.Ti¸ng Anh Channel estimation and performance evaluations for intelligent reflectingsurface-aided wireless communication systems... TÂM TTNg y nay, trong thíi ¤i khoa håc cæng ngh» ph¡t
Sỹ phĂt triºn cừa truyãn thổng vổ tuyán
Cổng nghằ khổng dƠy cõ mởt làch sỷ lƠu ới v nõ bưt Ưu v o khoÊng thới gian James C Maxwell dỹ oĂn vã m°t lỵ thuyát v sau õ chựng minh sỹ tỗn tÔi cừa sõng iằn tứ v o nhỳng nôm 1860, v khi Heinrich R Hertz xĂc nhên bơng thỹc nghiằm sỹ tỗn tÔi cừa sõng iằn tứ v o nôm 1888 Nôm 1895, Guglielmo Marconi  th nh cổng trong viằc nhên m Morse trản sõng vổ tuyán ữủc truyãn bði mĂy phĂt spark-gap vợi mĂy thu cĂch õ 2.4 km Thẵ nghiằm n y  chựng minh khĂi niằm cỡ bÊn v khuổn khờ cừa giao tiáp khổng dƠy ng y nay Trong giao tiáp khổng dƠy, bở phĂt gỷi thổng tin bơng cĂch chuyºn trản sõng mang v bở thu nhên thổng tin bơng cĂch trẵch xuĐt thổng tin chỗng chĐt tứ sõng mang [7].
Truyãn thổng vổ tuyán cõ mởt sỹ phĂt triºn d i tứ sỷ dửng tẵn hiằu tữỡng tỹ (analog signal) ð thá hằ thự 1 (1G) án gƯn nhĐt l thá hằ thự 5 (5G):
1G (Thá hằ thự nhĐt): Thá hằ Ưu tiản cừa cổng nghằ truyãn thổng di ởng dỹa trản truyãn dăn tẵn hiằu tữỡng tỹ 1G Â sỷ dửng iãu chá tƯn số (FM) º truyãn tẵn hiằu thoÔi qua sõng vổ tuyán v cõ dung lữủng v vũng phừ sõng hÔn chá.
2G (Thá hằ thự hai): Thá hằ thự hai cừa cổng nghằ truyãn thổng di ởng giợi thiằu truyãn tẵn hiằu kÿ thuêt số, cho ph²p chĐt lữủng Ơm thanh tốt hỡn v sỷ dửng bông thổng hiằu quÊ hỡn 2G  sỷ dửng cĂc cổng nghằ a truy cêp phƠn chia theo thới gian (TDMA) v a truy cêp phƠn chia theo m (CDMA) º phƠn chia phờ tƯn số cõ sđn th nh nhiãu kảnh.
3G (Thá hằ thự ba): Thá hằ thự ba cừa cổng nghằ truyãn thổng di ởng giợi thiằu truyãn dỳ liằu chuyºn mÔch gõi, cho ph²p sỷ dửng cĂc ựng dửng a phữỡng tiằn nhữ gồi video v duyằt internet di ởng 3G Â sỷ dửng cĂc cổng nghằ CDMA (WCDMA) v CDMA2000 bông rởng º cung cĐp tốc ở truyãn dỳ liằu nhanh hỡn v kát nối ữủc cÊi thiằn
4G (Thá hằ thự tữ): Thá hằ thự tữ cừa cổng nghằ truyãn thổng di ởng  giợi thiằu cổng nghằ tián hõa d i hÔn (LTE), cung cĐp tốc ở truyãn dỳ liằu thêm chẵ cỏn nhanh hỡn v khÊ nông kát nối ữủc cÊi thiằn 4G  sỷ dửng cổng nghằ gh²p kảnh phƠn chia theo tƯn số trỹc giao (OFDM) v cổng nghằ a Ưu v o a Ưu ra (MIMO) º cho ph²p tốc ở truyãn dỳ liằu cao hỡn v vũng phừ sõng tốt hìn.
5G (Thá hằ thự nôm): Thá hằ thự nôm cừa cổng nghằ truyãn thổng di ởng  giợi thiằu cĂc dÊi tƯn số v cổng nghằ mợi nhữ sõng milimet (mmWave) v MIMO lợn º cung cĐp tốc ở truyãn dỳ liằu nhanh hỡn v kát nối ữủc cÊi thiằn 5G cụng giợi thiằu tẵnh nông cưt mÔng, cho ph²p cĂc nh khai thĂc mÔng tÔo nhiãu mÔng Êo trản cũng mởt cỡ sð hÔ tƯng vêt lỵ º phửc vử cho cĂc trữớng hủp sỷ dửng v ựng dửng khĂc nhau
Sỹ phĂt triºn vã lữu lữủng dỳ liằu di ởng
Theo báo cáo trách nhiệm hằng năm của Ericsson (tháng 11 năm 2023), lưu lượng dữ liệu di động trung bình toàn cầu sẽ tăng đáng kể trong những năm tới, đạt tới 21,15 GB/tháng vào năm 2023 và dự kiến tăng thêm 56,37 GB/tháng Riêng đối với khu vực phát triển như Bắc Mỹ, lưu lượng dự kiến tăng tới 66,2 GB/tháng.
. Hẳnh 1.1: Lữu lữủng dỳ liằu ð cĂc khu vỹc [1].
.Hẳnh 1.2: Sỹ phƠn bờ thuả bao di ởng theo cổng nghằ v khu vỹc [1].
PhƠn phối thuả bao di ởng theo cổng nghằ khổng ỗng ãu ð cĂc khu vỹc, nguyản nhƠn chẵnh l sỹ chảnh lằch trong trẳnh ở phĂt triºn giỳa cĂc khu vỹc Hiằn tÔi, mÔng 4G Â phờ bián ð mồi nỡi, tuy nhiản, dỹ kián án nôm 2029, mÔng 5G s³ tiáp tửc mð rởng án mồi khu vỹc vợi tốc ở tông trữðng Ăng kº, cõ khÊ nông chiám t trồng cao ð nhúng vòng §t ang ph¡t triºn.
Nhên thĐy rơng vợi sỹ gia tông ởt phĂ cừa số lữủng thuả bao di ởng v cĂc thiát bà khổng dƠy, cũng vợi sỹ xuĐt hiằn nhanh chõng cừa cĂc ựng dửng v cổng nghằ mợi nhữ thỹc tá Êo (VR), thỹc tá tông cữớng (AR), thỹc tá hộn hủp (MR), tỹ ởng hõa trong cổng nghiằp, mÔng 5G cõ thº ối m°t vợi nhỳng thĂch thực vã nông suĐt v hiằu suĐt khi ối m°t vợi sỹ tông cao cừa nhu cƯu kát nối trong thới Ôi Internet ofEverything (IoE) iãu n y  thúc ây ởng lỹc cho nghiản cựu v phĂt triºn vã thá hằ 6G vợi hy vồng vữủt qua nhỳng hÔn chá v mang lÔi khÊ nông kát nối cao cĐp, ờn ành v linh hoÔt hỡn º Ăp ựng mồi nhu cƯu ng y c ng a dÔng cừa x hởi v cổng nghiằp.
Cổng nghằ truyãn thổng khổng dƠy 6G
5G, công nghệ truyền thông thế hệ thứ 5, đã mang lại nhiều lợi ích cho cuộc sống 5G nhanh chóng trở thành yếu tố quan trọng trong việc hỗ trợ các ứng dụng công nghệ mới và kết nối hữu hiệu, đồng thời cũng là lực lượng chính thúc đẩy quá trình số hóa trong nền kinh tế Tuy nhiên, với tốc độ tăng cao không ngừng của nhu cầu người dùng, đặc biệt là trong bối cảnh phát triển nhanh chóng của thế giới ảo (metaverse), các nền tảng công nghệ cần được cải tiến liên tục từ các khía cạnh khoa học và kỹ thuật mới.
Hiểu rõ 5G sẽ là lợi thế lớn khi phải ứng dụng các yêu cầu ngày càng phức tạp Cùng với sự đổi mới không ngừng từ công nghệ siêu băng rộng, các nghiên cứu và phát triển về công nghệ không dây thế hệ thứ 6 (6G) đang ở mức cao.
6G dự kiến sẽ ra mắt vào khoảng năm 2030, theo chu trình 10 năm của các thế hệ mạng di động 6G được kỳ vọng mang lại sự thay đổi lớn cho thế giới công nghệ với khả năng kết nối siêu nhanh, an toàn và linh hoạt, đồng thời hỗ trợ các ứng dụng và dịch vụ tiên tiến như thực tế ảo mở rộng, trí tuệ nhân tạo và giao tiếp không chạm.
So vợi 5G, 6G ữủc dỹ oĂn s³ khổng ch¿ tông Ăng kº hiằu xuĐt mÔng (tốc ở dỳ liằu, ở trạ, ở tin cêy, ) m cỏn tẵch hủp trẵ tuằ nhƠn tÔo trong cĂc ựng dửng giao tiáp, iằn toĂn, iãu khiºn, cÊm bián,
Tiảu chuân cừa 6G so vợi 5G: [8]
- Tốc ở dỳ liằu ¿nh cừa 6G phÊi Ôt thĐp nhĐt l 1Tbps, gĐp 100-1000 lƯn so vợi 5G.
- Tốc ở dỳ liằu do ngữới dũng trÂi nghiằm l 1 Gb/s, gĐp 10 lƯn tốc ở cừa 5G.
- Bông thổng: cõ thº hộ trủ tợi 10 GHz trong cĂc dÊi tƯn mmWave, 100 GHz trong cĂc dÊi tƯn số THz v Ănh sĂng khÊ kián.
- Hiằu suĐt phờ gĐp 4-5 lƯn so vợi 5G.
- Mêt ở kát nối ∼10 7 thiát bà/km 2
- ở trạ phÊi b² hỡn 0.1 ms, ở tin cêy≥99.99999% v tẵnh di ởng cao (≥1000km/h).
Nhỳng cổng nghằ v kÿ thuêt trong 6G
Hiằn nay, cĂc tiảu chuân cừa 6G ang thúc ây sỹ phĂt triºn cừa cổng nghằ v nghiản cựu º Ăp ựng vợi tiảu chẵ °t ra:
Trẵ tuằ nhƠn tÔo (AI): õng vai trỏ quan trồng trong viằc cung cĐp tẵnh tỹ ởng v trẵ khổn cho cĂc hằ thống, v Ơy cụng l mởt mửc tiảu quan trồng cừa cổng nghằ 6G Do õ, AI ữủc coi l mởt cổng cử thiát yáu v cõ giĂ trà lợn trong tữỡng lai cừa mÔng khổng dƠy °c biằt, khi ữủc huĐn luyằn ch°t ch³, cĂc mổ hẳnh AI cõ khÊ nông iãu ch¿nh v ữa ra quyát ành cho hằ thống mởt cĂch nhanh chõng v chẵnh xĂc, tông cữớng hiằu suĐt v linh hoÔt cừa mÔng 6G Sỹ tẵch hủp ch°t ch³ giỳa trẵ tuằ nhƠn tÔo v mÔng khổng dƠy khổng ch¿ giúp tối ữu hõa cĂc chực nông tỹ ởng m cỏn Êm bÊo sỹ linh hoÔt v khÊ nông thẵch ựng ối vợi cĂc yảu cƯu ng y c ng phực tÔp cừa ngữới dũng v ựng dửng.
Hẳnh 1.3: So sĂnh thổng số cừa 6G vợi 5G [2].
Massive MIMO khổng tá b o: mởt trong nhỳng thĂch thực cừa mÔng khổng dƠy truyãn thống dỹa trản cĐu trúc tá b o l sỹ yáu uối cừa tẵn hiằu ð cĂc vũng rẳa cừa tá b o º vữủt qua nhữủc iºm n y, giÊi phĂp Massive MIMO khổng tá b o  ữủc ữa ra Thay vẳ mội tá b o cõ mởt trÔm gốc phửc vử, mổ hẳnh n y loÔi bọ cĐu trúc tá b o truyãn thống v cho ph²p mởt trÔm gốc phửc vử to n bở khu vỹc õ Massive MIMO khổng tá b o khổng ch¿ tối ữu hõa sỹ sỷ dửng tƯn số m cỏn giúp cÊi thiằn ở chằch tẵn hiằu, Êm bÊo tẵn hiằu mÔnh m³ v ỗng ãu trản to n bở khu vỹc phừ sõng iãu n y giúp tông cữớng hiằu suĐt cừa mÔng khổng dƠy, °c biằt l ð nhỳng vũng cõ mêt ở thiát bà sỷ dửng cao ho°c ð nhỳng khu vỹc cõ ở chằch tẵn hiằu lợn.
Công nghệ Truyền tải thông tin và cung cấp năng lượng không dây (SWIPT) là một công nghệ tiên tiến mở ra khả năng kết nối không dây trong phạm vi lớn, cho phép các thiết bị thông minh không chỉ truy cập vào hệ thống mạng mà còn tương tác với các thiết bị khác một cách hiệu quả Trong quá trình sạc pin, mô-đun bên trong thiết bị sẽ trải qua nhiều bước và mức độ khác nhau để tối ưu hóa hiệu suất sạc pin SWIPT giúp giải quyết thách thức này bằng cách cho phép các máy biến áp thu năng lượng khi khai thác nguồn cấp dữ liệu không dây Trong kỷ nguyên của mạng 6G, SWIPT sẽ đóng vai trò quan trọng trong việc hỗ trợ các thiết bị không dây Nhờ vào khả năng truyền tải thông tin và cung cấp năng lượng không dây, các thiết bị này có thể tiếp tục hoạt động mà không cần nguồn năng lượng từ pin Điều này giúp giảm đáng kể mức tiêu thụ năng lượng của hệ thống, đồng thời tăng cường tính linh hoạt và khả năng hoạt động liên tục của các thiết bị không có nguồn năng lượng riêng.
PhƯn tỷ phÊn xÔ thổng minh: ữủc xem l kÿ thuêt nời bêt trong truyãn thổng vổ tuyán, kÿ thuêt n y giúp cÊi thiằn cĂc yáu tố nhữ tốc ở dỳ liằu, hiằu suĐt phờ, hiằu suĐt nông lữủng, bơng cĂch sỷ dửng phƯn tỷ phÊn xÔ thử ởng ho°c bĂn thử ởng º iãu hữợng tẵn hiằu Chi tiát vã IRS s³ ữủc mổ tÊ trong chữỡng
Lỵ do chồn ã t i
Trong cĂc hằ thống thổng tin vổ tuyán, viằc xĂc ành ữủc °c tẵnh kảnh truyãn l rĐt quan trồng Viằc ữợc lữủng kảnh truyãn chẵnh xĂc s³ giúp viằc khổi phửc thổng tin tứ tẵn hiằu thu ữủc cõ ở tin cêy cao.
Viằc ữợc lữủng kảnh trong hằ thống thổng tin sỷ dửng bã m°t phÊn xÔ thổng minh (IRS) cõ mởt số khõ khôn so vợi cĂc hằ thống thổng tin khổng sỷ dửng IRS.
KhÊ nông tẵnh toĂn: Vợi sỹ hiằn diằn cừa IRS, hằ thống thổng tin trð nản phực tÔp hỡn trong viằc tẵnh toĂn v ữợc lữủng kảnh IRS thữớng bao gỗm h ng trôm ho°c thêm chẵ h ng nghẳn phƯn tỷ phÊn xÔ, viằc tẵnh toĂn kảnh giỳa cĂc yáu tố n y v cĂc thiát bà truyãn thổng yảu cƯu khối lữủng tẵnh toĂn lợn v phực tÔp.
Bã m°t phÊn xÔ IRS sỷ dửng cĂc phƯn tỷ thử ởng ho°c bĂn thử ởng, khổng cõ khÊ nông xỷ lỵ tẵn hiằu nản viằc ữợc lữủng thổng tin trÔng thĂi kảnh liản quan án IRS l vĐn ã thĂch thực.
Thới gian thỹc v Ăp ựng nhanh: IRS thữớng ữủc sỷ dửng º cÊi thiằn hiằu suĐt truyãn thổng trong thới gian thỹc iãu n y °t ra yảu cƯu vã ữợc lữủng kảnh nhanh chõng v Ăp ựng nhanh º iãu ch¿nh cĂc yáu tố phÊn xÔ tÔi IRS. Viằc Êm bÊo ở trạ thĐp v tẵnh thới gian thỹc trong quĂ trẳnh ữợc lữủng kảnh l mởt thĂch thực.
CĂc giÊ ành v tham số hằ thống khổng chẵnh xĂc: Viằc ữợc lữủng kảnh cƯn dỹa trản cĂc giÊ ành v thổng tin vã tham số hằ thống Tuy nhiản, trong thỹc tá, cĂc giÊ ành v thổng tin n y cõ thº khổng chẵnh xĂc ho°c khổng biát chẵnh xĂc, gƠy ra sai lằch v sai số trong quĂ trẳnh ữợc lữủng kảnh. ối vợi 6G, ữợc tẵnh kảnh cho cĂc hằ thống khổng dƠy hộ trủ IRS thêm chẵ cỏn trð nản quan trồng hỡn, vẳ nõ Ênh hữðng trỹc tiáp án hiằu suĐt cừa cĂc thuêt toĂn iãu khiºn IRS °c biằt, cĂc kÿ thuêt ữợc tẵnh kảnh phÊi cõ khÊ nông ữợc tẵnh chẵnh xĂc cĂc tham số kảnh giỳa BS-IRS-ngữới dũng, ỗng thới tẵnh án cĂc tữỡng tĂc phực tÔp giúa chóng.
Vợi nhỳng lỵ do trản, luƠn vôn xĂc ành ã t i nghiản cựu "ìợc lữủng kảnh truyãn hằ thống thổng tin cõ phƯn tỷ phÊn xÔ thổng minh (IRS)".
Mửc tiảu cừa luên vôn
Luên vôn dỹ kián Ôt ữủc nhỳng mửc tiảu sau:
Cung cĐp cĂi nhẳn tờng quan vã ữợc lữủng kảnh truyãn, cử thº trong hằ thống khổng dƠy 6G, cổng nghằ IRS v vã mÔng thƯn kinh nhƠn tÔo. ữa ra b i toĂn ữợc lữủng kảnh trong hằ thống thổng tin 6G cõ sỷ dửng IRS v giợi thiằu phữỡng phĂp sỷ dửng cổng cử toĂn hồc. ữa ra b i toĂn, ã xuĐt phữỡng Ăn v mổ phọng kát quÊ ữợc lữủng kảnh trong hằ thống thổng tin 6G cõ sỷ dửng IRS dỹa trản mĂy hồc (ML).
So sánh kỹ thuật phẫu thuật nội soi khớp gối bằng phương pháp hỗ trợ máy móc với phương pháp mổ hở truyền thống là chủ đề quan trọng cần được xem xét và phân tích Nghiên cứu so sánh này nhằm mục đích làm sáng tỏ sự khác biệt cơ bản giữa hai phương pháp tiếp cận, bao gồm ưu điểm, nhược điểm và ý nghĩa lâm sàng của chúng đối với bệnh nhân.
ối tữủng, phÔm vi v phữỡng phĂp nghiản cựu
PhÔm vi v ối tữủng nghiản cựu
Luên vôn têp trung nghiản cựu hằ thống thổng tin cõ sỹ hộ trủ cừa IRS Trong õ, ối tữủng chẵnh l viằc ữợc lữủng kảnh truyãn vợi phữỡng phĂp truyãn thống v dũng mĂy hồc (ML) PhÔm vi ữủc giợi hÔn trong iãu kiằn cĂc th nh phƯn phƯn cựng l lỵ tữðng v IRS khổng suy hao v cõ thº tÔo ở lằch pha liản tửc.
Phữỡng phĂp nghiản cựu
CĂc nghiản cựu trong luên vôn n y ữủc phĂt triºn tiáp nối tứ mởt số cổng trẳnh trữợc Ơy Cử thº, tĂc giÊ xem x²t cĂc b i toĂn ữủc nảu ra trong cĂc nghiản cựu n y,phƠn tẵch ữu nhữủc iºm v tẳm hiºu nhỳng khẵa cÔnh chữa ữủc khai thĂc Tứ õ, tĂc giÊ xƠy dỹng mởt số mổ hẳnh khĂc, ã xuĐt cĂc phữỡng phĂp mợi phũ hủp ho°c kát hủp cĂc phữỡng phĂp  cõ º tÔo tiãn ã so sĂnh v nhên x²t Do hÔn chá chi phẵ v nguỗn lỹc, luên vôn s³ ch¿ thỹc hiằn cĂc mổ phọng trản mĂy tẵnh l m côn cự º Ănh giĂ v so sĂnh cĂc giÊi thuêt.
Bố cửc luên vôn
Luên vôn s³ bao gỗm cĂc chữỡng cõ thự tỹ v nởi dung chẵnh nhữ sau:
Chữỡng 1: Trẳnh b y tờng qua vã hằ thống thổng tin cõ sỹ hộ trủ cừa IRS v ởng lỹc thỹc hiằn luên vôn.
Chữỡng 2: Giợi thiằu lỵ thuyát cỡ bÊn vã hằ thống v mổ hẳnh mĂy hồc ữủc sỷ dửng.
Chữỡng 3: Trẳnh b y b i toĂn ữợc lữủng kảnh, phữỡng phĂp ữợc lữủng truyãn thống v mĂy hồc.
Chữỡng 4: Trẳnh b y kát quÊ mổ phọng, nhên x²t v Ănh giĂ vã cĂc mổ hẳnh ữủc sỷ dửng.
Chữỡng 5: Tờng kát lÔi cĂc vĐn ã Â ữủc ã cêp trong luên vôn v ã xuĐt cĂc hữợng phĂt triºn cho luên vôn.
Bài viết này sẽ trình bày một số lý thuyết cơ bản để giải quyết các bài toán thực tế sau Cụ thể, phần 2.1 mô tả các loại cảnh truyển trong hệ thống viễn thông Tiếp theo, phần 2.2 giới thiệu sự lựa chọn và bộ phận của một phân hệ thông minh sau đó, phần 2.3 trình bày mô hình hệ thống IRS-aMUC Phần cuối cùng 2.4 là giới thiệu và học sâu (DL) và các mô hình tiêu biểu được sử dụng trong luận văn.
Kảnh truyãn vổ tuyán
Fading tƯm rởng
Fading tƯm rởng diạn tÊ sỹ thay ời lợn trong cổng suĐt gƠy ra bði suy hao ữớng truyãn v che khuĐt (shadowing) Suy hao ữớng truyãn l sỹ tiảu tĂn cổng suĐt phĂt trong khổng gian bði sỹ lan truyãn sõng iằn tứ Shadowing ữủc sinh ra bði cĂc vêt cÊn giỳa mĂy phĂt v mĂy thu, l m giÊm cổng suĐt tẵn hiằu bði cĂc hiằn tữủng vêt lỵ hĐp thu nông lữủng, phÊn xÔ (reflection), tĂn xÔ (scattering) v nhiạu xÔ (diffraction).
2.1.1.1 Mổ hẳnh lan truyãn trong khổng gian tỹ do
Mổ hẳnh lan truyãn trong khổng gian tỹ do ữủc sỷ dửng º dỹ oĂn cữớng ở tẵn hiằu khi mĂy phĂt v mĂy thu nhẳn thĐy nhau v khổng cõ vêt cÊn (ch¿ LoS).
Suy hao ữớng truyãn cho mổ hẳnh khổng gian tỹ do ữủc mổ tÊ:
P t , P r l cổng suĐt phĂt v cổng suĐt thu.
G t , G r l ở lủi antenna phĂt v antenna thu. λ l bữợc sõng tẵn hiằu. d l khoÊng cĂch tứ antenna phĂt án antenna thu.
2.1.1.2 Mổ hẳnh suy hao theo h m log
Nhỳng mổ hẳnh lỵ thuyát v o Ôt ch¿ ra rơng cổng suĐt trung bẳnh cừa tẵn hiằu thu gi£m theo h m logarit theo kho£ng c¡ch.
(2.2) trong â: d l kho£ng c¡ch giúa m¡y thu v m¡y ph¡t. d 0 l khoÊng cĂch tham chiáu.
P L(d 0 ) l suy hao tÔi khoÊng cĂch tham chiáu ữủc xĂc ành tứ cĂc o Ôt gƯn m¡y ph¡t. n l số mụ suy hao ữớng truyãn GiĂ trà cừa n cõ thá xĂc ành bơng phữỡng phĂp MMSE ối vợi cĂc dỳ liằu ữủc o Ôt thỹc nghiằm.
BÊng 2.1: CĂc số mụ suy hao ữớng truyãn iºn hẳnh
Mổi trữớng Số mụ suy hao ữớng truyãn n
KHu vü th nh thà 2.7 - 3.5
Khu vüc th nh thà bà che ch n
2.1.1.3 Mổ hẳnh log-normal shadowing
Trản thỹc tá, do tẳnh trÔng khổng ờn ành cừa mổi trữớng  ch¿ ra rơng vợi bĐt ký giĂ trà n o cừa d, suy hao ữớng truyãn P L(d) l ngău nhiản v cõ phƠn phối log-normal.
X σ l thổng số shadowing, l bián ngău nhiản phƠn bố Gausian cõ trung bẳnh bơng 0 (dB) vợi ở lằch chuân σ (dB).
Trong phẫu thuật mở, các phương pháp phẫu thuật cụ thể có thể được xem xét tùy thuộc vào vị trí giải phẫu: phẫu thuật Okumura (sử dụng trong vùng ổ bụng), phẫu thuật Hata (sử dụng trong phẫu thuật ổ bụng, ngoại ổ, sàn chậu, ).
Fading tƯm hàp
Mờ nhòe nhiễu đa đường dẫn phát sinh do hiện tượng lan truyền đa đường và hiện tượng Doppler gây nên bởi các chuyển động nhanh trong môi trường truyền tín hiệu trong không gian vô tuyến Hiện tượng đa đường là hiện tượng tín hiệu truyền theo nhiều đường khác nhau từ máy phát đến máy thu và có thời gian truyền khác nhau làm cho tín hiệu nhận được sớm nhất và trễ nhất Thời gian này được gọi là độ trễ lan truyền Ngược lại, hiện tượng Doppler phát sinh khi máy thu chuyển động so với máy phát Trong quá trình chuyển động, mỗi môi trường xung quanh bao gồm cây cối, tòa nhà sẽ thay đổi Hiện tượng này ảnh hưởng tới tần số và pha của tín hiệu tại phía thu.
Trong khi trÊi trạ a ữớng dăn án phƠn tĂn thới gian v fading chồn lồc tƯn số thẳ trÊi Doppler dăn án phƠn tĂn tƯn số v fading chồn lồc thới gian.
Các mô hình truyền kênh cỡ bé bao gồm: a Mô hình theo phân bố Rayleigh: dùng mô hình này để biểu diễn bên chếch thay đổi theo thời gian cường độ tín hiệu fading tức thời hoặc cường độ tín hiệu của một thành phần riêng lẻ (NLoS).
G=G N LoS (2.4) b Kảnh theo phƠn bố Rician: Khổng giống nhữ Rayleigh fading, Rician fading giÊ ành rơng cõ ữớng LoS chiám ữu thá bản cÔnh cĂc ữớng dăn phƠn tĂn Nõi cĂch khĂc, sỹ lan truyãn tẵn hiằu bao gỗm cÊ ữớng dăn trỹc tiáp v ữớng dăn phÊn xÔ/tĂn xÔ v th nh phƯn ữớng dăn trỹc tiáp mÔnh hỡn cĂc th nh phƯn ph¥n t¡n.
Hằ số Rician l mởt tham số °c trững cho cữớng ở cừa th nh phƯn LoS so vợi th nh phƯn phƠn tĂn v nõ cõ thº thay ời tũy thuởc v o mổi trữớng v khoÊng c¡ch giúa m¡y ph¡t v m¡y thu [9].
G l ma trên kảnh truyãn gỗm tờng ma trên kảnh truyãn LoS (G LoS ) v ma trên kảnh truyãn (G N LoS ).
K l hả số Rician KhiK = 0, Rician fading l Rayleigh fading NáuK =∞,s³ khổng cõ fading, kảnh truyãn s³ LoS.
Bã m°t phÊn xÔ (IRS)
Trong thêp k vứa qua,  cõ nộ lỹc Ăng kº ữủc Ưu tữ v o viằc phĂt triºn nhiãu cổng nghằ hộ trủ cho 5G, bao gỗm cổng nghằ MIMO, giao tiáp mmWave, v mêt ở mÔng M°c dũ nhỳng tián bở n y  mang lÔi cÊi thiằn Ăng kº cho hiằu suĐt cừa 5G, những chúng ối diằn vợi nhỳng thĂch thực nghiảm trồng trong quĂ trẳnh triºn khai do mực tiảu thử nông lữủng v chi phẵ phƯn cựng liản tửc gia tông.
Mặc dù MIMO quy mô lớn hứa hẹn dung lượng dữ liệu cao bằng cách triển khai nhiều ăng-ten/truyền động vô tuyến tần số (RF), nhưng chi phí triển khai cao của nó vẫn là một rào cản đối với việc triển khai quy mô lớn trong tương lai Trong khi giao tiếp mmWave có tiềm năng cung cấp dung lượng cao hơn vì sử dụng tần số cao hơn, thì nó lại gặp phải sự suy hao tín hiệu đáng kể trong thực tế Do đó, tối ưu hóa ăng-ten/truyền động RF và xử lý tín hiệu tiên tiến trở nên cần thiết để giảm chi phí triển khai cao và mở rộng phạm vi phủ sóng, một thách thức có thể sẽ không thể giải quyết bằng những giải pháp hiện có đối với 6G [8] Mặt khác, mạng lưới là một yếu tố quan trọng trong 5G, giúp cải thiện hiệu quả để mở rộng phạm vi phủ sóng và tăng dung lượng mạng Tuy nhiên, với sự gia tăng liên tục các nút hoạt động như trạm gốc (BS), điểm truy cập (AP), bộ lặp và ăng-ten hoạt động phân tán khắp mạng lưới, chi phí triển khai/bảo trì của mạng lưới và quản lý tài nguyên cũng tăng theo Mạng lưới cũng phải đối mặt với các vấn đề thực tế khác như nhiễu nghiêm trọng hơn trong/liên hệ thống, quản lý tài nguyên phức tạp, là những thách thức khó giải quyết trong thực tế [10].
Ngo i nhỳng nhữủc iºm  nõi ð trản cừa cĂc cổng nghằ 5G hiằn cõ, mởt nút thưt cuối cũng º Ôt ữủc truyãn thổng khổng dƠy cõ dung lữủng cỹc cao v cỹc ký Ăng tin cêy nơm ð mổi trữớng truyãn sõng khổng dƠy ngău nhiản v phƯn lợn khổng thº kiºm soĂt ữủc, gƠy ra hiằn tữủng fading khổng mong muốn v suy giÊm/bián dÔng tẵn hiằu gƠy bĐt lủi cho hiằu suĐt hằ thống khổng dƠy.
Hệ thống IRS mở ra một mô hình hai chiều gồm các bề mặt phản xạ thụ động/bề mặt phản xạ chủ động với chi phí thấp Mỗi bề mặt có thể tái tạo sóng trở thành sóng thay đổi theo thời gian và không gian ở vùng phủ sóng, từ đó ảnh hưởng đến cách sóng vô tuyến truyền lan Ý tưởng này mang lại nhiều ứng dụng tiềm năng trong thực tế Chẳng hạn, đối với người dùng nằm trong "vùng chết" của trạm gốc, nơi có vết che giữa người dùng và trạm gốc, IRS có thể tạo ra môi trường truyền line-of-sight (LOS), cải thiện đáng kể chất lượng kết nối Ngược lại, khi người dùng đã ở gần trạm BTS và phải đối mặt với suy giảm tín hiệu do khoảng cách gần, IRS có thể giúp tăng cường cường độ tín hiệu cục bộ, cải thiện hiệu quả phổ tần Ngoài ra, trong bối cảnh mật độ cao, IRS có thể được điều chỉnh để tối đa hóa cường độ tín hiệu cục bộ tại các thiết bị di động, từ đó giảm rủi ro mất thông tin Tuy nhiên, cần lưu ý rằng IRS không phải là một phần của hệ thống truyền dẫn hoặc hệ thống thuần thụ động, mà là một thành phần chủ động của môi trường truyền dẫn mạng, do đó có thể cung cấp độ linh hoạt "thụ động" Do đó, công suất tiêu thụ của IRS thường không đáng kể Hiện nay, việc sử dụng siêu vật liệu để thiết kế IRS cho phép điều chỉnh độ pha ngay trong thời gian thực, cường độ phản xạ linh hoạt và hiệu suất của hệ thống.
Nhẳn chung, mởt IRS thữớng cõ 3 lợp v 1 bở iãu khiºn é lợp ngo i cũng, cĂc miáng kim loÔi nơm trản chĐt nãn iằn mổi õng vai trỏ nhữ cĂc phƯn tỷ phÊn xÔ s³ tữỡng tĂc trỹc tiáp vợi tẵn hiằu tợi º ngôn ngứa sỹ thĐt thoĂt nông lữủng tẵn hiằu, ngữới ta thảm v o mởt lợp bơng ỗng nơm giỳa Cuối cũng, lợp trong cũng l mởt bo mÔch chàu trĂch nhiằm iãu ch¿nh biản ở hay ở dàch pha phÊn xÔ cho tứng phƯn tỷ Lợp n y ữủc kẵch hoÔt bði mởt bở iãu khiºn thổng minh kát nối vợi IRS, thổng thữớng l FPGA Mổ hẳnh truyãn dăn cừa mởt phƯn tỷ phÊn xÔ trong IRS, trong õ
L 1 l iằn cÊm ð lợp trong cũng; L 2 , C m , R m lƯn lữủt l iằn cÊm, iằn dung v iằn trð hiằu dửng ð lợp ngo i cũng (m kỵ hiằu cho phƯn tỷ thự m) [3], [10] Theo õ, trð kh¡ng t÷ìng ÷ìng cõa ph¦n tû ph£n x¤ thù m l :
Z m (C m , R m ) jωL 1 jωL 2 + jωC 1 m +R m jωL 1 + jωL 2 + jωC 1 m +R m (2.6) vợi ω l tƯn số gõc cừa tẵn hiằu tợi Tứ õ, hằ số phÊn xÔ θ m ữủc tẵnh bơng: θ = Zm(Cm, Rm)−Z0
Z m (C m , R m ) +Z 0 (2.7) vợi Z 0 l trð khĂng tỹ do Bơng cĂch thay ời R m v C m hủp lỵ, ta cõ thº iãu ch¿nh biản ở v ở dàch pha cừa tia phÊn xÔ.
.Hẳnh 2.1: Mổ hẳnh truyãn dăn cừa mồt ph n tỷ phÊn xÔ [3]
Mổ hẳnh hằ thống IRS-aMUC
Phữỡng trẳnh Ăp ựng kảnh
Hằ thống IRS-aMUC s³ sỷ dửng giao thực TDD (phƠn chia theo thới gian), th nh phƯn gỗm mởt trÔm cỡ sð (BS) thu phĂt vợi cõ anten mÊng M phƯn tỷ, bã m°t phÊn xÔ (IRS) gỗm N phƯn tỷ phÊn xÔ v K ngữới dũng (users) sỷ dửng anten ỡn.
BS s³ phĂt tẵn hiằu vợi ành dÔng búp sõng (beamforming) Thiát ká ành dÔng búp
Hẳnh 2.2: Mổ hẳnh ữớng lản (uplink-UL) cừa hằ thống IRS-aMUC sõng ữớng xuống (downlink-DL) chừ yáu phử thuởc v o sỹ sđn cõ cừa CSI Do tẵnh chĐt thuên nghàch cừa kảnh trong cĂc hằ thống TDD, CSI ữớng xuống (downlink-DL) cõ thº thu ữủc tứ ữợc tẵnh kảnh ữớng lản (uplink-UL) trong hằ thống IRS-aMUC. Hẳnh 2.2 minh hồa cho mổ hẳnh dữớng lản cừa hằ thống Trong õ, U k l ngữới dũng thự k ∈ {1,2, K} Gồi kảnh truyãn cừa cĂc liản kát U k −BS, U k −IRS, IRS−BS lƯn lữủt l d k ∈C Mì1 ,f k ∈C Nì1 ,G∈C M ìN U k −IRS−BS cõ thº xem l mởt c°p kảnh tĂn xÔ ngữủc trong õ mội phƯn tỷ tÔi IRS kát hủp tĐt cÊ cĂc tẵn hiằu án v phÊn xÔ chúng án BS hoÔt ởng nhữ mởt iºm nguỗn duy nhĐt [11].
Tẵn hiằu tợi IRS s³ ữủc phÊn xÔ i theo ma trên dàch pha R =diag(r)∈ C N ì N , r β 1 e jθ 1 , β 2 e jθ 2 , , β N e jθ N T
, vợi 06 β i 6 1 v 0 6 θ i 6 2π lƯn lữủt l biản ở v pha cừa phƯn tỷ phÊn xÔ thự i trong IRS Kảnh truyãn cừa liản kát U k −IRS −BS cừa 1 ngữới dũng (user) ữủc biºu diạn thổng qua phữỡng trẳnh GRf k ∈ C M ì N GiÊ sỷ và trẵ BS, IRS v ngữới dũng cố ành (trong 1 khoÊng thới gian m ngữới dũng ko di chuyºn), liản kát kảnh truyãn U k −IRS −BS cõ thº ữủc iãu ch¿nh qua sỹ thay ời cừa ma trên phÊn xÔR. p dửng tẵnh chĐt trong ma trên (A.3) diag(r)f k =diag(f k )r, liản kát kảnh truyãn
U k −IRS−BS ữủc biºu diạn lÔi dữợi dÔngGdiag(r)f k =Gdiag(f k )r Tứ õ, suy ra phữỡng trẳnh Ăp ựng kảnh truyãn cừa hằ thống IRS-aMUC
Giao thực cho mổ hẳnh ữợc lữủng kảnh truyãn
QuĂ trẳnh truyãn dỳ liằu thổng hằ thống IRS ữủc chia l m hai giai oÔn truyãn: dỳ liằu ữợc lữủng v dỳ liằu tẵn hiằu Trong dỳ liằu ữợc lữủng, IRS s³ tÔo raC(C >N+ 1) ma trên dàch pha khĂc nhau Λ = [R 1 ,R 2 , ,R C ]nhữ Hẳnh 2.3.
Hẳnh 2.3: Giao thực ữợc lữủng cho hằ thống IRS-aMUC [4]
Trong õ, RC = diag(rc) l ma trên dàch pha thự c ∈ {1,2, C} vợi rC β c,1 e jθ c,1 , β c,2 e jθ c,2 , , β c,N e jθ c,N T
, vợi β c,n , θ c,n lƯn lữủt l biản ở v pha cừa phƯn tỷ thự n trong sub-frame c º phƠn biằt ngữới dũng vợi nhau, ta s³ dũng chuội pilot trỹc giao cõ ở d i L vợi L > K cho tứng ma trên dàch pha cừa IRS l uk = [uk,1, uk,2, uk,L] T , vợi u H i uj = P L, i = j v u H i uj = 0, i 6= j, P l cổng suĐt cõa méi ng÷íi dòng thù k.
Vợi mội C sub-frame, ta s³ truyãn L kỵ tỹ pilot Mội k ngữới dũng (user) s³ gỷi tữỡng ựng 1 chuội pilotu k , do õ vector tẵn hiằu pilot thu ữủc tÔi BS ữủc biºu diạn: s c,l K
Trong õ, Hk l ma trên ữợc lữủng kảnh v pc= [1,rc] T ∈C (N +1)ì1 Vector nhiạu l§y m¨u thù l t¤i BS cho sub-frame c l v k,l ∈ C N×1 xem l 1 vector ph¥n bè Gauss vk,l ∼CN(0, σ 2 v IM) Sau õ xáp chỗng L vector tẵn hiằu pilot thu ữủc tÔi BS [4]:
Vợi, S c = [s c,1 ,s c,2 , ,s c,L ] v V c = [v c,1 ,v c,2 , ,v c,L ] lƯn lữủt l ma trên xáp chỗng cừa tẵn hiằu thu ữủc v nhiạu tÔi BS º tĂch tẵn hiằu cừa mội ngữới dũng (user), ta s³ tên dửng tẵnh chĐt trỹc giao cừa cĂc tẵn hiằu ngữới dũng vợi nhau.
Sau quĂ trẳnh bián ời, ta thu ữủcx c,k ∈C Mì1 v z c,k ∈C Mì1 (z c,l ∼CN(0, σ z 2 I M )) l vector tẵn hiằu v nhiạu cừa U k Sau õ, tián h nh xáp chỗng C sub-frame thu ữủc mởt ma trên tờng quĂt:
P l sỹ kát hủp kảnh truyãn cừa liản kát BS−IRS −U ser v BS −U ser: P [p 1 ,p 2 , ,p C ]vợi p c = [1,r c ] T Ta s³ thiát káPnhữ mởt ph²p bián ời Fourier rới rÔc (DFT) º cÊi thiằn tẵn hiằu thu ữủc tÔi BS.
Tứ cổng thực 2.12, ta s³ tên dửng º mổ phọng dỳ liằu v ữợc lữủng kảnh truyãn
Deep learning (DL)
Giợi thiằu
Những kỹ thuật học sâu (DL) dựa trên dữ liệu đã chứng minh tính hiệu quả của chúng trong các hệ thống truy xuất thông tin (IRS) hỗ trợ Điều này bao gồm việc áp dụng các kỹ thuật học sâu như thiết kế ảnh động chú thích dựa trên DL, tối ưu hóa kích thước tham số thông qua học tăng cường sâu (DRL) và liên kết ngữ nghĩa an toàn dựa trên DRL cho các hệ thống IRS-AMUC.
DL văn ỏi họi thổng tin kảnh (CSI) ho n hÊo º triºn khai trong cĂc hằ thống ữủcIRS hộ trủ Lữu ỵ rơng viằc ữợc lữủng kảnh l mởt b i toĂn khõ khôn, °c biằt l khi xem x²t cĂc yáu tố nhiạu Kÿ thuêt DL, °c biằt l hồc phƯn dữ d y °c (RDN) v mÔng hồc dữ sƠu (DRN), Â ữủc cổng nhên vợi khÊ nông khỷ nhiạu mÔnh m³ trong nhiãu lắnh vỹc nghiản cựu [13].
Luên vôn têp trung v o cĂc hằ thống liản lÔc ữủc IRS hộ trủ (IRS-aMUC) º khai thĂc thổng minh cĂc tẵnh nông cừa kảnh, nhơm cÊi thiằn ở chẵnh xĂc cừa ữợc tẵnh kảnh Phữỡng phĂp ữủc ã xuĐt bao gỗm viằc sỷ dửng giĂ trà ữợc tẵnh kảnh dỹa trảnLeast Squares (LS) l m giĂ trà ữợc tẵnh thổ ban Ưu, sau õ mổ hẳnh hõa ữợc tẵnh kảnh nhữ mởt vĐn ã khỷ nhiạu º nƠng cao chĐt lữủng cừa ữợc tẵnh.
Mổ hẳnh Residual Neural Network (Residual Network, ResNet) 22
ResNet (Residual Network) ra ới vợi ỵ tữðng chẵnh l giÊi quyát vĐn ã cừa gradient bián mĐt trong quĂ trẳnh huĐn luyằn cĂc mổ hẳnh hồc sƠu Khi mởt mổ hẳnh cõ quĂ nhiãu lợp, gradient cừa h m mĐt mĂt cõ thº trð nản rĐt nhọ khi lan truyãn ngữủc, dăn án hiằu suĐt cêp nhêt trồng số khổng hiằu quÊ v ổi khi l m cho quĂ trẳnh huĐn luyằn trð nản khổng khÊ thi [14].
ResNet giÊi quyát vĐn ã n y thổng qua viằc sỷ dửng cĂc residual blocks, trong õ thổng tin ữủc truyãn tứ lợp Ưu v o trỹc tiáp án lợp Ưu ra thổng qua mởt
ResNet (Residual Network) ứng dụng kiến trúc "residual learning" - học phần dư nhằm nâng cao độ chính xác của mô hình Thay vì học toàn bộ giá trị đầu ra, ResNet tập trung vào việc học sự khác biệt giữa giá trị thực tế và giá trị dự đoán, giúp giảm vấn đề mất gradient, cho phép huấn luyện các mạng sâu hơn mà không gặp phải các khó khăn lớn về gradient.
Mạng nơ-ron ResNet học một ánh xạ y, F(x) = H(x) - x Thay vì học H(x) trực tiếp, mạng học sự khác biệt (F(x)) giữa input và output trong một mạng nơ-ron (hay nói cách khác là số bổ sung input x vào output của layer, hay chính là phép cộng như ta thấy trong hình minh họa, việc này có chống lỗi do độ sâu của mạng bom xơ).
Trong õ, x, y l input, output cừa mởt lợp mÔng, F(x, W i ) l phƯn cƯn hồc cừa Ănh xÔ, v W i l cĂc trồng số cƯn ữủc tối ữu hõa.
Viằc thảm loÔi kát nối 'tưt' trong ResNet mang lÔi nhiãu ữu iºm, trong õ mởt trong nhỳng ữu iºm quan trồng l khÊ nông quy chuân hõa (regularization) thổng qua viằc bọ qua bĐt ký lợp n o cõ thº Ênh hữðng án hiằu suĐt cừa kián trúc iãu n y ỗng nghắa vợi viằc náu mởt lợp n o õ g°p vĐn ã, cõ thº ữủc loÔi bọ ho°c ữủc iãu ch¿nh thổng qua quĂ trẳnh regularization.
Trong mổ hẳnh mÔng hồc dữ sƠu (DRN), loÔi kát nối 'tưt' n y °c biằt hỳu ẵch º trĂnh tẳnh trÔng Vanishing/Exploding Gradient Trong quĂ trẳnh lan truyãn ngữủc, khi gradient trð nản rĐt nhọ ho°c rĐt lợn khi i qua cĂc lợp, quĂ trẳnh cêp nhêt trồng số trð nản khổng hiằu quÊ v cõ thº dăn án hiằn tữủng hồc sƠu khổng th nh cổng Cỡ chá residual learning cừa ResNet cho ph²p thổng tin truyãn qua ữớng tưt mởt cĂch dạ d ng hỡn, giÊm thiºu tẳnh trÔng Vanishing/Exploding Gradient, do õ, tông khÊ nông huĐn luyằn mÔng nỡron sƠu m khổng g°p cĂc vĐn ã lợn liản quan án gradient [15].
Mổ hẳnh Residual Dense Network (RDN)
ị tữðng chẵnh cừa Residual Dense Network (RDN) l kát hủp cÊ hai th nh phƯn quan trồng trong thiát ká mổ hẳnh: "residual learning" tứ ResNet v "dense connec- tivity" tứ DenseNet iãu n y giúp mổ hẳnh hồc ữủc nhiãu biºu diạn chi tiát v phực tÔp cừa dỳ liằu [16] [17].
Residual Learning tứ ResNet: RDN giỳ lÔi cỡ chá "residual learning" cừa
ResNet, nỡi thổng tin ữủc truyãn tứ lợp Ưu v o án lợp Ưu ra thổng qua cĂc ữớng tưt (skip connections) Cỡ chá n y giúp giÊm tẳnh trÔng bián mĐt gradient v tông khÊ nông huĐn luyằn mÔng nỡron sƠu bơng cĂch giỳ lÔi thổng tin cừa lợp trữợc õ, ỗng thới giúp mổ hẳnh biºu diạn chi tiát dỳ liằu.
Dense Connectivity trong DenseNet là đặc điểm kết nối dày đặc, trong đó mỗi lớp nhận thông tin trực tiếp từ mọi lớp trước đó trong chuỗi Điều này tạo ra một mạng liên kết chặt chẽ, giúp cải thiện khả năng truy xuất tính năng cục bộ và toàn cục của mạng, nâng cao hiệu suất tổng thể của mô hình.
Bơng cĂch kát hủp cÊ hai th nh phƯn n y, RDN cõ khÊ nông hồc ữủc biºu diạn phực tÔp v chi tiát cừa dỳ liằu, ỗng thới giÊm thiºu vĐn ã bián mĐt gradient v tên dửng sực mÔnh cừa mổ hẳnh vợi cĂc liản kát ch°t ch³.
Hẳnh 2.5: Vẵ dử mởt mổ hẳnh Residual Dense Network [6]
Cổng thực chẵnh xĂc cừa RDN khổng ữủc trẳnh b y dữợi dÔng mởt cổng thực ỡn giÊn, vẳ nõ l mởt mổ hẳnh phực tÔp v tẵch hủp nhiãu th nh phƯn linh hoÔt Sỹ kát hủp linh hoÔt cừa cĂc dense residual blocks giúp mổ hẳnh hiằu quÊ trong viằc hồc biºu diạn phực tÔp cừa dỳ liằu m khổng g°p vĐn ã cừa gradient bián mĐt (s³ ữủc trẳnh b i trong mổ hẳnh ựng dửng ð chữỡng tiáp theo).
Kát luên chữỡng
Trong bối cảnh phân tích văn bản, luận văn "Tờng kát lÔi" trình bày các lý thuyết liên quan đến các vấn đề sử dụng từ ngữ hiệu quả và nghiên cứu trong luận văn Sau đó, luận văn trình bày khái niệm về hệ thống Vienna trong ngôn ngữ học, sau đó là công nghệ, cấu trúc và mô hình toàn học của IRS để xây dựng giao diện hỗ trợ quá trình biên soạn, phân tích ngữ liệu Cuối cùng, luận văn giới thiệu và đào sâu (DL) vào 2 mô hình: Residual Neural Network và Residual Dense Network được áp dụng trực tiếp trong phân tích theo góc nhìn của luận văn.
Ch÷ìng 3 ìẻC LìẹNG KNH TRUYN
Chữỡng 3 giợi thiằu vã ữợc lữủng kảnh truyãn, cũng theo õ m phữỡng phĂp ữợc lữủng kảnh truyãn thống Nhỳng khõ khôn trong quĂ trẳnh thỹc hiằn º l m ởng lỹc nghiản cựu, tẳm kiám phữỡng phĂp mợi Sau õ, luên vôn têp trung trẳnh b y hữợng giÊi quyát thổng qua phữỡng phĂp ữợc lữủng truyãn thống Cuối cũng, luên vôn trẳnh b y mởt phữỡng phĂp tiáp cên chi tiát hỡn, õ l phữỡng phĂp hồc sƠu Bơng cĂch n y, nghiản cựu s³ khĂm phĂ v giợi thiằu cử thº cĂch m hồc sƠu cõ thº ữủc Ăp dửng º giÊi quyát cĂc thĂch thực trong ữợc lữủng kảnh truyãn Sỹ so sĂnh giỳa phữỡng phĂp truyãn thống v phữỡng phĂp hồc sƠu s³ l m nời bêt nhỳng ữu iºm v °c iºm cừa tứng phữỡng phĂp, giúp tÔo ra cĂi nhẳn to n diằn vã quĂ trẳnh nghiản cựu v ựng dửng.
Giợi thiằu vĐn ã ữợc lữủng kảnh truyãn
ìợc lữủng kảnh l quĂ trẳnh ữợc tẵnh cĂc °c tẵnh kảnh truyãn khổng dƠy giỳa mĂy phĂt v mĂy thu trong mởt hằ thống truyãn thổng Kảnh truyãn khổng dƠy l phữỡng tiằn truyãn tẵn hiằu v cĂc °c tẵnh cừa nõ cõ thº thay ời do mởt số yáu tố nhữ khoÊng cĂch, chữợng ngÔi vêt v nhiạu ìợc lữủng chẵnh xĂc kảnh khổng dƠy l rĐt quan trồng º thiát ká v tối ữu hõa cĂc hằ thống truyãn thổng khổng dƠy.
Trong cĂc hằ thống truyãn thổng khổng dƠy, tẵn hiằu ữủc truyãn trÊi qua nhiãu bián ời khĂc nhau khi truyãn qua kảnh khổng dƠy Nhỳng bián ời n y cõ thº khián tẵn hiằu bà m²o, suy giÊm v trạ ìợc lữủng kảnh nhơm mửc ẵch ữợc lữủng cĂc hằ số kảnh mổ tÊ sỹ bián ời cừa tẵn hiằu qua kảnh Sau khi cĂc hằ số kảnh ữủc ữợc tẵnh, chúng cõ thº ữủc sỷ dửng º cƠn bơng ho°c bũ cho cĂc hiằu ựng cừa kảnh truyãn khổng dƠy.
CĂc phữỡng phĂp ữợc lữủng kảnh
Cõ nhiãu phữỡng phĂp ữợc lữủng kảnh khĂc nhau, ữủc chia th nh 3 phữỡng phĂp ữợc lữủng kảnh cỡ bÊn: dũng chuội huĐn luyằn (pilot), ữợc lữủng mũ (blind) v ữợc lữủng bĂn mũ (semi-blind) l sỹ kát hủp cÊu 2 phữỡng phĂp trản.
Phữỡng phĂp dũng chuội huĐn luyằn º ữợc lữủng kảnh ỏi họi bở phĂt phÊi gỷi ành ký tẵn hiằu  biát thổng tin án bở thu º ữợc tẵnh kảnh truyãn Viằc truyãn ành ký tẵn hiằu huĐn luyằn s³ tiảu thử mởt lữủng bông thổng Ăng kº v l m giÊm hiằu suĐt bông thổng °c trững kảnh truyãn vổ tuyán l bián ời nhanh theo thới gian, do õ, chuội huĐn luyằn ch¿ em lÔi kát quÊ chẵnh xĂc trong thới gian ngưn v chúng ta phÊi gỷi tẵn hiằu huĐn luyằn liản tửc º ữợc lữủng.
Phữỡng phĂp ữợc lữủng mũ cõ thº ữợc lữủng kảnh m khổng cƯn sỷ dửng chuội huĐn luyằn Phữỡng phĂ n y dỹa trản tẵn hiằu thu v mởt v i thổng tin thống kả tiản nghiằm ho°c tẵnh chĐt cừa tẵn hiằu Ưu v o º nhên dÔng kảnh truyãn vổ tuyán Do õ, phữỡng phĂp ữủc dũng º loÔi trứ ho°c giÊm thiºu chuội huĐn luyằn, tiát kiằm bông thổng v cÊi thiằn hiằu suĐt.
Nói chung, ước tính cảnh là một quy trình quan trọng trong các hệ thống liên lạc không dây cho phép truyền thông tin hiệu chính xác qua kênh không dây Ước tính cảnh chính xác có thể cải thiện tốc độ dữ liệu, độ tin cậy và chất lượng của hệ thống truyền thông không dây.
Trong luên vôn n y, phữỡng phĂp ữợc lữủng dũng chuội huĐn luyằn kát hủp vợi ma trên dàch pha cừa IRS Â ữủc trẳnh b y trong phƯn 2.3.2.
Mổ tÊ vĐn ã
ìợc lữủng kảnh trong hằ thống thổng tin vổ tuyán sỷ dửng bã m°t phÊn xÔ thổng minh (IRS) ã cêp án quĂ trẳnh ữợc lữủng cĂc °c iºm cừa kảnh truyãn thổng khổng dƠy giỳa BS-IRS-ngữới dũng Trong hằ thống vợi sỹ hộ trủ cừa IRS, quĂ trẳnh ữợc lữủng kảnh bao gỗm viằc ữợc lữủng kảnh giỳa BS v IRS, giỳa BS v ngữới dũng, cụng nhữ kảnh giỳa IRS v ngữới dũng Viằc ữợc lữủng kảnh chẵnh xĂc l rĐt quan trồng º tối ữu hõa cĂc hằ số tÔo tẵn hiằu phÊn xÔ tÔi IRS nhơm tông cữớng cổng suĐt tẵn hiằu mong muèn t¤i ng÷íi dòng.
CĂc kÿ thuêt ữợc lữủng kảnh trong hằ thống sỷ dửng IRS cõ thº thay ời tũy thuởc v o thiát ká v yảu cƯu cử thº cừa hằ thống Mởt số phữỡng phĂp thổng thữớng bao gỗm: ìợc lữủng kảnh dỹa pilot: Phữỡng phĂp n y ỏi họi bở phĂt gỷi tẵn hiằu mău pilot  biát án IRS, sau õ IRS phÊn xÔ chúng tợi bở nhên Bở nhên sau õ ữợc lữủng kảnh dỹa trản tẵn hiằu mău pilot  nhên Phữỡng phĂp n y tữỡng tỹ nhữ phữỡng phĂp ữợc lữủng kảnh dỹa trản tẵn hiằu huĐn luyằn (pilot) truyãn thống trong cĂc hằ thống khổng dƠy những  ữủc iãu ch¿nh cho cĂc tẳnh huống hộ trủ cừa IRS. ìợc lữủng dỹa trản tẵnh ối xựng cừa kảnh: Kÿ thuêt n y tên dửng tẵnh chĐt ối xựng cừa cĂc kảnh khổng dƠy Bở phĂt gỷi mởt tẵn hiằu mău pilot  biát án, sau õ ữủc IRS phÊn xÔ tợi bở nhên Bở nhên o lữớng phÊn ựng kảnh kát hủp v tên dửng tẵnh chĐt ối xựng º ữợc lữủng cĂc kảnh riảng l´ bở phĂt-IRS v IRS-bở nhên. ìợc lữủng dỹa trản mĂy hồc (machine learning): CĂc kÿ thuêt mĂy hồc, ch¯ng hÔn nhữ hồc sƠu (deep learning), cõ thº ữủc sỷ dửng º ữợc lữủng cĂc tham số kảnh trong hằ thống sỷ dửng IRS Dỳ liằu huĐn luyằn bao gỗm cĂc o lữớng kảnh v cĂc °c iºm kảnh tữỡng ựng cõ thº ữủc sỷ dửng º huĐn luyằn mởt mÔng neural ho°c cĂc mổ hẳnh hồc khĂc cho viằc ữợc lữủng kảnh.
CƯn lữu ỵ rơng ữợc lữủng kảnh trong hằ thống sỷ dửng IRS cõ thº khõ khôn do số lữủng lợn cĂc yáu tố phÊn xÔ, mổi trữớng khổng gian bián ời khổng dƠy v nhu cƯu iãu ch¿nh thới gian thỹc Do õ, nhiãu nghiản cựu ang ữủc tián h nh º phĂt triºn cĂc kÿ thuêt ữợc lữủng kảnh hiằu quÊ v chẵnh xĂc hỡn °c biằt d nh cho hằ thống thổng tin vổ tuyán cõ sỹ hộ trủ cừa IRS.
Phữỡng phĂp tiáp cên bơng bở ữợc lữủng
Bở ữợc lữủng bẳnh phữỡng tối thiºu (LS)
Theo mổ hẳnh hằ thống thổng tin cõ phƯn tỷ phÊn xÔ thổng minh v cổng thực ữủc chựng minh trong phử lửc (A.7), ta thiát lêp ữủc cổng thực tẵnh toĂnHb LS :
Bở ữợc lữủng MMSE
KhĂc vợi phữỡng phĂp LS trong õ H ữủc giÊ ành l mởt hơng số chữa biát những cõ tẵnh xĂc ành, phữỡng phĂp Bayes giÊ ành rơngHk l mởt bián ngău nhiản cõ h m mêt ở xĂc xuĐt (pdf) l p(H) Do õ, cĂch tiáp cên Bayes cõ thº tên dửng lủi thá kián thực trữợc õ º nƠng cao hỡn nỳa ở chẵnh xĂc cừa ữợc tẵnh Uợc tẵnh MMSE cõ thº ữủc biºu thà qua phữỡng trẳnh [18]:
Bở ữợc lữủng LMMSE
Phữỡng phĂp LMMSE cho mởt hữợng tiáp cên thỹc tá hỡn do MMSE tốn nhiãu cổng thực º tẵnh toĂn v triºn khai trong thỹc tá khi phƠn phối kảnh phực tÔp [19].
H H H l ma trên tữỡng quan kảnh thống kả.
Phữỡng phĂp tiáp cên bơng mĂy hồc (machine learing)
Dỳ liằu Ưu v o cho mổ hẳnh
(X,H)l têp huĐn luyằn thổ, trong õ (X i k ,H i k ) lƯn lữủt l ngó v o (input) v giĂ trà thêt (ground truth) cừa dỳ liằu huĐn luyằn thự i, i ∈ 1,2, , N t º thu thêp cĂc hằ số ữợc lữủng kảnh thổ nhữ xĂc ành trong b i toĂn khỷ nhiạu, X s³ ữủc ữa qua bở ữợc lữủng LS trong, lúc n y dỳ liằu ữa v o huĐn luyằn s³ l :
Xe i k ,H i k l mău huĐn luyằn thự i cừa (Xe,H) (Xe,H) sau õ ữủc ữa v o mổ hẳnh mĂy hồc º training Tứ õ, ta cõ xem dỳ liằu nhữ mởt Ênh bao gỗm M h ng, N cởt , hai phƯn giĂ trà thỹc v Êo nhữ hai channel cừa Ênh.
Triºn khai mổ hẳnh CDRN
Áp dụng nhiễu cộng vào dữ liệu đầu vào đóng vai trò quan trọng trong việc phục hồi các tín hiệu bị mất trong hệ thống [20] Dựa trên sự liên kết mạnh mẽ giữa các khối của DRN, thuật toán đề xuất thay thế kiến trúc phép cộng thông thường bằng kiến trúc phép trừ, dẫn đến sức mạnh lớn trong việc giảm nhiễu.
DRN bao gỗm mởt DNN v mởt toĂn tỷ trứ tứng phƯn tỷ giỳa Ưu v o DNN v Ưu ra DNN Lữu ỵ rơng DNN cõ thº l bĐt ký loÔi mÔng Nỡron n o, vẵ dử nhữ: Multilayer, CNN, Kỵ hiằu fe θ l biºu thực cừa DNN trong õ θ l tờng cĂc tham số cừa DNN, do õ ngó ra cừa mÔng DRN cõ thº biºu diạn thổng quaA v O lƯn lữủt l ngã v o v ngã ra cõa m¤ng DRN nh÷ sau:
Hẳnh 3.1: CĐu trúc cỡ bÊn cừa mởt khối Denoising Block.
D khối khỷ nhiạu ữủc sỷ dửng º nƠng cao hiằu suĐt khỷ nhiạu v tĐt cÊ cĂc khối khỷ nhiạu cõ cĐu trúc giống nhau Trong mội khối khỷ nhiạu bao gỗm mởt mÔng dữ con v mởt toĂn tỷ trứ tứng phƯn tỷ nhữ mổ tÊ trong Hẳnh 3.1 MÔng dữ con cừa mội khối khỷ nhiạu gỗmNl layers éNl−1layer Ưu tiản, cĂc bữợc tẵnh toĂn "Tẵch chêp Batch Nomalization H m kẵch hoÔt ReLU" ữủc sỷ dửng tuƯn tỹ °c trững khổng gian cừa ma trên kảnh s³ ữủc khai thĂc thổng qua ph²p tẵnh tẵch chêp (Convolution). Chuân hõa Batch Normalization (BN) ữủc thảm v o giỳa Convolution v ReLU º cÊi thằn tẵnh ờn ành cừa mÔng ối vợi layer Nl cuối cũng, mởt ph²p tẵnh tẵch chêp ữủc biºu diạn º thu vã ma trên nhiạu dữ cho ph²p trứ vợi dỳ liằu Ưu v o Ph²p trứ tứng phƯn tỷ giỳa ngó v o v ngó ra cừa mÔng dữ con ữủc thảm v o º thu ữủc ma trên kảnh khỷ nhiạu.
Triºn khai mổ hẳnh RDN
Mô hình Convolutional Neural Network (CNN) đang trở nên cực kỳ phổ biến trong lĩnh vực xử lý hình ảnh CNN sử dụng cơ sở dữ liệu phân cấp (RDB), bao gồm nhiều lớp Convolutional (Conv) kết nối trực tiếp với lớp rút trích dữ liệu cấp cao (LRDN) Nhờ cách tiếp cận này, CNN có thể trích xuất đặc điểm từ nhiều lớp Conv một cách hiệu quả, giúp tăng cường khả năng biểu diễn của mô hình đối với hình ảnh.
GiÊ sỷ x v z l dỳ liằu v o v ra cừa cừa lợp Conv thự k Khối ữủc mổ tÊ nhữ Hẳnh 3.2:
Hẳnh 3.2: Khối cỡ bÊn cừa RDB.
GiÊ sỷ ∗ biºu thà cho h m Conv.Ta cõ mổ hẳnh toĂn hồc: z=Wk∗x+bk (3.7)
Trong õ W k v b k lƯn lữủt l trồng số v bias cừa lợp Conv thự k, z=Conv(x) Dỳ liằu sau lợpConv s³ ữa qua l m active (ReLU, LeakyReLU, ) ztive(x) v kát hủp vợi input ban Ưu º tÔo ra output cho khối cỡ bÊn.
Gồi g n l h m cho khối cỡ bÊn thự n, ta cõ cổng thực: z = g n (x) Khối Residual Dense Network bao gỗm sỹ kát hủp cừa nhiãu khối cỡ bÊn, RDN 1 =g 1 (X) +X.
3.4.3.2 Khèi Local Residual Dense Network
Khối Local Residual Dense Network l sỹ kát hủp cừa nhiãu khối Residual Dense Network:
LRDB =f Conv (RDB n (RDBn−1( )), RDBn−1(RDBn−2, ), RDB 1 ) +X (3.9)
X¥y düng h m m§t m¡t
Tiáp theo, ta xƠy dỹng h m mĐt mĂt cho mÔng mĂy hồc Dỹa trản tiảu chẵ MMSE, phữỡng phĂp ữợc lữủng MMSE tối ữu ữủc lĐy bơng cĂch giÊm thiºu MSE Bayes:
Trong õ,He k v H k lƯn lữủt l ma trên ữợc lữủng kảnh v ma trên giĂ trà thỹc cừa kảnh º Ôt ữủc hiằu suĐt tối ữu, mởt lỹa chồn trỹc quan cừa h m mĐt mĂt l biºu thực MSE Bayes Tuy nhiản, số lữủng mău huĐn luyằn l hỳu hÔn trong thỹc tá v do õ thống kả MSE Bayes khổng cõ sđn, m thay v o õ ch¿ cõ thº Ăp dửng MSE theo kinh nghiằm quan sĂt:
Trong trữớng hủp n y, ta ch¿ cõ thº chồn MSE theo kinh nghiằm quan sĂt l m h m mĐt mĂt v ữủc biºu diạn lÔi nhữ sau:
Dỹa trản iãu n y, Ăp dửng thuêt toĂn lan truyãn ngữủc (backpropagation) º thu ữủc well-trained bơng cĂch cêp nhêt dƯn cĂc tham số mÔng án khi h m mĐt mĂt giÊm án mực tối thiºu Kỵ hiằu θ ∗ biºu diạn cho cĂc tham số tối ữu n y, v ma trên ữợc lữủng kảnh tối ữu ữủc viát lÔi dữợi dÔng:
Tối ưu hóa MSE bằng phương pháp tiếp cận dựa trên dữ liệu là phương pháp giảm thiểu MSE theo kinh nghiệm quan sát dựa trên tập dữ liệu Trong khi đó, tối ưu hóa MSE Bayes dựa trên mô hình là phương pháp giảm thiểu MSE Bayes dựa trên PDF của tập dữ liệu Ví dụ, hiệu suất của phương pháp dựa trên DRN kém hơn phương pháp tối ưu MSE khi tập dữ liệu khá nhỏ.
Triºn khai v Ănh giĂ thuêt toĂn
Dỹa trản mổ hẳnh khỷ nhiạu º phĂt triºn khung ữợc lữủng kảnh dỹa trản mĂy hồc bao gỗm giai oÔn huĐn luyằn (training) v giai oÔn kiºm tra (testing) Trong giai oÔn huĐn luyằn, quy trẳnh sỷ dửng mổ hẳnh huĐn luyằn ữủc Ăp dửng º thu ữủc tham số tối ữu (well-trained) Trong giai oÔn kiºm tra, dỳ liằu test s³ ữủc ữa v o mổ hẳnh cõ tham số well-trained º Ănh giĂ lÔi kát quÊ huĐn luyằn.
Luên vôn s³ Ănh giĂ thuêt toĂn dỹa trản tốc ở truyãn dỳ liằu cừa hằ thống theo mổ hẳnh ữớng xuống (Hẳnh 3.6), do tẵnh chĐt thuên nghàch, cĂc giĂ trà kảnh truyãn
Hẳnh 3.5: Khung ữợc lữủng. s³ ữủc ãu ch¿nh:
Tứ Ơy cõ thº ành nghắa W = [w1,w2, ,wk] ∈ C MìK l ma trên beamforming vợi w k ;k = 1, , K l vector beamforming cho user thự k Θ = diag(θ) ∈ C N ìN ma trên ở lằch pha trản IRS.
Hẳnh 3.6: Mổ hẳnh ữớng xuống (downlink-DL) cừa hằ thống IRS-aMUC. y k = d DL k +f k DL ΘG DL w k s k +
Trong õ y k ,s k ,n k lƯn lữủt l tẵn hiằu nhên, tẵn hiằu truyãn v nhiạu tÔi ngữới dòng thù k.
Khi õ t số tẵn hiằu trản can nhiạu (SINR) ữủc tẵnh theo cổng thực:
SIN Rk d DL k +f k DL ΘG DL w k
Khi cĂc tẵn hiằu ngữới dũng phĂt trản cĂc kảnh trỹc giao thẳ tẵn hiằu trản ngữới dũng thự k s³ khổng cõ can nhiạu tứ nhỳng ngữới dũng khĂc Vẳ vêy, t số ữủc sỷ dửng º tẵnh toĂn l SNR thay vẳ SINR Tứ Ơy, ta cõ tốc ở cừa user thự k s³ ữủc ành nghắa l :
Dựa trên lý thuyết tản sóng (3.17), (3.18) và thuật toán tham khảo trong [21], luận văn sẽ thực hiện việc tính toán và so sánh tốc độ truyền của thông số lý thuyết so với thông số thực tế.
Algorithm 1 Khỷ nhiạu cho mổ hẳnh mĂy hồc
2: Bián ám i= 0 v số vỏng lêp tối a Iteration M AX
3: Têp dỳ liằu giĂ trà thỹc (Y,e H)
4: Têp dỳ liằu test giĂ trà thỹc: Y˙ k i =Fh
6: Input: Têp dỳ liằu huĐn luyằn (Y,e H)
8: Cêp nhêt θ bơng thuêt toĂn backpropagation º tối thiºu h m mĐt mĂt J(θ)
10: Output: gi¡ trà training tèt nh§t cõa h θ ∗ (well-trained)
12: Input: Têp dỳ liằu test Y˙ =Fh
13: do: ìợc lữủng kảnh truyãn dỹa trản bở ữợc lữủng well-trained ð trản.
Kát luên chữỡng
Chữỡng 3 Â trẳnh b y cĂc phữỡng phĂp ữợc lữủng kảnh truyãn thống Tiáp õ,luên vôn xƠy dỹng hai mổ hẳnh ữợc lữủng sỷ dửng hồc sƠu v ã xuĐt bữợc khiºn khai.Cuối cũng, luên vôn xƠy dỹng mổ hẳnh Ănh giĂ kát quÊ Ôt ữủc.
Chữỡng n y trẳnh b y lÔi quĂ trẳnh mổ phọng  tián h nh trong quĂ trẳnh thỹc hiằn luên vôn Sau õ cĂc số liằu thu ữủc cụng nhữ Ănh giĂ nhên x²t vã kát quÊ khi thỹc hiằn tiáp cên b i toĂn ữợc lữủng kảnh truyãn trong hằ thống bơng phữỡng phĂp ữợc lữủng truyãn thống v phữỡng Ăn dũng Deep learning vợi 2 mổ hẳnh CDRN v RDN s³ ữủc trẳnh b y ð cuối chữỡng QuĂ trẳnh mổ phọng ữủc thỹc hiằn theo cĂc bữợc, Ưu tiản l tÔo têp dỳ liằu mổ phọng mổi trữớng, sau õ sỷ dửng têp dỳ liằu º huĐn luyằn mổ hẳnh DL dũng giÊi thuêt CDRN v RDN, tiáp theo thỹc hiằn chÔy thỷ v thu thêp kát quÊ kiºm tra sau quĂ trẳnh huĐn luyằn, tiáp tửc giÊi lÔi bơng phữỡnng phĂp ữợc lữủng truyãn thống, cuối cũng l so sĂnh, Ănh giĂ v nhên x²t cĂc kát quÊ thu ữủc.
XƠy dỹng mổi trữớng
Trong cĂc mổ phọng, hằ thống IRS-MUC bao gỗm mởt BS trang bà M anten, mởt IRS cõ N phƯn tỷ phÊn xÔ v K ngữới dũng anten ỡn s³ ữủc xem x²t
Trứ khi ữủc ch¿ ành ró, IRS hoÔt ởng vợi pha liản tửc thay ời v c i °t m°c ành cừa hằ thống IRS-MUC l M = 8, N = 32, C = 128 Mổ hẳnh suy hao kảnh truyãn(Path loss model) ữủc Ăp dửng trong mổ phọng v suy hao cừa mội kảnh ữủc mổ hẳnh hõa nhữ sau:
Trong môi trường truyền dẫn, γi, i = 1,2,3 là các hệ số suy hao tiêu chuẩn ứng với các kênh truyền dẫn là UBk (Uk -BS), dIBk (IRS -BS) và dUIk (Uk-IRS) d0 = 10dB là khoảng cách tham chiếu có suy hao PL(d0) = -15dB Các hệ số suy hao cho mỗi phòng thí nghiệm được trình bày trong bảng 4.1.
BÊng 4.1: CĂc hằ số trong mổ phọng
Kảnh KhoÊng cĂch Hằ số mụ suy hao Hằ số Rician - K
GiÊ ành kảnh liản kát U k −BS, U k −IRS l Non-line-of-sight nản Rician Factor
K 1 = K 3 = 0 ối vợi kảnh liản kát IRS-BS bao gỗm G LoS ,G N LoS lƯn luủt l th nh phƯn Line-of-sight (LoS) v th nh phƯn Rayleigh Lữu ỵ rơng biºu thực trản l mổ hẳnh chung bao gỗm cÊ mổ hẳnh kảnh LoS (khi K = ∞) v mổ hẳnh kảnh Rayleigh (khi K = 0) V º xem x²t tĂc ởng cừa cĂc yáu tố suy hao kảnh truyãn, cĂc th nh phƯn trong mổ hẳnh kảnh Rician n y sau õ ữủc nhƠn vợi p
Tiáp theo, trung bẳnh bẳnh phữỡng sai số chuân hõa (NMSE) ữủc sỷ dửng l m thữợc o cho hiằu suĐt ữợc lữủng kảnh truyãn:
Trong õ,He v HlƯn lữủt biºu diạn cho kảnh ữợc lữủng v kảnh thỹc tá Bản cÔnh õ, t¿ số tẵn hiằu trản nhiạu (SN R= σ P 2 z) ữủc sỷ dửng º Ănh giĂ cĂc mổ phọng dỹa trản tẵnh toĂn tốc ở kảnh truyãn.
Thổng số cho mổ hẳnh
Thổng số mổ hẳnh CDRN
Luên vôn s³ sỷ dửng 3 ho°c 4 Khối khỷ nhiạu v learning rate = 0.001 º cho ra kát quÊ tối ữu nhĐt vẳ do quĂ trẳnh chÔy thỷ rút ữủc kát luên:
Mực ở hởi tử h m mĐt mĂt NMSE c ng tốt v thới gian training cụng ẵt hỡn khi số lữủng Denoising Block nhọ Số lữủng 3 v 4 Block lÔi cho giĂ trà tốt hỡn so vợi 2 Block do mÔng c ng sƠu hồc ữủc c ng nhiãu °c trững cừa kảnh truyãn. Những khi số block cõ giĂ trà lợn hỡn 4, NMSE-loss tông lản rĐt nhanh do hằ thống cõ xu hữợng bà overfitting. º trĂnh thới gian training mổ hẳnh lƠu v khổng hởi tử, learning rate = 0.001 s³ ữủc sỷ dửng.
BÊng 4.2: Thổng số cho mổ hẳnh CDRN
Input Ma trên Ưu v o kẵch thữợc M ì(N + 1)ì2
Layers Full-conection Kẵch thực filer
Output Ma trên Ưu ra kẵch thữợc Mì(N + 1)ì2
Thổng số mổ hẳnh RDN
Luên vôn s³ sỷ dửng 4 khối cỡ bÊn trong 1 khối RDB v 2 khối RDB trong khối GRDB:
Số lượng dữ liệu cỡ lớn trong bộ dữ liệu RDB có thể khiến mô hình học máy gặp khó khăn trong việc xử lý và gây ra kết quả dự đoán không chính xác Để khắc phục vấn đề này, cần giảm thiểu lỗi trong quá trình học bằng cách sử dụng learning rate = 0.001, giúp tiết kiệm thời gian đào tạo và cải thiện hiệu suất mô hình.
Kát quÊ v nhên x²t
Khao sĂt dỹa trản sỹ thay ời cừa SNR
Hệ thống IRS-aMUC là hệ thống kết hợp ăng-ten quy mô lớn theo mô hình Rayleigh, sử dụng thuật toán LMMSE dựa trên ma trận nhiễu ước tính theo phương pháp Monte Carlo Hiệu suất NMSE của các thuật toán này giảm dần khi SNR tăng.
Qua ỗ thà Hẳnh 4.2, m°c dũ LS v LMMSE cõ xu hữợng giÊm những khổng bơng so vợi CDRN v RDB khi SNR tông ối vợi trữớng hủp mổi trữớng cõ nhiạu lợn (SNR nhọ) thẳ sai số NMSE giỳ mổ hẳnh truyãn thống v DL cõ khoÊng cĂch Sai số LMMSE thĐp hợn LS do LMMSE cõ thº biát ữủc °c tẵnh thống kả cừa kảnh trong khi LS ữủc thiát ká bơng cĂch coi kảnh l mởt hơng số nhĐt ành những chữa biát Mổ hẳnh
DL l phi tuyán, thỹc hiằn khổi phửc kảnh truyãn bơng cĂch khai thĂc thổng minh cĂc °c trững khổng gian cừa kảnh theo cĂch tiáp cên dỹa trản dỳ liằu nản s³ cõ sai số thĐp hỡn LMMSE (LMMSE ữủc phĂt triºn dỹa trản cổng cử ữợc lữủng tuyán tẵnh cõ r ng buởc) So vợi mổ hẳnh CDRN thẳ RDB cho sai số tốt hỡn do RDB têp trung trẵch xuĐt °c trững bao gỗm Ưu v o v Ưu ra mÔng CNN trong khi CDRN trẵch xuĐt °c trững cừa nhiạu.
Nhữ vêy, phữỡng phĂp DL cho kát quÊ tốt hỡn so vợi mổ hẳnh truyãn thống Tiáp
Hẳnh 4.2: ỗ thà sai số khi SNR thay ời tửc s³ kiºm tra sỹ thay ời cĂc thổng số khĂc cừa hằ thống IRS-aMUC.
Khao sĂt dỹa trản sỹ thay ời cừa kảnh truyãn
Ngo i SNR, số lữủng anten cừa BS v số lữủng phƯn tỷ phÊn xÔ N trản IRS cụng Ênh hữðng tợi kảnh truyãn do trong H k cõ chựa M h ng v N + 1 cởt dỳ liằu.
4.3.2.1 Theo số lữủng anten BS (M)
Hẳnh 4.3 l kát quÊ vợi số lữủng anten cừa IRS (N2), số lữủng pilot (C8) v SNR]B Nhên thĐy số lữủng M cừa BS khổng Ênh hữðng tợi quĂ trẳnh ữợc lữủng kảnh do trong viằc tẵnh toĂn cừa NMSE.
4.3.2.2 Theo số lữủng anten IRS (N)
Khi N thay ời, sai số NMSE cõ xu hữợng giÊm những khổng Ăng kº Do khi tông
N, dỳ liằu qua IRS cõ thº truyãn tợi ngữới dũng user nhiãu kảnh hỡn những cụng gƠy ra can nhiạu nản viằc loÔi trứ nhiạu thổng qua mổ hẳnh khổng cÊi thiằn nhiãu.
Hẳnh 4.3: ỗ thà sai số khi M thay ời
Hẳnh 4.4: ỗ thà sai số khi N thay ời.
Theo số lữủng ma trên dàch pha (C)
Khi tông C, sai số cừa giĂ trà NMSE ãu giÊm trong õ kát quÊ cừa 2 mổ hẳnh DL tốt hỡn Khi tông C thẳ số lữủng ma trên dàch pha cụng tông lản l m cho quĂ trẳnh training cõ thảm nhiãu dỳ liằu º trẵch xuĐt nản sai số c ng giÊm Thổng thữớng số lữủng ma trên dàch pha chồn thọa iãu kiằn C ≥ N + 1, do khi C thĐp hỡn s³ dăn
Hẳnh 4.5: ỗ thà sai số khi C thay ời. tợi sỹ trũng l°p dỳ liằu, khi quĂ cao s³ dăn tợi trÔng thĂi bÂo hỏa, ỗng thới viằc tẵnh to¡n LS s³ phùc t¤p hìn.
Tốc ở truyãn dỳ liằu thổng qua ữợc lữủng kảnh truyãn
Trong hằ thống thổng tin, ngo i Êm bÊo kảnh truyãn ờn ành thẳ tốc ở dỳ liằu cụng ữủc xem x²t, tũy v o mửc ẵch v nhu cƯu m º tián h nh tối ữu.
Dỹa v o giao thực ữợc lữủng  ữủc trẳnh b y chi tiát trong chữỡng 2, mội lƯn truyãn dỳ liằu s³ ữủc chia th nh nhiãu khung truyãn, vợi mội khung truyãn chựa cÊ dỳ liằu ữợc lữủng v dỳ liằu thổng tin Ngay sau khi mội khung truyãn ữủc truyãn i, ma trên ữợc lữủng kảnh s³ ữủc tĂi tẵnh toĂn º phÊn Ănh sỹ bián ời cừa mổi trữớng truyãn dăn QuĂ trẳnh n y nhơm Êm bÊo tẵnh chẵnh xĂc v hiằu quÊ trong viằc ữợc lữủng cĂc tham số kảnh.
Bơng cĂch n y, luên vôn cõ khÊ nông tẵnh toĂn tốc ở truyãn dỳ liằu trản tứng khung truyãn cử thº Sau khi ho n th nh quĂ trẳnh ữợc lữủng kảnh truyãn, luên vôn s³ Ăp dửng mổ hẳnh nghiản cựu ữủc trẳnh b y trong [21] º kiºm tra v Ănh giĂ tốc ở truyãn cừa dỳ liằu.
Sử dụng thuật toán tối ưu hóa [21] và kỹ thuật beamforming trên mảng pha IRS (W, θ) giúp tăng tốc độ truyền dữ liệu Sau khi sử dụng thông số W, θ và dữ liệu kênh truyền thực tế để tính toán, tốc độ truyền dữ liệu được cải thiện đáng kể.
Hẳnh 4.6: Tốc ở truyãn cừa ngữới dũng tÔi thới iºm khĂc nhau vợi thổng số (M=8, N2, SNR=5 dB).
Tứ Hẳnh 4.7, tốc ở cừa mổ hẳnh ữợc lữủng s³ thĐp hỡn hỡn kảnh truyãn thỹc tá những khổng quĂ nhiãu do quĂ trẳnh ữợc lữủng ch¿ tẳm gƯn úng vợi sai số nhọ nhĐt chự khổng thº chẵnh xĂc ho n to n vợi sỹ bián ởng trong mổ trữớng truyãn thổng tin. Tuy nhiản, khoÊng cĂch chảnh lằch cừa tốc ở ð Hẳnh 4.6 khĂ cao do SNR nhọ dăn tợi sai số trong ữợc lữủng kảnh truyãn cao hỡn.
Kát luên: Tứ kát quÊ ữủc thº hiằn trong ỗ thà, luên vôn nhên thĐy phữỡng phĂp sỷ dửng DL cho kát quÊ ữợc lữủng kảnh tốt khi số lữủng phƯn tỷ phÊn xÔ, số khung truyãn tông v SNR tông Tuy nhiản, sai số khổng thº giÊm thĐp do mổ hẳnh dƯn tợi trÔng thĂi bÂo hỏa, náu tiáp tửc huĐn luyằn s³ tợi tợi sai số ối vợi huĐn luyằn s³ giÊm
Hẳnh 4.7: Tốc ở truyãn cừa ngữới dũng tÔi thới iºm khĂc nhau vợi thổng số (M=8, N2, SNR dB). những sai số kiºm tra s³ tông (overfitting), mÔng xem nhiạu thảm v o nhữ mởt phƯn cừa kảnh truyãn v do õ khổng thº ữợc lữủng úng vợi kảnh truyãn mong muốn Cho nản º mổ hẳnh DL cõ thº hồc tốt nhĐt cƯn lữu ỵ thỷ nghiằm cĂc khối khỷ cụng nhữ mÔng NN sao cho Ôt ữủc b i toĂn tối ữu.
Kát quÊ ữủc trẳnh b y trong chữỡng 4 l sỹ kát hủp cừa cĂc quĂ trẳnh triºn khai v lêp trẳnh cĂc giÊi thuêt ữủc trẳnh b y ð chữỡng 3 Sau mởt loÔt cĂc mổ phọng, bao gỗm quĂ trẳnh tÔo kảnh truyãn, huĐn luyằn mổ hẳnh Deep Learning (DL), v kiºm tra kát quÊ trản cÊ hai giÊi thuêt, cụng nhữ sỷ dửng mổ hẳnh ữợc lữủng truyãn thống v Ănh giĂ ữợc lữủng thổng qua tốc ở truyãn tẵn hiằu, kát quÊ thu ữủc  ữủc tờng hủp v biºu diạn trỹc quan dữợi dÔng bÊng v ỗ thà.
Qua viằc phƠn tẵch ỗ thà, cõ thº rút ra kát luên rơng cÊ hai phữỡng phĂp ãu khÊ thi trong viằc ữợc lữủng kảnh truyãn, nhữ ữủc mổ tÊ trong luên vôn °c biằt, nhên thĐy rơng sỹ bián ởng vã số lữủng phƯn tỷ phÊn xÔ, số lữủng anten phĂt, hay t lằ tẵn hiằu trản nhiạu (SNR) ãu gƠy ra sỹ thay ời vã sai số trong quĂ trẳnh ữợc lữủng v tờng tốc ở dỳ liằu Nhỳng bián ởng n y ữủc chú ỵ v chúng khợp khĂ tốt vợi kát quÊ dỹ oĂn tứ lỵ thuyát mổ phọng.
Kát quÊ cụng l m nời bêt mởt khoÊng chảnh lằch Ăng kº, lản án 10 lƯn, giỳa kát quÊ cừa mổ hẳnh Deep Learning v mổ hẳnh truyãn thống Tuy nhiản, cụng nhên thĐy rơng sỹ chảnh lằch n y cõ thº phử thuởc v o số lữủng phƯn tỷ phÊn xÔ thổng minh, số lữủng anten phĂt tÔi trÔm cỡ sð (BS), hay số lữủng khung truyãn, tũy thuởc v o iãu kiằn cử thº cừa hằ thống thỹc tá iãu n y °t ra mởt thĂch thực lợn, yảu cƯu thới gian v nộ lỹc tối ữu hõa giÊi thuêt, huĐn luyằn mổ hẳnh, thỹc hiằn thỷ nghiằm v iãu ch¿nh º Ăp ựng giợi hÔn cừa phƯn cựng.
KT LUN CHUNG V HìẻNG PHT TRIN
Luận văn tập trung vào ước lượng khả năng truyền tin trong hệ thống thông tin cơ sở dữ liệu hỗ trợ IRS Ước tính tiếp cận bằng hai phương pháp khác nhau, một là phương pháp truyền thống, hai là phương pháp ứng dụng DL (CDRN và RDB).
Áp dụng chiến lược ưu tiên hàng đầu thông qua việc tái thiết cơ sở hạ tầng thông tin hiện đại là bước tiến quan trọng để mở ra kỷ nguyên mới cho hệ thống thông tin Trong bối cảnh công nghệ số dẫn đầu xu hướng phát triển của hệ thống thông tin thế hệ 6, sự đột phá ở hạ tầng số được kỳ vọng sẽ mang lại những bước chuyển mình toàn diện.
DL hiằn tÔi Nhên thĐy sỹ xuĐt hiằn cừa IRS mð ra nhỳng thuên lủi cụng nhữ thĂch thực mợi Khi cĂc thổng tin v vĐn ã Â ữủc xĂc ành, luên vôn tiáp tửc tẳm hiºu v tờng hủp mởt số kián thực, khĂi niằm v cổng nghằ liản quan án lắnh vỹc DL, tứ õ giúp lỹa chồn giÊi thuêt hủp lỵ s³ ữủc sỷ dửng trong luên vôn Sau khi xĂc ành ữủc phữỡng hữợng, luên vôn tián h nh xƠy dỹng mổ hẳnh hằ thống thổng tin tứ õ tẳm mổ hẳnh b i toĂn bơng cổng thực toĂn Sau õ nhên thĐy cĐu trúc dỳ liằu gƯn giống nhữ Ênh nản hữợng tợi viằc giÊi quyát b i toĂn ữợc lữủng kảnh bơng cĂch lồc nhiạu thổng qua mổ hẳnh DL Tứ õ, xƠy dỹng mổ hẳnh, kiºm tra v rút ra kát luên.
Luận vận lý thiên là môn học giúp củng cố một số kiến thức nền tảng như kinh truyện, biến đổi toán học, lập trình, Trong thời đại công nghệ và khoa học hiện đại ngày nay, môn học này cung cấp nền tảng lý thuyết cho các công nghệ và khái niệm mới như mạng 5G, bảo mật trên phân mảnh thông minh hay DL (Deep Learning).
Luên vôn thỹc hiằn cÊ 2 hữợng ữợc lữủng kảnh truyãn, tứ õ mổ hẳnh DL cho kát quÊ khỷ nhiạu tốt hỡn Tuy nhiản, cÊ 2 ãu cõ ữu nhữủc iºm riảng, vợi cĂch truyãn thống kát quÊ sai số k²m hỡn những viằc tẵnh toĂn s³ phực tÔp hỡn, ối vợi DL thẳ khưc phửc ữủc viằc sai số lợn những cƯn phƯn cựng v khối lữủng dỳ liằu huĐn luyằn lợn.
Nhận thức tình huống là chìa khóa để đảm bảo an toàn cho một đội hoặc một cá nhân trong lĩnh vực tối ưu hóa hiệu suất cao, vì nó tạo điều kiện cho việc phân tích tối ưu cho cả nhóm và các cá nhân riêng lẻ.