Tóm tắt Luận án Nghiên cứu về phương pháp IA đều giả thiết đơn giản hóa hệ thống và không xét đến kỹ thuật điều chế

 1 
MỞ ĐẦU 
1. Giới thiệu đề tài 
Trong các hệ thống thông tin ngày nay, vấn đề nâng cao chất lượng và hiệu 
năng của hệ thống luôn được quan tâm và nghiên cứu. Một trong những vấn đề 
gặp phải trong quá trình cải tiến và nâng cấp các hệ thống là khả năng tận dụng và 
kế thừa được các hệ thống và thiết kế sẵn có, tránh được việc phải thiết kế lại và 
thay thế toàn bộ hệ thống dẫn tới mất nhiều công sức và chi phí. 
Trước đây theo lý thuyết của Shannon năm 1948 [1], mã hóa nguồn và mã 
hóa kênh có thể được thiết kế và hoạt động độc lập với nhau mà không mất đi sự 
tối ưu. Từ đó các hệ thống thông tin số truyền thống đều được thiết kế theo cấu 
trúc nối tiếp mã nguồn và mã kênh TSCC (Tandem Source Channel Coding) riêng 
biệt. Tuy nhiên định lý của Shannon chỉ đúng trong trường hợp lý tưởng, khi cả 
phía phát và phía thu không bị giới hạn về độ phức tạp và độ trễ. Điều này không 
phải luôn đúng trong thực tế, nhất là khi độ phức tạp và độ trễ là hai yếu tố giới 
hạn đối với các ứng dụng truyền dẫn thời gian thực. Nhiều hướng nghiên cứu đã 
tập trung vào một phương pháp khác đó là kết hợp mã nguồn và mã kênh JSCC 
(Joint Source Channel Coding) nhằm đạt được hiệu quả hoạt động tốt hơn mà vẫn 
đảm bảo độ trễ và độ phức tạp ở một mức độ nhất định. 
Hiện nay có nhiều nghiên cứu về các kỹ thuật JSCC tuy nhiên hầu như chỉ 
mang tính lý thuyết do tính phức tạp cao của hệ thống và các điều kiện truyền dẫn 
thực tế. Một trong những hạn chế của hầu hết các kỹ thuật JSCC là tính linh hoạt 
thấp, do được thiết kế cho từng trường hợp cụ thể của hệ thống với nguồn tín hiệu 
và môi trường truyền dẫn cho trước. Do vậy tính ứng dụng không cao. 
Trong luận án này tập trung nghiên cứu phương pháp tối ưu hóa phương pháp 
gán từ mã cho các mẫu tín hiệu lượng tử hay còn gọi là phương pháp tối ưu việc 
gán chỉ số IA (Index Assignment) được áp dụng cho các hệ thống số sử dụng các 
kỹ thuật lượng tử hóa để số hóa tín hiệu. Phương pháp này bản chất là sắp xếp lại 
thứ tự bảng mã (Codebook) của bộ lượng tử hóa theo thứ tự tối ưu để giảm thiểu 
méo tín hiệu gây ra bởi nhiễu kênh. Phương pháp IA triển khai đơn giản có thể 
làm tăng hiệu quả hoạt động của hệ thống nhưng không tăng thêm độ phức tạp, 
tốc độ bit và độ trễ. Hơn nữa phương pháp này khá linh hoạt khi không đỏi hỏi 
biết chính xác mức độ nhiễu của kênh truyền và có thể thực hiện độc lập hoặc 
phối hợp với mã kênh. Do đó, phương pháp này có tính khả thi cao, và còn có thể 
áp dụng để nâng cấp các hệ thống sẵn có do chỉ thay đổi thứ tự bảng mã của bộ 
lượng tử hóa mà không làm ảnh hưởng đến các khối khác. Đây là một lợi thế vì 
như vậy sẽ tiết kiệm được nhiều công sức và chi phí. 
2. Những vấn đề còn tồn tại 
Trong phương pháp IA, để tìm được thứ tự tối ưu của bảng mã khi kích thước 
bộ lượng tử hóa lớn là điều không khả thi. Do vậy có rất nhiều nghiên cứu về lý 
thuyết và thuật toán để tìm ra các phương án cận tối ưu (gọi là thuật toán IA). Các 
phương pháp IA trước đây đều được nghiên cứu riêng lẻ và chưa được phát triển 
vì để thực hiện phương pháp cần một khối tính toán lớn và yêu cầu bộ nhớ lớn, 
 2 
trong khi công nghệ máy tính chưa hiện đại như ngày nay. Các nghiên cứu trước 
đây về phương pháp IA còn một số tồn tại như sau: 
+ Hầu hết các thuật toán IA có độ phức tạp cao, khó áp dụng trong trường 
hợp bảng mã có kích thước lớn trên thực tế (bảng mã 8÷10bit) 
+ Các nghiên cứu về phương pháp IA đều giả thiết đơn giản hóa hệ thống và 
không xét đến kỹ thuật điều chế. Do đó việc ước lượng các tham số của hệ thống 
phục vụ cho bài toán tối ưu IA khi áp dụng vào hệ thống thực tế sẽ không chính 
xác dẫn đến giảm hiệu quả tối ưu của phương pháp IA. 
3. Mục tiêu, đối tượng và phương pháp nghiên cứu 
3.1. Mục tiêu nghiên cứu 
• Nghiên cứu, cải tiến các thuật toán IA nhằm tăng độ ổn định, tốc độ thực hiện 
và độ tối ưu của thuật toán. Từ đó phương pháp IA có thể áp dụng với các 
trường hợp thực tế (bảng mã có kích thước từ 8-10bit). 
• Nghiên cứu, đề xuất phương pháp ước lượng các tham số của hệ thống thông 
tin số làm tham số đầu vào cho bài toán IA. Đưa ra phương pháp kết hợp mã 
nguồn mã kênh và kỹ thuật điều chế số sử dụng phương pháp IA. 
• Nghiên cứu ứng dụng phương pháp IA vào kỹ thuật lượng tử hóa vectơ có 
cấu trúc sử dụng trong các trường hợp lượng tử hóa vectơ có số chiều lớn và 
kích thước bảng mã lớn. 
3.2. Đối tượng và phạm vi nghiên cứu 
• Các hệ thống thông tin số sử dụng kỹ thuật lượng tử hóa vectơ (VQ) (hay 
lượng tử hóa theo khối) và truyền dẫn qua kênh dừng với mô hình kênh rời 
rạc không nhớ DMC (Discrete Memoryless Channel). Hệ thống có thể sử 
dụng mã kênh để điều khiển lỗi trong trường hợp cần thiết và mã kênh (nếu 
có) là các mã khối có tính hệ thống (Symmetric Block Code). 
• Các bộ lượng tử hóa vectơ có cấu trúc và ứng dụng. 
3.3. Phương pháp nghiên cứu 
Kết hợp lý thuyết với các vấn đề thực tiễn để đưa ra các vấn đề còn tồn tại và 
đề xuất hướng giải quyết. Sử dụng mô phỏng trên máy tính và thực nghiệm để 
kiểm chứng và đánh giá hiệu quả của các phương pháp đề xuất. 
4. Ý nghĩa khoa học và ý nghĩa thực tiễn của luận án. 
• Ý nghĩa khoa học: Các kết quả của luận án góp phần phát triển một trong các 
kỹ thuật JSCC đơn giản nhưng có tính ứng dụng linh hoạt cao, là nền tảng 
cho các nghiên cứu tiếp theo trong các lĩnh vực: Cải tiến chất lượng truyền 
dẫn mà không ảnh hưởng đến độ phức tạp và băng thông hệ thống, nâng cấp 
hệ thống sẵn có mà không ảnh hưởng đến thiết kế hệ thống, cải tiến các 
chuẩn mã hóa tín hiệu. 
• Ý nghĩa thực tiễn: Các kết quả của luận án là một giải pháp cụ thể và khả thi, 
mở ra khả năng ứng dụng trong việc thiết kế tối ưu các hệ thống thông tin số 
hoặc nâng cấp các hệ thống sẵn có giúp nâng cao hiệu năng của hệ thống. 
Các kết quả của luận án cũng bổ sung thêm một giải pháp nâng cao chất 
 3 
lượng tín hiệu cho các nhà thiết kế và sản xuất trong nước để có thể tự thiết 
kế và chế tạo các hệ thống truyền dẫn tín hiệu không quá phức tạp mà không 
phải sử dụng đến các module và chuẩn truyền dẫn tín hiệu sẵn có, từ đó có 
thể làm chủ được công nghệ và nâng cao tính bảo mật. 
5. Cấu trúc của luận án 
Luận án được chia làm 4 chương. 
CHƯƠNG 1. GIỚI THIỆU 
1.1. Kết hợp mã nguồn và mã kênh trong thông tin số 
1.1.1. Hệ thống thông tin số truyền thống 
Là hệ thống bao gồm các khối mã hóa nguồn, mã hóa kênh, điều chế. Trong 
đó mã hóa nguồn và mã hóa kênh được thiết kế độc lập và hoạt động nối tiếp nhau 
gọi là TSCC. 
1.1.2. Kỹ thuật kết hợp mã nguồn và mã kênh JSCC 
Bao gồm các kỹ thuật: Mã nguồn tối ưu theo kênh (COSC), mã kênh tối ưu 
theo nguồn (SOCC), và một số kỹ thuật khác như phối hợp bộ giải mã kênh và 
giải mã nguồn, kỹ thuật điều chế đa phân giải, và các kỹ thuật lai. 
Kỹ thuật IA được nghiên cứu trong luận án thuộc nhóm kỹ thuật COSC. Đây 
là kỹ thuật đơn giản và có tính linh hoạt cao trong các kỹ thuật JSCC, áp dụng 
trong các hệ thống thông tin số sử dụng kỹ thuật lượng tử hóa tín hiệu trong quá 
trình số hóa tín hiệu. 
1.2. Lượng tử hóa tín hiệu 
1.2.1. Lượng tử hóa vectơ (VQ) 
Là kỹ thuật tổng quát của kỹ thuật lượng tử hóa vô hướng, được ứng dụng 
nhiều như một công cụ nén tín hiệu có hệ số nén cao và đem lại chất lượng tốt. 
VQ là trường hợp tổng quát của kỹ thuật lượng tử hóa vô hướng (SQ) do đó luận 
án sẽ chỉ tập trung nghiên cứu kỹ thuật VQ. 
Phương pháp VQ ánh xạ một nhóm các mẫu tín hiệu (vectơ tín hiệu) vào các 
nhóm từ mã (hay gọi là vectơ mã). Phương pháp này tận dụng được sự tương quan 
giữa các mẫu tín hiệu và cho hiệu quả tốt hơn lượng tử hóa vô hướng ngay cả với 
trường hợp nguồn tín hiệu là nguồn không nhớ và độc lập [57]. 
1.2.2. Điều kiện lượng tử hóa tối ưu 
1.2.3. Thiết kế bảng mã cho bộ lượng tử hóa vectơ 
Phần này trình bày về các thuật toán thiết kế bảng mã (codebook) cho bộ 
lượng tử hóa vectơ dựa trên một tập huấn luyện S với số vectơ đủ lớn. 
1.3. Các tính chất và ứng dụng của kỹ thuật VQ 
1.3.1. Đặc điểm của kỹ thuật VQ 
 4 
Kỹ thuật VQ thích hợp để ứng dụng trong mã hóa tín hiệu tương tự có độ 
tương quan cao. Với giới hạn về thời gian, luận án chỉ nghiên cứu ứng dụng của 
VQ trong lượng tử hóa các tham số của các bộ mã hóa tiếng nói. 
1.3.2. Lượng tử hóa các tham số của bộ mã hóa tiếng nói 
Kỹ thuật VQ có rất nhiều ứng dụng, trong luận án này sẽ chỉ đề cập đến ứng 
dụng phổ biến nhất là trong các kỹ thuật mã hóa tiếng nói tốc độ thấp. 
1.4. Kỹ thuật kết hợp mã nguồn và mã kênh – mã chống lỗi không 
dư thừa 
1.4.1. Lượng tử hóa vectơ tối ưu theo kênh COVQ 
Phương pháp thiết kế lại bảng mã theo thuật toán LBG, nhưng có tính đến 
ảnh hưởng của nhiễu gây ra sự sai khác giữa các chỉ số (từ mã) được truyền trên 
đường truyền. 
Phương pháp hoạt động tốt ở mức độ nhiễu được huấn luyện. Tuy nhiên khi 
điều kiện kênh tốt trên mức độ nhiễu được huấn luyện thì phương pháp này hoạt 
động không hiểu quả, thậm chí kết quả hoạt động còn kém hơn cả khi hệ thống 
không áp dụng phương pháp tối ưu nào. 
1.4.2. Phương pháp tối ưu hóa thứ tự bảng mã 
Phương pháp sắp xếp lại thứ tự của bảng mã codebook tối ưu, giảm méo tín 
hiệu gây ra bởi nhiễu kênh khi truyền qua kênh nhiễu. Phương pháp này thực hiện 
đơn giản, có tính khả thi cao, không đòi hỏi biết chính xác mức độ nhiễu của kênh 
truyền như phương pháp COVQ. Ngoài ra phương pháp IA có thế sử dụng để 
nâng cấp các hệ thống sẵn có đang sử dụng các kỹ thuật lượng tử hóa VQ. Vì 
những đặc điểm như vậy nên luận án tập trung đi sâu nghiên cứu và phát triển 
phương pháp IA. 
1.5. Kết luận chương 1 
CHƯƠNG 2. KẾT HỢP MÃ NGUỒN VÀ MÃ KÊNH 
BẰNG PHƯƠNG PHÁP TỐI ƯU HÓA THỨ TỰ 
BẢNG MÃ CỦA BỘ LƯỢNG TỬ HÓA 
2.1. Giới thiệu chương 
Chương này nghiên cứu phương pháp kết hợp mã nguồn và mã kênh sử dụng 
phương pháp tối ưu hóa việc xắp xếp thứ tự của bảng mã trong bộ lượng tử hóa, 
đây còn được gọi là phương pháp đánh chỉ số IA (Index Assignment). Phương 
pháp này còn được gọi là phương pháp mã kênh không dư thừa, do không tăng tốc 
độ bit cũng như độ phức tạp của bộ mã hóa và giải mã dẫn đến không làm tăng độ 
trễ mã hóa. 
Phương pháp IA được thực hiện đơn giản, chỉ cần sắp xếp lại (đổi chỗ) các từ 
mã trong bảng mã của bộ lượng tử hóa. Do vậy, phương pháp này còn có thể áp 
dụng để nâng cấp các hệ thống sẵn có, mà không đòi hỏi phải thay đổi cấu trúc 
 5 
của hệ thống. Từ đó ta thấy tính khả thi và ứng dụng của phương pháp IA rất cao, 
do trên thực tế việc nâng cấp hệ thống bằng cách thay thế toàn bộ hoặc một phần 
hay thiết kế lại hệ thống sẽ dẫn đến rất tốn kém. 
2.2. Phương pháp tối ưu hóa thứ tự bảng mã IA 
2.2.1. Mô hình toán học của bài toán IA 
ci 
Bộ mã hóa Bộ giải mã 
Tìm vectơ 
gần nhất 
Bảng mã C 
chỉ số i
x
 Tìm kiếm 
trong bảng 
mã 
cj 
Bảng mã C 
chỉ số j
Hình 2.1. Quá trình truyền dẫn dưới sự tác động của nhiễu 
Hình 2.1 biểu diễn một quá trình truyền dẫn của hệ thống sử dụng kỹ thuật 
lượng tử hóa vectơ. Trên đường truyền phát đi chỉ số i và phía thu sau giải mã sẽ 
nhận được chỉ số j. Xác suất truyền từ mã i nhận được từ mã j là xác suất chuyển 
đổi từ mã PC(j,i). Méo tổng cộng cho toàn bộ bảng mã D(pi) để đánh giá độ tối ưu 
cho phương án gán chỉ số pi như sau: 
( ) ( )
1 1
( ) ( ) ( ), ( ) ,
N N
a C
i j
D P i P j i d i jpi pi pi
= =
=∑ ∑ (2-3) 
Trong đó Pa(i) là xác suất xuất hiện vectơ mã ci và d(i,j) là méo (hay khoảng 
cách) giữa hai vectơ ci và cj. Bài toán đặt ra ở đây là tìm hoán vị pi sao cho D(pi) 
nhỏ nhất. Nếu duyệt hết tất cả N! khả năng thì không khả thi. Các phương pháp 
tìm kiếm gần đúng để đạt được các phương án cận tối ưu được nghiên cứu và phát 
triển. Để thuận tiện cho việc thực hiện thuật toán IA, ta có thể lưu giá trị các tham 
số đầu vào Pa(i), PC(i,j) và d(i,j) trong các ma trận Pa, PC và D tương ứng. 
2.2.2. Các bước triển khai của phương pháp IA 
 Bước 3 
Sắp xếp lại bảng 
mã C theo thứ tự 
tối ưu tìm được 
Bước 1 
Ước lượng 
các tham 
số hệ thống 
Bước 2 
Tìm thứ tự tối 
ưu (Dùng 
thuật toán IA) 
D(pi) 
Pa 
PC 
D
piopt Copt 
Mô hình 
hệ thống
Bảng mã C
Hình 2.2. Ba bước triển khai phương pháp IA 
Phương pháp IA bao gồm ba bước triển khai. Bước đầu tiên là từ mô hình hệ 
thống và bảng mã, ước lượng các tham số Pa(i), PC(i,j) và d(i,j) (nghiên cứu ở 
Chương 3). Bước hai là áp dụng thuật toán IA để tìm ra phương án tối ưu piopt sao 
cho D(piopt) càng nhỏ càng tốt. Bước 3 là triển khai thực hiện đổi chỗ (hoặc gán lại 
chỉ số) cho bảng mã lượng tử hóa. Ở chương này sẽ tập trung nghiên cứu các thuật 
toán IA ở Bước 2. 
2.2.3. Các khái niệm trong bài toán IA 
 6 
Bài toán IA là bài toán quy hoạch toàn phương, nhiệm vụ của bài toán là tìm 
phương án tối ưu pi sao cho D(pi) là nhỏ nhất. Hàm D(pi) được gọi là hàm mục 
tiêu của bài toán. Phương án pi của bài toán IA là một hoán vị, lân cận pi’ của 
phương án pi là một phương án được tạo ra bằng cách hoán đổi một cặp vị trí trong 
pi. 
2.2.4. Các thuật toán IA 
Các công trình trước đây thường giải quyết bài toán IA với 2 giả thiết đơn 
giản hóa là: (1) kênh truyền là kênh BSC dẫn đến ma trận PC luôn đối xứng qua 
đường chéo và (2) phương pháp đo khoảng cách (méo) giữa các vectơ sử dụng 
khoảng cách Euclid SED. Những giả thiết hạn chế này không hoàn toàn phù hợp 
trong các ứng dụng thực tế. 
Trong các thuật toán thì thuật toán mô phỏng luyện kim SA (Simulated 
Annealing) là thuật toán hiệu quả và thông dụng với thời gian hội tụ nhanh, được 
sử dụng rộng rãi trong các bài toán tối ưu nói chung và vấn đề tối ưu sự kết hợp 
mã nguồn mã kênh nói riêng [39,44] và vẫn liên tục được cải tiến [50]. 
Trong chương này luận án sẽ nghiên cứu và đề xuất thuật toán cải tiến dựa 
trên thuật toán SA cho bài toán gán chỉ số IA nhằm giảm thời gian hội tụ của thuật 
toán và tăng độ tối ưu của kết quả. 
2.3. Thuật toán mô phỏng luyện kim SA 
2.3.1. Cơ sở của thuật toán SA 
Thuật toán SA là giải thuật Metaheuristic được dùng phổ biến trong việc giải 
các bài toán tối ưu tổ hợp rời rạc. Thuật toán mô phỏng quá trình luyện kim, trong 
đó tinh thể thép được nung nóng tới nhiệt độ cao và sau đó được làm nguội từ từ 
đến khi kết tinh tại cấu hình tinh thể cứng nhất. 
Tính năng chính của giải thuật là có thể thoát khỏi cực tiểu địa phương bằng 
cách cho phép chấp nhận phương án kém hơn phương án hiện tại để tăng thêm cơ 
hội tìm được phương án tối ưu hơn. Thuật toán được điều khiển bởi một tham số 
trạng thái T (tương tự như nhiệt độ trong luyện kim) giảm dần sau mỗi lần lặp. 
Khi duyệt một phương án mới pi′, nếu pi′ tốt hơn hiện tại thì pi′ luôn được chấp 
nhận, nếu không thì pi′ vẫn có khả năng được chấp nhận với xác suất e−∆D/T. 
2.3.2. Thuật toán SA và các tham số 
Trong phần này sẽ mô tả chi tiết các bước của thuật toán SA, áp dụng cho bài 
toán gán chỉ số IA. 
• Các tham số đầu vào: Pa(i), PC(i,j) và d(i,j) (hoặc dạng ma trận Pa, PC, D) 
• Các tham số điều khiển: 
o Các tham số giới hạn trạng thái T0, Tmin, αT 
o Các tham số ngưỡng: Th1, Th2, Th3. 
• Tham số đầu ra: ... g rất nhanh khi tốc độ bit tăng. 
Để thực tế hóa kỹ thuật lượng tử hóa vectơ khi số chiều K lớn và tốc độ bit 
cao, một trong những kỹ thuật điển hình là phân chia bảng mã thành các bảng mã 
thành phần. Khi đó độ phức tạp của quá trình lượng tử hóa và kích thước bộ nhớ 
sẽ giảm, do đó kỹ thuật sẽ khả thi khi áp dụng thực tế. 
4.3. Kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn SSVQ 
Kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn SSVQ là một kỹ thuật 
lai giữa hai kỹ thuật lượng tử hóa vectơ chuyển mạch và lượng tử hóa vectơ phân 
đoạn SVQ. Không gian vectơ được chia thành M vùng không gian con và mỗi 
vùng sẽ được thiết kế một bộ lượng tử hóa vectơ phân đoạn SVQ. Bộ SVQ sẽ chia 
vectơ thành các vectơ con có số chiều nhỏ hơn và các vectơ con sẽ được lượng tử 
hóa với những bảng mã riêng biệt. 
4.3.1. Thiết kế bộ lượng tử hóa SSVQ 
Hình 4.1 mô tả quá trình thiết kế bộ lượng tử hóa SSVQ với tập các vectơ 
huấn luyện S. Bước đầu tiên sinh bảng mã CS = {cs1,cs2,...,csM} sử dụng thuật toán 
phân cụm (ví dụ thuật toán LBG [4]). Thuật toán huấn luyện sẽ chia S thành M 
vùng (tập con) R1,R2,...,RM sao cho các vectơ thuộc vùng Ri có khoảng cách đến 
vectơ mã csi là nhỏ nhất, hay nói cách khác vectơ mã csi là tâm vùng của Ri. 
Ri = { ck | d(ck,csj) ≤ d(ck,csi) ; 1 ≤ i ≤ M } (4-4) 
 20 
Tiếp theo là thực hiện huấn luyện từng bảng mã con trong các bộ lượng tử 
hóa phân đoạn cục bộ SVQi. Mỗi vectơ khi lượng tử hóa được chia thành L đoạn, 
như vậy mỗi bộ lượng tử SVQ cục bộ sẽ có L bảng mã. Như vậy tổng cộng một bộ 
lượng tử hóa SSVQ có M×L + 1 bảng mã, bao gồm bảng mã lựa chọn CS và M×L 
bảng mã của các bộ lượng tử hóa vectơ cục bộ SVQ. 
4.3.2. Bộ lượng tử hóa SSVQ 
Sơ đồ khối của một bộ lượng tử hóa SSVQ được mô tả trên Hình 4.2. Véctơ 
đầu vào x đầu tiên được chuyển đến một trong số M hướng, việc lựa chọn được 
thực hiện bằng bộ lượng tử hóa VQ với bảng mã lựa chọn nhánh CS. Nói cách 
khác, x sẽ được chuyển đến hướng is như sau: 
( )
s
argmin ,
si
i
i d= x c (4-5) 
Sau đó, vectơ đầu vào x được lượng tử hóa sử dụng bộ lượng tử hóa địa 
phương L đoạn tương ứng SVQ
si
. Như vậy, đầu ra của bộ lượng tử hóa SSVQ sẽ 
có L+1 chỉ số. 
VQ 
(Lựa chọn nhánh) 
Switch 
Codebook Cs 
VQ1,1 
VQ1,L 
VQ1,2 
VQ2,1 
VQ2,L 
VQ2,2 
VQM,1 
VQM,L 
VQM,2 
is 
is=1 
is=2 
is=M 
x
SVQ1 
SVQ2 
SVQM 
Hình 4.2. Sơ đồ khối bộ lượng tử hóa SSVQ 
4.3.3. Đề xuất phương pháp lượng tử hóa IA-SSVQ 
Trong phần này luận án đề xuất phương pháp IA-SSVQ là sự kết hợp của 
phương pháp IA với kỹ thuật lượng tử hóa SSVQ để giảm thiểu méo tín hiệu khi 
truyền qua kênh nhiễu. Sau đây là mô tả chi tiết quá trình thiết kế các bảng mã cho 
bộ lượng tử hóa IA-SSVQ với tập vectơ huấn luyện S bao gồm ns phần tử. Các 
bước tiến hành như sau: 
• Huấn luyện bảng mã CS kích thước M từ tập huấn luyện S. 
• Tương ứng với M véctơ cs1,cs1,..., csM thuộc CS, phân chia S thành M vùng 
(tập con) không chồng nhau R1,R2,...,RM có kích thước ns1,ns2,...,nsM. 
• Huấn luyện các bảng mã của M bộ lượng tử hóa SVQ địa phương. (Tập Ri 
dùng để huấn luyện các bảng mã của bộ lượng tử hóa SVQi). 
 21 
• Tìm phương án đánh chỉ số tối ưu cho CS sử dụng thuật toán IA với xác suất 
tiên nghiệm của vectơ mã csi là Pa(i) = nsi/ns ( 1 ≤ i ≤ M). 
• Sắp xếp lại CS theo thứ tự tối ưu tìm được, đồng thời sắp xếp lại thứ tự của 
các bộ lượng tử hóa địa phương SVQ theo thứ tự mới của CS. 
• Ước lượng các giá trị Pa(.) cho từng bảng mã con của các bộ lượng tử hóa địa 
phương SVQi từ phân vùng Ri tương ứng. 
• Áp dụng thuật toán IA để tìm thứ tự tối ưu cho các bảng mã con trong M bộ 
lượng tử hóa địa phương SVQ, sau đó sắp xếp lại tất cả các bảng mã con này 
theo thứ tự tối ưu. 
4.3.4. Kết quả mô phỏng và bàn luận 
Xét một hệ thống thông tin số sử dụng các kỹ thuật SSVQ khác nhau bao 
gồm IA-SSVQ, COSSVQ và SSVQ truyền thống. Các bộ lượng tử hóa này có 
chung thông số: Số nhánh M = 16 (m=4), số đoạn L = 2, số chiều của các vectơ 
con là (4,4) với số bit mã hóa là (6,6). Nguồn tín hiệu là nguồn tương quan ngẫu 
nhiên Gauss-Markov bậc 1 có hệ số tương quan ρ = 0,9 truyền qua qua kênh BSC. 
Các mô phỏng được thực hiện trên Matlab phiên bản R2010a. 
SN
R
[dB
] 
0 
5 
10 
15 
10-4 10-3 10-2 10-1 
BER 
IA-SSVQ 
SSVQ 
COSSVQ 
Hình 4.3. So sánh hoạt động của các phương pháp SSVQ 
Hình 4.2 biểu diễn kết quả SNR của ba bộ lượng tử hóa. Khi BER lớn thì 
lượng tử COSSVQ cho kết quả tốt nhất, tuy nhiên đổi lại khi BER nhỏ thì phương 
pháp này cho kết quả kém hơn IA-SSVQ, thậm chí kém hơn cả phương pháp 
SSVQ nguyên bản khi BER nhỏ. Nguyên nhân là do bộ lượng tử hóa IA-SSVQ và 
SSVQ truyền thống có các bảng mã như nhau, chỉ khác nhau về thứ tự các vectơ 
mã do vậy bộ lượng tử hóa IA-SSVQ bảo toàn được chất lượng tín hiệu lượng tử 
hóa của bộ lượng tử hóa SSVQ nguyên bản. 
4.4. Ứng dụng kỹ thuật IA-SSVQ trong mã hóa tiếng nói 
4.4.1. Lượng tử hóa các tham số LPC 
Hầu hết các chuẩn mã hóa tiếng nói tốc độ thấp hiện nay đều sử dụng mô 
hình dự đoán tuyến tính LPC, khi bộ máy phát âm được mô hình hóa bằng một bộ 
lọc toàn điểm cực như đã trình bày ở Mục 1.3.2. Việc lượng tử hóa các tham số 
 22 
của bộ lọc này chiếm vai trò rất quan trọng trong mã hóa tiếng nói. Do đó các 
chuẩn mã hóa tiếng nói tốc độ thấp đều giành số bit nhiều nhất để mã hóa các 
tham số LPC. Tuy nhiên, các chuẩn mã hóa tiếng nói không thực hiện lượng tử 
hóa trực tiếp các tham số LPC, mà thực hiện chuyển đổi sang bộ tham số LSF với 
nhiều ưu điểm thuận lợi cho lượng tử hóa. 
Để đánh giá chất lượng của bộ lượng tử hóa LPC, phương pháp thông dụng 
nhất là đánh giá dựa vào độ méo phổ SD. Với khung thứ i độ méo phổ SDi (tính 
theo dB) được định nghĩa như sau[63]: 
( ) ( )1
0
2
2 2
101 0
1
1 ˆ20 log j k N j k N
i LPC LPC
k
k k
k kSD H e H e
pi pi
−
=
−
=
 
 
 
∑ (4-9) 
trong đó ( )2j k N
LPC
H e
pi
 và ( )2ˆ j k N
LPC
H e
pi
 là đáp ứng biên độ rời rạc của bộ lọc 
LPC. Tiêu chuẩn thông dụng nhất để đánh giá một bộ lượng tử hóa LPC chất 
lượng tốt bao gồm 3 tiêu chí: (1) Mức SD trung bình nhỏ hơn 1dB, (2) dưới 2% số 
khung có mức SD trong khoảng 2-4dB, (3) không có khung nào có SD > 4dB. 
Tiêu chuẩn này được sử dụng cho cả các bộ mã hóa tiếng nói băng hẹp [63] và 
băng rộng [72]. 
4.4.2. Bộ lượng tử hóa LSF-IA-SSVQ 
Các vectơ LSF không thể lượng tử hóa VQ trực tiếp do số chiều lớn (10 phần 
tử với băng hẹp và 16 phần tử với băng rộng), mà cần dùng đến các kỹ thuật VQ 
có cấu trúc. Việc áp dụng phương pháp IA-SSVQ vào việc lượng tử hóa các tham 
số LSF sẽ có thể làm giảm thiểu ảnh hưởng của nhiễu kênh. 
Để tăng chất lượng của bộ mã hóa tiếng nói, ta có thể sử dụng phương pháp 
đo khoảng cách giữa hai véctơ LSF sử dụng trọng số WED [63] thay cho phương 
pháp dùng khoảng cách SED như sau: 
( ) ( )[ ]2
1
ˆˆd ,
p
i i i
i
w f f
=
= −∑f f (4-10) 
trong đó trọng số wi được xác định như sau: 
( )
LPC
2
i i
r
w H f=    (4-11) 
với r là hằng số được xác định bằng thực nghiệm r = 1,5 [63]. 
Khoảng cách WED có thể sử dụng trong việc thiết kế bảng mã và trong việc 
lượng tử hóa để tăng hiệu quả của bộ mã hóa tiếng nói. 
4.4.3. Mô phỏng bộ lượng tử hóa LSF băng rộng và kết quả 
Để so sánh và đánh giá hiệu quả của kỹ thuật IA-SSVQ, luận án thực hiện mô 
phỏng bộ mã hóa LSF băng rộng (bậc p=16). Thư viện TIMIT [66] gồm các đoạn 
tiếng nói có tần số lấy mẫu 16KHz được sử dụng để xây dựng tập các vectơ huấn 
luyện (644.137 vectơ) và các vectơ thử nghiệm (235.603 véctơ) hệ thống. Để thu 
được các vectơ LSF, các thủ tục tiền xử lý tín hiệu và phân tích LPC của chuẩn 
mã hóa băng rộng đa tốc độ thích nghi AMR-WB (ITU-T G.722.2) [65] được áp 
dụng. 
 23 
Các thông số của các bộ lượng tử hóa: Số nhánh M=32 (m=5); số đoạn là 16; 
số phần tử cho từng đoạn là (3,3,3,3,4) được mã hóa với số bit (9,8,8,8,8). Như 
vậy mỗi khung sử dụng 46 bit để mã hóa các tham số LSF (Giống chuẩn G.722.2 
cũng sử dụng 46 bit biểu diễn cho 16 tham số LPC trong 1 khung). 
Bảng 4.1 biểu diễn các kết quả về độ méo phổ trung bình cũng như số các 
khung (theo %) có độ méo phổ trong khoảng 2÷4dB và trên 4dB của các bộ lượng 
tử hóa SSVQ. 
Ta có thể thấy kết quả mô phỏng phù hợp với kết quả mô phỏng ở Mục 4.3.4. 
Bộ lượng tử hóa IA-SSVQ luôn cho kết quả tốt hơn bộ mã hóa SSVQ không tối 
ưu hóa thứ tự các vectơ mã trong các bảng mã. So sánh với bộ lượng tử hóa 
COSSVQ, khi εb nhỏ hơn một mức ngưỡng nào đó thì kỹ thuật IA-SSVQ cho kết 
quả tốt hơn, và khi điều kiện kênh tốt εb rất nhỏ thì bộ lượng tử hóa COSSVQ cho 
kết quả còn kém hơn cả SSVQ truyền thống. Mức ngưỡng của εb trong thí nghiệm 
này vào khoảng 0,004. 
Bảng 4.1. Hoạt động của các bộ lượng tử hóa LSF SSVQ 46bit/khung 
SSVQ IA-SSVQ COSSVQ 
% số khung có SD 
ngoài khoảng 
% số khung có SD 
ngoài khoảng 
% số khung có SD 
ngoài khoảng BER 
 ε
SD trung 
bình 
(dB) 2-4 dB >4 dB 
SD trung 
bình 
(dB) 2-4 dB > 4 dB 
SD trung 
bình 
(dB) 2-4 dB > 4 dB 
0 0.921 0.499 0.000 0.921 0.499 0.000 0.968 1.499 0.006 
0.001 1.077 2.857 1.294 1.003 1.723 0.596 1.035 2.512 0.545 
0.002 1.204 4.894 2.455 1.077 2.925 1.129 1.097 3.523 1.029 
0.003 1.338 6.691 3.742 1.158 4.125 1.738 1.163 4.505 1.570 
0.004 1.461 8.470 4.969 1.234 5.358 2.286 1.227 5.530 2.093 
0.005 1.585 10.187 6.173 1.307 6.399 2.857 1.287 6.469 2.586 
0.01 2.185 17.265 12.332 1.673 11.679 5.799 1.592 11.170 5.191 
0.1 7.887 17.176 79.401 6.011 32.266 55.664 5.316 35.921 49.802 
Qua các kết quả mô phỏng ở Mục 4.3.4 (trường hợp tổng quát) và mục này ta 
có thể thấy sự hiệu quả khi áp dụng phương pháp IA vào kỹ thuật VQ có cấu trúc, 
cụ thể là kỹ thuật SSVQ. Với độ linh hoạt cao, kỹ thuật IA-SSVQ là một sự lựa 
chọn mới trong thiết kế hoặc nâng cấp các hệ thống dùng kỹ thuật VQ có cấu trúc. 
4.5. Kết luận chương 4 
Chương 4 nghiên cứu ứng dụng phương pháp IA vào các kỹ thuật VQ có cấu 
trúc dùng trong các trường hợp thực tế khi kích thước bảng mã lớn và số chiều 
vectơ lượng tử hóa lớn. Luận án đề xuất phương pháp IA-SSVQ là sự kết hợp 
giữa phương pháp IA với kỹ thuật VQ có cấu trúc SSVQ. Phương pháp IA-SSVQ 
được kiểm chứng với hai trường hợp là lượng tử hóa nguồn tín hiệu ngẫu nhiên và 
lượng tử hóa các hệ số LSF của bộ mã hóa tiếng nói băng rộng. Kỹ thuật IA-
SSVQ hoạt động tốt trong điều kiện kênh không quá kém, hoặc là khi có sự kết 
hợp bảo vệ bởi mã hóa kênh. Với ưu điểm đơn giản không làm tăng thêm độ phức 
tạp và độ trễ, kỹ thuật IA có tính khả thi cao khi ứng dụng trong các bộ VQ có cấu 
trúc. 
 24 
KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO 
Luận án tập trung nghiên cứu và phát triển phương pháp IA. So với các 
phương pháp kết hợp mã nguồn mã kênh JSCC khác, mức độ hiệu quả của 
phương pháp IA không phải là lợi thế vì không có khả năng sửa lỗi mà chỉ giảm 
thiểu méo tín hiệu dưới sự tác động của nhiễu kênh. Tuy nhiên phương pháp IA 
lại có độ linh hoạt, tính khả thi cao, không phải trả giá về băng thông và độ phức 
tạp của hệ thống, do đó có thể áp dụng được cho nhiều trường hợp khác nhau. 
Ngoài việc thiết kế tối ưu cho hệ thống, phương pháp IA còn có thể sử dụng để 
nâng cấp các hệ thống sẵn có, tận dụng được các thiết kế sẵn có mà không đòi hỏi 
phải thiết kế lại hệ thống. Hơn nữa, phương pháp IA còn có thể kết hợp với các 
phương pháp điều khiển lỗi khác như mã kênh để tăng khả năng chống lỗi cho hệ 
thống khi cần thiết. 
Luận án có những đóng góp mới sau: 
• Đề xuất hai thuật toán là MSA và SATS sử dụng trong phương pháp IA với 
hiệu quả tối ưu và độ ổn định cao. Thuật toán SATS là một phiên bản nâng 
cấp của thuật toán MSA với cơ chế chống duyệt trùng lặp, cho kết quả tốt 
hơn nhưng lại phức tạp hơn. Hai thuật toán cải tiến được xét trong trường 
hợp tổng quát không bị hạn chế bởi các giả thiết giới hạn như các công 
trình trước và có khả năng hội tụ nhanh do đó có thể áp dụng trong nhiều 
trường hợp thực tế. 
• Nghiên cứu, phát triển một phương pháp kết hợp mã nguồn mã kênh và 
phương pháp điều chế số sử dụng phương pháp IA. Phương pháp này còn 
có thể kết hợp với mã kênh để điều khiển lỗi nếu cần thiết. Phương pháp 
mới cho hiệu quả hoạt động tốt hơn các phương pháp IA mà không xét đến 
các kỹ thuật điều chế số trước đó. Ngoài ra phương pháp mới có thể ứng 
dụng để thiết kế mới hoặc nâng cấp các hệ thống sẵn có mà không làm thay 
đổi thiết kế của hệ thống, nhờ đó có thể tiết kiệm được nhiều công sức và 
chi phí trong việc nâng cấp hệ thống. 
• Nghiên cứu ứng dụng của phương pháp IA vào các kỹ thuật lượng tử hóa 
vectơ có cấu trúc, đề xuất phương pháp IA-SSVQ dựa trên sự kết hợp 
phương pháp IA với kỹ thuật lượng tử hóa vectơ chuyển mạch phân đoạn 
SSVQ để tăng khả năng giảm thiểu ảnh hưởng của nhiễu kênh trong truyền 
dẫn. 
 Hướng nghiên cứu tiếp theo: 
• Tiếp tục nâng cấp và phát triển tiếp thuật toán MSA/SATS để làm tăng 
hiệu quả và độ tối ưu. 
• Phương pháp ước lượng tham số phản ánh đặc tính của kênh cho bài toán 
IA nghiên cứu ở Chương 3 còn bị hạn chế bởi giả thiết kênh truyền không 
nhớ DMC và nếu kết hợp với mã kênh thì chỉ kết hợp với mã kênh có tính 
hệ thống. Hướng nghiên cứu tiếp theo là mở rộng cho các mô hình kênh 
khác (như kênh có nhớ) và các loại mã kênh khác. Áp dụng vào các hệ 
thống cụ thể. 
 25 
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 
1. Tran Ngoc Tuan, Nguyen Quoc Trung (2014), Improving the Simulated 
Annealing Algorithm for the Index Assignment Method to Enhance the 
Robustness of Communication Systems, Special Issues on Research, 
Development and Application on Information & Communication 
Technology, Journal on Information Technology & Communication, Vol. 
E-3, No. 7(11), pp. 13-20. 
2. Tran Ngoc Tuan, Nguyen Quoc Trung (2015), Index Assignment 
Optimization for Digital Communication Systems using M-ary 
Modulation Schemes, Special Issues on Research and Development on 
Information & Communications Technology, Journal on Information 
Communications Technology, Vol. E-3, No. 8(12), pp. 38-47. 
3. Tran Ngoc Tuan, Nguyen Quoc Trung (2016), Joint Source-Channel 
Coding and Digital Modulation Technique with Index Assignment 
Optimization, Special Issues on Research and Development on 
Information & Communications Technology, Journal on Information 
Communications Technology, Vol. E-3, No. 9(13), pp. 54-62. 
4. Tran Ngoc Tuan, Nguyen Quoc Trung, Tran Nguyen Khanh (2016), Improving 
the Simulated Annealing Algorithm for Source Codeword Index Assignment by 
Using the Mechanism of Tabu Search Algorithm, in Proceedings of The 2016 
International Conference on Advanced Technologies for Communications 
(ATC’16), Hanoi, pp. 91-96. 
5. Tran Ngoc Tuan, Nguyen Quoc Trung, Tran Hai Nam, Improving The Switched 
Split Vector Quantization Technique Using a Joint Source Channel Coding 
Approach. Bài đã qua phản biện và được chấp nhận đăng trên tạp chí Khoa học và 
Công nghệ các Trường Đại học (Dự kiến sẽ đăng trong số tiếng Anh năm 2017).