Novel Algorithms for Nonlinear Channel Equalization Using Neural Vector Quantization

Neste trabalho, usa-se a Rede Auto-Organizável de Kohonen (SOM, sigla em inglês), um conhecido algoritmo neural de quantização vetorial, para projetar filtros adaptativos nãolineares por meio do método de Memória Associativa Temporal por Quantização Vetorial (VQTAM, sigla em inglês). Neste método, os vetores-código (protótipos) dos dados de entrada encontrados pela rede SOM são associados com os vetorescódigos dos dados de saı́da, permitindo que a SOM aprenda mapeamentos dinâmicos entrada-saı́da de modo simples e efetivo. Além disso, dois filtros adaptativos baseados na arquitetura da rede de Funções de Base Radial (RBF) e no método VQTAM são propostos. Primeiramente, um modelo RBF Global é construı́do usando todos os vetores-código de entrada como centros de M funções de base gaussiana, enquanto os pesos da camada de saı́da são obtidos a partir dos protótipos da saı́da. Em seguida, um modelo RBF local é construı́do de forma similar, porém usando somente K << M neurônios. Os filtros adaptativos propostos são avaliados na equalização de um canal não-linear. Comparações de desempenho com equalizador linear (FIR/LMS) e um não-linear (rede Perceptron Multicamadas) são também realizadas.