Đề tài Ứng dụng bộ cân bằng dùng Neural Networks triệt nhiễu giao thoa ký tự trong hệ thống GSM

1. 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 bị 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 trị không giới hạn, chỉ giải quyết những vấn đề độc lập tuyến tính, có 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 trị 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 định 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.