Đánh giá và phân tích tỉ lệ lỗi ký hiệu (SER) của hệ thống MIMONOMA với bộ giải mã đường xuống sử dụng học sâu (DL)

Bộ giải mã đường xuống trong hệ thống MIMONOMA sử dụng học sâu (DL) là một giải pháp hứa hẹn khắc phục được các nhược điểm của bộ giải mã khử nhiễu tuần tự (SIC) truyền thống. Nhược điểm của bộ giải mã truyền thống làm cho máy thu có kết cấu phức tạp và các vấn đề về lỗi lan truyền. Đối với các hệ thống MIMONOMA đường xuống áp dụng mã hóa chồng chất trong đó các tín hiệu từ các UE khác nhau trong một cụm (Cluster) được phân bổ theo một tỉ lệ công suất cụ thể.Các loại điều chế khác nhau có thể được sử dụng cho các tín hiệu UE khác nhau. Bởi vì NOMA là công nghệ truy cập không trực giao cho nên sự can nhiễu từ các UE khác, đặc biệt là loại điều chế sử dụng tại mỗi UE là một yếu tố đáng kể ảnh hưởng tới hiệu quả giải điều chế vì vậy đánh giá và phân tích tham số hiệu năng hệ thống tỉ lệ lỗi ký hiệu SER trong điều kiện kênh truyền fading Rayleigh phù hợp với điều kiện kênh truyền vô tuyến thực tế để xác định liệu hệ thống NOMADL có hiệu suất tốt trong các tình huống cụ thể hay không. Trong bài tiểu luận đánh giá tỉ lệ lỗi ký hiệu SER của hệ thống khi sử dụng học sâu và phương pháp truyền thống SIC trong các trường hợp sử dụng các loại điều chế khác nhau để so sánh và phân tích hiệu năng của hệ thống.

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG KHOA ĐÀO TẠO SAU ĐẠI HỌC - - TIỂU LUẬN: PHÂN TÍCH VÀ ĐÁNH GIÁ HIỆU NĂNG HỆ THỐNG THƠNG TIN ĐỀ TÀI: Đánh giá phân tích tỉ lệ lỗi ký hiệu (SER) hệ thống MIMO-NOMA với giải mã đường xuống sử dụng học sâu (DL) Giảng viên: PGS.TS Lê Hải Châu Nhóm học viên Mã học viên Nguyễn Thị Hồng B21CHTE007 Nguyễn Xuân Diệu B21CHTE001 Phạm Thị Huyền B21CHTE008 Phetsamay Xaisida B21CHTE017 Lớp: M21CQTE01-B Khoá: 2021-2023 Hà Nội – 10/2022 MỤC LỤC THUẬT NGỮ VIẾT TẮT LỜI MỞ ĐẦU CHƯƠNG I HỆ THỐNG MIMO-NOMA ĐƯỜNG XUỐNG SỬ DỤNG HỌC SÂU .5 1.1 Khái niệm MIMO-NOMA đường xuống 1.1.1 Khái niệm MIMO-NOMA 1.1.2 Khái niệm học sâu (DL) 1.1.3 Hệ thống MIMO-NOMA đường xuống sử dụng học sâu 1.1.4 Một số loại điều chế tín hiệu nhiều mức 1.2 MƠ HÌNH HĨA HỆ THỐNG .10 1.2.1 Tín hiệu đầu vào 11 1.2.2 Kênh truyền Rayleigh 11 1.2.3 Kênh truyền AWGN 12 1.2.4 Bộ giải mã thu sử dụng SIC hoàn hảo .13 1.2.5 Bộ giải mã thu sử dụng DL .14 CHƯƠNG II ĐÁNH GIÁ VÀ PHÂN TÍCH KẾT QUẢ MƠ PHỎNG 17 2.1 Mô hệ thống .17 2.1.1 Công cụ mô 17 2.1.2 Thông số tham số 17 2.2 Đánh giá phân tích SER hệ thống 18 2.2.1 Ảnh hưởng phương pháp điều chế đến SER hệ thống 18 2.2.2 Ảnh hưởng lỗi ước lượng kênh truyền đến SER .19 KẾT LUẬN 21 TÀI LIỆU THAM KHẢO 21 THUẬT NGỮ VIẾT TẮT Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt 5G 5th Generation Mạng di động hệ thứ BS Base Station Trạm gốc CNN Conventional Neutral Network Mạng nơ-ron thông thường CSI channel state information Thông tin trạng thái kênh DL Deep Learning Học sâu DNN Deep Neural Network Mạng nơ-ron sâu NN Neural Network Mạng nơ-ron NOMA Non-Orthogonal Multiple Access Đa truy cập không trực giao MIMO OMA Multiple Input, Multiple Output Orthogonal frequency division multiplexing Orthogonal Multiple Access Nhiều đầu vào, nhiều đầu Ghép kênh phân chia tần số trực giao Đa truy cập trực giao SIC successive interference cancellation loại bỏ nhiễu liên tiếp RNN Recurrent Neural Network Mạng nơ-ron tái phát UE User Equipment Thiết bị người dùng OFDM LỜI MỞ ĐẦU Bộ giải mã đường xuống hệ thống MIMO-NOMA sử dụng học sâu (DL) giải pháp hứa hẹn khắc phục nhược điểm giải mã khử nhiễu (SIC) truyền thống Nhược điểm giải mã truyền thống làm cho máy thu có kết cấu phức tạp vấn đề lỗi lan truyền Đối với hệ thống MIMO-NOMA đường xuống áp dụng mã hóa chồng chất tín hiệu từ UE khác cụm (Cluster) phân bổ theo tỉ lệ công suất cụ thể.Các loại điều chế khác sử dụng cho tín hiệu UE khác Bởi NOMA cơng nghệ truy cập khơng trực giao can nhiễu từ UE khác, đặc biệt loại điều chế sử dụng UE yếu tố đáng kể ảnh hưởng tới hiệu giải điều chế đánh giá phân tích tham số hiệu hệ thống tỉ lệ lỗi ký hiệu SER điều kiện kênh truyền fading Rayleigh phù hợp với điều kiện kênh truyền vô tuyến thực tế để xác định liệu hệ thống NOMA-DL có hiệu suất tốt tình cụ thể hay khơng Trong tiểu luận đánh giá tỉ lệ lỗi ký hiệu SER hệ thống sử dụng học sâu phương pháp truyền thống SIC trường hợp sử dụng loại điều chế khác để so sánh phân tích hiệu hệ thống CHƯƠNG I HỆ THỐNG MIMO-NOMA ĐƯỜNG XUỐNG SỬ DỤNG HỌC SÂU 1.1 Khái niệm MIMO-NOMA đường xuống 1.1.1 Khái niệm MIMO-NOMA NOMA thực ghép kênh nhiều tín hiệu cách phân bổ công suất không đồng cho người dùng tài nguyên thời gian/tần số/mã Trái ngược với đa truy nhập trực giao (OMA) truyền thống sử dụng tài nguyên trực giao OFDM, NOMA sử dụng công suất dạng không trực giao để nâng cao đáng kể hiệu phổ tần với trả giá làm phức tạp máy thu Hình cho thấy kiến trúc tổng thể hệ thống NOMA Hình Kiến trúc hệ thống đa truy nhập không trực giao (NOMA) AWGN: Nhiễu Gaussian trắng cộng thêm; SIC: loại bỏ nhiễu liên tiếp Trong MIMO đa người dùng đường xuống thông thường, UE thường chiếm tài nguyên trực giao Nhiễu liên chùm tia (Interbeam) loại bỏ hoàn toàn số lượng ăng ten phát trạm gốc (BS) lớn số lượng ăng-ten thu Tuy nhiên, hệ thống MIMO-NOMA, tổng số số lượng ăng-ten UE lớn số lượng ăng-ten phát UE phải chia sẻ cụm (cluster) Do đó, nhiễu từ UE khác cụm tránh khỏi Nhiều ăng-ten trạm gốc (BS) phát nhiều chùm tia để tạo thành hướng khác thông qua công nghệ tạo tia Một giản đồ hiển thị Hình Hình Sơ đồ khối hệ thống đa đầu đa đầu vào đa chùm tia (MIMO) -NOMA BS: trạm gốc Có nhiều kỹ thuật giảm nhiễu mạng không dây chỉnh nhiễu tiền mã hóa Costa, kỹ thuật thường phụ thuộc nhiều vào thông tin trạng thái kênh máy phát, chúng có khả triển khai vào hệ thống không dây thực tế tương lai gần Trong đó, SIC kỹ thuật sử dụng máy thu truyền liệu khơng dây để giải mã nhiều gói liệu truyền đến đồng thời Trong hệ thống thơng thường, nhiều gói đến lúc gây xung đột, nhiên nhờ SIC mà máy thu giải mã tín hiệu tốt tránh xung đột tín hiệu nhận Ý tưởng SIC giải mã người dùng khác cách tuần tự, tức can thiệp người dùng giải mã loại trừ trước giải mã người dùng khác Kỹ thuật SIC phân thành hai loại SIC hoàn hảo SIC khơng hồn hảo Trong q trình thực SIC, điều quan trọng phải xác định thứ tự giải mã, trước tiên người dùng gần BS ước tính liệu nhận người dùng xa BS Nếu ước tính xảy sai sót, lỗi phản ánh việc giải mã thông tin người dùng gần Nói cách khác, người dùng gần phải giải mã liệu người dùng xa liệu cách xác, lỗi việc giải mã liệu người dùng xa liệu người dùng gần gây ảnh hưởng đến hiệu hệ thống Hình 3: Quy trình giải mã SIC hệ thống NOMA có hai người dùng Giả sử xem xét hệ thống gồm hai người dùng quy trình SIC thể qua Hình giải thích sau Tại UE-f: xa BS phân bổ công suất lớn nên người dùng thực giải mã trực tiếp từ tín hiệu nhận để thu tín hiệu lúc chưa bị mã hóa xếp chồng Tại UE-n: ngược lại so với UE-f người dùng phân bổ công suất nhỏ nên xem tín hiệu UE-f nhiễu cần phải thực SIC để loại bỏ liệu nhiễu này, sau giải mã để thu liệu 1.1.2 Khái niệm học sâu (DL) Các kỹ thuật Deep Learning bao gồm DNN, CNN RNN DNN phiên sâu mạng nơ-ron thường bao gồm ba lớp: đầu vào, ẩn đầu Lớp đầu vào lớp đầu lớp đơn, lớp ẩn mở rộng thành nhiều lớp tùy thuộc vào độ phức tạp thuật toán xử lý tín hiệu Mỗi lớp chứa nhiều nút tác động thực lớp liền kề Việc xây dựng Mơ hình DNN nhìn thấy Hình Có hai thành phần mối quan hệ lớp liền kề: tuyến tính phi tuyến Tuyến tính thành phần thể mối quan hệ tuyến tính đầu vào đầu cho lớp Nó bao gồm hai kiểu phép tính: phép nhân, biểu thị trọng số w phép cộng, biểu thị độ lệch b Tuy nhiên, hầu hết tình thực tế, phải đối mặt với vấn đề phi tuyến tính mà tuyến tính khơng thể giải Do đó, thành phần phi tuyến giải thơng qua hàm kích hoạt f (·) Giả sử đầu lớp (n - y 1) n  , ma trận trọng số lớp thứ n n ký hiệu là: w n , vectơ độ lệch bn , đầu yn lớp thứ yn  f  wn yn   bn  (6) Hình Xây dựng mơ hình mạng nơ ron sâu (DNN) Trong thuật toán Deep Learning, thường cần cung cấp cho hệ thống liệu đáng kể, gọi tập huấn luyện, để hệ thống tự điều chỉnh thích ứng với trạng thái tối ưu ngoại tuyến Trong trình huấn luyện, nên sử dụng liệu xác để điều chỉnh đầu Sau đó, kết nối đầu vào đầu thành lập theo cách thức có giám sát Tiếp sau, hệ thống huấn luyện áp dụng cho thử nghiệm để đánh giá hiệu DNN 1.1.3 Hệ thống MIMO-NOMA đường xuống sử dụng học sâu Trong truyền thông không dây, phát tín hiệu coi q trình phân loại để khơi phục chuỗi rời rạc từ tín hiệu bị suy giảm Kỹ thuật học sâu có khả tốt để giải vấn đề Do đó, phần này, chúng tơi xem xét phát sử dụng DNN hệ thống MIMO-NOMA Trái ngược với khối SIC truyền thống, chia trình phát thành khối riêng biệt, bao gồm ước lượng kênh, phát MMSE, giải điều chế, giải mã kênh định tín hiệu, phương pháp DL thực tất thủ tục trình Các tham số tối ưu thu thập cách lặp lại liên tục để xác định quy tắc liên quan đến đầu nhãn Trong nội dung nghiên cứu xét dị DL để phát tín hiệu MIMO-NOMA Tín hiệu từ ăng-ten thu gửi trực tiếp đến phát MIMO-NOMA-DL mà không cần xử lý thêm tín hiệu Do đó, MIMO-NOMA-DL sơ đồ dễ dàng hiệu để thay máy thu SIC Nhìn chung, hệ thống MIMO-NOMA-DL bao gồm ba thành phần: khối huấn luyện, khối kiểm tra khối phát DNN Việc xây dựng mơ hình MIMO-NOMA-DL minh họa Hình Khối huấn luyện chịu trách nhiệm tạo tín hiệu MIMO-NOMA cung cấp nhãn cho DNN Trong khối này, để thu tín hiệu MIMO-NOMA cho ăng-ten N t , nên tạo hai chuỗi huấn luyện UE1 UE2 cho ăng-ten Sau đó, chúng điều chế cách mã hóa chồng chất với hệ số công suất phân bổ khác Sau bị suy giảm kênh pha-đing kênh AWGN, tín hiệu thu nhận máy thu Trong đó, chuỗi người nhận gọi nhãn, tương tự chuỗi lái Hình Xây dựng mơ hình MIMO-NOMA-DL DL: học sâu Khối kiểm tra sử dụng để mơ q trình truyền MIMO-NOMA theo thời gian thực Trong khối này, trước tiên chúng tơi tạo tín hiệu MIMO-NOMA Các nhãn không bắt buộc phần Dữ liệu kiểm tra sử dụng để đánh giá hiệu suất phát DNN Đáng ý, để tránh trùng khớp hoàn hảo, mơ hình kênh liệu tạo khối huấn luyện khối thử nghiệm i.i.d để đảm bảo DNN thực tốt trình huấn luyện trình kiểm tra SNR khối huấn luyện tạo ngẫu nhiên với khe thời gian liệu thay đổi theo phạm vi quan tâm, SNR khối kiểm tra xác định để hiệu suất lỗi DNN đánh giá điều kiện SNR định Khối DNN khối phát để giải mã tín hiệu nhận Các đặc tính kênh thuật tốn giải mã MIMO-NOMA nghiên cứu cách tối ưu hóa siêu tham số mạng nơ-ron sâu Trong khối này, phải thiết kế nhiều tham số, bao gồm số lớp, hàm kích hoạt, hàm loss thuật tốn lặp, tiêu chí tối ưu hóa; chi tiết thảo luận tiểu mục Hai khối cung cấp nhãn tín hiệu bị nhiễu kênh khối cuối khôi phục liệu ban đầu Theo đó, q trình phát chia thành hai bước: • Bước 1: Chế độ huấn luyện Trong chế độ huấn luyện, khối huấn luyện ngoại tuyến hoạt động khối huấn luyện trực tuyến không hoạt động Đầu vào hệ thống huấn luyện DNN bao gồm hai thành phần: tín hiệu MIMO-NOMA nhận làm lớp đầu vào hệ thống DNN nhãn liệu giám sát để giúp DNN tối ưu hóa tham số • Step 2: Chế độ kiểm tra Chế độ kiểm tra kích hoạt sau DNN huấn luyện Trong Bước 2, khối ngoại tuyến bị tạm ngưng khối trực tuyến truy cập vào hệ thống DNN 1.1.4 Một số loại điều chế tín hiệu nhiều mức a Điều chế M-PSK PSK (Phase Shift Keying), tiếng Việt gọi điều chế số theo pha tín hiệu Tín hiệu PSK có dạng sóng dao động có tần số f, bit đặc trưng góc pha khác tín hiệu Ví dụ: pha= 90° cho bit pha = -90° cho bit Điều chế hóa dịch pha M mức, gọi tắt M-PSK, trường hợp mở rộng PSK mức, tăng số trạng thái pha từ lên 4,8,16,…,2i Giản đồ pha (còn gọi chòm sao) cho trường hợp M=4,8,16 hình Điều chế 4-PSK Điều chế 8-PSK Điều chế 16-PSK Hình 6: Chịm tín hiệu điều chế b Điều chế biên độ vng góc QAM (Quadrature Amplitude Modulation) Đối với phát, ta kết hợp điều biên với điều pha để cải thiện phân bổ trạng thái pha chòm Vì kết hợp điều biên điều pha nên gọi điều chế khóa biên độ/pha APK (Amplitude/Phase Keying) Hình 7: Chịm tín hiệu điều chế (a) APK 16 (8,8); (a) APK 16 (4,12); (a) QAM 16 (4x4) c Điều chế khóa dịch nhiều tần số MFSK (Multi-frequency Shift Keying) Điều chế khóa dịch nhiều tần số MFSK trường hợp điều chế nhiều hướng nhằm tăng hiệu suất công suất Các ký hiệu thiết kế cho trực giao đơi Hình phổ điện áp tín hiệu MFSK trực giao xếp chồng phổ tín hiệu OOK Hình 8: Phổ điện áp tín hiệu MFSK trực giao 1.2 MƠ HÌNH HĨA HỆ THỐNG Xét hệ thống MIMO-NOMA đường xuống với K người dùng UE Để đơn giản, nội dung này, tập trung vào phát tín hiệu từ UE cụm đơn với số lượng người dùng K=2 Trong giả sử UE1 UE2 người dùng thứ người dùng thứ hai Với công suất cấp cho người dùng i biểu thị pi công suất truyền tải bị giới hạn tổng công suất P, P  p1  p2 giả sử p1  p2 Tín hiệu UE thứ i BS ký hiệu si (t ), (i = 1, 2) 10 Trong nội dung này, xét hệ thống MIMO-NOMA với giải mã đường xuống hai trường hợp Trường hợp thứ nhất, hệ thống đường xuống sử dụng giải mã SIC truyền thống với giả thiết đạt giải mã hồn hảo hình Trường hợp thứ hai, mơ hình hóa hệ thống MIMO-NOMA với giải mã đường xuống dùng học sâu DNN trình bày theo hình 1.2.1 Tín hiệu đầu vào Tổng tín hiệu truyền biểu thị bằng: K s  t   Pi Si  t  (1) i 1 Với hệ thống có số lượng ăng-ten phát ăng-ten thu M N, Số lượng UE K Tín hiệu phát MIMO-NOMA công thức (1) biểu diễn dạng ma trận (2): S ( s1 , s2 , , sM ) Sm  m   1, M   (2) ăng-ten phát thứ m biểu diễn bằng: K S m  Pk Smk (3) k 1 Đối với điều chế khóa dịch pha M-ary (MPSK), ten thứ m, S mk  X i tín hiệu phát UE thứ k ăng- X i tập hợp tín hiệu phát M: X i  A exp( jt  i ) (i 1, 2, , M ) (4) 1.2.2 Kênh truyền Rayleigh Đáp ứng kênh truyền trình phụ thuộc vào thời gian biên độ Biên độ hàm truyền tần số định tuân theo phân bố Rayleigh, kênh truyền không tồn LOS (Line of Sight), người ta chứng minh đường bao tín hiệu truyền qua kênh truyền có phân bố Rayleigh nên kênh truyền gọi kênh truyền fading Rayleigh Khi tín hiệu nhận máy thu tổng hợp thành phần phản xạ, nhiễu xạ khúc xạ Trong kênh truyền vô tuyến, phân bố Rayleigh thường dùng để mô tả chất thay đổi theo thời gian đường bao tín hiệu fading phẳng thu hay đường bao thành phần đa đường riêng lẻ Chúng ta biết đường bao tổng hai tín hiệu nhiễu Gauss trực giao tuân theo phân bố Rayleigh Nếu hn hệ số kênh truyền fading Rayleigh, độ lợi kênh truyền   |h|2 có phân phối mũ (exponential distribution) Hàm CDF PDF n đưa sau: Fn  x  1  exp   n x  , fn n exp   n x  11 (5) với exp. hàm mũ, n tham số đặc trưng biến ngẫu nhiên có phân phối mũ Cụ thể, n chia cho giá trị trung bình n : n 1/ n Tín hiệu nhận qua kênh truyền fading: (6) K y  t  h  t    pi si  t  i 1 Tín hiệu MIMO-NOMA sử dụng thứ nguyên công suất để cải thiện dung lượng kênh, đó, ma trận kênh tạo tensor bậc ba H   n   1, N  N M K k hmn ( k   1, K  , m   1, M  độ lợi kênh UE thứ k từ ăng-ten phát thứ m đến an-ten thu thứ n (7) Biến đổi tensor H thành ma trận hóa node-3 H (3) H(n) gọi ma trận hóa node-n [19] Ở đây, ma trận biểu diễn sau:  h111  h H (3)  21     hM Công thức (2) viết  h11N  h21 N   h11K h21K   h1KN  h2KN      (8)   K   hMN  hMk  hMN  dạng ma trận hóa mode-3 tín hiệu thu qua kênh truyền    fading Rayleigh dược biểu diễn sau: Y(3)  SH (3) (9) 1.2.3 Kênh truyền AWGN Hình 9: Mơ kênh truyền AWGN Nhiễu ln diện tất kênh truyền thông tin nguyên nhân dẫn đến suy giảm lớn hệ thống thông tin liên lạc Mô hình kênh tạp âm Gaussian trắng cộng sinh (additive white gaussian noise - AWGN) kênh mà 12 hậu cộng q trình nhiễu Gaussian trắng vào tín hiệu truyền qua mơi trường này, kênh mô tả sơ đồ toán học sau: r (t ) s(t )  n(t ) (10) Trong đó: s (t ) tín hiệu truyền, n(t ) nhiễu Gaussian r(t) tín hiệu nhận Trong hàm phân bố sác xuất (pdf) phân bố phổ công suất sau: N  W / Hz  Trong N0 số thường gọi phân bố công suất nhiễu nn ( f )  (11) Tín hiệu nhận qua kênh truyền fading kênh AWGN là: K y  t  h  t    (12) pi si  t   n  t  i 1 Đối với tín hiệu MIMO-NOMA qua kênh truyền fading kênh AWGN viết dạng ma trận hóa mode-3 cơng thức (2) viết: Y(3)  SH (3)  N (3) (13) k k Độ lợi kênh tín hiệu thu UE thứ k ký hiệu H Y , tương ứng  h11k  k h k H  21    k  hM h12k h22k  k hM h1kN    h2kN    k   hMN  (14) Y k  y1k y2k  yMk  (15)  1.2.4 Bộ giải mã thu sử dụng SIC hoàn hảo Trong trường hợp SIC hoàn hảo, UE-n xem hoàn tất giải mã có đầy đủ thơng tin tín hiệu UE-f Lúc này, nhiễu từ tín hiệu UE-f xem hoàn toàn bị loại bỏ UE-n Đối với thu SIC lý tưởng, việc phát tín hiệu cho UE-f UE-n biểu diễn sau: y f  xn PT  n ' f xˆ  (16) PT  f ' n xˆ  yn PT  n (17) Lý tưởng SIC hồn hảo biểu thứ tín hiệu nhận UE-n biểu diễn lại sau: 13 (18) yn' hn PT  n xn  w n Việc phát SIC cần trình giải mã, tái tạo hủy tín hiệu liên tục Giả sử lk công suất cấp cho UE giảm dần ( P1  P2    PK ) q đầu ước tính tín hiệu UE thứ q máy thu UE thứ k Thông tin trạng thái kênh (CSI) biết đến cách hoàn hảo Đối với UE1, q trình phát MMSE biểu diễn sau: l11 arg Y H  i P1 X i H H  H  H  H    12 I   (19) 1 (20) Đối với UE2, thơng tin UE1 nên trích xuất trước tiên trình tương tự (19) l12 arg Y H  P1 X i i H H  H  H  H    22 I   (21) 1 (22) Một tín hiệu tái tạo ký hiệu là::  Sl  A exp jt  l 1  (23) Sau đó, tín hiệu tái tạo bị trừ khỏi tín hiệu nhận được: Yˆ Y Yˆ Y  (24) P1 Sl H (25) Giải mã tín hiệu UE2: l22 arg Y H  i P2 X i (26) Như quy trình đề cập trên, UE thứ K, việc phát hiển thị sau: Yˆ K Y K   PK  Sl K H K K1 lKK arg Y K H K  i P2 X i (27) (28) 1.2.5 Bộ giải mã thu sử dụng DL Mô hình DNN (Mạng nơ-ron sâu) để phát MIMO-NOMA bao gồm bảy lớp: lớp đầu vào, lớp đầu lớp ẩn Lớp đầu vào lớp ẩn kết nối hoàn toàn, lớp đầu chia thành nhóm để giải mã tín hiệu nhiều ăngten khe 14 Lớp đầu vào nơi nhận tín hiệu MIMO-NOMA Giả sử số ăng-ten phát ăng-ten thu BS UE N t N r Tín hiệu thu phức tạp phân tách thành phần thực phần ảo, số tế bào lớp đầu vào N r Tín hiệu đầu vào vector hai chiều khe nhiều ăng-ten Tức là, liệu N r gửi đến mạng khe cắm dạng vectơ cột Các lớp ẩn bao gồm lớp kết nối đầy đủ Để tránh vấn đề gradient biến hàm sigmoid, hàm ReLU, hàm phi tuyến hiệu quả, sử dụng làm hàm kích hoạt phần phi tuyến Lớp đầu sử dụng để đạt kết phát cuối Lớp đầu DNN (Mạng nơ-ron sâu) thông thường kết nối đầy đủ có mã hóa one-hot với hàm softmax Tuy nhiên, phát tín hiệu MIMO-NOMA, tín hiệu từ nhiều ăng-ten phải giải mã khe Vì vậy, lớp đầu đề xuất thiết kế để tạo thành nhóm Số nhóm số ăng ten phát N t số nơron nhóm số lượng mã hóa one-hot Ví dụ, cấu trúc lớp đầu hệ thống MIMO-NOMA × thể Hình 13 Bởi nhãn khơng dạng truyền thống mà mã hóa nhóm one-hot, liệu đầu áp dụng dạng định mềm với hàm sigmoid Ngoài ra, việc lựa chọn hàm tổn thất thuật tốn tối ưu hóa điểm quan trọng khác mạng MIMO-NOMA-DL Hàm tổn thất đo khoảng cách dự đoán nhãn Hàm tổn thất cổ điển hàm sai số bình phương trung bình (MSE) Trong hồi quy logistic, MSE thực độ xác Tuy nhiên, tốn phân loại đa lớp, MSE có tốc độ hội tụ chậm Ở đây, xem xét hàm entropy chéo Trong lý thuyết thông tin Shannon, phân kỳ Kullback-Leibler (KLD) sử dụng để biểu thị khác biệt hai phân phối xác suất biểu thức viết dạng: P(i ) ( x) (29) Q (i ) i Quá trình tối thiểu KLD tương đương với việc tối thiểu hóa entropy chéo H (P, Q), DKL ( P Q)  P (i ) log xác định sau: H ( P, Q) DKL ( P Q)  H ( P) (30) Hàm entropy chéo có hội tụ nhanh độ phức tạp thấp q trình tối ưu hóa lặp lặp lại 15 Hơn nữa, xem xét khả tự thích ứng tốc độ huấn luyện mức độ mạnh mẽ, phương pháp Adam [6] sử dụng làm thuật tốn tối ưu hóa Phương pháp Adam cải tiến dựa thuật toán Momentum RMSPro, đồng thời mạnh mẽ siêu tham số Để tránh q mức, chúng tơi thêm thuật ngữ quy . i i vào hàm tổn thất để giảm hiệu độ nhạy tham số thay đổi tham số để hiệu suất kết thử nghiệm gần với kết huấn luyện Thuật toán DL đề xuất dựa thiết kế kiến trúc DNN tóm tắt Thuật tốn Thuật toán MIMO-NOMA dựa Thuật toán huấn luyện DL 1: Khởi tạo mơ hình DNN 2: Tạo điều chỉnh form liệu liệu huấn luyện Gỉa sử số lượng slot N,   Mỗi x vector liệu đầu vào kí hiệu slot i; 3: Đặt tham số chính, bao gồm mini-batch, tốc độ học, hàm đầu lớp ẩn lớp đầu ra, khởi tạo trọng số bias lớp DNN; 4: Thực trình DNN chuyển tiếp thu kết liệu lớp đầu ra, x  x[1] , x[2] , , x[N] [i ]  ^ [1] ^ [2] ^ [N]  yi  yi , yi , , yi  ;   kí hiệu là: ^ ^ 5: Tính hàm mát, thông qua entropy chéo Loss( y, y ) ^ Loss( y, y)  yi log i yi ^ yi  H ( y)  . i i (31) 6: Tính tham số hiệu chỉnh thuật tốn tối ưu hóa Adam Cập nhật tham số thuật tốn để tìm kiếm giải pháp tối ưu; 7: Quay lại Bước hàm mát không đủ nhỏ, không, chuyển sang bước Nếu hàm mát không đáp ứng yêu cầu, DNN với tham số cập nhật nên đào tạo lại; 8: Kiểm tra DNN huấn luyện với liệu kiểm tra vẽ đường cong SER – SNR CHƯƠNG II ĐÁNH GIÁ VÀ PHÂN TÍCH KẾT QUẢ MƠ PHỎNG 2.1 Mô hệ thống 2.1.1 Công cụ mô Có nhiều cơng cụ phần mềm sẵn có cho lập trình học máy Trong số xem hiệu sử dụng rộng rãi Ngơn ngữ lập trình Python MATLAB Cụ thể, Python framework học máy mã nguồn mở mạnh mẽ cung cấp Google, TensorFlow với tăng tốc GPU giúp cho việc thực thuật toán học sâu 16 thuận lợi MATLAB hỗ trợ xây dựng mơ hình máy học dạng khối trực quan giúp cho việc mô thực DNN hiệu 2.1.2 Thông số tham số Để đơn giản, xét cụm đơn với hai UE Kênh truyền MIMO × với phân bố Rayleigh phức Tổng cơng suất phát cho ăng-ten 1W UE1 phân bổ 80% cơng suất UE2, 20% Hàm kích hoạt lớp đầu hàm sigmoid lớp ẩn hàm ReLU Tổng số mẫu huấn luyện 409.600, dạng lũy thừa n 2, sử dụng tập liệu nhỏ – mini-batch - để tăng tốc trình hội tụ Đối với tín hiệu NOMA-MIMO × 4, số lượng lớp đầu vào vị trí liệu đầu vào cấp cho DNN dạng vectơ cột Tất nhãn sử dụng q trình huấn luyện có giám sát mã hóa lần Các tham số tóm tắt Bảng Bảng Một số thơng số tham số mơ Tham số Gía trị Ghi Số lượng người dùng P1>p2 nhóm (cluster) Kênh truyền Kênh truyền MIMO/AWGN Fading Phân bố Rayleigh Số lượng anten phát Số lượng anten thu Điều chế PSK (BPSK QPSK) + BPSKx2: UE1và UE2 điều chế BPSK + B\QPSK: UE1 điều chế BPSK UE2 điều chế QPSK + QPSKx2: hai UE điều chế QPSK Số lượng mẫu huấn luyện Tổng công suất phát cho anten Hệ số phân bố công suất Số lượng symbol Batch_size n_epoch Test_size Máy thu DNN 409600 1W 0.8 100 100 1000 10000 lớp bao gồm: 01 lớp đầu vào, lớp hidden 01 lớp đầu Hàm mát sử dụng hàm etropy chéo softmax 17 + Lớp đầu vào: đầu vào biểu diễn vectơ cột + Các lớp Hidden sử dụng hàm kích hoạt ReLU + Lớp đầu sử dụng hàm  hệ số lỗi Tối ưu huấn luyện sử dụng kích hoạt sigmoid phương pháp tối ưu Adam [0:0,2:0.1] 2.2 Đánh giá phân tích SER hệ thống 2.2.1 Ảnh hưởng phương pháp điều chế đến SER hệ thống Để xét ảnh hưởng phương pháp điều chế đến SER cài đặt tham số mô ba trường hợp, bao gồm hai UE có điều chế BPSK khóa pha (QPSK) UE sử dụng điều chế BPSK QPSK khác sử dụng Do phát tín hiệu UE2 có độ phức tạp cao nên giải mã UE1 giải mã theo phương pháp SIC phát tín hiệu UE2 trheo phương pháp DL Hình 10 Ảnh hưởng phương pháp điều chế đến SER hệ thống Hình 10 mô tả hiệu suất phát ba trường hợp Rõ ràng, phát tín hiệu MIMO-NOMA dựa hệ thống DL có hiệu suất tốt Bên cạnh trường hợp trường hợp đề cập trên, đạt mức tăng hiệu suất gần 3,5 dB trường hợp mức tăng dB Các kết cho thấy hai đặc điểm kênh MIMO không dây với Rayleigh Fading giải điều chế tín hiệu với NOMA học thông qua 18 DNN Với hiệu suất đạt tốt so với phương pháp SIC truyền thống giải thích sai số tích lũy lan truyền q trình SIC khơng hồn hảo giảm mơ hình sử dụng DNN nhờ vào phương pháp tính tốn hàm mát cơng thức (31) tối ưu hóa Adam 2.2.2 Ảnh hưởng lỗi ước lượng kênh truyền đến SER Qúa trình ước lượng kênh phát kênh xác định giai đoạn huấn luyện Bằng cách đưa lỗi vào kênh giai đoạn thử nghiệm, mơ hình phát DNN hoạt động CSI ước lượng sai lệch so với tình thực tế Mơ hình lỗi kênh ký hiệu là: (32)  H H     Trong H ma trận kênh truyền thực bị suy giảm lỗi H  ma trận kênh Rayleigh ban đầu ma trận lỗi kênh tương ứng, hai ma trận có tính chất i.i.d  hệ số lỗi Hình 11 cho thấy tác động lỗi ước lượng kênh phương pháp dựa DL Có thể thấy SER giảm dần với gia tăng  từ đến 0,1 So với phương pháp SIC với CSI hoàn hảo, phương pháp DL cho thấy vượt trội  nhỏ 0,08 Kết giải thích hiệu phải chịu tổn thất độ lệch xuất CSI ước lượng thực tế, hiệu phương pháp dựa DL giữ mức chiếm ưu phạm vi sai số định 19 Hình 11 Ảnh hưởng lỗi ước lượng kênh truyền đến SER KẾT LUẬN Ứng dụng học sâu vào hệ thống truyền thông MIMO-NOMA phương pháp tiếp cận nhằm giải hạn chế phương pháp SIC Thay phải thiết kế thuật tốn quy trình khử nhiễu phức tạp, DL đạt giải pháp tối ưu với mơ hình mạng nơ-ron đa lớp sử dụng học máy Trong nội dung tiểu luận, nghiên cứu hệ thống MIMO-NOMA sử dung học sâu DNN thay giải mã thu SIC đường xuống Tham số hiệu đánh giá tỉ lệ lỗi kí hiệu SER với tình UE có dạng điều chế nhiều mức khác Ngoài ra, lỗi ước lượng kênh truyền đến SER đánh giá Các kết cho thấy phương pháp MIMO-NOMA-DL có hiệu phát tốt so với phương pháp SIC truyền thống, cho thấy giải pháp thay tiềm tương lai TÀI LIỆU THAM KHẢO [1] Lin Chuan, Qing Chang, and Xianxu Li "A deep learning approach for MIMO-NOMA downlink signal detection." Sensors 19.11 (2019): 2526 [2].Ali S.,Hossain E., and Kim,D.I.Non-Orthogonal Multiple Access (NOMA) for Downlink Multiuser MIMO Systems: User Clustering, Beamforming, and Power Allocation IEEE Access 2017, 5, 565–577 [CrossRef] 20 ... OFDM LỜI MỞ ĐẦU Bộ giải mã đường xuống hệ thống MIMO-NOMA sử dụng học sâu (DL) giải pháp hứa hẹn khắc phục nhược điểm giải mã khử nhiễu (SIC) truyền thống Nhược điểm giải mã truyền thống làm cho... nội dung này, xét hệ thống MIMO-NOMA với giải mã đường xuống hai trường hợp Trường hợp thứ nhất, hệ thống đường xuống sử dụng giải mã SIC truyền thống với giả thiết đạt giải mã hồn hảo hình Trường... pháp truyền thống SIC trường hợp sử dụng loại điều chế khác để so sánh phân tích hiệu hệ thống CHƯƠNG I HỆ THỐNG MIMO-NOMA ĐƯỜNG XUỐNG SỬ DỤNG HỌC SÂU 1.1 Khái niệm MIMO-NOMA đường xuống 1.1.1