UTILIZAO DE REDES NEURAIS COM

TCNICAS DE INTELIGNCIA
COMPUTACIONAL EM EQUALIZAO
DE CANAIS

Kaian Siqueira Badar Teixeira

FEN/DETEL/UERJ

I - INTRODUO

Equalizadores adaptativos so utilizados para compensar a

distoro do sinal devido a Interferncia Intersimblica (IIS),
muitas vezes originada por multicaminhos em canais com
disperso temporal. Dentre as aplicaes de inteligncia
computacional em equalizao, as redes neurais tm sido
usadas para diversos tipos de canais.

O sistema imunolgico natural um assunto interessante do

ponto de vista computacional, pois ele distribudo,
abrangente,
auto-organizvel
com
capacidades
de
reconhecimento, aprendizagem e memria. Tais caractersticas
levaram a motivao para incorporar tcnicas de sistemas
imunolgicos artificiais nas Redes Neurais Artificiais como o
algoritmo de aprendizagem. Assim, o sistema imunolgico
artificial pode ser utilizado como uma tcnica de otimizao
para que os pesos das redes sejam otimizados com o objetivo
de minimizar o erro de sada.

II - FUNDAMENTOS DE SISTEMAS IMUNOLGICOS

O sistema imunolgico natural compreende um sistema de
reconhecimento de padres complexos, que protege o corpo
contra agentes patognicos estranhos. Entre as propriedades
do sistema imunolgico que tm atrado a ateno dos
cientistas e engenheiros de computao destacam-se:
a) Unicidade: cada indivduo possui seu prprio sistema
imunolgico, com suas vulnerabilidades e capacidades
particulares.

b) Reconhecimento dos corpos estranhos: as molculas

nocivas que no so do corpo so reconhecidos e eliminados
pelo
sistema
imunolgico.
c) Deteco de anomalias: o sistema imunolgico pode
detectar e reagir a patgenos os quais o corpo nunca
encontrou anteriormente.
d) Deteco distribuda: as clulas do sistema so distribudas
por todo o corpo e no esto limitados a qualquer controle
centralizado.
e)
Deteco
imperfeita
(tolerncia
a
rudo):
um
reconhecimento absoluto de patgenos no necessrio e,
portanto, o sistema flexvel.

f) Aprendizagem por reforo e memria: o sistema pode

aprender as estruturas dos agentes patognicos, de modo a
que as futuras respostas s estruturas dos agentes
patognicos, sejam mais rpidas e mais intensas.

III. ESTRUTURA DA REDE NEURAL

Camada de Entrada
Camada de Sada

Camada Escondida

IV. ALGORITMO
DE
APRENDIZADO
IMUNOLGICOS ARTIFICIAIS

BASEADO

EM

SISTEMAS

1. Determinao da SADA DO CANAL: A entrada um sinal binrio aleatrio com distribuio uniforme e
x (k) a sada do canal no momento kT, onde T o intervalo do smbolo.

2. Entrada do equalizador: A sada do canal de x (k), e suas verses atrasadas definem o vector de entrada do
equalizador.
3. Inicializao de um grupo de clulas, ou seja, n conjuntos de pesos de rede neural:
Um grupo de n solues considerado, por isso cada um dos n vetores representa uma soluo possvel.
Normalmente, os n pesos so inicializados para pequenos valores aleatrios.
4. Clculo da sada desejada do equalizador: O sinal desejado d (k) formado atrasando a sequncia de
entrada u (k), por m amostras para cada uma das n solues possveis.
5. Clculo da funo de ajuste (fitness): A sada do equalizador y (k), comparada com a sada desejada d (k)
para produzir um sinal de erro dado por e (k) = d (k) - Y (k). Para cada n-simo vetor de peso, o erro mdio
quadrtico (MSE) avaliado. Para cada vetor de peso o erro quadrtico mdio (MSE) determinado e
usado como a funo de ajuste (fitness). O objetivo minimizar a funo de ajuste pelo princpio da seleo
clonal.
6. Seleo: O vetor peso selecionado para o qual o MSE mnimo.
7. Clonagem O vetor de peso que produz o melhor valor de ajuste (fitness), ou seja, MSE mnimo duplicado.
8. Mutao: a operao de Mutao introduz variaes nas clulas do sistema imunolgico. A Probabilidade
Pm de mutao escolhida para ser um valor pequeno que indica que a operao ocorre ocasionalmente.
9. Critrio de parada: At que um MSE mnimo predefinido seja obtido, os passos 4 -8 so repetidos.

V. RESULTADOS DE SIMULAO

Vrias simulaes foram feitas as quais indicam que o

equalizador de rede neural treinado pelo sistema imunolgico
artificial tem um desempenho satisfatrio. Duas simulaes
so mostradas para os canais de respostas no lineares
tanh(0.26 + 0.93 z-1 + 0.26 z-2) e tanh(0.3040 + 0.9030z-1 +
0.3040 z-2 ). As figuras abaixo mostram os resultados em
termos de probabilidade de erro versus SNR para rudo
Gaussiano branco aditivo, comparando equalizador com rede
neural treinada por sistemas imunolgicos artificiais
( equalizador AIS), e equalizador com rede Neural treinada por
GA e outro treinado com o algoritmo LMS. Pode ser visto que o
esquema de aprendizagem AIS compara-se favoravelmente
com as tcnicas GA, mas muito superior LMS
particularmente na presena de no linearidades.

Canal 1

Canal 2