Phần 4_Chương 1 : Thiết kế chương trình
Lê Thanh Nhật-Trương Ánh Thu 162 GVHD :Ths. Hoàng Đình Chiến
CHƯƠNG 1
THIẾT KẾ CHƯƠNG TRÌNH

1. MÔ PHỎNG ĐƯỜNG TRUYỀN

ột hệ thống thông tin gồm có máy phát, kênh truyền và máy thu. Ở máy phát, tín
hiệu được điều chế theo phương pháp BPSK, QPSK và qua bộ lọc băng thông, rồi
phát đi. Tín hiệu đến máy thu sau khi qua kênh truyền có các loại nhiễu : nhiễu
trắng, fading, nhiễu đồng kênh. Để có được dữ liệu ban đầu, tín hiệu thu phải đi
qua bộ giải điều chế, lọc thông thấp, rồi đến bộ quyết đònh.

Sơ đồ khối của một hệ thống thông tin :
2. MÔ PHỎNG BỘ CÂN BẰNG SỬ DỤNG NEURAL NETWORKS

Do trên kênh truyền xuất hiện nhiều loại nhiễu gây ảnh hưởng đến tín hiệu thu, nên dữ liệu
thu được sẽ bò sai. Có rất nhiều kỹ thuật triệt nhiễu đã được đề cập trong phần lý thuyết,
nhưng trong luận văn này chỉ đề cập đến kỹ thuật sử dụng bộ cân bằng. Thực tế người ta đã
áp dụng nhiều loại cân bằng khác nhau để xử lý tín hiệu, tuy nhiên trong phạm vi của đề tài
tốt nghiệp chúng em chỉ mô phỏng bộ cân bằng sử dụng Neural Networks. Phần lý thuyết trên
đã nêu rất rõ các loại mạng có trong Neural Networks :

• Mạng Perceptron : Hàm truyền của các neuron là hàm nấc rất giống như neuron sinh học
nhưng thực tế rất ít khi sử dụng trong mạng trí tuệ nhân tạo do khi qua mỗi neuron, tính
chất của tín hiệu không còn chính xác.

• Mạng tuyến tính : Mạng này giống như Perceptron nhưng hàm truyền là hàm tuyến tính

• Mạng hồi tiếp : Mạng hồi tiếp chứa các kết nối ngược trở về các neuron trước đó. Mạng
này có thể chạy không ổn đònh và dao động rất phức tạp. Mạng hồi tiếp rất được các
nhà nghiên cứu quan tâm nhưng không có hiệu quả trong việc giải quyết các vấn đề thực
tế.

• Mạng Seft-Organnizing : Mạng có khả năng học, tìm ra quy luật và các tương quan ở ngõ
vào và đưa ra các đáp ứng có ngõ vào tương ứng. Các neuron của mạng học nhận ra các
nhóm vector ngõ vào giống nhau, tự sắp xếp để nhận biết tần suất xuất hiện của các
vector đầu vào được đưa tới. Do đó mạng Seft-Organizing dùng để phân loại các vector
trong không gian ngõ nhập, thích hợp cho việc nhận dạng, phân loại các tín hiệu ngõ
vào.

Ở đây, chúng ta áp chỉ áp dụng các loại mạng tuyến tính và mạng Backpropagation, thiết kế
sao cho có thể học được đặc tính của chuỗi dữ liệu nhờ chuỗi huấn luyện được mô tả trước.
Mạng thay đổi trọng số liện tục để nhận biết chuỗi dữ liệu đúng. Chương trình mô phỏng này
được thiết kế với nhiều kiểu huấn luyện khác nhau; mỗi mạng, mỗi kiểu huấn luyện có nhiều
Phần 4_Chương 1 : Thiết kế chương trình
Lê Thanh Nhật-Trương Ánh Thu 164 GVHD :Ths. Hoàng Đình Chiến
cấu trúc có thể thay đổi. Mô hình mạng Backpropagation áp dụng cho xử lý tín hiệu số là tốt
nhất do có khả năng tổng quát quá. Kết quả mô phỏng sẽ được trình bày trong phần sau.

Sơ đồ khối của một hệ thống thông tin có thêm bộ cân bằng để triệt nhiễu :
Xem xét một mô hình mạng điển hình.

Mô hình mạng 2 lớp

R đầu vào

neuron lớp 3, hàm truyền purelin
S2x1

S1x1

a1

n1

S2xS1

S1xR

S1x1

Rx1

S2

S1

S1x1

W
1

b
1

1

S1xR

W
P
a2

W

a3

W
S3xS2

Phần 4_Chương 1 : Thiết kế chương trình
Lê Thanh Nhật-Trương Ánh Thu 165 GVHD :Ths. Hoàng Đình Chiến


Lưu đồ giải thuật của chương trình mô phỏng
Begin

Chọn chức năng

Lý thuyết

Chương trình mô phỏng

Demo

Nhập thông số môi tr
ường

Chọn loại mạng và các
thông số mạng


Lưu đồ giải thuật điều chế tín hiệu :
Bộ quyết đònh

Điều chế

Tạo dữ liệu

Lọc BPF

End

RUN
Giải thuật này có tốc độ chạy mô phỏng rất nhanh do không phải lặp lại các phép tính cos, sin
(kỹ thuật điều chế) cho toàn bộ chuỗi bit vào, mà chỉ thực hiện trên hai mẫu (BPSK) hoặc bốn
mẫu (QPSK).
Điều chế mẫu :

BPSK : 2 mẫu
QPSK : 4 mẫu

Lấy mẫu tín hiệu
điều chế tương ứng
End

ĐIỀU CHẾ

Tín hiệu
điều chế

thông số đã nhập
End

HUẤN LUYỆN

NEURAL NETWORKS

Sắp xếp tín hiệu
huấn luyện mạng
đúng với loại mạng
Tiền xử lý
tín hiệu
Tín hiệu đích

Hua
án luyện
mạng
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 170 GVHD :Ths. Hoàng Đình Chiến
Lưu đồ giải thuật mô phỏng Neural Networks


nhập phù hợp với
ngõ vào mạng
Tiền xử lý
tín hiệu
Chạy mô phỏng
mạng đã được
huấn luyện
Hậu xử lý
tín hiệu
Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 171 GVHD :Ths. Hoàng Đình Chiến

Phần 4_Chương 2 : Kết quả mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 172 GVHD :Ths. Hoàng Đình Chiến
Trong cửa sổ giao diện chính có 4 nút nhấn :

Thực thi chương trình, hiện ra cửa sổ để nhập các thông số môi trường
truyền như tần số sóng mang (Fc), tốc độ bit (R), loại nhiễu, …

Chạy file word, hiện lên cửa sổ trình bày nội dung của quyển Luận văn
tốt nghiệp.

Minh họa mạng Neural Networks, hiện lên cửa sổ trình bày một vài ví
dụ về mạng.

Thoát khỏi chương trình mô phỏng, hiện lên cửa sổ thoát.
Khi click chuột vào nút Demo

@ Phương pháp điều chế (BPSK/QPSK)
@ Loại nhiễu (White Noise/Fading/Cochannel)
@ Mức độ nhiễu (SNR/Mean và Variance, số nguồn nhiễu)

Chọn nút Back để quay về cửa sổ chính hay nút Next để qua cửa sổ nhập thông số mạng.

Trong cửa sổ kế tiếp có thể chọn các thông số sau :

@ Các loại mạng :
• Bayesian regularization
• Levenberg_Marquardt
• One Step Secant
• Quasi_Newton
• Scale Conjugate Gradient
• Powell_Beal
• Polak_Ribiére
• Fletcher_Reeves
• Resilient Backpropagation
• Adaptive learning rate
• Gradient descent momentum
• Gradient descent
• Adaptive Linear
@ Loại hàm học : Gradient descent hay Gradient descent momentum
@ Số ngõ vào
@ Số lớp
@ Loại hàm sai số :
• MSE
• MSEREG
• MAE
• SSE

-6
-1
0
1
2.5 3 3.5 4 4.5 5
x 10
-6
-6
-4
-2
0
2
4
2.5 3 3.5 4 4.5 5 5.5
x 10
-6
-2
0
2
(a)
(b)
(c)
(d)
V
V
V
(sec)
V

(a) Tín hiệu điều chế QPSK