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 BẰNG

DÙNG NEURAL NETWORKS

TRIỆT NHIỄU GIAO THOA KÝ TỰ

TRONG HỆ THỐNG GSM

INTER-SYMBOL INTERFERENCE CANCELLATION FOR 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 beensuccessfully 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 sweepingsuccess can be attributed to Neural Networks as the latter have sophisticated techniquesthat are capable of modeling extremely complex functions Neural Networks can learnfrom examples The Neural Networks user only has to gather representative data, thenevokes training algorithms so that the networks can automatically learn the structure ofthe data Training Neural Networks is in fact an adjustment of some parameters of thenetworks to minimize square error Weight and bias are two of the parameters that areadjusted in the analysis

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

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

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

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

TÓM TẮT

Neural Networks trong một vài năm trở lại đây đang được quan tâm và đã áp dụngthành 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 vàxử lý, Neural Networks đều có thể ứng dụng được Sự thành công nhanh chóng củamạng Neural là nhờ mạng có những thuật toán huấn luyện rất tinh vi, có khả năng môphỏng các hàm cực kì phức tạp Neural Networks có tính học theo các ví dụ Người sửdụng Neural Networks thu nhập các dữ liệu đặc trưng, sau đó gọi các thuật toán huấnluyện để mạng có thể tự học cấu trúc của dữ liệu Quá trình huấn luyện thực ra là sựđiều 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 triệtnhiễu giao thoa kí tự trong hệ thống GSM Hướng về mục tiêu này, luận văn chia thànhhai phần chính giới thiệu hệ thống thông tin di động GSM, bộ cân bằng và NeuralNetworks; mô phỏng Neural Networks trên máy tính

Phần đầu giới thiệu bằng tổng quan Neural Networks cũng như đề cập tới các mô hìnhmạng quan trọng của Neural Networks Đồng thời một số kiến thức cơ bản liên quanđến 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 môitrường Matlab 5.3 Phần này đưa ra mô hình hệ thống thông tin trong môi trường nhiễuGauss, fading và nhiễu đồng kênh với các phương pháp triệt nhiễu dùng NeuralNetworks Về phương diện tổng quát Neural Networks có khả năng triệt nhiễu cho tấtcả các loại tín hiệu, nhưng do thời gian có hạn nên chúng tôi chỉ dùng cho hai loại điềuchế BPSK và QPSK Các kết quả mô phỏng được trình bày dưới dạng đồ thị xác xuấtlỗi (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 triệtnhiễu 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

Bản tóm tắt này chỉ trình bày một số khái niệm cơ bản về hệ thống thông tin di độngGSM, kỹ thuật cân bằng Equalizer và Neural Networks Chi tiết các phần được trìnhbày 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) dothuê bao giữ Hệ thống con trạm gốc (Base Station Subsystem_BSS) điều khiển liênkết với trạm di động Hệ thống mạng con (Network Subsystem_NS) là phần chính củatrung tâm chuyển mạch dịch vụ di động (Mobile services Switching Center_MSC), thựchiện chuyển mạch cuộc gọi giữa những người sử dụng điện thoại di động, và giữa diđộng với thuê bao mạng cố định MSC xử lý các hoạt động quản lý di động Trạm diđộng và hệ thống con trạm gốc thông tin dùng giao tiếp Um, còn được gọi là giao tiếpkhông trung hay liên kết vô tuyến Hệ thống con trạm gốc liên lạc với trung tâmchuyển 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 phươngpháp phải đưa ra là chia băng thông để càng nhiều thuê bao sử dụng càng tốt GSM đãchọn 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 tầnsố sóng mang cách nhau 200 KHz TDMA chia kênh vô tuyến 200 KHz thành 8 khethời gian (tạo 8 kênh logic) Do đó một kênh logic được định nghĩa bằng tần số và sốkhe thời gian của khung TDMA Bằng cách áp dụng 8 khe thời gian, mỗi kênh phát dữliệu 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 dựatrên 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 bitdữ liệu + 1 bit dư (stealing bit)) và một chuỗi huấn luyện 26 bit Chuỗi huấn luyện 26bit là một chuỗi biết trước dùng so sánh với chuỗi tín hiệu thu được để xây dựng lại tínhiệu 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 xửlý tín hiệu làm giảm thiểu ISI Trong kỹ thuật truyền vô tuyến có nhiều bộ cân bằngthích 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 thucó thể tìm trị trung bình cài đặt thích hợp Chuỗi huấn luyện thường là tín hiệu nhị phângiả ngẫu nhiên hoặc kiểu bit cố định, mô tả trước Theo sau tức thời chuỗi huấn luyệnnày, dữ liệu user (có thể có hoặc không mã hóa) được gởi đi, và bộ cân bằng thích ứngtại máy thu sử dụng thuật toán hồi quy xác định mức kênh truyền và ước lượng hệ số bộlọc để bù cho kênh truyền Chuỗi huấn luyện được thiết kế cho phép bộ cân bằng máythu có được các hệ số bộ lọc đúng trong những điều kiện kênh truyền có thể xấu nhấtsau khi đã truyền hết chuỗi huấn luyện, các hệ số bộ lọc gần với giá trị tối ưu để nhậnđược 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 tụcđặc tính lọc của nó

Theo thời gian, bộ cân bằng hội tụ về hàm của thuật toán cân bằng, cấu trúc bộ cânbằng và tốc độ thay đổi theo thời gian của kênh vô tuyến đa đường Bộ cân bằng cầnđược tái huấn luyện theo chu kỳ để duy trì hiệu suất triệt ISI, và thường sử dụng tronghệ thống thông tin số, ở đó dữ liệu user được phân đoạn nhỏ theo thời gian Hệ thốngvô 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 luyệnthường được gởi ở đầu khối Tại mỗi thời điểm, một khối dữ liệu mới được nhận, bộcân 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 đãgiải điều chế và thuật toán bộ cân bằng thích ứng thường mô phỏng và thực hiện ở băngtần gốc

Bộ điều chế Máy phát Kênh vô tuyến Bộ lọc tách Tần IF Máy thu RFsóng 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) eq Dữ liệu khôi phục d(t)

Nhiễu tương đương

n (t) b y(t)

e(t)

d (t)^sai số 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 bắtchước bộ não có cấu trúc cấp thấp về khả năng học và chấp nhận sai của hệ thốngneuron sinh học Mạng Neural là một trong những mô hình đặc trưng cho trí tuệ nhântạo, là một lĩnh vực khoa học kỹ thuật mới ra đời cách đây khoảng năm thập kỷ, nhưngchỉ được áp dụng thật sự khoảng mười lăm năm gần đây Cơ cấu mạng được xây dựngdựa trên cấu trúc của hệ thần kinh sinh học của con người, bao gồm nhiều thành phầnđơn 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 chứcnăng cụ thể bằng cách điều chỉnh các giá trị của liên kết giữa những thành phần, gọi làtrọng 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 nhiềulĩnh 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 neuronphụ 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 củamỗi lớp và kết nối giữa các lớp Tùy thuộc vấn đề mạng cần giải quyết mà có cấu trúckhác nhau Neuron đơn rất ít sử dụng Tuy nhiên một vài neuron có thể kết hợp thànhmột lớp hay nhiều lớp thì khả năng xử lý cao hơn Vấn đề đơn giản có thể trình bàybằng 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 trịkhông giới hạn, chỉ giải quyết những vấn đề độc lập tuyến tính, có quy luật huấn luyệnLMS mạnh hơn quy luật huấn luyện Peceptron Mạng tuyến tính có khả năng đáp ứngsự thay đổi của môi trường, được điều chỉnh theo từng bước dựa trên vector vào mới vàvector mong muốn để tìm được các giá trị trọng số và ngưỡng thích hợp sao cho tổngbình 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 thểáp dụng trong thực tế

Mạng Backpropagation : Backpropagation thực hiện dựa trên quy luật học Widrow-Hofftổng quát hóa cho mạng đa lớp và các hàm truyền phi tuyến khác nhau Mạng cóngưỡng, một lớp sigmoid và một lớp tuyến tính ngõ ra có thể mô phỏng bất kỳ hàm nàovới số mẫu rời rạc hữu hạn Mạng này được huấn luyện chính xác sẽ cho đáp ứng hợplý 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 vàomới này Do tính chất tổng quất hóa này, ta có thể huấn luyện mạng dựa trên các cặpvào/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

Bộ quyết định

Điều chếTạo dữ liệu

Lọc BPF

End

RUN

Lọc BPFKênh truyền Nhiễu

Giải điều chếLPF

Bộ cân bằng Neural Networks

Bộ cân bằng Neural Networks

Bộ quyết địnhTính BER

Xuất kết quả

KẾT QUẢ MÔ PHỎNG

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

Bayesian Regularization Mạng BayeLevenberg_Marquardt Mạng Leven

Scale Conjugate Gradient Mạng SCG

Resilient Backpropagation Mạng RpropAdaptive Learning Rate Mạng AdaptGradient Descent Momentum Mạng GDM

Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 8 MHz

Phương pháp điều chế QPSK

Mạng Baye 1 lớp, 10 ngõ vào Lớp 1:1 neuron, hàm truyền tansig

x 10-60

0.5 1

-1 0 1

-1 0 1

time (s)

0 1 2 3 4 5 6

x 10-6-2

0 2

Signal at the Receiver

time (s)

x 10-6-2

-1 0 1

2 Bandpass Filted Signal at the Receiver

time (s)

x 10-6-2

-1 0 1

-0.5 0 0.5

-1 0 1

-0.5 0 0.5 1

0.5 1

Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 8 MHz

Phương pháp điều chế BPSK

Mạng Baye1 lớp, 10 ngõ vào Lớp 1:1 neuron, hàm truyền tansig

x 10-60

0.5 1

-0.5 0 0.5 1

0 1

0 2

-1 0 1

time (s)

x 10-6-2

-1 0 1

-0.5 0 0.5

Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 35 MHz Tốc độ bit 1,024 MHz Phương pháp điều chế QPSK

Mạng 1 lớp, 10 ngõ vào Lớp 1:1 neuron hàm truyền tansig

Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 35 MHz Tốc độ bit 1,024 MHz Phương pháp điều chế QPSK

Mạng 1 lớp, 10 ngõ vào Lớp 1: 1 neuron hàm truyền tansig

Một vài ví dụ cho thấy khả năng triệt nhiễu của mạng Neural Networks Chi tiết kếtquả 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 mạngBayesian và Levenberg-Marquardt có khả năng triệt nhiễu tốt nhất Ở đây chỉ so sánhmạng 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

LE fdm=10Hz Mang Baye

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

LE fdm=100Hz Mang Baye

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