Các hệ thống thông tin không dây
Truyền thông không dây đã trải qua sự thay đổi lớn trong những năm gần đây, với sự gia tăng sử dụng dịch vụ hiện đại dẫn đến nhu cầu cao về khả năng truyền tải Do băng thông là nguồn tài nguyên hạn chế, nhu cầu về công suất truyền tải cao cần được đáp ứng bằng cách tối ưu hóa băng tần số và điều kiện kênh hiện tại Một trong những đột phá kỹ thuật quan trọng là việc áp dụng công nghệ đa anten ở cả hai đầu kết nối, được gọi là hệ thống không dây đa đầu vào đa đầu ra (MIMO) Các nghiên cứu lý thuyết ban đầu từ Foschini và Telatar, cùng với các công trình tiên phong khác, đã chỉ ra tiềm năng lớn của các hệ thống này.
Hệ thống MIMO có khả năng cung cấp thông lượng cao hơn mà không cần tăng băng thông hoặc công suất truyền Điều này cho thấy MIMO đã mang lại lợi ích về tốc độ truyền và độ tin cậy, mặc dù yêu cầu tính toán cao hơn Tuy nhiên, sự phát triển của các mạch tích hợp với công suất tính toán lớn đã đáp ứng được nhu cầu thực hiện các thuật toán xử lý tín hiệu cần thiết cho hệ thống này.
Hệ thống MIMO mang lại hai loại độ lợi chính: độ lợi phân tập và độ lợi do hợp kênh không gian Để hiểu rõ hơn về độ lợi phân tập, chúng ta có thể bắt đầu từ hệ thống một lối vào một lối ra (SISO) như được minh họa trong hình 1.1.
Trong truyền thông không dây, tín hiệu radio thường trải qua nhiều đường truyền khác nhau trước khi đến máy thu, được gọi là truyền đa đường Tín hiệu vô tuyến nhận được từ ăng ten thu sẽ bị chồng chéo từ nhiều kênh khác nhau Khi không có đường truyền nhìn thẳng (LOS) giữa máy phát và máy thu, các hệ số suy hao của các đường dẫn được giả định là độc lập và phân bố đồng nhất (iid) Trong tình huống này, định lý giới hạn được áp dụng, cho phép mô hình hóa đường truyền như một biến phức Gauss với pha phân bố đồng đều và biên độ phân bố Rayleigh.
Độ lợi kênh có thể trở nên rất nhỏ và không đáng tin cậy trong việc truyền tín hiệu do các đặc tính thống kê Để khắc phục vấn đề này, các kỹ thuật phân tập được áp dụng nhằm nâng cao độ lợi phân tập Khi độ phân tập tăng lên, xác suất độ lợi kênh sẽ giảm Một số kỹ thuật phân tập phổ biến bao gồm phân tập thời gian và phân tập tần số, trong đó thông tin được truyền lặp lại qua các khoảng thời gian và dải tần số khác nhau Ngoài ra, phân tập không gian cho phép thông tin được truyền lặp lại giữa các điểm khác nhau trong không gian.
Phân tập không gian là khái niệm cơ bản trong việc mở rộng hệ thống SISO sang hệ thống một đầu vào nhiều đầu ra (SIMO) Hệ thống SIMO sử dụng nhiều ăng-ten tại thiết bị thu để cải thiện hiệu suất, mang lại độ dự phòng liên kết tốt hơn và khả năng kháng nhiễu đồng kênh hiệu quả Tại máy thu, các tín hiệu được kết hợp dựa trên pha truyền dẫn đã biết, tạo ra độ lợi phân tập nhờ vào các đường dẫn tín hiệu fading độc lập từ các ăng-ten khác nhau Ý tưởng này đã được ứng dụng rộng rãi trong nhiều hệ thống truyền thông, chẳng hạn như trong hệ thống GSM Điều này cho thấy rằng, một trạm cơ sở (BS) có thể nâng cao độ tin cậy và cường độ tín hiệu đường lên mà không cần tăng chi phí hay điện năng tiêu thụ cho thiết bị di động (MS).
Khi máy phát được trang bị nhiều ăng-ten, hệ thống nhiều đầu vào một đầu ra (MISO) sẽ được hình thành Sự nhận thức về thông tin kênh truyền cho phép máy phát tối ưu hóa dung lượng hệ thống, tăng theo hàm logarit của số ăng-ten phát.
Nhiều nghiên cứu gần đây đã tập trung vào việc khai thác hiệu suất tối ưu của độ lợi phân tập phát trong hệ thống MIMO Để đạt được hiệu suất dự đoán về độ lợi phân tập phát, các phương pháp khác nhau đã được phát triển, đặc biệt là thông qua các khái niệm mã không gian-thời gian (STC).
Các hệ thống MIMO không chỉ mang lại lợi ích từ việc phân tập không gian mà còn có khả năng tăng tốc độ thông tin và dung lượng thông tin đáng kể Điều này liên quan đến độ lợi hợp kênh, cho thấy rằng lợi thế của MIMO còn sâu sắc hơn những gì đã được công nhận Bản chất toán học của MIMO cho thấy rằng dữ liệu được truyền qua ma trận kênh thay vì chỉ qua một vector kênh, mở ra nhiều tiềm năng cho việc cải thiện hiệu suất truyền thông.
Trong một số điều kiện cụ thể, có khả năng truyền tải đồng thời nhiều luồng dữ liệu độc lập qua ma trận kênh mode giá trị riêng, được tạo ra từ một tập hợp các anten truyền và nhận.
Hệ thống MIMO mang lại nhiều lợi ích so với SISO, được mô tả qua lý thuyết thông tin do Shannon giới thiệu Nghiên cứu về MIMO và STC dựa trên khung toán học này cho thấy rằng truyền thông không có lỗi có thể đạt được dưới một tốc độ nhất định, phụ thuộc vào tỷ lệ công suất tín hiệu và công suất nhiễu, với giới hạn mã chiều dài vô hạn Điều này cung cấp tiêu chí thiết kế cho các chương trình truyền dẫn và so sánh giữa các hệ thống MIMO khác nhau Hơn nữa, công nghệ MIMO hứa hẹn sẽ tăng tốc độ dữ liệu và hiệu suất của các liên kết không dây, trở thành nền tảng cho nhiều hệ thống truyền thông không dây trong tương lai.
Hệ thống MIMO
Trong mô hình truyền thông đơn người dùng với liên kết điểm-điểm, máy phát có n T anten và máy thu có n R anten, giả định không có nhiễu giữa các biểu tường (ISI) được đưa ra Điều này cho thấy băng thông tín hiệu truyền rất nhỏ và có thể coi là tần số phẳng, với mỗi đường dẫn tín hiệu được biểu diễn bằng hệ số độ lợi kênh phức Mô hình kênh tần số phẳng phù hợp khi băng thông hệ thống nhỏ hơn nghịch đảo của độ trễ trải, cho phép hệ thống băng rộng hoạt động với độ trễ trải nhỏ, đôi khi cũng được xem là tần số phẳng Đối với kênh có tần số chọn lọc, hệ thống OFDM có thể được áp dụng để chuyển đổi kênh MIMO thành tập hợp các tần số phẳng song song.
Hình 1.3: Kênh MIMO với N T anten phát và N R anten thu [2]
Trong bài viết này, chúng ta giả định rằng hệ thống hoạt động bất biến theo thời gian, cho phép sử dụng tín hiệu băng hẹp và băng cơ sở với giá trị phức dưới dạng rời rạc Đặt hi;j là độ lợi đường truyền phức từ anten phát j đến anten thu i, phản ánh hiệu ứng fading Tại một thời điểm nhất định, nếu tín hiệu có giá trị phức được phát qua n T anten, tín hiệu thu được tại anten i có thể được biểu diễn một cách chính xác.
Mối liên hệ tuyến tính giữa các giá trị truyền và nhận có thể được biểu diễn trong khuôn khổ ma trận Đặt s là vector kích thước n T chứa các giá trị truyền và y là vector kích thước n R chứa các giá trị đã nhận Điều này dẫn đến việc định nghĩa ma trận kênh H.
Biểu thức này mô tả quá trình truyền tải trong một khoảng thời gian cụ thể cho một biểu tượng, nhưng có thể dễ dàng điều chỉnh cho trường hợp truyền nhiều biểu tượng liên tiếp Ở đây, L đại diện cho tổng số biểu tượng được sử dụng trong quá trình truyền qua kênh Do đó, việc sắp xếp các vector truyền, nhận và nhiễu theo dạng ma trận là cần thiết.
Vector ồn đƣợc giả thiết là biến ồn ngẫu nhiên trắng phân bố Gauss với trung bình zero, phương sai cả phần thực lẫn phần ảo vì thế
Trong đó đƣợc coi là hàm mật độ xác suất Gauss đa tốc độ, giá trị phức
1.2.2 Các rằng buộc công suất
Theo lý thuyết, công suất phát trung bình trên mỗi n T anten phát của hệ thống hệ thống MIMO có thể đƣợc viết bằng
Trong lý thuyết truyền dẫn MIMO, công suất phát tại mỗi anten được biểu diễn bằng E s, đại diện cho năng lượng biểu tượng theo chỉ số thời gian gửi biểu tượng j Mục tiêu là gửi dãy biểu tượng để đạt được năng lượng trung bình tối ưu Có ba ràng buộc công suất quan trọng: đầu tiên, ràng buộc năng lượng biểu tượng tại các anten phát không tính đến năng lượng trung bình; thứ hai, ràng buộc năng lượng trung bình theo thời gian mà không xem xét không gian; và cuối cùng, ràng buộc năng lượng trung bình theo cả thời gian và không gian.
Trong hầu hết các phép toán tính hiệu năng, biểu thức hoặc đường cong thường phụ thuộc vào SNR tại anten nhận, do đó SNR không được tính tại anten thu bất kỳ Với công suất phát tổng cộng là n T E s qua kênh có độ lợi trung bình bằng 1 và công suất ồn tổng cộng tại mỗi anten thu, tỷ số công suất tín hiệu trên công suất ồn của một anten được xác định Tuy nhiên, điều này tạo ra một mâu thuẫn, vì tổng công suất phát (hay SNR thu) phụ thuộc vào số anten phát Để giải quyết mâu thuẫn này, việc chuẩn hóa công suất phát theo số anten phát n T sẽ giúp loại bỏ vấn đề Mô hình truyền thông của hệ thống MIMO do đó được biểu diễn một cách hợp lý.
Có 3 ràng buộc của mô hình truyền dẫn MIMO đƣợc đƣa ra
- Độ lợi kênh trung bình
- Công suất phát trung bình
- Công suất ồn trung bình
Nếu các hạn chế này đƣợc thực hiện đầy đủ, thì hệ số sẽ độc lập với số anten phát
Dung lượng kênh MIMO được xác định dựa trên giả thiết rằng ma trận kênh H đã được biết Việc hiểu biết về kênh tại máy thu có thể thực hiện thông qua các chuỗi huấn luyện chặt chẽ Tuy nhiên, sự thay đổi của môi trường theo thời gian gây khó khăn cho việc xác định chính xác ma trận kênh H.
Theo lý thuyết thông tin, dung lượng kênh MIMO được xác định dựa trên thông tin tương hỗ giữa tín hiệu đầu vào s và tín hiệu đầu ra y, được ký hiệu là I(s,y).
Trong đó đƣợc coi là hàm khối xác suất kết hợp còn là hàm khối xác suất của s và y Mặc khác và
Do entropy của đại lƣợng rời rạc x đƣợc viết
Trong đó nếu logarithm dựa trên cơ số 2 thì entropy đƣợc biểu diễn dạng bít Nhƣ vậy biểu thức (1.7) có thể đƣợc viết
Bởi vì y đƣợc xác định thông qua mô hình truyền dẫn MIMO tuyến tính, vector s và vector n độc lập tuyến tính,
Nếu ta có thể sử dụng đồng nhất Vì vậy, Phương trình (1.9) đơn giản để
Với giả thiết trên đây, H(n) có thể đƣợc tính bởi công thức:
(1.11) Trong đó I là ma trận đơn vị Ma trận đồng biến C y của y thỏa mãn
Với C s là ma trận đồng biến của s Như vậy, thông tin tương hỗ I(s,y) được tính bởi
Dung lƣợng kênh MIMO đƣợc tính bởi biểu thức
Nếu máy phát biết trước kênh H, ma trận tương quan C s có thể được chọn để tối đa hóa dung lượng kênh so với kênh lý tưởng Kỹ thuật chính để thực hiện tối ưu hóa này là "đổ nước" hay thuật toán "water-filling" Hiệu suất của phương pháp này liên quan đến một hệ thống phức tạp, do thông tin kênh (CSI) được đưa trở lại máy phát Điều này dẫn đến việc các anten phát các chuỗi không tương quan với công suất trung bình đồng đều, từ đó xác định dung lượng kênh Ergodic.
Hình 1.4: Dung lượng kênh MIMO
[dựa theo Yong Soo Cho – Mimo Wireless Communication with MATLAB 2010]
Chương trình matlab tính dung lượng kênh theo SNR theo số anten phát và thu đƣợc chỉ ra trong hình 1.4 trên đây
Kỹ thuật truyền thông MIMO mang lại nhiều lợi ích, đặc biệt là khả năng tăng dung lượng kênh thông qua lợi ích của phân tập không gian Tuy nhiên, để hiểu rõ hơn về mối quan hệ giữa tín hiệu truyền dẫn và mô hình kênh, cần phân tích lại biểu thức (1.14).
Đại lượng thứ hai trong biểu thức (1.16) là không đổi, trong khi đại lượng thứ nhất đạt giá trị tối đa khi sử dụng ma trận đơn vị thông qua các kỹ thuật mã hóa Biểu thức (1.15) được xác định khi các kênh giữa các cặp anten thu-phát được coi là độc lập hoặc không tương quan.
Trong thực tế, sự gần gũi giữa các anten thu và anten phát dẫn đến việc các kênh giữa các cặp anten này có mối tương quan với nhau Khi phân tích mô hình MIMO với kênh tương quan, ma trận H cần được điều chỉnh để phản ánh đúng mối quan hệ này.
Ma trận R T đại diện cho sự tương quan giữa các anten phát, trong khi ma trận R R thể hiện sự tương quan giữa các anten thu Ma trận H f là ma trận độ lợi kênh, do đó, dung lượng kênh MIMO phụ thuộc vào mức độ tương quan giữa các anten phát và anten thu.
Dung lượng kênh MIMO sẽ giảm khi có sự tương quan giữa các anten phát và anten thu, tùy thuộc vào mức độ tương quan này.
Do phân tập không gian, nhiễu giữa các sóng mang (ICI) tăng cao, yêu cầu xử lý tín hiệu số phức tạp tại máy thu, dẫn đến giảm hiệu năng hệ thống MIMO Để khắc phục vấn đề này, một số giải pháp mã hóa tín hiệu đã được áp dụng cho hệ thống MIMO, bao gồm mã hóa phân tập không gian-thời gian (STBC) với các thuật toán nổi tiếng như Alamouti và V-Blast.
Xét một hệ thống truyền thông mã không gian-thời gian có n
Ghép kênh không gian (SM)
Vào năm 2006, các công ty như Broadcom và Intel đã giới thiệu giải pháp MIMO-OFDM dựa trên chuẩn IEEE 802.11n Wifi Đồng thời, Samsung cùng một số công ty khác phát triển MIMO-OFDMA cho chuẩn IEEE 802.16e WiMax, với mục tiêu phục vụ cho các hệ thống 4G/5G trong tương lai Các hệ thống truyền thông MIMO này sử dụng cơ chế hợp kênh không gian (Spatial Multiplexing – SM), tạo ra mạng truyền thông không dây tốc độ cao Trong hệ thống MIMO-SM, các luồng dữ liệu độc lập được truyền từ các anten khác nhau.
SM yêu cầu thực hiện các quy trình xử lý tín hiệu hiệu quả tại máy thu nhằm khôi phục tín hiệu từ nhiều anten phát, từ đó tối ưu hóa các lợi ích của hệ thống MIMO.
Hình 1.10: Mô hình hệ thống MIMO-SM
Hệ thống truyền thông MIMO-SM, như được thể hiện trong hình 1.10, có nhiều ưu điểm nổi bật Đầu tiên, nó khai thác hiệu quả phân tập đa anten tại cả máy phát và máy thu Thứ hai, tốc độ dữ liệu được cải thiện nhờ vào khả năng hợp kênh không gian Cuối cùng, hệ thống này có nhiều tham số độ lợi, bao gồm độ lợi mảng, độ lợi phân tập và độ lợi hợp kênh, góp phần nâng cao hiệu suất truyền thông.
1.3.1 Mô hình hệ thống MIMO-SM
Mô hình hệ thống MIMO-SM với N T anten phát và N R anten thu được minh họa trong hình 1.11 Trước khi phát, các luồng dữ liệu a, b, c sẽ được mã hóa và điều chế Xem xét một vector phát, trong đó các phần tử của vector x độc lập với tập chòm sao phức (chòm sao M-QAM) Vector này được phát qua kênh MIMO, được đặc trưng bởi ma trận H, trong đó các phần tử của ma trận là các hệ số kênh phức giữa anten phát thứ j và anten thu thứ i.
Phát hiện MIMO và tính toán LLR
Hình 1.11:Mô hình MIMO-SM
Vector thu có thể đƣợc cho nhƣ sau
Các phần tử của vector là các biến ngẫu nhiên phân bố Gauss, đồng nhất và độc lập (i.i.d) Do đó, mô hình hệ thống (1.18) có thể được diễn đạt dưới dạng ma trận như sau:
Theo hình 1.11, luồng dữ liệu đầu vào được phân kênh thành N T luồng dữ liệu con tương ứng với mỗi anten phát Mỗi luồng dữ liệu con được ánh xạ thành các biểu tượng chòm sao QAM độc lập Tổng công suất phát được chia đều cho N T anten.
Tại trạm thu, khả năng phân tách tín hiệu phát phụ thuộc vào năng lực xử lý tín hiệu mạnh để đảm bảo dung lượng và hiệu năng chấp nhận được Với máy thu có hiểu biết tốt về thông tin kênh, có thể áp dụng nhiều kỹ thuật giải mã tuyến tính và gần đúng tối đa để loại bỏ ảnh hưởng của kênh và khôi phục luồng dữ liệu phát.
1.3.2 Các bài toán MIMO-SM
Nhiều nghiên cứu đã chỉ ra rằng việc kết hợp cơ chế MIMO-SM với các phương thức điều chế khác như OFDM có thể tạo ra các phương thức MIMO-OFDM-SM, cho phép truyền thông băng rộng hiệu quả Tuy nhiên, để áp dụng phương thức này, máy phát cần có hiểu biết trước về kênh truyền Đặc biệt, SM gặp khó khăn trong môi trường có SNR thấp, khi máy thu khó nhận diện các tuyến không tương quan của tín hiệu.
Thách thức lớn nhất đối với ứng dụng thực tế của hệ thống MIMO là hiệu quả của bộ phân tích trong việc phân tách các luồng dữ liệu được hợp kênh không gian.
Các giải thuật cho bộ phân tích gần đúng tối đa (MLD) mặc dù có độ phức tạp cao nhưng mang lại hiệu suất rất tốt MLD dựa vào khoảng cách sai lệch tối thiểu và độ phức tạp của nó phụ thuộc nhiều vào số lượng anten và kích thước chòm sao QAM Chẳng hạn, với cơ chế điều chế 64-QAM và 4 anten phát, số phép so sánh lên tới 16.777.216 cho mỗi biểu tượng phát, khiến MLD trở nên khó chấp nhận với bậc điều chế cao và số anten lớn Độ phức tạp của giải điều chế MIMO-SM cũng chịu ảnh hưởng bởi bậc điều chế, số luồng dữ liệu con và điều kiện kênh MIMO cùng với SNR tức thời Hiệu quả giải mã bị ràng buộc bởi băng thông hệ thống, độ trễ yêu cầu và giới hạn công suất tiêu thụ Để khắc phục vấn đề này, các kỹ thuật phân tích tối ưu hiệu quả về cả hiệu suất lẫn độ phức tạp đã được đề xuất, trong đó có Sphere Decoding (SD) và QD Decomposition với M-algorithm (QRD-M), sẽ được trình bày trong chương 3.
CÁC MÔ HÌNH KÊNH TRUYỀN VÔ TUYẾN
TỔNG QUAN HỆ THỐNG MIMO VÀ ĐIỀU CHẾ KHÔNG GIAN 1.1 Các hệ thống thông tin không dây
Truyền thông không dây đã có sự phát triển mạnh mẽ trong những năm gần đây, với nhu cầu ngày càng tăng về khả năng truyền tải dữ liệu Để đáp ứng nhu cầu cao về công suất truyền tải trong khi băng thông là tài nguyên hạn chế, việc tối ưu hóa băng tần số và điều kiện kênh là rất quan trọng Một giải pháp kỹ thuật đột phá là hệ thống không dây đa đầu vào đa đầu ra (MIMO), sử dụng nhiều anten ở cả hai đầu kết nối, đã chứng minh khả năng cung cấp tốc độ dữ liệu cần thiết Các nghiên cứu lý thuyết ban đầu từ Foschini và Telatar cùng với những công trình tiên phong khác đã chỉ ra tiềm năng lớn của các hệ thống này.
Hệ thống MIMO có khả năng tăng cường thông lượng mà không cần mở rộng băng thông hoặc công suất truyền Điều này cho thấy MIMO đã mang lại lợi ích về tốc độ truyền và độ tin cậy, mặc dù yêu cầu tính toán cao hơn Tuy nhiên, sự phát triển của các mạch tích hợp có công suất tính toán lớn đã đáp ứng được nhu cầu thực hiện các thuật toán xử lý tín hiệu cần thiết cho hệ thống này.
Hệ thống MIMO mang lại hai loại độ lợi chính: độ lợi phân tập và độ lợi do hợp kênh không gian Để hiểu rõ hơn về độ lợi phân tập, ta có thể khảo sát hệ thống một lối vào một lối ra (SISO) như minh họa trong hình 1.1.
Trong truyền thông không dây, tín hiệu radio thường trải qua nhiều đường truyền khác nhau trước khi đến máy thu, hiện tượng này được gọi là truyền đa đường Tín hiệu vô tuyến nhận được từ ăng ten thu sẽ bị ảnh hưởng bởi sự chồng chéo của nhiều kênh Khi không có đường truyền thẳng (LOS) giữa máy phát và máy thu, các hệ số suy hao của các đường dẫn thường được giả định là độc lập và phân bố đồng nhất (iid) Trong trường hợp này, định lý giới hạn có thể được áp dụng, cho phép mô hình hóa đường truyền như một biến phức Gauss với pha phân bố đồng đều và biên độ phân bố Rayleigh.
Do đặc tính thống kê, độ lợi kênh có thể rất nhỏ và không luôn đáng tin cậy trong việc truyền tín hiệu Để khắc phục vấn đề này, các kỹ thuật phân tập được áp dụng nhằm tăng cường độ lợi Càng cao độ phân tập, xác suất độ lợi kênh càng giảm Một số kỹ thuật phân tập phổ biến bao gồm phân tập thời gian và phân tập tần số, trong đó thông tin được truyền lặp lại qua các khoảng thời gian và dải tần số Phân tập không gian giả định rằng thông tin được truyền lặp lại giữa các điểm khác nhau trong không gian.
Khái niệm phân tập không gian mở rộng hệ thống SISO thành SIMO, trong đó thiết bị thu sử dụng nhiều ăng-ten để cải thiện hiệu suất và độ dự phòng liên kết Việc kết hợp tín hiệu tại máy thu, khi biết các pha truyền dẫn, mang lại độ lợi phân tập nhờ vào các đường dẫn tín hiệu fading độc lập Ý tưởng này đã được ứng dụng trong nhiều hệ thống truyền thông, như hệ thống GSM, giúp các trạm cơ sở nâng cao độ tin cậy và cường độ tín hiệu mà không tăng chi phí hay điện năng tiêu thụ cho thiết bị di động.
Khi máy phát được trang bị nhiều ăng-ten, hệ thống nhiều đầu vào một đầu ra (MISO) sẽ được hình thành Theo hình 1.2, khi máy phát nắm được thông tin kênh truyền, dung lượng hệ thống sẽ tăng theo hàm logarit của số lượng ăng-ten phát.
Nhiều nghiên cứu gần đây đã tập trung vào việc khai thác hiệu suất tối ưu của độ lợi phân tập phát trong hệ thống MIMO (nhiều đầu vào nhiều đầu ra) Các phương pháp để đạt được hiệu suất này rất đa dạng, đặc biệt liên quan đến các khái niệm mã không gian-thời gian (STC).
Các hệ thống MIMO không chỉ tận dụng lợi ích từ phân tập không gian mà còn mang lại tốc độ thông tin và dung lượng thông tin cao Độ lợi hợp kênh là yếu tố quan trọng trong việc tối ưu hóa hiệu suất của MIMO Thực tế cho thấy, lợi thế của MIMO vượt xa những gì đã được khám phá cho đến nay Cốt lõi của các hệ thống MIMO là việc truyền dữ liệu qua ma trận kênh thay vì chỉ đơn thuần qua vector kênh.
Trong một điều kiện cụ thể, có thể truyền đồng thời nhiều luồng dữ liệu độc lập qua ma trận kênh mode giá trị riêng, được tạo ra bởi một số anten truyền và nhận.
Hệ thống MIMO mang lại nhiều lợi ích so với SISO, được mô tả rõ ràng qua lý thuyết thông tin Nhiều nghiên cứu về MIMO và STC dựa trên khung toán học do Shannon giới thiệu Kết quả chính cho thấy rằng truyền thông không lỗi có thể đạt được dưới một tốc độ nhất định, phụ thuộc vào tỷ lệ công suất tín hiệu-công suất nhiễu, với giới hạn mã chiều dài vô hạn, cũng áp dụng cho MIMO Điều này không chỉ là tiêu chí thiết kế cho các chương trình truyền dẫn mà còn giúp so sánh các hệ thống MIMO khác nhau Hơn nữa, việc nâng cao tốc độ dữ liệu và hiệu suất của các liên kết không dây thông qua công nghệ MIMO đã chứng minh tiềm năng lớn, khẳng định vai trò quan trọng của MIMO trong tương lai của các hệ thống truyền thông không dây.
Xét một mô hình truyền thông đơn người dùng với liên kết điểm-điểm, trong đó máy phát có n T anten và máy thu có n R anten Giả định rằng không có nhiễu giữa các biểu tường (ISI) cho thấy băng thông tín hiệu truyền là rất nhỏ và có thể coi là tần số phẳng, với mỗi đường dẫn tín hiệu được mô tả bởi một hệ số độ lợi kênh phức Mô hình kênh tần số phẳng áp dụng khi băng thông hệ thống nhỏ hơn nghịch đảo của độ trễ trải, cho phép các hệ thống băng rộng hoạt động hiệu quả với độ trễ nhỏ Trong trường hợp kênh có tần số chọn lọc, hệ thống OFDM có thể được sử dụng để chuyển đổi kênh MIMO thành các tần số phẳng song song.
Hình 1.3: Kênh MIMO với N T anten phát và N R anten thu [2]
Trong bài viết này, chúng ta giả định rằng hệ thống hoạt động bất biến theo thời gian, cho phép sử dụng tín hiệu băng hẹp và băng cơ sở với giá trị phức có thể được diễn tả dưới dạng rời rạc, bỏ qua sự phụ thuộc vào thời gian Đặt h i;j là độ lợi đường truyền phức từ anten phát j đến anten thu i, phản ánh hiệu ứng fading Tại một thời điểm nhất định, nếu tín hiệu phức được phát qua n T anten, tín hiệu thu được tại anten i có thể được biểu diễn một cách cụ thể.
Mối liên hệ tuyến tính giữa các giá trị truyền và nhận có thể được diễn đạt thông qua ma trận Cụ thể, hãy coi s là một vector kích thước n T đại diện cho các giá trị truyền đi, trong khi y là vector kích thước n R chứa các giá trị nhận được Để mô tả quá trình này, ta định nghĩa ma trận kênh H, giúp phân tích mối quan hệ giữa s và y một cách chính xác.
Biểu thức này mô tả quá trình truyền tải trong một khoảng thời gian cho một biểu tượng, nhưng có thể dễ dàng điều chỉnh cho trường hợp nhiều biểu tượng được truyền liên tiếp Ở đây, L đại diện cho tổng số biểu tượng được sử dụng trong quá trình truyền qua kênh Do đó, việc sắp xếp các vector truyền, nhận và nhiễu theo dạng ma trận là cần thiết.
Vector ồn đƣợc giả thiết là biến ồn ngẫu nhiên trắng phân bố Gauss với trung bình zero, phương sai cả phần thực lẫn phần ảo vì thế
Trong đó đƣợc coi là hàm mật độ xác suất Gauss đa tốc độ, giá trị phức
1.2.2 Các rằng buộc công suất
Theo lý thuyết, công suất phát trung bình trên mỗi n T anten phát của hệ thống hệ thống MIMO có thể đƣợc viết bằng
MÔ PHỎNG ĐÁNH GIÁ ẢNH HƯỞNG CỦA KÊNH FADING TỚI ĐIỀU CHẾ KHÔNG GIAN
FADINGTỚI ĐIỀU CHẾ KHÔNG GIAN 3.1 Giới thiệu
Phần mềm Matlab phiên bản 9 được sử dụng để mô phỏng và khảo sát hiệu năng của các phương pháp truyền thông Hiệu năng hệ thống được đánh giá dựa trên dung lượng hệ thống và ảnh hưởng của tỉ số lỗi bit (BER) theo SNR trong môi trường fading Nghiên cứu bao gồm các kỹ thuật phân tập không gian trong hệ thống truyền thông với nhiều lối vào và nhiều lối ra.
Máy phát luồng dữ liệu không gian Ƣớc lƣợng kênh
Bộ phát hiện tín hiệu
Hình 3.1: Hệ thống MIMO-SM
Hiệu năng của hệ thống truyền thông MIMO phụ thuộc vào các kỹ thuật phát/thu phân tập, điều chế và mô hình kênh khác nhau Luận văn này tập trung vào ảnh hưởng của kênh fading đến điều chế không gian, sử dụng phân tập phát dựa trên hợp kênh không gian 4x4 kết hợp với kỹ thuật thu phân tập MRC và phương pháp điều chế M-QAM.
Mô hình hệ thống hợp kênh không gian (SM) đƣợc mô tả trong hình 3.1
Phương pháp phát hiện tín hiệu tuyến tính xử lý tất cả các tín hiệu truyền, loại bỏ nhiễu không mong muốn và chỉ giữ lại luồng tín hiệu từ ăng-ten truyền đích Quá trình này giúp giảm thiểu hoặc vô hiệu hóa các tín hiệu nhiễu từ các ăng-ten khác, tạo điều kiện thuận lợi cho việc phát hiện tín hiệu mong muốn Để đạt được điều này, ảnh hưởng của kênh được đảo ngược thông qua một ma trận trọng số W.
Các biểu tượng tín hiệu được phát hiện thông qua sự kết hợp tuyến tính của các tín hiệu nhận được Hai phương pháp phát hiện tuyến tính phổ biến là kỹ thuật zero-forcing (ZF) và kỹ thuật sai số bình quân tối thiểu (MMSE).
Với giả thiết kịch bản mô phỏng:
Nr = 4 anten thu Phân tập phát: hợp kênh không gian Phân tập thu: MRC
Kênh truyền: kênh Fading (Rayleigh và Rician) Điều chế là: 16-QAM
Dữ liệu dạng nhị phân
Sơ đồ tiến trình mô phỏng của chương trình tương tự nhau cho từng kênh truyền AWGN và fading, bất kể có hay không có ảnh hưởng cộng của nhiễu.
Kênh truyền fading đƣợc cộng nhiễu
Hình 3.2 : Flowchat giải thuật mô phỏng
Bước 1: Tạo chuỗi dữ liệu phát ngẫu nhiên
Bước 2: Tạo các hệ số kênh fading để mô phỏng điều kiện truyền tín hiệu Bước 3: Xác định tỷ số Eb/No, một chỉ số quan trọng trong đánh giá hiệu suất hệ thống Bước 4: Nhân các ký tự với kênh truyền và thêm tiếng ồn Gaussian trắng, thực hiện điều chế SM để đảm bảo tính chính xác trong việc truyền tải dữ liệu.
Bước 5: Chọn nhánh thu, cân bằng các kí tự nhận được với MRC
Bước 6: Tiến hành phát hiện tín hiệu - giải mã và đếm số bit lỗi
- Lặp lại tiến trình với các giá trị khác nhau của Eb/No rồi dựng biểu đồ mô phỏng và lý thuyết
Môi trường truyền sóng cho các kênh không dây, cả trong nhà lẫn ngoài trời, thường phải tuân theo hai hình thức truyền sóng: đường tầm nhìn thẳng (LOS) và đường không nhìn thấy (NLOS) Trong môi trường LOS, hàm mật độ xác suất của tín hiệu nhận được có hiện tượng đa đường theo phân bố Rician hoặc fading lọc lựa tần số Ngược lại, trong môi trường NLOS, tín hiệu tuân theo phân bố Rayleigh.
Trong môi trường truyền tín hiệu không dây, tín hiệu nhận được có thể được xem như tổng hợp từ vô số tín hiệu phản xạ do hiện tượng đa đường Theo lý thuyết giới hạn trung tâm, tín hiệu thu được có thể được mô tả bằng một biến ngẫu nhiên Gaussian Điều này có nghĩa là một kênh không dây trong môi trường fading có thể được biểu diễn bằng biến ngẫu nhiên phức W 1 + jW 2, trong đó W 1 và W 2 là các biến ngẫu nhiên độc lập, phân bố đồng nhất (iid) Gauss với giá trị trung bình bằng không và phương sai nhất định Biên độ của biến ngẫu nhiên này được ký hiệu là X.
Gauss phức W 1 + jW 2 , sao cho Chú ý rằng X là biến
Rayleigh ngẫu nhiên với hàm mật độ xác suất (PDF):
Trong chương trình mô phỏng với kênh Rayleigh, cần tạo ra hai biến ngẫu nhiên độc lập và phân bố đồng nhất (i.i.d) với trung bình bằng không và phương sai bằng một, ký hiệu là Z1 và Z2 Điều này có thể thực hiện thông qua hàm "randn" đã được xây dựng, trong đó X^2 được biết đến như một biến ngẫu nhiên chi-square.
MATLAB Lưu ý rằng biến ngẫu nhiên X Rayleigh với PDF trong phương trình trên có thể đƣợc biểu diễn bởi
Trong môi trường tầm nhìn thấy (LOS), tín hiệu truyền đi mạnh mẽ và không bị mất mát do các hiện tượng như phản xạ, nhiễu xạ và tán xạ Biên độ tín hiệu thu được có thể được biểu diễn bằng một công thức, trong đó thành phần c đại diện cho biên độ tín hiệu LOS Các biến ngẫu nhiên W1 và W2 là các biến Gaussian phân bố đồng nhất với trung bình bằng không và phương sai tương tự như trong môi trường không tầm nhìn thấy (NLOS) X được biết đến là biến ngẫu nhiên trong môi trường truyền NLOS và LOS, với hàm mật độ xác suất (PDF) đặc trưng cho các điều kiện này.
Hàm Bessel loại một bậc zero, ký hiệu là I 0 (.), được biến đổi và có thể được diễn đạt thông qua Rician K-factor.
Trong trường hợp K = 0 thức là không có thành phần LOS, Phương trình trên sẽ trở thành phương trình Rayleigh PDF như trong môi trường không phải LOS
Khi K tăng, phương trình trở thành PDF Gaussian, với giả định K > 15dB cho kênh Gaussian Chương trình MATLAB dưới đây được sử dụng để tạo các kênh Fading Rayleigh và kênh Rician, nhằm đánh giá ảnh hưởng của môi trường kênh Fading đến hiệu năng truyền thông dựa trên hợp kênh không gian (SM).
Tần suất đối với X tương ứng với các kênh fading Rayleigh và Rician được biểu diễn bởi hình 3.3 dưới đây:
Hình 3.3: Histogram kênh Rayleigh và Rician
Chương trình xác định phân bố kênh Rayleigh và Rician được miêu tả bằng đoạn chương trình dưới đây:
% plot_Ray_channel.m clear, clf N 0000; level0;
Rayleigh_ch=F_Ray_model(N [temp,x]=hist(abs(Rayleigh_ch(1,:)),level); plot(x,temp,gss(1,1)); hold on
% S_ Rayleigh model for i=1:length(K_dB);
SRay_ch(i,:) = S_Ray_model(K_dB(i),N);
[temp x] = hist(abs(S_Ray_model( (i,:)),level) plot(x,temp,gss(1,3)) end xlabel('x'), ylabel(' Tần suất ') legend('Rayleigh',' Rician, K = 8dB') - function H=S_Ray_model(K_dB,L)
% Input : L = Number of channel realizations
3.4.1 Giải thuật phát hiện (detected) dựa trên MMSE-VBlast
Hiện nay, có ba loại máy thu phổ biến sử dụng các kỹ thuật như maximum likelihood (ML), zero forcing (ZF) và minimum mean square error (MMSE) để phát hiện tín hiệu không mã hóa Thuật toán ML tìm kiếm tất cả các chòm sao vector để xác định xác suất tín hiệu được phát hiện cao nhất, tuy nhiên, có độ phức tạp tính toán cao Ngược lại, phương pháp ZF và MMSE đơn giản hơn nhưng yêu cầu quá trình phát hiện lặp và sắp xếp lại, với khả năng phát hiện tín hiệu có lỗi chấp nhận được MMSE có độ phức tạp chỉ cao hơn một chút so với ZF nhưng mang lại hiệu suất phát hiện tốt hơn nhiều Gần đây, MMSE V-Blast dựa trên tổ hợp tỷ số tối đa (MRC) đã được đề xuất trong một số nghiên cứu và ứng dụng cho SM.
Phương pháp phát hiện dựa trên lỗi bình phương trung bình tối thiểu (MMSE) giúp giảm thiểu vấn đề nâng cao tiếng ồn bằng cách tính toán công suất ồn trong quá trình xây dựng các ma trận lọc Việc áp dụng tiêu chuẩn hiệu năng cơ sở MMSE cho phép tạo ra các vector ước tính từ ma trận lọc MMSE, góp phần nâng cao hiệu quả trong việc xử lý tín hiệu.
Trong đó là phương sai ồn, r là tín hiệu thu, H là ma trận kênh đã được biết
Trong lĩnh vực CSI, đại lượng bổ sung vào công suất phát đơn vị giúp cân bằng nhiễu Khi tỷ lệ tín hiệu trên nhiễu (SNR) cao, bộ phát hiện MMSE hội tụ về bộ phát hiện ZF Ngược lại, ở SNR thấp, MMSE tránh được các giá trị riêng kém do tác động của nghịch đảo Ở mức SNR thấp, MMSE hoạt động như một bộ lọc kết hợp (Matched Filter).
Tại SNR cao, MMSE trở thành ZF:
Giải thuật phát hiện dựa trên MMSE đƣợc thực hiện nhƣ sau Thủ tục
8: Tráo đổi cột k i và i trong U 9: