MỞ ĐẦU
1. Giới thiệu đề tài
Trước đây theo lý thuyết của Shannon năm 1948 [1], mã hóa nguồn và mã
hóa kênh có thể được thiết kế và hoạt động độc lập với nhau mà không mất đi sự
tối ưu, và các hệ thống thông tin số truyền thống đều được thiết kế theo cấu trúc
nối tiếp mã nguồn và mã kênh TSCC (Tandem Source Channel Coding) riêng
biệt. Tuy nhiên định lý của Shannon chỉ đúng trong trường hợp lý tưởng, khi cả
bên phát và bên thu không bị giới hạn về độ phức tạp và độ trễ. Điều này khó áp
dụng trong thực tế, nhất là khi độ phức tạp và độ trễ là hai yếu tố giới hạn đối
với các ứng dụng thời gian thực. Nhiều hướng nghiên cứu đã tập trung vào một
phương pháp khác đó là kết hợp mã nguồn và mã kênh JSCC (Joint Source
Channel Coding) nhằm đạt được hiệu quả hoạt động tốt hơn mà vẫn đảm bảo độ
trễ và độ phức tạp ở một mức độ nhất định.
Hiện nay có nhiều nghiên cứu về các kỹ thuật phối hợp mã nguồn với mã
kênh tuy nhiên hầu như chỉ mang tính lý thuyết do tính phức tạp cao của hệ
thống và các điều kiện thực tế có sự sai khác nhiều so với lý thuyết. Trong luận
án này tập trung nghiên cứu phương pháp tối ưu hóa phương pháp gán từ mã cho
các mẫu tín hiệu lượng tử hay còn gọi là phương pháp tối ưu việc gán chỉ số IA
(Index Assignment) được áp dụng cho các hệ thống số truyền dẫn tín hiệu tương
tự. Phương pháp này bản chất là sắp xếp lại thứ tự bảng mã (Codebook) của bộ
lượng tử hóa theo thứ tự tối ưu, do đó phương pháp thực hiện đơn giản có thể
làm tăng hiệu quả hoạt động của hệ thống nhưng không tăng thêm độ phức tạp,
tốc độ bit và độ trễ. Hơn nữa phương pháp này khá linh hoạt khi không đỏi hỏi
biết chính xác mức độ nhiễu của kênh truyền và có thể thực hiện độc lập hoặc
phối hợp với mã kênh. Do đó, phương pháp này có tính khả thi cao, và còn có
thể áp dụng để nâng cấp các hệ thống sẵn có do chỉ thay đổi thứ tự bảng mã của
bộ lượng tử hóa chứ không làm ảnh hưởng đến các khối khác. Đây là một lợi thế
lớn vì việc thay thế một hệ thống mới, một thiết kế hoàn toàn mới sẽ dẫn đến tốn
thời gian và chi phí không nhỏ.
2. Những vấn đề còn tồn tại
Trong phương pháp IA, để tìm được thứ tự tối ưu của bảng mã khi kích

• Nghiên cứu ứng dụng phương pháp IA vào kỹ thuật lượng tử hóa vectơ có
cấu trúc để ứng dụng trong các trường hợp lượng tử hóa vectơ có số chiều
lớn và kích thước bảng mã lớn.
3.2. Đối tượng và phạm vi nghiên cứu
• Kỹ thuật phối hợp mã nguồn mã kênh bằng phương pháp IA bao gồm:
o Các thuật toán tối ưu hóa tổ hợp giải quyết bài toán tìm kiếm tối ưu
trong phương pháp IA.
o Phương pháp ước lượng các tham số đầu vào (là các tham số của hệ
thống thông tin số) cho bài toán IA có xét đến kỹ thuật điều chế số.
• Các hệ thống thông tin số truyền tín hiệu tương tự có độ tương quan cao
(như thoại, audio, hình ảnh,...) sử dụng kỹ thuật lượng tử hóa vectơ (VQ)
(hay lượng tử hóa theo khối) và truyền dẫn qua kênh dừng với mô hình
kênh rời rạc không nhớ DMC (Discrete Memoryless Channel). Hệ thống có
thể sử dụng mã kênh để điều khiển lỗi trong trường hợp cần thiết và mã
kênh (nếu có) là các mã khối có tính hệ thống (Symmetric Block Code).
• Các bộ lượng tử hóa vectơ có cấu trúc và ứng dụng.
3.3. Phương pháp nghiên cứu
Nghiên cứu lý thuyết và tài liệu, kết hợp với các vấn đề thực tiễn để đưa ra
các vấn đề còn tồn tại, đồng thời đề xuất hướng giải quyết. Sử dụng mô phỏng
trên máy tính và thực nghiệm để kiểm chứng, đưa ra so sánh và đánh giá về hiệu
quả giữa các phương pháp đề xuất và các phương pháp khác.
4. Cấu trúc của luận án
Nội dung chính của luận án được chia làm 4 Chương.

2


CHƯƠNG 1. GIỚI THIỆU
1.1. Kết hợp mã nguồn và mã kênh trong thông tin số
1.1.1. Hệ thống thông tin số truyền thống

đường truyền.
Phương pháp hoạt động tốt ở mức độ nhiễu được huấn luyện. Tuy nhiên khi
điều kiện kênh tốt trên mức độ nhiễu được huấn luyện thì phương pháp này hoạt
động không hiểu quả, thậm chí kết quả hoạt động còn kém hơn cả khi hệ thống
không áp dụng phương pháp tối ưu nào.
3


1.4.2. Phương pháp tối ưu hóa thứ tự bảng mã
Phương pháp sắp xếp lại thứ tự của bảng mã codebook tối ưu, giảm méo tín
hiệu gây ra bởi nhiễu kênh khi truyền qua kênh nhiễu.
Phương pháp này thực hiện đơn giản, có tính khả thi cao, không đòi hỏi biết
chính xác mức độ nhiễu của kênh truyền như phương pháp COVQ. Ngoài ra
phương pháp IA có thế sử dụng để nâng cấp các hệ thống sẵn có đang sử dụng
các kỹ thuật lượng tử hóa VQ.
Vì những đặc điểm như vậy nên luận án tập trung đi sâu nghiên cứu phương
pháp IA.
1.5. Kết luận chương 1

CHƯƠNG 2. KẾT HỢP MÃ NGUỒN VÀ MÃ KÊNH
BẰNG PHƯƠNG PHÁP TỐI ƯU HÓA THỨ TỰ
BẢNG MÃ CỦA BỘ LƯỢNG TỬ HÓA
2.1. Giới thiệu chương
Chương này nghiên cứu phương pháp kết hợp mã nguồn và mã kênh sử
dụng phương pháp tối ưu hóa việc xắp xếp thứ tự của bảng mã trong bộ lượng tử
hóa, đây còn được gọi là phương pháp đánh chỉ số IA (Index Assignment).
Phương pháp này còn được gọi là phương pháp mã kênh không dư thừa, do
không tăng tốc độ bit cũng như độ phức tạp của bộ mã hóa và giải mã dẫn đến
không làm tăng độ trễ mã hóa.
Phương pháp IA được thực hiện đơn giản, chỉ cần sắp xếp lại (đổi chỗ) các


Hình 2.1. Quá trình truyền dẫn dưới sự tác động của nhiễu
Hình 2.1 biểu diễn một quá trình truyền dẫn của hệ thống sử dụng kỹ thuật
lượng tử hóa vectơ. Trên đường truyền phát đi chỉ số i và phía thu sau giải mã sẽ
nhận được chỉ số j. Xác suất truyền từ mã i nhận được từ mã j là xác suất chuyển
4


đổi từ mã PC(j,i). Méo tổng cộng cho toàn bộ bảng mã D(π) để đánh giá độ tối
ưu cho phương án gán chỉ số π như sau:
N

N

i =1

j =1

D (π ) = ∑ Pa (i )∑ PC ( π ( j ), π (i ) ) d ( i , j )

(2-3)

Bài toán đặt ra ở đây là tìm hoán vị π sao cho D(π) nhỏ nhất. Nếu duyệt hết
tất cả N! khả năng thì số lần duyệt quá lớn. Nhiều phương pháp tìm kiếm gần
đúng để đạt được các phương án cận tối ưu được nghiên cứu và phát triển.
Để thuận tiện cho việc thực hiện thuật toán IA, ta có thể lưu giá trị các tham
số đầu vào Pa(i), PC(i,j) và d(i,j) trong các ma trận Pa, PC và D tương ứng.

2.2.2. Các bước triển khai của phương pháp IA
Mô hình

hệ thống và bảng mã, ước lượng các tham số Pa(i), PC(i,j) và d(i,j) (nghiên cứu ở
Chương 3). Bước hai là áp dụng thuật toán IA để tìm ra phương án tối ưu πopt
sao cho D(πopt) càng nhỏ càng tốt. Bước 3 là triển khai thực hiện đổi chỗ (hoặc
gán lại chỉ số) cho bảng mã lượng tử hóa. Ở chương này sẽ tập trung nghiên cứu
các thuật toán IA ở Bước 2.

2.2.3. Các thuật toán IA
Các công trình trước đây thường giải quyết bài toán IA với 2 giả thiết đơn
giản hóa là: (1) kênh truyền là kênh BSC dẫn đến ma trận PC luôn đối xứng qua
đường chéo và (2) phương pháp đo khoảng cách (méo) giữa các vectơ sử dụng
khoảng cách Euclid SED. Những giả thiết hạn chế này không hoàn toàn phù hợp
trong các ứng dụng thực tế.
Trong các thuật toán thì thuật toán mô phỏng luyện kim SA (Simulated
Annealing) là thuật toán hiệu quả và thông dụng với thời gian hội tụ nhanh, được
sử dụng rộng rãi trong các bài toán tối ưu nói chung và vấn đề tối ưu sự kết hợp
mã nguồn mã kênh nói riêng [39,44] và vẫn liên tục được cải tiến [50].
Trong chương này luận án sẽ nghiên cứu và đề xuất thuật toán cải tiến dựa
trên thuật toán SA cho bài toán gán chỉ số IA nhằm giảm thời gian hội tụ của
thuật toán và tăng độ tối ưu của kết quả.
2.3. Thuật toán mô phỏng luyện kim SA
2.3.1. Cơ sở của thuật toán SA
Thuật toán SA là giải thuật Metaheuristic được dùng phổ biến trong việc
giải các bài toán tối ưu tổ hợp rời rạc. Thuật toán mô phỏng quá trình luyện kim,
trong đó tinh thể thép được nung nóng tới nhiệt độ cao và sau đó được làm nguội
từ từ đến khi kết tinh tại cấu hình tinh thể cứng nhất.
5


Tính năng chính của giải thuật là có thể thoát khỏi cực tiểu địa phương bằng
cách cho phép chấp nhận phương án kém hơn phương án hiện tại để tăng thêm

thực hiện N(N+1) phép cộng và N(N+1) phép nhân. Thuật toán khó áp dụng với
các trường hợp N lớn hoặc số bước lặp lớn.
+ Không có cơ chế tránh duyệt trùng lặp và khả năng duyệt trùng lặp làm
giảm cơ hội tìm được các phương án tốt hơn.
+ Trong giai đoạn cuối của thuật toán, khi tham số T thấp gần 0, khả năng
thoát khỏi các bẫy cực tiểu cục bộ gần như không có [50].
+ Kết quả của thuật toán không đảm bảo là một cực tiểu cục bộ. Nhất là khi
số bước lặp ít, thuật toán cho kết quả kém hơn cả các thuật toán tìm kiếm địa
phương.
6


2.4.2. Các giải pháp cải tiến thuật toán SA cho bài toán IA
a. Giảm khối lượng tính toán
Tại Bước 2, khi tính ∆D không phải tính D(π′) mà sẽ tính như sau:
N

∆D =

∑ {d ′ ( r, k ) [ P (π ′( r ), π ′(k ) ) − P (π (r ), π (k ) )]
c

c

k =1

+ d ′ ( k , r ) [ Pc ( π ′( k ), π ′( r ) ) − Pc ( π ( k ), π ( r ) )]

(2-13)


Trong phần này, luận án phân tích sự ảnh hưởng của các tham số điều khiển
đến hoạt động của thuật toán. Đồng thời xác định tiêu chí chọn các tham số điều
khiển đảm bảo phát huy ưu thế của thuật toán (thuật toán cần có số vòng lặp đủ
lớn để có thể tiếp cận các cực tiểu địa phương khi chuyển sang giai đoạn cuối
của thuật toán, khi T gần 0). Luận án đưa ra điều kiện và cách chọn các tham số
như sau (Bảng 2.1).

7


Tham số
T0
Tmin

Điều kiện lý thuyết
Cách chọn
T0 > 0
Không quá lớn
0 < Tmin < T0
10-6 ÷ 10-4
αT
0
256
3009,21
138,62
Kết quả mô phỏng cho thấy thời gian thực hiện thuật toán MSA giảm đáng
kể so với thuật toán SA.
2.4.5.3. So sánh thuật toán MSA với các thuật toán khác
Thí nghiệm thứ 2 so sánh hiệu quả hoạt động của thuật toán cải tiến MSA
với thuật toán SA/ISA[28,49] và một số thuật toán khác: BSA [25], TS [32],
PGA [31], MCIAA [30]. Các thuật toán giải cùng một bài toán IA với N = 64.
Số vòng lặp của các thuật toán là 500, các tham số của các thuật toán được chọn
như trong tài liệu tham khao tương ứng.
Kết quả được cho trên Bảng 2.5. Trong thí nghiệm giới hạn trên, ta có thể
thấy thuật toán đề suất MSA đạt được kết quả tốt nhất trong hầu hết các lần so
sánh và có kết quả trung bình thấp nhất trong các thuật toán. Mặt khác, ta có thể
thấy sự ổn định của thuật toán cải tiến MSA do sự sai khác của kết quả giữa các
lần chạy là nhỏ.

8


Bảng 2.5. So sánh kết quả của các thuật toán IA
Lần
1
2
3
4
5
6
7
8

BSA
4,6331
4,3372
4,4152
4,3286
4,3438
4,3972
4,346
4,4942
4,3843
4,3774
4,4057

TS
4,3010
4,4676
4,3203
4,2987
4,2680
4,4829
4,2896
4,2938
4,3642
4,3207
4,3407

PGA
4,3151
4,2663
4,2847

2.5.2.1. Tránh duyệt trùng lặp với danh sách cấm Tabu
Ý tưởng là lưu lại các phương án đã duyệt qua trong quá khứ vào một danh
sách, gọi là danh sách Tabu (Tabu list). Sau đó thuật toán chỉ chấp nhận những
phương án mới không nằm trong danh sách cấm.

2.5.2.2. Thuật giải tìm kiếm Tabu cho bài toán IA
Trong [32], các tác giả đã đề xuất thuật toán TS để giải quyết bài toán IA.
Thay vì lưu lại phương án vừa duyệt qua, thuật toán chỉ lưu một cặp vị trí (r,s)
đại diện cho sự thay đổi của phương án mới với phương án cũ. Như vậy sẽ tiết
kiệm được bộ nhớ và các thao tác đối với danh sách cấm.
Cơ chế này có khả năng cấm nhầm những phương án không trùng lặp. Do
đó thuật toán sử dụng thêm một cơ chế là mức kỷ lục, chấp nhận 1 trường hợp
ngoại lệ là khi phương án mới tốt hơn phương án tốt nhất mà thuật toán đã duyệt
qua thì thuật toán sẽ chấp nhận bất chấp có bị cấm hay không.

2.5.3. Cải tiến cơ chế chống duyệt trùng lặp và áp dụng cho
thuật toán MSA
2.5.3.1. Sử dụng danh sách cấm Tabu và mức kỷ lục
Phần này sẽ nghiên cứu giải pháp nâng cấp thuật toán MSA bằng cách thêm
cơ chế tránh tìm kiếm trùng lặp sử dụng danh sách cấm như mô tả ở Mục
2.5.2.2.
9


2.5.3.2. Danh sách cấm cải tiến
Phần này đề xuất một cơ chế chống trùng lặp cải tiến.
a. Giảm thiểu việc cấm nhầm các phương án không trùng lặp
Để tránh ngăn chặn nhầm các phương án không trùng lặp, điều kiện xét
trùng lặp cần được thắt chặt hơn. Khi chấp nhận một lân cận mới π′, thay vì mỗi
mục của danh sách cấm chỉ lưu một cặp vị trí (r,s), danh sách cấm cải tiến sẽ lưu

2

4

Rỗng
( (2,3),(3,2) )

2

3

1

2

4

( (1,2),(3,1) )

3

3

1

4

2

( (3,4),(4,2) )

Trong thuật toán MSA, các cặp vị trí được đánh số từ 1 đến kmax và có thể áp
dụng điều này với danh sách cấm. Thay vì cần 2 phần tử để lưu 1 cặp vị trí ta chỉ
cần lưu vị trí k của cặp vị trí đó. Với cải tiến này, mỗi mục của danh sách cấm sẽ
chỉ còn 3 phần tử là (ki, vi ,1 , vi ,2 ).
Ngoài việc giảm kích thước của danh sách cấm, cải tiến này còn giảm khối
lượng tính toán khi kiểm tra một di chuyển có thuộc danh sách cấm hay không.

2.5.4. Thuật toán MSA sử dụng cơ chế tránh duyệt trùng lặp cải
tiến
Căn cứ vào việc sử dụng cơ chế chống duyệt trùng lặp và các cải tiến đã
trình bày ở phần trước, luận án xuất thuật toán SA kết hợp với cơ chế chống
trùng lặp, gọi là thuật toán SATS. So với thuật toán MSA, thuật toán SATS có
thêm một tham số điều khiển là kích thước danh sách cấm Tabu là LTB.
2.5.5. Mô phỏng và bàn luận
10


Luận án thực hiện hai kịch bản mô phỏng so sánh thuật toán MSA và
SATS, tương ứng với số lần lặp là 434 và 1604. Hai kịch bản này đều có số vòng
lặp chọn đủ lớn, nhưng kịch bản 2 số vòng lặp rất lớn với mục đích để thấy được
hiệu quả của 2 thuật toán sẽ cho kết quả sẽ càng tối ưu hơn khi số vòng lặp cao.
Bảng 2.9 và Bảng 2.10 là kết quả của các thuật toán được thực hiện sau
1000 lần mô phỏng với hai kịch bản. Ta có thể thấy trong các kịch bản mô
phỏng, thuật toán SATS luôn cho kết quả với giá trị trung bình của hàm mục tiêu
D(π) đạt nhỏ nhất, đồng thời có độ ổn định cao khi có dải giá trị các kết quả
D(π) hẹp nhất (phản ánh bởi độ lệch chuẩn của các giá trị kết quả thấp).
Bảng 2.9. Kết quả của 3 thuật toán (số bước lặp 434)
D(π) trung bình
Độ lệch chuẩn std(D(π))
Kết quả tốt nhất

5,7032

MSA
5,6376
0,0169
5,6020
5,6794

SATS
5,6167
0,0142
5,6020
5,6602

Các kết quả mô phỏng đã chứng minh hiệu quả và sự ổn định của thuật toán
đề xuất SATS nhờ cơ chế ngăn chặn tìm kiếm trùng lặp. Đặc biệt thuật toán
SATS phát huy ưu thế trong trường hợp số vòng lặp (tương ứng với số mức
trạng thái của T) lớn, khi đó giai đoạn cuối của thuật toán kéo dài và nhờ cơ chế
chống duyệt trùng lặp thuật toán có thể tiếp cận nhiều cực tiểu địa phương từ đó
có nhiều cơ hội tiếp cận các phương án tốt hơn.

2.6. Kết luận chương 2
Chương 2 nghiên cứu phương phương pháp IA, đây là một phương pháp kết
hợp mã nguồn và mã kênh nhằm giảm thiểu ảnh hưởng của nhiễu kênh. Luận án
đề xuất thuật toán cải tiến MSA và SATS để cải tiến thuật toán SA trong việc
giải bài toán đánh chỉ số IA, đồng thời đưa ra phân tích và bàn luận về tiêu chí
cách lựa chọn các tham số điều khiển. Với tốc độ hội tụ nhanh, thuật toán cải
tiến có thể áp dụng với các trường hợp N lớn như N = 256, 512, 1024.
Mặt khác, các thuật toán cải tiến MSA và SATS đều được xét trong trường
hợp tổng quát, không bị ràng buộc bởi giả thiết kênh truyền là kênh BSC và

từ mã khác và các bit dữ liệu khác. Ký hiệu n, l, q và m là chiều dài của b, chiều
dài khung, vị trí của từ mã trong khung và chiều dài ký tự điều chế.
Giả thiết các khung dữ liệu sẽ được truyền liên tiếp và từ mã đang xét chiếm
n bit liên tiếp trong khung. Kênh truyền trong mô hình này là kênh không nhớ
DMC. Sơ đồ khối của mô hình hệ thống được cho trên Hình 3.1.

x

Lượng tử
hóa Vectơ

Các từ mã và bit
dữ liệu khác
...
khung
Tạo
b
l bit

khung

(n bit)

Kênh rời rạc
không nhớ
DMC

Điều chế

Kênh

là sk ,1 , sk ,2 ,..., sk , n và tương tự với từ mã a ở phía thu cũng được phân phối vào
sk

(a)

(a)

(a)

nsk ký tự là sk ,1 , sk ,2 ,..., sk , n .
sk

Khả năng 1

b1b2.....bm

............

s

Khả năng 2

xb1b2...b

Khả năng m

..bnx...xxx
s1,( bn)

s1


s2,(bn)

s2

...

..............

....bnxx...x
sm(b,)nsm

Hình 3.2. Các khả năng phân phối từ mã n bit b vào các ký tự m bit
Gọi pn là tổng số các khả năng phân phối của từ mã b vào các ký tự, từ hình
3.2 ta có thể thấy giá trị lớn nhất của pn là m. Các bit x là các bit dữ liệu trong
khung nhưng không phải của từ mã ta đang xét.
Để tính tham số PC(a,b) ta cần xác định các xác suất chuyển đổi từ mã cho
tất cả các khả năng phân phối ở trên. Do đây là kênh DMC nên xác suất chuyển
đổi từ mã ứng với khả năng thứ k là PC ( a, b ) có thể được tính như sau
k

n sk

[7] PC

k

( a, b ) = ∏ P

( ab )

hình kênh truyền và kỹ thuật điều chế (các giá trị xác suất chuyển đổi ký tự có
thể được lưu vào ma trận vuông PS kích thước Μ ×Μ). PS(i,j) trong trường hợp
kênh AWGN và kênh fading có thể được tính chính xác bởi phương pháp của tác
giả L. Xiao và X. Dong [51].
(a)

(b )

( ab )

Nếu sk ,i và sk ,i chứa các bit x, để tính Pk , i

ta cần xét tất cả các khả năng

của các bit x này. Gọi số bit x ở đầu và ở cuối ký tự chiều dài m bit là r1 và r2.
Biểu diễn nhị phân của

sk( a,i)

sk( b,i)

và

như sau:

sk , i = x … x a1 a2 … am − ( r + r ) x … x ; sk , i = x … x a1 a2 … am − ( r + r ) x … x (3-4)
(a)

(b)


x
b1

1

( r bit )

2

c

1

c

b

x
b2

( r bit )
2


Trong đó các giá trị cx , cx , cx , cx , ca , cb là biểu diễn thập phân của các
a1

a2

b1

S

m−r1

r

i1 + 2 2 ca + i2 ,2

m− r1

r

i3 + 2 2 cb + i4

(3-6)

Qua việc phân tích mô hình hệ thống và các tham số trên, luận án đề xuất
thuật toán ước lượng tham số PC(a,b) trong Mục 3.2.3. Với thuật toán này, ta có
thể thực hiện ước lượng được tất cả các phần tử của ma trận PC để phục vụ cho
bài toán tối ưu IA.

3.2.2. Xác suất chuyển đổi ký tự
3.2.3. Xác suất chuyển đổi từ mã
Dựa trên các phân tích ở Mục 3.2.1, đề xuất thuật tính xác suất chuyển đổi
từ mã PC(a,b) với mô hình hệ thống đề xuất.
3.2.4. Mô phỏng và kết quả
Các mô phỏng sẽ được thực hiện trên Matlab để đánh giá hiệu quả hoạt
động của phương pháp đề xuất và so sánh với các phương pháp khác.
3.2.4.1. Kịch bản mô phỏng
Hệ thống mô phỏng có cấu trúc giống như hệ thống mô tả ở Mục 3.2.1,


1

0.08 (2)

0.8

0.07

0.7
0.6
0.5
0.4

a=b=0
a = b = 96
a = b = 127

0.3

(3)

(1) a = 0; b = 1
(2) a = 1; b = 0
(3) a = 4; b = 5
(4) a = 5; b = 4
(5) a = 1; b = 5
(6) a = 5; b = 1

0.1

Mô phỏng

0.06

PC(a,b)

PC(a,b)

(1)

0.9

0.01
0

20

CSNR [dB]

0

5

10

15

20

CSNR [dB]

10

6

64-QAM

4
2

SNR [dB]

SNR [dB]

16

IA (ph.pháp đề xuất)
IA (ph.pháp xấp xỉ)
IA ngẫu nhiên

10

8
6
64-QAM

4
2

0


CSNR [dB]

20

25

(b) N = 128

Hình 3.7. So sánh hoạt động của các phương pháp IA khác nhau
Ta có thể thấy hệ thống sử dụng phương án đánh chỉ số được tối ưu hóa bởi
phương pháp đề xuất hoạt động tốt hơn khi hệ thống sử dụng các phương pháp
15


đánh chỉ số khác. Trong khoảng mức độ nhiễu trung bình thì tỷ số SNR của
phương pháp tối ưu đề xuất tăng 0,8 ÷ 1dB và 1 ÷ 1,3dB đối với trường hợp điều
chế 16-QAM và 64-QAM. Phương pháp tối ưu với 64-QAM tăng nhiều hơn so
với 16QAM, do sự sai khác giữa ma trận PC gần đúng với PC chính xác của điều
chế 64-QAM nhiều hơn so với 16-QAM đồng thời xác suất lỗi của 64-QAM lớn
hơn 16-QAM.
Qua mô phỏng trên, ngoài việc chứng tỏ sự đúng đắn và hiệu quả của
phương pháp đề xuất, kết quả còn chỉ ra rằng phương pháp gán chỉ số với ước
lượng gần đúng vẫn cho hiệu quả hoạt động tốt hơn so với trường hợp không tối
ưu phương án gán chỉ số.

3.3. Kết hợp mã nguồn mã kênh và kỹ thuật điều chế
3.3.1. Mở rộng bài toán IA có xét đến phương pháp điều chế
Trong phần này, luận án sẽ nghiên cứu bài toán IA với mô hình mở rộng,
bài toán phối hợp mã nguồn mã kênh và phương pháp điều chế số. Mô hình hệ
thống có những điểm mở rộng như sau:

kênh

khung (l bit)
Điều chế

(Tùy chọn)

Kênh
x^ Giải lượng
tử hóa

a

Tách
khung

từ mã (n bit)

Kênh rời rạc
không nhớ
DMC

khung
l bit

Giải mã
kênh

Giải điều
chế


3.3.3. Ước lượng xác suất chuyển đổi từ mã PC(a,b)
Phương pháp này về cơ bản là mở rộng của phương pháp ước lượng PC(a,b)
được trình bày trong Mục 3.2.3. Tuy nhiên ở đây có một số điểm mở rộng so với
phương pháp trước như sau:
+ Không bị ràng buộc bởi giả thiết từ mã đang xét chiếm các bit liên tiếp
trong khung.
+ Các bit x (là các bit dữ liệu khác trong khung mà không thuộc về từ mã
đang xét) không nhất thiết đều là bit ngẫu nhiên như mô hình trước.
Về cơ bản, các bước giống như phương pháp đã trình bày ở Mục 3.2.3. Chỉ
có các điểm khác như sau:
Điểm thứ nhất: Chia bit x được làm 2 loại: Bit xác định xu là những bit có
giá trị có thể xác định trước và bit không xác định xd. Còn tại phía thu tất cả các
bit x đều là bit không xác định xu. Ký hiệu nk( x,i ) và nk( x,i ) biểu diễn số lượng bit
u

d

xu và bit xd trong ký tự sk( b,i) ở phía phát.
Điểm thứ hai: Tổng số khả năng phân phối từ mã n bit vào ký tự m bit
không phải tối đa là m mà có thể lớn hơn m. Nếu số lượng khả năng lớn ta có thể
tìm tất cả các khả năng bằng chương trình máy tính.
( ab )

Điểm thứ ba: Pk , i
b

)
được xác định như sau: Pk(,ab
=


trong đó các

bit xu được chọn bất kỳ.

3.3.4. Phương pháp kết hợp mã nguồn và mã kênh và phương
pháp điều chế sẵn có
Ở phần này, luận án sẽ trình bày phương pháp phối hợp mã nguồn mã kênh
và phương pháp điều chế dùng phương pháp tối ưu hóa việc đánh chỉ số IA.
Phương pháp này khác phương pháp truyền thống tại bước ước lượng tham số
đầu vào PC(i,j) (xét đến phương pháp điều chế) cho bài toán IA. Chia ra ba
trường hợp:
Trường hợp 1: Hệ thống sử dụng điều chế số nhị phân hoặc điều chế số
QPSK với mã Gray. Trường hợp này kênh truyền là kênh BSC, có thể ước lượng
PC(i,j) theo xác suất lỗi bit εb.
Trường hợp 2: Hệ thống sử dụng điều chế nhiều mức và mô hình hệ thống
giống như hệ thống xét ở Mục 3.3.1. Trường hợp này ta ước lượng PC(i,j) theo
phương pháp trình bày ở Mục 3.3.3.
Trường hợp 3: Những trường hợp còn lại. Các tham số PC(i,j) sẽ được ước
lượng xấp xỉ như Trường hợp 1.
3.3.5. Các mô phỏng và kết quả
17


3.3.5.1. Kịch bản mô phỏng
Trong phần này, mô phỏng được thực hiện để so sánh hoạt động của hệ
thống sử dụng bộ lượng tử hóa với cùng một bảng mã nhưng khác nhau về thứ
tự. Hệ thống sử dụng mã kênh (mã Hamming (7,4)).

3.3.3.2. Kết quả và bàn luận


12

6
4
2

2
0

0

-2

-2
-4

-4
0

2

4

6

8 10 12 14 16 18 20 22 24
CSNR [dB]

0

phương pháp IA không xét đến kỹ thuật điều chế. Trường hợp thứ hai là khi
không áp dụng được mô hình đề xuất thì vẫn có thể sử dụng phương pháp IA với
các tham số ước lượng gần đúng.
Tất cả các phương pháp đề xuất trong Chương 3 đều có thể được thực hiện
tự động bằng các chương trình máy tính. Để tối ưu hóa hệ thống, các phương
pháp và các thuật toán này chỉ cần thực hiện một lần trong quá trình thiết kế
hoặc nâng cấp hệ thống. Qua các kết quả trên ta có thể thấy tính linh hoạt của
phương pháp IA, từ đó mở ra khả năng ứng dụng cao của phương pháp này vào
việc tối ưu hóa trong quá trình thiết kế hệ thống hoặc nâng cấp các hệ thống sẵn
có.
18


CHƯƠNG 4. ỨNG DỤNG CỦA PHƯƠNG PHÁP IA
VÀO KỸ THUẬT LƯỢNG TỬ HÓA VECTƠ CÓ
CẤU TRÚC VÀ TRONG MÃ HÓA TIẾNG NÓI
4.1. Giới thiệu
Trong chương này, luận án nghiên cứu ứng dụng của phương pháp IA vào
kỹ thuật lượng tử hóa vectơ có cấu trúc. Đây là kỹ thuật phân nhỏ bảng mã khi
bảng mã có kích thước quá lớn, áp dụng trong trường hợp vectơ có số chiều lớn
hoặc lượng tử hóa tốc độ cao.
Chương 4 nghiên cứu ứng dụng của phương pháp IA vào kỹ thuật VQ có
cấu trúc. Tất cả các bảng mã thành phần của các bộ VQ có cấu trúc đều có thể áp
dụng phương pháp IA do đó hầu như tất cả các kỹ thuật VQ có cấu trúc đều có
thể áp dụng được phương pháp IA để tăng khả năng chống nhiễu trong quá trình
truyền dẫn.
Luận án tập trung vào kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn
SSVQ [58,59], đây là một trong những kỹ thuật được nghiên cứu mới nhất và có
nhiều ưu điểm so với các phương pháp khác [60,61]. Luận án đề xuất kỹ thuật
IA-SSVQ để giảm thiểu méo tín hiệu gây ra bởi nhiễu kênh khi truyền dẫn qua

hóa phân đoạn cục bộ SVQi. Mỗi vectơ khi lượng tử hóa được chia thành L
đoạn, như vậy mỗi bộ lượng tử SVQ cục bộ sẽ có L bảng mã. Như vậy tổng cộng
một bộ lượng tử hóa SSVQ có M×L + 1 bảng mã, bao gồm bảng mã lựa chọn CS
và M×L bảng mã của các bộ lượng tử hóa vectơ cục bộ SVQ.

4.3.2. Bộ lượng tử hóa SSVQ
Sơ đồ khối của một bộ lượng tử hóa SSVQ được mô tả trên Hình 4.2. Véctơ
đầu vào x đầu tiên được chuyển đến một trong số M hướng, việc lựa chọn được
thực hiện bằng bộ lượng tử hóa VQ với bảng mã lựa chọn nhánh CS. Nói cách
khác, x sẽ được chuyển đến hướng is như sau:

is = argmin d ( x, c si )

(4-5)

i

Sau đó, vectơ đầu vào x được lượng tử hóa sử dụng bộ lượng tử hóa địa
phương L đoạn tương ứng SVQ i . Như vậy, đầu ra của bộ lượng tử hóa SSVQ
s

sẽ có L+1 chỉ số.
SVQ1

VQ1,1
VQ1,2
VQ1,L

SVQ2


Sau đây là mô tả chi tiết quá trình thiết kế các bảng mã cho bộ lượng tử hóa
IA-SSVQ với tập vectơ huấn luyện S bao gồm ns phần tử. Các bước tiến hành
như sau:
• Huấn luyện bảng mã CS kích thước M từ tập huấn luyện S.
• Tương ứng với M véctơ cs1,cs1,..., csM thuộc CS, phân chia S thành M vùng
(tập con) không chồng nhau R1,R2,...,RM có kích thước ns1,ns2,...,nsM.

20


• Huấn luyện các bảng mã của M bộ lượng tử hóa SVQ địa phương. (Tập Ri
dùng để huấn luyện các bảng mã của bộ lượng tử hóa SVQi).
• Tìm phương án đánh chỉ số tối ưu cho CS sử dụng thuật toán IA với xác
suất tiên nghiệm của vectơ mã csi là Pa(i) = nsi/ns ( 1 ≤ i ≤ M).
• Sắp xếp lại CS theo thứ tự tối ưu tìm được, đồng thời sắp xếp lại thứ tự của
các bộ lượng tử hóa địa phương SVQ theo thứ tự mới của CS.
• Ước lượng các giá trị Pa(.) cho từng bảng mã con của các bộ lượng tử hóa
địa phương SVQi từ phân vùng Ri tương ứng.
• Áp dụng thuật toán IA để tìm thứ tự tối ưu cho các bảng mã con trong M bộ
lượng tử hóa địa phương SVQ, sau đó sắp xếp lại tất cả các bảng mã con này
theo thứ tự tối ưu.

4.3.4. Kết quả mô phỏng và bàn luận
Thí nghiệm được thực hiện qua mô phỏng hệ thống thông tin số sử dụng các
kỹ thuật SSVQ khác nhau bao gồm IA-SSVQ, COSSVQ và SSVQ truyền thống.
Các bộ lượng tử hóa này có chung thông số: Số nhánh M = 16 (m=4), số đoạn L
= 2, số chiều của các vectơ con là (4,4) với số bit mã hóa là (6,6). Nguồn tín hiệu
là nguồn Gauss-Markov bậc 1 có hệ số tương quan ρ = 0,9 truyền qua qua kênh
BSC. Các mô phỏng được thực hiện trên Matlab phiên bản R2010a.


Hình 4.3. So sánh hoạt động của các phương pháp SSVQ
Hình 4.2 biểu diễn kết quả SNR của 3 bộ lượng tử hóa. Khi BER lớn thì
phương pháp COSSVQ cho kết quả tốt nhất trong 3 phương pháp, tuy nhiên đổi
lại khi BER nhỏ thì phương pháp này cho kết quả kém hơn phương pháp IASSVQ, thậm chí kém hơn cá phương pháp SSVQ nguyên bản khi BER rất nhỏ.
Nguyên nhân là do bộ lượng tử hóa IA-SSVQ và SSVQ truyền thống có các
bảng mã như nhau, chỉ khác nhau về thứ tự các vectơ mã do vậy bộ lượng tử hóa
IA-SSVQ bảo toàn được chất lượng tín hiệu lượng tử hóa của bộ lượng tử hóa
SSVQ nguyên bản.

4.4. Ứng dụng kỹ thuật IA-SSVQ trong mã hóa tiếng nói
4.4.1. Lượng tử hóa các tham số LPC
21


Hầu hết các chuẩn mã hóa tiếng nói tốc độ thấp hiện nay đều sử dụng mô
hình dự đoán tuyến tính LPC, khi bộ máy phát âm được mô hình hóa bằng một
bộ lọc toàn điểm cực như đã trình bày ở Mục 1.3.2. Việc lượng tử hóa các tham
số của bộ lọc này chiếm vai trò rất quan trọng trong mã hóa tiếng nói.
Tuy nhiên, trên thực tế các chuẩn mã hóa tiếng nói không thực hiện lượng
tử hóa trực tiếp các tham số LPC, mà thực hiện chuyển đổi sang bộ tham số LSF
với nhiều ưu điểm thuận lợi cho lượng tử hóa.
Để đánh giá chất lượng của bộ lượng tử hóa LPC, phương pháp thông dụng
nhất là đánh giá dựa vào độ méo phổ SD. Với khung thứ i độ méo phổ SDi (tính
theo dB) được định nghĩa như sau[63]:

SDi =

1
k1 − k0



N

)

N

) 


2

(4-9)

là đáp ứng biên độ rời rạc của bộ

lọc LPC.

4.4.2. Bộ lượng tử hóa LSF-IA-SSVQ
Như đã trình bày ở phần 4.2, ta không thể để lượng tử hóa vectơ LSF trực
tiếp do số chiều lớn (10 phần tử với mã hóa băng hẹp và 16 phần tử với mã hóa
băng rộng), do vậy cần dùng đến các kỹ thuật lượng tử hóa vectơ có cấu trúc.
Việc áp dụng phương pháp IA-SSVQ vào việc lượng tử hóa các tham số
LSF (gọi là bộ lượng tử hóa LSF-IA-SSVQ) sẽ có thể làm giảm thiểu ảnh hưởng
của nhiễu kênh.
Để tăng chất lượng của bộ mã hóa tiếng nói, ta có thể sử dụng phương pháp
đo khoảng cách giữa hai véctơ LSF sử dụng trọng số WED [63] thay cho
phương pháp dùng khoảng cách SED như sau:
p


đoạn tiếng nói có tần số lấy mẫu 16KHz được sử dụng để xây dựng tập các vectơ
huấn luyện (644.137 vectơ) và các vectơ thử nghiệm (235.603 véctơ) hệ thống.
Để thu được các vectơ LSF, các thủ tục tiền xử lý tín hiệu và phân tích LPC của
22


chuẩn mã hóa băng rộng đa tốc độ thích nghi AMR-WB (ITU-T G.722.2) [65]
được áp dụng.
Các thông số của các bộ lượng tử hóa: Số nhánh M=32 (m=5); số đoạn là
16; số phần tử cho từng đoạn là (3,3,3,3,4) được mã hóa với số bit (9,8,8,8,8).
Như vậy mỗi khung sử dụng 46 bit để mã hóa các tham số LSF. (Giống chuẩn
G.722.2 cũng sử dụng 46 bit biểu diễn cho 16 tham số LPC trong 1 khung).
Bảng 4.1 biểu diễn các kết quả về độ méo phổ trung bình cũng như số các
khung (theo %) có độ méo phổ trong khoảng 2-4dB và trên 4dB của các bộ
lượng tử hóa SSVQ.
Ta có thể thấy kết quả mô phỏng phù hợp với kết quả mô phỏng ở Mục
4.3.4. Bộ lượng tử hóa IA-SSVQ luôn cho kết quả tốt hơn bộ mã hóa SSVQ
không tối ưu hóa thứ tự các vectơ mã trong các bảng mã. So sánh với bộ lượng
tử hóa COSSVQ, khi εb nhỏ hơn một mức ngưỡng nào đó thì bộ lượng tử hóa
IA-SSVQ cho kết quả tốt hơn, và khi điều kiện kênh tốt εb rất nhỏ thì bộ lượng tử
hóa COSSVQ cho kết quả còn kém hơn cả SSVQ truyền thống. Mức ngưỡng
của εb trong thí nghiệm này vào khoảng 0,004.
Bảng 4.1. Hoạt động của các bộ lượng tử hóa LSF SSVQ 46bit/khung
SSVQ
BER

ε

IA-SSVQ



0.000

0.968

1.499

0.006

0.001

1.077

2.857

1.294

1.003

1.723

0.596

1.035

2.512

0.545

0.002


1.738

1.163

4.505

1.570

0.004

1.461

8.470

4.969

1.234

5.358

2.286

1.227

5.530

2.093

0.005


5.799

1.592

11.170

5.191

0.1

7.887

17.176

79.401

6.011

32.266

55.664

5.316

35.921

49.802

4.5. Kết luận chương 4

trường hợp tổng quát không bị hạn chế bởi các giả thiết giới hạn như các
công trình trước và có khả năng hội tụ nhanh do đó có thể áp dụng trong
nhiều trường hợp thực tế nhất là với các trường hợp bảng mã có kích thước
lớn.
• Nghiên cứu, phát triển một phương pháp kết hợp mã nguồn mã kênh và
phương pháp điều chế số sử dụng phương pháp IA. Phương pháp này còn
có thể kết hợp với mã kênh để điều khiển lỗi nếu cần thiết. Phương pháp
mới cho hiệu quả hoạt động tốt hơn các phương pháp IA mà không xét đến
các kỹ thuật điều chế số trước đó. Ngoài ra phương pháp mới có thể ứng
dụng để thiết kế mới hoặc nâng cấp các hệ thống sẵn có mà không làm thay
đổi thiết kế của hệ thống, nhờ đó có thể tiết kiệm được nhiều công sức và
chi phí trong việc nâng cấp hệ thống.
• Nghiên cứu ứng dụng của phương pháp IA vào các kỹ thuật lượng tử hóa
vectơ có cấu trúc, đề xuất phương pháp IA-SSVQ dựa trên sự kết hợp
phương pháp IA với kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn
SSVQ để tăng khả năng giảm thiểu ảnh hưởng của nhiễu kênh trong truyền
dẫn.
Hướng nghiên cứu tiếp theo:
• Tiếp tục nâng cấp và phát triển tiếp thuật toán MSA/SATS để làm tăng hiệu
quả và độ tối ưu.
• Phương pháp ước lượng tham số phản ánh đặc tính của kênh cho bài toán
IA nghiên cứu ở Chương 3 còn bị hạn chế bởi giả thiết kênh truyền không
nhớ DMC và nếu kết hợp với mã kênh thì chỉ kết hợp với mã kênh có tính
hệ thống. Hướng nghiên cứu tiếp theo là mở rộng cho các mô hình kênh
khác (như kênh có nhớ) và các loại mã kênh khác. Áp dụng vào các hệ
thống cụ thể.
24


DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN

Using the Mechanism of Tabu Search Algorithm, in Proceedings of The 2016
International Conference on Advanced Technologies for Communications
(ATC’16), Hanoi, pp. 91-96.

5.

Tran Ngoc Tuan, Nguyen Quoc Trung, Tran Hai Nam, Improving The Switched
Split Vector Quantization Technique Using a Joint Source Channel Coding
Approach. Bài đã qua phản biện và được chấp nhận đăng trên tạp chí Khoa học và
Công nghệ các Trường Đại học (Dự kiến sẽ đăng trong số tiếng Anh năm 2017).

25