1

5. PRINCIPIILE RECEPŢIE OPTIMALE

5.1. Introducere

Pentru doua semnale de energie finită
( ) ( ) ω X t x
F

,
( ) ( ) ω Y t y
F

se poate defini
produsul scalar
( ) ( )
( ) ( )



∞ −

∞ −
=
=
ω ω ω d Y X Y X
dt t y t x y x
*
*
,
,

• Energia semnalului:
( )


∞ −
= = dt t x x x E
x
2
,

• Relaţia lui Parceval:
X X x x E Y X y x
x
,
2
1
, ; ,
2
1
,
π π
= = =

2
• cele 2 semnale se numesc ortogonale dacă
0 , = y x
; în acest caz
y x y x
E E E + =
+
O familie de funcţii
( ) { } J ∈ i t
i
; ϕ
, J finită sau numărabilă, reprezintă un set de
funcţii ortogonale dacă ij i j i
Eδ ϕ ϕ = ,
; dacă în plus
( ) J ∈ ∀ = i E
i
; 1
, setul se
numeşte ortonormat.
Se doreşte reprezentarea unui semnal
( ) t x
prin găsirea unei combinaţii liniare
între elementele setului de funcţii ortonormate
( ) { } J ∈ i t
i
; ϕ

( ) ( )


=
J i
i i
t c t x ϕ
~

care să aproximeze cât mai bine pe
( ) t x
. Criteriul de aproximare este minimizarea
energiei semnalului eroare.
( ) ( ) ( ) ( ) ( )


− = − =
J i
i i
t c t x t x t x t e ϕ
~


3
( ) ( ) ( ) ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) ( ) ( )
{ }
{
43 42 1 4 4 3 4 4 2 1
fixat
i
i
variabil
i
i i
fixat
x
i
i i
i
i x
x x
x x
e
x x c E
x c c E
x x E E
dt t x t x dt t x t x E E
dt t x t x t x t x dt t x t x dt t e E
∑ ∑
∑ ∑
∫ ∫
∫ ∫ ∫
∈ ∈
∈ ∈

∞ −

∞ −

∞ −

∞ −

∞ −
− − + =
=
)
`
¹
¹
´
¦
− + =
= − + =
=
(
(
¸
(

¸

|
|
¹
|

\
|
+ − + =
− ⋅ − = − = =
J J
J J
2 2
2
~
*
* *
~
* *
2
2
, ,
, Re 2
~
, Re 2
~ ~
~ ~ ~
ϕ ϕ
ϕ
⇒condiţia de minimizare a energiei semnalului eroare se reduce la cea de anulare
a celui de-al doilea termen din expresia de mai sus ⇒
( ) ( )


∞ −
= = dt t t x x c
i i i
ϕ ϕ ,

x x
i
i x e
E E c E E ~
2
min ,
− = − =

∈J

4
• se observă că dacă
0
min ,
=
e
E

x x
i
i x
E E c E ~
2
− ⇒ =

∈J

( ) ( ) t x t x
~
=
aproape
peste tot; există un număr finit de intervale de timp
{ }
i
t
pentru care
( ) ( )
i i
t x t x
~


Dacă pentru orice semnal dintr-un set dat este îndeplinită condiţia
0
min ,
=
e
E
⇒ se
spune că setul
( ) { } J ∈ i t
i
; ϕ
formează o bază pentru setul dat
Interpretare geometrică: dacă
( ) { } J ∈ i t
i
; ϕ
este o bază ortonormată reală⇒
( ) ( )


=
J i
i i
t c t x ϕ

( ) t x
poate fi reprezentat prin vectorul
[ ]
N
c c c , ... , ,
2 1
= x


5.2. Ortogonalizarea Gramm Schmidt
se dă setul de semnale
{ } M i x
i
, 1 , =

Pasul 1.
• se construieşte semnalul
( ) ( ) t x t d
1 1
=
;
• se obţine primul element al bazei prin normarea lui
( ) t d
1

5
( )
( )
( )


∞ −
= = dt t d d d
d d
t d
t
2
1 1 1
1 1
1
1
, ;
,
ϕ

Pasul 2
• se calculează
( ) ( ) ( )
1 2 1 2 2
,ϕ ϕ x t t x t d − =
;
• cum
0 ,
1 2
= ϕ d
cel de-al doilea element al bazei se determină prin normare
( )
( )
2 2
2
2
, d d
t d
t = ϕ

......
Pasul k
• se calculează
( ) ( ) ( ) ( ) 1 , ... , 1 0 , ; ,
1
1
− = ∀ = − =


=
k j d x t t x t d
j k
k
i
i k i k k
ϕ ϕ ϕ
;
• se determină elementul k al bazei prin normare
( )
( )
k k
k
k
d d
t d
t
,
= ϕ


6
Procedeul continuă până când sunt epuizate toate cele M elemente ale setului
( ) { } M i t x
i
, 1 ; =
⇒după eliminarea elementelor nule şi re-numerotare rezultă baza
( ) { } M N N i t
i
≤ = , , 1 ; ϕ


Observaţii:
• dimensiunea bazei deci a spaţiului vectorial căruia îi aparţine setul de
vectori
( ) { } M i t x
i
, 1 ; =
este N, N≤M
• dacă N=M, setul de funcţii
( ) { } M i t x
i
, 1 ; =
este liniar independent ;
• fiecare element
( ) t x
i
se poate reprezenta printr-un vector
[ ]
N k x c
M i c c c
k i iK
iN i i
, 1 , ,
, 1 , , ... , ,
2 1 1
∈ =
∈ =
ϕ
x

• energia semnalului
( ) t x
i
este
( )


=

∞ −
= = =
N
i
i i i i x
c dt t x x x E
i
1
2
2
,

7
• baza
( ) { } N i t
i
, 1 ; = ϕ
depind de ordinea aleasă la ortogonalizarea Gramm
Schmidt. Energia semnalului nu se schimbă ⇒ lungimea vectorului este
invariantă la alegerea bazei

Constelaţia de semnal asociată semnalelor
( ) { } M i t x
i
, 1 ; =
în spaţiul N
dimensional definit de baza
( ) { } N i t
i
, 1 ; = ϕ
este mulţimea vectorilor
[ ] M i c c c
iN i i i
, 1 , , ... , ,
2 1
∈ = x


5.3. Detecţia optimală a M semnale reale în ZAGA

Ipoteze:
• se transmite unul din cele M semnale reale, diferite,
( ) { } ( ) { } [ ] ( ) M i T t s M i t s
i i
, 1 , , 0 supp , , 1 ; = ∀ = =
,
• canalul este afectat doar de ZAGA, cu
( )
2
0
N
W = ω

8
Semnalul recepţionat este
( ) ( ) ( ) ( ) { } [ ] T t y t n t s t y
i
, 0 supp = + =

Pentru
• pentru setul de semnale
( ) { } M i t s
i
, 1 ; =
⇒ se poate construi baza
ortonormată
( ) { } N i t
i
, 1 ; = ϕ
;
• pentru semnalul recepţionat
( ) t y
⇒ se poate construi baza ortonormată
( ) { } N i t
i
≥ ; ϕ
;
Problema detecţiei ⇒ decizia între M ipoteze

( ) { } t s H
i i
transmis a s : −


( ) ( ) ( ) t n t s t y
i
+ =
, sau, vectorial

[ ] [ ] ... , , ... , , ... , , ... , ,
1 2 2 1 1 1 2 1 + +
+ + + = =
N N iN i i N N
n n s n s n s y y y y y

• componentele
k
n
ale zgomotului în raport cu baza
( ) { } 1 ; ≥ i t
i
ϕ
sunt v.a. de
medie nulă şi varianţă
2
0 2
N
= σ

Demonstraţie
( ) ( ) ( ) ( )


→ ∞
→ ∞ −

= = =
T
i i k
k
k k
dt t t n n n t n t n
0
1
, , ϕ ϕ ϕ

9
{ } ( ) 0
0
=
)
`
¹
¹
´
¦
=

T
i i k
dt t n E n E ϕ

{ } ( ) ( ) ( ) { }
( )
( ) ( ) ( )
2
0
0
2
0
0 0
2
2
0
2
2 2
0
σ ϕ τ τ ϕ ϕ τ ϕ
τ δ
= = = =
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
¹
|

\
|
=
∫ ∫ ∫ ∫

N
dt t
N
d dt t n t n E dt t n E n E
T
i
T T
j i
t
N
T
i i k
43 42 1

• funcţia de corelaţie între j
n
şi
k
n
este
{ } ( ) ( ) { } ( ) ( ) ( ) ( ) ( )
( ) ( )
ik
T
k i
T T
k i
T T
k i k j jk
N
dt t t
N
d dt t t
N
d dt t n t n E n n E r
δ ϕ ϕ
τ τ ϕ ϕ τ δ τ τ ϕ ϕ τ
2 2
2
0
0
0
0 0
0
0 0
= =
= − = = =

∫ ∫ ∫ ∫

⇒ j
n
şi
k
n
sunt v.a. Gaussiene, necorelate, ⇒ independente
⇒ cum
1 1 + +
=
N N
n y
,
2 2 + +
=
N N
n y
sunt independente ⇒nu aduc nici o informaţie în
procesul de decizie ⇒
{ }
N
y y y .... , ,
2 1
reprezintă o statistică suficientă pentu
semnalul recepţionat;
10
• densitatea de probabilitate de ordin N pentru vectorul
[ ]
N
n n n ... , ,
2 1
= n
este
( )
( )
|
|
¹
|

\
|
+ + +
− =
0
2 2
2
2
1
0
...
exp
1
N
n n n
N
p
N
N
π
n
n

Ipoteza
( ) { } t s H
i i
transmis a s : −
se scrie vectorial
{ } [ ]
[ ]
[ ]
N
N
iN i i i i i
n n n
y y y
s s s H
... , ,
... , ,
... , , ; :
2 1
2 1
2 1
=
=
= + =
n
y
s n s y

⇒ în spaţiul N dimensional se construiesc regiuni de decizie disjuncte
{ } M i
i
, 1 = S
asociate celor M semnale ⇒
{ }
i i
H S y ∈ :

Probabilitatea de eroare
{ } ( ) z z
S
y
d H f H P P P
M
i
i H i c e
i
i
i


=
− = − =
1
H ip ea indeplinir de ta conditiona
ate probabilit de densitatea
|
| 1 1
43 42 1

• în ipoteza H
i
⇒ vectorul z s-ar putea sa nu aparţină regiunii S
i
datorită
zgomotului
11
( )


i
i
d H f
i H
S
y
z z 1 |
|

Daca toate integralele ar fi nule ⇒P
e
=0

5.3.1. Criteriul Maximului de probabilitate aposteriori (Maximum Aposteriori
Probability- MAP)

Dacă z = fixat şi
( ) { } ( )
i H i k H k
k
H f p H f p
i k
| | max
| |
z z
y y
=
⇒ se stabileşte
{ }
i i
H S y ∈ :

• dar, cf. Bayes ⇒
{ }
{ } ( )
( )
( )
( ) z
z
z
z
z
y
y
y
y
f
H f p
f
H f H P
H P
k H k k H k
k
k k
| |
|
| |
= =

• pentru z fixat

( ) const f = z
y ⇒
( ) { } { } { } z z
y
| max | max
| k
k
k H k
k
H P H f p
k
=

12
⇒determinarea faptului că
i
S z ∈
⇒maximizarea probabilităţii aposteriori
{ } { } z | max
i
k
H P
⇒ realizată pentru k=i ⇒ se deduce ipoteza în funcţie de
vectorul recepţionat
Regula de decizie: pe baza vectorului recepţionat z se deduce regiunea de decizie
căreia îi aparţine
i
S z ∈
pe baza maximizării probabilităţilor aposteriori ⇒ se
consideră adevărată ipoteza H
i

Problema: de cele mai multe ori nu se cunosc probabilităţile aposteriori
{ } z |
i
H P


5.3.2. Criteriul Maximului de Plauzibilitate (Maximum Likelyhood- ML)

Se consideră semnalele echiprobabile
{ } M i
M
p s P
i i
, 1 ,
1
= = =

Pentru maximizarea P
e
⇒ se stabilesc regiunile de decizie
i
S
a.i.

( ) { } ( )
i H i k H
k
H f p H f
i k
| | max
| |
z z
y y
=

{ }
i i
H S y ∈ :

13
⇒trebuie calculată funcţia de plauzibilitate pentru toate ipotezele H
i
, i=1,2, ... , M şi
determinată valoarea maximă

Aplicarea criteriului ML ⇒ algoritm
Pas 1: Se introduce, pentru normare, ipoteza suplimentara
{ } n y = :
o
H

semnalul recepţionat provine numai din zgomot
Pas 2: Se definesc rapoartele de plauzibilitate
( )
( )
( )
0 |
|
|
|
0
H f
H f
H
k H
k
k
y
y
y
y
y
= Λ

Pas 3: Conform criteriului MP: dacă
( ) { } ( )
i i k
k
H alege se max ⇒ Λ = Λ y y

Dar
( )
( )
|
|
|
|
¹
|

\
|

− =

=
0
1
2
0
|
exp
1
|
N
s y
N
H f
N
m
im m
i H
i
π
y
y

14
( )
|
|
|
|
¹
|

\
|
− =

=
0
1
2
0
0 |
exp
1
|
0
N
y
N
H f
N
m
m
H
π
y
y


( )
|
|
¹
|

\
|
− = Λ
∑ ∑
= =
N
m
im
N
m
im m i
s
N
s y
N
1
2
0
1
0
1 2
exp y

⇒ Este mai simplu de calculat logaritmul funcţiei de plauzibilitate
( ) ( )
∑ ∑
= =
− = Λ =
N
m
im
N
m
im m i i
s
N
s y
N
1
2
0
1
0
1 2
ln y λ

Cu acestea criteriul ML devine
( ) { } ( )
i i k
k
H ipotza alege se max ⇒ = y y λ λ

În plus
( ) ( )


= =
=
T
i i
N
m
im m
dt t s t y s y
0
1
,s y


( )


= =
=
T
i i
N
m
im
dt t s E s
0
2
1
2

15

( ) ( ) ( ) ( )
i i i
T
i
T
i i
l
N
E
N
dt t s
N
dt t s t y
N
0 0
0
2
0
0
0
2
2
1
,
2 1 2
=
(
¸
(

¸

− = − =
∫ ∫
s y y λ

Pe baza acestor relaţii se poate implementa receptorul optimal

5.4. Implementarea receptoarelor coerente optimale

Valorile
( ) ( ) ( )
i i i
T
i i
E e e dt t s t y l
2
1
;
0
− = + =

y
sunt o statistică suficientă pentru
semnalul recepţionat y(t) ⇒ conform criteriului ML se urmăreşte maximizarea
( ) y
i
l
;
Implementarea receptorului optimal cu corelator, folosind setul semnalelor
16


Implementarea receptorului optimal cu filtru adaptat, folosind setul semnalelor
17


Justificare:
• pentru semnalul
( ) t s
k
⇒filtrul adaptat are funcţia pondere
( ) ( ) ( )
0
0
t j
k k k
e S t t s t h
ω
ω

⇔ − =
, unde se alege t
0
=T
• semnalul la ieşirea filtrului adaptat
18
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) { } [ ]
( ) ( )
∫ ∫

=

∞ −
=

∞ −
= = =
+ − = =
T
k
T t s
k
T t
k k e
k k k e
d s y d s y t h t y T y
d t T s y t h t y t y
k
0
, 0 supp
,
,
*
*
τ τ τ τ τ τ
τ τ τ


Implementarea receptorului optimal folosind vectorii bazei
• folosind reprezentarea semnalelor folosind vectorii bazei

( ) ( )
i k ki
M
i
i ki k
s s M k t s t s ϕ ϕ , , , 1 ,
1
= = =

=

( ) ( ) ( ) ( ) ( )
i
l
M
i
y
T
i ki i
T
M
i
i ki k
e dt t t y s e dt t s t y l
k
i
+ = +
(
¸
(

¸

=

∫ ∫

= =
4 4 4 3 4 4 4 2 1
43 42 1
~
1
0 0
1
ϕ ϕ y

• în reprezentare vectorială
19
[ ]
[ ]
T
N
T
iN i i i
y y y
s s s
... , ,
... , ,
2 1
2 1
=
=
y
s

[ ] [ ] [ ]
[ ] [ ] [ ]
k k k
Nx i MxN ki Mx k
e l l
y s l
+ =
=
~
~
1 1

operaţia de multiplicare a matricilor este realizată de multiportul – matrice de
ponderare
ϕ
1
(t)
ϕ
2
(t)
ϕ
N
(t)
( )

T
dt
0

( )

T
dt
0

( )

T
dt
0




Multiport –
Matrice de
ponderare

[s
i,k
]
MxN
1
~
l
2
~
l
M
l
~

y
1
y
2

y
N

e
1
e
2

e
M






Detector
de
maxim
y(t)



20

Observaţii
• structura poate fi implementată şi folosind un banc de filtre adaptate la
vectorii bazei.
( ) t T −
1
ϕ



Multiport –
Matrice de
ponderare

[s
i,k
]
MxN
1
~
l
2
~
l
M
l
~

y
1
y
2

y
N

e
1
e
2

e
M






Detector
de
maxim
y(t)
( ) t T −
2
ϕ
( ) t T
M
− ϕ

• Dacă dimensiunea bazei este mult mai mică decât numărul semnalelor
aceste structuri se justifică; dacă însă diferenţa este mică nu.

21
5.5. Interpretarea geometrică a regulii de decizie

Se defineşte distanţa euclidiană dintre doi vectori
( )
i
d s y |

criteriul ML devine
( ) { } ( )
i i k
k
H d d ipotza alege se | | min ⇒ = s y s y

⇒decizia optimală pe baza principiului ML corespunde determinării semnalului
celui mai apropiat (în sensul distanţei euclidiene)
regiunile de decizie ⇒ R
i
=locul geometric al punctelor din plan mai apropiate de
s
i
decât de oricare alt semnal
( ) ( ) ( ) { }
k
k
i i
d d s z s z z R , min , | = =

Regula de decizie:
[ ]
i i
T t s s R y = ⇒ ∈ ∈
ˆ
, , 0


Exemplu: constelaţia de semnal pentru QPSK
22


Funcţionarea detectorului optimal ce utilizează criteriul ML ⇒ etape:
1. pornind de la setul de semnale transmise se determină o bază ortonormată;
2. se reprezintă semnalele în funcţie de elementele bazei; se construieşte constelaţia
de semnal;
3. se calculează distanţele euclidiene dintre semnalul recepţionat şi fiecare semnal din
setul de semnale posibil a fi transmise;
23
4. se determină minimul acestei distanţe sau regiunea de decizie căreia vectorul
asociat semnalului recepţionat îi aparţine ⇒ se decide semnalul transmis ca cel
corespunzător distanţei minime ;

5.6. Determinarea probabilităţii de eroare pe baza constelaţiei de
semnal

În condiţiile de valabilitate ale criteriului ML
{ } M i
M
p P
i i
, 1 ,
1
= = = = s s

⇒ probabilitatea de eroare este
{ }

=
= ∈ − = − =
M
j
i i c e
P
M
P P
1
|
1
1 1 s s R y

⇒ o eroare apare ori de cate ori semnalul recepţionat
n s y + =
j , provenit din j
s
,
nu aparţine regiunii de decizie j
R
asociate; această probabilitate este
{ } { } ( )

= = ∈ + = = ∈
i
i
d f P P
i i i i i i
R
s z
z s z s s R n s s s R y | | |
|

24
Componentele y
k
k=1,2, ... N ale vectorului y sunt v.a. gaussiene cu
- media
{ }
ik k
s y E =

- dispersia
{ } ( ) { } ( ) { }
2
0
2
2
2
2 2 2
N
n E s n s E s y E
k ik k ik ik k
= = − + = − = σ

⇒ densitatea de probabilitate condiţionată pentru vectorul recepţionat y (z), ştiind că s-
a transmis semnalul ce corespunde vectorului s
i
este
( ) ( )
( )
( ) ( ) ( )
( )
|
|
¹
|

\
|

− =
=
|
|
¹
|

\
|
− + + − + −
− = =
0
2
2
0
0
2
2 2
2
2 2
2
1 1
2
0
|
exp
1
...
exp
1
| |
N
N
N
s z s z s z
N
f f
i
N
i i i
N i i
i
s z
s z s z
n s z
π
π
⇒ probabilitatea de eroare devine
25
{ }
( )
( )
( ) ( ) ( )


|
|
¹
|

\
|
− + + − + −
− =
=
|
|
¹
|

\
|

− = = ∈
i
i
N
i i i
N
i
N i i
dz dz dz
N
s z s z s z
N
d
N
N
P
R
R
z
s z
s s R y
..
...
exp
1
exp
1
|
2 1
0
2
2 2
2
2 2
2
1 1
2
0
0
2
2
0
π
π

Observaţii:
• valoarea medie a energiei semnalelor este

=
=
M
i
i
E
1
2
s

şi este de dorit să fie minimă ⇒ constelaţia de semnal să fie simetrică faţă de
axe. Rotaţia şi translaţia constelaţiei în spaţiul semnalelor modifică energia
medie a constelaţiei;
• probabilitatea de eroare nu se modifică dacă se roteşte sau se translatează
constelatia;

26
Evaluarea probabilităţii de eroare pentru regiuni de decizie dreptunghiulare
• considerăm o constelaţie ce poate fi reprezentată într-o bază bidimensionala
⇒ pentru orice semnal s
i
avem regiune de decizie de tipul
s
i
s
i1
s
i2
a
1
b
1
b
1
ϕ
1
ϕ
2
R
i
r

r
1
a
2
r
2

- s
i
= vectorul corespunzător semnalului ⇒ de coordonate [s
i1
, s
i2
]
- limitele regiunii de decizie R
i
sunt
○ [a
1
, a
2
] pe axa ϕ ϕϕ ϕ
1;

○ [b
1
, b
2
] pe axa ϕ ϕϕ ϕ
2;

- r = vectorul corespunzător semnalului ⇒ de coordonate [r
1
, r
2
]
27
¹
´
¦
+ =
+ =
⇒ + =
2 2 2
1 1 1
n s r
n s r
i
i
i
n s r


{ } { } { }
{ }
{ }
(
¸
(

¸

|
¹
|

\
|


|
¹
|

\
|


(
¸
(

¸

|
¹
|

\
|


|
¹
|

\
|

=
=
|
|
¹
|

\
|

|
|
¹
|

\
|
− =
=
|
|
¹
|

\
|
+
− =
= − ≤ ≤ − − ≤ ≤ − =
= ≤ + ≤ ≤ + ≤ =
= ≤ ≤ ≤ ≤ = ∈ + = ∈ =
=








∫ ∫
∫ ∫
σ σ σ σ
π π
π
σ
2 2 1 1 1 2 1 1
2
2
0
2
2
0
1
0
2
1
0
2 1
0
2
2
2
1
0
2 2 2 2 1 1 2 1 1 1
2 2 2 1 2 1 1 1
2 2 1 2 1 1
2 0
1 2
1 1
2 2
2 1
1 2
1 1
2 2
2 1
exp
1
exp
1
exp
1
;
;
;
i i i i
N
s a
s a
s b
s b
s a
s a
s b
s b
i i i i
i i
i i i ci
s b
Q
s b
Q
s a
Q
s a
Q
dn
N
n
N
dn
N
n
N
dn dn
N
n n
N
s b n s b s a n s a P
b n s b a n s a P
b r b a r a P P P P
i
i
i
i
i
i
i
i
R n s R z

unde
( )



=
x
u
du e x Q
2
2
2
1
π

cele 2 semnale se numesc ortogonale dacă
E x+ y = E x + E y

x, y = 0 ; în acest caz

O familie de func ii {ϕ i (t ); i ∈ J}, J finită sau numărabilă, reprezintă un set de func ii ortogonale dacă ϕ i , ϕ j = Eiδ ij ; dacă în plus Ei = 1; (∀) i ∈ J , setul se numeşte ortonormat. Se doreşte reprezentarea unui semnal x(t ) prin găsirea unei combina ii liniare între elementele setului de func ii ortonormate {ϕ i (t ); i ∈ J}
~ (t ) = c ϕ (t ) x ∑i i
i∈J

care să aproximeze cât mai bine pe x(t ) . Criteriul de aproximare este minimizarea energiei semnalului eroare.
e(t ) = x(t ) − ~ (t ) = x(t ) − ∑ ciϕ i (t ) x
i∈J

2

min = E x − ∑ ci = E x − E ~ x 2 i∈J 3 .Ee = ∫ e (t )dt = 2 −∞ ∞ ∞ ∫ 2 x(t ) − ~ (t ) dt = x ∞ [x(t ) − ~(t )]⋅ [x* (t ) − ~ * (t )]dt x x ∫ −∞ −∞ * ∞   ∞ x x = E x + E ~ −  ∫ x(t )~ * (t )dt +  ∫ x(t )~ * (t )dt   = x     −∞    −∞  = E x + E ~ − 2 Re{ x. ϕ i { i∈J fixat 14 244 14 4 4 3 i∈J 2 3 variabil fixat 2 2 ⇒condi ia de minimizare a energiei semnalului eroare se reduce la cea de anulare a celui de-al doilea termen din expresia de mai sus ⇒ ci = x. ϕ i − ∑ x .ϕ i = ∫ x(t )ϕ i (t )dt ⇒ −∞ ∞ Ee .ϕ i  = i∈J  i∈J  = E x + ∑ c i − x. ~ } = x x   2 = E x + ∑ ci − 2 Re ∑ ci x.

. i = 1. c2 . M } Pasul 1. există un număr finit de intervale de timp {ti } pentru care Dacă pentru orice semnal dintr-un set dat este îndeplinită condi ia Ee. • se ob ine primul element al bazei prin normarea lui d1 (t ) 4 .min = 0 ⇒ se spune că setul {ϕi (t ). i ∈ J} formează o bază pentru setul dat Interpretare geometrică: dacă {ϕ i (t ).min x(ti ) ≠ ~ (ti ) x = 0 ⇒ E x = ∑ ci ⇒ E x − E ~ ⇒ x(t ) = ~ (t ) aproape x x 2 i∈J peste tot. c N ] 5.• se observă că dacă Ee. . i ∈ J} este o bază ortonormată reală⇒ x(t ) = ∑ ciϕ i (t ) i∈J x(t ) poate fi reprezentat prin vectorul x = [c1 . • se construieşte semnalul d1 (t ) = x1 (t ) . Ortogonalizarea Gramm Schmidt se dă setul de semnale {xi .. .2.

. Pasul k • • se calculează d k (t ) = xk (t ) − ∑ ϕi (t ) xk . d1 .. cum d 2 ..d 2 .. ϕ j = 0 (∀) j = 1. dk 5 . . i =1 k −1 d k ... ϕ1 ..ϕ1 (t ) = d1 (t ) d1 . ϕi . se determină elementul k al bazei prin normare ϕ k (t ) = d k (t ) dk .. k − 1 . ϕ1 = 0 cel de-al doilea element al bazei se determină prin normare ϕ 2 (t ) = d 2 (t ) d 2 . d1 = ∫ d12 (t )dt −∞ ∞ Pasul 2 • • se calculează d 2 (t ) = x2 (t ) − ϕ1 (t ) x2 . d1 .

k ∈ 1. N ≤ M Observa ii: • dimensiunea bazei deci a spa iului vectorial căruia îi apar ine setul de vectori {xi (t ). fiecare element xi (t ) se poate reprezenta printr-un vector x1 = [ci1 . ci 2 . N ∞ • energia semnalului xi (t ) este E xi = xi . M ciK = xi . i = 1. . xi = ∫ x (t )dt = ∑ ci 2 i N 2 −∞ i =1 6 . setul de func ii {xi (t ). .. M } ⇒după eliminarea elementelor nule şi re-numerotare rezultă baza {ϕi (t ). ciN ]. i = 1. N≤M • • dacă N=M. N }. M } este liniar independent .Procedeul continuă până când sunt epuizate toate cele M elemente ale setului {xi (t ).. i = 1. i ∈ 1. M } este N. ϕ k . i = 1.

i = 1. . i ∈1. cu 2 7 . M } în spa iul N ϕ dimensional definit de baza { i (t ).3. N } este mul imea vectorilor x i = [ci1 . i = 1. transmite unul din cele semnale reale. (∀)i = 1. supp{si (t )} = [0. Energia semnalului nu se schimbă ⇒ lungimea vectorului este invariantă la alegerea bazei Constela ia de semnal asociată semnalelor {xi (t ). i = 1. T ]. . Detec ia optimală a M semnale reale în ZAGA Ipoteze: se • M {si (t ). ci 2 . i = 1.• ϕ baza { i (t )... ciN ]. M . diferite. M 5. M }. • N W (ω ) = 0 canalul este afectat doar de ZAGA. N } depind de ordinea aleasă la ortogonalizarea Gramm Schmidt.

y N +1 .ϕ i = k ≥1 8 ∞ →T ∫ n(t )ϕ (t )dt i − ∞ →0 . y2 . {s (t ). . n N +1 . y N . i ≥ 1} sunt v.a. sau. .. si 2 + n2 .. i ≥ N }. M } ⇒ se poate construi baza pentru semnalul recep ionat y (t ) ⇒ se poate construi baza ortonormată {ϕi (t )... de N Demonstra ie n(t ) = ∑ nk ϕ k (t ) . vectorial ⇒ y = [ y1 . N }. siN + n N . nk = n.. Problema detec iei ⇒ decizia între M ipoteze • {H i : s − a transmis s i (t ) } ⇒ y(t ) = si (t ) + n(t ) . i = 1. i i = 1... .Semnalul recep ionat este y(t ) = si (t ) + n(t ) supp{y (t )} = [0.] = [si1 + n1 . T ] Pentru • • pentru setul de semnale ϕ ortonormată { i (t )..] componentele nk ale zgomotului în raport cu baza {ϕ i (t ). • 2 0 medie nulă şi varian ă σ = 2 .

a. necorelate. y2 . y N } reprezintă o statistică suficientă pentu semnalul recep ionat.. 9 . Gaussiene.. y N + 2 = n N + 2 sunt independente ⇒nu aduc nici o informa ie în procesul de decizie ⇒ {y1 . ⇒ independente ⇒ cum y N +1 = nN +1 .T  E{nk } = E ∫ niϕ i (t )dt  = 0 0  2 T  T   TT N0 2 N   2 E nk = E  ∫ niϕi (t )dt   = ∫ ∫ E{n(t )n(τ )}ϕi (t )ϕ j (τ )dtdτ = ϕi (t )dt = 0 = σ 2  14 4 2 3 2 ∫ 2 0  0   0 0 N0   δ (t −τ ) { } 2 • func ia de corela ie între n j şi nk este T T T T N rjk = E{n j nk } = ∫ ∫ E{n(t )n(τ )}ϕi (t )ϕ k (τ )dtdτ = 0 2 0 0 N N = 0 ∫ ϕi (t )ϕk (t )dt = 0 δ ik 2 0 2 T ∫ ∫ δ (t − τ )ϕ (t )ϕ (τ )dtdτ = i k 0 0 ⇒ n j şi nk sunt v. ..

• densitatea de probabilitate de ordin N pentru vectorul n = [n1 . ] y = [ y 1 . n 2 . M } asociate celor M semnale ⇒ {H i : y ∈ S i } Probabilitatea de eroare Pe = 1 − Pc = 1 − ∑ P {H }∫ i i =1 Si M f y H i (z | H i ) 1 | 42 43 densitatea conditiona de probabilit ate ta de indeplinir ea ip H i dz • în ipoteza Hi ⇒ vectorul z s-ar putea sa nu apar ină regiunii Si datorită zgomotului 10 . y 2 . .. y N ] n = [n1 .. n N ] este pn (n ) = 1 ( πN ) 0 N 2 2  n12 + n2 + . .... . s i 2 . s iN ⇒ în spa iul N dimensional se construiesc regiuni de decizie disjuncte {S i i = 1.. n N ] s i = [s i 1 ... . + nN exp −  N0      Ipoteza {H i : s − a transmis s i (t ) } se scrie vectorial {H i : y = si + n } ... n2 .

Bayes ⇒ P {H k | z } = pentru z fixat k P {H k } f y | H k (z | H k ) f y (z ) = p k f y | H k (z | H k ) f y (z ) ⇒ f y (z ) = const ⇒ max {p k f y | H (z | H k )} = max {P {H k | z }} k k 11 .3.∫ Si f y | H i (z | H i )d z ≤ 1 Daca toate integralele ar fi nule ⇒Pe=0 5. Criteriul Maximului de probabilitate aposteriori (Maximum Aposteriori Probability.1.MAP) Dacă z = fixat şi max {p k f y | H (z | H k )} = p i f y | H (z | H i ) ⇒ se stabileşte k k i {H i : y ∈ S i } • • dar. cf.

2.3. M Pentru maximizarea Pe ⇒ se stabilesc regiunile de decizie S i a.⇒determinarea faptului că z ∈ S i ⇒maximizarea probabilită ii aposteriori } max {P {H i | z } ⇒ realizată pentru k=i ⇒ se deduce ipoteza în func ie de k vectorul recep ionat Regula de decizie: pe baza vectorului recep ionat z se deduce regiunea de decizie căreia îi apar ine z ∈ S i pe baza maximizării probabilită ilor aposteriori ⇒ se consideră adevărată ipoteza Hi Problema: de cele mai multe ori nu se cunosc probabilită ile aposteriori P {H i | z } 5. Se consideră semnalele echiprobabile M max k i = 1. {f y |H k (z | H k )} = p i f y | H i (z | H i ) ⇒ {H i : y ∈ S i } 12 . Criteriul Maximului de Plauzibilitate (Maximum Likelyhood.i.ML) 1 P {s i } = p i = .

M şi determinată valoarea maximă Aplicarea criteriului ML ⇒ algoritm Pas 1: Se introduce... . i=1. . ipoteza suplimentara {H o : y = n } ⇒ semnalul recep ionat provine numai din zgomot Pas 2: Se definesc rapoartele de plauzibilitate Λ k (y ) = f y | H k (y | H k ) f y | H 0 (y | H 0 ) Hi Pas 3: Conform criteriului MP: dacă max {Λ k (y )} = Λ i (y ) ⇒ se alege k Dar  N 2   ∑ ( y m − sim )  1  f y|H i (y | H i ) = exp − m=1   N0 πN 0     13 .⇒trebuie calculată func ia de plauzibilitate pentru toate ipotezele Hi. pentru normare.2.

 N 2  ∑ ym  1 f y|H 0 (y | H 0 ) = exp − m=1   N0  πN 0      2 Λ i (y ) = exp N ⇒  0 1 ∑1 ym sim − N m= 0 N ∑s m =1 N 2 im     ⇒ Este mai simplu de calculat logaritmul func iei de plauzibilitate 2 λi (y ) = ln (Λ i ) = N0 1 ∑1 ym sim − N m= 0 N ∑s m =1 N 2 im Cu acestea criteriul ML devine max {λ k (y )} = λ i (y ) ⇒ se alege ipotza H i k În plus ∑y m =1 N m im s = y .s i = ∫ y (t )si (t )dt 0 T ∑s m =1 N 2 im = Ei = ∫ si2 (t )dt 0 T 14 .

s i − Ei  = li ∫ ∫  N0 0 N0  2  N0 0 T Pe baza acestor rela ii se poate implementa receptorul optimal 5. Implementarea receptoarelor coerente optimale Valorile li (y ) = ∫ y(t )si (t )dt + ei . 0 T ei = − 1 Ei sunt o statistică suficientă pentru 2 semnalul recep ionat y(t) ⇒ conform criteriului ML se urmăreşte maximizarea li (y ) .4. folosind setul semnalelor 15 .⇒ 2 λi (y ) = N0 T 1 2  1  2 y (t )si (t )dt − si2 (t )dt = y . Implementarea receptorului optimal cu corelator.

folosind setul semnalelor 16 .Implementarea receptorului optimal cu filtru adaptat.

Justificare: • pentru semnalul s k (t ) hk (t ) = s k (t 0 − t ) ⇔ S k (ω )e − jωt0 ⇒filtrul adaptat . unde se alege t0=T are func ia pondere • semnalul la ieşirea filtrului adaptat 17 .

ϕ i i =1 M M  lk (y ) = ∫ y (t )∑ s kiϕ i (t ) dt + ei = ∑ s ki ∫ y (t )ϕ i (t )dt + ei i =1  i =1  0 0 14243 T T M 1442443 4 ~ yi 4 lk • în reprezentare vectorială 18 .k (t ) = y (t ) * hk (t ) = ∫ y (τ )s (T − t + τ )dτ k ∞ −∞ y e .T ] = ∫ y (τ )s (τ )dτ k 0 −∞ Implementarea receptorului optimal folosind vectorii bazei • folosind reprezentarea semnalelor folosind vectorii bazei s k (t ) = ∑ skiϕ i (t ). ski = s k . k = 1.k (T ) = y (t ) * hk (t ) t =T = ∫ y (τ )s (τ )dτ k T supp {sk (t )}=[0 .∞ y e . M .

..s i = [s i 1 .. s iN y = [ y 1 .k]MxN e2 Detector de maxim ϕN(t) ∫0 ( )dt T yN ~ lM eM 19 . y 2 . .. y N ]T ]T = [s ki ]MxN [ y i ]Nx 1 ⇒ [l ] = ~ + [e ] lk k k k Mx 1 [~ ] l [] ~ l1 ~ l2 opera ia de multiplicare a matricilor este realizată de multiportul – matrice de ponderare ϕ1(t) e1 ∫ ( )dt 0 T y1 ϕ2(t) ∫ ( )dt 0 T y2 y(t) Multiport – Matrice de ponderare [si. s i 2 ..

dacă însă diferen a este mică nu.k]MxN e2 Detector de maxim ϕ M (T − t ) yN ~ lM eM • Dacă dimensiunea bazei este mult mai mică decât numărul semnalelor aceste structuri se justifică.Observa ii structura poate fi implementată şi folosind un banc de filtre adaptate la • vectorii bazei. ϕ1 (T − t ) ϕ 2 (T − t ) y(t) y1 ~ l1 ~ l2 e1 y2 Multiport – Matrice de ponderare [si. 20 .

5. T ]. Interpretarea geometrică a regulii de decizie Se defineşte distan a euclidiană dintre doi vectori d (y | s i ) criteriul ML devine min {d (y | s k )} = d (y | s i ) ⇒ se alege ipotza k Hi ⇒decizia optimală pe baza principiului ML corespunde determinării semnalului celui mai apropiat (în sensul distan ei euclidiene) regiunile de decizie ⇒ Ri =locul geometric al punctelor din plan mai apropiate de si decât de oricare alt semnal R i = z | d (z . y ∈ R i ⇒ s = s i Exemplu: constela ia de semnal pentru QPSK 21 .5. s k )) k { } ˆ Regula de decizie: t ∈ [0. s i ) = min (d (z .

22 . 2. se reprezintă semnalele în func ie de elementele bazei. se calculează distan ele euclidiene dintre semnalul recep ionat şi fiecare semnal din setul de semnale posibil a fi transmise. se construieşte constela ia de semnal.Func ionarea detectorului optimal ce utilizează criteriul ML ⇒ etape: 1. pornind de la setul de semnale transmise se determină o bază ortonormată. 3.

se determină minimul acestei distan e sau regiunea de decizie căreia vectorul asociat semnalului recep ionat îi apar ine ⇒ se decide semnalul transmis ca cel corespunzător distan ei minime .4. nu apar ine regiunii de decizie R j asociate. provenit din s j .6. această probabilitate este P {y ∈ R i | s = s i } = P {s i + n ∈ R i | s = s i } = ∫ R i f z | s i (z | s i )d z 23 . M ⇒ probabilitatea de eroare este 1 Pe = 1 − Pc = 1 − M ∑ P {y ∈ R j =1 M i | s = si} ⇒ o eroare apare ori de cate ori semnalul recep ionat y = s j + n . 5. Determinarea probabilită ii de eroare pe baza constela iei de semnal 1 P {s = s i } = p i = . În condi iile de valabilitate ale criteriului ML M i = 1.

. ştiind că sa transmis semnalul ce corespunde vectorului si este f z | s i (z | s i ) = f n (z | s i ) = 1 1 (π N 0 ) N 2  ( z 1 − s i 1 )2 + ( z 2 − s i 2 )2 + ..2.a. gaussiene cu media E {y k } = s ik 2 2 = E y k2 − s ik = E (s ik + n k dispersia σ { } { )2 }− 2 s ik = E (n k { )2 } = N0 2 ⇒ densitatea de probabilitate condi ionată pentru vectorul recep ionat y (z).. + ( z 2 − s i 2 )2 exp  −  N0  2  =   = (π N 0 ) N 2  z − si exp  −  N0      ⇒ probabilitatea de eroare devine 24 .Componentele yk k=1. N ale vectorului y sunt v. ..

. probabilitatea de eroare nu se modifică dacă se roteşte sau se translatează constelatia.P {y ∈ R i | s = s i } = = ∫ R i 1 (π N 0 ) 2 N  exp  −   (π N 0 ) (z 1 − s i1 )2 R i ∫ 1 N 2  z − si exp  −  N0  2 2  dz =   2 + ( z 2 − s i 2 ) + . + ( z 2 − s i 2 ) N0   dz 1 dz 2 . 25 . dz N   Observa ii: • valoarea medie a energiei semnalelor este E = ∑ i =1 M s 2 i • şi este de dorit să fie minimă ⇒ constela ia de semnal să fie simetrică fa ă de axe.. Rota ia şi transla ia constela iei în spa iul semnalelor modifică energia medie a constela iei..

r2] 26 .Evaluarea probabilită ii de eroare pentru regiuni de decizie dreptunghiulare considerăm o constela ie ce poate fi reprezentată într-o bază bidimensionala • ⇒ pentru orice semnal si avem regiune de decizie de tipul ϕ2 b1 r2 si2 b1 ϕ1 a1 si1 r1 a2 si r Ri - - si = vectorul corespunzător semnalului ⇒ de coordonate [si1. b2] pe axa ϕ2. ○ [b1. a2] pe axa ϕ1. si2] limitele regiunii de decizie Ri sunt ○ [a1. r = vectorul corespunzător semnalului ⇒ de coordonate [r1.

 r1 = s i 1 + n 1 r = si + n ⇒   r2 = s i 2 + n 2 Pci = P {z ∈ R i } = P {s i + n ∈ R i } = P {a 1 ≤ r1 ≤ a 2 . b1 ≤ r2 ≤ b 2 } = = P {a 1 ≤ s i 1 + n1 ≤ a 2 . b1 ≤ s i 2 + n 2 ≤ b 2 } = = P {a 1 − s i 1 ≤ n 1 ≤ a 2 − s i 1 . b1 − s i 2 ≤ n 2 ≤ b 2 − s i 2 } = a 2 − s i1 b 2 − s i 2 2  n 12 + n 2 1 exp  −  N0 πN 0  = ∫ ∫ ∫ a 1 − s i 1 b1 − s i 2   dn 1 dn 2 =   ⇒ = a 2 − s i1 a1 − s i1 1 πN 0  n exp  −  N 0  2 1   dn 1   b2 − si2 ∫ b1 − s i 2 1 πN 0  n exp  −  N 0  2 2   dn 2   N0 =σ 2 2 =   a − s i1   a − s i 1     b1 − s i 1   b − si 2 = Q  1  − Q 2   ⋅ Q   − Q 2 σ σ      σ     σ    unde Q(x ) = − 1 ∫ e 2 du 2π x ∞ u2 27 .

Sign up to vote on this title
UsefulNot useful