MỤC LỤC
THUẬT NGỮVÀ TỪVIẾT TẮT . iv
DANH MỤC CÁC HÌNH . viii
DANH MỤC CÁC BẢNG . xi
LỜI NÓI ĐẦU . xii
CHƯƠNG I: TỔNG QUAN VỀ ĂNTEN THÔNG MINH . 1
1.1 Mở đầu . 1
1.2 Hệthống ănten thông minh . 1
1.2.1 Khái niệm .1
1.2.2 Nguyên lý hoạt động của ănten thông minh . 2
1.2.3 Cấu trúc sắp xếp của các phần tử ănten . 3
1.2.4 Các tham sốdàn ănten . 4
1.3 Mô hình tín hiệu . 5
1.4 Ưu điểm của ănten thông minh trong thông tin di động . 9
1.4.1 Giảm trải trễvà pha đinh đa đường . 9
1.4.2 Giảm nhiễu đồng kênh . 11
1.4.3 Tăng dung lượng hệthống và cải thiện hiệu suất phổ. 12
1.4.4 Tăng hiệu suất truyền dẫn . 12
1.4.5 Giảm chuyển giao . 12
1.4.6 M λrộng tầm sóng . 12
1.4.7 Tăng diện tích vùng phủsóng . 14
1.4.7.1 Mức độvùng phủcủa ănten thu đơn phần tử. 14
1.4.7.2 Mức độvùng phủcủa ănten thu L phần tử. 15
1.4.8 Giảm công suất phát trạm di động . 17
1.4.9 Cải thiện chất lượng tín hiệu . 17
1.4.10 Tăng tốc độdữliệu . 17
1.5 Tổng kết . 17
CHƯƠNG II: CÁC KỸTHUẬT TRONG ĂNTEN THÔNG MINH . 19
2.1. Kết hợp phân tập . 19
2.1.1 Phân tập chuyển mạch . 19
2.1.2 Phân tập lựa chọn (SD) . 20
2.1.3 Phân tập kết hợp tỷlệtối đa (MRC) . 21
2.1.4 Kết hợp độlợi cân bằng (EGC) . 23
2.1.5 Kết hợp lựa chọn tổng quát hoá GSC (Generalized Selection Combining) 23
2.1.6 Tổng kết . 26
2.2 Tạo búp sóng . 27
2.2.1 Ví dụvềtạo búp sóng . 27
2.2.2 Các loại tạo búp sóng . 29
2.2.2.1 Tạo búp sóng tương tự. 29
2.2.2.2 Tạo búp sóng số. 29
2.2.2.3 Tạo búp sóng không gian phần tử. 29
2.2.2.4 Tạo búp sóng không gian – búp sóng . 31
2.2.3 Kỹthuật tham chiếu thời gian . 34
2.2.3.1 Bình phương trung bình tối thiểu . 35
2.2.3.2 Bình phương trung bình tối thiểu chuẩn hoá (NLMS) . 38
2.2.3.3 Nghịch đảo ma trận mẫu (SMI) . 39
2.2.3.4 Bình phương tối thiểu đệquy (RLS) . 45
2.2.4 Kỹthuật tham chiếu không gian - Định cỡ ănten. 47
2.2.5 Thuật toán mô đun hằng (CM) . 49
2.3 Tổng kết . 51
CHƯƠNG III: ỨNG DỤNG ĂNTEN THÔNG MINH TẠI MÁY CẦM TAY
TRONG HỆTHỐNG WCDMA . 53
3.1 Ănten thông minh tại máy cầm tay . 53
3.2 Hệthống truyền thông vô tuyến thếhệ3 . 55
3.2.1 Hệthống 3GPP . 56
3.2.2 Hệthống cdma2000 . 58
3.2 Các lược đồkết hợp . 59
3.2.1 Kết hợp phân tập . 59
3.3.2 Kết hợp tương thích . 60
3.3.3 Kết hợp lai ghép. 62
3.4 Mô hình kênh. 63
3.4.1 Giới thiệu chung vềmô hình kênh . 63
3.4.2 Tương quan đường bao . 65
3.4.3 Mô hình kênh pha đinh tương quan không gian và mô hình kênh pha đinh
tương quan không chặt . 65
3.4.4 Mô hình kênh pha đinh tương quan đường bao . 67
3.4.5 Thủtục lấy profile kênh sửdụng GBSB . 69
3.4.5.1 Mô hình GBSB . 69
3.4.5.2 Thủtục lấy profile kênh sửdụng GBSB . 70
3.4.6 Mô hình kênh có phađinh logarit chuẩn . 72
3.5 Tổng kết . 73
CHƯƠNG IV: ĐÁNH GIÁ HIỆU NĂNG CỦA ĂNTEN THÔNG MINH TẠI
MÁY CẦM TAY . 74
4.1 Hiệu năng của kết hợp phân tập . 74
4.1.1 Môi trường mô phỏng . 74
4.1.2 Các kết quảmô phỏng trong mô hình kênh đường tròn GBSB . 75
4.1.3 Các kết quảmô phỏng trong mô hình kênh elip GBSB . 80
4.2 Hiệu năng của kết hợp tương thích . 86
4.2.1 Môi trường mô phỏng . 86
4.2.2 Các kết quảmô phỏng cho AC . 87
4.3 Hiệu năng của kết hợp lai ghép . 89
4.3.1 Môi trường mô phỏng cho mô hình GBSB . 89
4.3.2 Hiệu năng của DC và AC trong mô hình GBSB . 90
4.3.3 Hiệu năng của HC đối với mô hình GBSB . 94
4.4 Tổng kết . 96
KẾT LUẬN . 97
TÀI LIỆU THAM KH¶O . 99
114 trang |
Chia sẻ: lethao | Lượt xem: 2720 | Lượt tải: 5
Bạn đang xem trước 20 trang tài liệu Đồ án Ănten thông minh và ứng dụng trong WCDMA, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
n đến việc thiết kế các bộ xử lý dàn
nhằm tối ưu các trọng số dàn ănten thu, để có thể xác định một chuỗi đã biết tại đầu ra
của dàn ănten. Chuỗi mong muốn nay được gọi là tín hiệu tham khảo, tín hiệu này
được thiết kế để có thể dế dàng xác định. Ví dụ, trong GSM có 8 chuỗi dò kênh được
sử dụng để xác định 8 trạm gốc đồng kênh, do đó, chắc chắn rằng các nhiễu đồng kênh
sẽ sử dụng các chuỗi dò tìm giống nhau này đối với những chuỗi dò được dùng b λi
những người sử dụng di động mong muốn, vì vậy hệ thống có thể không phân biệt
được giữa tín hiệu mong muốn và một nhiễu đồng kênh. Các mã trải phổ trong CDMA
vốn đã đơn nhất và do đó chúng thích hợp để sử dụng như là một chuỗi xác định người
sử dụng. Một ưu điểm đáng kể của kỹ thuật tham chiếu thời gian là nó không cần
những đặc tính quan trọng của dàn ănten. Các ảnh hư λng như việc tác động lẫn nhau
giữa các phần tử dàn ănten được điều khiển b λi bộ định tuyến tương thích, vì vậy các
trọng số dàn được điều chỉnh tự động để loại bỏ các ảnh hư λng này.
1x
ω1
2x
ω2
Lx
ω3
íc tÝnh
träng sè
§Çu ra, y(t)
TÝn hiÖu tham
chiÕu r(t)
+
TÝn hiÖu
lçi
ε ( )t
∑
Hình 2.10: Cấu trúc của bộ tạo búp sóng tham chiếu thời gian với L phần tử ănten
Hình 2.10 thể hiện cấu trúc của một bộ tạo búp sóng dựa trên tham chiếu thời gian,
trong đó đầu ra của dàn sẽ trừ tín hiệu tham khảo, r(t), để tạo ra tín hiệu lỗi
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 35
)()()( txtrt Hωε −= được sử dụng để điều khiển trọng số. Các trọng số được điều chỉnh
sao cho lỗi bình phương trung bình (MSE) giữa các đầu ra dàn và tín hiệu tham chiếu
là nhỏ nhất, trong đó lỗi được biễu diễn như sau:
22 )]()([)( txtrt Hωε −= (2.24)
Lấy kỳ vọng λ cả hai vế của phương trình 2.24, chúng ta có:
ωωωε RztrEtE HH +−= 2)]([)]([ 22 , (2.25)
Với )]()([ * trtxEz = là tương quan chéo giữa tín hiệu tham chiếu và vectơ tín hiệu
dàn )(tx , )]()([ txtxER H= là ma trận tương quan của tín hiệu đầu ra dàn.
Bề mặt MSE là một hàm bậc hai của vectơ trọng số dàn phức ω và được tối thiểu
hoá bằng cách thiết lập gradient của nó đối với ω bằng 0:
022)])([( 2 =+−=∇ ωεω RztE , (2.26)
Phương trình Wiener-Hopf nổi tiếng đối với các vectơ trọng số tối ưu hoá có dạng:
zRopt
1−
=ω (2.27)
Hàm lỗi bình phương trung bình nhỏ nhất (MMSE) tại đầu ra của bộ xử lý dàn, hay
còn được gọi là bộ lọc Wiener, được tính theo phương trình:
zRztrEMMSE H 12 ])([ −−=
(2.28)
2.2.3.1 Bình phương trung bình tối thiểu
Thuật toán bình phương trung bình tối thiểu (LMS) là kỹ thuật phổ biến nhất được
sử dụng cho tương thích liên tục, có mục tiêu là tối thiểu hoá bình phương trung bình
sai số. Nó dựa trên phương pháp giảm dần từng bậc, một kỹ thuật tối ưu hoá nổi tiếng
để tính toán và cập nhật vectơ trọng số đệ quy. Thuật toán cập nhật các trọng số tại
mỗi lần lặp bằng cách ước lượng gradient của bề mặt lỗi toàn phương và sau đó thay
đổi các trọng số trong hướng ngược với hướng gradient số lượng nhỏ nhằm tối thiểu
hoá lỗi bình phương trung bình (MSE), như thấy λ hình 2.11. Đáp ứng mong muốn hỗ
trợ thuật toán trong ước tính lỗi và tính toán bề mặt lỗi. Hằng số xác định mức các
trọng số được điều chỉnh trong mỗi lần lặp được gọi là kích thước bậc. Khi kích thước
bậc nhỏ đáng kể thì quá trình xử lý sẽ quy các trọng số được ước lượng này thành các
trọng số gần tối ưu. Các kích thước bậc lớn cho phép hội tụ nhanh hơn, nhưng MSE lại
lớn hơn do các trọng số không tối ưu.
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 36
Các giá trị được cập nhật của vectơ trọng số tại thời điểm n + 1 được tính toán:
))((
2
1)()1( nJnn ∇−=+ µωω , (2.29)
Trong đó ( 1)nω + xác định trọng số mới được tính toán tại lần lặp thứ n+1, µ là
kích thước bậc dương điều khiển tốc độ hội tụ và do đó xác định cách nhanh nhất để
các trọng số ước lượng đạt đến tối ưu và ( ( ))J n∇ là một ước lượng gradient của MSE
J(n), trong đó J(n) được cho b λi:
2( ) [ ( 1) ] ( ) ( ) 2 ( )H HJ n E r n n R n n zω ω ω= + + − , (2.30)
Với r(n+1) là tín hiệu tham chiếu tại thời điển n+1 và *( ) ( )z E x t r t = là vectơ
tương quan chéo giữa vectơ đầu vào ( )x n và đáp ứng mong muốn r(n), R là ma trận
tương quan được định nghĩa trong phương trình 1.10 và 1.11.
C¸c träng sè
ban ®Çu
C¸c träng sè tèi −u
Hình2.11:Ví dụ về bề mặt lỗi toàn phương và các trọng số của hệ thống hai phần tử
theo hướng âm của gradient để tối thiểu hoá lỗi bình phương trung bình
Lấy vi phân phương trình 2.30 với )(nω có :
( ( )) 2 ( ) 2J n R n zω∇ = − (2.31)
Do đó, ước tính tức thời của vectơ gradient tr λ thành:
( ( )) 2 ( ) 2J n R n zω
∧
∇ = − (2.32)
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 37
*2 ( ) ( )x n nε= ,
Trogn đó ))((* nωε là lỗi giữa đầu ra dàn và tín hiệu tha m chiếu, được tính toán như
sau:
*( ) ( ) ( ) ( )Hn x n n r nε ω= − (2.33)
Đầu ra dàn λ hình 3.17 được cho b λi:
( ) ( ) ( )Hy n n x nω= (2.34)
Dựa trên việc thay thế phương trình 2.33 vào trong phương trình 2.29 phương trình
tương thích trọng số dàn tr λ thành:
*( 1) ( ) ( ) ( )n n x n nω ω µ ε+ = + . (2.35)
Do đó như trong phương trình 2.33, gradient ước lượng, ( ( ))J n
∧
∇ , là hàm lỗi,
( )nε , giữa đầu ra dàn, y(n), và tín hiệu tham chiếu, r(n), và tín hiệu dàn nhận được,
( )x n , sau lần lặp thứ n. Sự hội tụ được đảm bảo chỉ khi:
max
10 µ λ< < , (2.36)
Trong đó maxλ là giá trị riêng lớn nhất của ma trận tương quan R trong phương trình
1.10 và 1.11. Do đó, dải giá trị riêng hay tỉ số của ma trận R điều khiển tốc độ hội tụ
theo :
max
min
( )R λχ λ= , (2.37)
Với ( ) 1Rχ ≥ .
Trong những điều kiện này, thuật toán cố định và giá trị trung bình của các trọng số
dàn được ước lượng hội tụ đến trọng số tối ưu. Tốc độ tương thích cũng như tạp âm
gây nhiễu vectơ trọng số đều được xác định b λi kích thước của µ . Do vết của R được
tính bằng tổng của các thành phần chéo trong R, nên maxλ không thể lớn hơn vết của R,
nghĩa là:
max
1
[ ]
L
i
i
tr Rλ λ
=
≤ =∑ (2.38)
Với L là số phần tử ănten, và iλ là giá trị riêng thứ i của R. Vì vậy ta có:
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 38
][
10
Rtr
<< µ (2.39)
Đây là giới hạn chặt hơn của µ so với phương trình 2.36, nhưng lại dễ áp dụng
hơn rất nhiều, vì các phần tử của R và công suất tín hiệu có thể được ước lượng dễ
dàng hơn các giá trị riêng của R. Hiệu suất của thuật toán LSM đưa ra một giới hạn về
mặt nguyên lý cho các thuật toán tương thích, khi các giá trị riêng của R bằng nhau
hoặc gần bằng nhau. Khi giá trị riêng của ma trận tương quan R phân tán rộng rãi, tức
là max
min
( ) 1R λχ λ= >> , thì lỗi bình phương trung bình trong thuật toán LMS vượt quá giá
trị nhỏ nhất được xác định chủ yếu b λi các giá trị riêng lớn nhất, và thời gian vectơ
trọng số trung bình hội tụ được giới hạn b λi các giá trị riêng nhỏ nhất. Tuy nhiên, khi
sự phân tán của các giá trị riêng tăng, giá trị kích thước bậc µ lớn nhất để duy trì tính
ổn định giảm sẽ làm các trọng số tối ưu hội tụ chậm hơn. Khi lựa chọn giá trị µ quá
nhỏ làm tốc độ hội tụ chậm, và trong môi trường không tĩnh có thể làm các trọng số
ước tính chậm hơn so với các trọng số tối ưu, hiện tượng này được gọi là trễ vectơ
trọng số. Khi µ có giá trị quá cao, hội tụ sẽ nhanh hơn, nhưng khi đó các trọng số sẽ
quay xung quanh một vùng lớn hơn và gây ra lỗi mất điều chỉnh các trọng số, như
trong hình 2.11. Điều này là do µ tương quan với sự thuận nghịch bộ nhớ của hệ
thống, trong đó µ lớn sử dụng ít mẫu hơn để ước lượng R , nên một ước lượng giảm
cấp được thực hiện, dẫn đến việc tăng lỗi bình phương trung bình sau khi tương thích.
2.2.3.2 Bình phương trung bình tối thiểu chuẩn hoá (NLMS)
Trong thuật toán LMS, việc điều chỉnh *( ) ( )x n nµ ε được áp dụng cho vectơ trọng
số tại thời điểm n + 1 trong phương trình 2.35 là tỷ lệ thuận với vectơ đầu vào ( )x n .
Do đó, khi ( )x n lớn, thuật toán LMS gặp phải vấn đề khuếch đại tạp âm gradient. Nên
cần có một thuật toán chuẩn hoá việc điều chỉnh vectơ trọng số đối với chỉ tiêu ơclit
bình phương của vectơ đầu vào ( )x n tại thời điểm n. Tại lần lặp thứ n kích thước bậc
được cho b λi phương trình:
0 0
2( ) ( ) ( ) ( )H
n
x n x n x n
µ µµ = = , (2.40)
Trong đó 0µ là hằng số. Thuật toán NLMS hội tụ bình phương trung bình, nếu
20 0 << µ . Tuy nhiên, nếu vectơ đầu vào ( )x n nhỏ thì các vấn đề số có thể nảy sinh do
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 39
dự phân chia thích hợp b λi một số nhỏ. Do đó, phương trình 2.40 có thể được điều
chỉnh thành:
0
2( ) ( )
n
a x n
µµ =
+
, (2.41)
Trong đó a > 0. Vì vậy, công thức cập nhật trọng số của phương trình 2.35 được
điều chỉnh thành:
*0
2( 1) ( ) ( ) ( )( )
n n x n n
a x n
µ
ω ω ε+ = +
+
(2.42)
2.2.3.3 Nghịch đảo ma trận mẫu (SMI)
Thuật toán nghịch đảo ma trận mẫu (SMI) là một phương pháp tính toán trực tiếp
các trọng số dàn ănten dựa trên ước lượng ma trận tương quan, [ ( ) ( )]HR E x t x t= của
các mẫu đầu ra dàn tương thích. Giải pháp Wiener-Hopf đối với các trọng số dàn được
lặp lại từ phương trình 2.27:
1
opt R zω
−
= , (2.43)
Trong đó [ ( ) ( )]z E x t r t= là tương quan chéo giữa tín hiệu tham chiếu r(t) và tín
hiệu đầu ra dàn ( )x t . Nếu các đặc tính nhiễu, tạp âm và tín hiệu là cố định, thì ma trận
tương quan có thể được ước lượng và giải pháp tối ưu cho các trọng số tương thích có
thể được tính toán trực tiếp sử dụng phương trình λ trên, với sự hỗ trợ của nghịch đảo
ma trận. Tuy nhiên trong thực tế, do môi trường di động không ổn định, bộ xử lý
tương thích phải được cập nhật vectơ trọng số liên tục, để đáp ứng các điều kiện mới
tạo ra b λi môi trường di động thay đổi theo thời gian. Yêu cầu cập nhật định kỳ vectơ
trọng số dẫn đến yêu cầu đạt được các ước tính của R và z trong những khoảng cách
quan sát hữu hạn, và do đó đạt được ước tính vectơ trọng số. Phương pháp này được
gọi là tương thích khối, trong đó thông tin thống kê được ước tính từ một khối dữ liệu
thời gian và được sử dụng trong quá trình tính toán trọng số tối ưu định kỳ.
Nếu vectơ tương quan chéo )()( txtxEz H= đã biết trước, thì ước lượng vectơ trọng
số tối ưu,
∧
ω của phương trình 2.43, khi )(tx chứa tín hiệu tham chiếu liên quan với tín
hiệu mong muốn, trong đó xxR
∧
là khối dựa trên ước tính tương quan thực các mẫu đầu
ra của dàn, đó là tương quan thực của Rxx , có thể được xác định sử dụng phương trình:
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 40
1
1 xxR zω
−∧ ∧
= . (2.44)
Tuy nhiên, khi tín hiệu thu ( )x t chứa tạp âm của các tín hiệu người dùng nhiễu
nhiều hơn là tín hiệu mong muốn, thì việc ước tính ma trận tương quan Rxx được định
nghĩa b λi nnR
∧
, và các trọng số ănten có thể được tính toán theo :
1
2 nnR zω
−∧ ∧
= (2.45)
Do đó, SNR tại đầu ra của bộ kết hợp trong hình 2.10 có thể được viết như sau:
H
H
i i
H
i inn
s ss
n R
ω ω
ω ω
∧ ∧
∧ ∧
=
, (2.46)
Với giả thiết i có giá trị 1 hoặc 2, s xác định tín hiệu tham chiếu liên quan đến tín
hiệu mong muốn của vectơ tín hiệu đầu ra dàn x . SNR 2)( ns chỉ được xác định trong
suốt khoảng thời gian này, khi một tín hiệu tham chiếu liên quan đến tín hiệu mong
muốn thực sự xuất hiện, việc điều chỉnh trọng số giả thiết là diễn ra khi không có tín
hiệu.
Ước tính của ma trận tương quan mẫu có thể được tính theo :
1
1 ( ) ( )
N
H
xx
n
R x n x n
N
∧
=
= ∑ , (2.47)
Với N là kích thước của khoảng quan sát các mẫu đầu ra của dàn. Một lần nữa,
phương pháp này được gọi là tương thích khối, trong đó các thông số thống kê được
ước tính từ khối dữ liệu thời gian và được sử dụng trong suốt quá trình tính toán trọng
số tối ưu. Giả thiết mỗi thành phần của ma trận Rxx là biến ngẫu nhiên, SNR đầu ra
cũng là biến ngẫu nhiên. SNR lớn nhất có thể đạt được tại đầu ra của bộ kết hợp trong
hình 2.10 là:
1H
opt nnSNR s R s
−
= (2.48)
Các SNR thực tế đạt được sử dụng 1
∧
ω và 2
∧
ω có thể được chuẩn hoá như sau :
( )i
i
opt
s n
SNR
ρ = . (2.49)
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 41
Để đạt được một ước tính ma trận hiệp biến liên quan đến nhiễu hay tạp âm,Rnn,
và xuất phát từ giá trị kỳ vọng của SNR chuẩn hoá tại đầu ra của bộ kết hợp trong hình
3.10, số lượng mẫu N có thể được cho là:
2
2[ ]
1
N LE
N
ρ + −=
+
(2.50)
L: là số lượng các phần tử trong dànn ănten.
S
N
R
c
h
u
Èn
h
ã
a,
ρ
2
E
Hình 2.12: SINR chuẩn hoá kỳ vọng (SNR), E[ 2ρ ] được đánh giá từ phương trình
3.50, với số lượng mẫu đầu ra dàn khác nhau, theo số lượng các phần tử dàn ănten,
được sử dụng để tạo ma trận tương quan chỉ nhiễu hoặc chỉ tạp âm. SNR tại mỗi phần
tử ănten là 12.0 dB
Kỳ vọng của SNR chuẩn hoá trong phương trình 2.50 sử dụng các trọng số ănten
được tính toán dựa trên cơ s λ ma trận hiệp biến liên quan chỉ nhiễu hoặc tạp âm, được
vẽ biểu đồ trong hình 2.12 cho dàn ănten 2,4 hay 8 phần tử. Rõ ràng hình 2.12 cho
thấy chừng nào N số lượng mẫu được sử dụng để ước tính ma trận tương quan liên
quan đến nhiễu hay tạp âm, Rnn, lớn hơn 2 lần số phần tử ănten thì mất mát trong
][ 2ρE do các trọng số không tối ưu nhỏ hơn 3 dB. Các giá trị kỳ vọng của ][ 2ρE ước
lượng từ phương trình 2.50 được so sánh với giá trị xác định sử dụng mô phỏng. Các
SNR lý thuyết và SNR dựa trên mô phỏng đều là có thể chấp nhận. Thật thú vị khi biết
rằng mặc dù SNR lý thuyết và SNR mô phỏng chuẩn hoá đều hướng đến tính đồng
nhất, ngụ ý là việc sử dụng SNR tối ưu trong phương trình 2.48, tuy nhiên tốc độ hội
tụ cho các giá trị mô phỏng và lý thuyết đều chậm, vì số lượng ănten sử dụng để hình
thành dàn ănten tăng. Khi số lượng dàn ănten tăng thì SNR tối ưu có thể đạt được theo
phương trình 2.48, như có thể nhìn thấy trong hình 2.20.
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 42
λ đây chúng ta giả thiết vectơ tương quan chéo z không có thực trong hệ thống
thực tế. Do đó, với sự hỗ trợ của vectơ tương quan chéo, vectơ trọng số tối ưu được
ước tính theo:
1
2 xxR zω
−∧ ∧ ∧
= (2.51)
Với z
∧
là vectơ tương quan chéo mẫu được cho b λi:
*
1
1 ( ) ( )
N
n
z x n r n
N
∧
=
= ∑ , (2.52)
Và r(n) là tín hiệu tham chiếu.
S
N
R
th
ùc
t
Õ
(d
B
)
Sè l−îng mÉu theo sè c¸c phÇn tö dµn ¨nten
Hình 2.13: SNR tại đầu ra của bộ kết hợp dàn được xác định b λi SNR tối ưu và mô
phỏng theo phương trình 3.67với số lượng mẫu đầu ra dàn khác nhau, theo số lượng
các phần tủe của dàn ănten, được sử dụng để tạo ma trận tương quan chỉ nhiễu hoặc
chỉ tạp âm. SNR tại mỗi phần tử ănten là 12.0 dB
SNR chuẩn hoá cho dàn ănten 2 phần tử được mô phỏng sử dụng phương trình
2.51, để ước tính các trọng số dàn ănten tối ưu, như thấy trong hình 2.14. Hình vẽ này
thể hiện, sử dụng các trọng số ănten được xác định khi có tín hiệu mong muốn, SNR
của tín hiệu nhận được sẽ thấp hơn một cách đáng kể khi sử dụng các trọng số đạt
được khi không có tín hiệu người sử dụng mong muốn. SNR mô phỏng, trong trường
hợp dàn ănten 2 phần tử , khi tín hiệu mong muốn nhận được là cao hơn một cách
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 43
đáng kể, SNR được dự đoán trước theo phương trình 2.49, mặc dù hiện tượng này
không xuất hiện đối với dàn ănten 4 và 8 phần tử được đặc tính hoá trong hình 2.15.
SNR đạt được sử dụng phương trình 2.51 có thể so sánh với SNR đạt được với ma
trận tương quan chỉ nhiễu hay tạp âm, Rnn , xuất hiện do ước tính
∧
z và xxR
∧
tương quan
chặt chẽ với nhau trong điều kiện tín hiệu mong muốn mạnh, và lỗi các ước tính có xu
hướng bù trừ cho nhau, do đó ước tính trọng số được cải thiện và hội tụ nhanh hơn. Có
thể cải thiện những đáp ứng tạm thời thông qua việc lựa chọn cẩn thận vectơ trọng số
kh λi đầu bằng cách gọi ra mối quan hệ sau:
1
1
1
1 ( ) ( )
N
H
n
x n x n I z
N
ω α
−
∧
=
= +
∑ (2.53)
α là hằng số vô hướng và I là ma trận đơn vị N × N.
Ước lượng R có thể được cập nhật, khi các mẫu mới đến từ ănten theo:
( ) ( 1) ( 1)( 1)
1
H
n R n x n x nR n
n
∧
∧ + + +
+ =
+
, (2.54)
Và có thể tạo ra một ước lượng mới các trọng số )1( +
∧
nω tại thời điểm n +1. Biễu
diễn các trọng số tối ưu trong phương trình 3.27 cần nghịch đảo ma trận R, tiến trình
ước tính R và nghịch đảo nó có thể được kết hợp để cập nhật nghịch đảo ma trận R từ
các mẫu tín hiệu dàn, ( )x n , sử dụng bổ đề nghịch đảo ma trận có dạng chung như sau:
1 1
1 1
1( ) 1
H
H
H
A XX AA XX A
X A X
− −
− −
−
+ = −
+
, (2.55)
Dẫn đến :
1 1
1 1
1
1(1 ) ( 1) ( ) ( ) ( 1)
( ) ( 1) ( 1)
( ) ( 1) ( )
H
H
R n x n x n R n
nR n n R n
n x n R n x n
∧ ∧
− −
∧ ∧
− −
∧
−
+ − −
= + − −
+ −
, (2.56)
Với 1 0
1(0) , 0,R I ε
ε
−
= >
(2.57)
I là ma trận đơn vị N× N. Phương pháp ước tính các trọng số dàn sử dụng kỹ thuật
cập nhật nghịch đảo được gọi là thuật toán bình phương nhỏ nhất đệ quy (Recursive
Least Squares - RLS).
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 44
iρ
(a) Bốn phần tử
iρ
(b) Tám phần tử
Hình 2.14:SNR chuẩn hoá, iρ , đối với số lượng các mẫu khác nhau, theo số các phần
tử ănten . Các kết quả được biễu diễn cho zR xx
1
1
−∧
=ω , zR xx
1
2
−∧
=ω và zR xx
1
1
−∧
=ω cho cả
hai nguyên lý, theo phương trình2.44,2.45,2.51 và mô phỏng. Các phần tử ănten cách
nhau λ /2. SNR tại mỗi phần tử ănten là 12.0 dB
Không giống với thuật toán LMS, hiệu năng của thuật toán SMI hầu như độc lập
với với độ trải giá trị riêng của R và nó tương tự hiệu năng của thuật toán giảm bậc sử
dụng ma trận tương quan R có các giá trị riêng bằng nhau. Ước tính ma trận trong
phương trình 2.47 chỉ thích hợp khi sử dụng trong môi trường tỉnh. Trong một môi
trường biến đổi theo thời gian, một ước tính ma trận giải trọng số có thể được áp dụng
nhiều hơn, đạt được:
( ) ( 1) (1 ) ( ) ( ) 0 1HR n R n x n x nα α α
∧ ∧
= − + − < < (2.58)
Trong đó α được gọi là ‘hệ số lãng quên’.
Do đó, phương trình 2.56 tr λ thành
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 45
2 1 1
1
1 1
(1 ) ( 1) ( ) ( ) ( 1)( ) ( 1)
1 (1 ) ( ) ( 1) ( )
H
H
R n x n x n R nR n R n
x n R n x n
α α
α
α α
∧ ∧
− − −∧ ∧
−
∧
− −
− − −
= − +
+ − −
(2.59)
Vectơ, *[ ( ) ( )]z E x n r n
∧
= bao gồm mối tương quan giữa tín hiệu tham chiếu, r(n),
và tín hiệu đầu ra dàn, x(n), cũng phải được cập nhật trong mỗi block N mẫu nhận
được theo:
*
1
1 ( ) ( )
N
n
z x n r n
N
∧
=
= ∑ (2.60)
Nếu thuật ngữ lỗi, e z z
∧
= − , giữa ước tính vectơ tương quan z và giá trị thực của
nó được sử dụng để biễu diễn các lỗi do quá trình ước tính, chúng ta có thể viết:
opte R zω
∧
= − . (2.61)
Do đó, vectơ trọng số bắt nguồn từ việc sử dụng phương pháp SMI là một giải
pháp bình phương tối thiểu. Có thể chứng minh theo lý thuyết rằng các trọng số dàn
bắt nguồn từ phương pháp SMI hội tụ nhanh hơn đến giá trị cuối cùng của chúng hơn
các trọng số dàn được tạo ra b λi thuật toán LMS . Tuy nhiên, có những khó khăn thực
tế trong việc sử dụng thuật toán SMI. Cụ thể, tính phức tạp của nghịch đảo ma trận tỷ
lệ với L3, trong đó L là thứ nguyên ma trận, nên rất phức tạp khi tính toán. Tuy nhiên,
nghịch đảo ma trận có thể tránh bằng cách sử dụng kỹ thuật đệ quy phương trình 2.56.
2.2.3.4 Bình phương tối thiểu đệ quy (RLS)
Thuật toán RLS sử dụng bổ đề nghịch đảo ma trận được định nghĩa trong phương
trình 2.55 để cập nhật các trọng số dàn ănten. Vì thuật toán RLS tận dụng thông tin
trong dữ liệu đầu ra bộ kết hợp dàn trong phương trình 2.55 và 2.56, m λ rộng đối với
thời gian khi thuật toán được bắt đầu, thì tốc độ hội tụ là một trật tự biên độ cao hơn
tốc độ của thuật toán LMS. Tuy nhiên,việc cải thiện hiệu năng này đạt được khi tính
phức tạp tính toán tăng một cách đáng kể.
Ma trận tương quan, R của đầu ra dàn, tại thời điểm n, có thể được cập nhật theo
phương trình:
0( ) ( 1) ( ) ( )HR n R n x n x nδ= − + , (2.62)
Tronng đó tương tự với phương trình 2.58, ‘hệ số lãng quên’, 0δ , được sử dụng để
giảm gia cường các mẫu đầu ra dàn cũ. Giá trị 01 (1 )δ− được gọi là bộ nhớ của thuật
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 46
toán, ví dụ khi 0 0.99δ = , bộ nhớ của thuật toán xấp xỉ 100 mẫu, trong đó R(n-1) là giá
trị trước đó của ma trrận tương quan R tại thời điểm n – 1.
Tương tự, vectơ tương quan chéo giữa tín hiệu đầu ra dàn và tín hiệu mong muốn
có thể được tính toán như sau:
0( ) ( 1) ( ) ( ).z n z n x n r nδ= − + (2.63)
Các trọng số dàn ănten thu tối ưu đạt được theo :
1
opt R zω
−
= (2.64)
Dẫn đến
1( ) ( )n R n zω
∧
−
=
1 1 *
0 ( ) ( 1) ( ) ( ) ( )R n z n R n x n r nδ − −= − (2.65)
Trong đó
1 1
1 1
1
0 0
1 ( 1) ( ) ( ) ( 1)( ) ( 1)
( ) ( ) ( )
H
H
R n x n x n R nR n R n
x n R n x nδ δ
− −
− −
−
− −
= − −
+
(2.66)
Với 1 0
0
1(0) , 0R I ε
ε
−
= > ,
(2.67)
Như trong phương trình 2.57 sử dụng thuật toán SMI, do đó, với sự hỗ trợ của:
1 1 1
0
1( ) ( 1) ( ) ( ) ( 1)HR n R n q n x n R nδ
− − − = − − − , (2.68)
Trong đó
1
1
0
( 1) ( )( ) ( ) ( 1) ( )H
R n x nq n
x n R n x nδ
−
−
−
=
+ −
, (2.69)
Chúng ta đi đến:
*( ) ( 1) ( )[ ( ) ( ) ( )]Hn n q n r n n x nω ω ω= − + − , (2.70)
Trong đó )()()( * nynrne −= là lỗi giữa tín hiệu mong muốn và tín hiệu đầu ra dàn
sau khi xử lý. Như có thể thấy từ phương trình 2.66, nghịch đảo ma trận tương quan
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 47
R(n) được thay thế b λi công thức cập nhật đơn giản của phương trình 2.68, cần sự
phân chia vô hướng, nên giảm một cách đáng kể tính phức tạp.
2.2.4 Kỹ thuật tham chiếu không gian - Định cỡ ănten
Tương thích tham chiếu không gian dựa trên thông tin liên quan hướng đến của tín
hiệu mong muốn và các thành phần đa đường của chúng. Có một số các phương pháp
khác nhau để đạt được ước tính thông tin DOA với sự hỗ trợ của các tín hiệu dàn ănten
thu được. Các kỹ thuật ước tính số lượng sóng dựa trên sự phân tích ma trận tương
quan đầu ra dàn, [ ( ) ( )]HR E x t x t= , các vấn đề bao gồm các ước tính tương quan giữa
các tín hiệu tại các phần tử dàn ănten trong hình 1.5. Thuật toán được gọi là phân loại
đa tín hiệu (Multiple Signal Classification – MUSIC) và ước tính các tham số tín hiệu
b λi kỹ thuật bất biến luân chuyển (ESPRIT) đều sử dụng phươngpháp này. Tuy nhiên,
các thuật toán này không hiệu quả trong việc tìm kiếm các tín hiệu coherent. Các kỹ
thuật ước tính tham số thường chủ yếu là kỹ thuật ước tính gần giống lớn nhất (MLE)
dựa trên các thuật toán, trong đó ước tính ML của các tham số mong muốn, ví dụ như
góc đến, là hàm gần giống phải được tối đa hoá. Các kỹ thuật này có tính phức tạp tính
toán cao và cũng yêu cầu dàn ănten phải được định cỡ một cách chính xác. Sau đây
chúng ta sẽ nghiên cứu thuật thoán định cỡ ănten.
Thủ tục định cỡ ănten được kết hợp chặt chẽ trong một dàn tạo búp sóng số, để dễ
dàng lấy các mẫu ănten lựa chọn cao có các búp sóng phụ cực thấp. Việc tự định cỡ là
một ưu điểm nhưng trong thực tế cũng có thể là một yêu cầu thiết yếu đối với hệ thống
sử dụng một dàn các bộ thu con được tạo nên b λi các phần tử tích cực phân tầng. Một
số các kỹ thuật sẵn có như phép đơn ảnh các tín hiệu thử nghiệm tần số vô tuyến
chính xác tại các lối vào của bộ nhận, tập trung vào các nguồn tại một vị trí đã biết
trong vùng xa hay gần, hay việc sử dụng một bộ tán xạ cụ thể của tín hiệu được phát.
Để cải thiện SIR của tín hiệu nhận được b λi một dàn ănten tương thích, các nút
sóng có thể được tạo ra trong mẫu phát xạ của dàn ăten trong hướng nhiễu đồng kênh
mạnh. Tuy nhiên, vị trí gốc và độ sâu của các nút sóng này là rất nhạy đỗi với lỗi pha
và biên độ trong dàn ănten. Hiệu năng của các thành phần RF nói chung khác nhau
theo nhiệt độ, thời gian và tần số. Do đó, một thủ tục định cỡ trực tuyến yêu cầu có thể
diễn ra, trong khi đó các trạm gốc tiếp tục hoạt động bình thường. Chỉ khi các thành
phần tích cực phải được định dạng, các thành phần thụ động được giả thiết là ít bị ảnh
hư λng của thời gian và nhiệt độ. Sau khi định cỡ sự không tương thích biên độ được
giới hạn đến ± 0.04 dB và sự không tương thích pha đến ± 0.40.
Đồ án tốt nghiệp Đại học
Chương II. Tổng quan về ănten thông minh
Đinh Thị Thái Mai , D01VT 48
Quá trình đị
Các file đính kèm theo tài liệu này:
- Ănten thông minh và ứng dụng trong WCDMA.pdf