Tài liệu 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

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]