Mạng nơ ron dựa trên mô hình lưu trữ trạng thái trực giao tĩnh sử dụng trong tự động hiệu chỉnh giản đồ phát xa anten mạng pha

Trong bài báo này, phát triển một ứng dụng mạng nơ ron nhân tạo (Artificial Neural Network) tích hợp trong hệ thống tổ hợp giản đồ phát xạ của an ten mạng pha. Mạng nơ ron này chứa những tổ hợp điều chỉnh được lưu tĩnh trên phần cứng nhằm tự động sửa chữa về mặt tín hiệu đối với những hưởng phần tử phát xạ của an ten mà không cần biết vị trí hư hỏng. Bài báo đưa ra những cơ sở lý thuyết, quá trình xây dựng hệ thống và những kết quả đạt được dựa trên công cụ mô phỏng Matlab.
Nội dung trích xuất từ tài liệu:
Mạng nơ ron dựa trên mô hình lưu trữ trạng thái trực giao tĩnh sử dụng trong tự động hiệu chỉnh giản đồ phát xa anten mạng pha Nghiªn cøu khoa häc c«ng nghÖ M¹ng n¬ ron dùa trªn m« h×nh l­u tr÷ tr¹ng th¸i trùc giao tÜnh sö dông trong tù ®éng hiÖu chØnh gi¶n ®å ph¸t x¹ anten m¹ng pha Lª duy hiÖu*, nguyÔn ®«n nh©n*, lª ®¹i phong**, hµ huy dòng* Tãm t¾t: HiÖu chØnh m¹ng anten cã c¸c phÇn tö lçi lµ mét vÊn ®Ò thùc tÕ cã nhiÒu øng dông trong liªn l¹c ra ®a, viÔn th«ng vµ vÖ tinh. Khi x¶y ra háng hãc víi mét sè phÇn tö, gi¶n ®å ph¸t x¹ sÏ bÞ biÕn d¹ng vÒ d¹ng bóp sãng còng nh­ chÊt l­îng tÝn hiÖu ph¸t x¹. Trong bµi b¸o nµy, chóng t«i ph¸t triÓn mét øng dông m¹ng n¬ ron nh©n t¹o (Artificial Neural Network) tÝch hîp trong hÖ thèng tæ hîp gi¶n ®å ph¸t x¹ cña an ten m¹ng pha. M¹ng n¬ ron nµy chøa nh÷ng tæ hîp ®iÒu chØnh ®­îc l­u tÜnh trªn phÇn cøng nh»m tù ®éng söa ch÷a vÒ mÆt tÝn hiÖu ®èi víi nh÷ng h­ëng phÇn tö ph¸t x¹ cña an ten mµ kh«ng cÇn biÕt vÞ trÝ h­ háng. Bµi b¸o ®­a ra nh÷ng c¬ së lý thuyÕt, qu¸ tr×nh x©y dùng hÖ thèng vµ nh÷ng kÕt qu¶ ®¹t ®­îc dùa trªn c«ng cô m« pháng Matlab. Tõ khãa: Anten m¹ng pha, M¹ng n¬ ron nh©n t¹o (ANN), Gi¶n ®å ph¸t x¹ (G§PX). 1. Giíi thiÖu Anten m¹ng bao gåm mét l­îng lín c¸c phÇn tö ph¸t x¹ cã nhiÒu øng dông trùc tiÕp trong trong c¸c lÜnh vùc nh­ ra ®a, vÖ tinh vµ viÔn th«ng. Trong qu¸ tr×nh ho¹t ®éng viÖc x¶y ra háng hãc, suy biÕn cña mét hoÆc nhiÒu phÇn tö ph¸t x¹ lµ kh«ng thÓ tr¸nh khái. §iÒu nµy lµm cho møc bóp sãng phô sÏ t¨ng lªn, c¸c h­íng gãc quÐt bÞ dÞch chuyÓn vµ lµm t¨ng b¨ng th«ng trong gi¶n ®å c«ng suÊt. §Ó duy tr× ho¹t ®éng cña anten ®ßi hái ph¶i söa ch÷a, thay thÕ vµ hiÖu chØnh, mµ ®iÒu nµy kh«ng ph¶i lóc nµo còng thùc hiÖn ®­îc th­êng xuyªn, ®Æc biÖt lµ trong c¸c øng dông qu©n sù, viÔn th«ng vµ vÖ tinh. H×nh 1. Minh häa hÖ thèng An ten m¹ng pha tiªu chuÈn. Tuy nhiªn, m¹ng anten cã mét ­u ®iÓm lµ träng sè cña c¸c phÇn tö anten cã thÓ ®­îc ®iÒu chØnh l¹i ®Ó thu ®­îc gi¶n ®å ph¸t x¹ mong muèn. V× vËy, chóng ta cã thÓ tÝnh to¸n l¹i c¸c tham sè tÝn hiÖu kÝch thÝch cho c¸c phÇn tö cßn l¹i ®Ó t¹o ra mét gi¶n ®å míi gÇn gièng víi gi¶n ®å ban ®Çu [1]. ý t­ëng cña ph­¬ng ph¸p lµ khi mét gi¶n ®å ph¸t x¹ ®­îc t¹o ra, nã ®­îc so s¸nh víi gi¶n ®å c¸nh sãng chuÈn ®­îc l­u trong bé nhí ®Ó x¸c ®Þnh xem cã xuÊt hiÖn t×nh tr¹ng háng hãc hay kh«ng. NÕu cã sù kh¸c biÖt nhÊt ®Þnh gi÷a c¸c gi¶n ®å, m¹ng n¬ ron sÏ ®­îc ghÐp nèi vµo hÖ thèng vµ thùc hiÖn tÝnh to¸n l¹i c¸c träng sè ®Ó thu ®­îc mét gi¶n ®å gÇn víi gi¶n ®å chuÈn nhÊt, tøc lµ hiÖu gi÷a 2 gi¶n ®å n»m trong mét giíi h¹n cho phÐp ®Þnh tr­íc ®­îc quy ®Þnh khi thiÕt kÕ. S¬ ®å chøc cña m¹ng n¬ ron nµy ®­îc m« t¶ trªn h×nh 2. T¹p chÝ Nghiªn cøu KH&CN qu©n sù, Sè 31, 06 - 2014. 37  Ra ®a H×nh 2. S¬ ®å chøc n¨ng hÖ thèng anten m¹ng tÝch hîp m¹ng n¬ ron. 2. C¬ së lý thuyÕt 2.1. Qu¸ tr×nh tæ hîp gi¶n ®å h­íng trong anten m¹ng Qu¸ tr×nh t¹o c¸nh sãng cho mét m¹ng anten tuyÕn tÝnh cã thÓ ®­îc dïng riªng cho biªn ®é, pha hoÆc biªn ®é - pha kÕt hîp. NÕu chØ t¸c ®éng vÒ biªn ®é sÏ kh«ng thÓ hiÖu chØnh bï ®­îc cho suy biÕn cña gi¶n ®å m¹ng bÞ háng khi c¸c phÇn tö lçi t¹o ra ph©n bè mÆt më kh«ng ®èi xøng. Tr­êng hîp chØ t¸c ®éng lªn pha víi biªn ®é kh«ng ®æi ®ßi hái ph¶i cã mét l­îng lín c¸c phÇn tö ®Ó t¹o ra møc bóp sãng thÊp. Nh­ vËy, ph­¬ng ph¸p tèi ­u lµ dïng c¶ biªn ®é vµ pha kÕt hîp víi ph©n bè l¹i träng sè nh»m hiÖu chØnh gi¶n ®å bÞ lçi [2]. Víi mét s¾p xÕp ngÉu nhiªn, hÖ sè m¹ng ®­îc tÝnh b»ng: AF  W T S ( ,  m ) (1) víi, w  {w1, w2 ,..., wn}T , wn Cn lµ vÐct¬ träng sè, S lµ vÐct¬ quay, θ vµ θm lµ c¸c biÕn h­íng vµ h­íng c¸nh sãng chÝnh t­¬ng øng. Cn lµ tËp hoÆc c¸c tËp con cña tÊt c¶ c¸c sè phøc. LÊy vÝ dô, mét m¹ng tuyÕn tÝnh cã N phÇn tö gièng nhau, vec t¬ quay cña nã ®­îc tÝnh bëi:   N 1  (2) S  exp  jkd  n    (cos   cos  n )    2   C«ng thøc (2) ®¶m b¶o víi cïng bé träng sè tèi ­u ®ã cho c¸nh sãng chÝnh ë h­íng ngang cã thÓ dïng ®­îc cho c¸c h­íng kh¸c, khi vect¬ S ë trªn ®­îc tÝnh to¸n l¹i cho h­íng chÝnh c¸nh sãng míi. Gi¶n ®å ph¸t x¹ ®­îc tÝnh nh­ sau: (3) trong ®ã, ai, φi là träng sè biªn ®é vµ pha kÝch thÝch ban ®Çu; k0 lµ sè sãng 2π/λ; Xi lµ vÞ trÝ ph¸t x¹ trªn mÆt ngang i x d. M« h×nh x©y dùng gi¶n ®å ph¸t x¹ theo c«ng thøc (3) ®­îc m« t¶ trong h×nh 3. H×nh 4 minh häa gi¶n ®å ph¸t x¹ (G§PX) chuÈn ®­îc t¹o ra vµ G§PX khi cã phÇn tö háng. Khi phÇn tö thø M háng trong m¹ng, träng sè cña nã wm ®­îc coi lµ xÊp xØ 0. Do ®ã, m¹ng n¬ ron nh©n t¹o (AAN) cã thÓ ¸p dông ®Ó hiÖu chØnh møc bóp sãng phô vµ d¹ng sãng bóp chÝnh cña gi¶n ®å khi xÐt tíi c¸c háng hãc tr­íc ®ã, ®iÒu nµy sÏ ®­îc lµm râ trong phÇn tiÕp theo cña bµi b¸o. 38 L.D. HiÖu, …, H.H. Dòng, “M¹ng n¬ron dùa trªn m« h×nh … ph¸t x¹ anten m¹ng pha .” Nghiªn cøu khoa häc c«ng nghÖ H×nh 3. M« h×nh x©y dùng gi¶n ®å ph¸t x¹ trong m¹ng anten. H×nh 4. Gi¶n ®å ph¸t x¹ cña anten m¹ng trong tr­êng hîp chuÈn vµ lçi phÇn tö. 2.2 M¹ng n¬ ron nh©n t¹o (ANN) M¹ng n¬ ron lµ m« h×nh tÝnh to¸n dùa theo bé n·o sinh häc, trong ®ã mçi n¬ ron lµ mét hµm chøc n¨ng ®¬n gi¶n, tËp c¸c n¬ ron kÕt nèi ch»ng chÞt víi nhau th«ng qua sù hiÖu chØnh, vµ ®Þnh h­íng c¸c liªn kÕtnh»m t¹o ra cÊu tróc xö lÝ ph©n bè song song.M¹ng n¬ ron nh©n t¹o ANN (Artificial Neural Network) lµ mét tËp c¸c n¬ ron nh©n t¹o, ...