Nâng cao chất lượng và dung lượng hệ thống
thông tin di động CDMA sử dụng bộ tách sóng
đa truy cập dùng mạng neuron
Improving Performance and Capacity of CDMA Mobile System
Using Multi-User Detectors Based on Neural Networks
Vũ Đình Thành, Huỳnh Phú Minh Cường
Abstract: In recent years, Code Division Multiple Access
(CDMA) has been widely used in cellular mobile and
wireless personal communications. This multiple access
technique has a lot of excellent technical characteristics
and is selected as a multiple access method for the third
generation of mobile telephone system. However, the
performance and capacity of conventional CDMA system
are still limited by Multiple Access Interference (MAI). In
the previous study [1], we presented some basic multi-user
detectors such as optimal detector, linear detectors and
non-linear detectors. All of them have very good
efficiencies in interference cancellation but they need to
know the Pseudo-Noise (PN) codes of all users in a cell.
This makes the detectors poorly efficient when the
interference comes from another cell which the detectors
do nott know about the PN codes of users. This paper
presents MAI cancellation methods by a higher level
processing: application of neural networks, which do not
need to know the user PN codes for detection. These neural
based detectors will be appropriate for inner and outer cell
interference cancellation. The detectors based on Linear
network, Backpropagation network and Elman network are
investigated on their characteristics and drawbacks and
accompanied by simulation in synchronous CDMA system.
Without fading consideration, channel is supposed to be
single path and affected by Additive White Gaussian Noise,
AWGN. Simulation results indicate that the detectors based
on neural networks significantly improve the performance
and capacity of the CDMA system.
I.
GIỚI THIỆU
Kỹ thuật đa truy cập CDMA đã cho thấy những ưu
điểm vượt trội hơn hẳn so với các phương pháp đa
truy cập khác như FDMA (Frequency Division
Multiple Access), TDMA (Time Division Multiple
Access). Nó đã được chọn làm phương pháp đa truy
cập trong hệ thống thông tin di động thế hệ thứ 2 của
Bắc Mỹ, chuẩn IS-95, và thế hệ thông tin di động thứ
3, IMT-2000. Tuy nhiên, chất lượng và dung lượng
của nó vẫn giới hạn bởi can nhiễu đa truy cập (MAI)
[2]. Đây là vấn đề cần phải cải tiến.
Các hệ thống thông tin động CDMA đã được chuẩn
hóa và triển khai thực tế như IS-95 và IMT-2000 đều
dùng kỹ thuật trải phổ chuỗi trực tiếp. Trong bài báo
này chúng tôi tạm gọi các hệ thống này là hệ thống
thông thường (conventional systems) [2]. Phổ của tín
hiệu của từng người dùng (user) trong hệ thống được
trải rộng ra hơn rất nhiều lần so với tín hiệu thông tin
băng gốc và chiếm trọn băng tần của hệ thống [3]. Do
đó, các tín hiệu của các user trùng lấp với nhau trong
miền thời gian cũng như miền tần số. Tuy nhiên, dữ
liệu của từng user có thể tách ra được ở máy thu bởi vì
tín hiệu truyền đi của mỗi user được tạo thành từ một
tín hiệu trải phổ giả ngẫu nhiên duy nhất cho riêng họ.
Trong thực tế, các tín hiệu trải phổ giả ngẫu nhiên
trong hệ thống chỉ là gần trực giao (nearly orthogonal)
[2, 4]. Do đó, các tín hiệu của các user có thể gây can
nhiễu lẫn nhau trong hệ thống. Can nhiễu này gọi là
can nhiễu đa truy cập, MAI.
Hệ thống thông tin di động CDMA thông thường
không triệt được can nhiễu MAI vì dùng các bộ thu
riêng biệt cho từng user (matched filter và mạch quyết
định) mà không quan tâm đến tín hiệu của các user
khác [2]. Khi số lượng user trong hệ thống tăng lên sẽ
làm giảm chất lượng của hệ thống, cụ thể là làm tăng
mức can nhiễu đa truy cập, giảm tỉ số tín hiệu trên
nhiễu (SNR), dẫn đến tăng tốc độ lỗi bít. Như vậy, để
đảm bảo chất lượng của hệ thống thì số lượng user
trong hệ thống phải bị giới hạn. Nói cách khác, nhiễu
MAI gây ra giới hạn dung lượng của hệ thống CDMA
hiện tại.
Thêm vào đó, hiện tượng gần–xa cũng ảnh hưởng
nhiều đến hệ thống. Để khắc phục hiện tượng này các
biện pháp điều khiển công suất chặt chẽ đã được sử
dụng trong hệ thống hiện nay, mục tiêu nhằm kiểm
soát công suất trạm phát tùy theo cự ly của user. Điều
này tránh hiện tượng chèn ép tín hiệu, nhưng đồng
thời làm tăng độ phức tạp của máy thu.Vì vậy, MAI là
nhân tố chính làm giảm chất lượng và dung lượng của
hệ thống CDMA thông thường.
1001
sóng đa truy cập sẽ được triển khai trên chip DSP
hoặc FPGA trong máy thu của trạm thu phát gốc hoặc
trong máy di động như hình 1.
II. MÔ HÌNH TOÁN HỌC CỦA TÍN HIỆU THU
TRONG HỆ THỐNG CDMA ĐỒNG BỘ:
Để triệt MAI một cách hiệu quả, ta phải phân tích
chính xác cấu trúc của tín hiệu thu, để từ đó đưa ra các
giải pháp triệt nhiễu hợp lý.
Tín hiệu thu được tại máy thu:
K
y (t ) = ∑ Ak x k s k (t ) + n(t ),
1100
1111
(1)
Các kí hiệu trong (1) được định nghĩa như sau:
T : chu kì bit, khoảng thời bít, bằng nghịch đảo tốc
độ dữ liệu.
K : số lượng user trong hệ thống.
sk(t) : tín hiệu trải phổ xác định được gán cho user
thứ k, được chuẩn hóa để có năng lượng đơn vị.
Ak : biên độ tín hiệu nhận được của user thứ k.
xk ∈ [-1,+1] : bit được truyền bởi user thứ k.
n(t) : nhiễu trắng phân bố Gauss với mật độ phổ
công suất hai bên là N0/2 [2],[3].
Tín hiệu ngõ ra của bộ lọc phối hợp (Matched
Filter) thứ k có dạng:
1001
1100
t ∈ [0, T ]
k =1
T
y k = ∫ y (t )s k (t )dt
(2)
0
1111
Thế (1) vào (2) ta có :
K
y k = Ak x k + ∑ A j x j ρ kj + nk
(3)
j ≠k
1010
1010
T
với:
n k = σ ∫ s k (t )n(t )dt
0
Hình 1. Mô hình tín hiệu băng gốc hệ thống thông tin di
động CDMA dùng kỹ thuật tách sóng đa truy cập
Tách sóng đa truy cập nhằm cải tiến dung lượng và
chất lượng hệ thống thông tin di động trong những
năm gần đây đã nhận được nhiều sự quan tâm nghiên
cứu do sự gia tăng đáng kể về số lượng và sự thành
công trong thương mại của các hệ thống thông tin di
động dùng kỹ thuật CDMA. Trong thực tế bộ tách
Giá trị của yk trong biểu thức (3) bao gồm tổng của
3 thành phần:
Thành phần 1 : Thông tin cần thu.
Thành phần 2 : Can nhiễu đa truy cập, MAI.
Thành phần 3 : Nhiễu nền (Back Ground Noise)
Tổng quát hóa (3) dưới dạng ma trận, ta có :
y = GAx + n
trong đó :
(4)
G : ma trận KxK, là ma trận hệ số tương quan chéo
chuẩn hóa có các thành phần đường chéo bằng 1 và
các thành phần (i,j) bằng hệ số tương quan chéo ρ ij .
Vector trọng số W = [ w1,1, w1,2,……w1,R ].
Ngưỡng ; Bộ tính tổng; Hàm truyền f.
y =[y1, … , yK]T : vectơ cột tín hiệu ngõ ra của băng
lọc phối hợp.
x =[x1, … , xK]T : vectơ cột K bít truyền của K user.
A=diag{A1, … , AK} : ma trận đường chéo (KxK),
các giá trị trên đường chéo chính là biên độ tín hiệu
thu được của các user.
n : vectơ ngẫu nhiên phân bố Gauss trung bình
bằng không với ma trận covariance là [2, 4]:
N
E[nnT] = σ2G với σ2 = 0
2
III. TÁCH SÓNG ĐA TRUY CẬP DÙNG MẠNG
NEURON
Mục tiêu của các phương pháp tách sóng đa truy
cập là tìm ra vectơ bít truyền x của K user từ tín hiệu
thu được y(t) ở đầu vào của các bộ lọc phối hợp.
Nhiều tác giả đã trình bày nhiều cấu trúc mạng neuron
cho bộ tách sóng đa truy cập như: mạng Hopfield,
Stochastic Hopfield, Self_Organized mà hầu hết đều
đạt hiệu quả cao [5, 6, 7, 8]. Trong bài báo này, các
mạng neuron khác: Tuyến tính, Backpropagation,
Elman được trình bày và mô phỏng kiểm chứng. Mô
hình máy thu dùng kỹ thuật tách sóng đa truy cập sử
dụng mạng neuron được trình bày ở hình 2.
T
∫
0
y(t)
s1(t)
y2
T
∫
0
t = iT
s2(t)
yK
T
∫
0
sK(t)
x1’
y1
t = iT
t = iT
BỘ
TÁCH SÓNG
ĐA TRUY
CẬP
DÙNG
MẠNG
NEURON
x2’
Ngõ ra của một neuron được xác định:
a = f (Wp + b) = f(w1,1p1 + w1,2 p2 + ……w1,R pR + b)
Có nhiều dạng hàm truyền được áp dụng trong
mạng neuron. Trong bài báo này, hai hàm truyền được
dùng là Purelin và Tan-sigmiod:
Hai hay nhiều neuron kết hợp thành một lớp mạng
neuron. Hình 4 mô tả mạng một lớp neuron với :
R : số phần tử của vectơ đầu vào.
S : số neuron trong lớp.
⎡ w1,1
⎢w
2 ,1
W=⎢
⎢
⎢
⎣ wS ,1
w1, 2
w1, 2
wS , 2
... w1, R ⎤
... w2, R ⎥
⎥ : ma trận trọng số.
⎥
⎥
... wS , R ⎦
p: Vector dữ liệu ngõ vào.
b : vectơ ngưỡng.
xK’
Băng Matched Filter
Hình 2. Máy thu tách sóng đa truy cập dùng mạng neuron
1. Tổng quan về mạng neuron
Hình 3 là sơ đồ khối thể hiện cấu trúc một Neuron.
Nó có năm thành phần cơ bản như sau:
Vector dữ liệu ngõ vào: p = [p1 , p2 , ……pR ]T .
Hình 3. Cấu trúc một Neuron
a : vector ngõ ra của lớp neuron, được tính như
sau: a = f (Wp + b)
(5)
Một mạng neuron, có thể có nhiều lớp, có thể được
huấn luyện để cập nhật, tính toán lại các vectơ trọng
số W và ngưỡng b sao cho mạng có thể mô tả chính
xác nhất mối quan hệ dữ liệu vào ra.
mối quan hệ tuyến tính.
Bên cạnh đó, từ phương trình (4) Y = GAx + n, ta
thấy rằng mối quan hệ của tín hiệu thu được trong hệ
thống CDMA cũng phụ thuộc tuyến tính với dữ liệu
phát.Từ đó ta suy ra:
x = (GA)-1Y – (GA)-1n
(7)
Như vậy, nếu mạng được huấn luyện sao cho ma
trận trọng số W=(GA)-1 và vectơ ngưỡng
b=[-(GA)-1n] thì mạng neuron tuyến tính sẽ triệt được
hoàn toàn nhiễu đa truy cập.
Hình 4. Một lớp mạng Neuron
Trong bài báo này, ba loại mạng được sử dụng để
tách sóng nhằm triệt can nhiễu đa truy cập trong hệ
thống CDMA đó là: mạng Tuyến tính, mạng
BackPropagation và Elman. Các mạng này đã được
xây dựng sẵn thành các tool box trong Matlab [9, 10].
Bài báo thiết lặp lại cấu hình ngõ vào ra trên các mạng
này, chọn lựa hàm truyền thích hợp, chọn cách huấn
luyện và xây dựng tập dữ liệu huấn luyện thích hợp
sao cho các mạng neuron có thể triệt được can nhiễu
đa truy cập tối đa nhất nhằm nâng cao dung lượng và
chất lượng của hệ thống thông tin di động CDMA.
2. Bộ tách sóng dùng mạng neuron tuyến tính
Mạng neuron tuyến tính là mạng một lớp có hàm
truyền ngõ ra là hàm tuyến tính (purelin()). Hình 5 là
mạng tuyến tính gồm S neuron kết nối với R ngõ vào
qua ma trận trọng số W.
Cấu hình mạng neuron tuyến tính trở thành một bộ
tách sóng đa truy cập như sau:
− Cho số lượng ngõ vào của mạng neuron chính bằng
số user K trong hệ thống CDMA, tức K = R.
− Đưa tín hiệu thu được của K user vào ngõ vào của
mạng neuron : Y = p.
− Tạo ra tập dữ liệu huấn luyện thích hợp.
Lưu đồ giải thuật như trong hình 6. Trong lưu đồ
giải thuật này:
− Bước thứ 1 là bước rất quan trọng, nó quyết định
tính chính xác của mạng tuyến tính. Ta phải tạo ra dữ
liệu nguồn P và đích T sao cho chúng mô tả được đặc
trưng, đặc tính của tín hiệu truyền qua hệ thống
CDMA. Để đạt được điều đó, tín hiệu nguồn được tạo
ra từ 2K khả năng có thể có của các bít truyền và tổ
hợp này được lặp lại nhiều lần để mạng có thể thích
nghi theo đặc tính của nhiễu nền của môi trường
truyền. Cấu hình số ngõ vào ra và khởi tạo mạng
tuyến tính được thực hiện ở bước 2.
− Ở bước thứ 3, các thông số của mạng có thể thay
đổi để thấy được đáp ứng của mạng. Với mỗi bộ
thông số, mạng được huấn luyện ở bước 4 với tập dữ
liệu nguồn và đích được tạo ra ở bước 1.
− Ở bước thứ 5, dữ liệu cần truyền được lấy một cách
ngẫu nhiên, hoặc từ một file âm thanh, hình ảnh tùy
theo yêu cầu mô phỏng. Kết quả mô phỏng có được
thông qua bước 6 và 7.
Hình 5. Mạng tuyến tính
Vectơ ngõ ra được tính toán như sau:
a = purelin(Wp + b) = Wp + b
(6)
Mạng neuron tuyến tính được sử dụng để mô tả các
maxlinlr(P,’bias’) của Matlab.
Tạo dữ liệu nguồn P và đích T để huấn
luyện mạng
Sai số trung bình bình phương là một hàm
quadratic, chính vì vậy kết quả quá trình thực thi sẽ là
một vị trí mà hàm sai số hoặc thật sự nhỏ nhất hoặc
nhỏ nhất cục bộ hoặc không có giá trị nhỏ nhất nào.
Điều này tùy thuộc vào việc chọn tập dữ liệu huấn
luyện.
Tạo mạng Neuron Tuyến Tính. Hàm
newlin hay newlind
Thiết lập các thông số huấn luyện mạng
(epochs, goal. . .)
3. Bộ tách sóng dùng mạng neuron BackPropagation
Huấn luyện mạng, Hàm Train
Lấy dữ liệu cần truyền để mô phỏng mạng
Mô phỏng mạng. Hàm Sim
Dữ liệu ra
Hình 6. Lưu đồ giải thuật
Sai số trung bình bình phương - Mean Square
Error (MSE)
Mục tiêu của quá trình huấn luyện là cực tiểu hóa
hàm sai số trung bình bình phương. Với tập vector
vào và ra mong muốn :
{p1 , t1}, {p2 , t2 },..., {pQ , tQ }
với pk là ngõ vào, tk là giá trị ra mong muốn tương
ứng của mạng. Sai số được tính là sự khác nhau giữa
giá trị ra mong muốn và giá trị ra thực sự của mạng.
Mục tiêu cần cực tiểu hoá tổng bình phương những sai
số này:
1 Q
1 Q
∑ (e(k )) 2 = Q ∑ (t (k ) − a(k )) 2 (8)
Q k =1
k =1
Thuật toán huấn luyện Windrow-Hoff dùng để huấn
luyện mạng tuyến tính sẽ điều chỉnh trọng số và
ngưỡng của mạng để cực tiểu hóa sai số trung bình
bình phương theo công thức sau:
Mạng neuron BackPropagation được sử dụng trong
bài báo này là một mạng neuron nhiều lớp, trong đó
có một hay nhiều lớp ẩn gồm các neuron có hàm
truyền tansig, lớp ngõ ra gồm các neuron có hàm
truyền tuyến tính. Điểm đặc biệt của mạng này là các
neuron trong các lớp ẩn có hàm truyền tansig phi
tuyến nên mạng có thể học được các mối quan hệ
tuyến tính và phi tuyến giữa ngõ vào và ngõ ra [9].
Bên cạnh đó, ta thấy rằng mối liên hệ của tín hiệu thu
được trong hệ thống CDMA cũng được xem là phi
tuyến với dữ liệu phát vì đại lượng nhiễu nền n là một
đại lượng ngẫu nhiên. Do vậy mà, mạng neuron
BackPropagation hoàn toàn có thể được sử dụng để
tách sóng một cách hiệu quả. Lớp ngõ ra tuyến tính
cho phép mạng có ngõ ra có giá trị nằm ngoài khoảng
(-1,1).
MSE =
T
W(k+1) = W(k) + 2αe(k)p (k) và
b(k+1) = b(k) + 2αe(k)
(9)
trong đó sai số e, ngưỡng b là những vector và 2α
là tốc độ học tập. Nếu tốc độ học lớn, việc học sẽ
nhanh, nhưng nếu lớn quá thì hệ thống sẽ không ổn
định, thậm chí còn gia tăng lỗi. Giá trị hợp lý của tốc
độ học thường được xác định bởi hàm
Hình 7. Mạng BackPropagation
Hình 7 là một mạng BackPropagation hai lớp, một
lớp ẩn và một lớp ra.
Trong quá trình huấn luyện, dựa vào giá trị của các
dữ liệu vào ra, các trọng số và ngưỡng của mạng được
cập nhật sao cho cực tiểu hóa hàm sai số. Hầu hết các
giải thuật huấn luyện sử dụng gia số của hàm sai số để
xác định cách cập nhật giá trị cho các trọng số và
ngưỡng. Một cách phổ biến nhất đó là các trọng số và
nguỡng được điều chỉnh sao cho hàm sai số suy giảm
nhanh nhất:
uk+1 = uk - αkgk
(10)
với uk : vector trọng số và ngưỡng hiện tại.
gk : gia số hiện tại.
αk : tốc độ học.
Có nhiều thuật toán huấn luyện mạng BackPro
pagation khác nhau. Chúng khác nhau về cách tính
toán, dung lượng bộ nhớ sử dụng và không có thuật
toán nào là tốt nhất đối với mọi trường hợp. Một số
hàm huấn luyện thường dùng có trong toolbox của
Matlab.
Tiền và hậu xử lý
Mạng neuron BackPropagation có thể hoạt động tốt
hơn nếu chúng ta có một vài bước xử lý trên tập các
giá trị vào, giá trị ra, trước khi qua mạng. Trước khi
huấn luyện, chúng ta nên chuẩn hóa ngõ vào, ngõ ra
trong khoảng [-1,1].
xác tùy ý. Yêu cầu duy nhất là lớp ẩn phải có đủ
neuron. Số neuron trong lớp ẩn càng nhiều thì mạng
càng mô tả chính xác nhưng cũng phức tạp hơn.
Việc cấu hình mạng Elman cho bộ tách sóng và lưu
đồ thực thi giống như đối với mạng tuyến tính. Các
hàm huấn luyện cho mạng Elman cũng giống như của
mạng BackPropagation.
Vì là một dạng mạng có hồi tiếp như mạng Hopfield
nên mạng Elman cũng dễ rơi vào trạng thái cực tiểu
cục bộ dẫn đến kết quả tách sóng không hiệu quả [6,
7]. Do vậy mà cần phải chạy mô phỏng nhiều lần để
tìm ra các thông số tối ưu cho mạng Elman. Các kết
quả của bài báo có được với hàm huấn luyện là
Traingdx và tốc độ học là 0,4.
Việc cấu hình mạng BackPropagation cho bộ tách
sóng và lưu đồ thực thi giống như đối với mạng tuyến
tính.
4. Bộ tách sóng dùng mạng neuron Elman
Mạng Elman thông thường là mạng hai lớp có
đường hồi tiếp từ ngõ ra lớp thứ nhất về ngõ vào, như
hình 8. Đường hồi tiếp này cho phép mạng Elman
nhận ra và phát những mẫu dữ liệu thay đổi theo thời
gian [9].
Hình 8. Mạng Elman
Mạng Elman có các neuron tansig trong lớp ẩn và
những neuron purelin ở lớp ngõ ra. Sự kết hợp này là
rất đặc biệt bởi vì trong mạng hai lớp với những hàm
truyền này có thể tạo ra bất kì hàm nào với độ chính
Hình 9. Giao diện chương trình mô phỏng
IV. MÔ PHỎNG KIỂM CHỨNG
Chương trình mô phỏng mô tả hệ thống thông tin di
động CDMA băng gốc như hình 1, trong đó có bộ
tách sóng đa truy cập sử dụng mạng neuron, với ba
loại mạng: Tuyến tính, Backpropagation, Elman. Với
giao diện như ở hình 9, chương trình cho phép thay
đổi cấu hình, hàm huấn luyện, hàm sai số, tốc độ học,
số bít huấn luyện ... cho mỗi một loại mạng neuron.
Chương trình sử dụng tập chuỗi trải phổ là tập chuỗi
Gold có chiều dài N = 31, nên số lượng user trong hệ
thống nhiều nhất chỉ là N+2 = 33 [3]. Các kết quả mô
phỏng sau đây có được với số lượng bít mô phỏng là
150.000 bít, số bít huấn luyện là 50.000. Hệ số công
suất Delta trong các kết quả mô phỏng là tỉ số công
suất của các user so với user quan tâm (user 1). Delta
= 10Lg Ak2 A12 . Delta = 0 có nghĩa là hệ thống được
điều khiển công suất hoàn hảo. Số bít mô phỏng càng
lớn thì càng chính xác, nhưng sẽ tốn rất nhiều thời
gian.
Các kết quả mô phỏng của chương trình được biểu
diễn dưới hai dạng đồ thị sau:
1. Kết quả mô phỏng thể hiện BER theo SNR
Các kết quả mô phỏng ở dạng này chứng tỏ khả
năng tăng chất lượng của hệ thống CDMA khi dùng
tách sóng đa truy cập, được trình bày ở hình 10 và 11.
4.10-3
1,5.10-4
•
•
Hình 10. Kết quả tách sóng với mạng tuyến tính
BER của hệ thống thông thường rất cao. Kết quả
nghiên cứu cho thấy SNR tăng lên cũng không cải
thiện được BER do hệ thống bị tác động chính của can
nhiễu đa truy cập. Đồ thị dưới cùng thể hiện BER theo
SNR của user trong hệ thống chỉ có 1 user, tức không
chịu tác động của can nhiễu đa truy cập.
Các kết quả mô phỏng BER theo SNR ở các hình
10, 11 muốn chứng minh rằng khi dùng bộ tách sóng
đa truy cập dùng mạng neuron sẽ cải thiện được chất
lượng hệ thống, tức là giảm được tỉ lệ lỗi bít so với hệ
thống CDMA thông thường với cùng một điều kiện
cho trước về tỉ số SNR và số lượng user tích cực trong
hệ thống. Thật vậy, như ta thấy ở hình 10, với tỉ số
SNR là 12dB thì tỉ lệ bít lỗi được cải thiện từ 4.10-3
đến 1,5.10-4 .
Ở hình 11, khi so sánh các phương pháp tách sóng
dùng mạng neuron với phương pháp tách sóng giải
tương quan, ta thấy các đường cong này gần trùng với
nhau. Đặt biệt, đường BER của phương pháp mạng
tuyến tính gần như trùng khít với đường BER của
phương pháp giải tương quan. Đây là một kết quả rất
hợp lý vì bộ tách sóng giải tương quan cũng là một
phương pháp tách sóng tuyến tính mà giải thuật của
nó rất giống với giải thuật của mạng tuyến tính.
Hình 12. Mạng BackPropagation nhiều lớp
Hình 11. Tất cả các loại mạng neuron và PP giải tương
quan [1]
Đường trên cùng của các hình 10,11 tương ứng với
hệ thống CDMA thông thường đồng bộ có 5 user
(không dùng kỹ thuật tách sóng đa truy cập) và được
điều khiển công suất hoàn hảo. Qua đồ thị này ta thấy
Hình 12 là kết quả mô phỏng mạng BackPropagation 2, 3 và 4 lớp. Kết quả mô phỏng cho thấy rằng
khi số lượng lớp mạng tăng lên thì thời gian xử lý tăng
lên khoảng 10% / 1 lớp và hiệu quả tách sóng có tăng
lên nhưng hầu như tăng không đáng kể so với mạng
BackPropagation có 2 lớp. Do vậy, mạng
BackPropagation sử dụng cho tách sóng đa truy cập
chỉ cần có 2 lớp là đủ và để tăng hiệu quả tách sóng ta
nên tăng số bít huấn luyện hơn là tăng số lớp.
Phương pháp thông thường
BackPropagation
2. Kết quả mô phỏng thể hiện BER theo số User
Bên cạnh các kết quả mô phỏng BER theo SNR, các
kết quả mô phỏng BER theo số user tích cực trong hệ
thống ở hình 14 sẽ chứng minh rằng khi sử dụng bộ
tách sóng đa truy cập dùng mạng neuron sẽ nâng cao
dung lượng hệ thống lên một cách đáng kể. Theo kết
quả mô phỏng ở hình 14, với tỉ số lỗi bít là 6.10-4 thì
dung lượng hệ thống thông thường chỉ có thể là 3
user, nhưng nếu sử dụng bộ tách sóng dùng mạng
neuron BackPropagation thì dung lượng hệ thống là 9
user và cao hơn nữa nếu sử dụng bộ tách sóng dùng
mạng tuyến tính.
Hình 13. Mạng BackPropagation 2 lớp với các hệ số
công suất khác nhau
Hình 13 trình bày kết quả mô phỏng tách sóng dung
mạng BackPropagation 2 lớp trong hệ thống CDMA
đồng bộ được và không được điều khiển công suất
hoàn hảo với các hệ số công suất delta bằng -3, 0, 3, 6
(dB). Khi delta tăng từ -3dB đến 6dB, ta thấy rằng các
đường BER của các phương pháp tách sóng thông
thường thay đổi rất nhanh và trở nên xấu hơn. Điều
này hoàn toàn hợp lý vì khi hệ thống không được điều
khiển công suất hoàn hảo thì sẽ xảy ra hiện tượng
chèn ép tín hiệu, MAI trở nên lớn hơn khi delta tăng,
dẫn đến hiệu quả tách sóng của phương pháp thông
thường vốn đã kém lại càng kém hơn. Trong khi đó,
như ta thấy trên hình 13, phương pháp tách sóng dùng
mạng BackPropagation trong tất cả các trường hợp
đều tỏ ra rất hiệu quả và đặc biệt là hiệu quả tách sóng
hầu như không thay đổi khi delta thay đổi. Các kết
quả như vậy cũng đạt được với mạng tuyến tính và
mạng Elman. Điều này chứng tỏ rằng, bộ tách sóng
dùng mạng neuron có thể chống lại được hiện tượng
gần xa và sự không hoàn hảo của chức năng điều
khiển công suất trong hệ thống. Ngoài ra, đặc tính
không cần biết trước mã trải phổ của các user trong
một cell cho phép mạng neuron triệt được can nhiễu
đa truy cập đến từ các cell lân cận.
Hình 14. BER theo số user của các phương pháp
V. KẾT LUẬN
Mạng thông tin di động CDMA bị tác động mạnh
bởi can nhiễu đa truy cập do các mã ngẫu nhiên không
hoàn toàn trực giao với nhau. Bộ tách sóng thông
thường chỉ đơn thuần là một bộ lọc phối hợp (matched
filter) nên không thể triệt đi can nhiễu đa truy cập này.
Bên cạnh các bộ tách sóng có khả năng triệt được
nhiễu đa truy cập mà chúng tôi đã trình bày trong bài
báo trước [1] và các bộ tách sóng dùng mạng neuron
trong [5, 6, 7, 8], trong bài báo này chúng tôi trình bày
ba bộ tách sóng mới dùng ba loại mạng neuron: Tuyến
tính, Backpropagation và Elman. Một số kết quả mô
phỏng tiêu biểu được trình bày trong bài báo này đã
chứng tỏ khả năng triệt được can nhiễu đa truy cập
dẫn đến sự cải thiện đáng kể chất lượng (BER) và
dung lượng của hệ thống thông tin di động CDMA
của tất cả các bộ tách sóng đa truy cập dùng mạng
neuron so với bộ tách sóng thông thường. Các bộ tách
sóng dùng mạng neuron tỏ ra rất hiệu quả ngay khi hệ
thống không được điều khiển công suất hoàn hảo.
Ngoài ra, đặc điểm không cần biết trước mã trải phổ
của các user trong hệ thống cho phép các bộ tách sóng
này triệt được can nhiễu trong và ngoài cell một cách
hiệu quả.
TÀI LIỆU THAM KHẢO
[1] Vũ Đình Thành, Huỳnh Phú Minh Cường, "Tách Sóng
đa truy cập trong hệ thống thông tin di động DS-CDMA
đồng bộ“ ,Tạp chí Khoa Học và Công Nghệ, tập 42, số 1,
năm 2004.
[2] S. Verdu, Multiuser Detection, Cambridge Univ.
Press, 1998.
[3] R. L. Peterson, R. E. Ziemer, D.E. Borth, Introduction
to Spread-Spectrum Communications,1995
[4] John G. Proakis, “Digital Communications”, Third
Edition, 1995.
[5] Florent Carlier, Fabienne Nouvel, Jacques Citerne,
“Multi-User Detection for CDMA communications based
on self organized neural networks structures”, Proceedings
of the First IEEE International Workshop on Electronic
Design, 2002.
[6] G. Jeney, J. Levendovszky, S. Imre, L. Pap,
“Comparison of Different Neural Network Based Multiuser Detectors”, Accepted to EUNICE 2000, Enschede.
[7] W. G. Teich, M. Seidl, "Code Division Multiple
Access Communications: Multi-user Detection based on a
Recurrent Neural Network Structure" IEEE Tran. Veh.
Technol., vol. 46, pp. 979-984, July 1996.
[8] B. Aazhang, B.-P. Paris, G.C. Orsak, "Neural
Networks for Multi-User Detection in Code-Division
Multiple-Access Communications" IEEE Trans. Commun.,
vol. 40, pp. 1212-1222, July 1992.
[9] Howard Demuth, Mark Beale, Neuron Networks
Toolbox User’s Guide, The Mathworks, Inc, 1998.
[10] Bart Kosko, Neuron Networks for Signal processing,
Prentice-Hall Inc, 1992 ISBN 0-13-614694-5.
Ngày nhận bài: 23/11/2005
SƠ LƯỢC TÁC GIẢ
A&M, Hoa Kỳ.
VŨ ĐÌNH THÀNH
Công tác tại Khoa Điện-Điện tử, Đại học Bách khoa
TP. HCM.
Sinh năm 1959 tại TP.HCM.
Tốt nghiệp bậc Đại học năm 1982 chuyên ngành
Điện tử - Viễn thông, nhận bằng Tiến sỹ năm 1993 tại
Đại học Bách Khoa Grenoble (Pháp)
Hiện nay là Trưởng Khoa Điện - Điện tử, Đại học
Bách Khoa TP.HCM.
Lĩnh vực nghiên cứu: Kỹ thuật siêu cao tần, Thông
tin di động, Tách sóng đa truy cập, …
Email:
[email protected]
HUỲNH PHÚ MINH CƯỜNG
Sinh năm 1976 tại Khánh Hòa.
Tốt nghiệp Đại học Bách Khoa TP.HCM chuyên
ngành Điện tử - Viễn thông năm 1998. Nhận bằng
Thạc sĩ tại Đại học Bách Khoa TP.HCM năm 2003.
Hiện đang làm nghiên cứu sinh tại đại học Texas
Lĩnh vực nghiên cứu: Kỹ thuật siêu cao tần, thông
tin di động, tách sóng đa truy cập, mạng neuron.
Email:
[email protected]