Tóm tắt luận văn tốt nghiệp

Tóm tắt luận văn tốt nghiệp

BỘ MÔN VIỄN THÔNG

TÓM TẮT

LUẬN VĂN TỐT NGHIỆP

ỨNG DỤNG BỘ CÂN BẰNGDÙNG NEURAL NETWORKSTRIỆT NHIỄU GIAO THOA KÝ TỰ

TRONG HỆ THỐNG GSM

INTER-SYMBOL INTERFERENCE CANCELLATIONFOR GSM SYSTEM USING NEURAL NETWORKS EQUALIZER

GVHD :ThS HOÀNG ĐÌNH CHIẾN

SVTH :TRƯƠNG ÁNH THU 49600887

Khóa 1996-2001

Neural Networks have seen an explosion of interest in the last few years and have been successfully applied to a wide range of problem domains, in areas as diverse as finance, medicine, engineering, geology and physics In fact, wherever prediction, classification, control and processing are needed, Neural Networks can be introduced This sweeping success can be attributed to Neural Networks as the latter have sophisticated techniques that are capable of modeling extremely complex functions Neural Networks can learn from examples The Neural Networks user only has to gather representative data, then evokes training algorithms so that the networks can automatically learn the structure of the data Training Neural Networks is in fact an adjustment of some parameters of the networks to minimize square error Weight and bias are two of the parameters that are adjusted in the analysis

The aim of this thesis is to apply Neural Networks to the equalizer for intersymbol interference suppression in GSM system To achieve this aim, the thesis deals with two main parts : (1) Introduction to mobile communications system (GSM), equalizer and Neural Networks, and (2) Simulating Neural Networks on the computer.

The first part of the thesis gives a general introduction to Neural Networks and some of their important models Some fundamental knowledge of mobile communications system (GSM) and equalizer is also provided in this part.

The second part of the thesis is concerned with computer simulation programmed in Matlab 5.3 This part offers some model communications in Gauss Noise, Fading, Cochannel environment and noise suppression techniques by the use of Neural Networks Generally speaking, Neural Networks can be used for cancellation of all kinds of noise, however, because of the time limit of our thesis, we can only apply Neural Networks to two types of modulation, BPSK and QPSK Simulation results are presented plotting BER curves.

Finally, some conclusions are drawn from simulation results and followed by the suggestions for further developments of the thesis.

TÓM TẮT

Neural Networks trong một vài năm trở lại đây đang được quan tâm và đã áp dụng thành công trong nhiều lĩnh vực khác nhau, như truyền thông, kỹ thuật, tài chính, y tế, địa chất, vật lý v.v… Thật vậy, bất cứ ở đâu có vấn đề dự báo, phân loại, điều khiển và xử lý, Neural Networks đều có thể ứng dụng được Sự thành công nhanh chóng của mạng Neural là nhờ mạng có những thuật toán huấn luyện rất tinh vi, có khả năng mô phỏng các hàm cực kì phức tạp Neural Networks có tính học theo các ví dụ Người sử dụng Neural Networks thu nhập các dữ liệu đặc trưng, sau đó gọi các thuật toán huấn luyện để mạng có thể tự học cấu trúc của dữ liệu Quá trình huấn luyện thực ra là sự điều chỉnh các thông số trên mạng để cực tiểu hóa bình phương sai số Trọng số (weight) và ngưỡng (bias) là hai trong các thông số cần được điều chỉnh.

Mục tiêu của luận văn này là ứng dụng Neural Networks vào bộ cân bằng để triệt nhiễu giao thoa kí tự trong hệ thống GSM Hướng về mục tiêu này, luận văn chia thành hai phần chính giới thiệu hệ thống thông tin di động GSM, bộ cân bằng và Neural Networks; mô phỏng Neural Networks trên máy tính.

Phần đầu giới thiệu bằng tổng quan Neural Networks cũng như đề cập tới các mô hình mạng quan trọng của Neural Networks Đồng thời một số kiến thức cơ bản liên quan đến các hệ thống thông tin di động GSM, bộ cân bằng cũng được giới thiệu sơ quát Phần còn lại trình bày phần mềm mô phỏng trên máy tính được thực hiện trên môi trường Matlab 5.3 Phần này đưa ra mô hình hệ thống thông tin trong môi trường nhiễu Gauss, fading và nhiễu đồng kênh với các phương pháp triệt nhiễu dùng Neural Networks Về phương diện tổng quát Neural Networks có khả năng triệt nhiễu cho tất cả các loại tín hiệu, nhưng do thời gian có hạn nên chúng tôi chỉ dùng cho hai loại điều chế BPSK và QPSK Các kết quả mô phỏng được trình bày dưới dạng đồ thị xác xuất lỗi (BER).

Cuối cùng là một số kết luận rút ra từ kết quả mô phỏng và hướng phát triển cho đề tài.

NỘI DUNG CỦA LUẬN VĂN

Nhiệm vụ chính của luận văn là nghiên cứu Neural Networks và ứng dụng để triệt nhiễu giao thoa ký tự trong hệ thống GSM.

Phần 1

LÝ THUYẾT

1 Hệ thống thông tin di động GSM - Cấu trúc mạng.

- Liên kết vô tuyến 2 Kỹ thuật cân bằng

- Nhiễu trong hệ thống thông tin - Bộ cân bằng.

3 Neural Networks

- Giới thiệu tổng quát - Các loại mạng.

Phần 2

MÔ PHỎNG

1 Mô phỏng hệ thống thông tin dùng hai phương pháp điều chế BPSK, QPSK trong môi trường nhiễu Gauss, Fading, Cochannel.

2 Áp dụng Neural Networks để loại nhiễu nhằm nâng cao chất lượng hệ thống.

Bản tóm tắt này chỉ trình bày một số khái niệm cơ bản về hệ thống thông tin di động GSM, kỹ thuật cân bằng Equalizer và Neural Networks Chi tiết các phần được trình bày kỹ trong luận văn.

1.TỔNG QUAN HỆ THỐNG GSM

Mạng GSM có thể chia thành ba phần chính Trạm di động (Mobile Station_MS) do thuê bao giữ Hệ thống con trạm gốc (Base Station Subsystem_BSS) điều khiển liên kết với trạm di động Hệ thống mạng con (Network Subsystem_NS) là phần chính của trung tâm chuyển mạch dịch vụ di động (Mobile services Switching Center_MSC), thực hiện chuyển mạch cuộc gọi giữa những người sử dụng điện thoại di động, và giữa di động với thuê bao mạng cố định MSC xử lý các hoạt động quản lý di động Trạm di động và hệ thống con trạm gốc thông tin dùng giao tiếp Um, còn được gọi là giao tiếp không trung hay liên kết vô tuyến Hệ thống con trạm gốc liên lạc với trung tâm chuyển mạch dịch vụ di động dùng giao tiếp A.

Mô hình hệ thống thông tin di động tế bào

Vì phổ vô tuyến là tài nguyên hữu hạn dùng chung cho tất cả thuê bao, một phương pháp phải đưa ra là chia băng thông để càng nhiều thuê bao sử dụng càng tốt GSM đã chọn phương pháp kết hợp đa truy cập phân chia theo tần số và thời gian (TDMA/FDMA) FDMA bao gồm chia tần số băng thông tối đa 25 MHz thành 124 tần số sóng mang cách nhau 200 KHz TDMA chia kênh vô tuyến 200 KHz thành 8 khe thời gian (tạo 8 kênh logic) Do đó một kênh logic được định nghĩa bằng tần số và số khe thời gian của khung TDMA Bằng cách áp dụng 8 khe thời gian, mỗi kênh phát dữ liệu số theo từng chuỗi “burst” ngắn : đầu cuối GSM chỉ phát 1 trong 8 khe thời gian đó.

FDMA là gán các kênh đến từng người sử dụng riêng lẻ Các kênh này được gán dựa trên các yêu cầu mà người sử dụng cần TDMA chia phổ vô tuyến ra thành các khe thời

gian (time slot) và mỗi khe chỉ cho phép người sử dụng được phát hoặc thu.

CẤU TRÚC BURST

Burst là đơn vị phát của GSM Việc phát xảy ra trong một cửa sổ thời gian (576+12/13) s, nghĩa là suốt chu kỳ bit (156 + ¼) Một burst thông thường chứa hai gói 58 bit (57 bit dữ liệu + 1 bit dư (stealing bit)) và một chuỗi huấn luyện 26 bit Chuỗi huấn luyện 26 bit là một chuỗi biết trước dùng so sánh với chuỗi tín hiệu thu được để xây dựng lại tín hiệu gốc (cân bằng đa đường)

2.KỸ THUẬT CÂN BẰNG

Cân bằng là một kỹ thuật sử dụng để triệt nhiễu liên ký tự Bộ cân bằng hoạt động xử lý tín hiệu làm giảm thiểu ISI Trong kỹ thuật truyền vô tuyến có nhiều bộ cân bằng thích ứng khác nhau được sử dụng để triệt nhiễu.

Các chế độ hoạt động tổng quát của bộ cân bằng thích ứng là huấn luyện và 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 Chuỗi huấn luyện thường là tín hiệu nhị phân giả ngẫu nhiên hoặc kiểu bit cố định, mô tả trước Theo sau tức thời chuỗi huấn luyện này, dữ liệu user (có thể có hoặc không mã hóa) được gởi đi, và bộ cân bằng thích ứng 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 Chuỗi huấn luyện được thiết kế cho phép bộ cân bằng máy thu có được các hệ số bộ lọc đúng trong những điều kiện kênh truyền có thể xấu nhất sau khi đã truyền hết chuỗi huấn luyện, các hệ số bộ lọc gần với giá trị tối ưu để nhận được dữ liệu user Khi dữ liệu user nhận được, thuật toán thích ứng của bộ cân bằng lần

theo sự thay đổi của kênh truyền Kết quả là bộ cân bằng thích ứng thay đổi liên tục đặc tính lọc của nó

Theo thời gian, bộ cân bằng hội tụ về hàm của thuật toán cân bằng, cấu trúc bộ cân bằng và tốc độ thay đổi theo thời gian của kênh vô tuyến đa đường Bộ cân bằng cần được tái huấn luyện theo chu kỳ để duy trì hiệu suất triệt ISI, và thường sử dụng trong hệ thống thông tin số, ở đó dữ liệu user được phân đoạn nhỏ theo thời gian Hệ thống vô tuyến đa truy cập phân chia thời gian (TDMA) đặc biệt phù hợp cho bộ cân bằng Hệ thống TDMA gởi dữ liệu theo khối thời gian chiều dài cố định, và chuỗi huấn luyện thường được gởi ở đầu khối Tại mỗi thời điểm, một khối dữ liệu mới được nhận, bộ cân bằng tái huấn luyện sử dụng cùng một chuỗi huấn luyện.

Bộ cân bằng thường thực hiện tại băng tần gốc hoặc tại IF của máy thu Tín hiệu đã giải điều chế và thuật toán bộ cân bằng thích ứng thường mô phỏng và thực hiện ở băng tần gốc

Bộ điều chếMáy phátKênh vô tuyếnBộ lọc tách Tần IF Máy thu RF sóng phù hợp

Tín hiệu băng gốc x(t)

kênh vô tuyến đa đường và máy thu RF/IF

f(t) Bộ cân bằng Bộ quyết định

h (t)eqDữ liệu khôi phục d(t)Nhiễu tương đương

f(t) : đáp ứng xung kết hợp của máy phát

Giản đồ khối hệ thống thông tin sử dụng bộ cân bằng thích ứng ở máy thu

3.TỔNG QUAN NEURAL NETWORKS

Neural Networks phát triển từ nghiên cứu mạng trí tuệ nhân tạo; đặc biệt cố gắng bắt chước bộ não có cấu trúc cấp thấp về khả năng học và chấp nhận sai của hệ thống neuron sinh học Mạng Neural là một trong những mô hình đặc trưng cho trí tuệ nhân tạo, là một lĩnh vực khoa học kỹ thuật mới ra đời cách đây khoảng năm thập kỷ, nhưng chỉ được áp dụng thật sự khoảng mười lăm năm gần đây Cơ cấu mạng được xây dựng dựa trên cấu trúc của hệ thần kinh sinh học của con người, bao gồm nhiều thành phần đơn giản kết nối lại và hoạt động song song nhau Sự kết nối giữa các thành phần này

quyết định phạm vi chức năng của mạng Mạng được mô phỏng thực hiện một chức năng cụ thể bằng cách điều chỉnh các giá trị của liên kết giữa những thành phần, gọi là trọng số (weight) Một mô hình mạng Neural tổng quát như sau :

Ngày nay mạng Neural có thể giải quyết nhiều vấn đề phức tạp, áp dụng trong nhiều lĩnh vực như nhận dạng, định dạng, phân loại, xử lý tín hiệu, hình ảnh v.v…

* Mô hình một Neuron

Đầu vào của một neuron gồm ngưỡng b và tổng các trọng số vào Ngõ ra của neuron phụ thuộc vào đầu vào và hàm truyền.

* Cấu trúc một lớp mạng

Cấu trúc một mạng có thể mô tả bằng số lớp, số neuron trong một lớp, hàm truyền của mỗi lớp và kết nối giữa các lớp Tùy thuộc vấn đề mạng cần giải quyết mà có cấu trúc khác nhau Neuron đơn rất ít sử dụng Tuy nhiên một vài neuron có thể kết hợp thành một lớp hay nhiều lớp thì khả năng xử lý cao hơn Vấn đề đơn giản có thể trình bày bằng một lớp đơn Tuy nhiên, nó không giải quyết được nhiều vấn đề phức tạp Mạng đa lớp feedforward có khả năng giải quyết lớn hơn.

Có hai loại mạng static network và dynamic network Cấu trúc định dạng của dữ liệu

vào ảnh hưởng đến việc mô phỏng của mạng Hai kiểu dữ liệu vào cơ bản là kiểu xảy

ra đồng thời (concurrently) và kiểu xảy ra liên tục theo thời gian (sequentially) Mỗi

mạng có hai kiểu huấn luyện khác nhau : incremental training và batch training.

* Mạng nhiều lớp Neuron

Mạng tuyến tính : Mạng này có hàm truyền là hàm tuyến tính cho ngõ ra có giá trị không giới hạn, chỉ giải quyết những vấn đề độc lập tuyến tính, có quy luật huấn luyện LMS mạnh hơn quy luật huấn luyện Peceptron Mạng tuyến tính có khả năng đáp ứng sự thay đổi của môi trường, được điều chỉnh theo từng bước dựa trên vector vào mới và vector mong muốn để tìm được các giá trị trọng số và ngưỡng thích hợp sao cho tổng bình phương sai số nhỏ nhất Mạng loại này thường được sử dụng trong những bộ lọc, những hệ thống điều khiển và xử lý tín hiệu số Đây là loại mạng đơn giản nhất có thể áp dụng trong thực tế.

Mạng Backpropagation : Backpropagation thực hiện dựa trên quy luật học Widrow-Hoff tổng quát hóa cho mạng đa lớp và các hàm truyền phi tuyến khác nhau Mạng có ngưỡng, một lớp sigmoid và một lớp tuyến tính ngõ ra có thể mô phỏng bất kỳ hàm nào với số mẫu rời rạc hữu hạn Mạng này được huấn luyện chính xác sẽ cho đáp ứng hợp lý khi đưa ngõ vào chưa từng được huấn luyện Thông thường tín hiệu mới vào có ngõ ra tương tự với ngõ ra chính xác của tín hiệu vào đã được huấn luyện giống với ngõ vào mới này Do tính chất tổng quất hóa này, ta có thể huấn luyện mạng dựa trên các cặp vào/ra đại diện mà vẫn cho kết quả tốt đối với các tín hiệu chưa được huấn luyện.

4.MÔ PHỎNG

Sơ đồ khối hệ thống thông tin có bộ cân bằng Neural Networks để triệt nhiễu :

Lưu đồ giải thuật chương trình chính

Kênh truyền Nhiễu

Giải điều chế

KẾT QUẢ MÔ PHỎNG

Mô phỏng tín hiệu điều chế bằng BPSK, QPSK trên kênh truyền có các loại nhiễu Gauss, nhiễu fading, nhiễu đồng kênh Sử dụng các loại mạng khác nhau để triệt nhiễu.

Bayesian Regularization Mạng Baye Levenberg_Marquardt Mạng Leven

Scale Conjugate Gradient Mạng SCG

Resilient Backpropagation Mạng Rprop Adaptive Learning Rate Mạng Adapt Gradient Descent Momentum Mạng GDM

Thông số Giá trịĐơn vịChuỗi bit10.000.000BitTần số sóng mang8MHz

Phương pháp điều chếQPSK

Tín hiệu sau khi qua bộ cân bằng có dạng xung rõ ràng hơn tín hiệu giải điều chế không qua bộ cân bằng Nghĩa là bộ cân bằng đã làm giảm ISI.

Thông số Giá trịĐơn vịChuỗi bit10.000.000 BitTần số sóng mang8MHz

Phương pháp điều chếBPSK

Thông số Giá trịĐơn vịChuỗi bit10.000.000BitTần số sóng mang35MHzTốc độ bit1,024MHzPhương pháp điều chếQPSK

Mạng 1 lớp, 10 ngõ vàoLớp 1:1 neuron hàm truyền tansig

Thông số Giá trịĐơn vịChuỗi bit10.000.000BitTần số sóng mang35MHzTốc độ bit1,024MHzPhương pháp điều chếQPSK

Mạng 1 lớp, 10 ngõ vàoLớp 1: 1 neuron hàm truyền tansig

Một vài ví dụ cho thấy khả năng triệt nhiễu của mạng Neural Networks Chi tiết kết quả mô phỏng với tất cả các loại mạng trong các môi trường nhiễu khác nhau được trình

bày trong quyển Luận án tốt nghiệp Từ các kết quả mô phỏng, ta rút ra được mạng Bayesian và Levenberg-Marquardt có khả năng triệt nhiễu tốt nhất Ở đây chỉ so sánh mạng Bayesian với các phương dùng bộ cân bằng khác trong các tạp chí.

Phương pháp EIC có phân tập anten, tác giả Ben Chi Wah Lo và Khaled Ben Letaief.

Bộ cân bằng hồi tiếp quyết định kết hợp phân tập tối ưu, tác giả Tugay Eyceoz và Alexandra Duel-Hallen.

Bộ cân bằng hồi tiếp quyết định cho kênh truyền fading Doppler và phân tập, tác giả Tugay Eyceoz và Alexandra Duel-Hallen.

Phương pháp EIC không có phân tập, tác giả Ben Chi Wah Lo và Khaled Ben Letaief

Trích đồ thị bài “Cân bằng kênh truyền fading chọn lựa tần số tuyến tính”, tác giả Wing Seng Leon.

Từ các đồ thị trên, ta thấy đường xác suất lỗi của mạng Bayesian nằm thấp hơn các đường BER của các phương pháp khác, chứng tỏ rằng mạng neuron triệt được nhiễu tốt hơn.