ESTUDIO COMPARATIVO DE LAS MATRICES DE CORRELACION 1 CLASICA Y CICLICA EN ARRAYS DE BANDA ESTRECHA Jos Ramn Cerquides Bueno - Olga

Muoz Medina - Juan Fernndez Rubio Dpto. Teora de la Seal y Comunicaciones E.T.S.I.T.B - U.P.C. Apdo. 30002 - 08071 Barcelona ABSTRACT The aim of this communication is to study the differences and similarities between the classic and cyclic correlation matrices of the data snapshots sensed by an array. We will focus our study in the comparison of the eigenvalues decomposition for each matrix. Special attention will be paid on topics like rank and nature of eigenvectors and eigenvalues. Other aspects involved in the estimation of both matrices, such as number of data snapshots required and sensitivity to deviations of the cyclic parameter will be also treated. Finally, we will carry out simulations in order to confirm the previously obtained theoretical results. INTRODUCCION El inters por la explotacin de las propiedades de cicloestacionaridad mostradas por la mayor parte de las seales de comunicaciones[1] en el procesado de seal en arrays ha experimentado un notable crecimiento recientemente. Nuevas tcnicas para abordar los problemas clsicos de estimacin de ngulo y conformacin de haz basadas en parmetros estadsticos de seales cicloestacionarias han sido desarrolladas por diversos autores[2,3,4]. El objeto de esta comunicacin es estudiar las propiedades elementales de la matriz de correlacin cclica (definida ms adelante), ya que constituye el elemento de partida para la mayor parte de las nuevas tcnicas mencionadas. Para ello se introduce en primer lugar el modelo de seal habitual en arrays de banda estrecha, definiendo la matriz de correlacin cclica. Seguidamente se estudian sus propiedades bsicas, sobre las que se apoya el procesado posterior. Dichas propiedades son comparadas con sus homlogas para la matriz de correlacin clsica. Aspectos de implementacin prctica tales como el nmero de muestras necesario para una convergencia aceptable y la sensibilidad frente a pequeos errores en la velocidad de muestreo son tambin objeto de un anlisis intuitivo y emprico. Por ltimo, varias simulaciones nos sirven para confirmar la bondad de los resultados tericos. MODELO DE SEAL Y NOTACION El trmino array define una estructura compuesta por un nmero determinado de sensores, localizados en diferentes posiciones del espacio. Sea N el nmero de sensores y xi(n), i=1..N la seal recibida por el sensor i-simo. Cuando sobre dicha estructura incide un cierto nmero M de seales sk(n) (k=1..M), como muestra la figura 1, el vector x(n)=[x1(n),..,xN(n)]T de seales recogidas en los sensores del #1 s 1(n) array puede expresarse como: x 1(n)

x(n) = a k sk (n) +w(n)

k=1

(1)

#2

x 2(n)

s k(n) donde: #i ak Vector DOA generalizado de la fuente k-sima. x i (n) w(n) Ruido trmico aditivo generado en los sensores. sM (n) Ntese que los vectores ak no slo tienen en cuenta #N xN (n) fenmenos de propagacin asociados a las fuentes (p.ej: propagacin multicamino), sino tambin factores asociados a los propios sensores (diagrama de recepcin, desajustes de fase en la Figura 1 conversin a banda base, etc.). Bajo las hiptesis de banda estrecha y campo lejano (frente de onda plano) todos estos fenmenos aparecen englobados en un nico vector complejo ak[5]. La expresin anterior adopta una forma ms sencilla definiendo la matriz A de direcciones de llegada generalizadas como A=[a1,..aM], permitindonos escribir: (2) x(n) = As(n) +w(n)
1

Este trabajo ha sido financiado por la CICYT, proyecto TIC92-0800-C05-05

donde s(n)=[s1(n),..,sM(n)]T es el vector de seales incidentes. Las tcnicas habituales de procesado de seal en arrays estn basadas en el anlisis y las propiedades de la matriz de correlacin, definida como: (3) R xx = E{x} Cuando se pretende explotar la cicloestacionaridad de alguna o algunas de las seales incidentes se recurre a la construccin de la matriz de correlacin cclica:

1 N-1 2 R xx (N, k, m) = E x(n) xH (n - m) e-j N kn N n=0

(4)

donde N es el perodo de la funcin de autocorrelacin de la seal deseada, y k,m son parmetros que deben seleccionarse de acuerdo con las propiedades de cicloestacionaridad que dicha seal posea. Obsrvese que si k=m=0 o N=1, la matriz de correlacin cclica coincide con la matriz clsica. En adelante supondremos que la seleccin de los parmetros se ha realizado de forma tal que esto no ocurra, y se asumir que el parmetro N es conocido, simplificando la notacin. PROPIEDADES FUNDAMENTALES DE LA MATRIZ DE CORRELACION CICLICA Aunque algunos de los resultados que se expondrn a continuacin son generalizables con suma sencillez, en lo que sigue limitaremos el anlisis bajo la hiptesis de que las fuentes son independientes. Supondremos asimismo que P de las M fuentes presentan autocorrelacin cclica distinta de cero para los parmetros N,k y m seleccionados, mientras que las M-P fuentes restantes tienen una funcin de autocorrelacin cclica cero para dichos valores de los parmetros. Esto no quiere decir que no sean tambin cicloestacionarias, sino nicamente que no lo son para los valores de N,m y k elegidos. En esas condiciones podemos establecer los siguientes enunciados para la matriz de correlacin cclica de parmetros N,k y m: 1. El rango de la matriz de correlacin cclica es P Demostracin: Sustituyendo (2) en (4), extrayendo fuera del operador esperanza los trminos deterministas y teniendo en cuenta que el ruido est incorrelado con las fuentes, encontramos:
N-1 N-1 2 1 H 1 H -j kn R xx (k, m) = A E s(n) s (n - m) e N A + E w N n=0 N n=0

(5)

El trmino asociado al ruido slo permanecer si m=0 y el fasor e-j2kn/N=1. Seleccionando valores de k,N y m que eviten esta situacin encontramos:
N-1 2 1 (k, m) = A E R xx s(n) sH (n - m) e-j N kn A H N n=0

(6)

pero como las seales son independientes, la matriz central es diagonal de la forma: (7)

2.

y por lo tanto la matriz de correlacin cclica tiene rango P (siempre que P<N y que los P vectores DOA generalizados sean linealmente independientes). La matriz de correlacin clsica, por el contrario, tiene rango N. Llevando a cabo un anlisis similar para dicha matriz encontramos que los trminos diagonales que en la matriz cclica se hacen ceros en la matriz clsica se cubren con las potencias medias de las M-P seales restantes y el ruido, quedando una matriz de rango completo. La ventaja de la matriz de correlacin cclica es obvia: si los parmetros N,k y m han sido correctamente seleccionados, slo la informacin relacionada con las seales deseadas aparece en la matriz, siendo eliminada la informacin referente a interferencias y ruido. La matriz de correlacin cclica tiene un autovalor cero de multiplicidad N-P

3.

Demostracin: Directamente a partir del resultado anterior: dim(null(Rxx(k,m)))=N-rank(Rxx(k,m))=N-P (8) luego el autovalor cero debe aparecer con multiplicidad N-P El subespacio vectorial generado por los autovectores asociados a los autovalores no nulos de la matriz de correlacin cclica coincide con el que generan los P vectores DOA generalizados de las seales que contribuyen a la matriz Demostracin: La matriz de correlacin cclica puede expresarse como:

R xx (k, m) = a i a H i r sisi (k, m)

i=1

(9)

de forma que para cualquier autovector vr asociado a un autovalor r no nulo (r=1..P) podemos escribir:

R xx (k, m) vr - r vr = 0 _

ai aH i vr - r vr = 0
i=1

(10)

4.

de donde se deduce que el autovector vr es linealmente dependiente del conjunto {a1,a2,..,aP}. Como esto ocurre para todo r, r=1..P, y los autovectores vr son l.i., el s.e.v. generado por los dos conjuntos de vectores debe ser el mismo. El mismo resultado se obtena para la matriz de correlacin clsica, pero cambiando P por M. Nuevamente, la ventaja reside en haber reducido la dimensin del subespacio de seal nicamente a aquellas seales consideradas de inters. En el caso P=1, el enunciado 3 cobra especial importancia, ya que la dimensin del s.e.v. de seal es 1, y por tanto el autovector asociado al nico autovalor no nulo coincide con el vector DOA generalizado de la seal de inters. El subespacio vectorial generado por los autovectores asociado al autovalor nulo es ortogonal al s.e.v. generado por los vectores DOA generalizados de las P seales de inters. Demostracin: Al igual que en el punto 3, podemos escribir para vq (q=P+1..M):

R xx (k, m) vq = a i a H i r sisi (k, m) vq = 0

i=1

(11)

y como los vectores ai son l.i. la nica solucin a la igualdad anterior viene dada por la ortogonalidad de los vectores ai y vq, c.p.d. De nuevo este resultado es importado de su anlogo para la matriz de correlacin clsica. Se trata de un resultado bien conocido y ha dado lugar a numerosos algoritmos de estimacin de direcciones de llegada para seales cicloestacionarias. Con este resultado damos por concluido el estudio de las propiedades bsicas de la matriz de correlacin cclica, y pasamos a estudiar qu ocurre cuando la matriz no se conoce y debe ser estimada a partir de los datos recibidos, lo que constituye la situacin ms frecuente. COMPARACION DE LA VELOCIDAD DE CONVERGENCIA Tal y como ha quedado demostrado en el apartado anterior, el valor esperado de la matriz de correlacin cclica contiene nicamente informacin sobre las seales deseadas. Desafortunadamente, dicha matriz se desconoce y nicamente podemos aproximarnos a ella a travs de una estimacin, suponiendo que las seales que intervienen son cicloergdicas. Obviamente, si construimos el estimador:

 xx (k, m) = R

2 1 L x(n) x H (n - m) e-j N kn L n=1

(12)

obtenemos que se trata de un estimador insesgado, es decir:

 xx (k, m)} = R xx (k, m) E{R

(13)

Un estimador paralelo puede definirse para la matriz de correlacin clsica. Para poder comparar la velocidad de convergencia, es decir, para poder determinar el valor de L necesario para tener la misma varianza en la estimacin de ambas matrices necesitaremos calcular el factor siguiente:

 xx (k, m) - R xx (k, m) E R

(14)

y su homlogo para la matriz de correlacin clsica. Incluso en el caso ms simple posible (una sola seal incidente sobre un array compuesto por dos sensores), el resultado anterior depende de las estadsticas de 4 orden de las seales que intervienen. Sin embargo, lo que realmente nos interesa es conocer cmo y cuanto se desvan los autovalores y autovectores de la matriz estimada respecto a la ideal. Para ello debemos acudir a la teora de perturbaciones. Los resultados son an ms desalentadores, ya que las cotas aplicables (Gerschgorin, Ostrowsky) [6] dan mrgenes demasiado amplios para resultar tiles. As pues, nicamente podemos apoyarnos en resultados procedentes de simulaciones como los que se mostrarn en el apartado siguiente. En cualquier caso, parece que los resultados para el autovector asociado a una seal cualquier s(n) estn ntimamente ligados al mdulo del parmetro ss(k,m) definido como:
N-1 2 1 E s(n) s* (n - m) e-j N kn N ss (k, m) = n=0 * E{s(n) s (n)}

(15)

que mide de alguna manera la cantidad de cicloestacionaridad presente en la seal s(n). Los resultados empeoran si ss(k,m) disminuye. Puesto que la cota superior de este parmetro es 1, la velocidad de convergencia es menor cuando se estima la matriz de correlacin cclica. Es decir, la matriz de correlacin cclica presenta menor fiabilidad en los autovectores que la matriz clsica. Para obtener mrgenes de error semejantes se hace necesario aumentar el nmero de muestras a procesar o la potencia de las seales incidentes. En las simulaciones se ofrece un ejemplo que ilustra esta afirmacin. SENSIBILIDAD FRENTE AL PARAMETRO k Otro concepto interesante es la sensibilidad de la matriz estimada frente al parmetro k. De hecho, equivale a estudiar la sensibilidad frente a pequeos errores de muestreo, es decir, qu ocurre si este es demasiado lento o demasiado rpido. Denominando k al error en el parmetro k, podemos escribir:

 xx (k + k, m) = R

2 1 L-1 [x] e-j N kn L n=0

(16)

que, dado que la expresin en el interior del corchete tiende a su valor esperado, puede interpretarse como una transformada de Fourier en k de la ventana utilizada para estimar la matriz (en este caso rectangular). El resultado es coherente ya que, cuando L, su transformada de Fourier en k tender a (k), y ste es precisamente el resultado que se obtiene para la matriz de correlacin ideal: (17) R xx (k + k, m)
kk

0 k 0

R xx (k, m) k = 0

Aunque este resultado no puede trasladarse directamente sobre su efecto en los autovectores y autovalores de la matriz estimada, por los mismos argumentos que hemos usado en el apartado anterior, si cabe esperar que la tolerancia del sistema a errores en el parmetro k venga limitada por la longitud de la ventana de estimacin utilizada. Es decir, el sistema ser tanto ms robusto cuanto ms corta sea la ventana usada. Pero tambin perder capacidad de rechazar interferencias y ruido. Este compromiso debe ser resuelto para cada escenario particular y teniendo en cuenta el postprocesado que se realice. SIMULACIONES 1. Descripcin: Sobre un array lineal equiespaciado de 5 sensores se hicieron incidir 3 seales BPSK de idntica potencia (0 dB) pero distinta velocidad de smbolo (2,3 y 5 muestras por smbolo) en distintas direcciones (0,30 y 25). Los valores de N,k y m seleccionados fueron respectivamente 2,1 y 1. Resultados: En la figura 2 puede observarse la evolucin de los autovalores de ambas matrices de correlacin. Se observa como slo uno de los autovalores de la matriz cclica (el que se asocia a la seal deseada) permanece, mientras el resto tienden a cero a medida que el nmero de muestras usado en la estimacin crece. En la matriz

clsica, como era de esperar, los autovalores se mantienen distintos de cero tanto para las seales como para el ruido, resultando imposible discriminar seal deseada e interferencias. 2. Descripcin: Igual que en el ejemplo anterior, pero se retiraron las seales interferentes (-40 y 25). Resultados: En la figura 3 se observa el error en la estimacin del autovector de seal en ambas matrices en funcin de la relacin seal a ruido, para distintos tiempos de ventana usados en la estimacin, donde queda claramente manifiesta la menor fiabilidad de los autovectores de la matriz cclica, y cmo esta prdida puede compensarse aumentando el nmero de muestras utilizado en la estimacin de la matriz. La figura 4 muestra, para una relacin SNR de 10 dB y varios tiempos de ventana, el error cometido en la estimacin del autovector de seal, en funcin del error en el parmetro k, k. Es interesante observar cmo el error sigue aproximadamente un comportamiento dado por la transformada de Fourier de la ventana utilizada en la estimacin. Una consecuencia directa es el aumento de sensibilidad del sistema frente a k a medida que el tiempo de ventana aumenta.

CONCLUSIONES Los resultados mostrados prueban que la matriz de correlacin cclica es una poderosa herramienta de cara a la clasificacin y separacin de seales, ofreciendo prestaciones superiores a las de la matriz clsica. Sin embargo, para obtener las mismas cotas de error se precisa un aumento considerable de la SNR de las seales o, en su defecto, del tiempo de ventana utilizado. Por ltimo, el estudio de la sensibilidad muestra que sta empeora de forma directamente proporcional al aumento del tiempo de ventana, pero mantenindose en cualquier caso en cotas aceptables, lo que facilita la estimacin prctica de dicha matriz. REFERENCIAS [1] [2] [3] [4] [5] [6] Gardner, W.A., "Spectral Correlation of modulated signals: Part I & II", IEEE Transactions on Comm., vol. 35, n 6, pp. 584-601, Jun. 1987 B.G. Agee, S.V. Schell and W.A. Gardner, "Spectral Self-Coherence Restoral: A New Approach to Blind Adaptive Signal Extraction Using Antenna Arrays", Proc. IEEE, vol. 78, April 1990. S.V. Schell, R.A. Calabretta, W.A. Gardner and B.G. Agee, "Cyclic MUSIC Algorithms for SignalSelective Direction Estimation", Proc. IEEE, ASSP, pp. 2278-2281, Glasgow, Scotland, May 1989. J.R. Cerquides, J.A. Fernndez-Rubio, O. Muoz, "Applebaum adaptive beamformer with steering vector estimation for cyclostationary signals", 3rd Workshop Cost #229, Bayona, Pontevedra, 1993. R.T. Compton, "Adaptive Antennas", Prentice Hall Inc, 1988. J.H. Wilkinson, "The Algebraic Eigenvalue Problem", pp. 63-81, Clarendon Press, Oxford, 1965.

Figura en la estimacin autovector en funcin delobserva nmero Figura3. 4.Error Sensibilidad del error del frente a variaciones de k. Se Figura 2. La matriz clsica presenta un autovalor diferenciado por de muestras y de la relacin SNR. que el comportamiento viene regido por la transformada de Fourier de cada una de las seales incidentes. La matriz cclica slo distingue la la ventana usada para la estimacin. seal deseada.