Phần mềm vô tuyến: bộ cân bằng ứng dụng mạng Neuron và triệt nhiễu dùng sóng con trên phần cứng DSP

Phần mềm vô tuyến: bộ cân bằng ứng
dụng mạng Neuron và triệt nhiễu dùng
sóng con trên phần cứng DSP
TMS320C6711
Software Radio: Neural Networks-Based Equalizer and
Denoising using Wavelets Implemented
to the DSP TMS320C6711
Hoàng Đình Chiến
Abstract: The article mainly concentrates on equalizers implemented neural networks approach to
denoise intersymbol interference (ISI) and wavelets-based denoising in digital communication systems
implemented to the DSP TMS320C6711. It compares the run time and performances between two
simulation methods for passband and baseband modulations. The simulation is realized on PC with the
MATLAB program and the DSP hardware of TMS320C6711 in real time mode. Many samples of data are
represented for the simulations with various formats in pictures, text and audio files. The further works is
also presented for future extension of the approach.
Keywords: Digital Communicaitons, Intersymbol Interference ISI, equalizers, Neural Networks,
TMS320C6711.

I.

GIỚI THIỆU TỔNG QUÁT

Trong hệ thống thông tin số, chất lượng tín hiệu thu chịu ảnh hưởng nhiều loại nhiễu như:
nhiễu nhiệt, fading, interference... Để giảm bit lỗi tín hiệu thu, có nhiều phương pháp khác nhau
được sử dụng, trong đó có bộ cân bằng. Bài báo đề cập ứng dụng mạng neuron (Neural
Networks) vào bộ cân bằng triệt nhiễu liên ký tự ISI, phát triển từ [4,5]. Các chương trình mô
phỏng được viết bằng ngôn ngữ MATLAB chạy trên PC và thực nghiệm trên phần cứng là Card
DSP TMS320C6711 với thời gian thực. Trong xu hướng thiết kế các hệ thống thông tin hiện nay
các bộ xử lý tín hiệu DSP là một phần quan trọng của Software Radio Systems [1,2,3], đây là một
thuật ngữ được nhắc đến như một sự kết hợp của công nghệ ASICs và xử lý tín hiệu DSP cho các
thiết bị vô tuyến. Hướng đề tài nhằm mục tiêu tiếp cận với ý tưởng này qua từng bước phát triển

cho các khối trong hệ thống thông tin số vô tuyến.
II.

NGUYÊN LÝ BỘ CÂN BẰNG VÀ BỘ CÂN BẰNG DÙNG MẠNG NEURON

1.

Bộ cân bằng

Bộ cân bằng là kỹ thuật xử lý tín hiệu làm giảm thiểu nhiễu giao thoa ký tự ISI (InterSymbol
Interference). Các chế độ hoạt động tổng quát của bộ cân bằng thích nghi là huấn luyện và bám
(tracking). Đầu tiên, chuỗi huấn luyện có chiều dài cố định được phát đi để bộ cân bằng máy thu


có thể tìm trị trung bình cài đặt thích hợp. Theo sau tức thời, dữ liệu cần truyền được gởi đi, và bộ
cân bằng thích nghi tại máy thu sử dụng thuật toán hồi quy xác định mức kênh truyền và ước
lượng hệ số bộ lọc để bù cho kênh truyền. Hình 1 mô tả sơ đồ khối của một hệ thống thông tin số
dùng bộ cân bằng thích nghi.
Tại máy thu, tín hiệu ngõ ra của bộ cân bằng là:

d ' (t ) = x(t ) ⊗ f * (t ) ⊗ heq (t ) + nb (t ) ⊗ heq (t )

(1)

với f*(t) là liên hợp phức của f(t), nb(t) là nhiễu băng gốc tại ngõ vào bộ cân bằng, heq(t) là đáp
ứng xung của bộ cân bằng, ký hiệu ⊗ biểu thị tích chập. Giả sử nb(t) = 0, để ngõ ra mong muốn
của bộ cân bằng là x(t), nghĩa là d’(t) = x(t) thì:

f * (t ) ⊗ heq (t ) = δ (t )

(2)

Trong miền tần số, phương trình (2) biểu diễn là:

F * ( f ) × heq (t ) = 1

(3)

Phương trình (3) cho thấy bộ cân bằng là bộ lọc nghịch đảo của kênh truyền.
Nếu kênh truyền chọn lọc tần số, bộ cân bằng nâng cao những thành phần tần số
có biên độ nhỏ và làm giảm thành phần tần số có biên độ lớn trong phổ tần số thu
được sao cho đáp ứng tần số bằng phẳng và đáp ứng pha tuyến tính. Đối với kênh
truyền thay đổi theo thời gian, bộ cân bằng thích ứng được thiết kế để lần theo sự
thay đổi kênh truyền sao cho thỏa mãn gần chính xác phương trình cuối. Trong
phần đầu bài báo này đề cập bộ cân bằng dùng mạng neuron thực hiện hàm lọc cân
bằng heq(t).
f(t): đáp ứng xung kết hợp của bộ phát, kênh truyền
đa đường bộ thu RF/IF.

Tín hiệu
baseband gốc
x(t)

Modula

Transmitter

Radio

Demodulat

Nhiễu tương
đương

RF receiver
Dữ liệu
tái tạo: d(t)

Equalizer heq(t)

Decision
maker

y(t)
d’(t)

d(t)

error: e(t)
Hình 1: Sơ đồ khối một kênh truyền sử dụng bộ cân bằng

2.

Mạng neuron

a)

Neuron:

Thành phần cơ bản của Mạng neuron là các neuron. Hình 2 miêu tả cấu trúc của một neuron.

Trong đó: p, a là ngõ vào và ngõ ra; w,b là trọng số và ngưỡng; n là ngõ vào hàm truyền; f là hàm
truyền của neuron. Có thể điều chỉnh những thông số của neuron như trọng số và ngưỡng (w và


b) nhằm thiết lập mối quan hệ mong muốn giữa ngõ vào và ra, nghĩa là “huấn luyện” mạng.

w
P

n

Σ

f

a=f(wp+b)

b
Hình 2: Cấu trúc một neuron

b)

Hàm truyền:

Có rất nhiều hàm truyền áp dụng trong Mạng neuron, trong đó ba hàm thường sử dụng nhất là
Hard Limit, Linear, Log-Sigmoid...
c)
Lớp:
Hai hay nhiều neuron kết hợp thành một lớp; một mạng riêng biệt có thể chứa một hay nhiều
lớp neuron, mỗi lớp có một ma trận W, một ngưỡng b và một vectơ ngõ ra.

d)
Các phương pháp huấn luyện gồm 3 mô hình cơ bản:
Học không giám sát (unsupervised learning), học tăng cường (reinforcement learning), học lan
truyền ngược (back-propagation). Trong đó, học backpropagation được chứng minh là có hiệu
quả cao trong việc huấn luyện mạng neuron nhiều lớp. Các thông tin về lỗi được lọc ngược trở về
qua hệ thống và được sử dụng để điều chỉnh sự kết nối giữa các lớp vì vậy chất lượng được cải
thiện đáng kể.
3.
Bộ cân bằng thích ứng dùng mạng neuron
Mạng neuron được sử dụng để mô phỏng hàm lọc cân bằng heq(t). Hình (3) miêu tả mạng
neuron được sử dụng trong bài báo này. Đầu tiên, mạng sẽ được huấn luyện bởi một chuỗi dữ liệu
đã được biết trước ở cả máy phát và máy thu. Điều này được thực hiện bằng cách so sánh tín hiệu
nhận được sau bộ giải điều chế (input) cho qua mạng (output) với tín hiệu đích (target), phép so
sánh sẽ cho ra kết quả gọi là lỗi. Lỗi này được dùng để cập nhật các trọng số bên trong mạng
bằng thuật toán huấn luyện. Mạng sau khi đã làm quen với nhiễu thì sẵn sàng hoạt động. Mạng
neuron tạo được mối quan hệ mong muốn giữa ngõ vào và ngõ ra. Theo chu kì mạng sẽ được
huấn luyện lại để cặp nhật các trọng số (cấu trúc bên trong mạng) thích ứng theo sự biến đổi của
kênh truyền.
III.

PHƯƠNG PHÁP MÔ PHỎNG

Theo định lý lấy mẫu Nyquist, tần số lấy mẫu ít nhất phải lớn hơn hai lần tần số lớn nhất của
tín hiệu. Phương pháp mô phỏng passband thực hiện ứng với tần số sóng mang do đó đòi hỏi khối
lượng tính toán lớn, thời gian lâu. Để giải quyết vấn đề này, kỹ thuật baseband được sử dụng. Kỹ
thuật mô phỏng baseband được xem như là phương pháp tương đương tần số thấp sử dụng biên
độ phức của tín hiệu thông dải.
Xét tín hiệu điều chế QPSK, giả sử tần số sóng mang là fc và pha ban đầu bằng θ0. Phương
trình điều chế tín hiệu cùng pha xI(t) và tín hiệu trực pha xQ(t) bởi sóng mang được viết như sau:

y (t ) = x I (t ) cos( f c t + θ 0 ) − xQ (t ) sin( f c t + θ 0 ) (4)


Bộ trễ

x(k)

Hidden_layer 1:
2 neuron- tagsig

Hidden_layer 2: Output_layer 1:
4 neuron-logsig 1 neuron- pureline

Σ

D

Σ

D

Σ

output(k)

Σ

D

Σ

D

Σ

D

Σ

target(k)

e(k)
Thuật toán điều chỉnh
Hình 3: Cấu trúc mạng Neuron sử dụng trong bài báo

Phương trình này có thể được viết lại như sau:

{

y (t ) = Re( x I (t ) + jxQ (t ))e jθ 0 e j 2πf ct

{

= Re Y (t )e j 2πf ct

}

Với: Y (t ) = ( x I (t ) + jxQ (t ))e

}

jθ 0

(5)
(6)

được gọi là dạng sóng baseband phức (complex baseband waveform). Thành phần tần số cao là
e . Việc điều chế băng gốc chỉ thực hiện trên dạng sóng baseband phức Y(t). B là băng thông
của tín hiệu tin tức, điều chế băng gốc đòi hỏi tần số lấy mẫu lớn hơn 2B. Trong điều chế băng
gốc, B luôn luôn được giả sử nhỏ hơn fc nhiều lần (B<< fc). Ngõ ra của bộ điều chế baseband và
ngõ vào của bộ giải điều chế baseband đều là tín hiệu phức. Hình 4 trình bày các quá trình thực
hiện mô phỏng dùng phương pháp băng gốc. Tương tự, đáp ứng xung của bộ lọc passband, h(t)
cũng có thể được trình bày ở dạng hình bao phức H(t) như sau:
jθo

[

h(t ) = Re H (t )e j 2πf ct

]

(7)

Khi tín hiệu passband được đưa vào ngõ vào của bộ lọc passband thì ngõ ra y(t) sẽ là:

{

y (t ) = Re Y (t )e j 2πf ct

}

(8)

Tóm lại, tín hiệu điều chế số và tất cả các bộ lọc trong một kênh truyền thông
tin số có thể được mô phỏng ở dạng baseband phức như hình 4.
Tín hiệu
thực

Tín hiệu
phức
Điều chế
băng gốc

Tín hiệu
phức
Kênh truyền
băng gốc

Tín hiệu
thực
Giải điều chế
băng gốc

Hính 4: Sơ đồ khối một kênh truyền phức


IV.

CARD DSP TMS320C6711

Card DSP là card xử lý số tín hiệu dùng bộ vi xử lý DSP. Card này thiết kế giao tiếp được với
máy tính, cho phép nhận các chương trình thực thi, dữ liệu từ máy tính và ngược lại. Sau khi nhận
một chương trình ứng dụng từ máy tính, card DSP có thể làm việc độc lập. Trong một số trường
hợp, nó cũng có thể giao tiếp với PC để trao đổi dữ liệu trong khi thực thi.
Phần mô phỏng bộ cân bằng trong bài báo sử dụng card DSP TMS320C6711 của hãng Texas
Instrument là một bộ DSP dấu chấm động bao gồm các đặc tính: Bộ DSP ‘C6711 tốc độ 150
MHz có thể thực hiện 900 triệu lệnh dấu chấm động trong 1 giây. Hỗ trợ clock đôi: CPU ở 150
MHz và giao tiếp với bộ nhớ ngoài ở 100 MHz. Giao tiếp điều khiển Port song song. 16 Mb
SDRAM tốc độ 100Mhz. 128 Kb ROM. Cổng I/O 8 bit. Giao tiếp chuẩn HPI (host port interface)
đến toàn bộ bộ nhớ của bộ DSP. Bộ mã hoá audio 16 bit. Khả năng mở rộng bộ nhớ và kết nối
với board phụ. Các chi tiết khác của họ DSP TMS 320 có thể tìm thấy trên WEB site của Texas
Instrument cũng như nhiều tài liệu hand book đi kèm [8].
Tín hiệu
nhị phân

Điều chế
băng gốc

Lọc

Lọc thu

Giải điều chế
băng gốc

Tính
BER

Nhiễu
Gaussian

Xử lý dùng mạng
Neuron

Giải điều chế
băng gốc

Tính
BER

Hình 5: Sơ đồ khối quá trình mô phỏng
V.

SƠ ĐỒ KHỐI QUÁ TRÌNH MÔ PHỎNG

Sơ đồ khối trong hình 5 được sử dụng cho cả tiến trình mô phỏng dùng chương trình MATLAB
và thực thi trên phần cứng DSP TMS320C6711. Phần kênh truyền được giả lập thông qua bộ phát
nhiễu có phân bố Gauss. Tín hiệu sau khi thu, được lọc và cung cấp cho hai nhánh một là giải
điều chế trực tiếp sau đó tính BER; nhánh thứ hai ứng dụng Mạng neuron để triệt nhiễu sau đó
mới tách sóng và tính BER (hình 8).
VI.

KẾT QUẢ MÔ PHỎNG

1.
Mô phỏng trên MATLAB
Từ đồ thị BER của hai phương pháp mô phỏng: băng gốc và băng dãy trong hình 6 và 7 cho
thấy đồ thị BER của băng gốc bám theo đồ thị BER của băng dải, do vậy có thể thay thế tương
đương điều chế băng dãy bằng điều chế băng gốc. Điều này cho phép giảm thời gian thực thi.
Một số mạng sau cho kết quả tốt trong triệt nhiễu như: Bayersian, Elman, Batch Static… [9]

(tham khảo trong MATLAB version 6.X).
2.

Mô phỏng trên DSP

Đồ thị BER và ảnh mô phỏng cho thấy các kết quả được kiểm chứng chạy thời
gian thực trên card DSP phù hợp với kết quả chạy trên PC dùng MATLAB, những
kết quả này cũng chứng minh khả năng triệt nhiễu của bộ cân bằng ứng dụng
mạng neuron trong triệt nhiễu ISI. Cấu trúc và thuật toán huấn luyện cũng ảnh
hưởng đến khả năng triệt nhiễu của mạng neuron.


Hình 6: BER với điều chế băng gốc

Hình 7: BER với điều chế băng dãy

Hình ảnh ban đầu

Thông số kênh truyền
Phương pháp điều chế: QPSK
Tốc độ Bit: 500 bps
Tần số lấy mẫu: 5000 Hz
Số bit mô phỏng: 2100000
CNR Gausse= 4 dB

Hình ảnh bị nhiễu BER=0.0145

Thông số ảnh
Kích thước ảnh: 350*250 pixel
Kích thước file: 10 Kb

Định dạng File: .jpeg.

Hình ảnh triệt nhiễu BER=0.0045

Thông số mạng
Hàm huấn luy ện: trainbr
Lớp 1: tansig 1 neuron
Lớp 2: logsig 4 neuron
Lớp 1: purelin 1 neuron
Số Epoch : 40
Tapedelayline number: 10

Hình 8: Truyền file ảnh ứng dụng mạng neuron để triệt nhiễu


.
Hình 9: BER tính toán cho trường hợp mô phỏng
trên PC và dùng DSP card

Hình 10: BER tính toán cho các cấu trúc
mạng neuron khác nhau
3. Nhận xét
Qua kết quả nghiên cứu, phương pháp baseband cho kết quả mô phỏng tương đương phương
pháp passband. Các kết quả mô phỏng trên PC dùng MATLAB phù hợp với kết quả được kiểm
chứng bằng thực nghiệm trên card DSP TMS320C6711 chạy ở thời gian thực. Chương trình được
thực hiện với nhiều mạng khác nhau, tương ứng với những giải thuật huấn luyện khác nhau. Các
kết quả đó cho thấy không phải tất cả các mạng đều có khả năng triệt nhiễu tốt nhưng khi chọn
được một cấu trúc mạng phù hợp và huấn luyện mạng đúng đặc trưng của tín hiệu thì mạng có
khả năng triệt nhiễu tốt hơn. Ứng với một giá trị xác suất lỗi bit cho trước, nếu dùng bộ cân bằng
triệt nhiễu thì sẽ giảm được tỷ số Eb/N0 từ 2 ÷4 dB. Vì vậy có thể giảm công suất phát ở mức

tương ứng. Chẳng hạn, nếu xác suất lỗi bit cho phép 10-4 thì để máy thu thu được tín hiệu, tỷ số
Eb/N0 phải lớn hơn 8dB, trong khi nếu dùng mạng Neuron mạng Levenberg thì chỉ cần 5 dB, còn
các mạng Elman hoặc Adaptive Learning Rate thì chỉ cần phát đi 4dB. Nói cách khác, trong cùng
điều kiện như nhau thì chất lượng máy thu dùng bộ cân bằng mạng neuron tốt hơn.


Qua những kết quả mô phỏng và thực nghiệm tương đương nhau cho thấy sự
minh chứng hợp lý của cơ sở tóan học vào xử lý tín hiệu, sự linh hoạt của giải
pháp dùng Mạng neuron cho bộ cân bằng thực hiện “mềm”, cho cải thiện sai số bit
lỗi BER đáng kể.

(a) Ảnh gốc

(b) Ảnh nhiễu BER=0,0448

(c) Ảnh triệt nhiễu BER=0,0019.
Hình 11: File ảnh xử lý dùng mạng neuron
thực hiện trên card DSP

Phát triển tiếp theo từ [10, 11], phần này trình bày các kết quả mô phỏng trên PC và thực
nghiệm trên phần cứng card DSP TMS320C6711 về khả năng triệt nhiễu dùng sóng con ở thông
tin số.
Giải thuật phân tích sóng con:
Quá trình thực hiện phân tích sóng con được minh họa ở lưu đồ hình 12. Tín hiệu ngõ vào lần
lượt qua bộ lọc phân tích sóng con thông thấp (có đáp ứng xung Ld) và thông cao (có đáp ứng
xung Hd) tương ứng với một họ sóng con xác định. Các tín hiệu sau khi lọc (lp và hp) sẽ được lấy
mẫu xuống sẽ xác định được các thành phần xấp xỉ (approximation) và chi tiết (detail). Quá trình
trên sẽ được lặp lại với các thành phần xấp xỉ cho đến bậc phân tích thứ N. Tín hiệu ngõ ra sẽ là
các thành phần chi tiết từ mức phân tích thứ 1 đến N và thành phần xấp xỉ ở mức phân tích thứ N.
a)

Giải thuật khôi phục sóng con:

Tín hiệu ngõ ra sau phân tích sóng con bao gồm các thành phần chi tiết từ mức
1 đến N và thành phần xấp xỉ mức N. Trong quá trình khôi phục, các thành phần
chi tiết sẽ được lấy ngưỡng thích hợp để loại nhiễu. Tín hiệu sau lấy ngưỡng và
thành phần xấp xỉ mức N sẽ được lấy mẫu lên và cho qua bộ lọc khôi phục sóng
con thông thấp (có đáp ứng xung Lr) và thông cao (có đáp ứng xung Hr). Tổng
của hai tín hiệu thu được sẽ đóng vai trò như thành phần xấp xỉ mức thấp hơn và
quá trình trên được lặp lại cho đến hết mức phân tích. Tín hiệu ngõ ra chính là
thành phần tổng sau cùng.


data = ngõ vào;
i = 1; ngõ ra = [ ];

Start

lp = lọc (data, Ld)

hp = lọc (data, Hd)
detail = lấy mẫu xuống (hp);

appro = lấy mẫu xuống (lp)

ngõ̃ ra = [ngõ̃ ra detail]

data = appro

N

i=i+1

i = level

Y

End

ngõ ra = [ngõ ra appro]

Hình 12 : Lưu đồ phân tích sóng con

data1 = xấp xỉ [N] ; i = N

Start

data2 = lấy ngưỡng (detail[i])

a_up = lấy mẫu lên (data1)

appro = l?c (a up, Lr)

d_up = lấy mẫu lên (data2)

detail = lọc (d up, Hr)

data1 = appro + detail

i=i-1

N

i=1

Y

ngõ ra = data1

Hình 13. Lưu đồ thực hiện khôi phục sóng con
1.

Kết quả mô phỏng và nhận xét

Thông số
Tốc độ
bit
Tần số
lẫy mâu
Điều chế

Giá trị

Thông số

800 bps H? wavelets

Giá trị
Haar Coif1

8000Hz

Mức phân
tích

2

QPSK

Lấy ngưỡng

Sqtwolog
- Soft

Bảng 1. Thông số mô phỏng trên PC và DSP

End


Thời gian tính toán thực hiện trên máy PIII-600Mhz, 64 MB RAM khoảng 3 phút cho trường
hợp mô phỏng MATLAB tuy nhiên mất 15 phút cho trường hợp kết nối với TMS320C6711(đây
là DSP không chuyên dụng) do thời gian truyền dữ liệu để xử lý trên card DSP khá lâu.
Thông số
Kích cỡ ảnh
Tổng số bit truyền
Số bit lỗi chưa triệt nhiễu
Số bit lỗi sau triệt nhiễu
Pe lý thuyết
BER chưa triệt nhiễu
BER sau triệt nhiễu

Giá trị
98x78x3
183456
2157
99
3.75e-002
1.18e-002
5.39e-004

Bảng 2. Kết quả mô phỏng trên PC

Nhận xét:
Từ các kết quả khảo sát, trong hình 14, bảng 1 và 2 cho thấy các khả năng triệt nhiễu của sóng
con phụ thuộc chủ yếu vào họ sóng con, mức phân tích và quy luật lấy ngưỡng. Hầu hết các họ
sóng con có khả năng triệt nhiễu Gaussian, đặc biệt là với các mức nhiễu thấp. Đối với dữ liệu
hình ảnh, một lần nữa thấy được tác dụng triệt nhiễu của biến đổi sóng con đối với nhiễu
Gaussian. Các kết quả mô phỏng khá ổn định và phù hợp với các phân tích lý thuyết.
Các kết quả mô phỏng trên PC và kiểm chứng trên DSP là hoàn toàn phù hợp. Ưu điểm của
việc kiểm chứng trên DSP là thực hiện trên phần cứng giả lập kênh truyền thực tế có đáp ứng thời
gian thực. Các tín hiệu ngõ vào và ngõ ra có thể quan sát cùng lúc cũng như có thể hiệu chỉnh các
thông số tín hiệu trong quá trình mô phỏng.

Thông số
Kích cỡ ảnh
Tổng số bit truyền
Số bit lỗi chưa triệt nhiễu
Số bit lỗi sau triệt nhiễu
Pe lý thuyết
BER chưa triệt nhiễu
BER sau triệt nhiễu

Giá trị
98x78x3
183456
2144
114
3.75e-002
1.17e-002
6.21e-004

Bảng 3. Kết quả mô phỏng trên DSP

Kết quả nghiên cứu cho thấy biến đổi Sóng con có khả năng triệt nhiễu Gaussian tốt và ổn
định, trong đó tốt nhất là các họ Coiflet, Bior và Dmey...
VII. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Từ các kết quả nghiên cứu có thể đưa ra các kết luận sau:
− Bộ cân bằng dùng mạng neuron triệt nhiễu nhân tốt nhờ khả năng học thích ứng và nhận dạng
của mạng neuron, thực hiện linh hoạt bằng phần mềm, độ lợi thu được vài dB.
− Biến đổi sóng con triệt nhiễu cộng tốt nhờ khả năng phân tích và lấy ngưỡng, thực hiện bằng


phần mềm, có thể dùng làm công cụ triệt nhiễu sơ bộ ở máy thu, độ lợi thu được vài dB.
Hướng phát triển đề tài:
1. Phát triển với các công cụ kết hợp xử lý tín hiệu mới như giải thuật di truyền GA,Fuzzy..
2. Kết hợp sóng con – mạng neuron xử lý tín hiệu trong các lĩnh vực dân sự và quân sự
3. Phát triển sang VHDL và thiết kế ASIC trong viễn thông.
4. Nâng cấp các giải thuật phần mềm.

(a) Hình ảnh gốc

(b) Hình ảnh chưa triệt nhiễu

(c) Ảnh triệt nhiễu dùng sóng con trên PC(trái)
(d) Ảnh triệt nhiễu dùng sóng con trên DSP(phải)
Hình 14. Kết quả mô phỏng với dữ liệu hình ảnh
trên PC và trên DSP

TÀI LIỆU THAM KHẢO
[1] WALTER H.W.TUTTLEBEE, “Software Radio Technology: A European Perspective” IEEE
Communications Magazine. February 1999.
[2] JAMES E.GUNN, “A low power DSP core Based Software Radio Architecture”, IEEE journal on
selectedareas in communications, April 1999.
[3] M A DO, K S YEO, “Software Radio System-on-chip”, EEE Research 2002, Nanyang
Technological System.
[4] HOÀNG ĐÌNH CHIẾN, LÊ TIẾN THƯỜNG … “Application Mạng neural-Based-Equalizer to
denoise ISI in digital communications”, Bài báo tại hội nghị Khoa Học Công Nghệ lần 8 tháng
4/2002 tại ĐHBK-TPHCM.
[5] LÊ THANH NHẬT, “Ứng dụng bộ cân bằng Mạng neural triệt nhiễu ISI”, luận văn tốt nghiệp
K96/1.
[6] SAEED V. VASEGHI, “Advanced Digital Signal Processing and Noise Reduction”, JOHN WILEY
& SONS, LTD 2000, ISBN 0 471 62692 9
[7] JOHN G.PROAKIS & MASOUD SALEHI, “Communication System Engineering”, PRENTICE
HALL 1994, ISBN 0 13 300625 5
[8] Tài liệu hướng dẫn của Texas Instruments cho card DSP TMS 320C6711
[9] Tài liệu hướng dẫn sử dụng đi kèm của MATLAB version 6.X
[10] T. LE-TIEN, H.D. CHIEN, “Wavelet Transform, Subband Coding and some their applications in


signal processing”, Chuyên san “Các công trình nghiên cứu triển khai Viễn thông và Công nghệ thông
tin”, Tạp chí Bưu chính Viễn thông số 1 tháng 7-1999, p19-28.

[11] THUONG LE-TIEN, CHIEN HOANG-DINH, “Spread-Spectrum Communications Correlated
with the Proposed Wavelet-based Signal Processing for Noise Suppression”, The 5th CDMA
International Coference & Exhition, 22-25 November 2000, Korea-Seoul.

Ngày nhận bài: 04/12/2002
SƠ LƯỢC TÁC GIẢ
HOÀNG ĐÌNH CHIẾN
Sinh ngày: 17-4-1955 tại Quảng Ngãi.
Tốt nghiệp Thạc sỹ ngành Điện tử Viễn thông, ĐH Bách khoa TP. HCM năm 1998
Hiện đang giảng dạy tại Khoa Điện tử Viễn thông, ĐH Bách khoa TP. HCM, đang làm nghiên
cứu sinh tại trường.
Lĩnh vực nghiên cứu: Truyền thông vệ tinh, xử lý tín hiệu số, Hệ thống truyền thông…
E-mail:

(a) Hình ảnh gốc

(b) Hình ảnh chưa triệt nhiễu

(c) Ảnh triệt nhiễu dùng sóng con trên PC(trái)
(d) Ảnh triệt nhiễu dùng sóng con trên DSP(phải)
Hình 14. Kết quả mô phỏng với dữ liệu hình ảnh
trên PC và trên DSP