Thuật giải bắt tay giữa các trạm gốc trong hệ thống thông tin di động

Nội dung text: Thuật giải bắt tay giữa các trạm gốc trong hệ thống thông tin di động

1. THUẬT GIẢI BẮT TAY GIỮA CÁC TRẠM GỐC TRONG HỆ THỐNG THÔNG TIN DI ĐỘNG Đào Mạnh Tú Viện Kỹ thuật HUTECH, Trường Đại học Công nghệ TP. Hồ Chí Minh GVHD: TS. Nguyễn Trọng Hải TÓM TẮT Đề tài là nghiên cứu các giải thuật chuyển giao giữa các trạm trên phương diện lý thuyết, sau đó mô phỏng bằng Matlab để thấy được ưu điểm của từng giải thuật. Trong tham luận này, tác giả giới thiệu về 2 giải thuật là giải thuật nhận biết mẫu và giải thuật dựa vào ứng dụng của mạng Neural. Từ khóa: hệ thống thông tin di động, thuật giải bắt tay, thông tin di động. 1 GIỚI THIỆU Một trong những thành phần quan trọng đóng góp vào khả năng duy trì hệ thống, giãm nhiễu, phân bố tài nguyên của hệ thống là quá trình chuyển giao. Nó giúp nâng cấp chất lượng hệ thống, đảm bảo sự thông suốt trong suốt quá trình đàm thoại, tải dữ liệu, truy cập mạng Điều này đòi hỏi ngoài việc thiết kế hệ thống như phân bố cell, phân bố kênh th phải có một giải thuật phù hợp, có hiệu quả cao nhất về kinh tế lẫn chất lượng để quá trình chuyển giao được xuyên suốt. Trong những thập niên 80, 90 của thế kỷ trước, các nhà nghiên cứu đã đưa ra các giải thuật khác nhau chủ yếu dựa vào cường độ tín hiệu, tỉ lệ tín hiệu trên nhiễu, tỉ lệ lỗi bit và hiện nay là các giải thuật cao cấp hơn như là giải thuật phân biệt mẫu, dựa vào logic mờ, mạng neural 2 THIẾT KẾ NGUYÊN LÝ HOẠT ĐỘNG CỦA HỆ THỐNG 2.1 Môi trường truyền sóng trong hệ thống di động tế bào Hình 1. Mô tả vùng bao phủ đơn giản và lý tưởng của 1 hệ thống di động tế bào Hệ thống tế bào là vùng dịch vụ được chia ra thành từng phần nhỏ gọi là tế bào. Vùng bao phủ của BTS dựa vào các tiêu chuẩn liên quan đến chất lường đường truyền, do sự suy giãm của tín hiệu khi người sử dụng ở xa so với vùng bao phủ của trạm gốc. 195
2. Một trong những tiện ích của mô hình tế bào đó là việc tái sử dụng tần số. Ngoài việc tái sử dụng tần số, người ta còn có thể chia nhỏ các cell ra. Điều này dựa trên việc thay vì sử dụng anten vô hướng, người ta sử dụng anten có hướng để chia nhỏ vùng phục vụ của mỗi BTS thành các sector. 2.2 Chuyển giao trong hệ thống thông tin di động tế bào Handoff được sử dụng trong giao tiếp không dây. Nó cho phép user có thể di chuyển trong vùng rộng lớn, không chỉ trong khu vực mà bts nó đang sử dụng. Handoff vừa thuộc lớp radio link, vừa thuộc lớp mạng. Ở lớp mạng nó có những đặc điểm sau: - User yêu cầu việc cấu hình mạng của đường truyền giao tiếp. Khi người sử dụng chuyển điểm truy cập trong quá trình chuyển giao cell đó. - Trị trung bình và độ trễ: Giải thuật handoff cũ (THO) sử dụng tiêu chuẩn handoff dựa trên mối quan hệ giữa cường độ tín hiệu và bts. 2 thông số quan trọng là chiều dài trung bình và độ trễ ngưỡng. - Các hệ thống sử dụng chuyển giao: AMPS, IS-54B, PACS, GSM, CDMA IS-95. Hình 2. Chuyển giao trong hệ thống di động tế bào 2.3 Giải thuật nhận biết mẫu (pattern recognition handoff) Công thức tính độ ước lượng trung bình mẫu: ∑ Sẽ được so sánh với độ ước lượng tối ưu cực tiểu: Eop [ ] N X j /10 1 1 1 Trong đó, T 10 và H 1 với n=1,2 .Hn là giá trị thứ n của hàm  j 1 n 2 3 n điều hòa. Hình 3. Hàm điều hòa 196
3. So sánh độ thể hiện: E độ phù hợp B, độ sai khác của E là: ( ) sa sa và [ ∑ ] Một giới hạn thấp hơn đến giá trị khác nhau của việc ước lượng Unbiased là giới hạn. Cramer – Rao. Trường hợp này giá trị đó là 100/[N(ln 10)2]. Hàm tỷ lệ RALR(N): ( ∑ ) RALR(N) tăng tuyến tính theo N, và N>15 thì RALR(N)>1.6. Với N đã cho thì lỗi trung bình bình phương là Esa gấp 1.65 lần Eop. Khoảng tin cậy cho Eop thì ngắn hơn so với Esa. 2 Với R (N) , thì ∑ ALR 6 2 2 Với 1/ k . khi đó giới hạn của Esa: ∑ k 1 6 Trong đó, giới hạn dưới là giới hạn dưới Cramer – Rao, khi R(N) 2 6. Chuỗi vị trí chuyển giao: tiêu chuẩn mà ta nghiên cứu là dựa vào chất lượng tín hiệu.Các cặp lo-de handoff chỉ ra handoff xảy ra ở đâu và bts nào, với maximum hàm cost-reward. Ta có: ∑ Với H(Yj) là số handoff xảy ra trong chuỗi Yj, C là COST của việc handoff, Ns là số mẫu trên đường, Bjs là trạm bts tại mẫu s của chuỗi Yj và Pjs là cường độ tín hiệu của trạm bts i tại mẫu s. Hình 4. Kết quả so sánh Phương sai ước lượng của ALR Chuỗi các lo-de handoff tối ưu trên là không chính xác trong hệ thống thực, bởi vì còn có ảnh hưởng của fading mức nhỏ. P sẽ không chính xác, vì vậy cần phải ước lượng chuỗi. 197
4. Phương pháp giãm không gian tìm kiếm: Hình 5. Mô hình tìm kiếm vị trí tối ưu dựa vào phương pháp cây: 1: Sắp xếp gọn, cho Bs là trạm bts tại mẫu s và Pjs là công suất thu tại trạm bts j của mẫu s. Giả sử PBo,k >= Pj,k cho tất cả j={1,2 Nbs) và k<=kf; 2: Backward trimming. Tương tự forward trimming nhưng ngược lại; 3: Loại trường hợp khi Nmaxpool =2, với Nmaxpool là số bts trong maximum pool. Để được gọi là maxpool thì 1 bts phải có cường độ tín hiệu cao nhất, ít nhất là trong 1 mẫu. Khi Nmaxpool =2, B0 và BBs-1 chỉ là 2 trạm bts phục vụ tại mọi thời điểm Phương pháp tính toán theo mô hình cây: Trong bước 3 của thủ tục tìm thô, r mũ được tính từ công thức mà không sử dụng kết quả tính toán trước đó. Việc này làm tiết kiệm thời gian tính. Ví dụ, giả sử có y1 và y2 là 2 chuỗi tương tự nhau với . Tính PBs,s cho s= y2,k và s= y2,k +1. 3 KẾT QUẢ MÔ PHỎNG MẠNG NEURAL VÀ PHÂN BIỆT MẪU 3.1 Mô phỏng mạng Neural Tính toán sai lệch cục bộ tại mỗi neural trong mạng. Đối với ngõ ra neural, sai lệch cục bộ được tính như sau: ( ) Đối với mỗi lớp ẩn , sai lệch cục bộ được tính như sau: (∑ ) Bướ 4: đối với mỗi giá trị dự đoán của bộ kết hợp tuyến tính, giá trị ngõ ra mong muốn được cho bởi 198
5. ̅ ̅ ̂ ( ) Với Bướ 5: cập nhật giá trị dự đoán của ma trận covariance trong mỗi lớp: cập nhật giá trị dự đoán của vector tương quan chéo cho mỗi neural: ̂ Bướ 6: cập nhật vector trọng số cho mỗi neural trong mạng như sau: Tại mỗi neural tính: (s) nếu gi = 0, không cập nhật trọng số và chuyển sang bước 7, nếu không tiến hành các bước sau: Hình 6. Mạng neutral T m hướng d(k): nếu số lần lặp là một số nguyên lần của số trọng số. - Tính toán kích thước bước nhảy học tập: - Thay đổi vector trọng số theo biểu thức sau: Bướ 7: nếu mạng không hội tụ, quay lại bước 2. - Các bước thực hiện giải thuật Levenberg-Marquardt. 3.2 Mô phỏng phân biệt mẫu Giả sử gọi M( , ) là hàm hợp khi đó 2 mẫu là hợp nhau khi M(B1,B0) = 0, ở đây chúng ta sử dụng đo khoảng cách Euclidean bình phương: ∑ ∑ ( ) Do fading mức nhỏ, nên không phải giá trị của hàm luôn bằng không, do đó, cần dựa vào mức ngưỡng. 199
6. Hình 7. Mô hình mô phỏng Phân tích hàm hợp: Mở đầu: Bổ đề 1 : Cho x,y ~ E[(x – y)2] độc lập với p và : [ ] Bổ đề 2: Cho x,y ~ E[|x – y|2] độc lập với p và [| |] Hình 8. Phân biệt màu Mô phỏng sử dụng hàm: costfunc (hàm tính toán giá trị cực đại của ma trận đầu vào), hàm tạo ma trận đầu vào, hàm hợp giữa 2 ma trận đầu vào, hàm tạo mẫu tín hiệu tại các trạm thu được do huấn luyện. 5 KẾT LUẬN Trong phần nghiên cứu các giải thuật này, chúng ta đã được biết các giải thuật liên quan đến việc chuyển giao. Các giải thuật này nhằm giúp cho hệ thống giãm nhiễu, nâng cao chất lượng đường truyền và tiết kiệm tài nguyên mạng. Kết quả từ việc mô phỏng các giải thuật cho chúng ta thấy được lợi điểm của từng giải thuật. Giải thuật nhận biết mẫu và giải thuật dùng mạng neural để huấn luyện. Kết quả cho thấy mạng neural hiệu quả hơn. TÀI LIỆU THAM KHẢO [1] Bài giảng thông tin số - Trường ĐH Giao thông vận tải TP.HCM. [2] Tính toán mạng thông tin di động số cellular – ũ Đức Thọ. [3] Wong “A handoff algorithms using pattern regconition” – 1998. 200
7. [4] D. Wong and D. Cox. “ Estimating local mean signal power level in a Rayleigh fading environment”, IEEE Transactions on Vehicular Technology, accepted for publication – March/1998. [5] D.Wong and D.Cox “An optimal local mean signal power level estimator inRayleigh fading environments” In IEEE International Conference on Information Communications and Signal Processing- pages125-134 in Singapore, September 2002. [6] R. Narasimhan “A handoff algorithm for wireless communication systems using pattern recognition techniques” unpublished report in June 2001. [7] Nisith D. Nipathi “Genetic adaptive handoff algorithms using fuzzy logic and neural network”- 8/1997. 201