Ứng dụng machine learning trong việc tăng hiệu suất phổ hệ thống NOMA massive MIMO (tt)

1 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA ⎯⎯⎯⎯⎯⎯⎯⎯⎯ NGUYỄN ANH TÚ ỨNG DỤNG MACHINE LEARNING TRONG VIỆC TĂNG HIỆU SUẤT PHỔ HỆ THỐNG NOMA MASSIVE MIMO Chuyên ngành: Kỹ thuật Điện tử Mã số: 8520203 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN TỬ Đà Nẵng – Năm 2022 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học : TS.LÊ THỊ PHƯƠNG MAI Người hướng dẫn khoa học : TS TRẦN THẾ SƠN Phản biện 1: TS NGUYỄN DUY NHẬT VIỄN Phản biện 2: TS NGÔ VĂN SỸ Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Kĩ thuật điện tử họp Trường Đại học Bách khoa vào ngày 15 tháng 05 năm 2022 Có thể tìm hiểu luận văn tại: − Trung tâm Học liệu Truyền thông, Trường Đại học Bách khoa ĐHĐN − Thư viện Khoa Điện tử - Viễn thông, Trường Đại học Bách khoa - ĐHĐN THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội MỞ ĐẦU Tính cấp thiết đề tài Mạng thông tin di động thứ (mạng 5G) bắt đầu triển khai giới từ năm 2018 góp phần đáp ứng bùng nổ lưu lượng data yêu cầu cao chất lượng cho dịch vụ ( VR, AR, dịch vụ tự hành, cloud…) Ở nước ta, mạng thông tin di động hệ thứ năm (5G) bắt đầu triển khai từ năm 2020 nhằm giới thiệu dịch vụ 5G cho người dân tăng trải nghiệm khách hàng Đối với nhà cung cấp dịch vụ, để đáp ứng bùng nổ lưu lượng data số lượng kết nối cho loại hình dịch vụ cần tăng băng thơng tăng số lượng trạm phủ sóng (thậm chí hai yếu tố này) Tuy nhiên, tài nguyên khó triển khai, đồng thời làm tăng chi phí vận hành yếu tố phi kỹ thuật khác Một yếu tố khác giúp xử lý vấn đề nâng cao hiệu sử dụng phổ tần Và Massive MIMO giới thiệu mạng 5G giải pháp quan trọng để nâng cao hiệu hoạt động hệ thống Trong massive MIMO sử dụng số lượng lớn anten, giúp tập trung lượng vào vùng không gian nhỏ nhằm cung cấp không thơng lượng UL/DL cao cho UE mà cịn tăng cường vùng phủ số lượng UE kết nối Tuy nhiên, bên cạnh ưu điểm trên; massive MIMO gặp thách thức lớn triển khai, với trường hợp UE tập trung lớn, mơi trường truyền sóng khơng có nhiều khác biệt (ví dụ: khu thị có nhiều tịa nhà cao tầng, kiện lễ hội tập trung đông người, sân vận động…) môi trường yêu cầu số lượng kết nối mật độ lớn ( nhiều thuê bao thiết bị IoT…) hiệu suất phổ hệ thống massive MIMO suy giảm nghiêm trọng đặc tính phân tập khơng gian khơng cịn đảm bảo [1] [2] THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Trong trường hợp này, NOMA miền mã (Code-Domain NOMA) xem giải pháp triển vọng cho hệ thống massive MIMO cách phân chuỗi mã cho nhóm người dùng có đặc tính kênh truyền [1] Và vậy, hệ thống NOMA-massive MIMO, ưu điểm hiệu phổ hỗ trợ số lượng kết nối lớn, giải pháp giúp nâng cao hiệu hoạt động hệ thống trường hợp Mục đích nghiên cứu - Nghiên cứu đặc điểm, đặc trưng loại hình dịch vụ mạng 5G sau 5G qua đánh giá khả áp dụng NOMA hệ thống massive MIMO để nâng cao hiệu hệ thống - Đề xuất mơ hình hệ thống, phương pháp xử lý tín hiệu số NOMA-massive MIMO cho loại hình trạm 5G sau 5G dựa mơ hình tính tốn cụ thể - Đề xuất phương pháp ứng dụng machine learning việc phân loại người dùng để nâng cao hiệu hệ thống Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu - Các kỹ thuật tiên tiến đề xuất cho mạng vô tuyến 5G sau 5G như: NOMA (Non-Orthogonal Multiple Access) Massive MIMO - Hiệu suất phổ hệ thống NOMA-massive MIMO - Ứng dụng machine learning cho việc phân loại người dùng hệ thống NOMA-masive MIMO 3.2 Phạm vi nghiên cứu - Mạng 5G công nghệ lớp vật lý cho mạng 5G - Mơ hình tốn học hệ thống NOMA-masive MIMO - Các kỹ thuật machine learning với phân loại unsupervised learning Phương pháp nghiên cứu THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Phương pháp luận luận văn kết hợp nghiên cứu lý thuyết với thực tiễn để làm rõ nội dung đề tài Cụ thể sau: - Nghiên cứu yếu tố kỹ thuật liên quan đến mạng 5G - Xem xét đề tài nghiên cứu liên quan, phương án kỹ thuật triển khai, so sánh đánh giá ưu điểm, khuyết điểm phương pháp - Nghiên cứu mơ hình hệ thống kênh truyền - Đề xuất kỹ thuật machine learning việc phân loại người dùng - Đánh giá kết thực thông qua mô Ý nghĩa khoa học thực tiễn đề tài Ý nghĩa khoa học: Từ việc nghiên cứu thực tế mạng 5G, kết triển khai 5G nhà mạng nghiên cứu hệ thống massive MIMO, NOMA massive MIMO; sở tính tốn, mơ trường hợp, đề tài đưa hướng đề xuất áp dụng NOMA cho hệ thống massive MIMO mạng 5G sau 5G Ý nghĩa thực tiễn: Kết đề tài nêu số sở lý thuyết để cung cấp khả năng, hướng áp dụng nhằm giải vấn đề gặp phải triển khai massive MIMO mạng di dộng (nhất với trường hợp UE tập trung lớn, mơi trường truyền sóng khơng có nhiều khác biệt Ví dụ: khu thị có nhiều tịa nhà cao tầng, kiện lễ hội tập trung đông người, sân vận động… môi trường yêu cầu số lượng kết nối mật độ lớn có nhiều thuê bao thiết bị IoT…) Cấu trúc luận văn Ngoài phần mở đầu, kết luận tài liệu tham khảo, luận văn gồm chương: Chương 1: Tổng quan mạng 5G công nghệ tiên tiến cho mạng 5G Chương 2: Hệ thống NOMA-massive MIMO THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Chương 3: Machine learning ứng dụng machine learning phân loại người dùng Chương 4: Kết thực đánh giá hiệu THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội CHƯƠNG 1: TỔNG QUAN VỀ MẠNG 5G 1.1 Giới thiệu chương 1.2 Lịch sử phát triển mạng di động Hình 1.3: Sự hình thành phát triển 5G 1.3 Tổng quan mạng 5G 1.3.1 Các ứng dụng phổ biến mạng 5G Các ứng dụng mạng 5G xoay quanh lớp dịch vụ: + Enhanced mobile broadband (eMBB): dịch vụ di động băng rộng tốc độ cao + Ultra-reliable and low-latency communications (URLLC): dịch vụ hỗ trợ kết nối có độ trễ thấp độ ổn định cao + Massive machine type communications (mMTC): dịch vụ cho phép kết nối số lượng lớn 1.3.2 Mơ hình mạng 5G a) Kiến trúc mạng core 5G: b) Kiến trúc RAN 5G: 1.3.3 Tổng quan mạng 5G 1.3.4 Tình hình triển khai 5G giới Việt Nam 1.4 Kỹ thuật NOMA 1.4.1 Truy cập NOMA miền mã THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Hình 1.24: Phân loại NOMA miền mã a) Đa truy cập phân chia theo mã (CDMA) b) Trải mật độ thấp (LDS) c) Đa truy cập mã thưa (SCMA-Spare Coding Multiple Access) 1.4.2 Truy cập NOMA miền cơng suất Hình 1.26 Phân bổ cơng suất PD-NOMA Kỹ thuật đa truy cập phi trực giao THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội • Mã hóa xếp chồng • Triệt giao thoa liên tiếp 1.5 Kỹ thuật Massive MIMO 1.5.1 Massive MIMO gì? 1.5.2 Các kỹ thuật Massive MIMO Hình 1.31: Beamforming tập trung tín hiệu không dây theo hướng cụ thể 1.5.3 Lợi ích Massive MIMO 1.6 Kết luận chương: Mạng di động phát triển qua năm hệ Năng lực mạng, loại hình dịch vụ đa dạng chất lượng dịch vụ ngày nâng cao Ban đầu, mạng di động có loại hình dịch vụ thoại đến nhà mạng cung cấp hàng chục-thậm chí hàng trăm dịch vụ tảng mạng di động Năng lực mạng lưới nâng cao, điều thể rõ từ triển khai kỹ thuật massive MIMO THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội CHƯƠNG 2: HỆ THỐNG NOMA-MASSIVE MIMO 2.1 Giới thiệu chương 2.2 Mơ hình hệ thống đề xuất Xét hệ thống mMIMO gồm L ô (cell) [6] Trong có trạm gốc có M anten phục vụ đồng thời K người dùng (UE) đơn anten Hướng UL DL phân chia theo thời gian tần số Nếu UL DL phân chia theo thời gian, ta sử dụng giao thức TDD, UL DL tần số Ta giả định trạm UE hoạt động theo giao thức TDD để ước tính kênh truyền liệu kênh pilot 2.2.1 Mơ hình kênh truyền A) Mơ hình kênh 2D: Hình 2.5: Các dạng hình học anten a) Loại anten tuyến tính dọc, b) Loại anten tuyến tính ngang, c) Loại anten mảng phẳng Hình 2.6: Mơ hình kênh 2D B) Mơ hình kênh 3D THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 10 CHƯƠNG 3: MACHINE LEARNING VÀ ỨNG DỤNG MACHINE LEARNING TRONG PHÂN LOẠI NGƯỜI DÙNG 3.1 Giới thiệu chương 3.2 Cơ sở lý thuyết cho việc phân loại người dùng 3.3 Các thuật toán unsupervised learning 3.3.1 Thuật toán K-means a) Phân tích tốn học: b) Tóm tắt thuật tốn: K-means phân cụm D thành K cụm liệu: • Mỗi cụm liệu có điểm trung tâm gọi centroid • K số cho trước Bước 1: Chọn ngẫu nhiên K điểm tập huấn luyện để làm tâm cụm ban đầu Bước 2: Phân điểm liệu vào cluster có center gần Bước 3: Cập nhập tâm cụm cách lấy trung bình cộng điểm liệu Bước 4: Nếu tâm cụm bước không thay đổi so với vịng lặp trước dừng thuật tốn Bước 5: Quay lại bước Điều kiện hội tụ (điều kiện dừng thuật toán) Xác định điểm trung tâm cluster c) Đánh giá thuật toán K-means: 3.3.2 Thuật toán K-means ++ 3.3.3 Thuật toán K medoids Thuật toán Cách thực phổ biến phân cụm k-medoids thuật toán Phân vùng xung quanh Medoids (PAM) sau: Bước 1: Khởi tạo, chọn ngẫu nhiên k số n điểm liệu làm trung gian Bước 2: Liên kết điểm liệu với medoid gần Bước 3: Cập nhật: medoid m điểm liệu o liên kết với m, hoán đổi m o tính tổng chi phí cấu hình (nghĩa là, THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 11 mức độ khác biệt trung bình o với tất điểm liệu liên quan đến m) Chọn o medoid với chi phí cấu hình thấp Lặp lại bước xen kẽ khơng có thay đổi tổng chi phí 3.4 Đề xuất thuật tốn phân loại người dùng cho hệ thống NOMA-mMIMO: 3.4.1 Sử dụng thuật toán K-means phân loại người dùng: Thuật toán 1: Dữ liệu đầu vào: số lượng group (G), số lượng UE (K), số lượng cell (L), ma trận tương quan UEs (𝐑 𝑖 ma trận tương quan UE i) Bước 1: Chọn ngẫu nhiên G UE (G < K) tập để làm tâm cụm ban đầu Tính tốn tính tốn ma trận khơng gian riêng cụm (group eigenspaces) Bước 2: Phân UE vào group có tâm gần (theo ma trận tương quan UE) Bước 3: Cập nhập tâm group cách lấy trung bình cộng UE Bước 4: Nếu tâm cụm bước không thay đổi so với vịng lặp trước dừng thuật tốn Bước 5: Quay lại bước 3.4.2 Sử dụng thuật toán K-medoids phân loại người dùng Thuật toán 2: Dữ liệu đầu vào: số lượng group (G), số lượng UE (K), số lượng cell (L) Bước 1: Khởi tạo, chọn ngẫu nhiên G UEs từ K UEs làm tâm cụm Bước 2: Tính tốn khoảng cách từ UE đến tâm để phân nhóm UEs (phân UE xét vào cụm có đặc tính kênh gần nhất, theo [7, (2)]) THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 12 Bước 3: Với nhóm chọn cập nhật lại tâm cluster từ UE nhóm Lặp lại xem kẽ bước đến hội tụ 3.5 Kết luận chương Mỗi thuật tốn phân cụm có ưu nhược điểm riêng Đối với K-means thuật tốn phân cụm đơn giản, sử dụng cho tập liệu lớn Tuy nhiên K-means có vấn đề cụm khác kích thước, mật độ hình dạng Ngồi K-means dễ bị ảnh hưởng nhiễu yếu tố ngoại lai Trong đó, Kmedoids sử dụng đối tượng medoid đặt vị trí trung tâm bên cụm để biểu diễn cho cụm liệu Vì Kmedoids giúp giảm ảnh hưởng yếu tố ngoại lai K-medoids có nhược điểm tăng độ phức tạp khơng hiệu mặt thời gian tính tốn, tập liệu lớn Vì vậy, tùy tình kích thước liệu mà ta chọn thuật toán cho phù hợp với yêu cầu THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 13 CHƯƠNG 4: KẾT QUẢ THỰC HIỆN VÀ ĐÁNH GIÁ HIỆU QUẢ 4.1 Giới thiệu chương 4.2 Thiết lập mô Tham số cấu hình mơ phỏng: Bảng 4.1: Thơng số mạng giả lập: Giá trị Tham số Số lượng cell (L) Kích thước cell L= [1, 4] 250m × 250m Số lượng anten (M) Số lượng UE cell (K) Góc φ 64 K= [16, 32,48,64] Băng thơng 2𝜊 20MHz Số symbol coherence block 𝜏𝑐 𝜏𝑐 = 200 Công suất nhiễu UL 𝜎 = −94 Số lượng symbol pilot 𝜏𝑝 = 𝐾 Công suất UE 100mW Kịch mơ cho trường hợp sử dụng thuật tốn phân loại người dùng K-means/K-medoids xây dựng bước sau: Bước 1: Xây dựng cấu hình mạng - Đặt UE vào vị trí ngẫu nhiên cell - Tính khoảng cách 𝑑𝑙𝑖𝑗 - Xây dựng mơ hình kênh thơng qua ma trận tương quan khơng 𝑗 gian 𝑹𝑙𝑘 Bước 2: Tạo tham số kênh truyền - Tạo ngẫu nhiên hệ số fading bóng râm 𝐹𝑙𝑖𝑗 - Tính tốn hệ số suy hao kênh 𝛽𝑙𝑖𝑗 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 14 Bước 3: Ước lượng kênh truyền 𝑗 - Ước lượng kênh truyền ℎ𝑙𝑘 ước lượng thông qua việc sử dụng chuỗi pilot Bước 4: Áp dụng thuật toán phân loại người dùng K-means/Kmedoids để phân nhóm người dùng - Dựa ma trận tương quan người dùng mà thực phân nhóm người dùng sử dụng theo thuật tốn K-means Kmedoids Bước 5: Tính tốn hiệu suất phổ sử dụng máy thu MR/MMSE 𝑈𝐿 - Tính 𝑆𝐼𝑁𝑅𝑗𝑘 tức thời theo cơng thức trình bày chương 𝑈𝐿 - Tính hiệu suất phổ 𝑆𝐸𝑗𝑘 UE tất lần mô 4.3 Kết thực mơ với mạng có cell a) Mạng gồm cell sử dụng loại anten 64T64R, số lượng người dùng (UE) cell thay đổi khoảng [16,32,48,64] phân thành trường hợp: • UE phân bố ngẫu nhiên xung quanh trạm thu phát Với group: Hình 4.1: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=1, M=64, G=2 thay đổi số UE (K) phân bố ngẫu nhiên THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 15 Với group: Hình 4.2: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=1, M=64, G=4 thay đổi số UE (K) phân bố ngẫu nhiên Với group: Hình 4.3: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=1, M=64, G=8 thay đổi số UE (K) phân bố ngẫu nhiên • UE phân bố tập trung vào góc phần tư vùng phủ cell (4ClusterAngleConstrainst) Với group: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 16 Hình 4.4: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=1, M=64, G=2 thay đổi số UE (K) phân bố góc phần tư cell Với group: Hình 4.5: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=1, M=64, G=4 thay đổi số UE (K) phân bố góc phần tư cell Với group: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 17 Hình 4.6: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=1, M=64, G=8 thay đổi số UE (K) phân bố góc phần tư cell b) Mạng gồm cell có số lượng người dùng 64 UE, ta thay đổi loại anten cell với số lượng TxRx khoảng [16,64,100] phân thành nhóm UE cho trường hợp phân bố người dung Kết thu sau: • Với trường hợp UE phân bố ngẫu nhiên xung quanh trạm thu phát (randomAngleCluster) Hình 4.7: Kết tổng hiệu suất phổ trung bình UL hệ thống phân theo group ngẫu nhiên mạng cell có số anten thay đổi THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 18 • Với trường hợp UE phân bố tập trung vào góc phần tư vùng phủ cell (4ClusterAngleConstrainst) Hình 4.8: Kết tổng hiệu suất phổ trung bình UL hệ thống phân theo group góc phần tư cell mạng cell có số anten thay đổi 4.4 Kết thực mơ với mạng có cell Mạng gồm cell sử dụng loại anten 64T64R, số lượng người dùng (UE) cell thay đổi khoảng [16,32,48,64] phân thành trường hợp: o UE phân bố ngẫu nhiên xung quanh trạm thu phát Với group cho cell: Hình 4.9: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=4, M=64, G=2 thay đổi số UE (K) phân bố ngẫu nhiên Với group cell: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 19 Hình 4.10: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=4, M=64, G=4 thay đổi số UE (K) phân bố ngẫu nhiên Với group cell: Hình 4.11: Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=8 thay đổi số UE (K) phân bố ngẫu nhiên o UE phân bố tập trung vào góc phần tư vùng phủ cell Với group cell: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 20 Hình 4.12: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=4, M=64, G=2 thay đổi số UE (K) phân bố tập trung góc phần tư cell Với group cell: Hình 4.13: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=4, M=64, G=4 thay đổi số UE (K) phân bố tập trung góc phần tư cell Với group cell: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 21 Hình 4.14: Hiệu suất phổ trung bình UL hệ thống mMIMONOMA với L=4, M=64, G=8 thay đổi số UE (K) phân bố tập trung góc phần tư cell 4.5 Đánh giá hiệu thuật toán đề xuất Phần so sánh hiệu suất việc phân nhóm người dùng phương pháp machine learning NOMA mMIMO so với mMIMO túy khơng có NOMA kiểm chứng độ lợi sử dụng nhóm thuật tốn Qua kết mô ta thấy, số lượng người dùng tăng lên cell hiệu suất phổ hệ thống suy giảm Điều ghi nhận mạng gồm cell cell với hình thức phân bố UE Tuy nhiên, hệ thống NOMA mMIMO mức suy giảm thấp so với mMIMO túy nhìn chung hệ thống NOMA mMIMO có hiệu suất phổ cao Trong kết mơ mục 4.3, 4.4 ta thấy số lượng cell tăng lên không ảnh hưởng nhiều đến khác biệt hiệu suất phổ hệ thống mMIMO túy so với NOMA mMIMO Tuy nhiên, số lượng group người dùng tăng lên tương quan hiệu suất phổ hệ thống mMIMO túy so với NOMA mMIMO thay đổi rõ rệt Điều lý giải hệ thống nhận rõ phân biệt người dùng hiệu suất phổ cao THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 22 Ngoài ra, so sánh phương pháp phân nhóm người dùng sử dụng machine learning K-means K-medoids phương pháp Kmeans đem lại hiệu suất phổ tốt tất trường hợp mô Và việc sử dụng phân nhóm người dùng NOMA mMIMO đem lại hiệu suất phổ cao so với dùng NOMA mMIMO mà không phân loại người dùng 4.6 Kết luận chương Trong chương này, ta thực mô đánh giá hiệu suất phổ hệ thống mMIMO túy NOMA mMIMO trường hợp mạng cell mạng có cell Qua kết mơ phỏng, ta thấy NOMA miền mã cải thiện hiệu suất phổ hệ thống mMIMO Ngoài ra, việc ứng dụng phương pháp machine learning để phân loại người dùng giúp cải thiện hiệu suất phổ hệ thống NOMA mMIMO miền mã so với phân loại thông thường THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 23 KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI KẾT LUẬN: Luận văn với tên đề tài: “Ứng dụng machine learning việc tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO” thực mục tiêu: - Nghiên cứu mơ hình hệ thống kênh truyền hệ thống NOMAmassive MIMO, tính tốn hiệu suất phổ hệ thống NOMA-massive MIMO - Ứng dụng phát triển thuật toán unsupervised learning phân loại người dùng qua giúp nâng cao hiệu suất phổ hệ thống NOMA massive MIMO - Xây dựng chương trình mơ giúp đánh giá hiệu mơ hình thuật tốn việc tăng hiệu suất phổ hệ thống NOMA massive MIMO Luận văn thu kết sau: - Nghiên cứu đặc điểm, đặc trưng loại hình dịch vụ mạng 5G sau 5G qua đánh giá khả áp dụng NOMA hệ thống massive MIMO để nâng cao hiệu hệ thống - Đề xuất mô hình hệ thống, phương pháp xử lý tín hiệu số NOMA-massive MIMO cho loại hình trạm 5G sau 5G dựa mơ hình tính tốn cụ thể - Đề xuất phương pháp máy học (machine learning) việc phân loại người dùng để nâng cao hiệu hệ thống - Kết đề tài nêu số sở lý thuyết để cung cấp khả năng, hướng áp dụng nhằm giải vấn đề phát sinh triển khai mạng di dộng sử dụng Massive MIMO Từ kết đạt trên, chúng tơi kết luận luận văn với đề tài: “Ứng dụng machine learning việc tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO” hoàn thành đầy đủ đạt yêu cầu nội dung đặt HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 24 Do điều kiện thời gian cịn hạn chế nên tơi chưa thể nghiên cứu sâu để đánh giá hiệu suất phổ hướng downlink (DL) Ngồi ra, đề tài đánh giá thêm hiệu sử dụng lượng hệ thống Bên cạnh đó, việc áp dụng thêm số thuật tốn phân loại người dùng khác Clara…có thể giúp đánh giá rõ ràng ứng dụng machine learning việc tăng hiệu suất hệ thống NOMA massive MIMO nói chung THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội ... ? ?Ứng dụng machine learning việc tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO? ?? thực mục tiêu: - Nghiên cứu mơ hình hệ thống kênh truyền hệ thống NOMAmassive MIMO, tính tốn hiệu suất phổ hệ thống. .. sau 5G như: NOMA (Non-Orthogonal Multiple Access) Massive MIMO - Hiệu suất phổ hệ thống NOMA- massive MIMO - Ứng dụng machine learning cho việc phân loại người dùng hệ thống NOMA- masive MIMO 3.2... đánh giá hiệu suất phổ hệ thống mMIMO túy NOMA mMIMO trường hợp mạng cell mạng có cell Qua kết mơ phỏng, ta thấy NOMA miền mã cải thiện hiệu suất phổ hệ thống mMIMO Ngoài ra, việc ứng dụng phương