Cân bằng kênh mimo dùng mạng neuron

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA LÝ TÚ NGA CÂN BẰNG KÊNH MIMO DÙNG MẠNG NEURON Chuyên ngành: KỸ THUẬT VÔ TUYẾN VÀ ĐIỆN TỬ Mã số ngành: 2.07.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng năm 2004 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH *** - Cán hướng dẫn khoa học: TS.DƯƠNG HOÀI NGHĨA Cán chấm nhận xét 1: …………………………………………………… Cán chấm nhận xét 2: …………………………………………………… Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày 16 tháng năm 2004 Đại Học Quốc Gia Tp Hồ Chí Minh CỘNG HÒA Xà HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập – Tự Do – Hạnh Phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : LÝ TÚ NGA Phái : Nữ Ngày, tháng, năm sinh : 27/01/1976 Nơi sinh: TRÀ VINH Chuyên ngành : KỸ THUẬT VÔ TUYẾN-ĐIỆN TỬ Mã số : 2.07.01 I-TÊN ĐỀ TÀI: CÂN BẰNG KÊNH MIMO BẰNG MẠNG NEURON II-NHIỆM VỤ VÀ NỘI DUNG : - Tìm hiểu cân kênh MIMO - Xây dựng giải thuật cân ngang, cân hồi tiếp cân không nhân dùng mạng neuron không dùng mạng neuron - So sánh cân dùng mạng neuron không dùng mạng neuron - So sánh cân MIMO cân SISO - So sánh cân không nhân cân ngang III-NGÀY GIAO NHIỆM VU : 9/2/2004 IV-NGÀY HOÀN THÀNH NHIỆM VỤ: 30/7/2004 V-HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS.DƯƠNG HOÀI NGHĨA CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH (Ký tên ghi rõ họ tên) (Ký tên ghi rõ họ tên) BỘ MÔN QUẢN LÝ NGÀNH (Ký tên ghi rõ họ tên) Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua Ngày PHÒNG ĐÀO TẠO SĐH tháng năm KHOA QUẢN LÝ NGÀNH LỜI CẢM ƠN Em xin chân thành cảm ơn thầy TS.DƯƠNG HOÀI NGHĨA, người trực tiếp hướng dẫn, tận tình bảo tạo điều kiện thuận lợi để em hoàn thành luận văn tốt nghiệp Em xin chân thành cảm ơn tất Quý thầy cô cán khoa Điện-Điện Tử -Trường Đại Học Bách Khoa hết lòng giảng dạy, truyền đạt kiến thức giúp đỡ em suốt thời gian học tập Trường Cuối cùng, xin gửi lời cảm ơn đến gia đình bạn bè hổ trợ động viên suốt trình học tập thực luận văn tốt nghiệp Tác giả CHƯƠNG MỞ ĐẦU 1.1 Giới thiệu vấn đề: Ngày nay, phát triễn vũ bão khoa học kỹ thuật lónh vực điện tử viễn thông- máy tính, kỹ thuật công nghệ không ngừng phát triển Chính nhu cầu tăng dung lượng kênh tốc độ truyền thông vấn đề cấp thiết đặt hệ thống kênh thông tin Sự xích lại gần ngành máy tính-viễn thông-điện tử mở cho chân trời khoa học mới, vấn đề khó khăn nan giải khắc phục Từ môi trường hữu tuyến vô tuyến, từ việc truyền dẫn điểm-điểm “pointto-point” (SISO), hệ thống anten thông minh (smart antenna array-SIMO) “pointto-volume” đến việc truyền dẫn “volume-to-volume” (kênh thông tin MIMO) nhằm cải thiện giải vấn đề băng thông, hiệu quả, tốc độ chất lượng đường truyền Hình 1.1: So sánh dung lượng kênh MIMO mảng anten smart [2], hệ thống không mã (uncode system) Hệ thống kênh MIMO đời giải pháp giải vấn đề băng thông tốc độ kênh truyền Ưu điểm hệ thống kênh MIMO: Cải thiện dung lượng kênh băng rộng cách đáng kể [2] Tăng tốc độ truyền liệu [2] Bộ cân đóng vai trò quan trọng hệ thống thông tin nào, đương nhiên vấn đề then chốt hệ thống kênh MIMO Cân kênh loại bỏ nhiễu liên ký tự ISI (InterSymbol Inference), nhiễu kênh ICI (Inter-Channel Interference) nhiễu xuyên kênh CCI (Cross-Channel Interference) Cân kênh thông tin MIMO thu hút quan tâm nhà nghiên cứu: Jean-Francois Frigon Babak Daneshrad (thaùng 1/2002) [2], Ramon Schlagenhaufer (thaùng 4/2001) [3], Jaigaesh Balakrishman (thaùng 8/2002) [4], Mihai Enescu (thaùng 8/2002) [5], Christan Schneider (tháng 4/2003) [7]… Một ưu điểm mạng neuron thể tính phi tuyến đối tượng Chính lý nêu trên, luận văn trình bày việc ứng dụng mạng neuron cân kênh thông tin MIMO (goi tắt kênh MIMO) 1.2 Nội dung phạm vi nghiên cứu đề tài: Từ nhiều thập niên qua, nhà nghiên cứu đưa nhiều phương pháp khác để triệt nhiễu liên kí tự (ISI) từ kỹ thuật phần cứng phần mềm ứng dụng Wavelets, mạng Neuron, Fuzzy, kỹ thuật mã hóa tín hiệu, … nhằm nâng cao tối đa chất lượng đường truyền Ta phân loại kênh cân sau: cân kênh MIMO tuyến tính phi tuyến Cân kênh MIMO tuyến tính loại cân ngang (feedforward equalizer) loại cân tín hiệu hồi tiếp (xem chi tiết chương 5) Cân kênh MIMO phi tuyến loại cân có hồi tiếp (feedback equalizer) Bên cạnh có nhiều tác giả trình bày cân mù [5], cân Turbo [7]… Trong phạm vi nghiên cứu đề tài xin trình bày: Phần lý thuyết: trình bày cách xây dựng giải thuật ba loại cân hệ thống kênh MIMO là: 1) Cân tuyến tính (chương 4) 2) Cân hồi tiếp xác (chương 4) 3) Cân hồi tiếp không nhân (chương 4) Phần mô phỏng: kết mô ngôn ngữ Matlab ba loại cân nêu trường hợp dùng mạng neuron không dùng mạng neuron (chương 5), cụ thể: Mô cân ngang kênh thông tinMIMO Mô cân hồi tiếp xác kênh thông tin MIMO Mô cân hồi tiếp không nhân kênh thông tin MIMO → Đánh giá so sánh kết loại cân Toàn phần luận văn xét hệ thống kênh MIMO có ngõ vào (M=2) ngõ (N=2) Kênh truyền thông tin MIMO (tuyến tính/phi tuyến) Cân ngang Cổ điển Cân hồi tiếp Mạng neuron Cổ điển Mạng neuron Cân hồi tiếp không nhân Cổ điển Mạng neuron Vẽ BER Hình 1.2: Sơ đồ khối phần mô luận văn CHƯƠNG TỔNG QUAN KÊNH TRUYỀN THÔNG TIN 2.1 HỆ THỐNG THÔNG TIN SỐ: Sơ đồ khối hệ thống thông tin số [9], cho hình 2.1: Nguồn tin Mã hoá nguồn Mã hoá kênh Điều chế số Kênh truyền Nguồn tin Giải mã nguồn Giải mã kênh Giải điều chế số Tùy chọn Cần thiết Hình 2.1: Sơ đồ khối thông tin số Nguồn tin phân phối thông tin đến máy phát Thông tin tín hiệu tương tự hay số Âm hình ảnh nguồn tin tương tự, tin tức phát nguồn tin chuyển đổi thành số nhị phân Chuỗi bit đưa qua mã hoá nguồn mã hoá kênh Bộ mã hóa kênh có nhiệm vụ khắc phục ảnh hưởng nhiễu can nhiễu truyền tín hiệu qua kênh truyền Bộ điều chế số biến đổi chuỗi nhị phân sang dạng sóng tín hiệu từ mã hoá kênh Kênh thông tin môi trường vật lý sử dụng để gởi tín hiệu từ nguồn phát đến nguồn thu Ở phận thu tín hiệu, trình nhận tín hiệu thao tác ngược lại so với trình phát Tín hiệu nhận từ kênh thông tin đưa qua giải điều chế số Bộ giải điều chế số tín hiệu thu đïc biến đổi thành chuỗi giá trị biểu diễn liệu phát Tiếp đến chuỗi qua giải mã kênh để khôi phục lại dạng tín hiệu ban đầu Cuối cùng, tín hiệu qua giải mã nguồn để phục hồi lại tín hiệu nguyên thủy (nguồn tin) Trong trình thiết kế ta giả thiết đáp ứng xung kênh biết Nhưng thực tế đặc điểm kênh trước hay biết trước số đặc điểm không đầy đủ, nguyên nhân chủ yếu đáp ứng xung kênh thay đổi theo thời gian, ta thiết kế lọc giải điều chế tối ưu cố định [10] Trong môi trường truyền tin, liên lạc trạm phát thu, đường truyền tín hiệu trực tiếp khó tồn Tín hiệu bị nhiễu xạ phân tán cao ốc, cối, đồi núi xe cộ di chuyển Bởi đường truyền tín hiệu trực tiếp, tín hiệu phát nhiều đường với độ trễ thời gian, độ dịch pha, suy giảm biên độ góc pha khác đến máy thu, tượng gọi tượng fading đa đường Kênh thông tin chịu ảnh hûng loại nhiễu, tượng fading đa đường giao thoa kí tự ISI hai tượng quan trọng Ngoài ra, loại nhiễu xuyên kênh CCI (Cross-Channel Interference), nhiễu kênh ICI (Inter-Channel Interference) xuất phía thu Tóm lại, đáp ứng kênh trước nhiễu xuất phía thu xảy nhiễu liên ký tự ISI, CCI ICI Để loại bỏ nhiễu ta dùng cân phía thu 72 Hình 5.5 trình bày kết so sánh cân dùng mạng neuron không dùng mạng neuron trường hợp kênh truyền phi tuyến Ta thấy: Kết luận 2: Chất lượng cân dùng mạng neuron tốt cân không dùng mạng neuron tương ứng (đường thấp đường ) Lý do: mạng neuron xấp xỉ quan hệ phi tuyến kênh tốt mô hình tuyến tính 73 5.3 SO SÁNH GIỮA CÁC BỘ CÂN BẰNG NGANG, CÂN BẰNG HỒI TIẾP VÀ CÂN BẰNG KHÔNG NHÂN QUẢ 5.3.1 Trường hợp kênh truyền tuyến tính: 0 10 10 FFF DFE FFFNCDFE -1 10 FFF DFE FFFNCDFE -1 10 -2 -2 BER 10 BER 10 -3 -3 10 10 -4 -4 10 10 -5 10 -5 10 10 15 SNR in dB 10 15 SNR in dB b) Tín hiệu a) Tín hiệu I) So sánh cân không dùng maïng neuron 0 10 10 -1 -1 10 10 -2 -2 10 BER BER 10 -3 10 -4 10 -4 10 nFFF nDFE nFFFNCDFE -5 10 -3 10 10 nFFF nDFE nFFFNCDFE -5 15 SNR in dB 10 10 15 SNR in dB b) Tín hiệu a) Tín hiệu II) So sánh cân dùng mạng neuron Hình 5.6: Đồ thị BER cân Hình 5.6 trình bày kết so sánh cân trường hợp kênh tuyến tính Ta thấy: Kết luận 3: Chất lượng cân không nhân trùng với cân hồi tiếp (đường (đường trùng với đường ) ) Trong chất lượng cân ngang 74 5.3.2 Trường hợp kênh truyền phi tuyến: b) Tín hiệu a) Tín hiệu I) So sánh cân không dùng mạng neuron b) Tín hiệu a) Tín hiệu II) So sánh cân dùng mạng neuron Hình 5.7: Đồ thị BER cân kênh truyền phi tuyến 75 Hình 5.7 trình bày kết so sánh cân trường hợp phi tuyến Ta thấy: Kết luận 4: Chất lượng cân không nhân (đường cân hồi tiếp (đường ) cân ngang (đường ) ) tốt 76 5.4 SO SÁNH GIỮA BỘ CÂN BẰNG KHÔNG NHÂN QUẢ VÀ BỘ CÂN BẰNG SƠ BỘ: 5.4.1 Trường hợp kênh truyền tuyến tính: 0 10 10 FFFNCDFE preFFF FFFNCDFE preFFF -1 -1 10 -2 BER BER 10 10 -3 -3 10 10 -4 10 -2 10 -4 10 SNR in dB 15 10 10 15 SNR in dB a) Tín hiệu b) Tín hiệu a) Tín hiệu b) Tín hiệu I) Cân không nhân không dùng mạng neuron với cân sơ cân ngang II) Cân không nhân dùng mạng neuron với cân sơ cân ngang Hình 5.8: Đồ thị BER cân không nhân cân sơ (cân ngang) 77 5.4.2 Trường hợp kênh truyền phi tuyến: a) Tín hiệu b) Tín hiệu a) Tín hiệu b) Tín hiệu I) Cân không nhân không dùng mạng neuron với cân sơ cân ngang II) Cân không nhân dùng mạng neuron với cân sơ cân ngang Hình 5.9: Đồ thị BER cân không nhân cân sơ (cân ngang) Hình 5.8 5.9 trình bày kết so sánh cân không nhân cân sơ (cân ngang) Kết mô cho thấy: Kết luận 5: Chất lượng cân không nhân (đường cân sơ (đường ) ) tốt 78 5.5 SO SÁNH CÂN BẰNG MIMO VÀ CÂN BẰNG SISO 5.5.1 Trường hợp kênh truyền tuyến tính: SIGNAL 1-FFF 10 -1 -1 10 BER BER 10 -2 10 -3 -2 10 -3 10 10 MIMO SISO MIMO SISO -4 10 Signal 2-FFF 10 -4 10 10 15 SNR in dB 10 15 SNR in dB a) Tín hiệu b) Tín hiệu I) Cân ngang không dùng mạng neuron SIGNAL 1-nFFF Signal 2-nFFF 10 10 MIMO SISO MIMO SISO -1 -1 10 BER BER 10 -2 10 -3 -3 10 10 -4 10 -2 10 -4 10 10 15 SNR in dB 10 15 SNR in dB a) Tín hiệu b) Tín hiệu II) Cân ngang dùng maïng neuron SIGNAL 1-DFE 10 -1 -1 10 BER 10 BER Signal 2-DFE 10 -2 10 -3 -2 10 -3 10 10 MIMO SISO MIMO SISO -4 -4 10 10 10 SNR in dB a) Tín hieäu 15 10 SNR in dB b) Tín hiệu III) Cân hồi tiếp không dùng maïng neuron 15 79 SIGNAL 1-nDFE 10 -1 -1 10 BER 10 BER Signal 2-nDFE 10 -2 10 -3 -2 10 -3 10 10 MIMO SISO -4 MIMO SISO -4 10 10 10 15 SNR in dB 10 15 SNR in dB a) Tín hiệu b) Tín hiệu IV) Cân hồi tiếp dùng mạng neuron SIGNAL 1-FFFNCDFE 10 -1 -1 10 BER 10 BER Signal 2-FFFNCDFE 10 -2 10 -3 -2 10 -3 10 10 MIMO SISO -4 MIMO SISO -4 10 10 10 15 SNR in dB 10 15 SNR in dB a) Tín hiệu b) Tín hiệu IV) Cân không nhân (với cân sơ cân ngang) SIGNAL 1-nFFFNCDFE 10 -1 -1 10 BER BER 10 -2 10 -3 -2 10 -3 10 10 MIMO SISO -4 10 Signal 2-nFFFNCDFE 10 MIMO SISO -4 10 SNR in dB a) Tín hiệu 15 10 10 15 SNR in dB b) Tín hiệu IV) Cân không nhân dùng mạng neuron (với cân sơ cân ngang dùng mạng neuron) Hình 5.10: Đồ thị BER cân MIMO SISO 80 5.5.2 Trường hợp kênh truyền phi tuyến: a) Tín hiệu b) Tín hiệu a) Tín hiệu b) Tín hiệu a) Tín hiệu b) Tín hiệu I) Cân ngang không dùng mạng neuron II) Cân ngang dùng mạng neuron III) Cân hồi tiếp không dùng mạng neuron 81 a) Tín hiệu b) Tín hiệu a) Tín hiệu b) Tín hiệu a) Tín hiệu b) Tín hiệu IV) Cân hồi tiếp dùng mạng neuron IV) Cân không nhân (với cân sơ cân ngang) IV) Cân không nhân dùng mạng neuron (với cân sơ cân ngang dùng mạng neuron) Hình 5.11: Đồ thị BER cân MIMO SISO 82 Hình 5.10 5.11 trình bày kết so sánh cân MIMO cân SISO trường hợp: kênh tuyến tính (5.10) kênh phi tuyến (5.11) Ta thấy: Kết luận 6: Cân MIMO (đường kênh SISO (đường CCI ) cho kết tốt cân ) Lý do: cân MIMO loại bỏ ảnh hưởng nhiễu 83 5.6 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI: 5.6.1 Kết luận: Trong trường hợp kênh tuyến tính chất lượng cân dùng mạng neuron tương tự cân không dùng mạng neuron tương ứng Trong đó, kênh truyền phi tuyến cân dùng mạng neuron có chất lượng vượt trội so với cân không dùng mạng neuron tương ứng Lý mạng neuron có khả xấp xỉ quan hệ phi tuyến mà không cần biết trước cấu trúc Bộ cân MIMO có chất lượng vượt trội so với cân SISO tương ứng Lý cân MIMO ta có tính đến tương tác tín hiệu Chất lượng cân không nhân không dùng mạng neuron tốt so với cân sơ (cân ngang) Chất lượng cân không nhân cân hồi tiếp trường hợp kênh truyền tuyến tính Nhưng trường hợp kênh truyền phi tuyến chất lượng cân không nhân tốt 5.6.2 Hướng phát triển đề tài Các phương hướng phát triển đề tài dự kiến sau: Xác định giá trị tối ưu trể δ cân không nhân phạm vi ứng dụng Cân mù kênh MIMO dùng mạng neuron Cân hồi tiếp hai chiều kênh MIMO [4] dùng mạng neuron Cân mù thích nghi kênh MIMO [5] dùng mạng neuron… ⎡ ~ s (k − 5)T ⎤ ⎡ r1(k − 2) r1(k − 3) r1(k − 4) r2 (k − 2) r2 (k − 3) r2 (k − 4) ⎢ ⎢ ~ T ⎥ r1(k − 4) r1(k − 5) r2 (k − 3) r2 (k − 4) r2 (k − 5) ⎢ s (k − 4) ⎥ ⎢ r1(k − 3) ⎢ ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥ ⎢ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥ ⎢ ⎢ ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥=⎢ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥ ⎢ ⎢ ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎢~ T⎥ ⎢s (k + N − 4) ⎥ ⎢r1(k + N −1) r1(k + N − 2) r1(k + N − 3) r2 (k + N −1) r2 (k + N − 2) r2 (k + N − 3) ⎢⎣~ s (k + N − 5)T ⎥⎦ ⎢⎣r1(k + N − 2) r1(k + N − 3) r1(k + N − 4) r2 (k + N − 2) r2 (k + N − 3) r2 (k + N − 5) ~ sˆ2 (k − 2) ⎤⎡ B0 (1,1) ⎥⎢ ~ sˆ2 (k − 3) ⎥⎢ B1(1,1) ~ Μ Μ Μ Μ ⎥⎢ B2 (1,1) ⎥⎢ ~ Μ Μ Μ Μ ⎥⎢B0 (1,2) ~ Μ Μ Μ Μ ⎥⎢B1(1,2) ⎥⎢ ~ Μ Μ Μ Μ ⎥⎢B2 (1,2) ⎥⎢ ~ Μ Μ Μ Μ ⎥⎢ A1(1,1) ~ Μ Μ Μ Μ ⎥⎢ A1(1,2) ⎥⎢ sˆˆ1(k + N − 5) sˆˆ2 (k + N − 5) sˆ1(k + N −1) sˆ2 (k + N −1) ⎥⎢ Aˆ1(1,1) sˆˆ1(k + N − 6) sˆˆ2 (k + N − 6) sˆ1(k + N − 2) sˆ2 (k + N − 2)⎥⎦⎢⎣ Aˆ1(1,2) sˆˆ1(k − 6) sˆˆ1(k − 7) sˆˆ2 (k − 6) sˆˆ2 (k − 7) ~ B0 (2,1) ⎤ ⎥ ~ B1(2,1) ⎥ ~ B2 (2,1) ⎥ ⎥ ~ B0 (2,2)⎥ ~ B1(2,2)⎥ ⎥ ~ B2 (2,2)⎥ ~ A1(2,1) ⎥⎥ ~ A1(2,2)⎥ ⎥ Aˆ1(2,1) ⎥ Aˆ1(2,2)⎥⎦ sˆ1(k − 2) sˆ1(k − 3) (4.25) ⎡ r1(k − 2) r1(k − 3) r1(k − 4) r2 (k − 2) r2 (k − 3) r2 (k − 4) ⎢ r1(k − 4) r1(k − 5) r2 (k − 3) r2 (k − 4) r2(k − 5) ⎢ r1(k − 3) ⎢ Μ Μ Μ Μ Μ Μ ⎢ Μ Μ Μ Μ Μ Μ ⎢ ⎢ Μ Μ Μ Μ Μ Μ Đặt: ⎢ ⎢ Μ Μ Μ Μ Μ Μ ⎢ Μ Μ Μ Μ Μ Μ ⎢ ⎢ Μ Μ Μ Μ Μ Μ ⎢ ⎢r1(k + N −1) r1(k + N − 2) r1(k + N − 3) r2 (k + N −1) r2(k + N − 2) r2 (k + N − 3) ⎢r (k + N − 2) r (k + N − 3) r (k + N − 4) r (k + N − 2) r (k + N − 3) r (k + N − 5) 1 2 ⎣1 sˆ2 (k − 2) ⎤ ⎥ sˆ2(k − 3) ⎥ Μ Μ Μ Μ ⎥ ⎥ Μ Μ Μ Μ ⎥ Μ Μ Μ Μ ⎥⎥ =R Μ Μ Μ Μ ⎥ ⎥ Μ Μ Μ Μ ⎥ Μ Μ Μ Μ ⎥ ˆsˆ (k + N − 5) sˆˆ (k + N − 5) sˆ (k + N −1) sˆ (k + N −1) ⎥ ⎥ 2 ˆsˆ (k + N − 6) sˆˆ (k + N − 6) sˆ (k + N − 2) sˆ (k + N − 2)⎥ 2 ⎦ sˆˆ1(k − 6) sˆˆ (k − 7) sˆˆ2 (k − 6) sˆˆ (k − 7) sˆ1(k − 2) sˆ1(k − 3) (4.26) 62 r2 (k − 2) r2 (k − 3) ⎤⎡ A1(1,1) r1(k −1) r1(k − 2) r1(k − 3) r2 (k) r2 (k −1) ⎡ sˆ(k)T ⎤ ⎡ r1(k) ⎢ ⎢ T ⎥ r1(k − 2) r1(k − 3) r1(k − 4) r2 (k −1) r2 (k − 2) r2 (k − 3) r2 (k − 4) ⎥⎥⎢⎢ A1(1,1) ⎢ sˆ(k +1) ⎥ ⎢ r1(k −1) ⎢ sˆ(k + 2)T ⎥ ⎢ r1(k − 2) r1(k − 3) r1(k − 4) r1(k − 5) r2 (k − 2) r2 (k − 3) r2 (k − 4) r2 (k − 5) ⎥⎢ B0 (1,1) ⎢ ⎥ ⎢ ⎥⎢ Μ Μ Μ Μ Μ Μ Μ Μ ⎥⎢ B1(1,1) Μ ⎥ ⎢ ⎢ = ⎢ Μ Μ Μ Μ Μ Μ Μ Μ ⎥⎢B2 (1,2) Μ ⎥ ⎢ ⎢ ⎥ ⎢ ⎥⎢ Μ Μ Μ Μ Μ Μ Μ Μ ⎥⎢B0 (1,2) Μ ⎥ ⎢ ⎢ ⎢sˆ(k + N −1)T ⎥ ⎢r (k + N −1) r (k + N − 2) r (k + N −1) r (k + N − 4) r (k + N − 2) r (k + N − 3) r (k + N − 3) r (k + N − 4)⎥⎢B (1,2) 1 2 2 ⎢ ⎥ ⎢1 ⎥⎢ ⎢⎣ sˆ(k + N)T ⎥⎦ ⎢⎣ r1(k + N) r1(k + N −1) r1(k + N − 2) r1(k + N − 3) r2 (k + N −1) r2 (k + N −1) r2 (k + N − 3) r2 (k + N − 3)⎥⎦⎢⎣B2 (1,2) Đặt: A1(2,1) ⎤ A1(2,1) ⎥⎥ B0 (2,1) ⎥ ⎥ B1(2,1) ⎥ B2 (2,2)⎥ ⎥ B0 (2,2)⎥ B1(2,2)⎥ ⎥ B2 (2,2)⎥⎦ ⎤ ⎡ sˆ(k ) T ⎥ ⎢ T ⎢ sˆ(k + 1) ⎥ ⎢ sˆ(k + 2) T ⎥ ⎥ ⎢ Μ ⎥ = Sˆ ⎢ ⎥ ⎢ Μ ⎥ ⎢ Μ ⎥ ⎢ ⎢ sˆ(k + N − 1) T ⎥ ⎥ ⎢ ⎢⎣ sˆ(k + N ) T ⎥⎦ r1(k − 1) r1(k − 2) r1(k − 3) r2 (k) r2 (k − 1) r2 (k − 2) r2 (k − 3) ⎤ ⎡ r1(k) ⎢ r (k − 1) r1(k − 2) r1(k − 3) r1(k − 4) r2 (k − 1) r2 (k − 2) r2 (k − 3) r2 (k − 4) ⎥⎥ ⎢ ⎢ r1(k − 2) r1(k − 3) r1(k − 4) r1(k − 5) r2 (k − 2) r2 (k − 3) r2 (k − 4) r2 (k − 5) ⎥ ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥=R ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ Μ ⎢ ⎥ ⎢r (k + N − 1) r (k + N − 2) r (k + N − 1) r (k + N − 4) r (k + N − 2) r (k + N − 3) r (k + N − 3) r (k + N − 4)⎥ 1 1 2 2 ⎢ ⎥ ⎢⎣ r1(k + N) r1(k + N − 1) r1(k + N − 2) r1(k + N − 3) r2 (k + N − 1) r2 (k + N − 1) r2 (k + N − 3) r2 (k + N − 3)⎦⎥ (4.3) (4.4) (4.5) 51 r2 (k −1) r2 (k − 2) ⎤⎡ F0 (1,1) sˆ2 (k −1) r1(k) r1(k −1) r1(k − 2) r2 (k) ⎡ sˆ(k)T ⎤ ⎡ sˆ1(k −1) ⎢ ⎢ T ⎥ sˆ2 (k − 2) r1(k −1) r1(k − 2) r1(k − 3) r2 (k −1) r2 (k − 2) r2 (k − 3) ⎥⎥⎢⎢ F1(1,1) ⎢ sˆ(k +1) ⎥ ⎢ sˆ1(k − 2) ⎢ sˆ(k + 2)T ⎥ ⎢ sˆ1(k − 3) sˆ2 (k − 3) r1(k − 2) r1(k − 3) r1(k − 4) r2 (k − 2) r2 (k − 3) r2 (k − 4) ⎥⎢ F2 (1,1) ⎢ ⎥ ⎢ ⎥⎢ Μ Μ Μ Μ Μ Μ Μ Μ ⎥⎢ F3(1,1) Μ ⎥ ⎢ ⎢ = ⎢ Μ Μ Μ Μ Μ Μ Μ Μ ⎥⎢F0 (1,2) Μ ⎥ ⎢ ⎢ ⎥ ⎢ ⎥⎢ Μ Μ Μ Μ Μ Μ Μ Μ ⎥⎢F1(1,2) Μ ⎥ ⎢ ⎢ ⎢sˆ(k + N −1)T ⎥ ⎢sˆ (k + N − 2) sˆ (k + N − 2) r (k + N −1) r (k + N − 2) r (k + N − 3) r (k + N −1) r (k + N − 2) r (k + N − 3)⎥⎢F (1,2) 1 2 ⎢ ⎥ ⎢1 ⎥⎢ ⎢⎣ sˆ(k + N)T ⎥⎦ ⎢⎣ sˆ1(k + N −1) sˆ2 (k + N −1) r1(k + N) r1(k + N −1) r1(k + N − 2) r2 (k + N) r2 (k + N −1) r2 (k + N − 2)⎥⎦⎢⎣F3(1,2) Đặt: F0 (2,1) ⎤ F1(2,1) ⎥⎥ F2 (2,1) ⎥ ⎥ F3(2,1) ⎥ F0 (2,2)⎥ ⎥ F1(2,2)⎥ F2 (2,2)⎥ ⎥ F3(2,2)⎥⎦ ⎤ ⎡ sˆ(k ) T ⎥ ⎢ T ⎢ sˆ(k + 1) ⎥ ⎢ sˆ(k + 2) T ⎥ ⎥ ⎢ Μ ⎥ = Sˆ ⎢ ⎥ ⎢ Μ ⎥ ⎢ Μ ⎥ ⎢ ⎢ sˆ(k + N − 1) T ⎥ ⎥ ⎢ ⎢⎣ sˆ(k + N ) T ⎥⎦ sˆ2(k −1) r1(k) r1(k −1) r1(k − 2) r2(k) r2(k −1) r2(k − 2) ⎤ ⎡ sˆ1(k −1) ⎢ sˆ (k − 2) sˆ2(k − 2) r1(k −1) r1(k − 2) r1(k −3) r2(k −1) r2(k − 2) r2(k −3) ⎥⎥ ⎢ ⎢ sˆ1(k −3) sˆ2(k −3) r1(k − 2) r1(k −3) r1(k − 4) r2(k − 2) r2(k −3) r2(k − 4) ⎥ ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ Μ ⎥ ⎢ =R ⎢ Μ Μ Μ Μ Μ Μ Μ Μ ⎥ ⎢ ⎥ Μ Μ Μ Μ Μ Μ Μ Μ ⎥ ⎢ ⎢sˆ (k + N − 2) sˆ (k + N − 2) r (k + N −1) r (k + N − 2) r (k + N −3) r (k + N −1) r (k + N − 2) r (k + N −3)⎥ 1 2 ⎢1 ⎥ ˆ ˆ ( + − ) ( + − ) ( + ) ( + − ) ( + − ) ( + ) ( + − ) s k N s k N r k N r k N r k N r k N r k N r ⎥ 1 2 (k + N − 2)⎦ ⎣⎢ (4.12) (4.13) (4.14) 56 ... ĐỀ TÀI: CÂN BẰNG KÊNH MIMO BẰNG MẠNG NEURON II-NHIỆM VỤ VÀ NỘI DUNG : - Tìm hiểu cân kênh MIMO - Xây dựng giải thuật cân ngang, cân hồi tiếp cân không nhân dùng mạng neuron không dùng mạng neuron... trường hợp dùng mạng neuron không dùng mạng neuron (chương 5), cụ thể: Mô cân ngang kênh thông tinMIMO Mô cân hồi tiếp xác kênh thông tin MIMO Mô cân hồi tiếp không nhân kênh thông tin MIMO → Đánh... Wavelets, mạng Neuron, Fuzzy, kỹ thuật mã hóa tín hiệu, … nhằm nâng cao tối đa chất lượng đường truyền Ta phân loại kênh cân sau: cân kênh MIMO tuyến tính phi tuyến Cân kênh MIMO tuyến tính loại cân