Lecture 16 Probabilidad de Error para Señales en AWGN Parte 1

2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr.
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
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:8 seales
Probabilidad de Error para seales en AWGN
Probabilidad Correcta para seales en AWGN
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
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
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

Estimacin
7
Transmisin sobre un canal AWGN
) 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)
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

Estimacin
9
|
|
|
|
|
.
|
\
|
=
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
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
Estimacin
11
( ) ( ) ( ) ( ) ( ) 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
Estimacin
12
( )
( ) ( )
( )
( ) ( )
( ) ( )
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

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
.
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
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 =

Estimacin
16
Detector MAP
El detector MAP, Mximo A Posteriori (probabilidad):
Se define como el detector que escoge el m
i
para maximizar la
probabilidad a posteriori dado un vector recibido r.
( ) r
r i m
m P
1ra. Regla de deteccin: MAP
Que, usando Bayes, puede reescribirse como:
( ) ( ) i k todo para m P m P si m m
k m i m i
= > r r
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.
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
3ra. Regla de deteccin: Mximo Likelihood (ML)

bajo AWGN
La regla de decisin consiste en escoger un mensaje punto (forma vectorial) que es el mas
cercano a la seal punto recibida, la cual se satisface intuitivamente.
Estimacin
18
Implementacin de Receptor ptimo
De la 3ra. Regla del mximum AWGN ML, tendremos la siguiente
estructura de receptor.

La estructura de un receptor ptimo asume las condiciones
indicadas para el receptor correlador (o su equivalente detector
filtro acoplado, por lo que consideramos:
(1) Smbolos fuentes equiprobables
(2) canal tipo AWGN
( )
N i
,...,r ,r r r n(t) (t) s r(t)
2 1
= + =
M 2 1
m ,..., m , m
Procedimiento de un receptor ptimo:
( )

= = = =
+ = =
N
1 j
2
ij
N
1 j
ij j
N
1 j
2
j
N
1 j
2
ij j
s s r 2 r s r
2
i
s r
Paso 1:
desempeado por un receptor correlador (o filtro acoplado)
Paso 2: m
r
observe que:
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
= > =

= =
3ra. Regla de Mximo Likelihood (ML) con AWGN

Estimacin
20
Selecciona
el mayor
de todos
Detector ptimo Implementado
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
=
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

Estimacin
22
( ) ( ) ( )
| | | |
( ) ( )
( )
M 1,2,..., i
N
1
exp
N
1
m f m m f
por dada l condiciona Gaussiana ad probabilid de densidad de f uncin -

2
N
(t) n E varianza y 0, n(t) E media con nte, independie Gaussiano es n(t) -
n ,..., n , n , s ,..., s , s , r ,..., r , r
0
N/2
0
i m i M
0
2
N 2 1 iN i2 i1 iN i2 i1
i i
=
= = =
= =
= = =
, 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
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)
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 =
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
Estimacin
26
m
1

m
2

r
s
k
s
i

Z
i

Z
k

{ }
i i
2
2
i
k i Z
= e
= s =
r
s r s r r
k i
Estimacin
27
m
1

m
2

r
s
k

s
i

Z
i

Z
k

{ }
i i
2
2
i
k i Z
= e
= s =
r
s r s r r
k i
Estimacin
28
m
1

m
2

r
s
k

s
i
Z
i

Z
k

{ }
i i
2
2
i
k i Z
= e
= s =
r
s r s r r
k i
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
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
Estimacin
31

Lecture 16 Probabilidad de Error para Señales en AWGN Parte 1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Lecture 16 Probabilidad de Error para Señales en AWGN Parte 1

Transféré par

Droits d'auteur :

Formats disponibles

2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr.

2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora

2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora

2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora

3ra. Regla de deteccin: Mximo Likelihood (ML)

3ra. Regla de Mximo Likelihood (ML) con AWGN

2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teora

Vous aimerez peut-être aussi