Desconvolução autodidata concorrente para beamformers não supervisionados em antenas controladas por reatância

Abstract

A ESPAR (Electronically Steerable Parasitic Array Radiator) é uma antena adaptativa, utilizada para recepção de sinais digitais. Esta antena, diferentemente das demais antenas inteligentes, necessita de apenas um downconverter no elemento central ativo. Todos os outros elementos da antena são parasitas e modelam o diagrama de irradiação através do ajuste independente de reatâncias controláveis. Estas reatâncias são ajustadas por meio de um algoritmo adaptativo. O objetivo deste algoritmo é buscar um conjunto de valores para as reatâncias, tal que o diagrama de irradiação seja modelado de modo a anular sinais interferentes. Neste trabalho são propostos dois novos algoritmos baseados no Gradiente Estocástico, para controle de antenas controladas por reatâncias, tal como a ESPAR. O primeiro algoritmo aplica o princípio de operação do Processo de Desconvolução Autodidata Concorrente (PDAC) ao algoritmo Maximum Moment Criterion (MMC). Já o segundo algoritmo utiliza a arquitetura original do PDAC. Esses processos avaliam não apenas a energia do sinal recebido (amplitude), mas também a fase do sinal, sem necessidade de transmissão de qualquer seqüência de treino. Os resultados obtidos demonstram que os algoritmos que utilizam a arquitetura concorrente não só resultam em um menor erro médio quadrático em relação à constelação de referência da modulação digital, como também resultam em uma melhor relação sinal-interferência.

The electronically steerable parasitic array radiator (ESPAR) is a smart antenna suited for low-cost user terminal applications. Beamforming is achieved by adaptively adjusting the load reactances at parasitic elements surrounding the active central element. The main goal is to establish nulls in the interfering directions of the array radiation pattern. This work presents two new blind beamformers for use with reactance domain controlled arrays, such as ESPAR antennas. The new beamformers are based on the concurrent operation of two stochastic gradient algorithms, one which minimizes a cost function that measures the received signal energy dispersion and other which minimizes the Euclidean distance between the received digital modulation symbols and the ones in the reference constellation. The first algorithm applies the principle of operation of the Concurrent Self-learning Deconvolution Process (CSDP) to the Maximum Moment Criterion (MMC) algorithm. The second algorithm uses the original architecture of the CSDP, which relies upon the Constant Modulus Algorithm (CMA). These two approaches not only evaluate the energy of the received signal, but also the signal phase, needing no transmission of any training sequence. The results show that these two concurrent approaches result not only in a smaller mean square error (MSE) in relation to the reference constellation of the digital modulation but also result in a better signal to interference ratio.