Thiết kế chương trình
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (381.31 KB, 18 trang )
Phần 4_Chương 1 : Thiết kế chương trình
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.
M
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
cho ngõ ra có giá trò không giới hạn, chỉ giải quyết những vấn đề độc lập tuyến tính, có
Lê Thanh Nhật-Trương Ánh Thu 162 GVHD :Ths. Hoàng Đình Chiến
Rx1
Rx1
Đầu vào
Phần 4_Chương 1 : Thiết kế chương trình
quy luật huấn luyện LMS mạnh hơn quy luật huấn luyện Peceptron. Mạng tuyến tính có
khả năng đáp ứng sự thay đổi của môi trường, được điều chỉnh theo từng bước dựa trên
vector vào mới và vector mong muốn để tìm được các giá trò trọng số và ngưỡng thích hợp
sao cho tổng bình phương sai số nhỏ nhất. Mạng loại này thường được sử dụng trong
những bộ lọc, những hệ thống điều khiển và xử lý tín hiệu số. Đây là loại mạng đơn giản
nhất có thể áp dụng trong thực tế.
• Mạng Backpropagation : Backpropagation thực hiện dựa trên quy luật học Widrow-Hoff
tổng quát hóa cho mạng đa lớp và các hàm truyền phi tuyến khác nhau. Mạng có ngưỡng,
một lớp sigmoid và một lớp tuyến tính ngõ ra có thể mô phỏng bất kỳ hàm nào với số
mẫu rời rạc hữu hạn. Mạng này được huấn luyện chính xác sẽ cho đáp ứng hợp lý khi đưa
ngõ vào chưa từng được huấn luyện. Thông thường tín hiệu mới vào có ngõ ra tương tự
với ngõ ra chính xác của tín hiệu vào đã được huấn luyện giống với ngõ vào mới này. Do
tính chất tổng quất hóa này, ta có thể huấn luyện mạng dựa trên các cặp vào/ra đại diện
mà vẫn cho kết quả tốt đối với các tín hiệu chưa được huấn luyện.
• Mạng Radial Basis : Mạng Radial Basis yêu cầu nhiều neuron hơn mạng Backpropagation
feedforward chuẩn, nhưng thường thiết kế ít tốn thời gian hơn mạng feedforward chuẩn.
Mạng này sẽ hoạt động tốt khi có nhiều vector huấn luyện. Chính điều này giới hạn
mạng Radial Basis trong việc ứng dụng vào bộ cân bằng. Đồng thời số neuron Radial
Basis tỉ lệ với kích thước không gian ngõ vào và độ phức tạp của vấn đề nên mạng Radial
Basis lớn hơn mạng Backpropagation. Mạng Radial Basis hoạt động chậm vì có quá
nhiều phép tính, tốn nhiều không gian. Do đó, trong luận văn này không mô phỏng mạng
Radial Basis. Mạng Radial Basis chỉ phù hợp cho vấn đề phân loại.
• 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
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.
Lê Thanh Nhật-Trương Ánh Thu 163 GVHD :Ths. Hoàng Đình Chiến
Rx1
Rx1
Đầu vào
Phần 4_Chương 1 : Thiết kế chương trình
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
S
1
neuron trong lớp 1, hàm truyền tansig
S
2
neuron trong lớp 2, hàm truyền purelin
Mô hình mạng 3 lớp
R đầu vào
S
1
neuron lớp 1, hàm truyền tansig
S
2
neuron lớp 2, hàm truyền logsig
S
3
neuron lớp 3, hàm truyền purelin
Lê Thanh Nhật-Trương Ánh Thu 164 GVHD :Ths. Hoàng Đình Chiến
S2x1
S1x1
a1
n1
S2xS1S1xR
S1x1
Rx1
S2
S1
S1x1
W
1
b
1
1 1
P
a2
n2
S2x1
W
2
b
2
S2x1
Lớp Neuron 1 Lớp Neuron 2Đầu vào
S2x1
S3x1
S3
S1x1
a1
n1
S2xS1S1xR
S1x1
Rx1
S2
S1
S1x1
W
1
b
1
1 1
P
a2
n2
S2x1
W
2
b
2
S2x1
a3
n3
S3x1
W
3
b
3
S3x1
S3xS2
1
Lớp Neuron 1 Lớp Neuron 2 Lớp Neuron 3 Đầu vào
Phần 4_Chương 1 : Thiết kế chương trình
Lê Thanh Nhật-Trương Ánh Thu 165 GVHD :Ths. Hoàng Đình Chiến
Phần 4_Chương 2 : Kết quả mô phỏng
CHƯƠNG 2
KẾT QUẢ MÔ PHỎNG
1. THỰC THI CHƯƠNG TRÌNH
Dùng chương trình Matlab để mô phỏng hệ thống thông tin trên. Chương trình mô phỏng thực
thi theo các bước sau :
Lưu đồ giải thuật của chương trình mô phỏng
Lê Thanh Nhật-Trương Ánh Thu 166 GVHD :Ths. Hoàng Đình Chiến
Begin
Chọn chức năng
Chọn chức năng
Lý thuyết
Lý thuyết
Chương trình mô phỏng
Chương trình mô phỏng
Demo
Demo
Nhập thông số môi trường
Nhập thông số môi trường
Chọn loại mạng và các
thông số mạng
Chọn loại mạng và các
thông số mạng
Thực thi chương trình
Thực thi chương trình
End
Xuất kết quả
Xuất kết quả
Phần 4_Chương 2 : Kết quả mô phỏng
Lưu đồ giải thuật điều chế tín hiệu :
Lê Thanh Nhật-Trương Ánh Thu 167 GVHD :Ths. Hoàng Đình Chiến
Bộ quyết đònh
Bộ quyết đònh
Điều chế
Điều chế
Tạo dữ liệu
Tạo dữ liệu
Lọc BPF
Lọc BPF
End
RUN
Lọc BPF
Lọc BPF
Kênh truyền
Kênh truyền
Nhiễu
Nhiễu
Giải điều chế
Giải điều chế
LPF
LPF
Bộ cân bằng
Neural Networks
Bộ cân bằng
Neural Networks
Bộ quyết đònh
Bộ quyết đònh
Tính BER
Tính BER
Xuất kết quả
Xuất kết quả
Phần 4_Chương 2 : Kết quả mô phỏng
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).
Lê Thanh Nhật-Trương Ánh Thu 168 GVHD :Ths. Hoàng Đình Chiến
Điều chế mẫu :
BPSK : 2 mẫu
QPSK : 4 mẫu
Điều chế mẫu :
BPSK : 2 mẫu
QPSK : 4 mẫu
Lấy mẫu tín hiệu
điều chế tương ứng
Lấy mẫu tín hiệu
điều chế tương ứng
End
ĐIỀU CHẾ
Tín hiệu
điều chế
Tín hiệu
điều chế
