Sau khi xác định các tham số môi trường, ta có thể tìm được hệ số đáp ứng của kênh như công thức bên dưới. Xét trong một hệ thống bao gồm S anten bên phát đặt thẳng hàng, U anten bên thu cũng được đặt thẳng hàng, hệ số kênh của tuyến thứn( n =1,..., N) , giữa anten thu thứ u(u =1,..., U) và anten phát thứ s ( s =1,..., S) phụ thuộc theo thời gian như sau:
N hus (τ , t) = ∑ n =1 Trong đó: P nσ SF M M m=1
Pn : Công suất truyền ở đường thứ n σSF : Hệ số Fading
M : số tia sóng con trong một tuyến
θn,m,AoD : góc tuyệt đối AoD của tia tới thứ m trong tuyến thứ n so với trục bên MS
θn,m ,AoA : góc tuyệt đối AoA của tia tới thứ m trong tuyến thứ n so với trục bên BS
GBS (θn,m ,AoD ) : hệ số tăng ích bên BS trên mỗi đường
GMS (θn,m,AoA : hệ số tăng ích bên S trên mỗi đường
k : hằng số sóng 2π / λ với λ là bước sóng(m)
ds : khoảng cách tham chiếu của các anten bên phát thứ s so với với anten phát thứ nhất. Khi s=1, d1=0.
du : khoảng cách tham chiếu của các anten bên thu thứ u so với anten thu thứ nhất. Khi u=1, d1=0.
φnm : pha của tia sóng thứ m || v || : độ lớn vận tốc
θv : góc di chuyển.
4.2.4 Các hàm tƣơng qu n
Trong phần này, ta sẽ xem xét đến tính tương quan không gian và thời gian của mô hình kênh SCM
Để đơn giản, ta giả sử:
Bỏ qua ảnh hưởng của Fading hẹp σ
SF - 0dB
Hệ số tăng ích của anten bên thu và phát bằng 1: G
BS = G
MS =1 Khi đó ta có thể viết lại biểu thức tính hệ số kênh
exp (j kds sin (θn,m,AoD )+φnm ) N hus (τ , t) = ∑ n =1
4.2.4.1 Hàm tƣơng qu n kh ng gi n bên thu
Phương trình bên dưới mô tả sự phụ thuộc của hệ số tương quan vào khoảng cách anten bên thu MS:
r
11,22 (∆ d
u) =r
11,22∆ds=0 = ∑
Theo mô hình Suburban Macro, θn,m,AoA
θ n , m , AoA = θ MS + δ n , AoA + ∆ n , m , AoA Trong đó : θ MS : hằngsố δn,AoA ~ η(0, σ2 AoA )
∆n,m,AoA : lấy giá trị như bảng 4.1
4.2.4.2 Hàm tƣơng qu n kh ng gi n bên phát
Phương trình bên dưới mô tả sự phụ thuộc của hệ số tương quan vào khoẳng cách anten bên phát BS:
r
11,22 (∆ d
s) =r
11,22∆du=0 = ∑
Theo mô hình Suburban Macro, θn,m,AoA được tính bằng biểu thức:
θ n , m , AoD = θ BS + δ n , AoD + ∆ n , m , AoD Trong đó : θBS : hằng số δn,AoD ~η(0,σ2 AoD )
∆n,m,AoD : lấy giá trị như bảng 4.2.
CHƢƠNG 5: KẾT QUẢ MÔ PHỎNG 5.1 Giới thiệu chung
Trong chương này, chúng ta sẽ tiến hành mô phỏng một hệ thống thông tin di động TE 4G đơn giản, áp dụng các kỹ thuật mã hóa kênh và kỹ thuật mã hóa phân tập không gian đ trình bày trong Chương 2 và Chương 3 trong mô hình kênh truyền SCM. Hệ thống mô phỏng và đánh giá hiệu quả của m hóa kênh kết hợp m hóa I O được xây dựng dựa trên các thành phần đ được trình bày ở các chương trước. Tiêu chí đánh giá ở đây là tỉ lệ lỗi bít đối với từng trường hợp kết hợp của phương thức m hóa kênh và m hóa I O. Việc mô phỏng này nhằm mục đích đánh giá ảnh hưởng của các phương pháp lên chất lượng tín hiệu tại đầu thu. Việc so sánh như vậy, sẽ giúp cho ta có những lựa chọn hợp lý nhất khi áp dụng vào triển khai thực thế. Để thực hiện mô phỏng, chúng ta sử dụng công cụ mô phỏng MATLAB 2011b. Hệ thống mô phỏng được mô tả trên hình sau:
Random Bit Generator CRC Encoder OFDM Modulation Spatial Channel Model AWGN OFDM Demodulation
Hình 5.1 Sơ đồ hệ thống mô phỏng
Bên phát:
Random Bit Generator: Khối tạo dữ liệu bit ngẫu nhiên với chiều dài tương ứng được xác định bởi tham số mô phỏng data en. Các bít được tạo ra tương
ứng với dữ liệu của một subframe (14 hoặc 12 OFDM sym ol t y theo phương th c ch n khoảng ảo vệ là Normal hay Extended).
CRC Encoder: Khối m hóa CRC, thực hiện thuật toán m hóa CRC-24A trong chuẩn TE, tính toán 24 bít dữ liệu dư thừa để nhận diện lỗi ở bên thu. Đầu ra của khối là dữ liệu đầu vào đ được chèn thêm 24 bit CRC ở phía cuối. Chiều dài chuỗi bit đầu ra sẽ là (data en 24)
Turbo/Convolutional Encoder: Khối m hóa Turbo hoặc m hóa xoắn, thực hiện m hóa dòng bit đầu vào như được mô tả ở Chương 2. Tỉ lệ m hóa ở đây là xấp xỉ 1/3. Chiều dài chuỗi bít đầu ra sẽ là 3(data en 28) đối với m Turbo và 3(data en 24) đối với m xoắn.
Rate atching: Khối phối hợp tốc độ trong TE, thực hiện lựa chọn một số bít đầu ra nhất định từ dòng bít đầu vào. Số lượng bít đầu ra được tính toán dựa theo số sóng mang con (Resource Element) được cấp phát hiện tại trong TE. Thuật toán Rate atching được trình bày như sau .Chi tiết về thuật toán có thể tham khảo phần 5.1.4 trong chuẩn 3GPP 36.212.
odulation: Khối điều chế, thực hiện điều chế bit đầu vào thành tín hiệu điều chế QPSK, 16-QA hoặc 64-QA . ỗi cụm 2,4, hoặc 6 bít đầu vào được ánh xạ thành một tín hiệu điều chế. Bảng ánh xạ tín hiệu điều chế được mô tả trong phần 7.1 của chuẩn 3GPP 36.211.
Khối ayer apping: Thực hiện ánh xạ các
tín hiệu điều chế lên các layer. Đối với hệ thống mô phỏng hiện
tại, khối ayer apping sẽ ánh xạ các tín hiệu điều chế ở vị trí ch n lên một layer và các tín hiệu điều chế ở vị trí lẻ lên layer còn lại giống như mô tả ở phần 6.3.3.3 của chuẩn 3GPP 36.211.
Khối I O Precoding: thực hiện thuật toán I O
coding như SFBC, VB AST để đưa tín hiệu từ các layer lên các anten tương ứng. Chi
tiết về cách thức ánh xạ từ layer lên các anten được trình bày ở phần 6.3.4.3 của chuẩn 3GPP 36.211.
Khối Resource Element apping: thực hiện đưa
dữ liệu của các sóng mang con lên các sóng mang con tương ứng trong miền tần số.
Khối OFD odulation: thực hiện điều chế OFD và chèn khoảng bảo
vệ Cyclic Prefix vào đầu tín hiệu OFD .
Kênh truyền: Tín hiệu được đưa ra từ bên phát được truyền trên kênh truyền. ô hình kênh truyền ở đây là mô hình SC . Tín hiệu sau khi đi qua kênh truyền được cộng thêm với nhiễu trắng có mật độ phổ công suất được xác định tham số mô phỏng.
Bên thu:
Khối OFD Demodulation: thực hiện giải điều chế OFD và loại bỏ khoảng bảo vệ Cyclic Prefix .
Khối Channel Estimation: ước lượng đáp ứng kênh truyền của kênh SC .
Khối I O Equalizer: thực hiện cân bằng kênh theo thuật toán Zero-Forcing
Khối Demodulation: khối giải điều chế tín hiệu, thực hiện giải điều chế mềm tín hiệu thành các bit dữ liệu. Thuật toán giải điều chế mềm sử dụng ở đây có thể là Exact og ikehood Ratio ( R) hoặc Approximate R .
Khối Rate Dematching: khối giải phối hợp tốc độ, tái tạo các bít đầu ra sau m hóa từ các bit nhận được từ khối giải điều chế.
Khối Turbo/Convolutional Decoder: thực hiện giải m Turbo, giải m xoắn theo thuật toán được mô tả ở phần
Kết quả giải m từ khối Turbo/Convolutional Decoder ở bên thu sẽ được so sánh với dòng bit đầu ra ở khối CRC Encoder ở bên phát để tính toán tỉ lệ lỗi bít tương ứng với bộ tham số mô phỏng hiện tại của hệ thống. Chi tiết về các tham số mô phỏng của hệ thống được trình bày ở phần sau.
5.2 Th m số m phỏng
Bảng liệt kê các tham số và giá trị hoặc dải giá trị các tham số mô phỏng của hệ thống
Bảng 5.1 Các tham số mô phỏng của hệ thống
Th m số m phỏng maxSimulationSf maxNumErr d_s d_u bandwidth cpType codingType modulationType dataLen nofRbUsed demodMode turboDecodingMode iterationCnt 76
5.3 Kết quả mô phòng
Hình 5.2 Ảnh hưởng của số lần giải mã lặp đến hiệu năng mã Tur o
Hình 5.2 cho ta kết quả của việc tín hiệu giải mã hóa với giải mã Turbo với số lần thực hiện giải mã lặp khác nhau. Kết quả chỉ ra rằng, với số lần giải mã lặp càng lớn thì khả năng sửa lỗi của mã Turbo càng tốt, dẫn đến tỉ lệ bit lỗi BER càng giảm. Tuy nhiên BER chỉ giảm mạnh khi tăng số lần lặp mã hóa từ 1-6. Nếu ta tăng số lần giải mã từ 6 lên một giá trị lớn hơn thì BER giảm không đáng kể
Hình 5.3 Ảnh hưởng của m c điều chế đến tỉ lệ lỗi t
Hình 5.3 cho ta kết quả của việc sử dụng kết hợp mã hóa Turbo với các phương thức điều chế khác nhau. Phương thức điều chế có mức điều chế càng cao thì càng nhạy cảm với nhiễu, nên tỉ lệ lỗi bit càng cao.
Hình 5.4 So sánh khả năng sửa lỗi của mã Tur o và mã xoắn khi sử dụng mã hóa MIMO SFBC
Hình 5.4 cho ta kết quả mô phỏng hệ thống được mô tả có sử dụng kết hợp mã hóa MIMO SFBC với mã hóa kênh và điều chế QAM-64.
Hình 5.5 So sánh khả năng sửa lỗi của mã Tur o và mã xoắn khi sử dụng mã hóa MIMO VBLAST
Hình 5.5 cho ta kết quả mô phỏng hệ thống kết hợp mã hóa MIMO VBLAST với m hóa kênh và điều chế QAM-64
Hình 5.6 So sánh sự kết hợp giữa mã hóa MIMO và mã hóa kênh
Dựa vào những kết quả so sánh ở hình ở trên, ta có thể đưa ra được những nhận xét sau:
- Mã Turbo có khả năng sửa lỗi cao hơn m xoắn nên đạt được tỉ lệ lỗi bit thấp hơn.
- BER trong các trường hợp sử dụng kết hợp mã hóa kênh với mã SFBC thấp hơn so với mã VBLAST. Do đó m hóa I O SFBC có độ tin cậy dữ liệu cao hơn
- Với cùng một tỉ lệ lỗi bit, tỉ lệ công suất trên nhiễu yêu cầu đối với mã Turbo thấp hơn m chập và thấp hơn nhiều so với khi không mã hóa. Ví dụ tại tỉ lệ lỗi bit bằng 10-6, m Turbo có độ lợi mã hóa so với mã xoắn là khoảng hơn 4 dB.
KẾT LUẬN
Tóm lại, từ kết quả mô phỏng cũng như các công cụ lý thuyết đ chỉ ra, ta có thể thấy mã Turbo là bộ mã có chất lượng tốt nhất so với các bộ m đ được biết từ trước tới nay, với độ phức tạp của bộ m hóa cũng như bộ giải mã có thể chấp nhận được. Kết quả mô phỏng cũng cho thấy chất lượng của bộ mã này tiến gần tới giới hạn Shannon khi các khung dữ liệu lớn được phát đi, và đối với các khung dữ liệu nhỏ thì chất lượng của nó vẫn khá tốt so với các bộ mã hóa khác.
Hướng phát triển của đề tài là nghiên cứu và đánh giá sự kết hợp của mã hóa kênh với một phương pháp m hóa I O thông dụng trong LTE là mã hóa ghép kênh không gian (Spatial Multiplexing) và so sánh với kết quả đạt được trong luận văn này. Đồng thời so sánh tỉ lệ lỗi bit của các cặp kết hợp giữa mã hóa kênh và điều chế dữ liệu để đưa ra tiêu chí lựa chọn kiểu m hóa kênh và điều chế trong
TE tương ứng với từng dải giá trị của tỉ lệ tín hiệu trên nhiễu.
TÀI LIỆU THAM KHẢO
[1] Nguyễn Văn Đức, Vũ Văn Yêm, Đào Ngọc Chiến, Nguyễn Quốc Khương, Nguyễn Trung Kiên, (2007), Bộ sách kỹ thuật thông tin số, tập 4, Thông tin vô tuyến, NXB Khoa học và Kỹ thuật, Hà Nội.
[2] Erik Dahlman, Stefan Parkval, Jonhan Skold, (2011), 4G LTE/LTE-Advanced for Mobile Broadband, Elsevier Ltd, USA.
[3] Van Duc Nguyen, Nga Nguyen, Quoc Khuong Nguyen, Bach Tran, Byeungwoo Jeon, (2014), An Investigation of the Spatial Correlation Influence on Coded MIMO-OFD system , ACM INCOM,
[4] 3GPP, (2011), TS 36.212 3rd Generation Partnership Project; Technical Specication Group Radio Access Network; Evolved Multiplexing and channel coding (Release 9), 3GPP Organizational.
[5] 3GPP, (2011), “Technical Specification Group Radio Access Network Spatial channel model for Multiple Input Multiple Output (MIMO) simulation”, 3GPP Organizational.
[6] Charanangton, (1999), Turorial 12: Coding and decoding with Convolutionals Codes , published online in www.complextoreal.com.
[7] Charan Langton, (2006, 2007), Turbo Coding and MAP decoding – Part 1 , published online in www.complextoreal.com.
[8] Joannis A. Xirouchakis, (2008), Spatial Channel odel for
I O Simulations ,
published online in:
http://read.pudn.com/downloads126/sourcecode/comm/535862/SCM_Simulator_M anual_v.1_Xirouchakis.pdf