Está en la página 1de 3

Resumen

Se presenta a continuación los algoritmos MUSIC y LMS para mejorar la tecnología de


antenas inteligentes y las diferentes maneras en que se prevé podrán influir en los sistemas
de comunicaciones móviles e inalámbricas. Las telecomunicaciones se encuentran con
nuevos sistemas de comunicaciones en gran desarrollo, en el pasado era de difícil la
contracción y requerían gran capacidad de procesamiento, es así que se generan algoritmos
para dar solución y para mejorar la funcionalidad de los sistemas y la presentación de
servicios.
El presente documento cuenta con el estudio de los algoritmos MUSIC y LMS, detallando la
polarización, espectro, características, ventajas y la elaboración de las simulaciones, la cual
es realizada en el software Matlab.

Introducción
El incremento de tráfico exige un aumento de capacidad en las redes, ya que actualmente
los servicios radican en multimedia y transmisión de datos. Uno de los métodos empleados
para este propósito es el uso de dispositivos con múltiples antenas, es decir, con arrays de
antenas explotando la propagación multitrayecto. Y junto con algoritmos de transmisión y
recepción permite mejorar su funcionamiento.
El algoritmo MUSIC propuesto por Schmidt en 1979, es una técnica de alta resolución para
la clasificación de múltiples señales, basado en la descomposición de la matriz de
correlación para el caso de un arreglo de forma arbitraria. Desde su presentación el
algoritmo MUSIC (Multiple Signal Classification), se ha considerado como una referencia de
comparación para las demás técnicas de estimación de DOA. Una persona es capaz de
determinar la dirección de llegada (DOA), de un sonido. Este algoritmo permite realizar la
estimación de varios parámetros relacionados con las señales. Al ser un método de alta
resolución su desempeño es superior al de métodos como la FFT para el análisis espectral y
al beamforming tradicional para la determinación del DOA de señales.
El algoritmo LMS pertenece a la familia de los algoritmos de gradiente estocástico, es decir,
el filtro se adapta en base al error en el instante actual únicamente. Fue inventado en 1960
por el profesor de la Universidad de Stanford Bernard Widrow y su primer estudiante de
doctorado, Ted Hoff. Las antenas y arreglo de antenas a menudo operan en entornos
dinámicos, donde las señales tanto deseados e interferentes llegan al cambiar de dirección
y con diferentes poderes. Como resultado, las redes de antenas adaptativas se han
desarrollado. Estas redes de antenas emplean un algoritmo de ponderación de adaptación,
que adapta los pesos en base a las señales recibidas para mejorar el rendimiento de la
matriz, lo que detalla el algoritmo LMS.

MUSIC
El algoritmo MUSIC se basa en las propiedades de la descomposición en autovalores de la
matriz de covarianza de la señal recibida en sus valores y vectores propios. La exactitud de
la respuesta del algoritmo depende del número de muestras que se empleen para realizar
las estimaciones, es decir que mientras mayor sea su número mejor será el desempeño del
sistema, a esto se refiere su comportamiento asintóticamente no tendencioso, a
continuación se presenta una estimación de los siguientes parámetros: Numero de señales,
frecuencias de las señales, dirección de arribo, potencia y correlación cruzada, polarización,
nivel de ruido.
Lleva a cabo la descomposición característica de la matriz de covarianza de los datos de
salida de las matrices, lo que resulta en un subespacio ortogonal de la señal con un
subespacio de ruido correspondiente a las componentes de la señal. Los dos espacios se
utilizan para construir una función del espectro. La utilización del algoritmo MUSIC es
debido a que tiene una alta resolución, precisión y estabilidad en determinadas condiciones.
Para la implementación del algoritmo MUSIC y el análisis del arreglo de antenas inteligentes
se tiene en cuenta las siguientes características:

 Todas las señales incidentes al arreglo de antenas, están compuestas por ondas
planas.
 El transmisor y los objetos que causan múltiples trayectorias, se encuentran en
campo lejano al arreglo de antenas.
 La distancia entre los elementos de la antena, es lo suficientemente pequeña para
que las amplitudes de las señales recibidas a cualquier elemento del arreglo, no
difieran significativamente.
 Cada elemento de la antena tiene el mismo patrón de radiación y la misma
orientación
 El acoplamiento mutuo entre los elementos de la antena es despreciable.

Ventajas:
Ventajas respecto a las limitaciones presentadas en otros DOA:

 Capacidad de medir simultáneamente múltiples señales.


 Medición de alta precisión.
 Alta resolución para las señales de haz de la antena.
 Se puede lograr un procesamiento en tiempo real después de usar la tecnología de
procesamiento de alta velocidad.

Desventajas:

 La complejidad de cómputo de los algoritmos de subespacio de ruido es por lo


general muy elevada, puesto que las operaciones relacionadas con la matriz de
covarianza y estimación de raíces son muy costosas.
 Los algoritmos de subespacio de ruido necesitan de varios snapshots para conseguir
una estimación precisa.
 No permite la actualización de fuentes en tiempo real.

Aplicaciones

 Estimación de DOA, que se apoyan en las Redes Neuronales Neural Networks (NNs),
el éxito de las experiencias basadas en NNs está dado por la propia naturaleza de
este subcampo de la AI (Antenas Intiligentes). Su capacidad para realizar cálculos a
gran velocidad, paralelismo inherente, aprendizaje y rápida adaptabilidad ante
cambios en los datos.
 Aplicaciones tales como la localización de transmisores de radio o la
radionavegación requieren del uso de sistemas de detección del ángulo de arribo de
señales electromagnéticas de alta resolución.
 Los entornos de radio en las comunicaciones móviles son complicados y varían en
el tiempo en general; por lo tanto, se requiere métodos de estimación DoA (dirección
de llegada) de alta resolución que puedan seguir rápidamente el cambio de los
entornos de radio.

Conclusión

 A partir del desarrollo del algoritmo MUSIC, se puede crear un sistema de antenas
inteligentes, para ello requiere una simulación de uno o más usuarios moviéndose
angularmente y por medio de un factor de arreglo establecer el patrón de radiación
del sistema. Y el algoritmo LMS es eficiente en el movimiento hacia los pesos
óptimos para este caso. Dado que el algoritmo utiliza un aproximado de la matriz de
auto correlación en cada paso de tiempo.

Bibliografía:
Mendoza F, (2008), Estimación DOA en el sistema de comunicaciones móviles utilizando
métodos de seguimiento de subespacios, disponible en:
http://ieeexplore.ieee.org/document/4609908/?denied
Fernández S, (2013), Optimización de la Estimación de DOA en Sistemas de Antenas
Inteligentes usando criterios de Redes Neuronales, disponible en:
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-59282013000100006