2. Ejemplo de Aplicación:
Estimación de canal y detección de símbolos
En comunicaciones digitales, los datos transmitidos suelen
estar afectados por distorsión lineal y ruido
Canal:
“Distorsión lineal”: rk = hT x + nk
debida a BW y multitrayecto σ2
h
precisa igualación
Fading selectivo en el tiempo: h(k ) = Fh (k − 1) + z (k )
precisa igualadores adaptativos
3. Ejemplo de Aplicación:
Estimación de canal y detección de símbolos
La igualación ciega pretende estimar xk a partir de rk, sin
conocimiento previo de h ni de datos de entrenamiento
En el receptor:
1. Estimar la respuesta impulsiva de canal (h).
2. Aplicar a los datos recibidos una función g tal que,
{xk} ~ g[ h({xk}) ]
g ~ h-1
Pero....
Tareas: Estimación del canal + Detección de símbolos
h=h(t) g=g(t)
D+E es un problema complejo
4. Conceptos básicos (1/3)
Filtro: cualquier dispositivo, tanto HW como SW, que opera
sobre un conjunto de datos de entrada con el objetivo de
extraer una determinada información de interés.
Filtro selectivo en frecuencia: circuito eléctrico que deja
pasar a la salida sólo aquellas componentes frecuenciales
de la señal de entrada que pertenecen a un intervalo de
frecuencias deseado (PB, PA, PB, BE). (+)
Clasificación tareas filtrado:
Filtrado en tiempo real
Filtrado con retardo
Predicción o pronóstico
Filtro lineal: la salida es una función lineal de los datos
aplicados a la entrada del filtro.
5. Conceptos básicos (1/3)
|H(jv)| |H(jv)|
v v
2 2
0 wo 0 wo
|H(jv)| |H(jv)|
xti01 ]0p1
[5.4o.6 -54o.6
ne 2 -.ti0 2
]0p 1e
1 x
5 n
0 [
5 2 15
BW BW
50
v v
0.1 0.1
0 w c,1 w c,2 0 w c,1 w c,2
- m 5m
18 08
0(
-m (
5s .
2
e m
g s
) .
2
e
g
)
Filtro
FIR
H(z )
(-)
6. Conceptos básicos (2/3)
Filtro lineal óptimo: se obtiene a partir de ciertas
aproximaciones y parámetros estadísticos (medias y
correlaciones) tanto de la señal de interés como del ruido
adicional. Se diseña minimizando el efecto del ruido sobre la
salida del filtro siguiendo un criterio estadístico. Da lugar a:
Filtro de Wiener: filtro lineal óptimo en el sentido de Mínimo
Error Cuadrático Medio (MMSE) en entorno estacionario.
1
MMSE
0.8
0.6 Superficie de
0.4 Error/Rendimiento
0.2
Filtro de
0 Wiener
0 0
2 2
h0
4 4
h1
6 6
7. Conceptos básicos (3/3)
Pero…. Si el entorno varía con el tiempo el
filtro de Wiener deja de ser óptimo…..
Filtro de Kalman (RLS): filtro lineal óptimo
en el sentido de Mínimo Error Cuadrático Medio
(MMSE) en entornos variantes con el tiempo.
Muy estudiados (muchos libros…..)
Analizado: convergencia, carga computacional, rendimiento, etc)
Múltiples versiones y simplificaciones.
Versiones discretas.
¡COMPLEJO!
8. Parámetros de los filtros adaptativos
Tasa de convergencia: número de iteraciones
necesarias para converger al filtro óptimo.
Desajuste (o precisión): calidad o parecido entre el
filtro obtenido y el óptimo.
Seguimiento: capacidad para adaptarse a las
variaciones del entorno (ruido, potencia, etc.)
Robustez: pequeñas alteraciones de la entrada deben
originar pequeños cambios en la salida.
Carga computacional: número de operaciones,
requisitos de memoria, etc.
Estructura interna: secuenciación del algoritmo.
Paralelismo. Sencillez de programación.
9. Aplicaciones de los filtros
Identificación de sistemas
Predicción o detección de señales
Cancelación de ecos e interferencias
Igualación en comunicaciones
Separación de señales. Demultiplexación
Realce de imágenes
Aplicaciones militares y seguridad
Suavizado y extrapolación de datos
……
10. Tipos de filtros digitales
Recordando……
FIR (Finite Impulse Response)
IIR (Infinite Impulse Response)
11. Comparativa FIR/IIR
FIR permite una respuesta frecuencial con fase
totalmente lineal.
Los filtros FIR son siempre estables. Los IIR pueden
serlo o no.
Los filtros IIR son más sensibles al ruido de redondeo y
de cuantificación.
Los filtros IIR requieren menos coeficientes para lograr
unas mismas especificaciones frecuenciales mayor
tiempo de procesado y capacidad de almacenamiento.
El diseño IIR se fundamenta en el diseño de filtros
analógicos que posteriormente se discretizan tienen
equivalente analógico y mayor dificultad de diseño.
14. Conclusiones
Las aplicaciones en entornos reales requieren filtros
variantes en el tiempo.
Los filtros se diseñan siguiendo cierto criterio estadístico
de minimización de alguna métrica del error.
Existen filtros lineales óptimos para entornos
estacionarios (Wiener) y variantes en el tiempo (Kalman).
Se han estudiado y desarrollado múltiples versiones,
tanto de tiempo continuo como discreto.
Estudiaremos los criterios para actualizar los coeficientes
de los filtros.
h[k+1] = f( h[k] )