Ứng dụng mô hình Deep Neural Network để khôi phục tín hiệu trong hệ thống MIMO-NOMA

Bài viết này khảo sát việc ứng dụng học sâu để khôi phục tín hiệu thu trong hệ thống MIMO-NOMA. Ứng dụng học sâu có hai ưu điểm quan trọng gồm thực hiện giải mã song song và cải thiện chất lượng toàn hệ thống. Nhờ vào quá trình huấn luyện trong học sâu, hệ thống có thể tìm ra bộ trọng số tối ưu cho quá trình khôi phục tín hiệu. Kết quả cho thấy việc sử dụng học sâu có chất lượng tốt hơn kỹ thuật SIC.

Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Ứng dụng mơ hình Deep Neural Network để khơi phục tín hiệu hệ thống MIMO-NOMA Ngô Minh Nghĩa, Nguyễn Thái Công Nghĩa, Nguyễn Thị Xuân Uyên, Ngô Thanh Hãi, Đặng Lê Khoa Khoa Điện tử Viễn thông Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM Email: nmnghia@fetel.hcmus.edu.vn, ntcnghia@fetel.hcmus.edu.vn, ntxuyen@fetel.hcmus.edu.vn, nthai@fetel.hcmus.edu.vn, dlkhoa@fetel.hcmus.edu.vn nhỏ, nơi NOMA triển khai cho người dùng cụm (cluster) thuật toán MIMO sử dụng để loại bỏ nhiễu liên cụm Để giải mã thông tin chồng chất máy thu, Cover người đề xuất kỹ thuật SIC [2] Kỹ thuật đề xuất sử dụng đa truy nhập phi trực giao NOMA SIC thực cách khai thác thông số kỹ thuật khác biệt cơng suất tín hiệu Ý tưởng SIC tín hiệu người dùng giải mã liên tiếp Tuy nhiên, phương pháp loại bỏ nhiễu nối tiếp SIC bị giới hạn tính tốn cách phức tạp gặp vấn đề trình phát lỗi số lượng người dùng lớn Cùng với bùng nổ liệu phát triển phần cứng năm trở lại đây, Deep Learning hay gọi học sâu, nhắc đến nhiều xu hướng cách mạng trí tuệ nhân tạo (AI) Các mơ hình Học sâu kể đến DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network) Trong lĩnh vực truyền thông, học sâu nghiên cứu áp dụng thành công nhiều kỹ thuật Trong giải mã kênh, học sâu học dạng thuật tốn giải mã thay phân loại đơn giản giải mã mã tuyến tính [3] mã cực [4] Ngồi ra, học sâu cịn ứng dụng phương pháp cục hóa dựa CSI [5], cân kênh [6] Một sơ đồ tích hợp học sâu vào hệ thống ghép kênh phân chia theo tần số trực giao (OFDM) đưa [7], kết cho thấy tiềm mơ hình DNN việc ước lượng kênh giải mã tín hiệu hệ thống OFDM Phân loại điều chế nhận dạng dựa học sâu lĩnh vực phổ biến nghiên cứu [8] Trong lĩnh vực mạng di động, học sâu ứng dụng phân loại lưu lượng truy cập di động nghiên cứu để xử lí lưu lượng mã hóa phản ánh mơ hình giao thơng phức tạp [9] Việc khơi phục tín hiệu phía thu hệ thống MIMONOMA sử dụng phương pháp SIC truyền thống bị ảnh hưởng lan truyền lỗi độ phức tạp máy thu liên quan đến số lượng người dùng (UE) Vì vậy, báo này, chúng tơi trình bày phương pháp học tập dựa mơ hình DNN để ước tính hiệu trạng thái kênh giải mã tín hiệu dự kiến Phần lại báo trình Tóm tắt—Đa truy nhập phi trực giao (NOMA) kỹ thuật tiềm cho hệ thống thông tin di động hệ sau Kỹ thuật kết hợp với kỹ thuật nhiều anten phát nhiều anten thu (MIMO) tạo thành hệ thống MIMO-NOMA nhằm tăng dung lượng toàn hệ thống Xét kỹ thuật NOMA miền cơng suất, có chồng lấn miền không gian miền công suất nên việc khơi phục tín hiệu đầu thu phức tạp Phương pháp triệt nhiễu nối tiếp (SIC) thường ứng dụng để khơi phục tín hiệu hệ thống MIMO-NOMA Tuy nhiên, phương pháp SIC phải tách tín hiệu mạnh trước khơi phục tín hiệu yếu Khi đó, tín hiệu yếu lại xem nhiễu tín hiệu mạnh nên tỉ số tín hiệu can nhiễu (SINR) đầu thu giảm Bài báo khảo sát việc ứng dụng học sâu để khơi phục tín hiệu thu hệ thống MIMO-NOMA Ứng dụng học sâu có hai ưu điểm quan trọng gồm thực giải mã song song cải thiện chất lượng toàn hệ thống Nhờ vào trình huấn luyện học sâu, hệ thống tìm trọng số tối ưu cho trình khơi phục tín hiệu Kết cho thấy việc sử dụng học sâu có chất lượng tốt kỹ thuật SIC Đồng thời, kết mô cho thấy việc chọn tham số tốc độ học, thuật toán tối ưu, số lượng lớp ẩn số lượng node lớp ẩn ảnh hưởng đến chất lượng tồn hệ thống Từ khóa—MIMO, đa truy nhập phi trực giao, học sâu I GIỚI THIỆU Đa truy nhập phi trực giao (NOMA) kỹ thuật đề xuất dùng hệ di động tiếp theo, xem kỹ thuật quan trọng nhận nhiều quan tâm năm gần Ý tưởng then chốt NOMA sử dụng miền công suất cho đa truy nhập hệ mạng di động trước dựa vào miền thời gian/tần số/mã Nếu đa truy nhập trực giao thông thường OMA cho phép người sử dụng phục vụ nguồn phổ tần cấp phát riêng độc quyền NOMA cho phép chồng tín hiệu tin đa người sử dụng miền công suất máy phát cách khai thác độ lợi kênh tương ứng [1] Ứng dụng công nghệ MIMO NOMA quan trọng sử dụng MIMO cung cấp thêm thêm độ lợi phân tập độ lợi mã việc cải thiện chất lượng hệ thống cao Trong thực tế, điều mong muốn phải phục vụ nhiều người dùng tốt để giảm độ trễ người dùng cải thiện tính cơng phục vụ người dùng Theo lý này, người dùng nhóm thành cụm có kích thước ISBN 978-604-80-5958-3 60 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thơng tin (REV-ECIT2021) bày sau: phần II trình bày sở lí thuyết mơ hình hệ thống MIMO-NOMA dùng tách tín hiệu tuyến tính MMSE kết hợp phương pháp triệt nhiễu nối tiếp SIC phía thu trình bày ứng dụng mơ hình DNN hệ thống MIMONOMA Phần III mô hệ thống MIMO-NOMA sử dụng học sâu để giải mã tín hiệu phía thu Phần IV kết mơ thảo luận Phần cuối kết luận hướng phát triển hoàn toàn biết Đối với người dùng, quy trình giải mã tín hiệu sử dụng MMSE thể dạng: l11 j P1 Xj1 , − −1 l12 j Y2 = arg d2 Xj1 ∈X ˜1 H −α/2 P1 Xj1 − , (6) j ˜ = (H2 )H H2 (H2 )H + σ2 I H −1 (7) Sau đó, tín hiệu trừ khỏi tín hiệu nhận được: Y2 = Y2 d2 −α/2 − P1 Sl12 H2 (8) Giải mã tín hiệu người dùng 2: l22 j Y2 = arg d2 −α/2 Xj2 ∈X ˜2 H − P2 Xj2 (9) j Như quy trình đề cập trên, người dùng thứ K, q trình giải mã tín hiệu biểu diễn sau: (1) Sm (m ∈ [1, M ]) tín hiệu anten truyền thứ m biểu diễn dạng: YK = YK dK −α/2 − K PK SlK−1 HK , (10) K k βk P Sm , (2) K lK k=1 k ∈ [1, K] người dùng thứ k, P công suất phát hệ thống, βk hệ số phân bổ suất người dùng thứ k thỏa mãn β1 + β2 + + βK = βk P = Pk công suất phân bổ cho người dùng thứ k Tín hiệu thu người dùng thứ k biểu diễn sau: Yk = dk −α/2 Hk S + Nk , (3) j = arg XjK ∈X YK dK −α/2 ˜K H − PK XjK (11) j Từ phương trình thấy kết cuối thể dạng sau: K lK = fk f2 (Y2 f1 (Y1 A + b1 ) + b2 ) + bk , (12) ˜ k Yk ma trận khơng đổi tương ứng với d H −α/2 , k √ k bk véc tơ không đổi tương ứng với Pk Xj , fi đại diện cho dạng hàm phi tuyến tương ứng với hàm argmin đó, Yk ma trận tín hiệu thu, dk khoảng cách người dùng so với trạm gốc, α hệ số suy hao đường truyền, Hk ma trận kênh truyền Rayleigh, thành phần kênh tuân theo phân phối chuẩn với trung bình phương sai 1, hij ∼ CN (0, 1) Nk ∼ CN 0, σ nhiễu Gauss tác động lên người dùng thứ k, σ phương sai nhiễu Việc giải mã tín hiệu SIC cần q trình liên tục, gồm tái cấu trúc loại bỏ tín hiệu Giả sử công suất phân bổ cho người dùng giảm dần (P1 > P2 > > PK ) Gọi lqk đầu ước tính tín hiệu người dùng thứ q máy thu người dùng thứ k Thông tin trạng thái kênh (CSI) ISBN 978-604-80-5958-3 (5) Đối với người dùng 2, thông tin người dùng cần trừ quy trình tương tự trên: Trong hệ thống MIMO-NOMA, tín hiệu từ kênh có độ lợi cao truyền với mức công suất thấp hơn, tín hiệu từ kênh có độ lợi thấp truyền với mức công suất cao Do đó, kênh người dùng có độ lợi thấp loại bỏ tất nhiễu từ người dùng lại Tuy nhiên, người dùng có độ lợi kênh cao chịu ảnh hưởng nhiễu từ người dùng có mức cơng suất lớn hơn, áp dụng phương pháp SIC đầu thu để loại bỏ nhiễu thu lại tín hiệu mong muốn Do đó, xây dựng hệ thống MIMO-NOMA ghép kênh khơng gian SDM, phía thu ngồi việc sử dụng tách tín hiệu tuyến tính MMSE, cần phải kết hợp với phương pháp triệt nhiễu nối tiếp SIC để giải mã tín hiệu mong muốn cách hiệu Giả sử số lượng anten phát thu M N , số người dùng K Tín hiệu truyền MIMO-NOMA biểu diễn dạng ma trận sau: Sm = (4) j ˜ = (H1 )H H1 (H1 )H + σ1 I H A Mơ hình hệ thống MIMO-NOMA sử dụng phương pháp triệt nhiễu nối tiếp SIC phía thu T d1 Xj1 ∈X ˜1 H −α/2 đó, j anten thu thứ j với j = 1, 2, , N X tập symbol điều chế người dùng Ma trận trọng số giải mã tín hiệu MMSE thể sau: II MƠ HÌNH HỆ THỐNG S = [S1 S2 SM ] Y1 = arg B Ứng dụng mơ hình DNN hệ thống MIMO-NOMA DNN phiên “sâu” mạng nơ ron thần kinh, thường gồm ba lớp: input layer (lớp đầu vào), hidden layer (lớp ẩn), output layer (lớp đầu ra) Input layer output layer lớp đơn, hidden layer mở rộng thành nhiều lớp tùy thuộc vào độ phức tạp thuật tốn Một mơ hình DNN thể Hình Tại node mạng diễn hai bước: tính tổng linear áp dụng hàm kích hoạt Quy trình node biểu diễn Hình Giả sử đầu lớp thứ (n-1) yn−1 , ma trận trọng 61 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Cơng nghệ Thơng tin (REV-ECIT2021) Hình Cấu trúc mơ hình MIMO-NOMA-DNN Hình Mơ hình DNN Lớp đầu vào nơi nhận tín hiệu MIMO-NOMA Giả sử số lượng anten phát thu BS UE M N Tín hiệu thu dạng số phức phân tách thành phần thực phần ảo, số lượng node lớp đầu vào 2N Hàm ReLU sử dụng để kích hoạt nơ ron sau hoạt động tuyến tính lớp ẩn Lớp đầu DNN mã hóa one-hot với hàm kích hoạt softmax Tuy nhiên, giải mã tín hiệu MIMO-NOMA, tín hiệu từ nhiều anten phải giải mã khe Vì vậy, lớp đầu thiết kế để tạo thành nhóm Số lượng nhóm số lượng anten phát M số lượng node nhóm với số lượng mã hóa one-hot [10] Lựa chọn hàm mát hàm cross-entropy thuật toán tối ưu thuật toán Adam cho hệ thống MIMO-NOMA-DNN Hàm cross-entropy có tốc độ hội tụ nhanh độ phức tạp thấp q trình tối ưu hóa lặp Phương pháp Adam dùng làm thuật toán tối ưu hóa có khả tự thích ứng với tốc độ học tập tối ưu mạnh mẽ Hình Quy trình xử lí liệu node mạng số lớp thứ n wn , véc tơ độ lệch bn , đầu lớp thứ n ký hiệu yn biểu diễn sau: yn = f (wn yn−1 + bn ) (13) Đối với mơ hình có nhiều hidden layer, giả sử độ lệch b 0, biểu thức truyền viết sau: yn = f (wn f (wn−1 f · · · w2 f (w1 y0 ))) (14) So sánh với phương trình (10) sử dụng phương pháp SIC ta thấy có tương đồng, DNN có khả thay phương pháp SIC truyền thống hệ thống MIMO-NOMA C Quy trình thực mơ III MƠ PHỎNG HỆ THỐNG MIMO-NOMA-DNN Giai đoạn 1: CHUẨN BỊ Dữ liệu đầu vào mơ hình mạng nơ ron tín hiệu nhận phía thu sau qua kênh truyền hệ thống MIMONOMA Giai đoạn thực toàn trình tạo liệu truyền, truyền liệu qua kênh truyền tín hiệu thu người dùng Nhãn mã hóa one-hot tương ứng với symbol truyền tạo Mã hóa one-hot biến đổi nhãn phân loại thành véc tơ Độ dài véc tơ số lượng lớp đặc trưng mà mơ hình dự kiến phân loại Đối với tín hiệu symbol truyền đi, cần tạo ma trận toàn trường hợp xảy q trình truyền Với nhãn, ma trận tạo bao gồm véc tơ one-hot mã hóa tương ứng với symbol truyền theo quy luật bảng I Giả sử tín hiệu điều biến theo kiểu BPSK, A Nguyên lý mô hệ thống MIMO-NOMA-DNN Hệ thống MIMO-NOMA-DNN bao gồm ba khối thành phần: khối huấn luyện, khối thử nghiệm khối tách tín hiệu DNN Cấu trúc mơ hình MIMO-NOMA-DNN minh họa hình [10] Khối huấn luyện (training) chịu trách nhiệm tạo tín hiệu MIMO-NOMA cung cấp nhãn cho khối DNN Khối thử nghiệm (testing) tạo liệu để kiểm tra khả khơi phục tín hiệu hệ thống Khối DNN khối tách tín hiệu để khơi phục tín hiệu nhận Trong khối này, phải thiết kế nhiều tham số, bao gồm số lớp, hàm kích hoạt, hàm mát thuật toán lặp tối ưu tham số mơ hình Q trình giải mã tín hiệu chia thành hai bước: - Bước 1: Chế độ huấn luyện để giúp DNN tối ưu hóa tham số - Bước 2: Chế độ kiểm tra để đánh giá chất lượng hệ thống Bảng I MÃ HÓA VÉC TƠ ONE-HOT Symbol truyền Vecto one-hot [0 1] [1 0] B Thiết kế khối DNN Mơ hình DNN thiết kế để giải mã tín hiệu MIMONOMA bao gồm bảy lớp: lớp đầu vào, lớp đầu năm lớp ẩn Lớp đầu vào lớp ẩn lớp mạng kết nối đầy đủ (fully connected), lớp đầu chia thành nhóm để giải mã tín hiệu nhiều anten khe thời gian ISBN 978-604-80-5958-3 sau sử dụng kỹ thuật mã hóa xếp chồng SC (Supperposition Coding) để truyền thông tin đến nhiều người dùng đồng thời từ nguồn phát Tín hiệu sau qua kênh truyền Rayleigh nhiễu AWGN liệu đầu vào mơ hình mạng nơ ron Giai đoạn 2: XÂY DỰNG 62 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Mơ hình mạng nơ ron có lớp đầu vào, năm lớp ẩn lớp đầu Hàm kích hoạt dùng cho lớp hàm ReLU Ma trận trọng số tạo ngẫu nhiên từ phân phối chuẩn với trung bình độ lệch chuẩn 0.1 Véc tơ độ lệch khởi tạo Bài báo áp dụng phương pháp hiệu huấn luyện mơ hình để chuẩn hóa feature đầu layer sau áp dụng hàm kích hoạt trạng thái zero-mean với độ lệch chuẩn 1, phương pháp gọi Batch Normalization Lớp đầu mô hình mạng nơ ron giá trị dự đốn (predicted) so sánh với nhãn – giá trị thật tương ứng symbol truyền Do đó, kích thước liệu lớp đầu cuối tương ứng với kích thước nhãn Hàm kích hoạt sử dụng lớp hàm softmax Giai đoạn 3: HUẤN LUYỆN Quá trình huấn luyện hay trình học đặc điểm tập liệu huấn luyện cho trọng số tối ưu mơ hình để với tập liệu symbol truyền mơ hình giải mã tín hiệu phía thu cách xác Giai đoạn 4: KIỂM TRA Mục đích giai đoạn để kiểm tra lại khả giải mã tín hiệu mơ hình vừa huấn luyện tính lỗi q trình giải mã tín hiệu để vẽ đồ thị SER theo SNR Lưu ý rằng, giai đoạn 4, tập liệu huấn luyện liệu kiểm tra gửi qua kênh truyền, tức có hệ số kênh giống hai giai đoạn Điều giúp đáp ứng với thơng số mơ hình thiết lập đảm bảo tính xác hệ thống Bảng II CÁC Thông số Hệ điều hành Framework Ngơn ngữ lập trình Kênh Fading Số người dùng Số anten truyền Số anten nhận Điều chế Số lượng mẫu huấn luyện Tổng công suất truyền anten Hệ số phân bổ công suất Lớp ẩn Lớp ngõ Giá trị Window 10 TensorFlow Python 3.6/MATLAB MIMO channel/AWGN Rayleigh Fading 4 BPSK, QPSK 8000 1W 0.8 ReLU Softmax Hình So sánh chất lượng hệ thống MIMO-NOMA-DNN hệ thống MIMO-NOMA-SIC IV KẾT QUẢ MÔ PHỎNG B Đánh giá chất lượng hệ thống sử dụng phương pháp điều chế khác A Đánh giá chất lượng hệ thống phương pháp SIC Học sâu Ở đây, báo mơ tình hai người dùng sử dụng điều chế BPSK QPSK Xét việc giải mã tín hiệu người dùng địi hỏi tín hiệu người dùng phải giải mã trước theo phương pháp SIC, xem xét phát tín hiệu người dùng phương pháp học sâu độ phức tạp cao Hình mơ tả chất lượng hệ thống MIMO-NOMA-DNN MIMO-NOMA-SIC trường hợp sử dụng loại điều chế khác Rõ ràng, giải mã tín hiệu MIMO-NOMA sử dụng học sâu cho chất lượng hệ thống tốt nhiều cho dù trường hợp sử dụng điều chế BPSK hay QPSK Những kết cho thấy hai đặc điểm kênh MIMO với kênh Rayleigh fading giải điều chế tín hiệu với NOMA học qua mơ hình DNN Bài báo tập trung xem xét vào trường hợp hệ thống có hai người dùng Một kênh truyền MIMO × với phân phối Rayleigh xem xét trường hợp Tổng công suất phát cho ăng ten 1W Người dùng phân bổ 80% công suất, người dùng phân bổ 20% công suất Tổng số mẫu huấn luyện 8000 mẫu Số lượng node lớp đầu vào khe liệu đầu vào đưa đến khối DNN dạng véc tơ cột Tất nhãn sử dụng huấn luyện giám sát mã hóa one-hot Các tham số tóm tắt Bảng II Hình trình bày tỉ lệ lỗi symbol (SER) theo SNR để so sánh chất lượng hệ thống MIMO-NOMA-DNN với hệ thống MIMO-NOMA-SIC Có thể thấy, chất lượng hệ thống sử dụng phương pháp học sâu để giải mã tín hiệu cho kết tốt nhiều so với hệ thống sử dụng phương pháp SIC truyền thống Khi so sánh chất lượng người dùng hai hệ thống với mức BER 10−3 10−4 , người dùng hệ thống MIMO-NOMA-DNN cho SNR tốt 11 dB ISBN 978-604-80-5958-3 THÔNG SỐ MÔ PHỎNG C Ảnh hưởng tỉ lệ phân bổ cơng suất Hình thể chất lượng hệ thống MIMO-NOMADNN MIMO-NOMA-SIC với điều chế BPSK trường hợp sử dụng hệ số phân bổ cơng suất khác phía phát (0.9, 0.1), (0.8, 0.2), (0.7, 0.3) (0.6, 0.4) Có thể thấy, hệ thống MIMO-NOMA-DNN đạt chất lượng tốt (khoảng chênh lệch SNR 10 dB) so với hệ thống 63 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Hình So sánh chất lượng hệ thống MIMO-NOMA-DNN MIMONOMA- SIC trường hợp sử dụng loại điều chế khác Hình Chất lượng hệ thống MIMO-NOMA-DNN với giá trị learning rate khác Hình So sánh chất lượng hệ thống MIMO-NOMA-DNN MIMO-NOMASIC trường hợp sử dụng hệ số phân bổ cơng suất khác Hình Chất lượng hệ thống MIMO-NOMA-DNN trường hợp sử dụng thuật toán tối ưu khác sử dụng phương pháp SIC trường hợp phân bổ công suất Với hệ số phân bổ công suất 0.8, nhận thấy chất lượng hệ thống thu tốt Các thuật tốn tối ưu có nhiệm vụ tính tốn gradient hàm mát cập nhật tham số mơ hình cho tối ưu Các thuật toán tối ưu thường sử dụng thuật toán SGD, SGD với Momentum, RMSProp, thuật toán Adam Hình biểu diễn chất lượng hệ thống MIMO-NOMADNN trường hợp sử dụng loại thuật toán tối ưu khác với learning rate chọn 10−4 Khi sử dụng thuật toán Adam, liệu người dùng sử dụng hệ thống MIMO-NOMA-DNN giải mã tốt trường hợp Các trường hợp cịn lại sử dụng thuật tốn RMSProp, SGD momentum cho kết chất lượng hệ thống tệ Trong trường hợp sử dụng thuật toán SGD, chất lượng hệ thống tệ, người dùng sử dụng hệ thống MIMO-NOMA-DNN khơng giải mã tín hiệu Nguyên nhân learning rate 10−4 nhỏ trường hợp sử dụng thuật toán SGD làm cho mơ hình nhiều bước để đến điểm tối ưu tham số Thay đổi số lượng lớp ẩn số node lớp ẩn mơ hình mạng nơ ron Việc thay đổi số lượng lớp ẩn số node lớp ẩn ảnh hưởng nhiều đến chất lượng hệ thống Hình biểu diễn chất lượng hệ thống MIMO-NOMA-DNN trường hợp mơ hình mạng nơ ron thiết kế với số lượng D Ảnh hưởng số thông số DNN Thay đổi thông số learning rate Việc chọn learning rate tối ưu cho mơ hình thật điều quan trọng Nếu learning rate có giá trị nhỏ dẫn đến q trình huấn luyện mơ hình gặp khó khăn, thuật toán Gradient Descend nhiều thời gian để đến cực tiểu Trong giá trị lớn dẫn đến việc trọng số tối ưu q nhanh hay q trình huấn luyện khơng ổn định Bài báo tiến hành thay đổi giá trị learning rate với bước thay đổi 10−1 khoảng từ 10−7 đến Hình biểu diễn chất lượng hệ thống MIMO-NOMA-DNN sử dụng giá trị learning rate khác Với giá trị learning rate nằm khoảng từ 10−4 đến 1, hệ thống MIMO-NOMA-DNN cho chất lượng tốt Với giá trị learning rate nằm khoảng từ 10−7 đến 10−5 , hệ thống MIMO-NOMA-DNN cho chất lượng tồi nhiều so với trường hợp Nếu giá trị learning rate nhỏ, việc huấn luyện mơ hình bị thất bại, dẫn đến mơ hình khơng cập nhật trọng số tối ưu Thay đổi thuật toán tối ưu trọng số ISBN 978-604-80-5958-3 64 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) lớp ẩn khác nhau, số lượng node lớp ẩn chọn 16, 8, node Với trường hợp số lượng node lớp ẩn 16, chất lượng hệ thống tốt số tình cụ thể mơ hình có 3, lớp ẩn Trong trường hợp số lượng node lớp ẩn với số lượng node lớp đầu vào đầu node trường hợp node lớp ẩn, chất lượng hệ thống MIMO-NOMA-DNN cho kết tệ Lựa chọn số lượng node lớp ẩn cách lấy tỉ lệ so với số lượng node lớp đầu vào đầu giúp cho việc mô hệ thống có tính định hướng Ý tưởng chia thành ba trường hợp xảy q trình lựa chọn số node lớp ẩn hơn, nhiều với số node lớp đầu vào, đầu Tỉ lệ chọn thường 1/2, 1/3, 2, 3, Sau đó, đánh giá chất lượng mơ hình với số lượng node lớp ẩn chọn Việc cần làm lựa chọn giá trị trường hợp mơ hình cho chất lượng tốt Bằng phương pháp này, trình lựa chọn số lượng node lớp ẩn rút ngắn có định hướng rõ ràng việc lựa chọn giá trị cụ thể để thiết kế mơ hình mạng nơ ron (a) V KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Việc áp dụng học sâu DNN hệ thống truyền thông MIMO-NOMA cách tiếp cận đầy hứa hẹn để giải thiếu sót phương pháp SIC Bài báo xây dựng thành cơng hệ thống giải mã tín hiệu MIMO-NOMADNN để thực phục hồi tín hiệu Hệ thống đồng thời hồn thành q trình ước tính kênh giải mã tín hiệu MIMO-NOMA Trong tương lai, báo nghiên cứu thêm cách tiếp cận vấn đề giải mã loại tín hiệu NOMA khác, chẳng hạn đa truy nhập mã thưa (SCMA), truy cập chia sẻ nhiều người dùng (MUSA) đa truy nhập phân chia mẫu (PDMA) Mở rộng đánh giá chất lượng hệ thống tình kênh khác tình nhiều người dùng Xem xét đến tình mà CSI ước tính bị lệch so với thực tế ảnh hưởng đến chất lượng hệ thống MIMO-NOMA-DNN (b) LỜI CẢM ƠN (c) Nghiên cứu tài trợ Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM khuôn khổ Đề tài mã số T2021-30 Hình Chất lượng hệ thống MIMO-NOMA-DNN trường hợp sử dụng số lượng số lớp ẩn khác số node lớp ẩn (a) 16 node (b) node (c) node TÀI LIỆU THAM KHẢO [1] Higuchi, K.; Benjebbour, A Non-Orthogonal Multiple Access (NOMA) with Successive Interference Cancellation for Future Radio Access IEICE Trans Commun 2015, 98, 403–414 [2] TM Cover, Broadcast channels IEEE Trans Inf Theory 18(1), 2–14 (1972) [3] E Nachmani, Y Be’ery, and D Burshtein, "Learning to decode linear codes using Deep Learning," in 2016 54th Annual Allerton Conference on Communication, Control, and Computing (Allerton), 2016, pp 341346 [4] T Gruber, S Cammerer, J Hoydis, and S t Brink, "On Deep Learningbased channel decoding," in 2017 51st Annual Conference on Information Sciences and Systems (CISS), 2017, pp 1-6 [5] X Wang, L Gao, S Mao, and S Pandey, "CSI-Based Fingerprinting for Indoor Localization: A Deep Learning Approach," IEEE Transactions on Vehicular Technology, vol 66, no 1, pp 763-776, 2017 [6] S Chen, G J Gibson, C F N Cowan, and P M Grant, "Adaptive equalization of finite non-linear channels using multilayer perceptrons," Signal Processing, vol 20, no 2, pp 107-119, 1990 ISBN 978-604-80-5958-3 [7] H Ye, G Y Li, and B Juang, "Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems," IEEE Wireless Communications Letters, vol 7, no 1, pp 114-117, 2018 [8] Y Xu, D Li, Z Wang, Q Guo, and W Xiang, "A Deep Learning method based on convolutional neural network for automatic modulation classification of wireless signals," Wireless Networks, vol 25, no 7, pp 3735-3746, 2019/10/01 2019 [9] G Aceto, D Ciuonzo, A Montieri, and A Pescapé, "Mobile Encrypted Traffic Classification Using Deep Learning: Experimental Evaluation, Lessons Learned, and Challenges," IEEE Transactions on Network and Service Management, vol 16, no 2, pp 445-458, 2019 [10] Lin Chuan, Qing Chang, Xianxu Li, "A deep learning approach for MIMO-NOMA downlink signal detection", Sensors 19, no.11, 2019 65 ... nhiệm tạo tín hiệu MIMO-NOMA cung cấp nhãn cho khối DNN Khối thử nghiệm (testing) tạo liệu để kiểm tra khả khơi phục tín hiệu hệ thống Khối DNN khối tách tín hiệu để khơi phục tín hiệu nhận Trong. .. báo xây dựng thành công hệ thống giải mã tín hiệu MIMO-NOMADNN để thực phục hồi tín hiệu Hệ thống đồng thời hồn thành q trình ước tính kênh giải mã tín hiệu MIMO-NOMA Trong tương lai, báo nghiên... nối tiếp SIC phía thu trình bày ứng dụng mơ hình DNN hệ thống MIMONOMA Phần III mô hệ thống MIMO-NOMA sử dụng học sâu để giải mã tín hiệu phía thu Phần IV kết mô thảo luận Phần cuối kết luận