A construção do modelo da ferramentaLLatravés dasRNAssegue alguns preceitos básicos frequentemente apontados pela literatura especializada [Haykin 2008,Marques 2005], os quais foram adaptados às características da aplicação em questão. Assim que os dados são disponibilizados para o treinamento daRNA, o único tipo de normalização adotado para entrada refere-se à componente mais expressiva em termos de potência média: a potência média dessa entrada é ajustada à unidade por meio de um fator de normalização e todas as demais são ajustadas segundo esse mesmo fator. Visto que a preservação da proporção entre a energia das entradas é crucial para o estudo em questão, bem como manter inalterado o regime temporal de cada uma das entradas, nenhum outro tipo de normalização foi implantado para as entradas da rede. Para os dados referentes ao sinal de saída, que pela natureza da métrica adotada de taxa de
4.4 Abordagem neural para interface L2S 104
erro de blocos estão compreendidos na faixa dos números reais entre 0 e 1, pode-se reduzir ligeiramente sua escala para evitar que o algoritmo de retropropagação trabalhe sobre a região de saturação da função logística. Procede-se então por uma simples transformação linear que leve os valoresBLEPno treinamento à faixa entre 0,05 e 0,95. O treinamento da RNA é realizado exemplo a exemplo, de maneira sequencial, onde um dado exemplo ocorrendo no instante neé apresentado na forma hx(ne),p(ne)i.
A sequência de apresentação dos exemplos segue uma ordem aleatória. A apresentação de todos os exemplos disponíveis para o treinamento consiste em uma época de treinamento. Usualmente procede-se o treinamento com diversas épocas consecutivas, as quais se diferenciam justamente pelo embaralhamento dos exemplos. Desse modo, o processo de atualização de pesos governado por esse algoritmo torna-se menos propenso a estagnar-se em um ponto de mínimo local. Adicionalmente, o modo sequencial de treinamento gera uma menor demanda por armazenamento se comparado ao modo em lote.
No caso dasRNAs, a mais apropriada estratégia de treinamento não consiste tão somente na minimização doEQMsobre o conjunto de treino (expressões 4.22e4.35). Após treinada, à RNA serão apresentados vetores de entrada muito provavelmente não conhecidos durante a fase de treinamento. Para reduzir as chances de correlação temporal entre os conjuntos de dados de treinamento e de testes, sobretudo nos canais rádio, determina-se uma separação entre ambos. Portanto, os dados compreendidos nesse intervalo de separação não são apresentados durante o treinamento, nem mesmo durante o teste da RNA; não obstante, esses dados formam um novo conjunto denominado dados de validação. A cada época de treinamento, avalia-se oEQMpara os dados de validação. Trata-se de uma tentativa de estimar a capacidade de generalização daRNA. Com base em algumas tentativas independentes de treinamento da RNA– portanto, diferentes embaralhamentos dos exemplos apresentados –, observam-se as curvas doEQMde validação versus o número de épocas de treinamento. O número de épocas de treinamento a ser adotado para o treinamento definitivo é o maior possível antes que quaisquer das curvas doEQM de validação apresentem uma tendência de crescimento.
No caso particular das redesMLP, adotou-se ainda o método dos momentos, o qual consiste em adicionar, de maneira ponderada, a variação dos pesos na iteração anterior à variação dos pesos na iteração atual. Desse modo, abrandam-se prováveis variações bruscas na direção de atualização dos pesos em prol da estabilidade. Assim como os
4.5 Simulação Computacional 105
detalhes da fase de retorno do algoritmo de retropropagação foram deixados para o Apêndice 6, os termos matemáticos decorrentes do método dos momentos também o foram. Por fim, diferenciaram-se as taxas de aprendizagem das camadas da rede normalizando-se pelo número de conexões sinápticas de cada um de seus neurônios constituintes ao quadrado.
4.5 Simulação Computacional
Nesta seção, as interfaces L2S apresentadas até aqui – a ESM (cf. seção 4.3) e a nL2Si (cf. seção 4.4) – são avaliadas individualmente e comparadas entre si. O enlace de um sistema foi modelado em banda-base e a partir daí desenvolveu-se uma ferramenta de simulação LL exclusivamente para a geração dos dados necessários a esse tipo de avaliação, com nível de detalhamento tal que permita controlar de maneira independente a potência do sinal e a de interferência, bem como discernir o efeito de cada uma dessas parcelas no desempenho do enlace. As simulações não levam em conta modelos de mobilidade. Algumas características adotadas no3GPP LTEforam tomadas como inspiração para a concepção da ferramenta de simulaçãoLL, focando-se unicamente no canal de tráfego do enlace direto, o qual se baseia na tecnologiaOFDM. Apesar disso, com objetivo principal de prover dados para avaliação das interfaces L2S, a ferramenta LL desenvolvida é mais simples do que as especificações 3GPP ditam, desconsiderando-se, por exemplo, mecanismos como Rate Matching e ARQ híbrido [3GPP 2012].
A ferramenta de simulação LL foi desenvolvida com base em programação em linguagem C++ orientada a objetos, aproveitando-se ainda muitos recursos da biblioteca IT++10. Essa ferramenta permite uma modelagem modular do enlace a ser simulado, fornecendo várias possibilidades de configuração. Entretanto, uma mesma configuração será mantida como referência, a qual será apresentada na seção 4.5.1. Aspectos concernentes a práticas de programação são completamente omitidos nesta tese, porém o leitor interessado pode encontrar detalhes do arcabouço adotado em Stancanelli et al.(2009) eLima et al.(2006).
Outras ferramentas de simulação foram concebidas para avaliar as interfacesL2S: 10A IT++ é uma biblioteca C++ de classes e funções matemáticas, de processamento de sinais e de
comunicações, concebida para prover simulações de sistemas de comunicações. Descrições, códigos fontes e exemplos da biblioteca IT++ podem ser obtidos através do endereço eletrônicohttp://itpp.
4.5 Simulação Computacional 106
uma para a interface EESM, outra para o CLA e uma última MLP. Todas estas ferramentas foram desenvolvidas em ambiente MATLAB R.