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.
27 trang |
Chia sẻ: honganh20 | Ngày: 07/03/2022 | Lượt xem: 317 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Tóm tắt Luận án Phát triển giải pháp cảm biến phổ cho hệ thống vô tuyến nhận thức, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
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
Các file đính kèm theo tài liệu này:
- tom_tat_luan_an_phat_trien_giai_phap_cam_bien_pho_cho_he_tho.pdf