Phân tích và đánh giá hiệu năng của Noma - CRN sử dụng học sâu

Bài viết Phân tích và đánh giá hiệu năng của Noma - CRN sử dụng học sâu thực hiện các mô phỏng Monte-Carlo để kiểm chứng tính chính xác của các biểu thức được đề xuất. Ngoài ra, kỹ thuật học sâu cũng được ứng dụng để xác minh độ chính xác của kết quả ước tính về xác suất dừng của NOMA-CRN so với lý thuyết và mô phỏng. Sau cùng, bài báo này cung cấp các kết quả để cho thấy tác động của các thông số hệ thống quan trọng đến hiệu năng của NOMA-CRN.

Tạp chí Khoa học Cơng nghệ Thực phẩm 22 (4) 115-131 PHÂN TÍCH VÀ ĐÁNH GIÁ HIỆU NĂNG CỦA NOMA-CRN SỬ DỤNG HỌC SÂU Lê Minh Thanh1, Nguyễn Hữu Sự2, Ngơ Hồng Ấn1,3* Trường Đại học Cơng nghiệp Thực phẩm TP.HCM (HUFI) Công ty Viễn Thông Mobifone Trường Đại học Công nghiệp TP.HCM (IUH) *Email: annh@hufi.edu.vn Ngày nhận bài: 10/06/2022; Ngày chấp nhận đăng: 15/07/2022 TÓM TẮT Hiệu mạng vô tuyến nhận thức đa truy cập không trực giao NOMA-CRN (NonOrthogonal Multiple Access Cognitive Radio Network) cho hai người dùng phân tích đánh giá báo sử dụng kỹ thuật học sâu Hướng tới mục tiêu này, nhóm tác giả trước hết đề xuất biểu thức xác suất dừng xác dạng tường minh cho NOMA-CRN, thực mơ Monte-Carlo để kiểm chứng tính xác biểu thức đề xuất Ngồi ra, kỹ thuật học sâu ứng dụng để xác minh độ xác kết ước tính xác suất dừng NOMA-CRN so với lý thuyết mô Sau cùng, báo cung cấp kết thấy tác động thông số hệ thống quan trọng đến hiệu NOMA-CRN Từ khóa: Kỹ thuật học sâu, vơ tuyến nhận thức, NOMA, xác suất dừng MỞ ĐẦU Hiệu suất sử dụng phổ tần cao mạng vô tuyến nhận thức đa truy cập không trực giao NOMA-CRN tích hợp kỹ thuật đa truy cập khơng trực giao vào thiết bị vô tuyến nhận thức, từ thỏa mãn ràng buộc thiết kế nghiêm ngặt mạng truyền thông đại 5G/6G Pei cộng nghiên cứu NOMA-CRN với thiết bị chuyển tiếp thiết bị đích có nhiều ăng ten [1] Theo Arzykulov cộng sự, ảnh hưởng nhiễu nhiệt can nhiễu đồng kênh lên hiệu NOMA-CRN với thiết bị chuyển tiếp hoạt động theo chế khuếch đại chuyển tiếp (Decode and Forward - DaF) [2, 3], nghĩa thiết bị chuyển tiếp nhận tín hiệu từ thiết bị nguồn, thực giải mã sau đó, mã hóa lại trước truyền tín hiệu đến thiết bị đích Bariah cộng đánh giá xác suất lỗi bit NOMACRN với thiết bị khuếch đại chuyển tiếp tối ưu [4], Luo cộng đánh giá xác suất dừng với triệt can nhiễu SIC (Successive Interference Cancellation) khơng hồn hảo [5] Chen cộng áp dụng lý thuyết phân chia phổ tài nguyên tối ưu để cải thiện hiệu NOMA-CRN [6] Ứng dụng kỹ thuật học sâu (KTHS) vào hệ thống thông tin xu nghiên cứu Theo nghiên cứu Ho cộng sự, hiệu truyền thơng gói tin ngắn mạng vạn vật IoT (Internet of Things) đánh giá KTHS [7] Kỹ thuật học sâu DNN (Deep Neural Networks) Yang với cộng ứng dụng cho việc quản lý tài nguyên mạng NOMA [8] Theo nghiên cứu Shim cộng sự, kỹ thuật gây nhiễu lựa chọn người dùng đề xuất để tăng cường bảo mật lớp vật lý cho mạng NOMA Ngoài ra, hiệu mạng phân tích đánh giá kỹ thuật học sâu DNN [9] 115 Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn Trong báo này, hiệu NOMA-CRN phân tích đánh giá cách ứng dụng KTHS với đóng góp sau: - Đề xuất tích hợp kỹ thuật NOMA vào thiết bị vơ tuyến nhận thức để hình thành nên NOMA-CRN - Đề xuất ứng dụng KTHS vào việc dự đoán xác suất dừng NOMA-CRN Kết dự đoán xác suất dừng đáp ứng thời gian thực, từ dùng kết dự đoán để tối ưu tham số đầu vào NOMA-CRN - Trình bày đa dạng kết để có hiểu biết tường tận ảnh hưởng thông số hệ thống SNR, tốc độ truyền liệu hai người dùng thứ cấp, hệ số phân bổ công suất Phần báo đề xuất mơ hình NOMA-CRN Tiếp theo, Phần phân tích cách chi tiết xác suất dừng Kế đến, Phần thực mơ Monte-Carlo để kiểm chứng độ xác phân tích lý thuyết Hơn nữa, Phần trình bày kết ước tính xác suất dừng ứng dụng kỹ thuật học sâu Sau cùng, kết luận đúc kết Phần NOMA-CRN Hình NOMA-CRN đề xuất Xét NOMA-CRN mô tả Hình Nguồn phát thứ cấp người dùng NOMA với trợ giúp thiết bị chuyển tiếp bị can nhiễu đồng kênh từ nguồn phát sơ cấp ={ giao tiếp với hai mà thực DaF phục vụ nhiều người dùng sơ cấp L l l =1 gần mạng vô tuyến nhận thức Giả sử rằng, thiết bị có ăng ten nguồn phát thứ cấp máy thu thứ cấp khơng có kết nối trực tiếp tồn vật cản tượng che chắn Xét kênh truyền fading Rayleigh Trong Hình 1, hệ số kênh truyền hXY {hsr , hsprl , hrprl , hrd1 , hrd2 , hptd1 , hptd , hptr } từ nguồn phát X ( , , ) đến máy thu Y( , } , 2) biểu diễn dạng hXY =  XY h với h fading cỡ nhỏ (small-scale) biểu diễn với phân bố Gaussian có phương sai trung bình 116 Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu 0, ký hiệu (0,1) ,  XY hệ số fading cỡ lớn (large-scale) Đối với mạng thứ cấp, nguồn phát phải thực điều khiển công suất để đảm bảo can nhiễu mức cho phép người dùng sơ cấp mạng sơ cấp sau:  I th  PS =  P , l  max hI1 l = 1, , L    ,    (1) với PS công suất phát tức thời nguồn thứ cấp, P công suất phát tối đa nguồn thứ cấp, I th công suất ngưỡng cho phép mạng sơ cấp hIl1 hệ số kênh truyền ước lượng khơng hồn hảo nguồn phát thứ cấp đến người dùng sơ cấp l Trong thực tế, hệ số kênh truyền ước lượng xác nguồn phát thứ cấp Do đó, nguồn phát thứ cấp phải thực ước lượng kênh truyền kỹ thuật Maximum Likelihood Estimation, Linear-Minimum-Mean-Square-Error Estimation, Least Square Estimation Chính vậy, xét khía cạnh thực tế 2 l hIl1 =  hspr + −  herr , (2) l đó: hspr hệ số kênh truyền thực, herr lỗi ước lượng kênh truyền, β hệ số miêu tả mức độ tương quan kênh truyền ước lượng kênh truyền thật với    0,1 NOMA-CRN đề xuất thực truyền liệu thông qua hai khe thời gian Nguồn thứ cấp truyền tín hiệu đến thiết bị chuyển tiếp khe thời gian thứ Tín hiệu giải mã mã hóa lại thiết bị chuyển tiếp trước phát tới người dùng thứ cấp khe thời gian thứ hai Chi tiết cụ thể trình truyền tin biểu diễn phần bên 2.1 Khe truyền thứ Trong khe thời gian này, truyền tín hiệu hỗn hợp bao gồm tín hiệu người dùng gần x1 người dùng xa x2 với hệ số phân chia công suất tương ứng a1 a2 theo kỹ thuật NOMA đến nút chuyển tiếp, với a1 < a2, a1 + a2 = giá trị trung bình x12 x2 Do đó, thiết bị chuyển tiếp với can nhiễu từ máy phát sơ cấp nhận tín hiệu: y =  a j PS x j hsr + PT shptr + n (3) j =1 với PT công suất phát nguồn sơ cấp   = n E s R , s tín hiệu người dùng sơ cấp với với n ~ nhiễu Gaussian ( 0, ) Dựa kỹ thuật NOMA, thiết bị chuyển tiếp thực giải mã tín hiệu người dùng xa trước giải mã tín hiệu người dùng gần theo nguyên tắc khử can nhiễu SIC Theo đó, giả sử q trình SIC lý tưởng, ta có tỷ số tín hiệu can nhiễu cộng nhiễu SINR (Signal-to-Interference plus Noise Ratio) nhận cho giải mã x2 x1 SINR = x2 a2 PS hsr 2 a1 PS hsr + PT hptr +  2 117 (4) Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn SINR = a1 PS hsr x1 (5) PT hptr +  2.2 Khe truyền thứ hai Sau thực giải mã tín hiệu x1 x2 hồn tất, thiết bị chuyển tiếp bắt đầu mã hóa lại hai tín hiệu theo kỹ thuật NOMA sau truyền tín hiệu hỗn hợp đến người dùng thứ cấp Tương tự nguồn phát thứ cấp, thiết bị chuyển tiếp phải điều khiển công suất để tránh tạo can nhiễu mức tới mạng sơ cấp Vì vậy, công suất phát thiết bị chuyển tiếp biểu diễn sau  I th  PR =  P , max hIl2  l =1, , L  đó: hIl2 2 l =  hrpr + −  herr   ,    (6)   ( 0,1 tỷ số công suất thiết bị chuyển tiếp công suất cực đại nguồn phát sơ cấp Các tín hiệu phát từ thiết bị chuyển tiếp đến người dùng thứ cấp bị can nhiễu tín hiệu phát từ nguồn sơ cấp Do đó, người dùng thứ cấp i với i  1, 2 nhận tín hiệu: y i =  a j PR x j hsdi + PT shptdi + n i , (7) j =1 với PR công suất phát nút chuyển tiếp n ni ~ ( 0, ) Bởi i nhiễu Gaussian với i 2 có hệ số công suất a2 lớn hệ số a1 nên hiệu x2 xem tín hiệu x1 nhiễu Khi đó, SINR nhận x2 biểu diễn sau SINR x22 = Ngược lại, a2 PR hrd2 giải mã trực tiếp tín cho giải mã tín hiệu 2 a1 PR hrd2 + PT hptd2 +  (8) phải thực SIC để loại bỏ tín hiệu x2 trước giải mã tín hiệu x1 Vì vậy, SINR nhận cho giải mã tín hiệu x2 x1 biểu diễn sau SINR = x2 D1 SINR = x1 a2 PR hr 2 a1PR hrd1 + PT hptd1 +  a1PR hrd1 , (9) 2 PT hptd1 +  118 (10) Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu HIỆU NĂNG CỦA NOMA-CRN Các biểu thức xác suất dừng xác dạng tường minh suy phần để đánh giá nhanh hiệu hệ thống mà không cần mô tốn nhiều thời gian Xác suất định nghĩa xác suất mà SINR nhận máy thu nhỏ giá trị ngưỡng cho trước Đối với NOMA-CRN, xác suất dừng tính tốn với hai kiện sau: Sự kiện 1: Thiết bị chuyển tiếp không giải mã thành cơng tín hiệu người dùng thứ cấp Sự kiện 2: Thiết bị chuyển tiếp hoàn tồn giải mã tín hiệu người dùng thứ cấp người dùng thứ cấp không giải mã tín hiệu, nghĩa (i) người dùng xa khơng giải mã thành cơng tín hiệu x2 (ii) người dùng gần khơng giải mã thành cơng tín hiệu x2 tín hiệu x1 Để thuận lợi trình bày xác suất dừng người dùng thứ cấp, ta ký hiệu 2 1 = max hIl1  = max hIl2 Vì kênh truyền h xem xét kênh truyền Rayleigh l =1, , L l =1, , L nên | h | có phân bố mũ (ngoại trừ 1  ) với hàm mật độ xác suất PDF (Probability Density Function) hàm phân bố tích lũy CDF (Cummulative Distribution Function) fh Fh AB AB ( x) =  x  exp  −   AB   AB  (11)  x     AB  ( x ) = − exp  − (12) Khi đó, 1  có hàm phân phối CDF PDF [10] sau L −1  ( L, l ) l =0  x exp  −   i  (13)  ( L, l )  x exp  −  2i l =0  i  (14) Fi ( x ) = −  L −1 f i ( x ) =  (1 + l − l  )  = đó: i l +1  L − 1 L ( −1)  ( L, l ) =    l  l +1 l i 3.1 Xác suất dừng theo Sự kiện Sử dụng điều kiện bù để tính xác suất dừng thiết bị chuyển tiếp sau: 119 Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn ( OP = − Pr SINR x2   , SINR x1   ) 2   a2 PS hsr a1 PS hsr   = − Pr   ,    a P h + P h + 2 P h +  T ptr T ptr  S sr  ) (   PT hptr +  2   2 = − Pr  PS hsr  , PS hsr  PT hptr +  a1 ( a2 −  a1 )   (    2   = − Pr  PS hsr  max  ,  PT hptr +   (a −  a ) a     2    ( ) )      (15)        ngưỡng giải mã cho người dùng xa người dùng gần với  i = 22 R − 1, i 1,2 , Ri tốc độ bit người dùng i a2 −  a1  khơng OP = đó:  i Thay điều kiện công suất (1) vào biểu thức trên, ta có (   I  OP = − Pr   P , th  hsr  1 PT hptr +   1   )  Q1    I  = −  Pr  P hsr  1 PT hptr +  , P  th  1     ) ( ( I + Pr  th hsr  1 PT hptr +   1 Q2 ) (16)  I  , P  th   1    Ta tính Q1 sau  P I  P  P Q1 = Pr  hsr  1  T2 hptr + 1 ,  2th   1      ) (     = Pr  hsr  T hptr + ,  S  th  S 1   đó: S = P  , T = PT  , th = Ith 2 Các biến ngẫu nhiên hsr , hptr , 1 độc lập nên 120 (17) Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu       Q1 = Pr  x  ( T y + 1)  Pr  z  th  S S           = F1  th   1 − Fh  ( T y + 1)   f ( y ) dy h sr   S    S   ptr  L −1  ( L, l )   = 1 −  exp  − th   S   l =0      1 ( T y + 1)  y exp  −    exp  −        S sr ptr   ptr    dy   L −1  ( L, l )   = 1 −  exp  − th   S   l =0        1  exp  − exp  −  T +        ptr       S sr  ptr     S sr  1  exp  −   L −1  ( L, l )       S  sr  = 1 −  exp  − th     S       l =0     ptr  T +   S  sr  ptr       y dy    (18) Bây giờ, ta tính Q2 sau: ) (  I   Q2 = Pr  hsr  1 PT hptr +  , 1  th  I th P       x ( T y + 1)   =   1 − Fh    f 1 ( x ) dx f hptr ( y ) dy sr th th     y =0  x= S  x  1 x ( T y + 1)  L −1  ( L, l ) exp − exp  −       th  sr 21 l =0  y =0 th  1 x=  =  S  ( L, l )  = 2 y=0 l =0 L −1   ( 1 T y + 1 ) exp   −  th  sr +    x = th  S  dx f h ( y ) dy ptr     x  dx f h ( y ) dy  ptr      exp  − T y           ( L, l )  S sr   = exp  −  +  th    th  sr    S  y=0    2  l =0 1      T y+ +   th  sr      th sr  L −1 1    exp  − T y     y S sr   exp  −   th  sr   ptr   ptr 1  y+    T   ( L, l )    = exp  −1 th   2  S  y =0 1 T l =0  th  sr L −1    exp  −  T +    ( L, l ) th  sr       S  sr  ptr = exp  −1 th    S  y =0  th  sr  l = 21  ptr 1 T  1  y+ 1 T   L −1       121    y    dy f h ptr ( y ) dy   dy  (19) Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn 1 + th  sr 1 đó: 1 =  Tích phân có dạng exp ( −ax )  ( x + b) dx = − exp ( ab ) Ei ( −ab ) [11] nên ta viết lại (19) sau:  ( L, l ) th  sr    exp  −1 th   S  l = 2  ptr 1 T  L −1 Q2 = − (20)            exp  th 1 + th sr  Ei  −  th 1 + th sr    S  ptr 1 T     S  ptr 1T    3.2 Xác suất dừng theo Sự kiện ▪ Xác suất người dùng xa Phần thực tính xác suất dừng thiết bị chuyển tiếp phát tín hiệu đến người dùng xa thứ cấp Xác suất dừng tính sau: ( OP = − Pr SINR x22   )   a2 PR hrd2  = − Pr     a P h + P h +  T ptd  R rd2    2 2 = − Pr  PR hrd2  PT hptd2 +   ( a2 −  a1 )  2  ( ) Q3    2   = −  Pr   S hrd2   T hptd2 + ,  S  th  2     ) ( (  + Pr  th hrd2   T hptd2  2 Q4          + ,  S  th   2   (21) ) Để tính biểu thức xác suất trên, ta cần thực tính hai xác suất Q3 Q4 mà tính sau: 122 Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu ) ( 2       Q3 = Pr  hrd2  T hptd2 +  Pr    th   S  S            = F2  th   1 − F  ( T x + 1)   f ( x ) dx hrd2   S     S   hptd2       2 x = F2  th   exp  − T x + 1)  exp  − (         S rd ptd  S 0   ptd2   L −1  ( L, l )  th = 1 −  exp  −   l =0   S 2  L −1  ( L, l )  th = 1 −  exp  −   l =0   S 2  2 exp  −      S  rd2    ptd2    dx       exp  −   T + 0    S rd  ptd 2    2  exp  −   S  rd            T + ptd    S  rd  ptd 2     x dx        (22) ) ( 2     Q4 = Pr  hrd2   T hptd2 + ,   th  th  S        =   1 − F  x ( T y + 1)   f 2 ( x ) f ( y ) dxdy hrd2 h ptd2    th   y =0 x = th   S  =    y =0 x= th  S   L −1  ( L, l )  x 2 exp  − x ( T y + 1)  exp  −  th  rd  l =0 2   2     ( L, l )  =  l = 2 y =0  L −1 x=  th  S    (  y + 1) exp  −  T +   th  rd 2      x  dx f ( y ) dy   h ptd2        2  th exp  −  T y +  +  th  rd    S    rd2  S L −1  L, l  ( ) 2     =      2 l = 2 y =   T y+  +  th  rd     th  rd 2         ( L, l ) th  rd exp  −    th  rd l = 2  ptd  T   L −1 = 2 2   f ( y ) dxdy  hptd2      f h ptd2 ( y ) dy       exp  −  T +  y     rd  S  ptd    th  2       + dy,   2   S  y =0  th  rd2    y+ +     T  th  rd2 2    (23) Vì (23) có dạng tương tự với Q2 nên ta dễ dàng rút biểu thức cho Q4 sau: 123 Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn  ( L, l ) th rd   exp  − th  S l = 2  ptd  T  L −1 Q4 = − 2       th  th rd2  +  Ei  −      S  ptd2  T      th rd2  exp  th +   S  ptd2  T  (24)      2  +  th  rd    2  đó:  =  ▪ Xác suất dừng người dùng gần Phần tiếp tục thực tính xác suất dừng thiết bị chuyển tiếp phát tín hiệu đến người dùng gần thứ cấp Xác suất dừng tính sau: ( OP = − Pr SINRDx21   , SINRDx11   ) 2   a2 PR hrd1 a1 PR hrd1  = − Pr  ,  1   a P h + P h + 2 P h +  T ptd1 T ptd1  R rd1  ) (   P h + 2 T ptd 2   = − Pr  PR hrd1  , PS hrd1  PT hptd1 +  a1 ( a2 −  a1 )   (    2 2   = − Pr  PR hrd1  max  ,  PT hptd1 +   (a −  a ) a     2    ( )       )      (25) mà rút gọn sau: Q5 (   (P h ) I  +  ) , P     2  I  OP = − Pr   P hrd1  1 PT hptd1 +  ,  P  th  2   I − Pr  th hrd1  2 T ptd1 (26) th Q6 Để tìm biểu thức OP , ta phải tính biểu thức xác suất Q5 Q6 sau: 124 Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu ) ( 2       Q5 = Pr  hrd1  T hptd1 +  Pr    th   S  S             = F2  th   1 − F  ( T y + 1)   f ( y ) dy hrd1   S     S   hptd1  L −1  ( L, l )  th = 1 −  exp  −   S   l =0     1 ( T y + 1)   y exp  −    exp  −      ptd  S  rd1   ptd1     L −1  ( L, l )  th = 1 −  exp  −   S   l =0    1 exp  −     ptd   S  rd 1      T   exp  −      S + rd1  ptd1  dy          y dy      1  exp  −    L −1  ( L, l )  S  rd1   th    = 1 −  exp  −    S       l =0    ptd1  T +   S  rd  ptd 1     (27) (   Q6 = Pr  hrd1  1 PT hptd1 I th   = y =0 x=  = th   x ( T y + 1)  L −1  ( L, l )  x exp  − exp  −     th  rd1   l =0 2    x= I th   P  th  S   y =0 ) +  , 2    1 x ( T y + 1)   1 − Fh    f  ( x ) dx f h ( y ) dy rd1 ptd1 th         S  ( L, l )   l = 2 y =0  L −1 = x=  th  S   (   y + 1 ) exp  −  T +   th  rd 2    dx f ( y ) dy  h ptd1     x  dx f ( y ) dy   h ptd1      exp  − T y    L −1  L, l ( ) exp  −  1 +  th    S  rd1  = f ( y ) dy   h ptd1   th  rd    S  y=0       l = 2  1      T y+ +     th  sr   th  rd1 1     1 T  exp − y    S  rd  L −1  L, l   ( ) th   y    = exp  − exp  −  dy     ptd  th  rd1  S  y =0 1 T    ptd1 l = 2    y +   3 th  rd1  1 T   125 Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn    exp  −  T +     S  rd  ptd L −1  L, l   ( ) th rd1    1   = exp  − th   th  rd1  S  y =0   l = 2  ptd1 1 T  3  y+ 1 T    ( L, l ) th  rd   exp  − th  S l = 2  ptd 1 T  L −1 = −       y     dy (28)   th  rd1     th  th  rd1    exp  th + +  Ei  −     S 1 T  ptd1     S 1 T  ptd1    đó:  = 1 + th  rd1 2 3.3 Tổng kết xác suất dừng Sự kiện tác động trực tiếp đến hiệu NOMA-CRN nên tập trung xem xét xác suất dừng cho kiện Do đó, biểu thức xác suất dừng tương ứng cho hai người dùng thứ cấp xác định ▪ Xác suất dừng tồn trình cho người dùng xa tính sau: OP e22 e = OP + 1 − OP  OP = − Q1 − Q2 + Q1 + Q2 1 − Q3 − Q4  (29) ▪ Xác suất dừng tồn trình cho người dùng gần tính sau: OP e12 e = OP + 1 − OP  OP = − Q1 − Q2 + Q1 + Q2 1 − Q5 − Q6  (30) 3.4 Dự đoán xác suất dừng kỹ thuật học sâu ▪ Mơ hình dự đoán xác suất dừng DNN Bài báo ứng dụng KTHS DNN toán hồi quy để đánh giá xác suất dừng Hình minh họa DNN ứng dụng với lớp đầu vào, nhiều lớp ẩn lớp đầu Hình Mơ hình DNN Xét mơ hình với giả sử tọa độ người dùng (30,30), tọa độ người dùng (80,5), tọa độ thiết bị chuyển tiếp (25,0), tọa độ máy phát sơ cấp (100,0), tọa độ máy thu sơ cấp (30,40), tọa độ trạm phát thứ cấp (0,0), hệ số phân bổ cơng 126 Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu suất a1 = 0.2, hệ số ước lượng  = 0.6, số lượng máy thu sơ cấp L=5, giá trị ngưỡng cho phép th = 20,30 dB dùng làm biến đầu vào cho DNN Căn vào kết biểu thức (29) biểu thức (30), tập liệu tạo với 500000 mẫu, 80% dành cho huấn luyện 20% dùng để thử nghiệm Quan sát mặt số học số lượng mẫu phù hợp để thu dự đốn xác suất dừng xác cao hầu hết trường hợp ▪ Huấn luyện Hàm kích hoạt đơn vị tuyến tính hàm mũ ELU (Exponential Linear Unit)  ( w) sử dụng cho lớp ẩn để thực việc tạo ngưỡng cho phần tử đầu vào z, giá trị nhỏ làm trịn thành 0, theo cơng thức sau: ( )   e w −  ( w) =  w  ,w  ,w  (31) đó: Δ giá trị không đổi khởi tạo So với hàm kích hoạt Sigmoid Tanh hàm kích hoạt ELU mang lại lợi ích đáng kể hơn, chẳng hạn tính tốn đơn giản tối ưu hóa dễ dàng hơn, đặc tính gần tuyến tính nó, ELU tránh vấn đề Gradient biến (Vanishing Gradients), nghĩa đạo hàm nhỏ  ( w) gần [12] Ở khơng áp dụng hàm kích hoạt lớp đầu tốn hồi quy dự đốn trực tiếp giá trị số mà không cần biến đổi i Xem xét lớp mơ hình kết nối đầy đủ, hàm kích hoạt u j neural thứ j lớp thứ i kết nối với hàm kích hoạt lớp thứ (i - 1) biểu thức sau:  Ti−1  u ij =    wijg ugi −1 + cij  ,  g =1  (32) i đó: Ti −1 số lượng neural lớp thứ (i - 1), w jg trọng số kết nối với neural thứ g i lớp (i - 1) c j hệ số bias lớp thứ i KẾT QUẢ VÀ THẢO LUẬN Phần trình bày kết lập trình phần mềm Matlab Phương pháp Monte-Carlo dùng để tạo kết mô nhằm xác thực phân tích lý thuyết phần Ngồi ra, phần trình bày kết dự đốn xác suất dừng sử dụng KTHS Quá trình huấn luyện thử nghiệm DNN thực dự TensorFlow phiên 2.1.0 với Python 3.7.9 kết hợp Keras 2.3.1 Trước tiên, xem xét tác động SNR đến xác suất dừng mơ hình NOMA so sánh với mơ hình đa truy cập trực giao OMA thơng thường (sử dụng nhiều khe thời gian truyền) với mức công suất phân phối cho tín hiệu tương ứng Xét mặt tài ngun khe thời gian, mơ hình OMA tiêu tốn tổng cộng bốn khe thời gian để truyền tất liệu người dùng i mơ hình NOMA cần hai khe thời gian Do đó, liệu cần sử dụng cho mạng OMA gấp đôi so với mạng NOMA Để mô tả xác mơi trường truyền thực tế, nhóm tác giả áp dụng mơ hình suy hao đường truyền không gian tự − với kênh truyền fading Rayleigh sau:  XY = d XY , d XY khoảng cách chuẩn 127 Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn hóa nút X nút Y,  hệ số suy hao đường truyền Kế tiếp, xem xét thông số hệ → 5, khoảng cách từ thống sau: khoảng cách từ → 25, khoảng cách từ → 30, khoảng cách từ → 40, khoảng cách từ → 50, khoảng → 45 → 40, khoảng cách từ cách từ → 50, khoảng cách từ (các khoảng cách chuẩn hóa nên khơng ghi đơn vị), số lượng nguời dùng mạng sơ cấp L 5, công suất hạn mức I th 30 dBm, công suất máy phát sơ cấp PT 10 dBm Các tham số quan trọng chính: a1 = 0, 2, a2 = 0,8,  = 0,8, R1 = bit/s/Hz, băng thông sử dụng MHz, mật độ nhiễu máy thu -90 dBm/Hz, tần số sóng mang sử dụng 2,4 GHz, công suất phát thiết bị chuyển tiếp PR = 0,8 PS , R2 = 0,5 bit/s/Hz Hình Xác suất dừng người dùng NOMA so với OMA với SNR S Hình cho thấy kết mô lý thuyết mơ hình NOMA cho hai người dùng hồn tồn trùng khớp Ngồi ra, ta có nhận xét hiệu người dùng sử dụng mơ hình NOMA vượt trội so với mơ hình OMA (độ lợi dB 10-1), hiệu người dùng có giảm khơng đáng kể với vùng SNR thấp trung bình (khoảng dB) Mặc dù vùng SNR cao có giá trị xác suất dừng với mơ hình OMA nhỏ so với mơ hình NOMA xét phương diện thực tế điều khơng phù hợp cho mạng vơ tuyến nhận thức Bởi hệ thống OMA tiêu tốn nhiều tài nguyên để truyền tín hiệu cho người dùng mức nhiễu cố định  Xét tổng thể, NOMA mang lại hiệu tốt nhiều so với OMA mặt tài nguyên thời gian hiệu Ngồi ra, Hình cho thấy hai mơ hình NOMA OMA có độ lợi phân tập giống vùng SNR cao 128 Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu Hình Xác suất dừng người dùng Hình Xác suất dừng người dùng thay đổi và theo a1 tốc độ liệu hai người tương ứng R1 R2 Hình trình bày xác suất dừng người dùng thứ cấp hệ số phân bổ công suất a1 thay đổi Quan sát cho thấy xác xuất dừng người dùng thứ cấp giảm a1 tăng từ đến 0,4 sau tăng trở lại Điều chứng tỏ có tồn điểm phân bổ công suất tối ưu cho người dùng người dùng Hình trình bày xác suất dừng người dùng thứ cấp tốc độ liệu R1 R2 thay đổi Từ rút nhận xét xác xuất dừng người dùng thứ cấp giảm R1 R2 giảm dần giá trị Lý dẫn đến xác suất dừng giảm ngưỡng dừng hệ thống bé so với SINR nhận cho giải mã tín hiệu x1 x2 máy thu ( , ) Kết dự đoán xác suất dừng DNN Quá trình huấn luyện thử nghiệm sử dụng DNN để dự đoán xác suất dừng thực dự TensorFlow phiên 2.1.0 với Python 3.7.9 kết hợp Keras 2.3.1 Công cụ hỗ trợ tối ưu hóa độ xác Adam optimize thực thi với 70 epochs lớp ẩn Nvidia GeForce RTX-2070 super GPU máy tính AMD Ryzen Threadripper 3970X 32-core 129 Lê Minh Thanh, Nguyễn Hữu Sự, Ngơ Hồng Ấn processor Xét mơ hình với giả sử tọa độ thiết bị chuyển tiếp (25,0), tọa độ máy phát sơ cấp (100,0), tọa độ máy thu sơ cấp (30,40), tọa độ người dùng (30,30), tọa độ người dùng (80,5), tọa độ trạm phát thứ cấp (0,0), hệ số phân bổ công suất a1 = 0, , hệ số ước lượng  = 0,6 , số lượng máy thu sơ cấp L = 5, giá trị ngưỡng cho phép th = 20, 30 dB Hình trình bày kết dự đốn xác suất dừng sử dụng DNN so với lý thuyết (biểu thức dạng tường minh) mô Monte-Carlo Như quan sát hình vẽ, giá trị dự đốn gần xác hồn tồn so với giá trị xác suất dừng lý thuyết mơ Vì vậy, học sâu dùng để dự đốn xác suất dừng với đáp ứng thời gian thực Hình Dự đoán xác suất dừng cho người dùng DNN KẾT LUẬN Hệ thống thông tin tích hợp cơng nghệ vơ tuyến nhận thức với kỹ thuật NOMA mà tạo NOMA-CRN đề xuất báo Xác suất dừng NOMA-CRN biểu diễn dạng tường minh xác, từ thuận lợi cho việc đánh giá hiệu cách nhanh chóng Mơ Monte-Carlo kỹ thuật học sâu dùng để xác thực độ xác biểu thức xác suất dừng Hiệu việc tích hợp kỹ thuật NOMA cơng nghệ vơ tuyến nhận thức minh họa chi tiết Hơn nữa, mạng thứ cấp hoạt động tốt tác động người dùng sơ cấp thể qua nhiều kết Ngoài ra, báo phân tích tác động tham số lên hiệu NOMA-CRN kết dẫn đến nhận xét hiệu NOMA-CRN tối ưu chọn hợp lý hệ số phân bổ công suất cho người dùng TÀI LIỆU THAM KHẢO Pei L., Yang Z., Pan C., Huang W., Chen M., Elkashlan M., Nallanathan A Energy-efficient D2D communications underlaying NOMA-based networks with energy harvesting, IEEE Communications Letters 22 (5) (2018) 914-917 Arzykulov S., Nauryzbayev G., Tsiftsis T A., Maham B - Performance analysis of underlay cognitive radio nonorthogonal multiple access networks, IEEE Transactions on Vehicular Technology 68 (9) (2019) 9318-9322 Arzykulov S., Nauryzbayev G., Tsiftsis T A., Maham B., Abdallah M - On the Outage of Underlay CR-NOMA Networks With Detect-and-Forward Relaying, IEEE Transactions on Cognitive Communications and Networking (3) (2019) 795-804 130 Phân tích đánh giá hiệu NOMA-CRN sử dụng học sâu 10 Bariah L., Muhaidat S., Al-Dweik A - Error performance of NOMA-based cognitive radio networks with partial relay selection and interference power constraints, IEEE Transactions on Communications 68 (2) (2020) 765-777 Luo L., Li Q., Cheng J - Performance Analysis of Overlay Cognitive NOMA Systems With Imperfect Successive Interference Cancellation, IEEE Transactions on Communications 68 (8) (2020) 4709-4722 Chen X., Wen M., Mao T., Dang S - Spectrum Resource Allocation Based on Cooperative NOMA With Index Modulation, IEEE Transactions on Cognitive Communications and Networking (3) (2020) 946-958 Ho C D., Nguyen T V., Huynh-The T., Nguyen T T., Costa D B d., An B - ShortPacket Communications in Wireless-Powered Cognitive IoT Networks: Performance Analysis and Deep Learning Evaluation, IEEE Transactions on Vehicular Technology 70 (3) (2021) 2894-2899 Yang N., Zhang H., Long K., Hsieh H., Liu J - Deep Neural Network for Resource Management in NOMA Networks, IEEE Transactions on Vehicular Technology 69 (1) (2020) 876-886 Shim K., Do T N., Nguyen T V., Costa D B d., An B - Enhancing PHY-security of FD-enabled NOMA systems using jamming and user selection: Performance analysis and DNN evaluation, IEEE Internet of Things Journal (24) (2021) 17476-17494 Nguyen T V., Do T., Bao V N Q., Costa D B d., An B - On the performance of multihop cognitive wireless powered D2D communications in WSNs, IEEE Transactions on Vehicular Technology 69 (3) (2020) 2684-2699 11 Zwillinger D., Jeffrey A - Table of integrals, series, and products Elsevier 2007 12 Clevert D.-A., Unterthiner T., Hochreiter S - Fast and accurate deep network learning by exponential linear units (ELUs), Under Review of ICLR2016 (2015) ABSTRACT ANALYZE AND EVALUATE THE PERFORMANCE OF NOMA-CRN USING DEEP LEARNING Le Minh Thanh1, Nguyen Huu Su2, Ngo Hoang An1,3* Ho Chi Minh City University of Food Industry (HUFI) MobiFone Corporation Industrial University of Ho Chi Minh City (IUH) *Email: annh@hufi.edu.vn The performance of Non-Orthogonal Multiple Access Cognitive Radio Network (NOMA-CRN) for two users is analyzed and evaluated using deep learning in this paper To this end, we firstly recommend an exact closed-form outage probability formula for NOMACRN Next, we conduct Monte-Carlo simulations to corroborate the recommended formula Moreover, deep learning is applied to evaluate the exactness of the estimated outage probability as compared to theory and simulation Finally, we provide multiple results to demonstrate the influence of crucial specifications on the performance of NOMA-CRN Keywords: Deep learning, cognitive radio, NOMA, outage probability 131 ... PT hptd1 +  118 (10) Phân tích đánh giá hiệu NOMA- CRN sử dụng học sâu HIỆU NĂNG CỦA NOMA- CRN Các biểu thức xác suất dừng xác dạng tường minh suy phần để đánh giá nhanh hiệu hệ thống mà không... này, hiệu NOMA- CRN phân tích đánh giá cách ứng dụng KTHS với đóng góp sau: - Đề xuất tích hợp kỹ thuật NOMA vào thiết bị vô tuyến nhận thức để hình thành nên NOMA- CRN - Đề xuất ứng dụng KTHS vào... Communications and Networking (3) (2019) 79 5-8 04 130 Phân tích đánh giá hiệu NOMA- CRN sử dụng học sâu 10 Bariah L., Muhaidat S., Al-Dweik A - Error performance of NOMA- based cognitive radio networks with