TRDG 2parte

1
Transmisión Digital - Segunda Parte
Santiago Zazo
José Ignacio Ronda
Departamento de Señales, Sistemas y Radiocomunicaciones, ETSIT, UPM

2
Índice general
1. Detección en canales con interferencia intersimbólica 7

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Canal discreto equivalente . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. Detector de secuencia de máxima verosimilitud (MLSD) . . . . . . . . . 10
1.3.1. Algoritmo de Viterbi . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2. Prestaciones del algoritmo MLSD . . . . . . . . . . . . . . . . 14
1.4. Igualación. Arquitecturas lineales y no lineales . . . . . . . . . . . . . . 15
1.4.1. Arquitecturas lineales . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1.1. Criterio ZF (Zero -Forzing) . . . . . . . . . . . . . . 17
1.4.1.2. Criterio MMSE (Error Cuadrático Medio Mínimo) . 18
1.4.1.3. Implementaciones prácticas . . . . . . . . . . . . . . 20
1.4.1.4. Factorización en componentes de fase mínima y máx-
ima . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.1.5. Obtención de la respuesta al impulso . . . . . . . . . 24
1.4.1.6. Igualación ZF / MMSE . . . . . . . . . . . . . . . . 24
1.4.2. Arquitecturas no lineales realimentadas por decisión (DFE) . . 28
1.4.2.1. Relación entre ambos filtros directos W 1 [z ], W 2 [z ]. 32
1.4.2.2. Criterio ZF . . . . . . . . . . . . . . . . . . . . . . . 32
1.4.2.3. Criterio MMSE . . . . . . . . . . . . . . . . . . . . . 32
1.4.2.4. Determinación del filtro B [z ]. . . . . . . . . . . . . 33
1.4.2.5. Proceso de blanqueo . . . . . . . . . . . . . . . . . . 34
1.4.2.6. Cálculo del filtro B(z) . . . . . . . . . . . . . . . . . 35
1.4.2.7. Resumen de arquitecturas y prestaciones . . . . . . . 37
1.5. La problemática de la igualación con filtros FIR y criterio MMSE. . . . . 38
1.5.1. Igualación con filtros FIR y criterio MMSE. Solución bloque . 39
1.5.2. Igualación con filtros FIR y criterio MMSE. Solución iterativa.
Algoritmo de máxima pendiente . . . . . . . . . . . . . . . . . 41
1.5.3. Igualación con filtros FIR y criterio MMSE. Solución adapta-
tiva. Algoritmo de gradiente estocástico (LMS) . . . . . . . . 43
1.6. Anexo 1. Fórmulas que relacionan los estadísticos de segundo orden
Entrada – Salida de sistemas lineales e invariantes . . . . . . . . . . . 45
1.7. Anexo 2. Demostración del teorema de ortogonalidad . . . . . . . . . 46
1.8. Condición de convergencia del algoritmo de máxima pendiente . . . . 48
1.9. Anexo 2. Tabla de fórmulas que se proporcionarán en los exámenes
junto al enunciado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3
4 ÍNDICE GENERAL
2. Modulaciones Multiportadora 75
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.2. Análisis en el dominio del tiempo continuo . . . . . . . . . . . . . . . 76
2.3. Análisis en el dominio del tiempo discreto . . . . . . . . . . . . . . . . . 80
2.4. Representación matricial. Canal AWGN . . . . . . . . . . . . . . . . . . 82
2.5. Los sistemas OFDM en canales con interferencia entre símbolos. Formu-
lación algebraica y matricial. . . . . . . . . . . . . . . . . . . . . . . . 83
2.5.1. Aproximación intuitiva . . . . . . . . . . . . . . . . . . . . . . . 83
2.5.2. Formulación algebraica . . . . . . . . . . . . . . . . . . . . . . . 84
2.5.2.1. Planteamiento analítico en ausencia de prefijo cíclico. 84
2.5.2.2. Planteamiento analítico en presencia de prefijo cíclico 86
2.5.2.3. Diagrama de bloques . . . . . . . . . . . . . . . . . . 87
2.5.3. Formulación matricial . . . . . . . . . . . . . . . . . . . . . . . 88
2.5.3.1. Prefijo cíclico de longitud suficiente . . . . . . . . . . 88
2.5.3.2. Prefijo cíclico de longitud insuficiente . . . . . . . . . 91
2.6. Igualación y estima de canal . . . . . . . . . . . . . . . . . . . . . . . 94
2.6.1. Estima de canal. . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.6.2. Igualación de canal. . . . . . . . . . . . . . . . . . . . . . . . . 95
2.7. Conocimiento del canal en el transmisor . . . . . . . . . . . . . . . . . . 96
2.8. A1. Anexo 1. Demostración de la densidad espectral de la señal
OFDM en tiempo continuo . . . . . . . . . . . . . . . . . . . . . . . . 99
2.9. Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.10. Listado de fórmulas de examen . . . . . . . . . . . . . . . . . . . . . 101
2.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3. Modulaciones en espectro ensanchado por secuencia directa (DS-

CDMA) 117
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
3.2. Fundamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.3. Modelo de señal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.3.1. Modelo de señal en tiempo continuo . . . . . . . . . . . . . . . 119
3.3.2. Modelo de canal discreto equivalente . . . . . . . . . . . . . . 122
3.3.3. Modelo de ruido discreto equivalente . . . . . . . . . . . . . . 123
3.4. El ensanchamiento como mecanismo de reducción de ISI . . . . . . . . 125
3.4.1. Análisis de un canal AWGN . . . . . . . . . . . . . . . . . . . 125
3.4.2. Análisis de un canal con ISI . . . . . . . . . . . . . . . . . . . 125
3.5. Recepción adaptada al multicamino . . . . . . . . . . . . . . . . . . . 127
3.6. Modelo de señal basado en álgebra vectorial . . . . . . . . . . . . . . . 130
3.7. Transmisión multiusuario . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.7.1. Canal AWGN . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.7.2. Modelo de transmisión DS-CDMA con ISI . . . . . . . . . . . 134
3.7.3. Detección multiusuario . . . . . . . . . . . . . . . . . . . . . . 135
3.8. Generación de códigos de ensanchamiento . . . . . . . . . . . . . . . . 136
3.8.1. Secuencias-m . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.8.2. Códigos Gold . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
3.8.3. Códigos Barker . . . . . . . . . . . . . . . . . . . . . . . . . . 141
ÍNDICE GENERAL 5
3.9. Fórmulas para el examen . . . . . . . . . . . . . . . . . . . . . . . . . 142

3.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4. Múltiples antenas (MIMO) 161

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
4.2. Modelo de canal MIMO . . . . . . . . . . . . . . . . . . . . . . . . . 162
4.3. Concepto de capacidad MIMO . . . . . . . . . . . . . . . . . . . . . . . 163
4.3.1. Canal desconocido en el transmisor . . . . . . . . . . . . . . . 163
4.3.2. Canal conocido en el transmisor . . . . . . . . . . . . . . . . . 164
4.4. Multiplexación espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
4.4.1. Conocimiento del canal en el transmisor y receptor . . . . . . 166
4.4.2. Desconocimiento del canal en el transmisor . . . . . . . . . . . 166
4.4.2.1. Criterio ZF . . . . . . . . . . . . . . . . . . . . . . . 167
4.4.2.2. Criterio MMSE . . . . . . . . . . . . . . . . . . . . . 168
4.4.2.3. Algoritmo BLAST . . . . . . . . . . . . . . . . . . . 168
4.5. Conformación de haz (Beamforming) . . . . . . . . . . . . . . . . . . . 169
4.6. Diversidad en recepción y códigos espacio - tiempo . . . . . . . . . . . . 170
4.6.1. Diversidad en recepción . . . . . . . . . . . . . . . . . . . . . 171
4.6.2. Códigos espacio - tiempo . . . . . . . . . . . . . . . . . . . . . 173
4.7. Anexo 1. Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
4.8. Anexo 2. Tabla de fórmulas que se proporcionarán en los exámenes
junto al enunciado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6 ÍNDICE GENERAL
Capítulo 1
Detección en canales con

interferencia intersimbólica
1.1. Introducción
Cuando una señal atraviesa un canal representado por un sistema lineal e inva-
riante (en su caso más general puede incluir también el carácter variante) experi-
menta una distorsión adicional al efecto omnipresente del ruido térmico que dificulta
la detección e incrementa por tanto la probabilidad de error. Bajo estas condicio-
nes es necesario introducir una tarea en el receptor específica para recuperar la
secuencia transmitida más probable. La aproximación óptima, y por tanto también
la más costosa computacionalmente, es el detector de secuencia de máxima verosi-
militud (MLSD) implementado a través del algoritmo de Viterbi. Como alternativa,
se plantea una iniciativa en términos de la teoría de filtros que pretende deshacer
(deconvolucionar) el efecto del canal mediante un filtro de tipo inverso o bien que
minimice una medida de prestaciones como el error cuadrático medio a la entrada
del detector. En este ámbito hay también distintas implementaciones, lineales y no
lineales con elementos de realimentación. En este capítulo veremos todas estas cues-
tiones evaluando desarrollos teóricos contrastados con simulaciones para asegurar
la comprensión. Adicionalmente, estableceremos los fundamentos de la igualación
adaptativa dando un paso importante hacia la implementación práctica de estos
algoritmos.
1.2. Canal discreto equivalente

La primera cuestión que debemos concretar es el modelo de señal y de canal que
vamos a asumir. Centrándonos en las modulaciones lineales, recordamos (inicialmen-
te sin considerar el efecto del canal) la arquitectura general de un modulador (en su
versión banda base compleja representando una arquitectura DBLC subyacente):
X
s (t) = A [n] g (t − nT ) (1.1)
n
La señal recibida (sin efecto del canal es):
7
8CAPÍTULO 1. DETECCIÓN EN CANALES CON INTERFERENCIA INTERSIMBÓLICA
Figura 1.1: Arquitectura del modulador (PAM / QAM)
r (t) = s (t) + z (t) (1.2)

donde z (t) es el ruido térmico supuesto AWGN de densidad espectral de potencia
N0
2
que en su versión equivalente paso bajo es de densidad de potencia N 0 en cada
componente. El esquema del receptor queda:
Figura 1.2: Arquitectura de un receptor (PAM / QAM)
Sabemos por la Teoría de Sistemas Lineales que este proceso puede representarse
mediante un equivalente discreto tanto a nivel de sistemas como de señales. La clave
es encontrar esta equivalencia y fundamentalmente caracterizar la estadística de las
señales discretizadas.
En este caso vamos a basarnos en el modelo descrito en la figura 1.3:
Figura 1.3: Canal discreto equivalente
Donde
p (t) = g (t) ∗ g ∗ (−t) → P (j ω) = |G (j ω) |2 (1.3)

es la respuesta del sistema equivalente en tiempo continuo que cuando se muestrea
a velocidad de símbolo, tenemos:
p [n] = p (nT ) (1.4)

Es importante mencionar que la componente de ruido en q(t) que denominamos
qn (t) está correlada (no es blanca) por el efecto del filtro receptor.
q (t) = s (t) ∗ g ∗ (−t) + z (t) ∗ g ∗ (−t) = qs (t) + qn (t) (1.5)

Siendo la densidad espectral de potencia de cada componente de ruido:
Sqn (j ω) = N0 |G (j ω) |2 (1.6)
1.2. CANAL DISCRETO EQUIVALENTE 9
Sin embargo, al verificar el pulso g(t) el criterio de Nyquist, su versión muestreada

sí es blanca. El espectro de n [n] = qn (nT ) queda por tanto:

N0 X ω 2πk 2 N0 X ω 2πk
Sn e jω
= |G j − j | = P j −j (1.7)
T k T T T k T T
Como p(t) satisface el criterio de Nyquist:

1X ω 2πk
P j −j = cte (1.8)
T k T T
puede concluirse que el ruido en tiempo discreto es blanco caracterizado por una
potencia que denominaremos genéricamente σn2 obviamente ligada a la densidad
espectral N 0 del ruido térmico en tiempo continuo . Igualmente podemos demostrar
este carácter blanco directamente a partir de la definición de correlación:
Rn [m] = E {n [k + m] n [k]} = E {qn ((k + m) T ) qn (kT )} = Rqn (mT ) = σn2 δ [m]

(1.9)
tal como veíamos en el tema primero. Si ahora calculamos la correlación de la señal
q[n] tenemos
∗
P P
Rq [n] = E A [l] p [n + k − l] + n [n + k] A [m] p [k − m] + n [k] =
PP l m
= E {A [l] A∗ [m] p [n + k − l] p∗ [k − m]} + E {n [n + k] n∗ [k]}
l m
(1.10)
Quedando, una vez que se asume que la señal de datos es también blanca:
Rq [n] = σA2 p [n + k − l] p∗ [k − l] + Rn [n] = σA2 p [n + l] p∗ [l] + Rn [n] =

P P
l l
= σA2 (p [n] ∗ p∗ [−n]) + Rn [n] = σA2 (p [n] ∗ p∗ [−n]) + σn2 δ [n] = σA2 δ [n] + σn2 δ [n]
(1.11)
Si ahora incluimos el efecto del canal en la expresión de p(t),
p (t) = g (t) ∗ h (t) ∗ g ∗ (−t) (1.12)

En cuanto al ruido no hay ninguna variante, pero en cuanto a los datos, ya no se
verifica el criterio de Nyquist y es por tanto necesario compensar el fenómeno de in-
terferencia entre símbolos (ISI). Debemos mencionar que este esquema no es óptimo
porque el filtro receptor debiera adaptarse a la combinación del filtro transmisor y
del canal g (t) ∗ h (t). Sin embargo, suele procederse de esta manera en la práctica
porque el canal h (t) es desconocido y se estima y corrige en la parte digital del
receptor.
Una primera cuestión importante es ver hasta qué punto este fenómeno de la
ISI produce un efecto negativo en la comunicación. Para ello, descomponemos la
señal en el símbolo actual (denominado cursor) a un retardo arbitrario d (aquél al
que p(d ) es máximo) y el resto que actúan como interferencia (obsérvese que en el
caso más general, puede haber interferencia causal y anticausal asociada a símbolos
anteriores y posteriores):
X
q [n] = p [d] A [n − d] + p [k] A [n − k] + n [n] (1.13)
k6=d
Con esta finalidad, definimos una métrica que denominamos nivel de ISI :
Dpico X |p [k] | (dmin /2)

γISI = siendo Dpico = η= >0 (1.14)
η k6=d
|p [d] | |A|max
como medida de la cuantía de la ISI donde A|max es la amplitud máxima de la

señal y Dpico es la denominada Distorsión de Pico. Cuando γISI > 1 el diagrama
de ojos se cerrará y se producirán errores en la detección. Es notable distinguir
dos efectos clave: por un lado, un multicamino severo supone mucha ISI; por otro,
una constelación densa (marcada por dmin pequeña) será poco robusta. Como la
constelación es deseable que tenga muchos puntos para que resulte más eficiente,
una transmisión efectiva requiere incluir otros procesados para reducir el efecto del
multicamino.
1.3. Detector de secuencia de máxima verosimili-

tud (MLSD)
Al haber introducido el efecto del canal, la detección símbolo a símbolo deja de ser
óptima y es necesario introducir detectores con memoria. El detector MLSD intenta
encontrar cuál de las ML secuencias (M es el número de puntos de la constelación y L
la longitud de la secuencia) es la más probable sin tener que hacer una enumeración
exhaustiva de todas las opciones.
Suponiendo que los símbolos transmitidos son independientes entre sí y equipro-
bables, cada una de las posibles secuencias Aj tiene la misma probabilidad a priori
por lo que el criterio MAP es especialmente sencilla. Como ya hemos visto en un
capítulo anterior, se decide que la secuencia transmitida fue Ai si:
fq|A (q|Ai ) > fq|A (q|Aj ) , j = 0, · · · , M L − 1, j 6= i (1.15)
Si suponemos que el canal tiene K +1 elementos, tenemos:
K
X
q [n] = p [k] A [n − k] + n [n] (1.16)
k=0
Si ahora consideramos una secuencia de L símbolos tenemos una variable alea-

toria multidimensional:
1.3. DETECTOR DE SECUENCIA DE MÁXIMA VEROSIMILITUD (MLSD) 11
K
P
q [0] = p [k] A [0 − k] + n [0]
k=0
PK
q [1] = p [k] A [1 − k] + n [1]
k=0 (1.17)
..
.
K
P
q [L − 1] = p [k] A [L − 1 − k] + n [L − 1]
k=0
T
Donde llamaremos q = q [0] q [1] · · · q [L − 1] , y también denotamos A =

T
A [0] A [1] · · · A [L − 1] . La variable aleatoria condicionada q|A es gaussiana,

K
de media en cada componente µi = p [k] A [i − k] y además incorreladas por ser
P
k=0
ruido blanco. Es decir, q|A sigue una distribución N (µ, σn2 I) que puede expresarse
como:
n o
fq|A (q|A) = (2π)L/2
√
1
detRq|a
exp − 1
2
(q − µ) H
R −1
q|a (q − µ) =
L−1 K
(1.18)
√
1
exp − 2σ12 p [k] A [n − k] |2
P P
= L/2
(2π) detRq|a
|q [n] −
n
n=0 k=0
Por lo que la aplicación de este criterio se quedará con la secuencia tal que la
suma
L−1 K
!
X X
Ai = min |q [n] − p [k] A [n − k] |2 (1.19)
A
n=0 k=0
sea mínima. Es decir, escoge aquella que pasada por p[n] se acerque más a las
observaciones. Una solución, tal como ya hemos comentado, es evaluar todas las
combinaciones y quedarse con la de mínima distancia. Sin embargo, su aplicabilidad
se reduce a longitudes muy breves puesto que la complejidad crece exponencialmente
con la longitud de la secuencia.
Complemento formativo 1.
Análisis del MLSD por el procedimiento de búsqueda exhaustiva.
Script: Comp_for_T5_1 que a su vez llama a la función
function out=mlsd_busq_ex(p,nsim,tail,msg)
Trabajo personal: analice el código proporcionado en ambos módulos

interpretando adecuadamente cada una de las variables de entrada / salida así
como los principales procesos desarrollados. Añada una frase en cada instrucción
importante que le explique el objetivo de la misma.
Reproduzca un resultado como el mostrado en la figura 1.4 .
Figura 1.4: Probabilidad de error MLSD por búsqueda exhaustiva
Puede observarse que esta estrategia se vuelve completamente inoperante para

constelaciones más densas o secuencias más largas por lo que como solución práctica,
se utiliza el Algoritmo de Viterbi , con un planteamiento análogo al visto en
capítulos anteriores.
1.3.1. Algoritmo de Viterbi

Este algoritmo ya se ha presentado en esta asignatura como la herramienta clave
para decodificar los códigos convolucionales con una complejidad razonable. No sólo
1.3. DETECTOR DE SECUENCIA DE MÁXIMA VEROSIMILITUD (MLSD) 13
eso, también ha demostrado su utilidad para detectar modulaciones con memoria

como las modulaciones de fase continua y las codificadas trellis (o en rejilla). Obsér-
vese que la clave será describir el proceso mediante un diagrama trellis identificando
las transiciones y las posibles salidas. Por lo tanto, en esta sección nos limitaremos
a contextualizar de nuevo su planteamiento y añadir algunas cuestiones prácticas.
Partimos del modelo en el que el canal genera secuencias del tipo q [n] = o [n] +
n [n] siendo
K
X
o [n] = p [k] A [n − k] n = 0, 1, · · · , L − 1 (1.20)
k=0
Claramente para un símbolo A[n], el estado del sistema viene marcado por los
K símbolos transmitidos anteriormente:
 
A [n − 1]
 A [n − 2] 
ψ [n] =  .. (1.21)
 
.

 
A [n − K]
Es decir, la salida o[n] queda completamente determinada por el símbolo actual

A[n] y el estado en el que nos encontremos. De esta manera, el algoritmo consiste en
ir evaluando para cada una de las posibles transiciones, cuál es la de menor distancia
respecto del observable, desechando las más alejadas. Según este planteamiento, se
llevan en paralelo un conjunto de trayectorias posibles hasta que finalmente sólo una
de ella aparece como la más probable.
Para explicar la base del algoritmo, lo más sencillo es considerar un ejemplo
como el de la figura (1.5) donde se transmite una señal binaria y tenemos un canal
de memoria K +1=4. Por lo tanto, tenemos 23 =8 estados. Si representamos las
transiciones en trazo continuo cuando A[n]=-1 y en trazo discontinuo A[n]=+1,
evaluamos para cada estado, cuál de los estados anteriores en el más probable de
acuerdo con el posible valor del cursor. Consideremos el caso donde se arranca del
estado {-1 -1 -1} (para ello basta transmitir esta secuencia conocida). Seguidamente
transmitimos L=5 símbolos {+1, -1, +1, +1, -1}. En ausencia de ruido y desechando
el transitorio, las salidas producidas son {-0.8, -1.4 , 0.8, -0.6, 0.2} tal cmo se observan
en los trazos.
La idea fundamental se basa en la propiedad de que si el camino óptimo pasa

por un cierto nodo, entonces ese camino debe ser necesariamente el que minimiza la
métrica acumulada hasta dicho nodo. El algoritmo de Viterbi, por tanto, determina
el camino óptimo desplazándose secuencialmente por la rejilla. En cada etapa, y para
cada nodo, se determina el camino que llega hasta ese nodo con la menor métrica
acumulada, el cual recibe el nombre de camino superviviente. Al llegar a la última
etapa, el camino óptimo será el superviviente con menor métrica acumulada.
Veamos un código que permite verificar sus prestaciones.
Figura 1.5: Diagrama trellis del ejemplo
Análisis del procedimiento MLSD por el algoritmo de Viterbi.
Script: Comp_for_T5_2 que a su vez llama a las funciones
function mef = mef_mlsd(c)
function [simbolos_opt,varargout] = viterbi_global(mef,obs_sec,forzar_cero_final)
Trabajo personal: analice el código proporcionado exclusivamente en el script

Reproduzca un resultado como em mostrado en la figura 1.6:
1.3.2. Prestaciones del algoritmo MLSD

De forma análoga a como hemos visto en capítulos anteriores, el cálculo de la
probabilidad de error del detector de máxima verosimilitud puede aproximarse de
forma sencilla por la expresión:

Dmin
PMLSD ≈ κQ (1.22)
2σ
Que observamos es bastante similar a las fórmulas de las modulaciones lineales.
Dmin representa la distancia euclídea mínima entre dos secuencias sin ruido y κ
1.4. IGUALACIÓN. ARQUITECTURAS LINEALES Y NO LINEALES 15
Figura 1.6: Detección MLSD. Algoritmo de Viterbi
representa el número máximo de secuencias que se hallan a la distancia Dmin de una

posible secuencia recibida que supondremos hay una sola. Este cálculo puede ser
muy arduo ya que equivale a encontrar el valor mínimo de la suma:
Nq −1
K
X X
Dmin = min0 | p [k] (A [n − k] − A0 [n − k]) |2 (1.23)
A[n],A [n]
n=0 k=0
que se realiza de forma práctica en el diagrama trellis asumiendo que se transmite

una secuencia arbitraria (se escoge una con una trayectoria muy sencilla como aquella
que mantiene la respuesta en el estado inicial, que a su vez coincide con el final) y
se calcula la distancia mínima para llegar a ese mismo estado final.
A pesar de la eficiencia de este algoritmo, en la mayor parte de los casos es poco
práctico por lo que vamos a plantearnos en los apartados siguientes alternativas con
mucha menor carga computacional basadas en una operación símbolo a símbolo. Ve-
remos dos planteamientos, uno basado en la teoría de sistemas lineales clásica y otro
desde la perspectiva de álgebra vectorial como la antesala a las implementaciones
prácticas basadas en sistemas adaptativos.
1.4. Igualación. Arquitecturas lineales y no lineales

La figura (1.7) muestra la problemática general de la igualación lineal
Definiendo el filtro equivalente
C (z) = P (z) W (z) (1.24)
a la salida del igualador nos encontramos con

Figura 1.7: Igualación lineal
P P
u [n] = c [d] A [n − d] + c [m] A [n − m] + w [m] n [n − m] =
m6=d m (1.25)
= señal deseada + ISI residual + ruido filtrado
A la hora de diseñar W (z ) hemos por tanto de determinar un filtro que haga que
c[d ]≈1 y que en general la contribución de ISI residual y ruido filtrado sea lo más
pequeña posible. Sobre esta cuestión incidiremos en esta sección presentando varias
implementaciones y criterios. Empezaremos por las arquitecturas lineales según dos
criterios, Sistema Inverso o Fuerza a Cero (ZF - Zero Forzing) y el criterio de Error
Cuadrático Medio Mínimo (MMSE). Posteriormente discutiremos las ventajas de
otras arquitecturas no lineales basadas en la realimentación de decisiones previas.
Para cada una de las propuestas calcularemos la varianza del error de decisión como
medida efectiva de la calidad del proceso de igualación. La razón de no utilizar
la probabilidad de error de bit (BER) es que las fórmulas vistas en los capítulos
anteriores asumen ruido blanco gaussiano, hipótesis que en algunos casos no se
cumple ahora por el efecto ‘coloreador’ que tiene el igualador.
1.4.1. Arquitecturas lineales

Adicionalmente a la figura (1.7), podemos proponer una representación equiva-
lente (suponiendo que Â [n] = A [n]) en la figura (1.8) que ayude a la interpretación
de los resultados en función del error de decisión:
Figura 1.8: Igualación lineal. Representaciones equivalente

Vamos a plantear el diseño de acuerdo a los criterios mencionados anteriormente.
1.4.1.1. Criterio ZF (Zero -Forzing)
Este criterio también llamado de mínima distorsión de pico o sistema inverso,

tiene como finalidad invertir la respuesta del canal salvo un posible retardo a deter-
minar, es decir:
∞
z −d X
W (z) = , siendo P (z) = p [k] z −k (1.26)
P (z) k=−∞
Bajo esta perspectiva, es inmediato reconocer que recuperamos la señal sin nin-
gún tipo de distorsión aunque se paga el precio de que no se controla el posible realce
del ruido
u [n] = h [n] ∗ w [n] ∗ A [n] + w [n] ∗ n [n] = A [n − d] + w [n] ∗ n [n] (1.27)
En la práctica asumiremos que d = 0 sin pérdida de generalidad para así simpli-

ficar el análisis ya que un retardo puro no supone ninguna distorsión en la señal. En
este caso, la potencia del ruido filtrado se calcula a partir del siguiente subsistema:
Figura 1.9: Efecto del ruido en el igualador ZF
Analíticamente
SUn (ej ω ) = Sn (ej ω )|W ej ω |2 = σn2 |W ej ω |2 (1.28)

Por lo que la SNR quedaría

ˆ π −1
σA2 σA2 1
SNRLE−ZF = 2 = 2 jω 2
|W (e )| d ω (1.29)
σUn σn 2π −π
Igualmente, si tomamos como medida de calidad la potencia del error de decisión:
Se (ej ω ) = SA (ej ω ) |P (ej ω ) W (ej ω ) − 1|2 + Sn (ej ω ) |W (ej ω ) |2 = Sn (ej ω ) |W (ej ω ) |2

´π 2 ´π
ε2LE−ZF = E {|e [n] |2 } = 2π 1
−π n
S (ej ω ) |W (ej ω )|2 d ω = σ2πn −π |W (ej ω )|2 d ω
(1.30)
1.4.1.2. Criterio MMSE (Error Cuadrático Medio Mínimo)

Como ya hemos comentado, invertir directamente el canal puede suponer una
enfatización del ruido en aquellas bandas donde se atenúa la señal que hace que las
prestaciones sean poco atractivas. El criterio MMSE es una alternativa donde no se
pretende invertir el canal sino minimizar directamente la potencia de la secuencia
‘error’. Intuitivamente, la idea es que se propondrá una estructura que quizá permita
una cierta ISI residual con la intención de no amplificar el ruido. El análisis formal se
basa en el denominado Teorema de ortogonalidad que establece que la minimización
del MSE es equivalente a garantizar la ortogonalidad entre el error y la entrada
(véase el anexo A2).
n o
minE |e [n] |2 = minE |Â [n] − A [n] |2 ↔ (1.31)

w{n} w{n}
↔ E {e [n] q ∗ [n − i]} = 0 ∀i ∈ (−∞, ∞) (1.32)

Siendo
∞
X ∞
X
u [n] = w [j] q [n − j] ⇒ e [n] = A [n] − w [j] q [n − j] (1.33)
j=−∞ j=−∞
Desarrollando, queda la condición:

∞
X
∗
E(A [n] q [n − i]) = w [j] E(q [n − j] q ∗ [n − i]) (1.34)
j=−∞
Teniendo en cuenta las relaciones entre estadísticos de entrada / salida en siste-

mas lineales (ver Anexo A1), tenemos:
∞
X
RAQ [i] = w [j] RQ [i − j] ⇒ RAQ [i] = w [i] ∗ RQ [i] (−∞ < i < ∞) (1.35)
j=−∞
Si ahora definimos en el dominio de la transformada Z :

∞
RAQ [m]z −m
P
SAQ (z) = Z{RAQ [m]} =
m=−∞
∞ (1.36)
−m
P
SQ (z) = Z{RQ [m]} = RQ [m]z
m=−∞
Nos queda la condición en el dominio transformado
SAQ (z)
SAQ (z) = W (z) SQ (z) ⇒ W (z) = (1.37)
SQ (z)
Nuevamente teniendo en cuenta las definiciones del Anexo A1:
SA (z)P ∗ (1/z ∗ )
W (z) = SA (z)P (z)P ∗ (1/z ∗ )+SN (z)
SA (ej ω )P ∗ (ej ω ) P ∗ (ej ω ) (1.38)
W (ej ω ) = SA (ej ω )|P (ej ω )|2 +SN (ej ω )
= |P (ej ω )|2 + 1
SNR
Para señal y ruidos blancos, el error mínimo que se obtiene es
( !∗ )
∞
ξmin = E{|e [n] |2 } = E
P
e [n] A [n] − w [j] q [n − j] =
j=−∞
∞ (1.39)
∗ ∗ ∗ ∗
P
= E(e [n] A [n]) − c [j] E(e [n] q [n − j]) = E(e [n] A [n])
j=−∞ | {z }
0
Quedando
( ∞
! )
X
ξmin = E A [n] − w [j] q [n − j] A∗ [n] = (1.40)
j=−∞
∞
X
= E{|A [n] | } − 2 ∗
w [j] RAQ [j] (1.41)
j=−∞
Recordando que
RAQ [m] = RA [m] ∗ p∗ [−m] (1.42)

El error finalmente es
∞
X
ξmin = σA2 − σA2 w [j] p [−j] = σA2 (1 − w [n] ∗ p [n]) |n=0 (1.43)
j=−∞
Y en el dominio de la frecuencia
ˆ π
1
2
ξmin = σA 1 − jω jω
W (e )P (e )d ω (1.44)
2π −π
Desarrollando obtenemos finalmente
2
σA ´π jω jω
2 ´π
σA σA
h
2 |P (ej ω )|2
i
ξmin = 2π −π
[1 − W (e )P (e )]d ω = 2π −π
1 − 2
σA |P (ej ω )|2 +σn 2 dω =
σA2 ´π
σn2 2 ´π
σn σA2 (1.45)
= 2π −π σ2 |P (ej ω )|2 +σ2 d ω = 2π −π σ2 |P (ej ω )|2 +σ2 d ω
A n A n
Donde puede verificarse que el MMSE tiende al error ZF cuando la potencia de

ruido es muy pequeña. Igualmente debemos verificar que
ξMMSE ≤ ξZF (1.46)

Para ello basta ver que ambas expresiones pueden ponerse de forma muy similar:
2
σn ´π 1
ε2LE−ZF = dω
2 ´π
−π |P (ej ω )|2
σn
2π
1
(1.47)
ξLE−MMSE = 2π −π |P (ej ω )|2 +σn2 /σ 2 d ω
A
De manera análoga, cuando la potencia de ruido es muy alta, el filtro MMSE

tiende al filtro adaptado.
1.4.1.3. Implementaciones prácticas

Partiendo del hecho de que canal se modela como un sistema lineal y es por tanto
descrito por su correspondiente función de transferencia P (z ) nos encontramos con
la problemática de calcular la respuesta al impulso del igualador correspondiente a
la Región de Convergencia estable (la que incluye a la circunferencia unidad).
1
WLE−ZF (z) = P (z)
∗ ∗ (1.48)
WLE−MMSE (z) = SA (z)PS(z)P
A (z)P (1/z )
∗ (1/z ∗ )+S (z)
N
Obsérvese que en esta sección vamos a denominar con una nomenclatura gené-
rica W (z ) tanto a WLE-ZF (z ) como a WLE-MMSE (z ) que aunque tienen expresiones
distintas, su tratamiento sería idéntico.
Hay que tener en cuenta que en principio, w [n] no tiene por qué ser una secuen-
cia causal pero sí tiene que ser estable para que sea realizable. Ello nos lleva a la
necesidad de factorizar la transformada W (z ) en su parte causal (factores corres-
pondientes a los polos dentro del círculo unidad) y la anticausal con los polos fuera
de la circunferencia unidad. Téngase en cuenta que este requisito hace referencia
exclusivamente a la posición de los polos y los factores asociados a lo ceros podrían
asociarse de forma arbitraria. Sin embargo nos centraremos en una factorización
particular aplicable a cualquier W (z ) (que no contenga polos o ceros en la circunfe-
rencia unidad) como la cascada de un sistema de fase mínima (los polos y los ceros
están dentro de la circunferencia unidad) y otro de fase máxima (los polos y los ce-
ros están fuera de la circunferencia unidad). Ello implica que la componente de fase
mínima es causal y estable (y su inverso también lo es) mientras que la componente
de fase máxima es anticausal y estable (y su inversa también lo es). Esta descom-
posición tiene una componente práctica de gran importancia porque obviamente las
implementaciones reales además tienen que ser causales lo que implica truncar la
parte anticausal y retardar la respuesta. De todas las descomposiciones causales /
anticausales, la de fase mínima / máxima es la que concentra la mayor parte de la
energía en torno al origen por lo que truncando a un cierto número de muestras, es
la que aproxima la tarea de la igualación de manera más exacta.
Por lo tanto, el cálculo de los igualadores requiere el conocimiento de dos con-
ceptos importantes como herramientas para analizar satisfactoriamente estos pro-
blemas, por un lado la factorización en componentes de fase mínima y máxima y
por otro, obtener la respuesta al impulso a partir de una función de transferencia de
fase mínima o máxima.
1.4.1.4. Factorización en componentes de fase mínima y máxima

La factorización en componentes de fase mínima y máxima se calcula de forma
general mediante la siguiente expresión:
W (z) = Kz −r Wmin (z) Wmax (z) (1.49)
w [n] = K δ [n − r] ∗ wmin [n] ∗ wmax [n] (1.50)

Donde habitualmente se toma como criterio que Wmin (z) es un cociente de po-
linomios con potencias crecientes en z −1 y cuyo término independiente es la unidad
(mónico) mientras que Wmax (z) es otro cociente de polinomios de potencias crecien-
tes en z y también mónico y siendo K una constante a ajustar. En la práctica, como
ya hemos dicho, no tendremos en cuenta el factor z −r ya que es un simple retardo
por lo que consideraremos como caso general:
W (z) = KWmin (z) Wmax (z) (1.51)
w [n] = Kwmin [n] ∗ wmax [n] (1.52)

El proceso consiste pues en calcular los ceros y polos de W (z ) y separar los que
están dentro y fuera de la circunferencia unidad:
M
−1
Q0
M
1 − c10 z
Q
(1 − ci z )
i
W (z) = K i=1
N
i=1
N0 = KWmin (z) Wmax (z) (1.53)
1
Q Q
(1 − pi z −1 ) 1− p0i
z
i=1 i=1
Donde hemos denotado como, pi , ci a los polos y ceros dentro de la circunferencia

unidad y como pi ’, ci ’ idénticamente para los que están fuera.
M
−1
Q0
M
1 − c10 z
Q
(1 − ci z )
i
i=1 i=1
Wmin (z) = N
Wmax (z) = N0 (1.54)
1
Q
z −1 )
Q
(1 − pi 1− p0i
z
i=1 i=1
Aparte de los ejercicios que se harán en clase, veamos algunos ejemplos resueltos
mediante Matlab.
Análisis del procedimiento de descomposición en fase mínima y máxima
Script: Comp_for_T5_3 h=[.5 .45 -.45]
Que llama a la función fact_min_max(h)
Trabajo personal: analice el código proporcionado en la función anterior

como los principales procesos desarrollados.
Un caso particular que tiene especial interés es la denominada factorización es-

pectral cuando la función a descomponer tiene las componentes de fase mínima y
máxima relacionadas de manera que los polos y ceros son recíprocos. Cuando anali-
cemos las estructuras realimentadas, veremos que este tipo de descomposiciones son
de gran utilidad para factorizar las transformadas Z de las funciones de correlación.
Dado un polinomio en el dominio Z, S (z) , que sea una función par, se demuestra
que si no tiene ceros en la circunferencia unidad puede factorizarse como:
S (z) = γ 2 M (z) M ∗ (1/z ∗ ) (1.55)
Siendo M (z) una función mónica, causal y estable (fase mínima) con todos los
polos dentro de la circunferencia unidad y por tanto M ∗ (1/z ∗ ) es también móni-
ca, anticausal y estable con todos los polos fuera de la circunferencia unidad (fase
máxima) y recíprocos unos de otros. La constante de proporcionalidad se calcula
como:
 1 ˆπ
 

γ = exp
2
lnS e d ω
jω
(1.56)
 2π 
−π
cuya demostración detallada viene en el apéndice 6.D (pág.386) del libro [Ar-
tés2007]. En la práctica, se calcula directamente a partir de la propia descomposición
Ejemplo 1. Calcule la factorización espectral de:


 1 m=0
−0.5 m = ±1

R [m] = (1.57)
 0.25 m = ±2
resto

0

La función de transferencia es:
S(z) = 1−0.5(z+z −1 )+0.25(z 2 +z −2 ) = z −2 (0.25z 4 −0.5z 3 +z 2 −0.5z+0.25) (1.58)
Las raíces de P (z ) resultan ser:
p’ 1 = 0.7429 + 1.5291j
p’ 2 = 0.7429 − 1.5291j
p 1 = 0.2571 + 0.5291j
p 2 = 0.2571 − 0.5291j
Por tanto

1 −1 1 −1
−1 −1
(1.59)

S (z) = K 1 − p1 z 1 − p2 z 1− 0 z 1− 0 z
p1 p2
Smin (z) = M (z) = 1−0,5141z −1 +0,3460z −2 Smax (z) = M z −1 = 1−0,5141z+0,3460z 2

(1.60)
Siendo la constante γ 2 :
1 − 0.5 · 2 + 0.25 · 2 = γ 2 (1 − 0.5141 + 0.3460)2 → γ 2 = 0.7225 (1.61)
Obtenida al sustituir en un valor cómodo como z =1.

Análisis del procedimiento de descomposición en fase mínima y máxima
Script: Comp_for_T5_4 h=[.25 -.5 1 -.5 .25]
Que llama a la función fact_min_max(h)
Trabajo personal: verifique que las raíces de ambas componentes son recíprocas.
1.4.1.5. Obtención de la respuesta al impulso

Dada una determinada H (z ) tenemos como objetivo complementar los estudios
teóricos adquiridos en Señales y Sistemas con el uso de la herramienta Matlab. Se
recordará que hay tantas respuestas al impulso como posibles regiones de conver-
gencia (ROCs). En la práctica, nos limitamos al caso estable por lo que se refiere
a la ROC que contiene a la circunferencia unidad. La forma que se presentó en
Señales y Sistemas se basaba en la descomposición en fracciones simples, agrupando
los factores del denominador en las componentes que tienen las raíces dentro de la
circunferencia unidad y determinando la respuesta causal y el otro término asociado
a las raíces fuera de la circunferencia, ligarlo a la respuesta anticausal.
Sin embargo, usando Matlab es posible calcularla de manera más sencilla me-
diante la idea de que la solución estable tiene transformada de Fourier y por tanto
podemos basarnos en el concepto de la DFT. Veremos un complemento formativo
con este procedimiento.
1.4.1.6. Igualación ZF / MMSE

Volviendo a la problemática de la igualación, si factorizamos P (z ) en sus compo-
nentes de fase mínima y fase máxima (observe que posibles retardos serán obviados
en los subsecuentes análisis):
P (z) = KPmin (z)Pmax (z) (1.62)

Bajo el criterio ZF, el igualador es sencillamente su inverso
1
WZF (z) = = K 0 Wmin (z)Wmax (z) (1.63)
P (z)
Obteniéndose las respuesta al impulso tal como hemos descrito anteriormente.
Para el caso del MMSE se procede de manera idéntica:
SA (z)P ∗ (1/z ∗ )
WMMSE (z) = = KWmin (z) Wmax (z) (1.64)
SA (z)P (z) P ∗ (1/z ∗ ) + SN (z)
Figure 1.10: Ejemplos de cálculo de respuestas al impulso (cascada de canal y de

igualadores, ZF, MMSE)
Obteniéndose las respuestas temporales según el procedimiento ya descrito.
Devuelve la respuesta al impulso y la respuesta en frecuencia del sistema estable

asociado a una función H(z). Aplicado a cálculo del igualador ZF y MMSE
Script: Comp_for_T5_5
Que llama a la función [H w h]=resp_imp_freq(A,B,N)

% A= numerador de la función de transferencia
% B= denominador de la función de transferencia
% N: número de muestras de la respuesta en tiempo y en frecuencia
% H: respuesta en frecuencia
% w: muestras donde se calcula H
% h: respuesta al impulso

Obtenga unos resultados como los mostrados en la figura (1.10):
Representemos a continuación las respuestas en frecuencia del canal y de los

igualadores para ambos criterios (en el caso del MMSE se representarán 2 casos,
SNR baja y alta para sacar las conclusiones pertinentes).
Figure 1.11: Espectro del canal y de diversos criterios de igualación
Cálculo de las respuestas en frecuencia de los igualadores ZF / MMSE


Obtenga unos resultados como los mostrados en la figura (1.11):
Vamos a analizar las prestaciones de los igualadores ZF y MMSE en términos de

la potencia de la secuencia de error.
Figure 1.12: Igualador ZF y respuesta equivalente canal + igualador
Figure 1.13: Igualador MMSE y respuesta equivalente canal + igualador
Cálculo de las prestaciones de los igualadores ZF / MMSE


Obtenga unos resultados como los mostrados en las figuras (1.12 y 1.13):
Obsérvese que las respuestas al impulso son distintas (se ha escogido una SNR
Figure 1.14: Potencia de error a la entrada del decisor ZF / MMSE
baja) y sobre todo que el MMSE no implementa el filtro inverso. Finalmente re-
presentamos la potencia de error para ambos casos. Puede observarse en la figura
(1.14) que ambas confluyen cuando la SNR crece aunque en cualquier caso el MMSE
presenta mejores prestaciones.
1.4.2. Arquitecturas no lineales realimentadas por decisión

(DFE)
Las implementaciones descritas en la sección anterior no presentan grandes com-
plicaciones prácticas excepto en el caso en el que hubiera un polo en la circunferencia
unidad, pudiendo dar lugar a estructuras inestables. En esta sección plantearemos
una implementación alternativa, denominada DFE (Decisión Feedback Equalizer)
que es robusta frente a la situación de los polos y que al mismo tiempo reduce el
efecto del ruido, mejorando habitualmente las prestaciones por lo que su uso está
muy extendido tanto bajo el criterio ZF como MMSE.
Tal como ya hemos planteado, podemos descomponer la ISI que contamina el
símbolo “actual” (A[k ]) en dos términos:
X X
q [k] = p [0] A [k] + p [j] A [k − j] + p [j] A [k − j] +n [k] (1.65)
j<0 j>0
| {z } | {z }
ISI precursora ISI postcursora
donde la ISI precursora está producida por los símbolos “futuros” y la postcursora por
los símbolos “pasados”. Puede obsevarse que en la ecuación anterior se ha ajustado
de forma arbitraria el retardo para que la muestra mayor de p [n] coincida en el
origen. El igualador lineal W (z ) tiene que ser, en general, un filtro no causal para
poder compensar ambos términos de la ISI.
Como ya hemos visto en la sección anterior, un sistema no causal y estable W (z )
puede demostrarse que admite una descomposición del tipo:W (z ) = KW min (z )
W max (z ) siendo W min (z ) un filtro anticausal y W max (z ) un sistema causal, am-
bos estables.
Figura 1.15: Esquema DFE.
Sin embargo, ahora vamos a plantear una arquitectura diferente basándonos en la

observación de que la ISI postcursora está relacionada con los símbolos anteriores al
actual y que por lo tanto ya han sido decididos. Bajo esta hipótesis podemos replan-
tear la expresión anterior sencillamente cambiando A [k − j] → dec (A [k − j]) =
Â [k − j] , j > 0
X X
q [k] = p [0] A [k] + p [j] A [k − j] + p [j] Â [k − j] +n [k] (1.66)
j<0 j>0
| {z } | {z }
ISI precursora ISI postcursora
La figura (1.15) muestra el diagrama de bloques de una arquitectura DFE gené-

rica donde ya también hemos cambiado la notación de los filtros que actúan sobre
la parte causal y anticausal para diferenciarlos expresamente.
Puede observarse en la figura que la idea es contar con dos filtros de igualación,
uno llamado filtro precursor o directo y el otro filtro de realimentación o postcursor.
Lo que se pretende con esta estructura es que la parte de W (z ) trate de igualar la
parte precursora asociada a símbolos transmitidos todavía no decididos mientras la
parte postcursora en vez de ser igualada con los símbolos transmitidos anteriormente
(pero no decididos) como en el caso LE, ahora se incluye la decisión de estos símbolos
y, si la decisión es correcta, se cancela (se sustrae) su efecto sin incluir ninguna
componente de ruido. Al ser un proceso de cancelación, no se invierten funciones de
transferencia en la parte anticausal por lo que no hay problemas con la ubicación de
los polos en la circunferencia unidad. Sin embargo, puede intuirse claramente que
si se produce un error de decisión, se cancela erróneamente, por lo que de hecho, la
ISI aumenta y el igualador no cumple con su finalidad.
Para asegurar el correcto funcionamiento de esta estructura, w [n] debe ser causal,
estable y mónico (el primer coeficiente de la respuesta al impulso es 1). Asimismo
para B (z ) siendo también causal y mónico (el 1 que se sustrae precisamente cancela
la delta unitaria en el origen de la respuesta al impulso). La figura 1.16 ilustra este
proceso de manera gráfica.
Como ya se ha comentado, el carácter no lineal hace que cualquier tipo de análisis
de prestaciones resulte muy complejo. Por ello, es habitual asumir por sencillez que
no hay propagación de errores Â [k − j] = A [k − j] con lo que la estructura anterior a
efectos de análisis se puede interpretar como lineal y además con una representación
muy sencilla (véase la figura 1.17 ).
Figure 1.16: Alineamiento de datos en el esquema DFE.
Figure 1.17: Representación alternativa del esquema DFE.
Esta representación puede expresarse de otra forma más esquemática y manejable

tal como se ve en la figura (1.18):
Figure 1.18: Representación alternativa del esquema DFE.
Tal como iremos deduciendo en los apartados siguientes, hay unas conexiones
muy importantes entre los esquemas lineales (LE ) y los realimentados (DFE ) para
ambos criterios por lo que resulta muy conveniente estudiarlos de forma comparada.
Para ello nos basaremos en el esquema de la figura (1.19) donde la parte superior se
corresponde con la arquitectura LE y la inferior con la DFE.
Ahora nos hemos permitido diferenciar los filtros directos con subíndices distintos
y al mismo tiempo denotar las dos secuencias de error como e[n] y e’[n]. Procedamos
a realizar el estudio en tres fases, a lo largo de tres subsecciones independientes.
Para ello, conviene manejar con soltura las representaciones equivalentes de la figura
(1.20) a modo de diagrama de bloques:
Figure 1.19: Comparativa LE / DFE.
Figure 1.20: Esquema equivalente de la arquitectura LE (izquierda) y DFE (dere-

cha).
1.4.2.1. Relación entre ambos filtros directos W 1 [z ], W 2 [z ].
Suponiendo que tenemos un filtro B (z ) fijo arbitrario, puede demostrarse que

ambos filtros están relacionados por esta ecuación:
W2 (z) = B (z) W1 (z) (1.67)
Particularicemos para cada uno de los dos criterios.
1.4.2.2. Criterio ZF
Este caso es trivial puesto que se impone el criterio de que no hay ISI
LE : P (z) W1 (z) = 1 → W1 (z) = P (z)

1
(1.68)
DFE : P (z) W2 (z) = B (z) → W2 (z) = B(z)
P (z)
1.4.2.3. Criterio MMSE
La demostración en este caso es algo más elaborada puesto que exige determinar
para ambos casos, cuál es la expresión del MSE mínimo.
Para el caso LE ya lo hemos hecho, aunque reproducimos el resultado por co-
modidad:
SAQ (z)
ζ = min E |e [n] |2 (1.69)

→ W1 (z) =
W1 (z) SQQ (z)
Procedemos de manera análoga para el caso del DFE aplicando nuevamente el
principio de ortogonalidad como condición equivalente a la minimización del MSE
ζ = min E |e0 [n] |2 E {e0 [n] q ∗ [n − i]} = 0 (1.70)

⇔
W2 (z)
0
E {e[n] q ∗ [n − i]} = E {(q [n] ∗ w2 [n] ∗ A [n]) q ∗ [n − i]} =
− b [n]
∞
∞

∗ ∗
P P
=E w2 (k) q [n − k] q [n − i] − E b (k) A [n − k] q [n − i] =
k=−∞ k=−∞
∞ ∞
∗
b (k) E {A [n − k] q ∗ [n − i]} =
P P
= w2 (k) E {q [n − k] q [n − i]} −
k=−∞ k=−∞
P∞ ∞
P
= w2 (k) RQQ [i − k] − b (k) RAQ [i − k] = w2 [i] ∗ RQQ [i] − b [i] ∗ RAQ [i]
k=−∞ k=−∞
(1.71)
Tomando transformadas Z e igualando a 0, obtenemos finalmente:
B (z) SAQ (z)

ζ = min E |e0 [n] |2 (1.72)

→ W2 (z) = = B (z) W1 (z)
W2 (z) SQQ (z)
Figure 1.21: Esquema DFE.
Figure 1.22: Interpretación del esquema DFE como bloque inverso de B (z ).
1.4.2.4. Determinación del filtro B[z ].

Hemos observado que el filtro directo consta de la misma estructura que en la
arquitectura LE, es decir elimina la ISI o bien minimiza el MSE, por lo que parece
en cierto modo contradictorio introducir un sistema adicional que reintroduce ISI
(factor B (z). De hecho no es así, porque si bien es cierto que se añade ISI en la
parte directa es a su vez cancelada mediante la parte realimentada. Es importante
mencionar que las figuras 1.21 y 1.22 son sólo equivalentes bajo la hipótesis de que
no hay propagación de errores.
A partir de la variable v [n] definida por comodidad en el análisis,
v [n] = q [n] ∗ w [n] ∗ b [n] − v [n] ∗ b [n] + v [n]

(1.73)
(q [n] ∗ w [n] − v [n]) ∗ b [n] = 0 → v [n] = q [n] ∗ w [n]
de manera que la parte realimentada está de hecho invirtiendo el efecto de B (z ).
Sin embargo, el papel de B (z ) es de capital importancia por constituir un ele-
mento adicional de diseño que permite corregir uno de los aspectos negativos que
tiene la igualación LE, que es el hecho de que el ruido en el decisor no es blanco
y por tanto se aleja de las condiciones óptimas de detección MAP. En definitiva,
el criterio que nos va a definir el filtro realimentado y que supone una importante
mejora frente a las estructuras LE es el hecho de que el ruido puede ser blanqueado.
Este planteamiento es un tanto complicado pero se simplifica notablemente si nos
apoyamos en las representaciones simplificadas anteriores que incluyen el resultado
que acabamos de deducir tal como reproducimos en las figuras (1.23 y 1.24) que se
relaciona muy sencillamente ahora con el caso LE.
Sin embargo, antes de abordar esta problemática debemos describir un concepto

Figure 1.23: Representación esquemática del DFE.
Figure 1.24: Otra representación esquemática del DFE.
muy importante que se denomina blanqueo (whitening).
1.4.2.5. Proceso de blanqueo

Dado un proceso X [n] descrito por la transformada Z de la función de autoco-
rrelación, tal como ya hemos visto, puede ser factorizable de acuerdo con el Teorema
de Factorización Espectral que recordamos por comodidad
 1 ˆπ
 

SX (z) = γ 2 MX (z) MX∗ (1/z ∗ ) siendo γ 2 = exp lnSX ej ω d ω (1.74)
 2π 
−π
Si se desea blanquear dicho proceso, debe ser filtrado por un sistema como el
mstrado en la figura (1.25)
Figura 1.25: Blanqueo de un proceso
Siendo, como ya hemos visto, MX (z) una función de fase mínima (los polos y los
ceros están dentro de la circunferencia unidad), su inverso es también estable y causal
(además su primer coeficiente es 1 puesto que la constante de proporcionalidad está
englobada en γ 2 ).
La demostración de que Y [n] es blanco se basa en los resultados del anexo A1.
SY (z) = SX (z) H (z) H ∗ (1/z ∗ ) = γ 2 MX (z) MX∗ (1/z ∗ ) MX−1 (z) MX−∗ (1/z ∗ ) = γ 2
(1.75)
Donde para simplificar la notación hemos puesto MX (1/z ) = M ∗ (1/z∗ ) . Se
−∗ ∗ 1
X
observa que γ 2 es la potencia de dicho proceso blanco.
1.4.2.6. Cálculo del filtro B(z)

Si ahora particularizamos los resultados anteriores para nuestra problemática
concreta donde tenemos el esquema de la figura (1.26), donde el proceso E[n] está
descrito por su densidad espectral de potencia, sabemos que es factorizable de cuerdo
con el Teorema de Factorización Espectral.
Figure 1.26: Proceso de blanqueo del error.
 1 ˆπ
 

Se (z) = γe2 Me (z) Me∗ (1/z ∗ ) siendo γ = exp lnSe ej ω d ω (1.76)
 2π 
−π
Si se desea blanquear dicho proceso hay que usar el blanqueador:
B (z) = Me−1 (z) (1.77)

siendo la potencia del error γe2 .
Resumimos a continuación para lo criterios ZF y MSE las expresiones de la
densidad espectral de potencia del proceso error:
Sn (ej ω )
Se ZF (ej ω ) = Sn (ej ω ) |W (ej ω ) |2 = |P (ej ω )|2
Sn (ej ω )SA (ej ω )
(1.78)
Se MMSE (ej ω ) = SA (ej ω )|P (ej ω )|2 +Sn (ej ω )
Y por tanto la potencia del error es
´π

Sn (ej ω )
ε2ZF−DFE = E {|e [n] | } = exp
0 2 1
2π −π
ln |P (ej ω )|2 d ω

´π
(1.79)
SA (ej ω )Sn (ej ω )
ε2MMSE−DFE = E {|e [n] | } = exp
0 2 1
2π −π
ln SA (ej ω )|P (ej ω )|2 +Sn (ej ω )
dω
Calculemos finalmente las expresiones de los filtros para ambos criterios. Para el
criterio ZF tomando la transformada Z de la función de autocorrelación, ya descrita
anteriormente:
Sn (z)
Se (z) = (1.80)
P (z) P ∗ (1/z ∗ )
Si definimos
(z) P ∗ (1/z ∗ ) = γr2 M

Sr (z) = P ∗ ∗
r (z) Mr (1/z )
π́
(1.81)
γr2 = exp 1
2π
lnSr (ej ω ) d ω
−π
Tenemos:
Sn (z) γ 2 Mn (z) Mn∗ (1/z ∗ )

Se (z) = = n2 = γe2 Me (z) Me∗ (1/z ∗ ) (1.82)
Sr (z) γr Mr (z) Mr∗ (1/z ∗ )
Siendo la expresión de la potencia del error
ˆ π
Sn (ej ω ) γn2

1
ε2ZF−DFE 0 2
= exp ln (1.83)

= E |e [n] | dω =
2π −π |P (ej ω ) |2 γr2
Para calcular el filtro de realimentación hemos de recordar que P (z ) puede expre-

sarse como el producto de dos términos, uno de fase mínima y otro de fase máxima:
P (z) = P0 Pmin (z) Pmax (z) (1.84)

Por lo que
γn2 Mn (z) Mn∗ (1/z ∗ )

Se (z) = ∗ ∗ ∗ ∗
= γe2 Me (z) Me∗ (1/z ∗ ) (1.85)
Pmin (z) Pmax (z) Pmin (1/z ) Pmax (1/z )
Por lo tanto
∗
Pmin (z) Pmax (1/z ∗ )
B (z) = Me−1 (z) = (1.86)
Mn (z)
Y el precursor completo
Me−1 (z) ∗
Pmin (z) Pmax (1/z ∗ ) ∗
Pmax (1/z ∗ )
W (z) B (z) = = = (1.87)
P (z) P (z) Mn (z) P0 Pmax (z) Mn (z)
Mientras que para el MMSE de forma muy parecida tenemos:
Sn (z) SA (z)
Se (z) = (1.88)
SA (z) P (z) P ∗ (1/z ∗ ) + Sn (z)
Si definimos de forma análoga a como hemos hecho para el criterio ZF :
Sr (z) = SA (z) P (z) P ∗ (1/z ∗ 2

) + Sn (z) = γr M
∗ ∗
r (z) Mr (1/z )
π́
(1.89)
γr2 = exp 1
2π
lnSr (ej ω ) d ω
−π
Tenemos:
Sn (z) SA (z) γ 2 γ 2 Mn (z) Mn∗ (1/z ∗ ) MA (z) MA∗ (1/z ∗ )

Se (z) = = n 2A = (1.90)
Sr (z) γr Mr (z) Mr∗ (1/z ∗ )
= γe2 Me (z) Me∗ (1/z ∗ ) (1.91)

Siendo la expresión de la potencia del error
ˆ π
Se (ej ω ) γn2 γA2

1
ε2MMSE−DFE 0 2
= exp ln (1.92)

= E |e [n] | dω =
2π −π |P (ej ω ) |2 γr2
Siendo la expresión del blanqueador
Mr (z)
B (z) = Me−1 (z) = (1.93)
Mn (z) MA (z)
Y el filtro precursor
γa2 Ma (z)Ma∗ (1/z ∗ )P ∗ (z) Mr (z)
W1 (z) B (z) = γr2 Mr (z)Mr∗ (1/z ∗ )
=
γa2 Ma∗ (1/z ∗ )P ∗ (z)
Mn (z)Ma (z)
(1.94)
= γr2 Mr∗ (1/z ∗ )
Mn−1 (z)
1.4.2.7. Resumen de arquitecturas y prestaciones

En esta sección vamos a presentar un cuadro resumen que nos permita resaltar
los aspectos prácticos para la resolución de ejercicios. Ello implica calcular las estruc-
turas de los filtros y expresiones de la medida de prestaciones que hemos escogido:
la potencia del error a la entrada del decisor. Hemos de resaltar nuevamente la razón
por la que no vamos a hablar en términos de la probabilidad de error ya que ello
implica ruido AWGN lo cual para las estructuras lineales no se cumple. Asumiremos
que tanto la señal como el ruido son blancos de potencia σA2 , σn2 para mayor claridad
y que el canal se factoriza como: P (z) = P0 Pmin (z) Pmax (z)
Potencia de error ε = E |e [n] |2

Algoritmo Igualador
2 ´π
σn 1
LE-ZF WLE−ZF (z) = 1
2π −π |P (ej ω )|2
dω
´
P (z)
2
σA π 2
2
σA P ∗ (1/z ∗ ) σn
LE-MMSE WLE−MMSE (z) = σA2 P (z)P ∗ (1/z ∗ )+σ 2 2π −π σA 2 |P (ej ω )|2 +σ 2 d ω
n n
Sr (z) = P (z) P ∗ (1/z ∗ ) = γr2 Mr (z) Mr∗ (1/z ∗ ) 2
B (z) = Mr (z) = Pmin (z) Pmax ∗ (1/z ∗ ) σn
DFE-ZF ∗
Pmax (1/z∗ ) γr2
W2 (z) = W1 (z) B (z) = P P
0 max (z)
Sr (z) = SA (z) P (z) P ∗ (1/z ∗ ) + Sn (z) =
= γr Mr (z) Mr (1/z ∗ )
2 ∗ 2 σ2
σn A
DFE-MMSE B (z) = Mr (z) γr2
σ 2 P ∗ (1/z ∗ )Mr (z)
W2 (z) = W1 (z) B (z) = σ2 AP (z)P ∗ (1/z∗ )+σ2
A n
Figure 1.27: Sistema adaptativo. Problemática de igualación
1.5. La problemática de la igualación con filtros

FIR y criterio MMSE.
Los esquemas expuestos en la sección anterior son de una gran relevancia teórica
pero sin embargo adolecen de cierto sentido práctico. Cuando una comunicación se
inicia, el canal no se conoce y por lo tanto, no es posible aplicar estos desarrollos
directamente. En general, hay dos opciones: por un lado se puede estimar el canal y
a partir de él, implementar el igualador, o bien directamente calcular el igualador.
En un gran número de aplicaciones, se opta por mandar una secuencia de aprendi-
zaje y a partir de ella, calcular directamente el igualador. Lo más habitual es que
este proceso sea iterativo y durante esta transmisión de entrenamiento, el igualador
de forma progresiva (se utiliza el término adaptativo) se va acercando al compor-
tamiento óptimo deseado. En la práctica, se suele preferir el criterio MMSE para
evitar problemas de enfatización del ruido y además se tiende a usar filtros FIR para
evitar el problema de la inestabilidad. Un filtro IIR que debe ir ajustándose de forma
progresiva corre el riesgo en un momento determinado de tener los polos fuera de la
circunferencia unidad, por lo que es necesario un control muy delicado. Además el
hecho de que sea un filtro FIR tiene la ventaja de poder representar el problema de
la convolución como un producto escalar de vectores y por tanto se simplifica muy
notablemente el diseño y la implementación. La figura (1.27) muestra un esquema
típico de igualación adaptativa.
Se observará que en la figura 1.27 aparece un interruptor con dos posiciones. Este
interruptor evidencia las dos etapas fundamentales que hay en una comunicación:
una primera fase de entrenamiento (1) donde se transmite una secuencia conocida
(por eso se representa la conexión con el transmisor directamente) durante la cual
se procede al ajuste del receptor, no sólo en relación al igualador sino también de
otras funcionalidades como el sincronismo de tiempo, frecuencia y fase que, aunque
no forma parte de los objetivos de esta asignatura, juegan un papel fundamental
en la comunicación y pueden formularse como esquemas iterativos similares a la
problemática de igualación que vamos a describir a continuación. Una vez finalizada
esta fase, el bucle de control del igualador pasa a depender de los símbolos decididos
a modo de datos conocidos (no lo son, son estimados). En principio, en un canal
estático, este proceso no sería necesario pero en la práctica, al menos en comuni-
caciones radio, los canales son variantes en el tiempo, y de esta forma es posible
1.5. LA PROBLEMÁTICA DE LA IGUALACIÓN CON FILTROS FIR Y CRITERIO MMSE.39
seguir ciertas variaciones sin necesidad de sobre entrenar al sistema interrumpiendo

la comunicación de datos para volver a mandar la secuencia de entrenamiento. A
nuestros efectos, vamos a estudiar exclusivamente el caso 1 asumiendo que tenemos
un canal estático.
1.5.1. Igualación con filtros FIR y criterio MMSE. Solución

bloque
La problemática del filtrado adaptativo se suele representar mediante el siguiente
esquema. Hemos de incidir en que esta formulación es general para un gran número
de aplicaciones, donde la igualación es sólo una de ellas. En la figura, q[n] es la
secuencia recibida y d [n] es la señal de referencia, en este caso la secuencia de
entrenamiento. u[n] es la salida de un filtro FIR de N coeficientes:
Figura 1.28: Sistema adaptativo FIR
Figure 1.29: Estructura de un FIR.
La gran ventaja que presenta la estructura FIR es que la salida es una combi-
nación lineal de muestras de la entrada por lo que puede formularse de una forma
muy compacta mediante análisis vectorial. En concreto, la convolución puede inter-
pretarse como un producto escalar
N
X −1
u [n] = q [n] ∗ w [n] = w∗ [k] q [n − k] (1.95)
k=0
Si denominamos
T
w = w [0] w [1] · · · w [N − 1]
T (1.96)
q [n] = q [n] q [n − 1] · · · q [n − N + 1]
Tenemos:
N
X −1
∗
u [n] = q [n] ∗ w [n] = w∗ [k] q [n − k] = wH q [n] (1.97)
k=0
Aunque en principio es posible formular el problema de determinar el filtro ópti-

mo mediante varios criterios (por ejemplo hemos visto el ZF y MMSE), en sistemas
adaptativos lo más habitual es basarse en el algoritmo MMSE puesto que presenta
características muy adecuadas para la búsqueda iterativa de la solución. Es decir,
en esta sección nos planteamos nuevamente minimizar el MSE (obsérvese que la
diferencia notable viene por el hecho de que ahora restringimos a que el filtro tenga
estructura FIR). Si recordamos que la solución viene dada por la condición de or-
togonalidad y suponiendo que q[n] y d [n] son procesos conjuntamente estacionarios
en sentido amplio y de media nula, tenemos:
n o
minE |e [n] | = minE |Ã [n] − A [n] |
2 2
(1.98)

↔
w{n} w{n}
↔ E {e [n] q ∗ [n − i]} = 0 ∀i ∈ (0, N − 1) (1.99)

Donde el error de acuerdo con la definición actual es:
e [n] = d [n] − wH q [n] = A [n] − wH q [n] (1.100)

Teniendo en cuenta que por comodidad expresaremos la condición de ortogona-
lidad
E {e [n] q ∗ [n − i]} = E {e∗ [n] q [n − i]} = E {e∗ [n] q [n]} = 0 (1.101)
Desarrollando se obtiene:
E {e∗ [n] q [n]} = E q [n] d∗ [n] − qH [n] w = (1.102)

= E {q [n] d∗ [n]} − E q [n] qH [n] w = 0 (1.103)

Denominando
R = E q [n] qH [n] ; p = E {q [n] d∗ [n]} (1.104)

Como matriz de autocorrelación y vector de correlación cruzada respectivamente,

la solución final es la denominada de Wiener-Hopf (denominado por el subíndice
opt)
wopt = R−1 p (1.105)

Siendo R la matriz de autocorrelación con un carácter definida positiva, Töplitz,

simétrica conjugada y con todos los elementos de una misma diagonal idénticos:
 
r (0) r (1) ···
r (N − 1)
 r∗ (1) r (0) r (1) 
R= .. ..  siendo r (i) = E {q [n + i] q ∗ [n]}
 
 . ∗
r (1) .r (1) 
∗ ∗
r (N − 1) · · · r (1) r (0)
(1.106)
Y p el vector de correlaciones cruzadas. Sustituyendo wopt obtenemos el MMSE.
ξmin = E |e [n] |2 = E |d [n] |2 − pH wopt (1.107)

La conclusión de este análisis es que la solución es sencilla pero requiere conocer

los estadísticos de segundo orden mencionados y será también necesario realizar
la inversión de una matriz. Obsérvese que ambas cuestiones son delicadas porque
invertir matrices es costoso (de grandes dimensiones) pero fundamentalmente en
muchos casos la estadística es cambiante con el tiempo y no hay margen para estimar
estos estadísticos con la precisión suficiente. Veremos a continuación una primera
aproximación que relaja la primera cuestión (aproximar la solución mediante un
proceso iterativo) y posteriormente la denominada implementación adaptativa que
en vez de asumir que conoce los estadísticos se basa en una estima de los mismos.

iterativa. Algoritmo de máxima pendiente
Si revisamos con detenimiento la expresión del MSE se puede concluir de forma
inmediata que nos encontramos con una función cuadrática (tipo hiperparaboloide)
y que por tanto cuenta con un único mínimo que además coincide con la solución
deseada. A esta función se le llama superficie de error y a la expresión matemática
función de coste de error (nosotros hemos considerado el MMSE pero puede haber
otras alternativas).
n H o
ξ = E {|e [n] |2 } = E |d [n] − wH q [n] |2 = E d [n] − wH q [n] d [n] − wH q [n] =
= E {|d [n] |2 } + wH E q [n] qH [n] w − wH E {q [n] d∗ [n]} − E d [n] qH [n] w

= E {|d [n] |2 } + wH Rw − wH p − pH w = σd2 + wH Rw − 2< pH w

(1.108)
Que puede ponerse de una forma muy compacta como:
ξ = ξmin + (w − wopt )H R (w − wopt ) (1.109)

Podemos observar que la expresión anterior no depende del tiempo ya que las
estadísticas son estacionarias. Vamos a alterar este planteamiento en esta sección
donde vamos a establecer una aproximación iterativa a la solución de Wiener, per-
mitiendo que los coeficientes evoluciones con el tiempo, es decir
ξ [n] = ξmin + (w [n] − wopt )H R (w [n] − wopt ) (1.110)

Figura 1.30: Superficie de error.
Haciendo el cambio de variable v [n] = w [n]−wopt el error admite una expresión

muy manejable
ξ [n] = ξmin + (w [n] − wopt )H R (w [n] − wopt ) = ξmin + v [n]H Rv [n] (1.111)
Que evidentemente es un hiperparaboloide por el carácter de R como matriz

definida positiva. Esta forma de la superficie de error, la hace especialmente atractiva
desde un punto de vista algorítmico puesto que es posible aproximar la búsqueda de
forma iterativa, calculando el gradiente en cada punto y actualizando los coeficientes
en la dirección contraria de forma proporcional para aproximarse a la solución.
Ésta es precisamente la finalidad del algoritmo de máxima pendiente cuya so-
lución se acerca al mínimo de forma progresiva. Este proceso se puede representar
matemáticamente por la ecuación
w [n + 1] = w [n] + µ (−∇wH ξ [n]) (1.112)

A la constante µ se le denomina paso de adaptación y condiciona la velocidad
de convergencia.
O bien en forma de pseudocódigo:
1. Comienzo del proceso desde una posición arbitraria w [0]
2. Cálculo del gradiente en ese punto ∇wH ξ [n]
3. Se modifica el vector de coeficientes con un desplazamiento proporcional al

gradiente y en sentido opuesto w [n + 1] = w [n] + µ (−∇wH ξ [n])
4. Se vuelve al punto 2
El cálculo del gradiente es:
ξ [n] = ξmin + (w [n] − wopt )H R (w [n] − wopt )

(1.113)
∇wH ξ [n] = R (w [n] − wopt )
Obteniéndose finalmente la expresión del algoritmo de máxima pendiente
w [n + 1] = w [n] + µ (−∇wH ξ [n]) = w [n] − µR (w [n] − wopt ) =

(1.114)
= w [n] − µR (w [n] − R−1 p) = (I − µR) w [n] + µp
Se puede demostrar (anexo 3) que el algoritmo converge siempre que:
2
0<µ< (1.115)
λmax
Siendo λmax el autovalor máximo de R.

adaptativa. Algoritmo de gradiente estocástico (LMS)
El aspecto más cuestionable del algoritmo de máxima pendiente es que sigue
siendo necesario el conocimiento de los estadísticos. En contrapartida, los algoritmos
adaptativos tipo gradiente estocástico operan sobre un estimador del gradiente. En
concreto, nosotros nos centraremos en una estimación instantánea en lo que se conoce
como algoritmo LMS (Least Mean Square).
Modificando ligeramente la ecuación anterior tenemos

ˆ
w [n + 1] = w [n] + µ −∇wH ξ [n] (1.116)
Donde hemos cambiado ξ [n] por ξˆ [n] indicando que ya no conocemos el gradiente
de la función de coste sino solamente un estimador del mismo. La aproximación
LMS es la más simple de todas donde los estadísticos se aproximan por sus valores
instantáneos:
R = E q [n] qH [n] ≈ q [n] qH [n] ; p = E {q [n] d∗ [n]} ≈ q [n] d∗ [n] (1.117)

Sustituyendo en la ecuación del algoritmo de máxima pendiente, tenemos:

w [n + 1] = I − µR̂ w [n] + µp̂ = I − µq [n] qH [n] w [n] + µq [n] d∗ [n] =

= w [n] − µq [n] qH [n] w [n] − d∗ [n]

(1.118)
Y finalmente el algoritmo es
w [n + 1] = w [n] + µe ∗ [n] q [n] (1.119)

De hecho, el comportamiento de este algoritmo es una versión ‘ruidosa’ por
incorporar el efecto del ‘ruido de estimación de los estadísticos’ pero análoga al
algoritmo de máxima pendiente en cuanto a la evolución en media de la trayectoria
y condiciones de convergencia.
Figure 1.31: Curva de aprendizaje Evolución de la potencia del error
Complemento formativo 8
Cálculo de la solución de Wiener

Implementación del algoritmo LMS

Para la curva de aprendizaje, obtenga un resultado del estilo de lo mostrado en las

figuras (1.31 y 1.32):
1.6. ANEXO 1. FÓRMULAS QUE RELACIONAN LOS ESTADÍSTICOS DE SEGUNDO ORDEN E
Figure 1.32: Superficie de error. Evolución de los coeficientes
Cálculo de las potencias de error en los esquemas DFE
Trabajo personal: Los datos concretos se corresponden con los del ejercicio 7 de
la colección de problemas. Analice el código proporcionado en la función anterior
importante que le explique el objetivo de la misma. Contraste los resultados
obtenidos con los valores numéricos de la solución teórica.
1.6. Anexo 1. Fórmulas que relacionan los estadís-

ticos de segundo orden Entrada – Salida de sis-
temas lineales e invariantes
A modo de recordatorio, si definimos un proceso estocástico estacionario en sen-

tido amplio en tiempo discreto X[n] como entrada de un sistema lineal e invariante
caracterizado por su respuesta al impulso h[n] y respuesta en frecuencia H (ejω ) se
obtiene otro proceso Y[n] también estacionario en sentido amplio.
Partiendo de los estadísticos de primero y segundo orden de la entrada:
Figura 1.33: Sistema LTI con entrada / salida estocásticas
E {X [n]} = ηX
RX [m] = E {X [n + m] X ∗ [n]}
SX (ej ω ) = T F (RX [m]) (1.120)
SX (z) = T Z (RX [m])
SX (ej ω ) = SX (z) |z=ej ω (ROC estable)
La media del proceso de la salida es
∞
X ∞
X
h [k] = ηX H ej0 (1.121)

E {Y [n]} = E {X [n]} h [k] = ηX
k=−∞ k=−∞
Y los estadísticos cruzados de segundo orden son:
RXY [m] = E {X [n + m] Y ∗ [n]} = RX [m] ∗ h∗ [−m]

RYX [m] = E {Y [n + m] X ∗ [n]} = RX [m] ∗ h [m]
SXY (ej ω ) = SX (ej ω ) H ∗ (ej ω )
(1.122)
SYX (ej ω ) = SX (ej ω ) H (ej ω )
SXY (z) = SX (z) H ∗ (1/z ∗ )
SYX (z) = SX (z) H (z)
Igualmente ligadas por las transformadas de Fourier o Z respectivamente. Final-

mente, los estadísticos de la salida quedan:
RY [m] = E {Y [n + m] Y ∗ [n]} = RX [m] ∗ h [m] ∗ h∗ [−m]

SY (ej ω ) = SX (ej ω ) |H (ej ω ) |2 (1.123)
SY (z) = SX (z) H (z) H ∗ (1/z ∗ )
1.7. Anexo 2. Demostración del teorema de ortog-

onalidad
La minimización de MSE hay que hacerla tanto para la parte real como la parte
imaginaria
∂ξ ∂ξ
= 0, = 0 (−∞ < i < ∞) (1.124)
∂Re{ci } ∂Im{ci }
1.7. ANEXO 2. DEMOSTRACIÓN DEL TEOREMA DE ORTOGONALIDAD47
Tal como se suele definir la derivada en el campo complejo

∂ξ 1 ∂ξ ∂ξ
= +j (−∞ < i < ∞) (1.125)
∂c∗i 2 ∂Re{ci } ∂Im{ci }
Está claro que la minimización implica imponer la condición

∂ξ 1 ∂ξ ∂ξ
∗
= +j = 0 (−∞ < i < ∞) (1.126)
∂ci 2 ∂Re{ci } ∂Im{ci }
Hay que tener en cuenta que por las Condiciones de Cauchy-Riemann, si ξ (ci )
es analítica es necesario que se cumpla adicionalmente la condición ∂c∂ξ
i
= 0 (−∞ <
i < ∞).
Bajo esta perspectiva, resulta más sencillo de operar sobre la variable compleja
que con la partes real e imaginaria por separado y resolver el sistema de ecuaciones.
Recordando que:
n o
minE |e [n] | 2
= minE |Â [n] − A [n] |2
(1.127)

w{n} w{n}
Siendo
∞
X ∞
X
Â [n] = w [j] q [n − j] ⇒ e [n] = A [n] − w [j] q [n − j] (1.128)
j=−∞ j=−∞
Aplicamos la derivada en el campo complejo tal como hemos definido:
dE{|e[n]|2 }
n ∗ [n])
o n o
dζ(wi ) de∗ [n]
= = E d(e[n]e =E de[n] ∗
e [n] + e [n] =
dwi dwi
n ∗
dwi
o dwi dwi
(1.129)
=E e [n] dedw[n]
i
= −E {e [n] q ∗ [n − j]} = 0
Que es la fórmula que hemos manejado en el texto
n o
minE |e [n] | 2
= minE |Â [n] − A [n] |2
↔ E {e [n] q ∗ [n − i]} = 0 ∀i ∈ (−∞, ∞)

w{n} w{n}
(1.130)
El algunos textos la definición de la derivada de una función respecto de la

variable puede aparecer mediante una expresión ligeramente diferente. Sin embargo,
el resultado es equivalente aunque pueda resultar que el conjugado aparezca sobre
el error en vez de sobre la función q[n].
1.8. Condición de convergencia del algoritmo de máx-

ima pendiente
Haciendo el cambio de variable v [n] = w [n]−wopt el error admite una expresión
muy manejable
ξ [n] = ξmin + (w [n] − wopt )H R (w [n] − wopt ) = ξmin + v [n]H Rv [n] (1.131)
Y la evolución del algoritmo de máxima pendiente queda:
v [n + 1] = (I − µR) v [n] (1.132)
Teniendo en cuenta que por el carácter definida positiva de la matriz R, admite

la siguiente descomposición en autovectores:
R = QΛQH (1.133)
Siendo Q una matriz ortonormal y Λ diagonal. Haciendo la rotación v0 = QH v

tenemos:
v0 [n + 1] = (I − µΛ) v0 [n] (1.134)
Solución desacoplada en v’[n] por ser Λ diagonal. Iterando sucesivamente desde

n=0, se obtiene:
v0 [n + 1] = (I − µΛ)n v0 [0] (1.135)
Según la ecuación anterior, el algoritmo es estable y converge hacia el óptimo si:
lim (I − µΛ)n → 0 ⇒ lim w [n] → wopt (1.136)

n→∞ n→∞
Lo que se cumple si:
max|1 − µλi | < 1 ∀i = 0, 1, ..., N − 1 (1.137)

i
Como los autovalores son constantes positivas, la situación más conservadora

para la desigualdad anterior resulta
2
0<µ< (1.138)
λmax
1.9. ANEXO 2. TABLA DE FÓRMULAS QUE SE PROPORCIONARÁN EN LOS EXÁMENES JU
1.9. Anexo 2. Tabla de fórmulas que se propor-

cionarán en los exámenes junto al enunciado.
Concepto Expresión
0́ (x−µ)2
− µ
√ 1 e 2σ 2 dx = Q
Cálculo de BER 2 σ
−∞ 2πσ
Q (−x) = 1 − Q (x)
Dmin
PMLSD ≈ κQ 2σ
Probabilidad de error MLSD q −1 P
NP K
Dmin = min | p [k] (A [n − k] − A0 [n − k]) |2
A[n],A0 [n] n=0 k=0
1
Igualador LE-ZF WLE−ZF (z) = P (z)
2
σA P ∗ (1/z ∗ )
Igualador LE-MMSE WLE−MMSE (z) = σ2 P (z)P ∗ (1/z∗ )+σ2
A n
Sr (z) = P (z) P ∗ (1/z ∗ ) = γr2 Mr (z) Mr∗ (1/z ∗ )
B (z) = Mr (z) = Pmin (z) Pmax ∗ (1/z ∗ )
Igualador DFE-ZF ∗
Pmax (1/z∗ )
W2 (z) = W1 (z) B (z) = P P
0 max (z)
Sr (z) = SA (z) P (z) P ∗ (1/z ∗ ) + Sn (z) =
= γr Mr (z) Mr (1/z ∗ )
2 ∗
Igualador DFE-MMSE B (z) = Mr (z)
σ 2 P ∗ (1/z ∗ )Mr (z)
W2 (z) = W1 (z) B (z) = σ2 AP (z)P ∗ (1/z∗ )+σ2
1
´π A n
S ej ω |W (ej ω )|2 dω =

Igualador LE-ZF. Potencia de
error 2π −π n
2 ´
ε2LE−ZF = E |e [n] |2 σn

π 1
= 2π −π |P (ej ω )|2 dω
Igualador LE-MMSE. Potencia ´π
de error
2 2
σA σn
ε2LE−MMSE = E |e [n] |2

2π −π σ 2 |P (ej ω )|2 +σn
2
A
Igualador DFE-ZF.Potencia de
error
2
σn
ε2DFE−ZF = E |e [n] |2

γr2
Igualador DFE-MMSE.Potencia de error 2 2
σn σA
ε2DFE−MMSE = E |e [n] |2

γr2
wopt = R−1 p
Solución de Wiener - Hopf
= E q [n] qH [n] ; p = E {q [n] d∗ [n]}

ξmin = E |d [n] |2 − pH R−1 p

Error mínimo. Solución de Wiener
Algoritmo de máxima pendiente (SD) w [n + 1] = w [n] + µ (−∇w ξ [n]) = (I − µR) w [n] + µp
Algoritmo LMS w [n + 1] = w [n] + µe ∗ [n] q [n]
1.10. Ejercicios
1. Se transmiten dos secuencias BPSK, A [n] ∈ {±1} parcialmente desconocidas
de longitud L=4:

A1 = 1 A1 [1] A1 [2] A1 [3] A2 = −1 A2 [1] A2 [2] −1
por un canal definido como:
p [n] = p [0] δ [n] + p [1] δ [n − 1] + p [2] δ [n − 2]

obteniéndose en recepción dos secuencias o1 [n] , o2 [n] en ausencia de ruido. Supo-
nemos además que Ai [n] =+1 para n < 0 y n ≥ 4 y para i ∈ {1, 2}
n 0 1 2 3 4 5
o1 [n] -0.1 -1,1 +1.3 -0.3 -0.1 -0.1
o2 [n] -1.1 +0.3 +0.1 +0.1 +1.1 -0.1
a) Obtenga los coeficientes del canal por el que se han pasado ambas secuencias,
su diagrama de estados y de rejilla.
b) Obtenga los valores desconocidos de ambas secuencias.
Solución:
2
Teniendo en cuenta que y [n] = A [n − m] p [m] que responde al esquema de
P
m=0
la figura (1.34).
Figure 1.34: Representación esquemática del canal
Podemos calcular la tabla de salidas para todas las combinaciones posibles de

entradas y estados (hemos denominado p [i] = pi para simplificar la notación):
 Entr. Est.   Salidas 

+1 +1 +1 p0 + p1 + p 2
 +1 +1 −1   p0 + p1 − p 2 
   
 +1 −1 +1     p0 − p1 + p 2 
  p0  
 +1 −1 −1 
  p1  =  p0 − p1 − p 2 (1.139)
 
 
 −1 +1 +1   −p0 + p1 + p2 
 −1 +1 −1  p2
   
 −p0 + p1 − p2 
   
 −1 −1 +1   −p0 − p1 + p2 
−1 −1 −1 −p0 − p1 − p2
A [n] A [n − 1] A [n − 2]
Hay 3 incógnitas por lo que necesitamos 3 condiciones. A partir de ambas se-

cuencias, tenemos:
n -2 -1 0 1 2 3 4 5
A1 [n] 1 1 1 A1 [1] A1 [2] A1 [3] 1 1
o1 [n] -0.1 -1.1 1.3 -0.3 -0.1 -0.1
1.10. EJERCICIOS 51
n -2 -1 0 1 2 3 4 5
A2 [n] 1 1 -1 A2 [1] A2 [2] -1 1 1
o2 [n] -1.1 0.3 0.1 0.1 1.1 -0.1
De la primera secuencia obtenemos: p0 + p1 + p2 = −0.1 mientras que de la

segunda tenemos: −p0 +p1 +p2 = −1.1 y p0 +p1 −p2 = −0.1 obteniéndose finalmente:
p0 = 0.5
p1 = −0.7 (1.140)
p2 = 0.1
siendo por tanto el sistema:
p [n] = 0.5δ [n] − 0.7δ [n − 1] + 0.1δ [n − 2] (1.141)
El diagrama de estados (A [n − 1] , A [n − 2]) es el de la figura (1.35) y el corre-

spondiente diagrama trellis de la figura (1.36).
Figure 1.35: Diagrama de estados
b) Calculamos los valores desconocidos mirando las salidas asociadas a las tran-
siciones en el diagrama de rejilla:
Iniciamos desde el estado (1, 1) en n = 0:
n = 1 → A1 [1] = −1 → pasamos al estado -1 1
n = 2 → A1 [2] = +1 → pasamos al estado 1 -1
n = 3 → A1 [3] = +1 → pasamos al estado 1 1
Iniciamos desde el estado (-1, 1) en n = 0:
n = 1 → A2 [1] = −1 → pasamos al estado -1 -1
n = 2 → A2 [2] = −1 → pasamos al estado -1 -1
que también pueden calcularse de acuerdo a la expresión:
1
Ai [n] = (oi δ [n] − A [n − 1] p [1] + A [n − 2] p [2]) (1.142)
p [0]
Figure 1.36: Diagrama trellis
y las tablas del apartado a).
2. Para poder estudiar las prestaciones de dos canales diferentes se transmite la

siguiente secuencia BPSK, A [n] ∈ {±1}:
n -2 -1 0 1 2 3 4 5 6 7
A [n] +1 +1 +1 -1 +1 -1 -1 -1 +1 +1
A la salida de cada uno de los canales en ausencia de ruido se obtienen las

siguientes secuencias:
n 0 1 2 3 4 5 6 7
o1 [n] +0.1 -0.3 +0.3 -0.3 -0.1 -0.1 +0.3 +0.1
o2 [n] +0.1 -0.3 +0.7 -0.7 +0.3 -0.1 +0.3 -0.3
Sabiendo que el primer canal sólo tiene un retardo (2 muestras) y el otro 2

retardos (3 muestras).
a) Obtenga para cada uno de los canales el conjunto de amplitudes recibidas y
determine para cada uno de los símbolos recibidos el conjunto de símbolos que los
originaron en transmisión.
b) Si en ambos canales se añadiera un ruido AWGN de potencia σn2 y se decidiera
usar un detector sin memoria, calcule las probabilidades de error.
c) Obtenga los canales discretos equivalente p1 [n] , p2 [n] que originan las dos
secuencias recibidas.
d) Obtenga la probabilidad de error en ambos canales si se decide emplear un
detector de secuencia de máxima verosimilitud. ?. Para ello considere la distancia
1.10. EJERCICIOS 53
mínima entre la secuencia que se mantiene en el estado +1 ó (+1, +1) y cualquier

otra secuencia. En cuál de los dos canales será más fiable la transmisión?
0́ (x−µ)2
Nota: √ 1 e− 2σ2 dx = Q µ

2πσ 2 σ
; Q (−x) = 1 − Q (x)
−∞
Solución:
a) En el caso del canal de dos muestras tenemos p1 [n] = α0 δ [n] + α1 δ [n − 1] que
se muestra en la figura (1.37).
Figure 1.37: Esquema del primer canal
Calculamos directamente la tabla de salidas:
Entrada A [n] Estado A [n − 1] Salida o1 [n]

1 1 0.1
-1 1 -0.3
1 -1 0.3
-1 -1 -0.1
que se corresponde con la constelación de la figura (1.38).
Figure 1.38: Constelación recibida. Canal 1

Igualmente para el canal de tres muestras p2 [n] = β0 δ [n]+β1 δ [n − 1]+β2 δ [n − 2]

cuyo diagrama es el de la figura (1.39).
Figure 1.39: Esquema del segundo canal
Calculamos de la misma manera la tabla de salidas:
Entrada Estado Salida

1 1 1 0.1
-1 1 1 -0.3
1 -1 1 0.7
-1 1 -1 -0.7
-1 -1 1 0.3
-1 -1 -1 -0.1
1 -1 -1 0.3
1 1 -1 -0.3
siendo la constelación recibida la mostrada en la figura (1.40).
Figure 1.40: Constelación recibida. Canal 2
Calculamos las probbilidades de error en ambos casos. Por cuestiones de simetría

y equiprobabilidad, podemos centrarnos en un único símbolo, por ejemplo A [n] = 1.
En este caso, el error está condicionado a los contenidos en la memoria del canal
1.10. EJERCICIOS 55

Canal 1: Pe = 1
2
(Pe | A [n − 1] = 1) + 1
2
(Pe | A [n − 1] = −1) = 1
2
Q 0.1
σn
+

1 0.3
2
Q σn
Canal 2: Pe = 14 (Pe | A [n − 1] = 1, A [n − 2] = 1)+ 14 (Pe | A [n − 1] = 1, A [n − 2] = −1) +
+ 41 (Pe| A[n − 1] = −1,
A [n −
1
2] = 1)+4 (Pe | − 1] = −1, A [n − 2] = −1) =
A [n
= 41 Q 0.1
σn
+ 14 Q 0.3
σn
+ 14 Q 0.7
σn
+ 1
4
1−Q 0.3
σn
c) Para el canal p1 [n] = α0 δ [n] + α1 δ [n − 1] a partir de la tabla de salidas
tenemos:
α0 + α1 = 0,1
−α0 + α1 = −0,3
α0 − α1 = 0,3
−α0 − α1 = −0,1
Obteniéndose α0 = 0,2, α1 = −0,1, esto es: p1 [n] = 0,2δ [n] − 0,1δ [n − 1]

Igualmente para el segundo canal p2 [n] = β0 δ [n] + β1 δ [n − 1] + β2 δ [n − 2]:
β0 + β1 + β2 = 0,1
−β0 + β1 + β2 = −0,3
β0 − β1 + β2 = 0,7
−β0 + β1 − β2 = −0,7
−β0 − β1 + β2 = 0,3
−β0 − β1 − β2 = −0,1
β0 − β1 − β2 = 0,3
β0 + β1 − β2 = −0,3
Obteniéndose β0 = 0,2, β1 = −0,3, β3 = 0,2, esto es: p2 [n] = 0,2δ [n] −

0,3δ [n − 1] + 0,2δ [n − 2]:
d) Tomando como referencia a la trayectoria que se mantiene en el estado original,
para el canal 1 mostramos el análisis en la figura (1.41):
Figura 1.41: Cálculo de la distancia mínima. Canal 1

Figura 1.42: Cálculo de la distancia mínima. Canal 2

√
Puede observarse por tanto que la distancia mínima es: Dmin = 0.20 ≈ 0.44.
Igualmente para el canal
√ 2 en la figura (1.42) siendo por tanto en este caso la distan-
cia mínima: Dmin = 0.40 ≈ 0.063. De acuerdo con la fórmula de la probabilidad
de error Pe ≈ kQ 2σ , k = 1 la segunda variante tiene mayor distancia mínima
Dmin
por lo que dará mejores prestaciones.
3. Suponiendo un canal discreto equivalente:
p [n] = 0.5δ [n] + δ [n − 1]

por donde se transmite una secuencia BPSK, A [n] ∈ {±1} en ruido AWGN de
potencia σn2 .
a) Represente el diagrama de estados
b) Calcule la probabilidad de error si se utiliza un detector de secuencia de
máxima verosimilitud.
c) Si se recibe la siguiente secuencia de observaciones:
n 0 1 2 3
q [n] -0.25 +0.5 -1 +1
y asumiendo que A [n] =+1 para n < 0 y n ≥ 3 , obtenga la secuencia trans-

mitida más probable utilizando un detector de secuencia de máxima verosimilitud.
Solución:
El esquema del canal es el mostrado en la figura (1.43).
a) La tabla de salidas se muestra a continuación.

1.10. EJERCICIOS 57
Figure 1.43: Esquema del canal

1 1 1.5
1 -1 -0.5
-1 1 0.5
-1 -1 -1.5
y el diagrama de estados se muestra en la figura (1.44).
Figure 1.44: Diagrama de estados
√
b) Calculamos la distancia mínima en la figura (1.45) obteniéndose Dmin = 5≈
2.23 y la correspondiente probabilidad de error: Pe ≈ Q 2σ .
Dmin

c) Calculamos la secuencia más probable en el trellis en la figura (1.46).

Figure 1.45: Cálculo de la distancia mínima
Figure 1.46: Cálculo de la secuencia más probable
4. Calcule la descomposición en los términos de fase mínima y máxima de la

siguiente función de transferencia.
P (z) = 0.5 + 0.45z −1 − 0.45z −2
Solución:
Primeramente encontramos las raíces de la ecuación asociada: z −2 −z −1 − 0,9
1
= 0:
q
4
1 ± 1 + 0.9
(
5/3
z −1 = =
2 −2/3
obteniéndose por tanto un cero en 3/5 y otro en -3/2. Factorizando tenemos:

−1 5 −1 2
P (z) = K z − z +
3 3
siendo el primer factor correspondiente a un término de fase mínima y el segundo
de fase máxima. Operando para expresar el factor de fase mínima en función de z −1
y el de fase máxima en función de z tenemos:
1.10. EJERCICIOS 59

5 3 −1 2
P (z) = − K 1− z 1 + z z −1
3 5 3
Para calcular la constante Kparticularizamos en z −1 = 0:

5 2 9
0.5 = − K → K=−
3 3 20
quedando finalmente:

3 3 −1 2
P (z) = 1− z 1 + z z −1
4 5 3
e identificando tenemos:
Pmin (z) = 1 − 53 z −1

Pmax (z) = 1 + 32 z
P0 = 34
siendo el término z −1 irrelevante desde el punto de vista de la igualación ya que se
corresponde con un retardo puro.
5. Calcule la descomposición en los términos de fase mínima y máxima del inverso

de la siguiente función de transferencia.
P (z) = 0.5 + 0.45z −1 − 0.45z −2
Solución:
En base al resultado del ejercicio 4,

3 3 −1 2
P (z) = 1− z 1 + z z −1
4 5 3
su sistema inverso queda:
4 1 1
P i (z) = 3 −1
z
1 + 23 z

3 1 − 5z
correspondiendo igualmente el primer factor a un término de fase mínima y el se-
gundo a fase máxima. Ambos términos pueden ponerse en forma de serie geométrica:
∞ n ∞ n
1 X 3 −n
X 3
i
Pmin (z) = = z =1+ z −n
1 − 35 z −1 n=0
5 n=1
5
∞ n ∞ n
i 1 X 2 n
X 2
Pmax (z) = = − z =1+ − zn
1 + 23 z n=0
3 n=1
3
4
P0i =
3
6. Para los siguientes casos, demuestre la coincidencia de expresiones en los

criterios ZF y MMSE cuando la SNR es arbitrariamente grande. Asuma que tanto
la señal como el ruido son procesos blancos e independientes.
a) Las expresiones de las potencias de error de la arquitectura lineal.
b) Las expresiones de las potencias de error de la arquitectura DFE.
c) Las expresiones de los igualadores en la arquitectura lineal
d) Las expresiones de los igualadores en la arquitectura DFE tanto en la parte
directa como la realimentada.
Solución:
a) Recordando la expresión teórica de la potencia de error para la arquitectura
lineal:
ˆπ
σ2 σn2
εLE−M M SE = A dω
2π σA2 |P (ejω )|2 + σn2
−π
que cuando: σA2 σn2 puede aproximarse como:

ˆπ ˆπ
σ2 σA2 σn2 1
εLE−M M SE ≈ n dω = dω = εLE−ZF
2π σA2 |P (ejω )|2 2π |P (ejω )|2
−π −π
2 σ2
σn
b) εDF E−M M SE = γr2
A
siendo
SrM M SE = σA2 P (z) P ∗ (1/z ∗ ) + σn2 = γr2 MrM M SE (z) MrM M SE∗ (1/z ∗ )
2
Por otro lado: εDF E−ZF = σn
γr2
siendo
SrZF = P (z) P ∗ (1/z ∗ ) = γr2 MrZF (z) MrZF ∗ (1/z ∗ )
Ar ser SrM M SE = σA2 SrZF cuando se cumple que σA2 σn2 podemos verificar que
εDF E−M M SE ≈ εDF E−ZF
c) En la arquitectura lineal es inmediato:
1
WZF (z) = P (z)
2 P ∗ (1/z ∗ )
σA 1
WM M SE (z) = 2
σA P (z)P ∗ (1/z ∗ )+σn
2 ≈ P (z)
= WZF (z)
d) Al ser los igualadores directos igual que la parte lineal, queda por demostrar
que los B (z) también son iguales. De hecho, al haber ya demostrado que SrM M SE ≈
σA2 SrZF inmediatamente se deduce que MrM M SE (z) ≈ MrZF (z)por lo que BZF (z) ≈
BM M SE (z)
1.10. EJERCICIOS 61
7. Un canal discreto equivalente de un sistema de comunicaciones viene descrito

por su respuesta al impulso:
p [n] = 0.25δ [n] + δ [n − 1] − 0.25δ [n − 2]

Por él se transmite una secuencia BPSK, A [n] ∈ {±1} en ruido AWGN de potencia
σn2 = 0,1.
a) Calcule la expresión del igualador ZF así como la potencia de error si se utiliza
una estructura lineal.
b) Calcule la expresión del igualador MMSE así como la potencia de error si se
utiliza una estructura lineal.
c) Calcule la expresión del igualador ZF así como la potencia de error si se utiliza
una estructura DFE.
d) Calcule la expresión del igualador MMSE así como la potencia de error si se
utiliza una estructura DFE. π́
Nota: Para a ≥ b y n entero, se cumple: a+bcos(nω)
1
d ω = √a2π
2 −b2
−π
Solución:
a) Tomando transformada de Fourier sobre la respuesta al impulso:
p ejω = 0.25 + e−jω − 0.25e−j2ω

podemos obtener la expresión del módulo:
p ejω 2 = p ejω p∗ ejω = 0.25 + e−jω − 0.25e−j2ω 0.25 + ejω − 0.25ej2ω =

= 1.1250 − 0.1250 cos 2ω
sustituyendo en la expresión del error para el criterio ZF nos queda:

ˆπ ˆπ
σ2 1 σn2 1
εLE−ZF = n dω = dω =
2π |P (ejω )|2 2π 1.1250 − 0.1250 cos 2ω
−π −π
σn2 2π
= √ = 0.0894
2π 1.1252 − 0.1252
Por otro lado, el igualador es: WZF (z) = 1

P (z)
= 1
0.25+z −1 −0.25z −2
b) De forma análoga para el MMSE:
ˆπ
σ2 σn2
εLE−M M SE = A dω =
2π σA2 |P (ejω )|2 + σn2
−π
ˆπ
σ2 1
= n dω = 0.0821
2π 1.1250 + 0.1 − 0.1250 cos 2ω
−π
que se observa es siempre inferior al criterio ZF. En cuanto al igualador:
σA2 P ∗ (1/z ∗ )
WM M SE (z) = =
σA2 P (z) P ∗ (1/z ∗ ) + σn2
0.25 + z − 0.25z 2
=
(0.25 + z −1 − 0.25z −2 ) (0.25 + z − 0.25z 2 ) + σn2
c) Para la estructura DFE-ZF procedemos previamente a factorizar el canal en

componentes de fase mínima y máxima:
1 −2 1
z − 4z −1 − 1 = − z −1 − 4.24 z −1 + 0.24

P (z) = −
4 4
siendo el primr término de fase mínima y el segundo de fase máxima. Expresando

P (z)en la forma habitual tenemos:

1 −1 1 −1
P (z) = − (−4.24) z 1− z (1 + 0.24z) = P0 z −1 Pmin (z) Pmax (z)
4 4.24
La parte directa es:

∗
Pmax (1/z ∗ ) 1 (1 + 0.24z −1 )
W2 (z) = =
P0 Pmax (z) 1.06 (1 + 0.24z)
y la parte realimentada:

∗ ∗ 1 −1
1 + 0.24z −1 = 1 − 0.242 z −2

B (z) = Pmin (z) Pmax (1/z ) = 1 − z
4.24
Para evaluar la potencia del error, calculamos:
∗
Sr (z) = P0 Pmin (z) Pmax (z) P0 Pmin (1/z ∗ ) Pmax
∗
(1/z ∗ ) = γr2 Mr (z) Mr∗ (1/z ∗ )
siendo:
γr2 = P02
∗
Mr (z) = Pmin (z) Pmax (1/z ∗ )
Mr∗ (1/z ∗ ) = Pmax (z) Pmin
∗
(1/z ∗ )
1.10. EJERCICIOS 63
y el error finalmente queda:
σn2
εZF −DF E = = 0.0892
γr2
d) Procedemos de manera análoga para el DFE-MMSE:
∗
Sr (z) = σA2 P0 Pmin (z) Pmax (z) P0 Pmin (1/z ∗ ) Pmax
∗
(1/z ∗ ) + σn2 = γr2 Mr (z) Mr∗ (1/z ∗ )
Operando, obtenemos:
Sr (z) = σA2 P02 1 + 0.24z −1 (1 + 0.24z) (1 + 0.24z) 1 + 0.24z −1 + σn2 =

= 1.225 − 0.0625z −2 − 0.0625z 2 = a − bz −2 − bz 2
Este último polinomio se factoriza en sus componentes de fase mínima y fase

máxima:
a
Sr (z) = −bz 2 1 − z −2 + z −4 = −bz 2 z −2 − 19.54 z −2 − 0.0512 =

b
= 1.2212 1 − 0.0512z −2 1 − 0.0512z 2 = γr2 Mr (z) Mr∗ (1/z ∗ )

por lo que finalmente el error queda:
σA2 σn2
εM M SE−DF E = = 0.0819
γr2
que se observa es ligeramente inferior que para el criterio ZF.

En cuanto a los filtros, tenemos
B (z) = Mr (z) = 1 − 0.0512z −2

y la parte lineal se obtiene como:
σA2 P ∗ (1/z ∗ ) Mr (z)

W2 (z) = =
σA2 P (z) P ∗ (1/z ∗ ) + σn2
(0.25 + z − 0.25z 2 ) (1 − 0.0512z −2 )

=
(0.25 + z −1 − 0.25z −2 ) (0.25 + z − 0.25z 2 ) + σn2
8. Sea un canal en tiempo discreto equivalente banda base descrito por su res-
puesta al impulso:
p [n] = 0.5n u [n]

con un ruido blanco de potencia σn2 = 0,1 por el que se transmite una señal BPSK
A [n] ∈ {±1} de potencia σA2 unitaria. Se desea diseñar y evaluar las prestaciones de
diversos tipos de igualadores.
a) Calcule la función de transferencia del igualador LE-ZF.
b) Calcule la función de transferencia del igualador LE-MMSE.
c) Calcule las funciones de transferencia de los filtros precursor y postcursor
DFE-ZF.
d) Calcule las funciones de transferencia de los filtros precursor y postcursor
DFE-MMSE.
e) Calcule la SNR a la salida del igualador LE-ZF. Compare el resultado si se
utiliza una arquitectura DFE-ZF.
Solución:
a) A partir de la respuesta al impulso podemos calcular las transformadas:
1 1
P ejω =

P (z) = |z| > 0.5
1 − 0.5z −1 1 − 0.5e−jω
siendo igualmente:
2
|P (ejω )| = P (ejω ) P ∗ (ejω ) = 1 1
1−0.5e−jω 1−0.5ejω
= 1
1−0.25−cosω
Por lo tanto:
1
W1 (z) = = 1 − 0.5z −1
P (z)
b) De manera análoga:
1
σA2 P ∗ (1/z ∗ ) 1−0.5z
W1 (z) = 2 = 1 1 =
σA P (z) P ∗ (1/z ∗ ) + σn2 1−0.5z −1 1−0.5z
+ σn2
1 − 0.5z −1
=
−0.05z −1 + 1.125 − 0.05z
c) P (z) es de fase mínima por lo que:

1.10. EJERCICIOS 65
∗
Pmax (1/z ∗ )
W2 (z) = =1
P0 Pmax (z)
igualmente nos queda B (z) = P (z) .

d) Demanera análoga
∗
Sr (z) = σA2 P0 Pmin (z) Pmax (z) P0 Pmin (1/z ∗ ) Pmax
∗
(1/z ∗ ) + σn2 =
−0.05z −1 + 1.125 − 0.05z

=
(1 − 0.5z −1 ) (1 − 0.5z)
Factorizando el numerador:
N (z) = −0.05z z −1 − 22.45 z −1 − 0.0445

siendo el primer factor de fase mínima y el segundo de fase máxima. Operando

queda:
N (z) = 1.1225z 1 − 0.0445z −1 (1 − 0.0445z)

Por lo que queda:
γr2 = 1.1225
(1−0.0445z−1 )
Mr (z) = 1−0.5z−1
Mr∗ (1/z ∗ ) = (1−0.0445z)
1−0.5z
Finalmente tenemos:
(1−0.0445z−1 )
B (z) = Mr (z) = 1−0.5z −1
1−0.5z −1 (1−0.0445z−1 )
W2 (z) = W1 (z) B (z) = −0.05z −1 +1.125−0.05z 1−0.5z −1
e) En el caso lineal:
ˆπ ˆπ
σ2 1 σn2
εZF −LE = n dω = (1 + 0.25 − cosω) dω = 0.125
2π |P (ejω )|2 2π
−π −π
y en el caso realimentado:
σn2
εZF −DF E = = 0.1
σA2 γr2
La SNR resultante se define como:

2
σA
SN RLE = εZF −LE
=8
σA2
SN RDF E = εZF −DF E
= 10
9. Una secuencia BPSK de potencia normalizada se transmite por un canal P (z )

añadiéndose un ruido blanco gaussiano de potencia σn2 = 1/4. Para un igualador de
dos coeficientes,
a) Calcule la solución de Wiener así como la expresión del algoritmo de máxima
pendiente cuando el canal es:
1
P (z) =
1 − 0.5z −1
b) Calcule la solución
de Wiener en ausencia de ruido. Comente el resultado.
a b d −b
Nota: A = A−1 = detA
1
detA = ad − bc
c d −c a
Solución:
La figura 1.47 representa el esquema básico de la igualación adaptativa.
Figure 1.47: Esquema de igualación
a) Calculamos la correlación de q [n] .
rq [m] = ry [m] + rn [m]

ya que son independientes siendo rn [m] = σn2 δ [m]. Operando en el dominio trans-
formado nos queda:
1 1 1
Sy (z) = SA (z) P (z) P ∗ (1/z ∗ ) = σA2 =
1 − 0.5z −1 1 − 0.5z 1.25 − 0.5z −1 − 0.5z
Haciendo la descomposición en fracciones simples:
−2z −1 −2z −1
Sy (z) = = =
z −2 − 25 z −1 + 1 (1 − 0.5z −1 ) (1 − 2z −1 )
4 4
3 3
= −
(1 − 0.5z −1 ) (1 − 2z −1 )
1.10. EJERCICIOS 67
cuya transformada inversa estable es:

4 4
ry [m] = (0.5n u [n] + 2n u [−n − 1]) = 0.5|n|
3 3
Particularizando, la matriz de autocorrelación es:

4 1 4

rq [0] rq [1] +
R= = 3 4 4 4
6
1
rq [1] rq [0] 6 3
+ 4
cuya inversa queda:

4 1 4
−1
−1 3
+ 4 6
0.7677 −0.3232
R = 4 4 1 =
6 3
+ 4
−0.3232 0.7677
Calculamos igualmente la correlación cruzada:
rqA [m] = E {q [n + m] A [n]} = rA [m] ∗ p [m] = p [m] = 0.5m u [m]
siendo el vector de correlación cruzada:

E {q [n] A [n]} rqA [0] 1
p= = =
E {q [n − 1] A [n]} rqA [−1] 0
La solución de Wiener queda por tanto:

4 1 4
−1
−1 3
+ 4 6
1 0.7677
wopt = R p = 4 4 1 =
6 3
+ 4
0 −0.3232
La actualización del algoritmo de máxima pendiente es:
w [n + 1] = (I − µR) w [n] + µp
b) Si no hay ruido rq [m] = ry [m], siendo la matriz

4 4
rq [0] rq [1]
R= = 43 64
rq [1] rq [0] 6 3
cuya inversa queda:

4 4
−1
−1 3 6
1 −0.5
R = 4 4 =
6 3
−0.5 1
y la solución de Wiener
4 4
−1
−1 3 6
1 1
wopt = R p = 4 4 =
6 3
0 −0.5
observándose que es el filtro inverso del canal:

P (z) Wopt (z) = 1

1−0.5z −1
(1 − 0.5z −1 ) = 1
como debe ser porque en este caso el filtro inverso es un FIR de longitud 2, y en
este problema buscamos el igualador FIR de dos componentes óptimo.
10. Una secuencia de símbolos BPSK de potencia unitaria se transmite por un

canal discreto equivalente con ruido blanco de potencia σn2 = 1/4 cuya respuesta al
impulso es:
p [n] = δ [n] − 0.4δ [n − 1]

Para un igualador de dos coeficientes,
a) Calcule la matriz de correlación y el vector de correlación cruzada.
b) Calcule la solución de Wiener
c) Calcule la
potencia
de ISI residual
y de ruido a la salida del igualador.
a b d −b
Nota: A = A−1 = detA1
detA = ad − bc
c d −c a
Solución:
La figura 1.48 representa el esquema básico de la igualación adaptativa:
Figure 1.48: Esquema de igualación
a) Calculamos la correlación de q [n] .
rq [m] = ry [m] + rn [m]
ya que son independientes siendo rn [m] = σn2 δ [m]. Operando en el dominio

transformado nos queda:
Sy (z) = SA (z) P (z) P ∗ (1/z ∗ ) = σA2 1 − 0.4z −1 (1 − 0.4z) =

= 1.16 − 0.4z −1 − 0.4z
cuya transformada inversa es:

1.10. EJERCICIOS 69
ry [m] = −0.4δ [m − 1] + 1.16δ [m] − 0.4δ [m + 1]
Particularizando, la matriz de autocorrelación es:
1.16 + 14

rq [0] rq [1] −0.4
R= =
rq [1] rq [0] −0.4 1.16 + 41
Calculamos igualmente la correlación cruzada:
rqA [m] = E {q [n + m] A [n]} = rA [m] ∗ p [m] = p [m] = δ [m] − 0.4δ [m − 1]
siendo el vector de correlación cruzada:

E {q [n] A [n]} rqA [0] 1
p= = =
E {q [n − 1] A [n]} rqA [−1] 0
b) La solución de Wiener queda por tanto:

−1
1.16 + 14

−1 −0.4 1 0.77
wopt = R p = =
−0.4 1.16 + 14 0 0.21
c) Calculamos el sistema equivalente canal e igualador:
peq [n] = p [n] ∗ wopt [n] = (δ [n] − 0.4δ [n − 1]) ∗ (0.77δ [n] + 0.21δ [n − 1]) =
= 0.77δ [n] − 0.098δ [n − 1] − 0.0840δ [n − 2]
por lo que a la entrada del detector tenemos:
A [n] ∗ peq [n] = 0.77A [n] − 0.098A [n − 1] − 0.0840A [n − 2]
siendo por lo tanto la potencia de ISI:
2
= σA2 0.0982 + 0.08402 = 0.0167

σISI
Por otro lado, la potencia de ruido requiere conocer la correlación del ruido
filtrado:
neq [n] = n [n] ∗ wopt [n] → rneq [m] = σn2 δ [m] ∗ wopt [m] ∗ wopt [−m]
siendo finalmente:
σn2 eq = σn2 wopt [n] ∗ wopt [−n] |m=0 = σn2 wopt

2 2

[0] + wopt [1] = 0.16
11. Se considera un canal de la forma p[n] = 1 − αz −1 con α real.

(a) Obtener el filtro igualador correspondiente al esquema LE-ZF para |α| < 1
y para |α| > 1.
(b) Obtener los filtros del esquema DFE-ZF consderando los dos casos indicados
en el apartado anterior. Calcular en cada caso la energía del error de decisión.
Explicar en todos los casos cómo implementar los filtros de forma estable.
Solución
(a) Esquema LE-ZF: El procedimiento general consiste en utilizar la factori-
zación
P (z) = z r P0 Pmin (z)Pmax (z).
El filtro igualador LE-ZF es
1 1
W (z) = =
P (z) P0 Pmin (z)Pmax (z)
que se puede ver como la composición en serie de un filtro causal estable P0 Pmin
1
(z)
con
el filtro anticausal estable Pmax (z) . El primero se puede implementar de forma exacta
1
mientras que el segundo se implementa mediante su aproximación FIR obtenida me-

diante truncado y desplazamiento. El factor z r se compensa con un desplazamiento
en el origen de tiempos, que no consideraremos explícitamente.
Suponemos primero |α| < 1, con lo que
P (z) = 1 − αz −1
tiene un cero en z = z0 = −α, |z0 | = |α| < 1. Por tanto P (z) = Pmin (z) y el
filtro W (z) = P (z)
1
= Pmin1
(z)
se puede implementar de forma exacta como un filtro
recursivo.
Si por el contrario |α| > 1 tenemos |z0 | = |α| > 1 y
P (z) = 1 − αz −1 = αz −1 (1 − α−1 z)
luego Pmin (z) = 1, Pmax (z) = 1 − α−1 z, P0 = α y el filtro W (z) = P (z)

1 1
= P0 Pmax (z)
=
1
α(1+α−1 z)
se debe implementar de forma aproximada mediante truncado y retardo.
Este retardo retrasará la decisión sobre los símbolos recibidos.
(b) Esquema DFE-ZF: Las fórmulas generales son
∗
∗ Pmax (1/z ∗ )
B(z) = Pmin (z)Pmax (1/z ∗ ), W (z) = .
P0 Pmax (z)
En el caso |α| < 1 ya hemos visto que Pmin (z) = P (z), Pmax (z) = 1, P0 = 1. Por
tanto
B(z) = Pmin (z) = P (z), W (z) = 1
1.10. EJERCICIOS 71
es decir, no existe filtro en serie y toda la ISI la elimina el filtro de realimentación. El

filtro B(z) − 1 es, como debe, estable y estrictmente causal. Se puede implementar
exactamente como un filtro recursivo. La energía del error de decisión es
σn2
= = σn2 .
|P0 |2
En el caso |α| < 1 hemos visto que Pmin (z) = 1, Pmax (z) = 1 − α−1 z, P0 = α, luego
∗
∗ Pmax (1/z ∗ ) 1 − α−1 z −1
B(z) = Pmax (1/z ∗ ) = 1 − αz −1 , W (z) = = .
P0 Pmax (z) α(1 − α−1 z)
Este último filtro se puede implementar poniendo en serie el filtro anticausal estable
1
Pmax (z)
= 1+α1−1 z con el filtro causal estable P10 Pmax
∗
(1/z ∗ ). El segundo es implementa-
ble de forma exacta, mientras que el primero se debe transformar en FIR mediante
truncado y retardo, como hemos indicado para este mismo filtro en el apartado
anterior. La energía del error de decisión es
σn2 σn2
= = .
|P0 |2 α2
Hemos hallado por tanto que para este canal y este esquema
(
σn2 si |α| < 1,
DF E−ZF (α) =
σn /α si |α| > 1.
2 2
12. Sea el esquema de la figura en el que se muestra el procedimiento para

la estima adaptativa de un canal de comunicaciones descrito por su respuesta al
impulso
M
X −1
p [n] = αk δ [n − k]
k=0
mediante un sistema FIR w [n] con N = 2 coeficientes asumiendo que se transmite

una secuencia BPSK, A [n] ∈ {±1} en ruido AWGN de potencia σn2 .
a) Considerando que todas las variables son reales, determine el sistema óptimo
wopt [n] si M = N = 2 según el criterio MMSE y que por tanto verifica el principio
de ortogonalidad:
E {A [n] e [n]} = E {A [n] (q [n] − v [n])} = 0

T T
donde A [n] = A [n] A [n − 1] . Además, v [n] = A [n]T w con w = w [0] w [1]

T
y por otro lado q [n] = Ã [n]T p + n [n] con Ã [n] = A [n] A [n − 1] · · · A [n − (M − 1)]

T T
y p = p [0] p [1] · · · p [M − 1]

= α0 α1 · · · αM −1
b) Repita el análisis cuando M = 3. Comente 2 el resultado.
c) Calcule la potencia del error mínimo E e [n] |w=wopt en ambos casos.

Solución:
a) Aplicando el principio de ortogonalidad:
n o
T T
E {A [n] (q [n] − v [n])} = E A [n] Ã [n] p + u [n] − A [n] w =
n o n o
T T
= E A [n] Ã [n] p + E {A [n] u [n]} − E A [n] A [n] w = 0
teniendo
en
cuenta que Ã [n] = A [n] y que E {A [n] u [n]} = 0 nos queda wopt =
α0
p= .
α1
b) El proceso es análogo al anterior excepto que ahora

n
T
o A [n] T 1 0 0
σA2

E A [n] Ã [n] =E A [n] A [n − 1] A [n − 2] =
A [n − 1] 0 1 0
 
α0
1 0 0 1 0 0  α1  = σA2 α0 , quedando
Por tanto σA2 p = σA2
0 1 0 0 1 0 α1
α2
α0
igualmente wopt = .
α1
Se observa que en este caso tenemos grados de libertad insuficientes por lo que
sólo podemos estimar las dos primeras componentes del sistema desconocido.
c) La expresión de la potencia del error es:
E e2 [n] = E (q [n] − v [n])2 = E (q [n])2 + E (v [n])2 − 2E {q [n] v [n]} =

M
X −1 1
X n o
= σA2 αk2 + σn2 + σA2 wk2 − 2wT E A [n] Ã [n]T p
k=0 k=0
.
En el caso óptimo nos queda:
1
X M
X −1 1
X 1
X M
X −1
E e2 [n] = σA2 αk2 +σA2 αk2 +σn2 +σA2 αk2 −2σA2 αk2 = σn2 +σA2 αk2

k=0 k=2 k=0 k=0 k=2
1.10. EJERCICIOS 73
Por lo que en caso del apartado a) E {e2 [n]} = σn2 y en el caso b) E {e2 [n]} =
σn2 + σA2 α22
Capítulo 2
Modulaciones Multiportadora
2.1. Introducción
Las modulaciones multiportadora se basan en un proceso de transmisión en para-
lelo de un conjunto de N símbolos de una constelación arbitraria usando unas formas
de onda específicas. Para minimizar la interferencia entre estas formas de onda, se
fuerza a que pertenezcan a una base ortonormal y en particular se escogen sinusoides
(autofunciones de los sistemas lineales) de longitud finita T (dejan por tanto de ser
autofunciones). En este caso, hablaremos de modulaciones OFDM (Orthogonal Fre-
quency Division Multiplex) aunque existen otras variantes de planteamiento similar.
En la figura siguiente representamos esquemáticamente la transmisión monoporta-
dora / multiportadora.
Figura 2.1: Modulaciones monoportadora / multiportadora
Aunque aparentemente son más complejas que otras modulaciones ya vistas, son
extraordinariamente populares por una serie de razones:
Alta eficiencia espectral
Sencillez en la implementación.
Flexibilidad para acomodar anchos de banda arbitrarios
Robustez para la transmisión en canales con ISI
Sencillez en la igualación
75
76 CAPÍTULO 2. MODULACIONES MULTIPORTADORA
En este capítulo vamos a proceder inicialmente a explicar los fundamentos en el

dominio del tiempo continuo para extender las ideas al tiempo discreto, que es
donde realmente se realiza el procesado de modulación y demodulación, y finalmente,
introducir una representación de todos los procesos bajo la perspectiva del álgebra
matricial que da lugar a un planteamiento análogo de gran claridad. En cualquier
caso, siempre consideraremos una representación paso bajo equivalente.
Casi todos los contenidos están basados en el libro de Antonio Artés (capítulo
8) por lo que se recomienda revisar este texto para una mejor y más completa
comprensión de los contenidos.
2.2. Análisis en el dominio del tiempo continuo

La figura siguiente muestra el esquema de la generación de la forma de onda de
transmisión:
Figura 2.2: Generación de la señal OFDM
siendo:
∞ N
X X −1
s (t) = Ak [n] φk (t − nT ) (2.1)
n=−∞ k=0
Puede observarse una reestructuración de la secuencia de datos (mediante un

conversor serie – paralelo) que se organiza en bloques de N símbolos que se trans-
miten simultáneamente. Igualmente, las formas de onda son:
( 2πkt
√1 ej T 0 ≤ t < T
φk (t) = T (2.2)
0 resto
Es sencillo demostrar que forman una base ortonormal:
ˆT
1 2πkt 2πlt
hφk (t) , φl (t)i = ej T e−j T dt = δ [k − l] (2.3)
T
0
2.2. ANÁLISIS EN EL DOMINIO DEL TIEMPO CONTINUO 77
El esquema de la figura (2.2) puede simplificarse si nos percatamos de que todos

los pulsos pueden ponerse en función de un pulso básico (identificado con el índice
0):
2πk (t−nT ) 2πkt
φk (t − nT ) = φo (t − nT ) ej T = φo (t − nT ) ej T (2.4)
Figure 2.3: Generación de la señal OFDM. Representación alternativa
Donde fk = k/T . Es sencillo verificar que la transformada de Fourier de estos

pulsos es de tipo sinc por lo que su transformada de Fourier queda:

/2) −j ω T
1
(φk (t)) = √1T 2π 2πδ ω − k 2π ∗ 2 sin(ωT

Φk (j ω) = T F T ω
e 2 =
2sin((ω−k 2π (2.5)
T )
T /2) −j (ω−k 2π ) T
= √1T 2π
ω−k T
e T 2
cuyo módulo cuadrado es:
ω − k 2π

1 2sin T /2 2 2π T
2
|Φk (j ω) | = | T
| = T sinc 2
ω−k (2.6)
T ω − k 2π
T
T 2π
recordando que sinc (x) = sin(πx

πx
)
. En la figura (2.4) se muestra el espectro de un
par de portadoras a modo de ejemplo.
El cálculo del espectro de la señal transmitida a partir de la función de autoco-

rrelación es más complicado por tratarse de un proceso cicloestacionario (véase la
demostración en el anexo 1) obteniéndose:
N −1
1X
SS (j ω) = ES,k |Φk (j ω) |2 (2.7)
T k=0
Figure 2.4: Espectro de los pulsos de transmisión.
La potencia transmitida (teniendo en cuenta que los pulsos están normalizados

en energía) queda por tanto:
ˆ∞ N −1 ˆ∞ N −1
1 1X 1 1X
P = SS (j ω) d ω = ES,k 2
|Φk (j ω) | d ω = ES,k (2.8)
2π T k=0 2π T k=0
−∞ −∞
teniendo en cuenta la condición de ortonormalidad que implica que las funciones base
sean de energía unitaria. El espectro de la señal OFDM tiene la siguiente forma:
Figura 2.5: Espectro de la señal OFDM (N =8, izquierda, N =64, derecha)
Si, por sencillez asumimos que en cada portadora hay una modulación lineal
arbitraria de M bits (QAM), la potencia media es:
N Es
P = (2.9)
T
Siendo la eficiencia espectral
N log2 M N log M
ε= = N 2 = log2 M (2.10)
BT T
T
que coincide con la de la correspondiente modulación lineal y además da lugar a la
misma fórmula de la probabilidad media de error de símbolo en AWGN si todas las
portadoras transmiten la misma constelación M-QAM :
2.2. ANÁLISIS EN EL DOMINIO DEL TIEMPO CONTINUO 79
r !
1 3snr
Pe ≈ 4 1 − √ Q (2.11)
M M −1
ya que aunque la potencia se divida por N en cada portadora, también lo hace el

ancho de banda de ruido en el mismo factor. Este resultado vale para cualquier
tipo de modulación de amplitud basada en pulsos ortogonales.
De acuerdo con esta idea podemos interpretar un sistema OFDM como una
transmisión en paralelo de N modulaciones lineales, por lo que el receptor óptimo
va a estar formado por un banco de filtros adaptados a cada uno de los pulsos.
Figura 2.6: Diseño del receptor de un sistema OFDM
En ausencia de ruido y canal, se demuestra que v(t)=s(t). Si calculamos la salida

ql (t) en una cualquiera de las ramas tenemos
´
∞ ∞ NP
−1
ql (t) = s (t) ∗ φ∗l (−t) = Ak [m] φk (τ − mT ) φ∗l (− (t − τ )) d τ =
P
∞ NP
−1 ´
∞
−∞m=−∞ k=0
(2.12)
Ak [m] φk (t + τ − mT ) φ∗l (τ ) d τ
P
=
m=−∞ k=0 −∞
Y muestreamos en el instante nT -ésimo tenemos
∞ N
X X −1 ˆ ∞
ql (nT ) = Ak [m] φk (τ + nT − mT ) φ∗l (τ ) d τ = (2.13)

m=−∞ k=0 −∞
N
X −1 ˆT
= Ak [n] φk (τ ) φ∗l (τ ) d τ = Al [n] (2.14)
k=0 0
que se observará es una aplicación directa de la teoría expuesta en el tema 1.

2.3. Análisis en el dominio del tiempo discreto

Sabemos por el teorema de muestreo de Nyquist que la representación inequívoca
de una señal real en tiempo continuo a partir de sus muestras equiespaciadas exige
una velocidad de muestreo de al menos el doble de la frecuencia máxima. Este
aspecto, sin embargo, no puede aplicarse de forma rigurosa en el caso de la señal
OFDM por ser ésta de ancho de banda infinito. Por lo tanto, hemos de relajar el
concepto de intervalo en el cual está contenida la mayor parte de la energía de
la señal (ancho de banda). Si, por ejemplo, observamos con detenimiento la figura
(2.5), podemos concluir (tanto más cuanto mayor en N ) que la energía de los pulsos
(y por tanto de la densidad espectral de energía) se concentra entre 0 y 2πN /T.
Al ser la señal compleja, podemos tomar este valor como frecuencia de muestreo,
observándose que es como si tomáramos N muestras por periodo T. La señal a
transmitir en su equivalente discreto sería s[m]=s(mT /N ),
XN
X −1
s [m] = Ak [n] φk (mT /N − nT ) (2.15)
n k=0
Con objeto de hacer una interpretación sencilla de estas ecuaciones, vamos a

centrarnos en N valores consecutivos de s[m] correspondientes a n=0.
N −1 N −1
X 1 X 2πkm
s [m] = Ak [0] φk (mT /N ) = √ Ak [0] ej N ; m = 0, · · · , N − 1 (2.16)
k=0
T k=0
Antes de continuar, hemos de recordar la definición del operador DFT (IDFT )

de un vector de N muestras
−1
NP 2πn
x [k] = DF T (x̂ [n]) = √1
N
x̂ [n] e−jk N ; 0≤k ≤N −1
n=0
−1
NP (2.17)
√1 jk 2πn
x
b [n] = IDF T (x [k]) = N
x [k] e N ; 0≤n≤N −1
k=0
Nota: en distintos libros pueden aparecer estos operadores con constantes de

proporcionalidad distintos de los aquí empleados. Nosotros hemos optado por esta
definición por simplicidad. Igualmente hemos denotado a la secuencia en el tiempo
con el acento circunflejo x
b [n] mientras que para el dominio de la DFT tenemos x [k].
Esta notación simplificará la interpretación posterior de este proceso de modulación.
Podemos mencionar a modo de recordatorio que, salvo un factor de escala, la DFT
es la transformada de Fourier particularizada:
1 2π
TF
x [k] = √ X ejk N , x b [n] ←→ X ejω (2.18)

N
A partir
q de esta definición podemos identificar s[m] en (2.15) (salvo un factor de
escala N
T
) como la IDFT de la secuencia Ak [0].
2.3. ANÁLISIS EN EL DOMINIO DEL TIEMPO DISCRETO 81
q
N
Â [0] = T
IDF T (A [0])
Â [0] = s [m] m = 0, · · · , N − 1 (2.19)
A [0] = Ak [0] k = 0, · · · , N − 1
Esta interpretación permite obtener un diagrama de bloques como el mostrado
en la figura (2.7) muy sencillo de manipular (hemos obviado el valor de la constante
por claridad), donde el bloque P/S (S/P) representa un conversor paralelo – serie
(serie – paralelo) de las muestras implicadas y g(t) es el filtro reconstructor (ideal)
tal como lo estudiamos en Señales y Sistemas, pero operando a una velocidad de
T /N.
Figure 2.7: Diseño del transmisor de un sistema OFDM mediante el operador IDFT
(
|ω| < πN

Nt T
g (t) = sinc ↔ G (j ω) = T
(2.20)
T TF 0 resto
A partir del concepto de DFT, el sistema receptor es inmediato:
Figure 2.8: Diseño del receptor de un sistema OFDM mediante el operador DFT
En la siguiente sección vamos a formular con detenimiento este proceso obviando

el efecto de las constantes puesto que en definitiva lo que se suele suponer a efectos
de análisis es que se transmite una señal de potencia unitaria por portadora.
2.4. Representación matricial. Canal AWGN

Por ser un canal AWGN, podemos expresar de forma muy sencilla cada uno de
los bloques transmitidos de forma independiente. Si ya hemos visto que la clave del
análisis es el operador DFT, su formulación queda más compacta si somos cons-
cientes de que este operador puede interpretarse como una multiplicación matricial
x = Fx̂ siendo F una matriz unitaria definida como:
 
1 1 1 ··· 1
2π 2π2 2π(N −1)
1 e−j N e−j N ··· e−j N
 

1  2π2 2π4 2π2 (N −1)
e−j N e−j N e−j N (2.21)

F= √  1 ··· 
N .. .. .. ..

. . . . 

2π(N −1) 2π2 (N −1) 2π(N −1)(N −1)
1 e−j N e−j N ··· e−j N
Puede observarse que cada columna se corresponde a una componente de la base

equivalente a la mostrada en la sección 2.2 pero ahora en tiempo discreto. Al ser F
una matriz unitaria, se cumple que F−1 = FH siendo FFH = I.
De esta forma, el operador IDFT se define de forma inmediata para un bloque
arbitrario A[n]:
Â [n] = IDF T (A [n]) = FH A [n] (2.22)
donde puede observarse, por ser F unitaria, que se transmite una potencia unitaria
por portadora, tal como hemos establecido. Incluyendo el efecto del ruido, el modelo
discreto establece que la señal recibida es:
q̂ [n] = FH A [n] + n [n] (2.23)
siendo n un vector Gaussiano representando el ruido en cada una de las muestras.

El receptor es básicamente el operador DFT actuando como representación discreta
del conjunto de filtros adaptados.
q [n] = Fq̂ [n] = FFH A [n] + Fn [n] = A [n] + Fn [n] (2.24)
Obsérvese que el ruido sigue siendo gaussiano y blanco N (0, σn2 I). En definitiva
tenemos un conjunto paralelo de N símbolos de una (o varias constelaciones) con
una relación señal a ruido en cada portadora.
σA2 k
SNRk = (2.25)
σn2
por lo que podemos concluir que las prestaciones de un sistema OFDM serán las
mismas que la de sus constelaciones correspondientes en cada portadora.
2.5. LOS SISTEMAS OFDM EN CANALES CON INTERFERENCIA ENTRE SÍMBOLOS. FORMULACIÓN
2.5. Los sistemas OFDM en canales con interfe-

rencia entre símbolos. Formulación algebraica
y matricial.
Sin duda, el aspecto más llamativo de las comunicaciones OFDM es el hecho
de que tienen un comportamiento muy robusto en canales con interferencia entre
símbolos. Esta notoriedad se debe a la inclusión del denominado ‘Prefijo Cíclico
(PC)’ que consiste en copiar al inicio de cada símbolo OFDM sus últimas muestras.
Esto hace que el símbolo se alargue de N a N +M muestras con la consiguiente
pérdida de eficiencia espectral. Sin embargo, supone una importante modificación
tal como vamos a explicar a continuación reduciendo enormemente la complejidad
de la igualación siempre que M sea mayor que la duración del canal.
Figura 2.9: Esquema del prefijo Cíclico
En este capítulo empezaremos con una aproximación intuitiva para posterior-

mente describir el problema desde una perspectiva algebraica y finalmente, re-
plantearlo desde un punto de vista matricial. Ambos planteamientos son equiva-
lentes.
2.5.1. Aproximación intuitiva

Si consideramos como ejemplo la transmisión de dos sinusoides de longitud finita,
puede observarse que el efecto convolutivo del canal rompe la ortogonalidad de la
señal recibida si no hay PC (véase la figura 2.10).
Si por el contrario, tenemos PC como se muestra en la figura (2.11), esta parte

permite acomodar el transitorio de arranque del símbolo actual así como el transi-
torio de cola del símbolo anterior.
En el receptor, el prefijo cíclico se elimina puesto que tiene información redun-

dante (cola del símbolo pasado) y además cuenta con respuestas de tipo transitorio
(cola de arranque del símbolo actual). Este aspecto, permite tratar igualmente la
transmisión OFDM símbolo a símbolo también en el caso de transmisión por un
canal con ISI.
En la siguiente sección vamos a hacer un planteamiento riguroso que nos permita
deducir bajo qué condiciones hay ISI (interferencia entre símbolos) e ICI (interfe-
rencia entre portadoras) y cuál es el efecto del prefijo cíclico.
Figura 2.10: OFDM sin PC
2.5.2. Formulación algebraica

2.5.2.1. Planteamiento analítico en ausencia de prefijo cíclico.
Partamos nuevamente del modelo general en tiempo discreto (dejando el ruido
de lado pues ya sabemos que se mantiene el carácter AWGN del mismo) cuando no
hay prefijo cíclico para posteriormente extenderlo al caso en el cual sí lo haya. En el
esquema de la figura (2.12) se sintetizan los esquemas anteriores de forma unificada.
La expresión de la secuencia q[m] para una cierta frecuencia que denotaremos

como qi [n] puede interpretarse como una convolución:
N
X −1
qi [n] = Al [n] ∗ pi,l [n] ; (2.26)
l=0
Es decir, como la suma de las contribuciones de todas las portadoras siendo

pi,l [n] el canal discreto equivalente entre la portadora l -ésima del transmisor y la
i -ésima del receptor en los instantes de muestreo nT. Para calcular estos valores,
partamos de la versión en tiempo continuo:
pi,l (t) = φl (t) ∗ h (t) ∗ φ∗i (−t) (2.27)

Representando el efecto de los distintos bloques tenemos para m, l ∈ (0, N − 1):
N −1N −1
1 X X j l2 πk j −i2 πv T T
pi,l (t) = e N e N g t−k ∗
∗ h (t) ∗ g −t − v ; (2.28)
N v=0 k=0 N N
Donde pueden distinguirse:

Figura 2.11: OFDM con PC
Figura 2.12: Diagrama de bloques del sistema completo
−1
NP l2 πk
Pulso trasmisor portadora l √1 T

N
ej N g t − kN
NP
k=0
−1 (2.29)
i2 πv
Pulso receptor portadora i √1 e−j N g ∗ T

N
−t − vN
v=0
Si ahora consideramos el canal equivalente d (t):
d (t) = g (t) ∗ h (t) ∗ g ∗ (−t))
−1NP
NP −1 l2 πv −i2 πk
1 T
∗ h (t) ∗ g ∗ −t − k N
T

pi,l [n] = pi,l (t) |nT = N
ej N ej N g t − vN |t=nT
v=0 k=0
(2.30)
Si ahora definimos
d [m] = d (t) |t=mT /N

como la versión muestreada de d (t) a la velocidad de muestreo del receptor, podemos
finalmente expresar:
N −1N −1
1 X X j l2 πk j −i2 πv
pi,l [n] = e N e N d [nN + v − k] (2.31)
N v=0 k=0
donde implícitamente se observa un proceso de diezmado por N indicando que nos
quedamos con 1 de cada N muestras.
Está claro que para que no haya ISI debe cumplirse que:
pi,i [n] = αδ [n] (2.32)

E igualmente para que no haya ICI debe cumplirse:
pi,l [n] = 0 ∀l 6= i, y l, i = 0, · · · , N − 1 (2.33)

Dependiendo de d [m] podremos observar si en un caso determinado se experi-
menta ISI o ICI. Puede verificarse que el único canal en el que no hay ISI ni ICI es
d [m] = αδ [m].
2.5.2.2. Planteamiento analítico en presencia de prefijo cíclico

La expresión anterior puede ser generalizada si se incluye un prefijo cíclico de M
muestras de forma sencilla para k ∈ (−M, N − 1) , v ∈ (0, N − 1).
N −1 N −1
1 X X j l2 πk j −i2 πv T T
pi,l (t) = e N e N g t−k ∗
∗ h (t) ∗ g −t − v ; (2.34)
N v=0 k=−M N N
Donde pueden igualmente distinguirse:

−1
NP l2 πk
Pulso trasmisor portadora l √1 T

N
ej N g t − kN
NP
k=−M
−1
(2.35)
i2 πv
Pulso receptor portadora i √1 e−j N g ∗ T

N
−t − vN
v=0
Obsérvese que el prefijo cíclico supone añadir M muestras al principio de la

sinusoide. Realizando un proceso similar al caso sin prefijo cíclico obtenemos:
N −1 N −1
1 X X j l2 πk j −i2 πv
pi,l [n] = e N e N d [n (N + M ) + v − k] (2.36)
N v=0 k=−M
que es análogo al anterior pero ahora remarcándose que el diezmado es por un factor
de N +M muestras indicando que el prefijo se desecha convenientemente.
Finalmente, podrá comprobarse que si M es igual o mayor que la duración del
canal (en término del número de retardos), se obtiene:
2π
pi,l [n] = D eji N δ [n] δ [l − i] (2.37)
que se denomina canal multiplicativo frente al canal convolutivo tal como hemos
adelantado en apartados anteriores.
2.5.2.3. Diagrama de bloques
Como ya hemos visto, el prefijo cíclico convierte el canal convolutivo en multi-

plicativo pudiéndose representar en el siguiente diagrama de bloques donde d [m] es
el canal equivalente que incluye el filtro transmisor, el canal y el filtro receptor.
2π Su
transformada de Fourier particularizando en una cierta frecuencia es D eji N =
D [i] en la notación de la figura.
Por lo tanto, el efecto del prefijo cíclico transforma el diagrama de bloques de la
figura (2.12) en el de la figura (2.13):
Figure 2.13: Diagrama de bloques equivalente
Donde en definitiva tenemos para cada portadora, ahora ya añadiendo el efecto

del ruido:
2π
qi [n] = Ai [n] D eji N + ni [n] (2.38)
Por otro lado, ni son muestras del ruido en cada portadora también de carácter
blanco. Por lo tanto, al contar con el prefijo cíclico, las distintas portadoras man-
tienen su carácter de autofunciones de los sistemas lineales y así, el efecto del canal
es una constante compleja obtenida como el valor de la respuesta en frecuencia del
canal a la frecuencia de cada portadora.
En formato matricial este análisis queda muy simplificado:
q [n] = DA [n] + n [n] (2.39)
Donde:
 
D (ej0 ) 0 ··· 0
2π
.. ..
j . .
 
 0 D e N 
D= . ... ... (2.40)
 
 ..

 0
2π(N


−1)
j
0 ··· 0 D e N
2.5.3. Formulación matricial

En este apartado vamos a replantear los casos anteriores bajo una perspectiva
matricial (haciendo mención que numeramos los índices de las matrices a partir de
cero). No se considerará el efecto del ruido porque es irrelevante a este efecto.
2.5.3.1. Prefijo cíclico de longitud suficiente

Suponemos que d[m] es cero fuera de m = 0, . . . , L y que el prefijo cíclico tiene
M = L muestras. Recordamos en primer lugar que la convolución ordinaria de una
señal genérica x[m] con d[m] también se puede expresar matricialmente:
 
x[−M ]
    x[−M + 1]
y[0] d[L] · · · d[1] d[0]  .. 
.
 
 y[1]   d[L] · · · d[1] d[0]   
..  =  . x[0] (2.41)
    

. . .
 
x[1]
    

..

y[N − 1] d[L] · · · d[1] d[0]  
. 
x[N − 1]
Aplicado a nuestro caso y utilizando el subrayado para marcar los términos

asociados al prefijo cíclico tenemos:
 
q̂0 [n]
  q̂1 [n]
= ..
 
.

 
q̂N −1 [n]
d[L] d[L − 1] ···
 
d[1] d[0] 
ÂN −L [n]
 d[L] d[L − 1] · · · d[1] d[0]  ..
.. .. .
  
. .
  

  ÂN −1 [n] 
 
= d[L]
 
  Â0 [n] 

··· 0 d[L] d[0]

..
  
.. .

.
 
  
0 ··· 0 d[L] · · · d[0] ÂN −1 [n]
(2.42)
Como ya hemos comentado, hemos denotado con el acento circunflejo al vector
de datos de entrada una vez transformado por la DFT inversa que hace el proceso
de modulación, que para cualquier instante de tiempo n nos queda:
   
Â0 [n] A0 [n]
 Â1 [n]    A1 [n]
..
H
=F  .. (2.43)
  
. .
 
   
ÂN −1 [n] AN −1 [n]
Separamos la parte correspondiente al prefijo cíclico:
d[L] d[L − 1] ···

 
d[1]
   d[L] ··· d[2] 
q̂0 [n] ..
  
 q̂1 [n] 
 .  Â
N −L [n]
..
 
 ..  = d[L]  .
    
 . 
 
 0 ··· ··· 0  Â
 
N −1 [n]
q̂N −1 [n] ..
.
 
 
0 ··· ··· 0
 
d[0]
 d[1] d[0]  
 . Â0 [n]
 . ..

 . . 
  Â [n] 
 1
+  ..  (2.44)
 
.

d[L] d[0]
  


 ... ...  ÂN −1 [n]

d[L] ··· d[1] d[0]
Añadimos ceros a la izquierda de la primera matriz para hacerla cuadrada:
0 ··· 0 d[L] d[L − 1] · · ·

 
d[1]
  0 · · · 0 d[L] ··· d[2]   
q̂0 [n] 
..
 Â 0 [n]
 q̂1 [n] 

 . 
  Â [n] 
 1
 ..  =  d[L]  .
   
 .  .
.

0 · · · 0 0 ··· ··· 0 
  
q̂N −1 [n]  ..  Â
N −1 [n]
 . 
0 ··· 0 0 ··· ··· 0
 
d[0]
 d[1] d[0]  
 . Â0 [n]
 . ..

 . . 
  Â [n] 
 1
+  .. (2.45)
 
.
 
d[L] d[0]
  

.. ..  ÂN −1 [n]
. .

 
d[L] ··· d[1] d[0]
Sumamos las matrices y obtenemos una matriz que tiene carácter circulante:
d[L] d[L − 1] · · ·
 
d[0] d[1]
   d[1] d[0]
 . d[L] ··· d[2]   
q̂0 [n]  . .. ..
 Â0 [n]
q̂1 [n]  . . . 
    Â1 [n] 
.. = d[L] .. (2.46)
     
. .
   
d[L] d[0]
     

q̂N −1 [n] .. .. ÂN −1 [n]
. .
 
 
d[L] ··· d[1] d[0]
| {z }
C
Observamos que, en el caso general, la matriz circulante obtenida tiene ceros.

Para que quedara rellena la longitud del prefijo debería ser L = M = N − 1. Si
introducimos ahora el efecto del demodulador en términos de la transformada DFT
nos queda:
q[n] = Fq̂ [n] = FCÂ[n] = FCFH A[n] (2.47)
donde es bien conocido de las propiedades de las matrices circulantes que son dia-
gonalizadas por la DFT siendo la matriz diagonal resultante las muestras de la
transformada de Fourier de la secuencia d [m]:
 
D (ej0 ) 0 ··· 0
2π
.. ..
j . .
 
 0 D e N 
H
FCF =  . .. .. (2.48)
 
 .. . .

 0
2π(N


−1)
j
0 ··· 0 D e N
Véamoslo ahora más claramento con un ejemplo concreto suponemos N = 4, L =

M = 2, con lo que tenemos
 
Â2 [n]
   
q̂0 [n] d[2] d[1] d[0] Â3 [n]

q̂1 [n]  d[2] d[1] d[0]  Â0 [n]

  =   
q̂2 [n]  d[2] d[1] d[0]  Â1 [n]

q̂3 [n] d[2] d[1] d[0] Â2 [n]
 
Â3 [n] 
   
d[2] d[1] d[0] Â0 [n]

d[2] Â2 [n] d[1] d[0]  Â1 [n]
 
= 

 Â [n] + d[2] d[1] d[0]
  
 Â2 [n]

3
d[2] d[1] d[0] Â3 [n]
(2.49)
Añadimos ceros a la izquierda de la primera matriz para que quede cuadrada y
podamos sumarla a la segunda,
       
q̂0 [n] 0 0 d[2] d[1] Â0 [n] d[0] Â0 [n]
q̂1 [n]
 = 0 0 d[2] Â1 [n]  d[1] d[0] Â1 [n]
    

q̂2 [n] 0 0
 +  
 Â2 [n] d[2] d[1] d[0] Â2 [n]

q̂3 [n] 0 0 Â3 [n] d[2] d[1] d[0] Â3 [n]
  
d[0] d[2] d[1] Â0 [n]
d[1] d[0] d[2] Â1 [n]
  
= 
d[2] d[1] d[0]  Â2 [n]


d[2] d[1] d[0] Â3 [n]
(2.50)
y obtenemos una matriz circulante, como esperamos.
2.5.3.2. Prefijo cíclico de longitud insuficiente
Cuando L > M , el prefijo cíclico no tiene longitud suficiente para evitar la

interferencia entre símbolos y portadoras. Ilustramos con ejemplos el cálculo de ISI
e ICI en este caso por métodos matriciales para dos escenarios, uno sin prefijo cíclico
y otro con un prefijo insuficiente.
a) Consideramos en primer lugar un sistema con N = 4 portadoras, sin prefijo
cíclico (M = 0) y con canal d[n] = δ[n] + αδ[n − 1] (L = 1).
Tenemos
 
    Â3 [n − 1]
q̂0 [n] d[1] d[0]  Â [n] 
q̂1 [n]  0
d[1] d[0]  
=  Â [n] (2.51)
 
q̂2 [n]  1
d[1] d[0]   
 
 Â2 [n] 
q̂3 [n] d[1] d[0]
Â3 [n]
Procediendo como en los casos sin ISI que hemos visto anteriormente,
    
Â0 [n − 1]
   
q̂0 [n] d[0] Â0 [n] d[1]
q̂1 [n]
 = d[1] d[0]
 Â1 [n]  Â1 [n − 1]
  
(2.52)
 

q̂2 [n]
 + 
d[1] d[0]  Â2 [n]  Â2 [n − 1]
   
q̂3 [n] d[1] d[0] Â3 [n] Â3 [n − 1]
| {z } | {z }
Θ Ψ
Antes de aplicar la transformación completamos Θ para que sea circulante:
   
d[0] d[1] −d[1]
d[1] d[0]
(2.53)
  
Θ= + .
 d[1] d[0]   
d[1] d[0]
| {z } | {z }
C Ω=−Ψ
Nuevamente expresando la salida tenemos

q[n] = F Θ Â[n] + Ψ Â[n − 1] = F CFH A[n] + ΩFH A[n] +Ψ FH A[n − 1]

(2.54)
Teniendo en cuenta la estructura de las matrices Ψ , Ω necesitamos calcular produc-
tos FEij F−1 = FEij FH donde Eij es la matriz con todos los elementos nulos excepto
el (i, j).
Esto es inmediato escribiendo esta matriz como Eij = ei eH
j , donde ei es el vector
con un uno en la posición i y cero en las demás. Si por comodidad consideramos:
F = w0 w1 · · · wN −1 , wk = √1N (1 wk · · · wk(N −1) )> , w = e−j2π/N

 ..  .
..
.
   
   
Eij =   =   ··· 1 ···
   
· · · 1 · · · 1 | (2.55)
    {z }
eH
.. .. j
. .
|{z}
ei
M =FEij F = H
Fei eH
j F
H
= Fei (Fej )H = wi wjH
donde hemos utilizado el hecho de que al multiplicar una matriz por ei , el resul-
tado es la columna i de la matriz. Una componente arbitraria de la matriz M que
denotaremos como (mkl ) viene dada por:
1 ik −jl 1
(mkl ) = (wi )k (wj )∗l = w w = wik−jl (2.56)
N N

jk 2π
La matriz FCF H
sabemos que es diagonal con entradas D e N = d[0] +
d[1]w , k = 0, . . . , N − 1. Para las demás matrices aplicamos el resultado anterior:
k
FΨ FH = d[1]FE1,N FH = d[1]M
mkl = N1 w0k−(N −1)l = N1 w−(N −1)l = 1 l
N
w (2.57)
Ω = −Ψ ⇒ Ω ≡ −d[1]FE1,N FH = −d[1]M
El resultado global es
 
d[0] + d[1]
 d[0] + d[1]w 
q[n] =  2
 A[n]
 d[0] + d[1]w  (2.58)
d[0] + d[1]w3
+F Ψ FH A[n] − F Ψ FH A[n − 1]
En el resultado distinguimos:
Un primer sumando de señal sin interferencias, en que cada amplitud del sím-
bolo
actual aparece distorsionada únicamente por una constante multiplicativa
ji 2π
D e N .
Un segundo sumando de cruce de amplitudes entre canales, todos del sím-

bolo actual (interferencia entre portadoras (intercarrier interference
(ICI)))
Un tercer sumando de interferencia procedente del símbolo anterior (ISI +

ICI)
Obsérvese que en este resultado, las matrices correspondientes a interferencias tienen

entradas de amplitud N1 d[1], con lo que estas interferencias aparecen dispersas entre
todos los canales y atenuadas por un factor 1/N respecto de la señal. Cada pi,l [n]
corresponde a las entradas (i + 1, l + 1) de las matrices que hemos calculado.
En nuestro ejemplo,
2π 1
pl,i [0] = D eji N δ [l − i] + wl
N (2.59)
1 l
pl,i [1] = − w
N
Consideremos como segundo ejemplo un sistema con tamaño de bloque N = 4,
prefijo cíclico de dos muestras (M = 2) y canal de longitud cinco (L = 4). Tenemos
 
Â2 [n − 1]
Â3 [n − 1]
    Â [n] 

q̂0 [n] d[4] d[3] d[2] d[1] d[0]  2 
q̂1 [n]  d[4] d[3] d[2] d[1] d[0]  
Â3 [n] 

  =  
q̂2 [n]  d[4] d[3] d[2] d[1] d[0]  Â0 [n] 

q̂3 [n] d[4] d[3] d[2] d[1] d[0]  Â1 [n] 
 
 
 Â2 [n] 
Â3 [n]
   
Â0 [n − 1]
  
d[4] d[3] d[2] d[1] Â0 [n]
d[4] Â1 [n − 1]  d[3] d[2] Â1 [n]
   
(2.60)

=   +  
 Â2 [n − 1]  d[4] d[3] Â2 [n]
    
Â3 [n − 1] d[4] Â3 [n]
   
d[0] Â0 [n]
d[1] d[0]  Â1 [n]

+ 
d[2] d[1] d[0]

Â2 [n]

d[3] d[2] d[1] d[0]] Â3 [n]
Escribimos los dos últimos términos como la suma de una matriz circulante más una
matriz con pocos coeficientes:
   
d[0] d[2] d[1]
d[1] d[0]   d[3] d[2]
 + =
d[2] d[1] d[0]   d[4] d[3]
d[3] d[2] d[1] d[0]]   d[4] 
d[0] d[2] d[1]
d[1] d[0] d[3] d[2]  
(2.61)

=d[2] d[1] d[0] d[3]  + 
  =
d[4] 
d[3] d[2] d[1] d[0]]   d[4] 
d[0] d[3] d[2] d[1] −d[3]
d[1] d[0] d[3] d[2]   
= +
d[2] d[1] d[0] d[3]  

d[4] 
d[3] d[2] d[1] d[0]] d[4]
Con lo que nos queda
    
¯ ¯
  
q̂0 [n] d[0] d[3] d[2] d[1] Â0 [n] −d[3] Â0 [n]
q̂1 [n] d[1] d[0] d[3] d[2]

Â1 [n] 
 Â1 [n]

q̂2 [n] = d[2] +
     
d[1] d[0] d[3] Â2 [n]  d[4] Â2 [n]
   
q̂3 [n] d[3] d[2] d[1] d[0] Â3 [n] d[4] Â3 [n]
| {z }
C
 
Â0 [n − 1]

d[4] d[3]
d[4] Â1 [n − 1]
  
+ 
Â2 [n − 1]
 
Â3 [n − 1]
(2.62)
De los términos anteriores, al pasar al dominio de la DFT:
El primero es de señal, ya que la matriz C queda diagonalizada.
El segundo dará lugar a ICI.
El tercero dará lugar a ISI+ICI.
2.6. Igualación y estima de canal

Sin duda, el aspecto más llamativo de las comunicaciones OFDM es el hecho
de que el canal afecte a la comunicación de forma multiplicativa en el dominio
frecuencial. Ello hace que este dominio sea por excelencia donde se realizan las
implementaciones y estudios de prestaciones.
2.6.1. Estima de canal.

En concreto, la estima del canal se realiza de una forma muy sencilla. Este aspec-
to, en modulaciones monoportadora tal como hemos visto en el capítulo anterior, se
aborda mediante la transmisión de una secuencia de entrenamiento que permite que
el igualador adaptativo aprenda el canal. Si el canal es variante en el tiempo, este
proceso de entrenamiento debe repetirse con cierta periodicidad. Como decíamos,
en OFDM este proceso de aprendizaje es especialmente simple puesto que basta con
transmitir un símbolo OFDM conocido que denominaremos ‘símbolo piloto’ (pueden
ser varios para reducir el efecto del ruido, aunque en este estudio consideraremos que
es sólo un símbolo) que denotaremos por la letra p como el vector de los símbolos
conocidos transmitidos por las N portadoras.
q = Dp + n (2.63)
Al ser D una matriz diagonal, la ecuación anterior es equivalente a:
q = Pd + n (2.64)
2.6. IGUALACIÓN Y ESTIMA DE CANAL 95
Donde d es un vector igual a la diagonal principal de D y P es una matriz

diagonal cuyos valores coinciden con los del vector p.
El vector d que deseamos estimar se calcula muy sencillamente multiplicando
por la inversa de P:
d̂ = P−1 q = d + P−1 n (2.65)

En la práctica todos los símbolos de p se escogen de la misma amplitud para que
no haya componentes más robustas frente al ruido que otras.
2.6.2. Igualación de canal.

Si la estima del canal es sencilla, la igualación lo es en la misma medida por ser
un conjunto de canales en paralelo, cada uno de ellos afectado por una constante
compleja. El problema de la igualación (véase la figura (2.12)) puede plantearse
como el diseño de una matriz G (diagonal) que permita recuperar el símbolo OFDM
transmitido (obviamos la referencia temporal por comodidad al ser irrelevante en el
análisis).
A
e = Gq = G (DA + n) (2.66)
En principio podemos considerar al menos dos criterios en la línea de lo que
hemos visto en el capítulo anterior. El criterio ZF impone G = D−1 obteniéndose
e = Gq = D−1 (DA + n) = A + D−1 n

A (2.67)
Puede observarse que en el caso de que el canal tenga nulos espectrales profundos,
la inversa va a producir un incremento de la potencia de ruido en esa banda por lo
que las prestaciones empeorarán. Otra alternativa es minimizar el Error Cuadrático
Medio (MSE). Recordando que este criterio puede enfocarse desde el punto de vista
de la condición de ortogonalidad entre el error y los datos, tenemos:
n o
H
H
E (Gq − A) q = E (G (DA + n) − A) (DA + n) =
H
H H H
H (2.68)
= GDE AA D + GE nn − E AA D = 0
La fórmula anterior es una extensión de la condición de ortogonalidad descrita

en el tema anterior donde ahora hay que forzar que cada componente de e = Gq −
A deba ser ortogonal a cada componente de del vector q, quedando en definitiva
que E {e [i] q∗ [j]} = 0 ∀i, j. Asumiendo que la señal y el ruido son blancos,
las matrices de correlación son múltiplos de la matriz identidad. Igualmente, si la
potencia transmitida por todas las portadoras es la misma, obtenemos:
−1
−1 1
G= σA2 DH σA2 DDH + σn2 I H
=D H
DD + I (2.69)
snr
Obviamente, al ser todas las matrices diagonales, ambos procesos de igualación
pueden plantearse de forma escalar.
Análisis de un sistema OFDM con igualación ZF. Operaciones en el dominio de la

frecuencia.
Script: Comp_for_T6_1.m que a su vez llama a la función
function q=Q(x)
Trabajo personal: analice el código proporcionado interpretando adecuadamente

cada una de las variables de entrada / salida así como los principales procesos
desarrollados. Añada una frase en cada instrucción importante que le explique el
objetivo de la misma.
Reproduzca un resultado de probabilidad de error de bit tal como el mostrado en

la figura (2.14).
Figure 2.14: Simulación de un sistema OFDM completo
2.7. Conocimiento del canal en el transmisor

Aunque en los canales radio es poco realista considerar que se conoce el canal con
cierta precisión en el transmisor, hay otras aplicaciones vía cable (tipo xDSL) donde
el canal es estático y por tanto se puede utilizar esta información para optimizar
las prestaciones del sistema. En este caso concreto con N canales en paralelo, la
solución que maximiza la capacidad se denomina ‘waterfilling’ siendo un algoritmo
iterativo que ajusta la potencia a transmitir en cada uno de los canales (se recuerda
que en el análisis de la capacidad se asumen señales Gaussianas, no constelaciones).
En un caso práctico, no sólo hay que ajustar la potencia sino también seleccionar
la constelación en cada portadora. Este problema es muy complejo, aunque existen
2.7. CONOCIMIENTO DEL CANAL EN EL TRANSMISOR 97
algoritmos que garantizan la optimalidad de la solución ejecutándose muy eficiente-

mente. Este segundo tema queda fuera de los objetivos del presente curso
El modelo en frecuencia que establece que un sistema OFDM es un conjunto de
canales gaussianos en paralelo, cada uno de ellos con una cierta SNR dependiendo de
la atenuación del canal, nos permite abordar la problemática de cómo distribuir una
cierta potencia disponible entre las distintas portadoras. Por lo tanto, ya trabajando
exclusivamente en el dominio de la frecuencia tenemos
q = DΓA + n (2.70)
Donde n es un ruido blanco y gaussiano y Γ es una matriz también diagonal

que establece cuánta potencia se asigna a cada portadora. En definitiva tenemos un
conjunto de canales en paralelo de la forma:
qi = di γi Ai + ni di = D (i, i) (2.71)
donde γi es la potencia asignada a la portadora i -ésima. Finalmente, la capacidad se
determina a partir del conjunto de potencias utilizadas en cada uno de los subcanales
(con la restricción de potencia total existente).
N
X snr
C = max log2 1 + λk γk (2.72)
N
P
k=1
N
γk =N
k=1
donde por simplicidad hemos llamado:
λk = |dk |2 (2.73)

Γ = diag γ1 γ2 · · · γN
La solución de este problema puede realizarse mediante el cálculo del Lagrangiano

dando lugar al conocido algoritmo como ‘waterfilling’ o ‘waterpouring’.
N N
!!
X snr X
µ = max log2 1 + (2.74)

C γ1 · · · γN, λk γk − µ γk − N
k=1
N k=1
Cuya solución óptima es:

N
γkopt = µ− (2.75)
snrλk +
Donde el parámetro µ es determinado de forma iterativa y la notación ( )+

significa:
(
x x≥0
(x)+ = (2.76)
0 x<0
El pseudocódigo del algoritmo es el siguiente:

Algoritmo waterfilling
p=1
inicializo γN = 0
while γN −p+1 = 0
N −p+1

Calcular: µ = N 1 1
P
N −p+1
1+ snr λi
i=1

Calcular γk = µ − N
snrλk
, k = 0, 1, 2, ..., N − p + 1
+
If γN −p+1 < 0,
γN −p+1 = 0;
p=p+1;
end
end
En definitiva, para cada uno de los modos se va rellenando con cierta cantidad
de potencia, pudiendo quedar algunos modos sin utilizar. El complemento formativo
siguiente profundiza en esta idea desde una perspectiva práctica,
Análisis del esquema waterfilling.
Script: Comp_for_T6_2.m

Reproduzca un resultado como los mostrados en la figura (2.15):

2.8. A1. ANEXO 1. DEMOSTRACIÓN DE LA DENSIDAD ESPECTRAL DE LA SEÑAL OFDM E
Figure 2.15: Algoritmo waterfilling
Implementación de un sistema OFDM en el dominio del tiempo.
Trabajo personal: Habrá observada que el proceso de transmisión / recepción del

Complemento formativo 1 se ha representado en el dominio de la frecuencia.
El objetivo actual es repetir este proceso pero ahora realizando la transmisión tal
como ocurre en la práctica, en el dominio del tiempo. Ello implica las tareas de
pasar al dominio del tiempo, añadir prefijo cíclico, convolucionar con la respuesta
al impulso, eliminar el prefijo cíclico y volver al dominio de la frecuencia. Analice
el código proporcionado interpretando adecuadamente cada una de las variables de
entrada / salida así como los principales procesos desarrollados. Añada una frase
en cada instrucción importante que le explique el objetivo de la misma. Obsérvese
que el resultado es idéntico al obtenido en el complemento formativo 2.
2.8. A1. Anexo 1. Demostración de la densidad

espectral de la señal OFDM en tiempo continuo
A partir del cálculo de la función de autocorrelación
Rx (t + τ, t) = E {x (t + τ ) x∗ (t)} =
∞ NP
−1 ∞ NP −1

∗ ∗
P P
=E Ak [n] φk (t + τ − nT ) Al [m] φl (t − mT ) =
n=−∞ k=0 m=−∞ l=0 (2.77)
∞ NP
−1 P
∞ NP
−1
E {Ak [n] A∗l [m]} φk (t + τ − nT ) φ∗l (t − mT )
P
=
n=−∞ k=0 m=−∞ l=0
Teniendo en cuenta que la señal que se transmite es blanca
∞ NP ∞ NP
−1 P −1
E {Ak [n] A∗l [m]} φk (t + τ − nT ) φ∗l (t − mT ) =
P
Rx (t + τ, t) =
n=−∞ k=0 m=−∞ l=0
∞ NP
−1 −1
NP ∞
Ek φk (t + τ − nT ) φ∗k (t − nT ) = φk (t + τ − nT ) φ∗k (t − nT )
P P
= Ek
n=−∞ k=0 k=0 n=−∞
(2.78)
Siendo Ek la energía media transmitida por la portadora k -ésima. Aunque en

principio puede parecer lo más natural que todas las portadoras tengan la misma
potencia media, se ha visto que en caso de canales selectivos en frecuencia, cada por-
tadora puede tener asociada una cierta energía específica e incluso una constelación
diferente.
Puede observarse que es un proceso cicloestacionario puesto que el término
∞
φk (t + τ − nT ) φ∗k (t − nT ) es periódico de periodo N. De acuerdo con la teoría
P
n=−∞
de procesos cicloestacionarios, a partir de la función de autocorrelación se calcula el
promedio en el periodo fundamental
T́ T́ NP
−1 ∞
1 1
φk (t + τ − nT ) φ∗k (t − nT ) dt =
P
Rx (τ ) = T
Rx (t + τ, t) dt = T
Ek
0 0 k=0 n=−∞
−1
NP T́ ∞ −1
NP T́
1
φk (t + τ − nT ) φ∗k (t − nT ) dt = 1
Ek φk (t + τ ) φ∗k (t) dt =
P
= T
Ek T
k=0 0 n=−∞ k=0 0
−1
NP
= 1
T
Ek φk (τ ) ∗ φ∗k (−τ )
k=0
(2.79)
Finalmente, tomando transformada de Fourier:
N −1
1X
Ek |Φk (j ω) |2 (2.80)

Sx (j ω) = T F R̄x (τ ) =
T k=0
2.9. Referencias
El texto se basa fundamentalmente en el libro de Antonio Artés
2.10. LISTADO DE FÓRMULAS DE EXAMEN 101
2.10. Listado de fórmulas de examen

Concepto Expresión
q
P. de error de símbolo QAM Pe ≈ 4 1 − √1 Q 3snr
M M −1
2π

Modelo de canal multiplicativo qi [n] = Ai [n] D eji N + ni [n]
−1
NP
Salida de los filtros adaptados qi [n] = Al [n] ∗ pi,l [n]
l=0
Canal discreto sin PC N −1N −1 πv j −i2 πk
1 P P j l2N
pi,l [n] = N e e N d [nN + v − k]
entre la portadora l y la i v=0 k=0
Canal discreto con PC −1 NP
NP −1 l2 πv −i2 πk
pi,l [n] = N 1
ej N ej N d [n (N + M ) + v − k]
entre la portadora l y la i v=−M k=0
Canal discreto con PC (M mayor que 2π
pl,i [n] = D eji N δ [n] δ [l − i]
la longitud del canal) entre la portadora l y la i
2.11. Ejercicios
1. Considerando un sistema OFDM de N portadoras,
a) Suponiendo que el canal es d [m] = δ [m], calcule la respuesta al impulso
del sistema equivalente entre la portadora l -ésima del transmisor y la i -ésima del
receptor, justificando que no hay ISI ni ICI.
b1) Si ahora el canal es d [m] = δ [m] + 0,5δ [m − 1], calcule igualmente la res-
puesta al impulso del sistema equivalente entre la portadora l -ésima del transmisor
y la i -ésima del receptor, justificando si aparece ISI o ICI.
b2) Resuelva de nuevo el apartado b1) mediante la formulación matricial.
c) Determine la longitud del prefijo cíclico L para que no haya ISI ni ICI.
d1) En el caso de incluir el prefijo cíclico obtenido en c) y si ahora el canal es
d [m] = δ [m] + 0,5δ [m − 1], calcule nuevamente la respuesta al impulso del siste-
ma equivalente entre la portadora l -ésima del transmisor y la i -ésima del receptor,
reconsiderando la aparición de ISI o ICI.
d2) Resuelva de nuevo el apartado d1) mediante la formulación matricial.
e) Para este último caso, calcule la expresión de la salida de los filtros adaptados
qi [n] ∀i ∈ (1, N ), la SNR en cada portadora así como la probabilidad de error
media para una constelación
M qc -QAM con Mc puntos en la constelación.
Nota: Pe ≈ 4 1 − √Mc Q
1 3snr
Mc −1
Solución:
a) La expresión del canal cruzado entre la portadora l-ésima y la i-ésima es:
N −1N −1
1 X X −j i2 πv j l2 πk
pi,l [n] = e N e N d [nN + v − k]
N v=0 k=0
siendo el rango de las variables v ∈ (0, N − 1) y k ∈ (0, N − 1). Haciendo el cambio

de variable u = v − k con u ∈ (−N + 1, N − 1) tenemos:
N −1 v
1 X X −j i2 πv j l2 π(v −u)
pi,l [n] = e N e N d [nN + u]
N v=0 u=v−N +1
Para el primer caso tenemos que determinar los valores de las variables n, u
que verifican d [nN + u] = δ [m]. Se observa que únicamente lo cumple la parejas
n = 0, u = 0. Si observamos la ecuación anterior, puede concluirse que los sumatorios
en u, v están interrelacionados tal como puede verse en la figura (2.16) para N = 4.
Figure 2.16: Esquema sin PC. Ejercicio 1
Puede observarse en la figura (2.16) que u = 0 está comprendido en todo el rango

de v por lo que queda:
N −1
1 X −j i2 πv j l2 πv
e N e N δ [n] = δ [l − i] δ [n]
N v=0
observándose que no hay ISI ni ICI.
b1) El planteamiento es análogo al anterior excepto que ahora hay dos térmi-
nos: d [nN + u] = δ [m] + 0,5δ [m − 1]. El primer término d [nN + u] = δ [m] ya
ha sido resuelto en el apartado anterior por lo que nos centraremos en el segundo
d [nN + u] = 0,5δ [m − 1]. Veremos que para este segundo término aparecen dos ca-
sos asociados a las parejas n, u dentro de su rango: caso 1 con n = 0, u = 1 y caso 2
con n = 1, u = 1 − N . Igualmente, nos apoyaremos en la representación esquemática
anterior para ver el rango de valores de v que contienen el valor de u especificado.
Caso 1:
N −1
0,5 X −j i2 πv j l2 π(v −1 )
pi,l [n] = e N e N δ [n] =
N v=1
−1
N
!
0,5 X
−j i2Nπv j l2Nπv 2 πl 0,5 2 πl
= e e − 1 e−j N δ [n] = (N δ [l − i] − 1) e−j N δ [n]
N v=0
N
2.11. EJERCICIOS 103
Caso 2:
0
0,5 X −j i2 πv j l2 π(v −1 +N ) 0,5 −j 2 πl
e N e N δ [n − 1] = e N δ [n − 1]
N v=0 N
Componiendo la solución completa tenemos:

−j 2Nπl
0,5 −j 2 πl
pi,l [n] = 1 + 0,5e δ [l − i] δ [n] − e N (δ [n] − δ [n − 1])
N
observándose que sí hay ISI e ICI.
b2) Ahora mediante la formulación vectorial tenemos d[m] = d[0]δ[m]+d[1]δ[m−
1], d[0] = 1, d[1] = 0,5.
 
  ÂN −1 [n − 1]
q̂0 [n]
 
d[1] d[0]  Â0 [n] 
 q̂1 [n]  
d[1] d[0]   
 ..  = 
    Â [n] 
 1
 .  ··· ···  .

.
.
 
d[1] d[0]
 
q̂N −1 [n]
ÂN −1 [n]
    
Â0 [n] Â0 [n − 1]

d[0] d[1]
d[1] d[0]  Â1 [n]   Â1 [n − 1] 

 
=
··· ···
 .. +  
··· ..
. .
    
  
d[1] d[0]
| {z } ÂN −1 [n] | {z } ÂN −1 [n − 1]
Θ Ψ
Antes de aplicar la transformación completamos Θ para que sea circulante:

   
d[0] d[1] d[1]
d[1] d[0]   
Θ= − 
 ··· ···   
d[1] d[0]
| {z } | {z }
C Ω=−Ψ
Teniendo en cuenta el efecto de la modulación mediante la DFT
Â[n] = FH A[n]
y la demodulación correspondiente:
q[n] = FCFH A[n] + FΨFH A[n] + FΩFH A[n − 1]

2π
La matriz FCFH es diagonal con entradas D eji N . Para calcular FΨFH utiliza-
mos
F = w0 w1 · · · wN −1
H
FEij FH = Fei eH H
j F = Fei (Fej ) = wi wj
H
En nuestro caso
FΨFH A = d[1]FE0,N −1 FH  
1
1
= d[1] N1  ..  1 w−(N −1) · · · w−(N −1)(N −1)
H

= d[1]w0 wN
 
−1
.
  1
1
1
= d[1] N1  ..  1 w · · · wN −1
 
.
1
El resultado global es
 
d[0] + d[1]
 d[0] + d[1]w 
q[n] =   A[n]
 ··· 
  d[0] + d[1]wN −1
1
1
+d[1] N1  ..  1 w1 · · · wN −1 (−A[n] + A[n − 1])
 
.
1
La respuesta al impulso correspondiente a la entrada l y a la salida i está dada por

los coeficientes (l, i) de las matrices:
1
pi,l [n] = d[0] + d[1]wi δ[l − i]δ[n] − d[1] wl (δ[n] − δ[n − 1])

N
c) El prefijo cíclico debe ser de longitud M ≥ 1 muestras.

d1) Si se añade prefijo cíclico, la expresión del canal cruzado es:
N −1 N −1
pi,l [n] = e N e N d [n (N + M ) + v − k]
N v=0 k=−M
siendo ahora el rango de las variables v ∈ (0, N − 1) y k ∈ (−M, N − 1). Haciendo

nuevamente el cambio de variable u = v − k con u ∈ (−N + 1, N + M − 1) tenemos:
N −1 v+M
pi,l [n] = e N e N d [n (N + M ) + u]
N v=0 u=v−N +1
Puede observarse que nuevamente los sumatorios están acoplados por lo que
habrá que determinar para los distintos casos, cuándo el sumatorio en v incluye
al valor corresondiente en u. En la siguiente figura se muestra un ejemplo para
M = 1, N = 4 :
Figure 2.17: Esquema con PC. Ejercicio 1
Procediendo de manera análoga, tenemos dos componentes, una por cada tér-
mino de la respuesta al impulso.
Primera componente: d [n (N + M ) + u] = δ [m]
En este caso, la única pareja válida es n = 0, u = 0 observándose que el rango
del sumatorio es completo, es decir:
N −1
pi,l [n] = e N e N δ [n] = δ [l − i] δ [n]
N v=0
Segunda componente: d [n (N + M ) + u] = δ [m − 1] (el factor 0.5 lo incluiremos

a posteriori para simplificar el desarrollo). Procediendo de manera análoga, la única
pareja válida es n = 0, u = 1 observándose nuevamente que el rango del sumatorio
es completo, es decir:
N −1
1 X −j i2 πv j l2 π(v −1 ) −l2 π
pi,l [n] = e N e N δ [n] = ej N δ [l − i] δ [n]
N v=0
Incluyendo el efecto de ambas componentes nos queda (ya añadiendo el factor

0.5):

j −l2 π
pl,i [n] = 1 + 0,5e N δ [l − i] δ [n]
observándose que no hay ISI ni ICI. Recordando que D (ejω ) = T F (d [m]) = 1 +

0,5e−jω podemos confirmar el resultdo teórico esperado:

j −l2 π
j 2πl
pi,l [n] = 1 + 0,5e N δ [l − i] δ [n] = D e N δ [l − i] δ [n]
d2) De manera análoga, tenemos

 
  ÂN −1 [n]
q̂0 [n]
 
d[1] d[0]  Â0 [n] 
 q̂1 [n]  
d[1] d[0]   
 ..  = 
    Â [n] 
 1
 .  ··· ···  .

.
.
 
d[1] d[0]
 
q̂N −1 [n]
ÂN −1 [n]
 
Â0 [n]

d[0] d[1]
d[1] d[0]  Â1 [n] 
=  ..

··· ··· .
  

d[1] d[0]
| {z } ÂN −1 [n]
C
Ahora hacemos el cambio en el proceso de demodulación
A[n] = FÂ[n]
y después de la demodulación nos queda:
q[n] = FCF−1 A[n]
La matriz FCF−1 es diagonal con entradas

2π
D eji N = d[0] + d[1]wi , , w = e−j2π/N , k = 0, . . . , N − 1
luego
pi,l [n] = d[0] + d[1]wi δ[l − i]δ[n].

e) La salida de los filtros adaptados es:

N
X −1 N
X −1 2πl
qi [n] = Al [n] ∗ pl,i [n] = Al [n] ∗ D ej N δ [l − i] δ [n] =
l=0 l=0

j 2πi j 2πi
= Ai [n] ∗ D e N δ [n] = Ai [n] D e N
Si incorporamos el efecto del ruido:

j 2πi
qi [n] = Ai [n] D e N + ni [n]
la relación señal a ruido queda:
2πi 2

σA2 D ej N

snri = 2
σN
y consecuentemente, la probabilidad de error media para una constelación M-QAM

se podría aproximar por (siendo Mc el número de puntos de la constelación):
v 
2πi 2
u
N −1 u 2 j
t 3σA D e N 

1X 1
Pe ≈ 4 1− √ Q

2

N i=0 Mc σN (Mc − 1)) 
2. Considere una modulación OFDM con 4 portadoras que ocupa un ancho

de banda de 240π · 103 rad/seg, transmite una constelación QPSK de símbolos
equiprobables y un prefijo cíclico de 2 muestras que atraviesa un canal discreto
equivalente con respuesta al impulso d [m] = δ [m] − 0,6δ [m − 1] con ruido aditivo
gaussiano de potencia σn2 .
a) Calcule la duración del tiempo de símbolo OFDM así como la tasa de símbolo.
b1) Calcule la respuesta al impulso del sistema equivalente entre la portadora
l -ésima del transmisor y la i -ésima del receptor, justificando si hay ISI o ICI.
b2) Resuelva de nuevo el apartado b1) mediante la formulación matricial.
c) Calcule la expresión de la salida de los filtros adaptados qi [n] ∀i ∈ (1, N ),
la SNR en cada portadora así como la probabilidad de error media para una cons-
telación Mc -QAM con Mc puntos q en laconstelación.
Nota: Pe ≈ 4 1 − √1
Mc
Q 3snr
Mc −1
Solución:
a) Sabemos que el ancho de banda es W = TOF 2πN
DM
por lo que la duración del
símbolo OFDM será: TOF DM = 3 10 seg. Por lo tanto, el régimen binario queda:
1 −4.
Rs = TOFNDM = 12 · 104 simb/seg

b1) Si se añade prefijo cíclico, la expresión del canal cruzado es:
N −1 N −1
pi,l [n] = e N e N d [n (N + M ) + v − k]
N v=0 k=−M
siendo ahora el rango de las variables v ∈ (0, N − 1) y k ∈ (−M, N − 1). Particula-

rizando en los valores del enunciado, tenemos:
3 3
pi,l [n] = e N e N d [n (N + M ) + v − k]
N v=0 k=−2
Haciendo nuevamente el cambio de variable u = v − k con u ∈ (−3, 5) tenemos

para el canal del enunciado:
3 v+2
pi,l [n] = e N e N d [n6 + u]
4 v=0 u=v−3
Recordando que los sumatorios están acoplados, habrá que determinar para los
distintos casos, cuándo el sumatorio en v incluye al valor corresondiente en u. Pro-
cediendo de manera análoga al ejercicio anterior, tenemos dos componentes, una por
cada término de la respuesta al impulso.
3
4 v=0
Segunda componente: d [n (N + M ) + u] = δ [m − 1] (el factor -0.6 lo incluiremos

a posteriori para simplificar el desarrollo). La figura siguiente muestra esquemáti-
camente el acoplo de los sumatorios con N = 4, M = 2.:
Figure 2.18: Esquema. Ejercicio 2
Procediendo de manera análoga, la única pareja válida es n = 0, u = 1 observán-

dose nuevamente que el rango del sumatorio es completo, es decir:
3
1 X −j i2 πv j l2 π(v −1 ) −l2 π −lπ
pi,l [n] = e N e N δ [n] = ej N δ [l − i] δ [n] = ej 2 δ [l − i] δ [n]
4 v=0
Incluyendo el efecto de ambas componentes nos queda (ya añadiendo el factor

-0.6):
−lπ

pl,i [n] = 1 − 0,6ej 4 δ [l − i] δ [n]
observánose que no hay ISI ni ICI. Recordando que D (ejω ) = T F (d [m]) = 1 −

0,6e−jω podemos confirmar el resultado teórico esperado:
−lπ
πl
pi,l [n] = 1 − 0,6ej 2 δ [l − i] δ [n] = D ej 2 δ [l − i] δ [n]
b2) Sistema OFDM con N = 4 portadoras, prefijo cíclico de 2 muestras y canal

d[m] = δ[m] + αδ[m − 1], α = −0,6.
Como la longitud del prefijo (dos) es mayor o igual que la respuesta al impulso del
canal menos uno (uno), sabemos que no existe ISI ni ICI y que la relación entre los
símbolos transmitidos y recibidos está dada por la DFT de la respuesta al impulso
del canal, es decir,
2π 2π
qi [n] = D eji N Ai [n], D eji N = d[0] + d[1]w, w = e−j2π/4
Hacemos también el cálculo completo para este caso. Tenemos

 
Â2 [n]
   
q̂0 [n] 0 d[1] d[0] Â3 [n]

q̂1 [n]  d[1] d[0]  Â0 [n]

q̂2 [n] = 
    
d[1] d[0]  Â1 [n] 
q̂3 [n] d[1] d[0] Â2 [n]
 
Â
3 [n]
 
d[0] d[1] Â0 [n]
d[1] d[0]  Â1 [n]

= 
d[1] d[0]  Â2 [n]
 

d[1] d[0] Â3 [n]
| {z }
C
Ahora hacemos el cambio

A = FÂ
y al demodular:
−1
q[n] = FCF
| {z } A[n]
C
siendo
 
d[0] + d[1]
 d[0] + d[1]w 
D= 2
.
 d[0] + d[1]w 
d[0] + d[1]w3
Los canales discretos equivalentes son por tanto

2π
pi,l [n] = D ejl N Ai δ[l − i]δ[n] = d[0] + d[1]wi δ[l − i]δ[n]

c) La salida de los filtros adaptados es:

N
X −1 N
X −1 πl
qi [n] = Al [n] ∗ pl,i [n] = Al [n] ∗ D ej 2 δ [l − i] δ [n] =
l=0 l=0
πi πi
= Ai [n] ∗ D ej 2 δ [n] = Ai [n] D ej 2
Si incorporamos el efecto del ruido:

πi
qi [n] = Ai [n] D ej 2 + ni [n]
πi 2

σA2 D ej 2

snri = 2
σN
y consecuentemente, la probabilidad de error media para una constelación M-QAM
se podría aproximar por:
 2 
−1 2 j πi
 3σA D e
N 2

1X 1 
Pe ≈ 4 1− √ Q 2
4 i=0 Mc σN (Mc − 1))

πi 2
−iπ

iπ
siendo en esta cso Mc = 4 y D ej 2 = 1 − 0,6ej 2 1 − 0,6ej 2 = 1,36 −

1,2 cos π2 i
3. Considere un sistema OFDM de N portadoras. Suponiendo que no se aña-

de prefijo cíclico y denotando como pl,i [n] a la respuesta al impulso del sistema
equivalente entre la portadora l -ésima del transmisor y la i -ésima del receptor:
a) Qué condiciones tiene que cumplir pl,i [n] para que no haya ISI.
b) Qué condiciones tiene que cumplir pl,i [n] para que no haya ICI.
c1) Si d [m] = δ [m] − δ [m − N/2], justifique si aparece ISI o ICI.
c2) Resuelva de nuevo el apartado c1) mediante la formulación matricial.
Si ahora se añade una extensión cíclica a cada símbolo OFDM
d) Determine la longitud del prefijo cíclico L para que no haya ISI ni ICI.
e) Determine la pérdida en términos de velocidad de transmisión respecto del
sistema original sin extensión cíclica.
Solución:
a) Para que no haya ISI debe cumplirse que: pl,i [n] = αδ [n]
b) Para que no haya ICI debe cumplirse que: pl,i [n] = βδ [l − i] ∀n
c1) La expresión del canal cruzado entre la portadora l y la i es:
N −1N −1
pi,l [n] = e N e N d [nN + v − k]
N v=0 k=0

N −1 v
pi,l [n] = e N e N d [nN + u]
N v=0 u=v−N +1
Consideraremos por separado los dos términos: d [nN + u] = δ [m] − δ m − N2

Para el primer término tenemos que determinar los valores de las variables de
n, u que verifican d [nN + u] = δ [m]. Se observa que únicamente lo cumple la parejas
n = 0, u = 0. Si observamos la ecuación anterior, obervamos nuevamente que los
sumatorios en u, v están interrelacionados. En el caso u = 0 está comprendido en
todo el rango de v por lo que queda:
N −1
e N e N δ [n] = δ [l − i] δ [n]
N v=0
observándose que no hay ISI ni ICI.

Para el segundo término d [nN + u] = δ m − N2 . Veremos que para este segundo

término aparecen dos casos asociados a las parejas n, u dentro de su rango: caso 1
con n = 0, u = N2 y caso 2 con n = 1, u = − N2 .
Caso 1:
N −1
1 X −j i2 πv j l2 π(v − 2 )
N
pi,l [n] = e N e N δ [n] =

N N
v= 2
N −1
(−1)l X −j i2 πv j l2 πv
= e N e N δ [n]
N N
v= 2
Caso 2:
N N
−1 −1
1X2
−j i2Nπv j
l2 π (v + N
2 ) (−1)l X
2
i2 πv l2 πv
e e N δ [n − 1] = e−j N ej N δ [n − 1]
N v=0 N v=0
Componiendo la solución completa tenemos:
N
N −1 −1
(−1)l X −j i2 πv j l2 πv (−1)l X
2
i2 πv l2 πv
pi,l [n] = δ [l − i] δ [n] − e N e N δ [n] − e−j N ej N δ [n − 1]
N N
N v=0
v= 2
observándose que sí hay ISI e ICI.

c2) Sistema OFDM con N portadoras, sin prefijo cíclico, canal d[m] = δ[m] −
δ[m − N/2].
Tenemos, tomando N = 6 para la representación de las matrices,

 
Â0 [n]
  
q̂0 [n] d[0]
 q̂1 [n]  
   d[0] 
 Â1 [n] 

 q̂2 [n]   d[0]  
Â2 [n] 

 = 
 q̂3 [n]  d[N/2] d[0]  Â3 [n] 

   
 q̂4 [n]   d[N/2] d[0]

  Â [n] 
4 
q̂N −1 [n] d[N/2] d[0]
| {z } ÂN −1 [n]
Θ
 
Â0 [n − 1]

d[N/2]

 d[N/2] 
 Â1 [n − 1] 

d[N/2]  Â [n − 1]

 2

+
 
   Â3 [n − 1]  
 
   Â [n − 1] 
4 
| {z } ÂN −1 [n − 1]
Ψ
Completamos Θ para que sea circulante:

 
d[0] d[N/2]

 d[0] d[N/2] 

 d[0] d[N/2]
Θ =  
 d[N/2] d[0] 

 d[N/2] d[0] 
d[N/2] d[0]
| {z }
 C 
d[N/2]

 d[N/2] 

 d[N/2] 
−



 
 
| {z }
Ω=Ψ
La matriz FCF−1 es diagonal con entradas

2π
D eji N = d[0] + d[N/2]w(N/2)i , , w = e−j2π/N , i = 0, . . . , N − 1
La matriz no circulante que tenemos que transformar es

N/2−1
X
Ψ = d[N/2] ek eH
k+N/2
k=0
que da lugar a
N/2−1
X
−1 H
FΨ F = d[N/2] wk wk+N/2
k=0
cuyo coeficiente (i, l) es
N/2−1 N/2−1
1 X kl −(k+N/2)i 1 X kl−(k+N/2)i
αi,l = d[N/2] w w = d[N/2] w
N k=0 N k=0
Por tanto 2π
pi,l [n] = δ[l − i] D eji N − αi,l δ[n] + αi,l δ[n − 1]
d) Para que no haya ISI ni ICI tiene que cumplirse que M ≥ N2

e) Como se añaden al menos N2 muestras, los símbolos se alargan a una duración
N
+N
de N + N
2
observándose una pérdida de eficiencia espectral de valor 2
N
= 32 .
4. Considerando un sistema OFDM de N portadoras y con un prefijo cíclico de

M muestras.
a) Dibuje el diagrama de bloques del sistema en tiempo discreto y justifique qué
condición debe cumplirse para que no haya ISI ni ICI.
b) Si se elimina tanto la ISI como la ICI, calcule la señal de salida en el recep-
tor para la i -ésima portadora en función del símbolo transmitido Ai [n] y el canal
equivalente discreto.
c) Utilizando decisores de mínima distancia, justifique en qué portadora hay
mayor probabilidad de error.
Solución:
a) El diagrama de bloques es el mostrado en la figura (2.19):
Figure 2.19: Modelo de sistema OFDM
a) Para que no haya ICI ni ISI, el Prefijo Cíclico debe ser de mayor duración que
la longitud del canal.
b) la salida del banco de filtros adaptados es:
2πi
qi [n] = Ai [n] D ej N + ni [n]

2
j 2πi
σA2 D e
N

snri = 2
σN
y consecuentemente, la peor tasa de error corresponderá con el caso de menor

SNR:
2πi 2

σA2 D ej N

mı́n 2
i σN
5. Una modulación OFDM ocupa un ancho de banda de 4 KHz utilizándose

para dar servicio de comunicaciones inalámbricas desde una estación base a un
determinado número de usuarios que varía entre 4 y 10 en ubicaciones diferentes.
En el transmisor, el flujo de información destinado a cada usuario se envía en cada
una de las portadoras con las que se genera la modulación OFDM.
a) Obtenga la mínima y máxima tasa de símbolo que se le podría dar a cada
usuario, si la modulación no usa prefijo cíclico. Tenga en cuenta que la tasa dependerá
del número de usuarios activos.
b) Suponiendo que damos servicio a 4 usuarios (N =4) y que las tasas binarias
requeridos por cada uno de ellos son R0 = 8 kbit/s, R1 = 4 kbit/s, R2 =
2 kbit/s, R3 = 1 kbit/s, obtenga el orden de la modulación que cada usuario
necesitará.
c) Si ahora cada usuario recibe la señal transmitida s[m] a través de un canal
diferente di [m] ∀i = 0, 1, 2, 3 por las diferentes características de propagación del
medio:
di [m] = δ [m] + ai δ [m − 1] si i = 0, 1
di [m] = δ [m] + ai δ [m − 2] si i = 2, 3
determine la longitud del prefijo cíclico que habría que añadir en el transmisor para
que todos los usuarios puedan recuperar su información sin ISI ni ICI
Solución:
a) El esquema del espectro para el caso A, N = 4 es el mostrado en la figura
(2.20):
Siendo el ancho de banda: 4 T1 = 4KHz por lo que T = 1 mseg. y el régimen bi-

nario para cada uno de los usuarios es por tanto: RA (i) = T1 = 103 simb/seg i=
0, 1, 2, 3. Para el caso B, N = 10 el resultado es análogo: 10 T = 4KHz por lo que
1
T = 10 4
mseg. y el régimen de símbolo para cada uno de los usuarios es por tanto:
RB (i) = T1 = 400 simb/seg i = 0, 1, 2, ..., 9.
b) Para cada uno de los usuarios tenemos en el caso A tenemos (añadimos el
subíndice b para remarcar que ahora se trata de régimen binario):
Figure 2.20: Esquema del espectro OFDM
Rb (0) = RA (0) log2 M0 → M0 = 28 → 256 − QAM

Rb (1) = RA (1) log2 M1 → M1 = 24 → 16 − QAM
Rb (2) = RA (2) log2 M2 → M2 = 22 → 4 − QAM
Rb (3) = RA (3) log2 M3 → M3 = 2 → 2 − P AM
c) Como el prefijo cíclico tiene que ser mayor o igual que la longitud de todos
los canales, escogemos M = 2.
6. Considere un sistema OFDM de N = 3 portadoras con un prefijo cíclico

M = 1 que se transmite por un canal ANTICAUSAL d [m] = αδ [m] + βδ [m + 1].
Determine la expresión del canal cruzado entre la portadora l-ésima del transmisor
y la i-ésima del receptor definido como
N −1 N −1
pl,i [n] = e N e N d [n (N + M ) + v − k]
N v=0 k=−M
justificando que en esta caso SÍ aparece ISI e ICI.
Solución:
Partiendo de la expresión propuesta y siendo el rango de las variables v ∈
(0, N − 1) y k ∈ (−M, N − 1), hacemos el cambio de variable u = v − k en el
margen u ∈ (−N + 1, N + M − 1) para obtener una expresión equivalente:
N −1 v+M
pl,i [n] = e N e N d [n (N + M ) + u]
N v=0 u=v−N +1
Puede observarse que los sumatorios están acoplados por lo que habrá que de-
terminar para los distintos casos, cuándo el sumatorio en v incluye al valor corre-
sondiente en u. En la siguiente figura se muestra una visualización esquemática con
los datos del problema, M = 1, N = 3 :
Analicemos cada componente por separado, una por cada término de la respuesta
al impulso.
a) Primera componente: d [n (N + M ) + u] = δ [m]
N −1
pl,i [n] = e N e N δ [n] = δ [l − i] δ [n]
N v=0
que no tiene ISI ni ICI.

b) Segunda componente: d [n (N + M ) + u] = δ [m + 1]. Procediendo de manera
análoga, tenemos dos parejas válidas, caso A con n = 0, u = −1 y por otro lado el
caso B, siendo n = −1, u = 3 . Veamos igualmente cada caso por separado:
Caso A:
N −2 N −2
1 X −j i2 πv j l2 π(v +1 ) l2 π 1
X 2 πv (l−i)
pl,i [n] = e N e N δ [n] = ej N ej N δ [n]
N v=0 N v=0
Igualmente sin ISI pero ahora apareciendo el fenómeno de ICI.

Caso B:
N −1
1 X −j i2 πv j l2 π(v −3 ) 1 −l6 π 2 π(N −1 )(l−i)
pl,i [n] = e N e N δ [n + 1] = ej N ej N δ [n − 1]
N v=N −1 N
donde ahora sí se manifiesta ISI e ICI.

Considerando todos los términos, nos queda:
−2
N
!
β j l2Nπ
X
j
2 πv (l−i)
j −l6 π
j
2 π(N −1 )(l−i)
pl,i [n] = αδ [l − i] δ [n] + e e N δ [n] + e N e N δ [n + 1] =
N v=0
β j l2 π 2 π(l−i)
4 π(l−i)

= αδ [l − i] δ [n] + e 3 1 + ej 3 δ [n] + ej 3 δ [n + 1]
3
verificándose que efectivamente aparece ISI e ICI. Puede concluirse por tanto que el
prefijo cíclico es válido exclusivamente para canales causales.
Capítulo 3
Modulaciones en espectro
ensanchado por secuencia directa
(DS-CDMA)
3.1. Introducción
El término ‘Modulaciones en espectro ensanchado’ hace referencia a un conjunto
de técnicas de modulación que utilizan un ancho de banda muy superior al estric-
tamente necesario para la transmisión de la información requerida. Aunque en este
capítulo nos centraremos en una técnica concreta denominada ‘ensanchamiento por
secuencia directa (DS-SS Direct Sequence Spread Spectrum)’ por ser la que tiene
más difusión en el ámbito civil, existen otras técnicas en gran medida ligadas a co-
municaciones tácticas que mediante salto en frecuencia (frequency hopping) o salto
en tiempo (time hopping) también requieren de anchos de banda muy grandes.
Las técnicas de ensanchamiento por secuencia directa se basan en la idea de usar
unos pulsos de transmisión de manera que la señal generada parezca ruido térmico.
Inicialmente, esta técnica se usó en ámbitos militares buscando la no detectabilidad
mediante, en aquel momento, las técnicas convencionales. Posteriormente, se tras-
ladó la iniciativa al mundo civil con una doble motivación: por un lado la robustez
frente a interferencias de banda estrecha; por otro, y siendo ésta la razón fundamen-
tal, con la intención de que al usar un ancho de banda muy grande, era altamente
improbable que todo el espectro fuera muy atenuado y de esa manera se podía garan-
tizar la comunicación independientemente del estado del canal. Más recientemente,
ha dado lugar a transmisiones multiusuario con elevada capacidad como por ejemplo
en aplicaciones móviles 3G. El DS-CDMA (Acceso Múltiple por División en Código
por Secuencia Directa) es una alternativa a mecanismos de acceso más convencio-
nales como TDMA o FDMA. Veremos los fundamentos del DS-CDMA iniciando
el análisis con un único usuario para posteriormente incluir el efecto mutiusuario
(MAI Multiple Access Interference) y los mecanismos de mitigación denominados
‘detección multiusuario’.
117
118CAPÍTULO 3. MODULACIONES EN ESPECTRO ENSANCHADO POR SECUENCIA DIREC
Figura 3.1: Visión esquemática del ensanchamiento
3.2. Fundamentos
Si recordamos de capítulos anteriores, el proceso de transmisión se representaba
mediante la convolución de la secuencia de símbolos (en general complejos) a trans-
mitir y un pulso determinado que debía cumplir el criterio de Nyquist (típicamente
un raíz de coseno alzado)
X
s (t) = A [n] g (t − nT ) (3.1)
n
Como ya hemos visto, la relación entre la duración del pulso T y la duración del
canal es un indicador de la cantidad de ISI que la comunicación va a experimentar.
El esquema de ensanchamiento por secuencia directa propone el uso de unos pulsos
de anchura de banda N veces mayor.
N
X −1
g (t) = x [m] gc (t − mTc ) (3.2)
m=0
donde Tc hace referencia al denominado tiempo de chip (T =NTc ) siendo N la de-

nominada ganancia de ensanchamiento. La secuencia x [m] se denomina de ensan-
chamiento siendo determinista por lo que constituye un elemento de diseño. Nor-
malmente, además es binaria {+1, -1} por sencillez de diseño e implementación
(mediante un registro de desplazamiento, pero no es un requisito en sí).
La figura (3.2) muestra un esquema del proceso de generación de la señal a
transmitir donde T =4Tc y la secuencia de ensanchamiento sería x [m]={1 -1 -1 1}.
Como ya sabemos, el espectro de la señal transmitida viene dado por:
1
SA ej ωT |G (j ω) |2 (3.3)

SS (j ω) =
T
Siendo en este caso
N
X −1
G (j ω) = Gc (j ω) x [m] e−j ωmTc (3.4)
m=0
que al final queda como:

3.3. MODELO DE SEÑAL 119
Figure 3.2: Generación de la señal a transmitir
1
SA ej ωT |X ej ωT c |2 |Gc (j ω) |2 (3.5)

SS (j ω) =
T
Es decir, marcado por la forma del pulso de ‘chip’, el espectro de la señal de en-
trada (blanco) y el espectro de la secuencia de ensanchamiento que también veremos
que debe tener una característica ‘blanca’.
3.3. Modelo de señal

Vamos a iniciar nuestra discusión desde el punto de vista del modelo en tiempo
continuo para posteriormente presentar una perspectiva más práctica mediante un
modelo en tiempo discreto.
3.3.1. Modelo de señal en tiempo continuo

Partamos nuevamente de la señal transmitida equivalente paso bajo en tiempo
continuo que reproducimos por comodidad.
X N
X −1
s (t) = A [n] g (t − nT ) , g (t) = x [l] gc (t − lTc ) (3.6)
n l=0
X N
X −1
s (t) = A [n] x [l] gc (t − lTc − nT ) (3.7)
n l=0
Esta expresión puede interpretarse desde la perspectiva del esquema de l figura

(3.3):
Figure 3.3: Transmisor en tiempo discreto
donde el primer bloque intercala N − 1 ceros en A[n] creándose una secuencia

con un índice temporal discreto diferente (denominado m):
∞
X
B [m] = A [n] δ [m − nN ] (3.8)
n=−∞
Igualmente, definimos la secuencia
N
X −1
x [m] = x [0] δ [m]+x [1] δ [m − 1]+· · ·+x [N − 1] δ [m − N + 1] = x [l] δ [m − l]
l=0
(3.9)
que representa la respuesta al impulso de un sistema, obteniéndose a su salida s[m]
como:
∞
X ∞
X N
X −1
s [m] = B [m]∗x [m] = A [n] x [m − nN ] = A [n] x [l] δ [m − l − nN ]
n=−∞ n=−∞ l=0
(3.10)
Si ahora pasamos al tiempo continuo mediante un filtro interpolador arbitrario
gc (t) a velocidad de chip (se observa que es en realidad el filtro conformador de
pulso), tenemos:
∞
X N
X −1
sp (t) = A [n] x [l] δ [t − lTc − nN Tc ] (3.11)
n=−∞ l=0
Y finalmente nos queda:
X N
X −1
sp (t) ∗ gc (t) = A [n] x [l] gc (t − lTc − nT ) = s (t) (3.12)
n l=0
El modelo de receptor se basa en el conocido concepto de filtro adaptado que es

óptimo en AWGN tal como se muestra en la figura (3.4).
−1
NP
q [n] = (y (t) ∗ g ∗ (−t)) |t=nT = x∗ [m] (y (t) ∗ gc∗ (−t − mTc )) |t=nT =
−1
NP
m=0
−1
NP (3.13)
∗
= x [m] (y (t) ∗ gc∗ (−t)) |t=nT +mTc = ∗
x [m] v (t) |t=nT +mTc
m=0 m=0
Figure 3.4: Modelo de receptor DS-CDMA
Esta formulación es muy interesante porque se observa que se muestrea a velo-

cidad de chip y posteriormente se multiplica por la secuencia se ensanchado y se
suman N muestras consecutivas. A esta operación se le llama ‘desensanchado’. La
figura (3.5) muestra un modelo completo en el que vamos a basar nuestros estudios:
Figure 3.5: Modelo de transmisión DS-CDMA
El receptor que hemos presentado realiza las siguientes operaciones

∞
X ∞
X
∗
xp [m] = x [m] ∗ δ [m − nN ] = x∗ [m − nN ] (3.14)
n=−∞ n=−∞
que es en definitiva una versión periódica de la secuencia de ensanchamiento. Final-

mente nos queda:
(n+1)N −1
X
q [n] = v [m] xp [m] (3.15)
m=nN
Es interesante ver que este último procesador puede interpretarse a su vez como
filtrado por un sistema de respuesta al impulso x∗ [−m] seguido de un diezmado por
el factor de ensanche. Esta formulación es equivalente a un producto escalar con
la firma de pulso convenientemente desplazada. Esta doble interpretación puede
apreciarse en la figura (3.6).
Si ahora mostramos de nuevo la cadena completa del transmisor y receptor in-

mediatamente uno se percata de que en sí el receptor es un filtro adaptado a la
secuencia de ensanchamiento y un proceso de diezmado que hace el efecto inverso de
la interpolación realizada en el transmisor por el mismo factor tal como se muestra
en la figura (3.7).
Figure 3.6: Esquemas de receptor como producto escalar
Figura 3.7: Modelo de transmisión DS-CDMA en formato correlador
3.3.2. Modelo de canal discreto equivalente

Un planteamiento complementario al anterior ya aplicable a canales con ISI es
intentar englobar en una única función no sólo el canal de propagación junto con los
filtros transmisor y receptor sino también considerar el fenómeno de ensanchamiento
y desensanchamiento (este análisis se observará que guarda gran paralelismo con los
resultados realizados en el marco de las comunicaciones OFDM). Vamos a definir
(por coherencia con el tema anterior):
d (t) = gc (t) ∗ h (t) ∗ gc∗ (−t) (3.16)

como el canal equivalente que incluye el filtro transmisor, el canal y el receptor.
Igualmente, muestreando a velocidad de chip:
d [m] = d (t) |t=mTc (3.17)

podemos representar la señal discreta recibida como (en ausencia de ruido).
v [m] = s [m] ∗ d [m] (3.18)

De una manera análoga definimos el canal equivalente:
p (t) = g (t) ∗ h (t) ∗ g ∗ (−t)

(3.19)
p [n] = p (t) |t=nT
Observe la diferencia con d (t) ya que ahora incluimos la forma de onda trans-
misora y receptora y no sólo del conformador de pulso. Igualmente, recuperamos
el índice n haciendo hincapié en una escala de tiempo en símbolos y no en chips.
Sustituyendo las expresiones ya conocidas, tenemos:
−1
NP −1
NP
p (t) = x [k] gc (t − kTc ) ∗ h (t) ∗ x∗ [v] gc∗ (−t − vTc ) =
−1
NP
k=0
−1
NP
v=0
(3.20)
= x [k] x∗ [v] gc (t) ∗ δ (t − kTc ) ∗ h (t) ∗ gc∗ (−t) ∗ δ (t + vTc )
k=0 v=0
Figura 3.8: Modelo de transmisión DS-CDMA en formato filtro adaptado
Recordando la definición de d (t), tenemos:

−1
NP −1
NP
p (t) = x [k] x∗ [v] d (t) ∗ δ (t − kTc ) ∗ δ (t + vTc ) =
k=0
−1
NP
v=0
−1
NP (3.21)
∗
= x [k] x [v] d (t + (v − k) Tc )
k=0 v=0
Si finalmente tomamos muestras a tiempo de símbolo nos queda:

N
X −1N
X −1
p [n] = p (t) |t=nT = x [k] x∗ [v] d [nN + (v − k)] (3.22)
v=0 k=0
Siendo por tanto, en ausencia de ruido:
q [n] = A [n] ∗ p [n] (3.23)

Mostramos el esquema completo en la figura 3.9.
Figure 3.9: Modelo de transmisión DS-CDMA detallando los canales equivalentes
3.3.3. Modelo de ruido discreto equivalente

El análisis del ruido es análogo al realizado en capítulos anteriores tal como se
muestra en la figura (3.10), donde hemos asumido que el pulso de chip cumple el
criterio de Nyquist.
Como ya hemos visto, la componente de señal correspondiente al ruido vn (t) está
coloreada por el filtro receptor, pero sin embargo, una vez muestreada, vn [m] es un
proceso AWGN de media nula. Se observará que la componente qn [n] se obtiene a
partir de la combinación lineal de N muestras de ruido ponderadas por la secuencia
de ensanchamiento {1, -1} por lo que se mantiene su carácter AWGN siendo de
potencia genérica σn2 . Este resultado se puede obtener de manera análoga mediante
la interpretación del receptor como una filtro adaptado. Partiendo de que la secuencia
Figure 3.10: Modelo de ruido discreto equivalente
vn [m] es una secuencia blanca de potencia σn2 , la secuencia de correlación del ruido
a la salida del filtro adaptado es:
Rn [n] = Rvn [m] ∗ Rx [m] |m=nN = σn2 δ [m] ∗ Rx [m] |m=nN (3.24)
donde hemos definidola denominada correlación determinista aperiódica (o función
de autocorrelación de la señal discreta):
N
X −1
∗
Rx [m] = x [m] ∗ x [−m] = x [v + m] x∗ [v] (3.25)
v=0
Figure 3.11: Modelo de ruido discreto equivalente (2)
Como Rx [m] es nulo fuera de m = −N + 1, . . . , N − 1, sólo hay una muestra no

nula para n = 0 obteniendo por tanto Rn [n] = N σn2 δ [n]:
Finalmente, tenemos:
q [n] = A [n] ∗ p [n] + n [n] (3.26)
Puede observarse que p[n] es un canal con un significado análogo al visto en

el Tema 5 de igualación. Es decir, si el nivel de ISI es significativo, será necesario
igualar siguiendo las técnicas que vimos en ese capítulo. Por lo tanto, hemos de
plantearnos qué interés tiene la transmisión CDMA si en definitiva nos lleva a un
comportamiento similar al de las constelaciones más convencionales. Sin embargo,
esto no es así porque todavía no hemos resaltado el efecto que produce un pulso con
estas características
N
X −1
g (t) = x [l] gc (t − lTc ) (3.27)
l=0
Como vamos a ver a continuación, el adecuado diseño de la secuencia de entrena-

miento produce un efecto intrínseco de mitigación de la interferencia entre símbolos.
3.4. EL ENSANCHAMIENTO COMO MECANISMO DE REDUCCIÓN DE ISI 125
3.4. El ensanchamiento como mecanismo de re-

ducción de ISI
Este análisis debe basarse en el modelo de canal discreto equivalente donde nue-
vamente por simplicidad vamos a obviar el efecto del ruido. Por conveniencia, re-
producimos la expresión del canal discreto equivalente:
−1NP
NP −1
p [n] = p (t) |t=nT = x [k] x∗ [v] d [nN + (v − k)]
v=0 k=0 (3.28)
v ∈ {0, N − 1} , k ∈ {0, N − 1}
donde por comodidad, si hacemos un cambio de variable k → u = v − k, u∈
{−N + 1, N − 1}, tenemos:
−1
NP v
x [v − u] x∗ [v] d [nN + u]
P
p [n] = p (t) |t=nT =
v=0 u=v−N +1 (3.29)
v ∈ {0, N − 1} , u ∈ {−N + 1, N − 1}
Vamos a analizar dos ejemplos sencillos,
a) h (t) = δ (t) → d [m] = δ [m]
b) h (t) = aδ (t) + bδ (t − m0 Tc ) → d [m] = aδ [m] + bδ [m − m0 ];
a, b ∈ C, m0 ∈ {1, 2, · · · , N − 1}
Es decir, un canal AWGN frente a un canal con ISI.
3.4.1. Análisis de un canal AWGN

Si sobre la expresión del canal equivalente forzamos la condición:
d [m] = δ [m] (3.30)

La única solución dentro del rango de las variables es:
d [nN + u] = δ [nN + u] = δ [n] δ [u] (3.31)

Sustituyendo tenemos:
−1
NP v
x [v − u] x∗ [v] δ [n] δ [u] =
P
p [n] = p (t) |t=nT =
−1
NP
v=0 u=v−N +1
NP−1
(3.32)
= x [v] x∗ [v] δ [n] = |x [v] |2 δ [n] = N δ [n]
v=0 v=0
Observándose que el receptor funciona correctamente recuperando una versión

escalada de la señal transmitida a través de q [n] = A [n]∗p [n]+n [n] = N A [n]+n [n].
3.4.2. Análisis de un canal con ISI

Rehagamos el mismo planteamiento para el canal con ISI que hemos propuesto
anteriormente como ejemplo:
d [m] = aδ [m] + bδ [m − m0 ] (3.33)

que puede interpretarse como la combinación de dos problemas para cada una de las
componentes del canal. Obviamente, el primer caso es idéntico al caso ya estudiado
por lo que nos centraremos en el segundo caso (obviando de momento el coeficiente
b):
d [m] = δ [m − m0 ]
(3.34)
d [nN + u] = δ [nN + u − m0 ]
Que sólo tiene dos soluciones dentro del rango de las variables
n = 0, u = m0 → δ [n] δ [u − m0 ]
(3.35)
n = 1, u = −N + m0 → δ [n − 1] δ [N + u − m0 ]
Sustituyendo en la fórmula del canal equivalente:
−1
NP v −1
NP
x [v − u] x∗ [v] δ [n] δ [u − m0 ] = x [v − m0 ] x∗ [v] δ [n]
P
v=0 u=v−N +1 v=0
−1
NP v −1
NP
x [v − u] x∗ [v] δ [n] δ [N + u − m0 ] = x [v + N − m0 ] x∗ [v] δ [n − 1]
P
v=0 u=v−N +1 v=0
(3.36)
Componiendo todos los términos, nos queda:
N
X −1
p [n] = a |x [v] |2 δ [n] + (3.37)
v=0
−1 −1
N N
!
X X
+b x [v − m0 ] x∗ [v] δ [n] + x [v + N − m0 ] x∗ [v] δ [n − 1] (3.38)
v=0 v=0
En función de la correlación determinista aperiódica ya definida en (3.40), la expre-

sión del canal equivalente queda muy compacta:
p [n] = aRx [0] δ [n] + b (Rx [−m0 ] δ [n] + Rx [N − m0 ] δ [n − 1]) (3.39)
Obsérvese que si se cumpliera que:

N
X −1
Rx [l] = x [v + l] x∗ [v] = δ [l] (3.40)
v=0
los términos asociados al segundo rayo se anularían dando lugar a un canal libre
de ISI. Lamentablemente no hay secuencias adecuadas que cumplan esta condición
sobre la correlación determinista aperiódica (ec. 3.40) por lo que en la práctica
se escogen funciones de tipo pseudorruido que como veremos más adelante tienen
una función de correlación que se aproxima a una delta de Dirac y que por tanto
aproximan dicha función. En este caso, podemos aproximar:
N
X −1
p [n] ≈ a |x [v] |2 δ [n] = aN δ [n] (3.41)
v=0
3.5. RECEPCIÓN ADAPTADA AL MULTICAMINO 127
recuperándose el símbolo transmitido salvo por un ajuste de amplitud y fase.

Si se observa con detenimiento la figura 3.9 podemos establecer una relación más
directa para el canal discreto equivalente:
p [n] = Rx [m] ∗ d [m] |m=nN (3.42)

Como
d[m] = a δ[m] + b δ[m − m0 ] (3.43)
tenemos
p[n] = a Rx [m] + b Rx [m − m0 ]|m=nN = a Rx [nN ] + b Rx [nN − m0 ] (3.44)
Como Rx [m] es nulo fuera de m = −N + 1, . . . , N − 1, las muestras no nulas son:
p [n] = aRx [0] δ [n] + b (Rx [−m0 ] δ [n] + Rx [N − m0 ] δ [n − 1]) (3.45)
que ya había sido deducida en la ecuación (3.39).
3.5. Recepción adaptada al multicamino

Si recordamos la expresión del canal equivalente en el ejemplo anterior, no se
habrá escapado un detalle: únicamente se extrae la parte de energía del multica-
mino proveniente del primer rayo (o aquél que te sirve de referencia temporal para
el muestreo). El receptor rake (rastrillo) es una variante del modelo anterior gene-
rándose un conjunto de ramas (fingers) donde en cada una de ellas se ajustan los
retardos relativos para sumar en fase las distintas componentes. Para el canal que
hemos tomado como ejemplo y suponiendo que la referencia de origen de tiempos la
marca el primer rayo, tendríamos:
Figura 3.12: Receptor rake
Este análisis permite hacer una interpretación muy interesante definiendo un

nuevo sistema equivalente como la convolución de d [m] con la estructura rake. Puede
apreciarse que esta estructura es de hecho un sistema lineal cuya respuesta al impulso
queda:
r [m] = a∗ δ [m] + b∗ δ [m + m0 ] (3.46)

que en definitiva puede interpretarse como la versión muestreada de r (t) = h∗ (−t)
dando lugar a un filtro adaptado al canal equivalente. El análisis de prestaciones es
equivalente al ya realizado sencillamente considerando:
de(t) = gc (t) ∗ h (t) ∗ gc∗ (−t) ∗ h∗ (−t) (3.47)

como el canal equivalente que incluye el filtro transmisor, el canal, el receptor y el
combinador rake. Igualmente, muestreando a velocidad de chip:
de[m] = de(t) |t=mTc (3.48)

En el caso concreto que estamos analizando tendríamos:
de[m] = ab∗ δ [m + m0 ] + |a|2 + |b|2 δ [m] + a∗ bδ [m − m0 ] (3.49)

que puede interpretarse como la combinación de tres términos para cada una de las
componentes del canal, de donde ya hemos estudiado la segunda y la tercera com-
ponente. Si repetimos el proceso para este primer término (obviando los coeficientes
tendríamos)
de[m] = δ [m + m0 ]
(3.50)
de[nN + u] = δ [nN + u + m0 ]
Que sólo tiene dos soluciones dentro del rango de las variables
n = 0, u = −m0 → δ [n] δ [u + m0 ]
(3.51)
n = −1, u = N − m0 → δ [n + 1] δ [−N + u + m0 ]
Sustituyendo en la fórmula el canal equivalente:
−1
NP v −1
NP
x [v − u] x∗ [v] δ [n] δ [u + m0 ] = x [v + m0 ] x∗ [v] δ [n]
P
v=0 u=v−N +1 v=0
−1
NP v −1
NP
x [v − u] x∗ [v] δ [n] δ [−N + u + m0 ] = x [v − N + m0 ] x∗ [v] δ [n + 1]
P
v=0 u=v−N +1 v=0
(3.52)
Componiendo todos los términos, nos queda:
−1
NP
p [n] = (|a|2 + |b|2 ) |x [v] |2 δ [n] +
N −1 v=0
−1
NP

∗ ∗ ∗
(3.53)
P
+a b x [v − m0 ] x [v] δ [n] + x [v + N − m0 ] x [v] δ [n − 1] +
v=0
N −1 v=0
−1
NP

∗ ∗ ∗
P
+b a x [v + m0 ] x [v] δ [n] + x [v − N + m0 ] x [v] δ [n + 1]
v=0 v=0
En función de Rx [l] tenemos una expresión más compacta:
p [n] = (|a|2 + |b|2 ) Rx [0] δ [n] +

+a∗ b (Rx [−m0 ] δ [n] + Rx [N − m0 ] δ [n − 1]) + (3.54)
+b∗ a (Rx [m0 ] δ [n] + Rx [−N + m0 ] [v] δ [n + 1])
Teniendo en cuenta que hemos supuesto que
3.5. RECEPCIÓN ADAPTADA AL MULTICAMINO 129
N
X −1
Rx [l] = x [v + l] x∗ [v] = δ [l] (3.55)
v=0
nos quedaría finalmente

−1
N
X
2
p [n] ≈ |a| + |b| 2
|x [v] |2 δ [n] (3.56)
v=0
ahora sí incluyendo la potencia total del canal.

Tal como propusimos en la ecuación (3.42) y que se aprecia en la figura 3.9, una
forma más directa de expresar esta solución sería:
p [n] = Rx [m] ∗ d [m] ∗ r [m] |m=nN (3.57)

con lo que el canal discreto a nivel de señal tiene respuesta
p[n] = Rx [m] ∗ Rd [m]|m=nN (3.58)
Véase un esquema del sistema global con receptor basado en filtro adaptado a la
señal y al canal en la figura (3.13):
Figura 3.13: Canal equivalente con receptor rake
Para el canal bajo estudio d[m] = aδ[m] + bδ[m − m0 ] 0 < m0 < N
Rd [m] = d[m] ∗ d∗ [−m]

= |a|2 + |b|2 δ[m] + ab∗ δ[m + m0 ] + a∗ b δ[m − m0 ]

Rx [m] ∗ Rd [m] = |a|2 + |b|2 Rx [m] + ab∗ Rx [m + m0 ] + a∗ b Rx [m − m0 ]

p[n] = |a|2 + |b|2 Rx [nN ] + ab∗ Rx [nN + m0 ] + a∗ b Rx [nN − m0 ]

(3.59)
Como x[m] es nula fuera de {0, . . . , N − 1}, Rx [m] es nula fuera de {−N +
1, . . . , N − 1}, la señal p[n] tiene como muestras no nulas:
p [n] = (|a|2 + |b|2 ) Rx [0] δ [n] +

∗
+a b (Rx [−m0 ] δ [n] + Rx [N − m0 ] δ [n − 1]) + (3.60)
+b∗ a (Rx [m0 ] δ [n] + Rx [−N + m0 ] [v] δ [n + 1])
como ya habíamos deducido.

bajo otro punto de vista, esta estructura también hace que el ruido deje de ser
blanco y su potencia también se ve afectada por el rake. El ruido filtrado n[n] tiene
autocorrelación Rvn [m] ∗ Rx [m] ∗ Rd [m]|m=nN . Esta aspecto puede observarse en la
figura (3.14).
Figure 3.14: Correlación del ruido por el receptor rake
3.6. Modelo de señal basado en álgebra vectorial

Si bien el planteamiento anterior aporta una perspectiva muy profunda de las ca-
racterísticas de la modulación en espectro ensanchado es sin embargo poco práctica
desde el punto de vista de su programación en un simulador basado en cálculo vec-
torial. Una visión complementaria nos va a permitir revisar los conceptos anteriores
con una formulación más sencilla que además nos permitirá plantear la problemáti-
ca de la transmisión de múltiples usuarios con una complejidad razonable. Veamos
estos principios en esta sección para un solo usuario. Si replanteamos en discreto el
modelo de señal transmitida:
∞
X ∞
X N
X −1
s [m] = B [m]∗x [m] = A [n] x [m − nN ] = A [n] x [l] δ [m − l − nN ]
n=−∞ n=−∞ l=0
(3.61)
que esquemáticamente se puede verificar en la figura siguiente para tres símbolos
donde x representa el vector de la secuencia de ensanchamiento.
Figure 3.15: Señal transmitida
Si tenemos un canal AWGN, el vector recibido en el intervalo n-ésimo es:
v [n] = A [n] x + n [n] (3.62)

donde v [n] , n [n] son vectores de longitud N. Si ahora consideramos un multicamino
de longitud comparable al tiempo de chip (por ejemplo, 1 chip)
d [m] = aδ [m] + bδ [m − 1] (3.63)

Se obtendría en el receptor en tiempo discreto equivalente:
3.6. MODELO DE SEÑAL BASADO EN ÁLGEBRA VECTORIAL 131
v [m] = s [m] ∗ d [m] =

∞
P −1
NP P∞ −1
NP
=a A [n] x [l] δ [m − l − nN ] + b A [n] x [l] δ [m − 1 − l − nN ]
n=−∞ l=0 n=−∞ l=0
(3.64)
que esquemáticamente queda:
Figure 3.16: Señal recibida
Se observa que sería posible simplificar el proceso si se interpretara que se utiliza

una secuencia de ensanchamiento efectiva
x̃ [m] = x [m] ∗ d [m] (3.65)

Y por tanto
∞
X N
X −1
v [m] = s [m] ∗ d [m] = A [n] x̃ [l] δ [m − l − nN ] (3.66)
n=−∞ l=0
siendo la visión esquemática:
Figure 3.17: Señal recibida. Modelo equivalente.
En términos vectoriales tendríamos:
v [n] ≈ A [n] x̃ + n [n] (3.67)

donde ahora v [n] , n [n] son de longitud N + L − 1. Aunque evidentemente es una
simplificación (puesto que no estamos incluyendo la contribución de los símbolos
anterior y posterior), es una hipótesis bastante habitual asumir que el pulso es de
duración mucho mayor que el multicamino. Bajo esta perspectiva, el receptor óptimo
en formato vectorial para AWGN queda:
q [n] = Â [n] = xH v [n] = A [n] + xH n [n] = A [n] + n [n] (3.68)

que se puede observar constituye una formulación vectorial del correlador, mante-
niéndose el carácter blanco del ruido y asumiendo que el vector está normalizado en
potencia. Si asumimos que se ha transmitido por un canal, el receptor es análogo:
Figure 3.18: Modelo de receptor óptimo en canal AWGN. Representación algebraica.
Figure 3.19: Modelo de receptor óptimo en canal con ISI. Representación algebraica
q [n] = Â [n] = x̃H v [n] ≈ A [n] + x̃H n [n] = A [n] + n [n] (3.69)
Asumiendo que el vector x̃ está normalizado en potencia.
3.7. Transmisión multiusuario

Una de las gran ventajas de estos sistemas en espectro ensanchado es la posibili-
dad de transmitir simultáneamente varios usuarios usando el mismo intervalo tiempo
- frecuencia pero con códigos (cuasi) ortogonales. Supondremos un análisis en el cual
varios usuarios quieren transmitir hacia una estación base (enlace ascendente) y que
en ésta se pretende hacer una detección conjunta de todos los usuarios. El enlace
descendente es análogo en cuanto a modelo pero no tiene esta generalidad porque
en el receptor sólo se tiene interés en demodular a uno de los usuarios.
Figure 3.20: Esquema de transmisión multiusuario. Enlace ascendente
3.7.1. Canal AWGN

Si consideramos inicialmente el modelo de señal AWGN en el intervalo (0, T ) y
un solo usuario tenemos:
s (t) = Ag (t) 0≤t<T (3.70)

3.7. TRANSMISIÓN MULTIUSUARIO 133
Si hubiera varios usuarios, se generaliza fácilmente:
K
X N
X −1
s (t) = Ak gk (t) 0≤t<T siendo gk (t) = xk [m] gc (t − mTc ) (3.71)
k=1 m=0
Observándose que cada usuario lleva un pulso específico gk (t) ; 1 ≤ k ≤ K

que de hecho tiene una forma de onda común gc (t) pero diferente secuencia de
ensanchamiento. De acuerdo con el modelo basado en álgebra vectorial el esquema
se representa en la figura (3.21):
Figure 3.21: Receptor óptimo en ruido gaussiano. Tiempo discreto
Igualmente en este caso tenemos (obviando la referencia temporal para mayor

sencillez en la formulación):
K
X
v = (s (t) + n (t)) ∗ gc∗ (−t) |t=nTc = Ak xk + n = XA + n (3.72)
k=1
donde se observa que muestreamos a velocidad de chip siendo X = x1 x2 · · · xK ;

T
A = A1 A2 · · · AK
Si consideramos ahora el paso por los K correladores discretos tenemos para la
rama l -ésima
K
!
X
ql = xTl v = xTl Ak xk + n = xTl XA + xTl n (3.73)
k=1
Y en general para todas ellas
K
!
X
q = XT v = X T Ak xk + n = XT XA + XT n = RA + XT n (3.74)
k=1
Donde el ruido es temporalmente blanco pero correlado en el índice de los usua-

rios de matriz de correlación Cn = σn2 R. Obsérvese que hemos supuesto que los
códigos son reales. Si no lo fueran, el análisis es análogo cambiando el operador

transpuesto por hermítico. Idealmente, los códigos serían ortogonales por lo que
R=I, pero en la práctica no es así por lo que mantendremos la notación general.
Aunque todavía no hemos desarrollado un criterio para diseñar estos códigos de
ensanchamiento (se hará en la sección 3.8) vamos a suponer que la matriz X descrita
anteriormente es un dato de los enunciados de los complementos formativos de los
siguientes apartados.
3.7.2. Modelo de transmisión DS-CDMA con ISI

La aproximación presentada en el apartado anterior junto con el modelo de se-
ñal desarrollado en la sección anterior nos va a permitir extender los análisis en
condiciones AWGN al caso más general con multicamino. Para ello, retomamos la
notación vectorial donde ahora v [n] se representa mediante el vector v de longitud
N + L − 1 siendo L el multicamino:
K
X
v= Ak x̃k + n = X̃A + n (3.75)
k=1
T
siendo X̃ = x̃1 x̃2 · · · x̃K A = A1 A2 · · · AK . En este caso

concreto x̃k es la representación vectorial de la convolución del código de cada usuario

con su canal dk [m] correspondiente:
xk [m] ∗ dk [m] = x̃k [m] → x̃k (3.76)

Vector
El receptor rake es inmediato ya que equivale a correlar con estas formas de onda
efectivas, ahora en complejo:
K
!
X
qk = x̃H H
k v = x̃k Al x̃l + n = x̃H H
k X̃A + x̃k n (3.77)
l=1
Y en general para todas ellas
K
!
X
q = X̃H v = X̃H Al x̃l + n = X̃H X̃A + X̃H n = R̃A + X̃H n (3.78)
k=1
Donde el ruido es temporalmente blanco pero nuevamente correlado en el índice

de los usuarios con matriz de correlación C̃n = σn2 R̃.
Aunque formalmente idénticas con el caso AWGN, hay notorias diferencias por
que si bien los códigos originales se diseñaban con unas propiedades de correlación
adecuadas, esta característica queda alterada por la convolución con el canal y por
tanto con un nivel de ISI y MAI (Interferencia por Acceso Múltiple) notable. Ello
apunta a la necesidad de realizar un tipo de procesado adicional que minimice este
fenómeno, denominado detección multiusuario. Con otras palabras, R̃ dista mucho
de ser diagonal.
3.7. TRANSMISIÓN MULTIUSUARIO 135
Figure 3.22: Receptor óptimo en canal con ISI. Tiempo discreto en función de la
secuencia de ensanchamiento equivalente
3.7.3. Detección multiusuario

El hecho de que la matriz R̃ no se aproxime a una matriz identidad, hace razo-
nable el incluir un procesado adicional al banco de filtros adaptados que mejore las
prestaciones del detector. Este proceso se denomina detección multiusuario porque
exige la detección de todos los símbolos transmitidos. El esquema genérico sería de
la forma presentada en la figura (3.23).
Figure 3.23: Detector en tiempo discreto con procesador multiusuario
Al igual que en el capítulo anterior sobre OFDM, los detectores lineales más
sencillos se llaman ZF (o decorrelador) y MMSE. Si denominamos de nuevo q a la
señal a la entrada del detector multiusuario,

w = Â = Gq = G R̃A + X̃H n (3.79)
En particular, el criterio ZF directamente invierte la matriz R̃:


Â = Gq = R̃−1 R̃A + X̃H n = A + R̃−1 X̃H n (3.80)
Igualmente, si la matriz está mal condicionada, su inversa puede producir un in-
cremento del ruido. Otra alternativa es minimizar el Error Cuadrático medio (MSE).
Recordando tal como vimos en el tema 6 que este criterio puede enfocarse desde el
punto de vista de la condición de ortogonalidad entre el error y los datos, tenemos:
H
H

E (Gq − A) q =E G R̃A + X̃n − A R̃A + X̃H n =
n o (3.81)
= GR̃E AAH R̃H + GE X̃H nnH X̃ − E AAH R̃H = 0

Asumiendo que la señal y el ruido son blancos, e igualmente que la potencia

transmitida por todos los usuarios es la misma, obtenemos:
−1 −1
1
2 H 2 H
G = σA R̃ σA R̃R̃ + σn R̃ 2
= R̃ H H
R̃R̃ + R̃ (3.82)
snr
Transmisión multiusuario CDMA en AWGN y en un canal con ISI.

desarrollados.
3.8. Generación de códigos de ensanchamiento

Ya hemos visto en las secciones anteriores que los códigos de ensanchamiento
juegan un papel muy importante requiriéndose unas propiedades críticas tanto en
la autocorrelación como en la correlación cruzada entre códigos. En esta sección
profundizaremos en los criterios de diseño.
Las secuencias de ensanchamiento pueden generarse mediante varios tipos de
códigos como las secuencias-m, códigos de Gold, códigos de Kasami, códigos de
Walsh... Es importante dejar claro que a la hora de valorar las prestaciones de las
secuencias-m o de Gold consideraremos las propiedades de la correlación ordinaria
en lugar de la correlación periódica que es la base de optimalidad de su diseño.
Un caso especial a tener en cuenta son los códigos Barker que sí tienen una cor-
relación ordinaria óptima pero lamentablemente hay un único código (para ciertas
longitudes) con estas propiedades por lo que se usan en comunicaciones multiusuario
fundamentalmente para el sincronismo.
Como ya hemos comentado, si tuviéramos un único usuario, debiéramos dispo-
ner de un código que tuviera unas propiedades de autocorrelación tipo ruido para
3.8. GENERACIÓN DE CÓDIGOS DE ENSANCHAMIENTO 137
que no hubiera interferencia por multicamino apreciable. Los códigos con mejores
propiedades son las denominadas secuencias-m, que habitualmente se generan me-
diante un registro de desplazamiento cuyos contenidos se combinan mediante una
operación lógica (X-OR, o suma módulo-2).
3.8.1. Secuencias-m
Figure 3.24: Esquema de un registro de desplazamiento
La realimentación se genera de acuerdo con la fórmula siguiente
ai = c1 ai−1 + c2 ai−2 + · · · + cN ai−n (3.83)

El comportamiento del registro depende de las conexiones que habitualmente se
denotan mediante el denominado polinomio generador. Por ejemplo, en el registro
de la figura siguiente es:
f (D) = 1 + D2 + D3 (3.84)
Figure 3.25: Ejemplo de un registro de desplazamiento. Se genera una secuencia m

de 7 chips
que se suele representar por el código [2 1] aunque en muchas publicaciones se

define como [ 2 1 0] realzando el proceso de realimentación. Estos registros generan
secuencias periódicas de un cierto periodo. De entre ellas, existen las denominadas
secuencias-m o de máxima longitud que generan el mayor periodo posible 2L -1 siendo
L el número de memorias del registro. Estas secuencias tienen unas propiedades muy
atractivas en este campo y por eso se han escogido tradicionalmente para generar
las secuencias de ensanchamiento. En la tabla siguiente se muestran los polinomios
que generan secuencias-m.
Número memorias(L) PeriodoNc =2L -1 Polinomios generadores

2 3 [2 1 0]
3 7 [3 2 0]
4 15 [4 1 0]
5 31 [5 3 0], [5 4 3 2 0], [5 4 2 1 0]
6 63 [6 1 0], [6 5 2 1 0], [6 5 3 2 0]
[710], [730], [73210]
7 127 [74320], [76420], [76310]
[76520], [7654210], [7543210]
[84320], [86530], [86520], [85310], [86510]
8 255
[87610], [8765210], [8643210]
[940], [96430], [98540], [98410], [95320]
9 511
[98650], [98720], [9654210], [9765310], [9876530]
[1030], [108320], [104310], [108510], [108540]
[109410], [108430], [105320], [105210]
10 1023
[109420], [10653210], [10986320]
[1098765430], [1087654310]
Cuadro 3.1: Polinomios generadores de secuencias – m
La función de autocorrelación de estas secuencias nos permite justificar el interés

en estos códigos puesto que emulan el comportamiento del ruido blanco (la auto-
correlación en una delta). Véase la siguiente figura donde hemos representado las
autocorrelaciones de las secuencias- m definidas por los polinomios [6 1 0] y [6 5 3
2 0] y a su vez la correlación cruzada.
Análisis de la generación de las secuencias m
que a su vez invoca a la función gen_sec.m y ésta a gen_pn_upm.es
Trabajo personal: analice el código proporcionado en Comp_for_T7_2.m

Obtenga un resultado como el mostrado en la figura (3.26):
Puede observarse que las autocorrelaciones son casi indistinguibles y que en am-
bos casos están muy por encima del valor de correlación cruzada en el origen, que es
despreciable. Ello implica que es una buena estrategia si las únicas formas de onda
interferentes que nos vamos a encontrar son el propio código retardado. Sin embargo,
en la figura se representa también la correlación cruzada y se puede observar que
en este caso, el comportamiento ya no es tan favorable para retardos distintos del
origen.
Figure 3.26: Correlaciones de secuencias – m
Por esa razón, se han adoptado otras familias de códigos, que sí permiten garanti-
zar un número elevado de códigos, todos ellos con buenas propiedades de correlación
cruzada (aunque las propiedades de autocorrelación pierdan un poco respecto a las
secuencias-m).
3.8.2. Códigos Gold

Aunque hay varios diseños, uno de los más populares son los llamados códigos
de Gold, generados a partir de dos secuencias-m, combinadas a partir de una fija y
la otra para todos sus desplazamientos. La figura siguiente ilustra este proceso:
Figura 3.27: Esquema de generación de un código Gold
Sin embargo, no todas las secuencias-m son igualmente favorables, por lo que
Gold propuso un subconjunto, denominado ‘preferidas’ que están tabuladas.
La figura siguiente muestra un ejemplo para el caso de 63 chips a partir del [6 1
0] y [6 5 2 1 0]
El cimplemento formativo siguiente muestra el código Matlab par la generación
de estos códigos
Número memorias (L) Periodo Nc =2L -1 Pares de secuencias m preferidas

5 31 [5 2 0], [5 4 3 2 0]
6 63 [6 1 0], [6 5 2 1 0
7 127 [7 3 0], [7 3 2 1 0],[7 3 2 1 0], [7 5 4 3 2 1 0]
[87610], [8765210], [940], [96430]
8 255
[96430], [98410]
9 511 [9 4 0], [9 6 4 3 0],[9 6 4 3 0], [9 8 4 1 0]
[1098765430], [10976410], [108510], [10764210]
10 1023
[1087654310], [10976410]
Table 3.2: Códigos preferidos de secuencias – m para generación de códigos de Gold
Figure 3.28: Ejemplo de generación de un código de Gold
Análisis de la generación de códigos Gold

Obtenga un resultado como los mostrados en la figura (3.29).
Obsérvese que hemos generado 63+2 (los códigos originales también se considera
que forman parte del conjunto de códigos Gold). Cuanto mayor sea L, la longitud
de las secuencias-m, menor son los valores de las correlaciones cruzadas y por tanto
son más apropiadas para la aplicación CDMA.
Figure 3.29: Ejemplo de correlaciones de códigos de Gold
Transmisión multiusuario CDMA en un canal con ISI. Detectores rake y

multiusuario (Decorrelador ):

3.8.3. Códigos Barker

En los sistemas DS-CDMA ya hemos visto que la señal discreta x[m], m =
0, . . . , N − 1 se elige para que sea aproximadamente ortogonal a sus versiones des-
plazadas:
c −1
N
(
X N k=0
Rx [k] = hx[m + k], x∗ [m]i = x[m + k]x∗ [m] =
m=0
N k 6= 0
Es decir,
Rx [k] ≈ N δ[k]
Las secuencias de Barker son óptimas en este sentido, cumpliendo que Rx [k] ≤ 1
para k 6= 0. Desgraciadamente sólo se conocen para Nc ≤ 13 existiendo una única
secuencia por cada tamaño de registro. Por esta razón no se usan como códigos de en-
sanchamiento sino como códigos de sincronismo. Representamos a modo de ejemplo
las secuencias de Barker de longitud 7 y 13 y sus correspondientes autocorrelaciones:
x Rx
1 7
0.8
6
0.6
5
0.4
4
0.2
0 3
−0.2
2
−0.4
1
−0.6
0
−0.8
−1 −1
0 2 4 6 −5 0 5
Figura 3.30: Secuencia de Barker de longitud 7 y su autocorrelación:
x Rx
1 14
0.8
12
0.6
0.4 10
0.2
8
0
6
−0.2
−0.4 4
−0.6
2
−0.8
−1 0
0 5 10 −10 −5 0 5 10
Figura 3.31: Secuencia de Barker de longitud 13 y su autocorrelación:
3.9. Fórmulas para el examen
Concepto Fórmula
P
s (t) = A [n] g (t − nT )
n
Señal transmitida en tiempo continuo −1
NP
g (t) = x [m] gc (t − mTc )
m=0
1
ej ωT |X ej ωT c |2 |Gc (j ω) |2

Espectro de la señal transmitida SS (j ω) = T
SA
q = RA + XT n
Señal recibida en ruido gaussiano a la salida de los decorreladores 2R
Cn = σn
q = R̃A + X̃H n
Señal recibida en canal con ISI a la salida de los decorreladores 2 R̃
Cn = σn
Detección multiusuario. Criterio ZF G = R̃−1
−1 −1
2 R̃H 2 R̃R̃H + σ 2 R̃ 1
Detección multiusuario Criterio MMSE G= σA σA n = R̃H R̃R̃H + snr
R̃
NP−1NP−1
p [n] = x [k] x∗ [v] d [nN + (v − k)]
Canal discreto equivalente v=0 k=0
v ∈ {0, N − 1} , k ∈ {0, N − 1}
p [n] = R [m] ∗ d [m] |m=nN
3.10. Ejercicios
1. Considere una modulación de espectro ensanchado por secuencia directa con

N =4 y secuencia de ensanchamiento x [m] = (−1)m 0 ≤ m < N y gc (t) ∗
gc∗ (−t) cumpliendo el criterio de Nyquist a periodo T /N. Determine el canal discreto
equivalente p[n] justificando si existe ISI o no en los siguientes casos:
a) d [m] = δ [m]
b) d [m] = δ [m − N/2]
c) d [m] = δ [m − N ]
d) Rehaga los apartados anteriores a partir de la fórmula: p[n] = Rx [m] ∗
d[m]|m=nN .
Solución:
La expresión del canal equivalente es:
N
X −1N
X −1
p [n] = x [k] x∗ [v] d [nN + v − k]
v=0 k=0
siendo el rango de las variables v ∈ (0, N − 1) y k ∈ (0, N − 1). Haciendo el

cambio de variable u = v − k con u ∈ (−N + 1, N − 1) tenemos:
N
X −1 v
X
p [n] = x [v − u] x∗ [v] d [nN + u]
v=0 u=v−N +1
Analicemos cada uno de los canales propuestos por separado:

a) En este caso d [nN + u] = δ [m]. la única combinación de valores dentro del
rango es n = 0, u = 0.Recordando el hecho de que los sumatorios están acoplados
podemos apoyarnos en la siguiente gráfica para entender mejor el proceso para N=4:
Figure 3.32: Esquema Ejercicio 1
Se observa que están en el rango completo del sumatorio de v por lo que nos
queda:
N
X −1
p [n] = (−1)2v δ [n] = N δ [n]
v=0
concluyéndose que en este caso no hay ISI.

b) En este nuevo caso ha de verificarse que d [nN + u] = δ m − N2 existiendo

dos combinaciones dentro del rango: n = 0, u = N2 y también n = 1, u = − N2

Veamos cada caso por separado:
Caso a: n = 0, u = N2
N −1 N −1
X −N/2
X N
p [n] = v
(−1) (−1) v−N/2
δ [n] = (−1) (−1)2v δ [n] = (−1)−N/2 δ [n]
2
v= N
2
v= N
2
Caso b: n = 1, u = − N2
N
2
−1 N −1
X v v+N/2 N/2
X N
p [n] = (−1) (−1) δ [n − 1] = (−1) (−1)2v δ [n − 1] = (−1)N/2 δ [n − 1]
v=0
2
v= N
2
Componiendo todas las soluciones tenemos:

N N
p [n] = δ [n] + δ [n − 1]
2 2
observándose que ahora sí hay ISI.

c) En este nuevo caso ha de verificarse que d [nN + u] = δ [m − N ] existiendo
una combinación dentro del rango que es n = 1, u = 0 . Se observa que es el mismo
caso que en el apartado a) excepto por un retardo, por lo que tenemos:
N
X −1
p [n] = (−1)2v δ [n − 1] = N δ [n − 1]
v=0
por lo que tampoco hay ISI.

d) Suponemos N par y el receptor adaptado a la señal (no al canal), de forma
que
p[n] = Rx [m] ∗ d[m]|m=nN .
Para calcular Rx [m] = hx[n + m], x[n]i observamos que para m par tenemos un
sumatorio de productos iguales a uno y para m impar un sumatorio de productos
iguales a −1. El valor absoluto será el número de muestras que se solapan, que es
igual a N − m. Por tanto
(
(−1)|m| (N − |m|) −(N − 1) ≤ m ≤ N − 1
Rx [m] =
0 resto
(a1) p[n] = Rx [N n] = N δ[n] puesto que Rx [m] = 0 para |m| ≥ N .

(b1) p[n] = Rx [N n − N/2], que sólo es no nula para n = 0, 1, con lo que tenemos
p[n] = Rx [−N/2]δ[n] + Rx [N/2]δ[n − 1] = (−1)N/2 N2 (δ[n] + δ[n − 1])
(c1) p[n] = Rx [N n − N ], que sólo tiene valor no nulo en n = 1, y vale p[n] =
N δ[n − 1].
2. Sea una modulación DS-CDMA monousuario cuya representación en banda

base viene dada por:
XN
X −1
s (t) = A [n] x [m] gc (t − mTc − nT )
n m=0
Determine las condiciones que tiene que cumplir la secuencia de ensanchado x [m]
para eliminar la interferencia intersimbólica a tiempo de símbolo T dado que el canal
discreto equivalente d [m] a tiempo de chip tiene un retardo P<N y viene dado por
la siguiente expresión
P
X −1
d [m] = c [j] δ [m − j]
j=0
Solución:
a) Recordando la expresión del canal equivalente:
N
X −1N
X −1
p [n] = x [k] x∗ [v] d [nN + v − k]
v=0 k=0
−1
PP
donde en este caso d [nN + v − k] = c [j] δ [nN + v − k − j]. En base al pro-
j=0
blema anterior donde hemos verificado que los únicos valores posibles de n son
n = 0, n = 1, la expresión anterior queda:
N
X −1N
X −1 P
X −1
p [n] = x [k] x∗ [v] c [j] δ [v − k − j] δ [n] +
v=0 k=0 j=0
N
X −1N
X −1 P
X −1
∗
+ x [k] x [v] c [j] δ [N + v − k − j] δ [n − 1]
v=0 k=0 j=0
Denominando al primer término A y B al segundo tenemos:

Término A : particularizando en v = k + j
P
X −1 N
X −1
p [n] = c [j] x [k] x∗ [k + j] δ [n]
j=0 k=0
Término B : particularizando en v = k + j − N
P
X −1 N
X −1
p [n] = c [j] x [k] x∗ [k + j − N ] δ [n − 1]
j=0 k=0
−1
NP −1
NP
Observando que los términos x [k] x∗ [k + j] y x [k] x∗ [k + j − N ] son for-
k=0 k=0
mas de tipo correlación por lo que podemos concluir que si se cumple la condición
(suponiendo que los códigos son de potencia unitaria para simplificar el análisis):
N
X −1
x [k] x∗ [k + m] = δ [m]
k=0
la expresión de cada uno de los términos es finalmente:

Término A :
P
X −1 N
X −1 P
X −1
c [j] x [k] x∗ [k + j] δ [n] = c [j] δ [j] δ [n] = c [0] δ [n]
j=0 k=0 j=0
Término B :
P
X −1 N
X −1 P
X −1
∗
c [j] x [k] x [k + j − N ] δ [n − 1] = c [j] δ [j − N ] δ [n − 1] = 0
j=0 k=0 j=0
ya que en este último caso se cumple que N > P. La conclusión final es que bajo
estas condiciones no hay ISI.
3. Un sistema de comunicaciones utiliza una modulación de espectro ensanchado

por secuencia directa con factor de ensanchado N =4 y secuencia de ensanchado:
3
X
x [m] = (−1)k δ [m − k]
k=0
El filtro transmisor a tiempo de chip, gc (t) , es un filtro en raíz de coseno alzado

con factor de caída α=0.25. El filtro receptor a tiempo de chip es un filtro adaptado
al transmisor. La transmisión se realiza a través de un canal discreto equivalente a
tiempo de chip d [m] = δ [m] + 0,5δ [m − 2]
a) Explique esquemáticamente cómo se generan las muestras a tiempo de chip,
s[m], a partir de la secuencia de símbolos A[n] y de la secuencia de ensanchado
x [m]. Calcule los valores de s [m] para 0 ≤ m < 12 si la secuencia de datos es
A [0] =+1, A [1] = −1, A [2] = −1.
b) Obtenga la secuencia de muestras a tiempo de chip , v [m], a la salida del filtro
receptor gc∗ (−t) para la secuencia de datos anterior si se transmite sobre d [m] en
ausencia de ruido y se asume que A [n] =+1 ∀n < 0.
c) Explique cómo se obtienen las observaciones a tiempo de símbolo, q[n], a partir
de las observaciones a tiempo de chip, v [m], y de la secuencia de ensanchamiento
x [m]. Dibuje el diagrama de bloques y calcule los valores de q [n] , 0 ≤ n ≤ 2.
Solución:
a) La secuencia de ensanchamiento es de forma más explícita:
x [m] = δ [m] − δ [m − 1] + δ [m − 2] − δ [m − 3]
siendo el diagrama de bloques:
Figure 3.33: Diagrama de bloques ejercicio 3.

∞
Siendo s [m] = A [n] x [m − nN ]. Para este caso concreto:
P
n=−∞

s [m] = +1 −1 +1 −1 ; −1 +1 −1 +1 ; −1 +1 −1 +1
A [0] x [m] A [1] x [m − N ] A [2] x [m − 2N ]
b) Siendo v [m] = s [m] + 0.5s [m − 2] tenemos los símbolos transmitidos:
A [−1] A [0] A [1] A [2]
+1 −1 +1 −1 +1 −1 +1 −1 −1 +1 −1 +1 −1 +1 −1 +1
0,5 −0,5 0,5 −0,5 0,5 −0,5 0,5 −0,5 −0,5 +0,5 −0,5 0,5 −0,5 0,5 −0,5 0,5
por lo que v [m] queda:
v [m] 1,5 −1,5 1,5 −1,5 −0,5 0,5 −1,5 1,5 −1,5 1,5 −1,5 1,5
c) El esquema del receptor viene representado en la figura (3.34).
Figura 3.34: Esquema del receptor. Ejercicio 3
Obteniéndose los resultados:

v [m] 1,5 −1,5 1,5 −1,5 −0,5 0,5 −1,5 1,5 −1,5 1,5 −1,5 1,5
x
e [m] +1 −1 +1 −1 +1 −1 +1 −1 +1 −1 +1 −1
q [m] q [0] = 6 q [1] = −4 q [3] = −6
4. En los sistemas de Tercera Generación de móviles UMTS se utiliza el sistema

de modulación que se describe a continuación. La señal en banda base s(t) se define
como:
X
s (t) = A [n] g (t − nT )
n
donde A [n] ∈ {±1} es la secuencia de información binaria y g(t) es el pulso con-

formador que se caracteriza como:
N −1
1 X
g (t) = √ x [m] gc (t − mTc ) (3.85)
T m=0
con Tc = T /N como tiempo de chip y x [m] ∈ {±1} es una secuencia de N
símbolos conocida.
a) Considerando que gc (t) es un pulso rectangular normalizado en amplitud
de duración T /4, dibuje la señal s(t) en el intervalo de tiempo t ∈ (0, 3T ), si
A [0] =+1, A [1] =+1, A [2] = −1 cuando la secuencia x [m] es {1, 1, 1, 1} y cuando
x [m] toma valores {1, −1, 1, −1}.
b) A partir de la formulación del espectro de una señal PAM de banda base,
calcule el espectro de la señal s(t) en las dos situaciones anteriores, cuando el pulso
conformador es un pulso rectangular convencional normalizado en energía y de dura-
ción T y cuando tiene la forma definida anteriormente en (3.85) con Tc =T /4. Asuma
que la secuencia de símbolos transmitidos A[n] y la secuencia x [m] son blancas.
Solución:
a) Considerando N = 4, Tc = T
4
tenemos las siguientes formas de onda para
ambos casos:
Caso 1:
Figure 3.35: Caso 1. Ejercicio 4
Caso 2:
Figure 3.36: Caso 2. Ejercicio 4
b) El espectro de una señal PAM banda base es:

1
SA ej ωT |G (j ω) |2

SS (j ω) =
T
que en caso que A [n] sea una secuencia blanca simplifica a

1
SS (j ω) = |G (j ω) |2
T
T
En el caso primero tenemos:G (jω) = 2 sin(ωT
ω
/2) −jω
e 2 cuyos cruces por cero ocur-
ren en ω = k T . Se representa de forma esquemática en la figura (3.37).

2π
Figure 3.37: Caso 1. Espectro. Ejercicio 4
Tc
En el caso segundo tenemos: G (jω) = 2 sin(ωT
ω
c /2) −jω
e 2 cuyos cruces por cero
ocurren en ω = k T . Esquemáticamente ahora lo representamos en la figura (3.38).

2πN
5. Un sistema de espectro ensanchado por secuencia directa, con factor de en-

sanchado N=4, tiene como secuencia de ensanchado:
Figure 3.38: Caso 2. Espectro. Ejercicio 4
x [m] = δ [m] + aδ [m − 1] + bδ [m − 2] + cδ [m − 3]
con {a, b, c} ∈ {±1}.
El filtro transmisor a tiempo de chip, Tc , es
gc (t) = √Tc sinc Tc
1 t
cumpliéndose que gc (t) ∗ gc∗ (−t) = sinc Ttc
a) Si la transmisión de la secuencia de símbolos de información A[n], genera la
señal modulada en banda base s(t) que se muestra en la figura (3.39). donde T
denota el tiempo de símbolo de A[n] y√donde remarcamos que la amplitud de la
señal s(t) está escalada por un factor Tc , obtenga los valores de a, b, c y los 3
valores iniciales de la secuencia transmitida A[n].
Figura 3.39: Señal modulada en banda base
b) La señal s(t) se transmite por un canal ideal sin ruido y en el receptor se filtra
con un filtro adaptado al filtro transmisor a tiempo de chip, gc∗ (−t). La salida de
este filtro es v (t). Calcule v (t) a partir de s(t), dibuje el diagrama de bloques del
receptor de espectro ensanchado, y calcule las observaciones a la salida del mismo,
q[n], para n ∈ {0, 1, 2}.
Solución:
a) la expresión de la señal transmitida es:
X
s (t) = s [m] gc (t − mTc )
m
Para los distintos intervalos tenemos:

Intervalo 1: t ∈ (0, T ) → m ∈ [0, N − 1] → s [m] = A [0] x [m] siendo cada
muestra:
s [0] = A [0] 1 = 1 → A [0] = 1

s [1] = A [0] a = −1 → a = −1
s [2] = A [0] b = −1 → b = +1
s [3] = A [0] c = −1 → c = −1
Intervalo 2: t ∈ (T, 2T ) → m ∈ [N, 2N − 1] → s [m] = A [1] x [m] siendo cada

muestra:
s [4] = A [1] x [0] = −3

s [5] = A [1] x [1] = +3
s [6] = A [1] x [2] = −3
s [7] = A [1] x [3] = +3
lo que implica que A [1] = −3.

Intervalo 3: t ∈ (2T, 3T ) → m ∈ [2N, 3N − 1] → s [m] = A [2] x [m] siendo cada
muestra:
s [8] = A [2] x [0] = −1

s [9] = A [2] x [1] = +1
s [10] = A [2] x [2] = −1
s [11] = A [2] x [3] = +1
lo que implica que A [2] = −1.

b) En el receptor tenemos en ausencia de ruido y de canal:
∞
X
v (t) = s (t) ∗ gc∗ (−t) = s [m] gc (t − mTc ) ∗ gc∗ (−t) =
m=−∞
∞ ∞
X X t − mTc
= s [m] δ (t − mTc ) gc (t) ∗ gc∗ (−t) = s [m] sinc
m=−∞ m=−∞
Tc
El esquema del receptor es el siguiente:
Una vez muestreada tenemos:

∞ ∞
X kTc − mTc X
v [k] = s [m] sinc = s [m] δ [k − m]
m=−∞
Tc m=−∞
La salida queda por tanto:

Figure 3.40: Esquema del receptor. Ejercicio 5
v [k] 1 −1 1 −1 −3 3 −3 3 −1 1 −1 1
x
e [k] 1 −1 1 −1 1 −1 1 −1 1 −1 1 −1
q [k] q [0] = 4 = 4 · 1 q [1] = −12 = 4 · (−3) q [2] = −4 = 4 · (−1)
6. Un sistema de comunicaciones digital utiliza una modulación de espectro

ensanchado por secuencia directa con factor N =4 y secuencia de ensanchado:
x [m] = δ [m] − δ [m − 1] − δ [m − 2] + δ [m − 3]
El pulso conformador gc (t) a tiempo de chip Tc es un pulso rectangular causal de
duración Tc y normalizado en energía.
a) Si la secuencia de datos es A [0] =+3, A [1] = −1, A [2] = −3, obtenga
la secuencia de muestras a tiempo de chip en transmisión s[m] y dibuje la señal
resultante que se transmitirá.
b) En el receptor, una vez que la señal ha pasado por el canal, la salida del
filtro adaptado a gc (t) se muestrea a tiempo de chip, dando lugar a la secuencia
v [m]. Si se ha transmitido una señal 4-PAM con niveles A [n] ∈ {±1, ±3}, obtenga
la secuencia q[n] a la salida del demodulador y decida (por el criterio de mínima
distancia) la secuencia A[n] a partir de la misma si se tiene la siguiente secuencia de
observaciones (en el decisor, tenga en cuenta el factor de ganancia introducido por
el factor de ensanchado:
m 0 1 2 3 4 5 6 7 8 9 10 11
v [m] +0.9 -1.1 -2.1 +0.3 +2.8 -4.1 -1.8 +4.7 +0.3 +1.1 +0.7 -0.9
c) Si el canal discreto equivalente a tiempo de chip es d [m] = δ [m] − δ [m − k],

calcule y compare la relación entre la potencia de señal y la potencia de ISI para
k ∈ {1, 2, 3}
d) Para el caso del canal d [m] del apartado b) y k =2, obtenga la secuencia de
observaciones a la salida del demodulador q[n] si la secuencia de datos transmitida
es la del primer apartado y A[n]=+1, ∀n < 0, y no hay ruido.
e) Resuelva el apartado c) mediante la fórmula p[n] = Rx [m] ∗ d[m]|m=nN .
Solución:
a) En la figura siguiente representamos los pulsos gc (t) y g (t):
Figura 3.41: Formas de onda de los pulsos. Ejercicio 6.
Cuando la secuencia transmitida es

s [m] = 3 −3 −3 3 −1 1 1 −1 −3 3 3 −3
mostramos gráficamente el resultado en la figura (3.42).
Figura 3.42: Formas de onda de los pulsos. Ejercicio 6.
b) En cuanto al receptor, tenemos:
m 0 1 2 3 4 5 6 7 8 9 10 11
v[m] 0,9 −1,1 −2,1 0,3 2,8 −4,1 −1,8 4,7 0,3 1,1 0,7 −0,9
x
e[m] 1 −1 −1 1 1 −1 −1 1 1 −1 −1 1
q[m] q [0] = 4,4 = 4 · 1,1 q [1] = 13,4 = 4 · 3,35 q [2] = −2,4 = 4 · (−0,6)
Representamos la constelación así como el valor detectado.
Figura 3.43: Símbolos detectados. Ejercicio 6.
Aplicando el criterio de mínima distancia tenemos por tanto A [0] = 1, A [1] =

3, A [2] = −1.
c) la expresión de p [n]es:
N
X −1N
X −1
p [n] = x [k] x∗ [v] d [nN + v − k]
v=0 k=0

N
X −1 v
X
p [n] = x [k] x∗ [v] d [nN + u]
v=0 u=v−N +1
Analicemos cada uno de los términos por separado:

A) En este caso d [nN + u] = δ [m] la única combinación de valores dentro del
rango es n = 0, u = 0.Recordando el hecho de que los sumatorios están acoplados
podemos apoyarnos en la siguiente gráfica para entender mejor el proceso para N=4:
Se observa que están en el rango completo del sumatorio de v por lo que nos
queda:
N
X −1
p [n] = δ [n] = N δ [n]
v=0
B) Para este término ha de verificarse que d [nN + u] = δ [m − k] para los valores

k = 1, 2, 3. Como en los ejercicios anteriores, existen dos combinaciones dentro del
rango: n = 0, u = k y también n = 1, u = −N + k
Veamos cada caso por separado:
Figure 3.44: Esquema Ejercicio 6
Caso B1: n = 0, u = k
N
X −1
p [n] = x∗ [v] x [v − k] δ [n]
v=k
Caso B2: n = 1, u = −N + k
k−1
X
p [n] = x∗ [v] x [v + N − k] δ [n − 1]
v=0
Componiendo ambas soluciones tenemos:

N
X −1 k−1
X
∗
p [n] = x [v] x [v − k] δ [n] + x∗ [v] x [v + N − k] δ [n − 1]
v=k v=0
Particularizando para los distintos valores de k tenemos:
3
X 0
X
∗
k=1 p [n] = x [v] x [v − k] δ [n] + x∗ [v] x [v + N − k] δ [n − 1] =
v=1 v=0
= −δ [n] + δ [n − 1]
3
X 1
X
k=2 p [n] = x∗ [v] x [v − k] δ [n] − x∗ [v] x [v + N − k] δ [n − 1] =
v=2 v=0
= −2δ [n] − 2δ [n − 1]
3
X 2
X
k=3 p [n] = x∗ [v] x [v − k] δ [n] − x∗ [v] x [v + N − k] δ [n − 1] =
v=3 v=0
= δ [n] − δ [n − 1]
La expresión final queda por tanto:
k=1 p [n] = 4δ [n] + δ [n] − δ [n − 1] = 5δ [n] − δ [n − 1]
k=2 p [n] = 4δ [n] + 2δ [n] + 2δ [n − 1] = 6δ [n] + 2δ [n − 1]
k=3 p [n] = 4δ [n] − δ [n] + δ [n − 1] = 3δ [n] + δ [n − 1]
por lo que la relación de potencia entre la señal y la ISI es 25, 9 y 9 para cada
uno de los 3 casos.
d) Para el caso k = 2 p [n] = 6δ [n] + 2δ [n − 1], la señal recibida queda
q [n] = A [n] ∗ p [n] = 6A [n] + 2A [n − 1].
Si la transmisión es A [−1] = 1 (enunciado) y A [0] = 1, A [1] = 3, A [2] = −1
(apartado b), las expresiones de q [n] quedan:
q [0] = 6 + 2 = 8, q [1] = 6 · 3 + 2 = 20, q [2] = 6 · (−1) + 6 = 0.
e) Para obtener p[n] calculamos primero Rx [m], que (puesto que x[m] es de
longitud N = 4) es nula fuera de m = −3, . . . , 3, y dentro de este rango vale
Rx [0] = 4
Rx [1] = Rx [−1] = −1
Rx [2] = Rx [−2] = −2
Rx [3] = Rx [−3] = 1
Con d[m] = δ[m] − δ[m − k], la convolución
R[m] ∗ d[m] = R[m] − R[m − k]
será nula fuera de m = −N + 1, . . . N − 1 + k = −3, . . . , 3 + k, k = 1, 2, 3. Por tanto

los valores de
p[n] = R[4n] − R[4n − k]
sólo pueden ser no nulos para n = 0 (m = 0) y para n = 1 (m = 4), es decir,
p[n] = p[0]δ[n] + p[1]δ[n − 1]

así que basta que calculemos estos dos valores de convolución:
k = 1 : p[0] = R[0] − R[−1] = 4 − (−1) = 5, p[1] = R[4] − R[3] = 0 − 1 = −1

k = 2 : p[0] = R[0] − R[−2] = 4 − (−2) = 6, p[1] = R[4] − R[2] = 0 − (−2) = 2
k = 3 : p[0] = R[0] − R[−3] = 4 − 1 = 3, p[1] = R[4] − R[1] = 0 − (−1) = 1
7. Suponga un sistema DS-CDMA, de factor N = 4, que tiene como secuencia

de ensanchado:
xd [m] = δ [m] − δ [m − 1] + δ [m − 2] − δ [m − 3]
El filtro transmisor a tiempo de chip, Tc , es gc (t) que cumple el criterio de Nyquist.
El subíndice d indica señal deseada para distinguirla de la señal proveniente de
otra celda que denominamos interferente y representaremos por el subíndice i. El
esquema siguiente muestra el diagrama de bloques:
donde xi [m] = δ [m] + δ [m − 1] − δ [m − 2] − δ [m − 3]. Suponiendo que dd [m] =

αd δ [m] + βd δ [m − 2] y que di [m] = αi δ [m] + βi δ [m − 4],
a) Calcule el canal equivalente (asumiendo inicialmente que no hay señal inter-
ferente) descrito por la fórmula:
pdd [n] = Rxd [m] ∗ dd [m] |m=nN

a) Calcule el canal equivalente de la señal interferente pid [n] en el receptor desea-
do.
Solución:
a) Teniendo en cuenta que
∞
X
Rxd [m] = xd [m] ∗ xd [−m] = xd [k + m] xd [k] =
k=−∞
N −1−m

(−1)k+m (−1)k = (−1)m (N − m) m ≥ 0
 P
= k=0
Rxd [−m] m<0

nos queda el canal equivalente

pdd [n] = Rxd [m] ∗ dd [m] |m=nN = αd Rxd [m] + βd Rxd [m − 2] |m=nN
para n = 0, n = 1 nos queda: pdd [n] = (αd Rxd [0] + βd Rxd [−2]) δ [n]+βd Rxd [2] δ [n − 1]
∞
b) De manera análoga podríamos calcular Rxi xd [m] = xi [m] ∗ xd [−m] =
P
k=−∞
xi [k + m] xd [m]. Sin necesidad de calcular la secuencia de correlación entera obser-
vamos que los códigos son ortogonales por lo que Rxd xi [0] = 0.
pid [n] = Rxi xd [m] ∗ di [m] |m=nN = αi Rxi xd [m] + βi Rxi xd [m − 4] |m=nN
para n = 0, n = 1 nos queda:
pid [n] = (αi Rxi xd [0] + βi Rxi xd [−4]) δ [n] + βd Rxi xd [0] δ [n − 1] = 0
por lo que se puede concluir que no se produce interferencia.
8. Suponga un sistema DS-CDMA que transmite una secuencia BPSK, A [n] ∈

{±1} , de factor N = 4, que tiene como secuencia de ensanchado:
x [m] = δ [m] − δ [m − 1] + δ [m − 2] − δ [m − 3]
El filtro transmisor a tiempo de chip, Tc , es gc (t) que cumple el criterio de Nyquist.
El esquema siguiente muestra el diagrama de bloques:
Suponiendo que d [m] = αδ [m] + βδ [m − 2] y que el ruido es gaussiano, blanco

y potencia σn2 .
a) Calcule el canal equivalente (asumiendo que no hay ruido) descrito por la
fórmula:
p [n] = Rx [m] ∗ d [m] |m=nN

b) Calcule la relación Señal a Ruido e Interferencia (SINR) siendo q [n] = A [n] ∗
p [n] + n [n].
c) Como la SINR es muy baja, se propone el siguiente esquema equivalente donde
se incorpora un detector de máxima verosimilitud (ML):
Calcule el diagrama de estados y la probabilidad de error Pe ≈ Q D2σ donde

min
σ 2 representa la potencia de ruido equivalente. Suponga para este apartado que
p [n] = 6δ [n] + 2δ [n − 1]
Solución:
a) Teniendo en cuenta que
∞
X
Rx [m] = x [m] ∗ x [−m] = x [k + m] x [k] =
k=−∞

N −1−m
(−1)k+m (−1)k = (−1)m (N − m) 0 ≤ m ≤ 3

 P


k=0
=

 Rx [−m] −3≤m<0
resto

 0
nos queda el canal equivalente
p [n] = Rx [m] ∗ d [m] |m=nN = αRx [m] + βRx [m − 2] |m=nN
para n = 0, n = 1 nos queda: p [n] = (αRx [0] + βRx [−2]) δ [n] + βRx [2] δ [n − 1]
−1
NP
b) Teniendo en cuenta que el ruido tiene potencia equivalente σ 2 = σn2
n=0
x2 [n] = σn2 Rx [0] nos queda:
(αRx [0] + βRx [−2])2 σA2

SIN R =
(βRx [2])2 σA2 + σn2 Rx [0]
c) El esquema del canal es:
siendo la tabla de transición de estados:

1 1 8
1 -1 4
-1 1 -4
-1 -1 -8
y el diagrama de transiciones:
Calculamos la distancia mínima sobre el trellis:
√
siendo Pe ≈ Q Dmin 160
.

2σ
=Q 2σ
Capítulo 4
Múltiples antenas (MIMO)
4.1. Introducción
Si hay un tema que en los años recientes ha tenido trascendencia e impacto en
el mundo de las comunicaciones digitales, es sin duda el uso de múltiples antenas.
Aunque el uso de varias antenas es conocido y aplicado desde hace muchos dece-
nios en el marco del conformador de haz (beamformer), la variedad de perspectivas
actuales hace que se supere muy notablemente el enfoque de los estudios antiguos.
Figura 4.1: Esquema MIMO
Dentro del término MIMO (Multiple Input – Multiple Output) se encuentran

como casos particulares el SIMO (Single Input – Multiple Output) y MISO (Multiple
Input – Single Output) como contraposición a los modelos monoantena denominados
SISO (Single Input – Single Output).
El aspecto clave del concepto MIMO es el principio de diversidad que permite,
en el caso de que las señales estén al menos parcialmente incorreladas, extraer diver-
sidad espacial. Ello posibilita, bien mejorar las prestaciones al cambiar la estadística
del desvanecimiento (los desvanecimientos profundos se hacen más improbables), o
bien en el caso MIMO, realizar varias transmisiones en paralelo con el consiguiente
incremento de la eficiencia espectral.
Los conceptos fundamentales que describiremos en este capítulo serán por tanto:
Ganancia de diversidad: incremento de la pendiente de la curva BER(SNR)

para SNRs elevadas al combinar varias fuentes incorreladas.
161
162 CAPÍTULO 4. MÚLTIPLES ANTENAS (MIMO)
Ganancia de capacidad: incremento de la tasa binaria por el hecho de trans-

mitir y recibir con múltiples antenas.
Ganancia de array: incremento de SNR cuando se utilizan técnicas de confor-
mación de haz.
Los siguientes apartados empiezan describiendo el modelo de canal MIMO en el que
nos vamos a basar en nuestros estudios, y posteriormente profundizar en el concepto
de capacidad que predice unas tasas binarias muy elevadas frente al caso SISO.
Finalmente incidiremos en las dos grandes aplicaciones ya mencionadas: diversidad
en recepción y en transmisión mediante el uso de códigos espacio – tiempo, y por otro
lado, la multiplexación espacial donde la conformación de haz puede interpretarse
como un caso particular cuando se fuerza un único modo de transmisión.
En este capítulo nos centraremos en la problemática de la comunicación punto a
punto sin considerar otros escenarios como el enlace ascendente o descendente que
por su carácter mulltiusuario complican notablemente el análisis y quedan fuera del
alcance del presente curso.
4.2. Modelo de canal MIMO

El modelo más utilizado supone un número finito de rayos que se formula de
forma muy parecida al caso SISO salvo que ahora los coeficientes no son escalares
sino matriciales cuyas componentes representan el efecto de cada antena transmisora
sobre cada antena receptora.
Np
X
H (τ, t) = Hi (t) δ (τ − τi ) (4.1)
i=1
Donde:
Np es el número de retardos τi ,i=1,...,Np . Los valores τi son normalmente
fijos
Hi (t) (N × M ) son matrices gaussianas complejas
La señal recibida sería en este caso:
ˆ∞ Np
X
y (t) = H (τ, t) x (t − τ ) d τ = Hi (t) x (t − τi ) (4.2)
−∞ i=1
Este modelo en la práctica se simplifica al no considerar la variabilidad temporal

(el canal se supone estático durante la duración de la transmisión de una cierta
trama bajo estudio) y además se supone que se usan modulaciones OFDM por
lo que cada portadora experimenta un desvanecimiento plano. De esta forma, es
suficiente estudiar la problemática de un canal plano estático correspondiente a una
portadora y representado por una única matriz H genérica.
r
Es
y= Hx + n (4.3)
Ns
4.3. CONCEPTO DE CAPACIDAD MIMO 163
Siendo Es la energía por símbolo, Ns el número de flujos de señal que se transmi-

ten, x (N x1) el vector transmitido siendo E xH x = N , y (M x1) el vector recibido

y H la matriz de desvanecimiento. Normalmente, Ns = N pero hay excepciones co-

mo el conformador de haz en el que se transmite un único flujo Ns = 1 por las N
antenas. Esta matriz en el caso sencillo de un MIMO 2x2 es de la forma:

h11 h21
H= (4.4)
h12 h22
El modelo que vamos a asumir implica que hij son variables aleatorias comple-
jas gaussianas de potencia unitaria e incorreladas entre sí. Sin embargo, es posible
generalizar estos resultados al caso en el cual haya correlación espacial aunque el
análisis matemático se complica notablemente.
4.3. Concepto de capacidad MIMO

El concepto de capacidad ya ha sido explicado en capítulos precedentes por lo
que vamos a limitarnos a extender planteamientos ya conocidos al caso MIMO. Se
recordará que la capacidad en condiciones AWGN es un parámetro que indica la
cota de tasa binaria que puede transmitirse con códigos ideales y con una probabi-
lidad de error arbitrariamente pequeña. Para ello, en este caso MIMO, se define la
información mutua entre la señal recibida y la transmitida y se encuentra el máxi-
mo de la misma especificando la matriz de covarianza de la entrada, sujeta a una
restricción de potencia. En este análisis nos centraremos en el caso de que el canal
sea conocido, ya sea exclusivamente en el receptor o bien en el receptor y también
en el transmisor. Otra perspectiva considera canales aleatorios dando lugar en este
caso a un concepto de capacidad como variable aleatoria que complica el análisis y
no vamos a abordar en este curso. A efectos de este análisis consideraremos que
Ns = N , es decir que se transmite un flujo de señal por cada antena.
Como hemos dicho, supondremos que la matriz H es conocida y fija. Se puede
demostrar que la información mutua por unidad de ancho de banda en Hz es:
snr
I (x; y) = log2 det IM + HRx H H
bps/Hz (4.5)
N
donde snr representa la relación de potencias de Señal y Ruido en unidades naturales
La capacidad es por tanto:
snr
C = max log2 det IM + HRx HH bps/Hz (4.6)
tr(Rx )=N N
donde la restricción tr (Rx ) = N representa
H la traza de la matriz de autocorrelación
de los símbolos transmitidos Rx = E xx Consideremos las dos situaciones más
habituales.
4.3.1. Canal desconocido en el transmisor

Si no hay ningún conocimiento en el transmisor, lo único que se puede hacer es
escoger Rx = IN . Apoyándonos en la característica definida positiva de la matriz
HHH , ésta puede factorizarse espectralmente
HHH = QΛQH (4.7)

Siendo Q una matriz unitaria y Λ una matriz diagonal cuyos elementos son los
valores singulares. Veamos un ejemplo sencillo para manejar la descomposición en
autovectores y SVD. El código se incluye en el fichero ejemplo_MIMO_1.m.
N=4; % Antenas transmisoras

M=5; % Antenas receptoras
H=randn(M,N);
[U S V]=svd(H)
[H-U*S*V’] % Verificación
[H*H’-U*S*V’*V*S’*U’] % Verificación
[W D]=eig(H*H’)
[H*H’-W*D*W’] % Verificación
d=diag(D);
[m in]=sort(d,’descend’)
D1=diag(d(in,:))
[S*S’;D1] % Verificación
[U;W(:,in)] % Verificación
Usando la identidad det (I + AB) = det (I + BA), la ecuación anterior se expre-
sa como:
C = log2 det IM + snr

HHH= log2 det IM + snr
H

N N
QΛQ =
r
(4.8)
= log2 det IM + snr ΛQH Q = log2 det IM + snr log2 1 + snr
P
N N
Λ = N k
λ
k=1
Donde r es el rango de la matriz H igual a r =min(N,M ).

Un caso ilustrativo es cuando la matriz H es unitaria, esto es HHH = N I
r
X snr
C= log2 1 + λk = min(N, M )log2 (1 + snr) (4.9)
k=1
N
Si consideramos C (N ) cuando N = M destacando que N =1 es el caso SISO se

observará la gran ganancia de capacidad predicha por la Teoría de la Información
que crece linealmente con el número de antenas.
4.3.2. Canal conocido en el transmisor

Si en el transmisor se conoce el canal, la capacidad del sistema aumenta. Para
demostrarlo nos basamos en la descomposición SVD de la matriz H = UΣVH donde
U, V son matrices ortogonales y Σ es una matriz diagonal cuyos elementos son los
denominados valores singulares.
Si existe conocimiento del canal en el transmisor podemos incluir unos procesa-
dos lineales en el receptor y transmisor, ajustados a las matrices U, V mencionadas.
4.3. CONCEPTO DE CAPACIDAD MIMO 165
r r r
Es H Es H Es
ỹ = U HVx + UH n = U UΣVH Vx + UH n = Σx + ñ (4.10)
N N N
Donde ñ sigue siendo un ruido blanco y gaussiano por el carácter ortogonal de

U. En definitiva tenemos un conjunto de canales en paralelo (los valores singulares
son la raíz cuadrada positiva de los autovalores de HHH ):
r
Es p
ỹi = λi xi + ñi (4.11)
N
Finalmente, la capacidad se determina a partir del conjunto de potencias utili-
zadas en cada uno de los subcanales (con la restricción de potencia total existente,
habitualmente normalizada a uno por cada antena transmisora).
r
X snr
C = rmax log2 1 + λk γk (4.12)
P
γk =N k=1
N
k=1
La solución de este problema puede realizarse mediante el cálculo del Lagran-

giano dando lugar al conocido algoritmo como ‘waterfilling’ o ‘waterpouring’. Este
algoritmo ya se ha explicado en el capítulo de OFDM por lo que no vamos a volver
a incidir ya que es idéntico intercambiando el concepto de ‘portadora’ por ‘modo de
transmisión’, obteniéndose:

N
γkopt = µ− (4.13)
snrλk +
En definitiva, para cada uno de los modos se va rellenando con cierta cantidad
de energía, pudiendo quedar algunos modos sin utilizar.
Análisis del algoritmo waterfilling en comunicaciones MIMO.
Script: Comp_for_T8_1.m que a su vez llama a la función wf_upm.m que

realiza la optimización ‘waterfilling’.

Obtendrá un resultado como el mostrado en la figura (4.2):

Figura 4.2: Algoritmo waterfilling
4.4. Multiplexación espacial

A partir de los resutados anteriores es fácil entender que la promesa de incremento
de capacidad ha sido el principal motor de la investigación en la última década con el
objetivo de encontrar arquitecturas que aproximaran las enormes mejoras predichas.
Distinguiremos dos casos, por un lado suponiendo conocimiento preciso del canal
en ambos extremos (aplicable en entornos estáticos como las comunicaciones por
cable tipo ADSL) y por otro, en un entorno radio, esquemas que no precisen de
colaboración con el transmisor.
4.4.1. Conocimiento del canal en el transmisor y receptor

Si recordamos el análisis realizado para obtener la capacidad:
r r r
Es H Es H Es
ỹ = U HVx + UH n = U UΣVH V x + UH n = Σx + ñ (4.14)
Ns Ns Ns
Inmediatamente surge la idea de aplicar una transformación lineal en el trans-

misor y otra en el receptor de acuerdo con la descomposición SVD de la matriz
H.
Poniéndose de manifiesto que tenemos un conjunto de canales en paralelo cada
uno de ellos regido por el autovalor correspondiente. Adicionalmente, la optimalidad
exige asignar a cada modo una cierta potencia y una constelación. Esta problemá-
tica que hemos llamado ‘bit loading’ ya ha sido comentada en un capítulo anterior
quedando fuera de los objetivos del curso.
4.4.2. Desconocimiento del canal en el transmisor

En este escenario, contamos con los procesadores convencionales lineales tipo
ZF y MMSE ya vistos en otras aplicaciones. Adicionalmente, surge una propuesta
4.4. MULTIPLEXACIÓN ESPACIAL 167
Figura 4.3: Multiplexación espacial basda en la descomposición SVD
recursiva de cancelación iterativa denominada BLAST que resulta de gran interés.

En concreto consideraremos una implementación que se basa en la descomposición de
la matriz H en el producto de una matriz ortogonal y otra triangular que se conoce
como descomposición QR. Esto es, dada H, es posible encontrar dos matrices Q
(ortogonal) y R (triangular) tal que:
H = QR (4.15)
Ejemplo sencillo para manejar la descomposición QR

% El código se incluye en el fichero ejemplo_MIMO_2.m
% Verificación de la decomposición QR
N=3; % antenas en transmisión
M=5; % antenas en recepción
H=(randn(M,N)+j*randn(M,N))/sqrt(2);
[Q R]=qr(H);
[H-Q*R]
4.4.2.1. Criterio ZF
Dada la expresión de la señal recibida:
r
Es
y= Hx + n (4.16)
Ns
El criterio ZF propone una matriz G definida por (suponiendo que hay más
antenas receptoras que transmisoras):
r r
Ns −1 H Ns −1 H
zZF = GZF y = HH H H y =x+ HH H H n (4.17)
Es Es
−1 H
Donde habitualmente al término HH H H se le denomina pseudoinversa
−1 H
+
H = H H H
H . Se observa que el ruido está correlado entre los canales y que
dependiendo del carácter de la inversión puede producirse un realce significativo.
4.4.2.2. Criterio MMSE

Si nuevamente partimos del principio de ortogonalidad
E (Gy − x) yH = 0 (4.18)

Podemos deducir que en este caso el detector es:

r −1
Ns H Ns
GM M SE = H HH +H
I (4.19)
Es snr
En este caso se sigue cumpliendo que la solución MMSE tiende a la ZF cuando
la SNR es elevada.
Análisis de los algoritmos ZF / MMSE en comunicaciones MIMO.
Obtendrá un resultado como el siguiente:
Figura 4.4: Algoritmos de multiplexación espacial ZF / MMSE

q
donde el filtro adaptado se toma como referencia cuando GF A = Ns
Es
HH
4.4.2.3. Algoritmo BLAST

Tal como ya hemos indicado el algoritmo BLAST se basa en la descomposición
QR, esto es:
4.5. CONFORMACIÓN DE HAZ (BEAMFORMING) 169
H = QR (4.20)
Basándonos en esta idea, en el receptor directamente se multiplica por QH ,
q q
Es Es
y= N Hx + n = Ns
QRx + n
q s
q q (4.21)
z= N Es
s
Q H
y = Rx + Ns H
Es
Q n = Rx + Ns
Es
n
Por ser R de carácter triangular, se procede a la detección en el orden marcado
por la descomposición. Si por ejemplo, consideramos una matriz de 4x4 se obtendría
(puede ser superior o inferior, dependiendo de la implementación)
 
r11 0 0 0
r21 r22 0 0
R=
r31 r32 r33 0 
 (4.22)
r41 r42 r43 r44
Si nos olvidamos del ruido para mayor sencillez tendríamos;
    
r11 0 0 0 x1 r11 x1
r21 r22 0 0  x2  =  r21 x1 + r22 x2
(4.23)
   
z = Rx = 
r31 r32 r33 0  x3  

r31 x1 + r32 x2 + r33 x3 
r41 r42 r43 r44 x4 r41 x1 + r42 x2 + r43 x3 + r44 x4
Y se procede en orden, por ejemplo usando un criterio ZF aunque otras opciones

son factibles:

dec z (1) r111 → x̂1

dec z(2)−r r22
21 x̂1
→ x̂2

x̂1 −r32 x̂2
(4.24)
dec z(3)−r31r33 → x̂3

dec z(4)−r41 x̂1 −r
r44
42 x̂2 −r43 x̂3
→ x̂4
Donde el operador dec( ) representa la toma de decisión por el criterio de mínima

distancia. Esta estructura es óptima ya que no se realza el ruido sino que se produce
una cancelación de la interferencia peor tiene el inconveniente de que a bajas SNRs,
pueden producirse errores en las etapas intermedias de detección que se propagarían
a las etapas siguientes.
4.5. Conformación de haz (Beamforming)

El modelo de conformación de haz puede interpretarse como un caso particular
de la multiplexación espacial tipo SVD cuando se tiene por objetivo trnsmitir un
único flujo de datos, obviamente con las mejores condiciones posibles. Si recordamos
la expresión general del modelo:
r
Es
y= Hx + n (4.25)
Ns
donde en este caso se transmite un único flujo, Ns = 1. Suponiendo conocimiento
del canal en ambos extremos y recordando la descomposición SVD de la matriz
H = UΣVH podemos escoger el combinador óptimo en el transmisor y el receptor
como las componentes de U, V asociadas al valor singular máximo (así tendremos
máxima SNR). Si suponemos que es el primero (sin pérdida de generalidad) tenemos:
p p p
z= Es uH H
1 Hv1 x + u1 n = Es λ1 x + n (4.26)
Obteniéndose una ganancia de SNR= λ1 que se suele denominar ganancia de
array por ser lo que se gana frente a un caso SISO por el hecho de usar un conjunto
(array) de antenas en el transmisor y receptor.
Análisis del algoritmo de conformación de haz.
Obtendrá un resultado como el mostrado en la figura (4.5).
Figura 4.5: Análisis de la ganancia de array
4.6. Diversidad en recepción y códigos espacio -

tiempo
El concepto de diversidad es sumamente importante. Básicamente supone dis-
poner de réplicas de una misma señal por medios incorrelados de manera que los
desvanecimientos que haya podido experimentar por un camino no se experimenten
4.6. DIVERSIDAD EN RECEPCIÓN Y CÓDIGOS ESPACIO - TIEMPO 171
por los otros, con alta probabilidad. La recepción en diversidad (SIMO) es bien cono-
cida desde el pasado pero es conveniente formularla correctamente para así entender
los códigos espacio – tiempo como procesadores que persiguen extraer la diversidad
en el transmisor (MISO), sin conocimiento del canal.
4.6.1. Diversidad en recepción

Consideremos el problema general particularizando en el caso SIMO
r
Es p
y= Hx + n = Es hx + n (4.27)
Ns
Centrándonos en el caso de 2 antenas receptoras
Figura 4.6: Diversidad en recepción
El combinador óptimo se denomina MRC (Maximun Ratio Combining)

y1 h1
y= = x+n
y2 h2 (4.28)
M RC z = wT y = (h21 + h22 ) x + h1 h2 n
Es fácil de interpretar porque es un filtro adaptado a la ‘firma’ o ‘código’ del
usuario caracterizado por h. Inmediatamente podemos deducir que la ganancia de
SNR es:
2
(|h1 |2 + |h2 |2 ) 2 2
(4.29)

snr = snrSISO = |h1 | + |h2 | snrSISO
|h1 |2 + |h2 |2
Esto implica un desplazamiento de la curva de BER hacia la izquierda. Sin em-
bargo, hay otro efecto más sutil que muestra otra forma de ganancia (de diversidad),
asociada a cómo se distribuye el coeficiente del símbolo transmitido después del MRC
frente a caso SISO. Si tenemos M ramas de diversidad la SNR se distribuye como
M
X
snr = snrSISO |hk |2 (4.30)
k=1
En el caso SISO, la SNR dependería exclusivamente de |h1 |2 . En el caso más
general, estas variables aleatorias son del tipo chi-squared con M grados de libertad
que se definen como:
M
X 2−M/2 M/2−1 −z/2
Z= Xk → fZ (z) = z e , z > 0. E {Z} = M ; σZ2 = 2M
k=1
Γ (M/2)
(4.31)
Siendo Xk un conjunto de variables aleatorias N (0,1) independientes. Γ es la

denominada función Gamma definida como:
ˆ∞
Γ (x) = tx−1 e−t dt (4.32)
0
Nuestro análisis requiere una pequeña modificación porque en general por cada
rama de diversidad hay dos componentes gaussianas independientes (parte real e
imaginaria) de potencia ½. Eso hace que la distribución sea ligeramente distinta con
2M grados de libertad.
2M
1X 2−M/2 M M
Z= Xk → fZ (z) = 2 (2z)M/2−1 e−z , z > 0. E {Z} = ; σZ2 =
2 k=1 Γ (M/2) 2 2
(4.33)
Donde para el caso particular de M =1, la distribución anterior simplifica en una

función densidad de probabilidad de tipo exponencial.
1 1
Z = |hk |2 → fZ (z) = λe −λz , z > 0. E {Z} = ; σZ2 = 2 (4.34)
λ λ
Siendo en nuestro caso λ=1 asumiendo canales normalizados en potencia.
Si representamos estas funciones (para SNRSISO =0 dB), es notoria la diferencia

según M crece. Puede observarse que cada vez es más improbable que haya valores
bajos de SNR por lo que las prestaciones son más robustas tal como puede apreciarse
en la figura (4.7).
Ejemplo sencillo para manejar el concepto de diversidad espacial

% El código se incluye en el fichero ejemplo_MIMO_3.m
% Análisis de diversidad para 6 ramas (se corresponde con la figura de la derecha)

N=100000;
Nramas=6;
M=2*Nramas;
x=(0:.01:15);
f=2ˆ(-(M/2))/gamma(M/2)*(x*2).ˆ(M/2-1).*exp(-(x*2)/2)*2;
d=(randn(Nramas,N)+j*randn(Nramas,N))/sqrt(2);
z=sum(abs(d).ˆ2,1);
[mean(z) M/2]
[var(z) 2*M/4]
[n h]=hist(z,100);
plot(x,f,’r’,’LineWidth’,5),hold
bar(h,n/N/(h(2)-h(1)),’b’),hold off
xlabel(’SNR-MRC’)
ylabel(’Probabilidad’)
title(’Distribución chi-squared. Diversidad 6’)
axis([0 max(x) 0 1.4]),gris
Figura 4.7: Distribuciones de la potencia recibida
4.6.2. Códigos espacio - tiempo

Los códigos espacio – tiempo son estructuras que pretenden extraer simultánea-
mente una ganancia de codificación por introducir cierta redundancia acompañada
de la ganancia de diversidad asociada a la propia estructura multiantena. Surgen
con la idea de extraer diversidad en casos donde las múltiples antenas están en uno
sólo de los extremos. De acuerdo a lo anteriormente expuesto, sólo sería alcanzable
en recepción en uno de los dos enlaces. Si pensamos en una aplicación de móviles,
el escenario se correspondería con el enlace ascendente. La cuestión es ¿es posible
extraer diversidad también en el enlace descendente, es decir, transmitiendo de las
estaciones base a los terminales móviles? Los códigos espacio – tiempo son arquitec-
turas que dan respuesta efectiva a esta cuestión.
Para ello, surgen dos estrategias en paralelo, por un lado los códigos espacio
– tiempo trellis como generalización de los códigos SISO trellis que sin embargo
no han tenido mucha aplicación práctica por ser de diseño complicado. Por otro
lado, los esquemas tipo bloque que se basan en procesadores lineales y resultan muy
sencillos de implementar aunque sólo proporcionan ganancia de diversidad, no de
codificación. En concreto, el denominado código de Alamouti (en honor a su autor) se
ha hecho extraordinariamente popular aunque sus prestaciones de máxima ganancia
de diversidad para el caso 2×1, sin embargo, no son extensibles en la misma medida
a M ×1 aunque hay propuestas y aproximaciones muy ingeniosas en la literatura. La
idea general es asociar a un vector de datos a transmitir una matriz C que permita
extraer la diversidad.
Figura 4.8: Esquema general de un codificador espacio - tiempo
En esta asignatura nos centraremos en el escenario 2×1 de Alamouti (suponemos

que cada símbolo se transmite con potencia unitaria). Si nuevamente volvemos al
caso general tenemos:
r r
Es Es H
y= Hx + n → y= h x+n (4.35)
Ns Ns
Sin embargo, este modelo no es suficientemente general porque ha de incluirse el
efecto de varios instantes temporales. De acuerdo con la figura anterior, el caso de
Alamouti genera una matriz como:
Figura 4.9: Algoritmo de Alamouti
Detallemos el análisis:
y1 = √12 x1 h1 + √12 x2 h2 + n1 instante k

(4.36)
y2 = − √12 x∗2 h1 + √12 x∗1 h2 + n2 instante k + 1
Agrupando ambas señales en formato vectorial:

y1 1 h1 h2 x1 n1
y= =√ +
y2∗ ∗
2 h2 −h1
∗
x2 n∗2
que de forma más compacta queda:y = √1 Hx

2
+ n. Por lo tanto z = H H y =
√ H H Hx + H H n donde:
1
2
h∗1 h2 |h1 |2 + |h2 |2

H h1 h2 0
H H = =
h∗2 −h1 h∗2 −h∗1 0 |h1 | + |h2 |2
2
y en cuanto al ruido H H n se distribuye como una variable Gaussiana (denotada

como n0 ):
|h1 |2 + |h2 |2

0 H 0
n = H n ∼ N 0, C = σn2
0 |h1 |2 + |h2 |2
De esta forma tenemos:

1
z1 = √ |h1 |2 + |h2 |2 x1 + n01

2
1
z2 = √ |h1 |2 + |h2 |2 x2 + n02

2
Se observa que la SNR alcanzable es distinta del caso MRC:

2
1 (|h1 |2 + |h2 |2 ) (|h1 |2 + |h2 |2 )
snr = snr SISO = snrSISO (4.37)
2 |h1 |2 + |h2 |2 2
Por lo que si bien se mantiene la ganancia de diversidad asociada a la combinación

(la SNR sigue también una distribución chi-squared donde hay una pérdida de 3 dB
respecto al MRC (desplazamiento de la curva de BER hacia la derecha 3 dB).
Veamos este efecto en el siguiente complemento formativo:
Análisis de los algoritmos de diversidad. MRC y Alamouti
Obtendrá un resultado como el mostrado en la figura (4.10):
Figura 4.10: Prestaciones del algoritmo MRC frente al de Alamouti
En el ejemplo anterior puede observarse el cambio de pendiente de la curva de

BER (se dobla, lo que quiere decir que ambos algoritmos tienen un grado de diver-
sidad 2 frente al SISO que se toma como referencia (diversidad 1). Adicionalmente,
el MRC gana en 3 dB a Alamouti tal como hemos justificado.
Análisis del algoritmos BLAST

Obtendrá un resultado como el mostrado en la figura (4.11).
4.7. Anexo 1. Referencias

El texto base es el libro ‘Introduction to space-time wireless communications. De
A. Paulraj, R. Nabar y D. Gore. Cambridge Press 2003.
4.8. ANEXO 2. TABLA DE FÓRMULAS QUE SE PROPORCIONARÁN EN LOS EXÁMENES JUN
Figura 4.11: Algoritmos de multiplexación espacial
Concepto Expresión
q
Es
Señal recibida y= Ns Hx +n
q −1 q −1 H
Ns
Multipexación espacial. Criterio ZF zZF = GZF y = H H
Es
H
H y =x+ NH
Es H H
s H
H n
q −1
GM M SE = N Ns
H

Multipexación espacial. Criterio MMSE Es H
s
HHH + snr I
q q
Es Es
y= N s
Hx + n = N s
QRx + n
Algoritmo BLAST q q q
z = Es Q y = Rx + Es Q n = Rx + N
Ns H Ns H
Es n
s
y1 = √12 x1 h1 + √12 x2 h2 + n1 instante k

Señal recibida. Algoritmo de Alamouti
y2 = − √12 x∗2 h1 + √12 x∗1 h2 + n2 instante k + 1
Cuadro 4.1: Fórmulas para el examen
4.8. Anexo 2. Tabla de fórmulas que se proporcio-

narán en los exámenes junto al enunciado.
4.9. Ejercicios
1. Sea un sistema MIMO con Nt =3 antenas transmisoras y Nr =4 antenas recep-
toras cuya matriz de canal H tiene una descomposición SVD dada por las siguientes
matrices:
-0.5673 0.5482 0.1013 -0.6057

 
-0.5439 -0.4204 -0.7262 0.0046 
U=  0.3520 0.6600 -0.6448 0.1572 

 -0.5084 0.2951
 0.2148 0.7800
6.1092 0 0  
 0 −0.4151 −0.8709 0.2630
1.9666 0 
D=
 0 V =  0.0333 0.2743 0.9611 
0 1.3900
−0.9092 0.4077 −0.0848
0 0 0
Calcule la capacidad si el canal es desconocido en el transmisor para una SNR=6

dB.
Solución:
A partir de la descomposición en autovalores de HHH = QΛQH tenemos:
C = log2 det IM + snr

HHH = log2 det IM + snr

3 N
QΛQH =
3
= log2 det IM + snr log det snr
log snr
H
P
3
ΛQ Q = 2 IM + 3
Λ = 2 1 + 3
λ k
k=1
Siendo snr = 106/10 la capacidad queda C = 10.1089 bps/Hz

√ √ T
2. Suponga un canal descrito por dos coeficientes h = 0,3 0,7 . Calcule
la capacidad del caso MISO (2x1) y SIMO (1x2) para la misma SNR asumiendo que
no hay conocimiento del canal en el transmisor
Solución:
Caso SIMO: descrito esquemáticamente en la figura (4.12), resultando la capaci-
dad:
C = log2 det I2x2 + snrhhH = log2 (1 + snr) bps/Hz

Figure 4.12: Esquema SIMO
De manera análoga para el caso MISO tenemos el esquema en la figura (4.13)

siendo la capacidad en este caso:
C = log2 det I2x2 + snr H

log snr

2
hh = 2 1 + 2
bps/Hz.
Podemos por tanto concluir que el MISO proporciona menor capacidad que el
SIMO. En general, las antenas son más útiles en recepción que en transmisión.
T
3. Suponga un canal descrito por dos coeficientes h = 0,8 1,2 para una

misma energía de símbolo unitaria y una misma potencia de ruido de -3 dB.

a) Calcule la SNR a la salida de un receptor MRC (Maximum Ratio Combining)
de un sistema SIMO (1x2). Dibuje el diagrama de bloques.
4.9. EJERCICIOS 179
Figure 4.13: Esquema MISO
b) Calcule la SNR a la salida de un sistema MISO (2x1) si se usa en transmi-

sión un código tiempo – espacio tipo Alamouti. Suponga que el canal se mantiene
estático.
c) Repita el análisis del caso b) si ahora suponemos que el canal es ligeramente va-
T
riante en el tiempo cuya variabilidad viene dada por h (t) = 0,8cos (πt) 1,2e−2t .

Sin embargo, el receptor no es consciente de esta variación y supone que el canal

recibido es h(0). Calcule ahora la SINR (relación de potencia de señal a ruido e ISI)
si suponemos que el periodo de símbolo es T. Identifique la potencia de ISI y de
ruido.
Solución:
a) MRC: la señal transmitida es√y = hx + n donde hemos supuesto un valor
normalizado de energía de símbolos Es = 1. Esquemáticamente:
Figure 4.14: Esquema MRC
siendo z = |h1 |2 + |h2 |2 x + h∗1 n1 + h∗2 n2 quedando por tanto la SNR como:

2
|h1 |2 + |h2 |2 σx2 2 2 σx
2
SN RM RC = = |h1 | + |h 2 |
|h1 |2 + |h2 |2 σn2 σn2

b) Al tener dos transmisores, dividimos la potencia por 2 obteniéndose:

instante 1: y1 = √12 h1 x1 + √12 h2 x2 + n1
instante 2: y2 = − √12 h1 x∗2 + √12 h2 x∗1 + n2

y1 1 h1 h2 x1 n1
y= =√ +
y2∗ 2 h∗2 −h∗1 x2 n∗2
que de forma más compacta queda:y = √1 Hx

2
+ n. Por lo tanto z = H H y =
√1 H H Hx + H H n donde:
2
h∗1 h2 |h1 |2 + |h2 |2

H h1 h2 0
H H = =
h∗2 −h1 h∗2 −h∗1 0 |h1 | + |h2 |2
2
y en cuanto al ruido H H n se distribuye como una variable Gaussiana (denotada

como n0 ):
|h1 |2 + |h2 |2

0 H 0
n = H n ∼ N 0, C = σn2
0 |h1 |2 + |h2 |2
De esta forma tenemos:

1
z1 = √ |h1 |2 + |h2 |2 x1 + n01

2
1
z2 = √ |h1 |2 + |h2 |2 x2 + n02

2
siendo finalmente la SNR de Alamouti:

2
|h1 |2 + |h2 |2 1σx2 2
2
2 σx snrM RC
snr = = |h1 | + |h2 |
2 |h1 |2 + |h2 |2 σn2 σn2

2 2
c) Supongamos que denotamos como t0 a la transmisión en el instante 1:
y1 = √1 h1
2
(t0 ) x1 + √1 h2
2
(t0 ) x2 + n1 .
De esta manera el instante 2 será t0 + T siendo T el periodo de símbolo:
y2 = − √12 h1 (t0 + T ) x∗2 + √1 h2

2
(t0 + T ) x∗1 + n2

y1 1 h1 (t0 ) h2 (t0 ) x1 n1
y= =√ +
y2∗ ∗ ∗
2 h2 (t0 + T ) −h1 (t0 + T ) x2 n∗2
que de forma más compacta queda: y = √12 H 1 x + n. El receptor parte de la

hipótesis de que conoce el canal en t0 y que éste se mantiene estático en el intervalo
entre los dos instantes de tiempo. Por lo tanto z = H T0 y = √12 H T0 H 1 x + H T0 n
(observe que H 1 es una nueva matriz respecto del apartado anterior mientras que
4.9. EJERCICIOS 181
H 0 es la misma del apartado anterior a la que hemos añadido un subíndice para

diferenciarla). De igual manera, tenemos:
∗
T h1 (t0 ) h2 (t0 ) h1 (t0 ) h2 (t0 )
H0 H1 =
h∗2 (t0 ) −h1 (t0 ) h∗2 (t0 + T ) −h∗1 (t0 + T )
Operando, tenemos:

n1
z= H T0 y = H T0 +
n∗2
|h1 (t0 )|2 + h2 (t0 ) h∗2 (t0 + T ) h∗1 (t0 ) h2 (t0 ) − h∗1 (t0 + T ) h2 (t0 )

x1
+ √12
h∗2 (t0 ) h1 (t0 ) − h1 (t0 ) h∗2 (t0 + T ) |h2 (t0 )|2 + h1 (t0 ) h∗1 (t0 + T ) x2
observándose que el ruido se ve afectado de la misma manera que en b). Desa-

rrollando, tenemos:
0,82 + 1,22 e−2T 0,8 · 1,2 (1 − cos (πT ))

1 x1 n1
z= H T0 y =√ T
+H 0
2 0,8 · 1,2 1 − e−2T 0,82 cos (πT ) + 1,22 x2 n∗2
De esta forma tenemos para cada uno de los canales:

1 1
z1 = √ 0,82 + 1,22 e−2T x1 + √ 0,8 · 1,2 (1 − cos (πT )) x2 + n01

2 2
1 1
z2 = √ 0,82 cos (πT ) + 1,22 x2 + √ 0,8 · 1,2 1 − e−2T x1 + n02

2 2
observándose que en ambos casos aparece un término de ISI que antes no existía.
Finalmente la SNR para cada uno de los canales queda:
2
1
2
0,82 + 1,22 e−2T σx2
SN R1 = 1
2
(0,96 (1 − cos (πT )))2 σx2 + 2,08σn2
1
2
(1,2 + 0,8 cos (πT ))2 σx2
SN R2 = 1
2
(0,96 (1 − e−2T ))2 σx2 + 2,08σn2
4. Sea un sistema MIMO con Nt =2 antenas transmisoras y Nr =2 antenas recep-

toras cuya matriz de canal H es:

−0.1241 1.4090
H=
1.4897 1.4172
Suponiendo una misma energía de símbolo unitaria y una potencia de ruido de

-10dB.
a) Calcule la expresión del detector multiantena ZF (Zero Forzing) así como la
SNR resultante.
b) Calcule la expresión del detector multiantena MMSE (Error Cuadrático Medio
Mínimo) así como
laSNR resultante.
a b d −b
Nota: A = −1
A = detA 1
detA = ad − bc
c d −c a
Solución:
A partir del modelo y = √12 Hx + n tenemos para los distintos criterios:
√

−0,8819 0,8759
a) ZF. GZF = 2H = −1
0,9261 0,0771
z = GZF y = x + GZF n
resultando la SNR para cada uno de los símbolos
1 1
snr1 = (0,88192 +0,87592 )0,1
= 6,47 SN R2 = (0,92612 +0,0771)0,1
= 11,57
√

−1 −0.7111 0.7668
b) MMSE GMMSE = 2 HH H + 2
HH =
SNR
I
0.8035 0.1238
0,8702 0,0599
z = GM M SE y = x + GM M SE n
0,0599 0,9246
resultando la SNR para cada uno de los símbolos
0,87022 0,924622
snr1 = 0,05992 +1,0938σn
2 = 6,70 SN R2 = 0,05992 +0,6689σn
2 = 12,13
observándose finalmente que son mejores resultados que para el criterio ZF.
5. Sea una matriz de canal MIMO con Nt =3 antenas transmisoras y Nr =3 cuya

descomposición QR viene dada por las matrices:
 
0,0859 −10616 0,7481
H =  −1,4916 2,3505 −0,1924 
−0,7423 −0,6156 0,8886
 
−0,0515 −0,5165 −0,8547
Q =  0,8941 0,3575 −0,2699 
0,4449 −0,7781 0,4434
 
−1,6683 1,8823 0,1848
R= 0 1,8675 −1,1466 
0 0 −0,1935
Suponiendo una misma energía de símbolo unitaria y una potencia de ruido de
-10dB.
a) Represente el esquema BLAST que le permite demultiplexar las señales.
4.9. EJERCICIOS 183
b) Calcule la SNR de cada uno de los canales multiplexados suponiendo que no

se produce ningún error de cancelación.
c) Razone si le parece una buena decisión el orden en el cual se han procesado
los canales.
Solución:
A partir del modelo y = √1Ns Hx + n y la descomposición H = QR tenemos
y = √1Ns QRx + n que en el receptor queda:
p p
z= Ns QH y = Rx + Ns QH n
b) El esquema de detección iterativa es:
Figure 4.15: Esquema BLAST
Obteniéndose las relaciones señal a ruido:
1.66832 1.86752 0.19352

snr1 = N σn2 = 9.27 snr2 = N σn2 = 11.62 snr3 = N σn2 = 0.12
c) La estrategia de detección no es adecuada porque la SNR del canal 3, aún

siendo la más baja, es la primera que se detecta y por tanto más susceptible de que
haya propagación de errores.
6. Sea un sistema OFDM de N portadoras con prefijo cíclico con M = 1 mues-

tras, que se transmite por una antena y se recibe por dos antenas en presencia de
ruido AWGN de potencia σn2 . Ambos canales h1 (t) , h2 (t) una vez discretizados inclu-
yendo el pulso transmisor y receptor nos quedan dk [m] = αk δ [n] + βk δ [n − 1] ∀k =
1, 2.
a) Calcule pkl,i [n] como el canal equivalente entre la portadora l -ésima del trans-
misor y la i -ésima del receptor para ambas antenas k = 1, 2 y represente esquemá-
ticamente el conjunto de canales equivalentes para una portadora arbitraria.
b) Suponiendo que en el receptor se combinan de forma óptima mediante el
algoritmo MRC (Maximum Ratio Combining) las señales de distintas antenas para
cada portadora, represente su diagrama de bloques y calcule la SNR resultante de
cada una de las portadoras.
−1 NP
NP −1 i2 πv l2 πk
Nota: pi,l [n] = N1 e−j N ej N d [n (N + M ) + v − k]
v=0 k=−M
Solución:
a) Para una antena genérica, haciendo el cambio de variable u = v − k con
u ∈ (−N + 1, N + M − 1) tenemos:
N −1 v+M
pi,l [n] = e N e N d [n (N + M ) + u]
N v=0 u=v−N +1
Puede observarse que los sumatorios están acoplados por lo que habrá que de-
terminar para los distintos casos, cuándo el sumatorio en v incluye al valor corre-
sondiente en u. En la siguiente figura se muestra un ejemplo para M = 1, N = 4 :
Tenemos una componente por cada término de la respuesta al impulso (las con-
stantes las incluimos al final del análisis).
4.9. EJERCICIOS 185
N −1
N v=0
Segunda componente: d [n (N + M ) + u] = δ [m − 1] . Procediendo de manera

análoga, la única pareja válida es n = 0, u = 1 observándose nuevamente que el
rango del sumatorio es completo, es decir:
N −1
1 X −j i2 πv j l2 π(v −1 ) −l2 π
pi,l [n] = e N e N δ [n] = ej N δ [l − i] δ [n]
N v=0
Incluyendo el efecto de ambas componentes nos queda (ya añadiendo los factores
y considerando un canal genérico k):
i2 π

pkl,i [n] = αk + βk e−j N δ [l − i] δ [n]
observándose que no hay ISI ni ICI. Recordando que Dk (ejω ) = T F (dk [m]) =
αk + βk e−jω podemos confirmar el resultado teórico esperado:
l2 π
2πi
pki,l [n] = αk + βk e−j N δ [l − i] δ [n] = Dk ej N δ [l − i] δ [n]
b) El receptor MRC consiste en multiplicar, para cada portadora, por el con-

jugado del canal correspondiente para así sumar en fase todas las contribuciones.
Si consideramos una portadora genérica i-ésima en la que se reciben por ambas
antenas:
2πi
ri1 = D1 ej N Ai + n1i
2πi
ri = D2 ej N Ai + n2i
2
2πi 2πi 2 2πi 2

j 2πi
Combinamos como ri = D1 e∗ j N 1 ∗
ri +D2 e j N
r2 = D1 e N + D2 ej N Ai +
1
2πi 2πi
D1∗ ej N n1i + D2∗ ej N n12
Esquemáticamente nos queda:
!
2πi 2 2πi 2

D1 ej N +D2 ej N σ 2

A
Resultando para cada portadora una SN Ri =

2
σn
7. Sea un sistema MIMO estático con dos antenas transmisoras y dos antenas
receptoras sobre el que se aplica el código espacio - tiempo de Alamouti descrito por
la matriz C:
s1 −s∗2

C=
s2 s∗1
transmitiéndose los dos símbolos s1 , s2 reales de potencia σs2 a lo largo de dos inter-
valos de tiempo según la asignación establecida por la matriz C y añadiéndose una
componente de ruido gaussiano de potencia σn2 .
a) Calcule la expresión de la señal recibida en cada una de las dos antenas yA =

T T
e yB = yB (0) yB (T ) donde T es el periodo de símbolo.

yA (0) yA (T )
T
b) Exprese y = √12 Hs + n siendo y = yA yB identificando cada compo-

nente de la matriz H. Justifique si se verifica que HT H I.

c) Calcule la SNR obtenida por este esquema y justifique la ventaja de esta
estructura frente al caso MISO con una única antena receptora.
Solución:
a) Consideremos cada antena por separado
yA (0) = √12 s1 h11 + √12 s2 h21 + nA (0) instante 0

yA (T ) = − √12 s2 h11 + √12 s1 h21 + nA (T ) instante T
yB (0) = √12 s1 h12 + √12 s2 h22 + nB (0) instante 0

yB (T ) = − √12 s2 h12 + √12 s1 h22 + nB (T ) instante T
b) En formato matricial nos queda y = √12 Hs + n :

     
yA (0) h11 h21 nA (0)
 yA (T )  1  h21 −h11  s1  nA (T ) 
y=   = √   +  
yB (0)  2  h12 h22  s2  nB (0) 
yB (T ) h22 −h12 nB (T )
verificándose que HH H = |h11 |2 + |h12 |2 + |h21 |2 + |h22 |2 I. Finalmente queda

1 1
z = HH y = √ HH Hs + HH n = √ |h11 |2 + |h12 |2 + |h21 |2 + |h22 |2 Is + HH n

2 2
4.9. EJERCICIOS 187
c) La SNR para los 2 símbolos es idéntica:

2 2 2 2 2
1 |h11 | + |h12 | + |h21 | + |h22 | σs2 1 2 2 2 2 σs
2
SN R = = |h11 | + |h12 | + |h21 | + |h22 |
2 |h11 |2 + |h12 |2 + |h21 |2 + |h22 |2 σn2 σn2

2
observándose que hay mayor diversidad que en el caso MISO (orden 4 frente a orden
2) y que además el valor medio de la SNR se dobla por la contribución de la segunda
antena en recepción.
8. Sea un canal MISO con cuatro antenas transmisoras y una antena recep-
T
tora representado por el vector real h = h1 h2 h3 h4 sobre el que se aplica

un código espacio - tiempo QUASI-ortogonal descrito por la matriz C que es una

extensión de Alamouti para el caso de 4 antenas y 4 intervalos temporales:
 
s1 s2 s3 s4
 −s2 s1 −s4 s3 
C=  −s3 −s4 s1 s2 

s4 −s3 −s2 s1
transmitiéndose los cuatro símbolos s1 , s2 , s3 , s4 reales a lo largo de cuatro interva-
los de tiempo según la asignación establecida por la matriz C y añadiéndose una
componente de ruido gaussiano de potencia σn2 . Suponemos que la potencia total
transmitida en cada intervalo temporal es σs2 .
a) Desarrolle el proceso de recepción obteniendo y = √14 Hs + n donde s =
T T T
son los 4 símbolos e y = y1 y2 y3 y4 y n = n1 n2 n3 n4

s1 s2 s3 s4
representan la√señal recibida y el ruido
√ en los cuatro √ instantes de recepción.
b) Si z = 4HH y = HH Hs + 4HH n = Bs + 4HH n demuestre que la matriz
B = HH H tiene la forma:
 
a 0 0 b
 0 a −b 0 
B=  0 −b a 0 

b 0 0 a
identificando las constantes a, b. Nota: es suficiente con que verifique la primera
columna. T T
c) Particularizando para el caso h = h1 h2 h3 h4 = 1 1 1 1 calcule

la relación señal a ruido e interferencia de la señal z.
s1 −s∗2

Nota: Código de Alamouti: C =
s2 s∗1
y1 = √12 s1 h1 + √12 s2 h2 + n1 Tiempo k
y2 = − √12 s∗2 h1 + √12 s∗1 h2 + n2 Tiempo k + 1
Solución:
a) La señal recibida en los cuatro intervalos temporales es (asumiendo variables
reales):
y1 = √1 (s1 h1 − s2 h2 − s3 h3 + s4 h4 ) + n1
4
y2 = √1 (s1 h2 + s2 h1 − s3 h4 − s4 h3 ) + n2
4
y3 = √1 (s1 h3 − s2 h4 + s3 h1 − s4 h2 ) + n3
4
y4 = √1 (s1 h4 + s2 h3 + s3 h2 + s4 h1 ) + n4
4
que en forma matricial queda:

      
y1 h1 −h2 −h3 h4 s1 n1
 = √1  h2 h1 −h4 −h3   s2  + 
 y2      n2 
 
 y3  4  h3 −h4 h1 −h2   s3   n3 
y4 h4 h3 h2 h1 s4 n4
 
h1 −h2 −h3 h4
 h2 h1 −h4 −h3 
donde por tanto H =   h3 −h4 h1 −h2 .

h4 h3 h2 h
√ 1H
b) En el receptor se multiplica por 4H verificándose que:
 
a 0 0 b
√ √  0 a −b 0  √
z = 4HH y = HH Hs + 4HH n =   s + 4HH n
 0 −b a 0 
b 0 0 a
4
siendo a = h2i y b = 2 (h1 h4 − h2 h3 ).
P
i=1  
1 −1 −1 1
 1 1 −1 −1 
c) Puede obervarse en este caso H =   1 −1 1 −1  que es en sí ortogonal

1 1 1 1
(nótese que b = 0) por lo que H H = 4I siendo por tanto nula la interferencia entre
H
símbolos.
a2 σs2 16σs2 σs2
SN R = = =
4aσn2 16σn2 σn2

TRDG 2parte

Cargado por

Copyright:

Formatos disponibles

TRDG 2parte

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TRDG 2parte

Cargado por

Copyright:

Formatos disponibles

1

Transmisión Digital - Segunda Parte

José Ignacio Ronda

Departamento de Señales, Sistemas y Radiocomunicaciones, ETSIT, UPM

1. Detección en canales con interferencia intersimbólica 7

3. Modulaciones en espectro ensanchado por secuencia directa (DS-

3.9. Fórmulas para el examen . . . . . . . . . . . . . . . . . . . . . . . . . 142

4. Múltiples antenas (MIMO) 161

Detección en canales con

1.2. Canal discreto equivalente

La señal recibida (sin efecto del canal es):

Figura 1.1: Arquitectura del modulador (PAM / QAM)

r (t) = s (t) + z (t) (1.2)

Figura 1.2: Arquitectura de un receptor (PAM / QAM)

Figura 1.3: Canal discreto equivalente

p (t) = g (t) ∗ g ∗ (−t) → P (j ω) = |G (j ω) |2 (1.3)

p [n] = p (nT ) (1.4)

q (t) = s (t) ∗ g ∗ (−t) + z (t) ∗ g ∗ (−t) = qs (t) + qn (t) (1.5)

Sin embargo, al verificar el pulso g(t) el criterio de Nyquist, su versión muestreada

Como p(t) satisface el criterio de Nyquist:

Rn [m] = E {n [k + m] n [k]} = E {qn ((k + m) T ) qn (kT )} = Rqn (mT ) = σn2 δ [m]

Rq [n] = σA2 p [n + k − l] p∗ [k − l] + Rn [n] = σA2 p [n + l] p∗ [l] + Rn [n] =

p (t) = g (t) ∗ h (t) ∗ g ∗ (−t) (1.12)

Dpico X |p [k] | (dmin /2)

como medida de la cuantía de la ISI donde A|max es la amplitud máxima de la

1.3. Detector de secuencia de máxima verosimili-

fq|A (q|Ai ) > fq|A (q|Aj ) , j = 0, · · · , M L − 1, j 6= i (1.15)

Si suponemos que el canal tiene K +1 elementos, tenemos:

Si ahora consideramos una secuencia de L símbolos tenemos una variable alea-

Análisis del MLSD por el procedimiento de búsqueda exhaustiva.

Script: Comp_for_T5_1 que a su vez llama a la función

Trabajo personal: analice el código proporcionado en ambos módulos

Reproduzca un resultado como el mostrado en la figura 1.4 .

Figura 1.4: Probabilidad de error MLSD por búsqueda exhaustiva

Puede observarse que esta estrategia se vuelve completamente inoperante para

1.3.1. Algoritmo de Viterbi

eso, también ha demostrado su utilidad para detectar modulaciones con memoria

Es decir, la salida o[n] queda completamente determinada por el símbolo actual

La idea fundamental se basa en la propiedad de que si el camino óptimo pasa

Figura 1.5: Diagrama trellis del ejemplo

Análisis del procedimiento MLSD por el algoritmo de Viterbi.

Script: Comp_for_T5_2 que a su vez llama a las funciones

function mef = mef_mlsd(c)

function [simbolos_opt,varargout] = viterbi_global(mef,obs_sec,forzar_cero_final)

Trabajo personal: analice el código proporcionado exclusivamente en el script

Reproduzca un resultado como em mostrado en la figura 1.6:

1.3.2. Prestaciones del algoritmo MLSD

Figura 1.6: Detección MLSD. Algoritmo de Viterbi

representa el número máximo de secuencias que se hallan a la distancia Dmin de una

que se realiza de forma práctica en el diagrama trellis asumiendo que se transmite

1.4. Igualación. Arquitecturas lineales y no lineales

Definiendo el filtro equivalente

C (z) = P (z) W (z) (1.24)

a la salida del igualador nos encontramos con

Figura 1.7: Igualación lineal

1.4.1. Arquitecturas lineales

Figura 1.8: Igualación lineal. Representaciones equivalente

Vamos a plantear el diseño de acuerdo a los criterios mencionados anteriormente.

1.4.1.1. Criterio ZF (Zero -Forzing)