Procesos Estocásticos (66.75) - Trabajo Final

Procesos estocsticos - 66.
75
Trabajo prctico Final
Sistema de comunicacin BPSK
Alumnos: Docentes:
Diego Luna Padrn N 75451 Ing. Carlos Belasteugui Goitia
diegorluna@gmail.com Manuel Ignacio Fernndez
Diego Nelson Alvis Padrn N 79528 Claudio Lupi
dna1812@gmail.com Fernando Gama
Francisco Javier Messina
Entrega: Fecha: Correciones:
Primera 12 de Junio de 2012
Segunda 26 de Junio de 2012
Tercera
10 de Junio de 2012
Facultad de Ingeniera - UBA Procesos estocsticos - 66.75 Trabajo prctico Final
ndice
ndice I
1. Enunciado 1
1.1. Resumen enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Ejercicio obligatorio 1 3
2.1. Resolucin punto a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Resolucin punto b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3. Resolucin punto c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4. Resolucin punto d . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.5. Resolucin punto e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.1. Modelo del sistema de comunicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2. Resolucin del ejercicio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3. Conclusiones para el ejercicio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6.2. Ejercicio 2 estimando las fases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.3. Conclusiones para el ejercicio 2 estimando las fases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
7. Ejercicio opcional 6-1 35
7.2. Resolucin del ejercicio 6-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.3. Conclusiones para el ejercicio 6-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1
er
cuatrimestre de 2012 ndice I
10.Bibliografa 49
II ndice 1
er
cuatrimestre de 2012
ndice de guras
3.1. Grco 1, ejercicio 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.1. Grco 1, ejercicio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2. Grco 2, ejercicio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3. Grco 3, ejercicio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.4. Grco 4, ejercicio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.1. Grco 1, ejercicio 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.2. Grco 2, ejercicio 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.3. Grco 3, ejercicio 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6.1. Grco 1, ejercicio 5.2, estimando las fases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6.2. Grco 1, ejercicio 5.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
6.3. Grco 2, ejercicio 5.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
6.4. Grco 3, ejercicio 5.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
6.5. Grco 4, ejercicio 5.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6.6. Grco 1, ejercicio 5.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.7. Grco 2, ejercicio 5.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
6.8. Grco 3, ejercicio 5.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
7.1. Grco 1, ejercicio 6.1, para el parmetro valiendo 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7.2. Grco 2, ejercicio 6.1, para el parmetro valiendo 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
7.3. Grco 3, ejercicio 6.1, para el parmetro valiendo 100. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
8.1. Grco 1, ejercicio 6.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
9.1. Grco 1, ejercicio 6.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1
er
cuatrimestre de 2012 ndice III
IV ndice 1
er
1. Enunciado
1.1. Resumen enunciado
El presente trabajo prctico tiene el objetivo de jar los conceptos principales vistos en la materia a travs
de una aplicacin real simplicada del campo ingenieril. Se pretende que los alumnos tomen contacto con
un trabajo del rea de las comunicaciones digitales y aplicando los conocimientos estudiados en la materia,
puedan resolver un problema concreto. Para ello, se les facilita una serie de ayudas provistas por el cuerpo
docente, que les permitan focalizar la resolucin del trabajo prctico en los conceptos y no en detalles de
implementacin.
1
er
cuatrimestre de 2012 Enunciado 1
2 Enunciado 1
er
2. Ejercicio obligatorio 1
2.1. Resolucin punto a
La matriz de estados es:
=
1
01

01
1
11

11
El estado estacionario de la cadena de Markov se dene como el autovector izquierdo asociado al

autovalor 1 :
T
=
T

Siendo:
=
Esto es:
1
=
1
(1
01
) +
2
(1
11
)
2
=
1

01
+
2

11
Tengo adems que
1
+
2
= 1, con lo que resolviendo se obtiene:
=
111
111+01
01
111+01
1
er
cuatrimestre de 2012 Ejercicio obligatorio 1 3
2.2. Resolucin punto b
Para encontrar la media del proceso se plantea una ecuacin de recurrencia, para armar esta ecuacin de
recurrencia se plantea la media por denicin. Llamando E[B
k
] al proceso se tiene:
E[B
0
] = 0(1
01
) + 1
01
=
01
E[B
1
] = 0P(B
1
= 0) + 1P(B
1
= 1)
= P(B
1
= 1/B
0
= 0) +P(B
1
= 1|B
0
= 1)
=
01
P(B
0
= 0) +
11
P(B
0
= 1)
=
01
(1
01
) +
11

01
=
01
(1 E[B
0
]) +
11
E[B
0
]
E[B
2
] = 0 P(B
2
= 0) + 1 P(B
2
= 1)
= P(B
2
= 1/B
1
= 0) +P(B
2
= 1/B
1
= 1)
=
01
P(B
1
= 0) +
11
P(B
1
= 1)
=
01
(1 E[B
1
]) +
11
E[B
1
]
Continuando de esta manera y reordenando se puede inferir para E[B
k
]:
E [B
k+1
] E[B
k
] (
11

01
) =
01
La solucin de esta ecuacin de recurrencia se halla, encontrando primero la solucin para la ecuacin
homognea asociada y luego hallando una solucin particular, que en este caso ser una constante dado que
el termino independiente es una constante, con esto se obtiene nalmente:
E[B
k
] =

01

01
(
11

01
)
k+1
1
11
+
01
4 Ejercicio obligatorio 1 1
er
2.3. Resolucin punto c
Si se compara el resultado anterior con la media para el estado estacionario, que es:
E[] = 0
1
11
1
11
+
01
+ 1

01
1
11
+
01
=

01
1
11
+
01
Se puede observar que el valor es el mismo que se obtiene al hacer:
lm
k
E[B
k
] =

01
1
11
+
01
ya que se tiene que
01
1 y que
11
1, con lo que el mdulo del termino exponencial es tambin
menor a 1, y por lo tanto tiende a cero cuando k tiende a innito.
2.4. Resolucin punto d
Si se tiene que
01
= 1 y que
11
= 0, dado que se empieza el proceso con probabilidad
01
, se observa
que siempre pasamos al segundo estado y la probabilidad de permanecer en este estado luego es
11
= 0,
con lo que en realidad ya no se tiene un proceso estocstico sino uno determinstico, en el que alternan los
estados comenzando en 1.
2.5. Resolucin punto e
El proceso de markov con el que modelizamos la generacin de bits, es una cadena de markov de dos
estados, en dnde cada estado es a su ves una variable aleatoria Bernoulli con parmetros
01
y
11
respec-
tivamente, independientes entre s. En el caso particular en que
01
=
11
, se tiene que tenemos un proceso
con dos estados posibles dnde cada estado es una variable Bernoulli i.i.d con parmetro p =
01
=
11
,
lo que por denicin es un proceso de Bernoulli, dnde cada componente de la secuencia es una variable
aleatoria Bernoulli i.i.d.
1
er
er
3.1. Modelo del sistema de comunicacin
El sistema se modela con la funcin de MATLAB, sistema_comunicacion, esta recibe por parmetros:
N, lambda_01, lambda_11, P_0, P_1, alpha_0, alpha_1, usar_estimador_de_fases, A, L, sigma2_W
y devuelve, la probabilidad de error terica y la estimada:
P_e_est, P_e
La explicacin de la implementacin de esta funcin se puede ver en sus comentarios y los de las funciones
que esta llama a su ves, se tuvo cuidado de hacerlos lo sucientemente detallados.
3.2. Resolucin del ejercicio 2
El ejercicio 2 es implementado por la funcin de MATLAB, ejercicio_obl_2, la cul no recibe par-
metros ni devuelve ningn valor.
El ejercicio peda probar el sistema de comunicacin con determinados parmetros, efectuando varias co-
rridas y comparando luego la probabilidad de error terica con las estimadas para estas corridas, en este
ejercicio no se deba utilizar el estimador de fase, con lo que el receptor trabaja con las fases reales usadas
por el transmisor.
Lo que se hizo fue simplemente llamar repetidamente a esta funcin y luego gracar las probabilidades
de error para cada llamada, a continuacin se muestra el grco obtenido.
1
er
Figura 3.1: Grco 1, ejercicio 2.
er
3.3. Conclusiones para el ejercicio 2
Se observa que la probabilidad de error estimada tiene como media al valor terico.
1
er
er
Se utiliza el mismo modelo que para el ejercicio 2.
En este ejercicio se peda gracar la probabilidad de error estimada comparada con la terica cuando se
variaba cada uno de los siguientes parmetros:
alpha_0, A, L, sigma2_W
A continuacin e incluyen los grcos obtenidos para cada caso.
1
er
er
1
er
er
1
er
Se puede observar con facilidad como vara la probabilidad de error terica con cada uno de los parmetros,
para el caso de la fase del 0, se observa que a medida que esta se acerca a la fase del 1, la probabilidad
de error se incrementa lo cul es lgico ya que se hace ms difcil distinguir un smbolo del otro. Para el caso
de la amplitud de la seal se observa que la probabilidad de error disminuye a medida que esta aumenta,
esto se puede explicar observando que aumenta la relacin seal ruido y por lo tanto el ruido enmascara
menos a la seal. Para el caso en que se vara la longitud de la seal modulada de cada smbolo, se puede
ver que la probabilidad de error disminuye a medida que esta aumenta, esto se explica con el hecho de que
los ltros adaptados producen un mayor valor mximo con lo que es ms difcil que sea enmascarado por
el ruido. Finalmente para el caso dnde se vara la potencia del ruido, se ve que la probabilidad de error
aumenta con esta, esto al igual que en el caso en que se variaba la amplitud de la seal, se puede justicar
por la relacin seal ruido, la cul disminuye al aumentar la potencia del ruido, la diferencia en la tasa de
variacin es debida a que ahora lo que variamos es la potencia del ruido y no su amplitud. En cuanto a las
probabilidades estimadas se observa que el valor de su media parece seguir la probabilidad terica.
er
El sistema se modela con la funcin de MATLAB, sistema_comunicacion_adaptando_p_i, esta
recibe por parmetros:
lambda_01, lambda_11, alpha_0, alpha_1, usar_estimador_de_fases, A, L, sigma2_W
Esta funcin es una versin modicada del modelo usado en los dos ejercicios anteriores, cmo puede
verse no recibe cmo parmetros la probabilidad de cada uno de los smbolos, sino que utiliza para estas, dos
juegos de valores distintos, en el caso a, utiliza las probabilidades para el estado estacionario de la cadena de
markov desde la primera iteracin y para el caso b, se calcula el valor de las probabilidades de cada smbolo
para cada iteracin usando la expresin siguiente para el vector de probabilidades:
P
T
(k)
= P
T
(0)

k
Esto se realiza simplemente multiplicando por la matriz de probabilidades de transicin, , en cada
iteracin.
Al igual que en los ejercicios anteriores en este ejercicio no se estiman las fases.
Este ejercicio es una versin modicada del ejercicio 1, utilizando ahora el modelo descrito en la seccin
anterior, la simulacin se corre para tres juegos de valores de
01
y
11
, los valores elegidos fueron:
01
= 0,10,
01
= 0,30
01
= 0,55,
01
= 0,85
01
= 0,25,
01
= 0,75
A continuacin se incluyen los grcos obtenidos en cada caso.
1
er
er
1
er
er
El general no se observan diferencias entre lo que se obtiene usando las probabilidades del estado esta-
cionario y las probabilidades calculadas para cada valor de la cadena, haciendo un debugging de la funcin
de simulacin del sistema se ve que el valor de la probabilidades calculadas converge muy rpidamente al
valor del estado estacionario, lo que justica lo observado en los grcos.
1
er
er
Ya que este ejercicio consiste en repetir lo realizado en los 3 ejercicios anteriores, el modelo del sistema
utilizado en cada caso es e; mismo al que se utiliza en aquellos ejercicios previos.
Ahora la fase de los smbolos es estimada en el receptor usando las 100 muestras de entrenamiento, y los
clculos se realizan con estas fases estimadas, la probabilidad de error terico se sigue calculando usando
las fases reales, de modo de poder comparar con lo obtenido en los primeros ejercicios, en cuanto a como se
aparta la estimacin del valor terico.
6.2. Ejercicio 2 estimando las fases
A continuacin se incluye el grco obtenido.
1
er
Figura 6.1: Grco 1, ejercicio 5.2, estimando las fases.
er
6.3. Conclusiones para el ejercicio 2 estimando las fases
Se observa que la probabilidad de error estimada tiene una media que es apreciablemente superior a la
terica. Siendo la primera de 0.0023 y obtenindose para la estimada una valor de alrededor de 0.006, unas
tres veces mayor.
A continuacin e incluyen los grcos obtenidos para cada caso.
1
er
Figura 6.2: Grco 1, ejercicio 5.3.
er
1
er
er
1
er
Se observa algo similar en todos los casos, lo obtenido es similar a lo que se obtena al usar las fases
reales, pero el error real estimado es apreciablemente superior al terico.
A continuacin se incluyen los grcos obtenidos en cada caso.
er
1
er
er
1
er
Al igual que en los casos anteriores el error real esta bastante por encima del valor terico.
er
7. Ejercicio opcional 6-1
El sistema se modela con la funcin de MATLAB, sistema_comunicacion_ruido_col, esta recibe
por parmetros:
N, lambda_01, lambda_11, P_0, P_1, alpha_0, alpha_1, usar_estimador_de_fases, A, L, sigma2_W,
par_corr
Dnde el nuevo parmetro par_corr, determina el grado de correlacin del ruido y su valor es un valor
real positivo mayor a 0, logrndose mayor correlacin a mayor valor.
Y la funcin devuelve, la probabilidad de error terica y la estimada:
P_e_est, P_e
La correlacin se logra deniendo una matriz de covarianza que se calcula a partir de una funcin de
autocorrelacin arbitraria que decae en forma exponencial con la inversa del parmetro pasado, esto permite
controlar el grado de correlacin, luego con un cambio de variable con esta matriz se logra el vector coloreado
a partir de uno blanco.
La explicacin detallada de la implementacin de esta funcin se puede ver en sus comentarios y los de
las funciones que esta llama a su ves, se tuvo cuidado de hacerlos lo sucientemente detallados.
7.2. Resolucin del ejercicio 6-1
El ejercicio 6-1 es implementado por la funcin de MATLAB, ejercicio_opc_6_1, la cul no recibe
parmetros ni devuelve ningn valor, pero solicita el ingreso del valor para la correlacin, la funcin calcula
como vara la probabilidad de error en funcin de la amplitud de la seal, en forma similar al ejercicio 2,
pero ahora con el ruido coloreado, esto permite luego comparar los grcos que se obtienen al hacer variar
el grado de correlacin del ruido, se llam a esta funcin para los valores 1, 10 y 100 del parmetro.
A continuacin se incluye el grco obtenido para tres valores del parmetro 1, 10 y 100.
1
er
cuatrimestre de 2012 Ejercicio opcional 6-1 35
Figura 7.1: Grco 1, ejercicio 6.1, para el parmetro valiendo 1.
36 Ejercicio opcional 6-1 1
er
1
er
er
7.3. Conclusiones para el ejercicio 6-1
Se puede observar claramente como la probabilidad de error, (tanto la terica como la estimada), dismi-
nuyen al aumentar la correlacin siendo el piso, la probabilidad que se tiene con el ruido blanco.
1
er
er
El sistema se modela con la funcin de MATLAB, sistema_comunicacion_calculando_p_i, esta
recibe por parmetros:
N, lambda_01, lambda_11, P_0, P_1, alpha_0, alpha_1, usar_estimador_de_fases, A, L, sigma2_W
Y la funcin devuelve, la probabilidad de error terica, la estimada y las probabilidades de error nales
que se calcularon para P_0 y P_1:
P_e_est, P_e, P_0, P_1
El ejercicio usa un modelo del sistema que es idntico al usado anteriormente, la nica diferencia es que en
lugra de asumir que las probabilidades de cada smbolo es 0.5, est se inicia en ese valor y se va recalculando
a medida que se van recibiendo, luego se retorna el valor calculado nal, es decir se esta estimando esta
probabilidad. La funcin imprime por pantalla estos valores nales y graca todos los valores estimados para
las diferentes corridas y sus medias.
A continuacin se incluye el grco obtenido:.
1
er
er
Cmo era de esperarse los valores obtenidos est muy cerca de los valores tericos de 0.5:
Las medias para P_0 y P_1 entre todas las corridas son:
P_0 = 0.497465 P_1 = 0.502535
1
er
er
El sistema solo se modela en forma parcial en este caso, ya que se analiza slo el estimador de fases, el
modelo utilizado es implementado con la funcin de MATLAB, obtener_datos_estimador_fase, esta
recibe por parmetros: :
N, alpha_0, alpha_1, A, L, sigma2_W
Y la funcin devuelve las fases estimadas:
alpha_0_est, alpha_1_est
El ejercicio usa bsicamente el mismo estimador de fases usados en el resto del tp, solo se le hizo una
mejora basada en la correccin de la primera entrega, esta consisti en mejorar el algoritmo que decide la
mejor estimacin en base a los valores obtenidos para el mnimo y el mximo, se decide cul de las dos fue
afectada en menor medida por el ruido, comparando cul est ms cerca del valor terico, pero notando
tambin que dado cmo se calcula la convolucin, por naturaleza el mnimo estar menos afectado por el
ruido que el mximo (la mitad, ya que suma la mitad de muestras ruidosas), por lo tanto se tuvo esto en
cuenta y se obtuvo un mejor y ms consistente comportamiento del estimador de fases.
Lo que se obtiene para las fases usadas para alpha_0 = y alpha_1 = 0 es:
alpha_0 = 3.103883
alpha_1 = 0.667953
sesgo alpha_0 = 0.037710
sesgo alpha_1 = 0.667953
A continuacin se incluye el grco obtenido para la estimacin de fases a medida que aumenta el nmero
de bits utilizados para realizar la estimacin:.
1
er
er
El estimador es claramente consistente, ya que se puede ver fcilmente que su valor se estabiliza a medida
que la longitud de la seal usada para estimar aumenta, pero parece ser sesgado, esto no se puede demostrar
solo con simulaciones, para ello sera necesario un desarrollo terico. Otra cosa a notar es que ac se muestra
lo obtenido para las fases que se usaron en el tp, pero el valor del sesgo vara enormemente si ests se varan.
1
er
er
10. Bibliografa
Referencias
[1] Random signals - detection, estimation and data analysis
Copyright A.M. Breipohl K. Sam Shanmugan. 1988
John Wiley & Sons; 1
st
Edition (May, 1988)
http://www.wiley.com/WileyCDA/WileyTitle/productCd-0471815551.html.
[2] Digital communications (4
th
Edition)
Copyright John G. Proakis. 2000
Publisher: Mc Graw Hill; 2
nd
Edition (August 15, 2000)
http://www.mhhe.com/engcs/electrical/proakis/.
1
er
cuatrimestre de 2012 Bibliografa 49
50 Bibliografa 1
er

Procesos Estocásticos (66.75) - Trabajo Final

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Procesos Estocásticos (66.75) - Trabajo Final

Загружено:

Авторское право:

Доступные форматы

Procesos estocsticos - 66.

El estado estacionario de la cadena de Markov se dene como el autovector izquierdo asociado al

Вам также может понравиться