Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu

Nghiên cứu giải pháp nâng cao hiệu năng định hướng tín hiệu vô tuyến sử dụng mạng nơ-ron học sâu. Ứng dụng công nghệ mới nhất để định vị chính xác.

• Tác giả: Nguyễn Duy Thái
• Người hướng dẫn: TS. Hoàng Văn Phúc
• Trường học: Viện Khoa Học Và Công Nghệ Quân Sự
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu
• Loại tài liệu: Luận Án Tiến Sĩ Kỹ Thuật
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN
• 1.1. Giới thiệu về định hướng nguồn tín hiệu vô tuyến
• 1.2. Khái niệm, phân loại
• 1.3. Thiết bị định hướng nguồn tín hiệu vô tuyến
• 1.4. Mô hình tín hiệu mảng ăng ten
• 1.5. Mô hình tổng quát
• 1.6. Mô hình mảng ăng ten tuyến tính
• 1.7. Các phương pháp định hướng nguồn tín hiệu vô tuyến
• 1.8. Phương pháp quét búp sóng
• 1.9. Phương pháp phân tích không gian con
• 1.10. Trí tuệ nhân tạo và ứng dụng trong định hướng nguồn tín hiệu vô tuyến
• 1.10.1. Khái quát về trí tuệ nhân tạo, học máy, học sâu
• 1.10.2. Mạng nơ-ron nhân tạo
• 1.10.3. Mạng nơ-ron tích chập
• 1.10.4. Ứng dụng trí tuệ nhân tạo định hướng nguồn tín hiệu vô tuyến
• 1.11. Tình hình nghiên cứu về định hướng nguồn tín hiệu vô tuyến
• 1.11.1. Tình hình nghiên cứu trong nước
• 1.11.2. Tình hình nghiên cứu ngoài nước
• 1.12. Đặt vấn đề nghiên cứu. Kết luận Chương 1
• 2. CHƯƠNG 2: GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ RON TÍCH CHẬP KẾT NỐI DƯ
• 2.1. Khảo sát, đánh giá khả năng ước lượng DOA của các thuật toán học máy
• 2.2. Thuật toán SVM
• 2.3. Thuật toán kNN
• 2.4. Đánh giá khả năng ước lượng hướng đến của SVM và kNN
• 2.5. Đánh giá khả năng ước lượng hướng đến của mạng nơ-ron
• 2.5.1. Khả năng ước lượng hướng đến của mạng nơ-ron tiêu chuẩn
• 2.5.2. Khả năng ước lượng hướng đến của mạng nơ-ron tích chập
• 2.6. Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư ước lượng DOA cho mảng ăng ten tuyến tính không đồng đều
• 2.6.1. Cấu trúc mô hình DOA-ResNet đề xuất
• 2.6.2. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình
• 2.6.3. Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay đổi số lượng kênh lọc
• 2.6.4. Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay đổi kích thước kênh lọc
• 2.6.5. So sánh hiệu năng ước lượng DOA của mô hình DOA-ResNet với các thuật toán học máy
• 2.7. Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư phép nhân tự động hiệu chỉnh sai số hệ thống nâng cao hiệu năng ước lượng hướng đến
• 2.7.1. Mô hình tín hiệu mảng ăng ten có chứa sai số hệ thống
• 2.7.2. Cấu trúc mô hình DOA-CNN đề xuất
• 2.7.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình
• 2.7.4. Đánh giá độ chính xác ước lượng DOA của mô hình DOA-CNN trong các trường hợp có sai số hệ thống
• 2.7.5. So sánh hiệu năng ước lượng DOA của mô hình DOA-CNN với các mô hình học máy, học sâu khác
• 2.8. Kết luận Chương 2
• 3. CHƯƠNG 3: GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ-RON UNET KẾT HỢP THUẬT TOÁN MUSIC, ROOTMUSIC
• 3.1. Mạng nơ-ron Unet
• 3.2. Nghiên cứu đề xuất mô hình UFCnet kết hợp thuật toán MUSIC, Root-MUSIC nâng cao hiệu năng ước lượng DOA
• 3.2.1. Mô hình tín hiệu tạo lập dữ liệu
• 3.2.2. Cấu trúc mô hình UFCnet đề xuất
• 3.2.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình
• 3.2.4. Đánh giá khả năng phân biệt góc ước lượng. Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten là lý tưởng
• 3.2.5. Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten có các sai lệch vị trí các phần tử, pha và biên độ do đường truyền
• 3.3. Nghiên cứu đề xuất mô hình UNet kết hợp thuật toán MUSIC, RootMUSIC nâng cao hiệu năng ước lượng DOA nguồn tín hiệu tương quan
• 3.3.1. Mô hình tín hiệu tạo lập dữ liệu xét đến sự tương quan của tín hiệu
• 3.3.2. Cấu trúc mô hình UNet đề xuất
• 3.3.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình
• 3.3.4. Đánh giá khả năng ước lượng DOA nguồn tín hiệu tương quan
• 3.3.5. Đánh giá hiệu năng ước lượng DOA khi thay đổi các tham số kênh lọc trong lớp tích chập. Đánh giá độ chính xác ước lượng DOA khi thay đổi số lượng phần tử mảng ăng ten. Đánh giá độ chính xác ước lượng DOA khi thay đổi số lượng mẫu tín hiệu
• 3.3.6. Đánh giá độ chính xác ước lượng DOA khi thay đổi tần số tín hiệu
• 3.3.7. Đánh giá độ chính xác ước lượng DOA trong các trường hợp xảy ra sai số hệ thống
• 3.3.8. Đánh giá độ phân giải góc ước lượng
• 3.3.9. So sánh các phương pháp, mô hình đề xuất trong luận án
• 3.3.10. Cấu trúc, cách thức hoạt động của các mô hình đề xuất
• 3.3.11. Hiệu năng ước lượng DOA của các mô hình đề xuất
• 3.4. Kết luận Chương 3
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Định Hướng Tín Hiệu Vô Tuyến Với AI 55 ký tự

Định hướng nguồn tín hiệu vô tuyến đóng vai trò then chốt trong nhiều lĩnh vực, từ dân sự đến quân sự. Xác định hướng đến (DOA) giúp hệ thống thu phát nâng cao hiệu suất, triển khai đa truy nhập phân chia theo không gian (SDMA), tối ưu hóa năng lượng và kênh truyền. Trong MIMO, ước lượng hướng đến cung cấp thông tin góc tín hiệu để điều chế không gian, tăng tốc truyền dữ liệu và nâng cao chất lượng dịch vụ (QoS). Trong quản lý tần số, ước lượng DOA hỗ trợ tìm kiếm nguồn phát xạ trái phép và định vị UAV. Trong quân sự, ước lượng DOA là chức năng chính của hệ thống trinh sát điện tử, cung cấp thông tin về vị trí và lực lượng đối phương. "Hướng đến của các nguồn tín hiệu luôn là thông tin quan trọng đầu tiên cần thu thập bởi các hệ thống này" (trích từ tài liệu gốc).

1.1. Khái niệm và Phân loại Định hướng Tín hiệu Vô tuyến

Định hướng tín hiệu vô tuyến là quá trình xác định hướng phát của tín hiệu vô tuyến từ một nguồn phát. Quá trình này có thể được thực hiện bằng nhiều phương pháp khác nhau, tùy thuộc vào yêu cầu về độ chính xác, tốc độ và chi phí. Phân loại các phương pháp định hướng tín hiệu vô tuyến bao gồm phương pháp quét búp sóng, phương pháp phân tích không gian con, và phương pháp dựa trên trí tuệ nhân tạo. Mỗi phương pháp có ưu và nhược điểm riêng, phù hợp với các ứng dụng khác nhau. Các yếu tố ảnh hưởng đến hiệu suất của các phương pháp này bao gồm nhiễu, đa đường, và lỗi hệ thống.

1.2. Các Thiết bị Định Hướng Tín Hiệu Vô tuyến Hiện Nay

Các thiết bị định hướng tín hiệu vô tuyến sử dụng nhiều loại ăng-ten khác nhau, từ ăng-ten đơn giản đến mảng ăng-ten phức tạp. Mảng ăng-ten thường được sử dụng để tăng độ chính xác và độ phân giải của hệ thống. Các thiết bị này thường bao gồm bộ thu tín hiệu, bộ xử lý tín hiệu và phần mềm hiển thị kết quả. Một số hệ thống hiện đại còn tích hợp các thuật toán học máy và học sâu để cải thiện khả năng định hướng trong môi trường nhiễu và đa đường. Các thiết bị này đóng vai trò quan trọng trong các ứng dụng quân sự, viễn thông và giám sát.

II. Thách Thức Khi Định Hướng Tín Hiệu Cần Giải Pháp 58 ký tự

Các phương pháp truyền thống dựa trên mô hình giả định về cấu trúc mảng ăng-ten, gây khó khăn khi môi trường truyền sóng và hệ thống mảng ăng-ten có lỗi. Sai lệch trong thiết kế, chế tạo, lắp đặt mảng ăng-ten, hoặc lỗi từ đường truyền, môi trường hoạt động ảnh hưởng lớn đến độ chính xác ước lượng DOA. Hiệu chỉnh pha và biên độ giữa các kênh thu có thể khắc phục sai số, nhưng kém hiệu quả nếu sai lệch là phi tuyến, ngẫu nhiên và độc lập. "Nếu có bất kỳ sai lệch nào trong quá trình thiết kế chế tạo, lắp đặt mảng ăng ten hoặc lỗi xuất hiện từ đường truyền hay môi trường hoạt động sẽ tác động rất lớn đến độ chính xác ước lượng DOA." (trích từ tài liệu gốc).

2.1. Ảnh Hưởng Của Nhiễu và Đa Đường Đến Định Hướng Tín Hiệu

Nhiễu và đa đường là những yếu tố chính gây suy giảm hiệu suất của hệ thống định hướng tín hiệu. Nhiễu làm giảm tỷ số tín hiệu trên nhiễu (SNR), khiến việc xác định chính xác hướng đến trở nên khó khăn hơn. Đa đường tạo ra nhiều bản sao của tín hiệu gốc, mỗi bản sao đến từ một hướng khác nhau, gây ra sự chồng chéo và làm sai lệch kết quả ước lượng DOA. Các phương pháp xử lý tín hiệu tiên tiến, như beamforming, có thể giúp giảm thiểu ảnh hưởng của nhiễu và đa đường, nhưng vẫn còn nhiều thách thức cần vượt qua.

2.2. Vấn Đề Sai Số Hệ Thống Trong Mảng Ăng ten

Sai số hệ thống trong mảng ăng-ten, bao gồm sai lệch vị trí, pha và biên độ, có thể ảnh hưởng nghiêm trọng đến độ chính xác của hệ thống định hướng tín hiệu. Các sai số này có thể phát sinh từ quá trình sản xuất, lắp đặt hoặc do ảnh hưởng của môi trường. Các phương pháp hiệu chỉnh sai số có thể được sử dụng để giảm thiểu tác động của các sai số này, nhưng việc hiệu chỉnh hoàn toàn là rất khó khăn. Các thuật toán học sâu có khả năng tự động học và hiệu chỉnh các sai số này từ dữ liệu, mang lại hy vọng cải thiện đáng kể hiệu suất của hệ thống.

III. Giải Pháp Mạng Nơ ron Học Sâu Cho Định Hướng Chính Xác 59 ký tự

Sự phát triển của công nghệ chip tạo ra nền tảng tính toán mạnh mẽ, thúc đẩy ứng dụng trí tuệ nhân tạo (AI), bao gồm học máy (ML), học sâu (DL) và đặc biệt là mạng nơ-ron học sâu trong ước lượng DOA. Mô hình mạng nơ-ron học từ dữ liệu, thích ứng mà không cần thông tin tiên nghiệm về mảng ăng-ten hay đường truyền. Do đó, nó tự động hiệu chỉnh sai số để cho kết quả ước lượng DOA chính xác hơn. Nhiều nghiên cứu cho thấy, mạng nơ-ron hiệu quả hơn các mô hình truyền thống, đặc biệt trong điều kiện thu tín hiệu phức tạp.

3.1. Ưu Điểm Của Học Sâu So Với Phương Pháp Truyền Thống

Khác với các phương pháp truyền thống dựa trên mô hình toán học tĩnh, học sâu có khả năng học các đặc trưng phức tạp từ dữ liệu. Mạng nơ-ron có thể tự động thích nghi với các thay đổi trong môi trường và các lỗi hệ thống mà không cần sự can thiệp của con người. Điều này làm cho học sâu trở thành một lựa chọn hấp dẫn cho các ứng dụng định hướng tín hiệu trong môi trường thực tế, nơi các điều kiện có thể thay đổi liên tục. Các thuật toán học sâu cũng có khả năng xử lý dữ liệu phi tuyến tính và nhiễu tốt hơn so với các phương pháp truyền thống.

3.2. Các Loại Mạng Nơ ron Học Sâu Phổ Biến Cho DOA Estimation

Nhiều kiến trúc mạng nơ-ron học sâu đã được đề xuất cho bài toán ước lượng DOA, bao gồm mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN) và mạng nơ-ron kết nối dư (ResNet). CNN có khả năng trích xuất các đặc trưng không gian từ tín hiệu thu được, trong khi RNN có thể xử lý các tín hiệu có tính thời gian. ResNet giúp giải quyết vấn đề biến mất gradient trong quá trình huấn luyện mạng nơ-ron sâu. Sự lựa chọn kiến trúc phụ thuộc vào đặc điểm của tín hiệu và yêu cầu của ứng dụng.

IV. Ứng Dụng Mạng Nơ ron Tích Chập Kết Nối Dư 54 ký tự

Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư (DOA-ResNet) để ước lượng DOA cho mảng ăng-ten tuyến tính không đồng đều. Mô hình này có khả năng tự động hiệu chỉnh sai số hệ thống và thích ứng với môi trường truyền sóng phức tạp. Kết quả cho thấy, DOA-ResNet cho hiệu năng ước lượng DOA tốt hơn so với các thuật toán học máy truyền thống. "Với tính chất học tập từ dữ liệu, các mô hình mạng nơ-ron có khả năng thích ứng với dữ liệu mà không cần thông tin tiên nghiệm về mảng ăng ten hay đường truyền" (trích từ tài liệu gốc).

4.1. Cấu trúc Mô hình DOA ResNet Đề Xuất

Mô hình DOA-ResNet bao gồm nhiều lớp tích chập, lớp gộp và lớp kết nối đầy đủ. Các kết nối dư cho phép thông tin được truyền trực tiếp từ các lớp trước đến các lớp sau, giúp giảm thiểu vấn đề biến mất gradient. Mô hình này được huấn luyện bằng cách sử dụng dữ liệu mô phỏng hoặc dữ liệu thực tế. Các tham số của mô hình, như số lượng lớp, số lượng kênh lọc và kích thước kênh lọc, có thể được điều chỉnh để tối ưu hóa hiệu suất.

4.2. Đánh Giá Hiệu Năng Của Mô Hình DOA ResNet

Hiệu năng của mô hình DOA-ResNet được đánh giá bằng cách so sánh với các thuật toán học máy truyền thống, như SVM và kNN. Các kết quả cho thấy, DOA-ResNet cho độ chính xác ước lượng DOA cao hơn, đặc biệt trong môi trường nhiễu và đa đường. Mô hình này cũng có khả năng tự động hiệu chỉnh các sai số hệ thống trong mảng ăng-ten, giúp cải thiện độ chính xác trong điều kiện thực tế. Các thử nghiệm cũng được thực hiện để đánh giá ảnh hưởng của các tham số mô hình đến hiệu suất.

V. Kết Hợp U Net và Thuật Toán Truyền Thống Bước Đột Phá 60 ký tự

Nghiên cứu đề xuất mô hình UFCnet kết hợp thuật toán MUSIC, Root-MUSIC nâng cao hiệu năng ước lượng DOA. Mô hình này sử dụng mạng nơ-ron U-Net để lọc nhiễu và cải thiện chất lượng tín hiệu trước khi áp dụng thuật toán MUSIC, Root-MUSIC. Kết quả cho thấy, UFCnet cho độ chính xác ước lượng DOA cao hơn so với các phương pháp truyền thống, đặc biệt trong trường hợp tín hiệu tương quan. "Mô hình này sử dụng mạng nơ-ron U-Net để lọc nhiễu và cải thiện chất lượng tín hiệu trước khi áp dụng thuật toán MUSIC, Root-MUSIC."(trích từ tài liệu gốc).

5.1. Cấu Trúc Mô Hình UFCnet Kết Hợp MUSIC Root MUSIC

Mô hình UFCnet bao gồm một mạng nơ-ron U-Net và một thuật toán ước lượng DOA truyền thống (MUSIC hoặc Root-MUSIC). U-Net được sử dụng để loại bỏ nhiễu và cải thiện chất lượng tín hiệu đầu vào. Sau đó, thuật toán MUSIC hoặc Root-MUSIC được áp dụng để ước lượng DOA từ tín hiệu đã được lọc. Sự kết hợp này giúp tận dụng ưu điểm của cả hai phương pháp, mang lại hiệu suất tốt hơn.

5.2. Đánh Giá Hiệu Quả Của UFCnet Trong Môi Trường Tín Hiệu Tương Quan

Mô hình UFCnet đặc biệt hiệu quả trong môi trường tín hiệu tương quan, nơi các phương pháp truyền thống thường gặp khó khăn. U-Net có khả năng loại bỏ các thành phần tương quan trong tín hiệu, giúp cải thiện độ chính xác của thuật toán MUSIC và Root-MUSIC. Các thử nghiệm cho thấy, UFCnet cho độ chính xác ước lượng DOA cao hơn đáng kể so với các phương pháp khác trong môi trường tín hiệu tương quan.

VI. Tương Lai Của Định Hướng Tín Hiệu Vô Tuyến Với Học Sâu 55 ký tự

Nghiên cứu này đã chứng minh tiềm năng của mạng nơ-ron học sâu trong việc nâng cao hiệu năng định hướng tín hiệu vô tuyến. Trong tương lai, có thể khám phá các kiến trúc mạng nơ-ron mới, các thuật toán huấn luyện tiên tiến và các ứng dụng thực tế khác nhau. Việc tích hợp học sâu với các phương pháp truyền thống có thể mang lại những giải pháp mạnh mẽ và linh hoạt cho bài toán ước lượng DOA. Sự phát triển của công nghệ AI sẽ tiếp tục thúc đẩy sự tiến bộ trong lĩnh vực này.

6.1. Các Hướng Nghiên Cứu Mới Về Định Hướng Tín Hiệu

Các hướng nghiên cứu mới trong lĩnh vực định hướng tín hiệu bao gồm việc sử dụng các kiến trúc mạng nơ-ron tiên tiến hơn, như Transformer và Graph Neural Networks. Việc tích hợp thông tin ngữ cảnh và tri thức chuyên gia vào quá trình ước lượng DOA cũng là một hướng đi đầy hứa hẹn. Ngoài ra, việc phát triển các thuật toán huấn luyện mạnh mẽ hơn, có khả năng học từ dữ liệu giới hạn, cũng là một mục tiêu quan trọng.

6.2. Ứng Dụng Tiềm Năng Của Học Sâu Trong Thực Tế

Ứng dụng tiềm năng của học sâu trong định hướng tín hiệu bao gồm việc phát triển các hệ thống giám sát và an ninh thông minh, các hệ thống dẫn đường tự động và các hệ thống truyền thông không dây hiệu quả hơn. Học sâu cũng có thể được sử dụng để phát hiện và ngăn chặn các cuộc tấn công mạng, cũng như để cải thiện hiệu suất của các hệ thống radar và sonar.

Trích đoạn nội dung tài liệu

đặt vấn đề nghiên cứu cho đề tài luận án. Giới thiệu về định hướng nguồn tín hiệu vô tuyến 1. Khái niệm, phân loại Định hướng nguồn tín hiệu vô tuyến là bài toán nhằm xác định hướng (góc) tới của các nguồn tín hiệu vô tuyến lan truyền trong không gian. Thông thường hệ thống (thiết bị) định hướng nguồn tín hiệu vô tuyến được phân loại dựa theo cách thức xử lý tín hiệu hoặc dựa trên kiến trúc hệ thống.

• Dựa trên cách thức xử lý tín hiệu: phương pháp so sánh pha; phương pháp so sánh biên độ; hoặc phương pháp biên độ - pha của tín hiệu thu được bởi ăng ten. • Dựa vào kiến trúc hệ thống: Hệ thống định hướng đơn kênh: sử dụng mảng ăng ten nhiều phần tử trong đó các phần tử được kết nối chung với một máy thu thông qua chuyển mạch cao tần. Tín hiệu thu được từ các phần tử ăng ten được xử lý để xác định hướng sóng tới. Hệ thống định hướng đơn kênh có kiến trúc máy thu đơn giản, nhỏ gọn nhưng có độ chính xác trung bình, thuật toán xử lý phức tạp, bộ chuyển mạch cao tần cần có tốc độ cao.

Hệ thống định hướng đa kênh: sử dụng mảng ăng ten nhiều phần tử trong đó mỗi phần tử ăng ten được kết nối với một máy thu. Mỗi máy thu có vai trò như một bộ tiền xử lý tín hiệu. Tín hiệu đầu ra các máy thu được đưa tới một khối xử lý tín hiệu để xác định hướng sóng tới. Hệ thống định hướng đa kênh có thuật toán xử lý phức tạp hơn nhưng có ưu điểm là độ chính xác và độ phân giải cao, có khả năng xác định được đồng thời nhiều hướng sóng tới mảng ăng ten.

Một số thuật toán thường áp dụng với hệ thống định hướng đa kênh này gồm có: Capon [83], MUSIC [78], ESPRIT [73],. 7 Để đánh giá hiệu năng định hướng của các thuật toán, phương pháp hay mô hình đề xuất, thường dựa trên các tiêu chí cơ bản như sau: - Độ chính xác: Là sai số giữa góc tới xác định được so với góc thực tế của sóng tới. Việc đánh giá độ chính xác thường dựa trên sai số quân phương (RMSE: Root Mean Square Error). - Độ phân giải: Là khả năng định hướng các nguồn tín hiệu gần nhau.

- Tốc độ xử lý: Được đánh giá thông qua độ phức tạp tính toán và thời gian xử lý cho một lần ước lượng. - Khả năng định hướng các nguồn tín hiệu tương quan (cùng tần số và hiệu pha không đổi). - Độ nhạy: Là khả năng định hướng nguồn tín hiệu có SNR nhỏ. - Khả năng kháng nhiễu: Là khả năng loại bỏ (giảm) sự tác động của các loại nhiễu khác nhau.

- Khả năng hiệu chỉnh sai số hệ thống: Là khả năng hoạt động khi có tác động của các sai số hệ thống. Các yếu tố ảnh hưởng đến hiệu năng định hướng: - Số phần tử của mảng ăng ten: Số phần tử của mảng có vai trò quyết định đến độ chính xác ước lượng, số lượng phần tử càng nhiều, độ chính xác càng tăng. Số phần tử phải lớn hơn số nguồn tín hiệu tới. Trong thực tế, số phần tử không thể quá lớn để hạn chế kích thước cũng như giá thành hệ thống.

- Khoảng cách giữa các phần tử: là một thông số rất quan trọng của mảng ăng ten. Với mảng tuyến tính đồng đều, thông thường khoảng cách giữa hai phần tử cạnh nhau được chọn nhỏ hơn hoặc bằng nửa bước sóng. Nếu khoảng cách đặt đều nhau và lớn hơn nửa bước sóng sẽ xảy ra hiện tượng đa trị (bất định) khi ước lượng DOA. - Số lượng mẫu tín hiệu: ảnh hưởng tới độ chính xác cũng như độ phân giải của các thuật toán định hướng.

Số lượng mẫu càng nhiều thì độ chính xác sẽ càng cao, tuy nhiên sẽ dẫn tới tăng dung lượng bộ nhớ cũng như khối lượng tính toán. - Tỷ số tín hiệu trên tạp (SNR: Signal to Noise Ratio): Giá trị SNR quyết định rất lớn tới độ chính xác của các thuật toán ước lượng DOA. Giá trị SNR phụ thuộc 8 vào chất lượng thiết kế và chế tạo hệ thống; ngoài ra, nó cũng phụ thuộc vào môi trường hoạt động của hệ thống. Bằng các giải pháp, tăng được giá trị này càng lớn càng tốt.

- Tính tương quan giữa các tín hiệu: Tính tương quan ảnh hưởng rất lớn tới khả năng phân tách các tín hiệu do chúng có cùng tính chất (cùng tần số, hiệu pha không đổi), do đó cũng ảnh hướng đến độ chính xác ước lượng DOA. Với các tín hiệu tương quan, cần phá vỡ tính tương quan trước khi xác định được hướng tới. Thiết bị định hướng nguồn tín hiệu vô tuyến Thiết bị định hướng nguồn tín hiệu vô tuyến là thiết bị gồm một hoặc nhiều máy thu có ăng ten/hệ ăng ten định hướng, tức có búp sóng hẹp. Để tạo ra búp sóng hẹp có thể sử dụng các dạng ăng ten như: Ăng ten Yagi, ăng ten loa, ăng ten gương parabol, ăng ten thấu kính, ăng ten mảng pha hoặc sự kết hợp giữa chúng.1a) là hệ thống trinh sát, hỗ trợ điện tử do Ukraina sản xuất sử dụng ăng ten Yagi và parabol để thực hiện bài toán định hướng tín hiệu vô tuyến [49].

Giải pháp xác định hướng đến tín hiệu vô tuyến của Kolchuga là đơn xung biên độ và đo giao thoa pha giữa các phần tử ăng ten thu. Việc đo định hướng này chỉ giới hạn trong vùng quan sát (Field of View - FOV) của hệ ăng ten. Để quan sát toàn bộ 360o trong mặt phẳng phương vị, hệ ăng ten phải thực hiện quay cơ học. * Hệ thống SDD (Stanice Dalekého Dosahu (CH Séc)) (Hình 1.1b) là hệ thống trinh sát điện tử do Cộng hòa Séc sản xuất đang sử dụng ăng ten phản xạ parabol kết hợp với các cặp loa thu đặt tại tiêu điểm parabol để tạo búp sóng hẹp trong quá trình thu trinh sát tín hiệu và xác định hướng đến của tín hiệu.

Giải pháp mà hệ thống SDD sử dụng để xác định hướng đến của tín hiệu vô tuyến là phương pháp đơn xung biên độ tổng hiệu [16], [26]. Phương pháp đơn xung biên độ tổng hiệu trong SDD chỉ sử dụng trong vùng FOV (trong giới hạn búp sóng chính) với giới hạn từ -2,5o đến 2,5o. Việc quan sát toàn không gian trong mặt phẳng phương vị cũng được thực hiện bởi phương thức quay cơ học. Với giải pháp này, hệ thống SDD cho khả năng xác định hướng đến của tín hiệu với độ chính xác 0,5o trong điều kiện bước cách góc 0,1o và tín hiệu thu có tỉ số tín/tạp (SNR) lớn hơn hoặc bằng 10 dB.

Một số hệ thống trinh sát điện tử: a) Hệ thống Kolchuga; b) Hệ thống SDD; c) Hệ thống WD-7200. Hiện nay, đa số các hệ thống định hướng nguồn tín hiệu vô tuyến dùng mạng ăng ten mảng pha, trong đó mảng tuyến tính và mảng tròn được sử dụng chủ yếu. Điển hình cho các hệ thống ăng ten có thể kể đến như hệ thống WD-7200, WD-3300 và WD-6300 do công ty MORCOM sản xuất [29]. Hệ thống WD-7200 (Hình 1.1c) hoạt động ở dải tần số từ 200 MHz đến 2 GHz có sai số quân phương xác định hướng đến của tín hiệu đạt 2o.

Việc quét búp sóng có thể thực hiện bằng quét cơ học hoặc điều khiển điện tử. Mỗi loại ăng ten và phương pháp quét búp sóng có những ưu và nhược điểm khác nhau, ví dụ ăng ten parabol và ăng ten thấu kính có khả năng cho búp sóng hẹp bằng cách tạo ra các tia sóng song song, nhưng chúng lại cần hệ thống quét cơ học để quan sát toàn bộ không gian phương vị và góc tà. Cơ chế quét cơ học cũng có lợi thế là đặc trưng giản đồ hướng của hệ ăng ten gần như không đổi trong quá trình quét. Ăng ten mảng pha có khả năng tạo búp sóng hẹp và quét búp sóng trong không gian bằng cách điều khiển sự thay đổi pha và biên độ tại mỗi phần tử của mảng.

Lợi thế của ăng ten mảng pha là thực hiện quét búp sóng rất nhanh nhờ cơ chế biến đổi pha bằng điều khiển điện tử. Tuy nhiên, trong quá trình quét búp sóng trong không gian, giản đồ búp sóng của ăng ten mảng pha lại bị biến dạng. Do đa phần các thiết bị định hướng nguồn tín hiệu hiện nay chủ yếu dùng ăng ten mảng pha nên trong phạm vi Luận án chỉ xem xét đến loại ăng ten này, chi tiết sẽ được trình bày ở Mục 1. Mô hình tín hiệu mảng ăng ten 1.

Mô hình tổng quát Trước khi thực hiện các phân tích cho các mô hình mảng ăng ten, cần giới hạn các điều kiện của việc thu - phát tín hiệu như sau [109]: - Môi trường truyền sóng là đẳng hướng và tuyến tính: Giả sử có P nguồn phát ra P tín hiệu. Những tín hiệu này truyền qua môi trường và đi tới mảng ăng ten M phần tử. Môi trường truyền giữa các nguồn phát và mảng ăng ten được giả định là đẳng hướng và tuyến tính; nghĩa là các tính chất vật lý của quá trình truyền sóng là giống nhau tại mọi hướng và có thể chồng chất điện từ trường một cách tuyến tính tại mọi điểm. Theo đó, tính chất đẳng hướng và tuyến tính của môi trường truyền sóng đảm bảo: (1) tính chất truyền sóng không bị thay đổi với các hướng của tín hiệu; và (2) các tín hiệu truyền qua môi trường tới mọi phần tử của mảng ăng ten có thể được tính toán như một sự chồng chất tuyến tính của P mặt sóng tín hiệu được tạo ra bởi P nguồn.

- Giả thiết trường xa: Các nguồn phát tín hiệu được đặt ở khoảng cách xa mảng ăng ten, do đó mặt sóng được tạo ra bởi mỗi nguồn đến tất cả các phần từ ăng ten tại một hướng truyền sóng và mặt sóng là mặt phẳng (hay còn gọi là sóng phẳng). Như vậy, các tia sóng từ một nguồn phát đến các phần tử ăng ten của mảng là song song với nhau. Một nguồn được xem là ở trường xa khi thỏa mãn điều kiện khoảng cách từ nguồn đó đến mảng ăng ten là rất lớn so với 2 DA2 /  , với DA là khẩu độ của mảng ăng ten và  là bước sóng của tín hiệu.  - Tín hiệu băng hẹp: Nếu băng thông B = 2∆ω và ≪ 1, khi đó chúng ta có c tín hiệu băng hẹp.

Có thể coi các tín hiệu từ P nguồn có cùng một tần số sóng mang fc. - Kênh nhiễu trắng phân bố Gauss: Nhiễu được giả định là có phân bố Gauss với giá trị trung bình bằng 0, có cùng phương sai là  N2 tại tất cả các phần tử của mảng.