Tóm tắt Luận án tiến sĩ Kỹ thuật: Phát triển giải pháp cảm biến phổ cho hệ thống vô tuyến nhận thức

Chia sẻ: Trần Văn Yan | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

24
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục đích cơ bản của luận án này là đề xuất giải pháp nâng cao hiệu quả cảm biến phổ tại nút riêng lẻ cho kỹ thuật ED trong điều kiện thực tế dữ liệu thu được không đầy đủ do giới hạn ngưỡng thu của thiết bị. Giải pháp được thực hiện bằng việc xác định ngưỡng tối ưu thông qua việc phát triển và kết hợp các kỹ thuật ước lượng công suất nhiễu và kỹ thuật tối ưu toàn cục.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án tiến sĩ Kỹ thuật: Phát triển giải pháp cảm biến phổ cho hệ thống vô tuyến nhận thức

BỘ QUỐC PHÒNG HỌC VIỆN KỸ THUẬT QUÂN SỰ NGUYỄN VIẾT TUYẾN PHÁT TRIỂN GIẢI PHÁP CẢM BIẾN PHỔ CHO HỆ THỐNG VÔ TUYẾN NHẬN THỨC Chuyên ngành: KỸ THUẬT ĐIỆN TỬ Mã số: 9 52 02 03 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội - 2018
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI HỌC VIỆN KỸ THUẬT QUÂN SỰ - BỘ QUỐC PHÒNG Người hướng dẫn khoa học: 1. PGS.TS. Võ Kim 2. TS. Nguyễn Hải Dương Phản biện 1: GS.TS Nguyễn Bình Học viện Công nghệ bưu chính viễn thông Phản biện 2: PGS. TS Trịnh Anh Vũ Đại học Công nghệ - Đại học Quốc gia Hà Nội Phản biện 3: PGS.TS Lê Mỹ Tú Học viện Kỹ thuật mật mã Luận án sẽ được bảo vệ trước Hội đồng đánh giá luận án cấp Học viện theo Quyết định số 4705 QĐ-HV ngày 19 tháng 12 .năm 2018 của Giám đốc Học viện Kỹ thuật quân sự, họp tại Học viện Kỹ thuật Quân sự vào hồi…..giờ….. phút, ngày…..tháng…..năm….. Có thể tìm hiểu luận án tại: - Thư viện Quốc gia Việt Nam. - Thư viện Học viện Kỹ thuật Quân sự.
MỞ ĐẦU 1. Mạng vô tuyến nhận thức Trong thực tế, các dải tần có thể sử dụng trong khả năng kĩ thuật và công nghệ hiện nay đã được cấp phát hết vì thế đây là một thách thức đối với sự phát triển của truyền thông không dây. Tuy nhiên, theo khảo sát bởi FCC (Federal Communications Commission) [22] và SSC (Shared Spectrum Company ) [62] đã chỉ ra rằng hầu hết các phổ tần đã được phân bổ hoặc là không sử dụng hoặc ít sử dụng, hiệu suất sử dụng chỉ từ 15% - 85%, đặc biệt dải trên 3GHz rất ít sử dụng. Tại Việt Nam, [66] khảo sát tình hình sử dụng phổ tần tại Thành phố Hồ Chí Minh và Long An trong dải từ 30Hz đến 3GHz, hiệu suất sử dụng phổ trung bình khoảng 13,74%. Trong mạng vô tuyến nhận thức (CRN: Cognitive Radio Network), người dùng không được cấp phép (unlicenced user) còn được gọi là người dùng thứ cấp (SU: Secondary User) có thể truy cập các băng tần đã được cấp phép cho người dùng chính (PU: Primary User) tạm thời không sử dụng (gọi là hố phổ hay khoảng trắng). SU chỉ được phép truy cập phổ ở những khoảng thời gian và vị trí đặc biệt nào đó và phải chuyển sang dải tần khác bất kể khi nào PU sử dụng dải tần đó. Việc xác định các hố phổ có cơ hội truy cập được gọi là cảm biến phổ (SS: Spectrum Sensing). 2. Nghiên cứu về cảm biến phổ và các vấn đề còn tồn tại Trong CRN cảm biến phổ đóng vai trò vô cùng quan trọng. Làm sao để tăng xác suất phát hiện và giảm xác suất phát hiện nhầm trạng thái sử dụng phổ tần của PU luôn là động cơ thúc đẩy các nghiên cứu trong và ngoài nước. 1
Đối với kỹ thuật cảm biến phổ tại các SU riêng lẻ, có các kỹ thuật như phát hiện năng lượng (ED: Energy Detection), sử dụng bộ lọc kết hợp (MF: Matched Filter), phát hiện dựa trên đặc tính dừng của tín hiệu (CFD: Cyclostationary Feature Detection) .... Trong các kỹ thuật trên, ED là kỹ thuật được sử dụng nhiều nhất vì tính đơn giản và không cần biết các thông tin về tín hiệu của PU. Các nghiên cứu về ED [15, 21, 31, 37, 61, 74, 76] trong các điều kiện kênh truyền khác nhau, đều giả thiết công suất nhiễu là cố định, biết trước và thiết lập ngưỡng quyết định là cố định. Trong [32], đề xuất thiết lập ngưỡng động theo công suất phát của PU, trong khi đó [53] đề xuất ngưỡng động theo số lượng mẫu tín hiệu thu được. Tuy nhiên, đề xuất này sẽ làm tăng thời gian cảm biến phổ. Hiệu quả của ED phụ thuộc rất nhiều vào tỉ số công suất tín hiệu trên công suất nhiễu (SNR: Signal to Noise Ratio). Với ED, việc xác định ngưỡng quyết định là yêu cầu quan trọng nhất để đảm bảo SS là chính xác và hiệu quả. Ngưỡng quyết định phụ thuộc rất lớn vào công suất nhiễu. Trong [4] đã đề xuất sử dụng kỹ thuật ước lượng hợp lý cực đại (ML: Maximum Likehood) để ước lượng công suất nhiễu nhằm xác định chính xác ngưỡng quyết định. Tuy nhiên, các thiết bị đều có độ nhạy giới hạn nên khi sử dụng ML để ước lượng công suất nhiễu khi không thu được đầy đủ dữ liệu dẫn đến kết quả ước lượng thiếu chính xác. Vì thế vấn đề đặt ra là làm sao xác định được chính xác công suất nhiễu trong điều kiện hạn chế của độ nhạy thiết bị thu nhằm xác định chính xác ngưỡng quyết định để nâng cao hiệu quả cảm biến phổ luôn là động lực cho các nhà nghiên cứu. Sử dụng kỹ thuật ED sẽ rất hiệu quả ở vùng SNR có giá trị lớn, tuy nhiên ED chỉ sử dụng các thống kê năng lượng ở thời điểm hiện tại mà bỏ qua các thông tin về kênh truyền ở thời điểm quá khứ. Đã có các nghiên cứu sử dụng mô hình Markov ẩn (HMM: Hidden Markov 2
Model) để ước lượng trạng thái kênh [6, 50, 56, 79] với các tham số của mô hình sử dụng các thông tin về kênh truyền ở quá khứ . Tuy nhiên, các nghiên cứu này đều cho rằng dữ liệu quan sát được là đầy đủ. Trong thực tế, dữ liệu thu được có thể bị thiếu do ngưỡng thu hạn chế của thiết bị. Việc xác định tham số đúng cho mô hình HMM nâng cao độ chính xác của việc ước lượng trạng thái kênh truyền trong trường hợp này cũng là động lực cho việc nghiên cứu. Tín hiệu mạnh cũng có thể bị suy giảm trầm trọng khi SU ở các vùng chịu ảnh hưởng của che chắn [45] . Trong trường hợp này, việc cảm biến phổ ở các nút riêng lẻ rất khó để phân biệt dải phổ rỗi và dải phổ tần đang sử dụng. Công trình [26] đề xuất cảm biến phổ hợp tác (CSS: Cooperative Spectrum Sensing), trong đó các SU có thể hợp tác với nhau tạo ra các mạng nhiều SU phân tập không gian. Mặc dù CSS có các hạn chế như phải thêm phần cứng để đáp ứng tốc độ lấy mẫu cao và tăng độ phân giải của bộ chuyển đổi tương tự - số [67]; phải kết hợp thông tin từ các SU để ra quyết định cuối cùng [52] …Tuy nhiên, CSS vẫn được nghiên cứu rộng rãi vì các ưu điểm của nó như hạn chế được pha đinh, che chắn nhờ phân tập, giảm thời gian cảm biến phổ…. Trong cảm biến phổ hợp tác thông tin cảm biến từ các SU được tập hợp tại nút trung tâm, nút này được gọi là nút quyết định (FC: Fusion Center), FC sẽ ra quyết định cuối cùng về sự tồn tại hay không của PU dựa trên quyết định cứng (HDF: Hard Decision Fusion) [17, 19, 25, 80] và quyết định mềm (SDF: Soft Decision Fusion) [5, 65]. HDF dựa trên các luật cơ bản như AND, OR…, trong khi SDF sử dụng các kỹ thuật kết hợp với tỉ số cực đại (MRC: Maximal Ratio Combination) và kết hợp đồng độ lợi (EGC: Equal Gain Combining) để xác định bộ trọng số nhằm tối đa hóa xác suất phát hiện. Các kết quả nghiên cứu trong [20, 66] chỉ ra rằng hiệu quả phát hiện dùng SDF tốt hơn so với 3
dùng HDF. Gần đây, một số đề xuất sử dụng các thuật toán tối ưu [20, 66] để xác định bộ trọng số tối ưu nhằm cực đại hóa xác suất phát hiện trong hệ thống cảm biến phổ hợp tác quyết định mềm. Kết quả cho thấy sử dụng các thuật toán này cho hiệu quả phát hiện phổ tốt hơn SDF dùng MRC và EGC. Tuy nhiên, khi sử dụng các thuật toán tối ưu vấn đề đặt ra là cần tăng tốc độ hội tụ của thuật toán để giảm thời gian cảm biến phổ là một thách thức và là một hướng đi cho các nhà nghiên cứu theo đuổi. 3. Đóng góp của luận án Một số đóng góp chính của luận án có thể tóm tắt như sau: 1. Đề xuất giải pháp nâng cao hiệu quả cảm biến phổ tại nút riêng lẻ cho kỹ thuật ED trong điều kiện thực tế dữ liệu thu được không đầy đủ do giới hạn ngưỡng thu của thiết bị. Giải pháp được thực hiện bằng việc xác định ngưỡng tối ưu thông qua việc phát triển và kết hợp các kỹ thuật ước lượng công suất nhiễu và kỹ thuật tối ưu toàn cục. 2. Đề xuất kết hợp kỹ thuật ED với dữ liệu thống kê trạng thái kênh truyền để nâng cao hiệu quả phát hiện đúng trạng thái kênh. Giải pháp được thực hiện bằng việc sử dụng HMM với thuật toán cực đại hóa hóa kì vọng để ước lượng tham số của mô hình HMM trong điều kiện dữ liệu thu được không đầy đủ. 3. Đề xuất giải pháp xác định bộ trọng số cho hệ thống cảm biến phổ hợp tác quyết định mềm để tối ưu hóa xác suất phát hiện. Giải pháp được thực hiện bằng việc sử dụng và tối ưu các tham số của các thuật toán mô phỏng thiên nhiên. Giải pháp đề xuất cho phép giảm thời gian để FC tạo ra các bộ trọng số tối ưu. 4. Cấu trúc nội dung của luận án Luận án được chia thành 3 chương với bố cục và tóm tắt như sau. 4
Chương 1: TỔNG QUAN KỸ THUẬT CẢM BIẾN PHỔ TRONG MẠNG VÔ TUYẾN NHẬN THỨC. Nội dung của chương này đề cập đến lý thuyết chung về CRN, các kỹ thuật cảm biến phổ tại các nút riêng lẻ, kỹ thuật cảm biến phổ hợp tác. Giới thiệu tổng quan về các thuật toán, kỹ thuật được sử dụng trong luận án như: kỹ thuật ước lượng, các thuật toán tối ưu, làm cơ sở cho việc xác định ngưỡng tối ưu trong kỹ thuật ED và tối đa hóa xác suất phát hiện trong CSS. Chương 2: NÂNG CAO HIỆU QUẢ KỸ THUẬT CẢM BIẾN PHỔ TẠI NÚT RIÊNG LẺ. Chương này tập trung nghiên cứu kỹ thuật cảm biển phổ ED. Đề xuất sử dụng thuật toán EM để ước lượng công suất nhiễu và kết hợp với giải thuật di truyền để xác định ngưỡng tối ưu nhằm nâng cao xác suất phát hiện, giảm xác suất lỗi phát hiện. Đề xuất sử dụng thuật toán EM để ước lượng các tham số HMM nhằm nâng cao độ hiệu quả dự đoán trạng thái kênh truyền và xác suất phát hiện. Chương 3: XÁC ĐỊNH BỘ TRỌNG SỐ TỐI ƯU TRONG CẢM BIẾN PHỔ HỢP TÁC QUYẾT ĐỊNH MỀM. Chương này trình bày hệ thống CSS quyết định mềm. Đề xuất sử dụng thuật toán di truyền kết hợp với EM để nâng cao hiệu quả cảm biến phổ. Đồng thời đề xuất sử dụng thuật toán đàn dơi trong việc xác định bộ trọng số tối ưu với thời gian hội tụ của thuật toán giảm đáng kể so với thuật toán di truyền. Ngoài ra tác giả đề xuất một tham số trong thuật toán đàn dơi nhằm thích nghi với số lượng SU để tăng tốc độ hội tụ của thuật toán, giảm thời gian cảm biến phổ. 5
Chương 1 TỔNG QUAN KỸ THUẬT CẢM BIẾN PHỔ TRONG MẠNG VÔ TUYẾN NHẬN THỨC 1.1. Giới thiệu Theo chính sách phân bổ phổ tần số cố định (FSA: Fixed Spectrum Allocation) người được Năng lượng cấp phép được quyền sử Tần số dụng độc quyền dải tần dài hạn tại vùng cố định. Chính sách truy cập phổ động (DSA: Dynamic Thời gian Spectrum Access) đã được Phổ đang sử dụng Hố phổ DSA đề xuất để thay thế chính sách FSA [23]. Với DSA, Hình 1.1. Hố phổ và truy cập phổ động phổ tần vẫn được phân bổ cho người dùng được cấp phép, nhưng việc sử dụng nó không phải là độc quyền. Hình 1.1 minh họa việc truy cập phổ động. 1.2. Vô tuyến nhận thức 1.2.1. Cơ bản về vô tuyến nhận thức Vô tuyến nhận thức là một hệ thống vô tuyến có khả năng thay đổi các thông số truyền dựa trên việc “nhận thức” được và tương tác với môi trường xung quanh. 1.2.2. Ứng dụng vô tuyến nhận thức 1.2.3. Các tiêu chuẩn 1.3. Các kỹ thuật cảm biến phổ 1.3.1. Cơ bản về cảm biến phổ Cảm biến phổ được giả thuyết bằng mệnh đề sau: 6
 H0 : TÝn hiÖu PU kh«ng tån t¹i   H1 : TÝn hiÖu PU tån t¹i Các tham số của SS: Xác suất phát hiện, Pd ,Xác suất phát hiện nhầm, Pf , Xác suất không phát hiện, Pm 1.3.2. Phát hiện năng lượng ED Nguyên lý của ED dựa trên việc cho rằng năng lượng tín hiệu nhận được luôn có năng lượng lớn hơn năng lượng của nhiễu [21]. 1.3.3. Phát hiện dùng bộ lọc kết hợp MFD MF được sử dụng khi biết trước thông tin tín hiệu pilot của PU. 1.3.3. Phát hiện dựa trên đặc tính dừng của tín hiệu CFD CFD sử dụng hàm mật độ tương quan phổ SCD (SCD: Spectral Correlation Density) để phân biệt nhiễu với tín hiệu. 1.3.4. Các kỹ thuật cảm biến phổ khác • Phát hiện dùng biến đổi Wavelet • Lấy mẫu nén (Compressed Sensing) 1.4. Cảm biến phổ hợp tác 1.4.1. Phân loại cảm biến phổ hợp tác Cảm biến phổ hợp tác được chia làm các loại: - Tập trung. - Phân tán. - Kết hợp. 1.4.2. Các phương pháp hợp nhất - Quyết định mềm SDF - Quyết định cứng HDF 1.5. Kỹ thuật ước lượng tham số 1.5.1. Phương pháp ước lượng hợp lý cực đại ML Phần này trình bày phương pháp ước lượng hợp lý cực đại áp dụng vào ước lượng công suất nhiễu. 7
1.5.2. Thuật toán cực đại hóa kì vọng EM Phần này trình bày phương pháp ước lượng cực đại hóa kỳ vọng áp dụng vào ước lượng công suất nhiễu. 1.6. Thuật toán tối ưu 1.6.1. Thuật toán di truyền Phần này trình bày thuật toán di truyền (GA: Genetic Algorithm) và khả năng áp dụng vào bài toán cảm biến phổ tại nút riêng lẻ và CSS. 1.6.2. Thuật toán đàn dơi Phần này trình bày thuật toán đàn dơi (BA: Bat Algorithm) và khả năng áp dụng vào bài toán CSS. 1.7. Mô hình Markov ẩn Phần này giới thiệu về mô hình Markov ẩn và khả năng áp dụng vào bài toán xác định trạng thái kênh truyền. 1.8. Tóm tắt chương Chương này đề cập đến lý thuyết chung về CRN, các khái niệm cơ bản của cảm biến phổ, xem xét các kỹ thuật cảm biến phổ phổ biến. Ngoài ra, phần cuối chương đã giới thiệu các thuật toán ước lượng, các thuật toán tối ưu, mô hình Markov ẩn làm cơ sở cho việc xác định ngưỡng tối ưu trong kỹ thuật cảm biến dựa trên năng lượng, kết hợp thông tin kênh truyền trong quá khứ với năng lượng thu được ở thời điểm hiện tại để dự đoán trạng thái kênh và tối đa hóa xác suất phát hiện trong cảm biển phổ hợp tác. 8
Chương 2 NÂNG CAO HIỆU QUẢ KỸ THUẬT CẢM BIẾN PHỔ TẠI NÚT RIÊNG LẺ 2.1. Giới thiệu Trong phần này trình bày mức độ quan trọng của việc xác định ngưỡng của kỹ thuật ED, lý giải trường hợp dữ liệu thu được không đầy đủ do hạn chế độ nhạy của thiết bị thu. 2.2. Mô hình hệ thống CED Sơ đồ khối của kỹ thuật CED như hình 2.1. Quyết N x(t) x(n) 2 Y Y > λ, H1 định BPF ADC  x ( n) n=1 Y < λ, H0 Xác định ngưỡng λ Hình 2.1. Sơ đồ khối CED Xác suất phát hiện nhầm và xác suất phát hiện với mô hình kênh AWGN được tính như sau:  λ − Nσ 2  (2.7) Pf = P (Y > λ H 0 ) = Q  n   2 Nσ 4   n   λ − N (1 + γ )σ 2  Pd = P (Y > λ H1 ) = Q  n  (2.8)  2 N (1 + 2γ )σ 4   n  Ngưỡng quyết định được xác định. λ = Q −1 ( Pf ) 2 Nσ n4 + Nσ n2 (2.11) 9
2.3. Đề xuất hệ thống ED-EM 2.3.1. Mô hình hệ thống ED-EM Mô hình hệ thống ED-EM đề xuất như hình 2.3. 2.3.2. Thuật toán EM với dữ liệu Gauss Trong phần này EM được sử dụng để ước lượng các tham số của Quyết N x(t) x(n) 2 Y Y > λ, H1 định BPF ADC  x(n) n =1 Y < λ, H0 Ước lượng Xác định công suất ngưỡng λ nhiễu Hình 2.3. Sơ đồ khối hệ thống đề xuất ED-EM dữ liệu Gauss đơn trong trường hợp dữ liệu bị cắt. 2.3.3. Kết quả mô phỏng và đánh giá Kịch bản mô phỏng: nhiễu Gauss có trung bình là 600 C«ng suÊt nhiÔu thùc µ = 0 và phương sai σ n2 500 ¦íc l−îng c«ng suÊt nhiÔu dïng ML [4] §Ò xuÊt −íc l−îng c«ng suÊt nhiÔu dïng EM biến thiên trong khoảng 400 [0,3], theo hướng tiếp cận 300 λ CFAR với Pf = 0,1 , số 200 kiểm nghiệm thống kê 100 M = 100 và mỗi kiểm 0 0 0.5 1 1.5 2 2.5 3 nghiệm thống kê có σ 2n N = 100 mẫu, ngưỡng cắt Hình 2.5. Ngưỡng quyết định khi công suất nhiễu thay đổi với Pf =0,1 Tc = M .σ n2 . Hình 2.5 mô tả kết quả ngưỡng quyết định λ trong các trường hợp: giả sử biết trước công suất nhiễu; ước lượng công suất nhiễu dùng ML 10
và ước lượng công suất nhiễu dùng EM. Kết quả trên hình 2.5 thể hiện phương pháp ước lượng đề xuất dùng EM cho giá trị ngưỡng quyết định λ gần bằng với giá trị ngưỡng quyết định trong trường hợp giả định biết trước công suất nhiễu với sai số trung bình là 2,5%, trong khi phương pháp ML cho giá trị ngưỡng quyết định khác nhiều so với trường hợp giả định biết trước công suất nhiễu với sai số trung bình là 31%. Khi giá trị ngưỡng cắt ( Tc ) thay đổi được minh họa trên hình 2.6. Trong trường hợp này, giá trị công suất thực được thiết lập σ n2 = 0,8 ngưỡng đúng sẽ là λ = 91,6, nếu không ước lượng công suất nhiễu mà giả định công suất nhiễu σ n2 = 1 thì λ = 118,12 . Với 120 phương pháp ước lượng 115 C«ng suÊt nhiÔu thùc ¦íc l−îng c«ng suÊt nhiÒu dïng ML [4] 110 §Ò xuÊt −íc l−îng c«ng suÊt nhiÔu dïng EM công suất nhiễu dùng ML CED, gi¶ ®Þnh c«ng suÊt nhiÔu 105 khi ngưỡng cắt càng lớn λ 100 giá trị ngưỡng quyết định 95 càng sai số nhiều so với 90 ngưỡng quyết định đúng, 85 50 55 60 65 70 75 80 85 90 trong khi sử dụng EM để Ng−ìng c¾t (Tc) ước lượng công suất nhiễu Hình 2.6. Ngưỡng quyết định khi cho giá trị ngưỡng quyết ngưỡng cắt thay đổi định rất gần giá trị ngưỡng đúng này. Khi thiết lập ngưỡng cắt Tc = 60 và giá trị SNR tại SU biến thiên trong khoảng [-20dB, 0dB], hiệu quả cảm biến phổ được thể hiện qua xác suất phát hiện Pd được minh họa trên hình 2.7. Giá trị Pd khi dùng 11
EM để ước lượng công 1 suất nhiễu gần đúng bằng 0.9 ED: C«ng suÊt nhiÔu thùc ED: C«ng suÊt nhiÔu gi¶ ®Þnh giá trị Pd khi biết trước 0.8 ED - ML [4] §Ò xuÊt ED - EM 0.7 công suất nhiễu. Trong 0.6 khi nếu dùng ML ước Pd 0.5 lượng công suất nhiều thì 0.4 0.3 giá trị Pd khác nhiều giá 0.2 trị Pd đúng và phương 0.1 0 pháp CED với giả định cố -20 -18 -16 -14 -12 -10 -8 -6 -4 -2 0 SNR (dB) định công suất nhiễu bằng Hình 2.7. Xác suất phát hiện Pd khi 2 một giá trị ( σ = 1 ) cho n ngưỡng cắt Tc = 60, σ n2 = 0,8 kết quả kém nhất. 2.4. Đề xuất ước lượng công suất nhiễu dùng EM kết hợp với GA xác định ngưỡng tối ưu. 2.4.1. Kết hơp EM và GA áp dụng cho ED (ED-EMGA) Xác suất lỗi phát hiện Pe được xác định theo công thức [63]:  λ − Nσ 2    2  Pe ( λ ) = (1 − α ) Q  n +α  1 − Q  λ − N (1 + γ )σ n   (2.21)  2Nσ 4    2 N (1 + 2γ )σ 4   n    n  Với 0 < α < 1 là tỉ lệ PU sử dụng phổ tần. Hàm mục tiêu: F ( λ ) = Pe ( λ ) + C (max(0, β − Pd ) 2 + max(0, Pf − ε ) 2 ) (2.22) * Giá trị ngưỡng tối ưu ( λ ) được xác định: λ * = arg min F ( λ ) (2.23) * Thuật toán GA áp dụng cho ED (ED-GA) để xác định λ . 12
2.4.1. Kết quả mô phỏng và 150 đánh giá 140 Các tham số mô phỏng: số cá 130 thể Q = 30 , số mẫu N = 100 , tỉ 120 λ* lệ chọn lọc Pc = 0,5 , tỉ lệ đột 110 biến Pmu = 0,5 , λ H =200, λL = 100 α =10% α =50% 80, α = 0,5, công suất nhiễu 90 -25 -20 -15 -10 -5 α =90% 0 2 σ = 1 , số vòng lặp của thuật SNR(dB) n Hình 2.11. Ngưỡng tối ưu khi toán GA là 50 SNR = [-25,0] dB, α = 10%, 50%, Hình 2.11 biểu diễn giá trị 1 các ngưỡng tối ưu được xác định 0.9 §Ò xuÊt ED-EMGA ED tèi −u theo [72] CED bằng GA ứng với các giá trị SNR 0.8 0.7 trong khoảng [-20dB, 0dB], 0.6 Pd 0.5 trong các điều kiện tỉ lệ PU sử 0.4 0.3 dụng băng tần lần lượt là 0.2 α = 10% , α = 50% , α = 90% . 0.1 0 -25 -20 -15 -10 -5 0 Khi thiết lập tỉ lệ sử dụng phổ SNR(dB) Hình 2.12. Xác suất phát hiện Pd , tần của PU là 50%, giả định α = 50% công suất nhiễu biết trước là 0.7 2 σ = 0.8 , số kiểm nghiệm thống n 0.6 kê M = 100 và mỗi kiểm 0.5 nghiệm thống kê có N = 100 0.4 Pe 0.3 mẫu, hệ số cắt Tc = 80 .Hình 0.2 2.12 và 2.13 lần lượt mô tả xác CED 0.1 ED-Tèi −u theo [72] suất phát hiện và xác suất lỗi 0 ED- §Ò xuÊt EMGA -25 -20 -15 -10 -5 0 phát hiện của ba kỹ thuật CED, SNR kỹ thuật xác định ngưỡng tối ưu Hình 2.13. Xác suất lỗi phát hiện Pe , α = 50% 13
theo đề xuất [72] và kỹ thuật đề xuất ED-EMGA. Với ED-EMGA cho kết quả xác suất lỗi Pe giảm hơn so với CED trung bình khoảng 7%, và đề xuất [72] là 3,5%. So sánh về xác suất phát hiện, kỹ thuật đề xuất ED-EMGA cho kết quả tốt hơn rất nhiều so với CED đặc biệt tại các tại các vùng có SNR nhỏ. ED-EMGA có Pd trung bình cao hơn Pd của CED khoảng 35% và cao hơn đề xuất [72] là 8,5%. 2.5. Đề xuất sử dụng mô hình HMM để xác định trạng thái kênh 2.5.1. Mô hình hệ thống xác định trạng thái kênh dùng HMM Trong phần này, HMM được sử dụng để kết hợp chỉ số cường độ tín hiệu nhận được và thông tin sử dụng kênh để ước lượng trạng thái kênh. 2.5.3. Kết quả mô phỏng và đánh giá Giả sử trong giai đoạn huấn luyện ta xác định được kênh truyền sử dụng là 70%, từ đó ta có ma trận chuyển trạng thái của kênh truyền: 0,72 0, 28 A=   0,12 0,88  Xác suất ban đầu của mỗi trạng thái: π = [ 0,3 0,7] Quá trình mô phỏng được thực hiện thông qua 4 bước: Bước 1: Sử dụng xác suất ban đầu và ma trận chuyển trạng thái tạo ra chuỗi Markov trạng thái của kênh truyền có chiều dài L = 1000 , s1 , s2 ,..., s1000 Bước 2: Tạo dữ liệu y1 , y2 ,..., y1000 mô phỏng đường dữ liệu s1 , s2 ,..., s1000 . Dữ liệu đã tạo y1:1000 bị cắt với ngưỡng cắt là c . Dữ liệu quan sát được được ký hiệu là x1 , x2 ,..., x1000 , với xi = max( yi , c) . Bước 3: Áp dụng thuật toán Forward, với dữ liệu x1 , x2 ,..., x1000 để dự đoán trạng thái của kênh sˆ1 , sˆ2 ,..., sˆ1000 . Bước 4: Tính độ chính xác của dự đoán (PA: Prediction Accuracy) 14
Sè {1 ≤ k ≤ 1000 : sˆk = sk } PA = .100 1000 (2.38) Xác suất phát hiện được tính theo công thức: 1000  ( sˆ k = sk & sk = 1) Pd = k =1 (2.39) 1000  (s k =1 k = 1) Trạng thái của kênh truyền lần lượt được tạo ra tương ứng với kênh truyền rỗi ( H 0 ) và kênh bận ( H 1 ) là phân bố Gauss như công thức (2.6) là N ( Nσ n2 ,2 Nσ n4 ) và N ( N (1 + γ )σ n2 ,2 N (1 + 2γ )σ n4 ) . Với σ n2 = −100dBm , số mẫu 100 N = 100 , tỉ sổ tín hiệu trên 95 90 nhiễu ( (γ ) , c = −79,5dBm . 85 §é chÝnh x¸c (PA) 80 Khi SNR thay đổi trong 75 khoảng −10dB đến 0dB , độ 70 65 chính xác dự đoán trạng thái 60 55 PA [6] kênh thay đổi như hình 2.23. 50 -10 -9 -8 -7 -6 -5 -4 PA : Ph−¬ng ¸n ®Ò xuÊt -3 -2 -1 0 SNR (dB) Trong khoảng thay đổi của Hình 2.23. PA khi SNR thay đổi SNR này, phương pháp ước 1 lượng tham số HMM theo đề 0.9 xuất [6] có độ chính xác trung 0.8 0.7 bình là 79,9%, phương án đề Pd 0.6 xuất là 84,4%. và xác suất 0.5 0.4 phát hiện Pd của phương pháp Ph−¬ng ¸n ®Ò xuÊt 0.3 §Ò xuÊt [6] đề xuất có trung bình là 0,89 0.2 -10 -9 -8 -7 -6 -5 -4 CED -3 -2 -1 0 SNR trong khi đề xuất trong [6] là Hình 2.24. Xác suất phát hiện Pd sử 0,83 và phương pháp CED là dụng HMM 15
0,72. Như vậy phương pháp đề xuất tăng độ chính xác dự đoán trạng thái kênh truyền lên 4,5% so với đề xuất [6], trung bình xác suất phát hiện cao hơn [6] là 5% và CED là 15,5% 2.6. Tóm tắt chương Chương này tập trung nghiên cứu kỹ thuật cảm biển phổ ED và sử dụng HMM trong việc dự đoán trạng thái kênh truyền thông qua việc kết hợp năng lượng thu được tại thời điểm hiện tại và thông tin sử dụng kênh truyền trước đó. Đề xuất sử dụng thuật toán EM để ước lượng công suất nhiễu trong trường hợp dữ liệu bị cắt và kết hợp với GA để xác định ngưỡng tối ưu đã nâng cao xác suất phát hiện, giảm xác suất lỗi phát hiện. Kết quả mô phỏng cho thấy việc ước lưỡng công suất nhiễu dùng thuật toán EM cho kết quả tốt hơn dùng thuật toán ML dẫn đến xác định ngưỡng quyết định chính xác hơn và làm cải thiện xác suất phát hiện và giảm xác suất phát hiện nhầm. Việc kết hợp EM và GA cũng cho thấy giá trị xác suất lỗi phát hiện giảm đáng kể và xác suất phát hiện tăng khá lớn, đặc biệt khi SNR nhỏ. Đề xuất sử dụng thuật toán EM để ước lượng tham số của mô hình HMM nhằm nâng cao xác suất dự đoán trạng thái kênh truyền và xác xuất phát hiện. Kết quả mô phỏng cho thấy trong trường hợp dữ liệu bị cắt, xác suất dự đoán trạng thái kênh và xác xuất phát hiện khi sử dụng EM để ước lượng tham số HMM cho hiệu quả cao hơn khi dùng ML. 16
Chương 3 XÁC ĐỊNH BỘ TRỌNG SỐ TỐI ƯU TRONG CẢM BIẾN PHỔ HỢP TÁC QUYẾT ĐỊNH MỀM 3.1. Giới thiệu Trong phần này giới thiệu về CSS và các kiểu quyết định tại FC là HDF và SDF. W1 n1 3.2. Mô hình hệ thống + X1[n] + Y1[n] N  Y [ n] 1 2 ω1 x FC CSS-SDF g1 n =1 Z1 SU1 W2 n2 ω2 Sơ đồ khối hệ thống g2 + X2[n] SU3 + Y2[n] N  Y [ n] n =1 2 2 Z2 x + Z Quyết định H0/H1 cảm biến phổ hợp tác sử gM . . PU WM . nM ωM dụng quyết định mềm H0/H1 + XM[n] + YM[n] N  Y [ n] n =1 M 2 ZM x SUM (CSS – SDF) được thể Hình 3.1. Mô hình hệ thống CSS – SDF hiện trên hình 3.1. Với ω = (ω1 , ω2 ,..., ωM ) là véc tơ trọng số được tạo bởi FC. Theo hướng tiếp cận CFAR, Pd được tính theo công thức sau [55]:  Q −1 ( P ) ω T Φ ω - E g T ω  Pd (ω) = Q   f H0 s  ω T Φ ω  (3.6)  H1  N E s =  S [n] 2 : năng lượng tín hiệu truyền trong N mẫu n =1 T g =  g1 , g 2 ,.., g M  2 2 2   (3.7) Φ H 0 = 2 Ndiag 2 (σ ) + diag (δ ) (3.8) Φ H1 = 2 Ndiag 2 + diag (δ )(σ ) + 4 Es diag ( g )diag (σ ) (3.9) σ = [σ W2 , σ W2 ,...,σ W2 ]T : các phương sai AWGN kênh PU-SU. 1 2 M 2 2 2 T δ = [δ , δ ,..., δ ] : các phương sai AWGN kênh SU-FC. 1 1 M Kí hiệu diag (.) là ma trận đường chéo. 17
3.3. Đề xuất hệ thống CSS- SDF dùng GA (GA-SDF) kết hợp với ước lượng công suất nhiễu dùng EM (EMGA-SDF) 3.3.1. Mô hình hệ thống Mục tiêu của đề xuất trong phần này là dùng EM để ước lượng công suất nhiễu tại các SU trong trường hợp dữ liệu thu được bị cắt nhằm xác định chính xác công suất nhiễu kết hợp với GA để xác định bộ trọng số ω tối ưu ( ωopt ) để cực đại hóa hàm mục tiêu Pd (ω) . Việc xác định ωopt theo công thức (3.5), có nghĩa là: ωopt = max arg( Pd (ω)) (3.10) M Với điều kiện: ω i =1 i =1 (3.11) Mô hình hệ thống đề xuất như hình 3.2. Các bước tìm bộ véc tơ trọng số tối ưu ωopt dùng GA được thực hiện như lưu đồ thuật toán hình 3.3. 3.3.2. Kết quả mô phỏng và đánh giá Hình 3.5 là đường W1, W1,…, WM Ước lượng nhiễu ˆ ,W W ˆ ,..., W ˆ cong ROC hệ thống của 1 1 M EM W1 n1 ω1 ba kịch bản mô phỏng X1[n] Y1[n] N 2 FC + +  Y [n]1 x g1 n =1 Z1 SU1 trên. Với M = 1 hệ thống g2 W2 + X2[n] n2 + Y2[n] N  Y [ n] 2 2 ω2 x + Z Quyết định SU3 n =1 Z2 H0/H1 GA-CSS có ROC đúng . . gM PU WM . nM bằng hệ thống CED, với H 0/H1 + XM[n] + YM[n] N  Y [ n] n =1 M 2 ωM ZM x SUM số lượng SU càng lớn thì Hình 3.2. Mô hình hệ thống đề xuất hiệu quả cảm biến phổ EMGA – SDF của GA – SDF càng được cải thiện, mặc dù các SU thêm vào có SNR nhỏ. 18