UNIVERSIDAD NACIONAL DE INGENIERIA
SISTEMA DE
COMUNICACIONESII
GUIA DE LABORATORIO # 2
Transmisión digital banda base utilizando receptores óptimos
0
10
-1
10
Probability of Error
-2
10 Simulated Pe
Theoretical Pe
-3
10
-4
10
-5
10
0 2 4 6 8 10 12
SNR in dB
Elaborador por: Marco A. Munguía Mena
Marco A. Munguía Mena, Página 1
INTRODUCCION
Las señales banda base son aquellas cuya componentes espectrales se encuentran confinadas en
bandas cercanas a los 0 Hertz. Obviando el proceso de modulación, que traslada estas
componentes espectrales a bandas de frecuencias mayores, estas señales pueden ser transmitidas
constituyendo un sistema básico de comunicaciones. En el presente laboratorio, analizaremos el
desempeño en términos de probabilidad de error promedio de la transmisión de este tipo de
señales utilizando receptores óptimos i.e. correlator y matched filter.
OBJETIVO
Analizar el desempeño, en términos de probabilidad de error promedio, de la transmisión
de señales banda base utilizando receptores óptimos.
RECURSOS A UTILIZAR
Laboratorio de Simulación
Matlab®
MARCO TEORICO
i Transmisión de Señales Binaria
En un sistema de comunicación binario, las secuencias de datos consisten de 0’s y 1’s son
transmitidas mediante dos señales, digamos s0(t) y s1(t). Si definimos “R” como el data
rate en bits por segundos, entonces cada bit es mapeado a su correspondiente señal (forma
de onda) de acuerdo con la siguiente regla:
0 s0 (t), 0 t Tb
1 s1(t), 0 t Tb
donde Tb 1 R (periodo del bit)
s0(t) y s1(t) son trasmitidas a través de un canal con ruido blanco aditivo gaussiano
(AWGN por su siglas en ingles). La señal recibida puede expresarse como
r(t) si (t) n(t), i 0,1, 0 t Tb (1.1)
La tarea del receptor es determinar, basado en la señal r(t), si fue trasmitido un 0 o un 1 en
cada intervalo 0 t Tb y a la vez minimizar la probabilidad de error.
ii Receptores Óptimos para canales AWGN
La figura 1(a) y 1(b) muestran los receptores tipo correlator y el de filtros acoplados o
matched filter para el caso de señales binarias (estudiados durante el curso de sistemas de
Marco A. Munguía Mena, Página 2
comunicaciones II). Ambos receptores maximizan r0 y minimizan r1 si s0(t) fue
transmitida y viceversa si s1(t) fue transmitida.
r0
d
t
X 0
r(t) s0(t) Datos de
Detector Salida
s1(t)
r1
x d
t
Muestreo
en t = Tb
(a)
r0
s0(Tb-t)
r(t) Datos de
Detector Salida
r1
s1(Tb-t)
Muestreo
en t = Tb
(b)
Figura 1: Receptor tipo: (a) Correlator y (b) Matched filter
iii Detector
El dispositivo observa las salidas r0 y r1 producidas por el correlator o el matched filter y decide si
fue trasmitida s0(t) y s1(t) lo que corresponde a la transmisión de un 0 o un 1.
Cuando s0(t) es trasmitida, la probabilidad de error esta dada por
Pe P r1 r0 P n1 E n0 P n1 n0 E (1.2)
donde n0 y n1 representadas las componentes de ruido a las salidas de los correlatores o los
matched filters y E representa la energía de la señal transmitida. Como n0 y n1 son variables
Marco A. Munguía Mena, Página 3
aleatoras gaussianas com media cero, su diferencia también es una variable aleatoria gaussiana
con media cero y varianza igual a:
EN o
E n n E n E n 2 EN 2
2 2 2
(1.3)
1 0 1 0 2 o x
y la probabilidad de error está dada por:
x2
1 2 x2
Pe
2x2 e
E
dx
2
x
1
2
e 2
dx (1.4)
E No
SNR
E
Q Q
N
o
DESARROLLO
1) Desarrolle un script en matlab para graficar la probabilidad de error para el siguiente
rango de SNR en dB: [0, 20]. Hint: utilize el comando “qfunc” que ya trae incorparado
Matlab.
2) Simulación de un Sistema de Comunicación Binario (Señales Ortogonales) usando
correlatores o matched filters.
Figura 2: Modelo de simulación de Sistema de Comunicación Binario usando correlatores
o matched filters (tomado de [1])
Marco A. Munguía Mena, Página 4
Utilizando los scripts en Anexos 1 responda:
a) Explique cómo se generan los datos binarios: 0s y 1s?
b) Explique porqué la probabilidad de error (Pe) teórica así como la Pe simulada
coinciden bastante bien para valores de SNR menores a 10 dB y no así para SNRs
mayores a 10dB?
c) Que cambios deberíamos de realizar en el script de Matlab “smldpe54.m” para
tener una mejor coincidencia entre la Pe teórica y Pe simulada para valores de
SNR mayores a 10 dB?
3) Simulación de señales con múltiples amplitudes (M-ary PAM). En particular se simulara
la transmisión de 4-PAM. El diagrama de constelación se muestra en la fig. 3 y el modelo
de simulación en la fig. 4.
Figura 3: Diagrama de constelación para 4-PAM (tomado de [1]).
Figura 4: : Modelo de simulación de Sistema de Comunicación 4-PAM (tomado de [1]).
Utilizando los scripts en Anexos 2 responda:
a) Explique cómo se generan los datos cuaternarios: 00, 01,10, y 11.
b) La variable “d” por defecto tiene asignado el valor de 1. Corra las simulación con
d = 0.5 y d = 2. Qué puede concluir? Qué papel juega la variable d?
c) Crear un script que compare las curvas teóricas de Pe para ambas simulaciones
(binario y 4-PAM). Qué nos puede decir?. Nota: tienen que reportar graficas!!!
RESULTADOS A REPORTAR
1. Respuesta a cada una de las preguntas de los incisos del desarrollo.
2. Gráficas y análisis de los resultados que se proponen.
3. Los Scripts desarrollado para el laboratorio.
Marco A. Munguía Mena, Página 5
BIBLIOGRAFÍA
[1]. John G. Proakis, Masoud Salehi, and Gerhard Bauch. Contemporary Communication
Systems Using MATLAB. Thomson-Engineering, July 2003.
ANEXOS
1. Scripts para sección 2
a) Programa principal
% MATLAB Tomado de [1]
clc; clear;
SNRindB1 = 0:1:12;
SNRindB2 = 0:.1:12;
for i=1:length(SNRindB1)
% simulated error rate
smld_err_prb(i)=smldpe54(SNRindB1(i));
end;
for j=1:length(SNRindB2)
% theoretical error rate
%SNR=exp(SNRindB2(1,j)*log(10)/10);
SNR=10^(SNRindB2(j)/10);
theo_err_prb(j) = qfunc(sqrt(SNR));
end;
% plot
semilogy(SNRindB1, smld_err_prb, 'k*');
hold on;
semilogy(SNRindB2, theo_err_prb);
legend('Simulated Pe', 'Theoretical Pe','Location','Best');
xlabel('SNR in dB'); ylabel ('Probability of Error');
b) Función para cálculo de la Pe por simulación
function [p]=smldpe54(snr_dB)
E=1;
numerror=0;
SNR=exp(snr_dB*log(10)/10);
sgma=E/sqrt(2*SNR);
N=10000;
% Generation of binary data source ()
for i=1:N,
Marco A. Munguía Mena, Página 6
temp=rand; % Uniform variable over [0, 1]
if (temp<0.5)
dsource(i)=0;
else
dsource(i)=1;
end
end
% Detection and probability of error calculation
for t=1:N
% Matched filter outputs
if (dsource(t)==0)
r0=E+sgma.*randn;
r1=sgma.*randn;
else
r0=sgma.*randn;
r1=E+sgma.*randn;
end
%Detector
if (r0>r1)
decis=0;
else
decis=1;
end
if (decis~=dsource(t))
numerror=numerror+1;
end
end
p=numerror/N;
2. Scripts para sección 3
a) Programa principal
clc; clear; % MATLAB Tomado de [1]
SNRindB1 = 0:1:12;
SNRindB2 = 0:.1:12;
for i=1:length(SNRindB1)
% simulated error rate
smld_err_prb(i)=smldpe57(SNRindB1(i));
end
for j=1:length(SNRindB2)
% theoretical error rate
%SNR=exp(SNRindB2(1,j)*log(10)/10);
Marco A. Munguía Mena, Página 7
SNR=10^(SNRindB2(j)/10);
theo_err_prb(j) = (3/2)*qfunc(sqrt((4/5)*SNR));
end
% plot
semilogy(SNRindB1, smld_err_prb, 'k*');
hold on;
semilogy(SNRindB2, theo_err_prb);
legend('Simulated Pe', 'Theoretical Pe','Location','Best');
xlabel('SNR in dB'); ylabel ('Probability of Error');
b) Función para cálculo de la Pe por simulación
function [p]=smldpe57(snr_dB)
d=1;
SNR=exp(snr_dB*log(10)/10);
sgma=sqrt((5*d^2)/(4*SNR));
N=10000;
% generation of the quarternary data
for i=1:N,
temp=rand;
if (temp<0.25),
dsource(i)=0;
elseif (temp<0.5),
dsource(i)=1;
elseif (temp<0.75),
dsource(i)=2;
else
dsource(i)=3;
end
end
% Detection and probability of error calculation
numerror=0;
for j=1:N,
% The matched filter outputs
if (dsource(j)==0)
r=-3*d+sgma*randn;
elseif (dsource(j)==1)
r=-d+sgma*randn;
elseif (dsource(j)==2)
r=d+sgma*randn;
else
Marco A. Munguía Mena, Página 8
r=3*d+sgma*randn;
end
% Detector
if (r<-2*d),
decis=0;
elseif (r<0),
decis= 1;
elseif (r<2*d),
decis=2;
else
decis=3;
end
if decis~=dsource(j)
numerror=numerror+1;
end
end
p=numerror/N;
Marco A. Munguía Mena, Página 9