Phương pháp mô phỏng nhanh và một vài áp dụng

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Thái Hà PHƯƠNG PHÁP MÔ PHỎNG NHANH VÀ MỘT VÀI ÁP DỤNG LUẬN VĂN THẠC SĨ Hà Nội – 2006 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Thái Hà PHƯƠNG PHÁP MÔ PHỎNG NHANH VÀ MỘT VÀI ÁP DỤNG Ngành Chuyên ngành Mã số : Kỹ thuật điện tử - viễn thông : Kỹ thuật vô tuyến điện tử thông tin liên lạc : 2.07.00 LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TSKH HUỲNH HỮU TUỆ Hà Nội – 2006 MỤC LỤC Trang phụ bìa Trang Mục lục Danh mục ký hiệu, chữ viết tắt Danh mục bảng, hình vẽ, đồ thị MỞ ĐẦU Chương – TỔNG QUAN 1.1 Vai trò việc đánh giá BER hệ thống viễn thông 1.2 Vai trị mơ Monte Carlo để ước lượng BER 1.2.1 Vai trị mơ Monte Carlo 1.2.2 Nhắc lại số khái niệm 1.2.2.1 Tần xuất tương đối 1.2.2.2 Các ước lượng cân 1.2.2.3 Tích phân Monte Carlo 1.2.2.4 truyền thông 1.3 Áp dụng cho hệ thống Nhu cầu mô nhanh 1.3.1 Định nghĩa kiện 1.3.2 Vai trị mơ Monte Carlo nhanh Chương – MÔ PHỎNG MONTE CARLO NHANH 10 2.1 Nguyên lý kỹ thuật lấy mẫu theo trọng số 10 2.2 Mơ hình hệ thống truyền thông số đơn giản 11 2.3 Phương pháp lấy mẫu theo trọng số 13 2.3.1 Hệ thống tuyến tính khơng nhớ 14 2.3.2 Hệ thống tuyến tính có nhớ 17 2.4 Sự thay đổi trình ngẫu nhiên lối vào 22 2.4.1 Lấy mẫu theo trọng số thông thường 22 2.4.2 Lấy mẫu theo trọng số cải tiến 29 Chương – ỨNG DỤNG CỦA KỸ THUẬT IS 32 3.1 Kênh fading 32 3.2 Áp dụng IS cho kênh fading 33 3.2.1 Mơ hình hệ thống 33 3.2.2 Phương pháp IS cho kênh fading 34 3.2.3 Áp dụng IS kênh fading Rayleigh 36 3.2.3.1 Phương pháp IS 3.2.3.2 thuật IS 36 Tính ứng dụng kỹ 39 Chương – KẾT QUẢ MÔ PHỎNG 45 KẾT LUẬN 52 TÀI LIỆU THAM KHẢO 53 PHỤ LỤC 55 DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ATM Asynchronous Tranfer Mode AWGN Additive White Gauss Noise BER Bit Error Rate CIS Conventional Importance Sampling IID Identical Independent Distribution IIS Improved Importance Sampling IS Importance Sampling ISI InterSymbol Interference MC Monte Carlo PDF Probability Density Function SNR Signal to Noise Ratio STC System Threshold Characteristic DANH MỤC CÁC BẢNG, HÌNH VẼ, ĐỒ THỊ Hình 2.1 Mơ hình hệ thống truyền thơng số nhị phân băng gốc sở Hình 2.2 Mơ hình mơ sử dụng kỹ thuật IS Hình 2.3 Phương pháp bias hàm mật độ xác suất * Hình 2.4 Hàm mật độ xác suất f(x) gốc f (x) CIS theo x ** Hình 2.5 Hàm mật độ xác suất f(x) gốc f (x) IIS theo x Hình 3.1 Mơ hình hệ thống truyền thơng số kênh fading Hình 3.2 Sơ đồ khối hệ thống tương đương băng gốc Hình 3.3 Đặc tính ngưỡng hệ thống (STC) Hình 3.4 STC pdf fN(n) cho kênh AWGN Hình 3.5 STC fN(n) cho kênh fading Rayleigh không chọn lọc tần số Hình 4.1 Mơ BER hệ thống sử dụng kỹ thuật CIS với N = 2000 mẫu Hình 4.2 Mơ BER hệ thống sử dụng kỹ thuật CIS với N = 5000 mẫu Hình 4.3 IIS hàm c với Eb/N0 khác Hình 4.4 Pb hàm c với Eb/N0 khác Bảng 1: Lợi CIS so với MC IIS so với CIS hệ thống khơng có tín hiệu Bảng 2: Các thơng số CIS σ*(j;opt) IIS cj(opt) tối ưu hệ thống có ISI M = Bảng : Lợi CIS so với MC IIS so với CIS hệ thống có ISI với M = ** Bảng 4: Các mẫu BER theo mô CIS IIS với ISI M = (N = N ) Bảng : Kích cỡ mẫu NIS so với xác suất lỗi Pe hệ thống khơng tuyến tính có nhớ Bảng : Thời gian mơ giảm sử dụng kỹ thuật IS Bảng So sánh kênh fading Rayleigh có chọn lọc khơng chọn lọc theo thời gian Bảng Hiệu suất IS cho kênh fading không chọn lọc theo thời gian MỞ ĐẦU Trong hệ thống truyền thông, tốc độ lỗi bit (BER) thông số quan trọng việc đánh giá hiệu suất hệ thống Thuật toán Monte Carlo trở thành công cụ mô hiệu thông số Tuy nhiên, với hệ thống phức tạp thực tế, phương pháp Monte Carlo cổ điển trở nên bất lợi, thời gian cần để thực mô đạt ước lượng đáng tin cậy hiệu suất hệ thống thường dài Việc ước lượng kiện có xác suất lỗi thấp, hay kiện cách sử dụng trực tiếp kỹ thuật mô Monte Carlo thường đòi hỏi số lần thực lớn Một phương pháp dựa kỹ thuật Monte Carlo chỉnh sửa, gọi kỹ thuật lấy mẫu theo trọng số (IS) nhà nghiên cứu đề xuất đưa vào sử dụng nhiều năm qua IS kỹ thuật có khả cải thiện thời gian chạy mơ máy tính, cung cấp ước lượng BER thu có phương sai nhỏ ước lượng theo kỹ thuật MC có thời gian mơ tương đương Nhận thức bất lợi phương pháp mô Monte Carlo hiệu kỹ thuật lấy mẫu theo trọng số việc đánh giá hiệu suất hệ thống truyền thông số, em chọn viết khóa luận tốt nghiệp với đề tài: "Phƣơng pháp mơ nhanh vài áp dụng" Khóa luận gồm chương với nội dung sau: Chƣơng 1: Tổng quan Chƣơng 2: Mô Monte Carlo nhanh Chƣơng 3: Ứng dụng kỹ thuật IS Chƣơng 4: Kết mơ Đây vấn đề tương đối khó nghiên cứu rộng rãi, kiến thức cịn hạn hẹp, khóa luận khơng tránh khỏi thiếu sót Em mong nhận đánh giá, góp ý thầy giáo, bạn sinh viên người quan tâm đến nội dung khóa luận CHƢƠNG TỔNG QUAN 1.1 Vai trò việc đánh giá BER hệ thống viễn thông Trong hệ thống truyền thông số, tốc độ lỗi bit (BER) thông số quan trọng việc đánh giá chất lượng đường truyền liệu Khi truyền qua hệ thống, tín hiệu bị lỗi q trình truyền, làm cho tín hiệu thu bị sai lệch so với tín hiệu ban đầu BER hệ thống định nghĩa xác suất ước lượng bit bị lỗi truyền qua hệ thống, nghĩa phát bit 1, nơi thu nhận bit ngược lại Trong thử nghiệm thực tế, BER đo việc phát bit qua hệ thống đếm số bit lỗi thu Tỉ số số bit lỗi thu tổng số bit truyền gọi BER Ví dụ, -6 tốc độ lỗi bit hệ thống 10 , nghĩa truyền 10 bit liệu qua kênh truyền, xuất bit lỗi nơi thu Chất lượng ước lượng BER tăng tổng số bit phát tăng Tỷ số BER phép đo hiệu suất hệ thống, chất lượng hệ thống hầu hết xác định việc đánh giá BER Đây vấn đề việc nghiên cứu, thiết kế đường truyền mạng viễn thông Việc áp dụng kỹ thuật phân tích để đánh giá hiệu suất hệ thống truyền thông số phức tạp khó u cầu mơ hình hệ thống phải đơn giản hóa Mặt khác, việc xây dựng cấu trúc phần cứng thường tốn nhiều thời gian, chi phí, khơng có tính linh hoạt Do vậy, phương pháp mơ máy tính, đặc biệt phương pháp Monte Carlo trở thành công cụ hiệu việc ước lượng hiệu suất BER hệ thống 1.2 Vai trị mơ Monte Carlo để ƣớc lƣợng BER 1.1.1 Vai trị mơ Monte Carlo Trong hệ thống truyền thông số phức tạp, kỹ thuật mô Monte Carlo dùng để đánh giá hiệu suất BER Các hệ thống ngày hoạt động môi trường đặc trưng nhiễu ISI, khơng tuyến tính, tính đa đường, fading, hàng loạt ảnh hưởng khác Do vậy, mô MC trở thành phương pháp khả thi hệ thống thực tế Tính linh hoạt khả miêu tả đặc tính hệ thống khơng thể thực kỹ thuật phân tích, trở thành hai lý việc áp dụng rộng rãi phương pháp MC 1.1.2 Nhắc lại số khái niệm [1] 1.1.2.1 Tần xuất tƣơng đối Ước lượng MC q trình ước lượng giá trị thơng số cách thực thí nghiệm ngẫu nhiên dựa khái niệm tần xuất tương đối xác suất Trong việc định nghĩa tần xuất tương đối, trước tiên phải xác định rõ thí nghiệm ngẫu nhiên kiện đáng quan tâm Theo lý thuyết xác suất, kết thí nghiệm ngẫu nhiên khơng thể dự đốn xác, xác định thống kê Thí nghiệm ngẫu nhiên tung đồng xu, có khả xảy {ngửa, sấp} Nếu đồng xu cân (unbias) quán (consistent), kiện tập {ngửa, sấp} xảy với xác suất kết độc lập Xét ví dụ hệ thống truyền thơng số, thí nghiệm ngẫu nhiên việc truyền bit nhị phân 1, kiện quan tâm lỗi xảy trình truyền Kết lối thu ước lượng ký hiệu nhị phân phát đi, bit Việc xác định BER hệ thống liên quan tới việc ước lượng xác suất có điều kiện việc nhận bit bit phát Trong phương pháp MC, thí nghiệm ngẫu nhiên thực với số lần N lớn Ta đếm số lần NA tương ứng với kiện A cần quan tâm Xác suất kiện A xấp xỉ tần xuất tương đối kiện: Pr( A)  lim N N Trong việc ước lượng xác suất lỗi hệ thống truyền số, N tổng số bit ký hiệu (được truyền qua hệ thống mô phỏng) NA số lỗi (được Rõ ràng, ước lượng mơ xác suất có bậc biên độ nhỏ so với phương pháp Monte Carlo với độ xác lớn cách sử dụng 10.000 mẫu Với số mẫu tăng dần, ước lượng chuyển từ trạng thái thăng giáng nhanh sang đường cong trơn tru d) Áp dụng kỹ thuật IS mô hệ thống truyền qua kênh fading Rayleigh: Hình 4.3 IIS hàm c với Eb/N0 khác Hình 4.4 Pb hàm c với Eb/N0 khác 50 Hình 4.5 CIS-R hàm hệ số phương sai  Bảng So sánh kênh fading Rayleigh có chọn lọc khơng chọn lọc theo thời gian Eb/No = 43 dB Kênh không chọn lọc theo thời gian 2fT = 7.4x10E-4 Kênh chọn lọc theo thời gian 2fT ∞ Bảng Hiệu suất IS cho kênh fading không chọn lọc theo thời gian (Eb/No = 43dB) f/Hz e) So sánh xác suất lỗi ước lượng ˆ với MC rIS/MC phân bố Gauss Rayleigh Phân bố Gauss Rayleigh 51 KẾT LUẬN Kỹ thuật lấy mẫu theo trọng số trở thành giải pháp hiệu việc mô hiệu suất BER hệ thống truyền thông số Bằng việc thay đổi hàm mật độ xác suất lối vào theo kỹ thuật CIS IIS, kết ước lượng thu có độ tin cậy phương sai thấp rõ rệt so với ước lượng phương pháp MC thông thường Việc áp dụng kỹ thuật mô hệ thống hoạt động kênh fading Rayleigh hiệu mang lại kết xác Q trình thực cách làm lệch có chủ tâm hàm mật độ xác suất kênh fading, để fading, lỗi, xảy thường xuyên mô thông thường Điều ảnh hưởng tới việc giảm phương sai ước lượng BER đó, giảm số phép thử cần cho việc mô Hơn nữa, ta nhận thấy q trình có phân bố Rayleigh có hiệu suất khơng cao cho q trình có phân bố đồng ngụ ý kênh AWGN Hiệu suất tốt đạt việc thay đổi phương sai trình Rayleigh, việc làm lệch nguồn nhiễu không mang lại cải thiện thời gian chạy Đây kỹ thuật sử dụng nhiều lý thuyết xác suất phương pháp tốn học, gặp nhiều khó khăn trình nghiên cứu áp dụng vào hệ thống truyền thông Tuy nhiên, kỹ thuật có vai trị tính ứng dụng thực tiễn lớn, tiết kiệm thời gian mơ phỏng, cho kết xác, giúp cho việc đánh giá hiệu hệ thống với kiện Phương pháp IS ứng dụng nhà khoa học tiếp tục nghiên cứu tìm hiểu, đặc biệt hệ thống kỹ thuật trở nên phức tạp độ tin cậy ngày tăng 52 TÀI LIỆU THAM KHẢO Tranter W.H., Shanmugan K.S., Rappaport T.S., Kosbar K.L., “Principles of communication systems simulation with wireless applications”, PRENTICE HALL, Professional Technical Reference, 2004 Srinivasan R., “Importance Sampling – Applications in Communications and Detection”, Springer, 2002 Shanmugam K.S., Balaban P., “A modified Monte Carlo simulation technique for the evaluation of error rate in digital communication systems”, IEEE Transactions on communication, vol Com-28, No 11, November 1980 Lu D., Yao K., “Improved importance sampling technique for efficient simulation of digital communication system”, IEEE J Select Areas Commun., vol 6, 1988 Jeruchim M.C., “Techniques for estimation the bit error rate in the simulation of digital communication systems”, IEEE J Select Areas Commun., vol SAC-2, pp 153-170, Jan 1984 Shanmugam K.S., Balaban K., “A modified Monte Carlo simulation technique for the evaluation of error rate in digital communication systems”, IEEE Trans On Communications, vol COM-28, pp 1961-1924, November 1980 Jeruchim M.C., Hahn P.M., “Developments in the theory and application of importance sampling”, IEEE Transaction on communications, vol Com-35, No 7, July 1987 Lu D., Yao K., Sadowsky J.S., Jyun-Cheng Chen, “On Importance Sampling in Digital Communications”, IEEE Journal on selected areas in communications, vol.11, No.3, April 1993 W Zhuang, “Adaptive importance sampling for fading channels”, Electronics letters, Vol.30, No.14, July 1994 53 10 Jeruchim M.C., Wolfe R.J., “On optimum and sub-optimum biasing procedures for importance sampling in communication simulation”, IEEE Transactions on communications, vol 38, No.5, May 1990 11 Ho P., Cavers J., “Reducing the computation time in simulations of fading channel”, IEEE, 1992 12 Dekorsy A., Kuhn V., “Applicability of importance sampling for Rayleigh fading mobile radio channels”, IEEE, 1996 13 Rappaport T.S., “Wireless Communication: Principle and Practice”, Prentice Hall, 1996 54 PHỤ LỤC % File: random_binary.m function [x,bits] = random_binary(nbits,nsamples) % This function generates a random binary waveform of length nbits % sampled at a rate of nsamples/bit x = zeros(1,nbits*nsamples); bits = round(rand(1,nbits)); for m = 1:nbits for n = 1:nsamples index = (m-1)*nsamples + n; x(1,index) = (-1)^bits(m); end end % End of function file =========================== % File: cgpdf.m function value = cgpdf(x,mean,sigma) variance=sigma.^2; value=(exp((((real(x)-mean).^2)+((imag(x)-mean).^2))/ (-2*variance)))/(2*pi*variance); % End of function file =========================== % File vxcorr.m function [c,lags] = vxcorr(a,b) % This function calculate the unscaled cross-correlation of % vectors of the same length The output length(c) is % length(a)+length(b)-1 It is a simplifies function of xcorr % function in matlabR12 using the definition; 55 % c(m) = E[a(n+m)*conj(b(n))] = E[a(n)*conj(b(n-m))] % a = a(:); b = b(:); M = length(a); maxlag = M-1; lags = [-maxlag:maxlag]'; A = fft(a,2^nextpow2(2*M-1)); B = fft(b,2^nextpow2(2*M-1)); c = ifft(A.*conj(B)); % % Move negative lags before positive lags % c = [c(end-maxlag+1:end,1);c(1:maxlag+1,1)]; % % Return row vector if a,b are row vectors % [nr nc] = size(a); if (nr > nc) c = c.'; lags = lags.'; end % End of function file =========================== % file: CISQPSKrun.m function BER_CIS = CISQPSKrun(N,Eb,No,ChanAtt, TimingBias,TimingJitter,PhaseBias,PhaseJitter,CISBias) fs = 1e+6; SymRate = 1e+5; % sampling rate (samples/second) % symbol rate (symbols/second) 56 Ts = 1/fs; TSym = 1/SymRate; SampPerSym = fs/SymRate; SymToSend = N; ChanBW = 4.99e+5; CISWeightIntegrator = 1; CISWeightIntegratorOld = 1; % importance sampling weight MeanCarrierPhaseError = PhaseBias; StdCarrierPhaseError = PhaseJitter; MeanSymbolSyncError = TimingBias; StdSymbolSyncError = TimingJitter; ChanGain = 10^(-ChanAtt/20); TxBitClock = Ts/2; RxBitClock = Ts/2; TxSymSent = 1; RxSymDemod = 0; % RxNoiseStd = sqrt((10^((No-30)/10))*(fs/2)); % std dev of noise TxSigAmp = sqrt(10^((Eb-30)/10)*SymRate); % signal amplitude probe1 = zeros((SymToSend+1)*SampPerSym,1); % probe memory probe2 = zeros((SymToSend+1)*SampPerSym,1); % probe memory probe1counter = 1; probe2counter = 1; % % Buffers that contain the transmitted and received data % [unused,SourceBitsI] = random_binary(SymToSend,1); [unused,SourceBitsQ] = random_binary(SymToSend,1); % % Differentially encode the transmitted data % 57 TxBitsI = SourceBitsI*0; TxBitsQ = SourceBitsQ*0; for k = 2:length(TxBitsI) TxBitsI(k) = or(and(not(xor(SourceBitsI(k),SourceBitsQ(k))), xor(SourceBitsI(k),TxBitsI(k-1))), and(xor(SourceBitsI(k),SourceBitsQ(k)), xor(SourceBitsQ(k),TxBitsQ(k-1)))); TxBitsQ(k) = or(and(not(xor(SourceBitsI(k),SourceBitsQ(k))), xor(SourceBitsQ(k),TxBitsQ(k-1))), and(xor(SourceBitsI(k),SourceBitsQ(k)), xor(SourceBitsI(k),TxBitsI(k-1)))); end; % Make a complex data stream of the I and Q bits % TxBits = ((TxBitsI*2)-1)+(sqrt(-1)*((TxBitsQ*2)-1)); % % Initialize transmitter and the receiver integrate and dump filter % RxIntegrator = 0; TxBitClock = 2*TSym; % % Design the channel filter and state array if needed % [b,a] = butter(2,ChanBW/(fs/2)); b = [1]; a = [1]; % bypass filter [junk,FilterState] = filter(b,a,0); % % Loop once for each sample % while TxSymSent < SymToSend % 58 % Update transmitter clock Get new data bits if required % TxBitClock = TxBitClock + Ts; if TxBitClock > TSym TxSymSent = TxSymSent + 1; % get new bit % % We don't want the clock to increase to infinity so % subtract off an integer number of Tb seconds % TxBitClock = mod(TxBitClock,TSym); % % Get the new bit and appropriately % TxOutput = TxBits(TxSymSent)*TxSigAmp; end [Rx,FilterState] = filter(b,a,TxOutput,FilterState); % % Add white Gaussian noise to the signal % First create unbiased (Monte Carlo) noise and then bias % UnbiasedNoise = RxNoiseStd*(randn(1,1)+ sqrt(1)*randn(1,1)); BiasedNoise = CISBias*UnbiasedNoise; % % Calculate the CIS weight for this particular noise sample % CISWeight = cgpdf(BiasedNoise,0,RxNoiseStd)./ cgpdf(BiasedNoise,0,CISBias*RxNoiseStd); % % Since we are using white noise, the total CIS weight will be 59 % the product of the individuals CIS weights % CISWeightIntegrator = CISWeightIntegrator*CISWeight; Rx = (ChanGain*Rx) + BiasedNoise; % % Phase rotation due to receiver carrier synchronization error % PhaseRotation = exp(sqrt(-1)*2*pi*(MeanCarrierPhaseError+ (randn(1,1)*StdCarrierPhaseError))/360); Rx = Rx*PhaseRotation; probe1(probe1counter) = Rx; probe1counter = probe1counter + 1; % % Update the Integrate and Dump Filter at the receiver % RxIntegrator = RxIntegrator + Rx; probe2(probe2counter) = RxIntegrator; probe2counter = probe2counter + 1; % % Update the receiver clock, to see if it is time to % sample and dump the integrator % RxBitClock = RxBitClock + Ts; RxTSym = TSym*(1+MeanSymbolSyncError+ (StdSymbolSyncError*randn(1,1))); if RxBitClock > RxTSym RxSymDemod = RxSymDemod + 1; RxBitsI(RxSymDemod) = round(sign(real(RxIntegrator))+1)/2; RxBitsQ(RxSymDemod) = round(sign(imag(RxIntegrator))+1)/2; RxBitsCISWeight(RxSymDemod) = 60 CISWeightIntegrator*CISWeightIntegratorOld; % % Reset clock and dump the integrator % RxBitClock = RxBitClock - TSym; RxIntegrator = 0; CISWeightIntegratorOld = CISWeightIntegrator; CISWeightIntegrator = 1; end end % % Implement differential decoder % SinkBitsI = SourceBitsI*0; SinkBitsQ = SourceBitsQ*0; for k = 2:RxSymDemod SinkBitsI(k) = or(and(not(xor(RxBitsI(k),RxBitsQ(k))), xor(RxBitsI(k),RxBitsI(k-1))), and(xor(RxBitsI(k),RxBitsQ(k)), xor(RxBitsQ(k),RxBitsQ(k-1)))); SinkBitsQ(k) = or(and(not(xor(RxBitsI(k),RxBitsQ(k))), xor(RxBitsQ(k),RxBitsQ(k-1))), and(xor(RxBitsI(k),RxBitsQ(k)), xor(RxBitsI(k),RxBitsI(k-1)))); end; % % Look for best time delay between input and output, 100 bits % [C,Lags] = vxcorr(SourceBitsI(10:110),SinkBitsI(10:110)); 61 [MaxC,LocMaxC] = max(C); BestLag = Lags(LocMaxC); % % Adjust time delay to match best lag % if BestLag > SourceBitsI = SourceBitsI(BestLag+1:length(SourceBitsI)); SourceBitsQ = SourceBitsQ(BestLag+1:length(SourceBitsQ)); RxBitsCISWeight = RxBitsCISWeight(BestLag+1:length(RxBitsCISWeight)); elseif BestLag < SinkBitsI = SinkBitsI(-BestLag+1:length(SinkBitsI)); SinkBitsQ = SinkBitsQ(-BestLag+1:length(SinkBitsQ)); RxBitsCISWeight = RxBitsCISWeight(-BestLag+1:length(RxBitsCISWeight)); end % % Make all arrays the same length % TotalBits = min(length(SourceBitsI),length(SinkBitsI)); TotalBits = TotalBits - 20; SourceBitsI = SourceBitsI(10:TotalBits); SourceBitsQ = SourceBitsQ(10:TotalBits); SinkBitsI = SinkBitsI(10:TotalBits); SinkBitsQ = SinkBitsQ(10:TotalBits); RxBitsCISWeight = RxBitsCISWeight(10:TotalBits); % % Find the number error events and the BER % 62 IErrors = SourceBitsI~=SinkBitsI; % IErrors = SourceBitsI ^= SinkBitsI; QErrors = SourceBitsQ~=SinkBitsQ; % QErrors = SourceBitsQ ^= SinkBitsQ; BER_CIS = sum(IErrors.*RxBitsCISWeight)+sum(QErrors.*RxBitsCISWeight); % End of function file =========================== % File: CISQPSK.m Eb = 20:2:36; No = -50; ChannelAttenuation = 70; EbNodB = (Eb - ChannelAttenuation) - No; EbNo = 10.^(EbNodB./10); BER_T = 0.5*erfc(sqrt(EbNo)); N = ones(size(BER_T))*2000 CISBias = 1+(EbNo/20); BER_CIS = zeros(size(Eb)); for k=1:length(Eb) BER_CIS(k) = CISQPSKrun(N(k),Eb(k), No,ChannelAttenuation,0,0,0,0,CISBias(k)); disp(['Simulation',num2str(k*100/length(Eb)),'% Complete']); end semilogy(EbNodB,BER_CIS,'o',EbNodB,2*BER_T,'-'); xlabel('Eb/No(dB)'); ylabel('BER'); grid; % End of script file =========================== 63 ...ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Thái Hà PHƯƠNG PHÁP MÔ PHỎNG NHANH VÀ MỘT VÀI ÁP DỤNG Ngành Chuyên ngành Mã số : Kỹ thuật điện tử - viễn thông : Kỹ thuật vô... lợi phương pháp mô Monte Carlo hiệu kỹ thuật lấy mẫu theo trọng số việc đánh giá hiệu suất hệ thống truyền thơng số, em chọn viết khóa luận tốt nghiệp với đề tài: "Phƣơng pháp mô nhanh vài áp dụng" ... Monte Carlo nhanh Phương pháp MC áp dụng cho tất hệ thống mà không cần quan tâm tới kiến trúc hay độ phức tạp, có trở ngại quan trọng Vấn đề với phương pháp MC thời gian cần để thực mô đạt ước