Mạng nơ ron dựa trên mô hình lưu trữ trạng thái trực giao tĩnh sử dụng trong tự động hiệu chỉnh giản đồ phát xạ anten mạng pha

Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 31, 06 - 2014. 37 Mạng nơ ron dựa trên mô hình lưu trữ trạng thái trực giao tĩnh sử dụng trong tự động hiệu chỉnh giản đồ phát xạ anten mạng pha Lê duy hiệu*, nguyễn đôn nhân*, lê đại phong**, hà huy dũng* Tóm tắt: Hiệu chỉnh mạng anten có các phần tử lỗi là một vấn đề thực tế có nhiều ứng dụng trong liên lạc ra đa, viễn thông và vệ tinh. Khi xảy ra hỏng hóc với một số phần tử, giản đồ phát xạ sẽ bị biến dạng về dạng búp sóng cũng như chất lượng tín hiệu phát xạ. Trong bài báo này, chúng tôi phát triển một ứng dụng mạng nơ ron nhân tạo (Artificial Neural Network) tích hợp trong hệ thống tổ hợp giản đồ phát xạ của an ten mạng pha. Mạng nơ ron này chứa những tổ hợp điều chỉnh được lưu tĩnh trên phần cứng nhằm tự động sửa chữa về mặt tín hiệu đối với những hưởng phần tử phát xạ của an ten mà không cần biết vị trí hư hỏng. Bài báo đưa ra những cơ sở lý thuyết, quá trình xây dựng hệ thống và những kết quả đạt được dựa trên công cụ mô phỏng Matlab. Từ khóa: Anten mạng pha, Mạng nơ ron nhân tạo (ANN), Giản đồ phát xạ (GĐPX). 1. Giới thiệu Anten mạng bao gồm một lượng lớn các phần tử phát xạ có nhiều ứng dụng trực tiếp trong trong các lĩnh vực như ra đa, vệ tinh và viễn thông. Trong quá trình hoạt động việc xảy ra hỏng hóc, suy biến của một hoặc nhiều phần tử phát xạ là không thể tránh khỏi. Điều này làm cho mức búp sóng phụ sẽ tăng lên, các hướng góc quét bị dịch chuyển và làm tăng băng thông trong giản đồ công suất. Để duy trì hoạt động của anten đòi hỏi phải sửa chữa, thay thế và hiệu chỉnh, mà điều này không phải lúc nào cũng thực hiện được thường xuyên, đặc biệt là trong các ứng dụng quân sự, viễn thông và vệ tinh. Hình 1. Minh họa hệ thống An ten mạng pha tiêu chuẩn. Tuy nhiên, mạng anten có một ưu điểm là trọng số của các phần tử anten có thể được điều chỉnh lại để thu được giản đồ phát xạ mong muốn. Vì vậy, chúng ta có thể tính toán lại các tham số tín hiệu kích thích cho các phần tử còn lại để tạo ra một giản đồ mới gần giống với giản đồ ban đầu [1]. ý tưởng của phương pháp là khi một giản đồ phát xạ được tạo ra, nó được so sánh với giản đồ cánh sóng chuẩn được lưu trong bộ nhớ để xác định xem có xuất hiện tình trạng hỏng hóc hay không. Nếu có sự khác biệt nhất định giữa các giản đồ, mạng nơ ron sẽ được ghép nối vào hệ thống và thực hiện tính toán lại các trọng số để thu được một giản đồ gần với giản đồ chuẩn nhất, tức là hiệu giữa 2 giản đồ nằm trong một giới hạn cho phép định trước được quy định khi thiết kế. Sơ đồ chức của mạng nơ ron này được mô tả trên hình 2. Ra đa L.D. Hiệu, , H.H. Dũng, “Mạng nơron dựa trên mô hình phát xạ anten mạng pha .” 38 Hình 2. Sơ đồ chức năng hệ thống anten mạng tích hợp mạng nơ ron. 2. Cơ sở lý thuyết 2.1. Quá trình tổ hợp giản đồ hướng trong anten mạng Quá trình tạo cánh sóng cho một mạng anten tuyến tính có thể được dùng riêng cho biên độ, pha hoặc biên độ - pha kết hợp. Nếu chỉ tác động về biên độ sẽ không thể hiệu chỉnh bù được cho suy biến của giản đồ mạng bị hỏng khi các phần tử lỗi tạo ra phân bố mặt mở không đối xứng. Trường hợp chỉ tác động lên pha với biên độ không đổi đòi hỏi phải có một lượng lớn các phần tử để tạo ra mức búp sóng thấp. Như vậy, phương pháp tối ưu là dùng cả biên độ và pha kết hợp với phân bố lại trọng số nhằm hiệu chỉnh giản đồ bị lỗi [2]. Với một sắp xếp ngẫu nhiên, hệ số mạng được tính bằng: ( , )T mAF W S   (1) với, 1 2{ , ,..., } , T n n nw w w w w C  là véctơ trọng số, S là véctơ quay, θ và θm là các biến hướng và hướng cánh sóng chính tương ứng. Cn là tập hoặc các tập con của tất cả các số phức. Lấy ví dụ, một mạng tuyến tính có N phần tử giống nhau, vec tơ quay của nó được tính bởi: 1 exp (cos cos ) 2 n N S jkd n                (2) Công thức (2) đảm bảo với cùng bộ trọng số tối ưu đó cho cánh sóng chính ở hướng ngang có thể dùng được cho các hướng khác, khi vectơ S ở trên được tính toán lại cho hướng chính cánh sóng mới. Giản đồ phát xạ được tính như sau: (3) trong đó, ai, φi là trọng số biên độ và pha kích thích ban đầu; k0 là số sóng 2π/λ; Xi là vị trí phát xạ trên mặt ngang i x d. Mô hình xây dựng giản đồ phát xạ theo công thức (3) được mô tả trong hình 3. Hình 4 minh họa giản đồ phát xạ (GĐPX) chuẩn được tạo ra và GĐPX khi có phần tử hỏng. Khi phần tử thứ M hỏng trong mạng, trọng số của nó wm được coi là xấp xỉ 0. Do đó, mạng nơ ron nhân tạo (AAN) có thể áp dụng để hiệu chỉnh mức búp sóng phụ và dạng sóng búp chính của giản đồ khi xét tới các hỏng hóc trước đó, điều này sẽ được làm rõ trong phần tiếp theo của bài báo. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 31, 06 - 2014. 39 Hình 3. Mô hình xây dựng giản đồ phát xạ trong mạng anten. 2.2 Mạng nơ ron nhân tạo (ANN) Mạng nơ ron là mô hình tính toán dựa theo bộ não sinh học, trong đó mỗi nơ ron là một hàm chức năng đơn giản, tập các nơ ron kết nối chằng chịt với nhau thông qua sự hiệu chỉnh, và định hướng các liên kếtnhằm tạo ra cấu trúc xử lí phân bố song song.Mạng nơ ron nhân tạo ANN (Artificial Neural Network) là một tập các nơ ron nhân tạo, mỗi nơ ron là một phần tử tính toán đơn. Quá trình xử lý ban đầu tại mỗi nơ ron là thực hiện một tổng có trọng số các đầu vào của nó, một hệ số điều chỉnh tuyến tính được thêm vào kết quả đầu ra của mỗi nơ ron để tăng khả năng linh hoạt của hệ thống (hình 5a). ANN bao gồm một tập các nơ ron liên kết bởi các trọng số. Các nơ ron trong mạng được xắp xếp theo một cấu trúc chuẩn 3 lớp, gồm: lớp vào (input) chứa số nơ ron tương ứng với số đầu vào, lớp ra (output) chứa số nơ ron tương ứng với số đầu ra, và lớp ẩn (hidden) chứa các nơ ron xử lý. Lớp HIDDEN có thể gồm một hay nhiều lớp được liên kết với hai lớp còn lại nhờ các liên kết có trọng số W1, W2, và các hệ số tuyến tính tương ứng như hình 5b [1]. Đầu ra của một mạng nơ ron có cấu trúc chuẩn 3 lớp sẽ thực hiện hàm toán học sau : (5) trong đó, I là ma trận đầu vào, W và b là các ma trận trọng số và hệ số tuyến tính. Ban đầu các ma trận trong AAN sẽ được khởi tạo ngẫu nhiên, giá trị các trọng số và hệ số của chúng sẽ được dần dần điều chỉnh theo một thuật toán luyện mạng để đầu ra đạt được độ chính xác cần thiết. Hình 4. Giản đồ phát xạ của anten mạng trong trường hợp chuẩn và lỗi phần tử. Ra đa L.D. Hiệu, , H.H. Dũng, “Mạng nơron dựa trên mô hình phát xạ anten mạng pha .” 40 Hình 5. Mạng nơ ron nhân tạo. 3. Hệ thống an ten mạng pha tích hợp ANN Như đã trình bày ở trên, trong mục này bài báo sẽ mô tả một hệ thống anten mạng tích hợp mạng nơ ron nhân tạo - ANN, và phương thức hoạt động của hệ thống tích hợp này. Chi tiết thiết kế cũng như giải pháp xây dựng mạng nơ ron tĩnh cũng sẽ được trình bày. 3.1. Cấu trúc chung của hệ thống tích hợp anten mạng-mạng nơ ron Sơ đồ hoạt động của hệ thống tích hợp đã được mô tả tại hình 2. Trong sơ đồ này mạng nơ ron sẽ tác động lên tín hiệu kích thích nhờ việc điều chỉnh các tham số biên độ và pha sao cho kết quả đầu ra có sự sai lệch nhỏ nhất với mẫu phát xạ chuẩn khi xảy ra hỏng hóc phần tử bất kỳ (hữu hạn các phần tử). Cấu trúc của hệ thống được mô tả trong hình 6. Hình 6. Cấu trúc tích hợp anten mạng và ANN. ANN khi được cho phép sẽ ghép nối tiếp vào hệ thống chuẩn, để đảm bảo tính năng thời gian thực phục vụ quá trình tổ hợp giản đồ phát xạ quá trình tính toán trong ANN trạng thái tĩnh được thực hiện trên bo mạch cứng tốc độ cao. Những trường hợp hỏng hóc có thể sửa đã được luyện mạng từ trước đảm bảo khi các đầu vào chứa phần tử hỏng sẽ được điều chỉnh bởi việc định tuyến đi qua các điều chỉnh biên độ-pha cần thiết. Như vậy số lượng trạng thái tĩnh trong ANN quyết định khả năng của mạng nơ ron. Tuy nhiên trong thực tế chất lượng hay hệ số lỗi của một ANN mới là vấn đề cần giải quyết. Chất lượng một ANN được quyết định bởi phương pháp thiết kế và mô hình luyện mạng nơ ron, những yếu tố này là trọng tâm của bài báo và được trình bày trong mục dưới đây. 3.2. Phương pháp mạng nơ ron trạng thái trực giao tĩnh cho sửa lỗi anten mạng Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 31, 06 - 2014. 41 Để minh họa cho các giải pháp kỹ thuật được thực hiện, bài báo sử dụng một mô hình mạng anten tuyến tính 16 phần tử. Do số lượng phần tử anten nhỏ nên độ rộng của búp sóng chính rộng xấp xỉ 280 do đó góc quyét sẽ được giới hạn trong θm = ±50 0. Khi xảy ra một hỏng hóc phần tử trong mạng anten, vectơ quay S bịảnh hưởng và do đó làm hỏng giản đồ phát xạ trong các hệ số của hệ số mạng (AF). Khi đó coi n (n = 1, 2) kích thíchphần tử hỏng là 0, ta thu được giản đồ phát xạ cho M - n phần tử còn lại và mạng ANN điều chỉnh các tham số mới để tương thích chúng với giản đồ phát xạ ban đầu. Mỗi giản đồ phát xạ được tạo bởi 16 tổ hợp giá trị, mỗi tổ hợp bao gồm các giá trị thay đổi theo 1800 mặt phẳng tổ hợp búp sóng và giá trị góc búp chính tại thời điểm được xét đến. Như vậy số giá trị trong mỗi tổ hợp phụ thuộc vào độ phân giải góc tổ hợp 1800. Để mạng nơ ron thực hiện nhiệm vụ của nó, chúng ta phải xử lý trước dữ liệu ban đầu nhằm tăng khả năng thực hiện cho ANN, việc xử lý ban đầu dữ liệu là yếu tố quyết định đến phương pháp, kết cấu và hiệu quả của mạng nơ ron. Mô hình anten mạng tích hợp ANN đòi hỏi ANN có tốc độ xử lý rất cao, tín hiệu kích thích phần tử phải luôn được bảo đảm về cả biên độ và pha. Bài báo này đưa ra một phương án tối ưu tốc độ của mạng và tính toàn vẹn của tín hiệu nhờ quá trình tách tín hiệu thành hai phần trực giao I, Q. Bằng các thử nghiệm thực tế và tính chất của mạng nơ ron chúng ta nhận thấy việc luyện mạng với tổ hợp I, Q đồng thời hay luyện riêng từng thành phần trực giao sau đó tổ hợp lại vẫn thu được kết quả như nhau. Điều này cho phép thực hiện luyện song song hai thành phần trực giao khi áp dụng bo mạch, yếu tố này tăng tốc độ luyện của mạng lên rất nhiều lần nhằm đáp ứng nhu cầu thực tế. Từ công thức (4) ta sẽ tách tín hiệu thành hai phần trực giao: (6) trong đó, Ii = aisin( ); Qi = aicos( ) Tập hợp các giá trị tổ hợp búp sóng được chia thành hai ma trận trực giao kích thước LLxNN. Trong đó số hàng LL bằng số tổ hợp = 16, và số cột NN bằng (1800/ độ phân giải).Độ lớn của số cột NNđại diện cho số mẫu được lấy đối với một GĐPX có ảnh hưởng trực tiếp đến thời gian và chất lượng của mạng nơ ron được luyện ra. Nếu NN quá nhỏ việc khôi phục lại dạng GĐPX sẽ không đúng do quá ít điểm lấy mẫu, nếu NN quá lớn sẽ làm giảm tính khả thi khi luyện mạng do khối lượng tính toán quá lớn nhằm đảm bảo một mức lỗi nhỏ cho một lượng lớn dữ liệu. Với một mô hình mạng ANN lớn như hệ thống nêu trên để ra được kết quả thực áp dụng được trong thực tế ngoài việc thiết kế cấu hình và chuẩn hóa đầu vào, phương thức luyện mạng nơ ron thông minh cũng phải được thiết kế nhằm đảm bảo chất lượng hội tụ của mạng phù hợp với dạng đầu vào và duy trì ổn định bộ nhớ cho chương trình luyện. Mô hình được bài báo sử dụng đó là mạng lan truyền ngược với hàm truyền cho lớp đầu vào đáp ứng tín hiệu không tuyến tính là ‘tansig’, cách thức luyện tối ưu đảm bảo bộ nhớ ổn định và khả năng hội tụ nhờ sự thay đổi mềm dẻo độ giảm dốc gradient đó là Scaled Conjugate Gradient [3][4]. Trong Matlab câu lệnh khởi tạo mạng được viết như sau: netI (=netQ) = newff(minmax(ISphi),[NN LL],{'tansig''purelin'},'trainscg'); Tổ hợp các lỗi có thể sửa (biến interaction) được tách trực giao theo IS, QS và được đưa vào luyện mạng, các ma trận mục tiêu được mở rộng nhờ lệnh ‘repmat’ trong Matlab. for kj = 2:interaction IS = [IS transpose(I_SphiE(:,:,kj))]; QS = [QS transpose(Q_SphiE(:,:,kj))];end targetI=[TargetI repmat(TargetI,1,interaction-1)]; Ra đa L.D. Hiệu, , H.H. Dũng, “Mạng nơron dựa trên mô hình phát xạ anten mạng pha .” 42 targetQ= repmat(TargetQ,1,interaction); netI = train(net,IS,targetI);netQ = train(net1,QS,targetQ); Kết quả của quá trình luyện sẽ là tập các giá trị trọng số liên kết trong mạng nơ ron và sẽ được nạp vào bo mạch cứng. Sơ đồ hoạt động của hệ thống tích hợp được thể hiện trong hình 7. Hình 7. Hệ thống anten mạng tích hợp mạng nơ ron trạng thái tĩnh. Sau quá trình luyện, ANN kết quả sẽ được lưu vào các file .mat tương ứng. Phần cuối của bài báo sẽ đưa ra một số kết quả mô phỏng đối với mạng ANN đã luyện xong. 4. Kết quả mô phỏng và kết luận Với mô hình mạng anten 16 phần tử có điều chỉnh mức búp bên cần suy giảm dưới - 25dB . Một mạng ANN đã được hoàn thành và lưu trữ trong những file Matlab. Kết quả mô phỏng sẽ được thực hiện nhờ việc nạp lại các file này sau đó sử dụng lệnh ‘sim’để đưa một đầu vào có chứa hai phần tử hỏng tại vị trí 5 và 10 kết quả sửa của mạng nơ ron chính là các tham số ra của lệnh ‘sim’. Hình 8 là kết quả thu được nhờ sự kết hợp mạng ANN vào hệ thống tại các góc quét +200, +300, và -200, -300. GĐPX anten mạng khi bị lỗi hai phần tử có mức búp bên dâng lên mức -13dB, công suất trung bình phát xạ cũng bị đẩy lên cao. Tín hiệu kích thích ban đầu này khi được hiệu chỉnh bởi một ANN sẽ vẫn đảm bảo được đỉnh búp bên xấp xỉ -25dB, vị trí góc quét không bị thay đổi và công suất thực hiện GĐPX cũng được giảm xuống. Qua quá trình thực hiện mô phỏng, một số điểm cần chú ý khi luyện mạng nơ ron đó là việc lựa chọn hệ số lỗi phải đảm bảo kết quả đầu ra đồng thời khả thi với tiêu chuẩn hội tụ. Việc chọn hệ số lỗi quá nhỏ sẽ khiến mạng mất khả năng hội tụ cần thiết. Phương pháp luyện mạng theo các thành phần trực giao của tín hiệu được trình bày trong bài báo thể hiện được độ ổn định cao của mạng theo cả về biên độ và pha, là cơ sở lí thuyết quan trọng cho quá trình phát triển lý thuyết khắc phục lỗi thích nghi trong anten mạng pha và là dữ liệu chuẩn để thực hiện một hệ thống tự sửa lỗi bằng phần cứng dựa trên mạng nơ ron. Mặc dù GĐPX được hiệu chỉnh không giống với GĐPX chuẩn như cách luyện trực tuyến tuy nhiên tốc độ xử lý cũng như tính mềm dẻo, khả năng cứng hóa đối với ANN trạng thái tĩnh là vượt trội tạo cho nó tính áp dụng thực tiễn cao. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 31, 06 - 2014. 43 Tài liệu tham khảo [1]. Fa Long Luo, Rolf Unbehauen, “Applied neural networks for signal processing”, CambridgeUniversity Press, 1998, pp.367. [2]. Balanis C. A., “Antenna Theory analysis and design”, N.Y: J.W& Sons, 1997. [3]. S. Haykins, “Neural network: A comprehensive foundation,” IEEE Press/IEEE Computer SocietyPress, New York, 1994. [4]. H. Demuth, M. Beale, “Neural Network toolbox for use with Matlab: User’s guide” (Vers. 4), The Math Works Inc., Natick, MA, 2000. [5]. Bassem R. M.& Atef Z. E., “MATLAB Simulations for Radar Systems Design”, 2008. Abstract NEURAL network based on static orthogonal storage model for auto-correction radiation pattern of array antenna Pattern correction for array antenna with failed elements has many practical applications in radar, satellite and mobile comunication. Due to failure of elements, radiation pattern will be disturbed in terms of beamshape and quality of radiated signals. In this paper, we developed an application of artificial neural network (ANN) intergrated in radiation pattern synthesis system of array antenna. This neural network contains correct combinations which is stored statically in hardware to auto-correct signals for failure of radiated elements without the knowledge about positions of these elements. The paper presented theoretical basic, system building process and attained results based on Matlab simulation tools. Keywords: Array antenna, Artificial neural network, Radiation pattern. Nhận bài ngày 04 tháng 01 năm 2014 Hoàn thiện ngày 20 tháng 04 năm 2014 Chấp nhận đăng ngày 25 tháng 05 năm 2014 Địa chỉ: * Viện Ra đa, Viện KH & CNQS; ** Khoa Vô tuyến điện tử - Học viện KTQS. Hỡnh 8: Kết quả thực hiện sửa GĐPX dung ANN trạng thỏi tĩnh mụ phỏng trờn Matlab