Tóm tắt Luận án Phát triển giải pháp cảm biến phổ cho hệ thống vô tuyến nhận thức

phổ hợp tác (CSS: Cooperative Spectrum Sensing), trong đó các SU có thể hợp tác với nhau tạo ra các mạng nhiều SU phân tập không gian. Mặc dù CSS có các hạn chế như phải thêm phần cứng để đáp ứng tốc độ lấy mẫu cao và tăng độ phân giải của bộ chuyển đổi tương tự - số [67]; phải kết hợp thông tin từ các SU để ra quyết định cuối cùng [52] Tuy nhiên, CSS vẫn được nghiên cứu rộng rãi vì các ưu điểm của nó như hạn chế được pha đinh, che chắn nhờ phân tập, giảm thời gian cảm biến phổ. Trong cảm biến phổ hợp tác thông tin cảm biến từ các SU được tập hợp tại nút trung tâm, nút này được gọi là nút quyết định (FC: Fusion Center), FC sẽ ra quyết định cuối cùng về sự tồn tại hay không của PU dựa trên quyết định cứng (HDF: Hard Decision Fusion) [17, 19, 25, 80] và quyết định mềm (SDF: Soft Decision Fusion) [5, 65]. HDF dựa trên các luật cơ bản như AND, OR, trong khi SDF sử dụng các kỹ thuật kết hợp với tỉ số cực đại (MRC: Maximal Ratio Combination) và kết hợp đồng độ lợi (EGC: Equal Gain Combining) để xác định bộ trọng số nhằm tối đa hóa xác suất phát hiện. Các kết quả nghiên cứu trong [20, 66] chỉ ra rằng hiệu quả phát hiện dùng SDF tốt hơn so với 4 dùng HDF. Gần đây, một số đề xuất sử dụng các thuật toán tối ưu [20, 66] để xác định bộ trọng số tối ưu nhằm cực đại hóa xác suất phát hiện trong hệ thống cảm biến phổ hợp tác quyết định mềm. Kết quả cho thấy sử dụng các thuật toán này cho hiệu quả phát hiện phổ tốt hơn SDF dùng MRC và EGC. Tuy nhiên, khi sử dụng các thuật toán tối ưu vấn đề đặt ra là cần tăng tốc độ hội tụ của thuật toán để giảm thời gian cảm biến phổ là một thách thức và là một hướng đi cho các nhà nghiên cứu theo đuổi. 3. Đóng góp của luận án Một số đóng góp chính của luận án có thể tóm tắt như sau: 1. Đề xuất giải pháp nâng cao hiệu quả cảm biến phổ tại nút riêng lẻ cho kỹ thuật ED trong điều kiện thực tế dữ liệu thu được không đầy đủ do giới hạn ngưỡng thu của thiết bị. Giải pháp được thực hiện bằng việc xác định ngưỡng tối ưu thông qua việc phát triển và kết hợp các kỹ thuật ước lượng công suất nhiễu và kỹ thuật tối ưu toàn cục. 2. Đề xuất kết hợp kỹ thuật ED với dữ liệu thống kê trạng thái kênh truyền để nâng cao hiệu quả phát hiện đúng trạng thái kênh. Giải pháp được thực hiện bằng việc sử dụng HMM với thuật toán cực đại hóa hóa kì vọng để ước lượng tham số của mô hình HMM trong điều kiện dữ liệu thu được không đầy đủ. 3. Đề xuất giải pháp xác định bộ trọng số cho hệ thống cảm biến phổ hợp tác quyết định mềm để tối ưu hóa xác suất phát hiện. Giải pháp được thực hiện bằng việc sử dụng và tối ưu các tham số của các thuật toán mô phỏng thiên nhiên. Giải pháp đề xuất cho phép giảm thời gian để FC tạo ra các bộ trọng số tối ưu. 4. Cấu trúc nội dung của luận án Luận án được chia thành 3 chương với bố cục và tóm tắt như sau. 5 Chương 1: TỔNG QUAN KỸ THUẬT CẢM BIẾN PHỔ TRONG MẠNG VÔ TUYẾN NHẬN THỨC. Nội dung của chương này đề cập đến lý thuyết chung về CRN, các kỹ thuật cảm biến phổ tại các nút riêng lẻ, kỹ thuật cảm biến phổ hợp tác. Giới thiệu tổng quan về các thuật toán, kỹ thuật được sử dụng trong luận án như: kỹ thuật ước lượng, các thuật toán tối ưu, làm cơ sở cho việc xác định ngưỡng tối ưu trong kỹ thuật ED và tối đa hóa xác suất phát hiện trong CSS. Chương 2: NÂNG CAO HIỆU QUẢ KỸ THUẬT CẢM BIẾN PHỔ TẠI NÚT RIÊNG LẺ. Chương này tập trung nghiên cứu kỹ thuật cảm biển phổ ED. Đề xuất sử dụng thuật toán EM để ước lượng công suất nhiễu và kết hợp với giải thuật di truyền để xác định ngưỡng tối ưu nhằm nâng cao xác suất phát hiện, giảm xác suất lỗi phát hiện. Đề xuất sử dụng thuật toán EM để ước lượng các tham số HMM nhằm nâng cao độ hiệu quả dự đoán trạng thái kênh truyền và xác suất phát hiện. Chương 3: XÁC ĐỊNH BỘ TRỌNG SỐ TỐI ƯU TRONG CẢM BIẾN PHỔ HỢP TÁC QUYẾT ĐỊNH MỀM. Chương này trình bày hệ thống CSS quyết định mềm. Đề xuất sử dụng thuật toán di truyền kết hợp với EM để nâng cao hiệu quả cảm biến phổ. Đồng thời đề xuất sử dụng thuật toán đàn dơi trong việc xác định bộ trọng số tối ưu với thời gian hội tụ của thuật toán giảm đáng kể so với thuật toán di truyền. Ngoài ra tác giả đề xuất một tham số trong thuật toán đàn dơi nhằm thích nghi với số lượng SU để tăng tốc độ hội tụ của thuật toán, giảm thời gian cảm biến phổ. 6 1.1. Giới thiệu Theo chính sách phân bổ phổ tần số cố định (FSA: Fixed Spectrum Allocation) người được cấp phép được quyền sử dụng độc quyền dải tần dài hạn tại vùng cố định. Chính sách truy cập phổ động (DSA: Dynamic Spectrum Access) đã được đề xuất để thay thế chính sách FSA [23]. Với DSA, phổ tần vẫn được phân bổ cho người dùng được cấp phép, nhưng việc sử dụng nó không phải là độc quyền. Hình 1.1 minh họa việc truy cập phổ động. 1.2. Vô tuyến nhận thức 1.2.1. Cơ bản về vô tuyến nhận thức Vô tuyến nhận thức là một hệ thống vô tuyến có khả năng thay đổi các thông số truyền dựa trên việc “nhận thức” được và tương tác với môi trường xung quanh. 1.2.2. Ứng dụng vô tuyến nhận thức 1.2.3. Các tiêu chuẩn 1.3. Các kỹ thuật cảm biến phổ 1.3.1. Cơ bản về cảm biến phổ Cảm biến phổ được giả thuyết bằng mệnh đề sau: Chương 1 TỔNG QUAN KỸ THUẬT CẢM BIẾN PHỔ TRONG MẠNG VÔ TUYẾN NHẬN THỨC Hình 1.1. Hố phổ và truy cập phổ động Thời gian Năng lượng Phổ đang sử dụng Hố phổ DSA Tần số 7    H TÝn hiÖu PU kh«ng tån t¹i H TÝn hiÖu PU tån t¹i 0 1 : : Các tham số của SS: Xác suất phát hiện, dP ,Xác suất phát hiện nhầm, fP , Xác suất không phát hiện, mP 1.3.2. Phát hiện năng lượng ED Nguyên lý của ED dựa trên việc cho rằng năng lượng tín hiệu nhận được luôn có năng lượng lớn hơn năng lượng của nhiễu [21]. 1.3.3. Phát hiện dùng bộ lọc kết hợp MFD MF được sử dụng khi biết trước thông tin tín hiệu pilot của PU. 1.3.3. Phát hiện dựa trên đặc tính dừng của tín hiệu CFD CFD sử dụng hàm mật độ tương quan phổ SCD (SCD: Spectral Correlation Density) để phân biệt nhiễu với tín hiệu. 1.3.4. Các kỹ thuật cảm biến phổ khác • Phát hiện dùng biến đổi Wavelet • Lấy mẫu nén (Compressed Sensing) 1.4. Cảm biến phổ hợp tác 1.4.1. Phân loại cảm biến phổ hợp tác Cảm biến phổ hợp tác được chia làm các loại: - Tập trung. - Phân tán. - Kết hợp. 1.4.2. Các phương pháp hợp nhất - Quyết định mềm SDF - Quyết định cứng HDF 1.5. Kỹ thuật ước lượng tham số 1.5.1. Phương pháp ước lượng hợp lý cực đại ML Phần này trình bày phương pháp ước lượng hợp lý cực đại áp dụng vào ước lượng công suất nhiễu. 8 1.5.2. Thuật toán cực đại hóa kì vọng EM Phần này trình bày phương pháp ước lượng cực đại hóa kỳ vọng áp dụng vào ước lượng công suất nhiễu. 1.6. Thuật toán tối ưu 1.6.1. Thuật toán di truyền Phần này trình bày thuật toán di truyền (GA: Genetic Algorithm) và khả năng áp dụng vào bài toán cảm biến phổ tại nút riêng lẻ và CSS. 1.6.2. Thuật toán đàn dơi Phần này trình bày thuật toán đàn dơi (BA: Bat Algorithm) và khả năng áp dụng vào bài toán CSS. 1.7. Mô hình Markov ẩn Phần này giới thiệu về mô hình Markov ẩn và khả năng áp dụng vào bài toán xác định trạng thái kênh truyền. 1.8. Tóm tắt chương Chương này đề cập đến lý thuyết chung về CRN, các khái niệm cơ bản của cảm biến phổ, xem xét các kỹ thuật cảm biến phổ phổ biến. Ngoài ra, phần cuối chương đã giới thiệu các thuật toán ước lượng, các thuật toán tối ưu, mô hình Markov ẩn làm cơ sở cho việc xác định ngưỡng tối ưu trong kỹ thuật cảm biến dựa trên năng lượng, kết hợp thông tin kênh truyền trong quá khứ với năng lượng thu được ở thời điểm hiện tại để dự đoán trạng thái kênh và tối đa hóa xác suất phát hiện trong cảm biển phổ hợp tác. 9 2.1. Giới thiệu Trong phần này trình bày mức độ quan trọng của việc xác định ngưỡng của kỹ thuật ED, lý giải trường hợp dữ liệu thu được không đầy đủ do hạn chế độ nhạy của thiết bị thu. 2.2. Mô hình hệ thống CED Sơ đồ khối của kỹ thuật CED như hình 2.1. Xác suất phát hiện nhầm và xác suất phát hiện với mô hình kênh AWGN được tính như sau: 2 0 4 ( ) 2 n f n NP P Y H Q N λ σλ σ   −  = > =     (2.7) 2 1 4 (1 )( ) 2 (1 2 ) n d n NP P Y H Q N λ γ σλ γ σ   − +  = > =  +  (2.8) Ngưỡng quyết định được xác định. 1 4 2( ) 2f n nQ P N Nλ σ σ−= + (2.11) Chương 2 NÂNG CAO HIỆU QUẢ KỸ THUẬT CẢM BIẾN PHỔ TẠI NÚT RIÊNG LẺ BPF ADC Y > λ, H1Y < λ, H0 2 1 ( ) N n x n =  Xác định ngưỡng λ x(t) x(n) Y Quyết định Hình 2.1. Sơ đồ khối CED 10 2.3. Đề xuất hệ thống ED-EM 2.3.1. Mô hình hệ thống ED-EM Mô hình hệ thống ED-EM đề xuất như hình 2.3. 2.3.2. Thuật toán EM với dữ liệu Gauss Trong phần này EM được sử dụng để ước lượng các tham số của dữ liệu Gauss đơn trong trường hợp dữ liệu bị cắt. 2.3.3. Kết quả mô phỏng và đánh giá Kịch bản mô phỏng: nhiễu Gauss có trung bình là 0µ = và phương sai 2nσ biến thiên trong khoảng [0,3], theo hướng tiếp cận CFAR với 0,1fP = , số kiểm nghiệm thống kê 100M = và mỗi kiểm nghiệm thống kê có 100N = mẫu, ngưỡng cắt 2 .c nT M σ= . Hình 2.5 mô tả kết quả ngưỡng quyết định λ trong các trường hợp: giả sử biết trước công suất nhiễu; ước lượng công suất nhiễu dùng ML BPF ADC Y > λ, H1Y < λ, H0 2 1 ( ) N n x n =  Xác định ngưỡng λ x(t) x(n) Y Quyết định Ước lượng công suất nhiễu Hình 2.3. Sơ đồ khối hệ thống đề xuất ED-EM Hình 2.5. Ngưỡng quyết định khi công suất nhiễu thay đổi với Pf =0,1 0 0.5 1 1.5 2 2.5 3 0 100 200 300 400 500 600 σ2n λ C«ng suÊt nhiÔu thùc ¦íc l−îng c«ng suÊt nhiÔu dïng ML [4] §Ò xuÊt −íc l−îng c«ng suÊt nhiÔu dïng EM 11 và ước lượng công suất nhiễu dùng EM. Kết quả trên hình 2.5 thể hiện phương pháp ước lượng đề xuất dùng EM cho giá trị ngưỡng quyết định λ gần bằng với giá trị ngưỡng quyết định trong trường hợp giả định biết trước công suất nhiễu với sai số trung bình là 2,5%, trong khi phương pháp ML cho giá trị ngưỡng quyết định khác nhiều so với trường hợp giả định biết trước công suất nhiễu với sai số trung bình là 31%. Khi giá trị ngưỡng cắt ( cT ) thay đổi được minh họa trên hình 2.6. Trong trường hợp này, giá trị công suất thực được thiết lập 2 0,8nσ = ngưỡng đúng sẽ là λ = 91,6, nếu không ước lượng công suất nhiễu mà giả định công suất nhiễu 2 1nσ = thì 118,12λ = . Với phương pháp ước lượng công suất nhiễu dùng ML khi ngưỡng cắt càng lớn giá trị ngưỡng quyết định càng sai số nhiều so với ngưỡng quyết định đúng, trong khi sử dụng EM để ước lượng công suất nhiễu cho giá trị ngưỡng quyết định rất gần giá trị ngưỡng đúng này. Khi thiết lập ngưỡng cắt 60cT = và giá trị SNR tại SU biến thiên trong khoảng [-20dB, 0dB], hiệu quả cảm biến phổ được thể hiện qua xác suất phát hiện dP được minh họa trên hình 2.7. Giá trị dP khi dùng Hình 2.6. Ngưỡng quyết định khi ngưỡng cắt thay đổi 50 55 60 65 70 75 80 85 90 85 90 95 100 105 110 115 120 Ng−ìng c¾t (Tc) λ C«ng suÊt nhiÔu thùc ¦íc l−îng c«ng suÊt nhiÒu dïng ML [4] §Ò xuÊt −íc l−îng c«ng suÊt nhiÔu dïng EM CED, gi¶ ®Þnh c«ng suÊt nhiÔu 12 EM để ước lượng công suất nhiễu gần đúng bằng giá trị dP khi biết trước công suất nhiễu. Trong khi nếu dùng ML ước lượng công suất nhiều thì giá trị dP khác nhiều giá trị dP đúng và phương pháp CED với giả định cố định công suất nhiễu bằng một giá trị ( 2 1nσ = ) cho kết quả kém nhất. 2.4. Đề xuất ước lượng công suất nhiễu dùng EM kết hợp với GA xác định ngưỡng tối ưu. 2.4.1. Kết hơp EM và GA áp dụng cho ED (ED-EMGA) Xác suất lỗi phát hiện eP được xác định theo công thức [63]: 2 2 4 4 (1 )( ) (1 ) 1 2 2 (1 2 ) n n e n n N N P Q Q N N λ σ λ γ σλ α α σ γ σ      − − +    = − + −     +     (2.21) Với 0 < α < 1 là tỉ lệ PU sử dụng phổ tần. Hàm mục tiêu: 2 2( ) ( ) (max(0, ) max(0, ) )e d fF P C P Pλ λ β ε= + − + − (2.22) Giá trị ngưỡng tối ưu ( *λ ) được xác định: * arg min ( )Fλ λ= (2.23) Thuật toán GA áp dụng cho ED (ED-GA) để xác định *λ . Hình 2.7. Xác suất phát hiện Pd khi ngưỡng cắt Tc = 60, 2 0,8nσ = -20 -18 -16 -14 -12 -10 -8 -6 -4 -2 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Pd SNR (dB) ED: C«ng suÊt nhiÔu thùc ED: C«ng suÊt nhiÔu gi¶ ®Þnh ED - ML [4] §Ò xuÊt ED - EM 13 2.4.1. Kết quả mô phỏng và đánh giá Các tham số mô phỏng: số cá thể 30Q= , số mẫu 100N = , tỉ lệ chọn lọc 0,5cP = , tỉ lệ đột biến 0,5muP = , Hλ =200, Lλ = 80, α = 0,5, công suất nhiễu 2 1nσ = , số vòng lặp của thuật toán GA là 50 Hình 2.11 biểu diễn giá trị các ngưỡng tối ưu được xác định bằng GA ứng với các giá trị SNR trong khoảng [-20dB, 0dB], trong các điều kiện tỉ lệ PU sử dụng băng tần lần lượt là 10%α = , 50%α = , 90%α = . Khi thiết lập tỉ lệ sử dụng phổ tần của PU là 50%, giả định công suất nhiễu biết trước là 2 0.8nσ = , số kiểm nghiệm thống kê 100M = và mỗi kiểm nghiệm thống kê có 100N = mẫu, hệ số cắt 80cT = .Hình 2.12 và 2.13 lần lượt mô tả xác suất phát hiện và xác suất lỗi phát hiện của ba kỹ thuật CED, kỹ thuật xác định ngưỡng tối ưu Hình 2.12. Xác suất phát hiện dP , α = 50% -25 -20 -15 -10 -5 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Pd SNR(dB) §Ò xuÊt ED-EMGA ED tèi −u theo [72] CED Hình 2.11. Ngưỡng tối ưu khi SNR = [-25,0] dB, α = 10%, 50%, -25 -20 -15 -10 -5 0 90 100 110 120 130 140 150 λ* SNR(dB) α=10% α=50% α=90% Hình 2.13. Xác suất lỗi phát hiện Pe , α = 50% -25 -20 -15 -10 -5 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Pe SNR CED ED-Tèi −u theo [72] ED- §Ò xuÊt EMGA 14 theo đề xuất [72] và kỹ thuật đề xuất ED-EMGA. Với ED-EMGA cho kết quả xác suất lỗi eP giảm hơn so với CED trung bình khoảng 7%, và đề xuất [72] là 3,5%. So sánh về xác suất phát hiện, kỹ thuật đề xuất ED-EMGA cho kết quả tốt hơn rất nhiều so với CED đặc biệt tại các tại các vùng có SNR nhỏ. ED-EMGA có dP trung bình cao hơn dP của CED khoảng 35% và cao hơn đề xuất [72] là 8,5%. 2.5. Đề xuất sử dụng mô hình HMM để xác định trạng thái kênh 2.5.1. Mô hình hệ thống xác định trạng thái kênh dùng HMM Trong phần này, HMM được sử dụng để kết hợp chỉ số cường độ tín hiệu nhận được và thông tin sử dụng kênh để ước lượng trạng thái kênh. 2.5.3. Kết quả mô phỏng và đánh giá Giả sử trong giai đoạn huấn luyện ta xác định được kênh truyền sử dụng là 70%, từ đó ta có ma trận chuyển trạng thái của kênh truyền: 0,72 0,28 0,12 0,88 A  =     Xác suất ban đầu của mỗi trạng thái: [ ]0,3 0,7pi = Quá trình mô phỏng được thực hiện thông qua 4 bước: Bước 1: Sử dụng xác suất ban đầu và ma trận chuyển trạng thái tạo ra chuỗi Markov trạng thái của kênh truyền có chiều dài 1000L = , 1 2 1000, ,...,s s s Bước 2: Tạo dữ liệu 1 2 1000, ,...,y y y mô phỏng đường dữ liệu 1 2 1000, ,...,s s s . Dữ liệu đã tạo 1:1000y bị cắt với ngưỡng cắt là c . Dữ liệu quan sát được được ký hiệu là 1 2 1000, ,...,x x x , với max( , )i ix y c= . Bước 3: Áp dụng thuật toán Forward, với dữ liệu 1 2 1000, ,...,x x x để dự đoán trạng thái của kênh 1 2 1000ˆ ˆ ˆ, ,...,s s s . Bước 4: Tính độ chính xác của dự đoán (PA: Prediction Accuracy) 15 { }ˆ1 1000 : .100 1000 k kk s sPA ≤ ≤ = = Sè (2.38) Xác suất phát hiện được tính theo công thức: 1000 1 1000 1 ˆ( & 1) ( 1) k k k k k k s s s P s = = = = = =   d (2.39) Trạng thái của kênh truyền lần lượt được tạo ra tương ứng với kênh truyền rỗi ( 0H ) và kênh bận ( 1H ) là phân bố Gauss như công thức (2.6) là 2 4( ,2 )n nN Nσ σN và 2 4( (1 ) ,2 (1 2 ) )n nN Nγ σ γ σ+ +N . Với 2 100n dBmσ = − , số mẫu 100N = , tỉ sổ tín hiệu trên nhiễu ( ( )γ , 79,5dc Bm= − . Khi SNR thay đổi trong khoảng 10dB− đến 0dB , độ chính xác dự đoán trạng thái kênh thay đổi như hình 2.23. Trong khoảng thay đổi của SNR này, phương pháp ước lượng tham số HMM theo đề xuất [6] có độ chính xác trung bình là 79,9%, phương án đề xuất là 84,4%. và xác suất phát hiện Pd của phương pháp đề xuất có trung bình là 0,89 trong khi đề xuất trong [6] là 0,83 và phương pháp CED là Hình 2.23. PA khi SNR thay đổi -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 50 55 60 65 70 75 80 85 90 95 100 § é ch Ýn h x¸ c (P A ) SNR (dB) PA [6] PA : Ph−¬ng ¸n ®Ò xuÊt Hình 2.24. Xác suất phát hiện Pd sử dụng HMM -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Pd SNR Ph−¬ng ¸n ®Ò xuÊt §Ò xuÊt [6] CED 16 0,72. Như vậy phương pháp đề xuất tăng độ chính xác dự đoán trạng thái kênh truyền lên 4,5% so với đề xuất [6], trung bình xác suất phát hiện cao hơn [6] là 5% và CED là 15,5% 2.6. Tóm tắt chương Chương này tập trung nghiên cứu kỹ thuật cảm biển phổ ED và sử dụng HMM trong việc dự đoán trạng thái kênh truyền thông qua việc kết hợp năng lượng thu được tại thời điểm hiện tại và thông tin sử dụng kênh truyền trước đó. Đề xuất sử dụng thuật toán EM để ước lượng công suất nhiễu trong trường hợp dữ liệu bị cắt và kết hợp với GA để xác định ngưỡng tối ưu đã nâng cao xác suất phát hiện, giảm xác suất lỗi phát hiện. Kết quả mô phỏng cho thấy việc ước lưỡng công suất nhiễu dùng thuật toán EM cho kết quả tốt hơn dùng thuật toán ML dẫn đến xác định ngưỡng quyết định chính xác hơn và làm cải thiện xác suất phát hiện và giảm xác suất phát hiện nhầm. Việc kết hợp EM và GA cũng cho thấy giá trị xác suất lỗi phát hiện giảm đáng kể và xác suất phát hiện tăng khá lớn, đặc biệt khi SNR nhỏ. Đề xuất sử dụng thuật toán EM để ước lượng tham số của mô hình HMM nhằm nâng cao xác suất dự đoán trạng thái kênh truyền và xác xuất phát hiện. Kết quả mô phỏng cho thấy trong trường hợp dữ liệu bị cắt, xác suất dự đoán trạng thái kênh và xác xuất phát hiện khi sử dụng EM để ước lượng tham số HMM cho hiệu quả cao hơn khi dùng ML. 17 Chương 3 XÁC ĐỊNH BỘ TRỌNG SỐ TỐI ƯU TRONG CẢM BIẾN PHỔ HỢP TÁC QUYẾT ĐỊNH MỀM 3.1. Giới thiệu Trong phần này giới thiệu về CSS và các kiểu quyết định tại FC là HDF và SDF. 3.2. Mô hình hệ thống CSS-SDF Sơ đồ khối hệ thống cảm biến phổ hợp tác sử dụng quyết định mềm (CSS – SDF) được thể hiện trên hình 3.1. Với ( )1 2ω = , ,..., Mω ω ω là véc tơ trọng số được tạo bởi FC. Theo hướng tiếp cận CFAR, dP được tính theo công thức sau [55]: 0 1 1( ) ( ) ω Φ ω - g ω ω ω Φ ω T T f H s d T H Q P E P Q −   =     (3.6) 2 s 1 E [ ] N n S n = =  : năng lượng tín hiệu truyền trong N mẫu 22 2 1 2, ,..,g M T g g g =    (3.7) 0 22 ( ) ( )ΦH Ndiag diagσ δ= + (3.8) 22 ( )( ) 4 ( ) ( ) 1H Φ sNdiag diag E diag g diagδ σ σ= + + (3.9) 1 2 2 2 2 W W W[ , ,..., ]M Tσ σ σ σ= : các phương sai AWGN kênh PU-SU. 2 2 2 1 1[ , ,..., ]TMδ δ δ δ= : các phương sai AWGN kênh SU-FC. Kí hiệu diag (.) là ma trận đường chéo. PU H0/H1 SU3 SUM SU1 . . . + + + + + + x x x + g1 g2 gM W1 W2 WM X1[n] X2[n] XM[n] Y1[n] Y2[n] YM[n] n2 nM n1 Z Z1 Z2 ZM Quyết định FC 1ω 2ω Mω H0/H1 [ ] 21 1 N n Y n =  [ ] 22 1 N n Y n =  [ ] 2 1 N M n Y n =  Hình 3.1. Mô hình hệ thống CSS – SDF 18 3.3. Đề xuất hệ thống CSS- SDF dùng GA (GA-SDF) kết hợp với ước lượng công suất nhiễu dùng EM (EMGA-SDF) 3.3.1. Mô hình hệ thống Mục tiêu của đề xuất trong phần này là dùng EM để ước lượng công suất nhiễu tại các SU trong trường hợp dữ liệu thu được bị cắt nhằm xác định chính xác công suất nhiễu kết hợp với GA để xác định bộ trọng số ω tối ưu (ωopt ) để cực đại hóa hàm mục tiêu (ω)dP . Việc xác định ωopt theo công thức (3.5), có nghĩa là: ω maxarg( (ω))opt dP= (3.10) Với điều kiện: 1 1 M i i ω = = (3.11) Mô hình hệ thống đề xuất như hình 3.2. Các bước tìm bộ véc tơ trọng số tối ưu ωopt dùng GA được thực hiện như lưu đồ thuật toán hình 3.3. 3.3.2. Kết quả mô phỏng và đánh giá Hình 3.5 là đường cong ROC hệ thống của ba kịch bản mô phỏng trên. Với 1M = hệ thống GA-CSS có ROC đúng bằng hệ thống CED, với số lượng SU càng lớn thì hiệu quả cảm biến phổ của GA – SDF càng được cải thiện, mặc dù các SU thêm vào có SNR nhỏ. PU H0/H1 SU3 SUM SU1 . . . + + + + + + x x x + g1 g2 gM W1 W2 WM X1[n] X2[n] XM[n] Y1[n] Y2[n] YM[n] n2 nM n1 Z Z1 Z2 ZM Quyết định FC Ước lượng nhiễu EM W1, W1,, WM 1 1 M ˆ ˆ ˆW , W ,...,W 1ω 2ω Mω H0/H1 [ ] 21 1 N n Y n =  [ ] 22 1 N n Y n =  [ ] 2 1 N M n Y n =  Hình 3.2. Mô hình hệ thống đề xuất EMGA – SDF 19 Kết quả mô phỏng trên là ta giả thiết công suất nhiễu là 1, trong thực tế công suất nhiễu là không biết trước và cần ước lượng giá trị này. Trong phần này, kịch bản mô phỏng giống kịch bản 1 ở trên, với hai trường hợp nhiễu được tạo ra khác nhau như sau: Trường hợp 1 (TH 1): Công suất nhiễu thực nhỏ hơn công suất giả định biết trước. Công suất nhiễu thực 2 0,8nσ = , công suất nhiễu giả định biết trước 2( ) 1n predefinedσ = . Trường hợp 2 (TH 2): Công suất nhiễu thực lớn hơn công suất giả định biết trước. Công suất nhiễu thực 2 1,2nσ = , công suất nhiễu giả định biết trước 2 ( ) 1n predefinedσ = . Giá trị công suất nhiễu thực tế được ước lượng bằng EM với độ chính xác của việc ước lượng này đã được thảo luận tại chương 2. Kết quả trên hình 3.6 chỉ ra rằng, trong trường hợp Hình 3.5. ROC của hệ thống GA- SDF với số SU khác nhau 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Pf P d GA víi M=6 GA víi M=3 GA víi M=1 CED Hình 3.3. Lưu đồ thuật toán GA – SDF Thiết lập các tham số: Q, Pc, Pmu, số vòng lặp (gen), số vòng lặp cực đại (max.gen) Tính hàm mục tiêu Lựa chọn Đột biến Kết thúc Lai ghép gen > max.gen Sinh ngẫu nhiên quần thể. Mã hóa NST thành ω Bắt đầu gen=gen+1 Đ S Chuẩn hóa 20 công suất nhiễu thực tế nhỏ hơn công suất nhiễu giả định, hệ thống EMGA-SDF cho hiệu quả cảm biến phổ tốt hơn nhiều so với hệ thống GA-SDF. Đặc biệt, tại xác suất phát hiện nhầm 0,1fP = thì hệ thống EMGA-SDF cho 0,93dP = , trong khi hệ thống GA-SDF cho 0,86dP = . Ngược lại, trong trường hợp công suất nhiễu thực tế lớn hơn công suất nhiễu giả định, ROC của hệ thống EMGA-SDF là chính xác hơn ROC hệ thống GA-SDF. Cụ thể, khi 0,1fP = xác suất không phát hiện d1mP P= − là 0,22, trong khi hệ thống GA-SDF không thực hiện ước lượng công suất nhiễu cho rằng các SU can nhiễu lên PU chỉ là 0,14. Như vậy, cả hai trường hợp hệ thống EMGA-SDF cho thông tin tin cậy hơn để các SU sử dụng kênh so với hệ thống GA-SDF. 3.4. Đề xuất hệ thống CSS- SDF dùng thuật toán đàn dơi (BA- SDF) 3.4.1. Hệ thống BA-SDF Trong đề xuất sử dụng GA kết hợp với EM, thời gian xử lý của hệ thống chủ yếu là do GA. Để giảm thời gian xử lý, trong phần này tác giả đề xuất dùng thuật toán đàn dơi (BA) cho bài toán CSS-SDF (gọi tắt là BA-SDF). BA được thực hiện như lưu đồ thuật toán hình 3.7. Mô hình hệ thống được sử dụng để đánh giá như hình 3.1. Hình 3.6. So sánh hệ thống EMGA – SDF và GA-SDF 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Pf P d GA-SDF[20] §Ò xuÊt EMGA-SDF (TH1) §Ò xuÊt EMGA-SDF (TH2) 21 Hình 3.9 minh họa xác suất phát hiện dP của trung bình 50 lần mô phỏng với số vòng lặp là 500 toán BA sau khoảng 35 lần lặp đã hội tụ. Thời gian thực hiện một vòng lặp của BA cần ít hơn GA như đã phân tích trong mục (3.3.2), do đó BA-SDF sẽ cần ít thời gian xử lý hơn so với GA-SDF khi cần dP đạt đến giá trị lớn nhất. Hình 3.10 so sánh ROC của BA-SDF và GA-SDF khi số lượng SU là 20 với cùng số vòng lặp là 35. Kết quả trên hình 3.10 thể hiện hiệu quả cảm biến phổ hệ thống CSS dựa trên BA- SDF tốt hơn GA-SDF với xác suất phát hiện fP trong dải 0,1fP ≤ cao hơn trung bình xấp xỉ 2,5%. Ảnh hưởng của số lượng SU trong hệ thống CSS dựa trên BA–SDF được thể hiện trên hình 3.11 ứng với số lượng SU lần lượt là 6,10,15,20M = . Kết quả Hình 3.9. Tốc độ hội tụ của BA-SDF và GA-SDF 0 50 100 150 200 250 300 350 400 450 500 0.86 0.87 0.88 0.89 0.9 0.91 0.92 Sè vßng lÆp P d GA-SDF [20] §Ò xuÊt BA-SDF Thiết lập các tham số: Q, k, kmax, vi, fi, Ai, ri Tạo ngẫu nhiên bộ trọng số ωi Xây dựng hàm mục tiêu P(ωi) Tính hàm mục tiêu và tìm Pbest ứng với ωbest Bắt đầu Trọng số được cập nhật theo công thức (3.20) Rand(0,1)>ri and Pnew-best>Pbest Cập nhật Pbest=Pnew-best, ω best=ω new-best Kết thúc Tạo các tham số mới theo công thức (3.17), (3.18), (3.19) Tính hàm mục tiêu và tìm Pnew-best ứng với ωnew-best k=k+1 Thay đổi ri và Ai theo công thức (3.21) Rand(0,1)>ri k < kmax Đ Đ Đ S S S ωopt Hình 3.7. Lưu đồ thuật toán BA- SDF 22 mô phỏng cho thấy khi số lượng SU tăng, hiệu quả cảm biến phổ tăng đáng