Thuật toán Compressed sensing ứng dụng cho công nghệ UWB: luận văn thạc sĩ kỹ thuật điện

TÓM TẮT LUẬN VĂN  Trong luận văn này, đóng góp chính của chúng tôi là khai thác lý thuyết mới Compress sensing CS ứng dụng cho công nghệ truyền thông Ultra-wideband UWB một công nghệ

DỒNG NAI – NĂM 2018

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG

* * *

NGUYỄN VĂN HẬU

THUẬT TOÁN COMPRESSED SENSING ỨNG

DỤNG CHO CÔNG NGHỆ UWB

CHUYÊN NGÀNH: KỸ THUẬT ĐIỆN

MÃ SỐ: 8520201

LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN

NGƯỜI HƯỚNG DẪN KHOA HỌC

TS NGUYỄN THANH SƠN

LỜI CẢM ƠN



Luận văn tốt nghiệp đánh dấu việc hoàn thành gần hai năm học tập nghiên cứu Để có được kết quả hôm nay, tôi đã nhận được sự giúp đỡ tận tình của giáo viên hướng dẫn, sự quan tâm của một số đồng nghiệp cũng như bạn bè

Tôi xin chân thành cảm ơn TS Nguyễn Thanh Sơn, người Thầy đã hết lòng chỉ dẫn, truyền đạt những kiến thức chuyên môn cũng như những kinh nghiệm nghiên cứu trong suốt thời gian học tập và thực hiện luận văn này

Xin chân thành cảm ơn Ban Giám hiệu, Khoa Sau đại học, Khoa cơ Điện Trường Đại học lạc Hồng, và tất cả Quý Thầy, Cô đã giảng dạy, trang bị cho tôi những kiến thức trong suốt quá trình học tập, nghiên cứu

Xin cảm ơn gia đình, bạn bè, đồng nghiệp những người luôn dành những tình cảm sâu sắc nhất, giúp đỡ và khuyến khích tôi vượt qua mọi khó khăn trong suốt quá trình thực hiện luận văn

Xin cảm ơn Ban Giám đốc Công ty Cổ Phần Vương Hải, đã tạo điều kiện thuận lợi cho tôi trong quá trình học tập, công tác cũng như trong quá trình thực hiện luận văn

Đồng Nai, tháng … năm 2018

Học viên thực hiện

Nguyễn Văn Hậu

LỜI CAM ĐOAN



Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi và được sự hướng dẫn của TS Nguyễn Thanh Sơn Các nội dung nghiên cứu, kết quả trong luận văn này là trung thực và chưa công bố dưới bất kỳ hình thức nào trước đây Những số liệu trong các bảng biểu phục vụ cho việc phân tích, nhận xét, đánh giá được chính tác giả thu thập từ các nguồn khác nhau có ghi rõ trong phần tài liệu tham khảo

Nếu phát hiện có bất kỳ sự gian lận nào tôi xin hoàn toàn chịu trách nhiệm về nội dung luận văn của mình Trường Đại học Lạc Hồng không liên quan đến những

vi phạm tác quyền, bản quyền do tôi gây ra trong quá trình thực hiện (nếu có)

Biên Hòa, Ngày … tháng… Năm 2018

HỌC VIÊN

Nguyễn Văn Hậu

TÓM TẮT LUẬN VĂN



Trong luận văn này, đóng góp chính của chúng tôi là khai thác lý thuyết mới Compress sensing (CS) ứng dụng cho công nghệ truyền thông Ultra-wideband (UWB) một công nghệ đầy hứa hẹn cho các hệ thống truyền thông không dây tầm ngắn trong nhà tốc độ cao Lý do chính để công nghệ UWB nhận được nhiều sự chú

ý là khả năng tiêu thụ điện năng thấp, tốc độ bit cao và cùng tồn tại với hệ thống dải hẹp bằng cách giao dịch băng thông để giảm công suất phát Do những lợi thế này, công nghệ UWB đã được sử dụng rộng rãi trong nhiều ứng dụng, chẳng hạn như truyền thông UWB, hình ảnh y tế, radar thâm nhập tường và định vị xe

Tuy nhiên, máy thu UWB cũng có nhiều vấn đề kỹ thuật Như chúng ta đã biết,

để số hóa tín hiệu UWB, cần tỷ lệ lấy mẫu rất cao dựa theo định lý lấy mẫu Shannon-Nyquist, điều này rất khó thực hiện với một chip chuyển đổi analog-to-digital (ADC) đơn Để giải quyết vấn đề này, một số ADC song song được phát triển Dựa trên một dãy các bộ lọc (HFB), Giáo sư Velazquezet và cộng sự đã đề xuất sử dụng một hệ thống ADC song song để lấy mẫu và tái tạo tín hiệu UWB Tuy nhiên, hệ thống ADC song song này phải đối mặt với rất nhiều những khó khăn như: khả năng truyền chính xác của các bộ lọc để phân tích tín hiệu, khó khăn khi

sử dụng các hệ thống dựa trên HFB trong thực tế do chi phí phần cứng cao (việc sử dụng nhiều-ADC) Ngoài ra, để tránh dùng ADC tốc độ cao, các máy thu kiểu RAKE analog thường được thực hiện Tuy nhiên, việc thu thập thời gian chính xác

và ước lượng kênh là bắt buộc và điều này rất khó sử dụng các phương pháp truyền thống Hơn nữa trong truyền thông siêu băng rộng, băng thông cực cao của tín hiệu UWB tốc độ rất cao (lên đến 7,5 GHz) bộ chuyển đổi (ADC) tốc độ này yêu cầu sử dụng ADC xen kẽ flash hoặc một dãy của ADC để điều khiển thời gian chính xác Tuy nhiên, phương pháp này tiêu thụ rất nhiều năng lượng, có độ phân giải tương đối thấp và khá đắt và sự phức tạp mạch cao

Hơn nữa để ước lượng tín hiệu UWB đòi hỏi tỷ lệ lấy mẫu lên đến 25 GHz mới

có thể ước lượng kênh UWB chính xác Tỷ lệ lấy mẫu như vậy là không khả thi với công nghệ ADC tiên tiến nhất hiện nay Phương pháp tiếp cận mới là cần thiết để đạt được tỷ lệ lấy mẫu này Đây là một vấn đề quan trọng trong nghiên cứu này

Lý thuyết mới nổi lên gần đây là Compressed Sensing (CS) được coi là giải pháp tốt nhất để đối phó với tắc nghẽn của công nghệ UWB CS cung cấp cơ sở lý thuyết mới cần rất ít mẫu so với phương pháp truyền thống Nó không chỉ làm giảm các yêu cầu cho các thiết bị tốc độ cao, mà còn tiết kiệm rất nhiều tài nguyên lưu trữ yêu cầu Phá vỡ giới hạn của định lý lấy mẫu Nyquist, trong lý thuyết CS tốc độ lấy mẫu thấp hơn nhiều so với phải dùng gấp đôi băng thông tín hiệu của định lý Nyquist

Cuối cùng trong Nghiên cứu này, chúng tôi đặc biệt quan tâm sự ảnh hưởng của các

mô hình kênh UWB IEEE 802.15.3a tác động lên các thuật toán khôi phục của CS dựa trên ước lượng kênh của hệ thống UWB Để phân tích vấn đề này, chúng tôi đã xem xét hai thuật toán khôi phục cơ bản nhất, một là thuật toán dựa trên Lập trình tuyến tính Basis Pursuit (BP) Hai là sử dụng phương pháp tham lam Orthogonal

tốt và nổi bật Ngoài ra, nó có tỷ lệ lấy mẫu thấp và ít bị ảnh hưởng bởi môi trường kênh truyền Tuy nhiên nó rất phức tạp để tính toán, dẫn đến thời gian xử lý chậm hơn Trong khi, thuật toán OMP bị ảnh hưởng rất nhiều bởi các mô hình kênh, cụ thể trong

mô hình kênh Line of Sight (LOS), phương pháp OMP hoạt động rất tốt, mang lại tỷ lệ lấy mẫu thấp và thời gian xử lý nhanh Tuy nhiên, trong mô hình kênh Non Line of Sight (NLOS), phương pháp OMP đòi hỏi tốc độ lấy mẫu cao hơn so với BP Bên cạnh

đó, chúng tôi cũng đã phân tích những ưu điểm và nhược điểm của các thuật toán bị ảnh hưởng bởi các cấp độ khác nhau của các mô hình kênh UWB Những kết quả này

sẽ là cơ sở cho những nghiên cứu tiếp theo nhằm tạo ra một thuật toán tối ưu đặc biệt cho việc áp dụng các hệ thống UWB dựa trên thuật toán CS

Luận văn gồm 5 chương

- Chương 1: Giới thiệu

- Chương 2: Cơ sở lý thuyết về Compressed Sensing (CS)

- Chương 3: Kỹ thuật siêu băng thông rộng (UWB)

- Chương 4: Compressed sensing cho ước lượng kênh UWB

- Chương 5: Kết luận

DANH MỤC VIẾT TẮT

Từ viết tắt Diễn giải

ADC Analog-to-digital converter

FCC Federal Communications Commission

IEEE Institute of Electrical and Electronics Engineers

OFDM Orthogonal Frequency-Division Multiplexing OMP Orthogonal Matching Pursuit

PAM Pulse Amplitude Modulation

PPM Pulse Position Modulation

WI-FI Wireless Fidelity

MỤC LỤC

LỜI CẢM ƠN i

LỜI CAM ĐOAN iv

TÓM TẮT LUẬN VĂN v

DANH MỤC VIẾT TẮT vii

MỤC LỤC viii

DANH MỤC BẢNG x

Chương 1 Giới thiệu 1

1.1 Giới thiệu 1

1.2 Nghiên cứu và phát triển của UWB trên thế gới 1

1.2.1 Nghiên cứu UWB trên thế gới 1

1.2.2 Phát triển của UWB trên thế gới 2

1.2.3 Nghiên cứu ở Việt Nam về UWB 3

1.3 Tổng quan phát triển Compressed sensing 3

1.4 Nghiên cứu của CS ứng dụng cho UWB 4

1.5 Mục tiêu nghiên cứu của luận văn 5

Chương 2 Cơ sở lý thuyết về thuật toán Compressed sensing 6

2.1 Giới thiệu về CS: 6

2.2 Sự rời rạc của tín hiệu 7

2.3 Sự không liên kết là gì 8

2.4 Xây dựng ma trận phép đo 9

2.5 Tín hiệu rời rạc được phục hồi 11

2.6 Một số ứng dụng của CS 13

Chương 3 Công nghệ siêu băng rộng 17

3.1 Định nghĩa siêu băng rộng 17

3.2 UWB hấp dẫn tại sao 18

3.2.1 Tốc độ dữ liệu cao 18

3.2.2 Kiến trúc thu phát đơn giản 20

3.2.3 Khả năng chia sẽ phổ tần số 20

3.2.4 Truyền thông an toàn công suất tiêu thụ thấp 20

3.3 Xử lý tín hiệu UWB 20

3.3.1 Phổ công suất 20

3.3.2 Các mẫu xung UWB 21

3.3.2.1 Xung gassian monocycle 21

3.3.2.2 Xung gassian doublet 23

3.3.2.3 Chuỗi xung 24

3.4 Các phương thức điều chế UWB 26

3.4.1 Điều chế vị trí xung 27

3.4.2 Điều chế miền trạng thái 29

3.4.3 Điều chế dạng xung PSM 30

3.4.4 Điều chế biên độ xung PAM 30

3.5 Các lĩnh vực ứng dụng của UWB 31

3.6 Tổng kết 32

Chương 4 Compressed sensing ứng dụng cho ước lượng kênh UWB 33

4.1 Ước lượng kênh dựa vào phương pháp truyền thống LS 33

4.2 Ước lượng kênh dựa vào CS 33

4.2.1 Mô hình kênh UWB 33

4.2.2 Mô hình toán cho ước lượng kênh UWB dựa vào CS 35

4.2.3 Thuật toán khôi phục cho ước lượng kênh dựa vào CS 35

4.2.3.1 Phương pháp khôi phục BP 36

4.2.3.2 Thuật toán OMP 37

4.3 Phân tích ảnh hưởng của các mô hình kênh đến mức độ thưa thớt của kênh 37 4.4 Thực hiện phân tích mô phỏng 39

4.5 Tóm lại 44

Chương 5 Kết luận 45

TÀI LIỆU THAM KHẢO

DANH MỤC BẢNG

Bảng 3.1 So sánh tốc độ của UWB với các chuần không dây cũng như có dây 19

Bảng 3.2 Công suất tiêu thụ UWB 21

Bảng 3.3 Các giá trị độ dịch thời gian 29

Bảng 3.4 Dải tần số quy định 31

Bảng 4.1 OMP algorithm 37

Bảng 4.2 Thông số mô hình kênh 38

Bảng 4.3 Tỷ kệ cho mô hình kênh khác nhau 38

Bảng 4.4 Phương pháp ước lượng và tham số mô phỏng 39

Bảng 4.5 MSE cho ước tính kênh CM1, CM3 không có nhiễu 40

Bảng 4.6 Tốc độ lấy mẫu tại máy thu 42

MỤC LỤC CÁC HÌNH VẼ

Hình 2.1 Sơ đồ khối của CS 7

Hình 2.2 Sơ đồ khối của quá trình tạo phép đo nơi ma trận gass ngẫu nhiên 7

Hình 2.3 Tín hiệu rời rạc cao và tín hiệu rời rạc thấp 8

Hình 2.4 Mô hình tín hiệu rời rạc 8

Hình 2.5 Cảm biến nén với ma trận phép đo 11

Hình 3.1 Mạt lạ phổ cho FCC áp đặt cho các hệ thống truyền thông 21

Hình 3.2 Các monoycle 23

Hình 3.3 Mô hinh matlab đơn giản để tạo tín hiệu gassian doublet 24

Hình 3.4 Chi tiết của việc tạo xung 24

Hình 3.5 Chuỗi xung UWB 25

Hình 3.6 Phân loại các phương pháp điều chế 26

Hình 3.7 PPM và BDSK 27

Hình 3.8 Các dang xung PPM 28

Hình 3.9 Hàm tương quan chuẩn hóa của các dạng sóng khác nhau 29

Hình 3.10 Kết nối các thiết bị sử dung UWB 32

Hình 4.1 Các mô hình khác nhau 35

Hình 4.2 Kết quả ước lượng kênh cho CM1 và CM3 không có nhiễu 40

Hình 4.3 Kết quả ước lượng kênh cho CM1 và CM3 có nhiễu 41

Hình 4.4 Ảnh hưởng của mô hình kênh trên CM3 và MSE 41

Hình 4.5 Số lần lặp lai cho CM1 và CM3 43

Hình 4.6 Thời gian xử lý ước lượng kênh 44

Chương 1 Giới thiệu

1.1 Giới thiệu

Trong bất kỳ hệ thống truyền thông không dây nào, người dùng luôn mong muốn

là tốc độ truyền dữ liệu phải cao Tuy nhiên, hầu hết các hệ thống truyền không dây hiện tại đều bị giới hạn chính bởi băng thông tương ứng của chúng Truyền thông siêu băng rộng (Ultra-Wideband - UWB) đã nổi lên như là một công nghệ đầy hứa hẹn cho các hệ thống truyền thông không dây cự ly ngắn, tốc độ cao Lý do chính cho công nghệ UWB nhận được nhiều sự chú ý là tiêu thụ năng lượng thấp, tốc độ bit cao, ít nhiễu và cùng tồn tại với hệ thống băng tần hẹp bằng cách trao đổi băng thông để giảm năng lượng truyền tải Do những ưu điểm đặc trưng đó, UWB thực sự trở thành một kỹ thuật hấp dẫn cho các ứng dụng truyền không dây trong tương lai

Tuy nhiên, máy thu UWB cũng tồn tại nhiều vấn đề kỹ thuật cần giải quyết Như chúng ta đều biết, để số hoá tín hiệu UWB, theo định lý lấy mẫu Shannon-Nyquist một tỷ

lệ lấy mẫu rất cao vào khoảng vài Gb/s, nhưng rất khó để thực hiện với một bộ chuyển đổi (ADC) chip analog-sang-digital Vì vậy việc tìm ra phương pháp để giảm tỷ lệ lấy mẫu là vấn đề quan trọng cần để nghiên cứu

Lý thuyết mới nổi lên gần đây là Compressed sensing (CS) được coi là giải pháp tốt nhất để giảm tỷ lệ lấy mẫu trong bộ thu của hệ thống truyền thông UWB Khi sử dụng

lý thuyết CS, một tín hiệu được lấy mẫu có thể giảm hơn rất nhiều so với phương pháp lấy mẫu truyền thống của Nyquist, do đó làm giảm sự phức tạp về phần cứng của hệ thống

Trong luận văn này, đóng góp chính của tác giả là khai thác lý thuyết mới CS ứng dụng vào công nghệ truyền thông UWB Mục đích của công việc này là để giải quyết vấn

đề nút cổ chai của việc lấy mẫu ở máy thu mà điều đó là không thể thực hiện với công nghệ ADC hiện nay

Cuối cùng mô hình mô phỏng được thực hiện dựa vào các mô hình kênh UWB được đề xuất bởi IEEE 802.15.3a Từ kết quả phân tích này, chúng tôi sẽ lựa chọn các phương pháp phù hợp nhất để áp dụng lý thuyết CS cho các hệ thống truyền thông UWB

1.2 Nghiên cứu và phát triển của UWB trên thế giới

1.2.1 Nghiên cứu về UWB trên thế giới

Hầu hết các khái niệm về công nghệ UWB được đề xuất vào cuối những năm 1960

do Tiến sĩ Gerald F Ross và K.W Robbins tại trung tâm nghiên cứu Sperry, thuộc Đại học Catholic của Mỹ và trung tâm phát triển không gian tại Rome và tại Nga Vào thời điểm đó, công nghệ này được gọi là băng tần cơ sở, không có sóng mang và tín hiệu radio / radar có dải băng thông tương đối lớn Công nghệ Ultra-Wideband đã được áp dụng vào năm 1989, bởi Bộ Quốc phòng Mỹ

Tại Hoa Kỳ, Ủy ban Truyền thông Liên bang đã chỉ định rằng truyền thông vô tuyến UWB có thể hoạt động hợp pháp trong phạm vi từ 3,1GHz đến 10,6 GHz (Fontana 2004) (FCC NEWS) (Ingram và cộng sự, 2004) Các quy tắc của châu Âu về giấy phép truyền thông UWB cho phép hoạt động từ 3,4 GHz tới 4,8 GHz và giữa 6 GHz đến 8,5 GHz (Rueppel và cộng sự, 2008)

Các bài báo do nhóm UWB của Nga (RUG) cho thấy sự xung đột giữa tín hiệu xung ngắn với tín hiệu băng thông hẹp trong một thời gian dài Một nghiên cứu đặc biệt tại RUG tập trung vào khía cạnh lý thuyết của radar UWB để tính toán thiết kế ăng-ten và

dự đoán hiệu suất của nó

Hệ thống radar UWB trước đây chủ yếu được phát triển cho radar của quân đội [Ghawami (2005), Chong (2006)] Gần đây, công nghệ UWB đã tập trung vào điện tử tiêu dùng và truyền thông (Ghawami 2005) Các ứng dụng của hệ thống truyền thông UWB bao gồm radar, mạng không dây (WPAN), mạng cảm biến, hệ thống hình ảnh, hệ thống định vị UWB [Yang (2004), Kshetrimayum (2009)] Truyền dẫn UWB được đặc trưng bởi tốc độ truyền dữ liệu cao, chi phí đầu tư cho hệ thống thu phát tín hiệu thấp, việc tiêu hao năng lượng ít và ảnh hưởng nhiễu không đáng kể [Ghawami (2005), Qui (2006)]

Một số phương pháp dựa trên máy phát quang học đơn và lưỡng cực Gaussian IR UWB cho các hệ thống vô tuyến UWB tốc độ cao chi phí thấp đã được đề xuất bởi Lin (2005), Le Guennec (2007), Yao (2007), Zeng (April 2006) , Zeng (Tháng 10 năm 2006), Zeng (2007), Ben Ezra (2008)

1.2.2 Phát triển của UWB trên thế giới

Trên phạm vi quốc tế, một số trung tâm trên thế giới đã hình thành các phòng thí nghiệm hoặc các dự án nhằm phát triển công nghệ UWB cho các ứng dụng thương mại

và quân sự Trung tâm nghiên cứu khoa học công nghệ của Viện Hàng không Moscow [L1] được thành lập vào năm 2007 để khám phá công nghệ trong radar, y học và hệ thống

an toàn giao thông Một trung tâm nghiên cứu quan trọng khác khám phá và phát triển

các ứng dụng cho UWB là Trung tâm Nghiên cứu Philips Các dự án hiện đang được nghiên cứu bởi Philips Research nhằm mục đích phát triển các công nghệ cần thiết để nhận ra dữ liệu tốc độ cao và phát trực tuyến âm thanh / video Một phần nghiên cứu của Philips tập trung vào công nghệ siêu rộng để cho phép kết nối tầm ngắn, chi phí thấp với tốc độ dữ liệu từ 100 đến 400 Mbit / s và hơn thế nữa Nghiên cứu này là một phần trong tầm nhìn của Philips về “Ambient Intelligence” được xem là “người sống dễ dàng trong môi trường kỹ thuật số, trong đó các thiết bị điện tử nhạy cảm với nhu cầu của mọi người, được cá nhân hóa theo yêu cầu của họ, dự đoán hành vi của họ và đáp ứng với sự hiện diện của họ” [L2] Cũng ở châu Âu, có hai trung tâm quan trọng hơn cống hiến nỗ lực đáng kể cho công nghệ UWB: Trung tâm nghiên cứu Nokia (Lausanne, Thụy Sĩ) [L3] với sự hợp tác mở với École Polytechnique Fédérale de Lausanne (EPFL) [L4] và Viện liên bang Thụy Sĩ Công nghệ (ETH Zürich) [L5] và nghiên cứu của IBM, Phòng thí nghiệm nghiên cứu Zurich

1.2.3 Nghiên cứu ở Việt Nam về UWB

Hiện tại, ở Việt Nam công nghệ truyền thông UWB đang trong quá trình tìm hiểu và

nghiên cứu Điển hình như tại “Hội nghị quốc tế lần thứ 7 của IEEE về Khoa học và Công nghệ thông tin – The Seventh International conference on information Science and Technology (ICIST 2017)” Tiến sỹ Nguyễn Thanh Sơn và đồng nghiệp đã đóng góp 2 công trình nghiên cứu là :

- “Image transmission through UWB communication based on compress sensing – Truyền hình ảnh thông qua truyền thông UWB dựa trên phương pháp compress sensing”

- “Ultra – Wideband communication: A new approach to analyze the inter multi – pulses interference for UWB systems based on compress sensing”

Cả 2 bài báo trên đều đóng góp cho sự phát triển về truyền thông UWB tại Việt Nam trong tương lai, điều này hứa hẹn truyền thông không dây tại Việt Nam sẽ có thêm một hướng đi mới

1.3 Tổng quan phát triển Compressed sensing

Compressed Sensing đã được nghiên cứu bởi D Donoho, E Candès, T Tao và J Romberg [1-2]

Thuật toán đầu tiên để phục hồi các tín hiệu rời rạc là do nhà toán học người Pháp

de Prony Phương pháp này gọi là phương pháp Prony, đã được ứng dụng rất nhiều [3],

cụ thể như việc ước lượng biên độ khác không và các tần số tương ứng của một đa thức

lượng giác rời rạc từ một số lượng nhỏ các mẫu đều nhau bằng cách giải một bài toán giá trị riêng B Logan [4] sử dụng phương pháp ℓ1-minimization trong luận văn của de Prony Qua quan sát, ông B Logan thấy rằng phương pháp ℓ1-minimization có thể phục hồi chính xác tín hiệu tần số rời rạc từ dữ liệu được lấy mẫu dưới chuẩn, với số lượng mẫu rất nhỏ Bài báo của Donoho và Logan [5] có lẽ là công trình lý thuyết đầu tiên về phục hồi tín hiệu rời rạc bằng cách sử dụng phương pháp ℓ1-minimization Tuy nhiên, các nhà địa vật lý đã quan sát thấy vào cuối những năm 1970 và 1980 phương pháp ℓ1-minimization có thể được sử dụng thành công trong nghiên cứu địa chấn phản xạ, cho thấy sự thay đổi giữa các tầng lớp bề mặt dưới đất Trong quang phổ NMR, ý tưởng khôi phục lại quang phổ Fourier rời rạc từ việc lấy mẫu dưới chuẩn của các mẫu không có chất lượng được giới thiệu lần đầu tiên trong thập niên 90 và đã phát triển từ đó Trong quá trình xử lý hình ảnh, việc sử dụng phương pháp ℓ1-minimization kết hợp với compress sensing, lần đầu tiên xuất hiện trong những năm 1990 trong công bố của Rudin, Osher và Fatemi [6] đã được áp dụng rộng rãi sau này Tibshirani cũng đã sử dụng phương pháp ℓ1 minimization và các phương pháp liên quan để thực hiện công trình nghiên cứu LASSO (Least Absolute Shrinkage and Selection Operator)

Donoho [7] đã phát triển một con đường khác và đã tiếp cận vấn đề mô tả sự phục hồi rời rạc bằng ℓ1-minimisation qua hình học đa thức, chính xác hơn, thông qua quan niệm k-lân cận Trong một số bài báo, các đường cong quá độ có sự thay đổi đột ngột thì

ma trận ngẫu nhiên Gaussian phân chia các vùng phục hồi không thành công hoặc thành công với xác suất cao [7-8] Những kết quả này được xây dựng dựa trên các nghiên cứu trước đây trong toán học thuần túy bởi Affentranger và Schneider [9] về sự ngẫu nhiên

bằng phép chiếu đa diện

1.4 Nghiên cứu của CS ứng dụng cho công nghệ UWB

Theo lý thuyết Compress Sensing (CS), tỷ lệ lấy mẫu của truyền thông UWB thấp hơn tỷ lệ lấy mẫu của Nyquist, do đó mang lại sự tiện lợi lớn cho việc lưu trữ, truyền và

xử lý các tín hiệu tự nhiên

Hiện tại, mặc dù lý thuyết của UWB dựa trên Compressed Sensing CS vẫn còn ở giai đoạn ban đầu, nhưng nó đã cho thấy khả năng mạnh mẽ, và trở thành một lĩnh vực chính trong nghiên cứu truyền thông Đại học Stanford, Đại học Princeton, Đại học Rice, Đại học Duke, Đại học Kỹ thuật Munich, Đại học Edinburgh đã thành lập một nhóm đặc biệt để nghiên cứu lý thuyết về CS Trong năm 2008, Bell Labs đã bắt đầu tổ chức nghiên

cứu về lý thuyết Compress Sensing tại Seattle Intel Ngoài ra, một số tổ chức nổi tiếng đã thành lập một trang web dành riêng cho các nhà nghiên cứu để thảo luận Gần đây, Phòng thí nghiệm không quân Hoa Kỳ và Đại học Duke đã tổ chức một cuộc hội thảo về CS

Ở Trung Quốc việc nghiên cứu CS trong truyền thông UWB chỉ mới bắt đầu Chẳng hạn như Đại học Giao thông Tây An, Học viện Khoa học Trung Quốc, và Đại học Khoa học Điện tử và Công nghệ Tây An đã đưa ra một giả thuyết cho thấy việc phát hiện một tín hiệu phản hồi của UWB dựa trên lý thuyết về tỷ lệ lấy mẫu cực thấp [27] Một số đồng nghiệp đã thiết lập blog đặc biệt cho việc nghiên cứu CS

Truyền thông UWB là truyền dẫn băng thông cơ bản, chế độ điều chế là Gaussian PPM Thông qua kiểm soát một số xung, tạo ra tín hiệu rời rạc, lọc lại và truyền đi Ở phía tiếp nhận, tín hiệu được lấy mẫu trực tiếp dưới 10% tỷ lệ của tần số Nyquist, và trả

về tín hiệu ban đầu bằng thuật toán OMP [28] Tín hiệu nhận được sẽ gửi tới một ma trận

đo ngẫu nhiên, đầu tiên sử dụng thống kê của tín hiệu đo để thiết lập mô hình toán học của CS và cuối cùng được tái tạo lại của kênh ước lượng bằng thuật toán OMP Thuật toán này cần các phép đo tối thiểu để ước lượng kênh, do đó tiết kiệm chi phí hơn so với

bộ chuyển đổi số-tương tự-số (ADC) Thuật toán có hiệu suất ước lượng cao, được so với kênh chính xác, hiệu suất của tỷ lệ lỗi bit (BER) chỉ là 2 ~ 3dB [10] Nó có thể đơn giản hóa rất nhiều trên mô hình kênh UWB

1.5 Mục tiêu nghiên cứu của luận văn

* Trong nghiên cứu này, mục tiêu chính là giải quyết các vấn đề sau:

- Áp dụng lý thuyết mới nổi lên CS để giải quyết nút cổ chai của việc lấy mẫu là không khả thi với công nghệ ADC hiện tại

- Thực hiện phân tích về ảnh hưởng của các mô hình kênh UWB khác nhau lên các thuật toán CS sẽ được nghiên cứu Trong công việc này, chúng tôi đặc biệt Nghiên cứu các mô hình kênh UWB được đề xuất bởi IEEE 802.15.3a Từ kết quả phân tích này, chúng ta sẽ lựa chọn các phương pháp phù hợp nhất để áp dụng lý thuyết CS cho các hệ thống truyền thông UWB

Chương 2

CƠ SỞ LÝ THUYẾT VỀ THUẬT TOÁN COMPRESSED SENSING (CS)

2.1 Gới thiệu về Compressed Sensing

Thời gian gần đây, nhiều nghiên cứu về sự đặc trưng của tín hiệu rời rạc và CS

đã được công bố, đặc biệt trong xử lý tín hiệu Một đánh giá tổng quan sự phát triển cơ

bản của CS có thể được tìm thấy trong [11-12] Để tóm tắt các đặc trưng chính của CS,

giả sử rằng tín hiệu x ∈ là một tín hiệu thời gian rời rạc, tín hiệu x có thể được đại

diện theo một cơ sở RMXN với hệ số trọng lượng θ R N

Ta có x = Ѱθ (2.1)

Nếu vector = [ 1, 2, …, N] T có chứa K (K<<N) những hệ số khác 0, thì tín hiệu x

được định nghĩa là K- rời rạc, với cơ sở  Trong đó T được định nghĩa là ma trận vector

chuyển vị, bằng cách chiếu véc tơ x vào một ma trận phép đo ngẫu nhiên ɸ ∈ , K <

M < N, lúc đó ta có một tập hợp các phép đo y ∈ có thể được viết như sau:

y = ɸx = ɸѰθ + n hoặc y = Θθ + n (2.2)

Ở đây, n là vector chứa các phần tử nhiễu, để phục hồi từ y, chúng ta phải giải phương

trình (2.2), phương trình (2.2) rất khó giải quyết, thêm một vấn đề nữa là bậc M << N

Một phương pháp mới để giải quyết vấn đề trên đó là:

θ = argmin||θ||1, hoặc || y - ɸѰθ ||2 ≤ ɛ n (2.3)

Ở đây, là một số ước tính của thuật toán phục hồi -norm cho tín hiệu nhiễu và

|| ||θ  i| θ |i Vấn đề tối ưu này có thể được giải quyết bằng các phương pháp lập trình

tuyến tính như: Basis Pursuit (BP) [13], thuật toán Greedy, Orthogonal Matching Pursuit

(OMP). Số lượng phép đo để có thể phục hồi thành công tín hiệu gốc phụ thuộc vào K

-rời rạc và sự kết hợp của ɸ và Ѱ Sơ đồ khối của CS được minh họa trong hình 2.1 và

quá trình tạo phép đo với một ma trận Gauss ngẫu nhiên được minh họa trong hình 2.1

Hình 2.1 Sơ đồ khối của Compressed Sensing Khái niệm chính trong sự phát triển của lý thuyết CS là sự rời rạc và không liên kết Cả hai khái niệm sẽ được giới thiệu và thảo luận ngắn gọn trong phần tiếp theo

2.2 Sự rời rạc của tín hiệu

Sự rời rạc có nghĩa là tỷ lệ thông tin của một tín hiệu thời gian liên tục có thể nhỏ hơn nhiều so với băng thông của nó, hoặc tín hiệu thời gian rời rạc phụ thuộc vào một số bậc tự do mà nó nhỏ hơn đáng kể so với chiều dài của chính nó

Sparsifying matrix

Sparse transform coefficients

Một tín hiệu x ∈ có K- rời rạc trong cơ sở trực chuẩn   =[ 1, 2, ,N] nếu x là một

sự kết hợp tuyến tính của vector K từ  với K << N, ta có :

x θ (2.4)

Ở đây, là hệ số vector có cột Nx1, nó chỉ có K các phần tử khác 0

Trong thực tế có nhiều tín hiệu thực sự không rời rạc nhưng qua một vài phép biến đổi

trên một số cơ sở, thì phần lớn các phần tử của các hệ số vector là bằng 0 hay sấp xỉ 0

-0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5

Time (nS)

a) Tín hiệu rời rac cao b) Tín hiệu rời rạc thấpHình 2.3 Tín hiệu rời rạc cao và tín hiệu rời rạc thấp

Hơn nữa, độ lớn của các mẫu trong θ suy giảm theo quy luật công suất [16] Chỉ

có một vài hệ số chiếm ưu thế, các tín hiệu nén có thể được ước lượng một cách đầy đủ

bởi mô hình tín hiệu K rời rạc bằng cách giữ các hệ số K sao cho là lớn nhất [17]

Giả sử cặp (ɸψ) là cơ sở trực giao của , ở đây ɸ là phương thức cảm biến và

ψ là mô hình tín hiệu Định nghĩa sự liên kết giữa cảm biến cơ sở ɸvà biểu diễn cơ sở ψ

được đưa ra trong [18] là:

Phép đo sự liên kết là mối tương quan lớn nhất giữa hai yếu tố ɸ và ψ [19] Nếuɸ và ψ

chứa các yếu tố liên kết với nhau thì sự liên kết là rất lớn Còn ngược lại, nó là nhỏ Khi

nào sự liên kết là lớn và khi nào là nhỏ, phải xem xét đến µ (ɸψ) ∈ [1,√ ]

Ví dụ ɸ là cơ sở quy chuẩn hoặc là cơ sở hội tụ φ (t) = δ(t-k)k và ψ là hàm cơ sở Fourier có dạng ( ) = / / Vì ɸlà ma trận cảm biến, điều này tương ứng

với sơ đồ lấy mẫu cổ điển theo thời gian hoặc theo không gian Vì ta có cặp tần số thời gianμ( , ) = 1  , do đó chúng ta được độ không liên kết là cực đại Hơn nữa, đỉnh sóng và dạng sóng hình sin có độ không liên kết là cực đại không chỉ trong hình ảnh 1D mà còn trong bất kỳ chiều không gian 2D, 3D

Ví dụ có các dạng sóng cơ sở ψ và dạng sóng nhiễu ɸ Ở đây, độ liên kết giữa

dạng sóng nhiễu và dạng sóng Haar là bằng √2, và độ liên kết giữa dạng sóng nhiễu và dạng sóng Daubechies D4, D8 tương ứng là bằng khoảng 2,2 và 2,9 của các mẫu có kích thước n Giá trị độ liên kết càng cao thì càng tốt (Có nghĩa là dạng sóng nhiễu có độ không liên kết cực đại với đỉnh sóng và không liên kết với hàm cơ sở Fourier) Cuối

cùng, phần lớn ma trận ngẫu nhiên sẽ không liên kết với bất kỳ cơ sở cố định ψ nào

Chọn một cơ sở trực giao F một cách ngẫu nhiên, có thể được thực hiện bằng phương pháp trực giao các vectơ n bằng cách lấy mẫu độc lập và thống nhất trên đơn vị hình cầu

Sau đó bằng phép tính xác suất cao, độ liên kết giữa ɸ và ψ là bằng 2logn Bằng phương pháp mở rộng đưa vào dạng sóng ngẫu nhiên (φ (t))k ví dụ như phương pháp

Gaussian hoặc nhị phân, cũng sẽ cho ra độ liên kết là rất thấp với bất kỳ cơ sở cố định ψ

nào

2.4 Xây dựng ma trận phép đo

Đầu tiên, chúng ta thiết kế kích thước đo của hệ thống dữ liệu cần thu thập, dựa

trên ma trận ɸ Chúng ta tạo phép đo M (vector y) từ đó chúng ta có thể khôi phục lại tín hiệu x với độ dài N, hoặc tương đương với hệ số vector rời rạc trên cơ sở ψ Việc khôi

phục lại rõ ràng sẽ không thể thực hiện được nếu quá trình đo làm hư hoại thông tin trong

x Thật không may, đây là tình hình chung: Vì quá trình đo lường là tuyến tính và được

xác định theo các ma trận ɸ và Ѱ, để tìm ra cho y [trong (2.2)] đó là một vấn đề của

đại số tuyến tính, với M < N, có một vài phương trình không thể xử lý để giải quyết các vấn đề trên

Tuy nhiên, K- rời rạc của có thể giải quyết các vấn đề đó Trong trường hợp này vector phép đo y chỉ là sự kết hợp tuyến tính của các cột K do Θ với điều kiện #

0 Do đó, nếu chúng ta biết được rằng đầu vào K là khác 0, và sau đó chúng ta có thể tạo

ra một hệ thống ma trận M × K của các phương trình tuyến tính để giải quyết các hệ số

đầu vào khác 0 đó, từ đó ta biết được rằng số phương trình M sẽ bằng hoặc nhiều hơn lượng K chưa biết Đó là điều kiện cần và đủ để đảm bảo rằng hệ thống ma trận M × K là điều kiện đúng và từ đó ta có thể nghịch đảo ma trận một cách ổn định - đối với bất kỳ vector v nào phân chia cùng với đầu vào K khác 0 giống nhau, ta có được:

Vì # 0, ma trận Θ phải giữ nguyên độ dài của các thành phần vector K rời rạc

Tất nhiên, trong thực tế chúng ta sẽ không biết vị trí của đầu vào K khác 0 trong Và người ta có thể chứng minh rằng điều kiện đủ để tạo ra ma trận nghịch đảo ổn định gồm cả tín hiệu K rời rạc và các tín hiệu nén được đáp ứng (2.6) cho bất kỳ K rời rạc nào

đó là vector v Đây gọi là Restricted Isometry Property (RIP)

Một phương pháp khác để thay thế đó là đảm bảo rằng ma trận đo ɸ không liên kết với ma trận cơ sở rời rạc ψ có nghĩa là các vectơ {∅ } không thể biểu diễn rời rạc theo

các vectơ { } và ngược lại Ví dụ tam giác và đường hình sin Fourier theo quy luật của { } và {∅ } Vì vậy, khi đưa ra một ma trận cơ sở rời rạc ψ, làm thế nào để chúng ta xây dựng một ma trận đo ɸ sao cho Θ =  có RIP? Thật không may, chỉ đơn thuần

muốn xác minh một Θ có RIP là một vấn đề phức tạp; chúng ta phải tìm ra ẩn số của

phương trình (2.6) sao cho mỗi N

K ( ) liên kết với đầu vào K khác 0 trong vector v có chiều

dài-N Trong CS, chúng ta bỏ qua vấn đề này bằng cách chọn ɸ như một ma trận ngẫu

nhiên Ví dụ, chúng ta vẽ các phần tử ma trận , như các biến ngẫu nhiên độc lập và phân bố đều (iid) từ số 0, 1 / N mật độ Gaussian (tiếng ồn trắng) Sau đó, các phép đo y chỉ đơn thuần là sự kết hợp tuyến tính trọng số ngẫu nhiên khác nhau của các phần tử x

M

K- sparse N

Một ma trận Gaussian ɸ có tính chất như sau Thứ nhất, ɸ không liên kết với

ma trận cơ sở ψ = I của đỉnh tam giác với xác suất cao, vì nó đòi hỏi đầy đủ các đỉnh của

N để đại diện cho mỗi hàng của ma trận ɸ Hơn nữa, bằng cách sử dụng tập hợp các

argument phép đo, một ma trận Gaussian MxN có Θ = I =  có thể cho thấy xác suất cao nếu M ≥ cKlog (N / K), với c là một hằng số nhỏ [20] Vì vậy, chúng ta có thể phục hồi tín hiệu độ dài N, K-rời rạc và phương pháp nén với xác suất cao từ chỉ M ≥ cKlog (N / K) << N với phép đo Gaussian ngẫu nhiên Thứ hai, nhờ có các tính chất của

Gaussian trong việc phát ra ma trân ɸ, ma trận Θ =  cũng theo tính chất của

Gaussian bất kể sự lựa chọn trực chuẩn của ma trận cơ sở rời rạc ψ Do đó, ma trận phép

đo Gaussian ngẫu nhiên ɸ sử dụng phổ biến trong trường hợp Θ =  có xác suất cao

cho mọi Ѱ

2.5 Các phương pháp phục hồi tín hiệu rời rạc

Để đạt được một thuật toán phục hồi tối ưu, cần có một số yêu cầu Các yêu cầu được minh họa như sau:

(1) Tính ổn định Thuật toán phải ổn định Điều đó có nghĩa là khi các tín hiệu hoặc các phép đo bị nhiễu, sự phục hồi vẫn phải gần như chính xác

(2) Nhanh Thuật toán phải nhanh chóng nếu chúng ta muốn áp dụng nó vào thực tế (3) Đảm bảo thống nhất Khi thu được các phép đo tuyến tính bằng cách sử dụng một phương pháp cụ thể, những phép đo tuyến tính này có thể áp dụng cho tất cả các tín hiệu rời rạc

(4) Hiệu quả Thuật toán nên càng ít phép đo càng tốt

Bây giờ chúng ta muốn phục hồi lại tín hiệu x ∈ có K rời rạc với vector phép

đo y x có chiều dài Mx1 Vì ma trận phép đo ɸ ∈ MxN và M < N, công thức hình (2.2) chưa được xác định đủ Điều đó có nghĩa là chúng ta có nhiều biến chưa biết hơn các phương trình Về mặt lý thuyết, có rất nhiều xđể đáp ứng phuong trình (2.2) Tuy nhiên, trong trường hợp của chúng ta giả định thêm là K là rời rạc, và sau đó thêm một biến duy nhất x là đủ để phục hồi y Giải pháp tốt nhất sẽ là có vector rời rạc nhất có nghĩa là nó có hệ số bằng 0 nhiều nhất Xem xét phương pháp phục hồi tín hiệu l1-norm

là một phương pháp thực tế để phục hồi tín hiệu rời rạc:

min ‖ ‖ biến đổi ɸψ = y (2.7)

Giải pháp ˆθ dùng để tái tạo tín hiệu rời rạc x = θˆ Bằng cách sử dụng phương pháp l1norm cho phương trình (2.7) để tái tạo tín hiệu rời rạc đáp ứng với phép đo CS Phương pháp tái tạo tín hiệu rời rạc này gọi là Basis Pursuit (BP)[20] Phương pháp tái tạo BP là một thuật toán hiệu quả để tính toán và có thể được thực hiện bằng cách sử dụng phương trình tuyến tính

-Trong thực tế, các phép đo tuyến tính thường bị nhiễu và phương trình phép đo

có thể được diễn tả như sau :

Ở đây, λ > 0 phụ thuộc vào mức độ nhiễu Việc cân bằng λ là nhiệm vụ của phương pháp

l2-norm và phương pháp l1-norm của tín hiệu rời rạc Ở đây, λ phải được lựa chọn cẩn thận để việc tái tạo tín hiệu giữ được ở mức độ trung thực cao của tín hiệu ban đầu Một

lần nữa, nếu có thuật toán tạo ra sự kết hợp nhanh giũa ɸ và Ѱ, thì thuật toán tái tạo

nhanh đó có thể thực hiện để tái tạo tín hiệu[21]

Để phục hồi lại tín hiệu rời rạc, việc sử dụng phương pháp l1-norm với phép đo

có nhiễu có thể được xây dựng như là một vấn đề LASSO Đó là [22]:

1

min || || s t ||θ θ y - || ε, (2.10)

ở đây, ε là công suất giới hạn nhiễu trong các phép đo Phương trình (2.10) cũng là một vấn đề nổi bật và hiệu quả các thuật toán có thể được phát triển để giải quyết phương trình (2.10) Định lý được liệt kê dưới đây cho thấy độ chính xác của giải pháp cho phương trình (2.10)

Định lý 2.1: Giả định rằngδ < 2-12S , thì giải pháp nghịch đảo tín hiệu xcho phương trình (2.10) được diễn tả như sau :

Định lý (2.1) cho thấy rằng lỗi trong việc tái tạo tín hiệu bị giới hạn bởi hai thuật ngữ Đầu tiên là độ lỗi xấp xỉ và thứ hai là mức độ tiếng ồn phép đo Nó cũng chỉ ra rằng các hằng số C0 và C1 thường nhỏ Do đó, việc phục hồi mạnh mẽ của tín hiệu rời rạc đã đạt được ngay cả việc sử dụng các phép đo nhiễu

Để tái tạo tín hiệu mượt và rời rạc như các hình ảnh tự nhiên, một thuật toán khác có thể được sử dụng là Total Variation (min-TV) với sự liên kết bậc hai Với tín

hiệu hình ảnh x(i,j) có kích thước NxN, sau đó sử dụng phương pháp Total Variation

(min-TV) với sự liên kết bậc hai để giải quyết vấn đề sau đây:

TV x min || ||x s t || x y- ||  ε, (2.12)

2.6 Một số ứng dụng của Compressed Sensing

CS có thể được sử dụng trong tất cả các ứng dụng, nơi có nhiệm vụ tạo ra một tín hiệu hoặc hình ảnh từ một tập hợp các phép đo tuyến tính nhỏ

Dưới đây là danh sách các ứng dụng mà CS hiện đang được sử dụng

• Nén dữ liệu

• Mã hóa kênh

• Thu thập dữ liệu

• Chuyển đổi tương tự thành thông tin

• Điện não đồ (EEG)

• Chụp cắt lớp kết hợp quang học (OCT)

• Phát hiện mục tiêu hoặc Radar

Một số ứng dụng của CS

1 Rice Single-Pixel CS Camera

2 Georgia Tech Analog Imager

3 Ex Magnetic Resonance Imaging

4 CS Low-Light Imaging with PMT

7 Surveillance and Monitoring with

Chương 3 CÔNG NGHỆ SIÊU BĂNG RỘNG (ULTRA-WIDE BAND)

Chương này giới thiệu các khái niệm chung và giải thích về UWB để chứng minh UWB là một kĩ thuật hấp dẫn và có tính đột phá Trước hết tác giả trình bày về lịch sử phát triển của UWB để thấy rằng UWB không hoàn toàn là kĩ thuật mới cả về phương diện khái niệm lẫn các kĩ thuật xử lí tín hiệu được sử dụng Với các ưu thế như tốc độ cao, công suất tiêu thụ thấp, gây nhiễu nhỏ v, v, các ứng dụng UWB rất hấp dẫn cả ở hiện tại

và trong tương lai với các ứng dụng không dây

3.1 Định nghĩa siêu băng rộng

UWB mô tả các hệ thống truyền dẫn trải phổ tới 500 MHz hay tỉ số băng tần lớn hơn 20%

Trong đó B:=f H -fL chỉ băng tần 10 dB của hệ thống, và tần số trung tâm hệ thống

UWB với f c =(f H +f L )/2 với f H là tần số cao với công suất thấp hơn 10 dB so với tần số có

công suất cực đại, và f L là tần số thấp với công suất thấp hơn 10 dB so với tần số có công suất cực đại

Về mặt lịch sử, các hệ thống rada UWB được phát triển chủ yếu để phục vụ mục đích quân sự bởi vì chúng có thể “nhìn xuyên qua” cây cối và mặt đất Tuy nhiên, gần đây kĩ thuật UWB chủ yếu sử dụng trong lĩnh vực dân sự như các ứng dụng điện tử viễn thông Các đặc điểm lí tưởng của các hệ thống UWB là công suất tiêu thụ thấp, giá thành thấp, tốc độ cao, khả năng định vị chính xác và gây nhiễu cực nhỏ

Mặc dù các hệ thống UWB đã phổ biến nhiều năm trước nhưng gần đây mới thực

sự được chú ý trong ngành công nghiệp vô tuyến Kĩ thuật UWB có khác biệt so với các

kĩ thuật truyền dẫn không dây băng hẹp thông thường- thay bằng truyền dẫn trên các kênh tần số riêng biệt, UWB trải tín hiệu trên một dải rộng tần số Dạng truyền thông điển hình dựa trên sóng vô tuyến dạng sin được thay thế bởi các chuỗi xung với tốc độ hàng triệu xung trên một giây Với băng tần rộng và công suất rất nhỏ làm tín hiệu UWB giống như tạp âm nền

Lịch sử phát triển của UWB

Phần lớn mọi người nghĩ rằng UWB là một công nghệ “mới”, do nó là công nghệ cho phép thực hiện những điều trước đó không thể có Đó là tốc độ cao, kích cỡ thiết bị nhỏ hơn, tiêu thụ công suất thấp hay cung cấp các ứng dụng mới Tuy nhiên, đúng hơn

UWB là công nghệ mới theo nghĩa các thuộc tính vật lí mới của nó được phát hiện và được đưa vào ứng dụng

Tuy nhiên, phương pháp chiếm ưu thế trong truyền thông vô tuyến hiện nay dựa vào các sóng dạng sin Truyền thông dựa vào sóng điện từ dạng sin đã trở nên phổ biến trong truyền thông vô tuyến đến nỗi nhiều người không biết rằng hệ thống truyền thông đầu tiên thực tế dựa trên tín hiệu dạng xung Năm 1893 Heirich Hertz sử dụng một bộ phát xung để tạo sóng điện từ cho thí nghiệm của ông Các sóng đó hiện nay có thể được gọi là các tạp âm màu Trong khoảng 20 năm sau những thí nghiệm đầu tiên của Hertz, các

bộ tạo sóng chủ yếu là các bộ phát tia lửa điện giữa các điện cực cacbon

Tuy nhiên, truyền thông dựa trên sóng dạng sin trở thành dạng truyền thông chủ yếu

và chỉ đến những năm 1960 các ứng dụng UWB mới được khởi động lại một cách nghiêm túc và tập trung chủ yếu vào phát triển các thiết bị rada và truyền thông Ứng dụng trên lĩnh vực rada được chú ý rất nhiều vì có thể đạt được các kết quả chính xác với các hệ thống rada dựa trên truyền dẫn xung cực ngắn Các thành phần tần số thấp của tín hiệu UWB có đặc tính đâm xuyên vật thể tạo cơ sở để phát triển các loại rada quan sát những vật thể che

khuất như rada lòng đất Năm 1973 có bằng sáng chế đầu tiên cho truyền thông UWB

Lĩnh vực ứng dụng UWB đã chuyển theo hướng mới Các ứng dụng khác, như điều khiển giao thông, các hệ thống định vị, đo mực nước và độ cao cũng được phát triển Phần lớn các ứng dụng và phát triển diễn ra trong lĩnh vực quân sự hay nghiên cứu được tài trợ bởi chính phủ Mĩ dưới các chương trình bí mật Trong quân đội, các chương trình nghiên cứu ứng dụng công nghệ UWB như rada chính xác hoạt động dưới danh nghĩa các chương trình nghiên cứu và phát triển

3.2 UWB hấp dẫn tại sao?

UWB có một số lợi thế hấp dẫn ứng dụng truyền thông

Những lợi ích chính của UWB được tóm tắt như sau:

Trong đó C là dung lượng tối đa của kênh, với đơn vị [b/s]; B là băng tần kênh [Hz];

S là công suất tín hiệu [W] và N là công suất tạp âm [W]

Biểu thức này nói cho thấy có ba cách có thể làm để tăng dung lượng kênh Có thể tăng băng tần, tăng công suất tín hiệu hay giảm tạp âm Có thể thấy rằng dung lượng

kênh tăng tuyến tính với băng tần B nhưng chỉ theo hàm loga với công suất tín hiệu S

Kênh UWB có băng tần rất lớn và thực tế có thể hy sinh (tăng) độ rộng băng tần để giảm công suất phát và nhiễu đến các nguồn vô tuyến khác Qua biểu thức Shannon có thể thấy các hệ thống UWB có khả năng cung cấp tốc độ rất cao cho các hệ thống truyền thông không dây

Truyền dẫn UWB cho truyền thông là tốc độ cao Hiện nay tốc độ chip liên tục được cải thiện, phần lớn các ứng dụng nhằm đạt tốc độ trong khoảng 100 Mb/s tới 500 Mb/s [23], tương đương Ethernet có dây tới USB 2.0 Tốc độ đó tương đương với 100 đến 500 lần tốc độ của Bluetooth, khoảng 50 lần tốc độ của 802.11b hay 10 lần tốc độ của WLAN

Bảng 3.1: So sánh tốc độ của UWB với các chuẩn không dây cũng như có dây

10 m, 200 Mb/s với khoảng cách cỡ 4 m và 480 Mb/s với khoảng cách nhỏ hơn 4m