Análise de desempenho de arquiteturas de redes neurais no processo de equalização de canais de comunicação dispersivos e não lineares

Abstract

O desenvolvimento das redes neurais surgiu com a ideia de se reproduzir o processamento apresentado por uma das máquinas mais potentes da história da humanidade: o cérebro humano. A ideia era tentar reproduzir o processamento paralelo apresentado pelo órgão mais importante do corpo humano, rompendo com o processamento serial apresentado pelos computadores até então e ampliando sua capacidade e versatilidade. Desde então, diversos tipos de redes neurais e algoritmos para o aprendizado de máquina destas redes foram desenvolvidos, apresentando viabilidade para uma ampla de aplicações; entre elas, dentro das comunicações digitais, o problema de equalização dos canais de comunicação. Neste trabalho, avaliou-se o desempenho do uso de um tipo de rede neural - o perceptron de múltiplas camadas - no problema da equalização de canal. Na análise, foram consideradas duas arquiteturas para o perceptron de múltiplas camadas: o equalizador Fully Complex e o equalizador Split, com a utilização do algoritmo da descida do gradiente adaptativo e do algoritmo de propagação resiliente em seus treinamentos. Além das redes utilizadas, analisou-se também o desempenho do equalizador clássico MMSE. Como resultado, as curvas de BER apresentadas pelos equalizadores foram obtidas, considerando-se sua aplicação a quatro canais de comunicação dispersivos nos esquemas de modulação BPSK, QPSK, 8-PSK, 16-PSK, 32-PSK e 64-PSK. A comparação das curvas obtidas elucidou a superioridade em desempenho da equalizador Fully Complex .