CHƯƠNG 4 - KHÔNG GIAN TÍN HIỆU BỘ THU TỐI ƯU

Trường Đại học Khoa Học Tự Nhiên
Khoa Điện tử - viễn thông Thông Tin Số

Bài 4 KHÔNG GIAN TÍN HiỆU – BỘ THU TỐI ƯU
Nội dung:
1. Giới thiệu
2. Biểu diễn hình học của tín hiệu
3. Bộ thu cực đại khả năng
4. Bộ thu tương quan
5. Xác suất lỗi
1
1. GiỚI THIỆU
Sơ đồ khối truyền thông số
AWGN
n(t)
Sóng mang
Ước lượng
thông tin
Z
mi Bộ mã hóa
Si Si (t)
Kênh truyền
r(t) Bộ giải m̂
Nguồn tin ký hiệu truyền
Bộ điều chế Bộ giải mã
điều chế
2
Tổng hợp và phân tách tín hiệu qua các hàm cơ sở:
N
Tổng hợp s i t    s  t  i  1,..., M
ij j 0tT
tín hiệu: j 1
Với điều kiện trực giao và chuẩn hóa (trực chuẩn) :

 j
0 i  j
 i t  j t dt  1 i  j i
T  k
s ij   s i (t) j t dt si (t)

Phân tách
0
tín hiệu:
i  1,...M , j  1,...N
NM sij  j
3/21/2014
3
Sơ đồ điều chế bên phát và giải điều chế bên thu:
N
si (t )   sij j (t ) s i  ( s i1 , s i 2 ,..., s iN )
j 1
Vector to waveform conversion Waveform to vector conversion

 1 (t )
 1 (t )
T s i1
 si1 
s i1
0
 si1 
si
 s i (t ) s i (t )   si
   N (t )  N (t )  
siN  T siN 
s iN 0 s iN
4
Quy trình trực giao hóa Gram - Schmidt :
Cho tập tín hiệu: si (t )i 1 tìm các hàm cơ sở trực chuẩn:  j (t )j 1
M N
1. Xác định hàm cơ sở thứ nhất (từ tín hiệu thứ nhất):
 1 (t )  s1 (t ) / s1 (t )  s1 (t ) / E1 , s1 (t )  s11  E1
 s1 (t)  s11 1 (t)= E1 1 (t)
2. Xác định hàm cơ sở thứ hai:
T
s 21   s 2 (t)  1 (t)dt   d 2 (t )  s2 (t )  s21 1 (t )
0
T
 2 (t)  d 2 (t)/ d 2 (t) , d 2 (t)   2  
2 2
d (t)dt E 2 s 21
0
3/21/2014
 [s 2 (t)  s 21 1 (t)]/ E2  s21
2
5
Quy trình trực giao hóa Gram - Schmidt :
3. Tương tự tiếp tục quy trình, tổng quát ta có :
T
sij   si (t)  j (t)dt  si (t), j t 
0
i 1
 d i (t)  si (t)   sij j (t) , j  1,...i  1
j1
Xác định tập hàm cơ sở : ( di(t) ≠0, di(t)=0 khi i>N )

T
 i (t)  d i (t)/ d i (t)  d i (t)/  i (t)dt , i  1,2,...N
2
d
0
Khi si(t) là tập M tín hiệu độc lập tuyến tính → M=N
Khi si(t) là tập M tín hiệu không độc lập tuyến tính → N<M
6
• Ví dụ 1 (bộ phát): Tìm hàm cơ sở từ hai tín hiệu
s1 (t ) s2 (t )
A
T 0 T t
A
0 T t T
• Sử dụng quy trình Gram-Schmidt :

s1 (t )  s11 1 (t )  A 1 (t )
T  1 (t )
E1   s1 (t ) dt  A2   s11  E1  A
2
1
0 1
s2 (t )  s21 1 (t )   A 1 (t )
T
 1 (t )  s1 (t ) / E1  s1 (t ) / A
T
s21 (t )   s2 (t ) 1 (t )dt   A
2 0 T t
0
d 2 (t )  s2 (t )  ( A) 1 (t )  0
s 21 s11
 1 (t )
-A 0 A
3/21/2014
7
• Ví dụ 2 (bộ thu): Một hệ thống truyền thông 4 tín hiệu.

Cho 2 hàm cơ sở trực chuẩn, xác định 4 vectơ tín hiệu
được truyền
1 1
1 1 2
2
1
-0.5
3/21/2014
8
• Ví dụ 2:
* Tín hiệu truyền là một vectơ trong không gian Euclid 2 chiều
-> mỗi tín hiệu vectơ được biểu diễn bởi 2 thành phần tọa độ
* Tìm s1 = (s11 ,s12)

2 1 s1(t)
s11   s1(t)1t dt   11dt  0  1 1
0 0
2 2 t
s12   s1(t) 2 t dt  0    0.51dt  0.5

-0.5
1
0 1
1
t
S1 = (1,-0.5) 1 2
3/21/2014
9
• Ví dụ 2:
* Tín hiệu vectơ s1(t) tìm được:
s1 ( t )  s11 1 ( t )  s12 2 ( t )  (1) 1 ( t )  (  0.5) 2 ( t )
* Biểu diễn hình học của s1(t):

 2
1 1
-0.5 s1
3/21/2014
10
• Ví dụ 2:
* Tương tự tìm vectơ tín hiệu s2 =(-0.5,1), s3 =(0,-1), s4 =(0.5,1)
* Biểu diễn các vectơ tín hiệu trong không gian 2 chiều
-> giản đồ chòm sao (constellation): tập các vectơ tín hiệu phát
đi, hay các điểm trong không gian tín hiệu của bản tin
2
s2 1
s4
-1 -0.5 0.5 1 1
-0.5
s1
3/21/2014 -1 s3 11
Minh họa biểu diễn hình học của tín hiệu khi N=2 và M=3:
 2 (t )
s1  ( s11 , s12 )
 1 (t )
s 3  ( s31 , s32 )
s 2  ( s 21 , s 22 )
s1 (t )  s11 1 (t )  s12 2 (t )  s1  ( s11 , s12 )
Transmitted signal
alternatives s 2 (t )  s 21 1 (t )  s 22 2 (t )  s 2  ( s 21 , s 22 )
s3 (t )  s31 1 (t )  s32 2 (t )  s 3  ( s31 , s32 )
T
3/21/2014
s ij   s ( t )
i j ( t ) dt , j  1,.... N , i  1,.... M , 0  t  T
0 12
3. TÁCH SÓNG CHO KÊNH TRUYỀN AWGN
n
mi si z m̂
Modulator Decision rule
Nhiệm vụ :
Cho vectơ tín hiệu ngẫu nhiên quan sát z=(z1, ….zN) tại
ngõ ra bộ giải điều chế. Thực hiện một phép ánh xạ z → m̂ là
ước lượng của mi sao cho việc quyết định có xác suất trung
bình lỗi là nhỏ nhất.
13
3. TÁCH SÓNG CHO KÊNH CÓ NHIỄU AWGN
Mô hình kênh AWGN : z  si  n
- Vectơ tín hiệu truyền si là xác định
- Phần tử của vectơ nhiễu n là biến ngẫu nhiên trung bình
0 phương sai N0/2 có hàm PDF:
1  n
2

f n (n)  exp  
N 0 N /2
 N0 
 
- Phần tử của vectơ tín hiệu thu được z là các biến ngẫu
nhiên độc lập có hàm PDF:
 z s 2 
1  
f z ( z | mi )   , j  1,....N , i  1,...M
j j
exp 
N 0 N /2
 N0 
 
Hàm PDF có điều kiện cho mỗi lần truyền mi gọi là hàm
khả năng / hợp lý (Likelihood function)
3/21/2014 14
Quy tắc quyết định tối ưu (cực đại xác suất hậu
nghiệm- maximum a posteriori probability- MAP) :
Set mˆ  mi if
Pr(mi sent|z )  Pr(mk sent|z ), for all k  i
where k  1,..., M .
Dùng công thức Bayes, quy tắc MAP phát biểu lại:
Set mˆ  mi if
f z ( z | mk )
pk , is maximum for all k  i
f z ( z)
3/21/2014
15
Quy tắc quyết định tối ưu (cực đại xác suất hậu
nghiệm- maximum a posteriori probability- MAP) :
Phân chia không gian tín hiệu thành M vùng quyết
định, Z1 ,…..ZM sao cho:
Vector z lies inside region Z i if

f z (z | mk )
ln[ pk ], is maximum for all k  i.
f z (z )
That means
mˆ  mi
3/21/2014
16
Quy tắc quyết định cực đại khả năng (maximum
likelihood - ML):
Trong trường hợp mẫu số là độc lập với tín hiệu phát và xác suất
trước (xác suất tiền nghiệm) là như nhau, quy tắc MAP được đơn
giản thành:
Set mˆ  mi if
f z (z | mk ), is maximum for all k  i
hay tương đương:
Set mˆ  mi if
ln[ f z (z | mk )], is maximum for all k  i
-> quy tắc maximum likelihood - ML
3/21/2014
17
Quy tắc quyết định ML:
định, Z1 ,…..ZM , luật quyết định ML được phát biểu lại:

ln[ f z (z | mk )], is maximum for all k  i
That means
mˆ  mi
3/21/2014
18
Luật quyết định ML tiếp tục được đơn giản:

z  s k , is minimum for all k  i
3/21/2014
19
định, Z1 ,…..ZM , luật quyết định ML được phát biểu lại:
Vector r lies inside region Zi if

N
1

j 1
z j skj  Ek , is maximum for all k  i
2
where Ek is the energy of sk (t ).
3/21/2014
20
Sơ đồ khối tách sóng dùng quy tắc quyết định ML:
,s1 
1 Choose
 E1
z 2 m̂
the largest
, s M 
1
 EM
2
3/21/2014
21
Ví dụ sơ đồ vùng quyết định ML: M = 4 , N = 2
 2 (t )
Z2
s2
Z1
s3 s1
Z3  1 (t )
s4
Z4
3/21/2014
22
4. BỘ THU TƯƠNG QUAN
Bộ thu tối ưu bao gồm 2 phần:
Bộ tách sóng, giải điều chế Bộ giải mã, quyết định
1(t)
,s1
T z1
0
r1  1
 E1
Choose
m̂
r(t)   z z 2
the largest
N (t)   Observation
T rN vector ,sM

0 zN 1
 EM
2
3/21/2014
23
Minh họa khôi phục tín hiệu:
Tín hiệu bị ảnh hưởng kênh AWGN Điểm tín hiệu tại ngõ ra bộ tách sóng
Tín hiệu
thu được
Luật quyết định ML
Điểm tín hiệu

gần nhất
Tín hiệu
thu được
3/21/2014
24
Sự tương đương bộ thu tương quan và bộ thu phối hợp:
• So sánh (a) và (b)

– Từ (a): T
z (t )  0
r ( t ) s ( t ) dt
T
z (t ) t T  z (T )   r ( ) s( )d
0
3/21/2014
25
Sự tương đương bộ thu tương quan và lọc phối hợp:
• Từ (b):  t
z '(t)  r(t)* h(t)   r( )h(t  )d   r( )h(t  )d
 0
trong đó:
h(t)  s(T  t)  h(t  )  s[T  (t  )]  s(T   t)
t
  z ' (t )   r ( ) s (  T  t ) d
0
Lấy mẫu tại t = T, ta có:
T T
z '(t ) t T  z '(T )   r ( )s(  T  T )d   r ( )s( )d
0 0
Kết quả trên giống (a):

T
z ' (T )  
0
r ( ) s ( ) d 
Vì vậy:
z(T )  z' (T )
3/21/2014
26
5. XÁC SUẤT LỖI
Quyết định sai: Không gian quan sát chia thành M vùng Zi
ứng với vectơ tín hiệu mi . Quyết định sai khi vectơ quan sát z
không nằm trong vùng Zi .
Xác suất quyết định sai:
Pe (mi )  Pr(mˆ  mi and mi sent)
Pr(mˆ  mi )  Pr(mi sent)Pr(z does not lie inside Z i mi sent)
Xác suất quyết định đúng:

Pr(mˆ  mi )  Pr(mi sent)Pr(z lies inside Z i mi sent)
Pc (mi )  Pr(z lies inside Z i mi sent)   f ( z | m ) dz

Zi
z i
Pe (mi )  1  Pc (mi )
3/21/2014
27
Xác suất lỗi trung bình:
M
PE ( M )   Pr(mˆ  mi )P(mi )
i 1
trường hợp các ký hiệu có xác suất bằng nhau:

M M
1 1
PE ( M ) 
M

i 1
Pe (mi )  1 
M
 P (m )
i 1
c i
M
1
 1
M
 f
i 1 Z i
z (z | mi )dz
3/21/2014
28
Biên hợp của xác suất lỗi (Union bound):
Gọi Aik (i = k = 1,….M) là sự kiện vectơ quan sát z gần
vectơ tín hiệu sk hơn si khi si được gửi
Xác suất có điều kiện của lỗi khi m được gửi bằng xác
suất xảy ra hợp các sự kiện: Ai1 ,….AiM :
P( Aki )  P2 (s k , s i )
Theo lý thuyết xác suất: xác suất để có hợp các sự kiện đồng
thời không lớn hơn tổng các xác suất riêng rẽ:
M M M
1
Pe (mi )   P2 (s k , s i ) PE ( M )   P (s 2 k , si )
k 1 M i 1 k 1
k i k i
3/21/2014
29
Minh họa biên hợp của xác suất lỗi:
2
Z2 r Z1
Pe (m1 )   f (r | m )dr
r
Z 2 Z3 Z 4
1 s2 s1
1
BIÊN HỢP: s3 s4
4
Z3 Z4
Pe ( m1 )   P2 (s k , s1 )
k 2
2 2 2
A2 r r r
s2 s1 s2 s1 s2 s1
1 1 1
s3 s4 s3 s4 s3 s4
A3 A4
P2 (s 2 , s1 )   f (r | m )dr
r 1 P2 (s 3 , s1 )   f (r | m )dr
r 1 P2 (s 4 , s1 )   f (r | m )dr
r 1
A2 A3 A4 30
Biên hợp của xác suất lỗi (Union bound):
P2 (s k , si )  Pr(z is closer to s k than si , when si is sent)


1 u2  dik / 2 
   N0
exp( )du Q 
N0  N /2


dik  0 
d ik  s i  s k
1 M M  d min / 2 
PE ( M ) 
M
 P2 (s k , s i )  ( M  1)Q
 N /2 

i 1 k 1
k i
 0 
d min  min d ik
i ,k
ik
31

CHƯƠNG 4 - KHÔNG GIAN TÍN HIỆU BỘ THU TỐI ƯU

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CHƯƠNG 4 - KHÔNG GIAN TÍN HIỆU BỘ THU TỐI ƯU

Uploaded by

Copyright:

Available Formats

Trường Đại học Khoa Học Tự Nhiên

Khoa Điện tử - viễn thông Thông Tin Số

Với điều kiện trực giao và chuẩn hóa (trực chuẩn) :

s ij   s i (t) j t dt si (t)

Vector to waveform conversion Waveform to vector conversion

Xác định tập hàm cơ sở : ( di(t) ≠0, di(t)=0 khi i>N )

• Sử dụng quy trình Gram-Schmidt :

• Ví dụ 2 (bộ thu): Một hệ thống truyền thông 4 tín hiệu.

* Tìm s1 = (s11 ,s12)

s12   s1(t) 2 t dt  0    0.51dt  0.5

s1 ( t )  s11 1 ( t )  s12 2 ( t )  (1) 1 ( t )  (  0.5) 2 ( t )

* Biểu diễn hình học của s1(t):

Vector z lies inside region Z i if

Vector z lies inside region Z i if

Luật quyết định ML tiếp tục được đơn giản:

Vector z lies inside region Z i if

Vector r lies inside region Zi if

T rN vector ,sM

Luật quyết định ML

Điểm tín hiệu

• So sánh (a) và (b)

Kết quả trên giống (a):

Xác suất quyết định đúng:

Pc (mi )  Pr(z lies inside Z i mi sent)   f ( z | m ) dz

trường hợp các ký hiệu có xác suất bằng nhau:

P2 (s k , si )  Pr(z is closer to s k than si , when si is sent)

You might also like