Luận án Nghiên cứu giải pháp giảm can nhiễu và méo phi tuyến trong hệ thống thông tin vệ tinh - Nguyễn Viết Minh

, xây dựng hệ thống. Nền tảng của phương pháp là: + Mô phỏng hệ thống: Mô hình hóa cấu trúc hệ thống và mô tả hành vi của hệ thống. + Phân tích, đánh giá hiệu năng trên mô hình mô phỏng hệ thống. Để đánh giá chính xác hiệu năng của bộ cân bằng đề suất, luận án sử dụng phương pháp giải tích, thông qua việc tính toán các tham số hiệu năng để phân tích hiệu năng của bộ cân bằng mới. Bên cạnh đó, để đánh giá hiệu năng bộ cân bằng với nhiều kịch bản khác nhau, so sánh được với các giải pháp tương đồng, luận án cũng sử dụng phổ biến phương pháp mô phỏng. Với phương pháp này, luận án sử dụng Matlab là chương trình máy tính được thiết kế đặc thù để mô phỏng hệ thống thông tin vệ tinh cho hai trường hợp là hệ thống thông tin vệ tinh cố định sử dụng quỹ đạo địa tĩnh và hệ thống thông tin vệ tinh di động sử dụng quỹ đạo thấp. Các mô hình bộ cân bằng, các giải thuật học cũng như công cụ đánh giá hiệu năng của bộ cân bằng được Matlab cung cấp khá đầy đủ. Các phương pháp đánh giá hiệu năng này được ứng dụng trong chương 3 và 4 của luận án. Các mô hình mô phỏng, kịch bản mô phỏng và các thông số hệ thống được trình bày chi tiết trong các nội dung cụ thể. 43 2.3. GIẢI PHÁP NÂNG CAO HIỆU NĂNG BỘ CÂN BẰNG 2.3.1. Cân bằng sử dụng mạng nơ-ron 2.3.1.1. Khái quát mạng nơ-ron Mạng nơ-ron nhân tạo, ANN, là mô hình toán học được xây dựng dựa trên các mạng nơ-ron sinh học. Nó gồm các nút (nơ-ron nhân tạo) nối với nhau, xử lý thông tin bằng cách truyền theo các kết nối và tính các giá trị tại các nút [29]. a. b1 bn b2 ∑ I w H(.) g(.) u1 u2 un v(t) x(t) y(t) b. Hình 2.1. (a) Mô hình nơ-ron sinh vật; (b) Mô hình nơ-ron nhân tạo Thiết lập mô hình toán với: uk là các đầu vào ngoài, phụ thuộc thời gian. bk là trọng số liên kết các đầu vào ngoài, phụ thuộc thời gian. I là ngưỡng. w là trọng liên kết các đầu vào trong. y(t) là đầu ra nơ-ron. 44 Một mạng nơ-ron nhân tạo gồm ba phần chính: Tổng các liên kết đầu vào v(t), động học tuyến tính x(t), phi tuyến không động học g(.). Khi đó ta có Tổng các liên kết đầu vào.       1 n k k k v t wy t b u t I     (2.1) Phần động học tuyến tính: Ta sử dụng toán tử Laplace để mô tả phần động học tuyến tính như một hàm truyền đạt:      X s H s V s (2.2) Dưới đây là một số hàm  H s thường dùng cho nơ-ron nhân tạo [29]: Bảng 2.1. Một số hàm H(s) thường dùng cho nơ-ron nhân tạo H(s) 1 1 s 1 1 sT  sTe  Quan hệ vào ra    v t x t    dx t v t dt        dx t v t T x t dt      v t T x t  Phần phi tuyến: Đầu ra của các nơ-ron sinh học là các xung và thường có giới hạn chặn vì thế nên trong mạng nơ-ron nhân tạo, để ổn định đầu ra, ta dùng các hàm chặn ở lối ra cho các tín hiệu, thường ở dạng phi tuyến với hàm g(.). Như vậy đầu ra mạng nơ-ron nhân tạo có thể được viết như sau:   .y g x t    (2.3) 45 2.3.1.2. Bộ cân bằng nơ-ron Bộ cân bằng dùng RBF Mô hình kênh nghiên cứu trong phần này bao gồm một HPA không nhớ theo sau là một bộ lọc FIR H [5]. Cân bằng kênh được sử dụng để giảm nhiễu ISI và méo phi tuyến. Về cấu trúc, cân bằng kênh bao gồm một bộ lọc FIR tuyến tính Q' theo sau là một mạng nơ-ron giá trị phức hai lớp không nhớ (hình 2.2). Bộ lọc thích nghi Q' nhằm mục đích để đảo ngược phần tuyến tính của hệ thống, và do đó nó được kỳ vọng sẽ giảm thiểu ISI. Các mạng nơ-ron không nhớ sử dụng cấu trúc RBF nhằm đảo ngược tính phi tuyến, và do đó nó được dự kiến sẽ giảm thiểu méo phi tuyến. Hơn nữa, các kênh được giả định là chưa biết, do đó, các bộ cân bằng cần phải được thích ứng. Cuối cùng, xem xét ở đây phương pháp điều chế M-QAM (điều này xác định việc sử dụng bộ cân bằng giá trị phức). HPA H + Q + S Thuật toán hướng dẫn e(n) x(n-D) Kênh Bộ cân bằng RBF-I RBF-R x(n) Tạp âm s(n) + - j Hình 2.2. Cân bằng thích ứng của kênh phi tuyến có nhớ Đầu ra các bô lọc có thể được viết như sau [5]:         1 0 q'N R I k k z n q y n k z n jz n       (2.4) 46 Mạng nơ-ron bao gồm hai mạng con, một cho phần thực (R), một cho phần ảo (I). Mỗi mạng con có hai đầu vào vô hướng (zR(n) và zI(n)), M nơ-ron trong lớp đầu tiên, và một đầu ra vô hướng. Hai đầu ra này sau đó được kết hợp để tạo thành đầu ra phức s(n) biểu diễn bởi:      R Is n s n js n  (2.5) Trong đó: sR(n) và sI(n) là những kết quả đầu ra của mạng con R và I tương ứng:        1 M R R a,R R b,R R R k k k k k s n c g w z n w z n b     (2.6)        1 M I I a,I R b,I I I k k k k k s n c g w z n w z n b     (2.7) Đầu ra cân bằng được cho bởi:      R Is n s n js n  (2.8) Tron đó: {wka,R, wkb,R, bkR, ckR} và { wka,I, wkb,I, bkI, ckI }, k = 1, ..., M, là trọng số của mạng con R và I tương ứng. Các thông số mạng nơ-ron được cập nhật để cực tiểu hàm mục tiêu J(n) giữa đầu ra mong muốn (đó là một chuỗi được biết đến là truyền trễ, x(n - ∆)) và cân bằng đầu ra s(n):               22 221 1 1 2 2 2 R IJ n e n e n e n x n s n     D  Tập các tham số thiết lập của mạng con R và I được ký hiệu tương ứng như sau: 1 1 1 1 ; T R a,R a,R b,R b,R R R R R M M M Mw w ; w w ; c c b b, , , ,       1 1 1 1 ; ; ; T I a ,I a ,I b,I b,I I I I I M M M Mw w w , w c b, c , b ,       Việc đề xuất cải tiến bộ cân bằng RBF cho kênh vệ tinh phi tuyến được luận án trình bày trong các phần 3.3 và 3.4 chương 3. 47 2.3.2. Cân bằng sử dụng phương pháp kernel 2.3.2.1. Khái quát phương pháp kernel Phương pháp kernel có thể được xem là việc học dựa trên mẫu: Thay vì học một số tập thông số tương ứng với các đặc tính của đầu vào, kernel sẽ nhớ mẫu huấn luyện thứ i  ,i ix y và học trọng số tương ứng của chúng wi [7]. Việc dự đoán cho các đầu vào chưa được gán nhãn, nghĩa là chúng không trong tập huấn luyện, được thực hiện bằng việc ứng dụng hàm đồng dạng k, được gọi là kernel, giữa đầu vào không được gán nhãn x’ và mỗi đầu vào huấn luyện xi . Ví dụ bộ phân loại nhị phân kernel thường tính toán tổng đồng dạng theo trọng số là: [54]   1 ˆ sgn , ' n i i i i y w y k x x          (2.9) Trong đó:  ˆ 1, 1y   là giá trị dự kiến của bộ phân loại nhị phân kernel với đầu vào không gán nhãn 'x chứa nhãn y quan tâm. :k X X  là hàm kernel dùng để xác định sự giống nhau giữa cặp đầu vào , 'x x X với X  Tổng theo n mẫu được gắn nhãn là dãy    1 , n i i i x y  trong tập huấn luyện, với  1, 1iy    . iw  là trọng số cho các mẫu huấn luyện, được xác định bởi thuật toán học. Hàm dấu sgn(.) xác định phân loại dự đoán yˆ là dương hay âm. Cơ sở toán học Phương pháp kernel tránh phép ánh xạ trực tiếp vẫn thường dùng trong các giải thuật học tuyến tính để học hàm phi tuyến hoặc biên quyết định. Với mọi x và x’ trong 48 không gian đầu vào X, các hàm tất định  , 'k x x có thể được biểu diễn theo tích vô hướng trong không gian V khác. Hàm :k X X  được gọi là hàm kernel [54]. Các bài toán nhất định trong học máy có cấu trúc mở rộng hơn hàm trọng số k. Việc tính toán khi đó sẽ đơn giản hơn nhiều khi kernel có thể được viết lại dưới dạng “ánh xạ đặc trưng” : X V  thỏa mãn: [54]      , ' , ' . V k x x x x  (2.10) Giới hạn quan trọng đó là .,. V phải đúng là tích vô hướng. Nói cách khác việc biểu diễn tường minh cho  là không cần thiết khi V là không gian tích vô hướng. Một lựa chọn xuất phát từ định lý Mercer: Hàm ẩn  tồn tại bất cứ khi nào không gian X được trang bị số đo phù hợp đảm bảo cho hàm k thỏa mãn điều kiện Mercer. Theo lý thuyết, ma trận Gram K n n ứng với  1, , nx x được gọi là ma trận kernel với   ij K ,i jk x x phải là bán xác định dương. Nếu hàm kernel k đồng thời là hàm hiệp phương sai như sử dụng trong quá trình Gaussian, khi đó ma trận Gram K cũng được gọi là ma trận hiệp phương sai. Định nghĩa hàm kernel Hàm kernel là một hàm đối xứng liên tục xác định bởi k : X X  hoạt động trên không gian số liệu vào X. Kernel được gọi là xác định dương nếu với một tập điểm số liệu đầu vào nào đó   1 N i i x X   thỏa mãn: [54]   , , 1 , 0; ; , 1,..., N i j i j i j i j k x x i j N        (2.11) Ma trận kernel: Với một tập điểm N số liệu đầu vào đã cho  1,..., Nx x , ma trận cỡ NxN phần tử  ij ,i jK k x x được gọi là ma trận kernel của K tương ứng với tập số liệu , 1,...,i j N . 49 Ta có thể tìm được một không gian đặc trưng gắn với thuật toán tích vô hướng. Để tạo ra không gian đặc trưng, trước hết xác định ánh xạ đặc trưng từ X vào không gian hàm H đối với kernel xác định dương đã cho K:   : ,. . X H x k x    (2.12) Hàm  x gắn với giá trị  , 'k x x ứng với điểm đầu vào x’. Ta hiểu hàm kernel là một hàm đồng dạng, ánh xạ này biểu thị mọi điểm vào x bằng một sự tương tự của nó  ,.k x đối với tất cả các điểm khác trên miền X. Để tạo nên một không gian đặc trưng gắn với  , ảnh của  phải biến thành một không gian véc-tơ có đặc tính gắn với tích vô hướng. Có thể xác định một không gian véc-tơ bằng cách thực hiện tổ hợp tuyến tính dạng [54]:     1 . ,. . m i i i f k x   (2.13) Ở đây , ,i im x được chọn bất kỳ, 1,...,i m . Tích vô hướng giữa f và một hàm khác    ' 1 . ,. m i j i g k x   trong không gian này được xác định:   ' ' 1 1 , , . m m i j i j i j f g k x x     (2.14) Từ định nghĩa trên rút ra:    ,. , ;k x f f x x X   (2.15) Nói cách khác, biểu thức tính f được thực hiện thông qua biến đổi kernel. Thực tế, kernel k biểu lộ đặc tính tái tạo:      ,. , ',. , ' .k x k x k x x (2.16) 50 Kernel xác định dương có một không gian đặc trưng kèm theo, với:      , ' , ' .k x x x x  (2.17) Định lý Mescer [54]: Cho một không gian compact vào x và một tập 2L của các hàm bình phương khả tích     2 2; . x f x dx f L    . Nếu k là một hàm thực, đối xứng sao cho   2.f L  ta có: [54]      , ' ' ' 0. x k x x f x f x dxdx  (2.18) Thì có thể khai triển thành:       1 , ' ' . Hn i i i i k x x x x    (2.19) Ở đây ,i i  là các hàm riêng và giá trị riêng không âm của k tương ứng. Từ định lý Mescer cho phép tạo ra một ánh xạ Mescer Kernel của một điểm số liệu:        1 1 2 2, ,..., .H H T n nx x x x         (2.20) Số chiều của không gian này phụ thuộc vào số các giá trị riêng Hn , với trường hợp Kernel Gaussian thì nó là vô hạn. 2.3.2.2. Bộ cân bằng kernel Phương pháp kernel dùng cho cân bằng kênh phi tuyến là một phương pháp chứng tỏ được sự vượt trội so với các bộ cân bằng nơ-ron RBF vì đặc tính nghiệm tối ưu toàn phần của nó thay cho tối ưu cục bộ. Topo của mô hình có thể tăng trưởng theo số liệu, có thể điều chỉnh rõ ràng mà cân bằng nơ-ron không có được. 51 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:               1 . T x i Ax i n i d i u i x i v i      (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  và     1 ; . . 0; T q I i j E n i n j i j       (2.22)     2 ; . . 0; q i j E v i v j i j        (2.23) 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 các mục 4.3 và 4.4 chương 4. 2.4. KẾT LUẬN CHƯƠNG 2 Kênh vệ tinh có thể coi là một hệ thống động phi tuyến với hai thách thức nổi bật là méo phi tuyến do các bộ khuếch đại công suất cao trên vệ tinh gây ra và pha đinh đa đường trong tuyến xuống. 52 Bài toán lớn đặt ra cho các nhà nghiên cứu là: Phải loại bỏ được méo phi tuyến và pha đinh đa đường để nâng cao tốc độ truyền dẫn và hiệu quả sử dụng tài nguyên vệ tinh. Để giải quyết bài toán đó đã có nhiều công trình nghiên cứu được công bố và họ tập trung vào các giải pháp nhận dạng kênh và cân bằng kênh. Các kỹ thuật cân bằng cho kênh vệ tinh được trình bày trong chương này, cùng với việc phân tích các các đặc trưng cơ bản để từ đó tìm giải pháp cải thiện hiệu năng. Chương 2 đã phân tích giải pháp cải thiện hiệu năng cân bằng cho kênh vệ tinh phi tuyến có nhớ sử dụng bộ cân bằng nơ-ron và cân bằng kernel. Đây là cơ sở cho các đề suất về giải pháp cải thiện hiệu năng bộ cân bằng trình bày trong chương 3 và 4 tiếp theo. 53 CHƯƠNG 3: GIẢM CAN NHIỄU VÀ MÉO PHI TUYẾN CHO HỆ THỐNG THÔNG TIN VỆ TINH CỐ ĐỊNH DỰA TRÊN QUỸ ĐẠO ĐỊA TĨNH Tóm tắt 3: Với cự ly truyền dẫn trên 36.000km của đường truyền đến vệ tinh địa tĩnh thì việc sử dụng bộ khuếch đại công suất cao là yêu cầu bắt buộc, tuy nhiên kèm theo đó là ảnh hưởng của méo phi tuyến mạnh. Giải pháp cân bằng cho hệ thống này đặt cao yêu cầu về giảm méo phi tuyến. Nội dung chương này trình bày giải pháp cân bằng nơ-ron cho kênh thông tin vệ tinh cố định sử dụng quỹ đạo địa tĩnh. Mô hình kênh vệ tinh địa tĩnh được phân tích để từ đó xây dựng bộ cân bằng nơ-ron phù hợp. Chương tập trung trình bày giải pháp cải tiến tham số bộ cân bằng RBF bằng cách bố trí hợp lý số tâm của nó trong quá trình huấn luyện, giúp giảm khối lượng tính toán, cải thiện tốc độ hội tụ qua đó nâng cao hiệu năng cân bằng. 3.1. HỆ THỐNG THÔNG TIN VỆ TINH CỐ ĐỊNH QUỸ ĐẠO ĐỊA TĨNH Các hệ thống thông tin vệ tinh quỹ đạo địa tĩnh được triển khai rộng rãi, cung cấp các dịch vụ vệ tinh cố định, quảng bá và di động. Quỹ đạo địa tĩnh, GEO, có độ cao 36.000km. Do khoảng cách truyền dẫn quá xa nên máy phát phải có công suất lớn hàng trăm Oát để bù cho tổn hao truyền sóng lớn. Các bộ khuếch đại sử dụng thường là đèn sóng chạy, TWT, được tuyến tính hóa bằng làm méo trước. Tuy nhiên để hiệu suất khuếch đại cao thì điểm làm việc của TWTA thường ở vùng gần điểm bão hòa do đó hệ thống chịu ảnh hưởng của méo phi tuyến mạnh [9]. 3 : Kết quả nghiên cứu của chương 3 được công bố trong 02 bài báo đăng trên Tạp chí Khoa học Công nghệ Quân sự [T1], Tạp chí Khoa học và Công nghệ Đại học Công nghiệp Hà Nội [T4]. 54 Vấn đề lớn cần giải quyết của hệ thống thông tin vệ tinh quỹ đạo địa tĩnh chính là méo phi tuyến. Đây là nhiệm vụ chính của bộ cân bằng cho kênh vệ tinh này. 3.2. MÔ HÌNH KÊNH VỆ TINH CỐ ĐỊNH QUỸ ĐẠO ĐỊA TĨNH 3.2.1. Đặc tính kênh truyền sóng cố định quỹ đạo địa tĩnh Các hệ thống thông tin vệ tinh cố định sử dụng quỹ đạo địa tĩnh với các băng tần phổ biến như C (6/4GHz), Ku (14/12GHz), Ka (30/20GHz). Với các băng tần này cùng với cự ly truyền dẫn rất xa, vấn đề lớn nhất gặp phải là tổn hao truyền sóng do khuếch tán tất yếu cực lớn và tổn hao trong khí quyển. Hình 3.0. Đường truyền vệ tinh cố định bị ảnh hưởng của khí quyển Với tổn hao trong khí quyển, với tần số dưới 3GHz cần xem xét ảnh hưởng của tần điện ly, còn với tần số trên 10GHz là ảnh hưởng của tầng đối lưu. Các ảnh hưởng của khí quyển được ITU-R đưa ra trong các khuyến nghị được liệt kê trong bảng 3.1. Vệ tinh địa tĩnh 55 Bảng 3.1. Các mô hình dự báo truyền sóng qua khí quyển của ITU-R Thành phần Suy hao Khuyến nghị ITU-R Thông số mô hình Phạm vi đánh giá Suy hao lệch phân cực do tương tác điện trường P. 618-11, 2013 Suy hao Lên tới 3GHz Suy hao Ôxy P.676-10 (9/2013) Cao độ bề mặt/mặt đất, nhiệt độ, áp suất Lên tới 350GHz Suy hao hơi nước P.676-10 (9/2013) Nhiệt độ, áp suất, mật đô hơi nước ở cao độ mặt đất, Thống kê IWVC Lên tới 350GHz Suy hao mây P.840-6 (9/2013) Thống kê ILWC Lên tới 200GHz Suy hao mưa P.618-11 (9/2013) Độ cao mưa Lên tới 55GHz Suy hao mưa dài hạn theo tần số P.618-11 (9/2013) Suy hao, tần số 7 – 55 GHz Lệch phân cực do tinh thể băng và mưa P.618-11 (9/2013) Suy hao 6 – 55 GHz Nhấp nháy P.618-11 (9/2013) Sự khúc xạ sóng vô tuyến 4 – 20 GHz 3.2.2. Mô hình tổn hao trong khí quyển Tần số dưới 3GHz: Ảnh hưởng của tầng điện ly Khi tín hiệu lan truyền qua tầng điện ly, phân cực sóng bị thay đổi do hiện tượng quay phân cực Faraday liên quan đến tương tác giữa sóng điện từ và môi trường điện ly. Bên cạnh đó là các vấn đề liên quan đến trễ nhóm, nhanh pha, nhấp nháy do cấu trúc không đồng nhất của tầng điện ly. Các ảnh hưởng của tầng điện ly đối với quá trình truyền lan sóng được tóm tắt trong khuyến nghị ITU-R, P.618-11, 2013. Các 56 ảnh hưởng nghiêm trọng nhất của tầng điện ly phụ thuộc theo tần số được cho trong bảng 3.2. Bảng 3.2. Phụ thuộc theo tần số của các ảnh hưởng nghiêm trọng nhất trong tầng điện ly Ảnh hưởng của tầng đối lưu Phụ thuộc theo tần số Quay phân cực Faraday 1 𝑓2⁄ Trễ truyền lan 1 𝑓2⁄ Khúc xạ 1 𝑓2⁄ Thay đổi góc tới 1 𝑓2⁄ Hấp thụ ≈ 1 𝑓2⁄ Tán xạ 1 𝑓3⁄ Tần số trên 10GHz: Ảnh hưởng của tầng đối lưu Các ảnh hưởng chính của tầng đối lưu lên quá trình truyền lan sóng điện từ được liệt kê trong bảng 3.3. 57 Bảng 3.3. Ảnh hưởng của suy giảm trong tầng đối lưu lên hệ thống thông tin vệ tinh Suy giảm truyền lan sóng Nguồn gốc vật lý Suy hao tín hiệu vô tuyến, tăng tạp âm bầu trời Hấp thụ do khí và tán xạ do thủy thiên thạch Lệch phân cực tín hiệu Dịch pha và suy hao khác nhau do hạt nước và tinh thể băng Nhấp nháy tín hiệu trong tầng đối lưu Sự thay đổi của chỉ số khúc xạ trong tầng đối lưu Khúc xạ và đa đường trong khí quyển Sự thay đổi của mật độ tầng đối lưu Trễ truyền lan và biến thiên trễ Truyền lan trong không gian tự do và sự thay đổi thời gian do tầng đối lưu Nhiễu giữa các hệ thống Sự không đồng nhất của môi trường truyền lan không gian – tán xạ tầng đối lưu 3.2.3. Mô hình kênh FSS Đối với kênh vệ tinh địa tĩnh, vấn đề chính cần giải quyết là đặc tính phi tuyến cao của bộ khuếch đại công suất cao gây ra méo phi tuyến mạnh. Kênh thông tin vệ tinh về cơ bản hoạt động như kênh không nhớ phi tuyến do đầu ra chỉ phụ thuộc vào đầu vào hiện tại [4]. Biểu diễn tín hiệu đầu vào HPA là hàm      0j nx n r n e  , khi đó đầu ra được biểu diễn dưới đây: [56]             0j r n ny n f x n A r n e       (3.1) Trong đó 𝐴(𝑟) và 𝜙(𝑟) gọi là chuyển đổi biên độ - biên độ (AM/AM) và chuyển đổi biên độ - pha (AM/PM). Hệ số khuếch đại được xác định:    A r G r r  (3.2) 58 Phương trình giải tích thông số hóa Saleh nổi tiếng [57] là ví dụ điển hình cho mô hình HPA truyền thống, ở đó sự chuyển đổi AM/AM và AM/PM được mô hình hóa lần lượt như sau:     2 2 21 1 pa a p rr A r ; r r r         (3.3) Các tham số 𝛼𝑎 , 𝛽𝑎 , 𝛼𝑝, 𝛽𝑝 được lựa chọn để phù hợp với dữ liệu đo được đầu vào – đầu ra bộ khuếch đại. Ví dụ, các giá trị sau được lấy đối với bộ khuếch đại TWT: 𝛼𝑎 = 2, 𝛽𝑎 = 1, 𝛼𝑝 = 4, 𝛽𝑝 = 9. Độ lùi được định nghĩa là tỉ số giữa công suất bão hòa đầu vào bộ khuếch đại 𝑃𝑠𝑎𝑡 và công suất tín hiệu đầu vào (𝑃𝑖𝑛):   10 sat in P BO dB log P        (3.4) Tuy nhiên với đặc tính của hệ thống vệ tinh đa phương tiện, như đã trình bày trong chương 2, sử dụng truyền dẫn đa sóng mang, băng thông truyền dẫn thay đổi tùy theo dịch vụ vì vậy đặc tính phi tuyến của HPA có sự thay đổi tùy theo chế độ truyền dẫn thực tế. Các mô hình HPA truyền thống lúc này không còn chính xác. Cần có các mô hình phân tích HPA hiệu quả do nhiều lý do, chẳng hạn như để thực hiện mô phỏng kênh thông tin số, phân tích và đánh giá hiệu năng của tuyến thông tin vệ tinh, nghiên cứu ảnh hưởng của tính phi tuyến lên trạng thái của hệ thống (như thay đổi phổ, nhiễu đồng kênh, ISI ). Do đó, rất quan trọng để đạt được mô hình phân tích hiệu quả nhằm xấp xỉ chính xác trạng thái vật lý của HPA. Trong luận án, NCS lựa chọn sử dụng mạng nơ-ron để mô hình bộ khuếch đại HPA dùng phương pháp giảm NG cho quá trình học. Lợi thế cơ bản của mô hình NN so với các mô hình truyền thống [5] là có hiệu năng xấp xỉ MSE tốt hơn các mô hình HPA truyền thống. Tính thích ứng giúp NN mô hình hóa trực tiếp chính xác. Các mô hình truyền thống dựa trên thủ tục tối ưu hóa gián tiếp, nó không cho phép mô hình 59 hóa trực tiếp. Hơn nữa, NN có thể mô hình hóa nhiều dạng HPA sử dụng cùng cấu trúc tham số (ví dụ cấu trúc với 5 nơ-ron); chỉ có các giá trị trọng số thay đổi theo từng mô hình. Ngược lại, hầu hết các mô hình truyền thống được thiết kế cho một họ HPA xác định (ví dụ HPA với trạng thái tiệm cận xác định). Vì vậy chúng có thể không phù hợp với thế hệ HPA mới sử dụng trong các hệ thống thông tin tiên tiến hiện nay [1] [3]. 3.3. CÂN BẰNG KÊNH VỆ TINH BẰNG BỘ CÂN BẰNG NƠ-RON 3.3.1. Nhận dạng kênh bằng mạng nơ-ron Mô hình HPA sử dụng NN được trình bày trong hình 3.1 [5]. HPA + +S Cập nhật trọng số x(n) y(n) N0(n) e(n) s(n) b1 b2 bM c1 c2 cM w1 w2 wM - Hình 3.1. Mô hình thích ứng HPA phi tuyến sử dụng NN Sơ đồ mô hình hóa đặc tính HPA sử dụng mạng nơ-ron MLP hai lớp. NN có đầu vào vô hướng, M nơ-ron ở lớp thứ nhất và đầu ra vô hướng. Tập số liệu vào – ra (thu thập từ đo vật lý HPA, hoặc từ tín hiệu vào – ra kênh vệ tinh) được cung cấp cho NN. Đầu ra mạng tại thời điểm 𝑛 được biểu diễn:      1 M k k k k s n c g w x n b    (3.5) 60 Trong đó 𝑥(𝑛) là mẫu đầu vào tại thời điểm 𝑛 và 𝑔 là hàm kích hoạt (ở đây ta lấy hàm tiếp tuyến hyperbol). Các dãy {𝑤𝑘}, {𝑏𝑘}, {𝑐𝑘}, 𝑘 = 1, ,𝑀 là trọng số NN. Ta ký hiệu 𝜃 là véc-tơ chứa các trọng số mạng:  1 1 1 T M M Mw , ,w b , ,b c , ,; ; c     Để thực hiện nhiệm vụ mô hình hóa, các trọng số NN được cập nhật sử dụng thuật toán học đảm bảo cực tiểu lỗi bình phương giữa đầu ra HPA và đầu ra NN. Hàm mục tiêu được biểu diễn như sau:    2 1 2 J n e n (3.6) Trong đó:        0e n y n N n s n   𝑦(𝑛) là đầu ra HPA và 𝑁0(𝑛) là tạp âm Gaussian trắng trung bình không với phương sai 𝜎2. Học gradient tự nhiên (NG) Giải thuật học sẽ tối thiểu hóa hàm mục tiêu bằng việc theo sát hướng giảm dốc nhất. Nếu không gian tham số được biểu diễn bằng một hệ tọa độ trực chuẩn, khi đó giảm dốc nhất tương ứng với độ dốc thông thường [5] [58] [59]. Ta thấy rằng trong trường hợp NN đa lớp, hướng giảm dốc nhất (hay NG) của hàm suy giảm thực tế được xác định bởi: −�̃�𝜃𝐽(𝑛) = −𝐺 −1𝛻𝜃𝐽(𝑛) (3.7) Trong đó ∇𝜃là gradient (thông thường) theo 𝜃. Trong trường hợp này, gradient được biểu diễn như sau: 61 𝛻𝜃(𝑙(𝑛)) = −𝑒(𝑛). 𝛻𝜃𝑠(𝑛) == −𝑒(𝑛). ( 𝑥(𝑛)𝑐1𝑔′(𝑤1𝑥(𝑛) + 𝑏1) ⋮ 𝑥(𝑛)𝑐𝑀𝑔′(𝑤𝑀𝑥(𝑛) + 𝑏𝑀) 𝑔(𝑤1𝑥(𝑛) + 𝑏1) ⋮ 𝑔(𝑤𝑀𝑥(𝑛) + 𝑏𝑀) 𝑐1𝑔′(𝑤1𝑥(𝑛) + 𝑏1) ⋮ 𝑐𝑀𝑔′(𝑤𝑀𝑥(𝑛) + 𝑏𝑀) ) (3.8) Và 𝐺−1 là nghịch đảo của ma trận thông tin Fisher (FIM) [5]: 𝐺 = [𝑔𝑖,𝑗(𝜃)] = [𝐸 ( 𝜕𝐽(𝑛) 𝜕𝜃𝑖 𝜕𝐽(𝑛) 𝜕𝜃𝑗 )] (3.9) Như vậy, thuật toán học NG sẽ điều chỉnh trọng số mạng nơ-ron như sau: 𝜃(𝑛 + 1) = 𝜃(𝑛) − 𝜇𝐺−1𝛻𝜃(𝐽(𝑛)) (3.10) Trong đó 𝜇 là bước học (hằng số dương nhỏ). Việc tính toán kỳ vọng trong FIM yêu cầu biết hàm phân bố xác xuất của 𝑥, 𝑠, đây là thông tin không phải lúc nào cũng có. Hơn nữa, việc tính toán nghịch đảo của FIM cũng rất phức tạp. Kỹ thuật lọc Kalman được đề xuất trong để đánh giá trực tiếp nghịch đảo FIM [5]:                       1 1 1 1 1 1 1 1 1 1 n n n n T T n G n s n s n G n G n G n s n G n s n ˆ ˆ ˆ ˆ ˆ                          (3.11) Trong đó ∇𝜃𝑠(𝑛) là gradient thông thường của 𝑠 (xem phương trình 3.8). Phương trình này chứa tốc độ cập nhật 𝜀𝑛. Khi 𝜀𝑛 nhỏ (là trường hợp ta giả thiết ở đây), ta có thể xấp xỉ phương trình (3.11) bởi phương trình đơn giản hơn: [5]               1 1 1 11 1 n n T G n G n G n s n s n G nˆ ˆ ˆ ˆ            Khi tốc độ cập nhật 𝜀𝑛 = 𝑐𝜀 𝑛⁄ (với 𝑐𝜀 là hằng số nhỏ), lọc Kalman tương đương với việc tính toán trực tiếp trung bình số học. Khi 𝜀𝑛 là hằng số, sự hội tụ nhanh hơn 62 trường hợp trên, nhưng thuật toán có thể kém ổn định. Để đạt tới sự cân bằng tốt giữa tốc độ hội tụ và sự ổn định, ta sử dụng lập biểu tìm kiếm-và-hội tụ trong đó 𝜀𝑛 được định nghĩa bởi [5]: ε 0 n 2 ε 0 c n ε τε c n n 1 τε τ     (3.12) Trong đó 𝜏 là hằng s