
14
la Figura 2.1, con un modelo simple de dos trayectorias. Con este modelo, se puede
mostrar que la potencia decrece con el cuadrado de la distancia al transmisor.
Figura 2.1: Modelo simplificado de radio propagacin con dos trayectorias, [10]
PE = Po
2
4L/
2h1 h2
L
= P0
h1 h2
L2
(2.2)
PE2
=
E =
PE1
L1
L2
E = 40 log
L1
L2
en dB
(2.3)
En realidad, las perdidas de propagacin dependen del coeficiente de propagacin , es cual es determinado por las condiciones del medio de propagacin.
15
PE L ,
2.2.2.
25
(2.4)
El Desvanecimiento de la Seal
Las prdidas o atenuacion de la seal propagada son dependientes de la frecuencia de operacin, es decir, en una manera simplificada, la atenuacin de propagacin se incrementa de una manera no-proporcional con la frecuencia. Sin embargo, la propagacin por multitrayecto no solamente incurre en la atenuacin
como perdidas de trayecto, si no que tambin afecta a las diferentes componentes
de seales que alcanzan al receptor, han viajado diferentes distancias en virtud
de la dispersin, refraccin y mltiples reflexiones, que hacen que experimenten
diferentes cambios de fase.
Por una parte esto es una ventaja de la propagacin por multitrayecto, ya que
una seal parcialmente puede ser recibida incluso si no hay un trayecto directo, es
decir, si no hay lnea de vista (LOS), entre el MS y la BTS. Por otra parte existe
una seria desventaja, la superposicin de componentes de seales individuales con
diferente fase con respecto a la seal de trayecto directo, puede conducir en el peor
de los casos a la cancelacin, es decir, ocasionando distorsiones en la seal recibida,
este fenmeno es conocido como fading (desvanecimiento). Ademas del fast fading
(desvanecimiento rpido) causado por la propagacin por multitrayecto, existe un
desvanecimiento causado por el shadowing (obstruccin por gran objeto).
A lo largo del camino recorrido por el MS, el desvanecimiento por multitrayecto, puede causar variaciones significativas en la amplitud y fase de la seal recibida.
16
Un ejemplo en la variacin de amplitud de una seal recibida por multitrayecto, se
aprecia en la Figura 2.2. Las interrupciones de seal que ocurren peridicamente
en una distancia alrededor de media longitud de onda, es tpicamente 30-40 dB.
El pequeo ancho de banda de los sistemas de comunicaciones mviles y los profundos cambios de la seal en un ancho de banda de 200 Khz (GSM/EDGE) por
canal, ocasionan que se desarrollen en los receptores diversos mecanismos de proteccin para mantener adecuados niveles de seal recibida, tales como diversidad
Altamente
Impactada
Sin distorsin
Distancia
17
multitrayecto. Si tal componente dominante existe en el receptor, se habla de un
Canal Rice1 y Desvanecimiento Tipo Ricean respectivamente. De otra forma si
todas las componentes por multitrayecto sufren aproximadamente iguales condiciones de propagacin, se dice que ocurre un Desvanecimiento Tipo Reyleigh2 .
Durante ciertos periodos o ranuras de tiempo, la transmisin puede ser muy impactada por el desvanecimiento, mientras que en otras ranuras de tiempo pueden
estar sin distorsin. El resultado de este efecto al usuario se representa en cambios de fase, que se representa en alta o baja rata de bits errados, que conduce
a la recepcin de rfagas erradas. De esta manera, el canal tiene memoria en lo
que trasmite, en contraste a los errores de bits estadsticamente independientes
en canales binarios simtricos sin-memoria.
El nivel de seal observado en una localidad especfica es tambin determinado por el cambio de fase de las componentes de seal de multitrayecto. Estos
cambios de fase dependen de la longitud de onda de la seal, y el nivel de seal
(dependiente de la frecuencia de transmisin) en una localidad fija, por lo tanto
el fenmeno de desvanecimiento en las comunicaciones de radio es tambin especfico en frecuencia. Si el ancho de banda de los canales de radio mviles es
pequeo (seales de banda angosta), entonces la banda de frecuencias completa
del canal esta sujeta a las mismas condiciones de propagacin, y el radio canal es
denominado no-selectivo en frecuencia. Dependiendo de la localidad, Figura 2.2,
y el rango espectral como en la Figura 2.3, el nivel de seal recibida del canal,
puede variar considerablemente.
1
2
18
Por otra parte, si el ancho de banda del canal es grande (seales de banda ancha), la frecuencia individual sufre diferentes grados de desvanecimientos, Figura
2.3 y son denominados canales selectivos en frecuencia [12]. Las interrupciones
de seal debido a los desvanecimientos selectivos en frecuencia a lo largo de la
trayectoria de la seal son mucho menos frecuentes para seales de banda ancha
que para seales de banda angosta, debido que los huecos de desvanecimiento solo cambian dentro de la banda y la energa total de la seal recibida permanece
relativamente constante [10].
Nivel de Seal Recibida (dB)
Banda Ancha
Banda Angosta
Banda Angosta
Adems de los desvanecimientos selectivos en frecuencia, los diferentes tiempos de propagacin de las componentes individuales de multitrayectoria tambin
causan dispersin en el tiempo en sus trayectos de propagacin. Por consiguiente,
la distorsin en la seal pueden ocurrir debido a interferencia de un simbolo con
sus smbolos vecinos, lo que se denomina como interferencia nter simblica ISI
(inter symbolic interference). Este tipo de distorsin, depende primero de la dispersin experimentada por un pulso en el canal mvil y segundo de la duracin del
19
simbolo o del intervalo entre smbolos. Tpicamente los retardos en canales de multitrayecto de reas urbanas tienen un rango de 0.5 a 1 microsegundo y alrededor
de 16-20 microsegundos en terrenos montaosos, es decir los pulsos transmitidos
generan muchos ecos que pueden alcanzar al receptor con retardos de hasta 20
microsegundos.
2.2.3.
20
Sequence) y bien conocidos entre el mvil y la estacin [13]. Esto permite la determinacin de la dispersin en el tiempo del canal y su compensacin. El rendimiento
del ecualizador tiene un efecto significativo en la calidad de la transmisin digital.
Por otra parte, para mayor eficiencia en transmisiones de radio mvil digital, la
codificacin de los datos es indispensable, tal como forward error correction con
cdigos de correccin, que permita la reduccin del BER efectivo y llevarlo a un
valor tolerable (de 105 a 106 ).
Otras implementaciones importantes estn referidas al control de la potencia de transmisin y los algoritmos para compensar las distorsiones en la seal
por desvanecimiento, el cual puede ocasionar una interrupcin de corta duracin
tal como una desconexin en una llamada de voz que no debera ser apropiado,
tomando en cuenta la calidad de servicio hacia el usuario.
2.2.4.
21
deber ser espacialmente re-usadas, es decir, desarrollar reas comunes sobre una
gran regin repetidamente. De esta manera los servicios pueden ser ofrecidos con
una efectividad en costo por densidad de usuario y una aceptable probabilidad de
bloqueo de servicios [11].
2.3.
El concepto de re-uso espacial de frecuencia, conduce al desarrollo de la tecnologa celular, el cual permite unas significativas mejoras en lo econmico y en el
uso del espectro electromagntico. Las caractersticas esenciales de una red celular
son los siguientes:
22
manipulacin, las celdas son modeladas en una manera simplificada como
hexgonos, Figura 2.5. La mayora de los modelos muestran la estacin base
(BTS) en el medio del hexgono (celda).
A cada i-esima celda, se le asigna un subconjunto de frecuencias fbi , del total
de frecuencias asignadas. Dos celdas vecinas nunca deben usar las mismas
frecuencias, ya que esto conducira a una severa interferencia co-canal de las
celdas adyacentes.
Solo a una distancia D (distancia de re-uso de frecuencia) puede una frecuencia del conjunto fbi ser re-usada, Figura 2.5, es decir, las celdas i-esima,
con distancia de separacin igual a D, pueden usar completa o parcialmente
el conjunto de frecuencia fbi de la celda i. Si D, se escoge suficientemente
grande, la interferencia co-canal resultara pequea, suficiente para no afectar
la calidad de la voz y dems servicios.
Cuando un MS se mueve de una celda a otra, durante el desarrollo de una
conversacion, ocurre un cambio automtico de canal de frecuencia (handover), el cual mantiene activa la conexin de voz en los lmites de las celdas.
La repeticin espacial de frecuencia es hecha de una manera sistemtica regular, es decir, cada celda, con una asignacin de frecuencias fbi (o una de sus
frecuencias), ve a sus vecinas con la misma frecuencia nuevamente a una distancia
D (Figura 2.5). La relacin C /I (Carrier to Interfence Ratio) es obtenida del
modelo de la Figura 2.5, [10] como:
23
Interferencia
Co-Canal
Seal de Usuario
R
1
C
=
=
W
I
6D
6
R
D
(2.5)
2.4.
La capa fsica en GSM, la cual reside en la primera de las siete capas del modelo
de referencia OSI [19], usa una combinacin de acceso multiplexado en el tiempo
(TDMA) y acceso multiplexado en frecuencia (FDMA). La voz y la transmisin de
datos en la interfaz de aire es llevada a cabo usando los canales fsicos, (Ver Figura
2.4). Un canal fsico es definido por un especifico par (RFC=Radio Frequency
24
Channel) en la direccin UL (Uplink) y DL (Downlink) y el numero de ranura
de tiempo en la trama TDMA [20]. La Capa 1 (capa fsica) [21], es una conexin
bidireccional punto a punto en modo de multitramas.
2.4.1.
La Trama TDMA
Una trama TDMA (Figura 2.6) es dividida en ocho ranuras de tiempo (TS).
La trama entera dura 4.615 mseg, una ranura de tiempo individual dura 0.577
mseg. Un canal fsico es asignado exactamente a una ranura de tiempo TS en una
trama TDMA. Cada subscriptor recibe un TS y transmite datos cada 8 TS3 .
Con una transmisin Full Rate se transmiten 8TS, con Half Rate transmite cada 16 TS
25
2.4.2.
Burst Normal.
Burst de Correccin de Frecuencia.
Burst de Sincronismo.
26
Burst de Acceso.
Burst Ficticio.
27
Bits
TB Encriptados
3
26
S
1
Secuencia de
Entrenamiento
26
Bits
S Encriptados
1
26
TB
3
2.5.
Tecnologa EDGE
270.833 Ksps
3 bits/symbol
342 bits
68.4 kbps
270.833 Ksps
1 bit/symbol
114 bits
22.8 kbps
28
aplicada en 8-PSK. El incremento del data throughput no es gratis, el precio
se paga en una reduccin de la sensibilidad de la seal 8-PSK. Esto afecta por
ejemplo la planificacin de la red, al disear celdas de menor alcance que GSM,
y las altas tasas de transferencia de datos solo pueden alcanzarse en cobertura
limitada.
Otra particularidad introducida con EDGE [9], adems de manejar el MS dos
mtodos estndar de modulacin, es la necesidad de reconocer eficientemente en
downlink (BTS-MS) el mtodo de modulacin transmitida en el MS. As que
debido a las caractersticas de control de calidad de enlace en EGPR (Enhanced
General Packet Data Radio System) la red se ajusta a las condiciones del canal
usando Modulation Coding Scheme (MCS), que se ajustan a las condiciones mas
adecuadas de canal. La identificacin de modulacin es basada en las diferentes
caractersticas de rotacin de fase de la Training Sequence en GMSK y 8-PSK.
En GMSK, la rotacin de la TS es smbolo a smbolo, de pi/2 y en 8-PSK es de
3pi/8. Por otra parte el conjunto de TS en 8-PSK tiene el mismo contenido de
informacin (26 secuencia de smbolos). El Cuadro 2.2, representa los diferentes
Modulation Coding Scheme, que usa GSM/EDGE. En este proyecto trabajaremos
con MCS-9 (8-PSK y Code Rate=1).
2.6.
Modulacin en GSM/EDGE
29
Posteriormente con la capacidad de las redes GPRS (General Packet Data Radio System) y usando la organizacin por multiframes, se aumento a 160 Kbps
usando 8-TS. Con la implementacin de EDGE se mantiene la interfaz de radio
implementada en GPRS, as como la definicin del canal fsico, la organizacin
por multiframe y el mapeo de los canales lgicos a los canales fsicos se mantiene
inalterado.
La mayor modificacin que es introducida para EDGE, es el nuevo esquema
de modulacin EDGE 8-PSK adems del esquema GMSK [39]. Con 8-PSK, se
triplica el bit rate en la interfaz de aire pasando de 160 Kbps usando GPRS a
480 Kbps usando EDGE. La modulacin 8-PSK tiene particular inters en este
proyecto de investigacin, pues ser el esquema de modulacin usado para comprobar el rendimiento de las redes neuronales como ecualizadores en sistemas de
comunicaciones mviles.
30
2.6.1.
Modulacin GMSK
a i (t )
Filtro de
Transmisin
(t ) Modulacin
en Fase
Los datos di llegan al modulador con una rata de bits de 1625/6 Kbits/seg=270.83
Kbits/seg (rata de datos en bruto) y son primero codificados diferencialmente:
(2.6)
Paul Adrien Maurice Dirac. Fisico Ingles ganador del premio Nobel de fsica de 1933 Nobel
por sus aportes a la teora atmica.
31
ai = 1 2ai
(2.7)
Esta secuencia bipolar de datos de modulacin alimenta al filtro de transmisin, tambin llamado filtro de frecuencia, para generar la fase (t) de la seal
de modulacin. La respuesta impulsiva g(t) de este filtro lineal es definida por
la convolucin de la respuesta impulsiva h(t) del Pasa-Bajo Gausiano con una
funcin a pasos rectangular:
0 para |t| T /2
1
t2
h(t) =
,
exp
2 2 T 2
2T
ln 2
=
2BT
(2.8)
32
Continua (Continuous Phase Modulation CPM) con un filtro rectangular [22].
En consecuencia es tipo de modulacin es llamado Gaussian MSK (GMSK). El
filtrado pasa-bajo Gausiano tiene un efecto adicional de suavizador, pero tambin
tiene la funcin de ensanchar la respuesta impulsiva g(t).
Esto significa, que por una parte la potencia espectral de la seal sea estrecha,
pero por otra parte la respuesta impulsiva individual sea dispersa con el transcurrir
33
muchos bits, lo que conduce al incremento de la interferencia nter simblica. Esta
conducta de respuesta parcial tiene que ser compensada por el receptor por medio
de un ecualizador. La fase de la seal de modulacin es la convolucin de la
respuesta impulsiva g(t) del filtro de frecuencia con la secuencia de pulsos de
Dirac, del flujo de datos de modulacin.
tiT
Z
X
ai
g(u)du
(t) =
i
(2.9)
x(t) =
2.6.2.
2Ec
cos(2fot + (t) + o
T
(2.10)
Modulacin 8-PSK
El sistema EDGE, adems de manejar modulacin GMSK, tal como se describi en la Seccin 2.5.1, tambin maneja un esquema modificado de modulacin
8-PSK, que es una modulacin digital en Fase de M-Estados (M-PSK Modulation),
donde la informacin es transportada en la fase de la portadora. Para M-PSK la
34
seal modulada m(t) puede expresarse como, [39]:
(2.11)
X
k (t kT )
k
(0) = 1
(t) = 0 para t 6= 0
m(t) =
X
[Ik cos(2fo t) Qk sin(2fo t)] (t kT )]
k
(2.12)
35
Donde Ik = cos(k ) y Qk = sin(k ), representan las seales en fase y cuadratura, respectivamente. Luego la seal es pasada a travs de un Filtro de Conformacin (Shaping Filter), donde por ejemplo, el rectngulo debe ser de duracin T :
X
[Ik cos(2fo t) Qk sin(2fo t)] (t kT )] rectT (t kT )
k
2.7.
Ecualizacin
36
37
[2]. El procesamiento de seales provee tiles mecanismos para contrarrestar la
ISI. En un amplio sentido, la ecualizacin se define como cualquier tcnica de
procesamiento de seales usada en el receptor para mitigar el problema de ISI
provocada por el retardo disperso de los bits afectado por el canal de propagacin.
El procesamiento de seales puede tambin ser usado en el transmisor para hacer
que la seal sea menos susceptible al retardo disperso, tales tcnicas son: espectro
disperso y modulacin con multiportadora.
La mitigacin de la ISI, es requerida cuando el tiempo de simbolo en la modulacin Ts se encuentra en el orden del retardo disperso del canal (rms) Tm [11].
Por ejemplo, los telfonos inalmbricos tpicamente operan en ambientes internos,
donde el retardo disperso es pequeo. Ya que la voz es una aplicacin de relativa
baja transferencia, la ecualizacin no es necesaria. Sin embargo el estndar celular
digital GSM, es diseado para ambientes externos donde Tm Ts , as que la
ecualizacin es parte importante en el estndar GSM. Las aplicaciones de alta
transferencia de datos son ms susceptibles al retardo disperso y generalmente
requiere ecualizadores de alto rendimiento u otras tcnicas para mitigar la ISI. De
hecho, mitigar el impacto del retardo disperso es uno de los mayores obstculos
para los sistemas inalmbricos de datos de alta velocidad.
El diseo del ecualizador debe tpicamente balancear la mitigacin de la ISI
con mejoras en la discrepancia de ruido en el sistema, ya que ambos, la seal
y el ruido pasan a travs del ecualizador, lo cual puede incrementar la potencia
del ruido en el receptor. Los ecualizadores no-lineales sufren menos al ruido que
los ecualizadores lineales, pero tpicamente los ecualizadores no-lineales implican
alta complejidad [2]. Sin embargo los ecualizadores deben tpicamente tener un
38
estimado de la respuesta impulsiva o respuesta en frecuencia del canal, para reducir
la ISI resultante. Ya que los canales inalmbricos varan en el tiempo, el ecualizador
debe aprender la respuesta impulsiva o en frecuencia del canal (entrenamiento) y
luego adaptar el estimado de la respuesta en frecuencia a los cambios del canal
(seguimiento).
El proceso de entrenamiento del ecualizador y el seguimiento es a menudo
referido al proceso de ecualizacin adaptativa [31], ya que el ecualizador se adapta
a los cambios del canal, estos procesos pueden ser difciles si el canal est cambiando rpidamente. En esta seccin se discutir los diferentes usos asociados con
el diseo de ecualizadores, incluyendo el balance en la mitigacin de la ISI con inclusin de ruido, diseo de ecualizadores lineales, no-lineales y sus propiedades as
como el proceso de entrenamiento del ecualizador y seguimiento. Un ecualizador
puede ser implementado en banda base, RF o IF. La mayora de los ecualizadores
son implementados digitalmente despus de la conversin A/D, ya que tales filtros
son pequeos, baratos, fcilmente sintonizables y muy eficientes en potencia. Esta
seccin principalmente se enfoca en la implementacin de ecualizadores digitales,
aunque por simplicidad la inclusin del ruido ser ilustrada en la prxima seccin
usando un ecualizador analgico.
2.7.1.
39
muestra en la Figura 2.14, que ilustra los defectos de remover la ISI sin considerar
los efectos del ruido. Considere una seal s(t) que es pasada a travs de un canal
con una respuesta en frecuencia H(f ). En el extremo de entrada al receptor se
adiciona ruido Gausiano n(t) a la seal, as que la seal de entrada al receptor es
Y (f ) = S(f )H(f ) + N(f ), donde N(f ) tiene una densidad espectral de potencia
No . Si el ancho de banda de la seal s(t) es B, entonces la potencia de ruido
dentro del ancho de banda de la seal de inters es NoB. Se desea ecualizar la
seal recibida con la intencin de remover completamente la ISI introducida por
el canal, esto puede ser realizado facilmente por la inclusion de un ecualizador
analogico en el receptor definido por:
(2.13)
Heq(f ) = 1/H(f )
s(t)
Canal
H(f)
r(t)
y(t)
Ecualizador
Heq(f)
s(t)+n'(t)
Demodulador
Sin embargo si H(f ) tiene un nulo espectral (H(f o) = 0 para alguna frecuen-
40
cia fo ), en cualquier frecuencia dentro del ancho de banda de s(t) esto implicar
0
que la potencia espectral del ruido N (t) se haga infinita. Incluso sin la existencia
de nulos espectrales, si ciertas frecuencias en H(f) son ampliamente atenuadas, el
ecualizador Heq(f ) = 1/H(f ) mejorar la potencia de ruido para dichas frecuencias. En este caso, incluso aunque el efecto de la ISI sea removida, el sistema ecualizado ser de bajo rendimiento debido a su bajo SNR de la seal post-ecualizada,
es aqu donde radica la verdadera meta de la ecualizacin: Balancear la eliminacion de la ISI maximizando la SNR de la seal post-ecualizada. Los ecualizadores
digitales lineales, en general trabajan por la inversion de la respuesta en frecuencia del canal resultando de pobre rendimiento por su bajo SNR. Los ecualizadores
no-lineales no invierten la respuesta en frecuencia del canal de esta manera sufren
menos la adicin del ruido.
2.7.2.
Ecualizacin en GSM/EDGE
La Tcnica de Ecualizacin usada en GSM, para modulacin GMSK es Maximum Likelihood Sequence Stimator, MLSE, que es basado en el algoritmo de
Viterbi5 [39] y [40], por su buen rendimiento, fcil implementacion y bajo costo.
Para 8-PSK (EDGE), el problema es ms complicado, debido a que la implementacin del algoritmo clsico de Viterbi usando MLSE requiere mucha mas
potencia de procesamiento para el caso de 8-PSK. Esto se debe la modulacin
M-ary, el numero de estados en el cdigo Trellis [39], es igual a M (L1) para una
CIR (Channel Impulse Response) con L coeficientes. As, que para L = 5 taps,
5
Andrew J. Viterbi. Desarrollador del Algoritmo Matemtico Viterbi, para eliminar interferencia en la seal recibida, usado actualmente en los cuatro estndares de telefona celular.
41
el numero de estados es 16 en el caso de GMSK y de 4096 en el caso de 8-PSK,
ya que hay 8 posibles valores transmitidos en 8-PSK y 2 en GMSK. As que el
algoritmo de Viterbi no es una optima tcnica de ecualizacin en 8-PSK. Uno de
los algoritmos de ecualizacin usados para 8-PSK es Decision-Feedback Sequence
Stimation, DDFSE [41].
2.8.
Las redes neuronales son estructuras matemticas que poseen una tendencia
de almacenar experiencias conocidas y hacerlas disponibles para ser capaces de
dar soluciones a problemas complejos en comunicaciones digitales y en especial
en el procesamiento digital de seales [42], debido a su procesamiento no-lineal,
arquitectura distribuida paralela, auto-organizacin, capacidad de aprendizaje y
generalizacin [6]. A continuacin se explicar un resumen de la arquitectura de
las NNs (Neural Networks) y su aplicacin en comunicaciones digitales, como es
el caso de la ecualizacin del canal de propagacin a la seal digital recibida por
un MS.
En el contexto de aplicaciones procesamiento adaptativo de seales, las redes
neuronales ofrecen las siguientes ventajas:
No-Linealidad, que hace que sean tomadas en cuentas para ser usadas en
fenmenos fsicos de naturaleza no-lineal que sern destinados a generar los
datos de entrada a las NNs.
42
La habilidad de aproximar cualquier entrada o salida preestablecida y mapearla a una naturaleza contina.
Muy poca consideracin estadstica acerca del entorno de clculo en que la
NN se encuentra inmersa.
Capacidad de aprendizaje, que es lograda a travs de la comprensin de
sesiones de entrenamiento con ejemplos de entrada-salida que representan
el entorno.
Generalizacin, que se refiere a la habilidad de la NN pueda proveer un
rendimiento satisfactorio en respuesta a un conjunto de datos jams vistos.
Tolerancia a Fallas. Que significa que la NN continua suministrando un
aceptable rendimiento considerando falla en algunas neuronas.
Implementacin VLSI, (Very Large Scale Implementation), que explota el
desarrollo paralelo masivo en el diseo de la red neuronal.
2.8.1.
43
bsicos de modelos de redes neuronales artificiales (NN) y sus estructuras. Las
redes neuronales tienen similitud al cerebro humano en dos aspectos:
Entre los numerosos modelos de redes neuronales artificiales que han sido
propuestos en el transcurso de los aos, todos comparten un bloque comn de
construccin denominado neurona. El modelo de ms amplio uso es el modelo de
McCulloch y Pitts, como se ilustra en la Figura 2.15.
44
Orden Superior
(Formula de Segundo Orden)
u=
P Q
Delta ( )
N P
N
P
wjk yjk +
j=1 k=1
u=
N
Q
wj yj
j=1
u=
N
X
wj yj +
(2.14)
j=1
A = f (u)
(2.15)
45
En varios modelos de redes neuronales artificiales, se han propuesto diferentes
funciones de activacin. La mayora de las funciones de activacin se resumen en
El Cuadro 2.4.
Cuadro 2.4: Funciones de Activacin Neuronal, [23]
Funcin de
Activacin
Formula a=f(u)
Derivadas
Comentarios
Comunmente usado; la forma derivada puede ser calculada de f (u) directamente
T = Parametro de
Temperatura
Usada con menos
frecuencia
Sigmoid
1
f(u)= 1+eu/T
f(u)[1-f(u)]/T
Tangente
Hiperbolica
Tangente Inversa
f(u)=tanh( Tu )
(1-[f(u)]2 )/T
f(u)= 2 tan1 ( Tu )
2
1
T 1+(u/T )2
f(u)=
Umbral
Base Radial
Gausiana
1 u>0
1 u < 0
f(u)=exp[-ku mk / 2
La derivada no existe
para u=0
Lineal
f(u)=au+b
2.8.2.
Una Red Neuronal Artificial Multi Layer Perceptron, Figura 2.16, est constituida por las siguientes caractersticas:
46
Nodos de Capa de Entrada. Que proveen el medio para conectar la red neuronal a la fuente(s) de seal que conducen a la red.
Una o mas Capas Ocultas de Unidades de Procesamiento, que actan como
detectores caractersticos.
Capas de Salida de Unidades de Procesamiento, que proveen una etapa final
de clculo y por lo tanto producen la respuesta de la red a las seal(es)
aplicadas a la capa de entrada.
Capa de entrada
de nodos fuentes
Neuronas en las
Capas Ocultas
Capa de Neuronas
de Salida
Figura 2.16: Red Neuronal Tipo MLP conectada completamente con 1 Capa Oculta y 1 Capa de Salida, [42]
Las unidades de procesamiento son comnmente referidas como neuronas artificiales o solo neuronas. Tpicamente una neurona consiste de un combinador
47
lineal con un conjunto de pesos sinpticos ajustables, seguido de funciones de
activacin no-lineales, Figura 2.17.
Combinador Lineal
Unidad No-Lineal
(i,j)
X (i,j) p(i,j)
(x) = ( Wk xk b(i,j) )
(2.16)
k=1
(v) =
1
1 + exp(2v/3)
(2.17)
48
Donde y =i-esima neurona de salida de la j-esima capa, W = pesos de la
neurona de entrada, b = polarizacin de la neurona, x = neuronas de entrada
y P = numero de entradas. Las NNs, generalmente tienen capas ocultas entre
las capas de entrada y las capas de salida. Estas capas ocultas son capas de
decisin que combinan la forma de la clasificacin no-lineal. Cada nodo de salida
dentro de la MLP depender de la matriz de peso sinptico y de la polarizacin
Ecuacin 2.16. La matriz de peso sinptico que atena los nodos de entrada junto
con la dolarizacin actan como un nivel de umbral, que describe los limites de
clasificacin entre dos regiones en el espacio del problema.
2.8.3.
Muchos canales de comunicaciones tienen degradaciones de respuesta en frecuencia y fase no-lineal. Algunos canales, por ejemplo en comunicaciones mviles,
pueden incluso tener una significante componente de variacin temporal en sus
funciones de transferencia. (Figura 2.2, pgina 16). Adems de las distorsiones
causada por la funcin de transferencia del canal de propagacin, el ruido y las
seales interferentes son adicionadas a la seal durante su transmisin. La meta
de la ecualizacin adaptativa es remover el ruido y la distorsin como sea posible
y limpiar la seal en el extremo receptor.
La Figura 2.18, representa el diagrama de bloques, de cmo una red neuronal
puede ser entrenada para compensar las distorsiones en un canal de comunicaciones [33]. El canal aade una distorsin y posiblemente adiciona una fuente de
49
ruido n(t) a la seal de entrada x(t). La red neuronal toma la seal corrupta y la
transforma a una nueva seal x(t), que trata de ser intencionalmente una buena
representacin de la seal original, x(t T ), con un retraso de tiempo T . Una
de las ms comunes tcnicas que se aplican con redes neuronales para resolver
el problema de adaptacin, es pasar la seal a travs de una serie de elementos
en serie de retardo en el tiempo, y derivar de dichos elementos retardantes las
entradas a una convencional red neuronal Multilayer Perceptron.
n (t )
x (t )
Canal
x ( t )
Red de Ecualizacin
Neuronal
e (t )
x (t )
Linea retardo
Si los retardos son cada uno de longitud d, entonces las entradas a la red sern
un conjunto de seales x(t), x(td), x(t2d),. . . etc. En la ausencia de ruido y para
cierto tipo de funciones de transferencia de canal lineales, la red debe aprender a
implementar la inversa de la funcin de transferencia del canal de propagacin,
Ecuacin 2.13. Para la mayora de los canales, sin embargo la funcin inversa de
la funcin de transferencia no significa el mtodo optimo para reducir los errores
50
entre x(t) y x(t), pues se debe considerar tambin los desplazamiento en fase
ocasionados por el Efecto Doppler (Ecuacin Doppler).
Durante la adaptacin, las diferencias entre la seal de salida, x(t), y la versin retardada de la seal de entrada x(t T ), forman una seal de error, e(t).
Para las redes multilayer perceptron, el algoritmo backpropagation [31], puede ser
empleado para minimizar e2 (t). Tan pronto como la red se adapta para reducir
el error cuadrtico, la red aprende a reproducir x(t T ) usando observaciones de
la seal corrupta en el tiempo t. Obviamente, si x(t T ) estuvo continuamente
disponible en el extremo receptor, de alguna manera debi haber sido transmitida. En la practica x(t) es una seal conocida en ambos extremos (MSBTS)
y que es suministrada peridicamente al extremos receptor (training sequence,
Figura 2.8, pgina 27), para que la red se adapte lentamente a las condiciones del
canal. La data til (payload), puede ser transmitida entre esos cortos periodos de
adaptacin.
Captulo 3
Marco Metodolgico
Una vez que se ha formulado el problema de investigacin referido al uso de las
redes neuronales artificiales en la ecualizacin del canal de propagacin mvil, se
establecen a continuacin el conjunto de procedimientos tecno-operacionales que
son requeridos para llevar a cabo los objetivos especficos del proyecto realizado.
3.1.
Naturaleza de la Investigacin
Existen una caracterstica con las cual se puede describir el tipo de investigacin que se estar realizando. Una caracterstica principal est relacionada al
Estudio Correlacional y esta referida con la definicin expuesta por Sampieri
H. Collado C. y Lucio P. En Metodologia de la Investigacion [24], pagina 121, en
la que se expone:
51
52
"Este tipo de estudios (Estudios Correlacionales) tienen como proposito evaluar
la relacion que exista entre dos o mas conceptos, categorias o variables (en un
contexto en particular)"
3.2.
53
recolectadas se ecualizaron con el modelo de filtrado inverso y de redes neuronales
artificiales tipo MLP, para obtener conclusiones.
3.3.
Los datos son analizados tomando en cuenta la rata de errores errados durante
un bloque de transmisin de bits BER, y esta cantidad sera concluyente para
analizar el rendimiento de un mtodo de ecualizacin basado en redes neuronales
artificiales. Por definicin la dimensin del BER implica probabilidad de error
en la transmisin, es por ello que los anlisis hechos en transmisiones de bits
sobre canales de propagacin en la que esta inmerso la multipropagacin y el
ruido estan estrechamente unidos al Estudio Probabilstico de falla usando un
mtodo especifico, adems de la Conducta Aleatoria de los bits presentes en la
comunicacin.
3.4.
Procedimiento Metodolgico
54
gacin, Ruido, Fuente de Interferencia, Demodulador y Ecualizador (Tipo
Filtrado Inverso), para simular condiciones de estudios.
Un conjunto de bits que contendrn informacin de Tipo Aleatoria emulando la informacin de trfico de voz o paquetes.
Un conjunto predeterminado de bits de Tipo Entrenamiento, conocido
por el receptor, que ser usado para el entrenamiento de la red neuronal en
el extremo de recepcin.
2. Analizar el modelo de simulacin en condiciones de propagacin por multitrayectoria y ruido usando ecualizador clsico de filtrado inverso.
Luego de haber desarrollado el modelo de simulacin del sistema de comunicaciones, se implemento en la etapa de recepcin un ecualizador de tipo filtrado
inverso (least mean squares), con secuencia de entrenamiento predefinida en la
55
etapa de transmisin, analizando el rendimiento del sistema para escenarios de
simulacin.
3. Desarrollar un modelo de Ecualizador basado en Redes neuronales artificiales tipo MLP, y sustituir el ecualizador clsico en el modelo de simulacin.
4. Analizar el comportamiento del Ecualizador aplicando redes neuronales artificiales en valores de SER o BER, en distintos escenarios de evaluacin
de un sistema GSM: Ambientes con Desvanecimiento por Multitrayectoria,
Alta Interferencia y Baja SNR.
56
de simulacin como SNR y Tipo de Canal de propagacin. El resultado final
conllevara al desarrollo de las conclusiones pertinentes.
3.5.
Recursos a Utilizar
Recursos Econmicos
Los recursos econmicos son enfocados en la disponibilidad del software
Matlab, como herramienta de simulacin y la adquisicin de material bibliogrfico, como artculos y publicaciones de importancia que puedan ser
adquiridas por el investigador.
57
Recursos Materiales
El modelo de simulacin es sintonizado con valores reales planificados en la
Red GSM de DIGITEL C. A., tomando en cuenta escenarios que puedan
reproducirse en el simulador, adquiriendo variables reales de diseo como:
reuso de frecuencia, potencia de transmisin, rea de cobertura, tipos de
ambiente de propagacin, entre otros. Por ello la empresa DIGITEL C.A.
juega un papel importante en la afinacin del modelo de simulacin y su
aplicacin.
Recursos Humanos
La disponibilidad humana para la elaboracin del proyecto de investigacin
fue dedicada enteramente, complementndose con las actividades y responsabilidades laborales del investigador.
Captulo 4
Anlisis, Presentacin e
Interpretacin de Resultados
La aplicacin de la estructura de ecualizacin usando redes neuronales y su
comparacin con otros mtodos de ecualizacin basados en filtrado inverso esta
sujeta a su estudio en un entorno de simulacin, en donde se puedan representar
en un modelo matemtico las condiciones de un ambiente de propagacin electromagntica adecuado para el estudio y comparacin de los ecualizadores basados
en redes neuronales propuestos en este proyecto de investigacin. En este capitulo, se describe el software de simulacin, el modelo representativo del sistema en
estudio y los parmetros empleados para la sintona del modelo.
58
59
4.1.
4.1.1.
El Software de Simulacin
En la actualidad las tecnologas de hardware y software de computacin han experimentado grandes cambios, por lo que usar software de simulacin que puedan
integrar grandes capacidades matemticas, visuales y grficas ha sido muy eficiente. El software usado para desarrollar el modelo de simulacin es MATLAB,
que ofrece grandes cualidades interactivas, graficas, interfaces amigables al usuario
para el desarrollo de modelos de simulacin en una estructura jerrquica usando
representacin en diagrama de bloques, permitiendo al investigador configurar y
ejecutar simulacin a nivel de formas de ondas para obtener resultados que pueden
ser conseguido de manera iterativa, tambin provee manejo de base datos, ayuda
y documentacin electrnica on-line.
60
Por otra parte posee aplicaciones para depurar lneas en los programas de simulacin y otras aplicaciones que resuelven detalles mecnicos de la simulacin de
sistemas de comunicaciones. Estas caractersticas minimizan la cantidad y esfuerzo
que debe requerir el investigador. Una caracterstica relevante por la cual se decidi
usar MATLAB se traduce en la utilizacin de las herramientas diseadas para
analizar sistemas de telecomunicaciones como lo es el Communications Toolbox,
que extiende los ambientes de calculo tcnico con funciones, graficas e interfaces
graficas de usuario, para explorar, disear, analizar y simular algoritmos en la
capa fsica de los sistemas de comunicaciones. Las caractersticas del Toolbox son:
61
y bit error rate), facilitan el desarrollo de la investigacin, asumiendo la mayor
complejidad a la construccion del algoritmo del ecualizador usando redes neuronales y la comparacin del rendimiento con otros mtodos de ecualizacin y no
la simulacin del modelo del sistema GSM/EDGE.
4.1.2.
En la capa fsica del modelo OSI, GSM usa una combinacin de FDMA y
TDMA para mltiple acceso [10]. Dos bandas de frecuencias de 45 Mhz han sido reservadas para su operacin desde 890-915 Mhz para transmisiones desde la
estacin mvil a la radio base y de 935-960 Mhz para la transmisin desde la radio
base al la estacin mvil, cada una de estas bandas separadas 25 Mhz, tal como
se puede apreciar en la Figura 4.1.
Cada Canal de Frecuencia de
200Khz tiene 8 canales TDMA
62
El modelo que va a representar el sistema GSM ser independiente de la frecuencia, pues ser usado un modelo de banda base. En GSM, la transmisin en
la interfaz de aire Um es de tipo TDMA. En el extremo del transmisor, los bits
de informacin son primeramente codificados y arreglados en bursts de acuerdo a
la recomendacin [28]. En este proyecto se utilizaran exclusivamente Burst Normales, Figura 4.2, que son usados para transmitir informacin de trfico y canales
de control excepto RACH (Random Access Channel), y fueron definidos en la
Seccin 2.4.2, pagina 25. En la mitad de cada Burst Normal existe una secuencia de entrenamiento de 26 bits fijos, que son conocidos en el extremo receptor.
Esta secuencia tambin es conocida como midamble. El midamble se encuentra
rodeado de 57 bits de informacin a ambos lados. Finalmente existen tres bits de
cola en ambos extremos del burst. Por lo tanto la longitud de un Burst Normal
en GSM/EDGE es de 148 bits. La estructura de una trama TDMA se muestra en
la Figura 4.2.
El modelo de la trama usada como fuente de informacin de trfico tendr
como campo de datos: 122 simbolos (3 + 57 + 1 + 1 + 57 + 3) adicionalmente el
campo destinado para el midamble (training sequence) que son 26 simbolos, cuya
secuencia esta definida por el investigador, ambos campos estn arreglados como
se muestra en la Figura 4.3:
El formato de modulacin estndar en el sistema GSM/EDGE, para el esquema de modulacin MCS-9 [9],usado para transmisin de datos es 8-PSK [26].
El diagrama de transmisin completo del sistema GSM/EDGE se aprecia en la
f
63
4.615mseg
0
Datos
57
Midamble
26
Trama
TDMA
Datos
57
Tail Bits
Time Slot
270.833 Kbps
Tail Bits
Stealing
Flag
0.577mseg
Normal Burst 148 bits
26 bits
122 bits
Training
Sequence
64
bn
In
Codificador
de Canal
Modulador
8PSK
Canal
z (t )
+
In
rn
r (t )
Demodulador
8PSK
Ecualizador
r(t) =
X
Ik j k h(t KT ) + z(t)
(4.1)
donde j =
65
medir el rendimiento del sistema simulado GSM/EDGE.
In
Modulador
8PSK
Canal
SER
z (t )
In
rn
Demodulador
8PSK
r (t )
Ecualizador
4.1.3.
La Fuente de Informacin
(4.2)
66
Es decir, van a existir 8 tipos de smbolos enteros, que sern aleatoriamente
distribuidos. El formato convencional de representar una seal en MATLAB es en
forma de un vector o matriz, para ello se usa la funcin randint, la cual crea un
vector columna que lista los valores sucesivos de un flujo de smbolos de datos.
La longitud del flujo de datos (que son la cantidad de filas en el vector columna)
est determinada por el formato de la trama TDMA establecida en la Figura 4.3,
vamos a establecer dos longitudes para los vectores de flujo de smbolos de datos:
1. Lts=26 smbolos para el campo de Training Sequence, teniendo en cuenta que los datos del campo de la secuencia de entrenamiento son fijos y
predefinidos.
4.1.4.
El Modulador 8-PSK
67
Todo el modelo de simulacin del sistema GSM/EDGE es hecho en banda base.
La simulacin de Banda Base tambin es conocida como Mtodo Equivalente Pasa
Bajo [11], y es la tcnica que usaremos para simular el modulador y el demodulador
8-PSK. Al usar el modelo de banda base para producir la envolvente compleja y
de la modulacin de una seal x, significa entonces que y es una seal evaluadacompleja y la salida del modulador de banda pasante. Si la seal modulada tiene
la forma de onda:
68
consistir de un arreglo de enteros entre 0 y M-1. En la Figura 4.6, se muestra un
ejemplo del grfico de Dispersin de la Seal Modulada x = [0, 1, 2, 3, 4, 5, 6, 7]
usando 8-PSK.
Quadrature
0.5
0.5
1
1
0.5
0
InPhase
0.5
4.1.5.
La Radio propagacin en ambientes de radio mviles, son descritos por ser altamente dispersivos por multitrayectoria causados por la reflexin y la dispersin.
El trayecto entre la estacin base y la estacin mvil puede ser considerado de
estar constituido por un numero finito de reflectores y/o dispersores a una distancia determinada del MS. Dando lugar a un numero de ondas que llegan en la
vecindad del MS con amplitudes y retardos aleatorios. En la cercana del MS es-
69
tas trayectorias son an ms aleatorias debido a reflexiones locales o difracciones.
Por la condicin que el MS se estar moviendo, el ngulo de llegadas debe ser
tomado en cuenta, ya que la movilidad afecta los saltos de Doppler asociados con
la llegada del frente de ondas en una direccin particular.
Ecos de retardos idnticos surgen de los reflectores localizados en una elipse
de fresnel [28]. El fenmeno de multitrayectoria puede ser descrito en la siguiente
manera, en trminos de los retardos de tiempo y los saltos de Doppler asociados
con cada retardo
z(t) =
Z Z
R2
(4.3)
Donde cada termino del lado derecho representa la sealas retrasadas, sus
amplitudes y espectro Doppler. Esto ha sido demostrado en un criterio de amplio
sentido estacionario y es satisfecho para distancias alrededor de 10 metros. Basado
en el modelo de amplio sentido estacionario y de dispersin no-correlacionada
(WSSUS), los perfiles de retardo promedio y el espectro de Doppler son necesarios
para simular un canal de radio. De manera de permitir una simulacin practica,
la ETSI en su estandar GSM 05.05 [28], el Cuadro 4.1, describe las caracteristicas
de lo modelos de propagacin en los siguientes trminos:
70
Descripcin
Un numero discreto de taps, cada uno determinado por su
retardo en el tiempo y su potencia promedio
La amplitud distribuida tipo Rayleigh de cada uno de los
taps, variando de acuerdo al espectro de Doppler S(f )
Definiremos dos tipos de espectro de Doppler, que sern usados para modelar el
canal de propagacin, donde fd = v/, que representa el mximo salto de Doppler
con v (mts.s1 ) representando la velocidad del vehiculo y (mts) la longitud de
onda. Se definen los siguientes tipos:
71
Modelos de Propagacin
72
Numero
de Taps
Tiempo
Relativo (useg)
Espectro
Doppler
Numero
de Taps
Espectro
Doppler
Numero
de Taps
Espectro
Doppler
73
Dispersin Local desde todos lo ngulos de llegada, con una distribucin
de potencia uniforme, alrededor del mvil. Este escenario se conoce como
espectro Jackes Doppler, de igual forma se puede omitir los saltos Doppler
seleccionando un canal esttico, pero en esta investigacin existe esencial
inters en simular ambiente mviles.
Posee N trayectos discretos de desvanecimiento, cada uno con su propio
retardo y ganancia de potencia promedio. Un canal para el cual N = 1, es
llamado un canal de Desvanecimiento Plano en Frecuencia. Un canal para el
cual N > 1 experimenta un desvanecimiento de canal selectivo en frecuencia.
Un modelo Rayleigh o Rician [29], para el primer trayecto, los subsecuentes
usan modelo de distribucin de Rayleigh.
74
A continuacin se describen los parmetros para modelar la simulacin de los
canales de propagacin que sern usados en la investigacin:
75
entre operaciones de filtrado sucesivas, es por ello que debe ajustarse el
parmetro ResetBeforeFiltering=0.
6
4,67dB
4
2
0
2,31dB
dB
2
4
6
8
Amplitud de Potencia
Potencia Min
Potencia Max
Potencia Promedio
10
12
14
13,52dB
0
0.5
1.5
2.5
samples
3.5
4.5
5
4
x 10
76
10
4,05dB
5
0
5
2,54dB
dB
10
15
20
25
Amplitud Potencia
Potencia Min
Potencia Max
Potencia Promedio
29,81dB
30
35
0.5
1.5
2.5
samples
3.5
4.5
5
4
x 10
77
10
4,68dB
5
0
5
2,66dB
dB
10
15
20
Amplitud de Potencia
25
Potencia Min
32,27dB
Potencia Max
30
35
Potencia Promedio
0
0.5
1.5
2.5
samples
3.5
4.5
5
4
x 10
78
El Cuadro 4.5, a continuacin compara los valores de la Amplitud de Potencia
desvanecida, Minima, Maxima y Promedio para los modelos RA50(Canal Rural
Area @ 50Kph), HT50(Canal Hilly Terrain @ 50Kph) y TU50(Canal Typical
Urban @ 50Kph).
Cuadro 4.5: Amplitud de Potencia Desvanecida para RA50, HT50 y TU50.
Canal Pot Min(dB)
RA50
HT50
TU50
4.1.6.
-13.52
-29.81
-32.27
Pot Max(dB)
Pot Promedio(dB)
4.67
4.05
4.68
-2.31
-2.54
-2.66
Un canal AWGN adiciona ruido blanco Gausiano a la seal que pasa a travs
de el. Para modelar el canal AWGN se usa la funcin awgn. Para describir el
nivel de ruido en un canal AWGN se usa la potencia relativa de ruido, que es
tpicamente caracterizada por variables tales como:
Relacin Seal a Ruido (SNR) por muestra. Este es el parmetro de entrada
de la funcin awgn [32].
Relacin Energa de Bit a Densidad Espectral de Potencia d Ruido (Eb /No ).
Relacin Energa de Smbolo a Densidad Espectral de Potencia (Es /No ).
Por el tipo de modelo de banda base con el cual se describe el sistema GSM/EDGE,
usaremos para el modelo de canal AWGN la Relacin Seal a Ruido (SNR). Las
79
mediciones de performance de un sistema GSM/EDGE tpico en la interfaz de
aire, esta relacionado con la variable CIR (Channel To Interference Relation) [9].
El uso del CIR, se debe a la filosofa en los sistemas celulares de rehso de frecuencia, consideradolo en un modelo de banda pasante. Para el cumplimiento del
objetivo general de esta investigacin, la SNR enmarca la interferencia y el ruido
de banda base en el extremo del receptor, pudiendo variar los valores de SNR.
Considerando en el modelo de banda base que el tiempo de muestreo Tsamp es
igual al Periodo del Smbolo Tsymb [32], tenemos:
(4.4)
La funcin y = awgn(x,snr,measured), adiciona ruido blanco Gausiano al vector seal x. El vector x corresponde a la seal modulada y desvanecida, que llega
al extremo receptor.El escalar snr especifica la relacin seal a ruido por muestra,
en unidades de dB. Si x es complejo, entonces awgn adiciona ruido complejo. En
este caso se asume que x tiene 0 dBW. Las sintaxis measured, mide la potencia
de x antes de adicionar el ruido.
80
4.1.7.
Los ecualizadores lineales y de decisin realimentada son ecualizadores adaptativos [31], que usan un algoritmo de adaptacin cuando se encuentran en operacin. Para cada uno de los ecualizadores adaptativos listados anteriormente, las
herramientas de MATLAB soportan los siguientes algoritmos de adaptacin:
81
El ecualizador que usaremos para comparar los resultados ser un ecualizador
lineal, de smbolos espaciados con algoritmo de adaptacin LMS.
82
Actualizacin del Conjunto de Pesos
En el Cuadro 4.6, se presentan los dos modos que posee MATLAB [32], para
describir la naturaleza de la seal de referencia en cada uno de los modos de
operacin:
Cuadro 4.6: Modo de Operacion del Ecualizador Lineal [32].
Modo de Operacin
Training Mode
Decision-Directed Mode
Seal de Referencia
Selecciona la secuencia transmitida conocida
Versin detectada de la seal
de salida, denotada por yd en
el esquema de la Figura 4.15
El modo de operacin del ecualizador lineal que usaremos es: Training Mode,
83
utilizando el campo de secuencia de entrenamiento que posee 26 smbolos/bits, en
cada trama TDMA.
La funcin lineareq crea el objeto ecualizador que puede ser usado con la funcin
equalize para ecualizar la seal. Eqobj=lineareq(nweights,alg,sigconst) construye un
objeto ecualizador lineal de smbolos espaciados. El ecualizador tiene nweights, pesos complejos, que son iniciados todos en ceros, alg describe el algoritmo adaptativo que el ecualizador usara, sigconst especifica el vector constelacin de la seal de
salida deseada. El Cuadro 4.7, a continuacin describe las propiedades del objeto
ecualizador lineal.
1. Se crea el objeto ecualizador que describe la clase de ecualizador y el algoritmo adaptativo que se va a usar. Un objeto ecualizador es un tipo de variable
de MATLAB que contiene informacin acerca del ecualizador, tal como el
nombre, clase, nombre del algoritmo adaptativo y valores de los respectivos
pesos.
84
SigConst
ResetBeforeFiltering
Seal de Referencia
Valor Fijo, Linear Equalizer
Nombre del Algoritmo adaptativo representado por alg
Nmero de Pesos
ndice del tap de referencia, entre 1 y
nWeights. Si se ajusta este campo a un valor
mas grande que 1, se experimentaran retardos con la seal de referencia y la salida de la
seal en RefTap-1 con respecto a la seal de
entrada ecualizada
Constelacin de la seal, es un vector cuya
longitud es tpicamente potencia de 2
Si es 1, cada llamada de la funcin equalize
reinicia el estado del eqobj antes de la ecualizacin. Si es 0, el proceso de ecualizacin
mantiene continuidad entre secuencias de llamadas de la funcin equalize
85
2. Ajuste de las propiedades del objeto ecualizador a las necesidades, por ejemplo cambios en el numero de pesos o valores de los pesos.
3. Aplicar el objeto ecualizador a la seal que se quiere ecualizar, usando la
funcin equalize.
86
El Objeto Algoritmo de Adaptacin LMS
LeakageFactor
4.1.8.
Seal de Referencia
Valor Fijo LMS
Parametro de Longitud de Paso,
corresponde a nmero real positivo
Factor de Fuga de LMS, corresponde a nmero real entre 0 y 1
87
M=4 y BPSK: M=2.
4.1.9.
88
X1 X4
X2 X5
X3 X6
Y1 Y4
Y2 Y5
Y3 Y6
La variable de medicin de rendimiento es el SER para 8-PSK y el BER para BPSK, puesto que el medidor cuantifica la cantidad de smbolos errados en relacin
de la cantidad de smbolos recibidos. Para un ndice de modulacin n=3, existen
3 bits por cada smbolo enviado en la interfaz de aire Um, tal como se aprecia
en la Figura 4.12. La siguiente demostracin es solo un caso en particular donde
usando 1 Smbolo=3 bits, tenemos:
SER =
4.1.10.
3(Bits Errados)
Smbolos Errados
=
= BER
Smbolos Totales
3(Bits Totales)
(4.5)
89
Modulacin 8-PSK
Phase-Shift Keying
Q
(0,1,0)
(0,0,0)
(0,1,1)
(0,0,1)
(1,1,1)
I
(1,0,1)
(1,1,0)
(1,0,0)
Figura 4.12: Bits por Smbolo para 8PSK, GSM/EDGE MCS-9, [32].
4.2.
90
Inicio
Numero Frames
Simbolos Datos
Simbolos TrainSeq
Symbol Rate
Tipo Modulacion
Indice Modulacin
Velocidad Movil
Tipo de Canal
Vector Retardo
Ganancia Trayecto
Seal a Ruido
Generador Datos/Frame Aleatorios
Generador TrainSeq/Frame
Filtrado en Recepcin
Muestreo de la Seal Recibida
No
Ecualizacion
con NN
Filtrado
Inverso
Si
Redes
Neuronales
Symbol Error
Rate
SER
Fin
Demodulacin
Conformacin
Trama Recibida
Trama GSM/
EDGE Recibida
91
Valor
Trama GSM/EDGE
Numero de Frames (TS+Datos)
Tamao Training Sequence
Tamao Campo de Datos
Secuencia de Entrenamiento
Tipo de Modulacin
ndice de Modulacin M-ary
Bit Rate/Symbol Rate
104 Frames
26 simbolos
122 simbolos
Aleatoria por Frame y conocida en el Rx
PSK
8
270.833Ksps
Canal Propagacin
Velocidad del Mvil
Tipo de Canala
Vector Retardo Trayecto
Ganancias Promedio de Trayecto
Relacin Seal a Ruido
[0 3 50 250] (Kph)
(RAx, HTx y TUx)
Vd
Vg
[5,30] dB
Ecualizador Lineal
Tipo de Ecualizador
Algoritmo de Adaptacin
Parmetros de Adaptacin
Numero de Pesos
Tap de Referencia
a
Simbolos Espaciados
Least Mean Square
StepSize(0.15),LeakageFactor(1)
6
1
=x Kmts/Hr
Valor
Source
Tx
TxFaded
Rx
MFrameEq
RxDemod
Seal Tx, Rx y MFrameEq
NumErrores(Source,RxDemod)
SER
92
4.2.1.
93
Valor
(RAxb )
Vd=[0 0.2e-6 0.4e-6 0.6e-6]
Vg=[0 -2 -10 -20]
(HTxb )
Vd=[0 0.2e-6 0.4e-6 0.6e-6 15e-6 17.2e-6]
Vg=[0 -2 -4 -7 -6 -12]
(TUxb )
Vd=[0 0.2e-6 0.6e-6 1.6e-6 2.4e-6 5e-6]
Vg=[-3 0 -2 -6 -8 -10]
=x Kmts/Hr
[0 3 50 250] (Kph)
[5 10 15 20 25 30] dB
94
10
SER
10
10
10
0Kph
3Kph
50Kph
250Kph
10
10
15
20
25
30
SNR(dB)
10
SER
10
10
10
0Kph
3Kph
50Kph
250Kph
10
10
15
20
25
30
SNR(dB)
95
10
SER
10
10
10
0Kph
3Kph
50Kph
250Kph
10
10
15
20
25
30
SNR(dB)
4.3.
96
del ecualizador que se propone en este proyecto, es de recobrar los datos que han
sido distorsionados a travs de un medio dispersivo y no lineal, como lo es el canal
de propagacin, para ello considerando que el anlisis es hecho sobre modelos de
simulacin. El diseo propuesto del ecualizador no lineal usando la arquitectura
de Multi Layer Perceptron, (Ver Figura 4.17), es una solucin altamente no-lineal
que ser destinada a resolver el problema de ecualizacin como un problema de
clasificacin geomtrica usando funciones de interconexin de neuronas, donde
cada neurona funciona como nodo de decisin que es gobernado simplemente por
la Ecuacion 2.16.
4.3.1.
Capa de Entrada
Como en un ecualizador clsico, la capa de entrada de la red MLP es la secuencia de muestras de la seal recibida. Si el modelo de red MLP esta orientado
a clasificar seales que estn dispersas por un modelo de canal de propagacin
m-tap, las seales a la entrada de la red MLP deben tener la misma caracterstica.
El nmero de retardos m-tap est determinado por la dimensionalidad de la observacin que es responsable de la generacin de las seales de entrada a la red, es
decir existirn m nodos fuentes en la capa de entrada. Los canales de propagacin
RA,HT y TU analizados poseen un modelo m-tap de 6, por ende existirn 6 nodos
fuentes a la entrada de la red MLP. La Capa de Entrada se representa en la Figura
4.18.
97
vk
Capa Entrada
Capa Oculta 1
Capa Oculta 2
Capa Salida
98
Frames GSM 148 simbolos
v1
v0
v147
v5
v4
v3
v2
v1
v0
6 Nodos
Fuentes
Neuronas 1era
Capa Oculta
4.3.2.
Capa de Salida
v 'k ( i , j )
99
4.3.3.
La arquitectura de las redes neuronales tipo MLP, requiere del diseo de las
capas ocultas, que estan comprendidas entre la capa de entrada y la capa de salida. Estas capas ocultas son las etapas de decisin que se combinan para formar
la clasificacin no-lineal. El diseo de estas capas ocultas est enfocado en la cantidad de neuronas que son necesarias para el mejor performance de la red MLP
utilizando el modelo de simulacin GSM/EDGE. Realizando numerosas simulaciones con la finalidad de obtener el menor valor de BER en un escenario: Canal
HT100 @ Es/No=20dB se consigui que el mejor nmero de neuronas en las capas
ocultas es:
4.3.4.
Funciones de Activacin
Un requisito para entrenamiento de las redes MLP es que las funciones de activacin de cada neurona en las capas ocultas sea diferenciables [5] Estas funciones
de activaciones pueden ser una transformacin lineal pero usualmente toman formas no-lineales que mejoran el aprendizaje de las redes neuronales, por ejemplo
funciones sigmoidales, lgicas y funciones hiperblicas
Las posibles funciones de activacin para una red MLP [8], son:
Lineal
100
Sigmoid
Tangente Hiperblica
Las funcion de activacin de las capas ocultas pueden ser cualquier funcin
de activacin sigmoid o tangente hiperblica, de la misma forma la capa de salida
puede ser cualquiera de las anteriores (Lineal, Sigmoid Tangente Hiperblica).
Para el desarrollo de nuestro ecualizador consideramos las siguientes funciones de
activacin:
Cuadro 4.12: Funciones de Activacion Ecualizador MLP
Capa MLP
Capa de Entrada
Capa Oculta 1
Capa Oculta 2
Capa Salida
4.3.5.
Funcion de Activacin
Tan-Sigmoid
Tan-Sigmoid
Tan-Sigmoid
Pureline
Funcin de Entrenamiento
Existen varios tipos de entrenamiento para las redes MLP, aunque el algoritmo backpropagation es el ms usado [35]. El inconveniente que presenta ste
algoritmo es la lenta convergencia. Para incrementar la velocidad de convergencia
se han implementado algoritmos como Levenberg-Marquardt (LM) [35], Mtodo de
Gradiente Conjugado y Mtodo de los Momentos. Para nuestro modelo, se usar
el Mtodo de Entrenamiento Traingdx [36], que combina Aprendizaje Adaptativo
con Entrenamiento de Momento.
101
4.3.6.
tan-sigmoid
lineal
Salida de Canal
Compleja
Entrenamiento
Adaptativo y de
Momento ( traingdx )
6-Taps
Entrada
50 Neuronas
Capa Oculta 1
25 Neuronas
Capa Oculta 2
2 Neuronas
Etapa Salida
Figura 4.20: Modelo del Ecualizador Basado en una Red Multi Layer Perceptron.
102
4.3.7.
4.4.
Anlisis del Modelo GSM/EDGE con Ecualizador Basado en Redes Neuronales Artificiales
Tomando en cuenta el modelo de ecualizador basado en redes neuronales artificiales desarrollado en la Seccin 4.3, se dispone a analizar el rendimiento del
modelo GSM/EDGE bajo los canales de propagacin de estudio (RAx, HTx y
TUx), de forma similar como se hizo en la Seccin 4.2, sustituyendo del modelo de simulacin el ecualizador lineal LMS por el ecualizador basado en redes
neuronales desarrollado en la Seccin 4.3. Las variables de entrada al modelo de
simulacin se pueden apreciar en el Cuadro 4.13:
Los parmetros para los modelo de canal de propagacin son los mismos del
Cuadro 4.9 y 4.10. En las Figuras 4.22, 4.23 y 4.24, se presenta el rendimiento del
sistema GSM/EDGE usando ecualizador basado en NN, en formato de graficas
semilogaritmicas, para los canales de propagacin RAx, HTx y TUx.
Los valores de SER promedio para 104 Tramas, por cada valor de Relacion
103
Ecualizador
NN
Frame-Rx
(TS-Rx + PayloadRx)
Numero de Tap-Delay
Neuronas Capa Entrada
Neuronas Capa Oculta 1
Neuronas Capa Oculta 2
Neuronas Capa Salida
Funcin de Activacin
Funcin de
Entrenamiento
Epocas de Entrenamiento
Meta de Entrenamiento
FrameReal=Real (Frame-Rx)
FrameImag= Imag(Frame-Rx)
Definicin Vectores P y T
Normalizacin Vectores T y P
Entrenamiento de la Red
con vectores P y T
Error de Entrenamiento
Simulacion de la Red para
Frame-Rx(27-148)
Demodulacin
Figura 4.21: Diagrma de Flujo, Ecualizador Basado en Red Neuronal Multi Layer
Perceptron
104
Valor
Trama GSM/EDGE
Numero de Frames
Tamao Training Sequence
Tamao Campo de Datos
Tipo de Modulacin
ndice de Modulacin M-ary
Bit Rate/Symbol Rate
104 Frames
26 simbolos
122 simbolos
PSK
8
270.833Ksps
Ecualizador Basado en NN
Tipo de Ecualizador
Tipo de Red Neuronal
Numero Taps
Numero Capas
Numero Neuronas
Funcin de Transferencia
Algoritmo Entrenamiento
Numero Epocas
Meta de Error
105
10
SER
10
10
0Kph
3Kph
50Kph
250Kph
10
10
15
20
25
30
SNR(dB)
10
10
SER
10
10
0Kph
3Kph
50Kph
250Kph
10
10
10
15
20
25
30
SNR(dB)
106
10
SER
10
10
0Kph
3Kph
50Kph
250Kph
10
10
15
20
25
30
SNR(dB)
10dB
12.54 %
20.52 %
20,00 %
38,51 %
15dB
1.31 %
5.71 %
11.51 %
36.63 %
20dB
0%
0.34 %
8.40 %
36.12 %
25dB
0%
0%
6.91 %
35.50 %
30dB
0%
0%
6.93 %
35.99 %
107
10dB
13.21 %
32.25 %
31.83 %
40.68 %
15dB
3.18 %
27.90 %
27.30 %
38.85 %
20dB
0.32 %
24.99 %
24.68 %
39.25 %
25dB
0.01 %
22.52 %
23.13 %
38.06 %
30dB
0%
18.87 %
23.34 %
38.52 %
4.5.
10dB
7.76 %
22.65 %
20.36 %
38.22 %
15dB
0.66 %
12.31 %
12.80 %
36.50 %
20dB
0%
6.72 %
9.64 %
34.33 %
25dB
0%
3.09 %
8.39 %
35.58 %
30dB
0%
1.79 %
8.31 %
35.04 %
En esta Seccin se estar comparando el rendimiento del ecualizador adaptativo basado en redes neuronales artificiales desarrollado en la Seccin 4.4, con otros
mtodos de ecualizacin como:
108
4.5.1.
A continuacin se dispone a comparar los resultados obtenidos del rendimiento del sistema GSM/EDGE, usando Ecualizador Lineal LMS, representados en
las Figuras 4.14, 4.15 y 4.16, con los resultados obtenidos para el modelo de
simulacin usando Redes Neuronales Artificiales, Figuras 4.22, 4.23 y 4.24. Los
resultados sern comparados en tablas, cuantificando la diferencia en unidades de
Symbol Error Rate y adems sern graficados ambos resultados para representar
las diferencias existentes. Los resultados sern presentados considerando:
Las graficas en las Figuras 4.25, 4.26 y 4.27, se presentan en formato semilogaritmico, graficando los valores de SER obtenidos en la Seccin 4.2, referidos al
modelo ecualizado lineal LMS y los resultados de la Seccin 4.4 correspondiente
al modelo de ecualizador basado en redes neuronales.
A continuacin se dispone a comparar el rendimiento del modelo GSM/EDGE
(SER en funcin de SNR), del receptor de un mvil que se encuentra en los
tres tipos de canal de estudio RA, HT y TU, usando ecualizador lineal LMS
y haciendo comparacin con el ecualizador NN. Cuando se aleja el mvil de la
BTS, ocasiona que la seal de recibida disminuya por motivo del incremento de la
109
CANAL RA0
10
10
SER
SER
10
10
10
LMS
NN
10
15
20
SNR(dB)
25
30
10
15
20
SNR(dB)
25
30
25
30
CANAL RA250
10
SER
10
SER
LMS
NN
10
CANAL RA50
10
LMS
NN
10
10
10
10
CANAL RA3
10
10
15
20
SNR(dB)
10
LMS
NN
25
30
10
10
15
20
SNR(dB)
110
CANAL HT0
CANAL HT3
10
10
10
SER
SER
10
10
10
10
LMS
NN
10
10
15
20
SNR(dB)
25
10
30
CANAL HT50
10
15
20
SNR(dB)
25
30
25
30
CANAL HT250
10
SER
SER
10
10
LMS
NN
10
LMS
NN
10
15
20
SNR(dB)
10
LMS
NN
25
30
10
10
15
20
SNR(dB)
111
CANAL TU0
CANAL TU3
10
10
SER
SER
10
10
10
10
LMS
NN
10
10
15
20
SNR(dB)
25
10
30
CANAL TU50
10
15
20
SNR(dB)
25
30
25
30
CANAL TU250
10
SER
SER
10
10
LMS
NN
10
LMS
NN
10
15
20
SNR(dB)
10
LMS
NN
25
30
10
10
15
20
SNR(dB)
112
distancia entre mvil y BTS. Por motivo de reducir el nivel de seal en el receptor
la relacin SNR disminuye ocasionando que el ruido blanco aditivo gausiano sea
comparable a la seal de recibida. El calculo del SER se promedia durante todo
el trayecto para cada condicin analizada considerando que el mvil se aleja de
la BTS (Base Station), a una velocidad V m(Kph). La Figura 4.28, representa la
situacin descrita.
Canal de Propagacin RA, HT o TU
Base Station
Movil con
Velocidad
Vm(Kph)
Es/No
(dB)
30
25
20
15
10
Los Cuadros 4.17, 4.18 y 4.19, representan el SER promediado en la condicion representada en la Figura 4.28, para el mvil con ecualizador LMS y con
ecualizador NN.
Las Figuras 4.29, 4.30 y 4.31, representan el SER en porcentaje ( %), para una
SNR entre 30 y 5 dB, para cada uno de los casos de estudio.
113
Cuadro 4.17: SER promedio para Movil con Ecualizador LMS y NN, Canal RA
Canal RA, SNR [30 a 5 dB]
Velocidad Movil
Ecualizador
Kmts/Hr
0
3
50
250
LMS
14.96 %
18.20 %
37.04 %
43.76 %
NN
7.17 %
10.31 %
14.35 %
37.35 %
Cuadro 4.18: SER promedio para Movil con Ecualizador LMS y NN, Canal HT
Canal HT, SNR [30 a 5 dB]
Velocidad Movil
Ecualizador
Kmts/Hr
0
3
50
250
LMS
16.14 %
31.75 %
45.33 %
47.02 %
NN
7.54 %
27.58 %
28.10 %
39.67 %
Cuadro 4.19: SER promedio para Movil con Ecualizador LMS y NN, Canal TU
Canal TU, SNR [30 a 5 dB]
Velocidad Movil
Ecualizador
Kmts/Hr
0
3
50
250
LMS
16.14 %
25.28 %
42.69 %
45.77 %
NN
5.07 %
13.39 %
15.16 %
36.94 %
114
45
40
LMS
NN
35
SER (%)
30
25
20
15
10
5
0
0Kph
3Kph
50Kph
Velocidad Movil Canal RA
250Kph
50
45
LMS
NN
40
35
SER (%)
30
25
20
15
10
5
0
0Kph
3Kph
50Kph
Velocidad Movil Canal HT
250Kph
115
50
45
LMS
NN
40
35
SER (%)
30
25
20
15
10
5
0
0Kph
3Kph
50Kph
Velocidad Movil Canal TU
250Kph
La Figura 4.32, representa la diferencia entre el SER obtenido con el Ecualizador LMS y el SER obtenido por ecualizador MLP, definido por la relacion:
LMSNN ( %) =
4.5.2.
SERLM S SERN N
SERLM S
100
Las Figuras 4.33, 4.34 y 4.35, representan las graficas en formato semilogaritmico de los valores de SER y de Error de Entrenamiento del modelo de ecualizador
basado en NN.
116
(%)
70
60
Canal RA
50
Canal HT
40
Canal TU
30
20
10
0
0
50
250
Figura 4.32: Reduccion del SER usando Ecualizador MLP y comparando con el
SER obtenido usando ecualizador LMS
4.5.3.
117
Canal RA0
10
10
10
10
Training Goal=1e3
BER
Training Error
10
Canal RA3
10
10
15
20
SNR(dB)
10
10
Training Goal=1e3
BER
Training Error
25
10
30
Canal RA50
10
10
25
30
25
30
Canal RA250
10
15
20
SNR(dB)
10
Es/No
1
10
10
10
Training Goal=1e3
BER
Training Error
10
10
15
20
SNR(dB)
10
10
10
Training Goal=1e3
BER
Training Error
25
30
10
10
15
20
SNR(dB)
118
Canal HT0
10
10
10
10
Training Goal=1e3
BER
Training Error
10
Canal HT3
10
10
15
20
SNR(dB)
10
10
Training Goal=1e3
BER
Training Error
25
10
30
Canal HT50
10
10
25
30
25
30
Canal HT250
10
15
20
SNR(dB)
10
Es/No
1
10
10
Training Goal=1e3
10
BER
Training Error
10
10
15
20
SNR(dB)
10
10
10
Training Goal=1e3
BER
Training Error
25
30
10
10
15
20
SNR(dB)
119
Canal TU0
10
10
10
10
Training Goal=1e3
BER
Training Error
10
Canal TU3
10
10
15
20
SNR(dB)
10
10
Training Goal=1e3
BER
Training Error
25
10
30
Canal TU50
10
10
25
30
25
30
Canal TU250
10
15
20
SNR(dB)
10
Es/No
1
10
10
Training Goal=1e3
10
BER
Training Error
10
10
15
20
SNR(dB)
10
10
10
Training Goal=1e3
BER
Training Error
25
30
10
10
15
20
SNR(dB)
120
Para comparar el rendimiento del modelo GSM con BPSK, se compara el
SER obtenido grficamente y con tablas para el modelo desarrollado en la Seccin 4.4, modificando el ndice de modulacion, con el modelo documentado en
[37], considerando que ambos modelos tienen el mismo ndice de modulacin
(Imodulacin = 2) y poseen estructuras de modulacin y demodulacin similares
(BPSK y GMSK). Los valores de BER2 usando el ecualizador de la Seccion 4.4
y en [37], usando un Ecualizador Tipo MLP con algoritmo Complejo de Backpropagation [38], se presentan en los Cuadros 4.20 y 4.21. La Figura 4.36, representa una comparacin promediando el BER para la condicin de trayecto descrita
en Figura 4.28, donde la SNR varia de de 5 a 40 dB, para los canales de estudio
RA250, HT100 y TU50.
Cuadro 4.20: BER usando Ecualizador MLP Real. Seccion 4.3
SNR (dB)
HT100
TU50
RA250
5
10
20
40
8.14 %
4.19 %
2.63 %
2.43 %
8.90 %
4.20 %
1.04 %
1.05 %
9.34 %
3.26 %
1.70 %
1.53 %
BER Ave
4,34 %
3,79 %
3,95 %
SNR (dB)
HT100
TU50
RA250
5
10
20
40
14.68 %
7.92 %
3.85 %
2.37 %
11.47 %
4.71 %
1.01 %
0.25 %
10.31 %
4.16 %
1.01 %
0.68 %
BER Ave
7,25 %
4,36 %
4,04 %
121
10
MLP COMPLEJO
MLP REAL
7,205
7
BER(%)
6
5
4,04
4,34
3,95
4,36
3,79
4
3
2
1
0
RA250
HT100
TU50
Canales
Figura 4.36: BER( %) para GSM con una variacin de SNR de 5 a 40 dB, en
canales RA250, HT100 y TU50
La Figura 4.37, representa la grafica de los valores de BER y el error de entrenamiento para los canales RA250, HT100 y TU50, en formato semi-logaritmico
con una meta de entrenamiento de T rainingGoal = 54 .La Figura 4.38, representa la grafica en formato semi-logaritmico de los valores de BER para el modelo
GSM, usando Ecualizador Basado en Redes Neuronales Artificiales con Algoritmo de Entrenamiento Complejo [37] y el modelo de Ecualizador Basado en Redes
Neuronales Artificiales con Algoritmo de Entrenamiento Real, desarrollado en la
Seccin 4.3.
122
RA250
BER/Training Error
3 Training Goal=5e4
10
10
3 Training Goal=5e4
10
BER
Training Error
10
BER
Training Error
20
SNR(dB)
30
40
10
10
20
SNR(dB)
30
TU50
10
BER/Training Error
BER/Training Error
10
10
10
HT100
10
10
3 Training Goal=5e4
10
BER
Training Error
10
10
20
SNR(dB)
30
40
40
123
10
10
Real MLP
Complex MLP
Real MLP
Complex MLP
BER
10
BER
10
10
10
10
10
20
SNR (dB)
30
40
10
10
20
SNR (dB)
30
40
10
Real MLP
Complex MLP
1
BER
10
10
10
10
20
SNR (dB)
30
40
Figura 4.38: Comparacin BER para GSM usando Ecualizador tipo MLP Real y
MLP Complejo
Conclusiones
En este proyecto de investigacin se ha desarrollado y evaluado una arquitectura de ecualizador adaptativo usando estructuras no-lineales como son las redes
neuronales artificiales, especficamente del tipo MLP con entrenamiento backpropagation real, aplicndolo en un modelo de simulacin de sistema de comunicaciones mviles, GSM, haciendo particular nfasis en la tecnologa EDGE, que
usa modulacin 8-PSK, para un MCS-9, que significa, el esquema de modulacin
y codificacin mas desprotegido, con el cual se consigue el mejor bit rate desde la
BTS hacia el mvil y viceversa, pero es el esquema de modulacin mas susceptible a los cambios en el canal de radio propagacin, ruido en los sistemas y a la
interferencia co-canal que resulta del rehso de frecuencia inherente y necesario
en el concepto de red celular, y que debe tomarse en cuenta en los criterio de
planificacin de una red celular.
El modelo del ecualizador adaptativo basado en redes neuronales fu desarrollado en la Seccin 4.3, cuya estructura fue del tipo feedforward Multi Layer
Perceptron, con entradas del tipo de lnea de retardo (time delayed) con ajuste
a 6-taps, donde cada entrada representa la seal compleja (fase y cuadratura)
recibida en el extremo del receptor. Cada vector de entrada a la estructura de red
124
125
neuronal posee dos componentes: fase y cuadratura. Las siguientes capas estn
conformadas por la Capa Oculta 1, que posee 50 neuronas, con funcin de activacin Tan-Sigmoid y la Capa Oculta 2, que esta conformada por 25 neuronas
con funcin de activacin Tan-Sigmoid. La etapa de salida esta fijada por la naturaleza de la variable de salida que se quiere ecualizar, por ser una seal compleja,
la Etapa de Salida posee 2 neuronas que representa la seal compleja recibida
ecualizada en el extremo receptor.
El Ecualizador MLP, fu evaluado en un modelo de simulacin GSM/EDGE
usando modulacin 8-PSK y B-PSK. Cuando se quiere evaluar el sistema de transmisin de datos de 2.5G que es EDGE con MCS-9, se usa un ndice de modulacin
de 3-bits/simbolos, un symbol rate=270.833 Ksps y una estructura de trama TDMA con burst conformados por 26 smbolos de Secuencia de Entrenamiento y
122 smbolos de Datos tiles. Para evaluar el sistema de voz y datos de 2G de
GSM, se usa modulacin B-PSK, haciendo una comparacin con el esquema de
modulacin GMSK que usa un ndice de modulacin de 1-bit/simbolo, un symbol
rate=270.833 Kbps y una estructura de trama TDMA con burst conformados por
26 bits de Secuencia de Entrenamiento y 122 bits de Datos tiles.
El rendimiento del sistema GSM/EDGE usando Ecualizador tipo MLP, se
evalu dependiendo de las caractersticas del canal de propagacin. Se tomaron
tres tipos de canales de propagacin, caracterizados por la ETSI 05.05 [28], los
cuales son: Canal de rea Rural (RA), Canal de Terreno Montaoso (HT) y Canal
Tpico Urbano (TU). Cada modelo de propagacin posee un Vector de Retardo
entre Muestras y un Vector de Ganancia Promedio de Trayecto a 6-Taps, con
desvanecimiento de seal tipo Rayleigh. El efecto Doppler por consecuencia de la
126
movilidad de los MS, fue tomado en cuenta considerando velocidad de MS de 0, 3,
50 y 250 Kph. Los ambientes de propagacin fueron considerados asumiendo una
SNR comprenda entre 5 y 30 dB para modulacin 8-PSK y para B-PSK entre 5
y 40 dB.
La variable de medicin del rendimiento del modelo de simulacin GSM/EDGE
para los distintos escenarios de propagacin sugeridos fue el Channel Bit Error
Rate (raw BER) [9]. Este tipo de BER, es medido en los sistemas de comunicaciones antes de la etapa de codificacin, y significa la cantidad de decisiones
incorrectas de la secuencia de informacin transmitida despus de la etapa de
ecualizacin. Se considero el BER para el sistema GSM usando modulacin BPSK con 1-bit/simbolo y el SER, para modulacin 8-PSK con 3-bits/simbolo.
El SER/BER, dependiendo de la modulacin, es medido y promediado para 104
Frames TDMA, tal como lo establece [34].
El rendimiento del sistema GSM/EDGE con 8-PSK, usando Ecualizador MLP
es presentado en las Figuras 4.22, 4.23 y 4.24, y los Cuadros Cuadros 4.14, 4.15 y
4.16, para los canales de propagacin, velocidades de mvil y relacin seal a ruido
consideradas. Luego el SER obtenido usando Ecualizador MLP es comparado,
caso por caso con el SER obtenido al evaluar el modelo de simulacin del sistema
GSM/EDGE usando Ecualizador Lineal desarrollado en la Seccin 4.2, pgina
89. Las graficas en las Figuras 4.25, 4.26 y 4.27, presentan grficamente una leve
reduccin del SER usando el Ecualizador MLP. Para cuantificar objetivamente
la mejora en valores de SER usando el Ecualizador MLP, se dispuso a evaluar
la condicin descrita en la Figura 4.28, obteniendo los resultados de los Cuadros
4.17, 4.18 y 4.19. La grafica en la Figura 4.32, representa la diferencia entre el
127
ecualizador LMS y el MLP, pudiendo apreciar en dicha grafica que en algunos
caso se reduce el SER hasta en un 60 % en Canales como RA50 y TU50, tambin,
mientras que para el Canal HT, la reduccin del SER es de un 50 % para HT0.
Con estos resultados se consigue que en todas las condiciones hubo un resultado
menor a los obtenidos con el Ecualizador LMS.
El rendimiento del modelo de simulacin GSM, usando B-PSK, se hizo para
comparar los resultados de BER obtenidos con el Ecualizador MLP desarrollado en este proyecto con el Ecualizador MLP con algoritmo de entrenamiento
complejo que fue desarrollado en [37]. La intencin fue comparar los resultados
obtenidos a travs de la simulacin y compararlos con una investigacin documentada. Los resultados se pueden apreciar en la Figura 4.36, donde los resultados
obtenidos fueron muy comparables usando el ecualizador MLP con algoritmo de
entrenamiento real desarrollado en 4.3.
El rendimiento del ecualizador MLP, como red neuronal, fue analizado usando
el Error de Entrenamiento, que se consigue al usar el Mtodo Levenberg-Marquardt
[35], que es un Mtodo de Entrenamiento de Gradiente Conjugado y de Momentos. En las Figuras 4.33, 4.34 y 4.35 para 8-PSK y en la Figura 4.37, para B-PSK
se puede apreciar que el mejor resultado adaptativo del ecualizador MLP es conseguido cuando la red logra su mnimo error de entrenamiento. Una opcin para
reducir los tiempo de entrenamiento que pudiera tomar la red neuronal, consiste
en que su meta de entrenamiento pueda ser adaptativa de acuerdo al retardo de
bits que siempre son cuantificados en el MS, pues es concluyente que para velocidades por encima de 3 Kph en modulacin 8-PSK los valores de SER no son muy
bajos en cada uno de los canales RA, HT y TU. Teniendo metas de entrenamien-
128
to adaptativas se pueden reducir los tiempos de convergencia de la red neuronal,
pues se alcanzara la meta en menos pocas.
La complejidad computacional estar muy ligada al optimo diseo que pueda
tener el investigador y su relacin con los resultados a esperar, es por ello que
optimizar los algoritmos de entrenamiento, la cantidad de neuronas, funciones
de pre y post procesamiento de las variables de entrada y usar algoritmos de
entrenamiento complejo [37], pueden mejorar los tiempo de convergencia.
El objetivo general del proyecto consisti en ecualizar un modelo de simulacin
GSM/EDGE usando estructuras no lineales como son las redes neuronales. Este
problema fue logrado adaptando un criterio de clasificacin geomtrica y llevado al
tratamiento de la seal recibida compleja en el receptor, compensando las distorsiones en amplitud y fase que sufren al transmitirse por el canal de propagacin.
La red neuronal se entrena por trama recibida usando la informacin trasmitida
en la TS. Cuando la red esta completamente entrenada con la TS y luego recibe
un vector de informacin til de entrada que jams haba visto y produce una
respuesta a dicho vector de entrada, se dice que la red ha generalizado para esa
trama recibida, dicho proceso se repite para todas las tramas transmitidas.
Referencias Bibliograficas
[1] SIMON, M. y ALOUINI, M (2000). Digital Communication over Fading
Channels. John Wiley & Sons.
[2] GOLDSMITH, A. (2005). Wireless Communications. Universidad de
Stanford.
[3] BOSS, D. PETERMANN, T. y KAMMEYER, K. (1997). Impact of Blind
versus Non-Blind Channel Estimation on the BER Performance of
GSM Receivers. University de Bremen, Departamento de Telecomunicaciones.
[4] HAYKIN, S. (2000). Adaptive Filter Theory. Simon Haykin. Prentice
Hall.
[5] POWER, F. SWEENEY, C. y COWAN C. Non-Linear MLP Channel
Equalization. P. School of Electrical Engineering, The Queens University
of Belfast, Irlanda del Norte
[6] IBNKAHLA, M. (1997). Applications Of Neural Networks To Digital
Communications A Survey. National Polytechnic of Toulouse. Francia.
129
130
[7] HANZO, L. WONG, C. H. y YEE, M. (2002).Adaptive Wireless Transreceivers. Jhon Wiley & Sons LTD.
[8] LU, B. y EVANS, B. Channel Equalization By Feedforward Neural
Networks. Dept. of Electrical and Computer Engineering. The University
of Texas. Austin. USA.
[9] HALONEN, T. ROMERO, J. y MELERO, J. (2003). GSM, GPRS and
EDGE Performance. John Wiley & Sons Ltd.
[10] EBERSPCHER, J. Y VGEL, H. (2001).GSM Switching, Services and
Protocols. John Wiley and Sons Ltd.
[11] RAPPAPORT, T. 2002. Wireless Communications, Principles And
Practice. Prentice Hall.
[12] PARSON, J. D. (2000). The Mobile Radio Propagation Channel. Segunda Edicion. John Wiley and Sons Ltd.
[13] PUKKILA, M. (2000). Channel Estimation Modeling. Nokia Research
Center.
[14] WANDEL & GOLTERMANN. GSM, Pocket Guide. Vol 2.
[15] KOMNINAKIS, C. FRAGOULI, C. SAYED, A y WESEL, R (2000). Channel Estimation and Equalization in Fading. Electrical Engineering Department University of California. Los Angeles-USA.
[16] TORBJN, E. (2000). Prediction of Mobile Radio Channels. Ao 2000.
Uppsala University. Sweden.
131
[17] POWER, P. (2001). Non-Linear Multi-Layer Perceptron Channel
Equalization. University of Belfast.
[18] KANTSILA, A. LEHTOKANGAS, M y SAARINEN, J. (2003). On Radial
Basis Function Network Equalization In The Gsm System. European
Symposium on Artificial Neural Networks. Bruges. Belgium.
[19] TANENBAUM, A. (1996).Computer Networks. Tercera Edicion. Prentice
Hall.
[20] SIEMENS. (2000). SBS System Specialist TAC. Siemens.
[21] ETSI. (2004). GSM 04.04 MS-BSS Layer 1 General Requirements.
ETSI.
[22] XIONG, F. (2000).Digital Modulation Techniques. Artech House.
[23] HU, Y y HWANG, J. (2001). Handbook of Neural Network Signal
Processing. CRC Press.
[24] SAMPIERI, R. COLLADO, C. y LUCIO, P. (2003). Metodologia de la
Investigacion. Tercera Edicion. Mc Graw Hill.
[25] BALESTRINI, M. (2001). Como Se Elabora El Proyecto de Investigacion. BL Consultores Asociados.
[26] 3GPP TS 45.005. Radio, Transmission and Reception 3rd Generation
Partnership Project. Technical Specification Group GERAN
132
[27] Y. J. Zhou. (1994). Research of the adaptive equalization technique
for GSM digital mobile communication system. M.S.Thesis, Southeast
Univ.
[28] ETSI TC-SMG, GSM 05.05. (1995). European Digital Cellular Telecommunication System (Phase 2) - Radio Transmission and Reception.
[29] JERUCHIM, M. BALABAN, P. SHANMUGAN, S. Simulation of Communication Systems: Methodology, Modeling and Techniques. Segunda Edicin. KLUWER ACADEMIC PUBLISHERS. New York.
[30] XUE, J y YU, H. A Mean Field Annealing Partially-Connected
Neural Equalizer for Pan-European GSM System. National Communications Research Laboratory Southeast University. Nanjing-China.
[31] Haykin, S. Adaptive Filter Theory, Third Ed., Upper Saddle River, N.J.,
Prentice-Hall, 1996.
[32] MATLAB. Communication Toolbox. Version 3. Mathworks.2005.
[33] FIESLER, E. BEALLE, R. y PIDGEON, S. Handbook of Neural Computation. IOP Publishing Ltd and Oxford University Press. 1997.
[34] ETSI TC-SMG, GSM 05.08. (1996). Digital Cellular Telecommunications System (Phase 2+); Radio subsystem link control.
[35] BISHOP, C. M. Neural Networks for Pattern Classifcation. New York.
Oxford University Press. 1995.
[36] MATLAB. Neural Network Toolbox. Version 4. Mathworks.2005.
133
[37] KANTSILA, A. HAVERINEN, T. LETHKANGAS, M. SAARINEN, J. On
Equalization With Complex MLP Network In The GSM Environment. Tampere University of Technology. Finlandia. 2001.
[38] HAYKIN, S., y LEUNG, H. The Complex Backpropagation Algorithm.
IEEE Transaction on Signal Proccessing. Vol. 3, No 9, pp 2101-2104. 1991.
[39] SEURRE, E., SAVELLI, P. y PIETRI, P. EDGE for Mobile Internet.
Artech House Mobile Communications Series. Norwood. USA. 2003.
[40] SEURRE, E., SAVELLI, P. y PIETRI, P. GPRS for Mobile Internet.
Norwood, MA. USA. Artech House. 2003.
[41] GERSTACKER, W. H., y SCHOBER, R. Equalization Concepts for
EDGE. IEEE Transactions on Wireless Communications, Vol. 1, No. 1. Enero 2002.
[42] STERGIOPOULOS, S. Advanced Signal Processing Handbook. CRC
Press. 2001.
Glosario de Terminos
2G
3G
8-PSK
AWGN
BER
B-PSK
BTS
CIR
CMA
CPM
CS
DL
EDGE
EGPRS
FDMA
FIR
FSE
GERAN
GMSK
GP
GSM
HSCSD
HT
HTx
Second Generation
Third Generation
Octal Phase Shift Keying
Additive White Gaussian Noise
Bit Error Rate
Bipolar Phase Shift Keying
Base Station
Channel Impulse Response
Constant Module Alghoritm
Continuous Phase Modulation
Coding Scheme
Down link
Data Rates for Global Evolution
Enhanced General Packet Radio System
Frequency Division Multiple Access
Finite Impulse Response
Fractional Spaced Equalizer
GSM EDGE Radio Access Network
Gaussian Minimum Shift Keying
Guard Period
Global System for Mobile Communications
High Speed Circuit Switched Data
Hilly Terrain Channel
Hilly Terrain Channel @ x Kph
134
135
IF
ISI
LMS
LOS
LS
MCS
MLP
MLSE
M-PSK
MS
MSK
NNs
OSI
PDU
PSK
QoS
RA
RACH
RAx
RBF
RF
RFC
Rx
RXLEVEL
RXQUAL
SACCH
SER
SIR
SNR
TB
TDMA
TS
TU
TUx
Tx
UL
Um
VLSI
Intermediate Frequency
Inter Simbolic Interference
Least Mean Squares
Line of Sight
Least Squares
Modulation Coding Scheme
Multi Layer Perceptron
Maximum-Likelihood Sequence Estimation
M-Phase Shift Keying
Movil Station
Minimun Shift Keying
Neural Networks
Open System Interconnection
Protocol Data Unit
Phase Shift Keying
Quality of Service
Rural Area Channel
Random Access Channel
Rural Area Channel @ x Kph
Radial Basis Function
Radio Frequency
Radio Frequency Channel
Reception
Reception Level
Reception Quality
Slow Associated Control Channel
Symbol Error Rate
Signal To Interference Relation
Signal To Noise Relation
Tail Bits
Time Division Multiple Access
Training Sequence
Typical Urban Channel
Typical Urban Channel @ x Kph
Transmission
Up Link
GSM Air Interface
Very Large Scale Implementation
Anexos
Algoritmo desarrollado en MATLAB del modelo de simulacin GSM/EDGE, para canales de
propagacin RA, HT y TU
%%
%%
%%
%%
%%
Universidad de Carabobo
Facultad de Ingenieria
Area de Estudios de Postgrado
Facultad de Ingeniera Electrica
Maestria en Ingenieria Electrica
% Proyecto:
%% Ecualizacion del Canal de Propagacion en un Sistema de Comunicaciones
%% Moviles GSM/EDGE Aplicando Redes Neuronales Artificiales
%
%
%
%
%
%
%
%
Modelo de Simulacion del Sistema GSM/EDGE, en banda base ser usado para evaluar
un modelo de ecualizador basado en redes neuronales tomando en cuenta los
escenarios propagacion definidos en COST207 [ETSI], tales como: Canal Rural
Area(RA), Canal Hilly Terrain (HT) y Canal Typicall Urban (TU), cada unos
de los canales evaluados para las velocidades de movil de 0,3,50 y 250
Kph. Cada modelo de propagacion considera el Ruido Blanco Gaussiano
Aditivos, tomando en cuenta la variable, Signal To Noise Relation
Es/No(dB).
%
%
%
%
136
137
clear all;
%% Definicion Matriz de Resultados Bit Error Rate
avgBER=ones(4,6);
avgError=ones(4,6);
%% Definicion del Ciclo para Variaciones de Es/No
for j=3;%:1:4
SNR=[5 10 20 40];
%Definicion del Ciclo para las Variaciones de Velocidad del Movil
for k=1;%1:1:4
Vmovil=[0 3 100 250];
% Bloque de Transmision y Modulacion
% Ajuste de los parametros relacionados a la modulacion PSK, el bloque
% de transmision y la fuente de informacion. La Trama TDMA esta
% constituida por: Training Sequence y Payload.
Tsym = 1/(270e3);
% Perido del Simbolo (1/BitRate)
bitsPerSymbol = 3;
% Indice de Modulacion Bits/Simbolo
M = 2.^bitsPerSymbol;
% Nivel de modulacion M-ary
nPayload = 122;
% Numero de Simbolos del Payload
nTrain = 26;
% Numero de Simbolos de la Training Sequence
nTail = 1;
% Numero de Simbolos de Cola
xTrain = pskmod(randint(1, nTrain, M), M); % Training Sequence
xTail = pskmod(randint(1, nTail, M), M);
% Tail sequence
%% Filtros de Transmision/Recepcion
%
%
%
%
%
%
%
%
138
% Parametros de Filtro
nSymFilt = 8;
% Numero de periodos de simbolos dispersos por filtro
osfFilt = 4;
% Factor Oversampling(samples por symbol)
rolloff = 0.25;
% Factor de Rolloff
Tsamp = Tsym/osfFilt;
% Periodo de muestreo de la seal transmitida (seg)
cutoffFreq = 1/(2*Tsym); % Frecuencia de Cutoff (half Nyquist bandwidth)
orderFilt = nSymFilt*osfFilt; % Orden del Filtro (number de taps - 1)
% Respuesta dl Filtro y estructura
sqrtrcCoeff = firrcos(orderFilt, cutoffFreq, rolloff, 1/Tsamp, ...
rolloff, sqrt);
txFilt = adapteq_buildfilter(osfFilt*sqrtrcCoeff, osfFilt, 1);
rxFilt = adapteq_buildfilter(sqrtrcCoeff, 1, osfFilt);
%% Ruido Blanco Gausiano Aditivo
% signal-to-noise ratio
EsNodB = SNR(j); % Relacion energia simbolo/densidad espectral de potencia (dB)
snrdB = EsNodB - 10*log10(osfFilt); % Signal-to-noise ratio por muestra (dB)
%% El Canal de Propagacion por Multitrayecto
% La Parte II del script (adapteqpt2.m), se ejecuta multiples veces.
% corresponde a un frame transmitido
simName = Ecualizacion del Canal de Propagacin;
% Etiqueta de Ventana
%% Multipath channel
Vm=Vmovil(k);
% Velocidad del movil
fd=((Vm*(1000/3600))*900e6)/3e8; % Maximo Doppler shift (Hz)
%Canal de Propagacion RAx
Vdelay=[0 0.2e-6 0.4e-6 0.6e-6];
Vg=[0 -2 -10 -20];
%Canal HTx
%Vdelay=[0 0.2e-6 0.4e-6 0.6e-6 15e-6];% 17.2e-6];
%Vg=[0 -2 -4 -7 -6];% -12];
% %Canal TUx
% Vdelay=[0 0.2e-6 0.6e-6 1.6e-6 2.4e-6 5e-6];
% Vg=[-3 0 -2 -6 -8 -10];
chan = rayleighchan(Tsym,fd,Vdelay,Vg);
chan.ResetBeforeFiltering = 0;
delaychan=chan.ChannelFilterDelay;
% Ecualizador Adapatativo Lineal LMS
nWeights = 6; % Single weight
139
stepSize = 0.1; % Step size para algoritmo LMS
alg = lms(stepSize); % Objeto Adaptativo
eqObj = lineareq(nWeights, alg, pskmod(0:M-1, M));
eqObj.ResetBeforeFiltering=0;
eqObj.RefTap =1; % Tap de referencia
% Objeto Ecualizador
140
141
%
%
%
%
%
%
%
% Filtro Tx
142
[PN,minp,maxp,TN,mint,maxt] = premnmx(P,T);
%% Red Neuronal
net=newfftd(minmax(P),[0:5],[12,24,2],{tansig,tansig,purelin},traingdx);
% Parametros de Entrenamiento
net.trainParam.show = 50;
net.trainParam.epochs = 500;
net.trainParam.goal = 1e-3;
% Entrenamiento
[net,tr]=train(net,PN,TN);
%% Calculo de Error con NN
imax=max(tr.epoch);
errorframe=tr.perf(imax);
TrainEqN=[sim(net,PN)];
TrainEq=postmnmx(TrainEqN,mint,maxt);
TrainEqi=complex(TrainEq(1,1:nTrain),TrainEq(2,1:nTrain));
Rxdatax=[real(rxSamples((nTrain+1):(nTrain+nPayload)))];
Rxdatay=[imag(rxSamples((nTrain+1):(nTrain+nPayload)))];
Rxdata=[Rxdatax;Rxdatay];
[RxdataN,minRxdata,maxRxdata] = premnmx(Rxdata);
RxEqN=[sim(net,RxdataN)];
RxEq=postmnmx(RxEqN,minRxdata,maxRxdata);
RxEqi=complex(RxEq(1,1:nPayload),RxEq(2,1:nPayload));
y=[TrainEqi RxEqi];
yPayload=RxEqi;
143