nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (5.61 MB, 144 trang )

Trang 1<div class="page_container" data-page="1">

NGUYỄN DUY THÁI

NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN ỨNG DỤNG MẠNG NƠ RON HỌC SÂU

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Hà Nội – 2024

</div>Trang 2<div class="page_container" data-page="2">

NGUYỄN DUY THÁI

NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN ỨNG DỤNG MẠNG NƠ RON HỌC SÂU

Ngành: Kỹ thuật điện tử Mã số: 9 52 02 03

LUẬN ÁN TIẾN SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1. PGS.TS Hoàng Văn Phúc 2. TS Lê Thanh Hải

Hà Nội – 2024

</div>Trang 3<div class="page_container" data-page="3">

LỜI CAM ĐOAN

Tôi xin cam đoan đây là cơng trình nghiên cứu của tơi. Các kết quả nghiên cứu trong luận án là trung thực, chưa từng được ai cơng bố ở trong bất kỳ cơng trình nào khác, tài liệu tham khảo được trích dẫn đầy đủ.

Hà Nội, ngày tháng 06 năm 2024

TÁC GIẢ LUẬN ÁN

Nguyễn Duy Thái

</div>Trang 4<div class="page_container" data-page="4">

LỜI CẢM ƠN

Trong quá trình học tập, nghiên cứu và hồn thành đề tài luận án, Nghiên cứu sinh (NCS) luôn nhận được sự quan tâm, tạo điều kiện về mọi mặt của Thủ trưởng đơn vị, cơ quan quản lý đào tạo và gia đình; sự nhiệt tình và tâm huyết của tập thể giáo viên hướng dẫn; các ý kiến đóng góp quý báu của các nhà khoa học và đồng nghiệp trong và ngoài đơn vị.

Trước hết, NCS xin được bày tỏ lời cảm ơn sâu sắc tới PGS.TS Hoàng Văn

Phúc, TS Lê Thanh Hải đã trực tiếp hướng dẫn NCS trong q trình nghiên cứu và

hồn thành luận án. Xin cảm ơn TS Đoàn Văn Sáng và nhóm nghiên cứu thực hiện đề tài Nghị định thư với Cộng hịa Séc mã số NĐT/CZ/22/12 đã có những tư vấn, góp ý bổ ích cho NCS trong việc xây dựng các mơ hình mạng nơ-ron học sâu.

NCS trân trọng cảm ơn Ban Giám đốc Viện KH-CN quân sự, Thủ trưởng Viện Điện tử, Thủ trưởng Phòng Đào tạo và các bộ phận quản lý liên quan đã tạo mọi điều kiện thuận lợi để NCS hoàn thành nhiệm vụ.

NCS xin chân thành cảm ơn Quý thầy cô, các nhà khoa học của Viện Khoa học và Công nghệ quân sự; Viện Điện tử; Học viện Kỹ thuật quân sự; Học viện Hải quân; Đại học Bách khoa Hà Nội …vv đã có các góp ý, nhận xét, đánh giá quý báu cho NCS trong q trình thực hiện và hồn thiện luận án này.

Xin được trân trọng và biết ơn sự hy sinh và chia sẻ của gia đình. Xin cảm ơn đồng nghiệp, bạn bè luôn quan tâm, động viên, giúp đỡ NCS vượt qua khó khăn để hồn thành luận án này.

Hà Nội, ngày tháng 06 năm 2024

TÁC GIẢ LUẬN ÁN

Nguyễn Duy Thái

</div>Trang 5<div class="page_container" data-page="5">

Chương 1 TỔNG QUAN VỀ ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VƠ TUYẾN .... 6

1.1. Giới thiệu về định hướng nguồn tín hiệu vơ tuyến ... 6

1.1.1. Khái niệm, phân loại ... 6

1.1.2. Thiết bị định hướng nguồn tín hiệu vơ tuyến ... 8

1.2. Mơ hình tín hiệu mảng ăng ten ... 10

1.2.1. Mơ hình tổng qt ... 10

1.2.2. Mơ hình mảng ăng ten tuyến tính ... 13

1.3. Các phương pháp định hướng nguồn tín hiệu vơ tuyến ... 15

1.3.1. Phương pháp qt búp sóng ... 15

1.3.2. Phương pháp phân tích khơng gian con ... 17

1.4. Trí tuệ nhân tạo và ứng dụng trong định hướng nguồn tín hiệu vơ tuyến ... 21

1.4.1. Khái qt về trí tuệ nhân tạo, học máy, học sâu ... 21

1.4.2. Mạng nơ-ron nhân tạo ... 24

1.4.3. Mạng nơ-ron tích chập ... 31

1.4.4. Ứng dụng trí tuệ nhân tạo định hướng nguồn tín hiệu vơ tuyến ... 34

1.5. Tình hình nghiên cứu về định hướng nguồn tín hiệu vơ tuyến ... 36

1.5.1. Tình hình nghiên cứu trong nước ... 36

1.5.2. Tình hình nghiên cứu ngồi nước ... 39

1.6. Đặt vấn đề nghiên cứu ... 42

1.7. Kết luận Chương 1 ... 44

Chương 2 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN

TÍN HIỆU VƠ TUYẾN BẰNG MẠNG NƠ RON TÍCH CHẬP KẾT NỐI DƯ .... 45

2.1. Khảo sát, đánh giá khả năng ước lượng DOA của các thuật toán học máy ... 45

2.1.1. Thuật toán SVM ... 46

</div>Trang 6<div class="page_container" data-page="6">

2.1.2. Thuật toán kNN ... 49

2.1.3. Đánh giá khả năng ước lượng hướng đến của SVM và kNN ... 50

2.2. Đánh giá khả năng ước lượng hướng đến của mạng nơ-ron ... 52

2.2.1. Khả năng ước lượng hướng đến của mạng nơ-ron tiêu chuẩn ... 52

2.2.2. Khả năng ước lượng hướng đến của mạng nơ-ron tích chập ... 54

2.3. Nghiên cứu đề xuất mơ hình CNN cấu trúc kết nối dư ước lượng DOA cho mảng ăng ten tuyến tính khơng đồng đều ... 56

2.3.1. Cấu trúc mơ hình DOA-ResNet đề xuất ... 57

2.3.2. Tạo lập dữ liệu, huấn luyện và kiểm tra mơ hình ... 58

2.3.3. Đánh giá hiệu năng ước lượng DOA của mơ hình DOA-ResNet khi thay

đổi số lượng kênh lọc ... 61

2.3.4. Đánh giá hiệu năng ước lượng DOA của mơ hình DOA-ResNet khi thay

đổi kích thước kênh lọc ... 63

2.3.5. So sánh hiệu năng ước lượng DOA của mơ hình DOA-ResNet với các thuật toán học máy ... 64

2.4. Nghiên cứu đề xuất mơ hình CNN cấu trúc kết nối dư phép nhân tự động hiệu chỉnh sai số hệ thống nâng cao hiệu năng ước lượng hướng đến ... 65

2.4.1. Mơ hình tín hiệu mảng ăng ten có chứa sai số hệ thống ... 66

2.4.2. Cấu trúc mơ hình DOA-CNN đề xuất ... 68

2.4.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mơ hình ... 70

2.4.4. Đánh giá độ chính xác ước lượng DOA của mơ hình DOA-CNN trong các trường hợp có sai số hệ thống ... 73

2.4.5. So sánh hiệu năng ước lượng DOA của mơ hình DOA-CNN với các mơ hình học máy, học sâu khác ... 77

2.5. Kết luận Chương 2 ... 78

Chương 3 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN

TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ-RON UNET KẾT HỢP THUẬT TOÁN MUSIC, ROOTMUSIC ... 80

3.1. Mạng nơ-ron Unet ... 80

3.2. Nghiên cứu đề xuất mơ hình UFCnet kết hợp thuật toán MUSIC, Root- MUSIC nâng cao hiệu năng ước lượng DOA ... 81

</div>Trang 7<div class="page_container" data-page="7">

3.2.1. Mơ hình tín hiệu tạo lập dữ liệu ... 81

3.2.2. Cấu trúc mơ hình UFCnet đề xuất ... 82

3.2.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mơ hình ... 84

3.2.4. Đánh giá khả năng phân biệt góc ước lượng ... 86

3.2.5. Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten là

3.3.1. Mơ hình tín hiệu tạo lập dữ liệu xét đến sự tương quan của tín hiệu ... 90

3.3.2. Cấu trúc mơ hình UNet đề xuất ... 93

3.3.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mơ hình ... 95

3.3.4. Đánh giá khả năng ước lượng DOA nguồn tín hiệu tương quan ... 97

3.3.5. Đánh giá hiệu năng ước lượng DOA khi thay đổi các tham số kênh lọc

3.3.10. Đánh giá độ phân giải góc ước lượng ... 108

3.4. So sánh các phương pháp, mơ hình đề xuất trong luận án ... 109

3.4.1. Cấu trúc, cách thức hoạt động của các mơ hình đề xuất ... 110

3.4.2. Hiệu năng ước lượng DOA của các mơ hình đề xuất ... 112

3.5. Kết luận Chương 3 ... 116

KẾT LUẬN ... 117

DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ ... 119

TÀI LIỆU THAM KHẢO ... 120

</div>Trang 8<div class="page_container" data-page="8">

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT

s(t) Tín hiệu P nguồn phát tới mảng ăng ten

x(t) Tín hiệu thu được bởi mảng ăng ten M phần tử

n(t) Nhiễu tác động ên M phần tử mảng ăng ten

</div>Trang 9<div class="page_container" data-page="9">

Asym -AWPC Ăng ten không tâm pha bất đối xứng (Asymmetric Antenna Without Phase Center)

</div>Trang 10<div class="page_container" data-page="10">

CRLB Biên dưới Cramer – Rao (Cramer – Rao Lower Bound)

(Estimation of Signal Parameter via rotational invariance techniques)

Variance Distortionless Response)

</div>Trang 11<div class="page_container" data-page="11">

NCS Nghiên cứu sinh (PhD student)

Neural Network)

Multiple Access)

Pencil)

</div>Trang 12<div class="page_container" data-page="12">

DANH MỤC CÁC BẢNG

Trang Bảng 2.1. Độ lớn và thời gian thực thi của DOA-ResNet khi thay đổi số lượng

kênh lọc ... 63

Bảng 2.2. Độ lớn và thời gian thực thi của DOA-ResNet khi thay đổi kích thước kênh lọc ... 64

Bảng 2.3. Tham số giả định tạo tập dữ liệu huấn luyện và kiểm chứng ... 70

Bảng 3.1. Số lượng trọng số và thời gian thực thi của các phiên bản Unet ... 99

Bảng 3.2. So sánh đặc điểm của các mơ hình đề xuất ... 111

Bảng 3.3. Số lượng trọng số và thời gian thực thi của các mơ hình đề xuất ... 115

</div>Trang 13<div class="page_container" data-page="13">

DANH MỤC CÁC HÌNH VẼ

Trang

Hình 1.1. Một số hệ thống trinh sát điện tử: ... 9

Hình 1.2. Mơ hình thu tín hiệu tổng quát của mảng ăng ten. ... 11

Hình 1.3. Mơ hình thu tín hiệu mảng ăng ten tuyến tính đồng đều ... 15

Hình 1.4. Cách chia mảng điển hình trong phương pháp ESPRIT ... 20

Hình 1.5. Mối quan hệ giữa AI, ML, DL, ANN, DNN và CNN ... 23

Hình 1.6. Cấu trúc mạng nơ-ron nhiều lớp ... 24

Hình 1.7. Cấu trúc của một nơ-ron nhân tạo điển hình ... 25

Hình 1.8. Minh họa phép tính tích chập ... 32

Hình 1.9. Minh họa 2 phép tính gộp cực đại và trung bình. ... 33

Hình 1.10. Sơ đồ khối tổng quan hệ thống ứng dụng AI định hướng nguồn tín

hiệu ... 36

Hình 2.1. Mối quan hệ giữa 21 và 31 và sự phân cụm pha ... 47

Hình 2.2. Minh họa thuật toán SVM lựa chọn đường phân tách phù hợp ... 47

Hình 2.3. Minh họa nguyên tắc ra quyết định của thuật toán kNN với k = 5 ... 49

Hình 2.4. Độ chính xác ước lượng DOA của kNN và SVM ... 51

Hình 2.5. Mơ hình mạng MLP đánh giá khả năng định hướng. ... 53

Hình 2.6. Độ chính xác ước lượng DOA của mơ hình MLP ... 53

Hình 2.7. Mơ hình mạng CNN đánh giá khả năng định hướng. ... 55

Hình 2.8. Độ chính xác ước lượng DOA của mơ hình CNN ... 55

Hình 2.9. Độ chính xác ước lượng DOA của SVM, kNN, MLP và CNN ... 56

Hình 2.10. Cấu trúc của mạng nơ-ron DOA-ResNet đề xuất ... 58

Hình 2.11. Mơ hình thu tín hiệu mảng ăng ten NLA ... 59

Hình 2.12. Sơ đồ huấn luyện và kiểm chứng mơ hình DOA-ResNet đề xuất ... 60

Hình 2.13. Độ chính xác phân loại và sai số ước lượng DOA của mơ hình ResNet khi thay đổi số lượng kênh lọc ... 62

Hình 2.14. Độ chính xác phân loại và sai số ước lượng DOA của mơ hình ResNet khi thay đổi kích thước kênh lọc ... 63

</div>Trang 14<div class="page_container" data-page="14">

DOA-Hình 2.15. Độ chính xác ước lượng DOA của mơ hình DOA-ResNet và các thuật

tốn học máy ... 64

Hình 2.16. Mơ hình thu tín hiệu mảng ăng ten ULA có các sai số ... 66

Hình 2.17. Cấu trúc mơ hình DOA-CNN đề xuất. ... 68

Hình 2.18. Minh họa phép tích chập trong lớp tích chập mơ hình DOA-CNN. ... 69

Hình 2.19. Sự thay đổi giá trị mất mát và độ chính xác phân loại góc trong q trình huấn luyện mơ hình DOA-CNN ... 72

Hình 2.20. Độ chính xác ước lượng DOA của mơ hình DOA-CNN và các phương pháp khác khi thiết đặt chính xác vị trí phần tử ăng ten. ... 74

Hình 2.21. Độ chính xác ước lượng DOA của mơ hình DOA-CNN và các phương pháp khác khi có sai lệch vị trí phần tử ăng ten ... 75

Hình 2.22. Độ chính xác ước lượng DOA của mơ hình DOA-CNN và các phương pháp khác khi có sai lệch pha và biên độ đường truyền ... 76

Hình 2.23. Độ chính xác ước lượng DOA của mơ hình DOA-CNN và các phương pháp khác khi có các sai lệch vị trí phần tử ăng ten, pha và biên độ đường truyền.. 76

Hình 2.24. So sánh hiệu năng ước lượng DOA của mơ hình DOA-CNN và các mơ hình học máy, học sâu khác ... 77

Hình 3.1. Cấu trúc mơ hình UFCnet đề xuất ... 82

Hình 3.2. Khả năng phân biệt góc ước lượng của MUSIC, RootMUSIC và MUSIC khi SNR = 0 dB ... 86

UFCnet-Hình 3.3. Độ chính xác ước lượng DOA của UFCnet-MUSIC và UFCnet-RootMUSIC so với các phương khác khi mảng ăng ten là lý tưởng. ... 87

Hình 3.4. Độ chính xác ước lượng DOA của MUSIC và RootMUSIC so với các phương pháp khác khi mảng ăng ten có sai số hệ thống. ... 89

UFCnet-Hình 3.5. Cấu trúc mơ hình mơ hình UNet đề xuất ... 94

Hình 3.6. Khả năng ước lượng DOA nguồn tín hiệu tương quan bằng phương

pháp Unet-MUSIC, Unet-RootMUSIC và MUSIC khi SNR = 1 dB ... 97

Hình 3.7. Độ chính xác ước lượng DOA khi thay đổi bộ số kênh lọc lớp tích chập mơ hình Unet ... 98

</div>Trang 15<div class="page_container" data-page="15">

Hình 3.8. Độ chính xác ước lượng DOA khi thay đổi kích thước kênh lọc lớp tích chập mơ hình Unet ... 100Hình 3.9. Độ chính xác ước lượng DOA khi thay đổi số lượng phần tử mảng ăng ten ... 101Hình 3.10. Độ chính xác ước lượng DOA khi thay đổi số lượng mẫu tín hiệu ... 102Hình 3.11. Độ chính xác ước lượng DOA khi thay đổi tần số tín hiệu ... 103Hình 3.12. Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC và các mơ hình khác khi mảng ăng ten là lý tưởng ... 104Hình 3.13. Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC và các mơ hình khác khi mảng ăng ten có sai lệch vị trí các phần tử ... 105Hình 3.14. Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC và các mơ hình khác khi tồn tại sự không đồng nhất về pha và biên độ do đường truyền ... 106Hình 3.15. Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC và các mô hình khác khi mảng ăng ten có sai lệch vị trí các phần tử và tồn tại sự khơng đồng nhất về pha và biên độ do đường truyền ... 107Hình 3.16. Khả năng phân biệt góc của UNet-RootMUSIC và các phương pháp khác ... 108Hình 3.17. Độ chính xác ước lượng DOA của các mơ hình đề xuất khi mảng ăng ten là lý tưởng... 113Hình 3.18. Độ chính xác ước lượng DOA của các mơ hình đề xuất trong trường hợp có sai số hệ thống mảng ăng ten và đường truyền tín hiệu. ... 114

</div>Trang 16<div class="page_container" data-page="16">

MỞ ĐẦU 1. Tính cấp thiết của đề tài luận án

Định hướng (ước lượng hướng đến) nguồn tín hiệu vơ tuyến đóng vai trị quan trọng trong nhiều lĩnh vực. Hướng đến (DOA: Direction of Arrival) của tín hiệu giúp hệ thống thu - phát có định hướng nhằm nâng cao hiệu suất sử dụng, thực hiện đa truy nhập phân chia theo không gian (SDMA: Space Division Multiple Access), tối ưu hóa về mặt năng lượng, kênh truyền. Trong truyền thông MIMO (Multi Input Multi Output), ước lượng hướng đến cung cấp thơng tin về góc của tín hiệu nhằm thực hiện q trình điều chế khơng gian giúp tăng tốc q trình truyền dữ liệu và nâng cao chất lượng dịch vụ (QoS: Quality of Service) [57], [60], [104]. Trong quản lý tần số và giám sát vô tuyến, ước lượng DOA giúp tìm kiếm các nguồn phát xạ trái phép, phát hiện sự có mặt và định vị UAV (Unmanned Aerial Vehicle) [10]. Vai trò của ước lượng hướng đến còn được thể hiện trong các ứng dụng khác như: dẫn đường vô tuyến, chỉ dẫn máy bay cất/hạ cánh [51], tìm kiếm cứu nạn [69], v.v.... Trong quân sự, ước lượng DOA là chức năng chính của các hệ thống trinh sát – tác chiến điện tử [71]. Hướng đến của các nguồn tín hiệu ln là thơng tin quan trọng đầu tiên cần thu thập bởi các hệ thống này. Nó cho biết hướng, vị trí nguồn phát, phương tiện, lực lượng của đối phương và các thông tin trinh sát khác. Điều này rất có ý nghĩa nhằm xây dựng các phương án tác chiến, chế áp và bảo vệ điện tử một cách phù hợp.

Với vai trò, tầm quan trọng như đã nêu trên, định hướng nguồn tín hiệu vơ tuyến luôn nhận được sự quan tâm nghiên cứu của các nhà khoa học trong và ngồi nước. Gắn với trình độ phát triển khoa học kỹ thuật trong từng giai đoạn và các mục đích cần giải quyết khác nhau tùy thuộc vào từng bài tốn cụ thể, đã có rất nhiều phương pháp, thuật toán được đề xuất nhằm nâng cao độ chính xác, độ phân giải, tốc độ xử lý khi ước lượng DOA nguồn tín hiệu vơ tuyến. Trong đó, các phương pháp, thuật tốn dựa vào đo đạc trực tiếp tham số tín hiệu, quét búp sóng hoặc phân tích khơng gian con (trong luận án này gọi chung là các phương pháp - thuật tốn ước lượng truyền thống) có những ưu điểm nhất định về độ chính xác, độ phân giải và tính ổn định. Tuy nhiên, với điểm chung là dựa trên mơ hình giả định với cấu trúc mảng ăng

</div>Trang 17<div class="page_container" data-page="17">

ten cho trước để tính tốn góc DOA, các phương pháp này khó thích ứng với mơi trường truyền sóng và lỗi hệ thống mảng ăng ten. Nếu có bất kỳ sai lệch nào trong quá trình thiết kế chế tạo, lắp đặt mảng ăng ten hoặc lỗi xuất hiện từ đường truyền hay môi trường hoạt động sẽ tác động rất lớn đến độ chính xác ước lượng DOA. Có thể khắc phục sai số ước lượng DOA xảy ra bằng cách hiệu chỉnh pha và biên độ giữa các kênh thu, tuy nhiên giải pháp này kém hiệu quả nếu các sai lệch là phi tuyến, ngẫu nhiên và độc lập.

Trong những năm gần đây, với sự phát triển vượt bậc của công nghệ sản xuất chip đã tạo ra các nền tảng phần cứng tính tốn đủ mạnh (chip xử lý song song). Điều này trở thành động lực thúc đẩy việc nghiên cứu ứng dụng trí tuệ nhân tạo (bao gồm học máy, học sâu và đặc biệt là mạng nơ-ron học sâu) trong nhiều lĩnh vực, trong đó có các nghiên cứu đề xuất cho bài tốn ước lượng DOA [18], [22], [37], [55], [107]. Với tính chất học tập từ dữ liệu, các mơ hình mạng nơ-ron có khả năng thích ứng với dữ liệu mà khơng cần thông tin tiên nghiệm về mảng ăng ten hay đường truyền. Do đó, nó có thể tự động hiệu chỉnh các sai số để cho kết quả ước lượng DOA chính xác hơn. Nhiều nghiên cứu gần đây cho thấy, các mạng nơ-ron cũng cho hiệu năng ước lượng DOA tốt hơn so với các mơ hình truyền thống khác, đặc biệt trong các điều kiện thu tín hiệu phức tạp [19], [86], [99], [106].

Từ các vấn đề nêu trên, việc nghiên cứu đề xuất các giải pháp nâng cao hiệu năng ước lượng DOA nguồn tín hiệu vơ tuyến ứng dụng trí tuệ nhân tạo là cần thiết, phù hợp với xu hướng, có ý nghĩa khoa học và thực tiễn. Do đó, NCS đã lựa chọn đề

tài “Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vơ tuyến

ứng dụng mạng nơ ron học sâu”.

2. Mục tiêu nghiên cứu

Mục tiêu chính của đề tài luận án là nghiên cứu đề xuất các mơ hình ước lượng hướng đến nguồn tín hiệu vơ tuyến dựa trên mạng nơ-ron học sâu; kết hợp mạng nơ-ron học sâu với thuật toán ước lượng truyền thống nhằm nâng cao độ chính xác, độ phân giải và đảm bảo thời gian xử lý, khắc phục sai số xảy ra khi có lỗi hệ thống mảng anten, đường truyền tín hiệu và trường hợp tín hiệu tương quan.

</div>Trang 18<div class="page_container" data-page="18">

3. Đối tượng, phạm vi nghiên cứu

3.1. Đối tượng nghiên cứu

Tín hiệu vơ tuyến, các tham số của tín hiệu vơ tuyến.

Mảng ăng ten và mơ hình thu tín hiệu của các loại mảng ăng ten. Kỹ thuật xử lý tín hiệu mảng.

Các phương pháp và thuật tốn ước lượng hướng đến nguồn tín hiệu vơ tuyến. Các thuật tốn học máy và mơ hình học sâu (mạng nơ-ron).

Mảng ăng ten có dạng tuyến tính (khơng đồng đều và đồng đều). Số lượng nguồn tín hiệu thỏa mãn điều kiện nhỏ hơn số phần tử ăng ten.

4. Nội dung nghiên cứu

Để đạt được mục tiêu nghiên cứu trên, luận án thực hiện các nội dung nghiên cứu chính như sau:

Nghiên cứu tổng quan về định hướng nguồn tín hiệu vơ tuyến trong các hệ thống giám sát vô tuyến và trinh sát điện tử; Ưu, nhược điểm, hạn chế còn tồn tại của các phương pháp định hướng.

Nghiên cứu cấu hình các loại mảng anten, mơ hình thu tín hiệu mảng anten và các kỹ thuật xử lý tín hiệu cho bài tốn định hướng nguồn tín hiệu vơ tuyến

Nghiên cứu, đánh giá khả năng ứng dụng các mơ hình trí tuệ nhân tạo (học máy và học sâu) trong định hướng nguồn tín hiệu vơ tuyến.

Nghiên cứu đề xuất mơ hình mạng nơ-ron trực tiếp ước lượng hướng đến, nâng cao hiệu năng định hướng nguồn tín hiệu vơ tuyến.

Nghiên cứu đề xuất mơ hình mạng nơ-ron kết hợp thuật tốn truyền thống nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến.

</div>Trang 19<div class="page_container" data-page="19">

5. Phương pháp nghiên cứu

Luận án kết hợp giữa nghiên cứu lý thuyết, giải tích với mơ phỏng trên phần mềm máy tính. Cụ thể:

- Nghiên cứu về lý thuyết, các phương pháp định hướng truyền thống và khả năng ứng dụng các thuật toán học máy, học sâu định hướng nguồn tín hiệu vơ tuyến.

- Nghiên cứu đề xuất các mơ hình mạng no-ron học sâu nâng cao hiệu năng định hướng nguồn tín hiệu vơ tuyến. Mơ tả tốn học, giải tích để xây dựng các mơ hình.

- Xây dựng các chương trình, mơ phỏng các mơ hình đề xuất bằng phần mềm. Đánh giá các kết quả.

6. Ý nghĩa khoa học và thực tiễn của luận án

6.1. Ý nghĩa khoa học

Kết quả của luận án sẽ góp phần tạo ra một số mơ hình mới, đóng góp tri thức cho hiểu biết tốt hơn về ứng dụng trí tuệ nhân tạo nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến.

Chương 1: Tổng quan về định hướng nguồn tín hiệu vơ tuyến

Chương này giới thiệu tổng qt về bài tốn định hướng nguồn tín hiệu vơ tuyến, mơ hình thu tín hiệu mảng ăng ten. Các phương pháp định hướng truyền thống cũng như hiện đại, ưu và nhược điểm của các phương pháp. Khảo sát tổng quan tình hình nghiên cứu trong và ngồi nước, chỉ ra các ưu điểm và hạn chế của các cơng trình nghiên cứu đã cơng bố nhằm tìm ra những vấn đề tồn tại cần tiếp tục giải quyết. Từ đó, đặt vấn đề, xác định hướng nghiên cứu cho Luận án.

Chương 2: Giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vơ tuyến bằng mạng nơ-ron tích chập kết nối dư.

</div>Trang 20<div class="page_container" data-page="20">

Trên cơ sở định hướng nghiên cứu đề ra trong Chương 1, sau khi khảo sát đánh giá khả năng ứng dụng các thuật toán học máy, học sâu cho bài toán ước lượng DOA, Chương 2 tập trung nghiên cứu đề xuất 02 mơ hình mạng nơ-ron tích chập học sâu theo hướng tiếp cận bài toán phân loại góc để ước lượng hướng đến khi tồn tại sai số hệ thống, nâng cao độ chính xác ước lượng. Mơ hình thứ nhất được thiết kế, xây dựng theo cấu trúc kết nối dư có thể suy luận từ dữ liệu I/Q để đưa ra trực tiếp góc ước lượng thơng qua bài tốn phân loại góc. Kiến trúc kết nối dư này cũng được đề xuất để thực hiện đồng thời hai nhiệm vụ: ước lượng DOA và tự động nhận dạng điều chế tín hiệu. Mơ hình thứ hai sử dụng các lớp nhân tích lũy nhằm tăng cường các đặc trưng hữu ích cho việc phân loại góc với dữ liệu đầu vào là ma trận hiệp phương sai.

Chương 3: Giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vơ tuyến bằng mạng nơ-ron Unet kết hợp thuật toán MUSIC, RootMUSIC.

Các thuật tốn ước lượng truyền thống có ưu điểm nổi trội là độ phân giải góc siêu cao, phát huy rất hiệu quả khi mảng ăng ten là lý tưởng. Trong khi đó mạng nơ-ron sau khi được huấn luyện có thể tự động điều chỉnh sai số hệ thống, biến đổi ma trận hiệp phương sai chứa sai số thành ma trận hiệp phương sai của mảng ăng ten lý tưởng. Chương này tiếp cận việc ứng dụng mạng nơ-ron cho bài toán ước lượng DOA theo hướng kết hợp mạng nơ-ron và thuật toán truyền thống nhằm tận dụng lợi thế của mỗi thuật tốn. Cụ thể, các mơ hình kết hợp mạng nơ-ron UNet và thuật toán MUSIC, RootMUSIC đã được đề xuất nhằm cải thiện hiệu năng định hướng nguồn tín hiệu vơ tuyến, hứa hẹn nhiều tiềm năng ứng dụng trong thực tiễn.

</div>Trang 21<div class="page_container" data-page="21">

Chương 1

TỔNG QUAN VỀ ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VƠ TUYẾN

Chương 1 giới thiệu khái quát về định hướng nguồn tín hiệu vơ tuyến, mơ hình thu tín hiệu mảng ăng ten; trình bày một số phương pháp định hướng truyền thống điển hình và phương pháp hiện đại dựa trên trí tuệ nhân tạo, ưu và nhược điểm của các phương pháp; tổng quan tình hình nghiên cứu trong và ngoài nước, chỉ ra các vấn đề cịn tồn tại từ đó đặt vấn đề nghiên cứu cho đề tài luận án.

1.1. Giới thiệu về định hướng nguồn tín hiệu vơ tuyến

1.1.1. Khái niệm, phân loại

Định hướng nguồn tín hiệu vơ tuyến là bài tốn nhằm xác định hướng (góc) tới của các nguồn tín hiệu vơ tuyến lan truyền trong khơng gian. Thơng thường hệ thống (thiết bị) định hướng nguồn tín hiệu vô tuyến được phân loại dựa theo cách thức xử lý tín hiệu hoặc dựa trên kiến trúc hệ thống.

• Dựa trên cách thức xử lý tín hiệu: phương pháp so sánh pha; phương pháp so sánh biên độ; hoặc phương pháp biên độ - pha của tín hiệu thu được bởi ăng ten.

• Dựa vào kiến trúc hệ thống:

Hệ thống định hướng đơn kênh: sử dụng mảng ăng ten nhiều phần tử trong đó các phần tử được kết nối chung với một máy thu thơng qua chuyển mạch cao tần. Tín hiệu thu được từ các phần tử ăng ten được xử lý để xác định hướng sóng tới. Hệ thống định hướng đơn kênh có kiến trúc máy thu đơn giản, nhỏ gọn nhưng có độ chính xác trung bình, thuật toán xử lý phức tạp, bộ chuyển mạch cao tần cần có tốc độ cao.

Hệ thống định hướng đa kênh: sử dụng mảng ăng ten nhiều phần tử trong đó mỗi phần tử ăng ten được kết nối với một máy thu. Mỗi máy thu có vai trị như một bộ tiền xử lý tín hiệu. Tín hiệu đầu ra các máy thu được đưa tới một khối xử lý tín hiệu để xác định hướng sóng tới. Hệ thống định hướng đa kênh có thuật tốn xử lý phức tạp hơn nhưng có ưu điểm là độ chính xác và độ phân giải cao, có khả năng xác định được đồng thời nhiều hướng sóng tới mảng ăng ten. Một số thuật toán thường áp dụng với hệ thống định hướng đa kênh này gồm có: Capon [83], MUSIC [78], ESPRIT [73], ... vv.

</div>Trang 22<div class="page_container" data-page="22">

Để đánh giá hiệu năng định hướng của các thuật tốn, phương pháp hay mơ hình đề xuất, thường dựa trên các tiêu chí cơ bản như sau:

- Độ chính xác: Là sai số giữa góc tới xác định được so với góc thực tế của sóng tới. Việc đánh giá độ chính xác thường dựa trên sai số quân phương (RMSE: Root Mean Square Error).

- Độ phân giải: Là khả năng định hướng các nguồn tín hiệu gần nhau.

- Tốc độ xử lý: Được đánh giá thơng qua độ phức tạp tính tốn và thời gian xử lý cho một lần ước lượng.

- Khả năng định hướng các nguồn tín hiệu tương quan (cùng tần số và hiệu pha không đổi).

- Độ nhạy: Là khả năng định hướng nguồn tín hiệu có SNR nhỏ.

- Khả năng kháng nhiễu: Là khả năng loại bỏ (giảm) sự tác động của các loại nhiễu khác nhau.

- Khả năng hiệu chỉnh sai số hệ thống: Là khả năng hoạt động khi có tác động của các sai số hệ thống.

Các yếu tố ảnh hưởng đến hiệu năng định hướng:

- Số phần tử của mảng ăng ten: Số phần tử của mảng có vai trị quyết định đến độ chính xác ước lượng, số lượng phần tử càng nhiều, độ chính xác càng tăng. Số phần tử phải lớn hơn số nguồn tín hiệu tới. Trong thực tế, số phần tử khơng thể quá lớn để hạn chế kích thước cũng như giá thành hệ thống.

- Khoảng cách giữa các phần tử: là một thông số rất quan trọng của mảng ăng ten. Với mảng tuyến tính đồng đều, thơng thường khoảng cách giữa hai phần tử cạnh nhau được chọn nhỏ hơn hoặc bằng nửa bước sóng. Nếu khoảng cách đặt đều nhau và lớn hơn nửa bước sóng sẽ xảy ra hiện tượng đa trị (bất định) khi ước lượng DOA. - Số lượng mẫu tín hiệu: ảnh hưởng tới độ chính xác cũng như độ phân giải của các thuật toán định hướng. Số lượng mẫu càng nhiều thì độ chính xác sẽ càng cao, tuy nhiên sẽ dẫn tới tăng dung lượng bộ nhớ cũng như khối lượng tính tốn.

- Tỷ số tín hiệu trên tạp (SNR: Signal to Noise Ratio): Giá trị SNR quyết định rất lớn tới độ chính xác của các thuật toán ước lượng DOA. Giá trị SNR phụ thuộc

</div>Trang 23<div class="page_container" data-page="23">

vào chất lượng thiết kế và chế tạo hệ thống; ngồi ra, nó cũng phụ thuộc vào môi trường hoạt động của hệ thống. Bằng các giải pháp, tăng được giá trị này càng lớn càng tốt.

- Tính tương quan giữa các tín hiệu: Tính tương quan ảnh hưởng rất lớn tới khả năng phân tách các tín hiệu do chúng có cùng tính chất (cùng tần số, hiệu pha khơng đổi), do đó cũng ảnh hướng đến độ chính xác ước lượng DOA. Với các tín hiệu tương quan, cần phá vỡ tính tương quan trước khi xác định được hướng tới.

1.1.2. Thiết bị định hướng nguồn tín hiệu vơ tuyến

Thiết bị định hướng nguồn tín hiệu vơ tuyến là thiết bị gồm một hoặc nhiều máy thu có ăng ten/hệ ăng ten định hướng, tức có búp sóng hẹp. Để tạo ra búp sóng hẹp có thể sử dụng các dạng ăng ten như: Ăng ten Yagi, ăng ten loa, ăng ten gương parabol, ăng ten thấu kính, ăng ten mảng pha hoặc sự kết hợp giữa chúng.

* Kolchuga (Hình 1.1a) là hệ thống trinh sát, hỗ trợ điện tử do Ukraina sản xuất sử dụng ăng ten Yagi và parabol để thực hiện bài toán định hướng tín hiệu vơ tuyến [49]. Giải pháp xác định hướng đến tín hiệu vơ tuyến của Kolchuga là đơn xung biên độ và đo giao thoa pha giữa các phần tử ăng ten thu. Việc đo định hướng này chỉ giới hạn trong vùng quan sát (Field of View - FOV) của hệ ăng ten. Để quan sát toàn bộ 360o trong mặt phẳng phương vị, hệ ăng ten phải thực hiện quay cơ học.

* Hệ thống SDD (Stanice Dalekého Dosahu (CH Séc)) (Hình 1.1b) là hệ thống trinh sát điện tử do Cộng hòa Séc sản xuất đang sử dụng ăng ten phản xạ parabol kết hợp với các cặp loa thu đặt tại tiêu điểm parabol để tạo búp sóng hẹp trong q trình thu trinh sát tín hiệu và xác định hướng đến của tín hiệu. Giải pháp mà hệ thống SDD sử dụng để xác định hướng đến của tín hiệu vơ tuyến là phương pháp đơn xung biên độ tổng hiệu [16], [26]. Phương pháp đơn xung biên độ tổng hiệu trong SDD chỉ sử dụng trong vùng FOV (trong giới hạn búp sóng chính) với giới hạn từ -2,5o đến 2,5o. Việc quan sát tồn khơng gian trong mặt phẳng phương vị cũng được thực hiện bởi phương thức quay cơ học. Với giải pháp này, hệ thống SDD cho khả năng xác định hướng đến của tín hiệu với độ chính xác 0,5o trong điều kiện bước cách góc 0,1o và tín hiệu thu có tỉ số tín/tạp (SNR) lớn hơn hoặc bằng 10 dB.

</div>Trang 24<div class="page_container" data-page="24">

Việc quét búp sóng có thể thực hiện bằng quét cơ học hoặc điều khiển điện tử. Mỗi loại ăng ten và phương pháp quét búp sóng có những ưu và nhược điểm khác nhau, ví dụ ăng ten parabol và ăng ten thấu kính có khả năng cho búp sóng hẹp bằng cách tạo ra các tia sóng song song, nhưng chúng lại cần hệ thống quét cơ học để quan sát tồn bộ khơng gian phương vị và góc tà. Cơ chế quét cơ học cũng có lợi thế là đặc trưng giản đồ hướng của hệ ăng ten gần như khơng đổi trong q trình qt. Ăng ten mảng pha có khả năng tạo búp sóng hẹp và qt búp sóng trong khơng gian bằng cách điều khiển sự thay đổi pha và biên độ tại mỗi phần tử của mảng. Lợi thế của ăng ten mảng pha là thực hiện quét búp sóng rất nhanh nhờ cơ chế biến đổi pha bằng điều khiển điện tử. Tuy nhiên, trong q trình qt búp sóng trong khơng gian, giản đồ búp sóng của ăng ten mảng pha lại bị biến dạng. Do đa phần các thiết bị định hướng nguồn tín hiệu hiện nay chủ yếu dùng ăng ten mảng pha nên trong phạm vi Luận án chỉ xem xét đến loại ăng ten này, chi tiết sẽ được trình bày ở Mục 1.2.

</div>Trang 25<div class="page_container" data-page="25">

1.2. Mơ hình tín hiệu mảng ăng ten

tốn như một sự chồng chất tuyến tính của P mặt sóng tín hiệu được tạo ra bởi P

nguồn.

- Giả thiết trường xa: Các nguồn phát tín hiệu được đặt ở khoảng cách xa mảng ăng ten, do đó mặt sóng được tạo ra bởi mỗi nguồn đến tất cả các phần từ ăng ten tại một hướng truyền sóng và mặt sóng là mặt phẳng (hay cịn gọi là sóng phẳng). Như vậy, các tia sóng từ một nguồn phát đến các phần tử ăng ten của mảng là song song với nhau. Một nguồn được xem là ở trường xa khi thỏa mãn điều kiện khoảng cách từ nguồn đó đến mảng ăng ten là rất lớn so với 2

2DA/, với DA là khẩu độ của mảng ăng ten và  là bước sóng của tín hiệu.

- Tín hiệu băng hẹp: Nếu băng thông B = 2∆ω và

≪ 1, khi đó chúng ta có

tín hiệu băng hẹp. Có thể coi các tín hiệu từ P nguồn có cùng một tần số sóng mang fc. - Kênh nhiễu trắng phân bố Gauss: Nhiễu được giả định là có phân bố Gauss với giá trị trung bình bằng 0, có cùng phương sai là 2

 tại tất cả các phần tử của mảng. Nhiễu này không tương quan chéo với nhau cũng như khơng tương quan với các tín hiệu từ nguồn phát cả trong miền không gian, thời gian và tần số. Giả định

</div>Trang 26<div class="page_container" data-page="26">

này nhằm đảm bảo tính độc lập thống kê giữa tín hiệu và nhiễu cũng như đảm bảo tính đồng nhất ảnh hưởng của nhiễu tới các phần tử ăng ten trong mảng.

- Cơ chế truyền sóng tầm nhìn thẳng và phân cực của tín hiệu trùng với phân cực của ăng ten tại thời điểm xét.

Hình 1.2 mơ tả mơ hình thu tín hiệu của mảng ăng ten với những giả định trên.

Hình 1.2. Mơ hình thu tín hiệu tổng quát của mảng ăng ten.

Cụ thể, P tín hiệu s(t) = [s1(t), s2(t), …, sP(t)] truyền tới mảng ăng ten M phần

tử tại các góc lần lượt là:  = [1, 2, …, P] trong mặt phẳng phương vị, và  = [1, 2, …, P] trong mặt phẳng đứng. Vị trí phần tử thứ m của mảng ăng ten có tọa độ là

Am(xm, ym, zm) với m = 1, 2, …, M. Nếu chọn điểm O(0, 0, 0) tại gốc tọa độ làm điểm

pha tham chiếu thì độ lệch pha của tín hiệu thu bởi phần tử ăng ten Am so với tâm pha O là [109]:

ở đây, fp và p lần lượt là tần số và bước sóng của tín hiệu sp(t). Các tín hiệu thu được

x(t) = [x1(t), x2(t), …, xM(t)] tại các phần tử A1, A2, …, AM là tổng hợp của P tín hiệu s1(t), s2(t), …, sP(t) nhân với ma trận định phương tương ứng với góc tới của tín hiệu.

Biểu thức tính tín hiệu thu bởi mảng ăng ten được viết như sau [109]:

</div>Trang 27<div class="page_container" data-page="27">

( )

tn t

Tại máy thu, tín hiệu từ các phần tử ăng ten sẽ được chuyển từ tương tự sang số

để xử lý. Gọi Ts là chu kỳ lấy mẫu của bộ biến đổi tương tự sang số (ADC: Analog to Digital Converter), đầu ra của mảng ăng ten có thể biểu diễn như sau [30]:

ở đây, N là số lượng mẫu tín hiệu trong một cửa sổ tín hiệu. Có thể thấy rằng tín hiệu

thu x là ma trận số có kích thước M×N. Trong trường hợp máy thu sử dụng kênh cầu

phương gồm tín hiệu đồng pha (I: in-phase) và vng pha (Q: quadratic-phase) thì x

là ma trận ba chiều có kích thước M×N×2.

</div>Trang 28<div class="page_container" data-page="28">

Ma trận hiệp phương sai của các tín hiệu đầu ra thu bởi mảng ăng ten được xác định như sau:

Trong đó: xH là ma trận chuyển vị liên hiệp phức Hamilton của ma trận x. Rs và

Rn lần lượt là ma trận hiệp phương sai của tín hiệu và nhiễu, I là ma trận đơn vị.

Có nhiều loại mảng ăng ten khác nhau: Mảng tuyến tính (khơng đồng đều và đồng đều), mảng trịn, mảng hình chữ nhật. Trong một số nghiên cứu cho thấy, mảng ăng ten tuyến tính mặc dù chỉ ước lượng đơn trị trong một nửa mặt phẳng (từ -90ođến +90o) nhưng nó lại có lợi thế về khẩu độ so với mảng ăng ten trịn khi có cùng số lượng phần tử thu [31]. Hơn nữa, mảng tuyến tính dễ dàng cầu hình và thiết lập các mơ hình tốn học. Do đó, trong khuôn khổ luận án này chỉ tập trung sử dụng mảng ăng ten tuyến tính để phát triển các giải pháp trí tuệ nhân tạo mới cho bài tốn ước lượng hướng đến nguồn tín hiệu vơ tuyến.

1.2.2. Mơ hình mảng ăng ten tuyến tính

Mảng ăng ten tuyến tính là mảng có các phần tử nằm trên cùng một đường

thẳng. Giả thiết mảng ăng ten đặt theo trục x. Xét hướng đến của nguồn tín hiệu nằm trong mặt phẳng phương vị, khi đó độ lệch pha của phần tử thứ m so với điểm pha

PP

</div>Trang 29<div class="page_container" data-page="29">

Nếu chọn gốc tọa độ trùng với vị trí phần tử thứ nhất, khoảng cách giữa phần

tử thứ m + 1 so với phần tử tham chiếu là dm = xm+1 – x1. Khi đó ma trận định phương của mảng tuyến tính khơng đồng đều có dạng sau:

tử anten khác được quy ước là dM-1, dM-2, … , dm, …, d2, d1) phù hợp để đạt được hiệu

quả tốt nhất khi sử dụng.

Đối với mảng ăng ten tuyến tính đồng đều, các phần tử cách đều nhau một

khoảng d, nên khoảng cách giữa phần tử thứ m + 1 so với phần tử tham chiếu là dm =

xm+1 – x1 = m∙d. Lúc này, ma trận định phương A có thể được viết lại như sau:

2 (1) sin2 (1) sin2 (1) sin

Trong các ứng dụng thực tế, mảng ăng ten tuyến tính đồng đều được sử dụng

rất phổ biến để thực hiện quét búp sóng trong khơng gian. Để tránh hiện tượng bất

định khi ước lượng DOA thì mảng ULA được thiết kế với khoảng cách các phần tử bằng nhau và nhỏ hơn hoặc bằng nửa bước sóng. Mơ hình thu tín hiệu mảng ăng ten tuyến tính đồng đều được mơ tả trên Hình 1.3.

</div>Trang 30<div class="page_container" data-page="30">

Hình 1.3. Mơ hình thu tín hiệu mảng ăng ten tuyến tính đồng đều

1.3. Các phương pháp định hướng nguồn tín hiệu vơ tuyến

Đến nay, có rất nhiều phương pháp được sử dụng để xác định hướng đến của tín hiệu vơ tuyến, có thể chia thành bốn nhóm chính: (1) phương pháp dựa trên đo đạc, so sánh tham số tín hiệu (biên độ, pha, tần số, thời gian), (2) phương pháp quét búp sóng, (3) phương pháp phân tích khơng gian con và (4) phương pháp ứng dụng trí tuệ nhân tạo (AI: artificial intelligence). Ngồi ra, cịn có những cách phân loại theo các góc nhìn khác nhau, Mỗi loại phương pháp đều có những ưu và nhược điểm riêng. Phần tiếp theo của mục này sẽ trình bày khái quát về phương pháp quét búp sóng và phương pháp phân tích khơng gian con.

1.3.1. Phương pháp quét búp sóng

Có nhiều phương pháp quét búp sóng khác nhau, xét về phương diện quét búp sóng bằng điện tử hoặc xử lý số có hai phương pháp điển hình gồm: qt búp sóng theo phổ cơng suất (CBF: Conventional Beamforming) và qt búp sóng Capon (hay còn gọi là phương pháp MVDR - minimum variance distortionless response).

1.3.1.1. Phương pháp quét búp sóng CBF

Ý tưởng cơ bản của phương pháp CBF là “quét” búp sóng tạo ra bởi mảng ăng ten theo một hướng tại một thời điểm và đo công suất đầu ra của mảng [15], [82], [102]. Khi hướng quét trùng với hướng đến của tín hiệu thì có thể quan sát được cơng suất cực đại của tín hiệu đó. Thay vì qt búp sóng bằng cơ học, mảng ăng ten có thể quét búp sóng bằng điện tử thơng qua việc thay đổi hình dạng giản đồ búp sóng. Để

</div>Trang 31<div class="page_container" data-page="31">

làm điều này, một véc-tơ trọng số w được thiết kế để khi kết hợp với tín hiệu thu bởi

các phần tử ăng ten tạo ra một tín hiệu tại đầu ra, như sau:

y t( ) = w xH ( )t (1.11)

Cơng suất trung bình của tín hiệu tại đầu ra của mảng ăng ten sau N mẫu thu

thập được mô tả như sau:

Trong giải pháp quét búp sóng thơng thường, trọng số w = a() với  là góc

quét của búp sóng. Trong thực tế, có thể chuẩn hóa trọng số w như sau:

( )( )

H

( )

( ) ( )

Mặc dù có khả năng áp dụng một cách đơn giản, tuy nhiên phương pháp quét búp sóng thơng thường có búp sóng rộng nên khả năng phân tách các tín hiệu ở các góc khác nhau là hạn chế. Có thể tăng độ phân giải bằng cách tăng số lượng phần tử của mảng, nhưng như thế sẽ làm tăng số lượng kênh thu cũng như tăng bộ nhớ lưu trữ dữ liệu bởi nhiều kênh thu.

1.3.1.2. Phương pháp Capon

Như đã trình bày ở Mục 1.3.1.1, phương pháp CBF chỉ làm việc tốt khi có một tín hiệu tới hoặc hai tín hiệu tới ở các góc cách xa nhau. Trong trường hợp có nhiều tín hiệu đến cùng lúc thì phương pháp CBF lại kém hiệu quả. Để giải quyết vấn đề này, phương pháp Capon được đề xuất trong [83] nhằm tạo một búp sóng nhọn tại hướng quan sát, đồng thời triệt tiêu các hướng khác để loại bỏ các tín hiệu cịn lại.

Theo đó, phương pháp Capon có thể mơ tả theo cơng thức sau:

</div>Trang 32<div class="page_container" data-page="32">

P w( )

nhỏ nhất khi w aH ( ) =1 (1.15) Véc-tơ trọng số được chọn theo cách này còn được gọi là bộ tạo búp sóng đáp ứng khơng biến dạng phương sai cực tiểu (MVDR). Trong hướng quan sát cụ thể, nó sẽ cực tiểu hóa phương sai của tín hiệu tại đầu ra của mảng ăng ten. Kết quả là, trọng số sẽ được tính bởi cơng thức sau [83]:

( )

1.3.2. Phương pháp phân tích khơng gian con

Các phương pháp trình bày trên đây mặc dù đơn giản nhưng có độ phân giải thấp, khơng phân tách được nhiều nguồn tín hiệu đến cùng lúc. Do đó, các nhà khoa học đã đề xuất phương pháp phân tích khơng gian con tín hiệu, điển hình là phương pháp MUSIC (multiple signal classification), ESPRIT (estimation of signal parameter via rotational invariance techniques) và rootMUSIC [28], [63]. Mục này sẽ trình bày tổng quan một số phương phương pháp định hướng dựa trên phân tích khơng gian con, bao gồm: MUSIC, ESPRIT và rootMUSIC.

1.3.2.1. Phương pháp MUSIC

Phương pháp MUSIC là một trong những phương pháp phân tích khơng gian con đầu tiên được đề xuất và áp dụng phổ biến cho các hệ thống định hướng “siêu phân giải” [78], vì nó cho khả năng phân giải rất tốt. Tín hiệu tại đầu ra của mảng ăng ten được biến đổi từ dạng tương tự sang dạng số sau đó được xử lý bởi thuật tốn MUSIC để ước lượng hướng đến.

</div>Trang 33<div class="page_container" data-page="33">

Thuật toán MUSIC thực hiện theo các bước bao gồm: Xây dựng ma trận hiệp phương sai; Khai triển giá trị riêng ma trận hiệp phương sai; Tách khơng gian tín hiệu khỏi không gian nhiễu; Xác định phổ công suất.

Tương tự như phương pháp CBF và Capon, ma trận hiệp phương sai Rxx cũng

được tính tốn theo cơng thức (1.6). Nếu các tín hiệu tới s1(t), s2(t), …, sP(t) khơng

tương quan với nhau thì bậc của ma trận Rxx bằng bậc của ma trận Rss và cùng bằng

P, ở đây P < M được giả định. Bằng cách phân rã ma trận Rxx , ta thu được các giá trị

riêng và vector riêng tương ứng. Vì bậc của ma trận Rxx bằng P nên các giá trị riêng

của ma trận Rxx có thể nhận được như sau: γ1 > γ2 > . . . > γP > γP+1 ≈ . . . ≈ γM ≈ 0, trong đó, có P giá trị riêng vượt trội γ1, γ2, . . . , γP tương ứng với các vector riêng E1,

E2, …, EP đại diện cho khơng gian các tín hiệu; M – P giá trị riêng còn lại γP+1, γP+2, . . . , γM có giá trị nhỏ hơn nhiều so với γ1, γ2, . . . , γP và gần bằng 0 tương ứng với

các véc-tơ riêng EN của không gian nhiễu. Theo mô tả trong [78], phổ công suất theo khơng gian tạo bởi phương pháp MUSIC được tính tốn bởi công thức sau:



i =arg max(



PMUSIC)PThresh



,i=1, 2,...,P (1.19)

Trong đó, PThresh là giá trị ngưỡng để tìm đỉnh phổ tương ứng với góc ước lượng. Phương pháp MUSIC có để đạt được khả năng phân biệt góc tốt, nhưng nó cũng có hạn chế là khơng thể ước lượng được các tín hiệu tương quan (nếu khơng bổ sung các kỹ thuật khác) và yêu cầu dung lượng tính tốn lớn để phân rã ma trận hiệp phương sai khi mảng ăng ten có nhiều phần tử.

1.3.2.2. Phương pháp RootMUSIC

RootMUSIC là thuật toán được phát triển dựa trên nền tảng của thuật tốn MUSIC thơng thường. Thay vì qt búp sóng như phương pháp MUSIC, thuật tốn

</div>Trang 34<div class="page_container" data-page="34">

RootMUSIC thực hiện tìm nghiệm của đa thức dưới mẫu trong cơng thức tính phổ MUSIC (1.18)

.

Cụ thể là tìm nghiệm của đa thức sau:

GE E và triển khai đa thức P(z) trong (1.20)

sẽ nhận được kết quả như sau:

trong (1.22) có tối đa M nghiệm (tính cả nghiệm thực và nghiệm phức). Những

nghiệm nào nằm trên hoặc tiệm cận đường trịn đơn vị thì được xem xét để tính góc DOA theo cơng thức sau:

Trong đó, zm là nghiệm của đa thức P(z) tiệm cận đường trịn đơn vị; arg(zm) là phép

tốn lấy góc pha của zm.

1.3.2.3. Phương pháp ESPRIT

Với phương pháp ESPRIT, việc phân tích các tham số tín hiệu được thực hiện dựa trên kỹ thuật dịch chuyển bất biến ln phiên khơng gian con tín hiệu. Theo đó, mảng ăng ten được chia thành hai mảng ăng ten con đồng nhất. Các mảng ăng ten

con này có cùng số các phần tử. Với M các phần tử thì có thể tạo thành hai kiểu mảng

ăng ten con: kiểu thứ nhất là kiểu không xếp chồng lên nhau, mỗi mảng ăng ten con

gồm M/2 phần tử; kiểu thứ hai là kiểu xếp chồng lên nhau, mỗi mảng ăng ten con gồm M - 1 phần tử [40]. Với cách chia thứ nhất, số lượng phần tử phải là số chẵn,

cách chia thứ hai thì số lượng phần tử là bất kỳ.

</div>Trang 35<div class="page_container" data-page="35">

a) Chia mảng không xếp chồng b) Chia mảng xếp chồng Hình 1.4. Cách chia mảng điển hình trong phương pháp ESPRIT Tín hiệu thu bởi hai mảng ăng ten con có thể được biểu diễn như sau:

Nhìn chung các phương pháp truyền thống ước lượng DOA nói chung, các phương pháp trình bày ở trên nói riêng, về cơ bản đều được xây dựng dựa trên một mơ hình thu tín hiệu giả định phù hợp với các tín hiệu quan sát được trong thực tế.

</div>Trang 36<div class="page_container" data-page="36">

Do đó, nếu có sự sai khác nào đó trong q trình sản xuất, lắp đặt, cấu hình hệ thống ăng ten hoặc lỗi đường truyền …vv, từ đó làm thay đổi đặc tính pha và biên độ của tín hiệu thì những phương pháp này sẽ khơng cịn hiệu quả như giả định ban đầu.

1.4. Trí tuệ nhân tạo và ứng dụng trong định hướng nguồn tín hiệu vơ tuyến

1.4.1. Khái quát về trí tuệ nhân tạo, học máy, học sâu

Trí tuệ nhân tạo (AI: Artificial Intelligence) là một lĩnh vực của khoa học máy

tính, là thành quả mơ phỏng các q trình, hoạt động trí tuệ của bộ não con người (học tập, tư duy và ra quyết định) bằng máy móc, đặc biệt là các hệ thống máy tính. AI được áp dụng rộng rãi trong nhiều lĩnh vực, từ phân loại đối tượng, thị giác máy tính đến xử lý ngơn ngữ tự nhiên …, trong đó có nhận dạng và ước lượng hướng đến

tín hiệu vơ tuyến [8], [27], [38], [42], [84], [93].

Học máy (ML: Machine learning) là các thuật tốn cho phép chương trình máy

tính có khả năng tự động học hỏi từ dữ liệu để thực hiện các công việc cụ thể và cải thiện khả năng đó từ kinh nghiệm, quan sát trong quá khứ thay vì chỉ thực hiện theo đúng các quy tắc đã được lập trình sẵn [103].

Các thuật tốn học máy có thể được phân loại thành ba dạng chính: học có giám sát (supervised learning) [86], học khơng giám sát (unsupervised learning) [22], [23], [101] và học tăng cường (reinforcement learning) [70]. Với học có giám sát, các mẫu dữ liệu được cung cấp nhãn (label), tức là đã được phân loại hoặc được gán nhãn trước. Với học không giám sát, mục tiêu của thuật tốn là tìm ra các cấu trúc, mối quan hệ hoặc đặc điểm của dữ liệu. Ví dụ về học không giám sát bao gồm: phân cụm (clustering) và phát hiện bất thường (anomaly detection). Trong học tăng cường, hệ thống học tập phải tương tác với một môi trường để đạt được một mục tiêu hoặc tối đa hóa một phần thưởng. Thuật tốn học tăng cường có thể được ứng dụng cho bài tốn lái xe tự động (autonomous driving) hay trong các trò chơi điện tử (video game). Ngồi các thuật tốn trên, cịn có các thuật tốn kết hợp như học bán giám sát (Semi-supervised Learning) [23] và học trực tuyến (Online Learning) [52].

Một số thuật toán học máy phổ biến: Thuật toán hồi quy tuyến tính (Linear Regression) là thuật toán học máy đơn giản và được sử dụng cho các bài toán hồi

</div>Trang 37<div class="page_container" data-page="37">

quy, trong đó mục tiêu đặt ra là tìm một mơ hình tuyến tính phù hợp nhất để dự đoán giá trị đầu ra dựa trên các giá trị đầu vào [61], [85]; Thuật toán hồi quy Logistic (Logistic Regression) được sử dụng cho các vấn đề phân loại và đưa ra dự đoán về xác suất của các lớp đầu ra [61]; Thuật toán k-Nearest Neighbors (kNN) là thuật toán sử dụng khoảng cách giữa các điểm dữ liệu để xác định các điểm gần nhau nhất [58]. kNN thường được sử dụng cho các bài toán phân loại và cả hồi quy; Thuật toán cây quyết định (DT: Decision Tree) tạo ra một cây quyết định bằng cách sử dụng các thuộc tính của dữ liệu để phân tách các điểm dữ liệu và dự đoán đầu ra [17], [64]; Thuật toán rừng ngẫu nhiên (RF: Random Forest) là một phương pháp học kết hợp (Ensemble Learning), kết hợp nhiều cây quyết định để tăng độ chính xác và giảm khả năng “quá phù hợp” (Overfitting) [79]; Thuật toán SVM (Support Vector Machine) là thuật tốn tìm ra đường biên phân cách tối ưu giữa các điểm dữ liệu của các lớp khác nhau [34], [36]; Thuật toán phân cụm (Clustering) bao gồm các thuật toán như K-means và Hierarchical Clustering, được sử dụng để tìm ra các cụm dữ liệu có tính chất tương đồng [68]; Thuật toán giảm chiều dữ liệu gồm các thuật toán như PCA (Principal Component Analysis) [58], [62] và t-SNE, được sử dụng để giảm chiều dữ

liệu giúp cho việc xử lý dữ liệu và phân tích trở nên dễ dàng hơn.

Học sâu (DL: Deep Learning) hay cịn gọi là học nhiều lớp, học có cấu trúc sâu

(deep structured learning), hoặc học máy sâu (deep machine learning), là một nhánh của học máy dựa trên tập các giải thuật cố gắng trừu tượng hóa quá trình xử lý dữ liệu bởi các mơ hình với nhiều lớp ẩn để học và trích xuất các đặc trưng từ dữ liệu lớn và phức tạp. Cấu trúc mạng lưới, phân tầng của học sâu cho phép xử lí dữ liệu theo cách tiếp cận phi tuyến [66].

Mạng nơ-ron nhân tạo (ANN: Artificial Neural Network) là mô hình học sâu

nhiều lớp (layer) có cấu trúc và lấy cảm hứng từ hoạt động của mạng thần kinh trong bộ não người.

Mạng nơ ron sâu (DNN: Deep Neural Network) là mạng nơ-ron nhân tạo có kiến trúc phức tạp với rất nhiều lớp, "sâu" hơn nhiều so với kiến trúc của mạng nơ-ron truyền thống (mạng nơ-ron nông).

</div>Trang 38<div class="page_container" data-page="38">

Mạng nơ-ron tích chập (CNN: Convolutional Neural Network) là một mơ hình đặc biệt của mạng nơ-ron sâu, ban đầu được sử dụng chủ yếu trong xử lý ảnh và video. Tích chập là một khái niệm trong xử lý tín hiệu số nhằm biến đổi thơng tin đầu vào qua một phép tích chập với bộ lọc để cho ra là một tín hiệu mới. Tín hiệu này sẽ giảm bớt những đặc trưng mà bộ lọc không quan tâm, giữ lại những đặc trưng chính và quan trọng nhất. CNN có thể trích xuất thơng tin đặc trưng từ các hình ảnh, video bằng cách sử dụng các bộ lọc tích chập [11].

Hình 1.5 thể hiện mối quan hệ giữa AI, ML, DL, ANN, DNN và CNN [66].

Hình 1.5. Mối quan hệ giữa AI, ML, DL, ANN, DNN và CNN

Bên cạnh CNN, các mơ hình mạng nơ-ron học sâu phổ biến khác có thể kể đến như sau: Mạng nơ-ron tiêu chuẩn (Standard Neural Network) là mơ hình đơn giản nhất, gồm một tầng đầu vào, một hoặc nhiều tầng ẩn và một tầng đầu ra [18]; Mạng nơ-ron tái tạo (Autoencoder) là một trong những kỹ thuật Deep Learning phổ biến nhất hiện nay, có khả năng học các biểu diễn của dữ liệu đầu vào mà khơng cần nhãn, hay nói cách khác có khả năng học khơng giám sát. Autoencoder được sử dụng để học các đặc trưng ẩn của dữ liệu bằng cách ánh xạ dữ liệu từ không gian chiều cao xuống không gian chiều thấp [9], [19], [21]; Mạng nơ-ron tái định hướng (RNN: Recurrent Neural Network) được sử dụng trong xử lý ngôn ngữ tự nhiên. RNN nhận vào các chuỗi dữ liệu, thực hiện cùng một tác vụ cho tất cả phần tử của một chuỗi với đầu ra phụ thuộc vào cả các phép tính trước đó, vì vậy mạng RNN có khả năng nhớ các thơng tin được tính tốn từ các lần thăm dị trước đó [90]. Có 2 thiết kế chính của

</div>Trang 39<div class="page_container" data-page="39">

RNN là LSTM (Long Short-Term Memory) và Gated RNN; Mạng nơ-ron tích chập định hướng (RCNN: Recurrent Convolutional Neural Network) là mô hình kết hợp của CNN và RNN. RCNN được sử dụng trong xử lý ảnh và video để trích xuất đặc trưng từ các vùng trong không gian và thời gian [85]; Mạng nơ-ron tự sinh (GANs: Generative Adversarial Networks) được sử dụng để tạo ra các dữ liệu mới từ dữ liệu hiện có. GANs là một mơ hình mạng nơ-ron đặc biệt, bao gồm hai phần tử, một là mạng nơ-ron sinh và một là mạng nơ-ron phân biệt [53].

1.4.2. Mạng nơ-ron nhân tạo

1.4.2.1. Cấu trúc mạng nơ-ron nhân tạo

Mạng nơ-ron nhân tạo bao gồm một số lượng lớn các nút nơ-ron (node) được kết nối với những lớp liền kề khác. Mỗi kết nối giữa các node sẽ có một trọng số tương ứng, trọng số càng cao thì ảnh hưởng của kết nối này đến mạng nơ-ron càng lớn. Mỗi nút nơ-ron nhận đầu vào từ các nút khác và xử lý thơng tin đó bằng cách tính tốn một hàm kích hoạt, kết quả đầu ra sẽ truyền tới các nút khác trong mạng để xử lý tiếp. Mục đích chính của mạng nơ-ron là tìm ra các liên hệ phức tạp giữa các đặc trưng đầu vào và đầu ra dựa trên các mẫu đã được học.

Hình 1.6. Cấu trúc mạng nơ-ron nhiều lớp [103]

Cấu trúc cơ bản của một mạng nơ-ron bao gồm một lớp đầu vào, một số lớp ẩn và một lớp đầu ra, như được mơ tả trong Hình 1.6. Mỗi lớp bao gồm các nơ-ron nhân tạo được kết nối với tất cả các nơ-ron ở lớp liền kề và lớp chuyển tiếp. Khơng có các

</div>Trang 40<div class="page_container" data-page="40">

kết nối được phép giữa các nơ-ron thuộc cùng một lớp. Khi một mạng nơ-ron có nhiều hơn 3 lớp ẩn, nó được gọi là mạng nơ-ron sâu.

Một nơ-ron trong mạng nơ-ron nhân tạo là một phần tử xử lý toán học với N đầu vào (x1, x2, ..., xN), một độ lệch (bias) và một đầu ra y. Nơ-ron có N trọng số và trọng số wi sẽ được nhân với đầu vào tương ứng xi. Hàm truyền phổ biến nhất là tổng các giá trị đầu vào theo sau là hàm kích hoạt để cải thiện hiệu suất.

Hình 1.7. Cấu trúc của một nơ-ron nhân tạo điển hình [103]

Về mặt toán học, cấu trúc của một nơron k, được mơ tả bằng biểu thức sau:

1.4.2.2. Hàm kích hoạt

Hàm kích hoạt là một thành phần quan trọng của mạng nơ-ron. Một nơ-ron không thể học tập nếu khơng có hàm kích hoạt. Bằng cách thêm hàm kích hoạt, mạng nơ-ron có thể giải được các bài toán phi tuyến phức tạp. Dưới đây là một số hàm kích hoạt thường được sử dụng:

a) Hàm ReLU (Rectified Linear Unit)

ReLU là hàm kích hoạt được sử dụng rộng rãi trong mạng nơ-ron [8]. Biểu thức cho hàm ReLU được viết như sau: