Fuzzy filters based communication channels equalization

Esta tese objetiva o estudo da utilização de fuzzy na equalização supervisionada e não-supervisionada de canais de comunicação digital. O trabalho se divide em basicamente duas partes. Na primeira, é feita uma revisão das técnicas de equalização supervisionada empregando filtros nebulosos mostradas na literatura. Na segunda parte concentramse as principais contribuições originais, voltadas ao estabelecimento de um paradigma sólido para equalização não-linear cega. Primeiramente, demonstramos que o teorema de Benveniste-Goursat-Ruget não garante a equalização quando do uso de não lineares como os fuzzy. Como alternativa, optamos por um critério baseado no erro de predição aliado a estruturas nebulosas, opção esta que se mostra plenamente justificada pela demonstração da equivalência entre os preditores fuzzy e o estimador de mínimo erro quadrático médio. Para efetuar o treinamento desta estrutura foi proposto um algoritmo baseado em clusterização não-supervisionada que combina estratégias evolutivas com técnicas de busca local. Porem, resultados de simulações computacionais são apresentados afim de avaliar e comparar com as soluções clássicas o desempenho dos equalizadores e das técnicas de treinamento descritos no trabalhoThe objective of this thesis is to study the application of fuzzy to supervised and unsupervised digital channel equalization. Our work is basically divided in two main parts. In the one, we make an extensive review of supervised fuzzy equalization techniques. In the second part, we present original contributions towards the establishment of a solid paradigm for blind nonlinear equalization. In this part, we demonstrate that the Benveniste-Goursat-Ruget theorem is not valid for nonlinear equalizers such as fuzzy liters. As a viable alternative, we propose an approach based on the predictionerror criterion and a fuzzy logic system. The eectiveness of which is cornered by the demonstration of the equivalence between the fuzzy predictor and the minimum eansquare error estimator. Secondly, we propose a training scheme founded on an unsupervised clustering algorithm that combines evolutionary strategies and local search techniques. Lastly, we present results of computational simulations to assess the performance of the equalizers and training techniques introduced in our wor