Nghiên cứu giải pháp kết hợp điều chế thích nghi và cân bằng NORON để cải thiện hiệu năng truyền dữ liệu cho hệ thống thông tin di động băng rộng

Một trong những phương pháp có hiệu quả để loại trừ các ảnh hưởng có hại đó là điều chế thích nghi các dạng điều chế, mã hóa theo các tham số của hệ thống dựa vào thông tin chất lượng kê

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Luận văn được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: PGS.TS Trần Hồng Quân

Phản biện 1: ………

Phản biện 2: ………

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông

Vào lúc: giờ ngày tháng năm

Có thể tìm hiểu luận văn tại:

- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

MỞ ĐẦU

Với sự ra đời của các hệ thống thông tin di động tốc độ cao thì fading càng tác động mạnh đến chất lượng truyền dẫn của hệ thống, các kênh thường biểu hiện chất lượng hầu như tức thời thay đổi theo thời gian Do đó các phương thức điều chế cố định, cân bằng cổ điển bị tác động các cụm lỗi Một trong những phương pháp có hiệu quả để loại trừ các ảnh hưởng có hại đó là điều chế thích nghi các dạng điều chế, mã hóa theo các tham số của hệ thống dựa vào thông tin chất lượng kênh gần như tức thời do máy thu nhận được và phản hồi trở lại máy phát Đó chính là phương pháp điều chế-mã hóa thích nghi

Ngoài ra, kênh vẫn còn tác động của can nhiễu do fading gây ra, nhưng kênh bây giờ là băng rộng có tính phi tuyến biểu hiện các khe thăng giáng sâu trong băng tần Vì vậy để giảm can nhiễu bây giờ dựa vào các bộ cân bằng tuyến tính thông thường sẽ không còn hiệu quả, mà cần phải có bộ cân bằng giải quyết được tính phi tuyến của kênh, phương pháp đơn giản, hiệu quả nhất là cân bằng mạng nơron

Luận văn này sẽ nghiên cứu điều chế thích nghi-cân bằng bằng nơron và kết hợp chúng trong một giải pháp hệ thống duy nhất nhằm đáp ứng yêu cầu thực tiễn các hệ thống di động băng rộng hiện có và sẽ có

Phương pháp nghiên cứu:

- Trước hết nghiên cứu các vấn đề điều chế thích nghi, cân bằng một cách riêng

rẽ Từ đó chỉ ra lý thuyết cơ bản của điều chế thích nghi, cân bằng mạng nơron

và tác dụng đưa lại cho hệ thống

- Xây dựng một số luật học cho một số bộ cân bằng nơron nhằm chỉ ra các tham

số cho bộ cân bằng

- Dựa vào kết quả mô phỏng đã có của các tác giả khác, luận văn sẽ phân tích, nhận xét để rút ra những khuyến nghị áp dụng

Ý nghĩa khoa học của đề tài:

- Xây dựng một số thuật toán cho cân bằng nơron thuận, phản hồi và xuyên tâm đơn giản

- Đánh giá độ ổn định của bộ căn bằng

Ý nghĩa thực tiễn:

- Khuyến nghị áp dụng các phương thức điều chế vào những điều kiện hoàn cảnh khác nhau

Công cụ nghiên cứu:

- Toán xác suất và đại số tuyến tính

- Lý thuyết truyền tin và mạng nơron

Nội dung luận văn:

Chương 1: Tổng quan về hệ thống thông tin thích nghi Chương này nhằm chỉ ra nét cơ bản của hệ thống, các công trình nghiên cứu về chúng, hiệu năng trong kênh

Chương 2: Điều chế thích nghi và cân bằng Chương này giới thiệu các giải pháp điều chế thích nghi và cân bằng nhằm làm cơ sở cho các nghiên cứu mở rộng ở chương 3

Chương 3: Kết hợp điều chế thích nghi- cân bằng nơron Trong chương này trên

cơ sở mô hình kết hợp, luận văn sẽ nghiên cứu sâu hơn bộ cân bằng và các thuật toán đào tạo cho cân bằng trong hoàn cảnh kết hợp

Chương 1 TỔNG QUAN VỀ HỆ THỐNG THÔNG TIN THÍCH NGHI VÀ HIỆU NĂNG

CỦA HỆ THỐNG 1.1 Giới thiệu

Để đi sâu vào nghiên cứu các bài toán về điều chế và cân bằng trong các hệ thống thích nghi, trước hết luận văn sẽ giới thiệu những nét cơ bản nhất về hệ thống thích nghi, hiệu năng của hệ thống trong kênh nhiễu Gauss, kênh fading Rayleigh

Luận văn cũng sẽ điểm qua một số công trình nghiên cứu nổi bật trên thế giới xung quanh lĩnh vực này

1.2 Nguyên lý thích nghi

Điều chế thích nghi AQAM là một giải pháp thích hợp cho thông tin giữa trạm gốc và máy di động Thích nghi AQAM là hoạt động của máy phát để đáp ứng các điều kiện biến đổi theo thời gian của kênh Nhằm phản ứng một cách hiệu quả các biến đổi chất lượng kênh, hệ thống thích nghi thực hiện các bước sau:

 Ước lượng chất lượng kênh

 Chọn các tham số truyền dẫn tiếp theo một cách thích hợp

 Báo hiệu hoặc phát hiện các tham số đã được sử dụng

1.3 Hiệu năng của hệ thống QAM trong kênh nhiễu Gauss

Hầu hết ước lượng chất lượng kênh là tỷ lệ lỗi bit (BER – Bit Error Rate), vì nó phản ánh chất lượng kênh không kể đến nguồn hoặc bản chất sự suy giảm chất lượng

1.4 Một số công trình nổi bật nghiên cứu về các hệ thống điều chế thích nghi

và cân bằng Nơron

Luận văn này học viên nhằm theo hướng nghiên cứu các luật học đơn giản và kết hợp điều chế thích nghi với cân bằng nơron Cùng đó đưa ra phân tích một số công trình nghiên cứu trước đó về các lĩnh vực này

Kết luận:

Qua các nội dung trên ta đã thấy được bức tranh tổng quát để thực hiện được các

hệ thống điều chế thích nghi phải có những khâu cơ bản nào

Tiếp đó, giới thiệu hiệu năng của kênh vô tuyến mà đặc trưng là BER trong kênh nhiễu Gauss ứng với các loại điều chế khác nhau Luận văn đã nghiên cứu BER trong kênh fading Rayleigh ứng với các dạng điều chế khác nhau Qua đó để giúp định hướng

Hình 1.1: Biểu thị BER đối với hệ thống BPSK, 4QAM, 16QAM, 64QAM trong kênh fading phẳng Rayleigh

xác định phương thức điều chế khi SNR thay đổi Cuối cùng chương 1 đã điểm qua một

số công trình tiêu biểu trong quá trình nghiên cứu điều chế thích nghi-cân bằng mạng nơron để qua đó định hướng bài toán theo nghiên cứu của luận văn

Chương 2 ĐIỀU CHẾ THÍCH NGHI VÀ CÂN BẰNG MẠNG NƠRON

2.1 Điều chế thích nghi

2.1.1 Giới thiệu

Điều chế thích nghi là một giải pháp rất hiệu quả để thiết lập các hệ thống truyền dẫn trên kênh fading biến đổi theo thời gian Nguyên lý cơ bản của nó là phải ước lượng kênh tại máy thu và phản hồi ước lượng này trở lại máy phát để máy phát thay đổi phương pháp điều chế tương ứng với sự thay đổi các đặc tính của kênh truyền để sao cho duy trì được xác suất lỗi ở đầu thu Các kỹ thuật điều chế không thích nghi kịp các điều kiện của fading mà cần có độ dự phòng tuyến cố định để duy trì hiệu năng chấp nhận được khi chất lượng kênh xấu Như vậy các hệ thống này được thiết lập đáp ứng được các điều kiện kênh xấu nhất Do thích nghi được với kênh fading cho nên nó có thể làm tăng

độ thông qua trung bình, giảm công suất phát cần thiết, giảm xác suất lỗi bít trung bình

2.1.2 Tổng quan hệ thống truyền dẫn thích nghi

Điều khiển nguồn S[i]

Hình 2.1: Mô hình hệ thống truyền dẫn thích nghi

2.1.3 Điều chế thích nghi bằng biến đổi tốc độ

Trong điều chế biến đổi tốc độ thì tốc độ số liệu ( ) biến đổi theo độ lợi kênh Người ta thực hiện điều này bằng cách cố định tốc độ ký hiệu điều chế Rs = 1/Tsvà sử dụng giải pháp nhiều sơ đồ điều chế hoặc cỡ nhiều chùm sao tín hiệu điều chế hoặc cố định sơ đồ điều chế và thay đổi tốc độ ký hiệu

2.1.4 Điều chế thích nghi bằng biến đổi công suất

Để bù lại sự biến đổi SNR do fading, người ta thường dùng phương pháp điều chế thích nghi biến đổi công suất phát Mục tiêu của nó là duy trì xác suất lỗi bít cố định hoặc tương đương với SNR thu không đổi Thích nghi công suất phát nghĩa là bù đảo ngược fading kênh sao cho kênh sẽ được biểu hiện như một kênh AWGN đối với giải pháp điều chế và giải điều chế này

2.1.5 Điều chế thích nghi biến đổi tốc độ và biến đổi công suất trong hệ thống MQAM

Ở mục này, luận văn nghiên cứu một dạng điều chế thích nghi đặc biệt, đó là điều chế bằng cách biến đổi tốc độ và công suất của hệ thống MQAM để đạt cực đại về hiệu suất phổ trong lúc đó vẫn đáp ứng mục tiêu pb tức thời đã cho Ở đây luận văn cũng chỉ ra rằng có một khe hở công suất không đổi giữa hiệu quả phổ của kỹ thuật điều chế MQAM thích nghi này và dung lượng trong fading phẳng và khe hở này có thể khép lại một phần bằng cách thêm vào mã lưới trong điều chế thích nghi

2.1.6 Thích nghi công suất bằng biến đổi ngược kênh với tốc độ cố định

Hiện nay, người ta còn nghiên cứu giải pháp thích nghi công suất bằng biến đổi ngược kênh để duy trì SNR thu cố định Sau đó sẽ phát tín hiệu điều chế MQAM tốc độ

cố định duy nhất để đạt được mục tiêu pb

2.1.7 Thích nghi tốc độ rời rạc

Khi thiết kế MQAM thích nghi cầu phải xác định các biên của Rj Trong lúc đó có thể tối ưu các biên này để làm cực đại hiệu quả phổ, việc này chúng ta sẽ trở lại bằng cách sử dụng phương pháp cận tối ưu

2.1.8 Hiệu năng của hệ thống điều chế thích nghi

Trước khi đi vào tính toán xác suất lỗi trung bình của hệ thống điều chế thích nghi,

ta định nghĩa xác suất lỗi cho hệ thống điều chế thích nghi tổng quát:

( ) là xác suất lỗi bit biến đổi theo

p( ) là hàm mật độ phân bố xác suất của

2.2 Cân bằng bằng mạng Nơron

2.2.1 Giới thiệu

Trong mục này chúng ta đưa ra cái nhìn tổng quan về cân bằng dựa vào mạng nơron Cân bằng kênh có thể được xem dưới dạng phân loại các bài toán Giải pháp tối

ưu bài toán này là bài toán phi tuyến không kết hợp Vậy chúng ta sẽ thảo luận làm thế nào để cấu trúc phi tuyến của mạng nơron nhân tạo có thể nâng cao hiệu năng của một bộ cân bằng kênh so với cách truyền thống và nghiên cứu cách thiết kế mạng nơron để đáp ứng cân bằng kênh như những mạng đào tạo nhiều lớp (Multi-Layer Perceptron - MLP), mạng đào tạo đa thức (Polynomial Perceptron-PP) và mạng nơron xuyên tâm (Radial Basis Function - RBF) Chúng ta nghiên cứu cấu trúc mạng nơron RBF chi tiết áp dụng cho cân bằng kênh Hơn nữa, chúng ta sẽ mô tả tổng quan mạng RBF và đi vào các ứng dụng của nó

2.2.2 Mô hình kênh

Một kênh băng thông giới hạn tạo ra nhiễu giao thoa liên ký tự (Inter Symbol Interference –ISI) có thể được mô tả bởi bộ lọc ngang rời rạc có hàm truyền đạt:

( ) = ∑ (2.4)

Ở đâyp fn đáp ứng xung thứ n của kênh và L+1 là chiều dài của đáng ứng xung kênh (channel impulse respone – CIR)

Hình 2.2: Mô hình rời rạc thời gian của kênh nhiễu xuyên ký tự và nhiễu Gauss trắng

2.2.3 Cấu trúc mạng cân bằng

Trong phần này chúng ta sẽ chỉ ra rằng các đặc tính của dãy phát có thế được biểu thị bằng trạng thái hữu hạn của kênh và xem xét bài toán cân bằng như là một bài toán thuộc loại hình học

Hình 2.3: Sơ đồ cân bằng tuyến tính m đốt

2.2.4 Cấu trúc mạng Nơron

2.2.4.1 Giới thiệu

Mạng nơron nhân tạo là một lớp các mô hình được giả lập hệ thống thần kinh

của con người Các mô hình này bao gồm các yếu tố xử lý được biểu diễn bằng các

nơron, mỗi nơron có một số dữ liệu đầu vào và dữ liệu đầu ra Người ta sử dụng một tổ hợp tuyến tính để tính ra một giá trị từ tất cả dữ liệu đầu vào Giá trị này gọi là tổng trọng

số của dữ liệu đầu vào Giá trị tổng trọng số trừ đi giá trị ngưỡng của các nơron để tạo ra

sự khởi động của nơron Ký hiệu kích hoạt làm tham số cho hàm kích hoạt để tạo ra dữ liệu đầu ra của nơron Hàm kích hoạt thường là hàm phi tuyến tính mà nó cho phép mạng

Cân bằng quyết định

v k

nơron giải quyết những bài toán phức tạp Hàm kích hoạt có ba dạng cơ bản: Hàm mức, hàm phân đoạn tuyến tính, hàm sigmoid

Mạng nơron nhân tạo tiến có cấu trúc các lớp như Hình 2.5, ở đây tất các đường kết nối trực tiếp từ đầu vào tới đẩu ra không có hồi tiếp Các mạng dạng này thường hoạt động không ổn định Đặc trưng của nơron trong mỗi lớp mạng chỉ có các tín hiệu ra lớp mạng trước đi vào đầu vào Có 2 loại cấu trúc mạng perceptron thường sử dụng là:

- Mạng perceptrong đơn lớp (SLP): Mạng có 1 lớp mạng nơron

- Mạng perceptron đa lớp(MLP): Mạng có nhiều lớp mạng nơron

Mạng nơron hồi tiếp là dạng mạng nơron nhân tạo tiến nhưng có Chúng ta cũng xem xét đến dạng mạng nơron nhân tạo tiến nhưng có ít nhất một vòng phản hồi

Và cùng là mạng nơron nhân tạo dạng lưới, mạng có dạng mạng một chiều, 2 chiều hay nhiều chiều dãy nơron

Trong các mô hình mạng nơron có đặc tính được chỉ ra bởi đặt tính các nút mạng, kiểu mạng và bởi quy tắc huấn luyện và học tập của mạng

2.2.5 Cân bằng trên cơ sở huấn luyện đa lớp

Lớp đầu vào

Lớp ẩn 1

Lớp ẩn 2

Lớp đầu ra

Hình 2.6: Mô hình cân bằng huấn luyện đa lớp m-đốt

2.2.6 Cân bằng trên cơ sở đa thức

Cấu trúc cân bằng trên cơ sở đa thức (Polynomial Perceptron - PP) được Chen, Gibson và Cowan nghiên cứu Cân bằng PP có cấu trúc đơn giản và việc tính toán ít phức tạp hơn cấu trúc MLP Với cấu trúc đa lớp kết hợp kỹ thuật đa thức gần đúng trong giải pháp tối ưu cân bằng phi tuyến gần đúng

Hình 2.7: Cân bằng trên cơ sở đa thức sử dụng bậc m= 2 và đa thức bậc l=3

Xét một mô hình đa thức cấp l = 3 hoặc l = 5, đủ cho việc giới thiệu hoạt động của hàm sigma và kết quả tính toán của hàm Xét cân bằng trên cơ sở đa thức đơn giản với m=2, cấp đa thức l=3 Khi đó hàm đa thức quyết định có dạng:

Thông thường, chức năng của thuật toán K-trung bình là chia phân vùng chính thành các vector trong đoạn K và sau đó tìm vector trọng tâm, ci, i = 1,…,K, vector đó là đại diện tốt nhất cho tập vector trong mỗi khoảng hay đoạn riêng Trong mạng cân bằng dựa trên RBF thiết kế các vector dạng cụm có các vector trạng thái nhiễu của kênh vk, k =

−∞, … , +∞ để quan sát cân bằng sử dụng các khóa vector hiện tại

Các bài toán kết hợp sử dụng thuật cụm K-trung bình thực hiện cụm xử lý có thể không đạt tới tối ưu hay cấu trúc gần tối ưu Thuật toán chỉ đảm bảo cận tối ưu dựa trên cận được xác lập trước

2.2.8 Mạng Nơron xuyên râm RBF(Radial Basic Function)

2.2.8.1 Giới thiệu

Hình 2.8: Cấu trúc mạng nơron xuyên tâm (RBF)

Mạng RBF gồm có 3 lớp khác nhau, được chỉ ra như Hình 2.14 Lớp vào được cấu thành bởi p nút nguồn Một tập M hàm kích hoạt phi tuyến , i = 1, …, M, tạo thành lớp

ẩn thứ 2 Đầu ra của mạng được tạo nên bởi lớp thứ 3, nó bao gồm các nút ra Cấu trúc này dựa trên thiết kế mạng nơron cơ bản Hàm kích hoạt trong lớp ẩn tạo nên hàm xuyên

Lớp đầu vào Lớp ẩn Lớp đầu ra

= 1

=

( )

tâm RBF Hàm có đặc tính là các đáp ứng có dạng hàm tăng hoặc giảm đều tính từ tâm điểm C

2.2.9 Cân bằng RBF trong Modem nhiều mức

Trong phần này chúng ta sẽ mở rộng thiết kế cân bằng RBF với mức phức hợp Modem nhiều mức, ở đây thông tin từ tập giá trị phức M, Ti, i = 1,2,…,M Trạng thái kênh mong muốn có thể đáp ứng với phân vùng trong M lớp lớn hơn 2, theo giá trị của

ký tự truyền , được xác định bởi biểu thức dạng:

, = { | = ℒ }

(2.6)

Ở đây rij, j = 1, …,nis, là trạng thái kênh ra mong muốn của việc truyền ký tự

= ℒ , = 1, … Rõ ràng hơn, số nis là số trạng thái kênh rij trong tập , Số trạng thái kênh trong tập , là tất cả ký tự truyền ℒ , i = 1,2,…M

Mạng RBF

Mạng RBF Mạng con thứ M

Hình 2.9: Cân bằng mạng modem trong M mức

Mạng con thứ 1

Độ phức tạp tính toán của cần bằng nhiều mức RBF phụ thuộc vào bậc của M trong sơ đồ điều chế, do vậy số nút ẩn con RBF là =

Bảng 2.3: Độ phức tạp tính toán của mạng cân bằng RBF bậc m với mẫu đầu

ra điều chế M-ary Tổng số nút ẩn của cân bằng RBF là

- Phương pháp ước lượng CIR yêu cầu

- Sử dụng thuật toán cụm K-trung bình

Kết luận

Trong chương này luận văn đã tóm tắt mạng nơron xuyên tâm và mô tả vấn đề cân bằng Kiến trúc của các mạng RBF được trình bày và chúng tôi đã nêu thiết kế của phần

tử cân bằng RBF dựa trên lời giải phần tử cân bằng Bayes Quá trình so sánh giữa phần

tử cân bằng MSE và RBF chỉ ra rằng phần tử cân bằng RBF có khả năng đưa ra siêu tính năng khi thêm trình tự cân bằng tương đương có xét đến gia số phức tạp lũy thừa mũ khi