Luận văn thạc sĩ Kỹ thuật điện tử: Mô hình hóa mạch khuếch đại siêu cao tần trong thông tin di động sử dụng mạng Neuron

TÓM TẮT LUẬN VĂN THẠC SĨ  Kỹ thuật mô hình hoá hành vi behavioral modeling cung cấp một phương pháp tiện lợi và hiệu quả để dự đoán chính xác ngõ ra của hệ thống, đặc biệt cho hệ thốn

CƠ SỞ LÝ THUYẾT

Mô hình hành vi

Trong những năm gần đây, sự phát triển mạnh mẽ của công nghệ thông tin, công nghệ vi mạch điện tử và viễn thông, đặc biệt trong lĩnh vực vô tuyến đã cho ra đời nhiều ứng dụng mới Mà ở đó, mạch khếch đại công suất có một ý nghĩa quan trọng trong hệ thống thông tin không dây, điều này đã được minh chứng là có một số lượng lớn các nghiên cứu đã thực hiện để tìm hiểu về những hạn chế cũng như sự thực thi tối ưu của mạch khuếch đại công suất

Hình 2 1: Sơ đồ khối của hệ thống truyền thông không dây

Bộ khuếch đại là thiết bị tăng công suất tín hiệu, gồm hai loại chính: bộ khuếch đại công suất (PA) và bộ khuếch đại nhiễu thấp (LNA) thường dùng trong mạch đầu cuối RF PA có trong máy phát, giúp tăng công suất tín hiệu trước khi truyền đến ăng-ten, đóng vai trò quan trọng trong việc đảm bảo tỷ số tín hiệu trên nhiễu mong muốn ở máy thu.

Hình 2 2: Sơ đồ mạch khuếch đại tại bộ phận phát

Hình 2 3: Sơ đồ khối mạch khuếch đại tại bộ phận thu

Mục đích của bộ khuếch đại cao tần là khuếch đại tín hiệu vô tuyến để có độ lợi đạt đến mức công suất cần thiết đưa đến máy thu, trong khi đó thì độ méo (distortion), tức nhiễu thêm vào so với tín hiệu càng ít càng tốt Đối với máy phát di động nhỏ thường có một yếu tố khác không kém phần quan trọng đó là hiệu suất công suất vì những thiết bị này thường sử dụng pin Thật không may là trong quan điểm thiết kế mạch nếu tăng hiệu suất công suất thì cũng đồng nghĩa dẫn tới việc thiết bị càng ngày càng rơi vào vùng phi tuyến đồng thời méo phi tuyến cũng tăng

Các vấn đề của sự phi tuyến là không quá nghiêm trọng cho các ứng dụng mà ở đó thông tin được đặt trong tín hiệu pha của sóng mang Tuy nhiên, với những khó khăn hiện tại trong băng tần, những qui định mới đã đề ra những băng tần chính xác mà các bộ biến điệu chỉ có thể làm việc trên băng tần đó, trong khi tại cùng một thời điểm tốc độ dữ liệu cần phải đạt được cao hơn, do đó, nó là hợp lý để di chuyển đến khối biến điệu mà thông tin sóng mang gồm cả biên độ và pha Nếu biên độ mang thông tin rồi sau đó không thể đảo sự méo bao hình sẽ ảnh hưởng đến chất lượng tín hiệu nhận được và sẽ tăng tốc độ bit lỗi ở tín hiệu nhận được Vì vậy, trong mô hình PA cho những ứng dụng băng rộng, khía cạnh quan trọng nhất để cần sự mô hình hoá của thiết bị là sự phi tuyến của hệ thống

Hình 2 4: Sơ đồ khối của mạch khuếch đại siêu cao tần phi tuyến

Do chế độ vận hành ở mức độ công suất cao và độ phi tuyến lớn, bộ khuếch đại công suất (PA) đóng vai trò quan trọng trong chất lượng tín hiệu thực của hệ thống viễn thông Do đó, không ngạc nhiên khi PA là đối tượng quan tâm của nhiều nhà nghiên cứu để tìm hiểu những giới hạn của nó và sau đó tối ưu hoá nó một cách hiểu quả Mặc dù những nghiên cứu trước đó chỉ đơn giản là bao gồm những quan sát thực nghiệm của hành vi tín hiệu vào/ra nhưng đã tạo tiền đề cho những nghiên cứu tiếp theo dẫn đến đưa ra lý thuyết mô hình hành vi đầu tiên cho mạch PA

Nhìn từ bối cảnh tổng quát hơn của hệ thống nhận dạng, mô hình PA có thể được chia thành hai nhóm chính dựa vào loại dữ liệu cần thiết cho nhu cầu: mô hình vật lý và mô hình thực nghiệm

Mô hình vật lý đòi hỏi kiến thức của những thành phần mà những thành phần này bao gồm hệ thống thực, những quan hệ về cấu tạo của nó và mô tả những nguyên tắc lý thuyết có mối liên quan tương tác lẫn nhau của các linh kiện điện tử tạo thành PA Mô hình vật lý của PA sử dụng các thành phần thụ động hay tích cực phi tuyến ( bản thân mô hình này có thể có tính vật lý hay thực nghiệm) để hình thành nên tập các phương trình phi tuyến liên quan đến ngõ vào ra của điện thế và dòng điện Việc sử dụng mô hình mạch tương đương (thường có tính chất thực nghiệm) của PA là thích hợp để mô phỏng mạch và cung cấp một kết quả chính xác, có nghĩa là với mô hình này thì tính hiệu quả của nó phụ thuộc chất lượng của mô hình linh kiện tích cực Như vậy muốn có độ chính xác cao đòi hỏi phải tốn nhiều thời gian cũng như phải mô tả thật chi tiết cấu trúc nội của PA

2.1.3 Mô hình hành vi (BM-Behavioral Model):

Khi mạch tương đương của PA là không có sẵn, nên muốn mô phỏng mạch hoàn toàn ở mức độ hệ thống thì mô hình hành vi là thích hợp nhất Mô hình hành vi còn gọi là hộp đen (back –box) Vì mô hình này hoàn toàn dựa vào sự quan sát tín hiệu vào/ra ( gọi là hành vi – behavioral) cho nên độ chính xác của dữ liệu vào/ra rất nhạy để cho ra cấu trúc mô hình được chính xác và sự xử lý lựa chọn tham số cho mô hình để rút ngắn thời gian là vấn đề mà mô hình hành vi quan tâm Vì vậy, không có gì ngạc nhiên khi những cấu trúc mô hình khác biệt và tập dữ liệu quan sát khác nhau có thể dẫn đến sự khác biệt lớn trong ứng dụng mô hình và kết quả mô phỏng Mặc dù phương pháp mô hình hoá hành vi có thể đảm bảo tái tạo gần chính xác tập dữ liệu được sử dụng cho tính toán hoặc một vài bộ dữ liệu khác gắn liền với cùng bộ dữ liệu tác động và nó cũng có thể sử dụng tập dữ liệu khác cho mô hình PA cùng loại hoặc mô hình PA có cùng kỹ thuật hoàn toàn khác Nghĩa là trái ngược với mô hình vật lý, khái quát khả năng dự đoán của mô hình hành vi nên luôn được xem xét một cách thận trọng.

Mô hình hoá vi mạch khuếch đại siêu cao tần

Mô hình hành vi còn được gọi là mô hình hộp đen (black box), nó không yêu cầu kiến thức về vật lý của hệ thống mà cấu trúc bên trong của nó chỉ dựa vào sự đo đạc tín hiệu vào/ra Tham số của mô hình hành vi được xác định từ dữ liệu tính toán ngõ vào/ra Vì vậy, kỹ thuật tính toán và chất lượng của dữ liệu ảnh hưởng đến độ chính xác của mô hình này

Sự hữu dụng của mô phỏng bị giới hạn trong nhiều trường hợp thực tế bởi những tính chất của những mô hình thành phần mà nó sử dụng Nếu một mô hình trở nên quá phức tạp, tốc độ mô phỏng cũng như độ chính xác sẽ giảm đáng kể

Một giải pháp là xây dựng mô hình hành vi chung để mô tả hành vi điện của các thành phần Mô hình hành vi là khoa học chính xác thể hiện hành vi đo lường của đối tượng tuyến tính hay phi tuyến với những phương trình dễ dàng được tạo ra, đó là hàm của các biến độc lập kiểm soát hành vi của đối tượng Các thông số của mô hình có thể được tính toán dựa trên dữ liệu đo hoặc trên các dữ liệu mô phỏng Sự đo lường dựa trên việc khai thác mô hình thường được sử dụng cho mô hình của transistor, trong khi mô phỏng dựa trên mô hình thường được sử dụng để giảm sự phức tạp mô hình

Hình 2 5:Tổng quan của mô hình hành vi

2.2.2 Nền tảng nhận dạng hệ thống phi tuyến: Để hình thành một khung lý thuyết phân tích những phương pháp khác nhau về mô hình hành vi mạch PA, một cách thuận lợi là xem lại những nguyên tắc cơ bản của lý thuyết nhận dạng hệ thống

Trong khuôn khổ lý thuyết này, bộ khuếch đại công suất (PA) được biểu diễn bằng một hàm phi tuyến hoặc là một toán hạng của hệ thống, được coi là động hoặc tĩnh Đối với trường hợp tĩnh, ngõ ra y(t) có thể được xác định duy nhất như một hàm tức thời theo thời gian của tín hiệu vào x(t), trong khi đối với trường hợp động, tín hiệu ra phụ thuộc vào cả quá khứ của ngõ vào và tình trạng của hệ thống, dẫn đến mối quan hệ giữa y(t) và x(t) không thể mô hình đơn giản bằng một hàm mà là một toán tử ánh xạ tín hiệu vào x(t) thành tín hiệu ra y(t).

Mô hình hành vi PA phải được ước lượng thành số, thể hiện dưới dạng rời rạc trong môi trường thời gian rời rạc Điều này thuận lợi cho việc biến thời gian thành chuỗi mẫu thời gian thống nhất tương ứng với chu kỳ lấy mẫu Thời gian và tín hiệu thời gian liên tục có thể chuyển đổi thành dạng rời rạc, giúp biểu diễn giải pháp cho phương trình vi phân phi tuyến thành dạng rời rạc.

Trong đó, y(s): ngõ ra hiện tại tại thời điểm tức thời sTS (phụ thuộc một cách phi tuyến) được quyết định bởi hàm phi tuyến (.) trong hệ thống, ở đây được diễn đạt bởi ( − ), với q=1,…,Q 1 x(s): tín hiệu vào hiện tại, x(s-q): tín hiệu vào quá khứ Sự mở rộng phi tuyến này của bộ lọc đáp ứng xung vô hạn ( nonlinear IIR – Infinite Impulse Response) được cho là khái niệm tổng quát của mô hình hành vi PA đệ qui

Những kết quả của nhận dạng hệ thống cho thấy rằng một hệ thống cũng có thể được trình bày như phương trình (2.5) với tín hiệu ra không cần hồi tiếp:

Hàm phi tuyến đa chiều Q tùy thuộc vào các đối số s, f, x, y với tham số D là một mô hình được sử dụng rộng rãi để biểu diễn hành vi của các hệ thống hồi tiếp và không hồi tiếp Hàm này đóng vai trò quan trọng trong việc mở rộng phi tuyến cho mạch lọc số đáp ứng xung hữu hạn (nonlinear FIR).

Các hàm đa biến (.) và (.) đã nhận được sự quan tâm đặc biệt trong nhận dạng hệ thống phi tuyến do tính hỗ trợ toán học và khả năng thực hiện cổ điển để xây dựng mô hình cho mạch phi tuyến.

(2.4) và (2.5) có thể biểu diễn bằng những mạch lọc đa thức và mạng neural nhân tạo (artificial neural networks – ANNs)

Trong hàm (.) có thể thay thế bằng một hàm đa biến tương đương như sau: y( ) = ( ), ( −1), … , ( − )

Phương trình (2.6) cho thấy rằng một hệ thống phi tuyến được xem như tương đương với một chuỗi những số hạng nhiều biến Mặc dù đơn giản trong khái niệm nhưng kiến trúc mô hình đa thức FIR được biết đến với một số lượng lớn các tham số

Hàm (.) cũng có thể thay thế bằng một đa thức đa chiều để đưa đến cấu trúc đa thức IIR đệ quy Mô hình này cung cấp ít tham số hơn mô hình trực tiếp

Tuy nhiên, điều đáng quan tâm là cấu trúc đa thức IIR đệ quy khó mà chính xác hơn cấu trúc trực tiếp, cho nên nó khó được ứng dụng trong lĩnh vực mô hình hoá mạch PA Với đa thức FIR thì có nhiều lợi thế đặc biệt trong việc xây dựng mô hình hoá mạch PA vì ngõ ra là tuyến tính trong việc truy tìm các thông số, chẳng hạn như: hệ số hay còn gọi là nhân (kernels) ( , … , )và hàm chỉ phụ thuộc vào ngõ vào bị trì hoãn, bên cạnh đó nó cũng có thể được tính toán theo một cách có hệ thống bằng cách sử dụng phương pháp nhận dạng tuyến tính thông thường

Nếu hàm (.) và (.) được xem như tương đương với chuỗi Taylor thì mạch lọc FIR được xem như chuỗi Volterra hay mạch lọc Volterra Chuỗi Volterra tương ứng được quan tâm một cách đặc biệt vì nó tạo ra một sự tối ưu tương ứng với mô hình hành vi PA Nó thể hiện được những tính chất của sự mô hình khá tốt trong tín hiệu nhỏ, và sự phi tuyến vừa và nhỏ Tuy nhiên, chuỗi Volterra không đáp ứng được với mô hình hoạt động trong chế độ phi tuyến mạnh

Trong thực tế, hàm (.) có thể thay thế bất cứ hàm đa miền nào Ví dụ như chuỗi Wiener thì trực giao với nhiễu Gaussian trắng khi có tín hiệu tác động Trong trường hợp này, những chuỗi tương ứng cho kết quả tối ưu trong những vùng lận cận ở những mức công suất được sử dụng và cho các loại hình tiêu biểu của tín hiệu vào được sử dụng trong việc khai thác mô hình Do đó, hàm FIR tuân theo mô hình phi tuyến mạnh khi băng thông và tín hiệu tác động có thể được xem như gần với thực nghiệm tác động

Mô hình PA mức hệ thống

Mô hình hành vi PA mức độ hệ thống sử dụng mô hình PA tương đương thông thấp do đó chỉ xử lý tín hiệu thông tin biên độ phức Bất kỳ ảnh hưởng chi tiết nào liên quan đến hoặc xuất phát từ tần số sóng mang cũng phải được kết hợp xử lý chi tiết Điều này phân biệt mô hình từ cấp độ mạch mà mô hình PA cấp độ mạch duy trì dãy thông mạch RF đầy đủ

Tín hiệu cao tần có thể được viết lại:

Do chỉ có bao hình sóng mang chứa thông tin hữu dụng, nên bộ khuếch đại công suất có thể truyền tín hiệu qua thiết bị xử lý bao hình Dù có thể tìm thấy dạng mô hình hóa hành vi băng thông trên hệ thống, phần lớn các mô hình hành vi bộ khuếch đại công suất đã công bố đều là mạch tương đương bao hình phức thông thấp, trong đó ánh xạ từ Vì vậy, mô hình mà chúng ta xem xét ở đây là loại mô hình mức hệ thống mạch tương đương thông thấp.

2.3.1 Mô hình PA không nhớ:

Mô hình hành vi không nhớ cấp hệ thống[8] là mô hình mà ở đó bao hình ngõ ra phản ứng ngay tức khắc với sự thay đổi bao hình ngõ vào Vì vậy, mô hình này có thể được trình bày bằng hai hàm đại số của bao hình biên độ ngõ vào tức thời rx(t): có thành phần ngõ ra là phần thực và phần ảo hay là thành phần biên độ ry(t) và thành phần pha Φy(t)

Hai ví dụ thường được sử dụng cho mô hình không nhớ tương đương thông thấp là:

(a) Một đa thức với hệ số phức a2n+1

(b) Được sử dụng rộng rãi là mô hình Salel:

1 + ∅ [ ( )] (2.13) Trong đó ∝ , , ∝ ∅ , ∅ là những tham số phù hợp cho đặc tính AM-AM của PA đo được tính của tín hiệu ( ) và đặc tính AM-PM của tín hiệu

∅ ( ) Biên độ không nhớ và pha phi tuyến có thể được trình bày theo mô hình hình 2.11

Hình 2 11: Mô hình hành vi không nhớ biểu trưng AM-AM và AM-PM

2.3.2 Mô hình PA nhớ tuyến tính

Khi tín hiệu băng thông rộng thì mô hình tương đương không nhớ AM-AM hay AM-PM như đã đề cập ở trên là không thích hợp Nhiều mô hình đã được hình thành để xử lý hiệu ứng nhớ xuất phát từ những hạn chế băng thông hệ thống bị giới hạn được quan sát trong PA Ý tưởng đằng sau mô hình này là băng thông của tín hiệu đầu vào không quá hẹp so với hệ thống mà ở đó sóng CW (continuous-wave) là trường hợp tiêu biểu Biến trong mô hình PA không nhớ[8] là một hàm theo tần số mà ở đây băng thông của PA là vấn đề cần giải quyết, giải pháp tự nhiên bao gồm là lấy mẫu băng thông tại các điểm tần số có thể Điều này dẫn đến các mô hình không nhớ tiêu biểu AM-AM và AM-PM bị tham số hoá trong tần số Những mô hình này là thu được phần mở rộng như sau:

Tần số góc sóng mang RF ($\omega_c$) là tần số mà quá trình biến đổi điều chế biên độ (AM) và điều chế pha (PM) được xử lý Khi đưa vào một tín hiệu sóng liên tục (CW) với biên độ A và tần số , dịch tần từ đến , tương ứng với pha ban đầu của tín hiệu sóng mang phức

( ) = ( ) = = A(cos t + jsin t) (2.16) Trong đó thay đổi như phương trình (2.14) và (2.15) mô tả hiệu ứng nhớ mà có thể hiểu như là một biến của tần số bao hình ngõ vào Thật vậy, nó có thể được thể hiện ngõ vào ( ) hay là ngõ ra ( ) mạch lọc tương đương thông thấp tuyến tính Nếu bộ lọc được yêu cầu trước khối không nhớ ( một cấu trúc được gọi là mô hình two-box Wiener) thì nó có thể mô hình thực thi theo chiều ngang của đồ thị AM-AM và AM-PM bởi đại lượng ( ) Điều này có nghĩa là khi thay đổi hay là thì đồ thị AM-AM và AM-PM thì cũng có hình dạng tương tự nhưng bị dịch biên độ bao hình tín hiệu vào, hiệu ứng tần số phụ thuộc đó có thể được mô hình hoá bằng độ lớn của hàm chuyển ngõ vào ( ) Nếu mạch lọc được đặt sau khối không nhớ ( chằng hạn như mô hình two-box Hammerstein) thì nó có thể mô hình dịch ngang ( ) của sóng AM-AM và dịch ngang

 ( )dịch ngang của sóng AM-PM Việc thực hiện đồng thời hai hiệu ứng thường được yêu cầu tiền lọc ( ) và hậu lọc ( ), đó là lý do tại sao mô hình có xu hướng thực hiện cấu trúc three-box với lọc tuyến tính-phi tuyến lọc không nhớ tuyến tính ( mô hình đại diện được biết là mô hình three-box Wiener- Hammerstein)

Ví dụ cho những mô hình này là mô hình Poza-Sarkozy-Berger, mô hình Saleh và mô hình Abuelma’atti Tất cả các mô hình này đều dựa trên nguyên tắc trực quan được giải thích ở trên, mặc dù đề xuất những lựa chọn khác nhau cho phù hợp với tần số phụ thuộc của sóng AM-AM và AM-PM và để xây dựng những bộ lọc cần thiết

Tuy nhiên, cần chú ý là mô hình Abuelma’atti không dùng chung với cấu trúc Wiener-Hammerstein nhưng nó sử dụng một chuỗi những nhánh Hammerstein song song trong pha và mạch phi tuyến trực giao, theo phương pháp này thì sẽ thu được Một vài mô hình khác trong nhóm này không thử để đưa ra bất kỳ kiến trúc mô hình chuyên dụng nào Thay vào đó những mô hình đó xử lý một bộ các thông số nào đó của cấu trúc mô hình đã được định nghĩa trước Những mô hình của những thể loại này sử dụng cho cả mạch phi tuyến lọc không nhớ, bộ lọc phi tuyến không nhớ hay thậm chí cả bộ lọc phi tuyến bộ lọc không nhớ, những bậc mà ở đó mạch phi tuyến không nhớ bao gồm sóng AM-AM và AM-PM được đo tại tần số trung tâm (hay )

2.3.3 Mô hình PA nhớ phi tuyến:

Trong một vài trường hợp cần thiết xét đến mô hình hành vi có hiệu ứng nhớ phi tuyến Hiệu ứng được xét cho đáp ứng méo biến điệu (IMD – intermodulation) tín hiệu 2- tones tần số phụ thuộc còn được gọi là đáp ứng xung phi tuyến thậm chí là đáp ứng biến điệu ngẫu nhiên số Tất cả những hiệu ứng này được quan sát thậm chí dưới xấp xỉ băng hẹp Vì vậy, hiệu ứng bộ nhớ được quan sát trong mạch PAs siêu cao tần không dây phổ biến được cho bởi tín hiệu có băng thông tương đối

Tín hiệu sóng mang của mạch khuếch đại công suất (PA) có tần số gần 2GHz, được biến điệu với băng thông nhỏ (5MHz hoặc 200KHz) Trong trường hợp này, khó có thể quy kết rằng băng thông hạn chế của mạch PA là yếu tố giới hạn băng thông của mạch kết nối mạng.

Một phương pháp dự đoán cho vấn đề mô hình hoá hành vi PA gần đây được đề xuất bởi Asbeck và sau đó được bổ sung bởi Draxler

Một ý tưởng là để mở rộng đặc tính AM-AM và AM-PM không nhớ thì PA phải có hiệu ứng nhớ lâu, độ lợi và pha của nó không chỉ phụ thuộc vào biên độ bao hình tức thời rx(t) mà còn phụ thuộc vào thông số ̃( ) Sau này điều đó được sử dụng để mô hình hoá hiệu ứng động, chẳng hạn như hiệu ứng động đó bị gây ra bởi sự toả nhiệt của thiết bị hay là do nguồn cung cấp thay đổi công suất Do đó, ngõ ra PA được diễn đạt từ hàm độ lợi phức phi tuyến thay đổi động

( ) = [ ( ), ̃( )] ( ) ( ) (2.17) Phương trình (2.17) tương đương với chuỗi Taylor bậc nhất như sau:

Xấp xỉ các giá trị trong ngoặc vuông { } gần bằng tích của một giá trị trong ngoặc vuông với một hằng số cộng với một giá trị trong ngoặc vuông nhân với tích chập của một đáp ứng xung lực với một giá trị trong ngoặc vuông.

“*” là toán tử tích chập Vì vậy, PA trở thành mô hình hoá như hình 2.12 bởi một hàm độ lợi phức mà hàm này phụ thuộc vào bao hàm biên độ tức thời và thông số ̃( ) thu được từ bao hình biên độ vào bởi mạch lọc tuyến tính Phương pháp này được biết bởi Ku, đối tượng được dùng để mô hình cho hiệu ứng nhớ được tìm thấy trong PA khi có tác động kích thích bởi tín hiệu RF 2- tone, biên độ của tín hiệu này là A và tần số sóng mang là và Giả sử là hai tần số này đối xứng tại một tần số sóng mang ảo , tín hiệu 2- tone này tương ứng với tín hiệu bao hình phức hình sin:

( ) = ( ) = Acos[ t] (2.19) Ở một phương pháp để đưa bộ nhớ vào trong mô hình này tác giả đưa phần trình bày đa thức bậc lẻ theo sau AM-AM/AM-PM không nhớ của hệ số phức a2n+1

Ngõ ra bao hình phức của nó là:

Tổng quan

Để xây dựng mô hình hành vi cho hệ thống PA cần phải thực hiện một số thí nghiệm trên hệ thống PA, chẳng hạn như: quan sát hành vi phi tuyến, đưa ra cấu trúc mô hình, tính các toán tham số của mô hình, đo đạc dữ liệu trên đối tượng cần mô phỏng, huấn luyện dữ liệu, kiểm tra và xác nhận mô hình đã xây dưng được bằng việc so sánh kết quả của mô hình với dữ liệu của đối tượng Quá trình xây dựng mô hình hành vi của hệ thống PA được mô tả theo lưu đồ của hình 3.1 Lưu đồ này là thuật toán để mô hình hoá hệ thống khuếch đại siêu cao tần phi tuyến

Hình 3 1: Lưu đồ xây dựng mô hình cho đối tượng

Đo đạc dữ liệu

Để mô hình hoá được mạch PA, cần phải có dữ liệu trước khi tiến hành xây dựng mô hình Khâu thu thập dữ liệu là khâu quan trọng đặc biệt trong việc xây

Tín hi ệu v ào B ắt đầu

Hu ấn luyện D ữ li ệu huấn luy ện

D ữ liệu đo đạc Đối tượng c ần mô phỏng

Mô hình hoàn thành Xác nh ận mô hình

Yes dựng mô hình hành vi vì chất lượng của dữ liệu đo và kỹ thuật đo sẽ ảnh hương đến độ chính xác của mô hình Có hai cách để thu thập dữ liệu:

- Cách đơn giản nhất là đo đạc trực tiếp trên đối tượng, cách này đơn giản nhưng có điều bất lợi là dữ liệu đo được không có công cụ kiểm tra tính chính xác của nó và đôi khi nó cần được hỗ trợ những thiết bị bên ngoài nhưng không đáp ứng được, ví dụ như: máy phát tín hiệu cao tần, máy phát tín hiệu đa tần số…

Đo đạc hay thu thập dữ liệu mô phỏng dựa trên phần mềm mô hình hóa Đối tượng được đo phải có trong thư viện của phần mềm và dữ liệu thu được đảm bảo tính xác thực.

Do do, xét thấy nhu cầu của luận văn này tác giả dùng phần mềm mô phỏng để hỗ trợ tác giả thu thập dữ liệu Trên thị trường có nhiều phần mềm về thiết kế và mô phỏng hệ thống cao tần nhưng ở luận văn này tác giả sử dụng phần mềm ADS (Advanced Design System) vì tính gần gũi và quen thuộc với tác giả

3.2.1.Giới thiệu chương trình mô phỏng ADS (Advanced Design System):

ADS là một hệ thống phần mền tự động thiết kế mạch điện tử được sản xuất bởi Agilen EEsof EDA một đơn vị của Agilent Technologies Nó cung cấp một môi trường thiết kế tích hợp tiện ích để thiết kế RF của các thiết bị điện tử như điện thoại di động, máy nhắn tin, mạng không dây, truyền hình vệ tinh thông tin liên lạc, hệ thống radar và liên kết dữ liệu tốc độ cao ADS cung cấp hàng loạt kiểu (mode) và mô hình (model) mô phỏng

Trong một giao diện mạnh mẽ và dễ sử dụng, ADS là phần mền tiên phong trong sáng tạo và công nghệ thành công trong lĩnh vực thương mại Vì ADS được định hướng cho những ứng dụng siêu cao tần nên nó chứa một thư viện lớn của những mô hình thành phần thụ động và truyền thẳng mà những mô hình này bao gồm những thành phần phi tuyến Bên cạnh đó, ADS có sẵn một thư viện ví dụ phong phú thông qua đó giúp ta có thể thực hành một cách dễ dàng

Agilent ADS hỗ trợ toàn diện các giai đoạn thiết kế mạch, từ sơ đồ mạch đến mạch in, mô phỏng mạch ở cả miền tần số và thời gian Giải pháp này cung cấp cho các kỹ sư thiết kế mạch RF toàn bộ các tính năng và tối ưu hóa cần thiết mà không cần chuyển đổi giữa các công cụ khác, giúp tiết kiệm thời gian và nâng cao năng suất thiết kế.

Hình 3 2: Giao diện của phần mền ADS

- Giao diện dễ dàng sử dụng, phần mền tích hợp thiết kế và mô phỏng cho kết quả nhanh chóng và chính xác

- Những ứng dụng cụ thể được tích luỹ trong nhiều năm được đóng gói trong DesignGuides với một giao diện dễ sử dụng

3.2.2.Mô hình cho PA với tín hiệu vào 2-tone:

Mạch PA được xây dựng từ phần mềm ADS và dữ liệu vào/ra sẽ được lấy từ thiết kế này Trong đó, RF_PA_CKT ( Radio Frequence Power Amplifier Circuit) là mạch khuếch đại hai tầng dùng BJT (Bipolar Junction Transistor) với tần số trung tâm 2GHz, độ lợi tín hiệu nhỏ gần bằng 30dB và công suất ngõ ra tương đương 15dBm Mạch khuếch này được cung cấp để dễ dàng trong mô phỏng bao hình mạch khuếch đại ở mức độ mạch

Tín hiệu vào là tín hiệu công suất, tần số f=1.95GHz±10MHz Thiết bị đầu cuối được phối hợp với trở kháng ZPΩ

Hình 3 3: Sơ đồ mô phỏng mạch PA với tín hiệu vào 2-tone

Mạch được mô phỏng bằng phương pháp cân bằng hoạ tần (Hamonic balance) với biến được quét (SweepVar) là RFpwr (biên độ tín hiệu vào theo công suất) để tìm ra đáp tuyến giữa độ lợi theo biên độ tín hiệu vào Sau khi mô phỏng ta được đáp tuyến như hình 3.3

Hình 3 4: Đáp tuyến độ lợi của mạch PA với tín hiệu vào 2-tone

Để đào tạo và kiểm tra mô hình mạng nơ-ron nhân tạo (ANN), dữ liệu được chia thành hai tập con dựa trên biên độ công suất Tập huấn luyện có biên độ từ -36dBm đến -24dBm, trong khi tập kiểm tra có biên độ từ -35dBm đến -23dBm.

3.2.3.Mô hình của PA với tín hiệu vào WCDMA:

Mạch khuếch đại trong mô hình này vẫn sử dụng mạch RF_PA_CKT như trong mô hình ở hình 3.2 chỉ thay đổi tín hiệu vào 2-tone thành tín hiệu vào WCDMA (3GPP uplink) tần số f=1.95GHz Từ mô hình này tác giả mô phỏng bằng phương pháp cân bằng hoạ tần (Hamonic balance) với biến được quét (SweepVar) là RFpwr (biên độ tín hiệu vào theo công suất) để tìm ra đáp tuyến giữa độ lợi theo biên độ tín hiệu vào Sau khi mô phỏng ta được đáp tuyến như hình 3.5

Hình 3 5: Mô hình mô phỏng PA với tín hiệu vào CDMA

Hình 3 6: Đáp tuyến độ lợi của mạch PA với tín hiệu vào WCDMA

Để huấn luyện và kiểm tra mô hình mạng nơ-ron nhân tạo trong mạch PA, dải biên độ công suất đầu ra được chia thành hai tập con: tập huấn luyện với biên độ Ptrain từ -34 đến -14dBm và tập kiểm tra Ptest từ -35 đến -15dBm.

Xây dựng mô hình PA

Đây là phần quan trọng trong việc mô hình hoá hành vi PA, một cấu trúc mô hình phù hợp sẽ cho một mô hình hành vi chính xác và hiệu quả Như đã đề cập ở phần 2.2.2 chương 2 về lý thuyết nhận hệ thống thì mô hình time delay neural network (TDNN) hay còn gọi là NARX (Nonlinear Autoregressive Network with Exogenous Inputs) là gần với khái niệm đa thức nhớ Cấu trúc TDNN với khả năng không chỉ phụ thuộc vào ngõ vào quá khứ mà còn phụ thuộc vào quá khứ của ngõ ra, điều này phù hợp với hiệu ứng nhớ của mô hình hành vi của đối tượng Trong luận văn này tác giả đã lựa chọn hình 2.8 để xây dựng mô hình hành vi cho mạch khuếch đại siêu cao tần Do tính chất trì hồi tiếp và hoãn ngõ ra của mô hình nên mô hình TDNN còn được gọi là mô hình NARX

Kiến trúc của mô hình Nonlinear Autoregressive Network with Exogenous Inputs (NARX ) được đưa ra trong hình 3.7 Mô hình này được dùng để nhận dạng mối quan hệ giữa ngõ vào và ngõ ra của PA Mô hình NARX gồm ba lớp, với lớp ngõ vào gồm hai tín hiệu: tín hiệu vào bị làm trễ cùng với tín hiệu ngõ ra được hồi tiếp và cũng bị làm trễ dùng làm ngõ vào thứ hai với M=7 tapped-delay mà những tapped-delay này được xem như là quá khứ của tín hiệu vào, nó thật sự cần thiết cho một mô hình có hiệu ứng nhớ Lớp ẩn (layer 1) chứa N neurons được kết nối với lớp ra (layer 2) gồm một neuron tuyến tính

Hình 3 7: Kiến trúc mô hình NARX

Mối quan hệ vào/ra của mô hình NARX ở hình 3.6 được mô tả như sau: y(s)=f((x(s),x(s-1),…,x(s-q 1 );y(s),y(s-1),…,y(s-q 2 )) (3.1)

Mạng neural có giá trị phân cực, cho phép tự do lựa chọn giải thuật huấn luyện và tối ưu các thông số để mô tả hệ thống Để tăng độ chính xác và tốc độ huấn luyện, tín hiệu đầu vào cho neural ẩn cần chuẩn hóa trong miền [-1,+1] khi sử dụng hàm kích hoạt tagsimod Độ sâu M (số mẩu tín hiệu vào trì hoãn) ảnh hưởng đến độ chính xác của đặc tuyến băng thông, trong khi số neural ẩn N tối ưu hóa để phù hợp với dạng sóng huấn luyện.

Mô hình hành vi của PA theo kiểu kiến trúc trên hình thành từ kiến trúc mô hình NARX được huấn luyện với dữ liệu đo đạc tín hiệu vào/ra của PA trong miền thời gian Dạng sóng công suất tín hiệu vào/ra trong miền thời gian được biểu diễn thành những số hạng được lấy mẫu rời rạc Những tap trì hoãn TDL giữa những mẫu liền kề phải được nhân với thời gian lấy mẫu TS và được tính toán như sau MTS=M/FS, trong đó FS là tần số lấy mẫu dữ liệu Những thông số mạng được tối ưu sử dụng giải thuật lan truyền hồi tiếp bậc thứ hai Giải thuật Levenberg- Marquardt được chọn do hiệu suất và tốc độ tốt trong xử lý Để đánh giá độ chính xác sự học của mô hình NARX, lỗi bình phương trung bình (Mean Square Error- MSE) được tính như sau:

Trong đó, T là số cặp của tín hiệu vào/ra trong tập hợp

Tính chất tổng quát của một mạng neuron (Neural network –NN) tốt cho rằng nó phải thực thi tốt trên tập dữ liệu mới khác biệt với tập dữ liệu dùng cho huấn luyện Một mô hình NN tốt thu được thì một giá trị rất nhỏ của hàm MSE (Mean Square Error) trong khi huấn luyện là cũng không cần thiết Thậm chí sự quá huấn luyện (số lượng epochs hay iterations) có thể làm cho hiệu suất của mô hình giảm Đó là lý do tại sao chúng ta chia nhỏ tập dữ liệu dùng để huấn luyện thành những tập dữ liệu nhỏ hơn và các tập dữ liệu này không nhất thiết có độ dài bằng nhau Nếu có một sự kế thừa của epoch huấn luyện mà ở đó chỉ cải thiện hiệu suất ở dữ liệu huấn luyện mà không ở dữ liệu xác nhận thì sự quá huấn luyện xảy ra và sự học được kết thúc Kỹ thuật này được gọi là ‘”dừng sớm” (early-stop) Sau khi quá trình huấn luyện được hoàn thành, chúng ta sẽ sử dụng một tập hợp dữ liệu để kiểm tra, dữ liệu này với tốc độ lấy mẫu khác so với tốc độ lấy mẫu của tập dữ liệu gốc

(nhiều điểm hơn trong cùng một khoảng thời gian), để cho chúng ta thấy rằng mô hình này mạnh mẽ và đáng tin cậy ngay cả khi chúng ta thử nghiệm với tập dữ liệu khác hay dữ liệu nhận được với một tần số khác

Sự lấy những tham số của mô hình NARX (thường có ý nghĩa như là thủ tục học) được thực hiện sao cho dạng sóng tín hiệu dữ liệu vào/ra đo đạc hay mô phỏng được phù hợp với thiết bị của mô hình NARX Trong nghiên cứu này, thủ tục huấn luyện của mô hình NARX được thực hiện dựa vào những mô phỏng đặc tính động của PA sử dụng một tín hiệu biến điệu biên độ Mục tiêu của chúng ta là thay thế một mô hình mạch điện tương đương tương đối phức tạp của PA bằng một mô hình toán tương đối đơn giản (mô hình NARX)

Việc khởi tạo mạng là một vấn đề quan trọng để huấn luyện mô hình NARX với giải thuật lan truyền hồi tiếp Các trọng số ban đầu được lựa chọn một cách ngẫu nhiên từ trong dãy thích hợp như [-1,+1] Tập hợp dùng để huấn luyện mạng được xử lý trước theo phương trình (3.3) bằng cách chuẩn hoá tín hiệu vào để chúng rơi vào khoảng [-1,+1], do đó hàm tác động được chọn cho các neural ẩn là hàm tangsig Tác giả chọn hàm này bởi vì nó là hàm cơ bản được sử dụng cho mô hình hành vi của PA và nó cho phép đại diện cho một hệ thống động ở bất kỳ thứ bậc nào mà không cần biết trước

Sau khi quá trình huấn luyện hội tụ thì những tham số của mô hình NARX đã tìm được tức là số neural ẩn, giá trị phân cực và giá trị trọng số tìm được Sau một vài thử và sai thì số lượng neuron được chọn là N và số lượng mẫu trì hoãn của tín hiệu vào M Số lượng mẫu trong tập hợp dùng để huấn luyện (train), xác nhận(validation) và kiểm tra (test) là 50000 mẩu được chia theo tỷ lệ 70:15:15

KẾT QUẢ MÔ PHỎNG MÔ HÌNH HOÁ MẠCH KHUẾCH ĐẠI CÔNG SUẤT

Mô hình NARX cho PA

Nhiều cấu trúc của mạng neurons (NNs – neural networks) được đưa ra để mô hình hoá mạch PA Tuy nhiên, không phải bất kỳ cấu trúc và loại NN nào cũng có thể được sử dụng để xây dựng mô hình cho một hệ thống mà hệ thống đó động và phi tuyến, đặc tính động của thiết bị có nghĩa là ngõ ra của mô hình không chỉ thay đổi theo thời gian mà còn phụ thuộc vào giá trị quá khứ của nó ở biến ngõ vào/ra điều khiển Vì vậy, để xử lý cho tính động của đối tượng tác giả đề nghị mô hình NARX và mô hình này cũng được áp dụng cho hàm tác động phi tuyến Mô hình NARX có cấu trúc cơ bản gồm ba lớp: biến ngõ vào và các mẩu trì hoãn của nó, lớp ẩn phi tuyến và cuối cùng là lớp ngõ ra là sự kết hợp tuyến tính của những neural ẩn Tất cả những neuron có giá trị phân cực Mô hình NARX thường được áp dụng để thực hiện cho mô hình động và phi tuyến bởi vì đạo hàm theo thời gian có thể được coi xấp xỉ như là tap time delays của những biến ngõ vào/ ra trong miền thời gian rời rạc Thưc tế là có nhiều mức độ để tự do chọn lựa giải thuật huấn luyện, vì vậy có nhiều thông số có thể được tối ưu để mô tả tốt một hệ thống, ngoại trừ thông số trọng lượng (weight) Để cải thiện độ chính xác của mô hình và tăng tốc độ huấn luyện, tín hiệu ngõ vào phải được chuẩn hoá miền của những neural ẩn, hàm kích hoạt trong trường hợp chọn là hàm tagsimod thì sự chuẩn hoá nên được thực hiện thành [-1,+1] M là số mẫu tín hiệu vào được trì hoãn, nó đại diện cho độ chính xác trong việc định hình đặc tuyến băng thông N là số neural ẩn được chọn để thực hiện cho phù hợp dạng sóng huấn luyện Kiến trúc NARX được trình bày trong hình 4.1 Phương trình (4.1) biểu diễn sự phân tích tương quan của tín hiệu vào/ra

Hình 4 1: Mô hình hoá của PA sử dụng NARX

Mô phỏng với tín hiệu vào 2-tone

Với sơ đồ mô phỏng ở hình 3.2 sẽ thu được một tập dữ liệu và được chia thành hai tập con Pin và Ptest có cùng số mẫu là 30.000 mẫu Tập Pin dùng để huấn mô hình Ptest dùng để kiểm tra mô hình vừa được huấn luyện Sau 45 epoch thì mô hình hội tụ với MSE là 3,06e-7 Kết quả huấn luyện tức ngõ ra của mô hình mạng neuron được đem so sánh với dữ liệu ra của mạch PA như trình bày trong hình 4.3

Hình 4 2: Biểu đồ hội tụ của quá trình huấn luyện

Hình 4 3: Ngõ ra của mô hình NARX và ngõ ra của PA

Hình 4 4: Phần mở rộng của tín hiệu huấn luyện ở hình 4.3

Sau khi huấn luyện xong, tập dữ liệu Ptest với 30.000 mẫu (tương thích với tập Pin) được đưa vào mô hình NARX để kiểm tra tính xác thực của mô hình và kết quả kiểm tra được thể hiện ở hình 4.5 và hình 4.6

Hình 4 5: Tín hiệu kiểm tra; ngõ ra của PA và mô hình NARX

Hình 4 6: Phần mở rộng kết quả kiểm tra ở hình 4.5

Hình 4 7: Sự hội tụ của mô hình NARX

Với kết quả kiểm tra tính xác thực của mô hình được thể hiện ở hình 4.5 hay hình 4.6 trong miền thời gian khá tốt Tín hiệu ngõ ra của mô hình được chuyển sang miền tần số và cũng được so sánh với dữ liệu đo của mô hình Sự so sánh trong miền tần số về mật độ công suất phổ (PSD – power spectral density ) được thể hiện ở hình 4.8 Chỉ số MSE trong miền tần số được tính toán theo công thức (3.2) là 3.3e-7

Hình 4 8: So sánh PSD mô hình NARX với dữ liệu đo đạc.

Mô phỏng với tín hiệu W-CDMA

Với sơ đồ mô phỏng ở hình 3.4 và đáp tuyến thu được ở hình 3.5 sẽ thu được một tập dữ liệu và được chia thành hai tập con Pin và Ptest có cùng số mẫu là 10.000 mẫu Tập Pin dùng để huấn luyện mô hình Ptest dùng để kiểm tra mô hình vừa được huấn luyện Sau 80 epoch thì mô hình hội tụ với MSE là 3,214e-7 Kết quả huấn luyện tức ngõ ra của mô hình mạng neuron được đem so sánh với dữ liệu ra của mạch PA như trình bày trong hình 4.9

Sau khi quá trình huấn luyện mô hình NARX hoàn tất, tập dữ liệu Ptest chứa 10.000 mẫu (tương thích với tập Pin) được sử dụng để kiểm tra tính xác thực của mô hình Kết quả kiểm tra thể hiện ở Hình 4.11 và Hình 4.12.

Hình 4 9: Biểu đồ hội tụ quá trình huấn luyện với tín hiệu CDMA

Hình 4 10: Ngõ ra của mô hình NARX và ngõ ra của PA

Hình 4 11: Phần mở rộng của tín hiệu huấn luyện ở hình 4.9

Hình 4 12:Tín hiệu kiểm tra; ngõ ra của PA và mô hình NARX

Hình 4 13: Phần mở rộng kết quả kiểm tra ở hình 4.11

Hình 4 14: Sự hội tụ của mô hình NARX

Với kết quả kiểm tra tính xác thực của mô hình được thể hiện ở hình 4.11 hay hình 4.12 trong miền thời gian khá tốt Tín hiệu ngõ ra của mô hình được chuyển sang miền tần số hình 4.15 Tín hiệu này được hiển thị bằng cách sử dụng hàm Pwelch trong Matlab R Sự so sánh trong miền tần số về mật độ công suất phổ (PSD – power spectral density ) được thể hiện ở hình 4.16 Chỉ số MSE trong miền tần số được tính toán theo công thức (3.2) là 0.2874%

Hình 4 15: PSD ngõ ra của mô hình NARX với tín hiệu WCDMA

Hình 4 16: So sánh giữa ngõ ra của NARX với dữ liệu đo.