lecture 16 probabilidad de error para señales en awgn parte 1
DESCRIPTION
TelecomTRANSCRIPT
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación1
Comunicaciones II
Conferencia 16: Probabilidad de error para señales en AWGN –Parte 1
UNIDAD VI: DETECCIÓN E INTRODUCCIÓN A LA TEORÍA DE LA ESTIMACIÓN
Instructor: Israel M. Zamora, MS Telecommunications ManagementProfesor Titular, Departamento de Sistemas Digitales y Telecomunicaciones.
Universidad Nacional de Ingeniería
Universidad Nacional de Ingeniería
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación2
Outline
• Detección• Problema de Detección• PDF condicional: Función Likelihood de
AWGN• Repaso: Teorema de Bayes
– Aplicando Bayes
• Regla de decisión• Probabilidad Máxima A Posteriori (MAP)• Detector MAP• Implementación de Receptor Óptimo• Detector Óptimo Implementado
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación3
Outline
• Demodulador Vectorial Correlador• Canal Vectorial Gaussiano Equivalente• Implementación del Demodulador Correlador:
Filtro Acoplado• Demodulador de Filtro Acoplado• Región de decisión para AWGN
– Región de decisión para AWGN: 2 señales– Región de decisión para AWGN: 4 señales– Región de decisión para AWGN:8 señales
• Probabilidad de Error para señales en AWGN• Probabilidad Correcta para señales en AWGN
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación4
Señal versus Vector
Forma de onda de señal
{ } { }
ji
2
ji
ji
N21
ji
ji
ss
sss
s
s
ss
ss
ss
−−
=⋅=>==<=
ϕ⋅=ϕ>=ϕ=<
ϕ=ϕ=
=ϕ⋅ϕ>=ϕϕ<ϕϕϕϕϕϕ
=⋅>=<
=⋅>=<
∑∫
∫
∑∑
∫ ∑
=
==
=
:distancia (t)s(t)s :distancia
s :cuadrática Longitud (t)dts(t)s(t),s(t)sE :Energía
s:escalar Valor (t)dt(t)s(t)(t),s s:escalar Valor
s :Expansión (t)s(t) s:Expansión
δ :esortonormal vectores δ(t)(t) :esortonormal les seña
,...,, :base vectores (t)(t),..., (t), :base eñales s
0 :sortogonale vectores 0(t)s(t),s :sortogonale ñales se
ss :escalar producto (t)dt(t)ss(t)s(t),s :escalar producto
, :vectores (t) s(t), s: señales
ji
N
1j
2ij
T
0
2ii
2
ii
ij
T
0 jijiij
N
1jij
N
1jjiji
jkkjjkkj
N21
ij
T
0
N
1kjkikijij
jiji
i
Vector Geométrico
( )iNi2i1
N
1jjiji s,...,s,s (t)s(t)s =↔ϕ= ∑
=is
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación5
Detección
( ) mm TMR /log2=
im
{ }1-M0,1,..., ∈im
Fuente deMensajes
CodificadorVectorial
Modulador
Sumidero deMensajes
DecodificadorVectorial
Demodulador
Un mensaje cada Tm segundos
),...,s,s(s iNii 21=is{ },...,M,i)t(si 21=
{ }im { })t(si
Una señal cada TS segundos
Al canal físico
∑)t(n
n(t)(t)sr(t) i +=
)r,...,r,(r iNi2i1=rm̂
Decisión:Muestra debe procurarmínima probabilidadde error ( corresponda a mi )m̂
r(t)
DETECTOR
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación6
Receptor (Demodulador Vectorial)
• Demodulador vectorial:– Convierte las formas de ondas recibidas del canal en un conjunto
discreto de señales de decisión
• Detector:– Utiliza la salida del demodulador para tomar decisión sobre los
datos digitales transmitidos
)t(n)t(s)t(r ii +=Demodulador
vectorialdetector
Receptor
),...,r,r(r iNii 21=irii mm →ˆ
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación7
Transmisión sobre un canal AWGN
∑)t(n)t(s)t(r ii +=
{ }{ }
[ ] [ ] Tt0 n(t),(t)s(t)r recibida onda de Forma-
)t-δ(t2
N))n(tn(tE 0n(t)E
2N espectral densidad con n(t) gaussiano blanco Ruido-
Tt0 ,s moduladas señalesde Conjunto-
)mP()P(m ,1-M0,1,...,m ninformació de Símbolo-
(AWGN) Gaussiano Blanco Aditivo Canal El
ii
ji0
ji
0
M
0ii
iii
≤≤+=
==
≤≤
→=∈
=)t(
si
modulador
{ }(t)si
n(t)
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación8
Problema de Detección
• Dada el vector de observación r, tenemos que realizar un mapeo (decodificación) de r sobre un estimado
del símbolo transmitido mi, de tal manera que minimize la probabilidad de error en el proceso de toma de decisión.
• Si el símbolo mi ocurre con igual probabilidad (símbolos equiprobables) P(mi)=1/m, minimizar la probabilidad de error Pe es equivalente a maximizar la “Función de probabilidad” (Likelihood function).
• Para símbolos equiprobables el detector de “Máxima probabilidad” (Maximun likelihood detector) es el detector óptimo.
im̂
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación9
=
iN
i
i
i
r
r
r
r
2
1
,...,N,, jrij 21=
[ ] [ ] [ ] [ ] ijjijjijijr snEsEnsErEμij
=+=+==
PDF condicional: Función Likelihood de AWGN
Se define:
20N
σijr =
donde
son variables Gaussianas Independientes con:
Media:
y Varianza:
Además, rij y rik son no correlacionadas, por tanto, independientes y:
( ) 0, =ikij rrCov Cuando j ≠k
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación10
PDF condicional: Función Likelihood de AWGN (Cont.)
( ) ( ) ( )
( ) ( )
( ) ( )
( ) ( ) ( ) ,...,M, , isrN
πNmrfmRf
e:tenemos qu asi srN
πN
N
μr-
Nπσ
μr-
σπ
mrfm,...,R,RRΔ fmRf
i
N
imriMR
N
jijij
N
ijijN
j
ijijN
j r
N
jiijMRiNM,...,R,RRiMR
ii
ijrij
iiNi
211
exp
1exp
exp1
2exp
2
1
2
0
20
1
2
0
20
0
2
1 022
2
12
12121
=
−−==
−−=
−=
−=
=
−
=
−
==
=
∑
∏∏
∏
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación11
Repaso: Teorema de Bayes
( ) ( ) ( ) ( ) ( )FP F EPEP E FPFEP ==
Probabilidad Condicional:Para eventos dependientes Fj y E, tenemos:
Probabilidad Total:
Sean los eventos Fj, j=1,2,…,n particiones de un espacio muestra, y sea E un evento. Si todas las probabilidades a posteriori P(E|Fj), con j=1,2,…,n, de E y las probabilidades Fj son conocidas, entonces la probabilidad a priori de E puede obtenerse de:
( ) ( )j
n
1jj FP F EP P(E) ∑
=
=
F1
F2
F4
F3
F5F7
F9
F8
Evento E
F E
FE
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación12
Repaso: Teorema de Bayes
( ) ( ) ( )( )
( ) ( )( ) ( )j
n
1jj
jjjj
j
FP F EP
FP F EP
EP
FP F EP E FP
∑=
==
Fórmula de Bayes, con la notación utilizada anteriormente:
Evento r
• Asumiendo que los valores coordenados de r puede tomar un número finito de valores, entoces, dado r, la probabilidad a posteriori que el símbolo mi fue transmitido es:
( ) ( ) ( )( )
,...,M, i
,rP
m P mr P r mP
iimr
i r mi
i
21=
=m1
m2
m3
m4
m5
m6
Regiones de decisión de mi
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación13
Aplicando Bayes
( ) ( ) ( )( ) M1,2,...,i ,
f
mP m rf mP
iimr
i mi
i==
rr
rr
• Alternativamente:
• Donde fr|m(r|mi) es la función likelihood que recién desarrollamos, la cual es la pdf de r (o la pdf conjunta de r1,r2,…,rN) dado que se se ha transmitido el mensaje mi.
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación14
Probabilidad de Error:Se define como a probabilidad que un mensaje decodificado (en el receptor) no sea igual al mensaje que fue transmitido, es decir,
Reglas de Decisión
m̂
( ) ( )iie mm̂PmP ≠=
im
( ) ( ) ( ) ( )iiieic mm̂Pmm̂P-1mP1mP ==≠=−=
La probabilidad correspondiente de que sea decodificado correctamente es, por tanto,
El detector óptimo escoge para minimizar , o equivalentemente, para maximizar .
( )ie mP( )ic mP
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación15
Regla de Decisión: Probabilidad Máxima A Posteriori (MAP)
• La probabilidad de decisión correcta, dada la observación del vector r, es,
( ) ( )rr,ˆ rc imi mP m mP ==
• La probabilidad de error es como sigue:
• Así, el dispositivo de decisión óptimo observa el vector particular recibido r y la salida se escoge i=1,2,...,M para maximizar la probabilidad de decisión correcta. Esta cantidad es referida como la probabilidad a posteriori que caracteriza al canal vectorial.
imm =ˆ
( ) ( ) ( )rr,ˆrˆ rc imiie mP -1 m mP,mmP ==−=≠ 1
imm =ˆ
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación16
Detector MAP
• El detector MAP, “Máximo A Posteriori” (probabilidad):
• Se define como el detector que escoge el mi para maximizar la probabilidad a posteriori dado un vector recibido r.( )rr im mP
• 1ra. Regla de detección: MAP
• Que, usando Bayes, puede reescribirse como:
( ) ( ) ik todo para mPmP simm kmimi ≠≥⇒ rrˆ rr
( ) ( )( )
( ) ( )( )r
r
r
r
r
r
r
r
f
mP m f
f
mP m f
kkimiimi ≥
( ) M1,2,...,i ,M1mP i ==
( ) ( ) ( ) ( )kkmiimi mP m fmP m f simmirrˆ rr
i≥⇒
• Cuando los símbolos son equiprobables, el resultado coincide con la regla de decisión ML.
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación17
Detector MAP (Cont.)
• Así, la regla de decisión ML es equivalente a la siguiente regla:
( ) ( ) ( ) ( ) ik todo para mP mfmP mf simm kkmiimi ≠≥⇒ rrˆ rr
• 2da. Regla de detección: Máximo Likelihood (ML)
• Recordando que:
( ) ( )
−−= − 2
0
2N
0im N1
expπNmfi ir srr
( )[ ] ( ) M1,2,...,i ,srN
1πNln
2mrfln
2
i0
0imr i=−−−=⇒ N
ik todo para -- simm22
i ≠≤⇒ ki srsrˆ
• 3ra. Regla de detección: Máximo Likelihood (ML) bajo AWGN
La regla de decisión consiste en escoger un mensaje punto (forma vectorial) que es el mascercano a la señal punto recibida, la cual se satisface intuitivamente.
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación18
Implementación de Receptor Óptimo
• De la 3ra. Regla del máximum AWGN ML, tendremos la siguiente estructura de receptor.
• La estructura de un receptor óptimo asume las condiciones indicadas para el receptor correlador (o su equivalente detector filtro acoplado, por lo que consideramos:
– (1) Símbolos fuentes equiprobables– (2) canal tipo AWGN
( )Ni ,...,r,rr rn(t) (t)sr(t) 21=⇒+=
M21 m,...,m,m
• Procedimiento de un receptor óptimo:
( ) ∑∑∑∑====
+−=−=−N
1j
2ij
N
1jijj
N
1j
2j
N
1j
2ijj ssr2rsr
2
isr
Paso 1:
desempeñado por un receptor correlador (o filtro acoplado)
Paso 2: m̂r → observe que:
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación19
Implementación de Receptor Óptimo (Cont.)
• Ya que los primeros términos de la ecuación anterior son comunes para cada i, 22
ki sr-sr- ≤
que equivalente a:
∑∑∑∑====
+−≤+−N
1j
2kj
N
1jkjj
N
1j
2ij
N
1jijj s
21
sr s21
sr
iE kE
k
N
1jkjji
N
1jijj E
21
srE21
sr −≥−⇒ ∑∑==
substituyendo,
ik todo para E21
srE21
sr simm Fijar k
N
1jkjji
N
1jijji ≠−≥−= ∑∑
==ˆ
• 3ra. Regla de Máximo Likelihood (ML) con AWGN
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación20
Seleccionael mayorde todos
Detector Óptimo Implementado
1s
r
*
∑=
N
1j*
2s
*
m̂ ri
Ms
∑=
N
1j
∑=
N
1j
2E1
∑
∑
∑
2E2
2EM
1j
N
1jjsr∑
=
2j
N
1jjsr∑
=
Mj
N
1jjsr∑
=
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación21
Detector
•El cómputo de los coeficientes rij de las señales recibida se obtiene a través de
un banco paralelo de integradores-multiplicadores. Cada combinación de integrador-multiplicador se refiere como un demodulador CORRELADOR.
Demodulador Vectorial Correlador
( ) dt T
0∫ ⋅
(t)1ϕ
(t)ri
X
( ) dt T
0∫ ⋅X
(t)2ϕ
( ) dt T
0∫ ⋅X
(t)Nϕ
ir
),...,r,r(r iNii 21=ir
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación22
( ) ( ) ( )[ ] [ ]
( ) ( ) ( ) M1,2,...,i N1
expπN
1mfmmf
por dada lcondiciona Gaussiana adprobabilid de densidad de función-
2N (t)nE varianzay 0,n(t)E media con nte,independie Gaussiano es n(t)-
n,...,n,n ,s,...,s,s ,r,...,r,r
0N/2
0
imiM
02
N21iNi2i1iNi2i1
ii=
−−===
==
===−
,srrR
nsr
irR
ii
2
Canal Vectorial Gaussiano Equivalente
( ) dt T
0∫ ⋅(t)1ϕ
X
( ) dt T
0∫ ⋅X
(t)2ϕ
( ) dt T
0∫ ⋅X
(t)Nϕ
ir(t)1ϕ
X
X
(t)2ϕ
X
(t)Nϕ
im ∑∑
n(t)
nsr ii +=
i2s
iNs
i1s
i2r
i1r
iNr
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación23
•Un correlador puede ser implementado por un filtro acoplado. La componente del la forma de onda recibida r(t) junto a si i-ésima función base es equivalentemente a la convolución de la forma de onda r(t) con un filtro ϕi(t-T) en el instante de muestreo de salida T.
Implementación del Demodulador Correlador: Filtro Acoplado
Ttj
Ttj- ij- ij
T
0 iij
t)(Tr(t)
τ)dτt-(T ) (τr)dτ (τ ) (τr(t)dt(t)rr
=
=
∞
∞
∞
∞
−ϕ∗=
+ϕ=ϕ=ϕ= ∫∫∫
t)(T(t)r(t)Γ iii −ϕ∗=
t)(Tj −ϕ iji r(t)Γ =(t)ri
Tt =(t)jϕ
( ) dt T
0∫ ⋅X(t)riijr
=(t)Γ i
•Este procedimiento es denominado demodulación de filtro acoplado, el cual está acoplado a las funciones bases correspondientes. ( Filtro+Muestreador)
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación24
Demodulador de filtro acoplado
t)(T1 −ϕ
(t)ri
t)(T2 −ϕ
t)(TN −ϕ
),...,r,r(r iNii 21=iri2r
i1r
iNr
iji r(t)Γ =Tt =
La demodulación puede basarse en los filtros:
t)(T(t)h jj −ϕ=
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación25
Región de decisión para AWGN
• En el caso de la regla MAP (Maximum A posteriori Probability), cada valor posible para un espacio observacional N-dimensional, se mapea a uno de M posibles mensajes transmitidos. Así, el vector espacial para r se particiona en M regiones correspondiente a las M posibles decisiones. Cada Región consiste de puntos los cuales son los mas cercanos al vector señal transmitido s. En otras palabras,
• Definición: (Región de Decisión)
En un canal AWGN, la región decisión usando MAP para cada símbolo mi, se define como:
{ }ii
22
i
mm fija seentonces Z si
ki Z
=∈
≠∀−≤−=
ˆr
srsrr ki
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación26
Región de decisión para AWGN: 2 señales
ϕ1
ϕ2
r
sksi
ZiZk
{ }ii
22
i
mm fija seentonces Z si
ki Z
=∈
≠∀−≤−=
ˆr
srsrr ki
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación27
Región de decisión para AWGN:4 señales
ϕ1
ϕ2
r
sk
si
Zi
Zk
{ }ii
22
i
mm fija seentonces Z si
ki Z
=∈
≠∀−≤−=
ˆr
srsrr ki
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación28
Región de decisión para AWGN:8 señales
ϕ1
ϕ2
r
sk
si Zi
Zk
{ }ii
22
i
mm fija seentonces Z si
ki Z
=∈
≠∀−≤−=
ˆr
srsrr ki
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación29
Probabilidad de Error para señales en AWGN
aplica. semáxima detección de MLregla la donde
mm m
AWGN) a (debido ik donde Z m :error Evento
ik
ki
≠=⇒≠∈⇒
ˆ
r
{ }∑=
∉=⇒M
1iiie mZrP
M1
P :lesequiprobab símbolospara
( ) { }iiie
i
mZPmP
:por determina seotransmitid es m
que dado error de adprobabilid la , vector observamos cuando Así
∉= r
r
( ) ( ) { } ( )i
M
1iii
M
1iiiee
e
mPmZrPmPmPP
es ,P error, en símbolode promedio adprobabilid La
∑∑==
∉==
:Definición
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación30
Probabilidad Correcta para señales en AWGN
{ }( ) { }
error. de adprobabilid de cómputo el en usada entefrecuentem es
fórmula Esta transmite. sem mensaje símboloel que dado correcta
recepción de adprobabilid la representa ,mZPmP donde
mZPM1
1P1P
:tanto lo por es ,P símbolo,de correcta adprobabilid La
i
iiic
M
1iiiec
c
∈=
∈−=−= ∑=
r
r
2S 2009 - I. Zamora Uni VI-Conf 16: Detec. e Intr. Teoría Estimación31