Ước lượng kênh vô tuyến dùng deep learning cho hệ thống ghép kênh theo tần số trực giao

Bài viết Ước lượng kênh vô tuyến dùng deep learning cho hệ thống ghép kênh theo tần số trực giao trình bày ước lượng kênh cho hệ thống OFDM dùng DL. Kết quả cho thấy khi thông tin về kênh nhiều (số Pilot nhiều) thì phương pháp DL và MMSE tỉ lệ lỗi ký hiệu tốt như nhau, còn với LS thì kém hơn. Khi thông tin về kênh truyền ít (số Pilot ít) thì phương pháp DL có SER tốt hơn các phương pháp truyền thống. Như vậy khi các thông tin về kênh càng ít thì phương pháp DL càng hiệu quả.
Nội dung trích xuất từ tài liệu:
Ước lượng kênh vô tuyến dùng deep learning cho hệ thống ghép kênh theo tần số trực giao Tuyển tập Hội nghị Khoa học thường niên năm 2022. ISBN: 978-604-82-7001-8 ƯỚC LƯỢNG KÊNH VÔ TUYẾN DÙNG DEEP LEARNING CHO HỆ THỐNG GHÉP KÊNH THEO TẦN SỐ TRỰC GIAO Mai Văn Lập Trường Đại học Thuỷ lợi, email: lapmv@tlu.edu.vn1. GIỚI THIỆU CHUNG trong việc ước lượng kênh vô tuyến, nhất là trong trường hợp có ít thông tin về kênh. Đối với truyền thông vô tuyến, tín hiệu thu Trong bài báo này tác giả dùng kỹ thuật DLđược phụ thuộc rất nhiều vào kênh truyền để ước lượng kênh vô tuyến cho hệ thốngnhư: nhiễu từ các tín hiệu khác; tín hiệu bị ghép kênh phân chia theo tần số trực giaophản xạ, tán xạ (gọi là Fading đa đường) và (Orthogonal Frequency Division Multiplexingphụ thuộc vào tốc độ di chuyển của thiết bị - OFDM).thu so với thiết bị phát gây nên sự dịch tần Kỹ thuật OFDM là một loại điều chế đa sóng(hiệu ứng Doppler). Kết quả là tín hiệu tại mang. Ưu điểm của kỹ thuật này là hiệu suấtphía thu thu được rất nhiều dạng của tín hiệu, phổ cao, giảm nhiễu xuyên ký tự và hiệu ứng đadẫn đến khó khôi phục lại tín hiệu ban đầu. đường, khả năng chống lại nhiễu đồng kênh Để có thể thu lại tín hiệu thì phải biết mô băng thông hẹp trong hệ thống không dây.hình kênh truyền. Từ đó có các phương pháp OFDM đã và đang được áp dụng rộng rãikhôi phục lại tín hiệu. trong các hệ thống 4G, thông tin quang, Đối với kênh vô tuyến có một số mô hình DVB-T2, DVB-S2, IEEE 802.11a, Hiperlan2kênh như: Kênh tạp âm trắng cộng tính và tiêu chuẩn truy cập không dây băng thông(AWGN - Additive White Gaussian Noise), rộng IEEE 802.16a [1].kênh fading, kênh fading Rayleigh, kênhfading Rice. 2. PHƯƠNG PHÁP NGHIÊN CỨU Khi tín hiệu truyền qua kênh truyền thì sẽ bịsuy hao, để có thể bù lại những suy hao đó người Tác giả sử dụng phương pháp nghiên cứuta dùng các phương pháp ước lượng kênh. lý thuyết và mô phỏng hệ thống. Ước lượng kênh là thông qua mô hìnhkênh (đáp ứng kênh) từ đó dùng các kỹ thuật 3. KẾT QUẢ NGHIÊN CỨUước lượng để khôi phục các tín hiệu đã bị suy 3.1. Sơ đồ khối hệ thốnghao do kênh truyền. Các bit dữ liệu nhị phân đầu vào x(k) được Các phương pháp ước lượng truyền thống là biến đổi thành tín hiệu x(n) qua bộ phátbình phương nhỏ nhất (LS - Least Square) và OFDM, x(n) sau đó được truyền qua kênhsai số bình phương trung bình tối thiểu truyền đa đường có đáp ứng xung h(n) và(MMSE - Minimum Mean Squares Error) [3]. nhiễu AWGN w(n), ở đầu thu ta nhận được Phương pháp MMSE hiệu quả hơn bằng y(n), sau khi qua bộ thu OFDM khôi phục lạicách sử dụng các thống kê bậc hai của kênh, tín hiệu nhị phân ban đầu.nhưng tính toán phức tạp. Gần đây với sựphát triển của mạng nơron nhân tạo (ANN - y(n) = x(n)h(n) + w(n) (1)Artificial Neural Networks) và học sâu (DL- Thực hiện biến đổi Fourier rời rạc (DFT -Deep Learning) [2] đã cho kết quả vượt trội Discrete Fourier Transform) của (1), tín hiệu thu trong miền tần số là: 265Tuyển tập Hội nghị Khoa học thường niên năm 2022. ISBN: 978-604-82-7001-8 Y(k) = X(k)H(k) + W(k) (2) và lớp ra (Output layer) như hình 3. Mỗi lớp Trong đó đáp ứng tần số kênh H(k) là DFT có các nơron.của h(n) và W(k) là DFT của w(n). Bằng Trong đó: W là ma trân trọng số, b là hệ sốcách ước lượng hệ số đáp ứng tần số kênh điều chỉnh (bias), x là tín hiệu đầu vào, z là giáH(k), dữ liệu X(k) có thể được khôi phục ...