Neste capítulo será feita a nossa simulação final, onde modelaremos um canal com AWGN e atenuado.
Os parâmetros a serem utilizados, são os levantados no Capítulo 6. Portanto utilizaremos
um Eb/No de 9 dB (ob atenuação causada por
chuva de 2,69 dB (obtida em 6.3). Observe que, embora a atenuação causada por chuvas no dias 21 e 22/05/2009 seja nula, para um Eb/No obtido de 9 dB mostrado em 6.2, julgou- se pertinente introduzir na simulação mais este grau de dificuldade. Os dados meteorológicos apontados em 6.4, serviram apenas para mostrar que o loop fechado entre estação terrena e satélite não sofreram atenuação causada por chuva.
Diversas simplicações foram feitas, como por exemplo, primeiro foi aplicado o AWGN em todos os símbolos gerados e após isto, foi aplicada a atenuação.
Semelhantemente ao feito anteriormente, foram desenvolvidos 3 módulos para a simulação: simuladorqpskv7.m, perceptreino4.m e perceppronto4.m.
7.4.1 – Testes com 1.000 símbolos
A Figura 7.25 nos mostra uma constelação com 1.000 símbolos, que serão submetidos a treinamento.
Figura 7.25 – Geração de 1.000 símbolos pseudo aleatórios.
Os símbolos gerados acima, foram submetidos a treinamento conforme mostrado pela Figura 7.26, e conforme a Figura 7.27, foram gerados novos símbolos para validar a rede.
Figura 7.27 – Geração de 1.000 novos símbolos pseudo aleatórios. Depois do treinamento, a rede neural sugeriu a correção mostrada na Figura 7.28.
Com os seguintes índices: • number = 0
• BER = 0 • number = 0 • SER = 0
7.4.2 – Testes com 10.000 símbolos
Nesta fase, foi notado um significativo aumento do custo computacional em todas as etapas. Isto foi decorrente, do método vetorial utilizado para aplicar a atenuação em cima dos símbolos oriundos do canal AWGN.
Desta forma, a Figura 7.29 nos mostra a geração de 10.000 símbolos a serem submetidos a treinamento conforme a Figura 7.30.
Figura 7.30 – Treinamento da rede neural com 10.000 símbolos.
Após o treinamento, segundo a Figura 7.31, foram gerados novos símbolos a fim de validar a rede neural criada.
A correção sugerida pela rede neural é mostrada na constelação da Figura 7.32.
Figura 7.32 – Correção sugerida pela rede neural. Com os seguintes índices:
• number = 4
• BER = 2,0000e-004 • number = 3
• SER = 3,0000e-004
7.4.3 – Testes com 100.000 símbolos
O custo computacional aumentou ainda mais, e cada fase da simulação demorou aproximadamente 15 minutos para ser concluído.
A Figura 7.33 nos mostra os 100.000 símbolos gerados e o posterior treinamento da rede, exibido pela Figura 7.34. Conforme feito anteriormente, utilizamos apenas os primeiros 15.000 símbolos para treinamento da rede, uma vez que um maior núm o de exemplos dificulta a convergência da rede, aumentando o custo computacional envolvido.
Figura 7.33 – Geração de 100.000 símbolos pseudo aleatórios.
A seguir, vemos na Figura 7.35 que novos símbolos são gerados, com a posterior sugestão de correção exibida pela Figura 7.36.
Figura 7.35 – Geração de 100.000 novos símbolos pseudo aleatórios.
Com os seguintes índices: • number = 21
• BER = 1,0500e-004 • number = 16
8 - CONCLUSÕES
Conforme delimitado no início deste trabalho, o objetivo era o de concatenar e conhecimentos práticos adquiridos ao longo de anos de balh TA I (Primeiro Centro Integrado de Defesa Aérea e Controle de áfego Aéreo). A possibilidade de extrair dados reais de um sistema de alta criticidade em produção foi essencial para uma melhor compreensão do estudo.
Para alcançar o objetivo, foi escolhido o foco em uso de redes neurais na correção de erros e transmissão em sistemas de comunicação via satélite.
unca foi intenção, obter a melhor rede para o cumprimento desta missão, mas sim, uma de capaz de mostrar a viabilidade da idéia. Por isto, foi utilizada uma rede bastante simples com apenas uma camada escondida.
A dissertação foi extremamente proveitosa no sentido de proporcionar uma extensão de onhecimentos anteriormente estudados, bem como permitir a aquisição de novos conhecimentos nesta área complexa que é a de comunicações satelitais.
A rede neural foi utilizada em substituição a técnicas convencionais de demodulação, ncionando como um filtro adaptativo capaz de reconhecer e corrigir erros de fase enores que 45o.
este ponto, é importante deixar claro que técnicas de correção antecipada de erros (FEC), continuam sendo técnicas complementares e indispensáveis, pois elas é que permitem que
s erros de fase maiores que 45o sejam detectados e corrigidos.
mbora a simulação tenha considerado apenas interferências tipo AWGN e atenuação causada por chuva, sem a utilização de técnicas de codificação do canal com FEC ), foi considerada bastante válida e teoricamente superior omparativamente com as técnicas atualmente em uso pelo CINDACTA I (Primeiro Centro Integrado de Defesa Aérea e Controle de Tráfego Aéreo).
O custo computacional observado nas diversas fases de geração de símbolos, treinamento a rede e validação,crescem de acordo com o aumento do campo amostral. Portanto, para o uso em um caso real, a rede terá de ser previamente treinada e customizada de acordo com conhecimentos acadêmicos tra o no CINDAC Tr d N re c fu m N o E
(Forward Error Correction c
as condições de contorno, pois não há tempo disponível para um treinamento em tempo real. Em resumo, dependendo dos fenômenos interferentes levados em consideração,
l, impede a convergência da rede neural.
bteve um resultado superior ao do sistema de transmissão em uso pelo CINDACTA I.
0-4 sem o uso de FEC, com um canal AWGN com Eb/No = 9 dB e uma atenuação causada por chuva de 2,69 dB. Consultando os dados
Comparativamente falando, obtivemos para o sistema TELESAT um BER = 1,8.10-7 com
-7
corresponde a um Eb/No = 9 dB.
ois em linhas gerais, o uso de FEC proporciona o mesmo efeito que um aumento de Eb/No de 3 dB. No entanto, além
te eficiente, chegando a superar o atual sistema em uso .
podemos ter diversas redes, cada uma adequada a cada caso.
Observou-se que o treinamento com 10.000 símbolos, é mais que suficiente para um adequado treinamento da rede, não sendo recomendável o uso de um número maior de símbolos, pois além de aumentar em muito o custo computaciona
Os valores finais obtidos, nos indicam que a simulação o
Na simulação final, para 100.000 símbolos em um canal AWGN atenuado, obtivemos com a utilização da rede neural, um BER = 1,05.1
do fabricante expressos pela Tabela 2.6, verificamos que o BER = 1,05.10-4 corresponde a um Eb/No = 6,6 dB.
o uso de FEC 3/4 de Viterbi em condições clear sky,conforme visto no Capítulo 6.2 e no Capítulo 6.4. Consultando os dados do fabricante expressos pela Tabela 2.6, verificamos que o BER = 1,8.10
Portanto, obtivemos uma diferença de apenas 2,4 dB para condições muita mais severas aplicadas na simulação. Esta comparação, por si só, diz que, caso utilizássemos um FEC, obteríamos resultados semelhantes aos do sistema TELESAT, p
disto, aplicamos na simulação computacional uma atenuação causada por chuva de 2,69 dB, quando as condições de medição no TELESAT eram clear sky!
Isto prova que, no caso estudado, o uso de redes neurais na correção de erros de transmissão em sistemas de comunicação via satélite foi bastan
8.1 – SUGESTÕES PARA TRABALHOS FUTUROS
Para trabalhos futuros sugere-se um estudo mais amplo abordando outros efeitos interferentes, tais como a despolarização e demais efeitos não relacionados à chuva e/ou
neural. gelo.
Além disto é recomendável também o estudo em outros tipos de modulação, bem como a melhoria da rede