CSF29008 2015-2

Plano de Ensino e Cronograma

Desenvolvimento Pedagógico - Andamento do Cronograma 2015/2

Suspensão do calendário acadêmico pela direção do Campus de 30 de Julho a 1 de Outubro;

Semestre 2015-2 - Prof. Bruno Fontana da Silva / ???

Aula Data Horas Conteúdo Recursos 1 5/10 2 Introdução às comunicações móveis: apresentação e motivação da componente curricular 2 8/10 2 Propagação em Larga Escala (Modelos Analíticos): Introdução, Espaço Livre, Dois Raios 3 15/10 2 Propagação em Larga Escala (Modelos Analíticos): 10 Raios, Múltiplos Raios Generalizado, Difração e Dispersão, Okumura 4 17/10 2 Dúvidas sobre exercícios com MATLAB (apenas um aluno compareceu) 5 19/10 2 Propagação em Larga Escala (Modelos Empíricos): Okumura, Hata, Cost231, Dual Slope, Atenuação Indoor, Modelo Simplificado (+30min.) MATLAB para simulação das curvas do modelo Hata e Cost231 6 22/10 2 Propagação em Pequena Escala: Introdução, Doppler e Canal Multipercurso MATLAB: superposição de fasores de campo elétrico 7 26/10 2 Propagação em Pequena Escala: Modelo de Banda Estreita, Autocorrelações, Clarke-Jakes e PSD (+30min.) MATLAB: simulação do canal rayleigh plano através do modelo Clarke-Jakes 8 29/10 2 Propagação em Pequena Escala: Simulação Rayleigh (Plano) – Método Rappaport x MATLAB rayleighchan(Ts,fd) + BPSK (+30min.) MATLAB: simulação SISO BPSK com canal plano Rayleigh (desvanecimentos de amostra e de bloco) 9 5/11 2 Propagação em Pequena Escala: Banda Larga, Convolução e ISI (interpretação de banda larga e ISI pelo fenômeno da convolução) MATLAB: animação da convolução de canais e sinais 10 9/11 2 Propagação em Pequena Escala: Caracterização Estatística do Canal Autocorrelações no Tempo e Frequência; Classificação Plano x Seletivo; Espalhamento Temporal RMS, Banda de Coerência e Tempo de Coerência MATLAB: simulação das autocorrelações de um canal 802.11g 11 12/11 2 Propagação em Pequena Escala: concluir simulações; Fast Fading x Slow Fading; Marcar avaliação 12 14/11 2 Lista de exercícios para a prova; Alunos não compareceram 13 16/11 2 Equalizadores (ZF e MMSE plano) MATLAB: complementação do exercício SISO BPSK 14 19/11 2 Equalização do canal sem fio seletivo em frequência: noções de inversão de filtros FIR e equalizadores adaptativos (algoritmos NLMS e RLS) MATLAB: equalizadores FIR adaptativos (NLMS e RLS) 15 23/11 2 Revisão e Exercícios da Lista 01 para a prova (+30min.) 16 26/11 2 Avaliação Teórica 01: Modelos de Propagação em Larga e Pequena Escala (+30min.) 17 1/12 2 Telefonia Celular: introdução, história e conceitos básicos (componentes da rede celular e duplexação de canais) 18 3/12 2 Telefonia Celular: geometria hexagonal, reuso de frequências, interferência co-canal e canal adjacente, SIR 19 7/12 2 Telefonia Celular: noções de tráfego e troncalização (Erlang B e C) + setorização e divisão celular 20 10/12 2 Lista de Exercícios e Trabalho p/ Entregar 23/12 21 12/12 2 Alunos não compareceram 22 14/12 2 Telefonia Celular: Resolução de exercícios no quadro (Projeto do reuso N com base na SIR e com base no Tráfego) 23 17/12 2 Exercício/Trabalho: programar uma rotina de cálculos do planejamento celular proposto nos exercícios entregues em aula 24 21/12 2 Telefonia Celular: conceitos de handoff, roaming TOTAL 80

Voltar para CSF-2015-2

Avaliação 01

• Avaliação 01 de CSF29008 - Modelos de Larga e Pequena Escala

Entregar versão corrigida na quinta-feira 10/12, até às 09:40.

Será considerada a versão corrigida para aumentar a nota (e o conceito) final da avaliação 01.

Notas de Aula

Modelos do Canal de Comunicação sem Fio
Teoria sobre desvanecimento de larga escala Teoria sobre desvanecimento de pequena escala

Telefonia Celular
Notas de Aula de CMS60808 Complementar as notas de aula com leitura dos livros das referências bibliográficas da disciplina (Rappaport, Capítulo 2 e Andrea Goldsmith, Capítulo 15).

Simulações

• Dois raios
• Hata e Cost231

Campo Eletromagnético

Campo eletromagnético

% 5.4.1 A Computer Experiment (Andreas Molisch, Wireless Communications) clear all; close all; clc; % Consider the following simple computer experiment. The signals from several IOs are incident % onto an RX that moves over a small area. The IOs are distributed approximately uniformly around % the receiving area. They are also assumed to be sufficiently far away so that all received waves % are homogeneous plane waves, and that movements of the RX within the considered area do not % change the amplitudes of these waves. The different distances and strength of the interactions are % taken into account by assigning a random phase and a random amplitude to each wave. We are % then creating eight constituting waves Ei with absolute amplitudes |a_i|, angle of incidence (with % respect to the x-axis) φ_i and phase ϕ_i. fc = 900e6; Tc = 1/fc; % frequência da portadora; c = 3e8; % speed of light wl = c*Tc; % comprimento de onda k = 2*pi/wl; % número de onda % Fasores % a = [169 213 87 256 17 126 343 297 0]; % φ, azimuti % e = [311 32 161 356 191 56 268 131 0]; % ϕ_i, elevação % Ep = [1 .8 1.1 1.3 .9 .5 .7 .9 1000]; % |a_i|, amplitudes a=0; e=180; Ep = 1; L = 100; x = linspace(0,5*wl,L); % Eixo 0 < x < 5*wl (L pontos) y = linspace(0,5*wl,L); % Eixo 0 < y < 5*wl (L pontos) En = zeros(L,L); % buffer for xx=1:length(x) % índices de x for yy = 1:length(y) % índices de y for n = 1:length(a) % índices de componentes % E(x,y) = sum Ep*exp{-jk[x*cos(a) + y*sin(a)]}*exp{je} % fasores do campo elétrico(x,y) em t=0; % Ep*exp(-j [k d + d0/k]) En(xx,yy) = En(xx,yy) + Ep(n)*exp(-1i*k*(x(xx)*cosd(a(n))+y(yy)*sind(a(n))))*exp(1i*e(n)*pi/180); end end end figure; subplot(2,2,1); surf(x,y,real(En)); zlabel('Real'); subplot(2,2,2); surf(x,y,imag(En)); zlabel('Imaginário'); subplot(2,1,2); surf(x,y,abs(En)); zlabel('|E|'); figure; hist(abs(En(:)),100)

Modelo de Jakes

Modelo de Clarke-Jakes (Canal Plano com Desvanecimento Rayleigh)

% Clarke-Jakes Narrowband Model clear all; close all; clc; N = 4096; % frequency points Nz = 1*2^16; % frequency zero-padding fd = 300; % Doppler shift fc = 900e6; % carrier frequency delta = 0; % ignore infinity PSD values Vz = zeros(1,Nz/2); % zero-padding vector f = linspace(fc-fd+delta,fc+fd-delta,N); % frequency vector; df = 2*fd/N; B = 2*fd+Nz*df; % bandwidth Ts = 1/B; % sample-time T = (N+Nz)*Ts; % total time %% Doppler PSD Pr = 1/4; A = Pr; D = 1-(abs((f-fc))/fd).^2; Sf = A./pi/fd./sqrt(D); % PSD % Sf(1) = Sf(2); Sf(end) = Sf(end-1); % ignore infinity PSD values % Sf(1) = 0; Sf(end) = 0; % ignore infinity PSD values % Sf(1) = 0.5*(max(Sf)); Sf(end) = Sf(1); % ignore infinity PSD values m1 = (Sf(2)-Sf(3))/(f(2)-f(3)); m2 = (Sf(end-1)-Sf(end-2))/(f(end-1)-f(end-2)); Sf(1) = m1*(f(1)-f(2))+Sf(2); Sf(end) = m2*(f(end)-f(end-1))+Sf(end-1); Sfz = [Vz Sf Vz]; % zero-padded PSD %% Frequency Domain Hp = sqrt(1/2)*(randn(1,N/2) +1i*randn(1,N/2)); % positive components Hn = conj(Hp(end:-1:1)); % negative components H = [Vz Hp Hn Vz]; % zero-padded comp. Hf = sqrt(Sfz).*H; % zero-padded equivalent spectrum %% Time domain ri = ((N+Nz)/2)*ifft(real(Hf),N+Nz); % real components rq = ((N+Nz)/2)*ifft(imag(Hf),N+Nz); % imaginary components hr = sqrt(abs(ri).^2+abs(rq).^2); % rayleigh envelope hrms = sqrt(var(hr)+mean(hr)^2); % rms value hnorm = hr/hrms; % normalizing fading t = linspace(0,T-Ts,N+Nz); % time vector %% MATLAB Rayleigh Channel h2 = rayleighchan(Ts,fd); h2.ResetBeforeFiltering = 0; % do not reset h2.StoreHistory = 1; % save path gains after filter h2.StorePathGains=1; h2.NormalizePathGains = 0; % do not normalize E[norm(h)] y = filter(h2,[1 ones(1,N+Nz-1)]); %% Plot Images figure; % plot(t, sqrt(hr),'k','linewidth',2); plot(t, 20*log10(hnorm),'k','linewidth',2); hold; plot(t, 20*log10(abs(h2.PathGains)),'--r','linewidth',1.2); set(gca,'linewidth',3,'fontsize',30); grid; % axis([0 5 get(gca,'Ylim')]) %_________________________________________________________________________% %% Histogram 1 figure; Mh = 50; % bin numbers [fn,bin] = hist(hnorm,Mh); % get bins and cumulative frequencies yhist = fn/trapz(bin,fn); % calculate relative frequencies xx = linspace(min(bin),max(bin),100); % x vector in bins yy = spline(bin,yhist,xx); % interpolation of histogram envelope set(gca,'linewidth',3,'fontsize',30); grid; % sigr = 1/sqrt(2); sigr = mean(hnorm)*sqrt(2/pi); PDF_theor = bin.*exp(-bin.^2/(2*sigr^2))/(sigr^2); bcor = [0.5 0.5 1]; bar(bin,yhist,'FaceColor',bcor,'edgecolor',bcor); hold on; % histogram bar plot plot(xx,yy,':','color',[0 0 1],'linewidth',3); % envelope plot plot(bin,PDF_theor,'-ok','linewidth',3); grid on; % theoretical PDF title('RMS-Normalized Rayleigh Amplitude Fading Histogram','fontsize',30); ylabel('Estimated PDF','fontsize',30); xlabel('Amplitude Levels','fontsize',30); legend('Normalized Histogram','Histogram Envelop','Theoretical Rayleigh PDF'); set(gca,'fontsize',30,'linestyleorder','-','linewidth',3); %% Histogram 2 (MATLAB channel) figure; Mh = 50; % bin numbers [fn,bin] = hist(abs(h2.PathGains),Mh); % get bins and cumulative frequencies yhist = fn/trapz(bin,fn); % calculate relative frequencies xx = linspace(min(bin),max(bin),100); % x vector in bins yy = spline(bin,yhist,xx); % interpolation of histogram envelope set(gca,'linewidth',3,'fontsize',30); grid; % sigr = 1/sqrt(2); sigr = mean(abs(h2.PathGains))*sqrt(2/pi); PDF_theor = bin.*exp(-bin.^2/(2*sigr^2))/(sigr^2); bcor = [0.5 0.5 1]; bar(bin,yhist,'FaceColor',bcor,'edgecolor',bcor); hold on; % histogram bar plot plot(xx,yy,':','color',[0 0 1],'linewidth',3); % envelope plot plot(bin,PDF_theor,'-ok','linewidth',3); grid on; % theoretical PDF title('MATLAB RMS-Normalized Rayleigh Amplitude Fading Histogram','fontsize',30); ylabel('Estimated PDF','fontsize',30); xlabel('Amplitude Levels','fontsize',30); legend('Normalized Histogram','Histogram Envelop','Theoretical Rayleigh PDF'); set(gca,'fontsize',30,'linestyleorder','-','linewidth',3);

Canal Plano Rayleigh

Rayleigh Plano (BPSK e AWGN)

% Simulaçao BPSK (2PSK) em Canal Rayleigh Plano clear all; close all; clc; Nb = 1e2; % numero de bits Bw = 100e3; % largura de banda Ts = 1/Bw; % periodo de símbolo fd = 0; % doppler shift SNRdBmin = 0; % mínimo valor de SNR (dB) SNRdBmax = 30; % máximo valor de SNR (dB) L = 10; % número de pontos para simular SNRdB = linspace(SNRdBmin,SNRdBmax,L); % razão sinal ruído em dB BER.slow = zeros(1,L); % inicializa a memória da BER PER.slow = BER.slow; BER.fast = zeros(1,L); % inicializa a memória da BER PER.fast = BER.fast; errMin = 40; % critério mínimo de erros tic; tempo.inicial = clock; %% Loop de Monte Carlo for k = 1:L err.slow =0; err.fast=0; iter = 0; errP.slow = 0; errP.fast = 0; while errP.slow < errMin %% Imprimir Status da Simulação if(~mod(iter,50)) % múltiplos de 20 clc; % apaga a tela tempo.run = toc; fprintf('### Início da simulação: %d/%d/%d às %d:%d ### \n',tempo.inicial(3),tempo.inicial(2),tempo.inicial(1),tempo.inicial(4),tempo.inicial(5)); fprintf('# Ponto de Simulação ----------------------: %d / %d \n\n',k,L); % iteração atual fprintf('# Erros de Bit (slow/block fading) ------- : %d / %d \n',err.slow,errMin); % erros atuais fprintf('# Erros de Pacote (slow/block fading) ---- : %d / %d \n',errP.slow,errMin); % erros atuais fprintf('# Erros de Bit (fast/sample fading) ------ : %d / %d \n',err.fast,errMin); % erros atuais fprintf('# Erros de Pacote (fast/sample fading) --- : %d / %d \n\n',errP.fast,errMin); % erros atuais fprintf('# Tempo de simulação: %.2f (s) / %.2f (h) \n',tempo.run,tempo.run/60/60); end %% Entradas da iteração iter = iter+1; % SNRdB = 10*log10(SNR) SNR = 10^(SNRdB(k)/10); % SNR linear P = 1; % potencia de sinal unitaria % SNR = P / No No = P/SNR; % variancia do ruido complexo %% Mensagem Binária msg = randi([0,1],1,Nb); % msg2 = randsrc(1,Nb,[0 1]); %% Modulação % 0 graus: bit 0 % 180 graus : bit 1 % 0 ------ + x % 1 ------ - x s = exp(1i*pi*msg); % simbolos (sinal modulado) Scst = [-1 1]; % constelação %% Transmissão pelo canal % y = s; % transmissão ideal sem atenuação nem ruído % y = s + z; % transmissão por um canal com ruido aditivo % y = h*s; % transmissã sem ruído, com desvanecimento % y = h*s + z; % transmissão com desvanecimento e ruído aditivo % obs: * representa a convolução; % obs2: se o canal for plano, representará multiplicação por constante % obs3: para simular o Doppler, deve ser feita a convolução z = sqrt(No/2)*(randn(1,Nb)+1i*randn(1,Nb)); % ruído AWGN h_slow = rayleighchan(Ts,fd); % canal plano (slow fading) h_slow.ResetBeforeFiltering = 0; % não altera o valor antes da filtragem y_slow = filter(h_slow,s) + z; % convolução do sinal com o canal % y = filter(h,s); % sem ruído aditivo h_fast = sqrt(1/2)*(randn(1,Nb)+1i*randn(1,Nb)); % canal plano (fast fading) y_fast = h_fast.*s+z; % transmissão pelo canal plano (fast fading) %% Detecção % fonte com distribuição uniforme de símbolos: % critério MAP (máximo a posteriori) é igual ao MLD % (equivalente à menor distância para constelação) %% Slow (Block) Fading Detection % Levar em conta o canal plano para calcular a distancia hg_slow = h_slow.PathGains; % hg =h; d1 = abs(y_slow-hg_slow*Scst(1)); % d(y,s1) = d(y,-1) d2 = abs(y_slow-hg_slow*Scst(2)); % d(y,s2) = d(y,+1) [~,idmin] = min([d2;d1]); % encontra as distâncias mínimas e índices de linha da matriz msg_dtct_slow = idmin-1; % %% Fast (Sample) Fading Detection % Levar em conta o canal plano para calcular a distancia % hg =h; d1 = abs(y_fast-h_fast*Scst(1)); % d(y,s1) = d(y,-1) d2 = abs(y_fast-h_fast*Scst(2)); % d(y,s2) = d(y,+1) [~,idmin] = min([d2;d1]); % encontra as distâncias mínimas e índices de linha da matriz msg_dtct_fast = idmin-1; % %% Medidas de Desempenho (taxas de erro) % erros de bit errAtual.slow = sum(xor(msg_dtct_slow,msg)); err.slow = err.slow + errAtual.slow; % erros de pacote errP.slow = errP.slow + and(errAtual.slow,1); % erros de bit errAtual.fast = sum(xor(msg_dtct_fast,msg)); err.fast = err.fast + errAtual.fast; % erros de pacote errP.fast = errP.fast + and(errAtual.fast,1); end % while err < x %% Taxa de erro de bit BER.slow(k) = err.slow/(iter*Nb); PER.slow(k) = errP.slow/(iter); %% Taxa de erro de pacote BER.fast(k) = err.fast/(iter*Nb); PER.fast(k) = errP.fast/(iter); end % for SNR %% Plot figure; semilogy(SNRdB,PER.slow,'-ok','linewidth',3); hold on; semilogy(SNRdB,PER.fast,'--xk','linewidth',3); semilogy(SNRdB,BER.slow,'-sr','linewidth',3); semilogy(SNRdB,BER.fast,'--dr','linewidth',3); xlab = xlabel('SNR (dB)','fontsize',30); ylab = ylabel('Taxa de Erro','fontsize',30); set(gca,'fontsize',35,'linewidth',2); axis([SNRdBmin SNRdBmax 1e-6 1e0]); grid; hleg = legend('PER (slow fading)','PER (fast fading)', ... 'BER (slow fading)', 'BER (fast fading)'); set(hleg,'fontsize',30,'location','southwest'); %% Trabalho sobre Desvanecimento de Pequena Escala Plano (Banda Estreita) % (1). Complementar essa simulação com as curvas AWGN (sem desvanecimento) % (2). Repetir (1) para uma modulação 4-PSK e acrescentar curvas de SER (Taxa de Erro de Símbolo) % (3). Repetir (1) para uma modulação 16-QAM e acrescentar curvas de SER (Taxa de Erro de Símbolo)

Convolução e ISI

Convolução e Interferência Intersimbólica

% Convolution and ISI Effects: Wideband and Narrowband Signals % CSF29008 - 2015/2 % Prof. Bruno Fontana da Silva clear all; close all; clc; %% Inputs %_________________________________________________________________________% speed = 1e-9; % speed = 0.1; Nx = 50; % período de símbolo: Nx amostras Nh = 5; % duração de uma componente multipercurso: Nh amostras Nz = 2; % nulls length (espaço entre componentes multipercurso) null = zeros(1,Nz); % sequência de amostras nulas %% Sinal x[n] %_________________________________________________________________________% % x = sin(2*pi*(1:Nx)/Nx); % modelo do pulso senoidal % x = sin(2*pi*(1:Nx)/Nx/2); % modelo do pulso meia-onda x = [ones(1,Nx/2) -ones(1,Nx/2)]; % sequência +1 / -1 X = [x x x]; % enviando vários símbolos %% Canal Multipercurso (Sistema LTI) h[n] %_________________________________________________________________________% h = sin(2*pi*(1:Nh)/Nh/2); % modelo do pulso %% Canais Multipercurso %_________________________________________________________________________% % H = [null h null h null h ]; Lchan=3*Nh+2*Nz; % 3 multipercursos esparsas % H = [null h null h]; Lchan=2*Nh+1*Nz; % 2 multipercursos esparsas H = [null h null]; Lchan=1*Nh+0*Nz; % 1 multipercurso %% Critério Wideband/Narrowband %_________________________________________________________________________% if(Nx>=10*Lchan) % Ts >> Tm convleg = 'Narrowband Signal'; elseif (Nx<=0.1*Lchan) % Ts << Tm convleg = 'Wideband Signal (ISI effect)'; else convleg = 'Not so narrowband...'; end %% Auxiliares %_________________________________________________________________________% Ndiff = abs( length(X)-length(H)); null_diff = zeros(1,Ndiff); if(length(X)>length(H)) Xplot = X; Hplot = [H null_diff]; else Xplot = [X null_diff]; Hplot = H; end Xp2 = [X(end:-1:1) zeros(1,length(H))]; Nconv = length(X)+length(H); XH = zeros(1,Nconv); xleg = ['1 Symbol: ' num2str(Nx) ' samples']; chanleg = ['Channel spread: ' num2str(Lchan) ' samples']; %% Convolução x[n]*h[n] %_________________________________________________________________________% figure(1); for n =1:Nconv for k = 1:length(H) ix = n-k; if ix >= 0 if ix+1 <= length(X) XH(n) = XH(n) + H(k)*X(ix+1); else XH(n) = XH(n) + 0; end else XH(n) = XH(n) + 0; end end %% Animated Convolution Plot %_________________________________________________________________________% if n==1||n==Nconv % clf; subplot(3,1,1); stem([-length(X)+1:0 1:length(H)],circshift(Xp2,n,2),'b','linewidth',2.5); % plot([-length(X)+1:0 1:length(H)],circshift(Xp2,n,2),'b','linewidth',2.5); grid on; set(gca,'linewidth',3,'fontsize',20); ylabel('x[n-k]','fontsize',30); hleg1 = legend(xleg); set(hleg1,'fontsize',10); axis([-length(X)+1 Nconv -2 2]); subplot(3,1,2); stem(Hplot,'r','linewidth',2.5); % plot(Hplot,'r','linewidth',2.5); set(gca,'linewidth',3,'fontsize',20); grid on; ylabel('h[n]','fontsize',30); hleg2 = legend(chanleg); set(hleg2,'fontsize',10); axis([-length(X)+1 Nconv get(gca,'Ylim')]) subplot(3,1,3); stem(XH,'k','linewidth',2.5); grid on; % plot(XH,'k','linewidth',2.5); grid on; xlabel('n (sample index)','fontsize',30) ylabel('x[n]*h[n]','fontsize',30); set(gca,'linewidth',3,'fontsize',20); hleg3 = legend(convleg); set(hleg3,'fontsize',10); axis([-length(X)+1 Nconv -10 10]) else % not so many plot settings, faster animation subplot(3,1,1); stem([-length(X)+1:0 1:length(H)],circshift(Xp2,n,2),'b','linewidth',2.5); axis([-length(X)+1 Nconv -2 2]); % grid on; set(gca,'linewidth',3); % ylabel('x[n-k]','fontsize',30); % hleg1 = legend(xleg); set(hleg1,'fontsize',10); % subplot(3,1,3); stem(XH,'k','linewidth',2.5); grid on; axis([-length(X)+1 Nconv -10 10]) % xlabel('n (sample index)','fontsize',30) % ylabel('x[n]*h[n]','fontsize',30); % set(gca,'linewidth',3); drawnow; pause(speed) end end % % figure; % subplot(3,1,1); % stem(Xplot,'b','linewidth',2.5); grid on; hleg1 = legend(xleg); set(hleg1,'fontsize',10); % ylabel('x[n]','fontsize',30); % subplot(3,1,2); % stem(Hplot,'r','linewidth',2.5); grid on; hleg2 = legend(chanleg); set(hleg1,'fontsize',10); % ylabel('h[n]','fontsize',30); % subplot(3,1,3); % % stem(XH,'k'); hold on; % stem(conv(X,H),'k','linewidth',2.5); hold on; grid on; % xlabel('n (sample index)','fontsize',30) % ylabel('x[n]*h[n]','fontsize',30); hleg3 = legend(convleg); set(hleg3,'fontsize',10);

Caracterização de Canais de Banda Larga

Caracterização de Canais de Banda Larga

% Caracterização de Canais de Bandar Larga % IFSC-SJ: Engenharia de Telecomunicações % CSF29098: Comunicações sem Fio % Desvanecimento de pequena escala: % Funções de autocorrelação no domínio do tempo e da frequência % Prof. Bruno Fontana da Silva - 2015/2 clear all; close all; pause(1); clc; %% Entradas Bw = 20e6; % signal bandwidth Ts = 1/Bw; % sample time fd = 100; % doppler shift (exagerar o valor para para simular fast fading) L = 128; % comprimento considerado para analisar a resposta ao impulso Byte_size = 1024*1; bitsize = Byte_size*8; %% Modelo do Canal h = stdchan(Ts,fd,'802.11g',2*Ts); % h = rayleighchan(Ts,fd); % Manter a continuidade do processamento ao longo do tempo: h.StoreHistory = 1; % salvar os dados h.ResetBeforeFiltering = 0; % continuar o processamento com as características da última filtragem %% Pré-loop inputs Nloop = ceil(bitsize/L); % quantos blocos de L amostras até atingir tf? y = zeros(Nloop,L); % dados medidos de resposta ao impulso % Linhas de y : tempo de realização / transmissão fixo % Colunas de y: atrasos em amostras fixo Yf =y; % domínio da frequência Ac_tau = zeros(Nloop,2*L-1); % Ac(dt=0,tau) Ac_df = Ac_tau; % Ac(dt=0,df) tvec = linspace(-L*Ts+Ts,L*Ts,2*L-1); fvec = linspace(-Bw/2+Bw/2/L,Bw/2,2*L-1); for k = 1:Nloop % obtendo Nloop respostas ao impulso %% Resposta ao Impulso em diferentes instantes de tempo: h(t,tau) y(k,:) = filter(h,[1 zeros(1,L-1)]); % resposta ao impulso em t = (k-1)*(L*Ts) %% Resposta em Frequência: Transformada de Fourier com relação às L colunas (atrasos, variável tau): H(t,f) Yf(k,:) = fftshift(fft(y(k,:),L)); % corresponde à análise em frequência assumindo o canal como um sistema LTI no instante k (t) % Linhas de Yf : tempo de realização / transmissão fixo % Colunas de Yf: amostras no domínio da frequência fixa %% Perfil de potência de atraso (Autocorrelação em "t1-t2 = 0" ): Ac(dt=0,tau) x1 = y(k,:)-mean(y(k,:)); x2 = conj(y(k,end:-1:1)-mean(y(k,end:-1:1))); Ac_norm = var(y(k,:))*L; % normalização da auto-correlação Ac_tau(k,:) = (conv(x1,x2))/Ac_norm; % Auto-correlação de canais WSS-US Ac(dt=0,tau) %% Banda de Coerência: Transformada de Fourier da Autocorrelação: Ac(dt=0,df) x1f = Yf(k,:)-mean(Yf(k,:)); x2f = conj(Yf(k,end:-1:1)-mean(Yf(k,end:-1:1))); Ac_norm = var(Yf(k,:))*L; % normalização da auto-correlação Ac_df(k,:) = (conv(x1f,x2f))/Ac_norm; % Auto-correlação de canais WSS-US no domínio da frequência Ac(dt=0,df) end Ac_dt = zeros(L,2*Nloop-1); % Sc(dt,dtau=0) Sc_rho = Ac_dt; % Sr(dt,df=0) for l =1:L %% Autocorrelação sobre o tempo (Tempo de Coerência): Ac_dt(dt,df=0) x1 = Yf(:,l) - mean(Yf(:,l)); x2 = conj(Yf(end:-1:1,l) - mean(Yf(end:-1:1,l))); Ac_norm = x1'*x1; % normalização da auto-correlação Ac_dt(l,:) = (conv(x1,x2)); Ac_dt(l,:) = Ac_dt(l,:)/Ac_norm; % Auto-correlação de canais WSS-US no domínio da frequência Ac(dt,df=0) %% Espectro Doppler: Transformada de Fourier da Autocorrelação: Sc(dt,dtau=0) Sc_rho(l,:) = fftshift(fft(Ac_dt(l,:),2*Nloop-1)); Sc_rho(l,:) = Sc_rho(l,:)/max(abs(Sc_rho(l,:))); end %% Plotting %-------------------------------------------------------------------------% % Respostas ao impulso (vários t's) %-------------------------------------------------------------------------% figure; subplot(2,1,1); stem(abs(y.')); ylabel('Resposta ao impulso c(t,n)'); xlabel('Atrasos tau em amostras n'); set(gca,'Xlim',[0 50]); grid on; subplot(2,1,2); plot(linspace(-Bw/2,Bw/2,L),20*log10(abs(Yf.'))); ylabel('Ganho da resposta ao impulso C(t,f) (dB)'); xlabel('Frequência (Hz)'); grid on; %-------------------------------------------------------------------------% % Autocorrelações (vários t's) %-------------------------------------------------------------------------% figure; stem(tvec(L-30:L+30),abs(Ac_tau(:,L-30:L+30).')); grid on; ylabel('Autocorrelação Ac(dt=0,tau)'); xlabel('Atrasos tau em s'); %-------------------------------------------------------------------------% % Banda de Coerência %-------------------------------------------------------------------------% figure; stem(fvec,mean(abs((Ac_df)))); ylabel('Autocorrelação Ac(dt=0,df)'); hx = xlabel('Banda de coerência \Delta{f} (Hz)'); grid on; %-------------------------------------------------------------------------% % Espectro Doppler %-------------------------------------------------------------------------% figure; stem((-Nloop+1:Nloop-1)*(1/(2*Ts*L*(2*Nloop-1))),mean(abs(Sc_rho))); ylabel('Espalhamento Doppler Sc(rho,df=0)'); xlabel('Doppler frequency \rho (Hz)'); grid on; %-------------------------------------------------------------------------% % Função de Espalhamento (variação temporal) %-------------------------------------------------------------------------% figure; stem((-Nloop+1:Nloop-1)*Ts*L,mean(abs(Ac_dt))); ylabel('Autocorrelação Ac(dt,df=0)'); xlabel('Tempo de coerência (s)'); grid on; %% MATLAB y2 = filter(h,[1 zeros(1,bitsize-1)]); % plot(y2);

Equalização Adaptativa de Canais sem Fio de Banda Larga

Equalização com Adaptação NLMS

% Equalizadores Adaptativos para Canais de Banda Larga: NLMS %-------------------------------------------------------------------------% %-------------------------------------------------------------------------% % Instituto Federal de Santa Catariana % Campus São José % Departamento de Telecomunicações % Curso de Graduação em Engenharia de Telecomunicações % CSF 29098 - Comunicações sem Fio %-------------------------------------------------------------------------% % Professor: Bruno Fontana da Silva (201302270) % Periodo Letivo: 2015/2 %-------------------------------------------------------------------------% clear all; clc; close all; tic; %% Entradas M = 3000; % número total de símbolos depois do treinamento Mtr = 3000; % número de símbolos de treinamento L = 80; % número de coeficientes do filtro equalizador D = floor(L/2); % delay do sinal (em amostras) Mqam = 4; % numero de simbolos da constelação M-QAM No=1; % noise power (not applied here) SNRmin = 40; % SNR mínima (1 iter/SNR) ou SNR única (loop para média) SNRmax = SNRmin; % SNRmax = SNRmin: ponto único, iterar para calcular a média % SNRmax = 60; % SNR máxima, 1 iter/SNR Np=1; % número de pontos calculados no loop (N para a média de ponto único ou Npts de SNR entre SNRmin e SNRmax) SNRdB = linspace(SNRmin,SNRmax,Np); Q=length(SNRdB); % SNR vector [dB] P = No*10.^(SNRdB/10); % potência recebida (se ruído de variância unitária for utilizado) [W] lambda = 1-(1/Mtr)*5; % RLS constant (0 < lambda <= 1) mu = 1; % NLMS constant (0 < mu < 2) %% Modelo do canal sem fio ts = 100e-9; % período de símbolo [s] fs = 1/ts; % largura de banda [Hz] fd = 00.1; % max. doppler shift [Hz] delays = 1e-9*[0 300 700 1100 1700 2500]; % atrasos de multipercurso [s] powers = [0 -1 -9 -10 -15 -20]; % potência dos atrasos [dB] ISI_profile = delays./ts; % espalhamento do canal (ISI) em # de amostras (sample ref = 1) taps = round(max(ISI_profile)); % max. # de amostras de propagação de um símbolo transmitido na ISI h = rayleighchan(ts,fd,delays,powers); % objeto do canal sem fio (taps rayleigh); PSD Doppler Clarke-Jakes % Manter a continuidade do processamento ao longo do tempo: h.StoreHistory = 1; % salvar os dados h.ResetBeforeFiltering = 0; % continuar o processamento com as características da última filtragem %% Inicialização de variáveis fftzeros = zeros(1,100*taps); erros =zeros(1,Q); niter=zeros(1,Q); erros2 =zeros(1,Q); SER = zeros(1,Q); SER2 = zeros(1,Q); error_ALG_mean = zeros(1,M+Mtr+D); w_ALG_mean_abs = zeros(L,Mtr+D+M+1); w_ALG_mean = zeros(L,Mtr+D+M+1); Rxx_mean = zeros(L,L); pvec_mean = zeros(1,L); Jms_min = zeros(1,Q); Jms_inf = zeros(1,Q); %% Modulação MQAM k = log2(Mqam); % bits por simbolo ReSym = -(sqrt(Mqam)-1):2:(sqrt(Mqam)-1); % parte real da constelação ImSym = -(sqrt(Mqam)-1):2:(sqrt(Mqam)-1); % parte imaginária da constelação nsym = 0; Cst = zeros(1,Mqam); % inicialização for pr = 1:length(ReSym) for pim = 1:length(ImSym) nsym = nsym +1; Cst(nsym) = ReSym(pr) + 1i*ImSym(pim); % simbolos end end Es_norm = (1/Mqam)*sum(abs(Cst).^2); % energia media de simbolo Cst = (1/sqrt(Es_norm))*Cst; % constelação com energia média unitária %% Loop Start e sequência de treinamento % início do Loop "for u=..." u=Q; % ponto de SNR niter(u)=niter(u)+1; % número de iterações s = randsrc(1,Mtr+M,Cst); % sequência de treinamento: símbolos selecionados da constelação da fonte %% Transmissão pelo canal sem fio sest_alg = zeros(1,Mtr+D+M); % sinal equalizado Rin = zeros(M+Mtr+D,L); % saídas da memória do equalizador (L amostras) r = filter(h,[s zeros(1,D)]); % transmissão através de um canal sem fio banda larga z = sqrt(No/2)*sqrt(1/P(u))*(randn(1,length(r))+1i*randn(1,length(r))); % ruído awgn % z = zeros(1,length(r)); % sem ruído r = r + z; d = [zeros(1,D) s]; %% Processamento no Receptor %% Equalizador com Adaptação NLMS % Inicialização munorm = zeros(1,Mtr+D+M); % constante LMS wo_alg = zeros(L,1); wo_alg(round(L/2)) = 0; % coeficientes iniciais do filtro wn_alg = zeros(L,Mtr+D+M+1); wn_alg(:,1) = wo_alg; % coeficientes do filtro error_alg = zeros(1,Mtr+D+M); % erro shat_alg = zeros(1,Mtr+D+M); % estimação / saída do equalizador % Modo de Treinamento (adaptação) for k = 1:Mtr+D+M % da primeira amostra recebida até a última amostra da sequência de treinamento for q = 1:L % deslocamento de amostras no filtro FIR if (k-q+1)>=1 Rin(k,q) = r(k-q+1); % L últimas amostras end end shat_alg(k) = Rin(k,:)*(wn_alg(:,k)); % s^(k) = [r(k) r(k-1) ... r(k-L)] x [w(L) w(L-1) ... w(1)]' % Detecção: if (abs(shat_alg(k))) % verificar se não é amostra nula dist = abs(shat_alg(k)-(Cst)).^2; % distância para símbolos da constelação sest_alg(k) = Cst(dist==min(dist)); % seleciona o símbolo de menor distância else sest_alg(k) = 0; end if(k<=Mtr+D) % se k < Mtr, então: Modo de treinamento error_alg(k) = d(k) - shat_alg(k); % e(k) = s(k-D) - s^_equalizador(k) = d(k) - d^(k) else % se k > Mtr, então: Modo de decisão direta error_alg(k) = sest_alg(k) - shat_alg(k); % e(k) = s_est_const(k) - s^_equalizador(k) end % Atualização NLMS dos coeficientes do equalizador munorm(k) = mu/((Rin(k,:))*((Rin(k,:)'))); % normalizar pela potência de R = [r(k); r(k-1); ... ; r(k-L)] wn_alg(:,k+1) = wn_alg(:,k) + munorm(k)*(Rin(k,:)')*(error_alg(k)); % atualização dos pesos: w(k+1) = w(k) + munorm x R* x e(k) end erros(u) = erros(u)+sum(ne(s(1:Mtr),sest_alg(D+1:Mtr+D))); % current number of errors (cumulative) SER(u) = erros(u)/(niter(u)*Mtr); % current bit error rate erros2(u) = erros2(u)+sum(ne(s(1+Mtr:end),sest_alg(Mtr+D+1:end))); % current number of errors (cumulative) SER2(u) = erros2(u)/(niter(u)*M); % current bit error rate % Modo de Decisão Direta (sem adaptação) shat = zeros(1,M); sest = zeros(1,M); for k = 1:M % M símbolos de Payload: equalizador funcionado em modo de decisão direta for q = 1:L Rin(Mtr+D+k,q) = r(Mtr+D+k-q+1); % L past samples end shat(k) = Rin(k+Mtr+D,:)*(wn_alg(:,Mtr+D+1)); % s^(k) = [r(k) r(k-1) ... r(k-L)] x [w(L) w(L-1) ... w(1)]' error_alg(k+Mtr+D) = d(k+Mtr+D) - shat(k); % e(k) = s(k-D) - s^(k) = d(k) - d^(k) % Deteccao: dist = abs(shat(k)-(Cst)).^2; sest(k) = Cst(dist==min(dist)); % scatt_ddmode; end salg2 = sest; erros2(u) = erros2(u)+sum(ne(s(1+Mtr:end),salg2)); % current number of errors (cumulative) SER2(u) = erros2(u)/(niter(u)*M); % current bit error rate error_ALG_mean = error_ALG_mean + (1/Q)*(abs(error_alg).^2); w_ALG_mean_abs = w_ALG_mean_abs + (1/Q)*abs(wn_alg); w_ALG_mean = w_ALG_mean + (1/Q)*wn_alg; % fim do Loop "for u=..." toc; time=toc; fprintf('SER: \n') fprintf('Training / DD Mode: \n') [SER' SER2'] fprintf('Total elapsed time (min): %d \n',time/60) %% Plot Area % Parâmetros de tamanho de fonte, zoom do gráfico e espessuras de linha: lnwdt = 3.1; % Espessura das linhas das curvas gcalnwdt = 1.2; % Espessura do quadro do gca (eixos, bordas) szmark = 15; % Tamanho dos marcadores de pontos zoom = [-1 20 1e-7 6e-1]; % Visualização dos intervalos XY no gráfico font.title = 32; % Tamanho da fonte no título font.axes = 28; % Tamanho da fonte dos eixos font.gca = 20; % Tamanho da fonte na grade font.legsize = 20; % Tamanho da fonte nas legendas %% Erro Médio Quadrático (MSE) % close all; f1=figure; plot(10*log10(error_ALG_mean),'k'); grid on; hold on; title('Convergência do MSE para o Algoritmo NLMS','fontsize',font.title); xlabel('Samples','fontsize',font.axes); ylabel('MSE (dB)','fontsize',font.axes); legend('NLMS: Erro Médio'); set(gca,'fontsize',14,'linestyleorder','-','linewidth',1.4); % axis([0 M+Mtr+D -25 5]) text_handle = text(Mtr+D,-20,['Fim do Treinamento (' num2str(Mtr+D) ')'],... 'VerticalAlignment','bottom',... 'HorizontalAlignment','center',... 'Fontsize',8); set(text_handle,'BackgroundColor',[1 1 .6],... 'Edgecolor',[.7 .7 .7]); %% Convergencia dos coeficientes durante o treinamento % close all; f1=figure; plot(10*log10(w_ALG_mean_abs)'); grid on; hold on; title('Convergência dos Taps do Filtro Equalizador','fontsize',font.title); xlabel('Samples','fontsize',font.axes); ylabel('Filter Taps (dB)','fontsize',font.axes); text_handle = text(Mtr+D,-20,['Fim do Treinamento (' num2str(Mtr+D) ')'],... 'VerticalAlignment','bottom',... 'HorizontalAlignment','center',... 'Fontsize',8); set(text_handle,'BackgroundColor',[1 1 .6],... 'Edgecolor',[.7 .7 .7]); %% Padrão de olho % close all; scatplot = scatterplot(0); grid on; scatter(real(shat(round(0.8*M):end)),imag(shat(round(0.8*M):end)),'MarkerEdgeColor',[10 10 100]/255,'MarkerFaceColor',[10 10 200]/255,'linewidth',1.5); hold on; grid on; axis([-1.5 1.5 -1.5 1.5]); scatter(real(Cst),imag(Cst),'MarkerEdgeColor', [150 10 10]/255,'MarkerFaceColor',[200 10 10]/255,'linewidth',5); title('Diagrama de Dispersão de Pontos da Constelação','fontsize',font.title); xlabel('In-Phase','fontsize',font.axes); ylabel('Quadrature','fontsize',font.axes); line([0;0],[-2 2],'color',[10 10 10]/255,'linewidth',3) line([-2 2],[0;0],'color',[10 10 10]/255,'linewidth',3) set(gca,'fontsize',15,'linestyleorder','-','linewidth',1.8);

Equalização com Adaptação RLS

% Equalizadores Adaptativos para Canais de Banda Larga: RLS %-------------------------------------------------------------------------% %-------------------------------------------------------------------------% % Instituto Federal de Santa Catariana % Campus São José % Departamento de Telecomunicações % Curso de Graduação em Engenharia de Telecomunicações % CSF 29098 - Comunicações sem Fio %-------------------------------------------------------------------------% % Professor: Bruno Fontana da Silva (201302270) % Periodo Letivo: 2015/2 %-------------------------------------------------------------------------% clear all; clc; close all; tic; %% Entradas M = 3000; % número total de símbolos depois do treinamento Mtr = 3000; % número de símbolos de treinamento L = 80; % número de coeficientes do filtro equalizador D = floor(L/2); % delay do sinal (em amostras) Mqam = 4; % numero de simbolos da constelação M-QAM No=1; % noise power (not applied here) SNRmin = 40; % SNR mínima (1 iter/SNR) ou SNR única (loop para média) SNRmax = SNRmin; % SNRmax = SNRmin: ponto único, iterar para calcular a média % SNRmax = 60; % SNR máxima, 1 iter/SNR Np=1; % número de pontos calculados no loop (N para a média de ponto único ou Npts de SNR entre SNRmin e SNRmax) SNRdB = linspace(SNRmin,SNRmax,Np); Q=length(SNRdB); % SNR vector [dB] P = No*10.^(SNRdB/10); % potência recebida (se ruído de variância unitária for utilizado) [W] lambda = 1-(1/Mtr)*5; % RLS constant (0 < lambda <= 1) mu = 1; % NLMS constant (0 < mu < 2) %% Modelo do canal sem fio ts = 100e-9; % período de símbolo [s] fs = 1/ts; % largura de banda [Hz] fd = 00.1; % max. doppler shift [Hz] delays = 1e-9*[0 300 700 1100 1700 2500]; % atrasos de multipercurso [s] powers = [0 -1 -9 -10 -15 -20]; % potência dos atrasos [dB] ISI_profile = delays./ts; % espalhamento do canal (ISI) em # de amostras (sample ref = 1) taps = round(max(ISI_profile)); % max. # de amostras de propagação de um símbolo transmitido na ISI h = rayleighchan(ts,fd,delays,powers); % objeto do canal sem fio (taps rayleigh); PSD Doppler Clarke-Jakes % Manter a continuidade do processamento ao longo do tempo: h.StoreHistory = 1; % salvar os dados h.ResetBeforeFiltering = 0; % continuar o processamento com as características da última filtragem %% Inicialização de variáveis fftzeros = zeros(1,100*taps); erros =zeros(1,Q); niter=zeros(1,Q); erros2 =zeros(1,Q); SER = zeros(1,Q); SER2 = zeros(1,Q); error_ALG_mean = zeros(1,M+Mtr+D); w_ALG_mean_abs = zeros(L,Mtr+D+M+1); w_ALG_mean = zeros(L,Mtr+D+M+1); Rxx_mean = zeros(L,L); pvec_mean = zeros(1,L); Jms_min = zeros(1,Q); Jms_inf = zeros(1,Q); %% Modulação MQAM k = log2(Mqam); % bits por simbolo ReSym = -(sqrt(Mqam)-1):2:(sqrt(Mqam)-1); % parte real da constelação ImSym = -(sqrt(Mqam)-1):2:(sqrt(Mqam)-1); % parte imaginária da constelação nsym = 0; Cst = zeros(1,Mqam); % inicialização for pr = 1:length(ReSym) for pim = 1:length(ImSym) nsym = nsym +1; Cst(nsym) = ReSym(pr) + 1i*ImSym(pim); % simbolos end end Es_norm = (1/Mqam)*sum(abs(Cst).^2); % energia media de simbolo Cst = (1/sqrt(Es_norm))*Cst; % constelação com energia média unitária %% Loop Start e sequência de treinamento % início do Loop "for u=..." u=Q; % ponto de SNR niter(u)=niter(u)+1; % número de iterações s = randsrc(1,Mtr+M,Cst); % sequência de treinamento: símbolos selecionados da constelação da fonte %% Transmissão pelo canal sem fio sest_alg = zeros(1,Mtr+D+M); % sinal equalizado Rin = zeros(M+Mtr+D,L); % saídas da memória do equalizador (L amostras) r = filter(h,[s zeros(1,D)]); % transmissão através de um canal sem fio banda larga z = sqrt(No/2)*sqrt(1/P(u))*(randn(1,length(r))+1i*randn(1,length(r))); % ruído awgn % z = zeros(1,length(r)); % sem ruído r = r + z; d = [zeros(1,D) s]; %% Processamento no Receptor %% Equalizador com Adaptação RLS % Inicialização % see lambda before loop wo_alg = zeros(L,1); wo_alg(round(L/2)) = 0; % initial filter coefficients wn_alg = zeros(L,Mtr+D+M+1); wn_alg(:,1) = wo_alg; % filter coefficients if (lambda==1) % precisão numérica para garantir convergência delta = (1-0.999999999999)*var(s(1:L))/L; else % ponderação da memória delta = (1-lambda)*var(s(1:L))/L; end Po = (1/delta)*eye(L); Pn = Po; % matriz estimada de correlação: R(k) = (lamb)*R(k-1)+x(k)x(k)', P(k) = inv(R(k)) kn = zeros(L,Mtr+D+M); % ganho de kalman error_alg = zeros(1,Mtr+D+M); % erro shat_alg = zeros(1,Mtr+D+M); % estimação / saída do equalizador % Modo de Treinamento (adaptação) for k = 1:Mtr+D+M % da primeira amostra recebida até a última amostra da sequência de treinamento for q = 1:L % deslocamento de amostras no filtro FIR if (k-q+1)>=1 Rin(k,q) = r(k-q+1); % L últimas amostras end end shat_alg(k) = Rin(k,:)*(wn_alg(:,k)); % s^(k) = [r(k) r(k-1) ... r(k-L)] x [w(L) w(L-1) ... w(1)]' % Detecção: if (abs(shat_alg(k))) % verificar se não é amostra nula dist = abs(shat_alg(k)-(Cst)).^2; % distância para símbolos da constelação sest_alg(k) = Cst(dist==min(dist)); % seleciona o símbolo de menor distância else sest_alg(k) = 0; end if(k<=Mtr+D) % se k < Mtr, então: Modo de treinamento error_alg(k) = d(k) - shat_alg(k); % e(k) = s(k-D) - s^_equalizador(k) = d(k) - d^(k) else % se k > Mtr, então: Modo de decisão direta error_alg(k) = sest_alg(k) - shat_alg(k); % e(k) = s_est_const(k) - s^_equalizador(k) end % Atualização RLS dos coeficientes do equalizador kn(:,k) = (1/lambda)*((Pn*Rin(k,:)')./(1+(1/lambda)*Rin(k,:)*Pn*Rin(k,:)')); % atualização do ganho de kalman Pn = (1/lambda)*(Pn-kn(:,k)*Rin(k,:)*Pn); % ganho da matriz inversa de autocorrelação wn_alg(:,k+1) = wn_alg(:,k)+kn(:,k)*error_alg(k); % atualização dos pesos RLS: w(k+1) = w(k) + kn(k) x e(k) end erros(u) = erros(u)+sum(ne(s(1:Mtr),sest_alg(D+1:Mtr+D))); % current number of errors (cumulative) SER(u) = erros(u)/(niter(u)*Mtr); % current bit error rate erros2(u) = erros2(u)+sum(ne(s(1+Mtr:end),sest_alg(Mtr+D+1:end))); % current number of errors (cumulative) SER2(u) = erros2(u)/(niter(u)*M); % current bit error rate % Modo de Decisão Direta (sem adaptação) shat = zeros(1,M); sest = zeros(1,M); for k = 1:M % M símbolos de Payload: equalizador funcionado em modo de decisão direta for q = 1:L Rin(Mtr+D+k,q) = r(Mtr+D+k-q+1); % L past samples end shat(k) = Rin(k+Mtr+D,:)*(wn_alg(:,Mtr+D+1)); % s^(k) = [r(k) r(k-1) ... r(k-L)] x [w(L) w(L-1) ... w(1)]' error_alg(k+Mtr+D) = d(k+Mtr+D) - shat(k); % e(k) = s(k-D) - s^(k) = d(k) - d^(k) % Deteccao: dist = abs(shat(k)-(Cst)).^2; sest(k) = Cst(dist==min(dist)); % scatt_ddmode; end salg2 = sest; erros2(u) = erros2(u)+sum(ne(s(1+Mtr:end),salg2)); % current number of errors (cumulative) SER2(u) = erros2(u)/(niter(u)*M); % current bit error rate error_ALG_mean = error_ALG_mean + (1/Q)*(abs(error_alg).^2); w_ALG_mean_abs = w_ALG_mean_abs + (1/Q)*abs(wn_alg); w_ALG_mean = w_ALG_mean + (1/Q)*wn_alg; % fim do Loop "for u=..." toc; time=toc; fprintf('SER: \n') fprintf('Training / DD Mode: \n') [SER' SER2'] fprintf('Total elapsed time (min): %d \n',time/60) %% Plot Area % Parâmetros de tamanho de fonte, zoom do gráfico e espessuras de linha: lnwdt = 3.1; % Espessura das linhas das curvas gcalnwdt = 1.2; % Espessura do quadro do gca (eixos, bordas) szmark = 15; % Tamanho dos marcadores de pontos zoom = [-1 20 1e-7 6e-1]; % Visualização dos intervalos XY no gráfico font.title = 32; % Tamanho da fonte no título font.axes = 28; % Tamanho da fonte dos eixos font.gca = 20; % Tamanho da fonte na grade font.legsize = 20; % Tamanho da fonte nas legendas %% Erro Médio Quadrático (MSE) % close all; f1=figure; plot(10*log10(error_ALG_mean),'k'); grid on; hold on; title('Convergência do MSE para o Algoritmo RLS','fontsize',font.title); xlabel('Samples','fontsize',font.axes); ylabel('MSE (dB)','fontsize',font.axes); legend('RLS: Erro Médio'); set(gca,'fontsize',14,'linestyleorder','-','linewidth',1.4); % axis([0 M+Mtr+D -25 5]) text_handle = text(Mtr+D,-20,['Fim do Treinamento (' num2str(Mtr+D) ')'],... 'VerticalAlignment','bottom',... 'HorizontalAlignment','center',... 'Fontsize',8); set(text_handle,'BackgroundColor',[1 1 .6],... 'Edgecolor',[.7 .7 .7]); %% Convergencia dos coeficientes durante o treinamento % close all; f1=figure; plot(10*log10(w_ALG_mean_abs)'); grid on; hold on; title('Convergência dos Taps do Filtro Equalizador','fontsize',font.title); xlabel('Samples','fontsize',font.axes); ylabel('Filter Taps (dB)','fontsize',font.axes); text_handle = text(Mtr+D,-20,['Fim do Treinamento (' num2str(Mtr+D) ')'],... 'VerticalAlignment','bottom',... 'HorizontalAlignment','center',... 'Fontsize',8); set(text_handle,'BackgroundColor',[1 1 .6],... 'Edgecolor',[.7 .7 .7]); %% Padrão de olho % close all; scatplot = scatterplot(0); grid on; scatter(real(shat(round(0.8*M):end)),imag(shat(round(0.8*M):end)),'MarkerEdgeColor',[10 10 100]/255,'MarkerFaceColor',[10 10 200]/255,'linewidth',1.5); hold on; grid on; axis([-1.5 1.5 -1.5 1.5]); scatter(real(Cst),imag(Cst),'MarkerEdgeColor', [150 10 10]/255,'MarkerFaceColor',[200 10 10]/255,'linewidth',5); title('Diagrama de Dispersão de Pontos da Constelação','fontsize',font.title); xlabel('In-Phase','fontsize',font.axes); ylabel('Quadrature','fontsize',font.axes); line([0;0],[-2 2],'color',[10 10 10]/255,'linewidth',3) line([-2 2],[0;0],'color',[10 10 10]/255,'linewidth',3) set(gca,'fontsize',15,'linestyleorder','-','linewidth',1.8);

Exercícios

Lista 01 - Telefonia Celular

• Exemplos de Troncalização

• Exemplos de Setorização e Divisão Celular

Material Complementar On-line

Palestra da ANATEL "Sistema Móvel Pessoal no Brasil", 02/06/2015

GSMA - Estatísticas e análise de dados da indústria de comunicações móveis

TELECO - Portal sobre Telecomunicações criado por grupo de profissionais brasileiros

Vídeo sobre perspectivas do 5G para Internet tátil

Informações do 2G ao 5G

Princípios de reuso de frequência em sistemas celulares de telefonia

Práticas de planejamento de sistemas celulares de telefonia

Calculadora Erlang B

Calculadora Erlang C

Simulador de Configuração do AP TP-Link TL-WDR4300

Convolução de Sinais: Aplicativo Java para Visualização

Voltar para CSF-EngTel_(página)