30
1, MARCH 2010
Widely Linear Adaptive Equalization of Digital
Communication Channel
F. J. A. de Aquino, L. S. Resende, Member, IEEE, and C. A. F. da Rocha, Member, IEEE
Abstract In this paper, we employ the widely linear
adaptive processing technique in digital communication channel
equalization. We present two new techniques for supervised and
unsupervised equalization. In the supervised technique the multi-
split transform is aggregated to the widely linear processing,
using a power normalized and time-varying step-size LMS
algorithm. The unsupervised technique consists of a widely linear
adaptive prediction-error filter using the time-varying step-size
LMS algorithm proposed by Kwong and Johnston. We show that
this technique can invert non-minimum phase channels. The
main advantages of the proposed equalizers are the low
computational complexity and better performance in terms of
convergence rate and accuracy, when compared to the
conventional equalization techniques. Simulation results show
that the widely linear equalizers have a good performance.
Keywords widely linear processing, channel equalization,
LMS algorithm, multi-split transform.
I. INTRODUO
O PROCESSAMENTO largamente linear (LL),
introduzido formalmente por Picibono e Chevalier [1],
vem se mostrando uma tcnica eficiente de processamento de
sinal para os problemas de estimao e equalizao de canal
de comunicao [2], [3]. Em [1], mostrado que o
desempenho de um estimador de sinais complexos, segundo o
critrio MMSE (minimum mean-squared error), pode ser
melhorado significativamente quando utilizado tanto o sinal
quanto o seu conjugado complexo. Para que esse ganho
ocorra, entretanto, necessrio que o sinal observado seja
imprprio, isto , a pseudo-correlao entre o sinal desejado e
o sinal observado deve ser no nula.
O canal de comunicao digital , em geral, variante no
tempo e um meio hostil transmisso de informao devido
introduo de interferncia entre os smbolos (IES) e rudo.
Uma forma de combater a IES por meio de um equalizador
adaptativo [4].
Dependendo de como o sinal desejado obtido, o
equalizador adaptativo pode ser classificado como
supervisionado (treinado) ou no supervisionado (cego ou
autodidata). Quando existe uma seqncia de dados conhecida
Este trabalho foi suportado pela CNPQ, processo nmero 484391/2006-2, e
pelo programa CAPES-COFECUB, processo nmero 544/7.
F. J. A. de Aquino professor no Instituto Federal de Educao, Cincia e
Tecnologia do Cear (IFCE), Brasil, fcoalves_aq@ifce.edu.br.
L. S. Resende e C. A. F. da Rocha so professores do curso de Engenharia
Eltrica da Universidade Federal de Santa Catarina (UFSC), Brasil, {leonardo,
aurelio}@eel.ufsc.br.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO.
disponvel para a inicializao e ajuste peridico dos
parmetros do equalizador, temos uma equalizao treinada.
Quando tal seqncia de dados no est disponvel, mas
apenas o modelo estatstico do sinal transmitido, temos uma
equalizao autodidata.
O uso de processamento LL em equalizao de canal requer
que o sistema de comunicao digital possa ser analisado sob
o ponto de vista de uma transmisso de dados reais sobre um
canal complexo. Desta maneira, o sinal recebido imprprio.
Como exemplo, podemos citar os sistemas que usam
modulaes OQAM, MSK e GMSK. De fato, tais sistemas
podem ser modelados como uma transmisso de sinais reais
por um canal complexo [2].
Em [2], apresentado o uso do processamento LL para
equalizao de canais seletivos em freqncia. Equalizadores
treinados, com resposta ao impulso finita (FIR) e infinita
(IIR), e realimentado por deciso (DFE_decision feedback
equalizer) so derivados e adaptados utilizando o algoritmo
LMS (least-mean-square) largamente linear. Resultados de
simulao demonstram um bom desempenho desses
equalizadores para canais com zeros prximos ao crculo de
raio unitrio. Em [3], so introduzidos e analisados dois
algoritmos cegos LL visando a supresso de interferncia de
acesso mltiplo (MAI_multiple access interference) em
sistemas DS-CDMA (direct-sequence code-division multiple
access): o algoritmo de energia de sada mnima
(MOE_minimum-output-energy) e o algoritmo LMS cego
(BLMS_blind LMS). Segundo os autores, os algoritmos LL
apresentam um melhor desempenho quando comparados aos
seus equivalentes lineares.
Neste artigo, so apresentadas duas novas estruturas de
equalizao de canal de comunicao usando o processamento
largamente linear. A primeira estrutura incorpora a tcnica
multi-split (MS) de filtragem adaptativa ao esquema de
equalizao treinada LL, visando melhorar a taxa de
convergncia do algoritmo LMS-LL. A segunda estrutura traz
a principal proposta deste artigo, a qual consiste em utilizar
um filtro de erro de predio largamente linear (FEPLL)
usando um algoritmo LMS de passo varivel para equalizao
cega.
Este artigo organizado como segue. Os fundamentos do
processamento largamente linear e o modelo do canal de
comunicao digital so apresentados na Seo II. A Seo III
introduz a tcnica multi-split e o algoritmo LMS multi-split
largamente linear. Na Seo IV apresentado o FEPLL para
equalizao cega usando um algoritmo do tipo LMS de passo
AQUINO et al.: WIDELY LINEAR ADAPTIVE EQUALIZATION
varivel. Os resultados de simulao para os casos cego e
treinado so mostrados e discutidos na Seo V. Finalmente,
na Seo VI, so apresentadas as concluses.
II. CONCEITOS BSICOS E MODELO DO SISTEMA
A. Processamento largamente linear fundamentos
Seja x(n) uma seqncia complexa, discreta, aleatria, com
mdia nula. Usualmente, as estatsticas de segunda ordem de
x(n) so descritas pela funo de autocorrelao (FAC),
definida por:
( n1 , n2 ) = E { x ( n1 ) x* ( n2 )} ,
(1)
.
onde ( )* denota a operao de conjugao complexa.
Entretanto, tem sido observado que a FAC no descreve
completamente as estatsticas de segunda ordem em alguns
casos [1], [5], [6]. Logo, necessrio introduzir uma outra
funo chamada de pseudo-autocorrelao (FPAC), definida
por:
{ }
( n1 , n2 ) = E x ( n1 ) x ( n2 ) . (2)
O processo x(n) conhecido como prprio quando (n1,n2)
igual a zero, e a FPAC pode ser omitida. Por outro lado, se o
processo x(n) apresenta uma FPAC no nula, este dito ser
imprprio. Um processo imprprio estacionrio no sentido
amplo (wide-sense stationary WSS) se, e somente se,
E{x(n)} = mx uma constante e tanto a FAC quanto a FPAC
no dependentem dos instantes de tempo discretos n1 e n2, e
sim da diferena entre eles [7].
B. Modelagem do sistema
O canal de comunicao digital modelado por um filtro
FIR de ordem L, com coeficientes complexos. O sinal na sada
do canal, x(n), em banda base, assumindo sincronizao
perfeita de portadora, descrito por:
L
x (n) = hm ( n ) a ( n m ) + ( n ) , (3)
m =0
onde a(n) denota o smbolo transmitido, pertencente a uma
constelao A real, de mdia nula e varincia a2, hm(n) o m-
simo coeficiente do canal, no instante n, e (n) um rudo
aditivo, gaussiano, complexo, de mdia nula e varincia 2.
Os smbolos gerados pelo transmissor so assumidos ser
independentes e identicamente distribudos (i.i.d.), e o rudo
(n) independente de a(n).
Para no carregar muito a notao, ser omitida a
dependncia temporal do canal. A Fig.1 ilustra o modelo
descrito e o emprego do processamento largamente linear em
equalizao de canal de comunicao digital.
Considerando que o canal h seja estacionrio no sentido
amplo, a partir de (2) e (3), a FPAC de x(n) pode ser calculada
por [2]:
( k ) = a2 hm + k hm , (4)
m
31
(n)
a(n)
Canal x(n)
Transmissor
h
(.)*
Equalizador
Largamente
Linear
y(n) = (n)
Figura 1: Diagrama de blocos de um sistema de comunicao digital usando
equalizao largamente linear.
d(n)
x(n) e(n)
w(n)
[w0(n) w1(n) wN-1(n)] y(n)
Algoritmo adaptativo
(LMS)
Figura 2: Esquema de filtragem adaptativa de Wiener
podendo ser diferente de zero para |k| < L+1. Neste caso, o
processamento largamente linear se aplica e o equalizador
formado por dois filtros transversais em paralelo: w = [fT gT]T.
III. TCNICA MULTI-SPLIT
O algoritmo LMS um importante membro da famlia de
algoritmos de gradiente estocstico. Duas caractersticas
importantes do algoritmo LMS so sua simplicidade e
robustez. Alm disto, no requer o conhecimento de funes
de correlao, nem envolve inverso de matrizes.
Infelizmente, seu desempenho, em termos de capacidade de
rastreamento e taxa de convergncia, depende do
espalhamento dos autovalores da matriz de correlao do sinal
de entrada e da escolha do passo de adaptao [8]. A Fig.2
mostra o esquema clssico de filtragem adaptativa de Wiener
utilizando o algortmo LMS, onde x(n) o sinal de entrada,
w(n) o vetor de coeficientes do filtro, y(n) o sinal de sada,
d(n) o sinal desejado e e(n) o sinal de erro.
Teoricamente, usando uma transformao de similaridade
como, por exemplo, a transformao de Karhunen-Love
(KLT), possvel obter uma diagonalizao da matriz de
autocorrelao e melhorar a taxa de convergncia do
algoritmo LMS, atravs de uma adaptao normalizada na
potncia. Porm, a transformao KLT, alm de requerer o
conhecimento da matriz de autocorrelao, possui uma
elevada complexidade computacional [9].
Transformaes alternativas que no requerem o
conhecimento a priori da matriz de autocorrelao, como a
DCT (discrete cosine transfom) e a DFT (discrete Fourier
transform), tambm podem ser empregadas, mas ainda com
complexidades computacionais proibitivas quando a ordem do
filtro muito elevada.
32 IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 1, MARCH 2010

A transformada multi-split consiste numa operao de

transformao linear de uma seqncia de dados finita, x0(n)
d(n)
representando-a nas suas componentes de simetria par e w0(n)
mpar. Do ponto de vista de filtragem FIR, isto consiste em Transformada
dividir consecutivamente a resposta impulsiva de um filtro em x1(n)
de w1(n)
partes simtrica e anti-simtrica. Como resultado final do x(n)
processo de diviso, para um filtro de ordem N-1, so obtidos Hadamard
e(n)
N filtros de ordem zero, conectados em paralelo [9], [10]. N HN
Para N=2P, sendo P um nmero inteiro maior que zero, a
transformada MS no demanda operaes de multiplicao. xN-1(n)
wN-1(n)
Apenas operaes de soma e subtrao so requeridas. Neste
caso, numa de suas formas, a transformada MS corresponde
matriz de Hadamard [9]. Na Fig.3 mostrado o emprego da
transformada MS no esquema de filtragem adaptativa de Figura 3: Filtragem adaptativa de Wiener usando a transformada multi-split.
Wiener.
Como apontado em [9], existem N! matrizes transformada
MS na Fig.3, sendo que uma delas possui o esquema de
clculo no formato em borboleta mostrado na Fig.4 (N=8), a
qual exibe as qualidades desejadas de alta modularidade e
paralelismo, indispensveis em aplicaes utilizando VLSI
(very large scale integrated-circuits).
O emprego da transformada multi-split melhora o fator de
diagonalizao da matriz de autocorrelao, permitindo que
um algoritmo LMS de passo varivel e normalizado na
potncia seja empregado na adaptao de cada filtro de ordem
zero mostrado na Fig.3. Figura 4: Clculo em borboleta da transformada multi-split

A adaptao de cada coeficiente wi ( n ) , i = 0,1,..., N-1,

Para o caso de um equalizador largamente linear, a
descrita por [9]: transformada MS aplicada nos dois filtros (f e g) utilizados
wi ( n ) = wi ( n 1) + MS xi ( n ) e ( n ) ri ( n ) , (5) pelo equalizador. O procedimento MS aplicado a um
equalizador largamente linear pode ser resumido como segue:
onde MS denota um passo fixo de adaptao,
1) Transformao Linear:
e(n) = d(n) y(n) (6)
x(n) = HNx(n)
o sinal de erro, sendo y(n) dado por: 2) Atualizao:
N 1 y(n) = f H(n) x(n) + gH(n) x* (n)
y ( n ) = xi ( n ) wi ( n ) . (7)
i =0
e(n) = d(n) y(n)
ri(n) = pi(n) / qi(n) (Equaes (8)-(10))
O escalar xi ( n ) denota o i-simo elemento do vetor x(n)
f i(n) = f i(n 1) + MS e(n) x*i(n) / ri(n)
transformado pela matriz de Hadamard, x(n)=HNx(n), e
g (n) = f *(n)
ri ( n ) a estimativa de seu valor mdio quadrtico. Esta
estimativa calculada por: IV. EQUALIZAO CEGA COM FEPLL
n

xi ( j )
2
n j Nesta seo, apresentado um filtro de erro de predio
pi ( n ) largamente linear (FEPLL) que, ao contrrio de sua verso
ri ( n ) =
j =1
= , (8)
n
qi ( n ) estritamente linear, capaz de equalizar canais de fase no
n j
j =1
mnima ou que tenham nulos espectrais [11].
onde pi(n) e qi(n) so recursivamente obtidos por: A. Filtro de erro de predio linear (FEPL)
pi ( n ) = xi ( n ) + pi ( n 1)
2
(9) O problema de predio linear direta (forward) consiste em
prever o valor futuro de uma seqncia Xn discreta no tempo,
e
aleatria e estacionria, a partir da combinao linear das
qi ( n ) = 1 + qi ( n 1) , (10) amostras passadas desta mesma seqncia [8]. Ou seja, dados
onde (0 << 1) um fator de esquecimento. Para um os valores x(n), x(n-1), , x(n-M+1) indicando as M amostras
ambiente estacionrio pode ser unitrio. passadas da seqncia at e incluindo o instante n,
AQUINO et al.: WIDELY LINEAR ADAPTIVE EQUALIZATION 33

( )
x n + k X n ,n M +1 corresponde ao valor predito no instante de calculados pela resoluo do seguinte sistema de equaes:

tempo n+k, para k1. Um preditor linear direto de um passo e

ordem M-1 pode ser descrito segundo a expresso:
M
x ( n ) = bk* ( n )x ( n k ) , (11)
k =1

onde b1* ( n ) , b2* ( n ) , , bM* ( n ) so os coeficientes do

Figura 5: Filtro de erro de predio largamente linear (FEPLL).
preditor no instante n. A diferena entre a amostra de entrada
( )
x(n) e seu valor predito, x n X n 1, n M , dada por:
HH H + I HHT f Hhe
*

= , (16)
( ) H HT + I g Hh*e

e ( n ) = x ( n ) x n X n 1, n M ,
H
(12) HH

e conhecida como resduo ou erro de predio direta onde = n2 / a2 e I uma matriz identidade de dimenso
(forward prediction error). O preditor timo, no sentido MSE M M . Os vetores timos so dados por:
(mean square error), aquele que minimiza o valor mdio
quadrtico de e(n), isto , os coeficientes bk* [ n ] , k=1, ..., M, 1

( )
fopt = HH H + I HHT H* HT + I ( ) H* H H
1

do preditor so determinados tal que a funo custo (17)

Je=E{|e(n)|2} seja minimizada. O filtro de erro de predio
direta aquele que possui como sada e(n). ( Hh HH ( H H + I )
*
e
T * T
1
Hh , * *
e )
B. Filtro de erro de predio largamente linear 1

(
g opt = HHT HH H + I H* H H )( ) (H H )
+I
1
* T
O FEPLL utiliza alm de x(n) seu conjugado complexo

x*(n), como mostra a Fig.5. De acordo com esta figura, o erro (18)
de predio largamente linear pode ser expresso por:
M M
( H h ( HH
* *
e
H
)(
+ I H* H H )
1
Hh*e . )
eLL ( n ) = x ( n ) f k* ( n ) x ( n k ) g *k ( n ) x* ( n k )
k =1 k =1 (13) Nota-se que fopt g*opt , que diferente do que ocorre no caso
= x (n) f H
( n ) x ( n 1) g ( n ) x ( n 1) ,
H *
de equalizao treinada quando fopt = g*opt [2], [10], [11].
onde x(n-1) = [x(n-1) x(n-2) ... x(n-M)]T, x(n) = hTa(n) + (n), Alternativamente, para o caso de um canal sem rudo, isto ,
com h = [h0 h1 ... hL]T, f(n) = [f1(n) ... fM(n)]T, = 0, pode-se reescrever o sistema de equaes em (16)
g(n) = [g1(n) ... gM(n)]T e a(n) = [a(n) ... a(n-L)]T. como:
h0 h0* 0 0 0 0 f1 h0
Omitindo a dependncia temporal dos filtros f e g, pode-se
h0 h0* g1
reescrever (13) como h hL* 0 0 hL
L = . (19)
eLL (n ) = h Te a e (n ) f H (Ha e (n ) + (n 1)) + 0 0 hL hL* h0 h0* 0
(14)
(
g H H *a e (n ) + * (n 1) , )

fM

0 0 hL hL* g M 0
onde he = [h0 ... hL 0 ... 0]T tem dimenso (M+L+1) 1, ae(n) =
[a(n) ... a(n-L) 0 ... 0]T, com mesma dimenso de he,
A partir de (19) e usando os resultados gerais apresentados
(n 1) = [[n 1] [n 2] ... [n M ]] e a matriz do canal
T
em [1], [2], [12], [13], podemos fazer as seguintes
de dimenso M (M+L+1) definida por: observaes para que exista uma soluo tima:
o canal precisa ser complexo (ao menos um
0 h0 h1 hL 0 0 coeficiente precisa ser complexo);
os canais h e h* no podem possuir zeros em comum
0 0 h0 h1 hL
H= , (15) (identidade de Bezout);
0
os filtros timos fopt e g opt precisam ter somente L
0 0 0 h0 h1 hL
coeficientes.

sendo que a coluna de zeros em H corresponde ao atraso de Tal soluo tima para o FEPLL corresponde a um
uma amostra. equalizador do tipo zero-forcing (ZF), com eLL(n) = h0a(n).
Aplicando o critrio MMSE (minimum MSE) e as regras de
derivao complexa [2], [8], os filtros f e g timos podem ser
34
C. Algoritmo adaptativo LMS-LL com passo fixo
Segundo a tcnica LMS, os filtros f e g so adaptados pelas
seguintes equaes:
eLL ( n )
2
f ( n + 1) = f ( n )
f * ( n )
= f ( n) + e *
LL (n) x (n)
e
eLL ( n )
2
g ( n + 1) = g ( n )
g* ( n )
= g ( n ) + e*LL ( n ) x* ( n ) ,
onde o passo de adaptao. Os filtros so inicializados
fazendo f(0)=g(0)=0.
A Fig.6 mostra o diagrama de blocos do equalizador
adaptativo proposto usando o FEPLL. Para compensar o efeito
multiplicativo provocado pelo coeficiente complexo do canal,
h0, utilizado um CAG complexo (n) = (n)e j ( n ) , cujo o
ajuste de fase e magnitude realizado segundo as equaes:
(
(n + 1) = (n) + Im eDD ( n ) y* ( n ) ,
{ }
G ( n + 1) = G ( n ) + G E a ( n ) y ( n ) ,
2 2
e
(n) = G (n) ,
onde Im denota a parte imaginria, e G so os passos de
adaptao da fase e da magnitude, respectivamente. Note que
o algoritmo de adaptao da fase foi obtido utilizando a
potncia instantnea do erro de deciso direta como funo
objetivo. O valor inicial do ajuste de fase zero ( 0 ) = 0 e (
do ajuste de magnitude pode ser unitrio G ( 0 ) = 1 . (
O decisor () na Fig.6 um dispositivo no-linear, sem
memria, que mapeia a sada do equalizador no smbolo mais
prximo da constelao transmitida.
D. Algoritmo com passo varivel
Visando obter uma maior taxa de convergncia e um menor
desajuste final, adotada a tcnica proposta por Kwong e
Johnston (variable step-size LMS algorithm - VSS-LMS, [14])
para tornar os passos de adaptao , G e variveis.
No algoritmo VSS, o passo de adaptao ajustado de acordo
com o quadrado do erro instantneo:
X ( n ) = X ( n 1) + X X ( n 1) ,
com 0 << < 1 , X > 0 e
max , se X ( n ) > max
X ( n ) = min , se X ( n ) < min
X ( n ) , outros valores
IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 1, MARCH 2010
onde 0 < min < max e X () um erro que depende de qual
passo est sendo adaptado, como ser explicado a seguir.
(20)
Figura 6: Diagrama de blocos do FEPLL adaptativo proposto.
(21) Usualmente, usamos como valor inicial ( 0 ) = max . Em [4],
( )
sugerido que max = 0,1 N . x2 , sendo N o nmero de
coeficientes do filtro f (ou g) e x2 a potncia mdia do sinal
na sada do canal.
Como pode ser observado a partir de (28), o passo de
adaptao sempre positivo e controlado pelos parmetros
e X . Tipicamente, 0,98 um valor adequado para ,
enquanto que o valor de X usualmente pequeno (da ordem
de 10-5 nas simulaes deste artigo). Naturalmente, a adoo
do passo varivel acarreta em uma maior complexidade
) (22) computacional para o algoritmo.
(23)
Para cada passo ( , G ou ), o erro X ( n ) calculado
de forma diversa:
( n) = ( y ( n)) y ( n)
(24) G G ( n ) = ( y ( n ) ) Re { y ( n )} (27)
( n ) = Im { y ( n )} ,
onde (y(n)) o smbolo decidido e Re denota a parte real.
E. Modo deciso direta
) Normalmente, aps a convergncia, o equalizador passa a
) operar no modo de deciso direta (DD), que consiste em
utilizar como sinal de referncia o prprio smbolo decidido,
a (n) , presuposto correto. O erro de deciso direta definido
como eDD(n) = (y(n)) y(n), onde (y(n))=(n). Caso uma
variao de canal provoque decises incorretas, devido a uma
operao inadequada do equalizador, este volta a operar no
modo no supervisionado proposto.
Para colocar ou retirar o equalizador do modo DD, a
seguinte estratgia utilizada:
Se e ( n ) 2 < equalizador colocado no modo DD
DD
,
Caso contrrio equalizador retirado do modo DD
onde um valor de limiar. As equaes para a adaptao no
2
(25) modo DD dos filtros f e g so dadas por:
eDD ( n )
2
f ( n + 1) = f ( n )
f * ( n ) (28)
(26)
= f ( n ) (n)e*DD ( n ) x ( n )
AQUINO et al.: WIDELY LINEAR ADAPTIVE EQUALIZATION 35

e
eDD ( n )
2

g ( n + 1) = g ( n )
g* ( n ) (29)
= g ( n ) ( n )e *
DD (n) x ( n) .
*

V. RESULTADOS DE SIMULAO (a) (b)

A seguir, so apresentados alguns resultados de simulao
que mostram o bom desempenho do equalizador largamente
linear, usando a tcnica multi-split, e do filtro de erro de
predio largamente linear.
Em todas as simulaes, o sinal transmitido pertence a uma
constelao 4-PAM, sendo o rudo AWGN e a relao sinal-
rudo (SNR signal-to-noise ratio), definida por
(c) (d)
2
SNR = 10log10 a2 hk 2 , (30) Figura 7: (a) zeros do canal h1, (b) resposta em freqncia, (c) sada do canal,
k (d) constelao equalizada (igual para os trs equalizadores).

de 30 dB. Note que o uso da constelao 4-PAM justificada

pelo fato de utilizarmos canais complexos nas simulaes.
Desta maneira, o sinal na sada do canal imprprio e,

Erro quadrtico mdio

portanto, modela adequadamente os sistemas que fazem uso
das tcnicas de modulao OQAM, MSK e GMSK [2].
O emprego de uma razo sinal-rudo elevada visa realar a
eficincia das tcnicas aqui propostas na reduo da IES. Vale
tambm dizer que o equalizador largamente linear mais
robusto ao fenmeno de amplificao de rudo do que os seus
correspondentes lineares [2].
A. Equalizao multi-split largamente linear
i) Simulao 1 considerado um canal cuja funo de Iteraes
transferncia h1(z) = 0,601 + (0,6309-0,2403j)z-1 + Figura 8: Curvas de aprendizado para o canal h1.
(0,355+0,024j)z-2 + (-0,0348-0,047j)z-3 +(0,156-0,1706j)z-4.
Este canal de fase mista e apresenta um zero prximo ao
crculo de raio unitrio. Na Fig.7 so mostrados os zeros do
canal, sua resposta em freqncia e as constelaes na sada
do canal e na sada do equalizador. Note que o equalizador
inverte adequadamente o canal.
O equalizador, formado pelos filtros f e g, possui um total de
16 coeficientes complexos (oito em cada filtro). Em funo
dos parmetros do canal e do equalizador, foi inserido um (a) (b)
atraso de propagao de 3 amostras [9]. Figura 9: (a) zeros do canal h2, (b) resposta em freqncia.
A Fig.8 apresenta as curvas de aprendizado para os
algoritmos LMS-LL, LMS-LL-N (normalizado) e LMS-LL-
MS. Observe que os trs algoritmos tm praticamente o
mesmo erro quadrtico mdio final, mas o algoritmo LMS-
Erro quadrtico mdio

LL-MS converge com um nmero menor de iteraes.

Os passos de adaptao usados foram: LL = 0,0045; N =
0,22 e LL-MS = 1/32. Para a obteno das curvas foram
mediados 50 realizaes independentes.
ii) Simulao 2 considerado um canal caracterizado
pelo polinmio h2(z) = (0,3921+0,3921j) + (0,0392+0,745j)z-1
+ (0,051+0,2548j)z-2 + (0,132+0,136j)z-3 +(0,1068+0,1129j)z-
4
+(0,0423+0,0819j)z-5. Este canal tambm apresenta fase
mista e um zero prximo ao crculo de raio unitrio. A Fig.9
mostra os zeros da funo de transferncia do canal e sua Iteraes
resposta em freqncia. Figura 10: Curvas de aprendizado para o canal h2.
36 IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 1, MARCH 2010

A Fig.10 apresenta as curvas de aprendizado para os
algoritmos LMS-LL, LMS-LL-N e LMS-LL-MS. Neste caso,
o atraso de propagao utilizado foi de 2 amostras.
Novamente, para um mesmo erro quadrtico mdio final ,pode
ser observado que o algoritmo LMS-LL-MS converge com
um nmero menor de iteraes. Os passos de adaptao
usados foram: LL = 0,0050; N = 0,25 e LL-MS = 1/32.
Em todas as simulaes realizadas, o desempenho do
equalizador largamente linear, usando o algoritmo LMS em
conjunto com a tcnica multi-split, foi superior ao dos
algoritmos LMS-LL e LMS-LL normalizado (LMS-LL-N).
parmetros foram estabelecidos aps vrias rodadas de
simulao, de tal forma que os dois equalizadores,
especialmente o equalizador CMA, apresentassem um
desempenho satisfatrio, isto , sempre conseguisse convergir.
A Fig.13 mostra a comparao entre o MSE dos dois
equalizadores. Estas curvas foram obtidas pela mediao de
500 realizaes independentes.
TABELA I
PARMETROS DO ALGORITMO LMS DE PASSO VARIVEL DO FEPLL
min = 2 ,80 104
: = 3 , 5 105

FEPLL com algoritmo LMS de

B. Equalizao cega com FEPLL max = 2 ,80 103
Para a equalizao cega usando o FEPLL so considerados min = 1, 0 103

passo varivel
os canais usados nas simulaes anteriores. O FEPLL tem dez G : G = 1, 5 105
max = 3 , 0 103
coeficientes complexos, isto , cinco no filtro f e cinco no
filtro g. Os demais parmetros usados na simulao esto min = 8 , 0 104
: = 8 105
indicados na Tabela I. max = 3 , 0 103
i) Simulao 1 considerado que o canal sofre uma = 0,35 (limiar para o modo de deciso direta)
mudana brusca no instante n = 5000, passando de h1(z) para
h2(z). Podemos observar pela Fig.11 que o FEPLL com o
algoritmo de passo varivel conseguiu se recuperar
rapidamente aps a mudana do canal. Isto , foram
necessrios cerca de 1.500 smbolos para que o equalizador
conseguisse compensar o canal. Levando-se em conta o
reduzido nmero de coeficientes do FEPLL (baixa
complexidade computacional), esse um bom resultado
quando comparado as outras tcnicas de equalizao cega
encontradas na literatura [16], [17], [18].
A IES residual, definida como [16]

( hek
2
) he 2
k max
IES = k
2
, (31)
hek max

onde hek a reposta ao impulso da combinao canal-FEPLL

e |hek|max denota o valor mximo desta resposta, apresentada
na Fig.12 (mdia de 250 realizaes). Note que o valor de Figura 11: (a) Diagrama de olho para o caso de variao brusca do canal, (b)
convergncia da IES residual para o canal h2(z) maior do evoluo da fase, (c) evoluo da correo do ganho em funo do nmero de
smbolos recebidos.
que o do canal h1(z). Isto deve-se ao fato de que o canal h2(z)
mais distorcivo, como pode ser observado comparando as
Figs. 7b e 8b.
ii) Simulao 2 realizada uma comparao entre a
proposta FEPLL de passo varivel com um equalizador linear
IES (dB)

usando o algoritmo CMA modificado apresentado em [17], o

qual mais apropriado para constelaes que no so de
mdulo constante. Da mesma forma que no FEPLL, nesse
algoritmo CMA modificado tambm foi utilizada a tcnica de
chaveamento para modo DD normalizado.
Apenas o canal h1(z) utilizado nesta simulao. Os
parmetros para o FEPLL so os mesmos j indicados na Iteraes
Tabela I. J o equalizador CMA formado por treze Figura 12: IES residual para os canais h1 e h2, mudana brusca de h1 para h2
na amostra de nmero 5000.
coeficientes complexos e os seguintes passos de adaptao
so usados: CMA = 1,20.10-4 e DD-N = 0,20 (para o modo de
deciso direta). O valor de limiar usado para chavear do modo
cego para o modo de deciso direta foi =0,35. Todos esses
AQUINO et al.: WIDELY LINEAR ADAPTIVE EQUALIZATION
Erro quadrtico mdio
iteraes
Figura 13: Comparao entre o FEPLL e um equalizador linear cego (CMA).
VI. CONCLUSES
Neste artigo, foram propostos dois equalizadores
adaptativos, treinado e cego, usando o processamento
largamente linear. No equalizador treinado, usada a tcnica
multi-split e um algortmo LMS de passo varivel e
normalizado na potncia. J o equalizador cego usa a estrutura
de um filtro de erro de predio largamente linear, tendo os
seus parmetros ajustados por um algoritmo LMS tambm de
passo varivel.
Os resultados de simulao evidenciam que o algoritmo
LMS-LL multi-split pode conseguir uma melhor taxa de
convergncia que a sua verso normalizada, para um desajuste
final similar, sem aumentar a complexidade computacional.
J o equalizador autoditata proposto apresenta uma
complexidade computacional baixa e uma boa taxa de
convergncia quando comparado com outras tcnicas cegas de
equalizao existentes na literatura.
Sob algumas condies, esses novos equalizadores so
capazes de equalizar canais de fase no-mnima, com ou sem
nulos espectrais, desde que o sinal recebido seja imprprio.
REFERNCIAS
[1] B. Picinbono e P. Chevalier, Widely linear estimation with complex
data, IEEE Trans. Signal Processing, vol. 43, pp. 20302033, Aug.
1995.
[2] W. H. Gerstacker, R. Schober e A. Lampe, Receivers with widely linear
processing for frequency-selective channels, IEEE Commun. Lett., vol.
7, no. 9, pp. 15121523, Sep. 2003.
[3] R. Schober, W. H. Gerstacker, L. H.-J. Lampe, Data-Aided and Blind
Stochastic Gradient Algorithms for Widely Linear MMSE MAI
Suppression for DS-CDMA, IEEE Trans. on Signal Processing, vol. 52,
pp. 746-755, no. 3, Mar 2004.
[4] J. G. Proakis, Digital Communications, McGraw-Hill, 3a. Edio,
1995.
[5] F.J.A. de Aquino; C.A.F. da Rocha; L.S. Resende. "Widely Linear
Prediction for Blind Equalization". IEEE International Conference on
Communications - ICC, Glasgow, pp. 2985-2990, 2007.
[6] Neeser, F. D. e Massey, J. L. Proper complex random processes with
applications to information theory, IEEE Trans. Inform. Theory, vol. 39,
pp. 12931302, Julho 1993.
[7] B. Picinbono e P. Bondon, Second-order statistics of complex signals,
IEEE Transactions on Signal Processing, Vol. 45, pp. 411-420, Feb.
1997.
[8] S. Haykin, Adaptive Filter Theory, 4th. ed., Prentice Hall, NJ, 2002.
37
[9] L.S. Resende, J.M.T. Romano, and M.G. Bellanger, Split Wiener
filtering with application in adaptive systems. IEEE Transactions on
Signal Processing; vol. 52; no. 3; pp. 636-644; Maro 2004.
[10] R.D. Souza, L.S. Resende, M.G. Bellanger, Efficient Implementation of
Multi-Split LMS Filtering with Complex Parameters, Proceedings of
the 4th International Symposium on Image and Signal Processing and
Analysis, pp. 419-423, 2005.
[11] F.J.A. de Aquino, C.A.F. da Rocha e L.S. Resende, Accelerating the
Convergence of the Widely Linear LMS Algorithm for Channel
Equalization, VI International Telecommunications Symposium
(ITS2006), Fortaleza-CE, Brazil, vol. 1, 57-61, Sep., 2006.
[12] C.B. Papadias e D.T.M. Slock, "Fractionally spaced equalization of
linear polyphase channels and related blind techniques based on
multichannel linear prediction", IEEE Transactions on Signal
Processing, Vol. 47, pp. 641-654, Mar. 1999.
[13] G.B. Giannakis, e S.D. Halford, Blind fractionally spaced equalization
of noisy FIR channels: direct and adaptive solutions, IEEE Trans. on
Signal Processing, vol. 45, pp.:2277 - 2292, Sept. 1997.
[14] R.H Kwong e E.W. Johnston, A Variable Step-Size LMS Algorithm,
IEEE Trans. on Signal Processing, vol. 40, no. 7, pp. 1633-1642, July
1992.
[15] O. Shalvi e E. Weinstein, New criteria for blind deconvolution of
nonminimum phase systems (channels), IEEE Trans Inf: Theory, Mar.
1990, 36, pp. 312-321.
[16] M. Shahmohammadi e M.H. Kahaei, A New Dual-Mode Approach to
Blind Equalization of QAM Signals, Proc. International Sympsium on
Computers and Communication ISCC, Antalya, Turkey, pp. 1341-
1346, Junho, 2003.
[17] D.N.Godard,Self-Recovering equalization and carrier trackingin two-
dimensional data communication systems, IEEE Trans. Commun., vol.
C-28, no. 11, pp. 18671875, Nov.1980.
Francisco Jos Alves de Aquino nasceu em Fortaleza
CE, em 1970. Graduado pela Universidade Federal do
Cear UFC (1992), mestre (1998) e doutor (2008) em
Eng. Eltrica pela Universidade Federal de Santa
Catarina UFSC. professor no Instituto Federal de
Educao Cincia e Tecnologia do Cear (IFCE) desde
1994. Suas principais reas de interesse so:
processamento digital de sinais, processamento
largamente linear, equalizao e TV Digital.
Leonardo Silva Resende (M96) nasceu em Juiz de
Fora MG, em 1963. Engenheiro eletricista pela
Pontifcia Universidade Catlica de Minas Gerais
(PUC-MG), Belo Horizonte, em 1988. Mestre (1991) e
doutor (1996) em Engenharia Eltrica pela
Universidade Estadual de Campinas (UNICAMP). De
outubro de 1992 a setembro de 1993, trabalhou no
Laboratoire dElectronique et Communication,
Conservatoire National des Arts et Mtiers (CNAM),
Paris, France, como pesquisador visitante. Desde 1996
professor no Departamente de Engenharia Eltrica da Universidade Federal
de Santa Catarina (UFSC), sendo atualmente professor Associado II. Suas
principais reas de interesse so processamento digital de sinais e filtragem
adaptativa.
Carlos Aurlio Faria da Rocha nasceu em Santarm
PA, em 1956. Graduado pela Universidade Federal do
Par UFPA (1980), mestre pela Universidade Federal
de Santa Catarina UFSC (1985), doutor pela
Universidade Estadual de Campinas Unicamp (1996),
todos em Engenharia Eltrica. Desde de 1983 professor
do Departamente de Engenharia Eltrica da UFSC, sendo
atualmente professor Associado II. Foi pesquisador
visitante no Laboratrio des Signaux et Systmes et GDR
Traitement du Signal et Images (SUPELEC, Frana) de 02/1993 a 01/1994 e
no Conservatoire National des Arts et Mtiers (CNAM, Frana) de 01/2008 a
01/2009. Suas principais reas de interesse so: processamento digital de
sinais, sistemas MIMO-OFDM, processamento largamente linear, equalizao
e TV Digital.