Ứng dụng của xử lý số tín hiệu trong thông tin số  – Tối ưu hóa sự kết hợp mã nguồn và mã kênh

TÓM TẮT KẾT LUẬN MỚI CỦA LUẬN ÁN 1.     Đề xuất hai thuật toán là MSA và SATS sử dụng trong phương pháp IA (một phương pháp kết hợp mã nguồn mã kênh) với độ tối ưu và tính ổn định cao. Thuật toán SATS là một phiên bản cải tiến của thuật toán MSA với cơ chế chống tìm kiếm lặp lại, cho kết quả tốt hơn nhưng có độ phức tạp cao hơn. Hai thuật toán cải tiến được xét trong trường hợp tổng quát không bị hạn chế bởi các giả thiết đơn giản hóa như các công trình trước đó và có khả năng hội tụ nhanh, do đó có thể áp dụng trong nhiều trường hợp thực tế nhất là với các trường hợp bảng mã có kích thước lớn. Luận án cũng phân tích và đưa ra phương pháp lựa chọn các tham số điều khiển của các thuật toán này tùy thuộc vào kích thước của bảng mã nhằm phát huy được ưu thế của các thuật toán và đảm bảo được độ tối ưu của kết quả. 2.     Đề xuất phương pháp kết hợp mã nguồn mã kênh và phương pháp điều chế số sẵn có sử dụng phương pháp IA để giảm thiểu được méo tín hiệu gây ra bởi nhiễu kênh. Phương pháp đề xuất có thể linh hoạt áp dụng trong nhiều trường hợp và còn có thể dùng để nâng cấp các hệ thống sẵn có mà không phải thay đổi hay thiết kế lại hệ thống. Nghiên cứu ứng dụng của phương pháp IA vào các kỹ thuật lượng tử hóa vectơ có cấu trúc, đề xuất phương pháp IA-SSVQ dựa trên sự kết hợp phương pháp IA với kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn SSVQ để tăng chất lượng của tín hiệu trong truyền dẫn.

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

NGƯỜI HƯỚNG DẪN KHOA HỌC:

PGS.TS NGUYỄN QUỐC TRUNG

Hà Nội - 2017

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC iii

DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT vi

DANH MỤC CÁC BẢNG ix

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ x

CÁC KÝ HIỆU TOÁN HỌC DÙNG TRONG LUẬN ÁN xii

MỞ ĐẦU 1

1 Giới thiệu đề tài 1

2 Những vấn đề còn tồn tại 3

3 Mục tiêu, đối tượng và phương pháp nghiên cứu của luận án 4

3.1 Mục tiêu nghiên cứu 4

3.2 Đối tượng và phạm vi nghiên cứu 4

3.3 Phương pháp nghiên cứu 4

4 Ý nghĩa khoa học và ý nghĩa thực tiễn của luận án 5

4.1 Ý nghĩa khoa học 5

4.2 Ý nghĩa thực tiễn 5

5 Các đóng góp mới của luận án 5

6 Cấu trúc của luận án 6

CHƯƠNG 1 TỔNG QUAN VỀ HỆ THỐNG THÔNG TIN SỐ VÀ KỸ THUẬT KẾT HỢP MÃ NGUỒN VÀ MÃ KÊNH 8

1.1 Kết hợp mã nguồn và mã kênh trong thông tin số 8

1.1.1 Hệ thống thông tin số truyền thống 8

1.1.2 Kỹ thuật kết hợp mã nguồn và mã kênh JSCC 9

1.2 Lượng tử hóa tín hiệu 14

1.2.1 Lượng tử hóa vectơ 14

1.2.2 Điều kiện lượng tử hóa tối ưu 15

1.2.3 Thiết kế bảng mã cho bộ lượng tử hóa vectơ 16

1.3 Các tính chất và ứng dụng của kỹ thuật lượng tử hóa vectơ 18

1.3.1 Đặc điểm của kỹ thuật lượng tử hóa vectơ 18

1.3.2 Lượng tử hóa các tham số của các bộ mã hóa tiếng nói 20

1.4 Kết hợp mã nguồn và mã kênh – mã chống lỗi không dư thừa 25

1.4.1 Phương pháp lượng tử hóa vectơ tối ưu theo kênh COVQ 25

1.4.2 Phương pháp tối ưu hóa thứ tự bảng mã 27

1.5 Kết luận chương 1 29

CHƯƠNG 2 KẾT HỢP MÃ NGUỒN VÀ MÃ KÊNH BẰNG PHƯƠNG PHÁP TỐI ƯU HÓA THỨ TỰ BẢNG MÃ CỦA BỘ LƯỢNG TỬ HÓA 31

2.1 Giới thiệu chương 31

2.2 Phương pháp tối ưu hóa thứ tự bảng mã (phương pháp IA) 32

2.2.1 Mô hình toán học của bài toán IA 32

2.2.2 Các bước triển khai phương pháp IA 33

2.2.3 Các khái niệm trong bài toán IA 34

2.2.4 Các thuật toán IA 34

2.3 Thuật toán mô phỏng luyện kim SA 36

2.3.1 Cơ sở của thuật toán SA 36

2.3.2 Thuật toán SA và các tham số 38

2.3.3 Thuật toán ISA cho bài toán tối ưu IA 39

2.4 Cải tiến thuật toán SA 39

2.4.1 Những hạn chế của thuật toán SA 39

2.4.2 Các giải pháp cải tiến thuật toán SA cho bài toán IA 40

2.4.3 Thuật toán SA cải tiến – Thuật toán MSA 43

2.4.4 Lựa chọn các tham số điều khiển cho thuật toán SA/MSA 44

2.4.5 Kết quả mô phỏng và bàn luận 51

2.5 Cải tiến thuật toán MSA với cơ chế ngăn chặn tìm kiếm trùng lặp 55

2.5.1 Khả năng tìm kiếm trùng lặp của thuật toán MSA 55

2.5.2 Cơ chế chống duyệt trùng lặp của thuật giải tìm kiếm Tabu 57

2.5.3 Cải tiến cơ chế chống duyệt trùng lặp và áp dụng cho thuật toán MSA 58

2.5.4 Thuật toán MSA sử dụng cơ chế tránh duyệt trùng lặp cải tiến 64

2.5.5 Mô phỏng và bàn luận 66

2.6 Kết luận chương 2 68

CHƯƠNG 3 KẾT HỢP MÃ NGUỒN VÀ MÃ KÊNH VÀ PHƯƠNG PHÁP ĐIỀU CHẾ SỬ DỤNG PHƯƠNG PHÁP TỐI ƯU HÓA THỨ TỰ BẢNG MÃ 70

3.1 Đặt vấn đề 70

3.2 Kết hợp mã nguồn và mã kênh trong các hệ thống điều chế số nhiều mức bằng phương pháp IA 71

3.2.1 Mô hình hệ thống và các tham số 71

3.2.2 Xác suất chuyển đổi ký tự (Symbol Transition Probability) 74

3.2.3 Xác suất chuyển đổi từ mã (Codeword Transition Probability) 76

3.2.4 Mô phỏng và kết quả 78

3.3 Kết hợp mã nguồn mã kênh và kỹ thuật điều chế 84

3.3.1 Mở rộng bài toán IA có xét đến phương pháp điều chế số 84

3.3.2 Mô hình hệ thống và các tham số 85

3.3.3 Ước lượng xác suất chuyển đổi từ mã PC(a,b) 87

3.3.4 Phương pháp kết hợp mã nguồn và mã kênh và kỹ thuật điều chế 89

3.3.5 Các thí nghiệm mô phỏng và kết quả 90

3.4 Kết luận chương 3 94

CHƯƠNG 4 ỨNG DỤNG CỦA PHƯƠNG PHÁP IA VÀO KỸ THUẬT LƯỢNG TỬ HÓA VECTƠ CÓ CẤU TRÚC VÀ TRONG MÃ HÓA TIẾNG NÓI 96

4.1 Giới thiệu 96

4.2 Lượng tử hóa Vectơ có cấu trúc 96

4.3 Kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn SSVQ 98

4.3.1 Thiết kế bộ lượng tử hóa SSVQ 98

4.3.2 Bộ lượng tử hóa SSVQ 99

4.3.3 Đề xuất phương pháp lượng tử hóa IA-SSVQ 100

4.3.4 Kết quả mô phỏng và bàn luận 101

4.4 Ứng dụng kỹ thuật IA-SSVQ trong mã hóa tiếng nói 102

4.4.1 Lượng tử hóa các tham số LPC 102

4.4.2 Bộ lượng tử hóa LSF-IA-SSVQ 104

4.4.3 Mô phỏng bộ lượng tử hóa LSF băng rộng và kết quả 105

4.5 Kết luận chương 4 107

KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO 109

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 111

TÀI LIỆU THAM KHẢO 112

DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT

Thuật ngữ

viết tắt Thuật ngữ tiếng Anh Giải thích tiếng Việt

ADPCM Adaptive Differential Pulse Code

Modulation Điều chế xung mã vi sai thích nghi AMR-WB Adaptive Muti-Rate Wideband Băng rộng đa tốc độ thích ứng AWGN Additive White Gaussian Noise Nhiễu Gauss trắng cộng tính

BER Bit Erorr Rate Tỷ lệ lỗi bit

BSA Binary Switching Algorithm Thuật toán hoán đổi cặp

BSC Binary Symetric Channel Kênh nhị phân đối xứng

COQ Channel Optimized Quantization Lượng tử hóa tối ưu theo kênh

COSQ Channel Optimized Scalar

Quantization

Lượng tử hóa vô hướng tối ưu theo kênh

COVQ Channel Optimized Vector

Quantization Lượng tử hóa véctơ tối ưu theo kênh COSC Channel-Optimized Source Coding Mã nguồn tối ưu theo kênh

COSSVQ Channel Optimized Switched Split

Vector Quantization

Lượng tử hóa vectơ chuyển mạch phân đoạn tối ưu theo kênh CSNR Channel Signal-to-Noise Ratio Tỷ số tín hiệu trên tạp âm của kênh DMC Discrete Memoryless Channel Kênh rời rạc không nhớ

DPCM Differential Pulse Code Modulation Điều chế xung mã vi sai

EAIAA Evolutionary Algorithm Based Index

Assignment Algorithm

Thuật toán gán chỉ số dựa trên thuật toán tiến hóa

EEP Equal Error Protection Mức độ bảo vệ đều

FEC Forward Error Correction Mã sửa lỗi

GA Genetic Algorithm Giải thuật di truyền

GCD Greatest Common Divisor Ước chung lớn nhất

GLA Generalized Lloyd Algorithm Thuật toán Lloyd tổng quát

IA Index Assignment Đánh (gán) chỉ số

IRCC Irregular Convolutional Code Mã xoắn không đều

ISA Improved Simulated Annealing Mô phỏng luyện kim cải tiến ISF Immittance Spectral Frequency Tần số phổ hỗ dẫn

JSCC Joint Source-Channel Coding Phối hợp mã nguồn mã kênh

LBG Linde-Buzo-Gray Tên của thuật toán được đặt bởi 3

chữ đầu của tên 3 tác giả LPC Linear Predictive Coding Mã hóa dự đoán tuyến tính

LSF Line Spectral Frequency Tần số phổ vạch

LTP Long Term Prediction Dự đoán thời gian dài

MAP Maximum A Posteriori Hậu nghiệm cực đại

MGF Moment Generating Function Hàm sinh mô-men

MSA Modified Simulated Annealing Mô phỏng luyện thép sửa đổi MTS Modified Tabu Search Tìm kiếm Tabu sửa đổi

PCM Pulse Code Modulation Điều chế xung mã

PDF Probability Density Function Hàm mật độ xác suất

PGA Parallel Genetic Algorithm Giải thuật di truyền song song PSK Phase Shift Keying Khóa dịch chuyển pha

QAM Quadrature Amplitude Modulation Điều chế biên độ cầu phương

QPSK Quadrature Amplitude Phase Shift

RCPC Rate-Compatible Punctured

Convolution Code Mã xoắn đột lỗ tốc độ thích ứng

SA Simulated Annealing Mô phỏng luyện thép

SATS Simulated Annealing - Tabu Search Mô phỏng luyện thép - Tìm kiếm

Tabu SOCC Source-Optimized Channel Coding Mã kênh tối ưu theo mã nguồn

SOVQ Source Optimized Vector

Quantization

Lượng tử hóa véctơ tối ưu hóa theo nguồn

SED Squared Euclidean Distance Khoảng cách Euclid bình phương

SD Spectral Distortion Độ méo phổ

SNR Signal to Noise Ratio Tỷ lệ tín hiệu trên tạp âm

SNqR Signal to Quantization Noise Ratio Tỷ lệ tín hiệu trên tạp âm lượng tử

SQ Scalar Quantization Lượng tử hóa vô hướng

SSVQ Switched Split Vector Quantization Lượng tử hóa Vectơ chuyển mạch

phân đoạn SVQ Split Vector Quantization Lượng tử hóa Véctơ phân đoạn

TSCC Tandem Source Channel Coding Mã nguồn và mã kênh nối tiếp UEP Unequal Error Protection Mức độ bảo vệ không đều

VQ Vector Quantization Lượng tử hóa Véctơ

WED Weighted Euclidean Distance Khoảng cách Euclid có trọng số

DANH MỤC CÁC BẢNG

Bảng 2.1 Điều kiện và cách chọn các tham số điều khiển của thuật toán SA/MSA 50

Bảng 2.2 Ví dụ về cách chọn các tham số điều khiển 51

Bảng 2.3 Các tham số điều khiển của thuật toán SA/MSA sử dụng trong mô phỏng 52

Bảng 2.4 So sánh thời gian chạy thuật toán SA và MSA (tính bằng giây) 52

Bảng 2.5 So sánh kết quả của các thuật toán IA 54

Bảng 2.6 Danh sách các cặp vị trí K_LIST với trường hợp N = 4 63

Bảng 2.7 Các thông số của hệ thống sử dụng để mô phỏng thuật toán MSA và SATS 66

Bảng 2.8 Các tham số điều khiển của các thuật toán SA với 2 kịch bản mô phỏng 67

Bảng 2.9 Kết quả của 3 thuật toán SA, MSA và SATS sau 10000 lần thực hiện (kịch bản 1, số vòng lặp 434) 67

Bảng 2.10 Kết quả của thuật toán MSA và SATS sau 10000 lần thực hiện (kịch bản 2, số vòng lặp 1604) 67

Bảng 3.1 Các thông số của hệ thống mô phỏng 78

Bảng 3.2 Các tham số đầu vào của 4 trường hợp mô phỏng 79

Bảng 3.3 Các thông số của hệ thống có sử dụng mã kênh dùng cho mô phỏng 90

Bảng 3.4 Các khả năng phân phối từ mã b 7 bit vào các ký tự 4 bit (hệ thống sử dụng mã Hamming (7,4) và điều chế 16-QAM) 91

Bảng 3.5 Các khả năng phân phối từ mã b 7 bit vào các ký tự 6 bit (hệ thống sử dụng mã Hamming (7,4) và điều chế 64-QAM) 92

Bảng 4.1 So sánh hoạt động của các bộ lượng tử hóa LSF SSVQ 46bit/khung 106

Bảng 4.2 So sánh hiệu của của các bộ lượng tử hóa LSF-SSVQ kết hợp với mã kênh 106

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 Sơ đồ khối cơ bản của một hệ thống thông tin số truyền thống 8

Hình 1.2 Sơ đồ khối một bộ lượng tử hóa véctơ 14

Hình 1.3 Ví dụ về các vectơ mã trong lượng tử hóa vectơ 2 chiều 16

Hình 1.4 So sánh các kỹ thuật lượng tử hóa véctơ 2bit/mẫu với số chiều khác nhau 19

Hình 1.5 Lượng tử hóa VQ với các nguồn tín hiệu có độ tương quan khác nhau 19

Hình 1.6 Dạng sóng của tín hiệu tiếng nói hữu thanh và vô thanh 20

Hình 1.7 Phổ của tín hiệu tiếng nói băng hẹp và băng rộng 21

Hình 1.8 Cấu tạo bộ máy phát âm 22

Hình 1.9 Mô hình phát âm 22

Hình 1.10 Đồ thị thời gian của tín hiệu gốc, tín hiệu sai số LPC và sai số Pitch 24

Hình 1.11 Mô hình bên thu và bên phát tiếng nói 24

Hình 1.12 So sánh hiệu quả hoạt động của phương pháp COVQ với phương pháp VQ truyền thống 27

Hình 1.13 Một phương án gán chỉ số cho các vectơ mã trong bảng mã kích thước N 27

Hình 1.14 So sánh hiệu quả của các phương án đánh chỉ số khác nhau 28

Hình 1.15 Phương pháp IA tối ưu với các mức nhiễu CSNR khác nhau 29

Hình 2.1 Quá trình truyền dẫn dưới sự tác động của nhiễu 32

Hình 2.2 Ba bước triển khai phương pháp IA 33

Hình 2.3 Sự thay đổi D(π) qua các bước lặp của thuật toán MSA (trường hợp N=32, số bước lặp chọn đủ lớn) 45

Hình 2.4 Sự thay đổi D(π) qua các bước lặp của thuật toán MSA (trường hợp N=128, số bước lặp chọn không đủ lớn) 46

Hình 2.5 Sự thay đổi D(π) qua các bước lặp của thuật toán MSA (trường hợp N=256, số bước lặp chọn không đủ lớn) 46

Hình 2.6 Quan hệ giữa số bước lặp n T(số trạng thái) và αT 48

Hình 2.7 Mô hình và các tham số của hệ thống mô phỏng 51

Hình 2.8 Kết quả hàm mục tiêu D(π) theo các lần lặp của thuật toán SA 55

Hình 2.9 Kết quả hàm mục tiêu D(π) theo các lần lặp của thuật toán MSA 55

Hình 2.11 Cơ chế hoạt động của danh sách Tabu cải tiến, mỗi mục bao gồm 4 thành phần, trường hợp N = 4, L TB = 3 61

Hình 2.12 Ví dụ về khả năng duyệt trùng lặp khi sử dụng điều kiện yêu cầu giống nhau

hoàn toàn khi so sánh cặp giá trị 62

Hình 2.13 Cơ chế hoạt động của danh sách cấm Tabu cải tiến, mỗi mục bao gồm 3 thành phần, trường hợp N = 4, L TB = 3 64

Hình 3.1 Sơ đồ khối của hệ thống 72

Hình 3.2 Các khả năng phân phối từ mã n bit b 1 b 2 b n vào các ký tự m bit 72

Hình 3.3 Vùng quyết định của một điểm tín hiệu điều chế 74

Hình 3.4 Hai loại vùng cơ bản tạo thành các vùng quyết định 75

Hình 3.5 Các khả năng phân phối từ mã 7 bit vào các ký tự 4 bit (M=16, N=128) 79

Hình 3.6 Kết quả ước lượng các tham số P C (a,b) bằng các phương pháp khác nhau 81

Hình 3.7 So sánh hoạt động của các phương pháp IA khác nhau 83

Hình 3.8 Sơ đồ khối của hệ thống 86

Hình 3.9 Ví dụ về quá trình truyền từ mã n bit sử dụng điều chế số 86

Hình 3.10 Ví dụ về một khả năng phân phối từ mã b độ dài n bit vào các ký tự m bit 88

Hình 3.11 So sánh các phương pháp đánh chỉ số IA khi kết hợp với mã Hamming (7,4) 93 Hình 4.1 Quá trình thiết kế bộ lượng tử hóa SSVQ 98

Hình 4.2 Sơ đồ khối bộ lượng tử hóa SSVQ 99

Hình 4.3 So sánh hoạt động của các phương pháp SSVQ khác nhau 101

CÁC KÝ HIỆU TOÁN HỌC DÙNG TRONG LUẬN ÁN

  Phép làm tròn tăng (trả về số nguyên lớn hơn A mà gần với A nhất)

x Chuẩn Euclid của véctơ x

MỞ ĐẦU

1 Giới thiệu đề tài

Những hệ thống thông tin ngày nay luôn đòi hỏi nâng cao tốc độ và chất lượng truyền dẫn đồng thời có khả năng truyền lượng thông tin nhiều nhất có thể trong điều kiện nhất định của môi trường truyền dẫn Để đáp ứng những yêu cầu này, các nghiên cứu không ngừng tập trung vào việc tăng chất lượng của tín hiệu truyền dẫn đồng thời vẫn giữ được

độ phức tạp của hệ thống ở mức độ hợp lý Một trong những vấn đề gặp phải khi cải tiến

và nâng cấp các hệ thống là khả năng tận dụng và kế thừa được các hệ thống sẵn có hoặc các thiết kế hệ thống sẵn có, tránh được việc phải thiết kế lại toàn bộ hệ thống Việc thiết

kế và thay thế toàn bộ hệ thống đang hoạt động sẽ rất phức tạp, tốn nhiều thời gian và chi phí Để có thể kế thừa được các hệ thống sẵn có thì đòi hỏi các cải tiến chỉ thực hiện tại một số thành phần của hệ thống và không gây ảnh hưởng đến các thành phần khác của hệ thống

Trước đây theo lý thuyết của Shannon đưa ra năm 1948 [1], mã hóa nguồn và mã hóa kênh có thể được thiết kế và hoạt động độc lập với nhau mà không mất đi sự tối ưu Từ đó các hệ thống thông tin số truyền thống đều được thiết kế theo cấu trúc nối tiếp mã nguồn rồi đến mã kênh TSCC (Tandem Source Channel Coding) riêng biệt Mã nguồn được thiết

kế trong điều kiện kênh lý tưởng tức mà không quan tâm đến ảnh hưởng của nhiễu kênh, nhằm giảm thiểu tốc độ bit của nguồn tín hiệu sau mã hóa mà vẫn đảm bảo chất lượng tín hiệu sau khi khôi phục lại Tiếp đến mã kênh [8,7] được thiết kế để giảm thiểu tác động của nhiễu kênh mà không quan tâm đến các thông tin trong mã nguồn

Tuy nhiên định lý của Shannon chỉ đúng trong trường hợp lý tưởng, khi cả bên phát và bên thu không bị giới hạn về độ phức tạp và độ trễ Điều này không phải luôn đúng trong thực tế, nhất là khi độ phức tạp và độ trễ là hai yếu tố giới hạn đối với các ứng dụng truyền dẫn thời gian thực Hơn nữa với thiết kế nối tiếp như vậy thì chất lượng truyền dẫn sẽ giảm rất mạnh khi chất lượng của kênh truyền giảm xuống một ngưỡng nào đó Nguyên nhân là

do khi nhiễu lớn thì mã kênh cũng bị tác động mạnh của nhiễu và do đó không những mất khả năng phát hiện và sửa lỗi mà cơ chế sửa lỗi còn có thể gây ra nhiều lỗi hơn Trong những trường hợp hệ thống TSCC không đạt hiệu quả cao, nhiều nghiên cứu đã tập trung vào một phương pháp mới đó là kết hợp mã nguồn và mã kênh JSCC (Joint Source Channel Coding) nhằm đạt được hiệu quả hoạt động tốt hơn mà vẫn đảm bảo độ trễ và độ phức tạp ở một mức độ nhất định

Các kỹ thuật phối hợp mã nguồn và mã kênh thông thường được phát triển dựa trên sự nghiên cứu các đặc tính của tín hiệu cần truyền, của mã nguồn (phương pháp mã hóa tín hiệu), của kênh truyền và của mã kênh (phương pháp mã hóa để phát hiện và sửa lỗi sai) Cho đến nay có nhiều nghiên cứu về các kỹ thuật phối hợp mã nguồn với mã kênh và đã đạt được một số kết quả nhất định, đã được ứng dụng trong các chuẩn mã hóa tín hiệu

nhằm nâng cao chất lượng tín hiệu mà vẫn tiết kiệm được tài nguyên hệ thống Tổng quan

về các phương pháp kết hợp mã nguồn và mã kênh được trình bày chi tiết ở Chương 1 của luận án này, trong đó kỹ thuật JSCC được phân loại thành các nhóm chính bao gồm: Mã kênh tối ưu theo mã nguồn, mã nguồn tối ưu theo kênh, và nhóm các kỹ thuật khác

Phương pháp được nghiên cứu nhiều nhất là mã kênh tối ưu theo nguồn SOCC (Source Optimized Channel Coding), điển hình của phương pháp này là kỹ thuật mã hóa bảo vệ không đều UEP (Unequal Error Protection) Trong quá trình mã hóa, mã nguồn và

mã kênh vẫn được mã hóa độc lập, nhưng trong quá trình thiết kế bộ mã kênh sẽ phân làm nhiều mức bảo vệ khác nhau Những dữ liệu quan trọng trong mã nguồn sẽ được bảo vệ ở mức độ cao hơn (với nhiều bit bảo vệ hơn) những dữ liệu ít quan trọng Thậm chí những

dữ liệu không quan trọng hoặc có độ nhạy thấp có thể không cần được bảo vệ Kỹ thuật UEP giúp hệ thống hoạt động hiệu quả hơn và cho hiệu quả sử dụng băng thông tốt hơn Đổi lại, kỹ thuật này làm tăng độ phức tạp của hệ thống do phải mã hóa kênh với nhiều mức khác nhau Mỗi kỹ thuật UEP chỉ áp dụng được với đúng một trường hợp đặc thù của

hệ thống với một mã nguồn và một mã kênh trong một điều kiện kênh truyền nhất định do

đó độ linh hoạt của kỹ thuật UEP vào loại thấp nhất trong các kỹ thuật JSCC Ngoài ra kỹ thuật này chỉ thích hợp với việc thiết kế mới hệ thống do đòi hỏi thiết kế lại và thay thế các

bộ mã hóa và giải mã trong hệ thống và còn có thể ảnh hưởng đến các thành phần khác của

do trước đây các kỹ thuật và công nghệ máy tính và vi xử lý chưa phát triển như ngày nay Luận án này tập trung nghiên cứu một phương pháp của nhóm phương pháp thứ hai, là phương pháp tối ưu hóa phương pháp gán từ mã cho các mẫu tín hiệu lượng tử hay còn gọi

là phương pháp tối ưu việc gán chỉ số IA (Index Assignment) áp dụng cho các hệ thống số truyền dẫn tín hiệu tương tự Phương pháp IA này bản chất là sắp xếp lại thứ tự bảng mã (Codebook) của bộ lượng tử hóa theo thứ tự tối ưu, do đó phương pháp có thể làm tăng hiệu quả hoạt động của hệ thống nhưng không tăng thêm độ phức tạp, tốc độ bit và độ trễ Hơn nữa phương pháp này khá linh hoạt khi không cần ước lượng chính xác về chất lượng

kênh truyền (tỷ số tín hiệu trên tạp âm SNR) và có thể thực hiện độc lập hoặc phối hợp với

mã kênh Do đó, phương pháp này có tính khả thi cao, và còn có thể áp dụng để nâng cấp các hệ thống sẵn có do chỉ thay đổi thứ tự bảng mã của bộ lượng tử hóa mà không làm ảnh hưởng đến các khối khác của hệ thống Đây là một lợi thế lớn vì việc thay thế một hệ thống mới, một thiết kế hoàn toàn mới không phải là điều dễ dàng

2 Những vấn đề còn tồn tại

Trong phương pháp IA, để tìm được thứ tự tối ưu của bảng mã là điều không đơn giản, nhất là khi kích thước bộ lượng tử hóa lớn thì việc tìm ra bảng mã tối ưu là điều không thể

Do vậy có rất nhiều nghiên cứu về lý thuyết và thuật toán để tìm ra các phương án cận tối

ưu Tuy nhiên các phương pháp IA trước đây đều được nghiên cứu riêng lẻ và chưa được phát triển Các nghiên cứu trước đây còn một số tồn tại như sau:

+ Hầu hết các phương pháp IA khó áp dụng trong trường hợp bảng mã có kích thước lớn, do các thuật toán IA có độ phức tạp cao Các thuật toán được đưa vào phần lớn là các thuật toán tổng quát chưa được tối ưu riêng cho bài toán IA Trong khi đó trên thực tế có nhiều ứng dụng hoặc chuẩn mã hóa sử dụng các bảng mã kích thước lớn (ví dụ 9 bit, 10 bit)

+ Hầu hết các nghiên cứu về phương pháp IA đều giả thiết kênh truyền là kênh nhị phân đối xứng BSC (Binary Symetric Channel) và phương pháp đo méo tín hiệu sử dụng khoảng cách Euclid bình phương SED (Squared Euclidean Distance), đồng thời không xét đến kỹ thuật điều chế số Trong khi đó, với các kỹ thuật điều chế khác nhau sẽ dẫn đến các tham số đầu vào của thuật toán IA khác nhau, và nhiều trường hợp giả thiết kênh BSC sẽ không đúng mà chỉ mang tính xấp xỉ

Luận án này tập trung nghiên cứu và phát triển thuật toán luyện thép SA (Simulated Annealing) ứng dụng trong bài toán gán chỉ số IA do tính hiệu quả, thông dụng, hội tụ nhanh và dễ cài đặt của thuật toán Nhờ những ưu điểm đó, thuật toán SA có thể ứng dụng

cả trong nhiều trường hợp cần tối ưu nhiều bộ lượng tử hóa mà vẫn đảm bảo độ tối ưu của kết quả

Thuật toán SA ứng dụng trong bài toán IA vẫn còn có một số hạn chế như một số bước độ phức tạp vẫn chưa được tối ưu, không có cơ chế tránh duyệt trùng lặp, không đảm bảo kết quả tối thiểu phải là một cực tiểu địa phương Hơn nữa hiệu quả hoạt động của thuật toán SA phụ thuộc rất nhiều vào cách chọn các tham số điều khiển mà các nghiên cứu trước đây cũng chưa đưa ra các tiêu chí và cách chọn các tham số điều khiển nhằm phát huy được hiệu quả của thuật toán và độ tối ưu của kết quả

3 Mục tiêu, đối tượng và phương pháp nghiên cứu của luận án 3.1 Mục tiêu nghiên cứu

• Nghiên cứu, cải tiến phương pháp tối ưu hóa thứ tự bảng mã của bộ lượng tử hóa (phương pháp IA) để làm tăng chất lượng tín hiệu truyền dẫn trong các hệ thống thông tin số mà không làm tăng độ phức tạp và băng thông của hệ thống, bao gồm những vấn đề và mục tiêu sau:

o Nghiên cứu, đề xuất thuật toán tìm kiếm tối ưu cải tiến sử dụng trong phương pháp IA nhằm tăng độ ổn định, tốc độ hội tụ và độ tối ưu của thuật toán

o Nghiên cứu, đề xuất phương pháp ước lượng các tham số của hệ thống thông tin số làm tham số đầu vào cho bài toán tối ưu IA

• Nghiên cứu, tổng hợp các trường hợp khác nhau của hệ thống và đề xuất phương pháp tối ưu hóa mã nguồn mã kênh và kỹ thuật điều chế sử dụng phương pháp IA

• Nghiên cứu ứng dụng phương pháp IA vào kỹ thuật lượng tử hóa vectơ có cấu trúc

để ứng dụng trong các trường hợp lượng tử hóa vectơ có số chiều lớn và kích thước bảng mã lớn

3.2 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận án bao gồm những đối tượng sau:

• Kỹ thuật phối hợp mã nguồn mã kênh bằng phương pháp IA bao gồm:

o Các thuật toán tối ưu hóa tổ hợp giải quyết bài toán tìm kiếm tối ưu trong phương pháp IA

o Phương pháp ước lượng các tham số đầu vào (là các tham số của hệ thống thông tin số) cho bài toán IA có xét đến kỹ thuật điều chế số

• Các hệ thống thông tin số truyền dẫn tín hiệu tương tự có độ tương quan cao (như thoại, âm thanh, hình ảnh, ) sử dụng kỹ thuật lượng tử hóa vectơ (hay lượng tử hóa theo khối) và truyền dẫn qua kênh dừng với mô hình kênh rời rạc không nhớ DMC (Discrete Memoryless Channel) Hệ thống có thể sử dụng mã kênh để điều khiển lỗi trong trường hợp cần thiết và mã kênh (nếu có) là các mã khối có tính hệ thống (Symmetric Block Code)

• Các bộ lượng tử hóa vectơ có cấu trúc và ứng dụng

3.3 Phương pháp nghiên cứu

Nghiên cứu lý thuyết và tài liệu: Nghiên cứu tổng quan lý thuyết và các công trình liên quan đến lĩnh vực của luận án, kết hợp với thực tế để xác định các vấn đề còn tồn tại, từ đó nghiên cứu, đề xuất ra hướng giải quyết và phát triển

Sử dụng mô phỏng trên máy tính và thực nghiệm để kiểm chứng, đưa ra so sánh và đánh giá về hiệu quả giữa các phương pháp cải tiến đề xuất trong luận án với các phương pháp khác

4 Ý nghĩa khoa học và ý nghĩa thực tiễn của luận án

4.1 Ý nghĩa khoa học

• Các kết quả nghiên cứu của luận án này góp phần phát triển một trong các kỹ thuật kết hợp mã nguồn và mã kênh, nhằm giảm thiểu ảnh hưởng của nhiễu kênh trong các hệ thống truyền dẫn các nguồn tín hiệu liên tục, đáp ứng nhu cầu không ngừng cải tiến và nâng cao chất lượng truyền dẫn của các hệ thống thông tin số

• Ngoài ra các kết quả của luận án là nền tảng cho các nghiên cứu tiếp theo trong các lĩnh vực: mã nguồn tối ưu theo kênh để cải tiến hơn nữa chất lượng truyền dẫn mà không ảnh hưởng đến độ phức tạp và băng thông của hệ thống, nâng cấp các hệ thống sẵn có mà không ảnh hưởng đến thiết kế hệ thống, nghiên cứu cải tiến các chuẩn mã hóa tín hiệu

4.2 Ý nghĩa thực tiễn

• Các nghiên cứu của luận án là một giải pháp khả thi và cụ thể, mở ra khả năng ứng dụng vào việc thiết kế tối ưu các hệ thống thông tin số hoặc nâng cấp các hệ thống sẵn có đang sử dụng các kỹ thuật lượng tử hóa tín hiệu và điều chế số, giúp nâng cao chất lượng tín hiệu trong truyền dẫn

• Ngoài ra các nghiên cứu này bổ sung thêm một giải pháp nâng cao chất lượng tín hiệu cho các nhà thiết kế và sản xuất trong nước để có thể tự thiết kế và chế tạo các

hệ thống truyền dẫn tín hiệu không quá phức tạp mà không phải sử dụng các module và các chuẩn truyền dẫn tín hiệu sẵn có, từ đó có thể làm chủ được công nghệ và nâng cao tính bảo mật của hệ thống

5 Các đóng góp mới của luận án

Luận án có các đóng góp mới như sau:

• Đề xuất hai thuật toán là MSA và SATS sử dụng trong phương pháp IA với hiệu quả tối ưu và độ ổn định cao Thuật toán SATS là một phiên bản cải tiến của thuật toán MSA với cơ chế chống duyệt trùng lặp, cho kết quả tốt hơn nhưng lại có độ phức tạp cao hơn Hai thuật toán cải tiến được xét trong trường hợp tổng quát không bị hạn chế bởi các giả thiết giới hạn như các công trình trước và có khả năng hội tụ nhanh do đó có thể áp dụng trong nhiều trường hợp thực tế nhất là với các trường hợp bảng mã có kích thước lớn Luận án cũng đưa ra phương pháp chọn các tham số điều khiển của các thuật toán tùy thuộc vào kích thước của bảng mã nhằm phát huy được ưu thế của các thuật toán và đảm bảo được độ tối ưu của kết quả

• Đề xuất phương pháp kết hợp mã nguồn mã kênh và phương pháp điều chế số sẵn

có sử dụng phương pháp IA để giảm thiểu được méo tín hiệu gây ra bởi nhiễu kênh Phương pháp đề xuất có thể linh hoạt áp dụng trong nhiều trường hợp và còn có thể dùng để nâng cấp các hệ thống sẵn có mà không phải thay đổi hay thiết kế lại hệ thống

• Nghiên cứu ứng dụng của phương pháp IA vào các kỹ thuật lượng tử hóa vectơ có cấu trúc, đề xuất phương pháp IA-SSVQ dựa trên sự kết hợp phương pháp IA với

kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn SSVQ để tăng khả năng giảm thiểu ảnh hưởng của nhiễu kênh trong truyền dẫn

6 Cấu trúc của luận án

Nội dung chính của luận án được chia làm 4 chương

Chương 1 Tổng quan về hệ thống thông tin số và kỹ thuật kết hợp mã nguồn và mã kênh Chương này giới thiệu tổng quan về các kỹ thuật kết hợp mã nguồn với mã kênh, ưu nhược điểm của hệ thống kết hợp mã nguồn mã kênh và hệ thống truyền thống Trong chương này cũng điểm qua ngắn gọn một số lý thuyết cơ bản được sử dụng trong các kỹ thuật kết hợp mã nguồn và mã kênh và trong luận án, bao gồm: Kỹ thuật lượng tử hóa tín hiệu, kỹ thuật mã hóa tiếng nói Phần cuối chương 1 trình bày về kỹ thuật mã kênh không

dư thừa, là kỹ thuật kết hợp mã nguồn mã kênh được nghiên cứu trong luận án

Chương 2 Kết hợp mã nguồn và mã kênh bằng phương pháp tối ưu thứ tự bảng mã của bộ lượng tử hóa Chương này nghiên cứu phương pháp IA, phương pháp tối ưu hóa thứ

tự của bảng mã trong các bộ lượng tử hóa theo đặc tính của kênh truyền, đây là một phương pháp phối hợp mã nguồn và mã kênh đơn giản, có tính ứng dụng và khả thi cao Trong chương này, luận án tập trung vào một thuật toán thông dụng và hiệu quả áp dụng cho bài toán IA là thuật toán mô phỏng luyện thép SA Sau khi phân tích các hạn chế còn tồn tại của thuật toán, luận án đề xuất thuật toán cải tiến MSA đồng thời đưa ra phương pháp lựa chọn các tham số điều khiển cho cả hai thuật toán SA/MSA để phát huy được ưu điểm và hiệu quả của thuật toán Tiếp đó, luận án đề xuất thuật toán SATS là một phiên bản nâng cấp của thuật toán MSA với cơ chế chống duyệt trùng lặp Các thuật toán được đánh giá và so sánh thông qua mô phỏng, từ đó rút ra kết luận về tính hiệu quả của các thuật toán cải tiến

Chương 3 Chương này nghiên cứu phương pháp kết hợp mã nguồn mã kênh và kỹ thuật điều chế số sẵn có Phần đầu chương trình bày trường hợp kỹ thuật điều chế nhiều

mức (M-PSK, M-QAM) và đề xuất phương pháp ước lượng các tham số đầu vào cho bài

toán tối ưu IA Phần sau mở rộng và tổng hợp lại thành một bài toán tổng quát hơn là phối hợp mã nguồn mã kênh và kỹ thuật điều chế sử dụng phương pháp IA – phương pháp tối

ưu hóa thứ tự của bảng mã Phương pháp chia hai trường hợp, một là có thể ước lượng được các tham số của kênh làm tham số đầu vào cho bài toán IA cùng với mô hình đề xuất

Trường hợp thứ hai là khi không áp dụng được mô hình đề xuất thì ta có thể tối ưu hóa theo các tham số ước lượng gần đúng

Chương 4 Chương này nghiên cứu kỹ thuật lượng tử hóa vectơ có cấu trúc áp dụng cho những trường hợp thực tế khi lượng tử hóa vectơ có số chiều lớn, đồng thời áp dụng kỹ thuật IA để tăng khả năng chống nhiễu cho bộ lượng tử hóa vectơ có cấu trúc Sau đó đề xuất phương pháp kết hợp giữa phương IA và phương pháp lượng tử hóa phân đoạn chuyển mạch SSVQ – một trong những phương pháp lượng tử hóa vectơ có cấu trúc mới nhất – và ứng dụng của kỹ thuật IA-SSVQ trong các bộ mã hóa tiếng nói

Cuối cùng là phần kết luận và các hướng nghiên cứu tiếp theo của luận án

CHƯƠNG 1 TỔNG QUAN VỀ HỆ THỐNG THÔNG TIN SỐ

VÀ KỸ THUẬT KẾT HỢP MÃ NGUỒN VÀ MÃ KÊNH 1.1 Kết hợp mã nguồn và mã kênh trong thông tin số

1.1.1 Hệ thống thông tin số truyền thống

Nhiệm vụ chính của một hệ thống thông tin nói chung và hệ thống thông tin số nói riêng là truyền bản tin từ phía phát đến phía thu Để có thể truyền qua hệ thống số, bản tin cần được mã hóa thành dòng bit Quá trình truyền bản tin từ phía phát đến phía thu phải trải qua các quá trình mã hóa, điều chế, truyền và nhận tín hiệu, giải mã tín hiệu và khôi phục lại bản tin ở phía thu [7] Trên Hình 1.1 là các khối cơ bản của một hệ thống thông tin

số truyền thống

Hình 1.1 Sơ đồ khối cơ bản của một hệ thống thông tin số truyền thống

Quá trình mã hóa thông tin gồm hai khối là mã nguồn và mã kênh nối tiếp nhau Kỹ thuật mã hóa như vậy gọi là kỹ thuật mã hóa nối tiếp TSCC (Tandem Source Channel Coding) và kỹ thuật này được sử dụng trong hầu hết các hệ thống thông tin số truyền thống

Mã nguồn là quá trình chuyển đổi bản tin thành dòng bit nhị phân một cách hiệu quả Một chức năng khác của khối mã nguồn có chức năng nén tín hiệu đầu vào thành dòng bit

có tốc độ càng nhỏ càng tốt, nhưng vẫn phải đảm bảo chất lượng tín hiệu sau khi khôi phục phải ở một mức nhất định Nếu tín hiệu vào là dạng tương tự khi truyền qua hệ thống thông tin số đến phía thu sẽ có tổn hao do phải trải quá trình rời rạc hóa tín hiệu như lấy mẫu và lượng tử hóa

Tín hiệu sau khi được mã hóa nguồn thành dòng bit, nếu được truyền trực tiếp qua kênh truyền sẽ bị nhiễu tác động đặc biệt là kênh vô tuyến chịu ảnh hưởng của nhiều loại nhiễu tác động từ bên ngoài dẫn đến tín hiệu thu được bị méo Nhất là với các kỹ thuật mã hóa nguồn có tỷ lệ nén lớn thì tín hiệu rất nhạy cảm với lỗi Do vậy thông thường dòng bit

Nguồn Mã hóa nguồn Mã hóa kênh Điều chế

sẽ trải qua một bước mã hóa nữa gọi là mã hóa kênh [8] Nguyên tắc chung của mã hóa kênh là chèn vào dòng bit các bit dư thừa nhưng có quy luật để giúp phía thu có khả năng phát hiện lỗi và còn có thể sửa lỗi Số lỗi phát hiện và sửa được tùy theo số bit thêm vào nhiều hay ít

Trước đây theo kết quả của Shannon năm 1948 [1], mã nguồn và mã kênh có thể được thiết kế độc lập với nhau mà vẫn đạt được sự tối ưu, và các hệ thống thông tin số truyền thống đều được thiết kế theo cấu trúc nối tiếp mã nguồn và mã kênh được thiết kế riêng biệt Tuy nhiên kết quả của Shannon chỉ đúng trong trường hợp lý tưởng, khi cả bên phát

và bên thu không bị giới hạn về độ phức tạp và độ trễ Điều này không hoàn toàn phù hợp trong thực tế, nhất là khi độ phức tạp và độ trễ là hai yếu tố giới hạn đối với các ứng dụng thời gian thực Do vậy đã có nhiều nghiên cứu sự kết hợp giữa mã nguồn và mã kênh JSCC (Joint Source-Channel Coding), khi đó hệ thống vẫn có thể chống lỗi hiệu quả mà độ phức tạp và độ trễ vẫn được đảm bảo ở mức hợp lý

1.1.2 Kỹ thuật kết hợp mã nguồn và mã kênh JSCC

Để có cái nhìn tổng quan về các kỹ thuật mã nguồn và mã kênh, người đọc có thể tham khảo tại [5] Có nhiều cách để phân loại các kỹ thuật kết hợp mã nguồn và mã kênh JSCC Trong đó hai kỹ thuật được nghiên cứu nhiều nhất là kỹ thuật mã kênh tối ưu hóa theo mã nguồn SOCC (Source-Optimized Channel Coding) và kỹ thuật mã nguồn tối ưu hóa theo kênh COSC (Channel-Optimized Source Coding)

1.1.2.1 Mã kênh tối ưu hóa theo mã nguồn SOCC

Phương pháp này trong một số tài liệu còn được gọi là mã hóa phối hợp (Concatenated Coding) và vẫn sử dụng hai khối mã hóa là mã nguồn và mã kênh nối tiếp nhau như trong

hệ thống TSCC Mã nguồn được thiết kế như các hệ thống truyền thống không tính đến ảnh hưởng của nhiễu kênh, tiếp theo mã kênh được thiết kế tối ưu hóa theo mã nguồn và các đặc tính của kênh truyền nhằm tối thiểu hóa xác suất lỗi hoặc méo giữa tín hiệu thu được và tín hiệu gốc

Kỹ thuật điển hình của phương pháp JSCC này là kỹ thuật mã bảo vệ không đều UEP (Unequal Error Protection) Khác với phương pháp truyền thống là mã bảo vệ đều EEP (Equal Error Protection) sử dụng một mã kênh để bảo vệ cho mã nguồn, trong phương pháp UEP mã kênh được điều chỉnh với nhiều mức bảo vệ khác nhau tùy theo mức độ quan trọng của từng thành phần trong mã nguồn và điều kiện của kênh truyền Đặc điểm của mã nguồn trong quá trình thiết kế mã kênh được xét đến là mức độ quan trọng và độ nhạy của các thành phần dữ liệu hay tham số Dữ liệu khi được mã hóa thành dòng bit sẽ bao gồm nhiều thành phần, nhiều tham số là các cụm bit Kỹ thuật UEP sẽ phân tích mức

độ quan trọng và độ nhạy của từng thành phần dữ liệu, thành phần nào quan trọng hoặc có

độ nhạy cao (tức là nếu bị thay đổi sẽ kéo theo dữ liệu sau khôi phục bị thay đổi lớn) thì sẽ

bố trí mã kênh bảo vệ ở mức độ cao hơn (tức là sử dụng nhiều bit mà kênh hơn để bảo vệ) Còn thành phần dữ liệu nào ít quan trọng, hoặc độ nhạy thấp thì sẽ được bảo vệ ở mức độ

thấp hơn của mã kênh, thậm chí có những thành phần không quan trọng sẽ không cần được bảo vệ Ví dụ với kỹ thuật lượng tử hóa vô hướng đều, méo tín hiệu có thể được giảm bớt bằng cách sử dụng mã kênh với mức độ bảo vệ cao hơn đối với các bit có trọng số lớn của

từ mã Nguyên nhân là do lỗi bit tại bit có trọng số lớn sẽ gây ra sự sai lệch về giá trị của từ

mã lớn hơn là lỗi tại bit có trọng số thấp, dẫn đến méo tín hiệu nhiều hơn

Phương pháp UEP được thiết kế tùy thuộc vào loại mã nguồn và mã kênh nhất định Tác giả Modestino và cộng sự đã nghiên cứu hệ thống truyền dẫn tín hiệu hình ảnh bằng

kỹ thuật điều chế xung mã vi sai DPCM (Differential Pulse Code Modulation) kết hợp với

mã xoắn (Convolutional Code) [9] Phương pháp kết hợp này được mở rộng sau đó với kỹ thuật mã hóa biến đổi theo khối [10] Hai công trình này đưa đến kết luận rằng, khi điều kiện kênh tốt thì hệ thống sẽ hoạt động tốt hơn nếu sử dụng nhiều bit hơn cho mã nguồn (tăng tốc độ mã nguồn) Và ngược lại, khi điều kiện kênh xấu thì nếu tăng tốc độ mã kênh

và giảm tốc độ mã nguồn, hệ thống sẽ hoạt động hiệu quả hơn Như vậy, cần có sự thỏa hiệp giữa tốc độ mã nguồn và mã kênh để tăng hiệu quả của hệ thống khi truyền dẫn qua kênh nhiễu

Việc lựa chọn tốc độ cho mã nguồn và mã kênh là một vấn đề cơ bản của phương pháp UEP Nếu tăng tốc độ mã nguồn thì độ méo tín hiệu của mã nguồn giảm (giảm méo lượng

tử hóa do lượng tử hóa với nhiều mức tín hiệu hơn), tuy nhiên đổi lại thì tốc độ mã kênh lại giảm và độ méo do nhiễu kênh sẽ tăng Hochwald và Zeger đã có một nghiên cứu lý thuyết

về sự thỏa hiệp giữa mã nguồn và mã kênh [11] và đưa ra cận trên và cận dưới của tốc độ

mã kênh để tối thiểu hóa méo trung bình trong trường hợp hệ thống bao gồm bộ lượng tử hóa vectơ nối tiếp với bộ mã hóa kênh và kênh truyền là kênh nhị phân đối xứng BSC Tiếp sau đó, Hochwald đã mở rộng nghiên cứu này cho kênh Gauss [12]

Ngoài kết hợp với các loại mã kênh truyền thống, một số loại mã kênh mới cũng được phát triển cho kỹ thuật UEP như mã xoắn đục lỗ tốc độ thích ứng RCPC (Rate-Compatible Punctured Convolutional Code) [13] hay mã xoắn không đều IRCC (Irregular Convolutional Code) [14] Hai loại mã này đều đựa vào mã xoắn nhưng cho phép các mức tốc độ mã hóa khác nhau, từ đó có thể cung cấp các mức bảo vệ không đều

Các kỹ thuật UEP có đặc điểm chung là tính linh hoạt thấp vì mỗi một sự kết hợp mã nguồn mã kênh sẽ được thiết kế riêng cho một trường hợp của hệ thống đặc thù bao gồm nguồn tín hiệu, mã nguồn tín hiệu, mã kênh và kênh truyền Nếu hệ thống thay đổi một trong các yếu tố gồm nguồn tín hiệu, kỹ thuật mã nguồn tín hiệu, kỹ thuật mã kênh, đặc tính kênh truyền thì kỹ thuật UEP cần được nghiên cứu và thiết kế lại hoàn toàn

1.1.2.2 Mã hóa nguồn tối ưu theo kênh COSC

Phương pháp JSCC còn lại là phối hợp mã nguồn mã kênh thành một bộ mã hóa và được thiết kế tối ưu theo đặc trưng của cả nguồn tín hiệu và kênh truyền Trong một số tài liệu, phương pháp này còn được gọi là phương pháp phối hợp mã nguồn với mã kênh

(Combined Source Channel Coding) Hai hướng chủ yếu của phương pháp này là lượng tử hóa tối ưu theo kênh truyền và tối ưu hóa thứ tự của bảng mã lượng tử

Kỹ thuật thứ nhất là lượng tử hóa tối ưu theo kênh truyền COQ (Channel-Optimized Quantization) Kỹ thuật này thiết kế lại các bộ lượng tử hóa, thay đổi trong quá trình thiết

kế bộ lượng tử hóa theo các đặc tính của kênh có nhiễu với tiêu chí tối thiểu hóa méo gây

ra bởi lượng tử hóa và nhiễu kênh Cụ thể là kỹ thuật này thay thế phương pháp đo độ méo của tín hiệu trong quá trình thiết kế bằng phương pháp đo méo có tính đến sự tác động của nhiễu Kỹ thuật COQ đầu tiên được áp dụng cho lượng tử hóa vô hướng và được gọi là lượng tử hóa vô hướng tối ưu theo kênh COSQ (Channel Optimized Scalar Quantization) [15] Sau đó, kỹ thuật COQ này được tiếp tục được mở rộng và áp dụng cho mã hóa chuyển đổi (Transform Coding) [16] và lượng tử hóa vectơ COVQ (Channel Optimized Vector Quantization) [17] Kỹ thuật COVQ bản chất là một thuật toán mở rộng cho trường hợp kênh nhiễu của thuật toán Lloyd tổng quát GLA [4] Các nghiên cứu đã chứng minh rằng, các bộ lượng tử hóa được tối ưu hóa cho kênh nhiễu sẽ cải thiện được chất lượng truyền dẫn mà không đòi hỏi phải tăng tốc độ bit Kỹ thuật COVQ vẫn tiếp tục được nghiên cứu, mở rộng và ứng dụng trong các bộ mã hóa khác nhau Một số nghiên cứu gần đây ví dụ như: Vấn đề mở rộng băng thông [18], ứng dụng với trường hợp kênh chuyển tiếp (Relay Channel) [19], đối với truyền dẫn qua kênh có nhớ [20,21] Tuy nhiên phương pháp này đòi hỏi thời gian thiết kế dài và phải ước lượng được chính xác các thông số của kênh truyền, điều này không dễ dàng trên thực tế Vì vậy, kỹ thuật COVQ mới chỉ dừng lại

ở các nghiên cứu lý thuyết, ít được ứng dụng trong thực tế

Phương pháp thứ hai là tối ưu hóa việc gán từ mã IA (Index Assignment) Trong kỹ thuật mã hóa nguồn chuyển đổi tín hiệu sang dòng bit nhị phân, các mẫu tín hiệu sau khi đã được lượng tử hóa sẽ được ánh xạ vào các từ mã nhị phân Nếu số bit là n thì mỗi mẫu tín hiệu sẽ tương ứng với một từ mã hay còn gọi là chỉ số có giá trị từ 0 ÷ 2n−1và có rất nhiều cách gán các chỉ số này cho các mẫu tín hiệu lượng tử Trong trường hợp truyền dẫn qua kênh nhiễu, các phương pháp đánh chỉ số khác nhau sẽ ảnh hưởng lớn đến chất lượng truyền dẫn, cụ thể là độ méo của tín hiệu thu được sau giải mã và tín hiệu gốc Đối với kỹ thuật lượng tử hóa vô hướng, đã có nhiều nghiên cứu về các phương pháp đánh chỉ số cho các mẫu tín hiệu lượng tử [22,23] Rydbeck và Sundberg đã đề xuất một thuật toán lặp để tìm kiếm phương án đánh chỉ số tốt cho các bộ lượng tử hóa vô hướng [24] Sau đó Zeger

và Gersho đã mở rộng thuật toán lặp này cho các bộ lượng tử hóa Vectơ [25] Cho đến nay cũng có nhiều nghiên cứu về lý thuyết đưa ra các giới hạn cận trên và cận dưới [26,27] và

về thuật toán [28-37] cho phương pháp tối ưu việc đánh chỉ số của các mẫu tín hiệu lượng

tử IA này Ngoài việc áp dụng cho kỹ thuật lượng tử hóa Vectơ, phương pháp này còn được kết hợp và ứng dụng trong nhiều kỹ thuật khác như trong mã hóa đa mô tả [38], mã kênh dựa trên cơ chế gán chỉ số (Index Assignment-Based Channel Coding) [63]

Hai phương pháp trình bày trên còn được gọi là mã hóa kênh không dư thừa, vì chúng

có khả năng giảm thiểu được ảnh hưởng của nhiễu nhưng lại không đòi hỏi thêm các bit dư

thừa như các kỹ thuật mã hóa kênh Trong hai kỹ thuật trên thì kỹ thuật IA tuy hiệu quả hoạt động không được như kỹ thuật COVQ ở mức nhiễu được tối ưu, nhưng lại có khả năng áp dụng linh hoạt hơn vào các hệ thống thực tế, vì kỹ thuật này không đòi hỏi phải biết chính xác mức độ nhiễu của kênh truyền Tuy nhiên hiện nay, các nghiên cứu về kỹ thuật IA vẫn ít có khả năng ứng dụng vào thực tế vì hầu hết đều tập trung vào các trường hợp đặc biệt của hệ thống (như kênh truyền là kênh BSC) mà không xét đến các yếu tố khác ảnh hưởng đến sự chính xác của phương pháp khi áp dụng vào hệ thống thực (ví dụ như kỹ thuật điều chế số), hoặc các thuật toán thì chỉ áp dụng được với những không gian tìm kiếm nhỏ (trong khi đó trên thực tế các hệ thống thường sử dụng các bảng mã 8bit ÷ 10bit)

1.1.2.3 Các phương pháp JSCC khác

Ngoài hai phương pháp chính đã trình bày ở phần trên, còn có một số phương pháp phối hợp mã nguồn với mã kênh khác được nghiên cứu như sau:

Phương pháp kết hợp bộ giải mã kênh và giải mã nguồn: Phương pháp này tận dụng

sự dư thừa trong tín hiệu, do các bộ mã hóa nguồn trên thực tế là không lý tưởng nên không thể loại bỏ hết sự dư thừa trong tín hiệu Tín hiệu sau mã hóa vẫn tồn tại sự dư thừa

và thông tin tiên nghiệm này có thể được sử dụng để hỗ trợ cho bộ giải mã có những quyết định tốt hơn Bộ giải mã ở phía thu sẽ sử dụng những thông tin nhận được từ kênh và thông tin tiên nghiệm từ mã nguồn và còn có thể ở cả mã kênh để xem xét tất cả các khả năng có thể và lựa chọn ra khả năng có xác suất cao nhất Ngoài việc sử dụng các thông tin tiên nghiệm từ nguồn tín hiệu, các thông tin tiên nghiệm từ kênh cũng có thể được sử dụng tại phía thu để làm giảm méo và tăng chất lượng tín hiệu sau giải mã nhờ bộ giải mã hậu nghiệm cực đại MAP (Maximum A Posteriori) Kỹ thuật thu MAP được phát triển cho lượng tử hóa vô hướng [40] và lượng tử hóa vectơ [41] Nói chung để thực hiện và nghiên cứu các kỹ thuật thuộc nhóm này sẽ khá phức tạp vì cần có sự nghiên cứu về loại mã nguồn cần truyền, phân tích các đặc tính thống kê, độ nhạy của dữ liệu và không phải loại mã nguồn nào cũng có thể xây dựng được phương án kết hợp mã hóa và giải mã hiệu quả Phương pháp này cũng như phương pháp UEP có độ linh hoạt thấp, một cơ chế mã hóa chỉ có thể áp dụng cho đúng một loại mã nguồn không áp dụng được cho loại mã nguồn khác

Một số phương pháp JSCC khác xét đến kỹ thuật điều chế như: kỹ thuật bảo vệ không đều sử dụng điều chế phân cấp [42], kỹ thuật kết hợp giữa bộ lượng tử hóa tối ưu theo kênh và điều chế đa sóng mang [43] Các phương pháp kết hợp với kỹ thuật điều chế thường đòi hỏi thiết kế bộ điều chế theo một tiêu chuẩn đặc thù (ví dụ sử dụng biểu đồ chòm sao điều chế đặc thù) hoặc sử dụng cùng một lúc nhiều phương pháp điều chế Do đó nếu áp dụng cá kỹ thuật này để tối ưu hệ thống thì đều đỏi hỏi thiết kế lại hệ thống sử dụng

kỹ thuật điều chế đặc thù không thông dụng, hoặc sử dụng cùng lúc nhiều kỹ thuật điều chế thì độ phức tạp của hệ thống sẽ tăng Trong khi đó thông thường một hệ thống chỉ sử dụng một kỹ thuật điều chế để điều chế toàn bộ dòng bit truyền đi (là ghép kênh của toàn

bộ các từ mã, các tham số, dữ liệu), như vậy nếu áp dụng các kỹ thuật này thì có thể chỉ đạt được sự tối ưu đối với một hoặc một nhóm các từ mã hoặc dữ liệu Vì những lý do này nên các nghiên cứu về kỹ thuật JSCC có xét đến kỹ thuật điều chế hiện vẫn chưa khả thi khi áp dụng vào thực tiễn

Ngoài ra còn có thể kết hợp các phương pháp JSCC với nhau, ví dụ kết hợp phương pháp IA với phương pháp kết hợp bộ giải mã kênh và mã nguồn [44], phương pháp COVQ với mã bảo vệ không đều RCPC [45]

1.1.2.4 Ưu nhược điểm của các kỹ thuật JSCC

Nói chung, các nghiên cứu đều chỉ ra rằng hệ thống kết hợp mã nguồn và mã kênh hoạt động tốt hơn hệ thống mã nguồn mã kênh riêng biệt đặc biệt là trong trường hợp điều kiện kênh xấu Các ưu điểm của hệ thống JSCC so với TSCC được so sánh định lượng trong [46] Hai hệ thống được so sánh thông qua độ trễ và độ phức tạp, và các kết quả chỉ

ra rằng khi hệ thống vượt quá một ngưỡng nào đó về độ phức tạp và thấp hơn một ngưỡng nào đó về độ trễ thì hệ thống JSCC tốt hơn Ngoài ra, trong [47] cũng so sánh hệ thống JSCC với TSCC theo loga của xác suất lỗi trong trường hợp kênh truyền là kênh rời rạc không nhớ và đã chỉ ra rằng trong nhiều trường hợp thì hàm loga xác suất lỗi của hệ thống JSCC cao gấp đôi TSCC, tức là xác suất lỗi của hệ thống JSCC nhỏ hơn nhiều

Tuy nhiên, đổi lại phương pháp JSCC có độ linh hoạt thấp vì mỗi hệ thống JSCC được thiết kế tối ưu cho việc truyền dẫn một loại tín hiệu với kênh truyền cụ thể Nếu thay đổi một trong các yếu tố này thì sẽ phải thực hiện thiết kế lại toàn bộ khối mã hóa Một vấn đề nữa của kỹ thuật JSCC là việc tìm lời giải cho các bài toán tối ưu là không đơn giản, nhiều khi việc tìm ra lời giải tối ưu là không thể do mà ta phải tìm đến các phương pháp tìm lời giải cận tối ưu

Trong các phương pháp JSCC đã được trình bày tổng quan ở phần trên thì phương pháp IA là một trong những phương pháp có độ linh hoạt cao nhất Phương pháp này không đòi hỏi phải thiết kế lại hệ thống mà chỉ đơn giản là sắp xếp lại bảng mã lượng tử hóa Trong khi đó kỹ thuật lượng tử hóa tín hiệu được sử dụng rộng rãi trong các hệ thống thông tin số vì đây là một khâu quan trọng trong việc số hóa tín hiệu (hay mã hóa nguồn tín hiệu), do đó kỹ thuật IA có khả năng ứng dụng rộng rãi vào các hệ thống thực tế Ngoài ra phương pháp IA còn có thể ứng dụng để nâng cấp các hệ thống sẵn có vì khi thực hiện phương pháp này sẽ không làm ảnh hưởng đến các khối khác dẫn đến phải thiết kế lại hệ thống Vì những lý do này, luận án đã chọn phương pháp IA là hướng nghiên cứu chính với mục đích giải quyết những vấn đề còn tồn tại trong các nghiên cứu trước đây về phương pháp IA để mở ra khả năng ứng dụng của phương pháp IA vào các hệ thống thực

tế Trong các phần tiếp theo của chương này, các vấn đề cơ bản liên quan đến phương pháp

IA sẽ được trình bày

1.2 Lượng tử hóa tín hiệu

Lượng tử hóa là kỹ thuật cơ bản trong mã hóa nguồn tín hiệu, đây là quá trình ánh xạ một tập vô hạn các mẫu tín hiệu vào một tập hữu hạn các từ mã Hiệu quả của lượng tử hóa tùy thuộc vào các đặc điểm của nguồn tín hiệu, như các phụ thuộc thống kê và hàm mật độ xác suất PDF (Probability Density Function) Phương pháp lượng tử hóa đơn giản nhất là lượng tử hóa vô hướng SQ (Scalar Quantization), trong đó các mẫu tín hiệu đầu vào được ánh xạ tới các từ mã vô hướng một cách riêng lẻ Do quá trình lượng tử hóa các mẫu tín hiệu là độc lập với nhau nên tín hiệu sau lượng tử hóa vẫn tồn tại sự dư thừa giữa các mẫu tín hiệu và như vậy quá trình lượng tử hóa sẽ không hiệu quả

Lý thuyết của Shannon đã chỉ ra rằng lượng tử hóa vectơ (hoặc theo khối) sẽ cho hiệu quả cao hơn lượng tử hóa vô hướng [1] Phương pháp lượng tử hóa véctơ VQ (Vector Quantization) sẽ ánh xạ các nhóm mẫu tín hiệu vào các nhóm từ mã (hay gọi là vectơ mã), phương pháp này có thể đạt được méo lượng tử thấp nhất trong các phương pháp lượng tử hóa ứng với một mức tốc độ và số chiều của vectơ cho trước Lượng tử hóa vectơ không những tận dụng được sự tương quan giữa các mẫu tín hiệu, mà còn cho hiệu quả tốt hơn lượng tử hóa vô hướng ngay cả với trường hợp nguồn tín hiệu là nguồn không nhớ và độc lập [57] Tuy nhiên đổi lại, độ phức tạp và bộ nhớ yêu cầu của lượng tử hóa vectơ cao hơn

so với lượng tử hóa vô hướng Do sự phát triển của công nghệ vi xử lý nên hạn chế này không phải là vấn đề lớn và kỹ thuật lượng tử hóa vectơ ngày nay được ứng dụng rộng rãi trong các bộ mã hóa các tín hiệu tương tự, nhất là các tín hiệu có độ tương quan cao [3]

1.2.1 Lượng tử hóa vectơ

Sơ đồ khối của một bộ lượng tử hóa vectơ điển hình được biểu diễn trên Hình 1.2 Tại phía phát, mỗi vectơ đầu vào sẽ được so sánh với từng vectơ mã trong bảng mã (Codebook) để chọn ra vectơ gần nhất, sau đó thứ tự của vectơ tìm được trong bảng mã sẽ được truyền sang bên thu để thông báo về vectơ mã đã được chọn Bên thu căn cứ vào thứ

tự của vectơ mã thu được và bảng mã sẵn có sẽ giải mã ra vectơ lượng tử hóa có thứ tự tương ứng

Hình 1.2 Sơ đồ khối một bộ lượng tử hóa véctơ

Như vậy, mỗi vectơ truyền đi thay vì truyền tất cả các mẫu tín hiệu thì với kỹ thuật

VQ hệ thống chỉ cần truyền đi chỉ số hay số thứ tự của vectơ đó trong bảng mã Và dễ thấy rằng điều kiện để bên thu giải mã ra đúng vectơ mã bên phát phát đi là bảng mã ở cả hai bên phát và bên thu phải giống nhau

ci

i

x

x (n)

Một bộ lượng tử hóa vectơ Q với số chiều K và kích thước N có thể được định nghĩa là

một ánh xạ giữa không gian Euclid K chiều R K vào một tập con C bao gồm N vectơ K

chiều như sau:

Q : RK

→ C

x → ci (1-1)

Bảng mã (Codebook) C = { ci ; 1 ≤ i ≤ N } là một tập của các vectơ mã (Codevector),

còn được gọi là tập các vectơ khôi phục hoặc vectơ lượng tử hóa Đầu ra của bộ lượng tử

hóa là chỉ số i của vectơ mã c i thỏa mãn:

( , )= − 2

d x y x y (1-3)

1.2.2 Điều kiện lượng tử hóa tối ưu

Một bộ lượng tử hóa tối ưu cần thỏa mãn ba điều kiện sau đây

a Điều kiện lân cận gần nhất (Nearest Neighbour)

Vectơ ci là vectơ lượng tử hóa của x thì phải là vectơ gần với x nhất (khoảng cách giữa

b Điều kiện trung tâm của vùng địa phương (Centroid Condition)

Trong mỗi vùng địa phương thì vectơ lượng tử hóa đại diện cho toàn bộ vùng là tâm

của vùng Tâm của vùng R 0 là vectơ c 0 thỏa mãn méo trung bình giữa tất cả các vectơ

trong cell đó với c 0 là nhỏ nhất:

cent(R 0) = { 0: E{ ( , )0 } E{ ( , ) }; N}

d ∈ 0 ≤ d ∈ 0 ∀ ∈R

c x c x R x c x R c (1-6)

c Điều kiện tập biên (Boundary Set): Không tồn tại các tập biên B = ∅

Tập biên B là tập các vectơ x mà khoảng cách giữa x đến tâm của hơn một vùng bằng

nhau Tức là:

{ : ( , )d i d( , );j i j}

B x x c x c (1-7)

Đây là tập của các vectơ không thuộc một vùng duy nhất hay nói cách khác là ở biên của hai vùng, khi lượng tử hóa thì vectơ lượng tử hóa không duy nhất

1.2.3 Thiết kế bảng mã cho bộ lượng tử hóa vectơ

Để thiết kế bảng mã cho bộ lượng tử hóa vectơ, ta sử dụng một tập S chứa một số

lượng lớn N s các vectơ tín hiệu gọi là tập huấn luyện Độ tối ưu của một bảng mã được đánh giá bằng méo lượng tử trung bình của tất cả các vectơ mẫu như sau:

Hình 1.3 Ví dụ về các vectơ mã trong lượng tử hóa vectơ 2 chiều

Hình 1.3 là một ví dụ về các vectơ mã (ký hiệu o) sau khi đã huấn luyện (ký hiệu × là

các vectơ huấn luyện) trong trường hợp lượng tử hóa vectơ 2 chiều kích thước N = 16

a Thuật toán GLA (Generalized Lloyd Algorithm)

Thuật toán GLA [4] là thuật toán phân cụm Lloyd tổng quát, đây là thuật toán lặp bao gồm các bước như sau:

• Các tham số đầu vào: Tập vectơ mẫu S và kích thước bảng mã N

• Tham số đầu ra: Bảng mã C

Bước 1: Khởi tạo bảng mã ban đầu C = {ci | 1 ≤ i ≤ N}

Bước 2: Phân vùng tập S theo bảng mã C Tập vectơ mẫu S được chia thành N vùng

Ri với 1 ≤ i ≤ N Vùng R i bao gồm các vectơ gần ci nhất

Bước 3: Xác định tâm của tất cả các phân vùng Ri, tạo thành bảng mã mới C' bao gồm

các vectơ mã c ′i = cent(Ri ), 1 ≤ i ≤ N Tính độ chênh lệch ∆D q = q q

q

D D D

′

−

′ (D q và D′q là

méo lượng tử trung bình của các vectơ trong tập S với bảng mã là C và C' tương ứng)

Bước 3: Gán C ← C', sau đó kiểm tra nếu ∆D q > ε (εlà giá trị rất nhỏ xác định trước) thì quay lại bước 2, nếu không thì chuyển sang Bước 4

Bước 4: Kết thúc thuật toán, trả về kết quả là bảng mã C

Thuật toán GLA hội tụ khá nhanh, tuy nhiên kết quả cuối cùng là một cực trị địa phương và phụ thuộc nhiều vào việc chọn bảng mã ban đầu Mỗi cách chọn bảng mã ban đầu dẫn đến thuật toán sẽ hội tụ tại một kết quả nhất định Như vậy để cải thiện được kết quả ta cần chạy nhiều lần thuật toán với nhiều bảng mã ban đầu khác nhau, sau đó có thể chọn ra được bảng mã có kết quả tốt nhất

Một cách thông dụng để chọn bảng mã ban đầu là sử dụng thuật toán LBG với thủ tục phân chia [4] Bản chất đây là thuật toán GLA nhưng có cơ chế để tạo bảng mã ban đầu tốt

và như vậy sẽ cho kết quả tốt hơn là chọn bảng mã ban đầu ngẫu nhiên

b Thuật toán LBG với thủ tục phân chia

• Các tham số đầu vào: Tập vectơ mẫu S và kích thước bảng mã N

• Tham số đầu ra: Bảng mã C

Bước 1: Khởi tạo kích thước bảng mã M = 1, khi đó toàn bộ tập S coi là 1 vùng và

bảng mã ban đầu C có một vectơ c 1 = cent(S) là tâm của tất cả các vectơ mã trong tập S Bước 2: Chia đôi mỗi vùng bằng cách tách mỗi vectơ mã ci thành 2 vectơ như sau (với

ε là một giá trị rất nhỏ):

ci,1 = (1+ε)ci (1-9)

ci,2 = (1−ε)ci (1-10)

Như vậy số vectơ của bảng mã C tăng gấp đôi M = 2M

Bước 3: Chia tập vectơ mẫu S thành N vùng R i với 1 ≤ i ≤ M sao cho các vectơ thuộc

Risẽ gần vectơ mã ci nhất trong M vectơ mã

Bước 4: Tính toán lại tâm các vùng Ri, tạo thành bảng mã mới C′′′′ bao gồm các vectơ

mã ci′ = cent(Ri ), 1 ≤ i ≤ M Tính chênh lệch ∆D q = q q

q

D D D

Bước 6: Kiểm tra nếu M <N thì quay lại Bước 2, trái lại chuyển sang Bước 7

Bước 7: Kết thúc thuật toán Trả về kết quả là bảng mã C kích thước N

Thuật toán LBG với thủ tục phân chia sẽ thực hiện huấn luyện bảng mã từ kích thước

M = 1 Thuật toán sử dụng một thủ tục phân chia, tức là một vectơ mã được chia làm hai vectơ gần nhau, và như vậy kích thước bảng mã sẽ tăng gấp đôi sau mỗi lần phân chia Bảng mã sau phân chia sẽ sử dụng làm phương án ban đầu cho thuật toán GLA, và bảng

mã nhận được là kết quả của thuật toán GLA lại tiếp tục được phân chia và lại được huấn luyện Cứ như vậy đến khi kích thước bảng mã đạt đến kích thước mong muốn

1.3 Các tính chất và ứng dụng của kỹ thuật lượng tử hóa vectơ

Trong phần này, luận án trình bày các tính chất đặc trưng của kỹ thuật lượng tử hóa vectơ VQ đồng thời thực hiện các ví dụ mô phỏng để minh họa cho các tính chất này Hệ thống được xét trong các ví dụ mô phỏng trong phần này sử dụng kỹ thuật lượng tử hóa

vectơ với số chiều K mã hóa tín hiệu là một nguồn tín hiệu rời rạc Vì kỹ thuật VQ thường

chỉ áp dụng với các nguồn tín hiệu có độ tương quan cao nên nguồn tín hiệu vào của tất cả các ví dụ mô phỏng được chọn là nguồn tương quan ngẫu nhiên Gauss-Markov bậc 1 như sau:

x (n) = ρx (n-1) + w(n) (1-11) Trong đó ρ là hệ số tương quan có giá trị nhỏ hơn 1 và w(n) là một quá trình ngẫu

nhiên Gauss với phương sai 1 và giá trị trung bình là 0 Nguồn Gauss-Markov thường dùng

để mô hình hóa cho các tín hiệu liên tục trong tự nhiên do giữa các mẫu của tín hiệu liên tục đều tồn tại sự tương quan lẫn nhau

1.3.1 Đặc điểm của kỹ thuật lượng tử hóa vectơ

Lý thuyết của Shannon đã chỉ ra rằng, lượng tử hóa một vectơ cho hiệu quả tốt hơn là lượng tử hóa từng mẫu tín hiệu đơn lẻ (méo lượng tử thấp hơn) [57] Từ đó việc lựa chọn

số chiều của vectơ có ảnh hưởng lớn đến chất lượng tín hiệu lượng tử hóa Lượng tử hóa vectơ với số chiều lớn sẽ cho chất lượng tín hiệu tốt hơn khi lượng tử hóa vectơ với số chiều nhỏ hơn Điều này là do với vectơ có số chiều lớn sẽ phản ánh được tốt hơn sự tương quan giữa các mẫu tín hiệu, còn vectơ có số chiều nhỏ sẽ không phản ánh hết hoặc làm mất

đi sự tương quan giữa các mẫu tín hiệu Đối với trường hợp lượng tử hóa vô hướng SQ, việc lượng tử hóa đơn lẻ từng mẫu một đã hủy đi hoàn toàn sự tương quan giữa các mẫu tín hiệu liền kề, do đó sẽ cho chất lượng tín hiệu lượng tử kém hơn khi sử dụng lượng tử hóa Vectơ

Ta xét một ví dụ với hệ thống truyền dẫn cùng một nguồn tín hiệu sử dụng các kỹ

thuật lượng tử hóa vectơ kích thước N = 32 với các số chiều khác nhau là K = 1 (lượng tử hóa vô hướng), K = 2, K = 3 và K = 4 Các bộ mã hóa đều sử dụng 2 bit mã hóa cho một

mẫu tín hiệu Nguồn tín hiệu truyền đi là nguồn tương quan ngẫu nhiên Gauss-Markov bậc

Hình 1.4 So sánh các kỹ thuật lượng tử hóa véctơ 2bit/mẫu với số chiều khác nhau

Hình 1.4 là kết quả mô phỏng hoạt động thông qua tỷ số tín hiệu trên tạp âm SNR (Signal-to-Noise Ratio) của tín hiệu thu với tín hiệu phát qua các điều kiện nhiễu khác nhau của kênh truyền thông qua tỷ số tín hiệu trên tạp âm của kênh (Channel Signal-to-

Noise Ratio) Ta có thể thấy với số chiều K càng lớn thì chất lượng tín hiệu càng cao (tỷ số

SNR cao), và kỹ thuật lượng tử hóa vô hướng SQ cho kết quả kém nhất

Hình 1.5 là kết quả của một ví dụ mô phỏng so sánh hiệu quả hoạt động của hệ thống

sủ dụng kỹ thuật VQ truyền các nguồn tín hiệu có độ tương quan khác nhau Khác với ví

dụ trước, ví dụ này cố định số chiều vectơ K = 4 nhưng thay đổi hệ số tương quan của các

nguồn tín hiệu ρ = 0, 0.5, 0.7 và 0.9 Ta có thể thấy kỹ thuật VQ lượng tử hóa nguồn tín hiệu có độ tương quan càng cao thì cho hiệu quả càng lớn (tỷ số SNR cao)

Như vậy kỹ thuật VQ có khả năng bảo toàn được độ tương quan giữa các mẫu tín hiệu liền kề nhau Do đó, kỹ thuật VQ phát huy tác dụng khi lượng tử hóa các tín hiệu có độ tương quan lớn như tín hiệu tiếng nói, âm thanh, hình ảnh Do giới hạn về mặt thời gian nên trong luận án này, tác giả chỉ khảo sát ứng dụng của kỹ thuật lượng tử hóa vectơ trong các kỹ thuật mã hóa tiếng nói và được trình bày ở phần tiếp theo

1.3.2 Lượng tử hóa các tham số của các bộ mã hóa tiếng nói

1.3.2.1 Đặc trưng của tín hiệu tiếng nói

Tiếng nói là tín hiệu được nghiên cứu nhiều nhất và sớm nhất, do nhu cầu truyền tiếng nói là một trong những nhu cầu đầu tiên trong lĩnh vực viễn thông Tín hiệu tiếng nói qua nghiên cứu được chia làm hai loại là tín hiệu hữu thanh (Voiced) và vô thanh (Unvoiced) Một đoạn tiếng nói hữu thanh được phân biệt do chứa đựng năng lượng tương đối cao, nhưng quan trọng hơn chúng tuần hoàn và có chu kỳ Còn thành phần vô thanh giống như tạp âm không có tính chu kỳ và năng lượng nhỏ Tuy nhiên có một số thành phần của tín hiệu tiếng nói không phải là vô thanh cũng không phải hữu thanh mà là hỗn hợp của cả hai loại được gọi là vùng quá độ, nơi chuyển tiếp giữa từ vô thanh sang hữu thanh và ngược lại Đồ thị biên độ thời gian của một đoạn tín hiệu vô thanh và hữu thanh được biểu diễn trên hình 1.6 [6]

Hình 1.6 Dạng sóng của tín hiệu tiếng nói hữu thanh và vô thanh

Trên thực tế, tín hiệu tiếng nói chiếm phần lớn là các đoạn tín hiệu hữu thanh có năng lượng cao và do có chu kỳ lặp đi lặp lại nên độ dư thừa của tín hiệu là rất lớn Vì vậy mục

đích của các kỹ thuật mã hóa là giảm bớt sự dư thừa trong tín hiệu, để mã hóa tín hiệu với tốc độ bit thấp nhất có thể

Với các mạng không dây đòi hỏi tốc độ truyền thấp, vì vậy phương pháp mã hóa tín hiệu cổ điển như PCM, ADPCM khó có thể ứng dụng được Do đó kỹ thuật mã hóa tiếng nói theo tham số sử dụng mô hình phát âm được nghiên cứu và phát triển, cụ thể sẽ được trình bày trong các phần tiếp theo

Các chuẩn mã hóa tiếng nói hiện nay chia hai loại chính như mô tả trong miền tần số trên Hình 1.7 là mã hóa băng hẹp và mã hóa băng rộng Dải tần của tín hiệu băng hẹp và băng rộng lần lượt là 0,3 ÷ 3,4KHz và 0,05 ÷ 7KHz với tần số lấy mẫu lần lượt là 8KHz và 16KHz

Tín hiệu vô thanh

Tín hiệu băng rộng Tín hiệu băng hẹp

Hình 1.7 Phổ của tín hiệu tiếng nói băng hẹp và băng rộng

Ta có thể thấy, đối với tín hiệu hữu thanh, các thành phần năng lượng cao đều tập trung ở tần số thấp do vậy các bộ mã hóa tiếng nói băng hẹp tập trung mã hóa dải tần số thấp là dải tập trung nhiều năng lượng nhất và mang nhiều đặc trưng nhất của tín hiệu tiếng nói Với sự phát triển của công nghệ và nhu cầu truyền dẫn tín hiệu chất lượng cao, các kỹ thuật mã hóa tiếng nói băng rộng được phát triển với dải tần mã hóa tiếng nói được mở rộng Với tín hiệu tiếng nói băng rộng, các thành phần tần số thấp được mở rộng xuống 50Hz (với tín hiệu băng hẹp là 300Hz) chuyển tải trung thực hơn nhất là đối với tín hiệu

hữu thanh Ngoài ra với tín hiệu vô thanh tập trung năng lượng chủ yếu ở thành phần tần số cao cũng được phản ánh chính xác hơn trong tín hiệu băng rộng

1.3.2.2 Mô hình bộ máy phát âm tạo ra tín hiệu tiếng nói

a Mô hình phát âm

Để phát ra tiếng nói, hơi được lấy từ trong phổi và do sự điều khiển của các cơ, không khí sẽ được ép từ phổi lên Sau đó không khí đi qua bộ máy phát âm gồm các dây thanh (thanh môn), tiếp theo đi qua các khoang như vòm họng, miệng, mũi ra ngoài để tạo ra tiếng nói như diễn tả trên Hình 1.8 [6]

Khoang miệng

17 cm Khoang miệng

Khoang mũi

Môi

Mũi Thanh môn

Kích thích

Hình 1.8 Cấu tạo bộ máy phát âm

Qua nghiên cứu cơ chế tạo ra tiếng nói của con người, một mô hình phát âm tương ứng được xây dựng như trên Hình 1.9 [6]

Hình 1.9 Mô hình phát âm

Nguồn không khí từ phổi được mô hình bằng nguồn phát xung kích thích x(n) Nếu là

âm vô thanh thì xung kích thích có dạng tạp âm Sau đó hệ số tăng ích G điều khiển mức

biên độ tín hiệu (tiếng to hay nhỏ) Toàn bộ bộ máy phát âm được mô hình hóa bằng một

bộ lọc số có hàm truyền đạt H LPC (z) biến đổi theo thời gian Tín hiệu tiếng nói phát ra là kết quả sau khi tín hiệu kích thích u(n) đi qua bộ lọc phát âm

b Kỹ thuật dự đoán tuyến tính LPC

Kỹ thuật LPC mô hình hóa bộ máy phát âm thành một bộ lọc có hàm truyền H LPC (z)

biến đổi theo thời gian Khi phát âm mỗi trạng thái của vòm họng, lưỡi, tạo ra một âm

khác nhau tương ứng với hàm truyền H LPC (z) Không khí từ phổi đưa lên được biểu diễn

bằng tín hiệu kích thích x(n), sau khi đi qua bộ máy phát âm tức là qua bộ lọc có hàm truyền H LPC (z) thì được tín hiệu tiếng nói s(n)

Do tín hiệu tiếng nói phần lớn có tính chu kỳ nên để giảm dư thừa trong tín hiệu người

ta sử dụng kỹ thuật mã hóa dự đoán tuyến tính LPC (Linear Prediction Coding), khi đó mỗi mẫu tín hiệu có thể được dự đoán bởi các mẫu trong quá khứ như sau:

1

p j j

s n α s n j

=

Các hệ số αj gọi là các hệ số dự đoán, như vậy nếu dùng p mẫu trong quá khứ để dự

đoán mẫu hiện tại thì cần αj hệ số dự đoán Và sai số dự đoán e(n) được tính như sau [6]:

1

p j j

e n s n α s n j

=

Các hệ số αj có thể được xác định bằng cách tối thiểu hóa sai số bình phương trung

bình Khi đó hàm truyền H LPC (z) được xấp xỉ bằng một bộ lọc toàn điểm không như sau

[6]:

1

( )

( )1

j j j

H z

A z z

s n Gx n α s n j

=

Phương trình (1-15) cũng là một phương trình dự đoán tuyến tính, mẫu tín hiệu tiếng

nói đầu ra s(n) được xác định bằng tổng kích thích vào hiện tại Gx(n) và tổng trọng số của

p mẫu tín hiệu trước đó Từ đó ta thấy để mô tả bộ lọc H(z) ta chỉ cần dùng tập p tham số

a j

So sánh (1-13) với (1-15) ta rút ra e(n) = Gx(n) tức là dãy sai số chính là tín hiệu kích

thích Sai số sẽ lý tưởng nếu nó có năng lượng thấp giống nhiễu trắng Tuy nhiên trên thực

tế với tín hiệu tiếng nói thì tín hiệu sai số LPC vẫn không giống nhiễu trắng mà vẫn có chu

kỳ Tức là dự đoán tuyến tính chưa loại bỏ hết được sự dư thừa trong tín hiệu và do tín hiệu sai số năng lượng còn khá cao nên chất lượng tín hiệu tiếng nói chưa tốt Nguyên nhân là

do phân tích LPC mới chỉ mô hình hóa quan hệ giữa các mẫu tín hiệu lân cận nhau, chưa

mô hình hóa được sự quan hệ giữa các mẫu ở các chu kỳ khác (trong trường hợp tín hiệu tuần hoàn) Do đó cần một khâu dự đoán thứ hai khai thác sự liên quan giữa các mẫu ở các chu kỳ trước đó của tín hiệu gọi là dự đoán thời gian dài LTP (Long Term Prediction) Khi

đó tín hiệu sai số Pitch sẽ có năng lượng thấp giống với nhiễu trắng và hầu như không còn giống tín hiệu tuần hoàn nữa Hình 1.10 [6] là ví dụ về tín hiệu sai số sau hai khâu dự đoán thời gian ngắn LPC và thời gian dài LTP

Như vậy với kỹ thuật dự đoán tuyến tính LPC, khi truyền dẫn tín hiệu thay vì truyền tín hiệu tiếng nói ta chỉ cần truyền các tham số mô hình cho bộ lọc LPC và bộ lọc LTP (hay bộ lọc Pitch), đồng thời truyền tín hiệu sai số (chính là tín hiệu kích thích)

Tín hiệu sai số Pitch

Hình 1.10 Đồ thị thời gian của tín hiệu gốc, tín hiệu sai số LPC và sai số Pitch 1.3.2.3 Các tham số của một bộ mã hóa tiếng nói

Để truyền tín hiệu tiếng nói, ở phía phát cần truyền đi các tham số mô hình của bộ máy phát âm, và tín hiệu kích thích hay tín hiệu sai số Bộ máy phát âm bao gồm hai bộ lọc nối tiếp nhau tương ứng với hai khâu dự đoán là dự đoán thời gian ngắn (LPC) và dự đoán thời gian dài (LTP) Các tham số mô hình của từng bộ lọc như sau [6]:

Hình 1.11 Mô hình bên thu và bên phát tiếng nói

Dựa vào các tham số mô hình được truyền ở phía phát, phía thu có thể tính tạo được

bộ máy phát âm với hai bộ lọc LPC và LTP với hàm truyền đạt tương ứng là H LPC (z) và

H LTP (z) Và tín hiệu tiếng nói được tạo ra bằng cách cho tín hiệu sai số e(n) đi qua hai bộ

lọc trên Tín hiệu sai số e(n) được tính ở phía phát, bằng cách cho tín hiệu tiếng nói đi qua

hai bộ lọc đảo LPC và LTP như trên Hình 1.11

Tổng kết lại, để truyền tín hiệu tiếng nói, cần truyền ba bộ tham số: Tham số của bộ

lọc LPC, tham số của bộ lọc LTP và tín hiệu sai số e(n) Và kỹ thuật lượng tử hóa Vectơ

trên thực tế được áp dụng rộng rãi cho hầu hết trong các chuẩn mã hóa tiếng nói tốc độ thấp ngày nay Trong các tham số, thì các tham số mô hình bộ máy phát âm LPC là quan trọng nhất và đã có rất nhiều công trình nghiên cứu các kỹ thuật lượng tử hóa vectơ để lượng tử hóa các tham số LPC này

1.4 Kết hợp mã nguồn và mã kênh – mã chống lỗi không dư thừa

Các phương pháp mã nguồn tối ưu theo kênh COSC còn được gọi là mã chống lỗi không dư thừa vì bản thân mã nguồn có khả năng giảm thiểu méo tín hiệu gây ra bởi lỗi kênh mà không cần phải chèn thêm các dòng bit dư thừa như mã kênh Trong phần này sẽ trình bày hai phương pháp chủ đạo trong nhóm phương pháp này đồng thời thực hiện một

số mô phỏng để minh họa cho các đặc điểm của hai phương pháp Nguồn tín hiệu trong các

mô phỏng trong phần này được chọn là nguồn tín hiệu ngẫu nhiên có độ tương quan cao – nguồn Gauss-Markov bậc 1 với hệ số tương quan ρ= 0,9

1.4.1 Phương pháp lượng tử hóa vectơ tối ưu theo kênh COVQ

Các phương pháp thiết kế bảng mã lượng tử hóa vectơ đã trình bày trong Mục 1.2.3 được thiết kế cho trường hợp truyền dẫn không có lỗi, vì vậy người ta còn gọi đó là lượng

tử hóa vectơ tối ưu theo nguồn SOVQ (Source-Optimized Vector Quantization)

Trong các hệ thống truyền dẫn dùng lượng tử hóa vectơ, mỗi khi chỉ số j được truyền

do tác động của nhiễu kênh nên bên thu sẽ có giải mã sai, thành chỉ số i Xác suất truyền từ

mã j nhận được từ mã i được gọi là xác suất chuyển đổi từ mã, được định nghĩa như sau:

PC(i,j) = P(i|j) (1-16)

Các giá trị của PC(i,j) tạo thành một ma trận vuông PC kích thước N × N với N là kích

thước của bảng mã Đối với kênh rời rạc không nhớ DMC, ma trận P C được gọi là ma trận

truyền của kênh và phản ánh đặc tính của kênh truyền Với mỗi ma trận P C của kênh cho trước, phương pháp COVQ [17] thực hiện thiết kế bảng mã của bộ lượng tử hóa để tối

thiểu hóa méo tín hiệu gây ra bởi nhiễu Méo giữa một vectơ x với một vectơ mã cikhi tính đến các khả năng truyền sai được tính như sau [17]:

Trong đó ε là xác suất lỗi bit và h(i,j) là khoảng cách Hamming (số lượng bit khác nhau) giữa i và j

Phương pháp COVQ bản chất là thực hiện thiết kế bảng mã sử dụng thuật toán LBG sửa đổi, trong đó các phép đo khoảng cách giữa hai vectơ được thay thế bằng công thức (1-

17) Cụ thể sự thay đổi trong thuật toán LBG để huấn luyện bảng mã C kích thước N từ tập huấn luyện S kích thước N sxảy ra tại các điểm sau:

+ Méo lượng tử trung bình tất cả các vectơ mẫu trong tập huấn luyện S được xác định

như sau:

COVQ 1

j

j

N C j

,

j

N C j

trong đó L jlà số lượng vectơ của vùng Rj

Như vậy bản chất phương pháp COVQ là thiết kế (hay huấn luyện) lại bảng mã, sử dụng thuật toán LBG với sự thay đổi về phương pháp đo khoảng cách, có tính đến tác động

của nhiễu tại một mức nhiễu nhất định (mỗi mức nhiễu khác nhau sẽ cho các giá trị P C (i,j)

khác nhau) Điểm hạn chế của phương pháp COVQ là hệ thống chỉ hoạt động tốt tại mức nhiễu được tối ưu, đồng thời chất lượng tín hiệu sẽ không bằng hệ thống khi không sử dụng phương pháp COVQ khi điều kiện kênh tốt

Hình 1.12 là một kết quả mô phỏng của một ví dụ về mối quan hệ giữa chất lượng của

hệ thống truyền dẫn thông qua chỉ số tín hiệu trên tạp âm SNR với chất lượng của kênh truyền với chỉ số tín hiệu trên tạp âm của kênh (CSNR) khi hệ thống sử dụng kỹ thuật COVQ được huấn luyện tại các mức nhiễu khác nhau của kênh CSNR = 0dB, 3dB và 6dB

Hệ thống được xét trong ví dụ này là hệ thống sử dụng kỹ thuật VQ với kích thước bảng

mã N = 32, số chiều véctơ K = 4, sử dụng điều chế QPSK và truyền dẫn qua kênh AWGN

sử dụng tối ưu Như vậy phương pháp COVQ chỉ thích hợp sử dụng trong điều kiện kênh

truyền không biến đổi nhiều (có mức CSNR không thay đổi) và quá trình tối ưu COVQ cần biết chính xác mức độ nhiễu của kênh Điều này cũng chính là hạn chế của phương pháp COVQ, vì kênh truyền trên thực tế thường có mức nhiễu biến đổi và không phải lúc nào cũng có thể ước lượng chính xác mức độ nhiễu của kênh

1.4.2 Phương pháp tối ưu hóa thứ tự bảng mã

Hình 1.13 Một phương án gán chỉ số cho các vectơ mã trong bảng mã kích thước N

Trong quá trình truyền dẫn, dưới sự tác động của nhiễu kênh, phía thu sau giải mã sẽ

nhận được chỉ số j từ đó nhận được vectơ tín hiệu tương ứng là c j Trong trường hợp truyền

dẫn xảy ra lỗi thì từ mã j nhận được sẽ khác với từ mã phát i tương ứng với vectơ sau giải

cN

c3

c2

1 2

N−1

Bảng mã Chỉ số(Codebook) (Index)

Phương án gán chỉ số

π = [ N−1, 0, 2, , 1 ]

mã ở phía thu cj ≠ ci Như vậy trong trường hợp có sự tác động của nhiễu, từ mã truyền i có khả năng biến đổi thành từ mã j với xác suất P C (j,i) dẫn đến vectơ thu được sau giải mã sẽ

bị méo một lượng d(c i,cj)

Nếu méo d(c i,cj ) lớn và PC(j,i) lớn (tức là việc truyền i nhận được j cao thường xuyên

xảy ra) thì tín hiệu thu được sau giải mã sẽ bị méo rất lớn ở phía thu Như vậy vấn đề đặt ra

ở đây là nếu ta sắp xếp lại thứ tự của bảng mã C sao cho sao cho những vectơ có khả năng

chuyển đổi lẫn nhau lớn thì có khoảng cách ngắn, tức là nếu xác suất P C (j,j) lớn thì d(c i,cj) nhỏ và ngược lại thì sẽ giảm thiểu được méo tổng cộng của tín hiệu thu được so với tín hiệu gốc Đây chính là nội dung và mục đích của phương pháp IA

Một bảng mã kích thước N bao gồm N vectơ mã, mỗi vectơ mã được gán một thứ tự hay còn gọi là một chỉ số có giá trị trong khoảng 0 đến N-1 Một phương án gán chỉ số π là

một hoán vị từ 0 đến N-1 trong đó π(i) là chỉ số gán cho vectơ thứ i của bảng mã là c i Hình 1.13 là một ví dụ về một phương án gán chỉ số π

-4 -2

Hình 1.14 So sánh hiệu quả của các phương án đánh chỉ số khác nhau

Phương pháp IA xây dựng một hàm theo πlà D(π) để đánh giá độ tối ưu của phương

án gán chỉ số π và sẽ đi tìm phương án π sao cho D(π) là nhỏ nhất Đây là một bài toán tối

ưu rời rạc và hàm D(π) được gọi là hàm mục tiêu (phần này sẽ trình bày chi tiết ở Chương

2 của luận án) và có kết quả là một hoán vị Hình 1.14 biểu diễn kết quả của một một ví dụ

mô phỏng một hệ thống VQ với mô hình và các tham số giống như trong mô phỏng ở phần trước (Mục 1.4.1) Các mô phỏng thực hiện trong bốn trường hợp khi hệ thống truyền cùng một nguồn tín hiệu sử dụng cùng một bộ lượng tử hóa VQ với cùng một bảng mã nhưng

khác nhau về thứ tự các véctơ mã (với các giá trị khác nhau của hàm D(π)) Ta có thể thấy

khi nhiễu lớn thì hệ thống sử dụng bảng mã có D(π) nhỏ hơn sẽ cho chất lượng tín hiệu tốt hơn (có tỷ số SNR của tín hiệu thu được so với tín hiệu phát cao hơn) Trong trường hợp điều kiện kênh tốt, truyền dẫn có thể coi là không có lỗi khi đó hoạt động của bốn trường

hợp xét trong ví dụ này là như nhau vì bản chất các bảng mã là giống nhau chỉ khác nhau

về thứ tự Do đó việc tối ưu thứ tự của bảng mã, tìm ra phương án π tối ưu sẽ làm giảm thiểu được ảnh hưởng của nhiễu kênh trong quá trình truyền dẫn qua kênh nhiễu

Phương pháp IA không đòi hỏi phải thiết kế lại bảng mã như phương pháp COVQ, mà chỉ đổi chỗ thứ tự của bảng mã theo một thứ tự đã được tối ưu Do vậy phương pháp này thực hiện đơn giản hơn và có thể áp dụng để nâng cấp các hệ thống sẵn có đang sử dụng kỹ thuật lượng tử hóa vectơ Ngoài ra một trong những thuận lợi của phương pháp IA là không đòi hỏi biết chính xác mức độ nhiễu của kênh truyền như phương pháp COVQ Hình 1.15 là kết quả của một ví dụ mô phỏng một hệ thống sử dụng kỹ thuật IA được tối ưu hóa tại các mức nhiễu khác nhau Với mô hình hệ thống giống như ở ví dụ trước, ba

mô phỏng được thực hiện khi hệ thống truyền cùng một nguồn tín hiệu nhưng với các bảng

mã được tối ưu bằng phương pháp IA tại các mức nhiễu khác nhau lần lượt là 0dB, 5dB và 10dB

Hình 1.15 Phương pháp IA tối ưu với các mức nhiễu CSNR khác nhau

Từ kết quả mô phỏng chúng ta thấy ba đường cong mô phỏng có sự sai khác không đáng kể, trên hình đồ thị gần như trùng với nhau Điều đó cho thấy hoạt động của hệ thống

sử dụng các bảng mã được tối ưu tại các mức nhiễu khác nhau gần như là như nhau Do vậy, phương pháp IA không đòi hỏi biết chính xác mức nhiễu của kênh truyền như phương pháp COVQ, điều này rất phù hợp khi áp dụng vào thực tế khi mức nhiễu của kênh truyền không phải là luôn cố định

1.5 Kết luận chương 1

Chương 1 trình bày tổng quan về các kỹ thuật kết hợp mã nguồn mã kênh JSCC và ưu nhược điểm của kỹ thuật này với mô hình truyền thống khi thiết kế mã nguồn và mã kênh riêng biệt Đồng thời Chương 1 cũng trình bày cơ bản về các vấn đề được sử dụng trong luận án