As funções de transferência de muitos canais de transmissão, além de imperfeitas, variam ao longo do tempo. Isto exige então que os equalizadores se adaptem automaticamente às condições do canal. Este é o caso da transmissão de dados através de uma rede telefônica comutada onde cada ligação é feita através de um circuito diferente. Outro exemplo importante é o da transmissão radio digital. Neste caso as variações atmosféricas provocam variações aleatórias no canal e, sendo assim, o ajuste automático do equalizador deve ser feito continuamente durante a transmissão.
Anteriormente foram apresentadas expressões para o cálculo dos coeficientes ótimos do equalizador. Estas expressões entretanto não podem ser usadas diretamente no contexto da equalização adaptativa onde devem ser considerados também outros aspectos como implementação e funcionamento automático. Estes aspectos são discutidos a seguir, onde são apresentados alguns algoritmos de adaptação automática do equalizador.
O Algoritmo do Gradiente
Diversos algoritmos de adaptação automática
de equalizadores se baseiam no algoritmo do gradiente. O algoritmo do gradiente
é um método clássico utilizado na solução
iterativa de problemas de minimização de uma função
de n variáveis, no caso do problema da equalização
(94)
|
cujo ponto de mínimo satisfaz a
(95)
|
O algoritmo do gradiente parte de valores iniciais
para as variáveis com os quais se calculam as derivadas parciais
do lado direito de (95). Os valores calculados são então
utilizados para modificar as variáveis de acordo com a expressão
(96)
|
Como ilustração, considere-se o caso
de uma função unidimensional cujo ponto de mínimo
é W=Wmin. onde a
é uma constante positiva. De acordo com (96), o valor da variável
W, em cada iteração, sofre um incremento de sinal contrário
ao sinal da derivada neste ponto. Como ilustrado na Figura 24, isto corresponde
a caminhar no sentido do ponto de mínimo. A medida que se aproxima
deste ponto a derivada diminui e os incrementos vão se tornando
menores. O processo termina quando o incremento se torna menor do que um
valor estipulado em função da precisão desejada.
Figura 24 - Ilustração do método do gradiente
O valor da constante a deve ser escolhido adequadamente para assegurar a convergência do método no menor tempo possível. Valores pequenos de geralmente garantem a convergência mas podem implicar em um número muito grande de iterações. Por outro lado, valores muito grandes de podem levar o processo a não convergir. A escolha da constante deve, portanto, procurar um compromisso entre a garantia de convergência (a pequeno) e a rapidez de convergência (a grande). Um valor tópico para a é 0,5.
O método do gradiente pode ser aplicado é
busca dos coeficientes do equalizador que minimizam o erro médio
quadrático ou o erro absoluto no detetor. Neste caso, a função
a ser minimizada é dada pela
equação (75)
ou pela equação (84).
Algoritmo do Gradiente para Minimização do Erro Médio Quadrático
Para implementar o algoritmo do gradiente, é
necessário, obviamente, obter o gradiente. Pode-se mostrar que
(97)
|
Como acontece, em geral, na implementação
de valores esperados, a média estatística é substituída
por um estimador dado por uma média temporal. Na prática
é usual a solução mais simples de substituir o valor
esperado pelo valor observado, isto é
(98)
|
Neste caso o algoritmo é conhecido como do Gradiente Estocástico.
Utilizando (98) obtém-se então o algoritmo
(99)
|
onde kj é o valor de k na iteração j.
A presença do ruído pode provocar flutuações indesejáveis na estimativa do gradiente, especialmente no algoritmo do gradiente estocástico.
A implementação do algoritmo do gradiente
está ilustrada na Figura 25. Note-se que a estimação
do gradiente é feita no bloco designado por S
que será mais ou menos complexo dependendo do estimador utilizado.
Figura 25 - Implementação do equalizador adaptativo pelo critério do mínimo erro médio quadrático
O método do gradiente também pode ser
utilizado para a minimização do erro absoluto na saída
do equalizador dado pela equação
(84). Neste caso a fórmula recursiva do gradiente estocástico
será
(100)
|
onde
(101)
|
Treinamento ou Decisão Realimentada
Para determinar o erro de deteção e(kT) é necessário conhecer as amplitudes transmitidas {ak}. Se o ajuste for feito em um período de treinamento, o sinal transmitido é um sinal padrão e as amplitudes {ak} são, portanto, conhecidas. Se, por outro lado, o ajuste for feito durante a transmissão regular, as amplitudes {ak} devem ser substituídas pelas amplitudes detetadas {ak}. Se a taxa de erro do sistema for pequena, esta aproximação não terá, praticamente, nenhuma influência no desempenho do equalizador. Caso contrário os erros na deteção podem deteriorar a capacidade de auto ajuste do equalizador.
Equalização Cega
Na situação de elevada taxa de erro no receptor a alternativa quando ao treinamento do equalizador é a utilização de algoritmos robustos, onde os sinais de controle são independentes dos erros. Esta forma de equalização é genericamente denominada equalização cega.
Para sistemas PAM multiníveis com M amplitudes, uma forma bastante simples de equalização cega consiste em realimentar o equalizador apenas quando a amostra obtida no receptor for maior em valor absoluto do que a maior amplitude do sinal PAM. Para esclarecer este procedimento, deve-se notar que o problema no reajuste do equalizador baseado em uma amplitude âk errada é o coeficiente ser incrementado no sentido contrário do que deveria ser.
Quando se adota a estratégia de realimentar
apenas quando a amplitude for maior do que a amplitude máxima em
valor absoluto, esta inversão de sentido não ocorre. Como
ilustração tem-se na Figura 26 um caso em que a amostra no
detetor u(kT) é maior do que a amplitude máxima e, sendo
assim, pelo critério da distância mínima, a amplitude
detetada será âk=Amax. O erro e(kT)
= u(kT) - ak será positivo qualquer que seja o valor
de ak. Este algoritmo é conhecido como algoritmo do erro
do nível máximo.
Figura 26 - Ilustração do algoritmo do nível máximo