Huấn luyện và hồi tiếp

4. Phương pháp nghiên cứu

2.4.1.Huấn luyện và hồi tiếp

Chúng ta xem xét một mô hình kênh quảng bá đường xuống MIMO, trong đó trạm gốc có Nt anten và K người dùng đầu cuối, mỗi người dùng có 1 anten như mô tả hình 2.2.

Hình 2.4: Hồi tiếp thông tin trạng thái kênh truyền trong đường xuống hệ thống MIMO

Một kênh tín hiệu được mô tả bởi:

k k k

Trong đó yk là số phức biểu diễn tín hiệu thu tại UT thứ k, zk là nhiễu trắng AWGN được thêm vào khi tín hiệu truyền trên kênh vô tuyến. hk là vector kênh phức, đáp ứng kênh từ anten thuê bao thứ k đến anten mảng BTS và x là vector phức tín hiệu truyền tại BS. Thành phần thứ j của hk đại diện cho hệ số ảnh hưởng của tín hiệu truyền từ BS đến người dùng thứ j.

Trạng thái kênh thông tin được cho bởi tập hợp của tất cả các vector kênh H = [h1, h2, …hk] biến đổi theo thời gian trong mô hình bock-fading [11], trong đó H không đổi trong mỗi khung có độ dài kênh T được sử dụng, và thay đổi từ khung này qua khung khác. Mô hình trên đại diện cho Rayleigh fading khối, mà được áp dụng khi tín hiệu được truyền bởi BS được phân tán bởi một số lượng lớn các đối tượng phân bố không đồng đều xung quanh mỗi UT, và không có đường trực tiếp từ BS đến UT. Thông tin của H

tại BS được gọi là CSIT. Do H duy trì không đổi trong một “khối” thời gian,

hk có thể quan sát bởi mỗi UT và sau đó hồi tiếp về BS ở đầu mỗi khối thời gian. Sau đó BS có thể sử dụng thông tin này để truyền dữ liệu đến UT trong phần còn lại của khối thời gian.

Với CSIT không lý tưởng, kỹ thuật tiền mã hóa tuyến tính hay beamforming tuyến tính với chuẩn mã hóa Gaussian tiêu chuẩn được xem xét. Ở đây tín hiệu truyền được định dạng x=Vu, trong đó u ∈CK là vector phức chứa K ký tự dữ liệu mà được gửi bởi BS tới mỗi thuê bao. Do đó tín hiệu phát x thật ra là biến đổi tuyến tính của các vector dữ liệu u, trong đó V

K Nt

C ×

∈ được gọi là ma trận beamforming tuyến tính.

Lưu ý rằng độ lợi ghép kênh lớn nhất là Nt với K ≥ Nt, mặc dù chúng ta có thể có nhiều hơn Nt người dùng, do chúng ta chỉ có Nt anten có sẵn tại các BS và do đó hiệu quả truyền chỉ Nt luồng dữ liệu độc lập cùng một lúc.

Chúng ta giả sử rằng mỗi UT ước lượng vector kênh của nó từ ký tự huấn luyện đường xuống và sau đó hồi tiếp thông tin này về lại BS. Mô hình

này được gọi là ước lượng CSIT vòng kín, phù hợp khi kênh đường lên và đường xuống không giống nhau (như trong FDD), và BS có thể chỉ học kênh đường xuống thông qua hồi tiếp. Mô hình cơ bản này được mô tả trong hình 2.3 và bao gồm các giai đoạn sau đây:

Hình 2.5: Mô hình ước lượng kênh và hồi tiếp [14]

a. Huấn luyện chung:

BS phát β1Nt kênh hoa tiêu chia sẻ trên kênh đường xuống (chọn β1 ≥ 1

ký tự hoa tiêu trên một anten). Nếu β1 là số nguyên, ký tự hoa tiêu có thể trực

giao về mặt thời gian,…,β1 kênh hoa tiêu được phát thành công từ mỗi Nt

anten của BS với tổng số β1Nt kênh sử dụng. Tỉ số tín hiệu trên nhiễu nhận được là

0 1

N P

β (hay β1SNR). Rõ ràng với giá trị β1 lớn hơn (mà tương ứng với

việc sử dụng nhiều hoa tiêu huấn luyện), tỉ số tín hiệu trên nhiễu cao hơn cho pha huấn luyện.

Mỗi UT thứ k nhận được tín hiệu đại diện bởi các vector phức sk trong pha huấn luyện được cho như sau [14]:

k k k Ph z

s = β1 + (2.4)

Kênh hk có thể được biểu diễn là ước lượng của h%k và ước lượng nhiễu,

ký hiệu nk là:

hk= h%k + nk (2.5) (adsbygoogle = window.adsbygoogle || []).push({});

Trong đó nk là độc lập của ước lượng và theo phân bố Gaussian với phương sai 2 1 σ trong đó 2 1 1 1 1 SNR σ β = + (2.6)

b. Hồi tiếp trạng thái kênh truyền:

Mỗi UT hồi tiếp ước lượng kênh h%k đến trạm gốc ngay lập tức sau khi hoàn thành pha huấn luyện. Chúng ta sử dụng ˆ ˆ1,..., ˆ N Kt

k

h h C ×

 

= ∈

H để biểu

diễn CSIT (không lý tưởng) tại BS tương ứng với trạng thái kênh thực tế H. Tín hiệu hồi tiếp này được ánh xạ, từ h%k sang hˆk, hay từ hksang hˆk.

Nói chung chúng ta đo lượng thông tin hồi tiếp bằng số ký tự hồi tiếp, trái ngược với bit hồi tiếp thường được sử dụng. Có nghĩa là chúng ta giả định mỗi UT truyền thông tin hồi tiếp của nó trên βfbNt kênh hồi tiếp ký tự.

c. Lựa chọn Beamformer:

BS lựa chọn vector beamforming bằng cách xử lý ước lượng CSIT ˆH như đó là kênh thật. Theo công thức ZF, vˆk là vector đơn vị trực giao với không gian conSk =span h{ˆj : j ≠k}, ta ký hiệu là Vˆ =[ ,...,vˆ1 vˆK]. Khi K =

Nt và kênh ước lượng BS ˆ1,..., ˆ

t

N

h h là độc lập, không gian con Sk là Nt

chiều và độc lập với ˆ

k

h . Vector beamforming vˆk được chọn trong null space

một chiều của Sk, kết quả vˆk là độc lập thống kê với kênh ước lượng ˆ

k

h và của vector kênh thật hk.

d. Huấn luyện chuyên dụng:

Mỗi UT không biết việc chọn vector beamformer {vˆk }, vì đó là hàm thông tin trạng thái kênh { ˆ1,..., ˆ }

K

h h tại BS, và UT thứ k chỉ biết ˆ

k

h hay tốt nhất là h%k (nếu không có sai số hồi tiếp). Do đó mỗi UT không biết các nhân tố

ảnh hưởng đến ký tự dữ liệu mà nó nhận được cũng như các yêu tố ảnh hưởng đến các ký tự dữ liệu của các UT khác. Do đó chúng ta cần một vòng huấn luyện kênh đường xuống bổ sung sau khi BS tính toán vector beamforming để mỗi UT có thể học các hệ số này. Đặt tập hợp của các hệ số ảnh hưởng đến các tín hiệu nhận bởi UT thứ k được ký hiệu bởi:

{ , : 1,..., } (adsbygoogle = window.adsbygoogle || []).push({});

k k j t

A = a j = N (2.7)

Trong đó ak j, = h vk ˆj là hệ số nhân giữa kênh thứ k và vector beamforming thứ j, với k ≠ j, hệ số này biểu diễn nhiễu tại UT thứ k do dữ liệu truyền đến UT thứ j, và với k = j, khi đó biểu diễn hệ số ảnh hưởng tín hiệu cho UT thứ k. Tín hiệu nhận tại UT thứ k được cho bởi:

, , , ˆ k k k k k k k j j k k k k k k j k y h Vu z a u a u z a u I z ≠ = + = +∑ + = + + (2.8)

Trong đó gồm tổng các thành phần nhận tại UT thứ k, nhưng dữ liệu cho UT j ≠ k, là nhiễu tại UT thứ k. Do đó mỗi UT nhận không chỉ dữ liệu của nó mà còn tín hiệu nhiễu từ các UT khác gửi đến. Trong các biểu diễn trên, Ik là tổng nhiễu tại UT thứ k được cho bởi:

, k k j j j k I a u ≠ =∑ (2.9) Huấn luyện chuyên dụng được thiết kế để cho phép việc ước lượng các hệ số Ak tại UT thứ k. Điều này được thực hiện bằng cách truyền các ký tự

huấn luyện trực giao β2 cùng với mỗi vector beamforming trên kênh đường xuống, do đó yêu cầu tổng số β2Nt kênh đường xuống được sử dụng. Mô hình quan sát phù hợp cho ước lượng Ak được cho bởi [14]:

, 2 , , , 1,...,

k j k j k j t

r = β Pa +z j= N (2.10) Chúng ta biểu diễn tập hợp đầy đủ các quan sát tại UT thứ k như sau:

{ , : 1,..., }.

k k j t

R = r j = N (2.11)

Do vˆk là vector đơn vị độc lập với hk, hệ số tín hiệu hữu ích ak k, =h vk kˆ là biến Gaussian phức với phương sai đơn vị. Như kết quả chúng ta có biểu diễn:

, ˆ ,

k k k k k

a = a + f (2.12)

trong đó fk và aˆk k, là độc lập và phân bố Gaussian với phương sai σ2và 1-σ2

tương ứng, với 2 2 1 1 SNR σ β = + (2.13)

e.Truyền dữ liệu: Cuối cùng, sau giai đoạn huấn luyện chuyên dụng, BS

gửi mã ký tự dữ liệu u1, …, uk trong khoảng thời gian còn lại của khung truyền. Do đó hiệu quả kênh đầu ra cho pha này được đưa ra bởi chuỗi các ký tự kênh đầu ra yk tương ứng bởi (2.9) và bằng quan sát các của pha huấn luyện chuyên dụng Rk được cho bởi (2.11).