Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
1
/ 18 trang
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
Định dạng
Số trang
18
Dung lượng
1,76 MB
Nội dung
Phần 4_Chương 1 : Thiếtkếchương trình
Lê Thanh Nhật-Trương Ánh Thu 162 GVHD :Ths. Hoàng Đình Chiến
CHƯƠNG 1
THIẾT KẾCHƯƠNG TRÌNH
1. MÔ PHỎNG ĐƯỜNG TRUYỀN
ột hệ thống thông tin gồm có máy phát, kênh truyền và máy thu. Ở máy phát, tín
hiệu được điều chế theo phương pháp BPSK, QPSK và qua bộ lọc băng thông, rồi
phát đi. Tín hiệu đến máy thu sau khi qua kênh truyền có các loại nhiễu : nhiễu
trắng, fading, nhiễu đồng kênh. Để có được dữ liệu ban đầu, tín hiệu thu phải đi
qua bộ giải điều chế, lọc thông thấp, rồi đến bộ quyết đònh.
Sơ đồ khối của một hệ thống thông tin :
2. MÔ PHỎNG BỘ CÂN BẰNG SỬ DỤNG NEURAL NETWORKS
Do trên kênh truyền xuất hiện nhiều loại nhiễu gây ảnh hưởng đến tín hiệu thu, nên dữ liệu
thu được sẽ bò sai. Có rất nhiều kỹ thuật triệt nhiễu đã được đề cập trong phần lý thuyết,
nhưng trong luận văn này chỉ đề cập đến kỹ thuật sử dụng bộ cân bằng. Thực tế người ta đã
áp dụng nhiều loại cân bằng khác nhau để xử lý tín hiệu, tuy nhiên trong phạm vi của đề tài
tốt nghiệp chúng em chỉ mô phỏng bộ cân bằng sử dụng Neural Networks. Phần lý thuyết trên
đã nêu rất rõ các loại mạng có trong Neural Networks :
• Mạng Perceptron : Hàm truyền của các neuron là hàm nấc rất giống như neuron sinh học
nhưng thực tế rất ít khi sử dụng trong mạng trí tuệ nhân tạo do khi qua mỗi neuron, tính
chất của tín hiệu không còn chính xác.
• Mạng tuyến tính : Mạng này giống như Perceptron nhưng hàm truyền là hàm tuyến tính
cho ngõ ra có giá trò không giới hạn, chỉ giải quyết những vấn đề độc lập tuyến tính, có
M
Phần 4_Chương 1 : Thiếtkếchương trình
Lê Thanh Nhật-Trương Ánh Thu 163 GVHD :Ths. Hoàng Đình Chiến
quy luật huấn luyện LMS mạnh hơn quy luật huấn luyện Peceptron. Mạng tuyến tính có
khả năng đáp ứng sự thay đổi của môi trường, được điều chỉnh theo từng bước dựa trên
vector vào mới và vector mong muốn để tìm được các giá trò trọng số và ngưỡng thích
hợp sao cho tổng bình phương sai số nhỏ nhất. Mạng loại này thường được sử dụng trong
những bộ lọc, những hệ thống điều khiển và xử lý tín hiệu số. Đây là loại mạng đơn
giản nhất có thể áp dụng trong thực tế.
• Mạng Backpropagation : Backpropagation thực hiện dựa trên quy luật học Widrow-Hoff
tổng quát hóa cho mạng đa lớp và các hàm truyền phi tuyến khác nhau. Mạng có
ngưỡng, một lớp sigmoid và một lớp tuyến tính ngõ ra có thể mô phỏng bất kỳ hàm nào
với số mẫu rời rạc hữu hạn. Mạng này được huấn luyện chính xác sẽ cho đáp ứng hợp lý
khi đưa ngõ vào chưa từng được huấn luyện. Thông thường tín hiệu mới vào có ngõ ra
tương tự với ngõ ra chính xác của tín hiệu vào đã được huấn luyện giống với ngõ vào
mới này. Do tính chất tổng quất hóa này, ta có thể huấn luyện mạng dựa trên các cặp
vào/ra đại diện mà vẫn cho kết quả tốt đối với các tín hiệu chưa được huấn luyện.
• Mạng Radial Basis : Mạng Radial Basis yêu cầu nhiều neuron hơn mạng
Backpropagation feedforward chuẩn, nhưng thường thiếtkế ít tốn thời gian hơn mạng
feedforward chuẩn. Mạng này sẽ hoạt động tốt khi có nhiều vector huấn luyện. Chính
điều này giới hạn mạng Radial Basis trong việc ứng dụng vào bộ cân bằng. Đồng thời số
neuron Radial Basis tỉ lệ với kích thước không gian ngõ vào và độ phức tạp của vấn đề
nên mạng Radial Basis lớn hơn mạng Backpropagation. Mạng Radial Basis hoạt động
chậm vì có quá nhiều phép tính, tốn nhiều không gian. Do đó, trong luận văn này không
mô phỏng mạng Radial Basis. Mạng Radial Basis chỉ phù hợp cho vấn đề phân loại.
• Mạng hồi tiếp : Mạng hồi tiếp chứa các kết nối ngược trở về các neuron trước đó. Mạng
này có thể chạy không ổn đònh và dao động rất phức tạp. Mạng hồi tiếp rất được các
nhà nghiên cứu quan tâm nhưng không có hiệu quả trong việc giải quyết các vấn đề thực
tế.
• Mạng Seft-Organnizing : Mạng có khả năng học, tìm ra quy luật và các tương quan ở ngõ
vào và đưa ra các đáp ứng có ngõ vào tương ứng. Các neuron của mạng học nhận ra các
nhóm vector ngõ vào giống nhau, tự sắp xếp để nhận biết tần suất xuất hiện của các
vector đầu vào được đưa tới. Do đó mạng Seft-Organizing dùng để phân loại các vector
trong không gian ngõ nhập, thích hợp cho việc nhận dạng, phân loại các tín hiệu ngõ
vào.
Ở đây, chúng ta áp chỉ áp dụng các loại mạng tuyến tính và mạng Backpropagation, thiếtkế
sao cho có thể học được đặc tính của chuỗi dữ liệu nhờ chuỗi huấn luyện được mô tả trước.
Mạng thay đổi trọng số liện tục để nhận biết chuỗi dữ liệu đúng. Chương trình mô phỏng này
được thiếtkế với nhiều kiểu huấn luyện khác nhau; mỗi mạng, mỗi kiểu huấn luyện có nhiều
Phần 4_Chương 1 : Thiếtkếchương trình
Lê Thanh Nhật-Trương Ánh Thu 164 GVHD :Ths. Hoàng Đình Chiến
cấu trúc có thể thay đổi. Mô hình mạng Backpropagation áp dụng cho xử lý tín hiệu số là tốt
nhất do có khả năng tổng quát quá. Kết quả mô phỏng sẽ được trình bày trong phần sau.
Sơ đồ khối của một hệ thống thông tin có thêm bộ cân bằng để triệt nhiễu :
Xem xét một mô hình mạng điển hình.
Mô hình mạng 2 lớp
R đầu vào
S
1
neuron trong lớp 1, hàm truyền tansig
S
2
neuron trong lớp 2, hàm truyền purelin
Mô hình mạng 3 lớp
R đầu vào
S
1
neuron lớp 1, hàm truyền tansig
S
2
neuron lớp 2, hàm truyền logsig
S
3
neuron lớp 3, hàm truyền purelin
S2x1
S1x1
a1
n1
S2xS1
S1xR
S1x1
Rx1
S2
S1
S1x1
W
1
b
1
1
1
P
a2
n
2
S2x1
W
2
b
2
S2x1
Lớp Neuron 1
Lớp Neuron 2
Đầu vào
a1
S2xS1
S1xR
W
P
a2
W
a3
W
S3xS2
Phần 4_Chương 1 : Thiếtkếchương trình
Lê Thanh Nhật-Trương Ánh Thu 165 GVHD :Ths. Hoàng Đình Chiến
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 166 GVHD :Ths. Hoàng Đình Chiến
CHƯƠNG 2
KẾT QUẢ MÔ PHỎNG
1. THỰC THI CHƯƠNG TRÌNH
Dùng chương trình Matlab để mô phỏng hệ thống thông tin trên. Chương trình mô phỏng thực
thi theo các bước sau :
Lưu đồ giải thuật của chương trình mô phỏng
Begin
Chọn chức năng
Lý thuyết
Chương trình mô phỏng
Demo
Nhập thông số môi tr
ường
Chọn loại mạng và các
thông số mạng
Thực thi chương trình
End
Xuất kết quả
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 167 GVHD :Ths. Hoàng Đình Chiến
Lưu đồ giải thuật điều chế tín hiệu :
Bộ quyết đònh
Điều chế
Tạo dữ liệu
Lọc BPF
End
RUN
Lọc BPF
Kênh truyền
Nhiễu
Giải điều chế
LPF
Bộ cân bằng
Neural Networks
Bộ quyết đònh
Tính BER
Xuất kết quả
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 168 GVHD :Ths. Hoàng Đình Chiến
Giải thuật này có tốc độ chạy mô phỏng rất nhanh do không phải lặp lại các phép tính cos, sin
(kỹ thuật điều chế) cho toàn bộ chuỗi bit vào, mà chỉ thực hiện trên hai mẫu (BPSK) hoặc bốn
mẫu (QPSK).
Điều chế mẫu :
BPSK : 2 mẫu
QPSK : 4 mẫu
Lấy mẫu tín hiệu
điều chế tương ứng
End
ĐIỀU CHẾ
Tín hiệu
điều chế
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 169 GVHD :Ths. Hoàng Đình Chiến
Lưu đồ giải thuật huấn luyện mạng Neural Networks
Tạo mạng với
thông số đã nhập
End
HUẤN LUYỆN
NEURAL NETWORKS
Sắp xếp tín hiệu
huấn luyện mạng
đúng với loại mạng
Tiền xử lý
tín hiệu
Tín hiệu đích
Hua
án luyện
mạng
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 170 GVHD :Ths. Hoàng Đình Chiến
Lưu đồ giải thuật mô phỏng Neural Networks
End
Mô phỏng
NEURAL NETWORKS
Sắp xếp tín hiệu
nhập phù hợp với
ngõ vào mạng
Tiền xử lý
tín hiệu
Chạy mô phỏng
mạng đã được
huấn luyện
Hậu xử lý
tín hiệu
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 171 GVHD :Ths. Hoàng Đình Chiến
[...]... Thu 17 5 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Lê Thanh Nhật-Trương Ánh Thu 17 6 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Ví dụ : Thông số Chuỗi bit Tần số sóng mang Tốc độ bit Nhiễu Gauss Phương pháp điều chế Giá trò 10 .000.000 35 8 ,19 2 8 QPSK Đơn vò Bit MHz MHz dB 1 V 0 (a) -1 2 2.5 3 3.5 4 4.5 5 x 10 1 -6 V 0 (b) -1 2.5 3 3.5 4 4.5 5 4 2 V 0 -2 -4 -6 x 10 ... 2 x 10 -6 V 0 (d) -2 2.5 3 3.5 4 4.5 5 5.5 (s ec ) x 10 -6 (a) Tín hiệu điều chế QPSK (b) Tín hiệu phát sau khi lọc (c)Tín hiệu thu (có nhiễu) tại antenna thu (d) Tín hiệu thu sau khi lọc băng thông Lê Thanh Nhật-Trương Ánh Thu 17 7 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Màn hình xuất kết quả sau mô phỏng Lê Thanh Nhật-Trương Ánh Thu 17 8 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương. .. Thu 17 2 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Trong cửa sổ này người sử dụng có thể chọn một trong các ví dụ sau : @ @ @ @ @ @ Mạng 1 neuron đầu vào Mạng 2 neuron đầu vào Mạng tuyến tính thích ứng Mạng 2 lớp Bài toán Phân Loại Bài toán Tổng quát Sau đây là một vài giao diện của các chương trình minh họa : Lê Thanh Nhật-Trương Ánh Thu 17 3 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương. .. 17 3 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Khi click chuột vào nút Mô phỏng, xuất hiện cửa sổ : Lê Thanh Nhật-Trương Ánh Thu 17 4 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Cửa sổ này cho phép nhập : @ Tần số sóng mang (Carrier Freq) @ Tốc độ bit (Bit Rate) @ Chiều dài chuỗi dữ liệu (Length of Data) @ Loại dữ liệu (Ngẫu nhiên hay nhập vào) @ Biên độ sóng mang...Phần 4 _Chương 2 : Kết quả mô phỏng Trong cửa sổ giao diện chính có 4 nút nhấn : Thực thi chương trình, hiện ra cửa sổ để nhập các thông số môi trường truyền như tần số sóng mang (Fc), tốc độ bit (R), loại nhiễu, … Chạy file word, hiện lên cửa sổ trình bày nội dung của quyển Luận văn tốt nghiệp Minh họa mạng Neural Networks, hiện lên cửa sổ trình bày một vài ví dụ về mạng Thoát khỏi chương trình... Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Màn hình xuất kết quả sau mô phỏng Lê Thanh Nhật-Trương Ánh Thu 17 8 GVHD :Ths Hoàng Đình Chiến Phần 4 _Chương 2 : Kết quả mô phỏng Đồ thò huấn luyện mạng : Lê Thanh Nhật-Trương Ánh Thu 17 9 GVHD :Ths Hoàng Đình Chiến ... (BPSK/QPSK) @ Loại nhiễu (White Noise/Fading/Cochannel) @ Mức độ nhiễu (SNR/Mean và Variance, số nguồn nhiễu) Chọn nút Back để quay về cửa sổ chính hay nút Next để qua cửa sổ nhập thông số mạng Trong cửa sổ kế tiếp có thể chọn các thông số sau : @ Các loại mạng : • Bayesian regularization • Levenberg_Marquardt • One Step Secant • Quasi_Newton • Scale Conjugate Gradient • Powell_Beal • Polak_Ribiére • Fletcher_Reeves . Phần 4 _Chương 1 : Thiết kế chương trình
Lê Thanh Nhật-Trương Ánh Thu 16 2 GVHD :Ths. Hoàng Đình Chiến
CHƯƠNG 1
THIẾT KẾ CHƯƠNG TRÌNH
1. MÔ PHỎNG. Rx1
S2
S1
S1x1
W
1
b
1
1
1
P
a2
n
2
S2x1
W
2
b
2
S2x1
Lớp Neuron 1
Lớp Neuron 2
Đầu vào
a1
S2xS1
S1xR
W
P
a2