Professional Documents
Culture Documents
Teora
Estimacin
1
Comunicaciones II
Conferencia 16: Probabilidad de error para seales en AWGN
Parte 1
UNIDAD VI: DETECCIN E INTRODUCCIN A LA TEORA DE LA ESTIMACIN
Instructor: Israel M. Zamora, MS Telecommunications Management
Profesor Titular, Departamento de Sistemas Digitales y Telecomunicaciones.
Universidad Nacional de Ingeniera
Universidad Nacional de Ingeniera
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
2
Outline
Deteccin
Problema de Deteccin
PDF condicional: Funcin Likelihood de
AWGN
Repaso: Teorema de Bayes
Aplicando Bayes
Regla de decisin
Probabilidad Mxima A Posteriori (MAP)
Detector MAP
Implementacin de Receptor ptimo
Detector ptimo Implementado
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
3
Outline
Demodulador Vectorial Correlador
Canal Vectorial Gaussiano Equivalente
Implementacin del Demodulador Correlador:
Filtro Acoplado
Demodulador de Filtro Acoplado
Regin de decisin para AWGN
Regin de decisin para AWGN: 2 seales
Regin de decisin para AWGN: 4 seales
Regin de decisin para AWGN:8 seales
Probabilidad de Error para seales en AWGN
Probabilidad Correcta para seales en AWGN
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
4
Seal versus Vector
Forma de onda de seal
{ } { }
j i
2
j i
j i
N 2 1
j i
j i
s s
s s s
s
s
s s
s s
s s
= = >= =< =
m = m >= m =<
m = m =
= m m >= m m <
m m m m m m
= >= <
= >= <
=
= =
=
: distancia (t) s (t) s : distancia
s : cuadrtica Longitud (t)dt s (t) s (t), s (t) s E : Energa
s : escalar Valor (t)dt (t) s (t) (t), s s : escalar Valor
s : Expansin (t) s (t) s : Expansin
: es ortonormal vectores (t) (t) : es ortonormal les sea
,..., , : base vectores (t) (t),..., (t), : base eales s
0 : s ortogonale vectores 0 (t) s (t), s : s ortogonale ales se
s s : escalar producto (t)dt (t)s s (t) s (t), s : escalar producto
, : vectores (t) s (t), s : seales
j i
N
1 j
2
ij
T
0
2
i i
2
i i
ij
T
0
j i j i ij
N
1 j
ij
N
1 j
j ij i
jk k j jk k j
N 2 1
i j
T
0
N
1 k
jk ik i j i j
j i j i
i
Vector Geomtrico
( )
iN i2 i1
N
1 j
j ij i
s ,..., s , s (t) s (t) s = m =
=
i
s
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
5
Deteccin
( )
m m
T M R / log
2
=
i
m
{ } 1 - M 0,1,..., e
i
m
Fuente de
Mensajes
Codificador
Vectorial
Modulador
Sumidero de
Mensajes
Decodificador
Vectorial
Demodulador
Un mensaje cada T
m
segundos
) ,...,s ,s (s
iN i i 2 1
=
i
s
{ } ,...,M , i ) t ( s
i
2 1 =
{ }
i
m
{ } ) t ( s
i
Una seal cada T
S
segundos
Al canal fsico
) t ( n
n(t) (t) s r(t)
i
+ =
) r ,..., r , (r
iN i2 i1
= r
m
Decisin:
Muestra debe procurar
mnima probabilidad
de error ( corresponda a m
i
) m
r(t)
DETECTOR
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
6
Receptor (Demodulador Vectorial)
Demodulador vectorial:
Convierte las formas de ondas recibidas del canal en un conjunto
discreto de seales de decisin
Detector:
Utiliza la salida del demodulador para tomar decisin sobre los
datos digitales transmitidos
) t ( n ) t ( s ) t ( r
i i
+ =
Demodulador
vectorial
detector
Receptor
) ,...,r ,r (r
iN i i 2 1
=
i
r
i i
m m
) t ( n ) t ( s ) t ( r
i i
+ =
{ }
{ }
| | | |
T t 0 n(t), (t) s (t) r recibida onda de Forma -
) t - (t
2
N
) )n(t n(t E 0 n(t) E
2
N
espectral densidad con n(t) gaussiano blanco Ruido -
T t 0 , s moduladas seales de Conjunto -
) m P( ) P(m , 1 - M 0,1,..., m n inf ormaci de Smbolo -
(AWGN) Gaussiano Blanco Aditivo Canal El
i i
j i
0
j i
0
M
0 i
i
i i i
s s + =
= =
s s
= e
=
) t (
s
i
modulador
{ } (t) s
i
n(t)
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
8
Problema de Deteccin
Dada el vector de observacin r, tenemos que realizar
un mapeo (decodificacin) de r sobre un estimado
del smbolo transmitido m
i
, de tal manera que
minimize la probabilidad de error en el proceso de
toma de decisin.
Si el smbolo m
i
ocurre con igual probabilidad
(smbolos equiprobables) P(m
i
)=1/m, minimizar la
probabilidad de error P
e
es equivalente a maximizar la
Funcin de probabilidad (Likelihood function).
Para smbolos equiprobables el detector de Mxima
probabilidad
(Maximun likelihood detector) es el
detector ptimo.
i
m
\
|
=
iN
i
i
i
r
r
r
r
2
1
,...,N , , j r
ij
2 1 =
| | | | | | | |
ij j ij j ij ij r
s n E s E n s E r E
ij
= + = + = =
PDF condicional: Funcin Likelihood de AWGN
Se define:
2
0
N
ij
r
=
donde
son variables Gaussianas Independientes con:
Media:
y Varianza:
Adems, r
ij
y r
ik
son no correlacionadas, por tanto, independientes y:
( ) 0
,
=
ik ij
r r Cov
Cuando j =k
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
10
PDF condicional: Funcin Likelihood de AWGN (Cont.)
( ) ( ) ( )
( ) ( )
( ) ( )
( ) ( ) ( ) ,...,M , , i s r
N
N m r f m R f
e: tenemos qu asi s r
N
N
N
r
-
N
r
-
m r f m ,...,R ,R R f m R f
i
N
i m r i M R
N
j
ij ij
N
ij ij
N
j
ij ij
N
j
r
N
j
i ij M R i N M ,...,R ,R R i M R
i i
ij
r
ij
i i N i
2 1
1
exp
1
exp
exp
1
2
exp
2
1
2
0
2
0
1
2
0
2
0
0
2
1
0
2
2
2
1
2
1
2 1
2 1
=
= =
=
=
= =
=
I I
I
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
11
Repaso: Teorema de Bayes
( ) ( ) ( ) ( ) ( ) F P F E P E P E F P FE P = =
Probabilidad Condicional:
Para eventos dependientes F
j
y E, tenemos:
Probabilidad Total:
Sean los eventos F
j
, j=1,2,,n particiones de un
espacio muestra, y sea E un evento. Si todas las
probabilidades a posteriori P(E|F
j
), con
j=1,2,,n, de E y las probabilidades F
j
son
conocidas, entonces la probabilidad a priori de E
puede obtenerse de:
( ) ( )
j
n
1 j
j
F P F E P P(E)
=
=
F
1
F
2
F
4
F
3
F
5
F
7
F
9
F
8
Evento E
F
E
FE
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
12
Repaso: Teorema de Bayes
( )
( ) ( )
( )
( ) ( )
( ) ( )
j
n
1 j
j
j j j j
j
F P F E P
F P F E P
E P
F P F E P
E F P
=
= =
Frmula de Bayes, con la notacin utilizada anteriormente:
Evento r
Asumiendo que los valores coordenados de r puede tomar un
nmero finito de valores, entoces, dado r, la probabilidad a
posteriori que el smbolo m
i
fue transmitido es:
( )
( ) ( )
( )
,...,M , i
,
r P
m P m r P
r m P
i i
m r
i
r m
i
i
2 1 =
=
m
1
m
2
m
3
m
4
m
5
m
6
Regiones de decisin de m
i
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
13
Aplicando Bayes
( )
( ) ( )
( )
M 1,2,..., i ,
f
m P m r f
m P
i i m r
i m
i
i
= =
r
r
r
r
Alternativamente:
Donde f
r|m
(r|m
i
) es la funcin likelihood que recin
desarrollamos, la cual es la pdf de r (o la pdf conjunta de
r
1
,r
2
,,r
N
) dado que se se ha transmitido el mensaje m
i
.
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
14
Probabilidad de Error:
Se define como a probabilidad que un mensaje decodificado (en el receptor)
no sea igual al mensaje que fue transmitido, es decir,
Reglas de Decisin
m
( ) ( )
i i e
m m
P m P = =
i
m
( ) ( ) ( ) ( )
i i i e i c
m m
P m m
P - 1 m P 1 m P = = = = =
La probabilidad correspondiente de que sea decodificado correctamente es, por
tanto,
El detector ptimo escoge para minimizar , o equivalentemente,
para maximizar .
( )
i e
m P
( )
i c
m P
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
15
Regla de Decisin: Probabilidad Mxima A Posteriori (MAP)
La probabilidad de decisin correcta, dada la
observacin del vector r, es,
( ) ( ) r r ,
r
c i
m
i
m P m m P = =
La probabilidad de error es como sigue:
As, el dispositivo de decisin ptimo observa el vector
particular recibido r y la salida se escoge i=1,2,...,M
para maximizar la probabilidad de decisin correcta. Esta
cantidad es referida como la probabilidad a posteriori que
caracteriza al canal vectorial.
i
m m =
( ) ( ) ( ) r r ,
r
c i
m
i i e
m P - 1 m m P , m m P = = = = 1
i
m m =
r r
( ) ( )
( )
( ) ( )
( ) r
r
r
r
r
r
r
r
f
m P m f
f
m P m f
k k
i
m i i m
i
>
( ) M 1,2,..., i ,
M
1
m P
i
= =
( ) ( ) ( ) ( )
k k m i i m i
m P m f m P m f si m m
i
r r
r r
i
>
Cuando los smbolos son equiprobables,
el resultado coincide con la regla de
decisin ML.
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
17
Detector MAP (Cont.)
As, la regla de decisin ML es equivalente a la siguiente regla:
( ) ( ) ( ) ( ) i k todo para m P m f m P m f si m m
k k m i i m i
= > r r
r r
2da. Regla de deteccin: Mximo Likelihood (ML)
Recordando que:
( ) ( )
=
2
0
2
N
0 i m
N
1
exp N m f
i
i r
s r r
( ) | | ( ) M 1,2,..., i , s r
N
1
N ln
2
m r f ln
2
i
0
0 i m r
i
= =
N
i k todo para - - si m m
2 2
i
= s
k i
s r s r
r
observe que:
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
19
Implementacin de Receptor ptimo (Cont.)
Ya que los primeros trminos de la ecuacin anterior son
comunes para cada i,
2 2
k i
s r- s r- s
que equivalente a:
= = = =
+ s +
N
1 j
2
kj
N
1 j
kj j
N
1 j
2
ij
N
1 j
ij j
s
2
1
s r s
2
1
s r
i
E
k
E
k
N
1 j
kj j i
N
1 j
ij j
E
2
1
s r E
2
1
s r >
= =
substituyendo,
i k todo para E
2
1
s r E
2
1
s r si m m Fijar
k
N
1 j
kj j i
N
1 j
ij j i
= > =
= =
1
s
r
*
=
N
1 j
*
2
s
*
m
r
i
M
s
=
N
1 j
=
N
1 j
2
E
1
2
E
2
2
E
M
1j
N
1 j
j
s r
=
2j
N
1 j
j
s r
=
Mj
N
1 j
j
s r
=
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
21
Detector
El cmputo de los coeficientes r
ij
de las seales recibida se obtiene a travs
de un banco paralelo de integradores-multiplicadores. Cada combinacin de
integrador-multiplicador se refiere como un demodulador CORRELADOR.
Demodulador Vectorial Correlador
( ) dt
T
0
(t)
1
m
(t) r
i
X
( ) dt
T
0
X
(t)
2
m
( ) dt
T
0
X
(t)
N
m
i
r
) ,...,r ,r (r
iN i i 2 1
=
i
r
= = =
= =
= = =
, s r r R
n s r
i r R
i i
2
Canal Vectorial Gaussiano Equivalente
( ) dt
T
0
(t)
1
m
X
( ) dt
T
0
X
(t)
2
m
( ) dt
T
0
X
(t)
N
m
i
r
(t)
1
m
X
X
(t)
2
m
X
(t)
N
m
i
m
n(t)
n s r
i i
+ =
i2
s
iN
s
i1
s
i2
r
i1
r
iN
r
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
23
Un correlador puede ser implementado por un filtro acoplado. La componente
del la forma de onda recibida r(t) junto a si i-sima funcin base es
equivalentemente a la convolucin de la forma de onda r(t) con un filtro m
i
(t-T) en
el instante de muestreo de salida T.
Implementacin del Demodulador Correlador: Filtro Acoplado
T t j
T t j
-
i j
-
i j
T
0
i ij
t) (T r(t)
)d t - (T ) ( r )d ( ) ( r (t)dt (t) r r
=
=
m - =
+ m = m = m =
t) (T (t) r (t)
i i i
m - =
t) (T
j
m
ij i
r (t) =
(t) r
i
T t =
(t)
j
m
( ) dt
T
0
X
(t) r
i
ij
r
=
(t)
i
Este procedimiento es denominado demodulacin de filtro acoplado, el cual est
acoplado a las funciones bases correspondientes. ( Filtro+Muestreador)
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
24
Demodulador de filtro acoplado
t) (T
1
m
(t) r
i
t) (T
2
m
t) (T
N
m
) ,...,r ,r (r
iN i i 2 1
=
i
r
i2
r
i1
r
iN
r
ij i
r (t) =
T t =
La demodulacin puede
basarse en los filtros:
t) (T (t) h
j j
m =
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
25
Regin de decisin para AWGN
En el caso de la regla MAP (Maximum A posteriori
Probability), cada valor posible para un espacio
observacional N-dimensional, se mapea a uno de M
posibles mensajes transmitidos. As, el vector espacial
para r se particiona en M regiones correspondiente a las M
posibles decisiones. Cada Regin consiste de puntos los
cuales son los mas cercanos al vector seal transmitido s.
En otras palabras,
Definicin: (Regin de Decisin)
En un canal AWGN, la regin decisin usando MAP para
cada smbolo m
i
, se define como:
{ }
i i
2
2
i
m m fija se entonces Z si
k i Z
= e
= s =
r
s r s r r
k i
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
26
Regin de decisin para AWGN: 2 seales
m
1
m
2
r
s
k
s
i
Z
i
Z
k
{ }
i i
2
2
i
m m fija se entonces Z si
k i Z
= e
= s =
r
s r s r r
k i
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
27
Regin de decisin para AWGN:4 seales
m
1
m
2
r
s
k
s
i
Z
i
Z
k
{ }
i i
2
2
i
m m fija se entonces Z si
k i Z
= e
= s =
r
s r s r r
k i
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
28
Regin de decisin para AWGN:8 seales
m
1
m
2
r
s
k
s
i
Z
i
Z
k
{ }
i i
2
2
i
m m fija se entonces Z si
k i Z
= e
= s =
r
s r s r r
k i
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
29
Probabilidad de Error para seales en AWGN
aplica. se mxima deteccin de ML regla la donde
m m m
AWGN) a (debido i k donde Z m : error Evento
i k
k i
= =
= e
r
{ }
=
e =
M
1 i
i i e
m Z r P
M
1
P : les equiprobab smbolos para
( ) { }
i i i e
i
m Z P m P
: por determina se o transmitid es m
que dado error de ad probabilid la , vector observamos cuando As
e = r
r
( ) ( ) { } ( )
i
M
1 i
i i
M
1 i
i i e e
e
m P m Z r P m P m P P
es , P error, en smbolo de promedio ad probabilid La
= =
e = =
: Definicin
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
30
Probabilidad Correcta para seales en AWGN
{ }
( ) { }
error. de ad probabilid de cmputo el en usada ente f recuentem es
f rmula Esta transmite. se m mensaje smbolo el que dado correcta
recepcin de ad probabilid la representa , m Z P m P donde
m Z P
M
1
1 P 1 P
: tanto lo por es , P smbolo, de correcta ad probabilid La
i
i i i c
M
1 i
i i e c
c
e =
e = =
=
r
r
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora
Estimacin
31