Tema 3 ecualizacion de-canal
-
Upload
jose-ramon-cerquides-bueno -
Category
Documents
-
view
1.292 -
download
2
Transcript of Tema 3 ecualizacion de-canal
Tema 3:Ecualización de canal
Dr. José Ramón Cerquides BuenoTeoría de la Señal y Comunicaciones
Universidad de Sevilla
Transmisión Digital
Dr. J.R. Cerquides Universidad de Sevilla 2
Organización• Introducción• El detector MLSD• Ecualización de canal
• Planteamiento del problema• Soluciones
• Diseños fijos• Diseños no restringidos• Diseños retringidos a una estructura de filtro transversal
• Diseños adaptativos
• Comparación de las diferentes técnicas de ecualización
• Conclusiones• Referencias
Dr. J.R. Cerquides Universidad de Sevilla 3
Introducción• En los sistemas reales de transmisión
frecuentemente nos encontramos con ISI o con fenómenos que escapan a nuestro control:• Desvanecimientos• Propagación multicamino• Ecos• Desajustes en general en los circuitos transmisores
o receptores• Conmutación de circuitos• Otros fenómenos
• RESULTADO:• La respuesta del canal difiere de la esperada o
supuesta (la que habremos utilizado en el diseño teórico de los filtros terminales óptimos)
Dr. J.R. Cerquides Universidad de Sevilla 4
Introducción• CONSECUENCIAS:
• Respecto al ruido• Nuestro sistema ya no tiene un diseño óptimo
la relación SNR va a descender desciende la relación Eb/N0
aumenta la probabilidad de error
• ISI (Interferencia intersimbólica) • Si no había ISI
va a aparecer• Si ya había ISI (sistemas con ISI controlada o
compensada) va a aumentar (descontrolándose).
• En cualquier caso ISI ↑↑ aumenta la probabilidad de error
Dr. J.R. Cerquides Universidad de Sevilla 5
Introducción. Efectos multicamino• EJEMPLO:
• Sistema BPSK diseñado para trabajar con Eb/No = 10dB BER = 3,9 · 10-6
• ¿Qué le ocurre al aparecer multicamino (τ>Ts)?
Dr. J.R. Cerquides Universidad de Sevilla 6
Introducción. Efectos multicamino
0 20 40 60 80 10010
-6
10-4
10-2
100
Potencia relativa del rayo secundario (%)
BE
R
ISI + ruido
Solo ruido
• EJEMPLO:• Sistema BPSK diseñado para trabajar con Eb/No =
10dB BER = 3,9 · 10-6
• ¿Qué le ocurre al aparecer multicamino (τ>Ts)?
Dr. J.R. Cerquides Universidad de Sevilla 7
Introducción. Efectos multicamino• EJEMPLO:
• Sistema QPSK diseñado para trabajar con Eb/No = 25dB
• Al aparecer una componente multicamino (retardo de un símbolo, nivel relativo 5 dB por debajo del camino principal)
Dr. J.R. Cerquides Universidad de Sevilla 8
Introducción• CONCLUSIÓN
• Necesitamos introducir elementos adicionales que compensen o minoren el efecto nocivo de la ISI.
• Tenemos dos alternativas• Cambiar a un detector MLSD (Maximum Likelihood
Sequence Detection)• Introducir un subsistema encargado de compensar la
ISI.
• El subsistema encargado se denomina ECUALIZADOR DE CANAL o IGUALADOR DE CANAL
• El ecualizador va colocado justo después del circuito de muestreo.
Dr. J.R. Cerquides Universidad de Sevilla 9
El detector MLSD• Cuando la señal recibida tiene ISI, el detector
convencional (critero de distancia mínima) deja de ser la solución óptima.
• EJEMPLO:• Supongamos que el canal digital viene dado por
hd[n] = δ[n] - 0.7·δ[n-1] + 0.5·δ[n-2]
• Si la secuencia de símbolos (binarios) emitida hubiese sido:
s[n] = … 1 -1 -1 1 1 -1 -1 -1 -1 -1 …
Dr. J.R. Cerquides Universidad de Sevilla 10
El detector MLSD• La señal de salida hubiese venido dada por
• Suponiendo que los dos símbolos transmitidos antes del inicio de s[n] son dos 1’s (estado inicial) tendríamos que la secuencia recibida (sin incluir el efecto del ruido sería):
r[n] =… 0.8, -1.2, 0.2, 1.2, -0.2, -1.2, 0.2, -0.8, -0.8, -0.8 …• Si la secuencia de ruido w[n] tomase los siguientes
valores:w[n] = … 1.0, 0.5, 0.1, -0.4, 0.5, -0.9, -0.1, 1.1, 1.7, -0.6 …
la secuencia completa recibida hubiese sido:r[n] =… 1.8, -0.7, 0.3, 0.8, 0.3, -2.1, 0.1, 0.3, 0.9, -1.4 …
• La técnica de detección de mínima distancia hubiese arrojado la siguiente secuencia detectada:s’[n] = … 1 -1 1 1 1 -1 1 1 1 -1 …
• Comparando:s[n] = … 1 -1 -1 1 1 -1 -1 -1 -1 -1 …
dk
h k s n k
ds[n]*h [n] s n 0.7s n 1 0.5s n 2
Dr. J.R. Cerquides Universidad de Sevilla 11
El detector MLSD• Es necesario utilizar un detector que tenga en
cuenta el efecto de la ISI (unos símbolos interfieren sobre los otros).
• En lugar de ser un detector que opere símbolo a símbolo deberá considerar la secuencia de símbolos más probable MLSD (Maximum Likelihood Sequence Detection)
• Podemos ver el canal digital equivalente como un codificador convolucional con relación de código
k/n = 1que utiliza una restricción de tamaño K = longitud en muestras de la respuesta impulsional.
• El “estado” del codificador serían los últimos K-1 símbolos emitidos.
Dr. J.R. Cerquides Universidad de Sevilla 12
El canal digital como codificador convolucional• EJEMPLO:
• El canal digital dado por hd[n] = δ[n] - 0.7·δ[n-1] + 0.5·δ[n-2]
puede interpretarse como el siguiente codificador convolucional:
s[n] s[n-1] s[n-2]
1-0.7 0.5
s n 0.7s n 1 0.5s n 2
Estado
Entrada
Dr. J.R. Cerquides Universidad de Sevilla 13
Diagrama de estados del codificador• Continuando con la similitud entre el canal
digital y un codificador convolucional, podemos obtener su diagrama de estados. Para el caso del ejemplo:
a1,1
c1,-1
b-1,1
d-1,-1
1
0.8
-1
-1.2
12.2
-1
0.2
-1
-2.2
-1
-0.8
11.2
1-0.2
Dr. J.R. Cerquides Universidad de Sevilla 14
Trellis del canal digital• Continuando con la similitud entre el canal
digital y un codificador convolucional, podemos obtener su Trellis. Para el caso del ejemplo:
a
b
c
d
a
b
c
d
1
-1
1
-1
1
-1
1
-1
1
-1
1 -1
-1
1
a
b
c
d
a
b
c
d
a
b
c
d
1
-1
1
-1
1 -1
-1
1
Dr. J.R. Cerquides Universidad de Sevilla 15
El detector MLSD• Opera sobre secuencias de símbolos en lugar
de sobre símbolos aislados.• Vamos a hacer uso del algoritmo de Viterbi
para la obtención del camino más probable a lo largo del Trellis.
• Necesitamos asignar un “peso” a cada una de las transiciones dentro del Trellis. Dicho peso debería ser la probabilidad
• ¿Cuál es la probabilidad de cada transición?
a a
b
1
-1
Dr. J.R. Cerquides Universidad de Sevilla 16
El detector MLSD• El símbolo recibido es
r[n] = s[n] – 0.7 s[n-1] + 0.5 s[n-2] + w[n]• Queremos determinar la probabilidad de que
s[n] sea 1 (o -1) sujeta a que el símbolo recibido sea r[n] y a que el estado original sea el estado a (1,1). p s n 1 r[n],a
p s n 1, r n ,a
p r n ,a
p r n s n 1,a p s n 1,a
p r n ,a
p w n r[n] 1 0.7 0.5 p s n 1,a
p r n ,a
p s n 1,ap w n r[n] 0.8
p r n ,a
2
2w
r n 0.8
2
w
p s n 1,a1e
p r n ,a2
Dr. J.R. Cerquides Universidad de Sevilla 17
El detector MLSD• La probabilidad buscada es:
• La probabilidad de la otra transición (que supone la emisión del símbolo -1) será:
• Si los símbolos son equiprobables el factor
• Como la suma de ambas probabilidades debe ser 1, cada una será proporcional a la correspondiente exponencial.
2
2w
r n 0.8
2
w
p s n 1,a1p s n 1 r[n],a e
p r n ,a2
2
2w
r n 1.2
2
w
p s n 1,a1p s n 1 r[n],a e
p r n ,a2
p s n 1,a p s n 1,a
p r n ,a p r n ,a
Dr. J.R. Cerquides Universidad de Sevilla 18
El detector MLSD• Veamos un ejemplo de la asignación de pesos
a las ramas.• Supongamos que se recibe el símbolo 1.8 y
que partimos del estado a
donde k1 se habrá elegido de forma que la suma de ambas probabilidades sea la unidad.
a a
b
22w
1
21k ·e
22w
3
21k ·e
Dr. J.R. Cerquides Universidad de Sevilla 19
El detector MLSD• Si avanzamos en la decodificación, debemos
asignar las probabilidades de de las nuevas ramas que aparecen. Por ejemplo, si el siguiente símbolo recibido fuese -0.7 tendríamos:
a
b
c
d
a
b
c
d
a
b
c
d
22w
1
21k ·e
22w
3
21k ·e
22w
1.5
22k ·e
22w
0.5
22k ·e
22w
2.9
22k ·e
22w
0.9
22k ·e
Dr. J.R. Cerquides Universidad de Sevilla 20
El detector MLSD• Suponiendo que el ruido es independiente en
cada símbolo, la probabilidad de cada camino es el producto de las probabilidades de sus diferentes ramas.
a
b
c
d
a
b
c
d
a
b
c
d
22w
1
21k ·e
22w
3
21k ·e
22w
1.5
22k ·e
22w
0.5
22k ·e
22w
2.9
22k ·e
22w
0.9
22k ·e
2 2
2 2w w
1 0.5
2 21 2k ·e k ·e
2 2
2 2w w
3 2.9
2 21 2k ·e k ·e
Dr. J.R. Cerquides Universidad de Sevilla 21
El detector MLSD• Gracias a las propiedades de la exponencial,
podemos compactar el peso de cada camino como:
• Cuando dos caminos distintos confluyen en un mismo nodo, ambos tendrán distintas probabilidades:
• La de mayor probabilidad (exponente menor) será la superviviente.
2 2
2 22 2 2w w w
1 0.5 11 0.5
2 2 21 2 1 2k ·e k ·e k ·k ·e
2 2 2
1,1 2,1 n ,12w
1d d ... d
21 2 np ruta 1 k ·k ...·k ·e
2 2 2
1,2 2,2 n ,22w
1d d ... d
21 2 np ruta 2 k ·k ...·k ·e
Dr. J.R. Cerquides Universidad de Sevilla 22
El detector MLSD• Como acabamos de ver, finalmente el único
elemento que se utiliza para decidir es el factor
donde los di son las distancias entre el símbolo que teóricamente se debería haber recibido de producirse dicha transición y el que realmente se ha recibido.
• Por tanto no es necesario trabajar con los exponentes, sino que podemos asignar a cada rama el peso d2, eligiendo finalmente el camino de menos peso.
• El resto del algoritmo de Viterbi funciona de la forma habitual, descartando caminos hasta que sólo queda uno posible, que corresponde a la secuencia que se decodifica como correcta.
2 2 21 2 nd d ... d
Dr. J.R. Cerquides Universidad de Sevilla 23
2.563.82
0.161.42
15.86
0.365.86
1.967.46
Detector MLSD y algoritmo de Viterbi• Si la secuencia recibida hubiese sido:r[n] =… 1.8, -0.7, 0.3, 0.8, 0.3, -2.1, 1.7, -2.0,
3.3, -1.4 …el algoritmo de Viterbi resultaría:
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
a
b
c
d
1
9
2.253.25
0.251.25
8.4117.41
0.819.81
0.253.5
2.255.5
3.614.86
0.011.26
0.2517.66
6.2523.66
0.8110.62
1.2111.02
0
4
9
3.5
7.5
13.861
Dr. J.R. Cerquides Universidad de Sevilla 24
1.215.03
0.814.63
6.257.67
0.251.67
0.017.51
3.6111.11
2.255.75
0.253.75
Detector MLSD y algoritmo de Viterbi• Continuando con la decodificación: -0.7 0.3 0.8
0.3
2.563.82
0.161.42
1
0.36
1.96
a
b
c
d
a
b
c
d
a
d
a
b
c
d
2.253.25
0.251.25
0.81
0.253.5
2.25
3.61
0.011.26
0.25
6.25
0.81
1.21
0
4
9
3.5
7.5a
b
c
d
Dr. J.R. Cerquides Universidad de Sevilla 25
1.696.72
10.8915.92
0.014.64
3.618.24
5.4911.04
18.4924.24
0.812.48
8.4110.08
Detector MLSD y algoritmo de Viterbi
5.03
a
b
c
d
a
b
c
d
a
d
a
c
d
a
b
c
d3.82
1.42
3.5
5.75
1.67
3.53.25
1.25
4.631.26
a
b
c
d
-1 -1
-0.7 0.3 0.8 0.3 -2.1
Dr. J.R. Cerquides Universidad de Sevilla 26
Detector MLSD. Limitaciones• Como hemos visto el detector MLSD permite
realizar la decodificación óptima (máxima verosimilitud) en presencia de ISI.
• Su realización hace uso del algoritmo de Viterbi para determinar el mejor camino dentro del Trellis.
• Sin embargo, en la práctica su utilización está muy limitada fundamentalmente por dos factores:1. Es necesario conocer con precisión la respuesta del
canal digital hd[n].• Se dificulta su realización en el caso de canales
variantes (comunicaciones móviles, sistemas inalámbricos en general…)
2. El coste computacional asociado a la realización puede hacerlo inviable.
Dr. J.R. Cerquides Universidad de Sevilla 27
Detector MLSD. Coste computacional• Para una modulación con J posibles símbolos
emitidos y un canal con respuesta impulsional de longitud L tendremos JL-1 estados posibles con JL posibles transiciones.
• Cada transición supone evaluar 1 suma (resta) + 1 multiplicación 2JL operaciones.
• EJEMPLO: Modulación 16-QAM , Rs = 1 Mbaud, respuesta impulsional de longitud 6• El número de operaciones para decodificar cada
símbolo será:
2·166 = 33.5·106 flops = 33.5 Mflops• El número de operaciones requeridas por segundo
será:33.5 Mflops/símbolo · 1 Msímbolo/seg = 33.5·1012
flops/seg(el límite actual de los procesadores es ~ Gflops/seg)
Dr. J.R. Cerquides Universidad de Sevilla 28
Ecualización de canal• En muchas situaciones prácticas
(desconocimiento de la respuesta del canal, excesivo coste computacional) la detección MLSD no es viable.
• Se opta entonces por una solución sub-óptima: la ecualización (o igualación) de canal.
• La idea original es bastante sencilla: introducir un bloque (el ecualizador) capaz de eliminar la ISI o por lo menos de reducirla considerablemente, de forma que podamos seguir utilizando un detector clásico (de los que operan símbolo a símbolo).
• ¿Dónde va a ir colocado este nuevo circuito?
Dr. J.R. Cerquides Universidad de Sevilla 29
Localización del ecualizador
FUENTE
CODIFI-CADOR
MODU-LADOR
CANAL
DEMODU-LADOR
DETECTOR
DESTINO
Mensaje transmitido
m[l] (secuencia
digital)
Símbolos transmitidos
s’[n] (secuencia
digital)
Señal transmitida
s(t) (señal
analógica)
Ruido
v(t) (señal
analógica)
Señal recibida
x(t) (señal
analógica)
Símbolos recibidos
r[n] (secuencia discreta)
Mensaje recibido
m’[l] (secuencia
digital)
Señal de salida del canal
c(t) (señal
analógica)
Símbolos estimados DECODIFI-
CADOR
s[n] (secuencia
digital)
CANAL DIGITAL
EQUIVALENTE
CANAL DISCRETO
EQUIVALENTE
CANAL BINARIO
EQUIVALENTE
Ecualizador
Dr. J.R. Cerquides Universidad de Sevilla 30
Localización y tecnología del ecualizador
• Tecnológicamente, los ecualizadores suelen realizarse con DSPs o ASICs Digital
FILTRO
ADAPTADO
Señal recibida
x(t) (señal
analógica)
DEMODULADOR
Símbolos recibidos
r[n] (secuencia discreta)
Señal salida
r(t) (señal
analógica)
Ecualizador
Símbolosecualizados
y[n]
FILTRO
ADAPTADO
Señal recibida
x(t) (señal
analógica)
DEMODULADOR
Símbolos recibidos
r[n] (secuencia discreta)
Señal salida
r(t) (señal
analógica)
A/D
DSPASIC
(ecualizador+detector+
decodificador)
Dr. J.R. Cerquides Universidad de Sevilla 31
Planteamiento del problema• Utilizando el modelo de canal digital
equivalente:
• Si el canal fuese ideal y el diseño perfecto*:• hd[n] = √Ep· δ[n] (diseño perfecto, no ISI)
• w[n] blanco y gaussiano, σw2 = N0/2, rww[m] = σw
2 δ[m]
• En la práctica puede ocurrir (incluso con un canal conocido y utilizando filtros terminales óptimos)• hd[n] ≠ √Es· δ[n] (ISI)
• w[n] adquiere color, σw2 = N0/2, rww[m] ≠ σw
2 δ[m]
CANAL DIGITAL
hd[n]
s[n]
Secuencia de símbolos de
entrada
r[n]
Secuencia de símbolos de
salida
w[n] Ruido discreto
x[n]
Salida del
canal
* Suponiendo que no se trata de sistema con ISI controlada
Dr. J.R. Cerquides Universidad de Sevilla 32
Planteamiento del problema• Ecualizar (igualar) el canal significa introducir
un sistema en cascada de forma que:
y[n] = hd[n]*hec[n]*s[n] + hec[n]*w[n] ≈ s[n-n0]
hd[n] s[n] r[n]
hec[n] y[n]
s[n-n0]
w[n]
x[n]
Respuesta del
canal ecualizado
Ruido a la salidadel ecualizador
Dr. J.R. Cerquides Universidad de Sevilla 33
Soluciones• Diseños fijos
• Estructuras sin restricciones• Filtrado inverso• Filtro de Wiener
• Restringidas a una estructura de filtro transversal:• Filtro FIR de Wiener• Forzador de ceros• Mínimos cuadrados
• Diseños adaptativos• Con referencia temporal
• Algoritmo LMS• Algoritmo RLS
• Sin referencias (ciegos)• Dirigidos por decisión
• Otras alternativas
Dr. J.R. Cerquides Universidad de Sevilla 34
Diseños fijos• El problema se plantea de la forma siguiente:
• Dada una hd[n] y las características del ruido w[n] diseñar un ecualizador con respuesta impulsional hec[n] que resuelva el problema.
• Se utilizan cuando el canal es conocido y no se esperan variaciones sustanciales con el tiempo.• EJEMPLO: Enlaces a través de medios guiados (cable,
guía de ondas, fibra óptica…)
• Pueden usarse también en diseños “adaptativos por bloques”• EJEMPLO: La transmisión se ejecuta en salvas de 1024
símbolos (tramas). El sistema identifica el canal en cada trama y supone que las carácterísticas de hd[n] y w[n] se mantienen durante el tiempo que dura la trama. Se diseña un ecualizador para las características de canal medidas.
Dr. J.R. Cerquides Universidad de Sevilla 35
Diseños fijos y adaptativos por bloques• Diseños adaptativos por bloques
¿ hd[n] ? s0[n] r0[n]
¿w[n]?
x0[n]
Algoritmode
identificaciónde
canal
dh n
w n
Ecualizador
Dr. J.R. Cerquides Universidad de Sevilla 36
Diseños fijos sin restricción–Filtrado inverso
y[n] = r[n]*hec[n] =
= (x[n]+w[n])*hec[n] =
= x[n] *hec[n] + w[n]*hec[n] =
=s[n]*hd[n]*hec[n] + w[n]*hec[n] ≈ s[n-n0]
• Ignorando la componente de ruidos[n] *hd[n]*hec[n] =s[n-n0]
hd[n] s[n] r[n]
hec[n] y[n]
s[n-n0]
w[n]
x[n]
Dr. J.R. Cerquides Universidad de Sevilla 37
Diseños fijos sin restricción–Filtrado inverso
s[n] *hd[n]*hec[n] =s[n-n0]
hd[n]*hec[n] =δ[n-n0]
Hd(z)·Hec(z) = z-n0
• Solución:
0n
ecd
zH z
H z
Dr. J.R. Cerquides Universidad de Sevilla 38
Diseños fijos sin restricción–Filtrado inverso• Comentarios sobre la realizabilidad:
• Solo es estable y causal si hd[n] es un sistema de fase mínima (todos sus ceros dentro del circulo unidad).
• En caso contrario el ecualizador diseñado tiene polos fuera del círculo unidad:
• Si el sistema es estable (ROC contiene la circunferencia unidad), es no causal (ROC no contiene ∞)
• Si el sistema es causal (ROC contiene ∞) es inestable.
• Como la estabilidad es un criterio irrenunciable, el filtro inverso puede dar lugar a diseños no causales, lo que compromete seriamente su aplicabilidad.
• En resumen:• hd[n] es de fase mínima hec[n] causal
• hd[n] no es de fase mínima hec[n] no causal
Dr. J.R. Cerquides Universidad de Sevilla 39
Diseños fijos sin restricción–Filtrado inverso• Comentarios sobre las prestaciones
• No se ha tenido en cuenta el ruido al diseñar el ecualizador.
• El ruido a la salida será w[n]*hec[n], luego su densidad espectral será Sww(F)·|Hec(F)|2
• En aquellas bandas en las que Hd(F) tome valores bajos
Hec(F) crecerá para compensar
La densidad espectral de ruido crecerá
• La potencia de ruido a la salida será:
0.52
ruido,out ww ec
0.5
P S F H F dF
0.5
20ec
0.5
NH F dF
2
0.5
20ec
0.5
NH F dF
2
20ec
n
Nh n
2
Dr. J.R. Cerquides Universidad de Sevilla 40
EJEMPLO - Filtro inverso
hd[n] = δ[n] – 0.3·δ[n-1]-0.1·δ[n-2]
Probabilidad de error (Eb/N0 = 5 dB) ≈ 0.023930
Dr. J.R. Cerquides Universidad de Sevilla 41
EJEMPLO - Filtro inverso
Hd(F) = 1 – 0.3e-j2πF -0.1e-j4πF
d
1H F 110 54cos 2 F 20cos 4 F
10
1d
3sin 2 F sin 4 FH F tg
10 3cos 2 F cos 4 F
Dr. J.R. Cerquides Universidad de Sevilla 42
EJEMPLO - Filtro inverso
Hd(z) = 1 – 0.3z-1 -0.1z-2
Es un sistema de fase mínima
Polos en z = 0 (doble)
Ceros en z = 0.5, -0.2
Dr. J.R. Cerquides Universidad de Sevilla 43
EJEMPLO – Filtro inverso
0n
ecd
zH z
H z
1
5
ec 1
zH z
1 0.5z 1 0.2z
5
d
z
H z
5
1 2
z
1 0.3z 0.1z
En este caso se ha elegido
n0 = 5
Dr. J.R. Cerquides Universidad de Sevilla 44
EJEMPLO – Filtro inverso
n 5 n 5
ec
2 1 5 1h n u n 5
7 5 7 2
1
5
ec 1
zH z
1 0.5z 1 0.2z
Dr. J.R. Cerquides Universidad de Sevilla 45
EJEMPLO – Filtro inverso
Dr. J.R. Cerquides Universidad de Sevilla 46
EJEMPLO – Filtro inverso• Probabilidad de error
• Sin ecualizador: 0.026501• Con ecualizador: 0.012570• Mínimo teórico: 0.005954
• Relación Eb/N0 • Antes de ecualizar: 5 dB• Después de ecualizar: 4.04
dB
Dr. J.R. Cerquides Universidad de Sevilla 47
EJEMPLO 2 – Filtro inverso
Dr. J.R. Cerquides Universidad de Sevilla 48
EJEMPLO – Filtro inverso
Dr. J.R. Cerquides Universidad de Sevilla 49
EJEMPLO – Filtro inverso
• Probabilidad de error• Sin ecualizador:0.259265• Con ecualizador:0.220274• Mínimo teórico: 0.005954
• Relación Eb/N0 • Antes de ecualizar: 5 dB• Después de ecualizar: -5.25
dB
Dr. J.R. Cerquides Universidad de Sevilla 50
Ecualizador por Filtro de Wiener (no causal)• Nos enfrentamos al problema:
s[n] = Secuencia de símbolos emitidoshd[n] = Respuesta impulsional del canal digital equivalentex[n] = Salida del canal digital equivalentew[n] = Ruido digital equivalenter[n] = Señal a la entrada del ecualizadorhec[n] = Respuesta impulsional del Ecualizador
y[n] = Señal a la salida del ecualizadord[n] = Señal deseada a la salida del ecualizadore[n] = Señal error
s[n] r[n]
w[n]
x[n]
d[n]
y[n] e[n]hec[n]
hd[n]
Dr. J.R. Cerquides Universidad de Sevilla 51
Filtro de Wiener• Analizaremos primero un problema más
sencillo:
hd[n] s[n] r[n]
hec[n]
w[n]
x[n]
d[n]
y[n] e[n]
r[n]
h[n]
d[n]
y[n] e[n]
Dr. J.R. Cerquides Universidad de Sevilla 52
Filtro de Wiener• Buscamos la solución al problema:
donde e[n] = d[n] – y[n] • Buscamos el mejor filtro h[n] en sentido
cuadrático medio (Mean Square Error) MSE, (Minimum Mean Square Error) MMSEMSE = E{|e[n]|2} = potencia media del error
• Queremos determinar que filtro h[n] debemos colocar para minimizar el MSE.
r[n]
h[n]
d[n]
y[n] e[n]
Dr. J.R. Cerquides Universidad de Sevilla 53
Principio de ortogonalidad• TEOREMA: El principio de ortogonalidad
establece que el MSE será mínimo cuando se verifique la condición:
er[m] = E{e[n]r*[n-m]} = 0
Alternativamente:re[m] = er
*[m] = E{r[n]e*[n-m]} = 0
• DEMOSTRACIÓN:• Sea h[n] un filtro tal que al usarlo se verifica re[m]
= 0• Sea g[n] otro filtro cualquiera• Vamos a demostrar que el MSE obtenido con el filtro
h[n] es siempre menor o igual que el obtenido con g[n].
Dr. J.R. Cerquides Universidad de Sevilla 54
Principio de ortogonalidad
yh[n] = salida del filtro h[n]
yg[n] = salida del filtro g[n]
eh[n] = d[n] – yh[n] = error al usar el filtro h[n]
eg[n] = d[n] – yg[n] = error al usar el filtro g[n]
MSEh = E{|eh[n]|}2 = E{|d[n] – yh[n]|2}
MSEg = E{|eg[n]|}2 = E{|d[n] – yg[n]|2} =
= E{|d[n] – yg[n]+ yh[n] - yh[n]|2} =
= E{|eh[n] + yh[n] - yg[n]|2}
r[n]
h[n]
d[n]
yh[n] eh[n]
r[n] g[n]
d[n]
yg[n] eg[n]
Dr. J.R. Cerquides Universidad de Sevilla 55
Principio de ortogonalidadMSEg = E{|eh[n] + yh[n] - yg[n]|2} =
= E{(eh[n] + yh[n] - yg[n]) *(eh[n] + yh[n] - yg[n])} =
= E{|eh[n]|2} + E {eh*[n](yh[n] - yg[n])} +
+ E {eh [n](yh[n] - yg[n]) *} + E {|yh[n] - yg[n]|2} =
= MSEh + E {|yh[n] - yg[n]|2} +
+ E {eh*[n](yh[n] - yg[n])} + E {eh
[n](yh[n] - yg[n]) *}
• Luego MSEg = MSEh + un término que es siempre mayor o igual que 0 + otros dos términos (que, como demostraremos a continuación, son 0)
• Veamos primero que ambos son complejos conjugados uno del otro:E {eh
*[n](yh[n] - yg[n])} = [E {eh [n](yh[n] - yg[n]) *}]*
de modo que basta demostrarlo para uno de ellos.
Dr. J.R. Cerquides Universidad de Sevilla 56
Principio de ortogonalidad
*
hm m
E e n h m r n m g m r n m
*h h gE e n y n y n
* *h
m
E e n h m g m r n m
* *h
m
h m g m E e n r n m
h
*
e rm
h m g m m
*m
h m g m 0 0
Dr. J.R. Cerquides Universidad de Sevilla 57
Principio de ortogonalidad• Por tanto,
MSEg = MSEh + E {|yh[n] - yg[n]|2}
de forma que el filtro capaz de verificar er[m] = 0 da el mínimo MSE (cualquier otro filtro tiene MSE mayor).
• Así, el filtro que buscamos verificará el principio de ortogonalidad
er [m] = 0
que era lo que queríamos demostrar.• A partir de ahora utilizaremos siempre dicho
criterio para el diseño.
Dr. J.R. Cerquides Universidad de Sevilla 58
Filtro de Wiener• La solución al problema:
se obtendrá cuando er[m] = 0 (ppo. ortogonalidad)
er[m] = E {e[n]r*[n-m]} =
= E {d[n]r*[n-m] - y[n]r*[n-m]} == dr[m] – yr[m] = 0
dr[m] = yr[m]
r[n]
h[n]
d[n]
y[n] e[n]
Dr. J.R. Cerquides Universidad de Sevilla 59
Recordatorio – Correlación y filtros• Dado un proceso estocástico r[n] con
autocorrelación rrr[m] que actúa como entrada a un filtro con respuesta impulsional h[n] y salida y[n], se verifica:
y[n] = h[n]*r[n]
rr[m] = E{r[n]r*[n-m]}
rhh[m] = h[m]*h*[-m]
yy[m] = E{y[n]y*[n-m]} = rr[m] * rhh[m] = rr[m]*h[m]*h*[-m]
ry[m] = E{r[n]y*[n-m]} = rr[m] * h*[-m]
yr[m] = E{y[n]r*[n-m]} = rr[m] * h[m]
r[n]
h[n] y[n]
Dr. J.R. Cerquides Universidad de Sevilla 60
Recordatorio – Densidad espectral y filtros• Dado un proceso estocástico R(z) con
densidad espectral rr(z) que actúa como entrada a un filtro con función de transferencia H(z) y salida Y(z), se verifica:
Y(z)=H(z)R(z)rr(z) = Z{rr[m]}
Shh(z) = H(z)H*(1/z*)
yy(z) = rr(z)· Shh(z) = rr(z)·H(z) H*(1/z*)
ry(z) = rr(z)·H*(1/z*)
yr(z) = rr(z)·H(z)
R(z)
H(z) Y(z)
Dr. J.R. Cerquides Universidad de Sevilla 61
Filtro de Wiener - SoluciónLa aplicación del principio de ortogonalidad
resultadr[m] = yr[m]
o, tomando transformadasdr(z) = yr(z)
yr(z) = rr(z)·H(z)
r[n]
h[n]
d[n]
y[n] e[n]
dr
rr
zH z
z
Dr. J.R. Cerquides Universidad de Sevilla 62
Ecualizador mediante filtro de Wiener• Aplicando ahora la solución anterior a nuestro
problema:
• Necesitamos determinar rr(z) y dr(z), teniendo en cuenta que d[n] = s[n-n0]
hd[n] s[n] r[n]
hec[n]
w[n]
x[n]
d[n]
y[n] e[n]
drec
rr
zH z
z
Dr. J.R. Cerquides Universidad de Sevilla 63
Determinación de dr(z)dr(z) = Z{dr[m]}
dr[m] = E{d[n]r*[n-m]} = E{s[n-n0] (x[n-m]+w[n-m])*} =
= E{s[n-n0]x*[n-m]} + E{s[n-n0] w*[n-m]} =
= sx[m-n0] + sw[m-n0] = sx[m-n0]
• Luego dr(z) = Z{sx[m-n0]} = z-n0· sx(z)
sx(z) = Hd*(1/z*)·ss(z)
ss(z) = Z{ss[m]} = Z{E{s[n]s*[n-m]}}
• Si la secuencia de símbolos es blanca (símbolos independientes) que es lo habitualss[m] = E{|s[n]|2}δ[m] ss(z) = E{|s[n]|2}
dr(z) = z-n0· Hd*(1/z*)· E{|s[n]|2}
Dr. J.R. Cerquides Universidad de Sevilla 64
Determinación de rr(z)rr(z) = Z{rr[m]}
rr[m] = E{r[m]r*[n-m]} =
= E{(x[n]+w[n])(x*[n-m]+w*[n-m])} == xx[m] + wx[m] + rw[m] + ww[m] =
= xx[m] + ww[m]
• Luegorr(z) = xx(z) + ww(z) =
rr(z) = ss(z)Hd(z)Hd*(1/z*) + ww(z)
• Suponiendo ruido blanco de potencia N0/2
rr(z) = E{|s[n]|2}· Hd(z)Hd*(1/z*) + N0/2
Dr. J.R. Cerquides Universidad de Sevilla 65
Ecualizador mediante filtro de Wiener• Finalmente
• Comentarios:• El filtro de Wiener tiene en cuenta simultáneamente
los efectos de la ISI y del ruido.
• Cuando el ruido es muy pequeño (N0 0) el filtro se comporta como un filtro inverso
• En aquellas zonas en las que Hd(z) toma valores bajos, el filtro de Wiener no intenta compensar a cualquier precio, sino que responde de forma mucho más suave (no olvida nunca el ruido)
• El filtro obtenido con la expresión anterior es siempre no causal
02 n*
d *
ec2 * 0
d d *
1E s n H z
zH z
N1E s n H z H
z 2
Dr. J.R. Cerquides Universidad de Sevilla 66
EJEMPLO – Ecualizador por filtro de Wiener
Dr. J.R. Cerquides Universidad de Sevilla 67
EJEMPLO – Ecualizador por filtro de Wiener
hd[n] = δ[n] – 0.3·δ[n-1]-0.1·δ[n-2]
Hd(z) = 1 – 0.3z-1 – 0.1z-2
Hd*(1/z*) = 1 – 0.3z - 0.1z
Símbolos transmitidos ±1 E{|s[n]|2} = 1
Eb/N0 = 5 dB = 3.16
2
b d 0n
E h n 1.1 N 0.348
3 4 5
ec 2 1 2
0.1z 0.3z zH z
0.1z 0.27z 1.274 0.27z 0.1z
Dr. J.R. Cerquides Universidad de Sevilla 68
EJEMPLO – Ecualizador por filtro de Wiener
Dr. J.R. Cerquides Universidad de Sevilla 69
EJEMPLO – Ecualizador por filtro de Wiener
• Probabilidad de error• Sin ecualizador:0.026821• Con filtro inverso: 0.011840• Con filtro Wiener: 0.008910• Mínimo teórico: 0.005954
• Relación Eb/N0 • Sin ecualizar: 5 dB• Con filtro inverso: 4.04 dB• Con filtro Wiener: 4.44 dB
Dr. J.R. Cerquides Universidad de Sevilla 70
EJEMPLO – Ecualizador por filtro Wiener
Dr. J.R. Cerquides Universidad de Sevilla 71
EJEMPLO – Ecualizador por filtro Wiener
Dr. J.R. Cerquides Universidad de Sevilla 72
EJEMPLO – Ecualizador por filtro Wiener
• Probabilidad de error• Sin ecualizador:0.256885• Con filtro inverso: 0.217144• Con filtro Wiener: 0.060841• Mínimo teórico: 0.005954
• Relación Eb/N0 • Sin ecualizar: 5 dB• Con filtro inverso: -5.26 dB• Con filtro Wiener: 2.44 dB
Dr. J.R. Cerquides Universidad de Sevilla 73
Diseños fijos sin restricción - Conclusiones• Ofrecen la mejor solución, desde el punto de
vista matemático al problema planteado.• Dos alternativas
• Filtro inverso: • Se diseña ignorando el ruido.• Solo causal en sistemas de fase no mínima• No es un buen diseño si el ruido es importante
• Filtro Wiener:• Balancea ruido e ISI• Solución no causal al problema de diseño• Mayor complejidad de diseño• Funciona bien en situaciones de ruido elevado• Mejores prestaciones que el filtro inverso
Dr. J.R. Cerquides Universidad de Sevilla 74
Diseños fijos sin restricción - Conclusiones• Desde el punto de vista de su construcción
(programación) aparecen una serie de inconvenientes:• Se desconoce a priori la longitud de la respuesta
impulsional que se obtendrá como solución • Se ignora la estructura del filtro (realizaciones hard) o
se ignora el coste computacional asociado al ecualizador en realizaciones soft (puede comprometer seriamente la selección de procesador).
• La no causalidad puede suponer retardos de una trama (o más) que pueden ser intolerables en el sistema de comunicaciones.
• La obtención del filtro es un procedimiento complejo (especialmente en el caso del filtro de Wiener).
• Estos inconvenientes son tan serios que han llevado a la búsqueda de otras soluciones diseños restringidos.
Dr. J.R. Cerquides Universidad de Sevilla 75
Diseños restringidos - Introducción• En los diseños restringidos la estructura del filtro se
establece de antemano.• Se utilizan filtros FIR de una longitud
predeterminada (Lec muestras).
• Motivos:• Estructuras fijas permiten la realización del ecualizador en
circuitos hard o el conocimiento a priori del coste computacional asociado en realizaciones soft.
• Al ser filtros FIR son estructuras intrínsecamente estables• La causalidad implícita de la estructura va a permitir
acotar el retardo máximo.• Los algoritmos de diseño son sensiblemente más sencillos
y fáciles de programar que para sistemas no restringidos.
• El inconveniente es que van a ofrecer prestaciones más moderadas que los diseños sin restricciones.
Dr. J.R. Cerquides Universidad de Sevilla 76
Diseños restringidos - Planteamiento• El problema de ecualización continua siendo:
donde ahora vamos a forzarhec[n] = {hec[0], hec[1], … hec[Lec-1]}
hec[n] = 0 n ≠ 0..Lec -1
hd[n] s[n] r[n]
hec[n]
w[n]
x[n] y[n]
Dr. J.R. Cerquides Universidad de Sevilla 77
Criterio de minima distorsión de pico• El criterio de mínima distorsión de pico puede
verse como la versión del filtro inverso para el caso restringido.
• Ignorando el ruido trataremos de resolver:s[n] *hd[n]*hec[n] ≈ s[n-n0]
o lo que es lo mismo:htot[n] = hd[n]*hec[n] ≈ δ[n-n0]
• Desarrollando:
donde no debemos olvidar que la longitud total de htot[n] será Ltot = Ld + Lec - 1
ecL 1
tot ec d 0k 0
h n h k h n k n n
Dr. J.R. Cerquides Universidad de Sevilla 78
Criterio de mínima distorsión de pico
htot[0] = hec[0]hd[0] + hec[1]hd[-1] + … + hec[Lec-1]hd[-Lec+1] = 0
htot[1] = hec[0]hd[1] + hec[1]hd[0] + … + hec[Lec-1]hd[-Lec+2] = 0
…htot[n0] = hec[0]hd[n0]+hec[1]hd[n0-1]+ … +hec[Lec-1]hd[n0-Lec+1]=1
…htot[Ltot-1] = hec[0]hd[Ltot-1]+hec[1]hd[Ltot-2]+ … +hec[Lec-1]hd[Ltot-
Lec]=0
ecL 1
tot ec d 0k 0
h n h k h n k n n
Ltot ecuaciones
Lec incógnitas
Dr. J.R. Cerquides Universidad de Sevilla 79
Criterio de mínima distorsión de pico• Vemos que tenemos un sistema de Ltot
ecuaciones con Lec incógnitas, que se puede expresar en forma matricial como:
Hdhec δn0
donde:
d d d ec
d d d ec
d 0 d 0 d 0 ec
d tot d tot d d
h 0 h 1 h L 1
h 1 h 0 h L 2
h n h n 1 h n L 1
h L 1 h L 2 h L 1
ec
ec
ec 0
ec
h 0
h 1
h n
h L 1
0
0
1
0
Ltot filas x Lec columnas Lec filas Ltot filas
Dr. J.R. Cerquides Universidad de Sevilla 80
Criterio de mínima distorsión de picoHdhec = δn0
Hd = Matriz del canal (Ltot filas x Lec columnas)
hec = Vector representa al ecualizador (incognitas) (Lec filas)
δn0 = Vector de respuesta deseada o de condiciones (0 en todos los valores excepto en n0) (Ltot filas)
• Imposible verificar todas las ecuaciones simultáneamente
• Es necesario seleccionar un criterio y tratar de optimizarlo.
• El criterio que veremos es el denominado Minimax (o de mínima distorsión de pico):
min {max |htot[n]|}, n=0..Ltot-1, n ≠ n0
Dr. J.R. Cerquides Universidad de Sevilla 81
Criterio de mínima distorsión de pico• Minimax (mínima distorsión de pico)
min {max |htot[n]|}, n=0..Ltot-1, n ≠ n0
• Se podría interpretar como la minimización del valor máximo de la ISI.
• No existe una solución cerrada para el caso general
optimización numérica algoritmos difíciles de llevar a la práctica
• La elección de n0 tiene efecto sobre el resultado final obtenido
sería necesaria una doble optimización(que habitualmente no se hace).
• Nótese que en caso de permitir que Lec ∞ se obtiene el filtro inverso.
Dr. J.R. Cerquides Universidad de Sevilla 82
Filtro de Wiener (FIR)• Una alternativa a la técnica anterior es la
versión FIR del filtro de Wiener.
donde ahora vamos a forzarhec[n] = {hec[0], hec[1], … hec[Lec-1]}
hec[n] = 0 n ≠ 0..Lec -1
e intentar minimizar el criterio MSE = E{|e[n]|2}
hd[n] s[n] r[n]
hec[n]
w[n]
x[n]
d[n]
y[n] e[n]
Dr. J.R. Cerquides Universidad de Sevilla 83
Filtro de Wiener (FIR)• Buscamos determinar el valor de los Lec
coeficientes del filtro ecualizador hec[0], hec[1], … hec[Lec-1]
que minimizan el MSE• Para ello lo más sencillo es resolver:
ecec
MSE0 k 0,1, ,L 1
h k
2*
ec ec ec
E e n E e n e nMSE
h k h k h k
* *
*
ec ec ec
e n e n e n e nE E e n e n
h k h k h k
Dr. J.R. Cerquides Universidad de Sevilla 84
Filtro FIR de Wiener• Teniendo en cuenta que
e[n] = d[n] – y[n]y dado que d[n] es independiente de los coeficientes del ecualizador
tenemos que:
mientras que el término
ec
d[n]0
h k
ecL 1
ecl 0ec ec ec
e[n] y[n]h l r n l r n k
h k h k h k
ec* L 1
* *ec
l 0ec ec ec
e [n] y*[n]h l r n l 0
h k h k h k
Dr. J.R. Cerquides Universidad de Sevilla 85
Filtro FIR de Wiener• Sustituyendo los resultados anteriores
y como e*[n] = d*[n]-y*[n] tenemos:
por lo que la condición se puede resumir en:
condición que debe satisfacerse para
*ec
ec
MSEE r n k e [n] 0 k 0,1, ,L 1
h k
* * * *E r n k d n y n 0 E r n k y n E r n k d n
* *yr dr yr drk k k k
ecL 1
yr rr ec ec rr drm 0
k k *h k h m k m k
eck 0,1, ,L 1
Dr. J.R. Cerquides Universidad de Sevilla 86
Filtro FIR de Wiener. Solución• Desarrollando la expresión
se obtiene:
hec[0]rr[0] + hec[1] rr[-1] + … + hec[Lec-1] rr[-Lec+1] = dr[0]
hec[0] rr[1] + hec[1] rr[0] + … + hec[Lec-1] rr[-Lec+2] = dr[1]
…hec[0] rr[Lec-1]+hec[1] rr[Lec-2]+ … +hec[Lec-1] rr[0]= dr[Lec-1]
cuya solución existe (en general ) y es única.
ecL 1
ec rr dr ecm 0
h m k m k k 0,1, ,L 1
Lec ecuaciones
Lec incógnitas
Dr. J.R. Cerquides Universidad de Sevilla 87
Filtro FIR de Wiener. Solución• Tenemos un sistema de Lec ecuaciones con Lec
incógnitas, que se puede expresar como:rrhec = dr
• El sistema de ecuaciones anteriores se conoce como ecuaciones de Wiener-Hopf y se suele resolver utilizando para ello el denominado algoritmo de Levinson-Durbin, que reduce el coste computacional al explotar la simetría de la matriz.
rr rr rr ec
rr rr rr ec
rr ec rr ec rr
0 1 L 1
1 0 L 2
L 1 L 2 0
ec
ec
ec ec
h 0
h 1
h L 1
dr
dr
dr ec
0
1
L 1
Lec filas x Lec columnas Lec filas Lec filas
Dr. J.R. Cerquides Universidad de Sevilla 88
Filtro FIR de Wiener. Solución• El valor de rr[m], dr[m] ya se obtuvieron
cuando se analizó el filtro de Wiener sin restricciones.
rr(z) = ss(z)Hd(z)Hd*(1/z*) + ww(z)
dr(z) = z-n0· Hd*(1/z*)·ss(z)
por tanto:rr[m] = ss[m]*rhdhd[m] + ww[m]
dr[m] = hd*[-m] * ss[m-n0]
que en el caso habitual de secuencia de símbolos blanca y ruido blanco se convierte en:
rr[m] = E{|s[n]|2} rhdhd[m] + N0/2[m]
dr[m] = hd*[-m+n0]· E{|s[n]|2}
Dr. J.R. Cerquides Universidad de Sevilla 89
EJEMPLO – Ecualizador por filtro de Wiener
hd[n] = δ[n] – 0.3·δ[n-1]-0.1·δ[n-2]
Símbolos transmitidos ±1 E{|s[n]|2} = 1
Eb/N0 = 5 dB = 3.16, n0 = 2
rr[m] = rhdhd[m] + 0.174
dr[m] = hd*[-m+2]
rhdhd[m] = -0.1δ[m+2] – 0.27δ[m+1]+1.1[m]-0.27[m-1]-0.1[m-2]
rr[m] = -0.1δ[m+2] – 0.27δ[m+1]+1.274[m]-0.27[m-1]-0.1[m-2]
dr[m] = δ[-m+2] – 0.3·δ[-m+1]-0.1·δ[-m]
2
b d 0n
E h n 1.1 N 0.348
Dr. J.R. Cerquides Universidad de Sevilla 90
Filtro FIR de Wiener. Ejemplo• Suponiendo que deseamos construir un
ecualizador de longitud Lec = 3 tendremos:
cuya solución es:
1.274 0.27 0.1
0.27 1.274 0.27
0.1 0.27 1.274
rrΓ
ec
ec
ec
h 0
h 1
h 2
ech
0.1
0.3
1
drγ
0.0356
0.0809
0.7650
ech
Dr. J.R. Cerquides Universidad de Sevilla 91
Conclusiones• La presencia de ISI limita enormemente las
prestaciones de los sistemas de transmisión digital.
• Posibles soluciones• Cambiar el detector MLSD
• Mejor solución posible teóricamente• Problemas de realizabilidad
• Mantener el detector y añadir un ecualizador• Solución subóptima, pero realizable• Posibilidades de diseño
• Fijos (adaptativos por bloques)• No restringidos (inverso, Wiener, Wiener causal)• Restringidos a una estructura de filtro transversal
(mínima distorsión de pico, filtro FIR Wiener)• Adaptativos
Dr. J.R. Cerquides Universidad de Sevilla 92
Referencias• Communication Systems, 3rd .ed.
• Simon Haykin, John Wiley & Sons, 1994.• Páginas 424 a 427 y 448 a 465.
• Digital Communications, 4th ed.• John G. Proakis, McGraw-Hill, 2000.• Capítulo 10
• An Introducction to Digital Communications• Jack Kurzweil, John Wiley & Sons, 1999.• Páginas 143 a 144, cap.10
• Digital Transmission Engineering• John B. Anderson, 1999.• Páginas 318-336