Đề tài Ứng dụng bộ cân bằng dùng Neural Networks triệt nhiễu giao thoa ký tự trong hệ thống GSM

CHÖÔNG 1 THIEÁT KEÁ CHÖÔNG TRÌNH MOÂ PHOÛNG ÑÖÔØNG TRUYEÀN M oät heä thoáng thoâng tin goàm coù maùy phaùt, keânh truyeàn vaø maùy thu. ÔÛ maùy phaùt, tín hieäu ñöôïc ñieàu cheá theo phöông phaùp BPSK, QPSK vaø qua boä loïc baêng thoâng, roài phaùt ñi. Tín hieäu ñeán maùy thu sau khi qua keânh truyeàn coù caùc loaïi nhieãu : nhieãu traéng, fading, nhieãu ñoàng keânh. Ñeå coù ñöôïc döõ lieäu ban ñaàu, tín hieäu thu phaûi ñi qua boä giaûi ñieàu cheá, loïc thoâng thaáp, roài ñeán boä quyeát ñònh. Sô ñoà khoái cuûa moät heä thoáng thoâng tin : MOÂ PHOÛNG BOÄ CAÂN BAÈNG SÖÛ DUÏNG NEURAL NETWORKS Do treân keânh truyeàn xuaát hieän nhieàu loaïi nhieãu gaây aûnh höôûng ñeán tín hieäu thu, neân döõ lieäu thu ñöôïc seõ bò sai. Coù raát nhieàu kyõ thuaät trieät nhieãu ñaõ ñöôïc ñeà caäp trong phaàn lyù thuyeát, nhöng trong luaän vaên naøy chæ ñeà caäp ñeán kyõ thuaät söû duïng boä caân baèng. Thöïc teá ngöôøi ta ñaõ aùp duïng nhieàu loaïi caân baèng khaùc nhau ñeå xöû lyù tín hieäu, tuy nhieân trong phaïm vi cuûa ñeà taøi toát nghieäp chuùng em chæ moâ phoûng boä caân baèng söû duïng Neural Networks. Phaàn lyù thuyeát treân ñaõ neâu raát roõ caùc loaïi maïng coù trong Neural Networks : Maïng Perceptron : Haøm truyeàn cuûa caùc neuron laø haøm naác raát gioáng nhö neuron sinh hoïc nhöng thöïc teá raát ít khi söû duïng trong maïng trí tueä nhaân taïo do khi qua moãi neuron, tính chaát cuûa tín hieäu khoâng coøn chính xaùc. Maïng tuyeán tính : Maïng naøy gioáng nhö Perceptron nhöng haøm truyeàn laø haøm tuyeán tính cho ngoõ ra coù giaù trò khoâng giôùi haïn, chæ giaûi quyeát nhöõng vaán ñeà ñoäc laäp tuyeán tính, coù quy luaät huaán luyeän LMS maïnh hôn quy luaät huaán luyeän Peceptron. Maïng tuyeán tính coù khaû naêng ñaùp öùng söï thay ñoåi cuûa moâi tröôøng, ñöôïc ñieàu chænh theo töøng böôùc döïa treân vector vaøo môùi vaø vector mong muoán ñeå tìm ñöôïc caùc giaù trò troïng soá vaø ngöôõng thích hôïp sao cho toång bình phöông sai soá nhoû nhaát. Maïng loaïi naøy thöôøng ñöôïc söû duïng trong nhöõng boä loïc, nhöõng heä thoáng ñieàu khieån vaø xöû lyù tín hieäu soá. Ñaây laø loaïi maïng ñôn giaûn nhaát coù theå aùp duïng trong thöïc teá. Maïng Backpropagation : Backpropagation thöïc hieän döïa treân quy luaät hoïc Widrow-Hoff toång quaùt hoùa cho maïng ña lôùp vaø caùc haøm truyeàn phi tuyeán khaùc nhau. Maïng coù ngöôõng, moät lôùp sigmoid vaø moät lôùp tuyeán tính ngoõ ra coù theå moâ phoûng baát kyø haøm naøo vôùi soá maãu rôøi raïc höõu haïn. Maïng naøy ñöôïc huaán luyeän chính xaùc seõ cho ñaùp öùng hôïp lyù khi ñöa ngoõ vaøo chöa töøng ñöôïc huaán luyeän. Thoâng thöôøng tín hieäu môùi vaøo coù ngoõ ra töông töï vôùi ngoõ ra chính xaùc cuûa tín hieäu vaøo ñaõ ñöôïc huaán luyeän gioáng vôùi ngoõ vaøo môùi naøy. Do tính chaát toång quaát hoùa naøy, ta coù theå huaán luyeän maïng döïa treân caùc caëp vaøo/ra ñaïi dieän maø vaãn cho keát quaû toát ñoái vôùi caùc tín hieäu chöa ñöôïc huaán luyeän. Maïng Radial Basis : Maïng Radial Basis yeâu caàu nhieàu neuron hôn maïng Backpropagation feedforward chuaån, nhöng thöôøng thieát keá ít toán thôøi gian hôn maïng feedforward chuaån. Maïng naøy seõ hoaït ñoäng toát khi coù nhieàu vector huaán luyeän. Chính ñieàu naøy giôùi haïn maïng Radial Basis trong vieäc öùng duïng vaøo boä caân baèng. Ñoàng thôøi soá neuron Radial Basis tæ leä vôùi kích thöôùc khoâng gian ngoõ vaøo vaø ñoä phöùc taïp cuûa vaán ñeà neân maïng Radial Basis lôùn hôn maïng Backpropagation. Maïng Radial Basis hoaït ñoäng chaäm vì coù quaù nhieàu pheùp tính, toán nhieàu khoâng gian. Do ñoù, trong luaän vaên naøy khoâng moâ phoûng maïng Radial Basis. Maïng Radial Basis chæ phuø hôïp cho vaán ñeà phaân loaïi. Maïng hoài tieáp : Maïng hoài tieáp chöùa caùc keát noái ngöôïc trôû veà caùc neuron tröôùc ñoù. Maïng naøy coù theå chaïy khoâng oån ñònh vaø dao ñoäng raát phöùc taïp. Maïng hoài tieáp raát ñöôïc caùc nhaø nghieân cöùu quan taâm nhöng khoâng coù hieäu quaû trong vieäc giaûi quyeát caùc vaán ñeà thöïc teá. Maïng Seft-Organnizing : Maïng coù khaû naêng hoïc, tìm ra quy luaät vaø caùc töông quan ôû ngoõ vaøo vaø ñöa ra caùc ñaùp öùng coù ngoõ vaøo töông öùng. Caùc neuron cuûa maïng hoïc nhaän ra caùc nhoùm vector ngoõ vaøo gioáng nhau, töï saép xeáp ñeå nhaän bieát taàn suaát xuaát hieän cuûa caùc vector ñaàu vaøo ñöôïc ñöa tôùi. Do ñoù maïng Seft-Organizing duøng ñeå phaân loaïi caùc vector trong khoâng gian ngoõ nhaäp, thích hôïp cho vieäc nhaän daïng, phaân loaïi caùc tín hieäu ngoõ vaøo. ÔÛ ñaây, chuùng ta aùp chæ aùp duïng caùc loaïi maïng tuyeán tính vaø maïng Backpropagation, thieát keá sao cho coù theå hoïc ñöôïc ñaëc tính cuûa chuoãi döõ lieäu nhôø chuoãi huaán luyeän ñöôïc moâ taû tröôùc. Maïng thay ñoåi troïng soá lieän tuïc ñeå nhaän bieát chuoãi döõ lieäu ñuùng. Chöông trình moâ phoûng naøy ñöôïc thieát keá vôùi nhieàu kieåu huaán luyeän khaùc nhau; moãi maïng, moãi kieåu huaán luyeän coù nhieàu caáu truùc coù theå thay ñoåi. Moâ hình maïng Backpropagation aùp duïng cho xöû lyù tín hieäu soá laø toát nhaát do coù khaû naêng toång quaùt quaù. Keát quaû moâ phoûng seõ ñöôïc trình baøy trong phaàn sau. Sô ñoà khoái cuûa moät heä thoáng thoâng tin coù theâm boä caân baèng ñeå trieät nhieãu : Xem xeùt moät moâ hình maïng ñieån hình. Moâ hình maïng 2 lôùp R ñaàu vaøo S1 neuron trong lôùp 1, haøm truyeàn tansig S2 neuron trong lôùp 2, haøm truyeàn purelin S2x1 S1x1 a1 n1 S2xS1 S1xR S1x1 Rx1 S2 S1 S1x1 W1 b1 1 1 P a2 n2 S2x1 W2 b2 S2x1 Lôùp Neuron 1 Lôùp Neuron 2 Ñaàu vaøo Moâ hình maïng 3 lôùp R ñaàu vaøo S1 neuron lôùp 1, haøm truyeàn tansig S2 neuron lôùp 2, haøm truyeàn logsig S2x1 S3x1 S3 S1x1 a1 n1 S2xS1 S1xR S1x1 Rx1 S2 S1 S1x1 W1 b1 1 1 P a2 n2 S2x1 W2 b2 S2x1 a3 n3 S3x1 W3 b3 S3x1 S3xS2 1 Lôùp Neuron 1 Lôùp Neuron 2 Lôùp Neuron 3 Ñaàu vaøo S3 neuron lôùp 3, haøm truyeàn purelin CHÖÔNG 2 KEÁT QUAÛ MOÂ PHOÛNG THÖÏC THI CHÖÔNG TRÌNH Duøng chöông trình Matlab ñeå moâ phoûng heä thoáng thoâng tin treân. Chöông trình moâ phoûng thöïc thi theo caùc böôùc sau : Begin Choïn chöùc naêng Lyù thuyeát Chöông trình moâ phoûng Demo Nhaäp thoâng soá moâi tröôøng Choïn loaïi maïng vaø caùc thoâng soá maïng Thöïc thi chöông trình End Xuaát keát quaû Löu ñoà giaûi thuaät cuûa chöông trình moâ phoûng Boä quyeát ñònh Ñieàu cheá Taïo döõ lieäu Loïc BPF End RUN Loïc BPF Keânh truyeàn Nhieãu Giaûi ñieàu cheá LPF Boä caân baèngNeural Networks Boä quyeát ñònh Tính BER Xuaát keát quaû Löu ñoà giaûi thuaät ñieàu cheá tín hieäu : Ñieàu cheá maãu : BPSK : 2 maãu QPSK : 4 maãu Laáy maãu tín hieäu ñieàu cheá töông öùng End ÑIEÀU CHEÁ Tín hieäu ñieàu cheá Giaûi thuaät naøy coù toác ñoä chaïy moâ phoûng raát nhanh do khoâng phaûi laëp laïi caùc pheùp tính cos, sin (kyõ thuaät ñieàu cheá) cho toaøn boä chuoãi bit vaøo, maø chæ thöïc hieän treân hai maãu (BPSK) hoaëc boán maãu (QPSK). Löu ñoà giaûi thuaät huaán luyeän maïng Neural Networks Taïo maïng vôùi thoâng soá ñaõ nhaäp End HUAÁN LUYEÄN NEURAL NETWORKS Saép xeáp tín hieäu huaán luyeän maïng ñuùng vôùi loaïi maïng Tieàn xöû lyù tín hieäu Tín hieäu ñích Huaán luyeän maïng Löu ñoà giaûi thuaät moâ phoûng Neural Networks End Moâ phoûng NEURAL NETWORKS Saép xeáp tín hieäu nhaäp phuø hôïp vôùi ngoõ vaøo maïng Tieàn xöû lyù tín hieäu Chaïy moâ phoûng maïng ñaõ ñöôïc huaán luyeän Haäu xöû lyù tín hieäu Trong cöûa soå giao dieän chính coù 4 nuùt nhaán : Thöïc thi chöông trình, hieän ra cöûa soå ñeå nhaäp caùc thoâng soá moâi tröôøng truyeàn nhö taàn soá soùng mang (Fc), toác ñoä bit (R), loaïi nhieãu, … Chaïy file word, hieän leân cöûa soå trình baøy noäi dung cuûa quyeån Luaän vaên toát nghieäp. Minh hoïa maïng Neural Networks, hieän leân cöûa soå trình baøy moät vaøi ví duï veà maïng. Thoaùt khoûi chöông trình moâ phoûng, hieän leân cöûa soå thoaùt. Khi click chuoät vaøo nuùt Demo Trong cöûa soå naøy ngöôøi söû duïng coù theå choïn moät trong caùc ví duï sau : Maïng 1 neuron ñaàu vaøo Maïng 2 neuron ñaàu vaøo Maïng tuyeán tính thích öùng Maïng 2 lôùp Baøi toaùn Phaân Loaïi Baøi toaùn Toång quaùt Sau ñaây laø moät vaøi giao dieän cuûa caùc chöông trình minh hoïa : Khi click chuoät vaøo nuùt Moâ phoûng, xuaát hieän cöûa soå : Cöûa soå naøy cho pheùp nhaäp : Taàn soá soùng mang (Carrier Freq) Toác ñoä bit (Bit Rate) Chieàu daøi chuoãi döõ lieäu (Length of Data) Loaïi döõ lieäu (Ngaãu nhieân hay nhaäp vaøo) Bieân ñoä soùng mang (Amplitude) Phöông phaùp ñieàu cheá (BPSK/QPSK) Loaïi nhieãu (White Noise/Fading/Cochannel) Möùc ñoä nhieãu (SNR/Mean vaø Variance, soá nguoàn nhieãu) Choïn nuùt Back ñeå quay veà cöûa soå chính hay nuùt Next ñeå qua cöûa soå nhaäp thoâng soá maïng. Trong cöûa soå keá tieáp coù theå choïn caùc thoâng soá sau : Caùc loaïi maïng : Bayesian regularization Levenberg_Marquardt One Step Secant Quasi_Newton Scale Conjugate Gradient Powell_Beal Polak_Ribieùre Fletcher_Reeves Resilient Backpropagation Adaptive learning rate Gradient descent momentum Gradient descent Adaptive Linear Loaïi haøm hoïc : Gradient descent hay Gradient descent momentum Soá ngoõ vaøo Soá lôùp Loaïi haøm sai soá : MSE MSEREG MAE SSE Soá neuron moãi lôùp Haøm truyeàn moãi lôùp Ví duï : Thoâng soá Giaù trò Ñôn vò Chuoãi bit 10.000.000 Bit Taàn soá soùng mang 35 MHz Toác ñoä bit 8,192 MHz Nhieãu Gauss 8 dB Phöông phaùp ñieàu cheá QPSK Tín hieäu ñieàu cheá QPSK Tín hieäu phaùt sau khi loïc Tín hieäu thu (coù nhieãu) taïi antenna thu Tín hieäu thu sau khi loïc baêng thoâng Maøn hình xuaát keát quaû sau moâ phoûng Ñoà thò huaán luyeän maïng :