ước lượng kênh truyền mimo dùng thuật toán mù cải tiến

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH
ĐẠI HỌC KHOA HỌC TỰ NHIÊN
****oOo****



ĐỖ ĐÌNH THUẤN

ƯỚC LƯỢNG KÊNH TRUYỀN MIMO
DÙNG THUẬT TOÁN MÙ CẢI TIẾN
Chuyên ngành: Vật lý vô tuyến và điện tử
Mã số: 62 44 03 01



TÓM TẮT LUẬN ÁN TIẾN SỸ VẬT LÝ










TP. Hồ Chí Minh năm 2011

2





Công trình được hoàn thành tại: Đại học Khoa học tự nhiên, Đại học Quốc gia TP. Hồ Chí
Minh

Người hướng dẫn khoa học: PGS. TS. VŨ ĐÌNH THÀNH
(ghi rõ họ tên, chức danh khoa học, học vị)

Phản biện 1: PGS. TS. PHẠM HỒNG LIÊN
Phản biện 2: PGS. TS. NGUYỄN HỮU PHƯƠNG
Phản biện 3: PGS. TS. HOÀNG ĐÌNH CHIẾN
Phản biện độc lập 1: PGS. TS. NGUYỄN VIẾT KÍNH
Phản biện độc lập 2: TS. LÊ QUỐC CƯỜNG




Luận án sẽ được bảo vệ trước Hội đồng chấm luận án tại Đại học Khoa học tự nhiên
vào hồi giờ ngày tháng năm


Có thể tìm hiểu luận án tại thư viện:
- Thư Viện Khoa học Tổng hợp TP. Hồ Chí Minh
- Thư viện Trường Đại học Khoa học tự nhiên

1 CHƯƠNG 1: TỔNG QUAN
Giới thiệu về MIMO và mô hình kênh vô tuyến
Một hệ thống thông tin vô tuyến dùng
T
M
anten phát và
R
M
anten thu được gọi là hệ thống đa
anten phát đa anten thu MIMO, và kênh truyền sử dụng cho hệ thống này gọi là kênh MIMO. Người ta
phân loại các hệ thống MIMO như sau:
• Trường hợp đặc biệt
1
=
=
RT
MM
được gọi là hệ thống một anten phát, một anten thu
SISO, và kênh tương ứng gọi là kênh SISO.
• Trường hợp đặc biệt thứ 2 là trường hợp trong đó sử dụng
1
=
T
M
và
2
≥
R
M

. Hệ thống
đó được gọi là SIMO, và kênh tương ứng là kênh SIMO.
• Trường hợp thứ 3 là MISO cũng tương tự với
2
≥
T
M
và
1
=
R
M
.
Trong m
ộ
t h
ệ
th
ố
ng MIMO v
ớ
i
T
M

anten phát và
R
M
anten thu, kí hi
ệ

u
đ
áp
ứ
ng xung c
ủ
a kênh
thông th
ấ
p t
ươ
ng
đươ
ng gi
ữ
a anten phát th
ứ

j
và anten thu th
ứ

i
là
(
)
th
ij
;
τ

, trong
đ
ó
τ
đượ
c g
ọ
i là bi
ế
n tr
ễ

và t là bi
ế
n th
ờ
i gian. Vì th
ế
kênh thay
đổ
i theo th
ờ
i gian m
ộ
t cách ng
ẫ
u nhiên
đượ
c mô t
ả

b
ằ
ng ma tr
ậ
n
(
)
t;
τ
H
kích th
ướ
c
RT
MM
×
nh
ư
sau [21]-[54]:

( )
(
)
(
)
(
)
( ) ( ) ( )
( ) ( ) ( )















=
ththth
ththth
ththth
t
TRRR
T
T
MMMM
M
M
; ;;
; ;;
; ;;
;
21
22221

11211
τττ
τττ
τττ
τ
MMMM
H
( 1.1)
Gi
ả
s
ử
tín hi
ệ
u phát t
ừ
anten phát th
ứ
j là
(
)
Tj
Mjts , ,2,1, = . Ta có tín hi
ệ
u thu
đượ
c
ở
anten th
ứ

i
trong tr
ườ
ng h
ợ
p không có nhi
ễ
u là

( ) ( ) ( )
( ) ( )
R
M
j
jij
j
M
j
iji
Mitsth
dtsthtr
T
T
, ,2,1,*;
;
1
1
=−=
−=
∑

∑
∫
=
=
∞+
∞−
ττ
τττ
(1.2)
Khi bi
ể
u di
ễ
n công th
ứ
c trên
ở
d
ạ
ng ma tr
ậ
n, bi
ể
u th
ứ
c (1.2) tr
ở
thành

(

)
(
)
(
)
ttt
j
sHr *;
τ
= (1.3)
trong
đ
ó,
(
)
t
s
là vector 1
×
T
M và
(
)
t
r
là vector 1
×
R
M
Đố

i v
ớ
i kênh không l
ự
a ch
ọ
n t
ầ
n s
ố
, ma tr
ậ
n kênh
H

đượ
c bi
ể
u di
ễ
n nh
ư
sau:
4


( )
(
)
(

)
(
)
( ) ( ) ( )
( ) ( ) ( )














=
ththth
ththth
ththth
t
TRRR
T
T
MMMM
M
M

L
MMMM
L
L
11
22221
11211
H
(1.4)
Khi
đ
ó, tín hi
ệ
u thu
đượ
c
ở
anten thu th
ứ
i
đượ
c t
ố
i thi
ể
u hóa là:

( ) ( ) ( )
Rj
M

j
iji
Mitsthtr
T
, ,2,1,
1
==
∑
∫
=
∞+
∞−
(1.5)
Trong khi
đ
ó, n
ế
u ta c
ầ
n bi
ể
u di
ể
n
ở
d
ạ
ng ma tr
ậ
n, vector tín hi

ệ
u thu
r
(t)
đượ
c vi
ế
t nh
ư
sau:

(
)
(
)
(
)
ttt
sHr
=

(1.6)
Ngoài ra, n
ế
u bi
ế
n
đổ
i v
ề

m
ặ
t th
ờ
i gian c
ủ
a
đ
áp
ứ
ng xung
đượ
c xem là ch
ậ
m trong kho
ả
ng th
ờ
i
gian
Tt
≤
≤
0
, kênh
H
g
ầ
n nh
ư

không thay
đổ
i trong m
ộ
t chu kì kí t
ự

đ
ang xem xét thì bi
ể
u th
ứ
c (1.6)
đượ
c vi
ế
t
đơ
n gi
ả
n h
ơ
n nh
ư
sau

(
)
(
)

tt
Hsr
=

(1.7)

Mô hình kênh không l
ự
a ch
ọ
n t
ầ
n s
ố
bi
ế
n
đổ
i th
ờ
i gian ch
ậ
m trong bi
ể
u th
ứ
c (1.7)
đượ
c xem là
mô hình

đơ
n gi
ả
n nh
ấ
t cho truy
ề
n d
ẫ
n tín hi
ệ
u trong kênh MIMO.
2

CH
ƯƠ
NG 2: KHUNG TÍN HI
Ệ
U PHÁT ÁP D
Ụ
NG CHO
ƯỚ
C L
ƯỢ
NG KÊNH MÙ C
Ả
I
TI
Ế
N

2.1 Phương pháp ước lượng kênh mù cải tiến
2.1.1
Mô hình kênh MIMO
Trong ph
ầ
n này, lu
ậ
n án trình bày mô hình kênh MIMO b
ă
ng h
ẹ
p fading kh
ố
i ph
ẳ
ng v
ớ
i
t
M

anten phát và
r
M anten thu. Khi
đ
ó quan h
ệ
gi
ữ
a tín hi

ệ
u phát và tín hi
ệ
u thu
đượ
c mô t
ả
nh
ư
sau

VHXY
+
=
(2.1)
trong
đ
ó Y là ma tr
ậ
n ph
ứ
c tín hi
ệ
u thu kích th
ướ
c
NM
r
×
, và X là ma tr

ậ
n ph
ứ
c tín hi
ệ
u phát
kích th
ướ
c
NM
t
×
, H là ma tr
ậ
n kênh ph
ứ
c kích th
ướ
c
tr
MM
×
và V là ma tr
ậ
n ph
ứ
c nhi
ễ
u tr
ắ

ng trung
bình b
ằ
ng 0 có kích th
ướ
c
NM
r
×
.
2.1.2
Ước lượng kênh với cấu trúc khung tín hiệu phát đề xuất
Trong b
ộ

ướ
c l
ượ
ng bán mù (SB), ng
ườ
i ta v
ẫ
n dùng l
ượ
ng kí t
ự
(symbol) dành cho chu
ỗ
i hu
ấ

n
luy
ệ
n.
Đ
ó chính là vai trò quan tr
ọ
ng c
ủ
a chu
ỗ
i hu
ấ
n luy
ệ
n và là lý do chính
để
lu
ậ
n án
đề
xu
ấ
t c
ấ
u trúc
5

m
ớ

i k
ế
t h
ợ
p c
ụ
m tín hi
ệ
u x
ử
lý theo LS và c
ụ
m tín hi
ệ
u x
ử
lý bán mù SB. Nh
ư
ng tr
ướ
c khi trình bày c
ấ
u
trúc khung m
ớ
i, ta tóm t
ắ
t các ph
ươ
ng pháp

ướ
c l
ượ
ng LS và SB nh
ư
sau
2.1.3
Ước lượng kênh dùng phương pháp bình phương cực tiểu (LS)
Chúng ta xem xét kênh MIMO fading phân b
ố
Rayleigh ph
ẳ
ng
đặ
c tính hóa b
ở
i kênh là H,
p
X
là
chu
ỗ
i hu
ấ
n luy
ệ
n,
p
Y
là tín hi

ệ
u thu cho ph
ầ
n hu
ấ
n luy
ệ
n và
V
là nhi
ễ
u phân b
ố
Gauss tr
ắ
ng c
ộ
ng. Công
th
ứ
c (2.1) mô t
ả
cho chu
ỗ
i hu
ấ
n luy
ệ
n vi
ế

t l
ạ
i nh
ư
sau

VHXY
+=
pp
(2.2)
trong
đ
ó
p
X
là ma tr
ậ
n hu
ấ
n luy
ệ
n kích th
ướ
c
LM
t
×
và L là
độ
dài chu

ỗ
i hu
ấ
n luy
ệ
n. B
ở
i vì ph
ươ
ng
pháp này khá quen thu
ộ
c v
ớ
i nhi
ề
u ng
ườ
i
đọ
c, lu
ậ
n án ch
ỉ
trình bày k
ế
t qu
ả
cu
ố

i cùng, kênh truy
ề
n
đượ
c
ướ
c l
ượ
ng nh
ư
sau

(
)
p
H
pp
H
p
YXXXH
1
ˆ
−
= (2.3)
2.1.4
Ước lượng bán mù (SB) dùng phương pháp ma trận thừa số SVD.
Tr
ướ
c
đ

ây, ng
ườ
i ta
đ
ã
đư
a ra nhi
ề
u thu
ậ
t toán bán mù v
ớ
i
ư
u
đ
i
ể
m t
ậ
n d
ụ
ng hi
ệ
u qu
ả
b
ă
ng thông cho
h

ệ
th
ố
ng vô tuy
ế
n [6], [10]-[12], [14]-[20]. Trong lu
ậ
n án này, tác gi
ả
ch
ọ
n gi
ả
i pháp
ướ
c l
ượ
ng bán mù
d
ự
a trên phân tích ma tr
ậ
n th
ừ
a s
ố
(SVD) c
ủ
a ma tr
ậ

n H [38]

H
SVD
QPH Σ=)(
(2.4)
Ta có c
ả
ma tr
ậ
n P và Q ph
ả
i th
ỏ
a mãn thu
ộ
c tính sau:
I
P
P
PP
=
=
HH
và t
ươ
ng t
ự
cho ma tr
ậ

n Q.
Để

cho g
ọ
n, ta
đặ
t ma tr
ậ
n W theo bi
ể
u th
ứ
c
P
Σ
W
=
. Ma tr
ậ
n W này có th
ể

ướ
c l
ượ
ng mù d
ự
a trên chính
tín hi

ệ
u thu. B
ướ
c k
ế
ti
ế
p dùng chu
ỗ
i hu
ấ
n luy
ệ
n
để

ướ
c l
ượ
ng ma tr
ậ
n Q v
ớ
i gi
ả
thi
ế
t là W
đ
ã hoàn toàn

đượ
c bi
ế
t
ở
phía thu. Hàm t
ố
i
ư
u cho ph
ươ
ng pháp này mô t
ả
nh
ư
sau

2
minarg
p
H
p
XWQY −

sao cho
IXXXX ==
p
H
p
H

pp
và IQQ =
H
(2.5)
Để

đơ
n gi
ả
n, chúng ta kí t
ự

K
ˆ
nh
ư
sau

H
pp
H
XYWK =
ˆ
(2.6)
S
ử
d
ụ
ng phân tích
H

kkk
SVD
V
Σ
UK
ˆˆˆ
)
ˆ
(
=
trong công th
ứ
c (2.6), ta có bi
ể
u th
ứ
c sau

H
kk
UVQ
ˆˆ
ˆ
=
(2.7)
Do
đ
ó, kênh truy
ề
n

ướ
c l
ượ
ng
H
ˆ

đượ
c cho b
ở
i

H
QWH
ˆ
ˆ
=
(2.8)
6

2.1.5
Cấu trúc khung tín hiệu phát kết hợp cụm LS và cụm SB
Lu
ậ
n án
đề
xu
ấ
t c
ấ

u trúc phát m
ớ
i s
ử
d
ụ
ng d
ữ
li
ệ
u tuân theo
ướ
c l
ượ
ng LS cho khung con th
ứ
i.
Thông qua kênh
đ
ã
ướ
c l
ượ
ng
ở
phía thu cho khung th
ứ
i này, ta khôi ph
ụ
c l

ạ
i
đượ
c tín hi
ệ
u phát. Sau
đ
ó,
ta ti
ế
p t
ụ
c dùng k
ĩ
thu
ậ
t SB cho
ướ
c l
ượ
ng kênh truy
ề
n
ở
khung con th
ứ
j
(
)
ji

<
. Trong công th
ứ
c (2.4)
ở

trên, ta c
ầ
n
ướ
c l
ượ
ng ma tr
ậ
n W (v
ớ
i
P
Σ
W
=
) và Q. Ma tr
ậ
n W nh
ư

đ
ã nói có th
ể

đượ
c
ướ
c l
ượ
ng mù
ch
ỉ
d
ự
a trên d
ữ
li
ệ
u thu
đượ
c, trong khi
đ
ó ta dùng
ướ
c l
ượ
ng LS cho ma tr
ậ
n Q v
ớ
i chu
ỗ
i hu
ấ

n luy
ệ
n.
C
ấ
u trúc khung t
ừ
khung th
ứ
i
đế
n khung th
ứ
j
đượ
c mô t
ả
nh
ư
hình v
ẽ
2.1. Ta có th
ể
th
ấ
y v
ớ
i c
ấ
u trúc

đề

xu
ấ
t dùng t
ổ
ng s
ố
kí t
ự
hu
ấ
n luy
ệ
n (training) h
ơ
n so v
ớ
i ph
ươ
ng pháp LS truy
ề
n th
ố
ng. T
ừ

đ
ó, chúng ta
c

ả
i thi
ệ
n hi
ệ
u qu
ả
s
ử
d
ụ
ng b
ă
ng thông nh
ờ
c
ấ
u trúc này.
Trong k
ĩ
thu
ậ
t
ướ
c l
ượ
ng SB, vì kí t
ự
hu
ấ

n luy
ệ
n ch
ỉ
dùng cho
ướ
c l
ượ
ng ma tr
ậ
n Q (Q ch
ỉ
là ma
tr
ậ
n thành ph
ầ
n sau khi phân gi
ả
i giá tr
ị

đơ
n SVD c
ủ
a H) nên s
ẽ
dùng ít kí t
ự
h

ơ
n so v
ớ
i
ướ
c l
ượ
ng LS áp
d
ụ
ng cho c
ả
ma tr
ậ
n H (
p
q
<
). Do
đ
ó, n
ế
u khung tín hi
ệ
u phát k
ế
t h
ợ
p ki
ể

u
ướ
c l
ượ
ng SB và LS s
ẽ

đạ
t
hi
ệ
u qu
ả
b
ă
ng thông h
ơ
n so v
ớ
i khung tín hi
ệ
u ch
ỉ
dùng k
ĩ
thu
ậ
t LS. Bi
ể
u th

ứ
c t
ố
i
ư
u cho c
ấ
u trúc tín hi
ệ
u
k
ế
t h
ợ
p này
đượ
c trình bày nh
ư
sau

2
22
2
11
ewewJ +=
(2.9)
v
ớ
i
iii

xxe
−
=
ˆ
, trong
đ
ó
i
x
ˆ
và
i
x
l
ầ
n l
ượ
t là giá tr
ị

ướ
c l
ượ
ng và giá tr
ị
th
ự
c c
ủ
a tín hi

ệ
u c
ầ
n
ướ
c
l
ượ
ng, )2,1(,
=
iw
i
là các tr
ọ
ng s
ố
c
ủ
a l
ầ
n l
ượ
t hai ph
ươ
ng pháp LS và SB.
Trong ch
ươ
ng này, thông qua mô ph
ỏ
ng chúng ta th

ấ
y r
ằ
ng
1 2
1
w w
= =
cho k
ế
t qu
ả
t
ố
t nh
ấ
t
2.2 Kết quả mô phỏng
5 10 15 20 25 30
-10
-8
-15
-20
-25
-35
Eb/No, dB
MSE (dB)
MSE va SNR

Uoc luong LS
LSSB

Hình 2.2. MSE và SNR cho b
ộ

ướ
c l
ượ
ng kênh LS, LSSB
7

5 10 15 20 25 30
-40
-35
-30
-25
-20
-15
-10
-5
Eb/No, dB
MSE (dB)
MSE va SNR


LSSB (1SB, 1LS)
LSSB (1SB, 3LS)
LSSB (1SB, 5LS)

Hình 2.3. MSE và SNR cho các b
ộ

ướ
c l
ượ
ng kênh LSSB khác nhau
10 20 30 40 50 60 70 80 90 100
-100
-10
-5
-20
-30
-40
pilots
MSE (dB)
MSE va do dai ki hieu huan luyen


Uoc luong LS
LSSB

Hình 2.4. MSE và
độ
dài chu
ỗ
i hu
ấ
n luy
ệ

n cho
ướ
c l
ượ
ng LS, LSSB

10 20 30 40 50 60 70 80 90 100
-10
-5
-15
-17
pilots
MSE (d B)
MSE va so kí hieu huan luyen


LSSB (1SB,1LS)
LSSB (1SB,3LS)
LSSB (1SB,5LS)

Hình 2.5. MSE và
độ
dài chu
ỗ
i hu
ấ
n luy
ệ
n cho các
ướ

c l
ượ
ng LSSB khác nhau
8

5 10 15 20 25 30
-10
-20
-15
-25
-30
-35
-40
Eb/No, dB
MSE (dB)
MSE va SNR


Uoc luong dung LS
LSSB khong xet sai so W
LSSB xet sai so W

Hình 2.6. So sánh tr
ườ
ng h
ợ
p
ướ
c l
ượ

ng mù c
ả
i ti
ế
n hoàn h
ả
o và
ướ
c l
ượ
ng kênh không hoàn h
ả
o
0 5 10 15 20
10
-5
10
-4
10
-3
10
-2
10
-1
10
0
Eb/No,dB
Bit Error Rate/Symbol Error Rate
BER/SER performance of SVD based semi-blind channel estimation

BER
SER

Hình 2.7.
Đ
ánh giá BER/SER c
ủ
a ph
ươ
ng pháp mù c
ả
i ti
ế
n
3

CH
ƯƠ
NG 3: THI
Ế
T K
Ế
CHU
Ỗ
I HU
Ấ
N LUY
Ệ
N TR

Ự
C GIAO CHO
ƯỚ
C L
ƯỢ
NG KÊNH
MÙ C
Ả
I TI
Ế
N TRONG MIMO
3.1 Tổng quan phương pháp ước lượng mù cải tiến
Chúng ta xem xét ma tr
ậ
n kênh MIMO fading ph
ẳ
ng
tr
C
×
∈H
, trong
đ
ó t là s
ố
anten phát và r là
s
ố
anten thu trong h
ệ

th
ố
ng. Kí hi
ệ
u tín hi
ệ
u thu d
ạ
ng ph
ứ
c
1×
∈
r
C
y
, khi
đ
ó m
ố
i quan h
ệ
gi
ữ
a tín hi
ệ
u thu
và phát bi
ể
u di

ễ
n nh
ư
sau
)()()(
nnn
wHxy
+
=
(3.1)

)()()(
nnn
csx
+
=
(3.2)
trong
đ
ó
n
là tham s
ố
v
ề
th
ờ
i gian t
ứ
c th

ờ
i,
1×
∈
t
C
x là tín hi
ệ
u phát d
ạ
ng ph
ứ
c và
)(nw
là thành
ph
ầ
n nhi
ễ
u Gaussian tr
ắ
ng c
ộ
ng theo th
ờ
i gian. Ngoài ra,
)(ns
là d
ữ
li

ệ
u có ích,
)(np
là ph
ầ
n tín hi
ệ
u tr
ự
c
giao chèn vào tr
ướ
c kí t
ự
tín hi
ệ
u phát.
9

Bây gi
ờ
, ta gi
ả
s
ử
kênh
đượ
c s
ử
d

ụ
ng g
ồ
m
N
kí t
ự
phát. Ta có
L
kí t
ự

đầ
u tiên g
ọ
i là chu
ỗ
i hu
ấ
n
luy
ệ
n. X
ế
p các kí t
ự
hu
ấ
n luy
ệ

n nh
ư
ma tr
ậ
n, ta
đạ
t
đượ
c bi
ể
u th
ứ
c sau

[
]
)(), ,2(),1(
L
p
xxxX = (3.3)

[
]
)(), ,2(),1(
L
p
yyyY = (3.4)
trong
đ
ó

Lt
p
C
×
∈
X
,
Lr
p
C
×
∈
Y
. Ta d
ễ
th
ấ
y r
ằ
ng thành ph
ầ
n còn l
ạ
i
LN
−
là d
ữ
li
ệ

u mang thông
tin th
ự
c c
ầ
n truy
ề
n, kí hi
ệ
u là
)(
LNt
d
C
−×
∈X
và
)(
LNr
d
C
−×
∈Y
. Do
đ
ó,
[
]
{
}

dpp
YYX
,, có th
ể
xem là t
ậ
p h
ợ
p
c
ả
tín hi
ệ
u mang tin và d
ữ
li
ệ
u hu
ấ
n luy
ệ
n
Ph
ươ
ng pháp
ướ
c l
ượ
ng kênh LS tuy
ế

n tính cho kênh H có th
ể

đượ
c tính nh
ư
sau (xem ch
ứ
ng
minh trong ph
ụ
l
ụ
c A-30
đế
n A-38)

(
)
YXXXH
HH
LS
1
ˆ
−
=
(3.5)
Ph
ươ
ng pháp

ướ
c l
ượ
ng kênh mù c
ả
i ti
ế
n dùng trong ph
ầ
n này
đượ
c trình bày nh
ư
sau.
Đầ
u tiên
kênh H có th
ể
phân tích SVD

HH
WQUSQH
==
(3.6)
Chúng ta ti
ế
p t
ụ
c tính
ướ

c l
ượ
ng Maximum-Likelihood (ML) cho ma tr
ậ
n Q.
Ướ
c l
ượ
ng này cho
b
ở
i hàm t
ố
i
ư
u sau

2
minarg
ˆ
QSXYQ
H
p
H
p
−=

sao cho
IQQ =
H

(3.7)
Do v
ậ
y,
ướ
c l
ượ
ng dành cho ma tr
ậ
n Q là Q
ˆ
s
ẽ

đượ
c tính nh
ư
sau

H
pp
RUQ =
ˆ
(3.8)
Để
ý r
ằ
ng
H
p

R
có th
ể

đượ
c suy ra t
ừ


)( SYXRSU
H
pp
H
ppp
SVD
=
(3.9)
K
ế
t h
ợ
p tính toán c
ủ
a c
ả
hai ma tr
ậ
n W và Q, ta
đạ
t

đượ
c kênh
ướ
c l
ượ
ng
H
ˆ

QWH
ˆ
ˆ
= (3.10)
v
ớ
i gi
ả
thi
ế
t kênh W hoàn toàn bi
ế
t
ở
phía thu.
Tiêu chu
ẩ
n MSE
đượ
c
đị

nh ngh
ĩ
a d
ự
a trên ma tr
ậ
n t
ự
t
ươ
ng quan l
ỗ
i
ướ
c l
ượ
ng kênh HHH
ˆ
~
−=

{
}
H
E
HHR
~
~
= (3.11)
Do v

ậ
y,
để
t
ố
i
ư
u MSE, ta ph
ả
i t
ố
i thi
ể
u hóa bi
ể
u th
ứ
c sau

H
pp
XX=∆
(3.12)
10

3.2 Chuỗi huấn luyện đề xuất cho ước lượng kênh mù cải tiến
Trong ph
ầ
n này, chúng ta t
ậ

p trung vào vi
ệ
c thi
ế
t k
ế
chu
ỗ
i hu
ấ
n luy
ệ
n t
ố
i
ư
u mà chúng
đượ
c thêm
vào m
ỗ
i c
ụ
m kí t
ự
tín hi
ệ
u c
ầ
n phát trong khung d

ữ
li
ệ
u hoàn ch
ỉ
nh. S
ơ

đồ
pilot m
ớ
i
đượ
c ch
ọ
n sao cho
t
ố
i thi
ể
u hóa
{
}
H
tr
HH
~
~
. Nh
ư

đ
ã
đề
c
ậ
p trong (3.12),
đ
i
ề
u ki
ệ
n này t
ươ
ng
đươ
ng v
ớ
i
∆
min
đượ
c t
ố
i thi
ể
u
hóa n
ế
u tích hai ma tr

ậ
n này
H
pp
XX là ma tr
ậ
n
đườ
ng chéo.
Đầ
u tiên, ta xem xét v
ấ
n
đề
phân b
ổ
công su
ấ
t tín hi
ệ
u cho ph
ầ
n d
ữ
li
ệ
u mang tin
)(
n
s

và ph
ầ
n tín
hi
ệ
u dành cho hu
ấ
n luy
ệ
n
)(
n
p


P
p
α
=
Ρ
(3.13)

)10(,)1(
<
<
−
=
Ρ
α
α

P
S
(3.14)
trong
đ
ó,
α
kí hi
ệ
u cho t
ỉ
l
ệ
phân b
ổ
công su
ấ
t tín hi
ệ
u;
p
Ρ
,
S
Ρ
và P là công su
ấ
t trung bình c
ủ
a

chu
ỗ
i hu
ấ
n luy
ệ
n, tín hi
ệ
u mang tin và tín hi
ệ
u thu t
ươ
ng
ứ
ng
Gi
ả
s
ử
kênh truy
ề
n là kênh fading l
ự
a ch
ọ
n t
ầ
n s
ố
xét trong m

ộ
t khe th
ờ
i gian. N
ế
u ta chia nh
ỏ

khe th
ờ
i gian này thành M kho
ả
ng th
ờ
i gian mà trong kho
ả
ng
đ
ó giá tr
ị
kênh xem nh
ư
không thay
đổ
i.
Đặ
t M=KL. Kí hi
ệ
u ch
ỉ

s
ố

[
]
[
]
[
]
1,0,1,0,1,0;
−
∈
−
∈
−
∈
+
=
LlKkMmklKm
.
Thi
ế
t l
ậ
p các thành ph
ầ
n kênh truy
ề
n th
ỏ

a mãn bi
ể
u th
ứ
c

)(2
)(
pj
pi
ePpf
πλ
−
= (3.15)
trong
đ
ó,
(
)
Lklp /
=
λ
,
p
P
là công su
ấ
t tín hi
ệ
u.

Gi
ả
s
ử
r
ằ
ng ta có t
ậ
p các tín hi
ệ
u tr
ự
c giao

{
}
n
fffF
, ,,
21
=
(3.16)
T
ậ
p h
ợ
p các d
ạ
ng vector tín hi
ệ

u trên có th
ể
coi là tr
ự
c giao, n
ế
u m
ỗ
i c
ặ
p vector phân bi
ệ
t th
ỏ
a
tính tr
ự
c giao. Ti
ế
p t
ụ
c xây d
ự
ng nh
ữ
ng bi
ể
u th
ứ
c m

ớ
i này d
ự
a trên thu
ậ
t toán Gram-Schmidt nh
ư
sau
[51]


2
22
32
1
11
31
33
1
11
21
22
11
v
v
T
v
f
T
v

v
v
T
v
f
T
v
fv
v
v
T
v
f
T
v
fv
fv










−











−=










−=
=
(3.17)
Theo lý thuy
ế
t c
ủ
a thu
ậ
t toán Gram-Schmidt, t
ậ

p h
ợ
p
{
}
L
vvv
, ,,
21
s
ẽ
tr
ự
c giao. K
ế
ti
ế
p, s
ắ
p x
ế
p
các giá tr
ị
này thành d
ạ
ng vector
11

[
]
L
i
p
vvv , ,,
21
=X
(3.18)
v
ớ
i
i
p
X
là pilot cho anten th
ứ

i
.
3.3 Kết quả mô phỏng
5 10 15 20 25 30
-10
2
-10
1
Eb/No, dB
MSE (dB)
MSE va SNR

Uoc luong kenh LS
Uoc luong mu cai tien dung pilot truc giao

Hình 3.1.
Đ
ánh giá MSE và SNR c
ủ
a ph
ươ
ng pháp
ướ
c l
ượ
ng dùng chu
ỗ
i tr
ự
c giao
đề
xu
ấ
t
20 40 60 80 100 120 140
-10
1
-10
0
pilot length
MSE (dB)

MSE va do dai ki tu huan luyen (SNR=10 dB)


Uoc luong kenh LS
Uoc luong mu cai tien dung pilot truc giao

Hình 3.2.
Đ
ánh giá MSE cho các
độ
dài chu
ỗ
i hu
ấ
n luy
ệ
n khác nhau
5 10 15 20 25 30
-10
1
Eb/No, dB
MSE (dB)
Xet MSE va SNR cua uoc luong kenh mu cai tien


cau truc pilot kieu Hadamard
cau truc pilot de xuat

Hình 3.3.
Đ

ánh giá MSE cho các c
ấ
u trúc pilot hu
ấ
n luy
ệ
n khác nhau
12

0 5 10 15 20
10
-5
10
-4
10
-3
10
-2
10
-1
10
0
Eb/No,dB
Bit Error Rate/Symbol Error Rate
BER/SER performance of novel blind channel estimation (CE) in MIMO


BER, Novel CE
SER, Novel CE
BER, CE[Rustam Efendi]

SER, CE[Rustam Efendi]


Hình 3.4. So sánh mô ph
ỏ
ng BER/SER cho
ướ
c l
ượ
ng kênh mù c
ả
i ti
ế
n dùng chu
ỗ
i hu
ấ
n luy
ệ
n tr
ự
c giao
và ph
ươ
ng pháp c
ủ
a Rustam Efendi
4

CH

ƯƠ
NG 4:
Đ
ÁNH GIÁ
ƯỚ
C L
ƯỢ
NG KÊNH MÙ C
Ả
I TI
Ế
N D
Ự
A TRÊN PHÂN TÍCH
KHÔNG GIAN CON TÍN HI
Ệ
U
4.1 Mô hình hệ thống
Chúng ta xem xét h
ệ
th
ố
ng MIMO v
ớ
i
t
M
anten phát và
r
M

anten thu. Ta kí hi
ệ
u )(
n
x là vector
kí t
ự
kích th
ướ
c 1
×
t
M

ở
phía phát. Trong khi
đ
ó chu
ỗ
i vector kí t
ự

ở
phía thu mô t
ả
bên d
ướ
i là hàm d
ự
a

trên tín hi
ệ
u phát và nhi
ễ
u Gaussian tr
ắ
ng
)()()()(
0
nlnln
L
l
wxHy +−
∑
=
=
(4.1)
trong
đ
ó
(
)
nw là thành ph
ầ
n nhi
ễ
u tr
ắ
ng v
ớ

i kích th
ướ
c 1
×
r
M d
ự
a trên s
ố
anten thu v
ớ
i ph
ươ
ng
sai
2
w
σ
và là kênh MIMO v
ớ
i b
ậ
c L. Chúng ta kí hi
ệ
u d
ạ
ng vector c
ủ
a
)(lH

thông qua vi
ệ
c s
ắ
p x
ế
p các
c
ộ
t c
ủ
a nó nh
ư
sau:

{
}
)()( lvecl Hh
=
(4.2)
Chúng ta gi
ả
s
ử
m
ộ
t c
ụ
m N vector kí t
ự

phát v
ớ
i K kh
ố
i kí t
ự
, trong
đ
ó m
ỗ
i kh
ố
i kí t
ự
bao g
ồ
m
t
N kí t
ự
hu
ấ
n luy
ệ
n mà có thành ph
ầ
n phía trái và phía ph
ả
i c
ủ

a nó 2/
d
N là các kí t
ự
ch
ư
a bi
ế
t, sao cho
)(
dt
NNKN
+
=

K
ế
ti
ế
p, ta t
ậ
p trung phân tích kh
ố
i kí t
ự
th
ứ
k minh h
ọ
a nh

ư
sau

[
]
T
tk
T
k
T
k
PNnPn )1(), ,( −++−= xxx (4.3)

[
]
T
tk
T
k
T
k
PNnLPn )1(), ,( −+++−= yyy (4.4)
13

trong
đ
ó
2/)(
ddtk
NNNkn

+
+
=
kí t
ự
nh
ư
là ph
ầ
n
đầ
u chu
ỗ
i hu
ấ
n luy
ệ
n trong kh
ố
i kí t
ự
th
ứ
k,
và 2/0
d
NP
≤
≤
. T

ổ
ng quát hóa, c
ấ
u trúc này bao g
ồ
m
t
N chu
ỗ
i hu
ấ
n luy
ệ
n phát trong su
ố
t kh
ố
i kí t
ự

th
ứ
k, thêm vào kí t
ự
ch
ư
a bi
ế
t
ở

2 phía biên c
ủ
a nó.
Do
đ
ó, m
ố
i quan h
ệ
gi
ữ
a các anten phát và anten thu trong công th
ứ
c (4.1) mô t
ả
nh
ư
sau

kkk
wxHy
+
=
(4.5)
trong
đ
ó
k
w
đượ

c
đị
nh ngh
ĩ
a t
ươ
ng t
ự
nh
ư
w(n) và
H
là ma tr
ậ
n kh
ố
i Toeplitz
)2()2( PNMLPNM
tttr
+
×
−
+
bi
ể
u di
ễ
n ma tr
ậ
n tích ch

ậ
p.
Chúng ta chia khung d
ữ
li
ệ
u thành 2 ph
ầ
n, n
ử
a ph
ầ
n
đầ
u dùng
ướ
c l
ượ
ng bình ph
ươ
ng c
ự
c ti
ể
u (s
ố

kí t
ự
là 2/

d
N ) và dùng ph
ươ
ng pháp d
ự

đ
oán tuy
ế
n tính cho ph
ầ
n còn l
ạ
i. Các trình bày chi ti
ế
t v
ề
k
ỹ

thu
ậ
t này
đượ
c mô t
ả
bên d
ướ
i.
4.2 Ước lượng kênh mù cải tiến dựa trên không gian con tín hiệu cho MIMO

Trong ph
ầ
n này, lu
ậ
n án t
ậ
p trung vào hai k
ỹ
thu
ậ
t
ướ
c l
ượ
ng kênh d
ự
a trên phân tích không gian con
tín hi
ệ
u bao g
ồ
m k
ĩ
thu
ậ
t
ướ
c l
ượ
ng rõ (dùng ph

ươ
ng pháp u
ớ
c l
ượ
ng bình ph
ươ
ng c
ự
c ti
ể
u t
ỉ
l
ệ
) và k
ĩ

thu
ậ
t mù hoàn toàn.
4.3 Ước lượng bình phương cực tiểu dựa trên chuỗi huấn luyện
Trong n
ử
a
đầ
u c
ủ
a chu
ỗ

i d
ữ
li
ệ
u
đ
ã
đề
c
ậ
p, ph
ươ
ng pháp
ướ
c l
ượ
ng LS dùng chu
ỗ
i hu
ấ
n luy
ệ
n
đượ
c áp d
ụ
ng.
Để

đơ

n gi
ả
n, chúng ta có th
ể
vi
ế
t l
ạ
i (4.5)
ở
d
ạ
ng nh
ư
sau

WHXY
+
=
(4.6)
Giá tr
ị
hàm t
ố
i
ư
u c
ủ
a
ướ

c l
ượ
ng LS minh h
ọ
a nh
ư
bên d
ướ
i

1
)(
ˆ
−
=
HH
LS
XXY.XH
(4.7)
Ho
ặ
c ta th
ườ
ng vi
ế
t l
ạ
i nh
ư
sau

⊥
= YXH
LS
ˆ
(4.8)
Ngoài ra, ng
ườ
i ta c
ũ
ng tính
đượ
c l
ỗ
i
ướ
c l
ượ
ng kênh c
ủ
a hàm t
ố
i
ư
u nh
ư
sau [50]

2
2

min
X
X
nrt
LS
MM
J
σ
= (4.9)
M
ộ
t gi
ả
i pháp c
ả
i ti
ế
n c
ủ
a
ướ
c l
ượ
ng LS là
ướ
c l
ượ
ng bình ph
ươ
ng c

ự
c ti
ể
u t
ỉ
l
ệ
SLS (scaled least
square). Trong ch
ươ
ng này, ta kí hi
ệ
u
SLSLS
JJ ,
l
ầ
n l
ượ
t là hàm t
ố
i
ư
u c
ủ
a phu
ơ
ng pháp
ướ
c l

ượ
ng bình
ph
ươ
ng c
ự
c ti
ể
u (LS) và bình ph
ươ
ng c
ự
c ti
ể
u t
ỉ
l
ệ
(SLS). Ng
ườ
i ta ch
ứ
ng minh l
ỗ
i
ướ
c l
ượ
ng SLS
ở

d
ạ
ng sau [50]
14


(
)
(
)
{
}
{
}
( )
{ }
{ }
{ }
{ }
{ }( )
{ }
{ }
LSH
HLS
HLS
HLS
H
H
H

n
H
LSLS
F
LS
Jtr
trJ
trJ
trJ
tr
trrtr
EtrE
+
+
+








+
−=
−+=
−−=







−
−
R
R
R
R
R
RXX
HHHHHH
2
2
1
22
2
)1(
ˆˆˆ
β
βσβ
βββ
(4.10)
trong đó
β
là hệ số tỉ lệ. Ta có thể thấy rõ ràng rằng hàm tối ưu chỉ phụ thuộc vào biểu thức sau
{
}
{ }
HLS

HLS
trJ
trJ
R
R
+
, và để ý rằng:

{
}
{ }
LS
HLS
HLS
SLS
J
trJ
trJ
J <
+
=
R
R
(4.11)
Ta thấy lỗi ước lượng SLS tuyệt đối thấp hơn lỗi ước lượng LS. Tuy nhiên, trong hàm tối ưu này,
chúng ta phải xác định giá trị của
{
}
H
tr

R
. Nhờ kênh đã ước lượng dựa trên mô hình SLS,
{
}
H
tr
R
sẽ
được tính trong biểu thức đơn giản sau

(
)
{
}
LS
H
LSH
trtr
HHR
ˆˆˆ
=
(4.12)
Biểu thức ước lượng kênh mù cải tiến đề xuất trong phần này hoàn toàn dựa trên tiêu chuẩn ước
lượng nhờ chuỗi huấn luyện và ước lượng mù.
4.3.1
Phương pháp ước lượng mù dựa trên dự đoán tuyến tính
Chúng ta mô tả dự đoán tuyến tính MIMO dựa trên một số định nghĩa về tín hiệu thu như bên
dưới [62]

[

]
T
TT
Knnn
)(), ,1()1(
−−=− yyy
(4.13)

{
}
)1()1(
1
−−=
−
nnE
T
n
yyR (4.14)

{
}
)1()(
−=
nnE
T
n
yyR (4.15)
Biểu thức cho dự đoán tuyến tính MIMO có thể thực hiện như sau

[

]
)(), ,2(),1(
1
1
K
nn
PPPRRP ==
−
−
(4.16)
trong đó Knn , ,2,1),(
=
P là một ma trận kích thước
rr
MM
×
biểu diễn cho bộ lọc dự đoán cửa
thứ n. Ma trận hiệp phương sai của lỗi dự đoán trình bày như sau

H
n
PRRC −= )0( (4.17)
trong đó
[
]
)()()0( nnE
H
yyR =
. Thêm vào đó, ta định nghĩa

i
K
i
sis
−
=
∑
−=
1
)()( PIP (4.18)
15


i
L
i
sis
−
−
=
∑
=
1
0
)()( HH
(4.19)
Nếu ta có
tr
MKLKM )1(
−

+
≥
, ta có thể nhận được các biểu thức sau

)0()()( HHP
=
ss
(4.20)

)0()0(
H
HHC =
(4.21)
Người ta cũng chứng minh rằng (4.20) sẽ bị thay đổi theo miền thời gian

[
]
[
]
00HHPI
, ,),0(,
=
−
T
(4.22)
với
T
H
là ma trận khối Toeplitz
tr

MKLMK )()1(
+
×
+
. Ta kí hiệu

[
]
H
H
L
H
D
10
, ,
−
= HHH (4.23)
và

{
}
DhH
=
D
vec
(4.24)
trong đó D là ma trận hoán vị đã biết
Ta xây dựng công thức sau
0BhDhHI
=

=
⊗
))0((
null
(4.25)
trong đó )0(
null
H là không gian cột rỗng của )0(H , BDHI
=
⊗
))0((
null
là điều kiện mù để ước
lượng kênh h.
4.3.2
Hàm tối ưu kết hợp
Chúng ta thảo luận giải pháp ước lượng kênh mù cải tiến đề xuất kết hợp cụm huấn luyện thông
thường và cụm ước lượng mù. Về cơ bản, ta kết hợp các tiêu chuẩn cho ước lượng SLS và mù. Chúng ta
sẽ giới hạn các tiêu chuẩn mù theo phương pháp thống kê từ hàm thống kê bậc hai.
Do đó, ta có thể đạt được bài toán ước lượng mù cải tiến dựa trên hàm tối ưu kết hợp (hàm này
bằng tổng hai hàm tối ưu của phương pháp ước lượng SLS và ước lượng kênh mù dựa trên dự đoán tuyến
tính) như sau

22
ˆˆ
BLSLS
J HBHH
αβ
+−=
(4.26)

trong đó
Ls
H
ˆ
,
B
H
ˆ
là kênh đã ước lượng SLS và ước lượng mù tương ứng. Chi tiết của những thuật
toán này trình bày kĩ trong phần trước.
Theo phương pháp bình phương cực tiểu có trọng số [62], ta có thể xác định giá trị tối ưu của
α

như sau

B
LS
MSE
MSE
2
2
)1(
B
β
α
−
=
(4.27)
16

trong đó
LS
MSE
kí hiệu MSE của ước lượng LS dùng chuỗi huấn luyện và
B
MSE
là MSE của
phương pháp ước lượng mù theo giải thuật dự đoán tuyến tính.
4.4 Kết quả mô phỏng
5 10 15 20 25 30 35
-10
2
-10
1
Eb/No, d B
MSE (dB)
MSE versus SNR


LS Estimation
new subspace Estimation

Hình 4.1. Đánh giá MSE quan hệ với SNR
10 20 30 40 50 60 70 80 90 100
-10
2
-10
1
-10
0

pilots
MSE (d B)
MSE versus pilot length


LS Estimation
new subspace Estimation

Hình 4.2. Đánh giá MSE cho các độ dài chuỗi huấn luyện khác nhau
17

5 10 15 20 25 30 35
-10
2
-10
1
Eb/No, dB
MSE (dB)
MSE versus Eb/No


subspace Estimation with noise
subspace Estimation without noise

Hình 4.3. Đánh giá MSE cho ước lượng kênh dựa trên không gian con tín hiệu khi xét ảnh hưởng nhiễu
5 CH
ƯƠ
NG 5: THI
Ế
T K

Ế

ƯỚ
C L
ƯỢ
NG KÊNH MÙ C
Ả
I TI
Ế
N CHO B
Ả
O M
Ậ
T TRONG
MIMO
5.1 Ước lượng mù cải tiến và phân tích MSE
Trước hết, chúng ta xem xét hệ thống MIMO fading Rayleigh phẳng đặc tính hóa bởi kênh H. Giả
sử hệ thống MIMO sử dụng
t
M anten phát và
r
M anten thu. Ta tính toán kênh H nhờ phân giải ma trận
thừa số SVD [47]

(
)
HH
SVD WQQPH =Σ=
(5.1)
Hai ma trận P, Q này phải thỏa mãn tính trực giao như sau:

I
P
P
PP
=
=
HH
và
IQQQQ ==
HH
.
Từ phép phân tích ma trận này, ta được ma trận W bằng cách đặt P
Σ
W
=
. Như trong các chương trước
đã trình bày, ước lượng ma trận Q tính từ thuật toán Maximum Likelihood.
Để cho đơn giản trong tính toán, ta kí hiệu
K
ˆ
như sau

H
pp
H
XYWK =
ˆ
(5.2)
Sử dụng
H

KKK
SVD V
Σ
UK
ˆˆ
)
ˆ
( = ta sẽ đạt được

H
KK
UVQ
ˆˆ
ˆ
= (5.3)
Kênh thu được nhờ ước lượng
H
ˆ
khi đó sẽ tính là

H
QWH
ˆ
ˆ
= (5.4)
với giả sử là W được biết ở phía thu, lỗi hệ thống phụ thuộc vào tính toán lỗi ma trận Q trong
(5.4). Chúng ta kí hiệu
p
X
là chuỗi huấn luyện,

p
Y
là tín hiệu thu tương ứng, V là nhiễu Gaussian trắng
18

cộng với công suất
2
V
σ
. Bây giờ ta có biểu thức quan hệ tín hiệu thu và phát bên dưới

VHXY +=
pp
(5.5)
trong đó
p
X
là ma trận tín hiệu huấn luyện kích thước
LM
t
×
và L là độ dài chuỗi huấn luyện.
Kênh ước lượng nhờ thuật toán bình phương cực tiểu được tính như sau

(
)
∆
HH
YXXXH
+

=
=
−
p
H
pp
H
p
1
ˆ
(5.6)
với
t
M
C∈
∆
H
là lỗi ước lượng kênh với hàm tương quan có giá trị kì vọng cho bởi

(
)
{
}
(
)
1
2
−
=
p

H
pV
H
E XX∆H∆H
σ
(5.7)
Do vậy, ta tính được lỗi NMSE (normalized MSE) của
∆H
như sau

(
)
{
}
(
)
t
H
M
Etr
NMSE
∆
H
∆
H
=
(5.8)
5.2 Chuỗi huấn luyện nhúng nhiễu nhân tạo cho truyền thông bảo mật
Bản thân nhiễu sẽ làm giảm chất lượng bất kì hệ thống thông tin nào. Tuy nhiên, trong vài ứng
dụng, nhiễu nhân tạo AN sẽ được sử dụng hiệu quả thông tin với một số lý do đặc biệt. Thiết bị phát đảm

bảo truyền thông bảo mật dùng công suất tín hiệu có sẵn tạo nhiễu nhân tạo nhằm giảm chất lượng kênh
thu phi pháp. Hệ thống bảo mật có thể thực hiện thông qua việc phát chuỗi huấn luyện đề xuất. Xuất phát
từ các nghiên cứu của Rohit Negi [69], ta cũng sử dụng AN trong chuỗi tín hiệu phát cho ước lượng kênh
mù cải tiến. Khi kênh của thiết bị thu bất hợp pháp giảm chất luợng đến một giá trị ngưỡng cài đặt trước,
nó không thể thu tín hiệu gốc đã phát. Do đó, ta đề xuất chỉ phát chuỗi huấn luyện mới trong một số chu
kì nhất định. Ngoài ra, vấn đề phân bố công suất cho tín hiệu AN và tín hiệu mang tin cần được tính toán
cẩn thận để không làm giảm chất lượng tín hiệu thu.

Hình 5.1. Cấu trúc chuỗi huấn luyện có nhúng nhiễu nhân tạo AN, X
1
là chuỗi nhúng AN, X
0
là chuỗi
huấn luyện thông thường
Các tín hiệu thu được ở phía thu hợp pháp AR (authorized receiver) và thiết bị thu nghe lén UR
(unauthorized receiver) được mô tả bằng các công thức như sau

AR:
kkk
WHXY
+
=
(5.9)
19

UR:
kkk
VBXZ
+
=

(5.10)
với
Kk , ,1,0
=
, trong đó
tk
MT
k
C
×
∈X
là tín hiệu huấn luyện ở chu kì thứ k,
At
MM
C
×
∈
H
,
Ut
MM
C
×
∈
B
với các phần tử của nó là các biến ngẫu nhiên i.i.d. với trung bình bằng 0 và phương sai
22
,
BH
σσ

tương ứng;
AkAk
MT
k
MT
k
CC
××
∈∈
VW
, là nhiễu AWGN với trung bình bằng 0 và phương sai
22
,
VW
σσ
tương ứng.
Ý tưởng chính cho truyền thông bảo mật có thể được mô tả là phía phát dùng nhiều anten để phát
thông tin mang cả thành phần giả nhiễu (hay còn gọi là nhiễu nhân tạo AN) và tín hiệu mang tin thông
thường trong không gian tín hiệu phía trái của khung dữ liệu.
Thủ tục tạo tín hiệu giả nhiễu AN cho các kí tự huấn luyện như sau. Đầu tiên, ta định nghĩa tín
hiệu huấn luyện

H
H
t
t
t
M
TP
ˆ

1
A.NOX +=
(5.11)
t
O
là pilot thỏa tính trực giao
t
Mt
H
t
IOO =
, T độ dài chuỗi huấn luyện,
(
)
1
−×
∈
t
MT
C
A
là thành
phần nhiễu nhân tạo thêm vào,
(
)
1
ˆ
−×
∈
tt

MM
H
CN
là ma trận con rỗng phía trái của ma trận ước lượng kênh
H
ˆ
thỏa mãn

1
ˆˆ
−
=
t
M
H
H
H
0NN
(5.12)
Đối với thuê bao phi pháp khi nhận kênh giá trị là
B
thì chắc chắn công thức (5.12) không còn
đúng nữa, nghĩa là thành phần nhiễu AN sẽ ảnh hưởng đến chất lượng kênh thu được.
Ta xem xét tổng công suất tín hiệu phát kí hiệu là P,
22
DT
jiP
σσ
+=
,trong đó i, j là tỉ lệ phân bố

công suất cho dữ liệu mang tin và nhiễu nhân tạo AN. Ngoài ra, ta coi
2
/
W
P
σ
như tỉ lệ tín hiệu phát trên
nhiễu. Một tham số quan trọng trong thiết kế chuỗi huấn luyện đề xuất là vấn đề phân bổ công suất. Trong
các nghiên cứu trước đây, tham số đặc biệt này được phân tích khá kĩ, trong phạm vi đề tài này không đề
cập lại [68],[69].
20

5.3 Kết quả mô phỏng
5 10 15 20 25 30 35 40 45
10
-4
10
-3
10
-2
Eb/No, dB
NMSE (dB)
NMSE versus SNR


UR
AR

Hình 5.3. Đánh giá NMSE với SNR, giả sử (
A U

SNR SNR
=
) và K=1
5 10 15 20 25 30 35 40 45
10
-4
10
-3
10
-2
10
-1
Eb/No, dB
NMSE (dB)
NMSE versus SNR


UR
AR

Hình 5.4. Đánh giá NMSE với SNR cho K=10
3 4 5 6 7 8 9 10 11 12 13
10
-4
10
-3
10
-2
10
-1

K
NMSE (dB)
NMSE versus K


UR
AR

Hình 5.5. Đánh giá NMSE với các giá trị K khác nhau và SNR=30 dB
21

6

CHƯƠNG 6: ƯỚC LƯỢNG KÊNH TRUYỀN CHO HỆ THỐNG MIMO OSTBC DÙNG
THUẬT TOÁN MÙ CẢI TIẾN
6.1 Kỹ thuật ước lượng kênh dùng thuật toán mù cải tiến cho MIMO OSTBC
Đầu tiên, các phép tính ma trận dựa trên phân giải ma trận thừa số SVD của
H


( )
H
SVD =
Η PΣQ

(6.4)

Ma trận
P
và

Q
phải thỏa mãn thuộc tính sau:
H H
PP = P P = I
và tương tự cho ma trận
Q
. Để cho
gọn, ta đặt ma trận
W
theo biểu thức
W = P
Σ
. Trong các chương trước đây, ma trận
Q
này có thể ước
lượng bằng phương pháp bình phương cực tiểu dùng chuỗi huấn luyện [50]. Trong khi đó, ma trận
W
ước
lượng mù dựa trên chính tín hiệu thu. Tuy nhiên, các bài báo liên quan kĩ thuật WR (whitening-rotation)
này không phân tích kỹ thuật ước lượng cho ma trận
W
[18],[38]. Do vậy, trong phần này luận án đề
xuất giải pháp ước lượng MIMO OSTBC trên cơ sở phân tích vấn đề ước lượng
W
.
Người ta có thể ước lượng
W
dùng thống kê bậc cao tín hiệu thu nhưng nhược điểm là cần một số
lượng lớn dữ liệu mới cho giá trị ước lượng kênh truyền chính xác. Trong chương này, luận án sử dụng
ước lượng kênh cho ma trận

W
dựa trên thống kê bậc hai với giả thiết ma trận
Q
hoàn toàn biết ở phía
thu. Ngoài ra, người ta cũng chứng minh rằng nhờ tính trực giao của ma trận
W
dẫn đến sử dụng ít tham
số ước lượng hơn so với ước lượng ma trận
H
trực tiếp và do vậy cải thiện độ chính xác bộ ước lượng
kênh với một số ít ký hiệu huấn luyện.
Giả sử tín hiệu phát và phần nhiễu thỏa mãn các biểu thức sau:

(
)
(
)
(
)
Ixx
2
skl
H
lkE
σδ
=
(6.5)

(
)

(
)
(
)
Ivv
2
nkl
H
lkE
σδ
=
(6.6)
Trong đề xuất này, kênh fading Rayleigh được xem xét và kênh được giả sử là không đổi qua một
chu kì phát cho trước. Ma trận tương quan tín hiệu ra được miêu tả bằng biểu thức như bên dưới:

IWWIHHR
2222
n
H
sn
H
sy
σσσσ
+=+=
(6.7)
Ước lượng mù ma trận
W
có thể thực hiện dựa trên hàm tương quan tín hiệu thu như sau: Thuật
toán ML áp dụng cho hàm tự tương quan này mô tả bằng:

∑
=
=
N
i
H
iiy
N
1
1
ˆ
yyR
(6.8)
Ta đặt

{ }






−= IRVDU
2
2
ˆ
1
ny
s
H

www
SVD
σ
σ
(6.9)
Khi đó, ma trận kênh
W
đã ước lượng được tính bởi

ww
DUW
=
ˆ
(6.10)
22

trong đó, các giá trị
2
s
σ
,
2
n
σ
được giả sử là đã biết trước.
Ngoài ra, ước lượng bình phương cực tiểu cho ma trận
Q
sử dụng chuỗi huấn luyện cho bởi

⊥

=
pp
XYQ
(6.11)
Kế tiếp, kết hợp hai giá trị đã ước lượng ở phần trên (ma trận
W
và
Q
), ta được giá trị ước lượng
kênh
H
hoàn chỉnh.
6.2 Kết quả mô phỏng
5 10 15 20 25 30
-10
-20
-15
-25
-30
-35
-40
Eb/No, dB
MSE (dB)
MSE versus Eb/No


LS based Estimation
New imperfect CE

Hình 6.3. So sánh bộ ước lượng kênh mù cải tiến đề xuất và bộ ước lượng LS

5 10 15 20 25 30
-25
-20
-15
-10
-5
0
5
10
Eb/No, dB
MSE (dB)
Novel blind channel estimation: MSE versus Eb/No


MIMO OSTBC3 rate=1/2
MIMO OSTBC3 rate=3/4

Hình 6.4. MSE và SNR của bộ ước lượng kênh mù cải tiến với các hệ thống MIMO OSTBC3 với tốc độ
mã khác nhau

23

5 10 15 20 25 30
-25
-20
-15
-10
-5
0
5

10
Eb/No, dB
MSE (dB)
Novel semi-blind channel estimation: MSE versus Eb/No


MIMO OSTBC with QPSK
MIMO OSTBC with 64QAM

Hình 6.5. MSE bộ ước lượng kênh mù MIMO OSTBC dùng kĩ thuật điều chế khác nhau
7

CHƯƠNG 7: KẾT LUẬN VÀ KIẾN NGHỊ
Luận án đã trình bày các kỹ thuật ước lượng kênh truyền
H
đã được phân tích ma trận thừa số
SVD. Luận án đề ra phương pháp ước lượng mù cải tiến với ý nghĩa là đưa ra các giải pháp để có thể ứng
dụng ước lượng mù trong các hệ thống vô tuyến thực tế. Các giải pháp này mang lại một số kết quả sau:
- Giảm tham số ước lượng so với ước lượng chính ma trận
H
, nên tăng độ chính xác cho khối
ước lượng kênh
- Sau khi phân tích ma trận
H
thành các ma trận thành phần dẫn đến có thể áp dụng linh hoạt
các kĩ thuật ước lượng khác nhau cho chúng sao cho mang lại hiệu quả bộ ước lượng kênh cao
nhất.
- Sử dụng hiệu quả các thuộc tính ma trận trực giao để giảm độ phức tạp tính toán
- Phương pháp này cho chất lượng cải thiện hơn so với phương pháp ước lượng bình phương
cực tiểu dùng chuỗi huấn luyện rõ rệt ở mọi giá trị SNR.

- Giải quyết được khuyết điểm thu tín hiệu vô định của thuật toán mù
- Tăng hiệu quả sử dụng băng thông so với phương pháp ước lượng bình phương cực tiểu.
Trong tất cả phương pháp ước lượng cải tiến đã trình bày đều dùng chuỗi huấn luyện. Do vậy,
luận án cũng đề xuất chuỗi huấn luyện tối ưu có thể áp dụng hiệu quả cho ước lượng kênh mù cải tiến.
Việc thiết kế chuỗi huấn luyện sao cho phía thu có thể giải mã, khôi phục giá trị kênh truyền tối ưu là
điều hết sức cần thiết. Đặc biệt hơn, trong giải thuật về ước lượng mù cải tiến cần tận dụng tối đa thuộc
tính trực giao để giảm sai số trong tính toán các ma trận kênh.
Ngoài ra, khi công nghệ vô tuyến phát triển, người ta có xu hướng lai ghép các thuật toán nhằm
đưa ra phương pháp mới có nhiều ưu điểm hơn. Luận án cũng đã đưa ra các thuật toán lai ghép như: ghép
khung ước lượng LS và SB, ghép ước lượng bình phương cực tiểu tỉ lệ SLS với ước lượng dựa trên dự
24

đoán tuyến tính. Các kết quả mô phỏng cũng chỉ ra rằng, nếu các hệ số trong phép lai ghép tín hiệu này
hợp lý sẽ giúp cải thiện tỉ số đánh giá lỗi trung bình bình phương MSE của hệ thống.
Trong các cải tiến sắp tới, luận án có thể bổ sung phần ứng dụng các thuật toán ước lượng kênh
mù cải tiến này trên thiết bị phần cứng thực tế. Một hướng khác nữa là có thể dùng ước lượng kênh này
cho các mạng hợp tác (cooperative communications).
DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ
[1] “A New Training Sequence for Secure Channel Estimation in MIMO Systems”, in Proc. of
The 3
rd
IEEE International Conference on Computer Science and Information Technology (IEEE ICCSIT
2010), Chengdu, China, July 2010.
[2] "Performance Analysis of Hybrid Scheme for Semi-blind Channel Estimation in MIMO
Systems", in Proc. of IEEE International Conferences on Advanced Technologies for Communications
(ATC 2010), Ho Chi Minh City, Vietnam, Oct. 2010
[3] "Thiết kế chuỗi huấn luyện trực giao cho ước lượng kênh bán mù trong hệ thống MIMO",
Chuyên san Tạp chí Công nghệ Thông tin và Truyền thông, Kì 3, Tập V-1, số 24, Nov. 2010.
[4] “A Hybrid Transmit Scheme in MIMO Semi-blind Channel Estimation”, in Proc. of The 26th
International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC

2011) , Gyeongju City, Korea, June, 2011
[5] Dinh-Thuan Do, “New semi-blind channel estimation in MIMO based on second order
statistic”, in International Journal of Science and Technology (Malaysia), Vol. 20, No.1, Jan. 2012
(Indexed in Elsevier)