Trong các mô phỏng, chúng ta chọn hệ thống MIMO với 4 anten phát và 8 anten thu, trong đó áp dụng điều chế QPSK. Ngoài ra, luận án cũng mô phỏng kênh có phân bố Rayleigh với các phần tử của nó là phân bốđộc lập giống nhau (i.i.d.), nhiễu phân bố Gauss với trung bình bằng 0. Để giảm thời gian xử lý, trong phần này luận án mô phỏng cho 1000 khung tín hiệu phát với cấu trúc đề xuất hay còn gọi là số lần lặp Monte Carlo. Với tất cả các mô phỏng vềước lượng kênh bán mù cải tiến trong chương này, luận án sử dụng 100 kí tự cho chuỗi huấn luyện so với 1000 kí tự của độ dài dữ liệu cần phát. Tỉ lệ này được chọn dựa trên tham khảo từ cấu trúc cụm
tín hiệu trong chuẩn thông tin di động GSM [27]. Tiêu chuẩn này cho phép số bit dành cho chuỗi huấn luyện chiếm khoảng 10% tổng số bit cả khung dữ liệu.
Bảng 2.1. Giải thuật ước lượng kênh bán mù cải tiến MIMO dựa trên SVD
Thêm vào đó, chuỗi huấn luyện có cấu trúc trực giao được sử dụng trong giải pháp bán mù cải tiến này. Giả thiết rằng kênh fading MIMO là tĩnh trong suốt chu kì truyền một gói dữ liệu (hay còn gọi là kênh fading phẳng). Trong môi trường thực tế, kênh MIMO biến thiên theo thời gian trong suốt gói dữ liệu. Trong các bài toán tối ưu, người ta thường đánh giá chất lượng bộ ước lượng kênh thông qua lỗi ước lượng kênh và lỗi này được đánh giá bằng lỗi trung bình bình phương (MSE). Trong các mô phỏng về kênh truyền, MSE của bộước lượng kênh tính như sau
2 1 ˆ 1
∑
= − = NMC n MC N MSE H H (2.19)với NMC là số bước lặp Monte Carlo, và Hˆ , H lần lượt là kênh ước lượng và kênh thực.
Thuật toán ước lượng kênh mù cải tiến MIMO
- B1:Khởi tạo biến: số kí tự phát N, pilot,kỹ thuật điều chế, số anten thu/phát Mt/Mr
- B2:Tạo tín hiệu phát ngẫu nhiên symbols=randint(),ma trận kênh H
- B3:Tạo pilot trực giao: pilot=fun_pilot(Mt,Mr) - B4: vòng lặp
For s_SNR=1:num_SNR For nframe=1:frames
Hbockflat=randn() Sendblinddata=round()
Cộng nhiễu vào ma trận tín hiệu thu XX=senddata;YY=receivedata; SubStep 1: estimate W [U1,S1,V1] = svd(H); Sigma=S1; channelW=U1*Sigma; SubStep 2: [U,S,V]=svd(receivedata) SubStep 3: [QQ] =fun_novel_blind(XX,YY,channelW) SubStep 4: Hhat=channelW*QQ'; MSE=f(H-Hhat) End End - B5:Vẽ đồ thị
Hình 2.2. Lưu đồ thuật toán tính sai sốước lượng kênh với pilot trực giao Mô phỏng 1: Hình 2.3 cho thấy quan hệ MSE và Eb/No của kênh MIMO cho mô hình ước lượng bình phương cực tiểu thuần túy LS và phương pháp ước lượng bán mù cải tiến. Lỗi MSE của cả hai phương pháp giảm khi tăng Eb/No. Giải thuật ước lượng kênh mù này đã tận dụng ưu điểm của phân tích SVD nên MSE của ước lượng bán mù cải tiến trong trường hợp sẽ cho kết quả tốt hơn LS (với điều kiện: trong mô phỏng bán mù cải tiến, luận án đã giả sửước lượng ma trận thành phần W
chính xác). Sở dĩ, trong luận án này đưa ra phương pháp ước lượng bình phương cực tiểu để so sánh vì đây là phương pháp phổ biến, được dùng trong nhiều công nghệ vô tuyến hiện nay [40] . Một lý do thứ hai nữa là thuật toán LS là thuật toán đơn giản, thời gian xử lý nhanh khi mô phỏng trong Matlab. Trong các mô phỏng, luận án tập trung vào phần ước lượng kênh, chưa đề cấp đến vấn đề hiệu suất băng
Kết thúc Bắt đầu
Tạo ra chuỗi bit ngẫu nhiên
Tính lỗi ước lượng kênh theo MSE Điều chế QPSK
Tạo mô hình kênh truyền Rayleigh MIMO
Cộng nhiễu AWGN
Ước lượng kênh căn cứ trên tín hiệu thu
thông một cách chi tiết. Ta thấy kết quả MSE của phương pháp bán mù cải tiến tốt hơn LS vì phương pháp mù này vẫn dựa trên nền tảng ước lượng LS cho ước lượng
Q, và còn giả sử W ước lượng chính xác. Trong thực tế, phương pháp LS được đánh giá là có ưu điểm rõ rệt so với các phương pháp ước lượng mù vềđộ tin cậy, nhưng hạn chế lớn nhất là LS dùng chuỗi huấn luyện có độ dài hữu hạn làm giảm hiệu suất băng thông. 5 10 15 20 25 30 -101 Eb/No, dB MS E ( d B ) MSE va Eb/No
Uoc luong binh phuong cuc tieu (LS) Uoc luong mu cai tien
Hình 2.3. MSE và Eb/No cho ước lượng kênh bình phương cực tiểu và bán mù cải tiến
Bảng 2.2. Các tham số cài đặt trong mô phỏng 1
Tham số Giá trị Ghi chú
Số khung tín hiệu 1000 Số anten phát 4
Số anten thu 8 Độ dài pilot (kí tự)/dữ liệu có ích 100/1000 Kiểu pilot Trực giao Điều chế QPSK
Mô phỏng 2: Mô phỏng này thể hiện ở hình 2.4 tương tự hình 2.3 nhưng trục hoành độ sẽ là các lựa chọn vềđộ dài kí tự huấn luyện khác nhau. Các tham số mô phỏng như bảng 2.1 chỉ thay đổi vòng lặp với biến là số kí tự chuỗi huấn luyện thay đổi từ 1 đến 100 kí tự. Ta có thể thấy rõ ràng rằng tăng số độ dài kí tự này là tăng phẩm chất của hệ thống. Tuy nhiên ta cũng cần chú ý rằng tăng kí tự huấn luyện sẽ giảm băng thông, và dẫn đến giảm hiệu suất hệ thống MIMO nói chung. Qua kết quả mô phỏng, ta thấy khi tăng số kí tự huấn luyện từ mức 50 đến 100 kí tự, MSE của hệ thống thay đổi không đáng kể nghĩa là với độ dài kí tự huấn luyện như vậy đủđểước lượng kênh truyền theo thuật toán đã trình bày.
10 20 30 40 50 60 70 80 90 100
-100
-10
-5
-20
-30
-40
pilots
M
SE (
d
B)
MSE va do dai ki hieu huan luyen Uoc luong LS
Uoc luong mu cai tien
Hình 2.4. MSE và độ dài chuỗi huấn luyện cho ước lượng bán mù cải tiến dựa trên SVD
Mô phỏng 3 (Hình 2.5): Trong tất cả các mô phỏng về giải pháp bán mù cải tiến trên ta giả sử ma trận W được ước lượng chính xác (không có sai số hay ước lượng kênh hoàn hảo). Với mô phỏng này, ta tiếp tục xem xét trường hợp xảy ra sai số trong tính toán ma trận W. Rõ ràng rằng khi có kểđến sai sốước lượng W, chất lượng hệ thống không thể tốt bằng trường hợp ước lượng hoàn hảo (xem thêm ở chương 4). Với Eb/No > 12dB, MSE của phương pháp ước lượng bán mù cải tiến cao hơn so với phương pháp LS truyền thống và đây chính là hạn chế của ước lượng mù.
5 10 15 20 25 30 -10 -20 -15 -25 -30 -35 -40 Eb/No, dB M SE ( d B) MSE va Eb/No
Uoc luong kenh LS
Uoc luong kenh mu cai tien (khong xet sai so W) Uoc luong kenh mu cai tien (xet sai so W)
Hình 2.5. So sánh trường hợp ước lượng bán mù cải tiến hoàn hảo và ước lượng kênh không hoàn hảo
5 10 15 20 25 30 -101 Eb/No, dB M S E ( d B) MSE va Eb/No pilot [Jagannatham] pilot truc giao moi
Hình 2.6. Đánh giá MSE cho các cấu trúc chuỗi huấn luyện khác nhau
Trong mô phỏng thứ 4, các kết quả dành cho hai cấu trúc, gồm chuỗi Hadamard trong bài báo [38] và chuỗi huấn luyện mới đề xuất cho ước lượng kênh bán mù cải tiến. Để phù hợp với thư viện hàm có sẵn trong phần mềm MATLAB (hàm hadamard(.)), mô phỏng này thiết lập lại số pilot cho cả hai cấu trúc tín hiệu huấn luyện là 96 kí tự. Có thể thấy rằng chất lượng hai cấu trúc tín hiệu pilot này là gần tương đương nhau xét trên quan hệ hai tham số MSE và Eb/No.
Bảng 2.3. Các tham số cài đặt trong mô phỏng 4
Tham số Giá trị Ghi chú
Số khung tín hiệu 1000 Số anten phát 4
Số anten thu 8 Trog thuật toán này số anten thu phải lớn hơn số anten phát
có ích (kí tự)
Kiểu pilot Trực giao và Hadamard
Điều chế QPSK
Trong mô phỏng thứ 5 (Hình 2.7), luận án so sánh BER/SER của giải pháp đề xuất với kết quả công bố của tác giả Rustam Efendi công bố trên mathworks.com [41]. Đây là vấn đề so sánh hai kết quả mô phỏng, nên luận án chỉnh sửa các tham số mô phỏng cho phù hợp với tác giả Rustam Efendi. Các tham số sử dụng trong mô phỏng này như sau: chuỗi 48 kí tự, số kí tự dành cho chuỗi huấn luyện là 5, số lần lặp Monte Carlo là 500, áp dụng hệ thống MIMO 2x2, kỹ thuật điều chế là STTC. Đồ thị BER/SER tương ứng mô phỏng của Rustam Efendi cho trường hợp ước lượng kênh hoàn hảo (kênh ước lượng chính xác). Ta thấy BER của hệ thống ước lượng bán mù cải tiến đề xuất có kết quả tương tự như tác giả Rustam Efendi.
0 5 10 15 20 10-5 10-4 10-3 10-2 10-1 100 Eb/No,dB B it E rro r Ra te /S y m b o l E rro r Ra te
Phan tich BER/SER cua uoc luong kenh trong MIMO
BER, Uoc luong kenh mu cai tien SER, Uoc luong kenh mu cai tien BER, Uoc luong kenh[Rustam Efendi] SER, Uoc luong kenh[Rustam Efendi]
Hình 2.7. So sánh mô phỏng BER/SER cho ước lượng kênh bán mù cải tiến dùng chuỗi huấn luyện trực giao và phương pháp của Rustam Efendi
Mô phỏng 6 (Hình 2.8): Trong mô phỏng này ta thấy rằng khi thay đổi kỹ thuật điều chế lần lượt là BPSK, QPSK, 8PSK, (các tham số mô phỏng khác như mô phỏng thứ nhất) chất lượng khối ước lượng kênh vẫn khá ổn định.
5 10 15 20 25 30 35 40 -10 -15 -20 -30 -40 -50 Eb/No, dB MS E ( d B ) MSE va Eb/No BPSK QPSK 8PSK
Hình 2.8. Đánh giá MSE của thuật toán ước lượng kênh bán mù cải tiến dựa trên SVD dùng các kỹ thuật điều chế khác nhau
Mô phỏng 7 (Hình 2.9): Kết quả mô phỏng liên quan vấn đề dung lượng kênh. Đây là tham số cho phép đánh giá khả năng đáp ứng kênh truyền tốc độ cao ứng với một tỉ số tín hiệu trên nhiễu nhất định. Shannon (1948) là nhà khoa học đặt nền tảng cho lý thuyết thông tin đã đưa ra công thức tính dung lượng, đây được coi là tham sốđể tính giới hạn trên của dung lượng áp dụng cho các hệ thống vô tuyến các thế hệ sau này.
5 10 15 20 25 30 35 40 1 10 100 2 4 8 12 Eb/No,dB c a p a c ity ( b it/s /H z )
Dung luong kenh MIMO
MIMO 2x2
Dung luong Shannon
Hình 2.9. Đánh giá dung lượng kênh của phương pháp bán mù cải tiến cho hệ thống MIMO 2 anten phát 2 anten thu
2.7 Kết luận chương
Trong chương này, luận án đã trình bày phương pháp ước lượng kênh bán mù cải tiến dựa trên phân tích SVD. Trong hệ thống đề xuất, thời gian xử lý nhanh hơn ước lượng bán mù thông thường nhờ tận dụng ưu điểm tính toán đơn giản trong phương pháp LS. Qua đó, ta cũng có thể thấy vai trò quan trọng của chuỗi huấn luyện là nhằm nâng cao độ chính xác cho quá trình ước lượng kênh. Ngoài ra, các mô phỏng về tỉ số lỗi bit và phân tích dung lượng kênh cũng cho thấy tính ứng dụng thực tế của phương pháp ước lượng kênh bán mù cải tiến. Thông qua chương này, ta có thể thấy rằng thiết kế hợp lý cho chuỗi huấn luyện có ảnh hưởng đáng kể lên thuật toán ước lượng và làm giảm bớt số tham số cần xử lý trong việc tính toán giá trị kênh của bộước lượng kênh MIMO này. Ưu điểm này cũng dẫn đến cải thiện độ chính xác hệ thống dựa trên tiêu chuẩn MSE. Luận án đã kết hợp ưu điểm của thuật
toán ước lượng bán mù cải tiến với các chuỗi pilot trực giao đề xuất trong giải pháp ước lượng bình phương cực tiểu để tối thiểu hóa lỗi hệ thống. Ngoài ra, so sánh lỗi BER của ước lượng kênh bán mù cải tiến dùng chuỗi huấn luyện trực giao với mô phỏng của tác giả Rustam Efendi cho kết quả tương tự nhau. Trong chương sau, luận án sẽ đề cập đến một phép ước lượng kiểu lai ghép dựa trên phân tích không gian con tín hiệu.
CHƯƠNG 3: ĐÁNH GIÁ ƯỚC LƯỢNG KÊNH BÁN MÙ CẢI TIẾN DỰA
TRÊN PHÂN TÍCH KHÔNG GIAN CON TÍN HIỆU
3.1 Giới thiệu
Trong chương 2 luận án đã trình bày giải pháp ước lượng kênh bán mù cải tiến dựa trên phân tích thành phần ma trận SVD và dùng cấu trúc chuỗi huấn luyện trực giao. Với chương 3 này, luận án tiếp tục phân tích một giải pháp khác cho ước lượng kênh bán mù cải tiến dựa trên phân tích không gian con tín hiệu (subspace). Không gian con tín hiệu được xem là việc tách tín hiệu thành 2 phần, mỗi phần dữ liệu này dùng thuật toán ước lượng kênh khác nhau [3].
