Técnicas de supresión de interferencias de banda angosta en sistemas multiusuario de banda ancha.

Transcripción

1 Gustavo J. Gozález Uiversidad Nacioal del Sur Departameto de Igeiería Eléctrica y Computadoras Bahía Blaca Becario Agecia Nacioal de Promoció Cietífica y Tecológica (1 er año). Técicas de supresió de iterferecias de bada agosta e sistemas multiusuario de bada acha.

2 Sítesis Itroducció Campo de aplicació Modelado de señales Cosideracioes sobre SS. Modelado de NBI Métodos predictivos lieales Filtro de Kalma-Bucy Filtro FIR Métodos predictivos o lieales Filtro ACM Filtro adaptivo o lieal Métodos ayudados por código Decodificador MMSE Comparacioes

3 Itroducció Las señales de espectro disperso (SS) posee ua imuidad ativa a las iterferecias de bada agosta (NBI).

4 Itroducció Etoces... Vale la pea hacer procesamieto? Sí, La aplicació de métodos activos: baja la tasa de error aumeta la capacidad e CDMA mejora la capacidad de adquisició.

5 Campos de aplicació Estos métodos m so aplicables e sistemas de servicios compartidos de diferete acho de bada relativo. Tambié e sistemas WIFI, WIMAX, WCDMA, etc.

6 Modelado de señales La señal recibida es cosiderada: R(t) = S(t) + I(t) + N(t),, dode S(t) es la señal de espectro disperso, I(t) la iterferecia de bada agosta y N(t) el ruido blaco gaussiao.

7 Modelado de señales De acuerdo co las cosideracioes que se realice para S(t), se obtiee diferetes resultados: S(t) ) es pseudo - aleatoria S(t) o es gaussiaa El código c de dispersió es coocido Filtros Lieales Filtros o Lieales Tec.. auxiliadas por códigoc

8 Modelado de iterferecia Las señales NBI puede ser modeladas de tres maeras diferetes: 1. Señales toales. Señales de digitales de bada agosta 3. Procesos estocásticos sticos etrópicos

9 Métodos predictivos lieales Se utiliza la diferecia de predictibilidad etre la señal de S(t) e I(t), para predecir ésta última y suprimirla.

10 Métodos predictivos lieales Para el caso de u usuario, la salida del filtro acoplado es: y 1 [ i ] = N 1 = 0 s r,1 + in Reemplazado r, por el residuo de la predicció, obteemos: b { [ ]} N 1. s r r 1[ i] = sig = + ˆ 0, 1 in + in

11 Métodos predictivos lieales Se puede utilizar dos arquitecturas básicas b para predecir I(t): PredictorPredictor Kalma-Bucy Bucy,, basado e u modelo e variables de estado de I(t). PredictorPredictor FIR.

12 Predictor Kalma-Bucy Se modela I(t) como u proceso AR de orde p, co parámetros poco variates. La represetació es la siguiete: Modelo de NBI x r = x 1 = C T x P i = φii i + e + + v z i= 1 A partir de éste la ecuació de proceso y la de medició resulta: φ.

13 Predictor Kalma-Bucy dode [ ] T i i,..., i, x =, [ ] T [ 1 p+ 1 C = 1,0,...,0, z = e,0,...,0], A A1 v = s + u co s u N 0, σ 1, y ( ) Y, teiedo e cueta el modelo autorregresivo, la matriz de trasició de los estados es: φ1 φ... φ p 1 0 K 0 φ = 0 1 L 0 M M O M 0 0 L 1 Luego, la predicció MMSE puede hallarse a partir de las ecuacioes de Kalma Bucy. N N

14 Predictor FIR Aparece como ua cotraparte a la complejidad del algoritmo de Kalma-Bucy Bucy.. Puede formularse como: rˆ L l= 1 = α r l l. E el caso o estacioario, α puede adaptarse co el algoritmo LMS. Tambié puede ormalizarse co el ivel de etrada.

15 Predictor FIR Implemetació co líea de retardos.

16 Predictores o lieales Dado que la señal S(t) es o gaussiaa,, el resultado de la prediccioes realizadas co filtros lieales o es óptima. El objetivo e utilizar la estructura de S(t), para diseñar filtros o lieales que mejore el desempeño.

17 Filtro ACM E el predictor Kalma-Bucy Bucy,, el hecho de que v o sea gaussiao, hace que el predicció MMSE sea muy compleja. Se utiliza el filtro ACM, que resulta e ua realimetació suave que suprime la señal de espectro disperso de las medicioes.

18 Filtro adaptivo o lieal Este filtro realiza ua predicció lieal de la señal utilizado la etrada modificada por ua fució o lieal del error de predicció.

19 Técicas auxiliadas por código E éstas técicas se utiliza u modelo a ivel de chip de las señal S(t), aprovechado el coocimieto del código de dispersió para mejorar la supresió. Éstas técicas está basados e detectores diseñados detecció multiusuario lieal: el decorrelador y el detector MMSE lieal.

20 Supresió de NBI mediate el detector MMSE. Es ua reiterpretació del detector MMSE, para realizar ua detecció lieal óptima de la señal bajo NBI, e setido MSE, defiida como: MSE {( ) } T. r b = E ω Ua figura de mérito que puede utilizarse para evaluar el desempeño del detector es la SINR SINR = { { } } T E ω r b { { T ω r b } E E Var

21 Iterferecia toal Se la cosidera como ua suma de siusoides complejas, de la forma: Se evaluará el desempeño del detector calculado la SINR para diferetes casos: m=1 m= j(π. +φ ) fl - fk sea múltiplos de 1/N para l k. i m = l= 1 P e l f l l

22 Iterferecia toal Para el caso m =1 se obtiee: cuado P 1 E 1 N { } SINR =, 1 A σ 1 El caso m= resulta: cuado A σ E y N A σ { } SINR = 1 P σ

23 Iterferecia toal Por último se aalizará el caso de frecuecias ortogoales. La SINR resulta: N m A E m N σ { SINR } = cuado { max σ } P l

24 Iterferecia autorregresiva E este caso cosideraremos ua NBI defiida como: P = φ ji j j= 1 i + El desempeño obteido e térmios de SINR A resulta: SINR = 1+ φ φp e ( ) σ

25 Iterferecia digital Se asume que la señal digital está sicroizada co la señal SS. La iterferecia es cosiderada como m usuarios virtuales ortogoales etre sí.

26 Iterferecia digital Utilizado el detector MMSE, se obtiee el siguiete desempeño co respecto a la SINR. SINR A = σ T ρ ρ 1 σ 1+ A

27 Comparacioes Se realizará dos comparacioes etre las técicas mecioadas ateriormete: Primero cosideraremos ua NBI autorregresiva de orde dos, σ =-0dB. Luego se comparará el desempeño frete a ua NBI digital, ate la misma potecia de ruido y co m=4.

28 Iterferecia autorregresiva

29 Iterferecia digital