utilizao de redes neurais com tcnicas de inteligncia computacional em equalizao de canais

Kaian Siqueira Badar TeixeiraFEN/DETEL/UERJ

I - INTRODUO

Equalizadores adaptativos so utilizados para compensar a distoro do sinal devido a Interferncia Intersimblica (IIS), muitas vezes originada por multicaminhos em canais com disperso temporal. Dentre as aplicaes de inteligncia computacional em equalizao, as redes neurais tm sido usadas para diversos tipos de canais.

O sistema imunolgico natural um assunto interessante do ponto de vista computacional, pois ele distribudo, abrangente, auto-organizvel com capacidades de reconhecimento, aprendizagem e memria. Tais caractersticas levaram a motivao para incorporar tcnicas de sistemas imunolgicos artificiais nas Redes Neurais Artificiais como o algoritmo de aprendizagem. Assim, o sistema imunolgico artificial pode ser utilizado como uma tcnica de otimizao para que os pesos das redes sejam otimizados com o objetivo de minimizar o erro de sada.

II -FUNDAMENTOS DE SISTEMAS IMUNOLGICOSO sistema imunolgico natural compreende um sistema de reconhecimento de padres complexos, que protege o corpo contra agentes patognicos estranhos. Entre as propriedades do sistema imunolgico que tm atrado a ateno dos cientistas e engenheiros de computao destacam-se:a) Unicidade: cada indivduo possui seu prprio sistema imunolgico, com suas vulnerabilidades e capacidades particulares.b) Reconhecimento dos corpos estranhos: as molculas nocivas que no so do corpo so reconhecidos e eliminados pelo sistema imunolgico.c) Deteco de anomalias: o sistema imunolgico pode detectar e reagir a patgenos os quais o corpo nunca encontrou anteriormente.

d) Deteco distribuda: as clulas do sistema so distribudas por todo o corpo e no esto limitados a qualquer controle centralizado.e) Deteco imperfeita (tolerncia a rudo): um reconhecimento absoluto de patgenos no necessrio e, portanto, o sistema flexvel.f) Aprendizagem por reforo e memria: o sistema pode aprender as estruturas dos agentes patognicos, de modo a que as futuras respostas s estruturas dos agentes patognicos, sejam mais rpidas e mais intensas.

III.ESTRUTURA DA REDE NEURAL

Camada de Entrada Camada Escondida Camada de Sada

IV.ALGORITMO DE APRENDIZADO BASEADO EM SISTEMAS IMUNOLGICOS ARTIFICIAIS1. Determinao da SADA DO CANAL: A entrada um sinal binrio aleatrio com distribuio uniforme e x (k) a sada do canal no momento kT, onde T o intervalo do smbolo.2. Entrada do equalizador: A sada do canal de x (k), e suas verses atrasadas definem o vector de entrada do equalizador.3. Inicializao de um grupo de clulas, ou seja, n conjuntos de pesos de rede neural:Um grupo de n solues considerado, por isso cada um dos n vetores representa uma soluo possvel. Normalmente, os n pesos so inicializados para pequenos valores aleatrios.4. Clculo da sada desejada do equalizador: O sinal desejado d (k) formado atrasando a sequncia de entrada u (k), por m amostras para cada uma das n solues possveis.5. Clculo da funo de ajuste (fitness): A sada do equalizador y (k), comparada com a sada desejada d (k) para produzir um sinal de erro dado por e (k) = d (k) - Y (k). Para cada n-simo vetor de peso, o erro mdio quadrtico (MSE) avaliado. Para cada vetor de peso o erro quadrtico mdio (MSE) determinado e usado como a funo de ajuste (fitness). O objetivo minimizar a funo de ajuste pelo princpio da seleo clonal.6. Seleo: O vetor peso selecionado para o qual o MSE mnimo.7. Clonagem O vetor de peso que produz o melhor valor de ajuste (fitness), ou seja, MSE mnimo duplicado.8. Mutao: a operao de Mutao introduz variaes nas clulas do sistema imunolgico. A Probabilidade Pm de mutao escolhida para ser um valor pequeno que indica que a operao ocorre ocasionalmente.9. Critrio de parada: At que um MSE mnimo predefinido seja obtido, os passos 4 -8 so repetidos.V.RESULTADOS DE SIMULAOVrias simulaes foram feitas as quais indicam que o equalizador de rede neural treinado pelo sistema imunolgico artificial tem um desempenho satisfatrio. Duas simulaes so mostradas para os canais de respostas no lineares tanh(0.26 + 0.93 z-1 + 0.26 z-2) e tanh(0.3040 + 0.9030z-1 + 0.3040 z-2 ). As figuras abaixo mostram os resultados em termos de probabilidade de erro versus SNR para rudo Gaussiano branco aditivo, comparando equalizador com rede neural treinada por sistemas imunolgicos artificiais ( equalizador AIS), e equalizador com rede Neural treinada por GA e outro treinado com o algoritmo LMS. Pode ser visto que o esquema de aprendizagem AIS compara-se favoravelmente com as tcnicas GA, mas muito superior LMS particularmente na presena de no linearidades.

Canal 1

Canal 2