Seleção de estrutura neural para o problema de equalização utilizando algoritmo genético

Abstract

Os sistemas de telecomunicações sem fio vêm evoluindo rapidamente desde o início do século XXI, período no qual os dispositivos de comunicação móveis se tornaram muito populares. Hoje em dia as pessoas querem estar conectadas todo tempo, em qualquer lugar. Essa necessidade tornou o telefone celular um dos aparelhos eletrônicos mais populares do mundo. A cada nova geração tecnológica, uma série de inovações é incorporada, proporcionando taxas de transmissão de dados cada vez maiores, de forma a atender à demanda crescente. Alguns fatores conhecidos degradam a qualidade da comunicação móvel, dentre eles se destacando o ruído térmico, interferência intersimbólica e o desvanecimento. Uma das formas de mitigar esses problemas é o uso de equalizadores que, idealmente, implementam a função inversa do canal de transmissão, permitindo que o sinal recebido apresente mínimo erro em relação ao transmitido. Muitos artigos da literatura científica tratam canais invariantes no tempo, contudo, atualmente, a maioria dos canais é variante, o que prejudica o desempenho dos sistemas e torna seus efeitos difíceis de mitigar. Assumindo que o canal de comunicações é variante no tempo, algoritmos de otimização são usualmente utilizados para atualização dos pesos neurais de forma a adaptar o equalizador às condições do canal, levando em conta que as estruturas utilizadas nesse trabalho são inspiradas em redes neurais. Os trabalhos científicos que utilizam redes neurais geralmente empregam estruturas escolhidas sem uma investigação sistemática que justifique sua aplicabilidade. Não foi encontrada na literatura uma abordagem que comparasse algumas estruturas e indicasse a melhor para ser aplicada a um problema específico. É proposta nesse trabalho uma metodologia para comparar tipos diferentes de estruturas utilizando algoritmo genético. Foi desenvolvido também um equalizador neural capaz de lidar com o sinal proveniente de canal sujeito a desvanecimento severo, além de interferência intersimbólica, causada por multipercurso, e ruído térmico. Após a escolha da estrutura, o próximo passo foi a seleção de um algoritmo de otimização para atualização dos pesos neurais.