LAB 2: Ecualización en canales con ISI

Curso 2017 - 2018

Profesores: Mario Montagud, Jaume Segura

Objetivos
Debes acabar, si no lo has hecho aún, el trabajo de la práctica anterior, ya que en
esta práctica usaremos código Matlab de sesiones anteriores.
El objetivo principal en esta práctica es comprender la necesidad de la ecualización en
sistemas de comunicación, e implementar adaptativamente ecualizadores lineales MMSE,
comparando su funcionamiento con sistemas que no los implementen.
En esta práctica, se podrı́an usar algunos conceptos que no se hayan cubierto com-
pletamente aún en clase y que podrı́an explicarse proximamente en clase (antes de la
sesión siguiente). Esto implica que en algunas ocasiones deberás tomar ciertos resulta-
dos, aunque aún no los hayan derivado formalmente.
Trabajo de Laboratorio
1. Para esta práctica, debes usar el código Matlab de la sesión anterior. Si aún tienes
dificultades para completar las tareas de la práctica anterior, pregunta a tu profesor
a fin que te ayude a acabarlo.
En esta práctica, los filtros transmisor, canal y receptor serán implementados a una
tasa 4/T .
2. Ahora introducimos un filtro de canal no trivial. En particular, consideremos un
filtro de canal especificado (a tasa 4/T ) usando el siguiente comando de Matlab:

channel filter = [ −0.5, −0.2, 0.2, 0.5, 1, 0.9, 0.8, 0.7, −0.6, 0.7, 0.8, 0.7, 0.5 ]T ;

3. Por simplicidad, consideraremos señalización BPSK a lo largo de esta práctica, y
consideraremos sólo señales con valor real (la extensión a 2D es simple). Genera
nsymbols = 10100 sı́mbolos BPSK (i.e. ±1) como en la práctica 1, y pásalos a
través de los filtros transmisor, canal y receptor para obtener muestras recibidas
sin ruido a una tasa 4/T .
Después, usaremos el hecho que nsymbols = ntraining + npayload , donde ntraining
y npayload son números que se especificarán más tarde en la sección 7. Como esta-
mos sólo señalizando a lo largo del eje real, a la entrada del filtro receptor, añadimos
i.i.d. N (0, σ 2 ) las muestras de ruido real (como en la práctica 1, elegimos σ 2 = N20
Eb
correspondiente a un valor especificado de N 0
= 2dB). Pasa estas muestras de
ruido (a una tasa 4/T ) a través del filtro receptor, y añadimos el resultado a la
contribución de la señal a la salida del filtro receptor.

1

. donde las decisiones para cada sı́mbolo bn se basa en el procesado lineal de un vector de muestras rn of length Leq = 2L + 1. n = 1. 0.. Con esto veremos que una regla de decisión simple de una muestra no funciona bien para canales no ideales. . bn±2 . Compara con la curva de probabilidad de error ideal para la señalización BPSK para el mismo intervalo de Eb /N0 . ya que sólo usa la muestra central. rk+4(n−1)+d+(4/q)L La regla de decisión que usamos es: b̂n = sign cT rn  (1) donde c es un correlador la elección del cual debe ser especificada. donde la muestra central es la misma que la estadı́stica de decisión que se muestra en la sección 4: q = 1 corresponde a muestreo espaciado en un sı́mbolo. . . donde las entradas de rn son muestras espaciadas en 4/q. y q > 1 corresponde a un muestreo espaciado fraccionalmente. . y motivan el uso de los esquemas de ecualización que se discuten a continuación.. el cual minimiza el error cuadrático medio (MSE) siguiente: h 2 i M SE = E cT rn − bn Esto minimiza el MSE entre la estadı́stica de decisión y el sı́mbolo deseado al minimizar la contribución debida al ruido y al ISI en la salida del correlador. Implementaremos el ecualizador lineal de mı́nimo error cuadrático medio (MMSE). El MSE es una función cuadrática de c. rk+4(n−1)+d+(4/q) . y sea Zn = rd+4(n−1) . Consideraremos estos dos casos: q = 1 y q = 2. etc. calcula la probabilidad de error de la regla de decisión b̂n = sign(Zn ) como función de Eb /N0 . rk+4(n−1)+d . . nsymbols la mejor tasa de sı́mbolo que podemos obtener al submuestrear a una tasa 1/T la salida del filtro receptor. . . . 0]T . Para nsymbols = 10100. 0. Notad que la regla de decisión de la sección 4 corresponde a la elección c = [0. . . . 1.. . donde los últimos van de 5 a 20 dBs. . Funcionamiento sin ecualización: Sea {rk } la salida del filtro receptor. El vector rn viene dado por:  T rn = rk+4(n−1)+d−(4/q)L . elegimos el retardo de decisión d igual a la posición del máximo de la respuesta global (que ahora incluye el canal no ideal) a un sólo sı́mbolo. . que se minimiza al seleccionar: −1 cM M SE = E rn rTn  E[bn rn ] (2) 2 . El vector de muestras rn contiene contribuciones de los sı́mbolos deseados bn y de los de ISI debido a bn±1 . . . . Como en la solución a la práctica anterior. Introducción a la Ecualización Lineal Consideremos ecualización lineal. 4. . rk+4(n−1)+d−(4/q)(L−1) . 2.

que implementa la fórmula anterior (2) reemplazando el valor esperado estadı́stico por un prome- dio empı́rico. QParaDnconverter (implemented Leq = 3. modeled in complex baseband. functions at rate 4/T) ADC implementa ecualizadores lineales MMSE.. 3 . we are only skipping modeling 1 of finite X precision effects due to digital-to-analog T conversion (DAC) and analog-to-digital R̂ = conversion (ADC). we model the core components ntraining eq × L : of such a system eq using the complex baseband representation. el correlador obtenido mediante (3) es usado para tomar decisiones. . . en el intervalor entre 5 a 20 (synchronization. in complex baseband. in dashed Analiza el funcionamiento Finite precision effects del suchespaciado as DAC andde sı́mbolos ADC are vs notlaconsidered. . Demodulation) Figure 2: Block diagram of a linearly modulated system. . 9.Assigned: March 30. sobre los sı́mbolos I desconocidos I n = ntraining + 1. Definimos la matriz L labs. lines. 5. nsymbols. Figure 1: Typical DSP-centric transceiver realization. 2010 Due: April 16. comparándolos en la misma figura probabilidad de error no ecualizada streams baseband y lademodulation) probabilidad de error ideal querate se4/T obtuvowaveforms en la sección 4. b . usando la regla de decisión (1). Digital con laAnalog passband filtering) dBs. . Thelapassband longitudchannel del ecualizador is modeledsobre as an elLTI fun- system cionamiento. Noise Equalization. y representa sus probabilidades de error (para los sı́mbolos de ’carga útil’) en función de Eb /N(includes coarse analog 0 . ecualización Theespaciada upconversion fraccionalmente. rate m/T Symbols Transmit Receive Channel Receiver Estimated {b[n]} Filter Filter Filter Signal Rate 1/T g (t) g (t) g (t) Processing symbols TX RX C (Synchronization. Figure 1 shows Supongamos block diagrams que los corresponding to primeros sı́mbolos ntraining a typical DSP-centric realizationson of sı́mbolos de a communication entrenamiento conocidos b transceiver employing linear modulation. and downconversion operationsAnaliza are not el efecto de modeled. Ahora. Fijad ntraining = 100 symbols y npayloadQ = 10000. These reffects n rn can easily be incorporated into Matlab models such as those we will develop. DSP for Receive ADC Estimated filter receiver 7. Given the equivalence of passband ntraining and complex baseband. Informe de Laboratorio: El informe deberı́a documentar los resultados de los pasos anteriores con el fin de describir el razonamiento que has usado y las dificultades que has encontrado. 2. as shown in Figure 2. 2010 (at the beginning of the lab session) We will use the labs to gradually develop a reasonably complete matlab simulator for a linearly modu- lated system. Figure 1: Esquema usado en la práctica 2. 7. . . ¿Qué efecto tiene el incremento o decremento del perı́odo de en- trenamiento? Sampler. y el Leq × 1 vector: I I Two−dimensional Transmit DAC ntraining symbols filter 1 X p̂ = (implemented bnUpconverter rn rate 1/T ntraining Q n=1 Q at rate 4/T) DAC El correlador MMSE se aproxima ahora por: Digital Analog −1 Passband M SE = (R̂)baseband ĉMstreams p̂ Channel (3) rate 4/T waveforms 6. Thus.equalization. Our model does not include the blocks shown 8.ntraining but are beyond n=1the scope of the current set of labs. 1 In the . y q = 1. Usaremos una implementación adaptativaBackground del ecualizador MMSE. 5. later labs will build on earlier ones.

2010 Due: April 16. we model the core components of such a system using the complex baseband representation. as shown in Figure 2.UCSB Spring 2010 ECE 146B: Communications II Lab 1: Introduction to linear modulation Assigned: March 30. These effects can easily be incorporated into Matlab models such as those we will develop. Digital Analog passband filtering) equalization. Sampler. Background Figure 1 shows block diagrams corresponding to a typical DSP-centric realization of a communication transceiver employing linear modulation. later labs will build on earlier ones. 4 . streams baseband demodulation) rate 4/T waveforms Figure 1: Typical DSP-centric transceiver realization. The upconversion and downconversion operations are not modeled. modeled in complex baseband. The passband channel is modeled as an LTI system in complex baseband. Our model does not include the blocks shown Figure 2: Esquema del sistema Rx-Tx. Given the equivalence of passband and complex baseband. Thus. Demodulation) Figure 2: Block diagram of a linearly modulated system. in dashed lines. 2010 (at the beginning of the lab session) We will use the labs to gradually develop a reasonably complete matlab simulator for a linearly modu- lated system. we are only skipping modeling of finite precision effects due to digital-to-analog conversion (DAC) and analog-to-digital conversion (ADC). Noise Equalization. I I Two−dimensional Transmit DAC symbols filter (implemented Upconverter rate 1/T Q Q at rate 4/T) DAC Digital Analog Passband streams baseband Channel rate 4/T waveforms I I DSP for Receive ADC Estimated filter receiver Dnconverter (implemented Q symbols functions at rate 4/T) Q ADC (includes coarse analog (synchronization. Finite precision effects such as DAC and ADC are not considered. In the labs. rate m/T Symbols Transmit Receive Channel Receiver Estimated {b[n]} Filter Filter Filter Signal Rate 1/T g (t) g (t) g (t) Processing symbols TX RX C (Synchronization. but are beyond the scope of the current set of labs.