Bộ méo trước ứng dụng mạng Kohonen để khắc phục méo phi tuyến trong thông tin vệ tinh

Bài báo đề xuất sử dụng bộ méo trước ứng dụng mạng noron phức Kohonen với thuật toán tự tổ chức để rút ngắn thời gian hội tụ và tối ưu số noron lớp Kohonen theo dữ liệu đầu vào.

Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) Bộ méo trước ứng dụng mạng Kohonen để khắc phục méo phi tuyến thơng tin vệ tinh Đồn Thị Thanh Thảo Lê Hải Nam, Phạm Bá Bình Đại học Cơng nghệ thơng tin & Truyền thông Đại học Thái Nguyên Thái Nguyên, Việt Nam Email: dttthao@ictu.edu.vn Học viện Kỹ thuật Quân Hà Nội, Việt Nam Email: lehainam71174@yahoo.com binhpb85@gmail.com Phương pháp thứ hai sử dụng san phi tuyến trạm đầu cuối mặt đất Phương pháp có ưu điểm san kênh đường xuống (có thể kênh fading biến đổi theo thời gian) đồng thời loại bỏ ảnh hưởng méo phi tuyến Hạn chế kỹ thuật chi phí lớn trạm đầu cuối phải có san [3], [4], [5] Tóm tắt—Kỹ thuật méo trước ứng dụng mạng noron liên tục phát triển nhằm giảm thời gian huấn luyện tăng chất lượng Bộ méo trước dụng mạng noron phức RBF với thuật toán lan truyền ngược có thời gian hội tụ dài Bài báo đề xuất sử dụng méo trước ứng dụng mạng noron phức Kohonen với thuật toán tự tổ chức để rút ngắn thời gian hội tụ tối ưu số noron lớp Kohonen theo liệu đầu vào Kết nghiên cứu cho thấy ưu điểm phương pháp thời gian hội tụ mạng rút ngắn số nơron lớp ẩn tối ưu theo tham số đầu vào Phương pháp thứ tuyến tính hóa khuếch đại công suất hay kỹ thuật méo trước cách đặt trước khuếch đại công suất vệ tinh méo trước Các kỹ thuật méo trước thực thơng qua biện pháp méo trước theo mơ hình chuỗi Volterra, méo trước theo phương pháp LUT, méo trước ứng dụng mạng nơron Trong phương pháp ứng dụng mạng nơron có nhiều ưu điểm vượt trội nhờ khả mạng nơron tạo hàm ngược khuếch đại [6], [7] Kỹ thuật méo trước ứng dụng mạng nơron RBF phức cho kết tốt, phổ đầu khuếch đại công suất gần với trường hợp lý tưởng nhiên thời gian hội tụ mạng dài [8], [9] Bài báo đề xuất sử dụng méo trước ứng dụng mạng noron phức Kohonen kết hợp với thuật toán tự tổ chức để rút ngắn thời gian hội tụ tối ưu số noron lớp ẩn theo tham số đầu vào Từ khóa—Mạng nơron, méo trước, mạng Kohonen, thuật toán tự tổ chức I GIỚI THIỆU Trên vệ tinh thường sử dụng khuếch đại cơng suất cao (HPA) loại đèn sóng chạy (TWT) khuếch đại bán dẫn (SSPA) Thông thường HPA thiết kế làm việc trạng thái gần bão hòa để đạt hiệu lượng tối đa giới hạn nguồn điện vệ tinh Do làm việc miền gần bão hòa nên HPA gây méo phi tuyến lớn cho kênh truyền thông tin vệ tinh nguyên nhân làm giảm hiệu sử dụng phổ kênh [1] Nội dung báo trình bày theo phần chính: phần I giới thiệu tổng quan lĩnh vực nghiên cứu; phần II trình bày cấu trúc méo trước ứng dụng mạng nơron Kohonen; phần III tiến hành mô đánh giá hiệu việc sử dụng mạng nơron Kohonen kết hợp thuật toán tự tổ chức việc làm giảm méo phi tuyến cải thiện chất lượng hệ thống cuối phần IV kết luận kết đạt báo Có số phương pháp áp dụng để chống lại méo phi tuyến tăng BO, san bằng, méo trước Phương pháp tăng BO đẩy điểm làm việc HPA vùng tuyến tính hơn, giảm méo phi tuyến gây HPA Việc tăng BO, vậy, buộc phải chấp nhận lãng phí hiệu công suất HPA dẫn đến phải dùng HPA có cơng suất lớn hơn, cồng kềnh nặng nề tăng chi phí, phải chấp nhận cơng suất tín hiệu thấp Cần phải lưu ý giá trị BO tăng để đạt độ tuyến tính cao việc tăng BO làm giảm cơng suất tín hiệu phát công suất thu giảm, làm giảm SN R đầu thu, dẫn đến lại làm tăng xác suất lỗi tồn giá trị BO tối ưu [2] ISBN: 978-604-67-0349-5 II CẤU TRÚC BỘ MÉO TRƯỚC ỨNG DỤNG MẠNG NƠ RON A Cấu trúc khuếch đại có méo trước Sơ đồ khối khuếch đại với méo trước ứng dụng mạng nơron thể Hình Bộ méo 426 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) Dữ liệu đầu vào lớp Kohonen nơron đầu vào Các nơron đầu vào tạo thành mẫu liệu đầu vào mạng Quá trình huấn luyện cho mạng nơron Kohonen huấn luyện cạnh tranh nên tập huấn luyện có nơron “winner” Nơron “winner” có trọng số điều chỉnh cho tác động trở lại mạnh mẽ liệu đầu vào lần Sự khác nơron “winner” dẫn tới khác mẫu đầu vào trước ứng dụng mạng nơron có nhiệm vụ tạo hàm ngược khuếch đại thơng thường cấu trúc hệ thống gồm có hai mạng nơron Mạng nơron đóng vai trị nhận dạng có nhiệm vụ tạo hàm ngược khuếch đại mạng nơron thứ thực chất đóng vai trị khối méo trước Thơng qua thuật tốn huấn luyện mạng xn yn Méo trước sử dụng mạng Nơron Khuếc đại cơng suất cao HPA Tín hiệu vào phức x = xR + i.xI đưa tới nơron lớp Kohonen zn Đầu nơron thứ j là: x−cj R2 j − Méo trước sử dụng mạng Nơron ψj = e en (1) I Trong cj = cR j + icj tâm hàm sở xuyên tâm Rj phương sai hàm Gauss Tín hiệu đầu vào nơron lớp : Khối thuật tốn nh s= Hình Cấu trúc khuếch đại sử dụng méo trước với mạng nơron Wj ψj (2) j=1 nơron tìm trọng số cho sai số en đủ nhỏ Khi mạng nơron thực hàm ngược so với hàm truyền khuếch đại Mạng nơron thực chất mặt cấu trúc mạng nơron thứ y = f (S) = tanh(S) = Mạng nơron Kohonen (hay nơron tự tổ chức) mạng có khả sử dụng kinh nghiệm khứ để thích ứng với biến đổi mơi trường (khơng dự báo trước) Loại mạng thuộc nhóm hệ tự học, thích nghi khơng cần có chuỗi huấn luyện từ bên [10], [11] Cấu trúc mạng nơron Kohonen cho méo trước bao gồm lớp: lớp đầu vào có noron, lớp Kohonen có số noron tăng giảm đến giá trị tối ưu theo thuật tốn tự tổ chức lớp đầu có noron Toàn x = x + ix I Ψ1 Ψ2 W1 W2 y = y + iy R C Thuật toán huấn luyện mạng Kohonen Thuật toán huấn luyện mạng Kohonen bao gồm hai thuật toán Thứ thuật toán tự tổ chức để xây dựng cấu trúc hợp lý cho mạng Kohonen Thứ hai thuật toán lan truyền ngược nhằm điều chỉnh tham số mạng - Thuật toán tự tổ chức Được xây dựng sở tiêu chuẩn “cửa sổ trượt” nhằm tăng giảm phần tử lớp ẩn I S f + Tiêu chuẩn tăng nơron lớp ẩn Wnh Lớp đầu vào Ψnh Trong trình huấn luyện nơron thêm vào thỏa mãn đồng thời ba điều kiện sau: xi − Cji > ∈i (4) Lớp đầu Lớp Kohonen Hình Cấu trúc mạng Kohonen ứng dụng cho méo trước trình huấn luyện cho mạng nơron Kohonen cần phải lặp lại qua vài cơng đoạn Nếu sai số tính tốn mạng nơron Kohonen mức thấp mức chấp nhận hồn tất q trình huấn luyện Để tính tốn tỉ lệ sai số cho mạng nơron Kohonen, ta điều chỉnh trọng số cho cơng đoạn ISBN: 978-604-67-0349-5 (3) Trong Wj = WjR + iWjI trọng số liên hệ noron lớp ẩn lớp f hàm kích hoạt mạng nơron đầu (hàm tang hyperbolic) B Cấu trúc mạng nơron Kohonen cho méo trước R eS − e−S eS + e−S e (k) > emin (5) erms (k) > elmin (6) Trong e (k) sai số đầu mạng thời điểm t = kT ; e (k) = yd (k) − y (k); yd (k) giá trị đầu mong muốn thời điểm t = kT ; ∈i giá trị xác định độ lệch tâm tối thiểu, emin giá trị sai số tối thiểu 427 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) thời điểm t; erms sai số trung bình “cửa sổ trượt”, elmin giá trị sai số trung bình tối thiểu k ej erms (k) = cấu trúc hợp lý giảm độ phức tạp cấu trúc mạng so với mạng RBF giảm số lượng tính tốn nên thời gian huấn luyện mạng Kohonen nhanh mạng RBF Tuy nhiên cần nhấn mạnh chất lượng huấn luyện mạng phụ thuộc nhiều vào cách chọn tham số cho thuật toán huấn luyện j=k−(nw −1) (7) nw nw độ dài cửa sổ trượt Dễ dàng thấy điều kiện thứ (4) đảm bảo sơ đồ Kohonen nơron thêm vào nằm đủ xa so với nơron có lớp Kohonen Điều kiện thứ hai (5) nơron có mạng không đủ để bảo đảm đầu nhận giá trị mong muốn Để giảm nhiễu trình thêm vào nơron mới, tiêu chuẩn thứ ba (6) sử dụng để đánh giá sai số đầu mạng chuỗi tín hiệu có độ dài định “cửa sổ trượt” - Thuật tốn lan truyền ngược Thuật toán giảm lan truyền ngược để điều chỉnh tham số cho mạng Kohonen Hàm sai số đầu mạng xác định sau: 1 2 2 E= = eR + eI ydR − y R + ydI − y I 2 (14) Kết tính tốn tham số theo phương pháp giảm gradient sau: ∂E WjR (t + 1) = WjR (t) − µ1 (15) ∂WjR (t) Khi nơron thêm vào lớp Kohonen, tham số tương ứng nơron xác định sau: Rj+1,i = a xi − Cji (8) Cj+1,i = xi R,I wj+1 WjI (t + 1) = WjI (t) − µ1 ∂E ∂WjI (t) (16) CjR (t + 1) = CjR (t) − µ2 ∂E ∂CjR (t) (17) CjI (t + 1) = CjI (t) − µ2 ∂E ∂CjI (t) (18) Rj (t + 1) = Rj (t) − µ3 ∂E ∂Rj (t) (19) (9) ej + = ψj+1 (10) j số lượng nơron có lớp Kohonen, a hệ số xác định phương sai hàm Gauss theo độ lệch tâm cực tiểu + Tiêu chuẩn giảm nơron lớp ẩn Ở giá trị µ1 , µ2 , µ3 bước huấn luyện mạng Các đạo hàm riêng E theo C, W R tính sau: ∂E ∂y R ∂E = = −ψj (x) eR f S R (20) R ∂y R ∂WR ∂Wj j Trong trình huấn luyện mạng thường bắt gặp nơron ẩn lớp Kohonen mà chúng đóng vai trị hoạt động mạng Để loại bỏ nơron cần tiến hành đánh giá ảnh hưởng chúng lên giá trị đầu Trước hết cần xác định đầu nơron lớp ẩn: SjR = wjR ψj ; SjI = wjI ψj ∂E ∂E ∂y I = = −ψj (x) eI f I ∂y I ∂WjI ∂Wj (11) Các vectơ chuẩn hóa xác định sau: rjR = sR j ; rjI |sR max | = sIj |sImax | (12) = −ψj (x) SjR ; sImax = max SjI × f (13) Nếu giá trị rjR rjI nhỏ giá trị ngưỡng α liên tiếp khoảng Sw bước quan sát nơron thứ j lớp Kohonen bị loại bỏ khỏi mạng Rõ ràng ta thấy nhờ thuật toán tự tổ chức, trình huấn luyện mạng Kohonen thêm vào nơron cần thiết loại bỏ nơron thừa mạng Sau trình huấn luyện mạng Kohonen nhận ISBN: 978-604-67-0349-5 (21) ∂E R ∂y R ∂S R ∂ψj ∂E I ∂y I ∂S I ∂ψj ∂E R = + ∂y R ∂S R ∂ψj ∂CjR ∂y I ∂S I ∂ψj ∂CjI ∂CjR sR max = max SI xR − CjR Rj2 S R eR WjR + f S I eI WjI (22) ∂E ∂E ∂y R ∂S R ∂ψj ∂E ∂y I ∂S I ∂ψj = + I I I R R ∂y ∂S ∂ψj ∂Cj ∂y ∂S I ∂ψj ∂CjI ∂Cj = −ψj (x) × f 428 xI − CjI Rj2 S R eR WjR + f S I eI WjI (23) Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) ∂E ∂y R ∂S R ∂ψj ∂E ∂y I ∂S I ∂ψj ∂E = + I R R ∂Rj ∂y ∂S ∂ψj ∂Rj ∂y ∂S I ∂ψj ∂Rj = −ψj (x) x − Cj × f Nguồn tín hiệu nhị phân ngầu nhiên Điều chế 16 QAM Bộ lọc phát Méo trước Khuếch đại công suất Giải điều chế 16 QAM Bộ lọc thu Kênh Gaussian Rj−3 S R eR WjR + f S I eI WjI (24) Dữ liệu thu Thuật tốn huấn luyện mơ tả Hình Hình Mơ hình mơ kỹ thuật méo trước khắc phục méo phi tuyến gây khuếch đại công suất Bắt đầu Khởi tạo tham số ban đầu cho mạng ban đầu nh = 1; Tham số thuật toán tự tổ chức: emin = 0.01; elmin = 0.3; ∈i = 0.05; α = 0.5; Tốc độ huấn luyện η = 0.02 Tính tốn giá trị đầu sai số theo symbol x i Sai Sai Thỏa mãn tiêu chuẩn tăng nơron? Thỏa mãn tiêu chuẩn giảm nơron? Đúng Đúng 0.8 0.6 Loại bỏ nơron thừa Thêm nơron vào lớp ẩn 0.4 Điều chỉnh tham số mạng Quadrature Sai 0.2 Có chấp nhận MSE? −0.2 Đúng −0.4 Kết thúc −0.6 −0.8 Hình Thuật tốn huấn luyện cho mạng Kohonen III −1 −1 −0.8 −0.6 −0.4 −0.2 In−Phase 0.2 0.4 0.6 0.8 Hình Constellation tín hiệu thu khơng có méo trước KẾT QUẢ MƠ PHỎNG Mơ sử dụng phương pháp Monte-Carlo tiến hành với dạng điều chế 16-QAM dạng tín hiệu có hiệu sử dụng lượng cao nhiên lại nhạy cảm với méo phi tuyến Giả định kênh kênh tạp trắng cộng tính (AWGN) 0.8 0.6 0.4 Bộ lọc phát sử dụng lọc bậc hai cosine nâng hệ số uốn 0,5; Độ lùi công suất đầu vào IBO = 0dB, khuếch đại cơng suất TWT (đèn sóng chạy) mơ tả theo mơ hình Saleh với đặc tuyến AM/AM AM/PM sau: αa r A (r) = (25) + βa r2 φ (r) = αp r2 + βp r2 Quadrature 0.2 −0.2 −0.4 −0.6 −0.8 (26) −1 −1 Trong r modul tín hiệu đầu vào tham số khuếch đại TWT chọn theo [12] sau: αa = 2.1587;βa = 1.1517; αp = 4.0033; βp = 9.104 Mạng nơron chọn có thơng số: Kích thước cửa sổ trượt nw = 10, Sw = 50; Số noron lớp ẩn ISBN: 978-604-67-0349-5 −0.8 −0.6 −0.4 −0.2 In−Phase 0.2 0.4 0.6 0.8 Hình Constellation tín hiệu thu có méo trước Trên Hình biểu diễn đồ thị chịm tín hiệu trường hợp khơng có méo trước, tác động 429 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) −3 60 50 2.5 40 MSE So noron lop an 30 x 10 KOHONEN RBF 1.5 20 0.5 10 0 200 400 600 800 So buoc lap 1000 1200 1000 2000 3000 4000 So buoc lap 5000 6000 7000 1400 Hình MSE mạng Kohonen mạng RBF Hình Sự thay đổi số noron lớp ẩn 10 Ly thuyet Co meo truoc Khong co meo truoc HPA co meo truoc HPA Meo truoc 0.9 −1 10 0.8 Cong suat dau (chuan hoa) 0.7 −2 BER 10 −3 10 −4 10 0.6 0.5 0.4 0.3 0.2 −5 10 0.1 −6 10 0 EbNo 10 12 14 16 0.1 0.2 0.3 0.4 0.5 0.6 Cong suat dau vao (chuan hoa) 0.7 0.8 0.9 Hình 10 Đặc tính AM/AM Hình BER với 16 – QAM HPA làm cho điểm tín hiệu thu bị lệch so với Constellation tín hiệu 16 QAM chuẩn nhiều RBF có số symbol đầu vào, tốc độ huấn luyện, khác thuật toán tự tổ chức Kết cho thấy sai số bình phương trung bình (MSE) mạng Kohonen giảm nhanh nhiều mạng RBF chứng tỏ sử dụng mạng Kohonen cho tốc độ hội tụ nhanh nhiều mạng RBF Hình biểu diễn đồ thị chịm tín hiệu trường hợp có méo trước tín hiệu Rõ ràng nhờ có méo trước ứng dụng mạng Kohonen kết hợp với thuật toán tự tổ chức làm cho tín hiệu thu bù méo biên độ méo pha Ta thấy, Constellation tín hiệu thu gần giống với Constellation tín hiệu 16 QAM chuẩn Hình 10 cho thấy, nhờ khả mạng noron Kohonen phức kết hợp với thuật toán tự tổ chức tạo hàm ngược khuếch đại cơng suất HPA Đặc tính AM/AM chuẩn hóa khuếch đại cơng suất cao HPA méo trước hàm có đặc tính ngược với HPA, đặc tính tổng cộng hàm tuyến tính Hình thể biến đổi số noron lớp ẩn điều kiện tăng giảm noron thỏa mãn số noron lớp ẩn tiến đến giá trị tối ưu khơng thay đổi Hình đồ thị thể đường xác suất lỗi bit: Đường BER khơng có méo trước gần nằm ngang, cịn đường BER có méo trước bám sát với đường BER lý thuyết Hình 11 cho thấy trường hợp khơng có méo trước, tác động HPA làm mở rộng phổ tín hiệu Trong trường hợp có méo trước hàm mật phổ tín hiệu bám sát với đường lý tưởng Hình vẽ mô mạng Kohonen ISBN: 978-604-67-0349-5 430 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) Ly thuyet Co meo truoc Khong co meo truoc [7] −10 −20 [8] −30 −40 [9] −50 [10] −60 Hình 11 Hàm mật độ phổ công suất IV [11] [12] KẾT LUẬN Bằng việc sử dụng mạng noron Kohonen phức kết hợp với thuật toán tự tổ chức nhận cấu trúc hợp lý giảm độ phức tạp cấu trúc mạng so với mạng RBF giảm số lượng tính tốn nên thời gian huấn luyện mạng Kohonen rút ngắn nhiều so với sử dụng mạng nơron RBF phức nơron thêm vào lớp ẩn có tham số theo tín hiệu đầu vào sai số đầu mạng nơron khối lượng tính tốn giảm Số nơron lớp ẩn không cố định mà tối ưu theo sai số Thông qua kết mô méo trước sử dụng mạng nơron tự tổ chức Kohonen phức cho đường BER gần trùng với đường lý thuyết nhờ khả tạo hàm ngược với độ xác cao TÀI LIỆU [1] [2] [3] [4] [5] [6] THAM KHẢO D Roviras, F Langlet, H Abdulkader, A Mallet, and F Castanie, “Comparison of neural network adaptive predistortion techniques for satellite down links” Procs of Intemational Conference on Neural Networks, vol 1, pp 709-714 , 2001 Nguyễn Quốc Bình, Kỹ thuật truyền dẫn số, NXB Quân đội nhân dân Hà nội, 2001 Corina Botoca, Georgeta Budura, Bd Vasile, Paravan, Timis¸oara, “Symbol Decision Equalizer using a Radial Basis Functions Neural Network” Procs of the 7th WSEAS International Conference on Neural Networks, Cavtat, Croatia, pp 79-84 , 2006 I Cha, S A Kassam, “Channel Equalization Using Adaptive Complex Radial Basis Function Networks” IEEE Journal on Selected Areas in Communications, vol 13, issue 1, pp 122131, 1995 K L Sheeja, Adaptive channel equalization using radial basis function networks and MLP, Department of Electrical Engineering National Institute Of Technology Rourkela, A Master Thesis Of Electronics Systems And Telecommunication, 2009 Mohamed Ibnkahla, “Neural network predistortion technique for digital satellite communications” Procs of Intemational ISBN: 978-604-67-0349-5 431 Conference on Acoustics, Speech, and Signal Processing, vol 6, pp 3506-3509, June 2000 Rafik Zayani, Rid Bouallegue, Pre-Distortion for the compensation of HPA nonlinearity with neural networks: Application to satellite communications, IJCSNS, vol.7 No.3, March 2007 Đoàn Thị Thanh Thảo, Đỗ Quốc Trinh, Lê Hải Nam, “Kỹ thuật méo trước sử dụng mạng nơron phức cho khuếch đại công suất phi tuyến hệ thống thơng tin vệ tinh” Tạp chí Khoa học, Học viện Kỹ thuật quân sự, trang 68-76, số 155, 2013 Đoàn Thị Thanh Thảo, Đỗ Quốc Trinh, Lê Hải Nam, “Bộ san ứng dụng mạng Wavelet kỹ thuật viễn thơng” Tạp chí Khoa học - Cơng nghệ, Đại học Thái nguyên, trang 60-66, tập 55, số 7/2009 Jerzy Stefanowski, “Artificial Neural Networks –Basics of MLP, RBF and Kohonen Networks” Institute of Computing ScienceLecture 13 in Data Mining for M.Sc, course of SE version for 2010 T Kohonen, “The Self-Organizing Map” Proceedings of the IEEE, vol 78, No 9, pp 1464-1480, 1990 A A M Saleh, “Frequency-Independent and FrequencyDependent Nonlinear Models of TWT Amplifiers” IEEE Trans on Com, vol COM-29, No.11, Nov.1981  ... (4) Lớp đầu Lớp Kohonen Hình Cấu trúc mạng Kohonen ứng dụng cho méo trước trình huấn luyện cho mạng nơron Kohonen cần phải lặp lại qua vài cơng đoạn Nếu sai số tính tốn mạng nơron Kohonen mức thấp... trung bình (MSE) mạng Kohonen giảm nhanh nhiều mạng RBF chứng tỏ sử dụng mạng Kohonen cho tốc độ hội tụ nhanh nhiều mạng RBF Hình biểu diễn đồ thị chịm tín hiệu trường hợp có méo trước tín hiệu... Thị Thanh Thảo, Đỗ Quốc Trinh, Lê Hải Nam, “Kỹ thuật méo trước sử dụng mạng nơron phức cho khuếch đại công suất phi tuyến hệ thống thơng tin vệ tinh? ?? Tạp chí Khoa học, Học viện Kỹ thuật quân sự,