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

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG



Tạ Đăng Hải

NGHIÊN CỨU GIẢI PHÁP KẾT HỢP ĐIỀU CHẾ THÍCH NGHI VÀ CÂN BẰNG
NƠRON ĐỂ CẢI THIỆN HIỆU NĂNG TRUYỀN DỮ LIỆU CHO HỆ THỐNG THÔNG
TIN DI ĐỘNG BĂNG RỘNG
Chuyên ngành: Kỹ thuật điện tử
Mã số: 60.52.70
TÓM TẮT LUẬN VĂN THẠC SĨ


HÀ NỘI - 2011

Luận văn được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG


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


Phản biện 1: ……………………………………………

Phản biện 2: ……………………………………………




Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công

nghệ Bưu chính Viễn thông
Vào lúc: giờ ngày tháng năm

Có thể tìm hiểu luận văn tại:
- Thư viện của Học viện Công nghệ Bưu chính Viễn thông






MỞ ĐẦU
Với sự ra đời của các hệ thống thông tin di động tốc độ cao thì fading càng tác
động mạnh đến chất lượng truyền dẫn của hệ thống, các kênh thường biểu hiện chất
lượng hầu như tức thời thay đổi theo thời gian. Do đó các phương thức điều chế cố định,
cân bằng cổ điển bị tác động các cụm lỗi. Một trong những phương pháp có hiệu quả để
loại trừ các ảnh hưởng có hại đó là điều chế thích nghi các dạng điều chế, mã hóa theo
các tham số của hệ thống dựa vào thông tin chất lượng kênh gần như tức thời do máy thu
nhận được và phản hồi trở lại máy phát. Đó chính là phương pháp điều chế-mã hóa thích
nghi.
Ngoài ra, kênh vẫn còn tác động của can nhiễu do fading gây ra, nhưng kênh bây
giờ là băng rộng có tính phi tuyến biểu hiện các khe thăng giáng sâu trong băng tần. Vì
vậy để giảm can nhiễu bây giờ dựa vào các bộ cân bằng tuyến tính thông thường sẽ
không còn hiệu quả, mà cần phải có bộ cân bằng giải quyết được tính phi tuyến của kênh,
phương pháp đơn giản, hiệu quả nhất là cân bằng mạng nơron.
Luận văn này sẽ nghiên cứu điều chế thích nghi-cân bằng bằng nơron và kết hợp
chúng trong một giải pháp hệ thống duy nhất nhằm đáp ứng yêu cầu thực tiễn các hệ
thống di động băng rộng hiện có và sẽ có.
Phương pháp nghiên cứu:
- Trước hết nghiên cứu các vấn đề điều chế thích nghi, cân bằng một cách riêng

rẽ. Từ đó chỉ ra lý thuyết cơ bản của điều chế thích nghi, cân bằng mạng nơron
và tác dụng đưa lại cho hệ thống.
- Xây dựng một số luật học cho một số bộ cân bằng nơron nhằm chỉ ra các tham
số cho bộ cân bằng.
- Dựa vào kết quả mô phỏng đã có của các tác giả khác, luận văn sẽ phân tích,
nhận xét để rút ra những khuyến nghị áp dụng.
Ý nghĩa khoa học của đề tài:
- Xây dựng một số thuật toán cho cân bằng nơron thuận, phản hồi và xuyên tâm
đơn giản.
- Đánh giá độ ổn định của bộ căn bằng
Ý nghĩa thực tiễn:
- Khuyến nghị áp dụng các phương thức điều chế vào những điều kiện hoàn
cảnh khác nhau.

Công cụ nghiên cứu:
- Toán xác suất và đại số tuyến tính.
- Lý thuyết truyền tin và mạng nơron.
Nội dung luận văn:
Chương 1: Tổng quan về hệ thống thông tin thích nghi. Chương này nhằm chỉ ra
nét cơ bản của hệ thống, các công trình nghiên cứu về chúng, hiệu năng trong kênh.
Chương 2: Điều chế thích nghi và cân bằng. Chương này giới thiệu các giải pháp
điều chế thích nghi và cân bằng nhằm làm cơ sở cho các nghiên cứu mở rộng ở chương 3.
Chương 3: Kết hợp điều chế thích nghi- cân bằng nơron. Trong chương này trên
cơ sở mô hình kết hợp, luận văn sẽ nghiên cứu sâu hơn bộ cân bằng và các thuật toán đào
tạo cho cân bằng trong hoàn cảnh kết hợp.



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

CỦA HỆ THỐNG
1.1 Giới thiệu
Để đi sâu vào nghiên cứu các bài toán về điều chế và cân bằng trong các hệ thống
thích nghi, trước hết luận văn sẽ giới thiệu những nét cơ bản nhất về hệ thống thích nghi,
hiệu năng của hệ thống trong kênh nhiễu Gauss, kênh fading Rayleigh.
Luận văn cũng sẽ điểm qua một số công trình nghiên cứu nổi bật trên thế giới
xung quanh lĩnh vực này.
1.2 Nguyên lý thích nghi
Điều chế thích nghi AQAM là một giải pháp thích hợp cho thông tin giữa trạm
gốc và máy di động. Thích nghi AQAM là hoạt động của máy phát để đáp ứng các điều
kiện biến đổi theo thời gian của kênh. Nhằm phản ứng một cách hiệu quả các biến đổi
chất lượng kênh, hệ thống thích nghi thực hiện các bước sau:
 Ước lượng chất lượng kênh
 Chọn các tham số truyền dẫn tiếp theo một cách thích hợp
 Báo hiệu hoặc phát hiện các tham số đã được sử dụng






1.3 Hiệu năng của hệ thống QAM trong kênh nhiễu Gauss
Hầu hết ước lượng chất lượng kênh là tỷ lệ lỗi bit (BER – Bit Error Rate), vì nó
phản ánh chất lượng kênh không kể đến nguồn hoặc bản chất sự suy giảm chất lượng.

1.4 Một số công trình nổi bật nghiên cứu về các hệ thống điều chế thích nghi
và cân bằng Nơron.
Luận văn này học viên nhằm theo hướng nghiên cứu các luật học đơn giản và kết
hợp điều chế thích nghi với cân bằng nơron. Cùng đó đưa ra phân tích một số công trình
nghiên cứu trước đó về các lĩnh vực này.
Kết luận:
Qua các nội dung trên ta đã thấy được bức tranh tổng quát để thực hiện được các
hệ thống điều chế thích nghi phải có những khâu cơ bản nào.
Tiếp đó, giới thiệu hiệu năng của kênh vô tuyến mà đặc trưng là BER trong kênh
nhiễu Gauss ứng với các loại điều chế khác nhau. Luận văn đã nghiên cứu BER trong
kênh fading Rayleigh ứng với các dạng điều chế khác nhau. Qua đó để giúp định hướng
5
2
10
-1
5
2
10
-2

0
5

10

1
5

20

2
5

30

3
5 40 4
5

50 55 60

SNR(dB)

BER

BPSK: Lý thuyết
BPSK: Mô phỏng
QPSK: Lý thuyết
QPSK: Mô phỏng
Hình 1.1: Bi
ể
u th
ị

BER đ
ố
i v
ớ

i

h
ệ

th
ố
ng BPSK, 4QAM, 16QAM, 64QAM trong kênh fading ph
ẳ
ng Rayleigh.


xác định phương thức điều chế khi SNR thay đổi. Cuối cùng chương 1 đã điểm qua một
số công trình tiêu biểu trong quá trình nghiên cứu điều chế thích nghi-cân bằng mạng
nơron để qua đó định hướng bài toán theo nghiên cứu của luận văn.
Chương 2
ĐIỀU CHẾ THÍCH NGHI VÀ CÂN BẰNG MẠNG NƠRON
2.1 Điều chế thích nghi
2.1.1 Giới thiệu
Điều chế thích nghi là một giải pháp rất hiệu quả để thiết lập các hệ thống truyền
dẫn trên kênh fading biến đổi theo thời gian. Nguyên lý cơ bản của nó là phải ước lượng
kênh tại máy thu và phản hồi ước lượng này trở lại máy phát để máy phát thay đổi
phương pháp điều chế tương ứng với sự thay đổi các đặc tính của kênh truyền để sao cho
duy trì được xác suất lỗi ở đầu thu. Các kỹ thuật điều chế không thích nghi kịp các điều
kiện của fading mà cần có độ dự phòng tuyến cố định để duy trì hiệu năng chấp nhận
được khi chất lượng kênh xấu. Như vậy các hệ thống này được thiết lập đáp ứng được các
điều kiện kênh xấu nhất. Do thích nghi được với kênh fading cho nên nó có thể làm tăng
độ thông qua trung bình, giảm công suất phát cần thiết, giảm xác suất lỗi bít trung bình.
2.1.2 Tổng quan hệ thống truyền dẫn thích nghi

Máy phát

Kênh

Máy thu

r[i]

y[i]

x[i]

Điều khiển
ngu
ồ
n S[i]

Mã hóa và điề
u
chế thích nghi
R[i].C[i]



[i]

Ước lượng
kênh
Đ
ộ

tr
ễ
: i
e
;


Giải mã
và giải điều chế

+

X



[

]

n[i]

̂
[i]



[i]

Trễ
i
f

Kênh ph
ả
n h
ồ
i

Hình 2.1: Mô hình hệ thống truyền dẫn thích nghi.
2.1.3 Điều chế thích nghi bằng biến đổi tốc độ
Trong điều chế biến đổi tốc độ thì tốc độ số liệu () biến đổi theo độ lợi kênh .
Người ta thực hiện điều này bằng cách cố định tốc độ ký hiệu điều chế R
s
= 1/T
s
và sử
dụng giải pháp nhiều sơ đồ điều chế hoặc cỡ nhiều chùm sao tín hiệu điều chế hoặc cố
định sơ đồ điều chế và thay đổi tốc độ ký hiệu.
2.1.4 Điều chế thích nghi bằng biến đổi công suất
Để bù lại sự biến đổi SNR do fading, người ta thường dùng phương pháp điều chế
thích nghi biến đổi công suất phát. Mục tiêu của nó là duy trì xác suất lỗi bít cố định hoặc
tương đương với SNR thu không đổi. Thích nghi công suất phát nghĩa là bù đảo ngược
fading kênh sao cho kênh sẽ được biểu hiện như một kênh AWGN đối với giải pháp điều
chế và giải điều chế này.

2.1.5 Điều chế thích nghi biến đổi tốc độ và biến đổi công suất trong hệ thống
MQAM.
Ở mục này, luận văn nghiên cứu một dạng điều chế thích nghi đặc biệt, đó là điều
chế bằng cách biến đổi tốc độ và công suất của hệ thống MQAM để đạt cực đại về hiệu
suất phổ trong lúc đó vẫn đáp ứng mục tiêu p
b
tức thời đã cho. Ở đây luận văn cũng chỉ ra
rằng có một khe hở công suất không đổi giữa hiệu quả phổ của kỹ thuật điều chế MQAM
thích nghi này và dung lượng trong fading phẳng và khe hở này có thể khép lại một phần
bằng cách thêm vào mã lưới trong điều chế thích nghi.
2.1.6 Thích nghi công suất bằng biến đổi ngược kênh với tốc độ cố định
Hiện nay, người ta còn nghiên cứu giải pháp thích nghi công suất bằng biến đổi
ngược kênh để duy trì SNR thu cố định. Sau đó sẽ phát tín hiệu điều chế MQAM tốc độ
cố định duy nhất để đạt được mục tiêu p
b
.
2.1.7 Thích nghi tốc độ rời rạc
Khi thiết kế MQAM thích nghi cầu phải xác định các biên của R
j
. Trong lúc đó có
thể tối ưu các biên này để làm cực đại hiệu quả phổ, việc này chúng ta sẽ trở lại bằng
cách sử dụng phương pháp cận tối ưu.
2.1.8 Hiệu năng của hệ thống điều chế thích nghi
Trước khi đi vào tính toán xác suất lỗi trung bình của hệ thống điều chế thích nghi,
ta định nghĩa xác suất lỗi cho hệ thống điều chế thích nghi tổng quát:






=
ố   ỗ
ố  đã á đ

(2.1)
Khi hệ thống đã có tốc độ bit thích nghi liên tục theo , ký hiệu tốc độ đó là ()
thì xác suất lỗi bit trung bình bây giờ là:





=
∫


∞

(

)

(

)

(

)


∫

(

)

(

)

∞


(2.2)
Trong trường hợp hệ thống điều chế chỉ thích nghi với tốc độ rời rạc thì:





=
∑




∫








(

)

(

)

∑




∫

(

)







(2.3)

Trong đó:


(

)
là xác suất lỗi bit biến đổi theo .
p() là hàm mật độ phân bố xác suất của .
2.2 Cân bằng bằng mạng Nơron
2.2.1 Giới thiệu
Trong mục này chúng ta đưa ra cái nhìn tổng quan về cân bằng dựa vào mạng
nơron. Cân bằng kênh có thể được xem dưới dạng phân loại các bài toán. Giải pháp tối
ưu bài toán này là bài toán phi tuyến không kết hợp. Vậy chúng ta sẽ thảo luận làm thế
nào để cấu trúc phi tuyến của mạng nơron nhân tạo có thể nâng cao hiệu năng của một bộ
cân bằng kênh so với cách truyền thống và nghiên cứu cách thiết kế mạng nơron để đáp
ứng cân bằng kênh như những mạng đào tạo nhiều lớp (Multi-Layer Perceptron - MLP),
mạng đào tạo đa thức (Polynomial Perceptron-PP) và mạng nơron xuyên tâm (Radial
Basis Function - RBF). Chúng ta nghiên cứu cấu trúc mạng nơron RBF chi tiết áp dụng
cho cân bằng kênh. Hơn nữa, chúng ta sẽ mô tả tổng quan mạng RBF và đi vào các ứng
dụng của nó.
2.2.2 Mô hình kênh
Một kênh băng thông giới hạn tạo ra nhiễu giao thoa liên ký tự (Inter Symbol
Interference –ISI) có thể được mô tả bởi bộ lọc ngang rời rạc có hàm truyền đạt:

(

)
=
∑








(2.4)
Ở đâyp f
n
đáp ứng xung thứ n của kênh và L+1 là chiều dài của đáng ứng xung
kênh (channel impulse respone – CIR).






Z
-
1

Z
-
1

Z
-
1

{I

k
}

{f
0
}

{f
0
}

{f
L-1
}

{f
L
}
{


}

{


}
Hình 2.2
: Mô hình r
ờ

i r
ạ
c th
ờ
i gian c
ủ
a kênh

nhi
ễ
u xuyên ký t
ự

và nhi
ễ
u Gauss tr
ắ
ng
2.2.3 Cấu trúc mạng cân bằng
Trong phần này chúng ta sẽ chỉ ra rằng các đặc tính của dãy phát có thế được biểu
thị bằng trạng thái hữu hạn của kênh và xem xét bài toán cân bằng như là một bài toán
thuộc loại hình học.







Hình 2.3: Sơ đồ cân bằng tuyến tính m đốt

2.2.4 Cấu trúc mạng Nơron
2.2.4.1 Giới thiệu.
Mạng nơron nhân tạo là một lớp các mô hình được giả lập hệ thống thần kinh
của con người. Các mô hình này bao gồm các yếu tố xử lý được biểu diễn bằng các
nơron, mỗi nơron có một số dữ liệu đầu vào và dữ liệu đầu ra. Người ta sử dụng một tổ
hợp tuyến tính để tính ra một giá trị từ tất cả dữ liệu đầu vào. Giá trị này gọi là tổng trọng
số của dữ liệu đầu vào. Giá trị tổng trọng số trừ đi giá trị ngưỡng của các nơron để tạo ra
sự khởi động của nơron. Ký hiệu kích hoạt làm tham số cho hàm kích hoạt để tạo ra dữ
liệu đầu ra của nơron. Hàm kích hoạt thường là hàm phi tuyến tính mà nó cho phép mạng
z
-
1

z
-
1

z
-
1

z
-
1

Cân b
ằ
ng quy
ế
t

đ
ị
nh

v
k

v
k-1

v
k-m+1







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

2.2.4.2 Cấu trúc mạng nơron
Cấu trúc mạng nơron được xác định bởi việc sắp xếp các nơron trong mạng. Cấu
trúc khác nhau được nghiên cứu cho các ứng dụng khác nhau.

Lớp vào Lớp ra
Lớp vào Lớp ra Lớp ẩn
Perceptron đơn lẻ(SLP) Perceptron đa lớp(MLP)
Hình 2.5: Mạng nơron tiến
Đầu vào
Hàm kích hoạt
Synaptic trọng tâm
Hình 2.4: Mạng Nơron nhân tạo (nơron thứ j)



(
∙
)

w
0j

w
1j

w
ij
w
Ij

x
0
= 1
x
1

x
I
x
i


⋮

⋮

v
j

y
j

Mạng nơron nhân tạo tiến có cấu trúc các lớp như Hình 2.5, ở đây tất các đường
kết nối trực tiếp từ đầu vào tới đẩu ra không có hồi tiếp. Các mạng dạng này thường hoạt
động không ổn định. Đặc trưng của nơron trong mỗi lớp mạng chỉ có các tín hiệu ra lớp
mạng trước đi vào đầu vào. Có 2 loại cấu trúc mạng perceptron thường sử dụng là:
- Mạng perceptrong đơn lớp (SLP): Mạng có 1 lớp mạng nơron
- Mạng perceptron đa lớp(MLP): Mạng có nhiều lớp mạng nơron
Mạng nơron hồi tiếp là dạng mạng nơron nhân tạo tiến nhưng có Chúng ta cũng
xem xét đến dạng mạng nơron nhân tạo tiến nhưng có ít nhất một vòng phản hồi.

Và cùng là mạng nơron nhân tạo dạng lưới, mạng có dạng mạng một chiều, 2
chiều hay nhiều chiều dãy nơron.
Trong các mô hình mạng nơron có đặc tính được chỉ ra bởi đặt tính các nút mạng,
kiểu mạng và bởi quy tắc huấn luyện và học tập của mạng.
2.2.5 Cân bằng trên cơ sở huấn luyện đa lớp

L
ớ
p đ
ầ
u vào

L
ớ
p
ẩ
n 1

L
ớ
p
ẩ
n 2

L
ớ
p đ
ầ
u ra

Hình 2.6: Mô hình cân bằng huấn luyện đa lớp m-đốt.
2.2.6 Cân bằng trên cơ sở đa thức
Cấu trúc cân bằng trên cơ sở đa thức (Polynomial Perceptron - PP) được Chen,
Gibson và Cowan nghiên cứu. Cân bằng PP có cấu trúc đơn giản và việc tính toán ít
phức tạp hơn cấu trúc MLP. Với cấu trúc đa lớp kết hợp kỹ thuật đa thức gần đúng trong
giải pháp tối ưu cân bằng phi tuyến gần đúng.

Hình 2.7: Cân bằng trên cơ sở đa thức sử dụng bậc m= 2 và đa thức bậc l=3
Xét một mô hình đa thức cấp l = 3 hoặc l = 5, đủ cho việc giới thiệu hoạt động của
hàm sigma và kết quả tính toán của hàm. Xét cân bằng trên cơ sở đa thức đơn giản với
m=2, cấp đa thức l=3. Khi đó hàm đa thức quyết định có dạng:


(


)
= (



+ 



+ 





+ 





+ 




+





+ 






+ 







+ 




)
(2.5)
2.2.7 Thuật toán tạo cụm K-trung bình
L
ớ
p đ
ầ
u vào

L
ớ
p đ
ầ
u ra

Thông thường, chức năng của thuật toán K-trung bình là chia phân vùng chính
thành các vector trong đoạn K và sau đó tìm vector trọng tâm, c
i
, i = 1,…,K, vector đó là
đại diện tốt nhất cho tập vector trong mỗi khoảng hay đoạn riêng. Trong mạng cân bằng
dựa trên RBF thiết kế các vector dạng cụm có các vector trạng thái nhiễu của kênh v
k
, k =
−∞,…,+∞ để quan sát cân bằng sử dụng các khóa vector hiện tại.

Các bài toán kết hợp sử dụng thuật cụm K-trung bình thực hiện cụm xử lý có thể
không đạt tới tối ưu hay cấu trúc gần tối ưu. Thuật toán chỉ đảm bảo cận tối ưu dựa trên
cận được xác lập trước.
2.2.8. Mạng Nơron xuyên râm RBF(Radial Basic Function)
2.2.8.1 Giới thiệu







Hình 2.8: Cấu trúc mạng nơron xuyên tâm (RBF)
Mạng RBF gồm có 3 lớp khác nhau, được chỉ ra như Hình 2.14. Lớp vào được cấu
thành bởi p nút nguồn. Một tập M hàm kích hoạt phi tuyến 

, i = 1, …, M, tạo thành lớp
ẩn thứ 2. Đầu ra của mạng được tạo nên bởi lớp thứ 3, nó bao gồm các nút ra. Cấu trúc
này dựa trên thiết kế mạng nơron cơ bản. Hàm kích hoạt trong lớp ẩn tạo nên hàm xuyên
Lớp đầu vào Lớp ẩn Lớp đầu ra



























=
1



=



(

)










tâm RBF. Hàm có đặc tính là các đáp ứng có dạng hàm tăng hoặc giảm đều tính từ tâm
điểm C.
2.2.9 Cân bằng RBF trong Modem nhiều mức
Trong phần này chúng ta sẽ mở rộng thiết kế cân bằng RBF với mức phức hợp
Modem nhiều mức, ở đây thông tin từ tập giá trị phức M, T
i
, i = 1,2,…,M. Trạng thái
kênh mong muốn có thể đáp ứng với phân vùng trong M lớp lớn hơn 2, theo giá trị của
ký tự truyền 

, được xác định bởi biểu thức dạng:

,

= {

|

= ℒ

}

= 


,…,


,…,




, = 1,2,…
(2.6)
Ở đây r
i
j
, j = 1, …,n
i
s
, là trạng thái kênh ra mong muốn của việc truyền ký tự


= ℒ

,= 1,…. Rõ ràng hơn, số n
i
s
là số trạng thái kênh r
i
j

trong tập 
,

. Số trạng
thái kênh trong tập 
,

là tất cả ký tự truyền ℒ

, i = 1,2,…M.


M
ạ
ng RBF

M
ạ
ng RBF

M
ạ
ng con th
ứ

M

Hình 2.9: Cân bằng mạng modem trong M mức
M
ạ

ng con th
ứ

1

Độ phức tạp tính toán của cần bằng nhiều mức RBF phụ thuộc vào bậc của M
trong sơ đồ điều chế, do vậy số nút ẩn con RBF là 


= 

.
Bảng 2.3: Độ phức tạp tính toán của mạng cân bằng RBF bậc m với mẫu đầu
ra điều chế M-ary. Tổng số nút ẩn của cân bằng RBF là 

.
Số phép công trừ
Số phép nhân
Số phép chia
Số mũ
Số hàm Max
2



−





(+ 1)






1

2.2.10 Cân bằng thích nghi RBF
Như ta biết đầu ra kênh nhiễu tự do là yếu tố cần xác định của hàm quyết định kết
hợp, ước lượng trạng thái kênh được xác định như phần cấu trúc cân bằng. Do vậy trạng
thái kênh phải được học trong quá trình truyền dữ liệu thực tế hoặc có được trong quá
trình đào tạo. Cách thức này có thể được xây dựng trên 2 phương pháp:
- Phương pháp ước lượng CIR yêu cầu
- Sử dụng thuật toán cụm K-trung bình
Kết luận
Trong chương này luận văn đã tóm tắt mạng nơron xuyên tâm và mô tả vấn đề cân
bằng. Kiến trúc của các mạng RBF được trình bày và chúng tôi đã nêu thiết kế của phần
tử cân bằng RBF dựa trên lời giải phần tử cân bằng Bayes. Quá trình so sánh giữa phần
tử cân bằng MSE và RBF chỉ ra rằng phần tử cân bằng RBF có khả năng đưa ra siêu tính
năng khi thêm trình tự cân bằng tương đương có xét đến gia số phức tạp lũy thừa mũ khi
tăng trình tự phần tử cân bằng. Phần tử cân bằng RBF có trình tự nạp tiến với m= 9 sẽ cải
tiến tính năng 10dB và 20dB thông qua bộ cân bằng MSE đối với kênh Guass 2 đường và
3 đường thẳng và phần tử cân bằng RBF thể hiện đặc tính BER dư, nếu kênh nêu ra rằng
tương ứng với các biểu tượng truyền phát khác nhau là không thể phân tách trong khoảng
trống quan sát kênh.
Tính năng lựa chọn của phần tử cân bằng RBF sử dụng thuật toán tạo chùm tâm
vector, thuật toán tạo chùm tâm vô hướng và phần tử ước lượng kênh LMS sẽ được so
sánh. Tập hợp của thuật toán tạo chùm phụ thuộc vào số lượng hệ số kênh được lựa chọn

và đó đó phụ thuộc vào mô hình module hóa được sử dụng và phụ thuộc vào chiều dài
CIR. Tuy nhiên, tập hợp kỹ thuật ước lượng lênh LMS chỉ phụ thuộc vào chiều dài CIR
và do đó kỹ thuật này phù hợp hơn với các sơ đồ module hóa trình tự cao và chiều dài
CIR lớn. Điều này đặc biệt đúng trong trường hợp khi chế độ module hóa của trình tự đào
tạo khác với trình tự dữ liệu, ví dụ đối với hệ thống QAM lựa chọn, trong đó sẽ sử dụng
chế độ module hóa mạnh hơn. Kỹ thuật ước lượng kênh LMS chỉ được sử dụng để đạt
được các tâm RBF tương ứng vì đầu ra kênh mong muốn sẽ phù hợp hơn đối với dãysố
dữ liệu và đào tạo. Sau đó phản hồi quyết định được đưa vào phần tử cân bằng RBF để
giảm sự phức tạp tính toán của nó. Tính năng của nó được cải thiện, vì khoảng cách
Euclidean giữa kênh nêu rằng tương ứng với các biểu tượng truyền phát khác nhau được
tăng lên, khi sơ đồ DFE được sử dụng. Cần nhớ lại rằng các tham số của RBF DFE được
lựa chọn sẽ là m = r + 1 và n = L trong đó m, n, r và L + 1 là trình tự tiến, trình tự hồi
quy, trễ và chiều dài CIR, trong đó đưa ra lời giải hợp lý nhất đối với phần tử cân bằng cố
định r. Như mong muốn, suy giảm tính năng do khả năng xảy ra lỗi ra quyết định sẽ tăng
lên, khi BER tăng lên, sẽ trở nên quan trọng hơn đối với trình tự QAM được thể hiện. Đối
với các điều kiện tắt dần, suy giảm tính năng đối với các sơ đồ module hóa trình tự cao sẽ
cao hơn, do đó chúng sẽ có nguy cơ hơn do khoảng cách Euclidean giảm giữa các trạng
kênh bên cạnh.
Chúng ta đã điều tra tính chất của phần tử RBF lựa chọn trong các hoàn cảnh tắt
dần bất biến nhóm lỗi và biểu tượng. Chúng ta đã quan sát tác dụng của các điểm tạo
chìm trạng thái kênh không thể phân tách đối với suy giảm bất biến biểu tượng do tác
dụng suy giảm nhanh qua thời lượng nhóm lỗi. Kết hợp với kênh nghiên cứu phi tuyến
tính, hiện tượng này giải thích sự có mặt của BER dư. Do đó, chúng ta cần lưu ý rằng
ngay cả đối với các kênh suy giảm chậm.
Chương 3
KẾT HỢP
ĐIỀU CHẾ THÍCH NGHI - CÂN BẰNG MẠNG NƠRON
3.1 Giới thiệu
Trước đây người ta thường nghiên cứu các hệ thống điều chế thích nghi và hệ
thống sử dụng cân bằng một cách riêng rẽ. Tuy hệ thống điều chế thích nghi giảm đáng

kể ảnh hưởng của fading, nhưng thực tế vẫn không thể loại bỏ hoàn toàn được ảnh hưởng
này. Để tiếp tục giảm hơn nữa ảnh hưởng của fading còn lại, đầu thu chúng ta tiếp tục
dùng thêm một giải pháp nữa đó là cân bằng. Ở đây luận văn sẽ nghiên cứu trường hợp
cân bằng bằng mạng Nơron xuyên tâm và điều chế thích nghi do trường hợp hệ thống
phát có sử dụng BPSK, 4QAM, 16QAM và 64QAM tạo cho các bộ cân bằng trong
trường hợp: mạng đa lớp, mạng đa thức và mạng xuyên tâm. Sau đó kết hợp tính toán
bằng số hiệu quả khi sử dụng đồng thời điều chế thích nghi và cân bằng.
3.2 Mô hình điều chế thích nghi - cân bằng mạng Nơron
Hình 3.1 biểu thị mô hình hệ thống sử dụng kết hợp điều chế thích nghi và cân
bằng mạng nơron xuyên tâm. Trong đó phía phát sử dụng phương pháp chuyển mạch
điều chế. Về nguyên tắc có thể có nhiều mạch điều chế khác nhau M-QAM.










Hình 3.1: Mô hình hệ thống kết hợp điều chế thích nghi và cân bằng mạng Nơron
Chương 2 chúng ta đã giới thiệu tổng quát về cân bằng nơron ở đây, trong mô hình
kết hợp sẽ tính toán cụ thể hơn hàm ánh xạ phi tuyến và tham số của nó.
3.3 Xây dựng luật học cho giám sát cân bằng mạng nơron truyền thẳng đơn
giản

3.3.1 Giới thiệu
Mạng nơron loại này gồm có các phần tử thích nghi tuyến tính và là hệ thống tự
học thông minh đơn giản nhất.

Về cấu trúc bộ cân bằng này chỉ có một nơron tuyến tính tín hiệu vào X = [x
1
,
x
2
,…x
m
]
T
,
một tín hiệu ra Y và các vector trọng số W = [w
1,
w
2,
…w
m
]
T
, hàm truyền đạt
a(∙) có dạng tuyến tính.




x
1
x
2
⋮

x
n
w
1

w
2

w
m

f(v)

r=d
-
y

y

d

-

+

Chuyển đổi
phương thứ
c
điều chế
Máy phát

Kênh

Máy thu

RBF DFE

Ước lượng
mức điều chế

B
ả
ng đ
ố
i chi
ế
u
chuyển ngưỡng
D
ữ

li
ệ
u

Nhi
ễ
u

Cân bằng

dữ liệu
Xác suất
bit lỗi của
Burst dữ
liệu
Phương thức
điều chế của
Burst dữ liệu


Hình 3.2: Cân bằng mạng nơron truyền thẳng đơn giản học có giám sát
3.3.2 Xây dựng luật học
Để tín hiệu ra bám được tín hiệu tham chiếu d ta cần điều chỉnh giá trị vector trọng
số w. Sau đây luận văn giới thiệu một số phương pháp học cho bộ cân bằng này.
 Luật học Adaline (Adaptor linear)
 Luật học LMS.
3.4 Cân bằng kênh phức bằng mạng perceptron hai lớp
3.4.1 Cấu trúc bộ cân bằng mạng perceptron hai lớp
Để khắc phục điều đó ở đây luận văn sẽ đưa ra bộ cân bằng kênh phức, cũng sử
dụng thủ tục đào tạo phản hồi ngược cho mạng truyền thẳng hai lớp, hai đầu vào và một
đầu ra như hình 3.3.






a.Sơ đồ cấu trúc của mạng 2 lớp truyền thẳng

w

22

X
1

X
2

w
11

w
12

w
21

w
31

PE
1
PE
2
PE
3
w
32

y

3









b.Sơ đồ tính toán của mạng 2 lớp truyền thẳng
Hình 3.3: Bộ cân bằng kênh phức mạng perceptron 2 lớp
3.4.2 Luật học bộ cân bằng Nơron lan truyền ngược hai lớp
Luật học cho mạng nơron loại này đã được Bryson và Ho đề xuất năm 1969. Ở
đây luận văn sẽ sử dụng vào hoàn cảnh cụ thể là bộ cân bằng phức hai đầu ra một đầu
vào, luật học tương ứng với hình 3.3.
3.5 Cân bằng mạng nơron Hopfìeld
3.5.1 Đặc điểm
Trong hệ thống thông tin di động mới dùng kết hợp điều chế thích nghi và cân
bằng người ta thường dùng cân bằng nơron Hopfìeld. Đó là một mạng nơron có một vài
vùng phản hồi khả năng của nó là thực hiện ánh xạ phi tuyến nhắm giảm can nhiễu giữa
các ký hiệu do fading gây ra và méo phi tuyến có nhiễu thuật toán và cấu trúc để thực
Nơron 2

X
1

X
2

w
22

w
11

w
12

w
21

Nơron 1



ℒ



ℒ

u
1

u
2

y
2

y
1
w
31

w
32

y
3


ℒ

u
3

Nơron 3

hiện các mạng nơron này như perceptron đa lớp, mạng phát xạ xuyên tâm việc thực hiện
phản hồi từ các nơron ra đến lớp vào, hoặc từ các lớp ẩn đến lớp vào.

Hình 3.4: Mô hình hệ thống thông tin sử dụng cân bằng Hopfìeld







Kênh
Méo phi
tuyến
Cân bằ
ng
Nơron
Quyết
định
B
ộ

t
ạ
o dãy
đào tạo
+

+

Tín

h
i
ệ
u vào

-

+

{S
M
}

{x
n
}

{y
n
}

{d
n
}

T
í
n

hiệu ra


n
= -1
……

……

x
1
y
1
X
j
y
j
X
n
y
n

1
= -1

j
= -1

j1


jn



ịj

Hình 3.5: Sơ đồ cấu trúc cân bằng dùng Hopfield
Đặc điểm của nó là mỗi nơron thứ j đều nhận tín hiệu từ bên ngoài x
j
và định thiên
k
j
với j =1,2,…n.
Tín hiệu ra của nơron thứ j là y
j
được đưa ngược trở lại đầu vào của nơron khác
với trọng số w
ij
: i =1, 2,…, n và i≠.
3.5.2 Luật học cho cân bằng Nơron Hopfield rời rạc
Trong phương thức đồng bộ, các trọng số của mọi nơron trong mạng được cập
nhật đồng bộ. Trong phương thức không đồng bộ thì trọng số của một nơron duy nhất
được cập nhật tại thời điểm tính, vì chỉ có 1 nơron được chọn trong n nơron có trong
mạng nên xác suất lựa chọn là 1/n.
3.5.3 Tính ổn định của bộ cân bằng nơron Hopfield
Năng lượng trong mạng không tăng khi trạng thái của các nơron trong mạng thay
đổi, vì vậy bộ cân bằng loại này luôn ổn định. Đây là 1 ưu điểm nổi trội của bộ cân bằng
này.
3.6 Luật học cho cân bằng Nơron xuyên tâm

3.6.1. Các hàm truyền đạt
-Hàm Gauss:
-Hàm Multiquadric:
-Hàm Multiquadric ngược:
-Hàm Cauchy:
3.6.2 Luật học cho mạng nơron xuyên tâm
Gọi c = {c
ki
| k = 1, 2, …, k; i = 1, 2, …m}
 = {
ki
| k = 1, 2, …, k; i = 1, 2, …m}
w = {w
ki
| k = 1, 2, …, k; i = 1, 2, …m}
Cho N cặp dữ liệu vào-ra sử dụng mạng nơron xuyên tâm học các cặp dữ liệu cho
trước, tức là cần xác định một giá trị k nhỏ nhất của hàm cơ sở với các giá trị tối ưu
(c
*
, 
*
, 
*
) để tồn tại E(c
*
, 
*
, 
*
) < , với E được xác định:

E(c, , w) =


∑ ∑



[

]
− 

[]






Trong đó 


[

]
và 

[] là đầu ra mong muốn và đầu ra.
Sử dụng phương pháp gradient, các thông số điều chỉnh của mạng được tính như
sau:



[
ℎ
]
= 

[
ℎ−1
]
−∝






[
ℎ
]
= 

[
ℎ−1
]
−∝






[
ℎ
]
= 

[
ℎ−1
]
−∝




Với i = 1, 2, …, m; k = 1, 2, …, k; j = 1, 2, …, n
h là thời điểm lấy mẫu.



= −
2









[

]
− 

[

]


(

(

)
, 

,

)[


[

]
−

]










= −
2








[

]
− 

[

]


(



(

)
, 

,

)[


[

]
−

]





