Phần mềm vô tuyến: bộ cân bằng ứng dụng mạng Neuron và triệt nhiễu dùng sóng con trên phần cứng DSP

12 195 0
Phần mềm vô tuyến: bộ cân bằng ứng dụng mạng Neuron và triệt nhiễu dùng sóng con trên phần cứng DSP

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Phần mềm vô tuyến: cân ứng dụng mạng Neuron triệt nhiễu dùng sóng phần cứng DSP TMS320C6711 Software Radio: Neural Networks-Based Equalizer and Denoising using Wavelets Implemented to the DSP TMS320C6711 Hoàng Đình Chiến Abstract: The article mainly concentrates on equalizers implemented neural networks approach to denoise intersymbol interference (ISI) and wavelets-based denoising in digital communication systems implemented to the DSP TMS320C6711 It compares the run time and performances between two simulation methods for passband and baseband modulations The simulation is realized on PC with the MATLAB program and the DSP hardware of TMS320C6711 in real time mode Many samples of data are represented for the simulations with various formats in pictures, text and audio files The further works is also presented for future extension of the approach Keywords: Digital Communicaitons, Intersymbol Interference ISI, equalizers, Neural Networks, TMS320C6711 I GIỚI THIỆU TỔNG QUÁT Trong hệ thống thông tin số, chất lượng tín hiệu thu chịu ảnh hưởng nhiều loại nhiễu như: nhiễu nhiệt, fading, interference Để giảm bit lỗi tín hiệu thu, có nhiều phương pháp khác sử dụng, có cân Bài báo đề cập ứng dụng mạng neuron (Neural Networks) vào cân triệt nhiễu liên ký tự ISI, phát triển từ [4,5] Các chương trình mô viết ngôn ngữ MATLAB chạy PC thực nghiệm phần cứng Card DSP TMS320C6711 với thời gian thực Trong xu hướng thiết kế hệ thống thông tin xử lý tín hiệu DSP phần quan trọng Software Radio Systems [1,2,3], thuật ngữ nhắc đến kết hợp công nghệ ASICs xử lý tín hiệu DSP cho thiết bị vô tuyến Hướng đề tài nhằm mục tiêu tiếp cận với ý tưởng qua bước phát triển cho khối hệ thống thông tin số vô tuyến II NGUYÊN LÝ BỘ CÂN BẰNG VÀ BỘ CÂN BẰNG DÙNG MẠNG NEURON Bộ cân Bộ cân kỹ thuật xử lý tín hiệu làm giảm thiểu nhiễu giao thoa ký tự ISI (InterSymbol Interference) Các chế độ hoạt động tổng quát cân thích nghi huấn luyện bám (tracking) Đầu tiên, chuỗi huấn luyện có chiều dài cố định phát để cân máy thu tìm trị trung bình cài đặt thích hợp Theo sau tức thời, liệu cần truyền gởi đi, cân thích nghi máy thu sử dụng thuật toán hồi quy xác định mức kênh truyền ước lượng hệ số lọc để bù cho kênh truyền Hình mô tả sơ đồ khối hệ thống thông tin số dùng cân thích nghi Tại máy thu, tín hiệu ngõ cân là: d ' (t ) = x(t ) ⊗ f * (t ) ⊗ heq (t ) + nb (t ) ⊗ heq (t ) (1) với f*(t) liên hợp phức f(t), nb(t) nhiễu băng gốc ngõ vào cân bằng, heq(t) đáp ứng xung cân bằng, ký hiệu ⊗ biểu thị tích chập Giả sử nb(t) = 0, để ngõ mong muốn cân x(t), nghĩa d’(t) = x(t) thì: f * (t ) ⊗ heq (t ) = δ (t ) (2) Trong miền tần số, phương trình (2) biểu diễn là: F * ( f ) × heq (t ) = (3) Phương trình (3) cho thấy cân lọc nghịch đảo kênh truyền Nếu kênh truyền chọn lọc tần số, cân nâng cao thành phần tần số có biên độ nhỏ làm giảm thành phần tần số có biên độ lớn phổ tần số thu cho đáp ứng tần số phẳng đáp ứng pha tuyến tính Đối với kênh truyền thay đổi theo thời gian, cân thích ứng thiết kế để lần theo thay đổi kênh truyền cho thỏa mãn gần xác phương trình cuối Trong phần đầu báo đề cập cân dùng mạng neuron thực hàm lọc cân heq(t) f(t): đáp ứng xung kết hợp phát, kênh truyền đa đường thu RF/IF Tín hiệu baseband gốc x(t) Modula Transmitter Radio Demodulat Nhiễu tương đương RF receiver Dữ liệu tái tạo: d(t) Equalizer heq(t) Decision maker y(t) d’(t) d(t) error: e(t) Hình 1: Sơ đồ khối kênh truyền sử dụng cân Mạng neuron a) Neuron: Thành phần Mạng neuron neuron Hình miêu tả cấu trúc neuron Trong đó: p, a ngõ vào ngõ ra; w,b trọng số ngưỡng; n ngõ vào hàm truyền; f hàm truyền neuron Có thể điều chỉnh thông số neuron trọng số ngưỡng (w b) nhằm thiết lập mối quan hệ mong muốn ngõ vào ra, nghĩa “huấn luyện” mạng w P n Σ f a=f(wp+b) b Hình 2: Cấu trúc neuron b) Hàm truyền: Có nhiều hàm truyền áp dụng Mạng neuron, ba hàm thường sử dụng Hard Limit, Linear, Log-Sigmoid c) Lớp: Hai hay nhiều neuron kết hợp thành lớp; mạng riêng biệt chứa hay nhiều lớp neuron, lớp có ma trận W, ngưỡng b vectơ ngõ d) Các phương pháp huấn luyện gồm mô hình bản: Học không giám sát (unsupervised learning), học tăng cường (reinforcement learning), học lan truyền ngược (back-propagation) Trong đó, học backpropagation chứng minh có hiệu cao việc huấn luyện mạng neuron nhiều lớp Các thông tin lỗi lọc ngược trở qua hệ thống sử dụng để điều chỉnh kết nối lớp chất lượng cải thiện đáng kể Bộ cân thích ứng dùng mạng neuron Mạng neuron sử dụng để mô hàm lọc cân heq(t) Hình (3) miêu tả mạng neuron sử dụng báo Đầu tiên, mạng huấn luyện chuỗi liệu biết trước máy phát máy thu Điều thực cách so sánh tín hiệu nhận sau giải điều chế (input) cho qua mạng (output) với tín hiệu đích (target), phép so sánh cho kết gọi lỗi Lỗi dùng để cập nhật trọng số bên mạng thuật toán huấn luyện Mạng sau làm quen với nhiễu sẵn sàng hoạt động Mạng neuron tạo mối quan hệ mong muốn ngõ vào ngõ Theo chu kì mạng huấn luyện lại để cặp nhật trọng số (cấu trúc bên mạng) thích ứng theo biến đổi kênh truyền III PHƯƠNG PHÁP MÔ PHỎNG Theo định lý lấy mẫu Nyquist, tần số lấy mẫu phải lớn hai lần tần số lớn tín hiệu Phương pháp mô passband thực ứng với tần số sóng mang đòi hỏi khối lượng tính toán lớn, thời gian lâu Để giải vấn đề này, kỹ thuật baseband sử dụng Kỹ thuật mô baseband xem phương pháp tương đương tần số thấp sử dụng biên độ phức tín hiệu thông dải Xét tín hiệu điều chế QPSK, giả sử tần số sóng mang fc pha ban đầu θ0 Phương trình điều chế tín hiệu pha xI(t) tín hiệu trực pha xQ(t) sóng mang viết sau: y (t ) = x I (t ) cos( f c t + θ ) − xQ (t ) sin( f c t + θ ) (4) Bộ trễ x(k) Hidden_layer 1: neuron- tagsig Hidden_layer 2: Output_layer 1: neuron-logsig neuron- pureline Σ D Σ D Σ output(k) Σ D Σ D Σ D Σ target(k) e(k) Thuật toán điều chỉnh Hình 3: Cấu trúc mạng Neuron sử dụng báo Phương trình viết lại sau: { y (t ) = Re( x I (t ) + jxQ (t ))e jθ e j 2πf ct { = Re Y (t )e j 2πf ct } Với: Y (t ) = ( x I (t ) + jxQ (t ))e } jθ (5) (6) gọi dạng sóng baseband phức (complex baseband waveform) Thành phần tần số cao e Việc điều chế băng gốc thực dạng sóng baseband phức Y(t) B băng thông tín hiệu tin tức, điều chế băng gốc đòi hỏi tần số lấy mẫu lớn 2B Trong điều chế băng gốc, B luôn giả sử nhỏ fc nhiều lần (B

Ngày đăng: 20/06/2016, 05:02

Từ khóa liên quan

Mục lục

  • GIỚI THIỆU TỔNG QUÁT

  • NGUYÊN LÝ BỘ CÂN BẰNG VÀ BỘ CÂN BẰNG DÙNG MẠNG NEURON

    • Bộ cân bằng

    • Mạng neuron

      • Neuron:

      • Hàm truyền:

      • Lớp:

      • Các phương pháp huấn luyện gồm 3 mô hình cơ bản:

      • Bộ cân bằng thích ứng dùng mạng neuron

      • PHƯƠNG PHÁP MÔ PHỎNG

      • CARD DSP TMS320C6711

      • SƠ ĐỒ KHỐI QUÁ TRÌNH MÔ PHỎNG

      • KẾT QUẢ MÔ PHỎNG

        • Mô phỏng trên MATLAB

        • Mô phỏng trên DSP

        • 3. Nhận xét

          • Giải thuật khôi phục sóng con:

          • Kết quả mô phỏng và nhận xét

          • KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Tài liệu cùng người dùng

Tài liệu liên quan