BỘ THÔNG TIN VÀ TRUYỀN THÔNG
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

NGUYỄN VIẾT MINH

NGHIÊN CỨU
GIẢI PHÁP GIẢM CAN NHIỄU VÀ MÉO PHI TUYẾN
TRONG HỆ THỐNG THÔNG TIN VỆ TINH
Chuyên ngành: Kỹ thuật Viễn thông
Mã số: 9.52.02.08

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

Hà Nội - 2018


Công trình hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học:
1. PGS. TS. Trần Hồng Quân
2. PGS. TS. Lê Nhật Thăng

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án được bảo vệ trước hội đồng chấm luận án cấp Học viện họp
tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
vào hồi: 8 giờ 30, ngày 25 tháng 11 năm 2016

vệ tinh đa phương tiện là một yêu cầu cấp thiết, thu hút được nhiều sự quan
tâm nghiên cứu của các nhà khoa học ở trong và ngoài nước. Chính vì thế,
nghiên cứu sinh đã quyết định lựa chọn hướng “Nghiên cứu giải pháp giảm
can nhiễu và méo phi tuyến trong hệ thống thông tin vệ tinh” cho luận án
của mình. Luận án hướng tới xây dựng bộ cân bằng sử dụng mạng nơ-ron và
phương pháp kernel để cải thiện hiệu năng cân bằng đáp ứng yêu cầu của
kênh vệ tinh đa phương tiện.
Đối tượng nghiên cứu của luận án là hệ thống thông tin vệ tinh số đa
phương tiện. Phạm vi nghiên cứu tập trung vào tính phi tuyến của HPA và


2
nhiễu ISI do đa đường của kênh truyền sóng đường xuống, giải pháp khắc
phục nhiễu ISI và méo phi tuyến của HPA bằng việc sử dụng bộ cân bằng tại
máy thu.
Để khắc phục nhiễu liên ký hiệu và méo phi tuyến cho hệ thống thông
tin vệ tinh mới, luận án tập trung vào giải pháp cải thiện hiệu năng bộ cân
bằng thực hiện theo hai hướng:
+ Cải thiện hiệu năng MSE của bộ cân bằng nhờ việc sử dụng mạng
neuron trong quá trình xây dựng bộ cân bằng. Nghiên cứu của luận án tập
trung vào cải tiến, nâng cao hiệu năng của các bộ cân bằng nơ-ron như bộ
cân bằng RBF để từ đó áp dụng vào cân bằng cho kênh vệ tinh phi tuyến cao
như kênh vệ tinh địa tĩnh.
+ Cải thiện hiệu năng tốc độ hội tụ, đơn giản hóa việc tính toán cho các
bộ cân bằng thích nghi truyền thống Phương pháp kernel được sử dụng để
cải tiến các giải thuật này. Luận án tập trung nghiên cứu giải thuật KRLS áp
dụng cho kênh phi tuyến thay đổi để ứng dụng vào các bộ cân bằng thích
nghi cho kênh vệ tinh di động
Phương pháp nghiên cứu được sử dụng trong luận án là nghiên cứu lý
thuyết dựa trên mô hình giải tích, các công cụ mới trong xây dựng bộ cân

DL

HPA

LNA &
DC

Rx &
DeMod

Giải mã
Thông
tin thu

HPA

UC

HPA: Bộ khuếch đại công suất cao
LNA: Bộ khuếch đại tạp âm thấp
Mod/DeMod: Điều chế/Giải điều chế

Mod

Mã hóa

Thông
tin phát

Rx: Máy thu

Tính phi tuyến
Tính phân tán
1.1.2. Hệ thống thông tin vệ tinh băng rộng đa phương tiện
1.1.2.1. Dịch vụ vệ tinh đa phương tiện
Thông tin vệ tinh trên thế giới đang chuyển sang các hệ thống thông tin
vệ tinh tiên tiến hoàn toàn dựa trên nền IP, hỗ trợ tốt cho truyền dẫn đa
phương tiện. Thay đổi này đòi hỏi phải có phải có sự điều chỉnh, thích nghi
của các phần tử hệ thống trong điều kiện truyền dẫn mới.
1.1.2.2. Đặc trưng mới của kênh vệ tinh đa phương tiện.
Trên vệ tinh sử dụng bộ khuếch đại công suất hoạt động trong điều kiện:
+ Tổn hao kênh biến đổi nên công suất phát phải biến đổi.
+ Sử dụng phương pháp truyền dẫn đa sóng mang OFDM, số lượng
kênh con biến đổi ngẫu nhiên dẫn đến tải bộ khuếch đại biến đổi.


5
Điều đó làm cho bộ khuếch đại công suất làm việc ở chế độ phi tuyến cao.
Với kết nối đa phương tiện qua vệ tinh cho nên các yếu tố phi tuyến khác
của hệ thống sẽ tác động đến kênh. Ảnh hưởng của các tác động đó dẫn đến:
+ Xuyên nhiễu giữa các ký hiệu.
+ Biến động các điểm định thời
+ Xuyên nhiễu giữa các sóng mang con trong hệ thống
1.2. GIẢI PHÁP GIẢM CAN NHIỄU VÀ MÉO PHI TUYẾN
1.2.1. Tổng quan về can nhiễu và méo phi tuyến
1.2.1.1. Méo phi tuyến
1.2.1.2. Can nhiễu
1.2.2. Kỹ thuật méo trước
1.2.3. Kỹ thuật cân bằng
1.2.3.3. Các tham số đánh giá hiệu năng của bộ cân bằng
Lỗi trung bình bình phương

tin vệ tinh di động dựa trên quỹ đạo thấp.
+ Nghiên cứu cải tiến bộ cân bằng cho kênh vệ tinh đa phương tiện
trên cơ sở cải thiện hiệu năng bộ cân bằng sử dụng các công cụ và
phương pháp mới.
+ Nghiên cứu bộ cân bằng nơ-ron RBF cho kênh phi tuyến, phân tích
các hướng cải tiến bộ cân bằng RBF trên cơ sở đề xuất về lựa chọn
hàm phi tuyến, thuật toán huấn luyện, thay đổi kiến trúc mạng … .
+ Nghiên cứu bộ cân bằng kernel với các giải thuật cập nhật RLS,
LMS. Đề xuất các hướng cải tiến bộ cân bằng kernel RLS, kernel
LMS áp dụng cho kênh vệ tinh đa phương tiện.
1.4.2.2 Các nội dung nghiên cứu
1. Nghiên cứu đề xuất giải pháp cải tiến bộ cân bằng nơ-ron RBF trên cơ
sở đưa ra giải thuật học cải tiến cho mạng RBF để giảm số tâm cần tính toán
qua đó nâng cao tốc độ hội tụ của bộ cân bằng.
2. Nghiên cứu cải tiến bộ cân bằng KRLS dựa trên giải thuật KRLS mở
rộng với khả năng thích nghi bộ cân bằng với kênh vệ tinh phi tuyến động.
Bộ cân bằng Ex-KRLS được luận án đề xuất cho giải pháp này.
3. Nghiên cứu đề xuất bộ cân bằng đa kernel LMS với việc lựa chọn các
kernel đơn thành phần nhằm đặt được hiệu năng tốt nhất của bộ cân bằng kết
hợp MK-LMS trên cơ sở cải thiện độ phức tạp tính toán và tốc độ hội tụ.


7

CHƯƠNG 2: KỸ THUẬT CÂN BẰNG CHO KÊNH VỆ
TINH
Tóm tắt 2: Nội dung chương này trình bày về các kỹ thuật cân bằng cho
kênh vệ tinh. Các yêu cầu hiệu năng đối với bộ cân bằng cho kênh vệ tinh đa
phương tiện được đề cập cùng với nó là khái quát các giải pháp nâng cao
hiệu năng của bộ cân bằng sử dụng mạng nơ-ron và phương pháp kernel.

Bộ cân bằng

RBF-R

x(n-D)
Kênh
x(n)

HPA

H

+

+

Q

s(n)
-

+
S

Tạp âm
j
RBF-I

Thuật toán hướng dẫn


pháp chứng tỏ được sự vượt trội so với các bộ cân bằng nơ-ron RBF. Với
cân bằng KLMS [52] [55] tuy đơn giản nhưng tốc độ hội tụ chậm, không
thích hợp cho kênh tốc độ cao. Còn cân bằng KRLS có cải thiện tốc độ hội
tụ hơn so với KLMS nhưng nó lại có độ bám trạng thái kênh kém [44]. Vì
vậy phương pháp này chỉ thích hợp khi kênh có tham số không biến đổi theo
thời gian hoặc biến đổi rất chậm.
Trong trường hợp kênh pha đinh, kênh phi tuyến, mô hình trạng thái có
dạng:
x i  1  Ax i   n i 

d  i   u  i  x i   v i  .
T

(2.21)

Với A là ma trận chuyển đổi trạng thái, n[i] là nhiễu trạng thái, v[i] là
nhiễu quan sát;  i  F
Như vậy khi sử dụng phương pháp kernel đã thay u[i], trong không gian
trạng thái của lọc Kalman thích hợp với kênh tuyến tính, bằng [i] trong
KRLS phù hợp kênh phi tuyến bất kỳ nhưng các phép tính trong không gian
đặc trưng H là tuyến tính – tích vô hướng. Điều này làm đơn giản tính toán
cho các thuật toán tính toán trọng số phức tạp. Việc ứng dụng và đề xuất mở
rộng bộ cân bằng kernel luận án sẽ giới thiệu ở mục 4.3 và 4.4 chương 4.




10

CHƯƠNG 3: GIẢM CAN NHIỄU VÀ MÉO PHI TUYẾN

3


11
3.3. CÂN BẰNG KÊNH VỆ TINH BẰNG BỘ CÂN BẰNG NƠ-RON
Bộ cân bằng RBF
Hình 3.3 biểu thị hệ thống cân bằng sử dụng mạng RBF [6].
Chuỗi số liệu s(k) được phát qua kênh phi tuyến bao gồm phần tuyến tính
mô tả bởi hàm truyền đạt H(z) và phần phi tuyến N(z) được điều chỉnh bởi
hệ thức [61]:
p

y  k    h i  s  k  i 
i 0

y  k   D1 y  k   D2 y  k   D3 y  k   D4 y  k  .
2

3

4

(3.16)

Trong đó p là bậc của kênh, Di là hệ số thành phần phi tuyến thứ i. Chuỗi
ký hiệu phát s(k) được giả sử là chuỗi nhị phân độc lập đồng xác suất nhận
giá trị {±1}. Ta coi đầu ra kênh bị ảnh hưởng của tạp âm Gaussian trắng cộng
e(k). Với giả thiết này đầu ra kênh có thể được viết:
y  k   y  k   e k .








Yq,d1  y  k  | s  k  d   1 ;



Yq,d1  y  k  | s  k  d   1 .

(3.20)

Nhiệm vụ của bộ cân bằng là khôi phục ký hiệu phát s(k-d) dựa trên véctơ thu y(k). Giải pháp tạo ra bộ cân bằng Bayesian tối ưu được cho như sau
[62]:
ns1



f B  y  k     exp  y  k   yi1
i 1

2



ns1



Trong luận án này NCS đưa ra giải pháp “Quá trình học lai” gồm hai giai
đoạn khắc phục được hiện tượng sai số do bỏ qua một số tâm có ý nghĩa
+ Giai đoạn học tự tổ chức: Mục đích của nó là ước lượng vị trí các
tâm một cách hợp lý cho các hàm xuyên tâm trong lớp ẩn.
+ Giai đoạn học có giám sát: Mục đích của nó là hoàn thành thiết kế
mạng bằng cách ước lượng các trọng số tuyến tính của lớp ra.
Giai đoạn học tự tổ chức: Thuật toán tạo cụm kmean (k trung bình) [28]
chỉ lấy các tâm của RBF trong các miền không gian tín hiệu vào ℋ có ý
𝑚1
nghĩa nhất. Ký hiệu m1 là số hàm RBF, {𝑐𝑘 (𝑛)}𝑘=1
là số tâm của các hàm
RBF tại bước lặp thứ n của thuật toán. Thuật toán tạo cụm kmean như sau:
1. Khởi đầu: Chọn ngẫu nhiên các giá trị của tâm ban đầu 𝑐𝑘 (0) với
những giá trị khác nhau.
2. Lấy mẫu: Lấy ra một véc-tơ mẫu x từ không gian vào 𝑋 với một xác
suất nào đó. Véc-tơ x là đầu vào của thuật toán tại bước lặp n.


13
3. Phối hợp đồng dạng: Ký hiệu k(x) là chỉ số tâm phối hợp tốt nhất
đối với véc-tơ vào x. Tìm k(x) tại bước lặp thứ n bằng cách sử dụng
tiêu chuẩn khoảng cách Euclide bé nhất.

k  x   arg min x  n   ck  n  ; k  1, 2,..., m1.

(3.24)

k

4. Cập nhật: Điều chỉnh tâm của các hàm RBF bằng thuật toán:


Typical RBF
Jungsik method
Proposal method

Số chu kỳ huấn luyện

Hình 3.4. Hội tụ của quá trình huấn luyện mạng nơ-ron


14
3.4.2.2. Xác xuất lỗi
Để đánh giá hiệu năng của giải pháp cải tiến mạng RBF, ta thực hiện mô
phỏng với đáp ứng kênh được chọn [64] của kênh thoại chuẩn (lựa chọn này
nhằm đảm bảo công bằng khi so sánh với các giải pháp tương đồng khác):
h  0,04  0 ,05Z 1  0 ,07 Z 2  0 , 21Z 3  0 ,5Z 4 
(3.29)

10lg(Pe)

Dãy tín hiệu vào có phân bố Bernoulli. Mô phỏng sử dụng mô hình
Monte-Carlo. Kết quả mô phỏng thể hiện trên hình 3.5.
Nhận xét:
+ Hiệu năng BER của giải pháp đề trong luận án tốt hơn so với giải
pháp của tác giả Jungsik [61] khi SNR > 13dB. Điều này là nhờ giải
thuật học lai nêu trên giúp giữ lại những tâm có ý nghĩa không nằm
trên biên.

SNR (dB)
Hình 3.5. So sánh hiệu năng tỉ lệ lỗi


f (.) là hàm phi tuyến của HPA.
−𝑘
𝐻(𝑧) = ∑𝐿−1
là bộ lọc tuyến tính.
𝑘=0 ℎ𝑘 𝑧

: Kết quả nghiên cứu của chương 4 được công bố trong 03 bài báo đăng trên
các Tạp chí Khoa học Công nghệ Quân sự [T2], Tạp chí Công nghệ thông tin và
truyền thông Học viện Công nghệ Bưu chính Viễn thông [T3], Tạp chí Khoa học và
công nghệ Đại học công nghiệp Hà Nội [T5] và 01 báo cáo tại Hội thảo quốc gia về
Điện Tử, Truyền thông và công nghệ thông tin REV-2016 [H2].
4


16
Hình 4.1 mô tả mô hình hệ thống truyền dẫn phi tuyến bao gồm phần
tuyến tính H(z) và phần phi tuyến f(.).
Kênh phi tuyến
x(n)
H(z)

N(n)

y(n)

r(n)

f(.)


Mô hình trạng thái kênh trong trường hợp KRLS mở rộng có dạng:
x i  1  Ax i   n i .

d  i   u i  x i   v i 
T

(4.13)


17
Với A là ma trận chuyển đổi trạng thái, n[i] là nhiễu trạng thái, v[i] là
nhiễu quan sát;  i  F
q I ; i  j
T
E  n i .n  j     1
.

  0; i  j
(4.14)



q ; i  j
T
E v i .v  j     2
.

 0; i  j

(4.15)

T
2
P i     P i  1  P i  1 i  i  P i  1 r i    i qI



Với các phương trình hồi quy (4.17), các biểu thức  i  P i  i  với
mọi k, i, j có thể có dạng 1x  x  x  x  x1 , vì vậy nếu thực hiện tính
toán chúng trong không gian đầu vào là không thể được. Vì vậy phải sử dụng
phương pháp kernel để tính toán trong không gian đặc trưng chỉ có các thuật
toán tích vô hướng giữa các véc-tơ vào đã chuyển đổi   . và đặc trưng
T


18
kernel. Từ đó rút ra thuật toán hồi quy bình phương bé nhất kernel mở rộng,
Ex-KRLS như sau:
Khởi đầu:
a 1 

 d 1

  k u 1 , u 1

2
 r 1        q 



Q 1 

r 1 i  e i 


2
i
 r i    r i  1     q  r i  1


2
Q i  1 r i   z i  z i T


Q i  
T
2
 z i 
r i      i q  r i  1 



 z  i 

1 

Hiệu năng của bộ cân bằng sử dụng giải thuật Ex-KRLS được trình bày
trong phần 4.4.3.
4.4.2. Bộ cân bằng đa kernel LMS
4.4.2.1. Thuật toán thích nghi đa kernel LMS
4.4.2.2. Bộ cân bằng MK-LMS
Sơ đồ khối bộ cân bằng hai kernel đơn được biểu thị trên hình 4.3.


m1

y n

-

e2(n)

y n

S

-

+

+

Hình 4.3. Cân bằng thích nghi đa kernel
Từ công thức (4.34) suy ra ước lượng đầu ra bộ cân bằng trong trường
hợp hai kernel sẽ là:
L1

L2

1

1


Trọng số khởi đầu: k , x  mˆ .d1 (cho từng kernel)
1
(Để đơn giản, ký hiệu k , x là trọng số tương ứng với kernel k và véc-tơ hỗ trợ
x)


20
for Cặp huấn luyện  xt , dt  do:
Phương sai mẫu: eD  min x D xt  x j
j
Dự đoán:

yt  m  x D  kK k , x j k  xt , x j 
j

Lỗi: et  dt  yt
Đặc tính mới
if et   e  eD   d then
Thêm mẫu mới: D  D   xt 
for all k  K do

Khởi đầu trọng số mới: k , x  mˆ.dt
t
end for
else
for all k  K , x j  D do
Cập nhật:

k , x  k , x  mˆ et
j

4.4.3.1. Hiệu năng bộ cân bằng Ex-KRLS
Giả thiết tính toán được thực hiện trên kênh pha đinh Rayleigh.
Phần tử phi tuyến làm việc ở chế độ bão hòa. Đáp ứng xung của kênh:
h  n  x  n .  n   .

(4.37)


21
Giá trị trung bình và phương sai của tín hiệu được tính:





E x  n     2.

 x n  E  x n    4 2 
2

E

2

(4.39)

Ngoài ra hàm tự tương quan chuẩn khi chuyển động với vận tốc không
đổi được mô hình bằng hàm Bessel bậc “0” loại “1”:
E  x  n  x  n  k   J 0  2 f DTS k  ; k  ..., 1, 0,1,....



22
Bảng 4.4 biểu thị so sánh hiệu năng MSE của giải pháp Ex-KRLS với ba
bộ cân bằng NLMS, KRLS và Ex-RLS.
Bảng 4.4. So sánh hiệu năng của các bộ cân bằng LMS, Ex-RLS, KRLS
và Ex-KRLS
Thuật toán

MSE (dB)

NLMS

-10,85 ± 0,50

Ex-RLS

-11,71 ± 0,32

KRLS

-14,41 ± 0,45

Ex-KRLS

-16,82 ± 0,68

Như vậy giải thuật Ex-KRLS đã cải thiện được đáng kể hiệu năng MSE
của bộ cân bằng với giá trị MSE tương đối là -16,82dB, tốt hơn 6dB so với
giải thuật NLMS và cũng đạt cải thiện xấp xỉ 2,5dB so với giải thuật KRLS
thông thường. Bộ cân bằng Ex-KRLS còn chứng tỏ khả năng thích ứng tốt

toán KLMS độc lập, thuật toán MKLMS trong [47] [87] và thuật toán
MxKLMS trong [88]. Tốc độ học để cập nhật chức năng cổng của thuật toán
T


23

EMSE (dB)

MxKLMS chọn là 0,1. Kết quả thực nghiệm được tính trung bình cho 200
lần chạy Monte Carlo.
Kết quả đánh giá hiệu năng của các bộ cân bằng được trình bày trong hình
4.5.

Số lần lặp n
(a)

(n)
C

C

Số lần lặp n
(b)
Hình 4.5. Kết quả phân tích hiệu năng. (a) Đường cong học EMSE trung
C cho trọng số chức năng
bình; (b) Đường cong trung bình
Như vậy bộ cân bằng MK-LMS luận án đề xuất đã đặt được các mục tiêu
cải thiện về MSE và 𝜆(𝑛) như đề ra ban đầu.