nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu

Gắn với trình độ phát triển khoa học kỹ thuật trong từng giai đoạn và các mục đích cần giải quyết khác nhau tùy thuộc vào từng bài toán cụ thể, đã có rất nhiều phương pháp, thuật toán đư

NGUYỄN DUY THÁI

NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN ỨNG DỤNG MẠNG NƠ RON HỌC SÂU

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Hà Nội – 2024

NGUYỄN DUY THÁI

NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN ỨNG DỤNG MẠNG NƠ RON HỌC SÂU

Ngành: Kỹ thuật điện tử

Mã số: 9 52 02 03

LUẬN ÁN TIẾN SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS.TS Hoàng Văn Phúc

2 TS Lê Thanh Hải

Hà Nội – 2024

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của tôi Các kết quả nghiên cứu trong luận án là trung thực, chưa từng được ai công bố ở trong bất kỳ công trình nào khác, tài liệu tham khảo được trích dẫn đầy đủ

Hà Nội, ngày tháng 06 năm 2024

TÁC GIẢ LUẬN ÁN

Nguyễn Duy Thái

LỜI CẢM ƠN

Trong quá trình học tập, nghiên cứu và hoàn thành đề tài luận án, Nghiên cứu sinh (NCS) luôn nhận được sự quan tâm, tạo điều kiện về mọi mặt của Thủ trưởng đơn vị, cơ quan quản lý đào tạo và gia đình; sự nhiệt tình và tâm huyết của tập thể giáo viên hướng dẫn; các ý kiến đóng góp quý báu của các nhà khoa học và đồng nghiệp trong và ngoài đơn vị

Trước hết, NCS xin được bày tỏ lời cảm ơn sâu sắc tới PGS.TS Hoàng Văn

Phúc, TS Lê Thanh Hải đã trực tiếp hướng dẫn NCS trong quá trình nghiên cứu và

hoàn thành luận án Xin cảm ơn TS Đoàn Văn Sáng và nhóm nghiên cứu thực hiện

đề tài Nghị định thư với Cộng hòa Séc mã số NĐT/CZ/22/12 đã có những tư vấn, góp

ý bổ ích cho NCS trong việc xây dựng các mô hình mạng nơ-ron học sâu

NCS trân trọng cảm ơn Ban Giám đốc Viện KH-CN quân sự, Thủ trưởng Viện Điện tử, Thủ trưởng Phòng Đào tạo và các bộ phận quản lý liên quan đã tạo mọi điều kiện thuận lợi để NCS hoàn thành nhiệm vụ

NCS xin chân thành cảm ơn Quý thầy cô, các nhà khoa học của Viện Khoa học và Công nghệ quân sự; Viện Điện tử; Học viện Kỹ thuật quân sự; Học viện Hải quân; Đại học Bách khoa Hà Nội …vv đã có các góp ý, nhận xét, đánh giá quý báu cho NCS trong quá trình thực hiện và hoàn thiện luận án này

Xin được trân trọng và biết ơn sự hy sinh và chia sẻ của gia đình Xin cảm ơn đồng nghiệp, bạn bè luôn quan tâm, động viên, giúp đỡ NCS vượt qua khó khăn để hoàn thành luận án này

Hà Nội, ngày tháng 06 năm 2024

TÁC GIẢ LUẬN ÁN

Nguyễn Duy Thái

MỤC LỤC

Trang

MỤC LỤC iii

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT vi

DANH MỤC CÁC BẢNG x

DANH MỤC CÁC HÌNH VẼ xi

MỞ ĐẦU 1

Chương 1 TỔNG QUAN VỀ ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN 6

1.1 Giới thiệu về định hướng nguồn tín hiệu vô tuyến 6

1.1.1 Khái niệm, phân loại 6

1.1.2 Thiết bị định hướng nguồn tín hiệu vô tuyến 8

1.2 Mô hình tín hiệu mảng ăng ten 10

1.2.1 Mô hình tổng quát 10

1.2.2 Mô hình mảng ăng ten tuyến tính 13

1.3 Các phương pháp định hướng nguồn tín hiệu vô tuyến 15

1.3.1 Phương pháp quét búp sóng 15

1.3.2 Phương pháp phân tích không gian con 17

1.4 Trí tuệ nhân tạo và ứng dụng trong định hướng nguồn tín hiệu vô tuyến 21

1.4.1 Khái quát về trí tuệ nhân tạo, học máy, học sâu 21

1.4.2 Mạng nơ-ron nhân tạo 24

1.4.3 Mạng nơ-ron tích chập 31

1.4.4 Ứng dụng trí tuệ nhân tạo định hướng nguồn tín hiệu vô tuyến 34

1.5 Tình hình nghiên cứu về định hướng nguồn tín hiệu vô tuyến 36

1.5.1 Tình hình nghiên cứu trong nước 36

1.5.2 Tình hình nghiên cứu ngoài nước 39

1.6 Đặt vấn đề nghiên cứu 42

1.7 Kết luận Chương 1 44

Chương 2 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN

TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ RON TÍCH CHẬP KẾT NỐI DƯ 45

2.1 Khảo sát, đánh giá khả năng ước lượng DOA của các thuật toán học máy 45

2.1.1 Thuật toán SVM 46

2.1.2 Thuật toán kNN 49

2.1.3 Đánh giá khả năng ước lượng hướng đến của SVM và kNN 50

2.2 Đánh giá khả năng ước lượng hướng đến của mạng nơ-ron 52

2.2.1 Khả năng ước lượng hướng đến của mạng nơ-ron tiêu chuẩn 52

2.2.2 Khả năng ước lượng hướng đến của mạng nơ-ron tích chập 54

2.3 Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư ước lượng DOA cho mảng ăng ten tuyến tính không đồng đều 56

2.3.1 Cấu trúc mô hình DOA-ResNet đề xuất 57

2.3.2 Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình 58

2.3.3 Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay

đổi số lượng kênh lọc 61

2.3.4 Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay

đổi kích thước kênh lọc 63

2.3.5 So sánh hiệu năng ước lượng DOA của mô hình DOA-ResNet với các thuật toán học máy 64

2.4 Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư phép nhân tự động hiệu chỉnh sai số hệ thống nâng cao hiệu năng ước lượng hướng đến 65

2.4.1 Mô hình tín hiệu mảng ăng ten có chứa sai số hệ thống 66

2.4.2 Cấu trúc mô hình DOA-CNN đề xuất 68

2.4.3 Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình 70

2.4.4 Đánh giá độ chính xác ước lượng DOA của mô hình DOA-CNN trong các trường hợp có sai số hệ thống 73

2.4.5 So sánh hiệu năng ước lượng DOA của mô hình DOA-CNN với các mô hình học máy, học sâu khác 77

2.5 Kết luận Chương 2 78

Chương 3 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN

TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ-RON UNET KẾT HỢP THUẬT TOÁN MUSIC, ROOTMUSIC 80

3.1 Mạng nơ-ron Unet 80

3.2 Nghiên cứu đề xuất mô hình UFCnet kết hợp thuật toán MUSIC, Root- MUSIC nâng cao hiệu năng ước lượng DOA 81

3.2.1 Mô hình tín hiệu tạo lập dữ liệu 81

3.2.2 Cấu trúc mô hình UFCnet đề xuất 82

3.2.3 Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình 84

3.2.4 Đánh giá khả năng phân biệt góc ước lượng 86

3.2.5 Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten là

lý tưởng 87

3.2.6 Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten có các sai lệch vị trí các phần tử, pha và biên độ do đường truyền 88

3.3 Nghiên cứu đề xuất mô hình UNet kết hợp thuật toán MUSIC, RootMUSIC nâng cao hiệu năng ước lượng DOA nguồn tín hiệu tương quan 90

3.3.1 Mô hình tín hiệu tạo lập dữ liệu xét đến sự tương quan của tín hiệu 90

3.3.2 Cấu trúc mô hình UNet đề xuất 93

3.3.3 Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình 95

3.3.4 Đánh giá khả năng ước lượng DOA nguồn tín hiệu tương quan 97

3.3.5 Đánh giá hiệu năng ước lượng DOA khi thay đổi các tham số kênh lọc

trong lớp tích chập 98

3.3.6 Đánh giá độ chính xác ước lượng DOA khi thay đổi số lượng phần tử mảng ăng ten 100

3.3.7 Đánh giá độ chính xác ước lượng DOA khi thay đổi số lượng mẫu tín hiệu101 3.3.8 Đánh giá độ chính xác ước lượng DOA khi thay đổi tần số tín hiệu 102

3.3.9 Đánh giá độ chính xác ước lượng DOA trong các trường hợp xảy ra sai

số hệ thống 103

3.3.10 Đánh giá độ phân giải góc ước lượng 108

3.4 So sánh các phương pháp, mô hình đề xuất trong luận án 109

3.4.1 Cấu trúc, cách thức hoạt động của các mô hình đề xuất 110

3.4.2 Hiệu năng ước lượng DOA của các mô hình đề xuất 112

3.5 Kết luận Chương 3 116

KẾT LUẬN 117

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ 119

TÀI LIỆU THAM KHẢO 120

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT

2

N

s(t) Tín hiệu P nguồn phát tới mảng ăng ten

x(t) Tín hiệu thu được bởi mảng ăng ten M phần tử

n(t) Nhiễu tác động ên M phần tử mảng ăng ten

Asym -AWPC Ăng ten không tâm pha bất đối xứng (Asymmetric Antenna

Without Phase Center)

CRLB Biên dưới Cramer – Rao (Cramer – Rao Lower Bound)

(Estimation of Signal Parameter via rotational invariance techniques)

Variance Distortionless Response)

NCS Nghiên cứu sinh (PhD student)

Neural Network)

Multiple Access)

Pencil)

DANH MỤC CÁC BẢNG

Trang Bảng 2.1 Độ lớn và thời gian thực thi của DOA-ResNet khi thay đổi số lượng

kênh lọc 63

Bảng 2.2 Độ lớn và thời gian thực thi của DOA-ResNet khi thay đổi kích thước kênh lọc 64

Bảng 2.3 Tham số giả định tạo tập dữ liệu huấn luyện và kiểm chứng 70

Bảng 3.1 Số lượng trọng số và thời gian thực thi của các phiên bản Unet 99

Bảng 3.2 So sánh đặc điểm của các mô hình đề xuất 111

Bảng 3.3 Số lượng trọng số và thời gian thực thi của các mô hình đề xuất 115

DANH MỤC CÁC HÌNH VẼ

Trang

Hình 1.1 Một số hệ thống trinh sát điện tử: 9

Hình 1.2 Mô hình thu tín hiệu tổng quát của mảng ăng ten 11

Hình 1.3 Mô hình thu tín hiệu mảng ăng ten tuyến tính đồng đều 15

Hình 1.4 Cách chia mảng điển hình trong phương pháp ESPRIT 20

Hình 1.5 Mối quan hệ giữa AI, ML, DL, ANN, DNN và CNN 23

Hình 1.6 Cấu trúc mạng nơ-ron nhiều lớp 24

Hình 1.7 Cấu trúc của một nơ-ron nhân tạo điển hình 25

Hình 1.8 Minh họa phép tính tích chập 32

Hình 1.9 Minh họa 2 phép tính gộp cực đại và trung bình 33

Hình 1.10 Sơ đồ khối tổng quan hệ thống ứng dụng AI định hướng nguồn tín

hiệu 36

Hình 2.1 Mối quan hệ giữa 21 và 31 và sự phân cụm pha 47

Hình 2.2 Minh họa thuật toán SVM lựa chọn đường phân tách phù hợp 47

Hình 2.3 Minh họa nguyên tắc ra quyết định của thuật toán kNN với k = 5 49

Hình 2.4 Độ chính xác ước lượng DOA của kNN và SVM 51

Hình 2.5 Mô hình mạng MLP đánh giá khả năng định hướng 53

Hình 2.6 Độ chính xác ước lượng DOA của mô hình MLP 53

Hình 2.7 Mô hình mạng CNN đánh giá khả năng định hướng 55

Hình 2.8 Độ chính xác ước lượng DOA của mô hình CNN 55

Hình 2.9 Độ chính xác ước lượng DOA của SVM, kNN, MLP và CNN 56

Hình 2.10 Cấu trúc của mạng nơ-ron DOA-ResNet đề xuất 58

Hình 2.11 Mô hình thu tín hiệu mảng ăng ten NLA 59

Hình 2.12 Sơ đồ huấn luyện và kiểm chứng mô hình DOA-ResNet đề xuất 60

Hình 2.13 Độ chính xác phân loại và sai số ước lượng DOA của mô hình DOA-ResNet khi thay đổi số lượng kênh lọc 62

Hình 2.14 Độ chính xác phân loại và sai số ước lượng DOA của mô hình DOA-ResNet khi thay đổi kích thước kênh lọc 63

Hình 2.15 Độ chính xác ước lượng DOA của mô hình DOA-ResNet và các thuật

toán học máy 64

Hình 2.16 Mô hình thu tín hiệu mảng ăng ten ULA có các sai số 66

Hình 2.17 Cấu trúc mô hình DOA-CNN đề xuất 68

Hình 2.18 Minh họa phép tích chập trong lớp tích chập mô hình DOA-CNN 69

Hình 2.19 Sự thay đổi giá trị mất mát và độ chính xác phân loại góc trong quá trình huấn luyện mô hình DOA-CNN 72

Hình 2.20 Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi thiết đặt chính xác vị trí phần tử ăng ten 74

Hình 2.21 Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi có sai lệch vị trí phần tử ăng ten 75

Hình 2.22 Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi có sai lệch pha và biên độ đường truyền 76

Hình 2.23 Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi có các sai lệch vị trí phần tử ăng ten, pha và biên độ đường truyền 76

Hình 2.24 So sánh hiệu năng ước lượng DOA của mô hình DOA-CNN và các mô hình học máy, học sâu khác 77

Hình 3.1 Cấu trúc mô hình UFCnet đề xuất 82

Hình 3.2 Khả năng phân biệt góc ước lượng của MUSIC, UFCnet-RootMUSIC và MUSIC khi SNR = 0 dB 86

Hình 3.3 Độ chính xác ước lượng DOA của UFCnet-MUSIC và UFCnet-RootMUSIC so với các phương khác khi mảng ăng ten là lý tưởng 87

Hình 3.4 Độ chính xác ước lượng DOA của MUSIC và UFCnet-RootMUSIC so với các phương pháp khác khi mảng ăng ten có sai số hệ thống 89

Hình 3.5 Cấu trúc mô hình mô hình UNet đề xuất 94

Hình 3.6 Khả năng ước lượng DOA nguồn tín hiệu tương quan bằng phương

pháp Unet-MUSIC, Unet-RootMUSIC và MUSIC khi SNR = 1 dB 97

Hình 3.7 Độ chính xác ước lượng DOA khi thay đổi bộ số kênh lọc lớp tích chập mô hình Unet 98

Hình 3.8 Độ chính xác ước lượng DOA khi thay đổi kích thước kênh lọc lớp tích chập mô hình Unet 100Hình 3.9 Độ chính xác ước lượng DOA khi thay đổi số lượng phần tử mảng ăng ten 101Hình 3.10 Độ chính xác ước lượng DOA khi thay đổi số lượng mẫu tín hiệu 102Hình 3.11 Độ chính xác ước lượng DOA khi thay đổi tần số tín hiệu 103Hình 3.12 Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC

và các mô hình khác khi mảng ăng ten là lý tưởng 104Hình 3.13 Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC

và các mô hình khác khi mảng ăng ten có sai lệch vị trí các phần tử 105Hình 3.14 Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC

và các mô hình khác khi tồn tại sự không đồng nhất về pha và biên độ do đường truyền 106Hình 3.15 Độ chính xác ước lượng DOA của UNet-MUSIC, UNet-RootMUSIC

và các mô hình khác khi mảng ăng ten có sai lệch vị trí các phần tử và tồn tại sự không đồng nhất về pha và biên độ do đường truyền 107Hình 3.16 Khả năng phân biệt góc của UNet-RootMUSIC và các phương pháp khác 108Hình 3.17 Độ chính xác ước lượng DOA của các mô hình đề xuất khi mảng ăng ten là lý tưởng 113Hình 3.18 Độ chính xác ước lượng DOA của các mô hình đề xuất trong trường hợp có sai số hệ thống mảng ăng ten và đường truyền tín hiệu 114

MỞ ĐẦU

1 Tính cấp thiết của đề tài luận án

Định hướng (ước lượng hướng đến) nguồn tín hiệu vô tuyến đóng vai trò quan trọng trong nhiều lĩnh vực Hướng đến (DOA: Direction of Arrival) của tín hiệu giúp

hệ thống thu - phát có định hướng nhằm nâng cao hiệu suất sử dụng, thực hiện đa truy nhập phân chia theo không gian (SDMA: Space Division Multiple Access), tối

ưu hóa về mặt năng lượng, kênh truyền Trong truyền thông MIMO (Multi Input Multi Output), ước lượng hướng đến cung cấp thông tin về góc của tín hiệu nhằm thực hiện quá trình điều chế không gian giúp tăng tốc quá trình truyền dữ liệu và nâng cao chất lượng dịch vụ (QoS: Quality of Service) [57], [60], [104] Trong quản lý tần

số và giám sát vô tuyến, ước lượng DOA giúp tìm kiếm các nguồn phát xạ trái phép, phát hiện sự có mặt và định vị UAV (Unmanned Aerial Vehicle) [10] Vai trò của ước lượng hướng đến còn được thể hiện trong các ứng dụng khác như: dẫn đường vô tuyến, chỉ dẫn máy bay cất/hạ cánh [51], tìm kiếm cứu nạn [69], v.v Trong quân

sự, ước lượng DOA là chức năng chính của các hệ thống trinh sát – tác chiến điện tử [71] Hướng đến của các nguồn tín hiệu luôn là thông tin quan trọng đầu tiên cần thu thập bởi các hệ thống này Nó cho biết hướng, vị trí nguồn phát, phương tiện, lực lượng của đối phương và các thông tin trinh sát khác Điều này rất có ý nghĩa nhằm xây dựng các phương án tác chiến, chế áp và bảo vệ điện tử một cách phù hợp Với vai trò, tầm quan trọng như đã nêu trên, định hướng nguồn tín hiệu vô tuyến luôn nhận được sự quan tâm nghiên cứu của các nhà khoa học trong và ngoài nước Gắn với trình độ phát triển khoa học kỹ thuật trong từng giai đoạn và các mục đích cần giải quyết khác nhau tùy thuộc vào từng bài toán cụ thể, đã có rất nhiều phương pháp, thuật toán được đề xuất nhằm nâng cao độ chính xác, độ phân giải, tốc độ xử

lý khi ước lượng DOA nguồn tín hiệu vô tuyến Trong đó, các phương pháp, thuật toán dựa vào đo đạc trực tiếp tham số tín hiệu, quét búp sóng hoặc phân tích không gian con (trong luận án này gọi chung là các phương pháp - thuật toán ước lượng truyền thống) có những ưu điểm nhất định về độ chính xác, độ phân giải và tính ổn định Tuy nhiên, với điểm chung là dựa trên mô hình giả định với cấu trúc mảng ăng

ten cho trước để tính toán góc DOA, các phương pháp này khó thích ứng với môi trường truyền sóng và lỗi hệ thống mảng ăng ten Nếu có bất kỳ sai lệch nào trong quá trình thiết kế chế tạo, lắp đặt mảng ăng ten hoặc lỗi xuất hiện từ đường truyền hay môi trường hoạt động sẽ tác động rất lớn đến độ chính xác ước lượng DOA Có thể khắc phục sai số ước lượng DOA xảy ra bằng cách hiệu chỉnh pha và biên độ giữa các kênh thu, tuy nhiên giải pháp này kém hiệu quả nếu các sai lệch là phi tuyến, ngẫu nhiên và độc lập

Trong những năm gần đây, với sự phát triển vượt bậc của công nghệ sản xuất chip đã tạo ra các nền tảng phần cứng tính toán đủ mạnh (chip xử lý song song) Điều này trở thành động lực thúc đẩy việc nghiên cứu ứng dụng trí tuệ nhân tạo (bao gồm học máy, học sâu và đặc biệt là mạng nơ-ron học sâu) trong nhiều lĩnh vực, trong đó

có các nghiên cứu đề xuất cho bài toán ước lượng DOA [18], [22], [37], [55], [107] Với tính chất học tập từ dữ liệu, các mô hình mạng nơ-ron có khả năng thích ứng với

dữ liệu mà không cần thông tin tiên nghiệm về mảng ăng ten hay đường truyền Do

đó, nó có thể tự động hiệu chỉnh các sai số để cho kết quả ước lượng DOA chính xác hơn Nhiều nghiên cứu gần đây cho thấy, các mạng nơ-ron cũng cho hiệu năng ước lượng DOA tốt hơn so với các mô hình truyền thống khác, đặc biệt trong các điều kiện thu tín hiệu phức tạp [19], [86], [99], [106]

Từ các vấn đề nêu trên, việc nghiên cứu đề xuất các giải pháp nâng cao hiệu năng ước lượng DOA nguồn tín hiệu vô tuyến ứng dụng trí tuệ nhân tạo là cần thiết, phù hợp với xu hướng, có ý nghĩa khoa học và thực tiễn Do đó, NCS đã lựa chọn đề

tài “Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến

ứng dụng mạng nơ ron học sâu”

2 Mục tiêu nghiên cứu

Mục tiêu chính của đề tài luận án là nghiên cứu đề xuất các mô hình ước lượng hướng đến nguồn tín hiệu vô tuyến dựa trên mạng nơ-ron học sâu; kết hợp mạng nơ-ron học sâu với thuật toán ước lượng truyền thống nhằm nâng cao độ chính xác, độ phân giải và đảm bảo thời gian xử lý, khắc phục sai số xảy ra khi có lỗi hệ thống mảng anten, đường truyền tín hiệu và trường hợp tín hiệu tương quan

3 Đối tượng, phạm vi nghiên cứu

3.1 Đối tượng nghiên cứu

Tín hiệu vô tuyến, các tham số của tín hiệu vô tuyến

Mảng ăng ten và mô hình thu tín hiệu của các loại mảng ăng ten Kỹ thuật xử lý tín hiệu mảng

Các phương pháp và thuật toán ước lượng hướng đến nguồn tín hiệu vô tuyến Các thuật toán học máy và mô hình học sâu (mạng nơ-ron)

Mảng ăng ten có dạng tuyến tính (không đồng đều và đồng đều) Số lượng nguồn tín hiệu thỏa mãn điều kiện nhỏ hơn số phần tử ăng ten

4 Nội dung nghiên cứu

Để đạt được mục tiêu nghiên cứu trên, luận án thực hiện các nội dung nghiên cứu chính như sau:

Nghiên cứu tổng quan về định hướng nguồn tín hiệu vô tuyến trong các hệ thống giám sát vô tuyến và trinh sát điện tử; Ưu, nhược điểm, hạn chế còn tồn tại của các phương pháp định hướng

Nghiên cứu cấu hình các loại mảng anten, mô hình thu tín hiệu mảng anten và các kỹ thuật xử lý tín hiệu cho bài toán định hướng nguồn tín hiệu vô tuyến

Nghiên cứu, đánh giá khả năng ứng dụng các mô hình trí tuệ nhân tạo (học máy

và học sâu) trong định hướng nguồn tín hiệu vô tuyến

Nghiên cứu đề xuất mô hình mạng nơ-ron trực tiếp ước lượng hướng đến, nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến

Nghiên cứu đề xuất mô hình mạng nơ-ron kết hợp thuật toán truyền thống nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến

5 Phương pháp nghiên cứu

Luận án kết hợp giữa nghiên cứu lý thuyết, giải tích với mô phỏng trên phần mềm máy tính Cụ thể:

- Nghiên cứu về lý thuyết, các phương pháp định hướng truyền thống và khả năng ứng dụng các thuật toán học máy, học sâu định hướng nguồn tín hiệu vô tuyến

- Nghiên cứu đề xuất các mô hình mạng no-ron học sâu nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến Mô tả toán học, giải tích để xây dựng các mô hình

- Xây dựng các chương trình, mô phỏng các mô hình đề xuất bằng phần mềm Đánh giá các kết quả

6 Ý nghĩa khoa học và thực tiễn của luận án

6.1 Ý nghĩa khoa học

Kết quả của luận án sẽ góp phần tạo ra một số mô hình mới, đóng góp tri thức cho hiểu biết tốt hơn về ứng dụng trí tuệ nhân tạo nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến

6.2 Ý nghĩa thực tiễn

Có thể nghiên cứu phát triển kết quả của luận án để đưa vào ứng dụng trong thực tiễn trên các thiết bị, hệ thống định hướng

7 Bố cục luận án

Ngoài phần mở đầu, phần kết luận, danh mục các công trình khoa học đã công

bố và tài liệu tham khảo, luận án được bố cục thành 3 chương như sau:

Chương 1: Tổng quan về định hướng nguồn tín hiệu vô tuyến

Chương này giới thiệu tổng quát về bài toán định hướng nguồn tín hiệu vô tuyến,

mô hình thu tín hiệu mảng ăng ten Các phương pháp định hướng truyền thống cũng như hiện đại, ưu và nhược điểm của các phương pháp Khảo sát tổng quan tình hình nghiên cứu trong và ngoài nước, chỉ ra các ưu điểm và hạn chế của các công trình nghiên cứu đã công bố nhằm tìm ra những vấn đề tồn tại cần tiếp tục giải quyết Từ

đó, đặt vấn đề, xác định hướng nghiên cứu cho Luận án

Chương 2: Giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến bằng mạng nơ-ron tích chập kết nối dư

Trên cơ sở định hướng nghiên cứu đề ra trong Chương 1, sau khi khảo sát đánh giá khả năng ứng dụng các thuật toán học máy, học sâu cho bài toán ước lượng DOA, Chương 2 tập trung nghiên cứu đề xuất 02 mô hình mạng nơ-ron tích chập học sâu theo hướng tiếp cận bài toán phân loại góc để ước lượng hướng đến khi tồn tại sai số

hệ thống, nâng cao độ chính xác ước lượng Mô hình thứ nhất được thiết kế, xây dựng theo cấu trúc kết nối dư có thể suy luận từ dữ liệu I/Q để đưa ra trực tiếp góc ước lượng thông qua bài toán phân loại góc Kiến trúc kết nối dư này cũng được đề xuất

để thực hiện đồng thời hai nhiệm vụ: ước lượng DOA và tự động nhận dạng điều chế tín hiệu Mô hình thứ hai sử dụng các lớp nhân tích lũy nhằm tăng cường các đặc trưng hữu ích cho việc phân loại góc với dữ liệu đầu vào là ma trận hiệp phương sai

Chương 3: Giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến bằng mạng nơ-ron Unet kết hợp thuật toán MUSIC, RootMUSIC

Các thuật toán ước lượng truyền thống có ưu điểm nổi trội là độ phân giải góc siêu cao, phát huy rất hiệu quả khi mảng ăng ten là lý tưởng Trong khi đó mạng nơ-ron sau khi được huấn luyện có thể tự động điều chỉnh sai số hệ thống, biến đổi ma trận hiệp phương sai chứa sai số thành ma trận hiệp phương sai của mảng ăng ten lý tưởng Chương này tiếp cận việc ứng dụng mạng nơ-ron cho bài toán ước lượng DOA theo hướng kết hợp mạng nơ-ron và thuật toán truyền thống nhằm tận dụng lợi thế của mỗi thuật toán Cụ thể, các mô hình kết hợp mạng nơ-ron UNet và thuật toán MUSIC, RootMUSIC đã được đề xuất nhằm cải thiện hiệu năng định hướng nguồn tín hiệu vô tuyến, hứa hẹn nhiều tiềm năng ứng dụng trong thực tiễn

Chương 1 TỔNG QUAN VỀ ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN

Chương 1 giới thiệu khái quát về định hướng nguồn tín hiệu vô tuyến, mô hình thu tín hiệu mảng ăng ten; trình bày một số phương pháp định hướng truyền thống điển hình và phương pháp hiện đại dựa trên trí tuệ nhân tạo, ưu và nhược điểm của các phương pháp; tổng quan tình hình nghiên cứu trong và ngoài nước, chỉ ra các vấn

đề còn tồn tại từ đó đặt vấn đề nghiên cứu cho đề tài luận án

1.1 Giới thiệu về định hướng nguồn tín hiệu vô tuyến

1.1.1 Khái niệm, phân loại

Định hướng nguồn tín hiệu vô tuyến là bài toán nhằm xác định hướng (góc) tới của các nguồn tín hiệu vô tuyến lan truyền trong không gian Thông thường hệ thống (thiết bị) định hướng nguồn tín hiệu vô tuyến được phân loại dựa theo cách thức xử

lý tín hiệu hoặc dựa trên kiến trúc hệ thống

• Dựa trên cách thức xử lý tín hiệu: phương pháp so sánh pha; phương pháp so sánh biên độ; hoặc phương pháp biên độ - pha của tín hiệu thu được bởi ăng ten

• Dựa vào kiến trúc hệ thống:

Hệ thống định hướng đơn kênh: sử dụng mảng ăng ten nhiều phần tử trong đó các phần tử được kết nối chung với một máy thu thông qua chuyển mạch cao tần Tín hiệu thu được từ các phần tử ăng ten được xử lý để xác định hướng sóng tới Hệ thống định hướng đơn kênh có kiến trúc máy thu đơn giản, nhỏ gọn nhưng có độ chính xác trung bình, thuật toán xử lý phức tạp, bộ chuyển mạch cao tần cần có tốc độ cao

Hệ thống định hướng đa kênh: sử dụng mảng ăng ten nhiều phần tử trong đó mỗi phần tử ăng ten được kết nối với một máy thu Mỗi máy thu có vai trò như một

bộ tiền xử lý tín hiệu Tín hiệu đầu ra các máy thu được đưa tới một khối xử lý tín hiệu để xác định hướng sóng tới Hệ thống định hướng đa kênh có thuật toán xử lý phức tạp hơn nhưng có ưu điểm là độ chính xác và độ phân giải cao, có khả năng xác định được đồng thời nhiều hướng sóng tới mảng ăng ten Một số thuật toán thường

áp dụng với hệ thống định hướng đa kênh này gồm có: Capon [83], MUSIC [78], ESPRIT [73], vv

Để đánh giá hiệu năng định hướng của các thuật toán, phương pháp hay mô hình

đề xuất, thường dựa trên các tiêu chí cơ bản như sau:

- Độ chính xác: Là sai số giữa góc tới xác định được so với góc thực tế của sóng tới Việc đánh giá độ chính xác thường dựa trên sai số quân phương (RMSE: Root Mean Square Error)

- Độ phân giải: Là khả năng định hướng các nguồn tín hiệu gần nhau

- Tốc độ xử lý: Được đánh giá thông qua độ phức tạp tính toán và thời gian xử

lý cho một lần ước lượng

- Khả năng định hướng các nguồn tín hiệu tương quan (cùng tần số và hiệu pha không đổi)

- Độ nhạy: Là khả năng định hướng nguồn tín hiệu có SNR nhỏ

- Khả năng kháng nhiễu: Là khả năng loại bỏ (giảm) sự tác động của các loại nhiễu khác nhau

- Khả năng hiệu chỉnh sai số hệ thống: Là khả năng hoạt động khi có tác động của các sai số hệ thống

Các yếu tố ảnh hưởng đến hiệu năng định hướng:

- Số phần tử của mảng ăng ten: Số phần tử của mảng có vai trò quyết định đến

độ chính xác ước lượng, số lượng phần tử càng nhiều, độ chính xác càng tăng Số phần tử phải lớn hơn số nguồn tín hiệu tới Trong thực tế, số phần tử không thể quá lớn để hạn chế kích thước cũng như giá thành hệ thống

- Khoảng cách giữa các phần tử: là một thông số rất quan trọng của mảng ăng ten Với mảng tuyến tính đồng đều, thông thường khoảng cách giữa hai phần tử cạnh nhau được chọn nhỏ hơn hoặc bằng nửa bước sóng Nếu khoảng cách đặt đều nhau

và lớn hơn nửa bước sóng sẽ xảy ra hiện tượng đa trị (bất định) khi ước lượng DOA

- Số lượng mẫu tín hiệu: ảnh hưởng tới độ chính xác cũng như độ phân giải của các thuật toán định hướng Số lượng mẫu càng nhiều thì độ chính xác sẽ càng cao, tuy nhiên sẽ dẫn tới tăng dung lượng bộ nhớ cũng như khối lượng tính toán

- Tỷ số tín hiệu trên tạp (SNR: Signal to Noise Ratio): Giá trị SNR quyết định rất lớn tới độ chính xác của các thuật toán ước lượng DOA Giá trị SNR phụ thuộc

vào chất lượng thiết kế và chế tạo hệ thống; ngoài ra, nó cũng phụ thuộc vào môi trường hoạt động của hệ thống Bằng các giải pháp, tăng được giá trị này càng lớn càng tốt

- Tính tương quan giữa các tín hiệu: Tính tương quan ảnh hưởng rất lớn tới khả năng phân tách các tín hiệu do chúng có cùng tính chất (cùng tần số, hiệu pha không đổi), do đó cũng ảnh hướng đến độ chính xác ước lượng DOA Với các tín hiệu tương quan, cần phá vỡ tính tương quan trước khi xác định được hướng tới

1.1.2 Thiết bị định hướng nguồn tín hiệu vô tuyến

Thiết bị định hướng nguồn tín hiệu vô tuyến là thiết bị gồm một hoặc nhiều máy thu có ăng ten/hệ ăng ten định hướng, tức có búp sóng hẹp Để tạo ra búp sóng hẹp

có thể sử dụng các dạng ăng ten như: Ăng ten Yagi, ăng ten loa, ăng ten gương parabol, ăng ten thấu kính, ăng ten mảng pha hoặc sự kết hợp giữa chúng

* Kolchuga (Hình 1.1a) là hệ thống trinh sát, hỗ trợ điện tử do Ukraina sản xuất

sử dụng ăng ten Yagi và parabol để thực hiện bài toán định hướng tín hiệu vô tuyến [49] Giải pháp xác định hướng đến tín hiệu vô tuyến của Kolchuga là đơn xung biên

độ và đo giao thoa pha giữa các phần tử ăng ten thu Việc đo định hướng này chỉ giới hạn trong vùng quan sát (Field of View - FOV) của hệ ăng ten Để quan sát toàn bộ

360o trong mặt phẳng phương vị, hệ ăng ten phải thực hiện quay cơ học

* Hệ thống SDD (Stanice Dalekého Dosahu (CH Séc)) (Hình 1.1b) là hệ thống trinh sát điện tử do Cộng hòa Séc sản xuất đang sử dụng ăng ten phản xạ parabol kết hợp với các cặp loa thu đặt tại tiêu điểm parabol để tạo búp sóng hẹp trong quá trình thu trinh sát tín hiệu và xác định hướng đến của tín hiệu Giải pháp mà hệ thống SDD

sử dụng để xác định hướng đến của tín hiệu vô tuyến là phương pháp đơn xung biên

độ tổng hiệu [16], [26] Phương pháp đơn xung biên độ tổng hiệu trong SDD chỉ sử dụng trong vùng FOV (trong giới hạn búp sóng chính) với giới hạn từ -2,5o đến 2,5o Việc quan sát toàn không gian trong mặt phẳng phương vị cũng được thực hiện bởi phương thức quay cơ học Với giải pháp này, hệ thống SDD cho khả năng xác định hướng đến của tín hiệu với độ chính xác 0,5o trong điều kiện bước cách góc 0,1o và tín hiệu thu có tỉ số tín/tạp (SNR) lớn hơn hoặc bằng 10 dB

và WD-6300 do công ty MORCOM sản xuất [29] Hệ thống WD-7200 (Hình 1.1c) hoạt động ở dải tần số từ 200 MHz đến 2 GHz có sai số quân phương xác định hướng đến của tín hiệu đạt 2o

Việc quét búp sóng có thể thực hiện bằng quét cơ học hoặc điều khiển điện tử Mỗi loại ăng ten và phương pháp quét búp sóng có những ưu và nhược điểm khác nhau, ví dụ ăng ten parabol và ăng ten thấu kính có khả năng cho búp sóng hẹp bằng cách tạo ra các tia sóng song song, nhưng chúng lại cần hệ thống quét cơ học để quan sát toàn bộ không gian phương vị và góc tà Cơ chế quét cơ học cũng có lợi thế là đặc trưng giản đồ hướng của hệ ăng ten gần như không đổi trong quá trình quét Ăng ten mảng pha có khả năng tạo búp sóng hẹp và quét búp sóng trong không gian bằng cách điều khiển sự thay đổi pha và biên độ tại mỗi phần tử của mảng Lợi thế của ăng ten mảng pha là thực hiện quét búp sóng rất nhanh nhờ cơ chế biến đổi pha bằng điều khiển điện tử Tuy nhiên, trong quá trình quét búp sóng trong không gian, giản đồ búp sóng của ăng ten mảng pha lại bị biến dạng Do đa phần các thiết bị định hướng nguồn tín hiệu hiện nay chủ yếu dùng ăng ten mảng pha nên trong phạm vi Luận án chỉ xem xét đến loại ăng ten này, chi tiết sẽ được trình bày ở Mục 1.2

1.2 Mô hình tín hiệu mảng ăng ten

1.2.1 Mô hình tổng quát

Trước khi thực hiện các phân tích cho các mô hình mảng ăng ten, cần giới hạn các điều kiện của việc thu - phát tín hiệu như sau [109]:

- Môi trường truyền sóng là đẳng hướng và tuyến tính: Giả sử có P nguồn phát

ra P tín hiệu Những tín hiệu này truyền qua môi trường và đi tới mảng ăng ten M phần

tử Môi trường truyền giữa các nguồn phát và mảng ăng ten được giả định là đẳng hướng và tuyến tính; nghĩa là các tính chất vật lý của quá trình truyền sóng là giống nhau tại mọi hướng và có thể chồng chất điện từ trường một cách tuyến tính tại mọi điểm Theo đó, tính chất đẳng hướng và tuyến tính của môi trường truyền sóng đảm bảo: (1) tính chất truyền sóng không bị thay đổi với các hướng của tín hiệu; và (2) các tín hiệu truyền qua môi trường tới mọi phần tử của mảng ăng ten có thể được tính

toán như một sự chồng chất tuyến tính của P mặt sóng tín hiệu được tạo ra bởi P

nguồn

- Giả thiết trường xa: Các nguồn phát tín hiệu được đặt ở khoảng cách xa mảng ăng ten, do đó mặt sóng được tạo ra bởi mỗi nguồn đến tất cả các phần từ ăng ten tại một hướng truyền sóng và mặt sóng là mặt phẳng (hay còn gọi là sóng phẳng) Như vậy, các tia sóng từ một nguồn phát đến các phần tử ăng ten của mảng là song song với nhau Một nguồn được xem là ở trường xa khi thỏa mãn điều kiện khoảng cách

từ nguồn đó đến mảng ăng ten là rất lớn so với 2

2D A/ , với D A là khẩu độ của mảng ăng ten và  là bước sóng của tín hiệu

- Tín hiệu băng hẹp: Nếu băng thông B = 2∆ω và

c





 ≪ 1, khi đó chúng ta có

tín hiệu băng hẹp Có thể coi các tín hiệu từ P nguồn có cùng một tần số sóng mang f c

- Kênh nhiễu trắng phân bố Gauss: Nhiễu được giả định là có phân bố Gauss với giá trị trung bình bằng 0, có cùng phương sai là 2

N

 tại tất cả các phần tử của mảng Nhiễu này không tương quan chéo với nhau cũng như không tương quan với các tín hiệu từ nguồn phát cả trong miền không gian, thời gian và tần số Giả định

này nhằm đảm bảo tính độc lập thống kê giữa tín hiệu và nhiễu cũng như đảm bảo tính đồng nhất ảnh hưởng của nhiễu tới các phần tử ăng ten trong mảng

- Cơ chế truyền sóng tầm nhìn thẳng và phân cực của tín hiệu trùng với phân cực của ăng ten tại thời điểm xét

Hình 1.2 mô tả mô hình thu tín hiệu của mảng ăng ten với những giả định trên

Hình 1.2 Mô hình thu tín hiệu tổng quát của mảng ăng ten

Cụ thể, P tín hiệu s(t) = [s1(t), s2(t), …, s P (t)] truyền tới mảng ăng ten M phần

tử tại các góc lần lượt là:  = [1, 2, …, P] trong mặt phẳng phương vị, và  = [1, 2,

…, P] trong mặt phẳng đứng Vị trí phần tử thứ m của mảng ăng ten có tọa độ là

Am (x m , y m , z m ) với m = 1, 2, …, M Nếu chọn điểm O(0, 0, 0) tại gốc tọa độ làm điểm

pha tham chiếu thì độ lệch pha của tín hiệu thu bởi phần tử ăng ten Am so với tâm pha

ở đây, f p và p lần lượt là tần số và bước sóng của tín hiệu s p (t) Các tín hiệu thu được

x(t) = [x1(t), x2(t), …, x M (t)] tại các phần tử A1, A2, …, AM là tổng hợp của P tín hiệu

s1(t), s2(t), …, s P (t) nhân với ma trận định phương tương ứng với góc tới của tín hiệu

Biểu thức tính tín hiệu thu bởi mảng ăng ten được viết như sau [109]:

1,1 1 1 1,2 2 2 1, 2,1 1 1 2,2 2 2 2,

Tại máy thu, tín hiệu từ các phần tử ăng ten sẽ được chuyển từ tương tự sang số

để xử lý Gọi T s là chu kỳ lấy mẫu của bộ biến đổi tương tự sang số (ADC: Analog to Digital Converter), đầu ra của mảng ăng ten có thể biểu diễn như sau [30]:

x

ở đây, N là số lượng mẫu tín hiệu trong một cửa sổ tín hiệu Có thể thấy rằng tín hiệu

thu x là ma trận số có kích thước M×N Trong trường hợp máy thu sử dụng kênh cầu

phương gồm tín hiệu đồng pha (I: in-phase) và vuông pha (Q: quadratic-phase) thì x

là ma trận ba chiều có kích thước M×N×2

Ma trận hiệp phương sai của các tín hiệu đầu ra thu bởi mảng ăng ten được xác định như sau:

2

Trong đó: xH là ma trận chuyển vị liên hiệp phức Hamilton của ma trận x Rs và

Rn lần lượt là ma trận hiệp phương sai của tín hiệu và nhiễu, I là ma trận đơn vị

Có nhiều loại mảng ăng ten khác nhau: Mảng tuyến tính (không đồng đều và đồng đều), mảng tròn, mảng hình chữ nhật Trong một số nghiên cứu cho thấy, mảng ăng ten tuyến tính mặc dù chỉ ước lượng đơn trị trong một nửa mặt phẳng (từ -90ođến +90o) nhưng nó lại có lợi thế về khẩu độ so với mảng ăng ten tròn khi có cùng số lượng phần tử thu [31] Hơn nữa, mảng tuyến tính dễ dàng cầu hình và thiết lập các

mô hình toán học Do đó, trong khuôn khổ luận án này chỉ tập trung sử dụng mảng ăng ten tuyến tính để phát triển các giải pháp trí tuệ nhân tạo mới cho bài toán ước lượng hướng đến nguồn tín hiệu vô tuyến

1.2.2 Mô hình mảng ăng ten tuyến tính

Mảng ăng ten tuyến tính là mảng có các phần tử nằm trên cùng một đường

thẳng Giả thiết mảng ăng ten đặt theo trục x Xét hướng đến của nguồn tín hiệu nằm trong mặt phẳng phương vị, khi đó độ lệch pha của phần tử thứ m so với điểm pha

tham chiếu là:

p

2( ) x sin

P P P P

Nếu chọn gốc tọa độ trùng với vị trí phần tử thứ nhất, khoảng cách giữa phần

tử thứ m + 1 so với phần tử tham chiếu là d m = x m+1 – x 1 Khi đó ma trận định phương của mảng tuyến tính không đồng đều có dạng sau:

P P

tử anten khác được quy ước là d M-1 , d M-2 , … , d m , …, d2, d1) phù hợp để đạt được hiệu

quả tốt nhất khi sử dụng

Đối với mảng ăng ten tuyến tính đồng đều, các phần tử cách đều nhau một

khoảng d, nên khoảng cách giữa phần tử thứ m + 1 so với phần tử tham chiếu là d m =

x m+1 – x1 = m∙d Lúc này, ma trận định phương A có thể được viết lại như sau:

2 sin 2 sin 2 sin

2 ( 1) sin 2 ( 1) sin 2 ( 1) sin

P P

P P

Trong các ứng dụng thực tế, mảng ăng ten tuyến tính đồng đều được sử dụng

rất phổ biến để thực hiện quét búp sóng trong không gian Để tránh hiện tượng bất

định khi ước lượng DOA thì mảng ULA được thiết kế với khoảng cách các phần tử bằng nhau và nhỏ hơn hoặc bằng nửa bước sóng Mô hình thu tín hiệu mảng ăng ten tuyến tính đồng đều được mô tả trên Hình 1.3

Hình 1.3 Mô hình thu tín hiệu mảng ăng ten tuyến tính đồng đều

1.3 Các phương pháp định hướng nguồn tín hiệu vô tuyến

Đến nay, có rất nhiều phương pháp được sử dụng để xác định hướng đến của tín hiệu vô tuyến, có thể chia thành bốn nhóm chính: (1) phương pháp dựa trên đo đạc, so sánh tham số tín hiệu (biên độ, pha, tần số, thời gian), (2) phương pháp quét búp sóng, (3) phương pháp phân tích không gian con và (4) phương pháp ứng dụng trí tuệ nhân tạo (AI: artificial intelligence) Ngoài ra, còn có những cách phân loại theo các góc nhìn khác nhau, Mỗi loại phương pháp đều có những ưu và nhược điểm riêng Phần tiếp theo của mục này sẽ trình bày khái quát về phương pháp quét búp sóng và phương pháp phân tích không gian con

1.3.1 Phương pháp quét búp sóng

Có nhiều phương pháp quét búp sóng khác nhau, xét về phương diện quét búp sóng bằng điện tử hoặc xử lý số có hai phương pháp điển hình gồm: quét búp sóng theo phổ công suất (CBF: Conventional Beamforming) và quét búp sóng Capon (hay còn gọi là phương pháp MVDR - minimum variance distortionless response)

1.3.1.1 Phương pháp quét búp sóng CBF

Ý tưởng cơ bản của phương pháp CBF là “quét” búp sóng tạo ra bởi mảng ăng ten theo một hướng tại một thời điểm và đo công suất đầu ra của mảng [15], [82], [102] Khi hướng quét trùng với hướng đến của tín hiệu thì có thể quan sát được công suất cực đại của tín hiệu đó Thay vì quét búp sóng bằng cơ học, mảng ăng ten có thể quét búp sóng bằng điện tử thông qua việc thay đổi hình dạng giản đồ búp sóng Để

làm điều này, một véc-tơ trọng số w được thiết kế để khi kết hợp với tín hiệu thu bởi

các phần tử ăng ten tạo ra một tín hiệu tại đầu ra, như sau:

y t( ) = w xH ( )t (1.11)

Công suất trung bình của tín hiệu tại đầu ra của mảng ăng ten sau N mẫu thu

thập được mô tả như sau:

Trong giải pháp quét búp sóng thông thường, trọng số w = a() với  là góc

quét của búp sóng Trong thực tế, có thể chuẩn hóa trọng số w như sau:

Véc-tơ trọng số trong công thức (1.13) có thể hiểu như một bộ lọc không gian;

nó phối hợp với góc không gian của tín hiệu tại góc quét để tạo ra đỉnh cực đại, đồng thời làm suy hao công suất của những tín hiệu đến từ những góc khác

Mặc dù có khả năng áp dụng một cách đơn giản, tuy nhiên phương pháp quét búp sóng thông thường có búp sóng rộng nên khả năng phân tách các tín hiệu ở các góc khác nhau là hạn chế Có thể tăng độ phân giải bằng cách tăng số lượng phần tử của mảng, nhưng như thế sẽ làm tăng số lượng kênh thu cũng như tăng bộ nhớ lưu trữ dữ liệu bởi nhiều kênh thu

1.3.1.2 Phương pháp Capon

Như đã trình bày ở Mục 1.3.1.1, phương pháp CBF chỉ làm việc tốt khi có một tín hiệu tới hoặc hai tín hiệu tới ở các góc cách xa nhau Trong trường hợp có nhiều tín hiệu đến cùng lúc thì phương pháp CBF lại kém hiệu quả Để giải quyết vấn đề này, phương pháp Capon được đề xuất trong [83] nhằm tạo một búp sóng nhọn tại hướng quan sát, đồng thời triệt tiêu các hướng khác để loại bỏ các tín hiệu còn lại Theo đó, phương pháp Capon có thể mô tả theo công thức sau:

P w ( ) nhỏ nhất khi w aH ( ) =1 (1.15) Véc-tơ trọng số được chọn theo cách này còn được gọi là bộ tạo búp sóng đáp ứng không biến dạng phương sai cực tiểu (MVDR) Trong hướng quan sát cụ thể, nó

sẽ cực tiểu hóa phương sai của tín hiệu tại đầu ra của mảng ăng ten Kết quả là, trọng

số sẽ được tính bởi công thức sau [83]:

1 1

( )

xx Capon H

1.3.2 Phương pháp phân tích không gian con

Các phương pháp trình bày trên đây mặc dù đơn giản nhưng có độ phân giải thấp, không phân tách được nhiều nguồn tín hiệu đến cùng lúc Do đó, các nhà khoa học đã đề xuất phương pháp phân tích không gian con tín hiệu, điển hình là phương pháp MUSIC (multiple signal classification), ESPRIT (estimation of signal parameter via rotational invariance techniques) và rootMUSIC [28], [63] Mục này sẽ trình bày tổng quan một số phương phương pháp định hướng dựa trên phân tích không gian con, bao gồm: MUSIC, ESPRIT và rootMUSIC

1.3.2.1 Phương pháp MUSIC

Phương pháp MUSIC là một trong những phương pháp phân tích không gian con đầu tiên được đề xuất và áp dụng phổ biến cho các hệ thống định hướng “siêu phân giải” [78], vì nó cho khả năng phân giải rất tốt Tín hiệu tại đầu ra của mảng ăng ten được biến đổi từ dạng tương tự sang dạng số sau đó được xử lý bởi thuật toán MUSIC để ước lượng hướng đến

Thuật toán MUSIC thực hiện theo các bước bao gồm: Xây dựng ma trận hiệp phương sai; Khai triển giá trị riêng ma trận hiệp phương sai; Tách không gian tín hiệu khỏi không gian nhiễu; Xác định phổ công suất

Tương tự như phương pháp CBF và Capon, ma trận hiệp phương sai Rxx cũng

được tính toán theo công thức (1.6) Nếu các tín hiệu tới s1(t), s2(t), …, s P (t) không

tương quan với nhau thì bậc của ma trận Rxx bằng bậc của ma trận Rss và cùng bằng

P, ở đây P < M được giả định Bằng cách phân rã ma trận R xx , ta thu được các giá trị

riêng và vector riêng tương ứng Vì bậc của ma trận Rxx bằng P nên các giá trị riêng

của ma trận Rxx có thể nhận được như sau: γ1 > γ2 > > γP > γP+1 ≈ ≈ γM ≈ 0, trong đó, có P giá trị riêng vượt trội γ1, γ2, , γP tương ứng với các vector riêng E1,

E2, …, EP đại diện cho không gian các tín hiệu; M – P giá trị riêng còn lại γP+1, γP+2, , γM có giá trị nhỏ hơn nhiều so với γ1, γ2, , γP và gần bằng 0 tương ứng với

các véc-tơ riêng EN của không gian nhiễu Theo mô tả trong [78], phổ công suất theo không gian tạo bởi phương pháp MUSIC được tính toán bởi công thức sau:

i =arg max( P MUSIC)P Thresh,i=1, 2, ,P (1.19)

Trong đó, P Thresh là giá trị ngưỡng để tìm đỉnh phổ tương ứng với góc ước lượng Phương pháp MUSIC có để đạt được khả năng phân biệt góc tốt, nhưng nó cũng

có hạn chế là không thể ước lượng được các tín hiệu tương quan (nếu không bổ sung các kỹ thuật khác) và yêu cầu dung lượng tính toán lớn để phân rã ma trận hiệp phương sai khi mảng ăng ten có nhiều phần tử

1.3.2.2 Phương pháp RootMUSIC

RootMUSIC là thuật toán được phát triển dựa trên nền tảng của thuật toán MUSIC thông thường Thay vì quét búp sóng như phương pháp MUSIC, thuật toán

RootMUSIC thực hiện tìm nghiệm của đa thức dưới mẫu trong công thức tính phổ MUSIC (1.18). Cụ thể là tìm nghiệm của đa thức sau:

G E E và triển khai đa thức P(z) trong (1.20)

sẽ nhận được kết quả như sau:

trong (1.22) có tối đa M nghiệm (tính cả nghiệm thực và nghiệm phức) Những

nghiệm nào nằm trên hoặc tiệm cận đường tròn đơn vị thì được xem xét để tính góc DOA theo công thức sau:

Trong đó, z m là nghiệm của đa thức P(z) tiệm cận đường tròn đơn vị; arg(z m) là phép

toán lấy góc pha của z m

1.3.2.3 Phương pháp ESPRIT

Với phương pháp ESPRIT, việc phân tích các tham số tín hiệu được thực hiện dựa trên kỹ thuật dịch chuyển bất biến luân phiên không gian con tín hiệu Theo đó, mảng ăng ten được chia thành hai mảng ăng ten con đồng nhất Các mảng ăng ten

con này có cùng số các phần tử Với M các phần tử thì có thể tạo thành hai kiểu mảng

ăng ten con: kiểu thứ nhất là kiểu không xếp chồng lên nhau, mỗi mảng ăng ten con

gồm M/2 phần tử; kiểu thứ hai là kiểu xếp chồng lên nhau, mỗi mảng ăng ten con gồm M - 1 phần tử [40] Với cách chia thứ nhất, số lượng phần tử phải là số chẵn,

cách chia thứ hai thì số lượng phần tử là bất kỳ

a) Chia mảng không xếp chồng b) Chia mảng xếp chồng

Hình 1.4 Cách chia mảng điển hình trong phương pháp ESPRIT

Tín hiệu thu bởi hai mảng ăng ten con có thể được biểu diễn như sau:

z z

Nhìn chung các phương pháp truyền thống ước lượng DOA nói chung, các phương pháp trình bày ở trên nói riêng, về cơ bản đều được xây dựng dựa trên một

mô hình thu tín hiệu giả định phù hợp với các tín hiệu quan sát được trong thực tế

Do đó, nếu có sự sai khác nào đó trong quá trình sản xuất, lắp đặt, cấu hình hệ thống ăng ten hoặc lỗi đường truyền …vv, từ đó làm thay đổi đặc tính pha và biên độ của tín hiệu thì những phương pháp này sẽ không còn hiệu quả như giả định ban đầu

1.4 Trí tuệ nhân tạo và ứng dụng trong định hướng nguồn tín hiệu vô tuyến

1.4.1 Khái quát về trí tuệ nhân tạo, học máy, học sâu

Trí tuệ nhân tạo (AI: Artificial Intelligence) là một lĩnh vực của khoa học máy

tính, là thành quả mô phỏng các quá trình, hoạt động trí tuệ của bộ não con người (học tập, tư duy và ra quyết định) bằng máy móc, đặc biệt là các hệ thống máy tính

AI được áp dụng rộng rãi trong nhiều lĩnh vực, từ phân loại đối tượng, thị giác máy tính đến xử lý ngôn ngữ tự nhiên …, trong đó có nhận dạng và ước lượng hướng đến

tín hiệu vô tuyến [8], [27], [38], [42], [84], [93]

Học máy (ML: Machine learning) là các thuật toán cho phép chương trình máy

tính có khả năng tự động học hỏi từ dữ liệu để thực hiện các công việc cụ thể và cải thiện khả năng đó từ kinh nghiệm, quan sát trong quá khứ thay vì chỉ thực hiện theo đúng các quy tắc đã được lập trình sẵn [103]

Các thuật toán học máy có thể được phân loại thành ba dạng chính: học có giám sát (supervised learning) [86], học không giám sát (unsupervised learning) [22], [23], [101] và học tăng cường (reinforcement learning) [70] Với học có giám sát, các mẫu

dữ liệu được cung cấp nhãn (label), tức là đã được phân loại hoặc được gán nhãn trước Với học không giám sát, mục tiêu của thuật toán là tìm ra các cấu trúc, mối quan hệ hoặc đặc điểm của dữ liệu Ví dụ về học không giám sát bao gồm: phân cụm (clustering) và phát hiện bất thường (anomaly detection) Trong học tăng cường, hệ thống học tập phải tương tác với một môi trường để đạt được một mục tiêu hoặc tối

đa hóa một phần thưởng Thuật toán học tăng cường có thể được ứng dụng cho bài toán lái xe tự động (autonomous driving) hay trong các trò chơi điện tử (video game) Ngoài các thuật toán trên, còn có các thuật toán kết hợp như học bán giám sát (Semi-supervised Learning) [23] và học trực tuyến (Online Learning) [52]

Một số thuật toán học máy phổ biến: Thuật toán hồi quy tuyến tính (Linear Regression) là thuật toán học máy đơn giản và được sử dụng cho các bài toán hồi

quy, trong đó mục tiêu đặt ra là tìm một mô hình tuyến tính phù hợp nhất để dự đoán giá trị đầu ra dựa trên các giá trị đầu vào [61], [85]; Thuật toán hồi quy Logistic (Logistic Regression) được sử dụng cho các vấn đề phân loại và đưa ra dự đoán về xác suất của các lớp đầu ra [61]; Thuật toán k-Nearest Neighbors (kNN) là thuật toán

sử dụng khoảng cách giữa các điểm dữ liệu để xác định các điểm gần nhau nhất [58] kNN thường được sử dụng cho các bài toán phân loại và cả hồi quy; Thuật toán cây quyết định (DT: Decision Tree) tạo ra một cây quyết định bằng cách sử dụng các thuộc tính của dữ liệu để phân tách các điểm dữ liệu và dự đoán đầu ra [17], [64]; Thuật toán rừng ngẫu nhiên (RF: Random Forest) là một phương pháp học kết hợp (Ensemble Learning), kết hợp nhiều cây quyết định để tăng độ chính xác và giảm khả năng “quá phù hợp” (Overfitting) [79]; Thuật toán SVM (Support Vector Machine)

là thuật toán tìm ra đường biên phân cách tối ưu giữa các điểm dữ liệu của các lớp khác nhau [34], [36]; Thuật toán phân cụm (Clustering) bao gồm các thuật toán như K-means và Hierarchical Clustering, được sử dụng để tìm ra các cụm dữ liệu có tính chất tương đồng [68]; Thuật toán giảm chiều dữ liệu gồm các thuật toán như PCA (Principal Component Analysis) [58], [62] và t-SNE, được sử dụng để giảm chiều dữ

liệu giúp cho việc xử lý dữ liệu và phân tích trở nên dễ dàng hơn

Học sâu (DL: Deep Learning) hay còn gọi là học nhiều lớp, học có cấu trúc sâu

(deep structured learning), hoặc học máy sâu (deep machine learning), là một nhánh của học máy dựa trên tập các giải thuật cố gắng trừu tượng hóa quá trình xử lý dữ liệu bởi các mô hình với nhiều lớp ẩn để học và trích xuất các đặc trưng từ dữ liệu lớn và phức tạp Cấu trúc mạng lưới, phân tầng của học sâu cho phép xử lí dữ liệu theo cách tiếp cận phi tuyến [66]

Mạng nơ-ron nhân tạo (ANN: Artificial Neural Network) là mô hình học sâu

nhiều lớp (layer) có cấu trúc và lấy cảm hứng từ hoạt động của mạng thần kinh trong

bộ não người

Mạng nơ ron sâu (DNN: Deep Neural Network) là mạng nơ-ron nhân tạo có kiến trúc phức tạp với rất nhiều lớp, "sâu" hơn nhiều so với kiến trúc của mạng nơ-ron truyền thống (mạng nơ-ron nông)

Mạng nơ-ron tích chập (CNN: Convolutional Neural Network) là một mô hình đặc biệt của mạng nơ-ron sâu, ban đầu được sử dụng chủ yếu trong xử lý ảnh và video Tích chập là một khái niệm trong xử lý tín hiệu số nhằm biến đổi thông tin đầu vào qua một phép tích chập với bộ lọc để cho ra là một tín hiệu mới Tín hiệu này sẽ giảm bớt những đặc trưng mà bộ lọc không quan tâm, giữ lại những đặc trưng chính

và quan trọng nhất CNN có thể trích xuất thông tin đặc trưng từ các hình ảnh, video bằng cách sử dụng các bộ lọc tích chập [11]

Hình 1.5 thể hiện mối quan hệ giữa AI, ML, DL, ANN, DNN và CNN [66]

Hình 1.5 Mối quan hệ giữa AI, ML, DL, ANN, DNN và CNN Bên cạnh CNN, các mô hình mạng nơ-ron học sâu phổ biến khác có thể kể đến như sau: Mạng nơ-ron tiêu chuẩn (Standard Neural Network) là mô hình đơn giản nhất, gồm một tầng đầu vào, một hoặc nhiều tầng ẩn và một tầng đầu ra [18]; Mạng nơ-ron tái tạo (Autoencoder) là một trong những kỹ thuật Deep Learning phổ biến nhất hiện nay, có khả năng học các biểu diễn của dữ liệu đầu vào mà không cần nhãn, hay nói cách khác có khả năng học không giám sát Autoencoder được sử dụng để học các đặc trưng ẩn của dữ liệu bằng cách ánh xạ dữ liệu từ không gian chiều cao xuống không gian chiều thấp [9], [19], [21]; Mạng nơ-ron tái định hướng (RNN: Recurrent Neural Network) được sử dụng trong xử lý ngôn ngữ tự nhiên RNN nhận vào các chuỗi dữ liệu, thực hiện cùng một tác vụ cho tất cả phần tử của một chuỗi với đầu ra phụ thuộc vào cả các phép tính trước đó, vì vậy mạng RNN có khả năng nhớ các thông tin được tính toán từ các lần thăm dò trước đó [90] Có 2 thiết kế chính của

RNN là LSTM (Long Short-Term Memory) và Gated RNN; Mạng nơ-ron tích chập định hướng (RCNN: Recurrent Convolutional Neural Network) là mô hình kết hợp của CNN và RNN RCNN được sử dụng trong xử lý ảnh và video để trích xuất đặc trưng từ các vùng trong không gian và thời gian [85]; Mạng nơ-ron tự sinh (GANs: Generative Adversarial Networks) được sử dụng để tạo ra các dữ liệu mới từ dữ liệu hiện có GANs là một mô hình mạng nơ-ron đặc biệt, bao gồm hai phần tử, một là mạng nơ-ron sinh và một là mạng nơ-ron phân biệt [53]

1.4.2 Mạng nơ-ron nhân tạo

1.4.2.1 Cấu trúc mạng nơ-ron nhân tạo

Mạng nơ-ron nhân tạo bao gồm một số lượng lớn các nút nơ-ron (node) được kết nối với những lớp liền kề khác Mỗi kết nối giữa các node sẽ có một trọng số tương ứng, trọng số càng cao thì ảnh hưởng của kết nối này đến mạng nơ-ron càng lớn Mỗi nút nơ-ron nhận đầu vào từ các nút khác và xử lý thông tin đó bằng cách tính toán một hàm kích hoạt, kết quả đầu ra sẽ truyền tới các nút khác trong mạng để

xử lý tiếp Mục đích chính của mạng nơ-ron là tìm ra các liên hệ phức tạp giữa các đặc trưng đầu vào và đầu ra dựa trên các mẫu đã được học

Hình 1.6 Cấu trúc mạng nơ-ron nhiều lớp [103]

Cấu trúc cơ bản của một mạng nơ-ron bao gồm một lớp đầu vào, một số lớp ẩn

và một lớp đầu ra, như được mô tả trong Hình 1.6 Mỗi lớp bao gồm các nơ-ron nhân tạo được kết nối với tất cả các nơ-ron ở lớp liền kề và lớp chuyển tiếp Không có các

kết nối được phép giữa các nơ-ron thuộc cùng một lớp Khi một mạng nơ-ron có nhiều hơn 3 lớp ẩn, nó được gọi là mạng nơ-ron sâu

Một nơ-ron trong mạng nơ-ron nhân tạo là một phần tử xử lý toán học với N đầu vào (x1, x2, , x N ), một độ lệch (bias) và một đầu ra y Nơ-ron có N trọng số và trọng số w i sẽ được nhân với đầu vào tương ứng x i Hàm truyền phổ biến nhất là tổng các giá trị đầu vào theo sau là hàm kích hoạt để cải thiện hiệu suất

Hình 1.7 Cấu trúc của một nơ-ron nhân tạo điển hình [103]

Về mặt toán học, cấu trúc của một nơron k, được mô tả bằng biểu thức sau:

1.4.2.2 Hàm kích hoạt

Hàm kích hoạt là một thành phần quan trọng của mạng nơ-ron Một nơ-ron không thể học tập nếu không có hàm kích hoạt Bằng cách thêm hàm kích hoạt, mạng nơ-ron có thể giải được các bài toán phi tuyến phức tạp Dưới đây là một số hàm kích hoạt thường được sử dụng:

a) Hàm ReLU (Rectified Linear Unit)

ReLU là hàm kích hoạt được sử dụng rộng rãi trong mạng nơ-ron [8] Biểu thức cho hàm ReLU được viết như sau:

f x ( ) = max(0, ) x (1.29)