wość kanału transmisji wpływa na nadawany sygnał. W tymcelu, należy wyznaczyć gęstość widmową mocy.Dla liniowych kanałów wąskopasmowych, których odpowiedźimpulsowa jest opisana zależnością (1), kształt funkcjigęstości widmowej mocy powinien pozostać stały. Posiadającinformację dotyczącą częstotliwościowych lub statystycznychwłaściwości kanału, można dążyć do tego, aby gęstośćwidmowa mocy estymowanej odpowiedzi impulsowej kanału,była jak najbardziej zbliżona do pewnej wzorcowej gęstościwidmowej. Kryterium oceniającym wielkość podobieństwa,może być błąd średniokwadratowy różnicy między szacowanąi wzorcową gęstością widmową mocy. Błąd średniokwadratowyjest przedstawiony zależnością (4). ε=f−Sf→(4)Tak więc posiadanie dwóch funkcji celu (pierwsza to minimalizacjafunkcji kosztów opisanej zależnością (3)), estymacjaodpowiedzi impulsowej kanału staje się problem optymalizacjiwielokryterialnej.W niniejszej pracy porównano ze sobą 4 metody poszukiwaniapoprawnego ciągu nadanych symboli. Wykorzystano w tymcelu algorytmy adaptacji LMS oraz RLS (dążące do znalezieniaoptimum jednej funkcji celu – opisanej równaniem (3)) oraz algorytmyewolucyjne VEGA oraz SPEA (będące rozwiązaniemproblemu optymalizacji wielokryterialnej). W każdej iteracji procesuestymacji odpowiedzi impulsowej kanału, zostaje określonawielkość h est. Ta reprezentacja jest następnie wykorzystanaw detekcji przychodzących danych przez odbiornik MLSD. Pozakończeniu procesu detekcji, ciąg danych przychodzącychprzekazywany jest do estymatora, który w następnym kroku iteracji,przy zastosowaniu odpowiedniego algorytmu (LMS, RLS,VEGA, SPEA) określa nową wielkość h est.Algorytm LMS i RLSRekurencyjny wzór na optymalne wartości poszukiwanej estymatykryterium najmniejszych średnich kwadratów [4] LMS(Least Mean Squares) odpowiedzi impulsowej kanału, przedstawionyjest on wzorem (5): ( q)( q−1)T2( q−h = h + µ b y − b h1)(5)gdzie: µ – współczynnik określający wielkość kroku adaptacjiNatomiast wzór rekurencyjny kryterium najmniejszychkwadratów przedstawia zależność (6):K−1λ( q)(q−1)T ( ( q−h = h + β 1))k ∑ bkyk−bkh , βk= K (6)k=1−1T1 +λbbAlgorytmy ewolucyjneDwa algorytmy ewolucyjne zostały przeanalizowane: VectorEvaluated Genetic Algorithm (VEGA) oraz Strength ParetoEvolutionary Algorithm (SPEA). Szczegółowe informacje natemat algorytmów ewolucyjnych można znaleźć w pozycjachliteraturowych [6,7].Vector Evaluated Genetic Algorithm:W tym algorytmie, populacja osobników (populacja możliwychestymat h) podzielona zostaje na dwa równoliczne podzbiory.Każda pod-populacja jest odpowiedzialna za jedno kryterium,reprezentowane przez równania (3) i (4). Algorytm VEGA zawieranastępujące etapy:202ε [ ( ( ) ( ))] MinS esth µ ( )kkk∑kk=1k• Etap 1. Inicjalizacja: W tym wypadku, 2 podpopulacje po100 kandydatów każda, zostają zainicjowane. Podpopulacjezawierają możliwe estymaty h.• Etap 2. Szacowanie: Wyliczana jest wielkość dopasowaniakażdego osobnika w obu podpopulacjach. Wielkościdopasowania wyliczane są z funkcji celu (3) i (4), które odnosząsię do odpowiednich podpopulacji.• Etap 3. Selekcja: 50 osobników z najlepszymi wielkościamidopasowania w każdej podpopulacji zostaje wybranychdo dalszego procesu optymalizacji. W ten sposób zostajeutworzona nowa populacja, w której wymieszane zostająosobniki z obu podpopulacji.• Etap 4. Rekombinacja: W tym etapie kandydaci zostajądobrani w 50 par tworząc tzw. pary rodzicielskie.• Etap 5. Reprodukcja: Z Każdej pary rodzicielskiej wygenerowanazostaje dwójka nowych osobników, nazywanych“dziećmi”. Następnie, zostaje utworzona nowa populacja.Do tej populacji dobierane są osobniki z pary rodzicielskiejlub utworzonych z nich pary dzieci. Dobór ten jest procesemlosowym, gdzie prawdopodobieństwo wyboru “dzieci”do nowej populacji wynosi 70%, natomiast ich „rodziców”30%.• Etap 6. Mutacja: W tym etapie losowo wybrany osobnikzostaje zmieniony. Prawdopodobieństwo wyboru danegoosobnika do procesu mutacji ustalone zostało na poziomie5%. Wartości kandydata zmienione zostają z prawdopodobieństwemo rozkładzie normalnym, z wartością średniąrówną 0 i wariancją 0,0625.Strength Pareto Evolutionary Algorithm:Charakterystyczną cechą tego algorytmu jest to, że niezdominowaneosobniki (w sensie pareto) przechowywane sąw osobnym, zbiorze zewnętrznym. Algorytm składa się z następującychetapów: Inicjalizacja, Dobór Zbioru Zewnętrznego,Szacowanie, Selekcja, Rekombinacja, Mutacja. EtapyInicjalizacja, Rekombinacja i Mutacja są identyczne jak w algorytmieVEGA. Ich opis zostanie pominięty.• Etap 2. Dobór Zbioru Zewnętrznego: W tym etapie, wartościobu funkcji celu (3) i (4) są obliczane dla każdego osobnika.Para wartości funkcji celu określa stopień dominacjijednego osobnika nad innymi. Niezdominowane osobnikisą przenoszone do zbioru zewnętrznego, gdzie w przypadku,gdy pojawi się jakiś osobnik dominujący, osobnikizdominowane zostają usunięte, tak że w zbiorze zewnętrznymnie znajdują się osobniki zdominowane.• Etap 3. Szacowanie: Dla każdego osobnika w zbiorzezewnętrznym, wyliczana jest wartość siły. Jest to liczbaosobników w populacji zdominowanych przez danegoosobnika, podzielona przez liczbę wszystkich osobnikówzwiększoną o 1. Również dla osobników w populacji jestobliczana wielkość siły, reprezentowana przez powiększonąo 1 sumę sił wszystkich osobników w zbiorze zewnętrznym,które dominują względem analizowanegoosobnika.• Etap 4. Selekcja: Nowa pusta populacja zostaje utworzona.Wszystkie osobniki (z populacji i zbioru zewnętrznego)zostają dobrane w pary. Porównywane są wartości siłysparowanych osobników. Osobnik z większą wartościąsiły jest przenoszony do nowej populacji. Jeden z niezdominowanychosobników ze zbioru zewnętrznego wybranyzostaje jako estymata odpowiedzi impulsowej kanału h est,Ten osobnik jest następnie przekazywany do układu odbiorczegoi zostaje wykorzystany do odbioru transmitowanychdanych.<strong>Elektronika</strong> <strong>12</strong>/<strong>2010</strong>
Wyniki symulacjiZostało przeprowadzonych szereg symulacji transmisji.W tym celu wykorzystane zostało środowisko Simulink. Przyjęto,że transmitowany sygnał jest bipolarny kluczowany fazowo(BPSK) oraz przesyłane symbole danych mogą przyjmowaćwielkości 1 i -1, z prawdopodobieństwem wystąpieniaodpowiednio 50%. Częstotliwość nadawania symboli danychustalona została na poziomie 1000 bitów na sekundę, podczasgdy częstotliwość fali nośnej wynosiła 5000 Hz. Systemodbiorczy po demodulacji próbkował sygnał z częstotliwością4000 Hz, co oznacza, że na każdy odebrany sygnał przypadały4 próbki.Przyjęte zostało, że odpowiedź impulsowa kanału byłasumą przesuniętych względem siebie impulsów z różnymiamplitudami. Kształt impulsu zdeterminowany został przezwektor: [1 0.8 0.2 0.1].Zbadane zostały 4 przypadki. Analizowano warianty poszukiwaniaoptimum jednej funkcji celu, opisanej wzorem (3),przy wykorzystaniu algorytmów adaptacyjnych LMS jak i RLS.Pozostałymi przypadkami była analiza przy użyciu ewolucyjnychalgorytmów VEGA i SPEA, gdzie poszukiwano optymalnegorozwiązania dla dwóch funkcji celu (3) i (4). Dla wszystkichwariantów, w zależności od różnych poziomów szumuw kanale transmisyjnym określona została bitowa stopa błędów(BER – Bit Error Rate).Wyniki symulacji zaprezentowane zostały na rysunkach 2i 3. Porównanie wielkości bitowej stopy błędów w zależnościod poziomu mocy sygnału do mocy szumu z wykorzystaniemw estymacji algorytmów LMS (linia przerywana), RLS (liniaprzerywana z kropką), VEGA (linia kropkowana) oraz SPEA(linia ciągła) zaprezentowano na rys. 2. Natomiast zestawieniebłędu średniokwadratowego różnicy wzorcowej odpowiedziimpulsowej i jej estymaty w zależności od kroku iteracji,dla poziomu mocy sygnału do mocy szumu równym 5 przedstawiarys. 3.Rys. 2. Bitowa stopa błędów jako funkcja mocy sygnału do mocyszumuFig. 2. Bit Error Rate of received data as a function of Signal toNoise RatioRys. 3. Błąd średniokwadratowy estymaty odpowiedzi impulsowej kanałuw funkcji kolejnych kroków iteracjiFig. 3. Mean square error of channel impulse response as a function ofsuccessive iteration stepsWnioskiNa rysunku 2 można zauważyć, że wprowadzenie do procesuestymacji drugiej funkcji celu i zastosowanie algorytmówewolucyjnych dla transmisji sygnału o stosunku mocy sygnałudo mocy szumu większej od 4, znacznie poprawiło odbiórprzesyłanych danych. Jednakże, dla transmisji o mniejszymstosunku mocy sygnału do mocy szumu niż 4, lepszewyniki uzyskano dla algorytmu RLS. Spowodowanejest to najprawdopodobniej szybszą prędkością dążeniado optymalnej wartości tego algorytmu niż pozostałych,co można zaobserwować na rys. 3. AlgorytmRLS znacznie prędzej uzyskuje pewną wielkośćestymaty kanału z określonym błędem średniokwadratowym.Algorytmy ewolucyjne uzyskują podobnypoziom dopiero po około 2000 kroków iteracji, poczym dokładność ich estymat jest większa niż dokładnośćestymaty uzyskanej przy pomocy algorytmuRLS. Najgorsze wyniki uzyskano przy zastosowaniualgorytmu LMS. To prowadzi do wniosku, że zastosowaniedodatkowej funkcji celu i algorytmów ewolucyjnychw iteracyjnej estymacji odpowiedzi impulsowejoraz odbioru danych przy transmisji przez wąskopasmowekanały komunikacyjne, przy wykorzystaniubipolarnego kluczowania fazy przy odpowiedniowysokim stosunku mocy sygnału do mocy szumuzwiększa poziom poprawnego odbioru danych.Literatura[1] Simon M. K., Alouni M.S.: Digital communication over fadingchannels. John Willey & Sons, 2005[2] Haykin S.: Systemy telekomunikacyjne. WKiŁ, Warszawa 1998.[3] Choi J.: Adaptive and iterative Signac processing In communications.Cambridge University Press, Cambridge 2006.[4] Zieliński T. P.: Cyfrowe przetwarzanie sygnałów. Od teorii dozastosowań., WKiŁ, Warszawa 2007.[5] Wesołowski K.: Podstawy cyfrowych systemów telekomunikacyjnych.WKiŁ, Warszawa 2003.[6] Deb K.: Multi-objective Optimization using Evolutionary Algorithms.John Wiley & Sons, UK 2001.[7] Zitzler E., Thiele L.: Multiobjective optimization using evolutionaryalgorithms – a comparative case study. PPSN, Netherlands,Amsterdam 1998.<strong>Elektronika</strong> <strong>12</strong>/<strong>2010</strong> 21