Introducción

En sistemas de comunicaciones inalámbricos clásicos, es común que la onda

electromagnética emitida por el transmisor no llegue al receptor de forma
directa por la posible presencia de obstáculos entre el transmisor y el receptor.
De esta manera, la señal recibida es en realidad la superposición de múltiples
réplicas de la transmitida, que sufrieron de un proceso de dispersión, difracción
o refracción durante su propagación. Este efecto es conocido como
propagación multitrayectoria [Rappaport libro].

La señal recibida está conformada entonces por una suma de infinitas réplicas
de la señal transmitida atenuadas, retardadas y con un corrimiento en fase
(según la cual la superposición resultante puede ser constructiva o destructiva).
Las distorsiones ocasionadas por el fenómeno multitrayectorias deben ser
compensadas en recepción, por ejemplo mediante ecualizadores.

Adicionalmente, cuando el sistema de comunicaciones es móvil se presenta el

Efecto Doppler, ocasionando un corrimiento en frecuencia respecto a la
portadora transmitida. La frecuencia de corrimiento Doppler se relaciona con el
ángulo de incidencia de la onda mediante una muy popular expresión. Debido
al corrimiento en frecuencia, el espectro de la señal se dispersa. En el dominio
temporal, este fenómeno puede interpretarse como que la respuesta al impulso
del canal se hace variable en el tiempo.

Los dos fenómenos anteriormente mencionados, producen como resultado

grandes variaciones aleatorias de la señal recibida. Esto se debe a que ocurren
desvanecimientos profundos (30 a 40 dB o superiores) a una alta velocidad,
dependiendo de la velocidad del móvil y de la portadora [Saunders libro].

Hasta el momento, sólo se han mencionado fenómenos que ocurren en

sistemas inalámbricos clásicos, entendiéndolos como sistemas con una antena
en transmisión y una en recepción (SISO – Single Input Single Output). Más
recientemente, tecnologías que vinculan la dimensión espacial, tales como
Sistemas de Antenas Adaptativas (AAS –Adaptive Antenna Systems) y MIMO
(Multiple Input Multiple Output) han sido incluidas en el diseño de tecnologías
inalámbricas de punta, muestra de ello es la gran acogida que han tenido entre
estándares inalámbricos recientemente desarrollados o apenas en proceso de
definición, tales como el IEEE 802.11n [], IEEE 802.16d [], IEEE 802.16e [],
IEEE 802.20 [], IEEE 802.22 [] y el 3GPP [].

La vinculación de la dimensión espacial, adiciona un grado de complejidad al

modelamiento de los canales inalámbricos, ya que es necesario tener en
cuenta dicha dimensión dentro de los análisis. Los modelos de canal de estos
sistemas entonces, vinculan estadísticas de ángulos de llegada principalmente
[libro Space Time Channel Models], aunque algunos autores sostienen que es
necesario también tener en cuenta los ángulos de salida hablando de un canal
Doblemente Direccional [Moslich double direccional channel]. Con las
estadísticas de estas direcciones de llegada, es posible determinar la cantidad
de dispersión espacial introducida al canal por dispersores presentes en el
ambiente o por movimiento [Fleury]. La siguiente gráfica ilustra lo anteriormente
expuesto.

Figura 1. Parámetros en un escenario típico de un modelo de canal espacio temporal. Fuente: R. B.

Ertel, et al. “Overview of Spatial Channel Models for Antenna Array Communication Systems”.
IEEE Personal Communications. Feb, 1998.

Es importante caracterizar y modelar el canal para diferentes condiciones con

el objetivo de predecir, simular y diseñar óptimamente los sistemas de
comunicaciones, ya que impacta aspectos de gran importancia dentro del
sistema como la selección apropiada de arreglos de antenas para
determinadas aplicaciones (incluyendo su geometría y su espaciamiento)
[Tesis Wells], estimaciones reales de desempeño del sistema (en términos de
capacidad, cobertura y calidad), evaluación de desempeño real de diferentes
esquemas de procesamiento de señal espacio temporal, diseño y aplicación de
algoritmos de conformación de haces [artículo Kai Yu], entre otros. De esta
forma, la importancia del modelo de canal ha sido comprendida por
investigadores y académicos alrededor del mundo. De la gran cantidad de
modelos de canal espacio temporales hasta ahora reportados en la literatura,
pueden hacerse varias clasificaciones [artículo Kai Yu]:

- Físicos y no Físicos: Los modelos no físicos se basan en las

características estadísticas de los canales MIMO, obtenidas a partir de
mediciones. En general, son simples de simular y proporcionan buena
precisión para los escenarios específicos en que fueron definidos,
aunque no permiten analizar los fenómenos físicos producidos en la
señal propagada y dependen de los equipos de medida y la
configuración del experimento en sí.

Por otra parte, los modelos físicos describen el canal MIMO a partir de
parámetros físicos [la presentacion resumen modelos MIMO u otro de
los surveys], como ángulos de llegada, ángulos de salida, tiempos de
llegada, entre otros. Su mayor dificultad son la gran cantidad de
parámetros que se requieren definir para un escenario determinado, los
cuales no sólo son complejos de identificar y caracterizar, sino también
de validar.

- Banda Ancha y Banda Angosta: los modelos banda ancha tratan el canal
de propagación como Selectivo en Frecuencia, esto quiere decir que
diferentes sub-bandas de frecuencia tienen diferentes respuestas del
canal. Los modelos banda angosta por su parte asumen el canal plano
 en frecuencia, con lo cual el canal se comporta igual en todo el ancho de
banda de la señal transmitida.

- Medidas de campo y modelos de dispersores: una popular manera de

caracterizar el canal MIMO, es mediante medidas tomadas en campo,
las cuales pueden ser procesadas para estudiar las estadísticas del
canal y modelarlo con estas mismas características. Otra alternativa es
postular un modelo que por lo general especifica distribuciones de
dispersores, el cual capture las características del canal.

Siguiendo la clasificación entre Físicos y No Físicos, ampliamente difundida en

la literatura [buscar referencias que lo sustenten], algunos modelos físicos
hasta el momento definidos incluyen los siguientes.

…… aquí vendría revisión de modelos estudiados (ver Kai Yu).

Dentro de estos modelos, se identificaron dos de gran interés por la

generalidad y aplicabilidad de sus técnicas de modelamiento. Ellos serán
denominados en este artículo como el modelo de Molisch [] y el de Patzold
[presentación]. El primero, es un modelo físico que tiene en cuenta entre otros
fenómenos, dispersión simple (difusa/especular), dispersión doble
(difusa/especular), difracción y guía de onda. El segundo es un modelo no
físico, el cual define inicialmente un modelo de referencia (geométrico), al cual
determina sus parámetros para llegar a un modelo determinístico de
simulación realizable en la realidad.

Este artículo busca mostrar la implementación de un simulador basado en el

modelo de Patzold, así como algunos resultados preliminares obtenidos
mediante el mismo. La Sección 1 presenta la metodología de simulación
propuesta por Patzold. La Sección 2 describe el modelo específico simulado y
al cual se refiere este artículo. En la Sección 3 se presenta una descripción del
simulador implementado, cuyos resultados preliminares se anexan y analizan
en la Sección 4. Finalmente se obtienen conclusiones.

1. Metodología propuesta por Patzold

Se requieren en la actualidad métodos modernos de simulación de los canales

de radio, los cuales no sólo modelen las propiedades estadísticas de medidas
tomadas de determinado canal relativas a las funciones de densidad de
probabilidad de sus amplitudes, es decir estadísticas de primer orden, sino que
también tengan en cuenta estadísticas de segundo orden como la Tasa de
Cruce de Nivel (Level Crossing Rate) y la Duración Promedio de
Desvanecimientos (Average Duration of Fades).

Para esto, es necesario identificar los procesos estocásticos requeridos para

modelar canales de radio tanto banda ancha como banda angosta. En este
sentido, el primer paso para modelar el canal de radio MIMO según Patzold
[libro] consiste en definir un modelo de referencia (o analítico) ideal descrito por
procesos estocásticos, el cual es no realizable. Posteriormente, se procede a
derivar un modelo de simulación flexible y eficiente para varios escenarios
típicos de un sistema de comunicaciones de radio. La siguiente figura ilustra la
relación entre el modelo estocástico de referencia y el modelo determinístico de
simulación. La precisión entre estos dos modelos se juzga buscando que las
estadísticas de los resultados simulados sean similares a los del modelo de
referencia.

Figura 2. Relación entre modelo de referencia y el modelo determinístico a simular. Fuente: M.

Patzold. “Modelling and Simulation of MIMO Channels”. BEATS, Cuban Workshop. 2004.

Una función u ( t , si ) individual de tiempo es llamada Función de Muestreo, y

una familia de estas Funciones de Muestreo conforman un Proceso
Estocástico: u ( t , s i ) = { u ( t , s i ) si ∈ Q} = { u ( t , s1 ) , u ( t , s 2 ) ,...} . Adicionalmente,
para un instante de tiempo particular t 0 un proceso estocástico u ( t 0 , s ) sólo
depende de s siendo equivalente a una variable aleatoria cuya función de
densidad de probabilidad sólo depende de los valores de s.

De la Teoría de Procesos Estocásticos se tienen los siguientes enunciados que

resumen lo anteriormente expuesto [libro Patzold]:

- Si t es una variable y s es una variable aleatoria, entonces u (t )

representa una familia de funciones de muestreo u (t , s ) .
- Si t es una variable y s=s0 es una constante, entonces u ( t ) = u ( t , s 0 ) es
una realización de una función de muestreo del proceso estocástico.
- Si t=t0 es una constante y s una variable aleatoria, u ( t 0 ) es una variable
aleatoria también.
- Si t=t0 y s=s0 son constantes, entonces u ( t 0 ) es un número de valor real
o complejo.

Un método comúnmente utilizado para simular modelos de canal se basa en el

uso de Procesos Aleatorios Gaussianos Coloreados de valor real. Por ejemplo,
los modelos de banda angosta clásicos de Rice o Rayleigh pueden ser
simulados con dos procesos Gaussianos coloreados [referencia patzold cap IV,
rice o rayleigh], mientras un proceso de Suzuki (referencia suzuki del libro
patzold page 65 Suz 77) el cual es definido por el producto de un proceso de
Rayleigh y uno lognormal puede ser simulado mediante tres procesos
Gaussianos coloreados. Los tres modelos del ejemplo anterior son de banda
angosta. Para el caso banda ancha, es común la utilización de filtros con
respuesta finita al impulso (FIR) con L coeficientes de valor complejo variables
en el tiempo, los cuales requieren para su realización de 2L procesos
Gaussianos coloreados (siendo L el número de taps que se tienen en el
modelo). Estos ejemplos llevan a la conclusión de que es necesario el
desarrollo de métodos eficientes para la realización de procesos Gaussianos
coloreados para el modelamiento tanto de canales planos como selectivos en
frecuencia.

En la literatura pueden encontrarse básicamente dos métodos fundamentales

para modelar procesos Gaussianos coloreados: el método de filtros y el de
Rice. Mediante filtros, un ruido gaussiano ni(t) conforma la entrada de un filtro
lineal invariante en el tiempo cuya función de transferencia se representa por
Hi(t). Si ni(t) ~ N(0,1), a la salida del filtro se tendría un proceso estocástico
aleatorio Gaussiano de media cero u i ( t ) . En conclusión, filtrando un ruido
Gaussiano se obtendrá un proceso estocástico Gaussiano coloreado. Para este
caso, la Densidad Espectral de Potencia S ui ,ui del proceso Gaussiano
coloreado resultante equivale al cuadrado del valor absoluto de la función de
transferencia del filtro:

S ui ,ui = H i ( f )2

El segundo método básico para solucionar este problema está basado en el

principio de Rice [referencia Rice 44 y 45 page 66 patzold]. Consiste en la
superposición de un número infinito de funciones de armónicas ponderadas
con frecuencias equidistantes y fases aleatorias. Según esto entonces, un
proceso Gaussiano u i ( t ) puede ser descrito matemáticamente como:

Ni
u i ( t ) = lim N i →∞ ∑ ci , n cos ( 2πf i ,n t + θ i , n )
n =1

Donde ci ,n = 2 ∆f i S ui ,ui ( f i ,n ) y f i ,n = n∆f . En este caso las fases θi , n (n=1,2,

…,Ni) son variables aleatorias uniformemente distribuidas en (0,2π ].
Adicionalmente, ∆f i → 0 cuando N i → ∞ .

Los dos métodos son presentados en la siguiente figura, y ambos obtienen

como resultado procesos estocásticos idénticos. Sin embargo, ambos son
métodos ideales no realizables, ya que el filtro del primer método se asume
ideal y estrictamente hablando la entrada blanca gaussiana tampoco es
realizable. En el segundo método, la imposibilidad de su implementación se
debe al número infinito de componentes armónicas estimadas. De esta forma
se concluye, que los métodos del Filtro y de las Componentes Armónicas son
modelos de referencia de un proceso gaussiano coloreado.
Figura 3. Modelo de referencia para un Proceso Estocástico Gaussiano Coloreado por el método de
Filtros

Figura 4. Modelo de referencia para un Proceso Estocástico Gaussiano Coloreado por el método de
Superposición de Componentes Armónicas.

El método de filtros puede hacerse realizable mediante la implementación de

filtros reales de buenas características. El de componentes armónicas limitando
el número de componentes armónicas. En ambos casos, la salida resultante
del modelo determinístico simulado debe ser comparada con la salida deseada
en el caso ideal a partir de sus características estadísticas.

En este caso, el interés se centra al modelo de Superposición de Componentes

Armónicas. El modelo realizable queda entonces expresado mediante la
siguiente expresión:

Ni
uˆ i ( t ) = ∑ ci ,n cos ( 2πf i , n t + θ i , n )
n =1

Donde uˆi ( t ) representa al proceso Gaussiano Coloreado obtenido a partir del

modelo simulado. Hasta este momento el modelo es aún estocástico, pues las
fases se siguen considerando variables aleatorias. Una vez estas fases son
obtenidas a partir de un generador de variables aleatorias uniformemente
distribuidas en el intervalo (0,2π ] el modelo pasa a ser determinístico. Caso en
el cual se tiene la siguiente expresión:

Ni
u~i ( t ) = ∑ ci ,n cos ( 2πf i , n t + θ i , n )
n =1

En conclusión, u i ( t ) representa el modelo de referencia, uˆ i ( t ) el modelo

~ (t )
estocástico realizable, y u i el modelo determinístico a simular. El objetivo es
~ (t )
que las características estadísticas de u i sean lo más cercanas posibles a
ui (t ) .
En contraste al esquema mostrado en la Figura 4 que corresponde al modelo
de referencia, los modelos estocástico realizable y el modelo a simular estarían
representados por:

Figura 5. Modelos estocástico realizable (la fases son variables aleatorias) y Determinístico utilizado
para simulación (las fases son constantes).

Si se hace una selección apropiada de los parámetros que describen el

proceso determinístico de interés, se puede alcanzar una buena aproximación
~ (t )
entre las propiedades estadísticas de u i y las de u i ( t ) .

A partir de este procedimiento, pueden generarse procesos Gaussianos

Determinísticos Complejos de la siguiente manera:

u~ ( t ) = u~1 ( t ) + ju~2 ( t )

Mediante este proceso entonces, un simulador basado en Superposición de

Componentes Armónicas para un canal de Rice estaría dado por:
~ (t ) = u
u ~ ( t ) + m(t )
Rice

Donde m(t) representa la componente de línea de vista directa. El simulador

tendría la siguiente estructura entonces:

Figura 6. Esquema de un simulador de Rice basado en el método de Superposición de Componentes

Armónicas
Para realizar las simulaciones, se deben determinar los parámetros del modelo
de simulación, para este caso son las frecuencias f i , n , las fases θi , n y los
coeficientes ci , n , los cuales se mantienen constantes durante la simulación.

La etapa fundamental y crítica de esta metodología de simulación es la

~ (t )
determinación de los parámetros de tal forma que u i ≈ u i ( t ) , buscando un
compromiso entre la anterior condición y una baja complejidad en la realización
de la simulación, la cual en este caso se ve reflejada según el número de
componentes armónicas utilizadas.

Métodos para el Cálculo de Parámetros de los Procesos Determinísticos

En la actualidad existen múltiples métodos para el cálculo de los parámetros de

un modelo de simulación (en este caso se referirán como frecuencias, fases y
coeficientes). Estos métodos son aplicados para obtener parámetros que sigan
unas densidades espectrales de potencia de interés, obtenidas a partir de
medidas o aproximaciones teóricas sustentadas. En este caso y como un
ejemplo, el uso de éstos métodos se referirán a su aplicación a la simulación
del espectro Doppler (como se verá más adelante en este artículo, su uso
puede extenderse a otras aplicaciones como determinación de ángulos de
llegada), asumiendo que este sigue las dos distribuciones más comunes en el
caso de un canal de radio móvil, que son la densidad espectral de potencia
Gaussiana y la de Jakes []. A continuación se enuncian los métodos existentes
y algunas comparaciones encontradas en la literatura entre ellos [].

El método de Rice, el de Distancias Iguales [referencias patzold 92] y el de

Mínimos Errores Cuadráticos [], asumen frecuencias equidistantes, y se
diferencian en la manera en que los coeficientes son adaptados a la Densidad
Espectral de Potencia deseada. Debido a la equidistancia en frecuencia que
manejan estos tres métodos tienen la desventaja de obtener un proceso
Gaussiano determinístico con un periodo muy pequeño.

Dicha desventaja se ve solucionada mediante el método de Áreas Iguales [], el

cual presenta un desempeño bastante aceptable para una densidad espectral
de potencia de Jakes, aunque tiene un alto nivel de complejidad cuando se
refiere a densidades Gaussianas.

Técnicas Monte Carlo también se han vuelto bastante populares en los últimos
años [], aunque su desempeño es bastante pobre frente a las demás técnicas
si se comparan sus resultados en términos de la función de autocorrelación
Gaussiana simulada con la deseada. El principio de funcionamiento de Monte
Carlo, consiste en que las frecuencias discretas del sistema de simulación son
obtenidas a partir del mapeo de una variable aleatoria con distribución uniforme
a una variable aleatoria con la distribución deseada. De esta manera, las
frecuencias en sí se convierten en variables aleatorias y el resultado en general
se desvía bastante del proceso estocástico aleatorio Gaussiano ideal,
manteniéndose esta condición aún cuando el número de funciones armónicas
es elevado [].
Surge entonces otro procedimiento casi óptimo, llamado el Método de
Dispersión Doppler Exacto (Method of Exact Doppler Spread - MEDS) [], el cual
se comporta casi ideal para densidades de Jakes. El método de Norma Lp (Lp-
norm) es el único que presenta un mejor desempeño que el MEDS. Sin
embargo su complejidad es bastante elevada por lo cual su uso no se justifica
para densidades sencillas y comunes como la Gaussiana o la de Jakes. Se
hace importante para aplicaciones donde las propiedades estadísticas del
modelo de simulación determinístico deben ser adaptadas a mediciones
hechas en la realidad.

Para un número infinito de componentes armónicas todos estos métodos

entregan resultados con propiedades estadísticas idénticas, sin embargo sus
diferencias se hacen notables cuando el modelo se hace real, es decir, cuando
Ni es limitado. Un completo análisis estadístico de cada uno de estos métodos,
así como una comparación entre ellos, puede encontrarse en [libro].

2. Modelo de Referencia aplicado para MIMO

El procedimiento propuesto por Patzold [articulo patzold] parte del modelo de

referencia geométrico de dispersión de 1 anillo [referencia 6 y 11 patzold one
ring], el cual consiste de un número infinito de dispersores locales ubicados en
un anillo alrededor de la estación móvil (EM) y es para canales de banda
angosta. En él se asume una estación base (EB) elevada por lo cual no se ve
obstruida por dispersores locales, y una estación móvil EM con infinitos
dispersores a su alrededor distribuidos en un anillo.

En [] Patzold demostró que las propiedades estadísticas el modelo de

referencia y el de simulación coincidían, para esto analizó en ambos modelos la
Función de Correlación Cruzada Espacio Temporal y la Función de
Autocorrelación. El excelente desempeño del simulador fue demostrado
comparando sus propiedades de correlación espacial y temporal con las del
modelo de referencia. A su vez, el simulador fue utilizado para hacer un análisis
de capacidad de un sistema MIMO con un arreglo lineal de antenas 2*2.

El siguiente esquema representa el modelo geométrico de un anillo:

j
Figura 7. Modelo Geométrico de un Anillo.

Donde ∆EB , EM es el espaciamiento entre elementos de antenas en la estación

base y el móvil, R el radio de la nube dispersora alrededor de la EM, D la
R R
distancia entre EB y EM, φmax = a tan   ≈ es la dispersión angular máxima
BS

D D
de EB , αEB , EM los ángulos de orientación de los arreglos de antena en EB y
EB
EM, v la velocidad de EM, α la dirección de la EM, A j es el elemento j del
EM
arreglo de antenas en la EB, Ai el elemento i del arreglo de antenas en la
EM.
Para el caso del elemento de antena A1EM , la señal recibida está conformada
por infinitas componentes armónicas provenientes de diferentes direcciones
dependiendo de la distribución de los dispersores. El modelo asume la
condición de que D >>> R >>> max{ ∆ EB , ∆ EM } , de esta forma se puede deducir
que la componente difusa del elemento transmisor 1 al elemento receptor 1 es:
N
1
h11 (t ) = Lim N →∞
N
∑a
n =1
n bn e j ( 2πf n t +θn )

Donde

jπ
∆ EB
(
Cos ( α EB ) +φmax
EB
Sen ( α EB ) Sen φnEM ( ))
an = e λ

jπ
∆ EM
( (
Cos φnEM −α EM ))
bn = e λ

f n = f max Cos φnEM − α v ( )

θn i.i.d ~ U [ 0,2π )

Se puede además demostrar que para el caso del elemento de antena

transmisor 1 al receptor 2, la componente h21 (t ) está dada por la misma
expresión de h11 (t ) reemplazando a bn por bn * (* representa la operación

conjugación). Análogamente, h12 (t ) se obtiene reemplazando a n por n a *, y

h12 (t ) cambiando bn por bn * y a n por a n * . Con las cuatro componentes
(para el caso de un arreglo 2*2) se conforma la matriz del canal, la cual
describe al modelo de referencia:

 h1 t)( 1 h1 t)( 2
H t)( =  
 h2 t)( 1 h2 t)( 2
En este caso, a n , bn y f n son funciones del ángulo de llegada φn , el cual
EM

en el modelo de referencia puede asumirse como una variable aleatoria

continua con distribución p φn (
EM
)
dado que N → ∞ . Para p φn
EM
se han ( )
propuesto múltiples distribuciones, como la Uniforme [6 one ring], Von Mises
[11 one ring], Gaussiana [12 one ring] y Laplaciana [13 one ring].
Para que el modelo de referencia sea realizable debe tener un número finito de
componentes, como se mencionó anteriormente. Al aplicar el método de
modelamiento de canal Determinístico mostrado en la Sección 1, se debe partir
del modelo de referencia ya presentado, limitar su número de componentes
para obtener un modelo estocástico de simulación, fijar todos sus parámetros
para llegar al modelo determinístico de simulación, y finalmente calcular dichos
parámetros mediante alguno de los métodos de cálculo de parámetros
existentes.

Siguiendo este proceso en este modelo se tendría entonces:

Modelo de Referencia:
N
1
h11 (t ) = Lim N →∞
N
∑a
n =1
n bn e j ( 2πf n t +θn )

Modelo Estocástico de Simulación:

1 N
hˆ11 (t ) = ∑
N n =1
a n bn e j ( 2πf n t +θn )

θn ~ U [ 0,2π )
φnEM cons tan tes

hˆ11 (t ) se entiende entonces como un proceso estocástico, el cual en [14 one

ring] se demostró que es Estacionario en sentido estricto y Ergódico.

Modelo Determinístico de Simulación:

~ 1 N
h11 (t ) = ∑
N n =1
a n bn e j ( 2πf n t +θn )

θn cons tan tes

φnEM cons tan tes

Al realizar las simulaciones lo que se obtendrá son funciones de muestra. En

teoría debería obtenerse un número infinito de funciones de muestra para
obtener estadísticas de estos resultados, sin embargo por ser este proceso
estocástico ergódico, se puede simplificar el análisis a una sola muestra.

La matriz del canal obtenida a partir del modelo estocástico de simulación

Hˆ (t ) está conformada por las componentes h ˆ (t ) . Análogamente, la matriz
ij
~
del canal del modelo de simiulación determinístico H (t ) se conforma con los
~
elementos hij (t ) .

El paso final a seguir según la metodología, es el cálculo de los parámetros por

alguno de los métodos existentes. Para este caso, los parámetros fueron
obtenidos mediante los métodos LPNM y MEDS.