C¸oklu Eris¸imli Ortamlarda G ¨ur ¨ult ¨u ile Gelis¸tirilmis¸ Sezim
Noise Enhanced Detection in Multiple-Access Environments
Suat Bayram, Sinan Gezici
Elektrik ve Elektronik M¨uhendisli˘gi B¨ol¨um¨u
Bilkent ¨
Universitesi, Bilkent, Ankara 06800, T¨urkiye
{sbayram,gezici}@ee.bilkent.edu.tr
¨
Ozetc¸e
Stokastik rezonans (SR) diye adlandırılan etki sayesinde, optimal olmayan sezicilerin performansını belirli kos¸ullar altında g¨ur¨ult¨u ekleyerek gelis¸tirmek m¨umk¨und¨ur. Bu c¸alıs¸mada, SR olayının c¸oklu eris¸imli ortamlarda c¸alıs¸an sezi-ciler ¨uzerine etkileri incelenmektedir. ˙Ilk olarak, sezicinin hata oranının azaltılabilmesi ve azaltılamaması durumları ic¸in gerek kos¸ullar elde edilmektedir. Daha sonra, g¨ur¨ult¨u ile gelis¸tirilen seziciler analiz edilmekte ve elde edilebilecek en y¨uksek perfor-mans artıs¸ı ¨uzerine bir sınır c¸ıkarılmaktadır. Sayısal ¨ornekler sunularak kuramsal c¸alıs¸malar desteklenmektedir.
Abstract
Under certain conditions, addition of noise can enhance performance of suboptimal detectors, which is called the stochastic resonance (SR) effect. In this paper, the effects of SR are investigated for conventional detectors in the presence of multiple-access interference. First, conditions under which probability of error performance of the detector can or can-not be improved are obtained. Then, performance of noise enhanced detectors are analyzed, and an upper bound on the amount of performance improvement that can be obtained via SR is derived. Numerical examples are presented to support the theoretical analysis.
1. Giris¸
Stokastik rezonans (SR), do˘grusal olmayan sistemlere g¨ur¨ult¨u eklenerek sistem c¸ıktılarının gelis¸tirilmesine verilen addır [1]-[3]. Sistem c¸ıktılarının gelis¸mesi, sinyalin g¨ur¨ult¨uye oranının artması s¸eklinde olabildi˘gi gibi [1]-[3], sezicinin hata olasılı˘gının azalması [4] veya sezim olasılı˘gının artması [5], [6] s¸eklinde de tanımlanabilmektedir. SR etkisi ilk olarak [1] nu-maralı c¸alıs¸mada incelenmis¸, daha sonra c¸es¸itli optik, manyetik ve elektronik sistemlere uygulanmıs¸tır [3].
Son zamanlarda SR etkisi, hipotez testi problemlerinde de incelenmektedir [4]-[12]. Sisteme eklenen SR g¨ur¨ult¨us¨u sayesinde, optimal olmayan sezicilerin performansını artırmak bazı durumlarda m¨umk¨un olmaktadır. [5] numaralı c¸alıs¸mada, optimal olmayan bir sezicinin performansının sisteme beyaz Gauss g¨ur¨ult¨us¨u eklenerek artırılabilece˘gi bir ¨ornek aracılı˘gıyla g¨osterilmis¸tir. Genel olarak, SR g¨ur¨ult¨us¨u kullanarak sezici-lerin performansını Bayes [4] ve Neyman Pearson (NP) [5], [6] gibi ¨olc¸¨utlere g¨ore artırmak m¨umk¨un olabilmektedir. [6] numaralı c¸alıs¸mada, optimal olmayan sezicilerin, NP ¨olc¸¨ut¨une g¨ore, SR g¨ur¨ult¨us¨u kullanılarak, gelis¸tirilip gelis¸tirilemeyece˘gi
kuramsal olarak c¸alıs¸ılmıs¸tır. Ayrıca eklenmesi gereken opti-mal SR g¨ur¨ult¨us¨un¨un istatistiksel da˘gılımı belirlenmis¸tir. Bayes ¨olc¸¨ut¨une g¨ore SR etkilerinin incelendi˘gi ilk c¸alıs¸ma ise [4] nu-maralı makalede gerc¸ekles¸tirilmis¸ ve optimal SR g¨ur¨ult¨us¨un¨un sabit bir de˘ger oldu˘gu ispatlanmıs¸tır. Ancak Bayes ¨olc¸¨ut¨une g¨ore SR g¨ur¨ult¨us¨un¨un hangi durumlarda sistem performansını artırabildi˘gi ve bu artıs¸ın sınırları hen¨uz c¸alıs¸ılmamıs¸tır.
Bu makalede SR g¨ur¨ult¨us¨un¨un c¸oklu eris¸imli ortamlarda c¸alıs¸an is¸aret sezicileri ¨uzerine etkileri incelenmektedir. Bayes ¨olc¸¨ut¨un¨un bir versiyonu olan en d¨us¸¨uk hata olasılı˘gı ¨olc¸¨ut¨u baz
alınarak, SR g¨ur¨ult¨us¨un¨un sezici performansını gelis¸tirebilece˘gi ve gelis¸tiremeyece˘gi durumlar c¸alıs¸ılmaktadır. Ayrıca SR g¨ur¨ult¨us¨u ile gelis¸tirilmis¸ sezicilerin performans analizleri sunulmakta ve SR g¨ur¨ult¨us¨u ile elde edilebilecek kazanımların sınırları belirlenmektedir. Ayrıca sayısal ¨ornekler vasıtasıyla, elde edilen kuramsal c¸alıs¸malar desteklenmektedir.
2. Sinyal Modeli ve Optimal SR G ¨ur ¨ult ¨us ¨u
Toplam K + 1 kullanıcının bulundu˘gu bir c¸oklu eris¸imli or-tamda elde edilen ¨olc¸¨um, as¸a˘gıdaki s¸ekilde ifade edilmektedir.
x = A0b0+
K
:
k=1
Akbk+ n (1) Burada bi ∈ {±1} kullanıcılardan gelen bitleri, Ai
de˘gerleri kullanıcı sinyallerinin genliklerini ve n ise ¨olc¸¨um g¨ur¨ult¨us¨un¨u simgelemektedir. Kullanıcılardan gelen bitlerin +1 ve −1 de˘gerlerini alma olasılıkları es¸it kabul edilmekte ve c¸alıs¸manın genelli˘gini bozmayacak s¸ekilde A0 > 0 varsayımı yapılmaktadır. Ayrıca ¨olc¸¨um g¨ur¨ult¨us¨u, sıfır ortalamaya ve σ standart sapmasına sahip bir Gauss g¨ur¨ult¨us¨u olarak modellen-mekte ve n∼ N (0, σ2) s¸eklinde ifade edilmektedir.
Sezicinin amacı, denklem (1)’deki ¨olc¸¨um¨u kullanarak, b0 bitini tahmin etmektir. Burada di˘ger K kullanıcıdan gelen sinyaller, c¸oklu eris¸im giris¸imi (“multiple-access interference”, MAI) olus¸turmaktadır [13]. Bu c¸alıs¸mada, d¨us¸¨uk karmas¸ıklı˘gı sebebiyle sıkc¸a tercih edilen is¸aret sezicisi (“sign detector”) kul-lanılmaktadır [14].
φ(x) =
1 , x ≥ 0
0 , x < 0 (2)
Bazı durumlarda denklem (1)’deki ¨olc¸¨ume g¨ur¨ult¨u ek-lenerek, sezici performansını artırmak m¨umk¨un olabilmektedir. Eklenen g¨ur¨ult¨u c ile ifade edildi˘ginde, as¸a˘gıdaki yeni ¨olc¸¨um elde edilmektedir.
y = x + c (3)
Burada c, SR g¨ur¨ult¨us¨u diye de adlandırılmaktadır.
Herhangi bir sezicinin hata oranını en aza indirmek ic¸in kullanılması gereken SR g¨ur¨ult¨us¨un¨un sabit bir de˘ger oldu˘gu [4] numaralı c¸alıs¸mada ispanlanmaktadır. Bu optimal de˘ger as¸a˘gıdaki s¸ekilde hesaplanmaktadır.
copt= arg max
c
Z ∞
−∞
φ(y + c) [pW(y − A) − pW(y + A)] dy
(4) Burada W = PKk=1Akbk+ n, sistemdeki toplam g¨ur¨ult¨uy¨u
simgelemekte ve pW(·) da bu g¨ur¨ult¨un¨un olasılık yo˘gunluk
fonksiyonunu ifade etmektedir. G¨ur¨ult¨u n,N (0, σ2) s¸eklinde modellendi˘ginden dolayı, toplam g¨ur¨ult¨un¨un olasılık yo˘gunluk fonksiyonu as¸a˘gıdaki s¸ekilde elde edilmektedir.
pW(t) = 1 2K X b∈{±1}K 1 √ 2π σexp 8 < : 1 2σ2 t− K X k=1 Akbk !29= ; (5) Bu ifadedeb vekt¨or¨u, c¸oklu eris¸im giris¸imine sebep olan kul-lanıcılardan gelen t¨um bitleri simgelemekte veb = [b1. . . bK]
s¸eklinde ifade edilmektedir. Her bir bit es¸it olasılıkla ±1 de˘gerlerini alabilece˘gi ic¸inb vekt¨or¨un¨un her muhtemel de˘geri 1/2Kolasılıkla g¨ozlemlenmektedir.
Denklem (5)’te elde edilen olasılık yo˘gunluk fonksiyonu ve (2)’deki sezici, denklem (4)’teki ifadede kullanıldı˘gında, opti-mal SR g¨ur¨ult¨us¨u ic¸in as¸a˘gıdaki form¨ul elde edilebilir.
copt= arg max
c X b∈{±1}K " Q −c − A0− f(b) σ − Q −c + A0− f(b) σ # (6)
Bu ifadede f (b) =PKk=1Akbkolarak tanımlanmıstır. Ayrıca
Q(x) = √1
2π R∞
x e−t
2/2
dt, Q fonksiyonunu ifade etmektedir.
Denklem (6)’da belirtilen optimal SR g¨ur¨ult¨us¨u kul-lanıldı˘gında, [4] numaralı c¸alıs¸madaki sonuca g¨ore, ortalama hata olasılı˘gı PSR= 1 2 − 1 2K+1 X b∈{±1}K " Q −copt− A0− f(b) σ − Q −copt+ A0− f(b) σ # (7) s¸eklinde ifade edilebilir. SR g¨ur¨ult¨us¨un¨un kullanılmadı˘gı du-rumlarda ise ortalama hata oranı
Pconv= 1 2 − 1 2K+1 X b∈{±1}K " Q −A0− f(b) σ − Q A0− f(b) σ # (8) olarak hesaplanmaktadır. E˘ger PSR < Pconv kos¸ulu sa˘glanıyorsa, sezici gelis¸tirilebilir (“improvable”) olarak nite-lenmekte, PSR = Pconv (copt = 0) durumunda ise sezici
gelis¸tirilemez (“non-improvable”) olarak sınıflandırılmaktadır.
Hangi kos¸ulun sa˘glanaca˘gı, MAI ve g¨ur¨ult¨u parametrelerine (A1, . . . , AKve σ) ve ana kullanıcının genli˘gine (A0) ba˘glıdır.
3. G ¨ur ¨ult ¨un ¨un Sezim ¨Uzerine Etkileri
Bu b¨ol¨umde, SR olayının MAI ve g¨ur¨ult¨ul¨u ortamlarda c¸alıs¸an is¸aret sezicisi ¨uzerine etkileri incelenmektedir. ˙Ilk olarak, sezicinin performansının gelis¸tirilebilece˘gi ve gelis¸tirilemeyece˘gi durumlar ac¸ıklanmakta ve daha sonra elde edilebilecek kazanımlar nicelenmektedir.
3.1. Gelis¸tirilebilme ve Gelis¸tirilememe Kos¸ulları
SR g¨ur¨ult¨us¨un¨un sistemi gelis¸tirme imkanı oldu˘gu veya ol-madı˘gı durumların ¨onceden bilinmesi, (6) numaralı den-klemdeki optimizasyon probleminin c¸¨oz¨ulmesine gerek olup ol-madı˘gına karar verilmesi ac¸ısından ¨onem tas¸ımaktadır.
¨
Onerme 1: Denklem (1)’deki ¨olc¸¨um modeli as¸a˘gıdaki
kos¸ulu sa˘gladı˘gında, denklem (2) ile ifade edilen is¸aret sezicisi gelis¸tirilebilir bir sezicidir.
X b∈{±1}K (A0+ f(b)) exp −(A0+ f(b))2σ2 2 < 0 (9)
˙Ispat: Sezicinin gelis¸tirilebilir olması ic¸in c = 0 de˘gerinin, denklem (6)’nın c¸¨oz¨um¨u olmaması gerekmektedir. Bunu sa˘glamak ic¸in bu denklemdeki ifadenin birinci ve ikinci t¨urevlerinin c = 0’daki de˘gerleri kontrol edilebilir. Hesapla-malar yapıldı˘gında birinci t¨urevin c = 0’daki de˘gerinin sıfır oldu˘gu bulunmaktadır.1 Bu durumda ikinci t¨urevin c = 0’daki de˘gerinin pozitif olması, c = 0’ın denklem (6)’daki optimiza-syon problemi ic¸in bir (lokal) minimum de˘geri verece˘gini is-patlayacak ve copt = 0 sonucuna ulas¸ılmasını sa˘glayacaktır. Hesaplamalar sonucu ikinci t¨urevin c = 0’daki de˘geri
2−K √ 2π σ3 X b∈{±1}K h − (A0+ f(b)) e−(A0+f(b))22σ2 − (A0− f(b)) e−(A0−f(b))22σ2 i (10) s¸eklinde elde edilmektedir. Denklemdeki toplama is¸lemi t¨um muhtemelb de˘gerleri ¨uzerinden yapıldı˘gından ve f(−b) = PK
k=1Ak(−bk) = −f(b) oldu˘gundan, ¨onermede verilen
kos¸ul altında, (10)’daki ifadenin her zaman pozitif oldu ˘gu g¨osterilebilmektedir.
¨
Onerme 1’de sunulan sonuca g¨ore, (9) numaralı den-klemdeki ifadenin negatif oldu˘gu durumlarda optimal SR g¨ur¨ult¨us¨u hesaplanarak, sistem performansının artırılması sa˘glanabilir. Ote yandan,¨ sezicinin hangi durumlarda gelis¸tirilemeyece˘gini bilmek de sistemde SR g¨ur¨ult¨us¨un¨un kul-lanılmasına gerek olmadı˘gını bilmek ac¸ından ¨onemlidir.
¨
Onerme 2: Denklem (1)’deki ¨olc¸¨um modelinde ana sinyalin genli˘gi, MAI teriminin alabilece˘gi en b¨uy¨uk de˘gerden k¨uc¸¨uk de˘gilse, yani
A0≥
K
X
k=1
|Ak| (11)
kos¸ulu sa˘glanıyorsa, (2) ile ifade edilen is¸aret sezicisi gelis¸tirilemez bir sezicidir.
˙Ispat: Sezicinin gelis¸tirilemez oldu˘gu durumun ispatı ic¸in,
c = 0 de˘gerinin denklem (6)’daki optimizasyon probleminin
1Sayfa sınırlamasından dolayı hesaplamaların detayları
sunulma-maktadır.
tek maksimum noktası oldu˘gu ispatlanacaktır. Bu optimizasyon probleminin birinci dereceden gerek kos¸ulu hesaplandı˘gında
: b∈{±1}K e−(c+A0+f(b))22σ2 − e−(c−A0−f(b))22σ2 = 0 (12) es¸itli˘gi elde edilmektedir. Onermedeki kos¸ul altında, A¨ 0 +
f (b) > 0 ve −A0−f(b) < 0 ∀b es¸itsizlikleri sa˘glanmaktadır.
Bu durumda, c > 0 ic¸in (12) numaralı denklemde k¨os¸eli paran-tez ic¸indeki ilk terim, ikinci terimden daima daha k¨uc¸¨uk ol-makta ve es¸itlik sa˘glanmaol-maktadır. Benzer s¸ekilde, c < 0 ic¸in ikinci terimler hep daha k¨uc¸¨uk olmaktadır. Es¸itli˘gin sa˘glandı˘gı tek senaryo ise c = 0 durumudur. Bu sonuca ilave olarak, (10) numaralı denklemden c = 0’daki t¨urevin, ¨onermedeki kos¸ul altında daima negatif oldu˘gu g¨or¨ulmektedir. B¨oylece copt= 0 sonucuna ulas¸ılmaktadır.
Yukarıdaki sonuc¸lara ek olarak, denklem (1)’deki Gauss g¨ur¨ult¨us¨un¨un standart sapmasının c¸ok b¨uy¨uk oldu˘gu durum-larda (σ → ∞), denklem (2)’deki sezicinin gelis¸tirilemez oldu˘gunu ispatlamak m¨umk¨und¨ur.2 Di˘ger bir ifadeyle, g¨ur¨ult¨un¨un ortalama g¨uc¨u, MAI terimlerine oranla c¸ok b¨uy¨uk oldu˘gunda, SR g¨ur¨ult¨us¨u kullanarak hata olasılı˘gını azaltmak m¨umk¨un de˘gildir.
3.2. G ¨ur ¨ult ¨u ile Gelis¸tirilmis¸ Sezicinin Performans Analizi Bu b¨ol¨umde, SR g¨ur¨ult¨us¨u kullanılmasının sezici perfor-mansına yapaca˘gı katkılar nicelenmektedir. ˙Ilk olarak, SR g¨ur¨ult¨us¨u kullanan sezicinin performansının, ¨olc¸¨umdeki Gauss g¨ur¨ult¨us¨un¨un standart sapması azaldıkc¸a monoton olarak gelis¸ti˘gi ispatlanmaktadır.
¨
Onerme 3: Denklem (7)’deki hata olasılı˘gı, σ
parametre-sine g¨ore monoton artan bir fonksiyondur.
˙Ispat: Denklem (7)’deki hata olasılı˘gının σ’ya g¨ore t¨urevi alındı˘gında, birtakım is¸lemlerden sonra, as¸a˘gıdaki ifade elde edilmektedir. dPSR(σ) dσ = − 2−(K+1)c opt √ 2π σ : b∈{±1}K [g(A0) − g(−A0)] +2√−(K+1) 2π σ2 : b∈{±1}K [h(A0) − h(−A0)] (13) Bu ifadede g(z) = exp{−(copt + z + f(b))2/(2σ2)} ve
h(z) = (copt+z +f(b))g(z) olarak tanımlanmaktadır. Ayrıca copt , coptteriminin σ’ya g¨ore t¨urevini simgelemektedir.
Optimal SR g¨ur¨ult¨us¨u copt, (12) numaralı denklemdeki kos¸ulu sa˘glayaca˘gı ic¸in, (13) numaralı denklemdeki birinci terim sıfıra es¸ittir. Benzer s¸ekilde, (6) numaralı denklemdeki ifadenin c’ye g¨ore ikinci t¨urevinin coptnoktasındaki de˘gerinin negatif olma kos¸ulu kullanılarak, (13) numaralı denklemdeki ik-inci terimin daima pozitif oldu˘gu g¨osterilebilir. Bu durumda
dPSR(σ)/dσ > 0 sonucu elde edilmektedir. ¨
Onerme 3’te elde edilen sonuc¸, SR g¨ur¨ult¨us¨u kul-lanılmasının kazandırdı˘gı ¨onemli ¨ozelliklerden biridir. SR g¨ur¨ult¨us¨u kullanılmayan durumlarda, Gauss hatasının standart sapmasındaki azalmalar bazen hata oranının artmasına neden olabilmektedir (¨orne˘gin, S¸ekil 1’deki birinci senaryo). Hal-buki SR g¨ur¨ult¨us¨u kullanıldı˘gında, standart sapmadaki azal-malar hic¸bir zaman hata oranı artısına neden olmamaktadır.
Son olarak, sistemdeki temel hata kayna˘gının MAI oldu˘gu durumlarda, SR g¨ur¨ult¨us¨un¨un sa˘glayaca˘gı en y¨uksek perfor-mans gelis¸im oranı as¸a˘gıdaki ¨onermede hesaplanmaktadır.
2Sayfa sınırlamasından dolayı ispat sunulmamaktadır.
¨
Onerme 4: Denklem (1)’deki ¨olc¸¨um modelinde Gauss
g¨ur¨ult¨us¨un¨un ihmal edildi˘gi durumlarda, SR g¨ur¨ult¨us¨u kul-lanılarak elde edilebilecek en b¨uy¨uk gelis¸im oranı as¸a˘gıdaki s¸ekilde ifade edilmektedir.
max
A0,A1,...,AK
Pconv PSR
= 2 (14)
˙Ispat: Gauss ¨olc¸¨um g¨ur¨ult¨us¨un¨un ihmal edildi˘gi durum-larda, SR g¨ur¨ult¨us¨u kullanmayan sezicinin hata olasılı˘gı, (8) numaralı denklemin σ → 0 de˘geri ic¸in as¸a˘gıdaki s¸ekilde elde edilebilir.3 Pconv= 1 2 − |Sconv| 2K+1 (15) Sconv= { b ∈ {±1}K : |f(b)| < A 0} (16)
Burada|Sconv|, Sconvk¨umesindeki eleman sayısını ifade etmek-tedir. Benzer s¸ekilde, (7) numaralı denklemden σ→ 0 durumu ic¸in as¸a˘gıdaki ifade c¸ıkarılabilir.
PSR= 1 2 − 1 2K+1maxc |S SR c | (17) SSR c = { b ∈ {±1}K : − A0− c < f(b) < A0− c} (18) (15)-(18) numaralı denklemlerde verilen hata olasılı˘gı ifadeleri, her bir SR g¨ur¨ult¨u de˘geri c’nin, [−A0, A0] aralı˘gını sa˘g ya da sol tarafa kaydırdı˘gını ve elde edilen [−A0 −
c, A0 − c] aralı˘gında kalan MAI de˘gerlerinin (f(b)’lerin)
sayısına g¨ore PSR de˘gerinin belirlendi˘gini g¨ostermektedir. Bu nedenle, en y¨uksek gelis¸im oranının sa˘glanabilmesi ic¸in [−A0−c, A0−c] aralı˘gında, [−A0, A0] aralı˘gındaki t¨um f(b) de˘gerlerinin yanı sıra, c’nin neden oldu˘gu kayma y¨on¨undeki t¨um f (b) de˘gerlerinin de bulunması gerekmektedir. O du-rumda, [−A0, A0] aralı˘gındaki eleman sayısı 2Nfise, [−A0−
c, A0− c] aralı˘gında 2Nf + (2K− 2Nf)/2 = 2K−1+ Nf
eleman bulunacaktır. (15) ve (17) numaralı denklemler kul-lanıldı˘gında ¨onermedeki sonuc¸ elde edilmektedir.
Pconv PSR = 12−22NK+1f 1 2−2K+11 (2K−1+ Nf) = 2 (19) ¨
Onerme 4’teki sonuca g¨ore, sistemdeki temel hata kayna˘gının MAI oldu˘gu durumlarda, SR g¨ur¨ult¨us¨u kullanarak, is¸aret sezicisinin hata olasılı˘gını yarı yarıya azaltmak m¨umk¨un olmaktadır.
4. Sayısal Sonuc¸lar
Bu b¨ol¨umde, ¨onceki b¨ol¨umdeki kuramsal c¸alıs¸maların sonuc¸ları bazı sayısal ¨ornekler ¨uzerinde incelenmektedir. ˙Ilk senaryoda, toplam altı kullanıcılı bir sistem tasarlanmıs¸ ve A0 = 10,
A1 = 1.1, A2 = 1.5, A3 = 1.8, A4 = 2 ve A5 = 4 de˘gerleri kullanılmıs¸tır. S¸ekil 1’de, ¨olc¸¨um hatasının standart sapması de˘gis¸tirilerek, SR g¨ur¨ult¨us¨u kullanan ve kullanmayan (“orijinal”) seziciler ic¸in hata olasılıkları farklı A0/σ2de˘gerleri ic¸in c¸izdirilmis¸tir (Senaryo 1).
S¸ekilde g¨or¨uld¨u˘g¨u ¨uzere, SR g¨ur¨ult¨us¨u sistem hata olasılı˘gını d¨us¸¨uk σ de˘gerleri ic¸in ¨onemli derecede azaltabilmek-tedir. Y¨uksek σ de˘gerleri ic¸in ise sezici gelis¸tirilemez hale gelmektedir. Bu durumu daha detaylı incelemek amacıyla, Senaryo 1 ic¸in denklem (6)’daki optimal SR g¨ur¨ult¨u de˘geri ve denklem (9)’daki gelis¸tirilebilirlik fonksiyonu S¸ekil 2’de
3A
0de˘gerinin t¨umf(b)’lerden farklı oldu˘gu varsayılmaktadır.
g¨osterilmektedir. ¨Onerme 1’de belirtildi˘gi gibi, gelis¸tirilebilirlik fonksiyonu negatif oldu˘gunda, sezicinin gelis¸tirilmesi m¨umk¨un olmaktadır. Bu, aynı zamanda copt de˘gerinin sıfırdan farklı de˘gerler almasından da anlas¸ılmaktadır.
0 5 10 15 20 25 30 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05 A/σ2 (dB) H at a O la sı lı˘gı Orijinal SR Senaryo 2 Senaryo 1
S¸ekil 1: SR g¨ur¨ult¨us¨u kullanan ve kullanmayan sezicilerin
c¸es¸itli A/σ2de˘gerleri ic¸in hata olasılıkları. Senaryo 1’de A0= 10, Senaryo 2’de ise A0= 10.5 de˘gerleri kullanılmıs¸tır.
0 5 10 15 20 25 30 −2 0 2 4 6 8 10 12 14 16 A/σ2 (dB) copt Denklem (9)
S¸ekil 2: S¸ekil 1’deki Senaryo 1 ic¸in denklem (6)’daki
opti-mal SR g¨ur¨ult¨u de˘geri ve denklem (9)’daki gelis¸tirilebilirlik fonksiyonunun A/σ2de˘gerlerine g¨ore grafikleri.
S¸ekil 1’den c¸ıkarılacak bas¸ka bir sonuc¸ ise, SR g¨ur¨ult¨us¨u kullanan sistemde hata olasılı˘gının, σ azaldıkc¸a monoton olarak azalmasıdır ( ¨Onerme 3). Ancak SR g¨ur¨ult¨us¨u kul-lanılmayan durumlarda, bu monotonluk ¨ozelli˘gi kaybola-bilmektedir. Ayrıca, Senaryo 1 ic¸in elde edilen sonuc¸lar in-celendi˘ginde, A/σ2 = 30 dB noktasında, PSR = 0.0156 ve Pconv = 0.0312 de˘gerleri elde edilmekte ve ¨Onerme 4’te bahsedilen ¨ust sınıra ulas¸ılmaktadır (Pconv/PSR= 2).
Senaryo 2’de, yukarıda bahsedilen parametrelerden farklı olarak yalnızca A0 = 10.5 de˘geri kullanılmaktadır. S¸ekil 1’de g¨or¨uld¨u˘g¨u ¨uzere, bu durumda sezicinin gelis¸tirilmesi hic¸bir σ de˘gerinde m¨umk¨un olmamaktadır. Bu durum ¨Onerme 2’de be-lirtilen A0≥2Kk=1|Ak| kos¸ulunun bir sonucudur. Bu
senary-oda, t¨um A/σ2de˘gerleri ic¸in copt = 0 elde edilmekte ve den-klem (9)’daki gelis¸tirilebilirlik fonksiyonu hic¸bir zaman negatif olmamaktadır.
5. Sonuc¸lar
Bu makalede, SR olayının c¸oklu eris¸imli ortamlarda c¸alıs¸an is¸aret sezicilerinin performansına olan etkileri incelenmis¸tir. SR g¨ur¨ult¨us¨un¨un sezici performansını gelis¸tirebilece˘gi ve gelis¸tiremeyece˘gi durumlar, sinyal genlikleri ve Gauss g¨ur¨ult¨u parametreleri cinsinden belirlenmis¸tir. Ayrıca, SR g¨ur¨ult¨us¨un¨un seziciye kazandırdı˘gı monotonluk ¨ozelli˘gi ispatlanmıs¸ ve ¨olc¸¨umdeki standart sapmanın d¨us¸¨uk oldu˘gu durumlarda, SR g¨ur¨ult¨us¨u sayesinde hata olasılı˘gının yarı yarıya azaltılabilece˘gi g¨osterilmis¸tir.
6. Kaynakc¸a
[1] R. Benzi, A. Sutera and A. Vulpiani, “The mechanism of stochastic resonance,” J. Phys. A: Math. General, vol. 14, pp. L453–L457, 1981.
[2] P. Makra and Z. Gingl, “Signal-to-noise ratio gain in non-dynamical and non-dynamical bistable stochastic resonators,”
Fluctuat. Noise Lett., vol. 2, no. 3, pp. L145–L153, 2002.
[3] L. Gammaitoni, P. Hanggi, P. Jung, and F. Marchesoni, “Stochastic resonance,” Rev. Mod. Phys., vol. 70, no. 1, pp. 223–287, Jan. 1998.
[4] S. M. Kay, J. H. Michels, H. Chen, and P. K. Varshney, “Reducing probability of decision error using stochastic resonance,” IEEE Signal Processing Letters, vol. 13, no. 11, pp. 695–698, Nov. 2006.
[5] S. M. Kay, “Can detectability be improved by adding noise?,” IEEE Signal Processing Letters, vol. 7, no. 1, pp. 8–10, Jan. 2000.
[6] H. Chen, P. K. Varshney, S. M. Kay, and J. H. Michels, “Theory of the stochastic resonance effect in signal de-tection: Part I–Fixed detectors,” IEEE Trans. on Signal
Processing, vol. 55, no. 7, pp. 3172–3184, July 2007.
[7] H. Chen, P. K. Varshney, S. M. Kay, and J. H. Michels, “Theory of the stochastic resonance effect in signal detec-tion: Part II–Variable detectors,” IEEE Trans. on Signal
Processing, vol. 56, no. 10, pp. 5031–5041, Oct. 2007.
[8] H. Chen, P. K. Varshney, J. H. Michels, and S. M. Kay, “Approaching near optimal detection performance via stochastic resonance,” Proc. IEEE International
Con-ference on Acoustics, Speech and Signal Processing, vol.
3, May 14–19, 2006.
[9] S. Zozor and P.-O. Amblard, “On the use of stochastic resonance in sine detection,” Signal Processing, vol. 7, pp. 353–367, Mar. 2002.
[10] A. Asdi and A. Tewfik, “Detection of weak signals using adaptive stochastic resonance,” Proc. IEEE International
Conference on Acoustics, Speech and Signal Processing,
vol. 2, pp. 1332–1335, May 1995.
[11] S. Zozor and P.-O. Amblard, “Stochastic resonance in lo-cally optimal detectors,” IEEE Trans. on Signal
Process-ing, vol. 51, no. 12, pp. 3177–3181, Dec. 2003.
[12] D. Rousseau and F. Chapeau-Blondeau, “Stochastic res-onance and improvement by noise in optimal detection strategies,” Digital Sig. Proces., vol. 15, pp. 19–32, 2005. [13] S. Verdu, Multiuser Detection, Cambridge University
Press, Cambridge, UK, 1998.
[14] H. V. Poor, An Introduction to Signal Detection and
Esti-mation, Springer-Verlag, New York, 1994.