Equalização não-linear de canais de comunicação.

Autor(es)

Magno Teófilo Madeira da Silva

• Tipo de documento: Dissertação de Mestrado
• Imprenta: São Paulo.
• Instituição: Universidade de São Paulo (USP). Escola Politécnica (EP/BC)
• Data de defesa: 2001-04-25

Membros da banca

Max Gerken; Dalton Soares Arantes; Phillip Mark Seymou Burt

• Orientador: Max Gerken

Resumo

É investigado o uso de redes neurais aplicadas à equalização de canais de comunicação, sendo consideradas três tipos de redes: MLP (Multilayer Perceptron), RBF (Radial Basis Function) e RNN (Recurrent Neural Network). Os equalizadores não-lineares baseados nestas redes foram comparados com o equalizador linear transversal e com os equalizadores ótimos segundo os critérios de Bayes e da máxima verossimilhança. Nestas comparações foram utilizados um alfabeto binário e um quaternário transmitidos em modelos de canais cuja resposta ao pulso unitário é finita. Além das versões usuais de equalizadores, foram consideradas versões com realimentação de decisões sempre que isso se mostrou adequado. O treinamento desses equalizadores foi feito de forma supervisionada, ou seja, na fase de treinamento a seqüência de símbolos transmitida era conhecida no receptor. Além disso, foi realizado um estudo comparativo dos algoritmos de treinamento das redes. Neste âmbito, foi obtido um algoritmo do tipo acelerador para o treinamento de redes MLP. Com o intuito de se obter uma estrutura não-linear menos complexa e mais flexível, foi proposto ainda um equalizador híbrido constituído de uma combinação do equalizador linear e da rede RNN que faz uso de realimentação de decisões. Resultados de simulações indicam que o seu uso pode ser vantajoso tanto para canais não-lineares como lineares. (AU)

• Processo FAPESP: 99/00188-0 - Equalizacao nao-linear de canais de comunicacao.
• Beneficiário: Magno Teófilo Madeira da Silva
• Modalidade de apoio: Bolsas no Brasil - Mestrado