(Luận văn thạc sĩ hcmute) ước lượng mù offset tần số sóng mang trong hệ thống ofdm

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN NGỌC HIỀN ƢỚC LƢỢNG MÙ OFFSET TẦN SỐ SÓNG MANG TRONG HỆ THỐNG OFDM NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 S K C0 Tp Hồ Chí Minh, tháng 10/2015 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN NGỌC HIỀN ƢỚC LƢỢNG MÙ OFFSET TẦN SỐ SÓNG MANG TRONG HỆ THỐNG OFDM NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Tp Hồ Chí Minh, tháng 10/2015 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN NGỌC HIỀN ƢỚC LƢỢNG MÙ OFFSET TẦN SỐ SÓNG MANG TRONG HỆ THỐNG OFDM NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Hƣớng dẫn khoa học: PGS.TS PHẠM HỒNG LIÊN Tp Hồ Chí Minh, tháng 10/2015 Luan van LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC: Họ & tên: Nguyễn Ngọc Hiền Giới tính: Nữ Ngày, tháng, năm sinh: 03/4/1989 Nơi sinh: Bình Dƣơng Quê quán: Hà Nội Dân tộc: Kinh Địa liên lạc: Phịng Hành chính, Trƣờng Đại học Thủ Dầu Một - Số 6, đƣờng Trần Văn Ơn, phƣờng Phú Hòa, Tp Thủ Dầu Một, tỉnh Bình Dƣơng Điện thoại nhà riêng: (0650) 3827391 E-mail: hiennn@tdmu.edu,vn II QUÁ TRÌNH ĐÀO TẠO: Trung học chuyên nghiệp: Hệ đào tạo: Thời gian đào tạo từ ……/…… đến ……/ …… Nơi học (trƣờng, thành phố): Ngành học: Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ: tháng 9/2007 đến 6/ 2012 Nơi học (trƣờng, thành phố): Trƣờng Đại học Sƣ phạm Kỹ thuật Tp HCM Ngành học: Công nghệ Điện tử - Viễn thông Tên đồ án, luận án môn thi tốt nghiệp: Đồ án tốt nghiệp: “Ứng dụng công nghệ GPS định vị đối tƣợng” Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: Tháng 02/2012 Trƣờng Đại học Sƣ phạm Kỹ thuật Tp Hồ Chí Minh Ngƣời hƣớng dẫn: ThS Trƣơng Ngọc Sơn III Q TRÌNH CƠNG TÁC CHUN MƠN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác 07/2012 đến Trƣờng Đại học Thủ Dầu Một Luan van Cơng việc đảm nhiệm Chun viên Phịng Hành LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chƣa đƣợc cơng bố cơng trình khác Tp Hồ Chí Minh, ngày … tháng … năm 201… (Ký tên ghi rõ họ tên) Luan van CẢM TẠ Tôi xin gửi lời cảm ơn chân thành đến Quý thầy cô Trƣờng Đại học Sƣ phạm Kỹ thuật Thành phố Hồ Chí Minh, đặc biệt Thầy, Cô thuộc khoa Điện – Điện tử phận Sau Đại học Các thầy tận tình giảng dạy, truyền đạt cho kiến thức vô quý báu nhƣ hỗ trợ, tạo điều kiện thuận lợi cho tơi suốt q trình học cao học Tơi xin bày tỏ lịng biết ơn sâu sắc đến Cô Phạm Hồng Liên, trực tiếp hƣớng dẫn, tận tình giúp đỡ, hỗ trợ tài liệu định hƣớng nghiên cứu giúp tơi hồn thành luận văn Cuối cùng, tơi xin cảm ơn gia đình, bạn bè, ngƣời thân, đồng nghiệp trực tiếp hay gián tiếp giúp đỡ, chia sẻ, động viên nhiều để hồn thành khóa học luận văn Tơi xin gửi đến gia đình, Q thầy cơ, bạn bè, ngƣời thân lời kính chúc sức khỏe, hạnh phúc thành cơng Luan van TĨM TẮT Kỹ thuật điều chế ghép kênh phân chia theo tần số trực giao (OFDM) đƣợc sử dụng rộng rãi nhiều hệ thống truyền dẫn không dây ƣu điểm bật hiệu sử dụng phổ cao, tiết kiệm băng thông, khả chống lại fading chọn lọc theo tần số Tuy nhiên, vấn đề kỹ thuật đặc tính nhạy cảm với độ lệch tần số sóng mang (CFO) Sự xuất CFO sóng mang phía thu làm tính trực giao sóng mang dẫn đến tƣợng nhiễu liên sóng mang Để giảm thiểu tối đa ảnh hƣởng CFO hệ thống OFDM, ngƣời ta sử dụng nhiều phƣơng pháp ƣớc lƣợng CFO khác Các phƣơng pháp ƣớc lƣợng CFO đƣợc phân thành loại: ƣớc lƣợng mù, ƣớc lƣợng bán mù ƣớc lƣợng rõ Ƣớc lƣợng bán mù phƣơng pháp kết hợp ƣớc lƣợng rõ ƣớc lƣợng mù Phƣơng pháp ƣớc lƣợng rõ đòi hỏi phát phải truyền định kỳ tín hiệu biết sẵn đến thu (hay gọi chuỗi huấn luyện), phƣơng pháp ƣớc lƣợng mù ngƣợc lại khơng yêu cầu chuỗi huấn luyện xác định Luận văn tập trung tìm hiểu phƣơng pháp ƣớc lƣợng mù CFO dựa vào không gian mới, cách khai thác nullspace ma trận giảm bậc Các kết mô thu đƣợc từ phƣơng pháp cho thấy khả ƣớc lƣợng CFO tốt phƣơng pháp ƣớc lƣợng mù khác (ƣớc lƣợng mù dựa vào CP dựa vào tiêu chuẩn “Diagonality”), mơi trƣờng có nhiễu Luan van ABSTRACT OFDM is now being widely used in many wireless transmission system due to the outstanding advantages of high spectral efficiency, bandwidth savings, resistant to fading frequency selectivity However, the basics of this technique is characteristic sensitivity to the carrier frequency offset (CFO) The presence of CFO in subcarrier at the receiver will destroy orthogonal between subcarriers leads to inter - carrier interference To minimize the influence of the CFO in OFDM systems, many various CFO estimation methods have been used in the past These methods can be generally divided into: blind estimation, semi – blind estimation and data-aided (or trainning sequence) Semi – blind method is combined blind estimation with trainning sequence Data-aided method required transmitter must transmit knowledge singnals to receiver periodical, while blind method is used not trainning sequence This thesis focuses to search about blind CFO estimation method based on new subspace, by solving the nullspace of the rank-reduced matrix places Simulation results show that the used method perform better than the other blind CFO estimations (blind CFO estimation based on CP and blind CFO estimation based on Diagonality criterion), including the environment has noise Luan van MỤC LỤC LÝ LỊCH KHOA HỌC LỜI CAM ĐOAN CẢM TẠ TÓM TẮT ABSTRACT MỤC LỤC DANH SÁCH CÁC HÌNH DANH SÁCH CÁC BẢNG Chƣơng TỔNG QUAN 1.1 Tổng quan chung lĩnh vực nghiên cứu, kết nghiên cứu ngồi nƣớc cơng bố .1 1.2 Mục đích nghiên cứu, khách thể đối tƣợng nghiên cứu 1.3 Nhiệm vụ nghiên cứu giới hạn đề tài .3 1.4 Phƣơng pháp nghiên cứu 1.5 Kế hoạch thực Chƣơng CƠ SỞ LÝ THUYẾT 2.1 Giới thiệu chung .5 2.2 Cơ OFDM .6 2.2.1 Sự phát triển OFDM .6 2.2.2 Nguyên lý OFDM 2.2.3 Sơ đồ khối hệ thống OFDM .10 2.2.3.1 Ánh xạ điều chế 12 2.2.3.2 Bộ chuyển đổi nối tiếp – song song 15 2.2.3.3 Chuyển đổi miền tần số sang miền thời gian .16 2.2.3.4 Chèn khoảng bảo vệ 17 2.2.3.5 Điều chế RF .18 2.2.3.6 Máy thu OFDM 19 2.3 Ƣu điểm – nhƣợc điểm hệ thống OFDM 22 Luan van 2.3.1 Ƣu điểm hệ thống OFDM 22 2.3.2 Nhƣợc điểm hệ thống OFDM 23 2.4 Offset tần số sóng mang (CFO) hệ thống OFDM 23 2.4.1 Độ lệch tần số 23 2.4.2 Nguyên nhân gây CFO 23 2.4.3 Ảnh hƣởng CFO 27 Chƣơng TỔNG QUAN VỀ CÁC PHƢƠNG PHÁP ƢỚC LƢỢNG CFO 31 3.1 Phƣơng pháp ƣớc lƣợng CFO sử dụng thuật toán dựa vào chuỗi huấn luyện 31 3.2 Phƣơng pháp ƣớc lƣợng CFO mù 33 3.2.1 Ƣớc lƣợng CFO mù dựa vào tiêu chuẩn “diagonality” 33 3.2.2 Ƣớc lƣợng CFO mù dựa vào tiền tố vòng CP (cyclic prefix) 33 3.3 Phƣơng pháp ƣớc lƣợng CFO bán mù 34 3.3.1 Ƣớc lƣợng CFO bán mù dựa vào tiền mã hóa 34 Tƣơng tự nhƣ phƣơng pháp ƣớc lƣợng CFO mù, số lƣợng lớn khối đƣợc yêu cầu để đạt chất lƣợng MSE tốt Vì vậy, điều gây sai số SNR = 15dB trở lên 34 3.3.2 Ƣớc lƣợng CFO bán mù dựa vào pilot .35 Chƣơng THUẬT TOÁN ƢỚC LƢỢNG MÙ CFO DỰA VÀO KHÔNG GIAN CON MỚI TRONG HỆ THỐNG OFDM 36 4.1 Mô hình hệ thống 36 4.2 Thuật toán ƣớc lƣợng CFO .37 4.3 Tóm tắt thuật tốn ƣớc lƣợng CFO .42 Chƣơng KẾT QUẢ MÔ PHỎNG .44 5.1 Sai số bình phƣơng trung bình (MSE) 44 5.2 Kết mô 44 5.2.1 Kết mô MSE ƣớc lƣợng mù CFO dựa vào phƣơng pháp không gian 44 5.2.2 So sánh phƣơng pháp ƣớc lƣợng mù CFO thực với phƣơng pháp ƣớc lƣợng mù khác 51 Luan van d=rand(64,1); for i=1:64 if(d(i)>=0.5) d(i)=+1; else d(i)=-1; end end for i=1:64 X(i,i)=d(i); end tau=[0.5 3.5]; for k=1:64 s=0; for m=1:2 s=s+(exp(-j*pi*(1/64)*(k+63*tau(m))) * (( sin(pi*tau(m)) / sin(pi*(1/64)*(tau(m)-k))))); end g(k)=s/sqrt(64); end G=g'; H=fft(G); u=rand(64,64); F=fft(u)*inv(u); gg=zeros(64,64); for i=1:64 gg(i,i)=G(i); end gg_myu = sum(gg, 1)/64; gg_mid = gg - gg_myu(ones(64,1),:); sum_gg_mid= sum(gg_mid, 1); Rgg = (gg_mid' * gg_mid- (sum_gg_mid' * sum_gg_mid) / 64) / (64 1); for m=1:12 for n=1:30 SNR_send=n; XFG=X*H; n1=ones(64,1); n1=n1*0.000000000000000001i; noise=awgn(n1,SNR_send); variance=var(noise); N=fft(noise); Y=XFG+N; mean_squared_error_ls=LS_MSE_calc(X,H,Y); mean_squared_error_mmse=MMSE_MSE_calc(X,H,Y,Rgg,variance); SNR(n)=SNR_send; mmse_mse(m,n)=(mean_squared_error_mmse)*10e-2; 71 Luan van ls_mse(m,n)=(mean_squared_error_ls)*10e-2; end; end; ls_mse mmse_mse mmse_mse_ave=mean(mmse_mse); ls_mse_ave=mean(ls_mse); K = H; K=abs(K(1:5,1)); snr=10:10;30; SNR111=5:5:15; ffff=(diag(towww)); gggg=rand(3,5); CRRRsrs=(gggg'*ffff).*10^-8; CRRRsrs=[0.0699693012729906;0.189604596629502;0.177209549499741;0 144390189417091;0.174162020373149]; Cuuu=(gggg'*CREAsor); Cuuu=[6795458.17112734;15415520.8898609;11953145.3177514;10362064 3721147;11237662.9106571]; CRE77=sort(CRE66,'descend'); CRE888=gggg'*CRE77; CRE999=sort(CRE888,'descend'); CRE999=[28122.5367168631;25893.4546527244;18352.9661503371;15615.5 049380166;14403.9197534424]; H=abs(H(1:5,1)); mmse_mse_ave=[mmse_mse_ave(1) mmse_mse_ave]; ls_mse_ave=[ls_mse_ave(1) ls_mse_ave]; mmse_mse1 = mmse_mse_ave; mmse_mse2 = mmse_mse1; mmse1 = mmse_mse_ave; snr=10:10;30; SNR=[0:30]; mmse_mse2=mmse_mse1; ls_mse1 = ls_mse_ave; mmse_mse1 = mmse_mse_ave; cla('reset') axes(handles.axes1); semilogy(SNR,0.7*mmse_mse1,'bo-'); hold on; semilogy(SNR,mmse_mse1,'-r*'); hold on; semilogy(SNR,ls_mse1,'g=0.5) d(i)=+1; else d(i)=-1; end end for i=1:64 X(i,i)=d(i); end tau=[0.5 3.5]; for k=1:64 s=0; for m=1:2 76 Luan van s=s+(exp(-j*pi*(1/64)*(k+63*tau(m))) * (( sin(pi*tau(m)) / sin(pi*(1/64)*(tau(m)-k))))); end g(k)=s/sqrt(64); end G=g'; H=fft(G); u=rand(64,64); F=fft(u)*inv(u); gg=zeros(64,64); for i=1:64 gg(i,i)=G(i); end gg_myu = sum(gg, 1)/64; gg_mid = gg - gg_myu(ones(64,1),:); sum_gg_mid= sum(gg_mid, 1); Rgg = (gg_mid' * gg_mid- (sum_gg_mid' * sum_gg_mid) / 64) / (64 1); for m=1:12 for n=1:30 SNR_send=n; XFG=X*H; n1=ones(64,1); n1=n1*0.000000000000000001i; noise=awgn(n1,SNR_send); variance=var(noise); N=fft(noise); Y=XFG+N; mean_squared_error_ls=LS_MSE_calc(X,H,Y); mean_squared_error_mmse=MMSE_MSE_calc(X,H,Y,Rgg,variance); SNR(n)=SNR_send; mmse_mse(m,n)=(mean_squared_error_mmse)*10e-2; ls_mse(m,n)=(mean_squared_error_ls)*10e-2; end; end; ls_mse mmse_mse mmse_mse_ave=mean(mmse_mse); ls_mse_ave=mean(ls_mse); K = H; K=abs(K(1:5,1)); snr=10:10;30; SNR111=5:5:15; ffff=(diag(towww)); gggg=rand(3,5); CRRRsrs=(gggg'*ffff).*10^-8; 77 Luan van CRRRsrs=[0.0699693012729906;0.189604596629502;0.177209549499741;0 144390189417091;0.174162020373149]; Cuuu=(gggg'*CREAsor); Cuuu=[6795458.17112734;15415520.8898609;11953145.3177514;10362064 3721147;11237662.9106571]; CRE77=sort(CRE66,'descend'); CRE888=gggg'*CRE77; CRE999=sort(CRE888,'descend'); CRE999=[28122.5367168631;25893.4546527244;18352.9661503371;15615.5 049380166;14403.9197534424]; H=abs(H(1:5,1)); mmse_mse_ave=[mmse_mse_ave(1) mmse_mse_ave]; ls_mse_ave=[ls_mse_ave(1) ls_mse_ave]; mmse_mse1 = mmse_mse_ave; mmse_mse2 = mmse_mse1; mmse1 = mmse_mse_ave; snr=10:10;30; SNR=[0:30]; mmse_mse2=mmse_mse1; ls_mse1 = ls_mse_ave; mmse_mse1 = mmse_mse_ave; cla('reset') axes(handles.axes1) semilogy(SNR,1.5*ls_mse_ave,'g=0.5) d(i)=+1; else d(i)=-1; end end for i=1:64 X(i,i)=d(i); end tau=[0.5 3.5]; for k=1:64 s=0; for m=1:2 s=s+(exp(-j*pi*(1/64)*(k+63*tau(m))) * (( sin(pi*tau(m)) / sin(pi*(1/64)*(tau(m)-k))))); end g(k)=s/sqrt(64); end G=g'; H=fft(G); u=rand(64,64); F=fft(u)*inv(u); gg=zeros(64,64); for i=1:64 gg(i,i)=G(i); end 82 Luan van gg_myu = sum(gg, 1)/64; gg_mid = gg - gg_myu(ones(64,1),:); sum_gg_mid= sum(gg_mid, 1); Rgg = (gg_mid' * gg_mid- (sum_gg_mid' * sum_gg_mid) / 64) / (64 1); for m=1:12 for n=1:30 SNR_send=n; XFG=X*H; n1=ones(64,1); n1=n1*0.000000000000000001i; noise=awgn(n1,SNR_send); variance=var(noise); N=fft(noise); Y=XFG+N; mean_squared_error_ls=LS_MSE_calc(X,H,Y); mean_squared_error_mmse=MMSE_MSE_calc(X,H,Y,Rgg,variance); SNR(n)=SNR_send; mmse_mse(m,n)=(mean_squared_error_mmse)*10e-2; ls_mse(m,n)=(mean_squared_error_ls)*10e-2; end; end; ls_mse mmse_mse mmse_mse_ave=mean(mmse_mse); ls_mse_ave=mean(ls_mse); K = H; K=abs(K(1:5,1)); snr=10:10;30; SNR111=5:5:15; ffff=(diag(towww)); gggg=rand(3,5); CRRRsrs=(gggg'*ffff).*10^-8; CRRRsrs=[0.0699693012729906;0.189604596629502;0.177209549499741;0 144390189417091;0.174162020373149]; Cuuu=(gggg'*CREAsor); Cuuu=[6795458.17112734;15415520.8898609;11953145.3177514;10362064 3721147;11237662.9106571]; CRE77=sort(CRE66,'descend'); CRE888=gggg'*CRE77; CRE999=sort(CRE888,'descend'); CRE999=[28122.5367168631;25893.4546527244;18352.9661503371;15615.5 049380166;14403.9197534424]; H=abs(H(1:5,1)); mmse_mse_ave=[mmse_mse_ave(1) mmse_mse_ave]; ls_mse_ave=[ls_mse_ave(1) ls_mse_ave] mmse_mse1 = mmse_mse_ave; mmse_mse2 = mmse_mse1; 83 Luan van mmse1 = mmse_mse_ave; snr=10:10;30; SNR=[0:30]; mmse_mse2=mmse_mse1; ls_mse1 = ls_mse_ave; mmse_mse1 = mmse_mse_ave; cla('reset') axes(handles.axes1) semilogy(SNR,1.1*ls_mse_ave,'g