CHƯƠNG 4 MÔ PHỎNG
4.4.2 Phương pháp “Capon’s Minnimum Variance”
Theo kết quả mô phỏng trên hình 4.12, phương pháp này cho chất lượng cao hơn phương pháp Conventional, nó dùng một phần góc để tạo búp sóng trong hướng cần đồng thời sử dụng phần góc còn lại để tạo hướng bức xạ không (null) đến các hướng tín hiệu nhiễu. Như vậy năng lượng ngõ ra được làm cực tiểu trong khi vẫn giữ nguyên độ lợi trong hướng cần thiết.
Hình 4.12 DOA của phương pháp Capon’s Minimum variance ở các góc tới 700, -800, -200
Tuy vậy phương pháp này cũng có những nhược điểm, đó là khi tồn tại các tín hiệu khác kết hợp với tín hiệu mong muốn. Điều này do chúng tình cờ sử dụng tính tương quan để làm tăng năng lượng ngõ ra mà không triệt các tín hiệu nhiễu. Nghĩa là các thành phần tương quan sẽ làm hỏng quá trình cực tiểu năng lượng ngõ ra. Hơn nữa thuật toán cũng yêu cầu tính ma trận nghịch đảo, điều này sẽ làm tăng chi phí cho các mảng lớn.
Hình 4.13 DOA của phương pháp dự đoán tuyến tính ở các góc tới -600,200,700
Về mặt lí thuyết phương pháp này dự đoán ngõ ra của một nguyên tố anten bằng cách kết hợp tuyến tính các ngõ ra còn lại và làm cực tiểu sai số trung bình bình phương. Kết quả mô phỏng hình 5.13 cho thấy chất lượng của thuật toán này cao hơn so với hai thuật toán đã trình bày ở trên. Búp sóng mô phỏng được rất hẹp và có độ lợi cao.
Theo lí thuyết, ta nhận được các trọng số bằng cách tối thiểu năng lượng ngõ ra trung bình với ràng buộc trọng số của nguyên tố được chọn thì bằng 1. Không có tiêu chuẩn nào để lựa chọn đúng đắn nguyên tố này. Việc lựa chọn nó sẽ ảnh hưởng đến khả năng hội tụ và tốc độ dự đoán. Ngoài ra thuật toán cũng phụ thuộc vào tỉ số SNR và sự phân biệt của nguồn tín hiệu đến. Phương pháp dự đoán tuyến tính phù hợp với môi trường có SNR thấp vừa phải. Đó là một sự lựa chọn tốt khi các nguồn có năng lượng xấp xỉ bằng nhau và hầu như kết hợp.
Các thuật toán kể trên bị giới hạn do không khai thác cấu trúc mô hình dữ liệu ngõ vào. Trong khi đó thuật toán SCORE lợi dụng tính chất này. Nó cải thiện đáng kể chất lượng dự đoán DOA. Khi thỏa mãn một số điều kiện như: dữ liệu được thu thập trong khoảng thời gian tương đối dài, tỉ số SNR khá cao, mô hình tín hiệu khá chính xác ….thuật toán cho phép dự đoán DOA rất chính xác.
Hình 4.14 DoA của thuật toán MUSIC -300, -600, 600
Kết quả mô phỏng có độ chính xác và độ lợi rất cao. Thuật toán mô phỏng ở đây là “Spectral MUSIC” do nó sử dụng phương pháp dự đoán phổ của tín hiệu. Ngoài ra còn một số biến thể khác phù hợp với từng trường hợp khác nhau như: Root_MUSIC, Contrained_MUSIC và Beam_space_MUSIC.
Hình 4.15 cho ta sự so sánh giữa các thuật toán.
Từ kết quả mô phỏng trong những điều kiện giống nhau, ta thấy phương pháp MUSIC cho kết quả tốt nhất. Các tín hiệu xác định được có độ lợi rất cao. Tiếp theo là phương pháp Linear Prediction. Các thuật toán Conventional và Capon’s Minimum variance cho kết quả không tốt bằng. Phổ của hai thuật toán này có độ lợi thấp và rộng.