Introdução

Existem dois grandes grupos de critérios e algoritmos que permitem reduzir as distorções introduzidas a um sinal por um canal, processo chamado de equalização: os critérios supervisionados e os critérios não supervisionados. As técnicas clássicas existentes apresentam alguns problemas bastante conhecidos, não apresentando bons desempenhos por exemplo quando existe ruído impulsivo ou quando o sinal transmitido é correlacionado.

Recentemente, uma nova abordagem vem sendo utilizada na proposta de critérios e algoritmos, visando obter melhores desempenhos em casos onde técnicas clássicas falham: utilizando-se conceitos de teoria de informação. Assim, critérios baseados na estimação de densidades de probabilidade, entropia e informação mútua vêm sendo propostos apresentando desempenho superior aos clássicos.

Objetivo

            Estudar a correntropia, medida de correlação generalizada baseada em aprendizagem por teoria de informação, na equalização de canais. O critério é dado por:

onde  V_s é a correntropia da fonte, V_y é a correntropia do sinal na saída do equalizador e P é o número de atrasos considerados. Tal critério inclui o ajuste de vários parâmetros como o tamanho do kernel, a janela de amostras usadas para estimação da medida e o número de atrasos P a serem considerados. Tais parâmetros ainda foram muito pouco explorados na literatura e seus efeitos sobre o desempenho do algoritmo são bastante desconhecidos.

Metodologia

            O sistema de equalização contendo sinal transmitido, canal e equalizador foi implementado em Matlab. A partir dai, foram realizadas simulações para estudo do efeito de variações dos parâmetros do algoritmo em seu desempenho.

Resultados e Conclusão

            Simulações mostraram que é possível se chegar a um valor ótimo para o tamanho do kernel dependendo das características do sinal transmitido. Com relação ao número de atrasos P, não foi possível se chegar a uma relação direta entre este valor e a correlação do sinal sendo estudado. Em geral, valores muito altos levam a uma degradação no desempenho do algoritmo. Por último, também foram feitas simulações utilizando-se sinais complexos, para os quais o algoritmo apresentou bom desempenho.

Bibliografia

[1] Ignacio Santamaría, Puskal P. Pokharel, and Jose C. Principe, (2006), “Generalized Correlation Function: Definition, Properties, and Application to Blind Equalization”,   IEEE Trans. on Signal Processing, vol. 54, no. 6.

[2] Z. Yang, A.T. Walden, E.J. McCoy, (2011) “Correntropy: Implications of nonGaussianity for the moment expansion and deconvolution”, Signal Processing, vol. 91, pp 864-876