zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Luận Văn - Báo Cáo

» Điện-Điện tử-Viễn thông

Tóm tắt luận văn tốt nghiệp: Ứng dụng bộ cân bằng dùng Neural Networks triệt nhiễu giao thoa ký tự trong hệ thống GSM

Chia sẻ: Fvdxc Fvdxc | Ngày: | Loại File: PDF | Số trang:19

Báo xấu

100
lượt xem 9
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Neural Networks trong một vài năm trở lại đây đang được quan tâm và đã áp dụng thành công trong nhiều lĩnh vực khác nhau, như truyền thông, kỹ thuật, tài chính, y tế, địa chất, vật lý v.v… Thật vậy, bất cứ ở đâu có vấn đề dự báo, phân loại, điều khiển và xử lý, Neural Networks đều có thể ứng dụng được.

Chủ đề:

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

Lưu

Nội dung Text: Tóm tắt luận văn tốt nghiệp: Ứng dụng bộ cân bằng dùng Neural Networks triệt nhiễu giao thoa ký tự trong hệ thống GSM

TRƯỜNG ĐẠI HỌC KỸ THUẬT TP HCM KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN VIỄN THÔNG  TÓM TẮT LUẬN VĂN TỐT NGHIỆP ỨNG DỤNG BỘ CÂN BẰNG DÙNG NEURAL NETWORKS TRIỆT NHIỄU GIAO THOA KÝ TỰ TRONG HỆ THỐNG GSM INTER-SYMBOL INTERFERENCE CANCELLATION FOR GSM SYSTEM USING NEURAL NETWORKS EQUALIZER GVHD : ThS HOÀNG ĐÌNH CHIẾN SVTH : TRƯƠNG ÁNH THU 49600887 LÊ THANH NHẬT 49601145 Khóa 1996-2001
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM TÓM TẮT Neural Networks trong một vài năm trở lại đây đang được quan tâm và đã áp dụng thành công trong nhiều lĩnh vực khác nhau, như truyền thông, kỹ thuật, tài chính, y tế, địa chất, vật lý v.v… Thật vậy, bất cứ ở đâu có vấn đề dự báo, phân loại, điều khiển và xử lý, Neural Networks đều có thể ứng dụng được. Sự thành công nhanh chóng của mạng Neural là nhờ mạng có những thuật toán huấn luyện rất tinh vi, có khả năng mô phỏng các hàm cực kì phức tạp. Neural Networks có tính học theo các ví dụ. Người sử dụng Neural Networks thu nhập các dữ liệu đặc trưng, sau đó gọi các thuật toán huấn luyện để mạng có thể tự học cấu trúc của dữ liệu. Quá trình huấn luyện thực ra là sự điều chỉnh các thông số trên mạng để cực tiểu hóa bình phương sai số. Trọng số (weight) và ngưỡng (bias) là hai trong các thông số cần được điều chỉnh. Mục tiêu của luận văn này là ứng dụng Neural Networks vào bộ cân bằng để triệt nhiễu giao thoa kí tự trong hệ thống GSM. Hướng về mục tiêu này, luận văn chia thành hai phần chính -- giới thiệu hệ thống thông tin di động GSM, bộ cân bằng và Neural Networks; mô phỏng Neural Networks trên máy tính. Phần đầu giới thiệu bằng tổng quan Neural Networks cũng như đề cập tới các mô hình mạng quan trọng của Neural Networks. Đồng thời một số kiến thức cơ bản liên quan đến các hệ thống thông tin di động GSM, bộ cân bằng cũng được giới thiệu sơ quát. Phần còn lại trình bày phần mềm mô phỏng trên máy tính được thực hiện trên môi trường Matlab 5.3. Phần này đưa ra mô hình hệ thống thông tin trong môi trường nhiễu Gauss, fading và nhiễu đồng kênh với các phương pháp triệt nhiễu dùng Neural Networks. Về phương diện tổng quát Neural Networks có khả năng triệt nhiễu cho tất cả các loại tín hiệu, nhưng do thời gian có hạn nên chúng tôi chỉ dùng cho hai loại điều chế BPSK và QPSK. Các kết quả mô phỏng được trình bày dưới dạng đồ thị xác xuất lỗi (BER). Cuối cùng là một số kết luận rút ra từ kết quả mô phỏng và hướng phát triển cho đề tài. Leâ Thanh Nhaät-Tröông AÙnh Thu 1 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM NỘI DUNG CỦA LUẬN VĂN Nhiệm vụ chính của luận văn là nghiên cứu Neural Networks và ứng dụng để triệt nhiễu giao thoa ký tự trong hệ thống GSM. Phần 1 LÝ THUYẾT 1. Hệ thống thông tin di động GSM - Cấu trúc mạng. - Liên kết vô tuyến. 2. Kỹ thuật cân bằng - Nhiễu trong hệ thống thông tin. - Bộ cân bằng. 3. Neural Networks - Giới thiệu tổng quát. - Các loại mạng. Phần 2 MÔ PHỎNG 1. Mô phỏng hệ thống thông tin dùng hai phương pháp điều chế BPSK, QPSK trong môi trường nhiễu Gauss, Fading, Cochannel. 2. Áp dụng Neural Networks để loại nhiễu nhằm nâng cao chất lượng hệ thống. Leâ Thanh Nhaät-Tröông AÙnh Thu 2 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM Bản tóm tắt này chỉ trình bày một số khái niệm cơ bản về hệ thống thông tin di động GSM, kỹ thuật cân bằng Equalizer và Neural Networks. Chi tiết các phần được trình bày kỹ trong luận văn. 1. TỔNG QUAN HỆ THỐNG GSM Mạng GSM có thể chia thành ba phần chính. Trạm di động (Mobile Station_MS) do thuê bao giữ. Hệ thống con trạm gốc (Base Station Subsystem_BSS) điều khiển liên kết với trạm di động. Hệ thống mạng con (Network Subsystem_NS) là phần chính của trung tâm chuyển mạch dịch vụ di động (Mobile services Switching Center_MSC), thực hiện chuyển mạch cuộc gọi giữa những người sử dụng điện thoại di động, và giữa di động với thuê bao mạng cố định. MSC xử lý các hoạt động quản lý di động. Trạm di động và hệ thống con trạm gốc thông tin dùng giao tiếp Um, còn được gọi là giao tiếp không trung hay liên kết vô tuyến. Hệ thống con trạm gốc liên lạc với trung tâm chuyển mạch dịch vụ di động dùng giao tiếp A. Mô hình hệ thống thông tin di động tế bào Vì phổ vô tuyến là tài nguyên hữu hạn dùng chung cho tất cả thuê bao, một phương pháp phải đưa ra là chia băng thông để càng nhiều thuê bao sử dụng càng tốt. GSM đã chọn phương pháp kết hợp đa truy cập phân chia theo tần số và thời gian (TDMA/FDMA). FDMA bao gồm chia tần số băng thông tối đa 25 MHz thành 124 tần số sóng mang cách nhau 200 KHz. TDMA chia kênh vô tuyến 200 KHz thành 8 khe thời gian (tạo 8 kênh logic). Do đó một kênh logic được định nghĩa bằng tần số và số khe thời gian của khung TDMA. Bằng cách áp dụng 8 khe thời gian, mỗi kênh phát dữ liệu số theo từng chuỗi “burst” ngắn : đầu cuối GSM chỉ phát 1 trong 8 khe thời gian đó. FDMA là gán các kênh đến từng người sử dụng riêng lẻ. Các kênh này được gán dựa trên các yêu cầu mà người sử dụng cần. TDMA chia phổ vô tuyến ra thành các khe thời gian (time slot) và mỗi khe chỉ cho phép người sử dụng được phát hoặc thu. Leâ Thanh Nhaät-Tröông AÙnh Thu 3 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM CẤU TRÚC BURST Burst là đơn vị phát của GSM. Việc phát xảy ra trong một cửa sổ thời gian (576+12/13) s, nghĩa là suốt chu kỳ bit (156 + ¼). Một burst thông thường chứa hai gói 58 bit (57 bit dữ liệu + 1 bit dư (stealing bit)) và một chuỗi huấn luyện 26 bit. Chuỗi huấn luyện 26 bit là một chuỗi biết trước dùng so sánh với chuỗi tín hiệu thu được để xây dựng lại tín hiệu gốc (cân bằng đa đường). 2. KỸ THUẬT CÂN BẰNG Cân bằng là một kỹ thuật sử dụng để triệt nhiễu liên ký tự. Bộ cân bằng hoạt động xử lý tín hiệu làm giảm thiểu ISI. Trong kỹ thuật truyền vô tuyến có nhiều bộ cân bằng thích ứng khác nhau được sử dụng để triệt nhiễu. Các chế độ hoạt động tổng quát của bộ cân bằng thích ứng là huấn luyện và tracking. Đầu tiên, chuỗi huấn luyện có chiều dài cố định được phát đi để bộ cân bằng máy thu có thể tìm trị trung bình cài đặt thích hợp. Chuỗi huấn luyện thường là tín hiệu nhị phân giả ngẫu nhiên hoặc kiểu bit cố định, mô tả trước. Theo sau tức thời chuỗi huấn luyện này, dữ liệu user (có thể có hoặc không mã hóa) được gởi đi, và bộ cân bằng thích ứng tại máy thu sử dụng thuật toán hồi quy xác định mức kênh truyền và ước lượng hệ số bộ lọc để bù cho kênh truyền. Chuỗi huấn luyện được thiết kế cho phép bộ cân bằng máy thu có được các hệ số bộ lọc đúng trong những điều kiện kênh truyền có thể xấu nhất sau khi đã truyền hết chuỗi huấn luyện, các hệ số bộ lọc gần với giá trị tối ưu để nhận được dữ liệu user. Khi dữ liệu user nhận được, thuật toán thích ứng của bộ cân bằng lần theo sự thay đổi của kênh truyền. Kết quả là bộ cân bằng thích ứng thay đổi liên tục đặc tính lọc của nó. Theo thời gian, bộ cân bằng hội tụ về hàm của thuật toán cân bằng, cấu trúc bộ cân bằng và tốc độ thay đổi theo thời gian của kênh vô tuyến đa đường. Bộ cân bằng cần được tái huấn luyện theo chu kỳ để duy trì hiệu suất triệt ISI, và thường sử dụng trong hệ thống thông tin số, ở đó dữ liệu user được phân đoạn nhỏ theo thời gian. Hệ thống vô tuyến đa truy cập phân chia thời gian (TDMA) đặc biệt phù hợp cho bộ cân bằng. Hệ thống TDMA gởi dữ liệu theo khối thời gian chiều dài cố định, và chuỗi huấn luyện thường được gởi ở đầu khối. Leâ Thanh Nhaät-Tröông AÙnh Thu 4 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM Tại mỗi thời điểm, một khối dữ liệu mới được nhận, bộ cân bằng tái huấn luyện sử dụng cùng một chuỗi huấn luyện. Bộ cân bằng thường thực hiện tại băng tần gốc hoặc tại IF của máy thu. Tín hiệu đã giải điều chế và thuật toán bộ cân bằng thích ứng thường mô phỏng và thực hiện ở băng tần gốc. f(t) : ñaù öùg xung keáhôï cuû maù phaù p n t p a y t keâh voâ n tuyeá ña ñöôøg vaø y thu RF/IF n n maù Tín hieä baêg u n Boä u cheá ñieà Maù phaù y t Keâh voâ n tuyeá n goá x(t) c Boä c taùh loï c Taà IF n Maù thu RF y soùg phuø p n hôï Nhieã töông ñöông u f(t) nb (t) y(t) Boä n baèg caâ n heq (t) Boäquyeáñò t nh Döõ u khoâphuï d(t) lieä i c - + ^ d (t) e(t) sai soá Giaû ñoà i heä ng thoâg tin n khoá thoá n söû ng boä n baèg thích öùg ôû y thu duï caâ n n maù 3. TỔNG QUAN NEURAL NETWORKS Neural Networks phát triển từ nghiên cứu mạng trí tuệ nhân tạo; đặc biệt cố gắng bắt chước bộ não có cấu trúc cấp thấp về khả năng học và chấp nhận sai của hệ thống neuron sinh học. Mạng Neural là một trong những mô hình đặc trưng cho trí tuệ nhân tạo, là một lĩnh vực khoa học kỹ thuật mới ra đời cách đây khoảng năm thập kỷ, nhưng chỉ được áp dụng thật sự khoảng mười lăm năm gần đây. Cơ cấu mạng được xây dựng dựa trên cấu trúc của hệ thần kinh sinh học của con người, bao gồm nhiều thành phần đơn giản kết nối lại và hoạt động song song nhau. Sự kết nối giữa các thành phần này quyết định phạm vi chức năng của mạng. Mạng được mô phỏng thực hiện một chức năng cụ thể bằng cách điều chỉnh các giá trị của liên kết giữa những thành phần, gọi là trọng số (weight). Một mô hình mạng Neural tổng quát như sau : Ngày nay mạng Neural có thể giải quyết nhiều vấn đề phức tạp, áp dụng trong nhiều lĩnh vực như nhận dạng, định dạng, phân loại, xử lý tín hiệu, hình ảnh v.v… Leâ Thanh Nhaät-Tröông AÙnh Thu 5 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM * Mô hình một Neuron Đầu vào của một neuron gồm ngưỡng b và tổng các trọng số vào. Ngõ ra của neuron phụ thuộc vào đầu vào và hàm truyền. * Cấu trúc một lớp mạng Cấu trúc một mạng có thể mô tả bằng số lớp, số neuron trong một lớp, hàm truyền của mỗi lớp và kết nối giữa các lớp. Tùy thuộc vấn đề mạng cần giải quyết mà có cấu trúc khác nhau. Neuron đơn rất ít sử dụng. Tuy nhiên một vài neuron có thể kết hợp thành một lớp hay nhiều lớp thì khả năng xử lý cao hơn. Vấn đề đơn giản có thể trình bày bằng một lớp đơn. Tuy nhiên, nó không giải quyết được nhiều vấn đề phức tạp. Mạng đa lớp feedforward có khả năng giải quyết lớn hơn. Có hai loại mạng static network và dynamic network. Cấu trúc định dạng của dữ liệu vào ảnh hưởng đến việc mô phỏng của mạng. Hai kiểu dữ liệu vào cơ bản là kiểu xảy ra đồng thời (concurrently) và kiểu xảy ra liên tục theo thời gian (sequentially). Mỗi mạng có hai kiểu huấn luyện khác nhau : incremental training và batch training. * Mạng nhiều lớp Neuron Mạng tuyến tính : Mạng này có hàm truyền là hàm tuyến tính cho ngõ ra có giá trị không giới hạn, chỉ giải quyết những vấn đề độc lập tuyến tính, có quy luật huấn luyện LMS mạnh hơn quy luật huấn luyện Peceptron. Mạng tuyến tính có khả năng đáp ứng sự thay đổi của môi trường, được điều chỉnh theo từng bước dựa trên vector vào mới và vector mong muốn để tìm được các giá trị trọng số và ngưỡng thích hợp sao cho tổng bình phương sai số nhỏ nhất. Mạng loại này thường được sử dụng trong những bộ lọc, những hệ thống điều khiển và xử lý tín hiệu số. Đây là loại mạng đơn giản nhất có thể áp dụng trong thực tế. Leâ Thanh Nhaät-Tröông AÙnh Thu 6 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM Mạng Backpropagation : Backpropagation thực hiện dựa trên quy luật học Widrow-Hoff tổng quát hóa cho mạng đa lớp và các hàm truyền phi tuyến khác nhau. Mạng có ngưỡng, một lớp sigmoid và một lớp tuyến tính ngõ ra có thể mô phỏng bất kỳ hàm nào với số mẫu rời rạc hữu hạn. Mạng này được huấn luyện chính xác sẽ cho đáp ứng hợp lý khi đưa ngõ vào chưa từng được huấn luyện. Thông thường tín hiệu mới vào có ngõ ra tương tự với ngõ ra chính xác của tín hiệu vào đã được huấn luyện giống với ngõ vào mới này. Do tính chất tổng quất hóa này, ta có thể huấn luyện mạng dựa trên các cặp vào/ra đại diện mà vẫn cho kết quả tốt đối với các tín hiệu chưa được huấn luyện. 4. MÔ PHỎNG Sơ đồ khối hệ thống thông tin có bộ cân bằng Neural Networks để triệt nhiễu : Lưu đồ giải thuật chương trình chính RUN Tạo dữ liệu Điều chế Lọc BPF Kênh truyền Nhiễu Lọc BPF Giải điều chế Leâ Thanh Nhaät-Tröông AÙnh Thu 7 GVHD : Hoaøng Ñình Chieán LPF
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM KẾT QUẢ MÔ PHỎNG Mô phỏng tín hiệu điều chế bằng BPSK, QPSK trên kênh truyền có các loại nhiễu Gauss, nhiễu fading, nhiễu đồng kênh. Sử dụng các loại mạng khác nhau để triệt nhiễu. Loại mạng Ký hiệu Bayesian Regularization Mạng Baye Levenberg_Marquardt Mạng Leven One Step Secant Mạng OSS Quasi_Newton Mạng Newton Scale Conjugate Gradient Mạng SCG Powell_Beal Mạng Pow Polak_Ribiére Mạng Polak Fletcher_Reeves Mạng Flet Resilient Backpropagation Mạng Rprop Adaptive Learning Rate Mạng Adapt Gradient Descent Momentum Mạng GDM Gradient Descent Mạng GD Adaptive Linear Mạng Linear Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 8 MHz Tốc độ bit 2 MHz Phương pháp điều chế QPSK Nhiễu Gauss 10 dB Mạng Baye 1 lớp, 10 ngõ vào Lớp 1:1 neuron, hàm truyền tansig Leâ Thanh Nhaät-Tröông AÙnh Thu 8 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM Data 1 0.5 V 0 0 1 2 3 4 5 6 tim e (s) -6 Q P S K M odulation x 10 2 1 0 V -1 -2 0 1 2 3 4 5 6 tim e (s ) -6 Trans m it S ignal x 10 2 1 0 V -1 -2 0 1 2 3 4 5 6 tim e (s ) -6 x 10 Signal at the Rec eiver 2 0 V -2 0 1 2 3 4 5 6 time (s ) Bandpas s Filted S ignal at the Rec eiver -6 2 x 10 1 0 V -1 -2 0 1 2 3 4 5 6 tim e (s ) -6 x 10 Dem odulation on I branc h 2 1 0 V -1 -2 0 1 2 3 4 5 6 tim e (s ) -6 Equaliz ation on I brac h x 10 1 0.5 0 V -0.5 -1 0 1 2 3 4 5 6 tim e (s) -6 Dem odulation on Q branch x 10 2 1 0 V -1 -2 0 1 2 3 4 5 6 tim e (s) -6 x 10 Leâ Thanh Nhaät-Tröông AÙnh Thu 9 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM Equaliz ation on Q branc h 1 0.5 0 V -0.5 -1 0 1 2 3 4 5 6 tim e (s ) -6 Rec eive Data x 10 1 0.5 V 0 0 1 2 3 4 5 6 tim e (s ) -6 x 10 Tín hiệu sau khi qua bộ cân bằng có dạng xung rõ ràng hơn tín hiệu giải điều chế không qua bộ cân bằng. Nghĩa là bộ cân bằng đã làm giảm ISI. Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 8 MHz Tốc độ bit 2 MHz Phương pháp điều chế BPSK Nhiễu Gauss 10 dB Mạng Baye1 lớp, 10 ngõ vào Lớp 1:1 neuron, hàm truyền tansig Data 1 0.5 V 0 0 1 2 3 4 5 6 7 8 tim e (s ) -6 B P S K M odulation x 10 1 0.5 0 V -0.5 -1 0 1 2 3 4 5 6 7 8 tim e (s ) -6 Trans m itted S ignal x 10 1 0 V -1 0 1 2 3 4 5 6 7 8 tim e (s ) -6 x 10 Leâ Thanh Nhaät-Tröông AÙnh Thu 10 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM Rec eive S ignal 2 0 V -2 0 1 2 3 4 5 6 7 8 tim e (s ) -6 B andpass Fil ted S ignal at the Receiver x 10 2 1 0 V -1 -2 0 1 2 3 4 5 6 7 8 tim e (s ) -6 D em odulation S ignal x 10 2 1 0 V -1 -2 0 1 2 3 4 5 6 7 8 tim e (s ) -6 x 10 E qualiz ati on S ignal 1 0.5 0 V -0.5 -1 0 1 2 3 4 5 6 7 8 tim e (s ) -6 x 10 Bộ cân bằng Neural Networks triệt nhiễu tín hiệu BPSK không tốt bằng triệt nhiễu tín hiệu QPSK. Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 35 MHz Tốc độ bit 1,024 MHz Phương pháp điều chế QPSK Mạng 1 lớp, 10 ngõ vào Lớp 1:1 neuron hàm truyền tansig Nhi eã Gauss u -1 10 Chuan M ang Leven -2 10 M ang P olak M ang GD -3 M ang OS S 10 M ang B ay e M ang Rprop BER -4 10 -5 10 -6 10 -7 10 7 8 9 10 11 12 13 14 E b/No (dB ) Leâ Thanh Nhaät-Tröông AÙnh Thu 11 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM -1 N hi eã Gauss u 10 chuan M ang Newton -2 10 M ang P olak M ang P ow -3 M ang Flet 10 M ang GD M ang S CG BER -4 10 -5 10 -6 10 -7 10 7 8 9 10 11 12 13 14 E b/No (dB ) Thông số Giá trị Đơn vị Chuỗi bit 10.000.000 Bit Tần số sóng mang 35 MHz Tốc độ bit 1,024 MHz Phương pháp điều chế QPSK Mạng 1 lớp, 10 ngõ vào Lớp 1: 1 neuron hàm truyền tansig -1 N hi eã Gauss, Fadi ng (13dB) u 10 c huan M ang Leven -2 10 M ang S CG M ang P olak -3 M ang Rprop 10 M ang G D M ang O S S BER -4 10 -5 10 -6 10 -7 10 7 8 9 10 11 12 13 14 E b/No (dB ) Leâ Thanh Nhaät-Tröông AÙnh Thu 12 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM -1 N hi eã Gauss, Fadi ng (13dB) u 10 c huan M ang P ow -2 10 M ang B ay e M ang Flet -3 M ang GDM 10 M ang Newton M ang A dapt BER -4 10 -5 10 -6 10 -7 10 7 8 9 10 11 12 13 14 E b/No (dB ) Một vài ví dụ cho thấy khả năng triệt nhiễu của mạng Neural Networks. Chi tiết kết quả mô phỏng với tất cả các loại mạng trong các môi trường nhiễu khác nhau được trình bày trong quyển Luận án tốt nghiệp. Từ các kết quả mô phỏng, ta rút ra được mạng Bayesian và Levenberg-Marquardt có khả năng triệt nhiễu tốt nhất. Ở đây chỉ so sánh mạng Bayesian với các phương dùng bộ cân bằng khác trong các tạp chí. 0 10 -1 10 A verage probability of error -2 10 -3 10 -4 10 GV A (64) GV A (32) -5 10 GV A (16) GV A (4) GV A (1)-S V A -6 Mang B aye 10 1 2 3 4 5 6 CIR (dB ) Phương pháp EIC có phân tập anten, tác giả Ben Chi Wah Lo và Khaled Ben Letaief. Leâ Thanh Nhaät-Tröông AÙnh Thu 13 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM 0 10 -1 10 -2 10 BER -3 10 10 -4 DFE fdm =10Hz LE fdm =10Hz DFE fdm =100Hz LE fdm =10Hz -5 Mang Baye 10 0 3 6 9 12 15 Eb/No (dB) Bộ cân bằng hồi tiếp quyết định kết hợp phân tập tối ưu, tác giả Tugay Eyceoz và Alexandra Duel-Hallen. 0 10 DFE fdm =10Hz LE fdm= 10Hz DFE fdm =100Hz -1 10 LE fdm= 100Hz M ang B aye -2 10 -3 BER 10 -4 10 -5 10 -6 10 0 3 6 9 12 15 E b/No Bộ cân bằng hồi tiếp quyết định cho kênh truyền fading Doppler và phân tập, tác giả Tugay Eyceoz và Alexandra Duel-Hallen. Leâ Thanh Nhaät-Tröông AÙnh Thu 14 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM 0 10 -1 10 Average probability of error -2 10 -3 10 -4 10 GVA(64) GVA(32) -5 10 GVA(4) GVA(1)-SV A GVA(16) -6 M ang Baye 10 0 2.5 5 7.5 10 Eb/No (dB) Phương pháp EIC không có phân tập, tác giả Ben Chi Wah Lo và Khaled Ben Letaief 0 10 CS I ly tuong tm ax = 0.05T tm ax = 0.07T -1 10 tm ax = 0.13T tm ax = 0.2T M ang B aye -2 10 BER -3 10 -4 10 -5 10 -6 10 1 2 3 4 5 6 7 8 E b/No (dB ) Trích đồ thị bài “Cân bằng kênh truyền fading chọn lựa tần số tuyến tính”, tác giả Wing Seng Leon. Từ các đồ thị trên, ta thấy đường xác suất lỗi của mạng Bayesian nằm thấp hơn các đường BER của các phương pháp khác, chứng tỏ rằng mạng neuron triệt được nhiễu tốt hơn. Leâ Thanh Nhaät-Tröông AÙnh Thu 15 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM NHẬN XÉT  Mạng một lớp : Loại này chỉ có một neuron nhưng hoạt động rất hiệu quả với hàm truyền tansig trên hầu hết các kiểu huấn luyện mạng. Đây chính là ưu điểm lớn nhất của mạng một lớp.  Mạng hai lớp : Khi thiết kế phải chú trọng số neuron và kiểu huấn luyện. Huấn luyện Levenberg-Marquardt và Bayesian ổn định hơn cả, với lớp một 15 neuron hàm truyền tansig, lớp hai 1 neuron hàm truyền purelin.  Mạng ba lớp : Mạng này hoạt động tốt nhất khi số neuron của mỗi lớp được thiết kế hợp lý. Nếu số neuron ít quá, mạng không thể nhận dạng tín hiệu vào. Tuy nhiên khi số neuron nhiều, mạng học quá mức không thể tổng quát hóa các trường hợp mới vào mạng. Mạng Levenberg-Marquardt, Bayesian và Polak-Ribiére hoạt động ổn định nhất.  Mạng từ bốn lớp trở lên : Mạng loại này học quá mức, chính xác theo mẫu huấn luyện, không thể tổng quát các trường hợp mới vào mạng. Do đó thực tế rất ít khi sử dụng loại mạng này để triệt nhiễu, tuy nhiên để nhận dạng thì rất tốt. Mạng có số ngõ vào vừa đủ (khoảng 10 ngõ vào) sẽ có khả năng triệt tốt các loại nhiễu; số ngõ vào quá nhiều hay quá ít mạng hoạt động không tốt và chậm, làm thêm nhiễu. So sánh với các phương pháp đã được phổ biến, mạng Neural Networks có tính năng vượt trội hơn. Leâ Thanh Nhaät-Tröông AÙnh Thu 16 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Ngày nay thông tin di động rất phổ biến ở mọi nơi, ngay cả ở Việt Nam điện thoại di động cũng đã được sử dụng rộng rãi. Khoa học kỹ thuật ngày càng phát triển không ngừng, hệ thống thông tin di động cũng ngày càng cải thiện. Lĩnh vực Neural Networks là một kỹ thuật tiến tiến, có rất nhiều ứng dụng như nhận dạng, dự đoán, phân loại, điều khiển, xử lý tín hiệu, hình ảnh … Ứng dụng Neural Networks vào bộ cân bằng để triệt nhiễu trên băng tần gốc là một kỹ thuật mới, đem lại hiệu quả khá cao. Tuy nhiên khoa học phát triển không ngừng nên nhiều thành tựu, ứng dụng mới được ra đời, và do đó Neural Networks cũng cần phải được cải tiến để đưa ra những mô hình mạng hiệu quả hơn. Qua những kết quả và nhận xét rút ra từ quá trình mô phỏng có thể kết luận rằng ứng dụng Neural Networks vào bộ cân bằng trong việc triệt nhiễu có thể cải thiện được BER trong hệ thống thông tin rất nhiều. Không phải tất cả các loại mạng đều đem lại hiệu quả cao, nhưng nếu chọn mô hình mạng thích hợp thì có khả năng triệt nhiễu tốt, nhất là khi sử dụng mạng Bayesian và Levenberg-Marqardt. Luận văn đã thực hiện đầy đủ nhiệm vụ là giới thiệu về Neural Networks và ứng dụng vào việc triệt nhiễu trong băng gốc của hệ thống GSM. Ứng dụng được thử nghiệm qua việc mô phỏng bằng phần mềm Matlab 5.3 có giao diện giao tiếp với người sử dụng. Do mới làm quen với Matlab và còn ít kinh nghiệm cho nên chương trình không hoàn hảo, mong quý thầy cô và các bạn xem xét góp ý. Từ ý tưởng của đề tài này ta có thể phát triển hơn nữa, ứng dụng Neural Networks vào bộ cân bằng mù, đưa ra những mô hình mạng có thể triệt nhiễu tốt mà không cần biết trước chuỗi bit huấn luyện. Leâ Thanh Nhaät-Tröông AÙnh Thu 17 GVHD : Hoaøng Ñình Chieán
ÖÙng duïng boä caân baèng duøng Neural Networks trieät nhieãu giao thoa kyù töï trong heä thoáng GSM TÀI LIỆU THAM KHẢO [1] Theodore S.Rappaport, Wireless Communications, Prentice Hall PTR, 1996 ISBN 0-13-375536-3 [2] Howard Demuth – Mark Beale, Neural Networks Toolbox User’s Guide, The Mathworks, Inc, 1998. [3] San K. Mitra, Digital Signal Processing _ A Computer-Based Approach, The McGraw-Hill Companies, Inc, 1998, ISBN 0-07-042953-7 [4] Bernard Sklar, Digital Communications Fundamentals and Applications. Prentice Hall Inc, 1988, ISBN 0-13-211939-0 [5] John G.Proakis_Dimitris G. Manolakis, Introduction to Digital Signal Processing. Macmillan Publishing Company, 1989, ISBN 0-02-946253-3 [6] TS. Bùi Thiện Minh, Viba số Tập 1,2, Nhà xuất bản Bưu Điện, 2000 [7] Raymond C.V. Macario, Cellular Radio, McGraw-Hill Inc, 1997, ISBN 0-07-044433-1 [8] Vũ Đức Thọ, Thông tin di động số Cellular, NXB Giáo dục, 1997. [9] Taub_Schilling, Principles of Communications Systems, McGraw-Hill Inc,1971, ISBN 0-07-062956-0 [10] John G. Proakis_Dimitris G. Manolakis, Digital Signal Processing, Prentice-Hall Inc, 1996, ISBN 0-13-373762-4 [11] Bart Kosko, Neural Networks for Signal processing, Prentice-Hall Inc, 1992 ISBN 0-13-614694-5 [12] A.A.R. Townsend, Digital Line-of-sight Radio links. Leâ Thanh Nhaät-Tröông AÙnh Thu 18 GVHD : Hoaøng Ñình Chieán

CÓ THỂ BẠN MUỐN DOWNLOAD

TL.01: Bộ Tiểu Luận Triết Học

207 tài liệu

1468 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.