Adaptivní systémy - cvičení 7
APLIKACE L M S
Adaptivní vyrovnávač frekvenční charakteristiky
(kanálový ekvalizér)
Adaptivní vyrovnávač frekvenční charakteristiky (kanálový ekvalizér) se používá v číslicových komunikačních systémech při přenosu dat neideálním kanálem. Základem adaptivního ekvalizéru je FIR filtr, který kompenzuje kanálové zkreslení. Koeficienty filtru jsou aktualizovány prostřednictvím LMS algoritmu.
V trénovací fázi (obr.1) probíhá nastavení koeficientů adaptivního filtru vysláním krátké pseudonáhodné posloupnosti dat d[n].
Obr.1: trénovací fáze
Ve druhé fázi, kterou můžeme nazvat jako rozhodovací (obr.2) (decision-directed), již na přijímací straně neexistují žádné informace o vysílaném signálu. Počáteční nastavení koeficintů FIR filtru je určeno trénovací fází a algoritmus LMS zajišťuje aktualizaci koeficientů filtru i při "hrubší" změně parametrů přenosové cesty.
Obr.2: rozhodovací fáze
Úloha 7.1
a) Generujte náhodnou bipolární posloupnost d[n] {+1; -1} o délce např. 1000 vzorků.
b) Simulujte průchod dat d[n] přenosovou cestou.
K datům přidejte aditivní šum s normálním rozdělením a rozptylem 0.001, který bývá obvykle přítomen ve všech číslicových komunikačních systémech.
Kanálové zkreslení modelujte FIR filtrem s koeficienty např.:
bez zkreslení b(0) = 1
mírné zkreslení b(0) = 1, b(1) = 0.2, b(2) = -0.2
silné zkreslení b(0) = 1, b(1) = 0.5, b(2) = 0.5
c) Řád adaptivního filtru zvolte např. 11. Koeficienty filtru jsou aktualizovány LMS algoritmem používaným v úlohach 5 a 6.
d) Blok zpoždění kompenzuje zpoždění kanálovým filtrem a adaptivním filtrem. Jeho hodnota se volí jako nejbližší celé číslo z jedné poloviny součtu řádů těchto filtrů, v našem případě 7.
e) Realizujte rozhodovací modul s jednoduchou podmínkou:
Úloha 7.2
Studujte chování adaptivního ekvalizéru v trénovací fázi a realizovaného podle obr.1.
a) Zobrazte a porovnejte datový průběh x[n],
výstup adaptivního filtru a výstup
ekvalizéru
při různých zkresleních signálu.
b) Porovnejte amplitudové frekvenční charakteristiky kanálového filtru a adaptivního filtru (koeficienty z posledního kroku).
c) Porovnejte impulzní odezvy kanálového filtru a adaptivního filtru.
d) Pro posouzení rychlosti konvergence algoritmu sledujte chybové signály e[n].
Úloha 7.3
Studujte chování adaptivního ekvalizéru v rozhodovací fázi podle obr.2.
a) Porovnejte datový průběh x[n]
a výstup ekvalizéru při různých zkresleních signálu. Použijte počátečních
podmínek nalezených v trénovací fázi pro nastavení koeficientů adaptivního filtru.
Pro posouzení konvergence algoritmu sledujte chybove signály e[n].
b) Sledujte chování adaptivního
ekvalizéru při změně parametrů kanálového filtru. Porovnejte datový průběh d[n]
a výstup ekvalizéru v okolí změny. Sledujte průběh chyboveho signálu e[n].
'a) - puvodni vysilany signal'
'b) - prijimany signal (sum, bez zkresleni)'
'c) - prijimany signal (sum + mirne zkresleni)'
'd) - prijimany signal (sum + silne zkresleni)'
figure(2)
'a) - imp.char. kanalu (bez zkresleni)'
'b) - imp.char. adapt.filtru (bez zkresleni)'
'c) - imp.char. kanalu (mirne zkresleni)'
'd) - imp.char. adapt.filtru (mirne zkresleni)'
'e) - imp.char. kanalu (silne zkresleni)'
'f) - imp.char. adapt.filtru (silne zkresleni)'
figure(3)
'a) - frekvencni charakteristika kanalu (bez zkresleni)'
'b) - frekv.char. adaptivniho filtru (bez zkresleni)'
'c) - frekvencni charakteristika kanalu (mirne zkresleni)'
'd) - frekv.char. adaptivniho filtru (mirne zkresleni)'
'e) - frekvencni charakteristika kanalu (vetsi zkresleni)'
'f) - frekv.char. adaptivniho filtru (vetsi zkresleni)'
'g) - frekvencni char-ka 2-ho filtru v rozpoz.procesu'
'h) - frekv.char. adaptivniho filtru v rozpoz.procesu'
figure(4)
'a) - sum, bez zkresleni'
'b) - vystup adaptivniho filtru'
'c) - vyhodnoceni pri trenovaci fazi'
'd) - sum + mirne zkresleni'
'e) - vystup adaptivniho filtru'
'f) - vyhodnoceni pri trenovaci fazi'
'g) - sum + silné zkresleni'
'h) - vystup adaptivniho filtru'
'i) - vyhodnoceni pri trenovaci fazi'
figure(5)
'a) chybovy signal pri trenovaci fazi - sum, bez zkresleni'
'b) chybovy signal pri trenovaci fazi - sum + mirne zkresleni'
'c) chybovy signal pri trenovaci fazi- sum + silné zkresleni'
figure(6)
'a) vystup nezkreslenych dat - rozpoznavaci proces'
'b) chybovy signal pri trenovaci fazi - sum + mirne zkresleni'
'c) chybovy signal pri trenovaci fazi- sum + silné zkresleni'
figure(7)
'a) rozpoznavaci proces - poc.podm. z trenovaci faze'
'b) chybovy signal mirne zkreslenych dat'
'c) chybovy signal vice zkreslenych dat'
figure(8)
'a) chybovy signal pri zmene parametru filtru (3.4. km.ch.'
'b) puvodni data v okoli zmeny'
'c) rekonstruovana data'