Ứng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RIS

Ứng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RISỨng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RIS

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Đề án tốt nghiệp được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: GS TS Võ Nguyễn Quốc Bảo

Phản biện 1: ………

Phản biện 2: ………

Đề án tốt nghiệp sẽ được bảo vệ trước Hội đồng chấm đề án tốt nghiệp thạc sĩ tại Học viện Công Nghệ Bưu Chính Viễn Thông Vào lúc: ……giờ ……ngày ……tháng ……năm ……

Có thể tìm hiểu đề án tại:

-Thư viện của Học Viện Công Nghệ Bưu Chính Viễn Thông

MỞ ĐẦU

Mạng 5G ra đời như xu thế phát triển tất yếu của công nghệ, cùng yêu cầu về tốc độ xử lý, khả năng phủ sóng, độ tin cậy và trễ thấp thì tất yếu sẽ có các thế hệ mạng sau 5G được nghiên cứu và triển khai Cùng với các yêu cầu của người dùng, ứng dụng và phạm vi sử dụng của mạng mới sẽ mang lại nhiều vấn đề, thách thức, đòi hỏi các mô hình truyền thông khác biệt, các công nghệ phối hợp hiệu quả, đặc biệt là ở lớp vật lý Trong những năm gần đây, một kỹ thuật hỗ trợ nổi trội, đem lại sự tối ưu cho công nghệ truyền thông không dây đó là bề mặt phản xạ thông minh có thể tái cấu hình RIS, đã thu hút sự chú ý rộng rãi sự quan tâm trong giới hàn lâm và công nghiệp RIS giúp khắc phục các tác động tiêu cực của mạng truyền thống, giảm nhiễu, đảm bảo độ tin cậy, tăng sự bảo mật, tối ưu hóa kênh truyền, nâng cao hiệu quả phổ, tiết kiệm năng lượng, mở rộng phạm vi phủ sóng, đáp ứng các yêu cầu về tốc độ dữ liệu truyền của người dùng và chất lượng dịch vụ, góp phần nâng cao hiệu năng chung của toàn bộ hệ thống truyền thông

Tuy nhiên, hầu hết các đóng góp nghiên cứu hiện tại đều xem xét trường hợp RIS chỉ hoạt động ở chế độ phản xạ [3] Hạn chế không gian này không phải lúc nào cũng được đáp ứng trong thực tế, do đó hạn chế tính linh hoạt và hiệu quả của RIS vì người dùng có thể nằm ở bất kỳ vị trí nào so với RIS Để khắc phục hạn chế này, một kỹ thuật mới STAR-RIS cho phép truyền và phản xạ đồng thời được ra đời Tín hiệu tới ngẫu nhiên trên một phần tử của STAR-RIS được chia thành hai tín hiệu thành phần cụ thể Một phần tín hiệu phản xạ (cùng không gian với tín hiệu tới, gọi là không gian phản xạ) và phần kia tín hiệu được truyền/khúc xạ qua STAR-RIS (không gian đối diện với tín hiệu tới, gọi là không gian truyền/khúc xạ)[4] Bằng cách điều chỉnh cả dòng điện và từ của phần tử STAR-RIS, tín hiệu truyền và phản xạ có thể

được cấu hình lại thông qua hai hệ số truyền và hệ số phản xạ Khi đó, RIS có thể hỗ trợ toàn không gian

Do đó, để giải quyết các vấn đề tối ưu hiệu năng hệ thống RIS, dựa trên các vấn đề khảo sát nêu trên và các vấn đề nghiên cứu mở, tôi

STAR-xin chọn đề tài: “Ứng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RIS” Đề án sẽ tập trung giải quyết bài toán tối ưu bằng kỹ thuật AI và đề xuất cấu trúc mạng nơ-ron phù hợp để ước lượng và tối ưu hiệu năng hệ thống trong vùng tỷ lệ tín hiệu trên nhiễu hoạt động của hệ thống

Đề án gồm 4 chương với nội dung tóm tắt như sau:

CHƯƠNG 1: CƠ SỞ LÝ LUẬN

Chương này giới thiệu tổng quan về cấu tạo và nguyên lý hoạt động của công nghệ: RIS, STAR-RIS và ứng dụng củacông nghệ này vào hệ thống viễn thông

CHƯƠNG 2: KHẢO SÁT VÀ ĐÁNH GIÁ HIỆU NĂNG MÔ HÌNH RIS

STAR-Chương này trình bày về nghiên cứu cựu thể của của mô hình STAR-RIS trong hệ thống viễn thông, đồng thời đánh giá hiệu năng của mô hình thông qua các thông số: Tỷ lệ tín hiệu trên nhiễu và xác suất dừng của hệ thống

CHƯƠNG 3: ỨNG DỤNG AI TRONG ƯỚC LƯỢNG VÀ TỐI ƯU HIỆU NĂNG HỆ THỐNG STAR-RIS

Chương này xây dựng lược đồ và đưa ra kiến trúc mạng DNN phù hợp với kịch bản đã mô phỏng dựa trên các biểu thức toán học đã đưa ra ở

chương 2

CHƯƠNG 4: KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN

Chương này tóm tắt về các kết quả mà đề án đã đạt được cũng như các định hướng, hướng phát triển tiếp theo cho đề tài

Chương 1 – CƠ SỞ LÝ LUẬN

1.1.1 Cấu tạo của RIS

Về bản chất, RIS là các tấm điện từ, có thể tái cấu hình để kiểm soát sự lan truyền của sóng điện từ trong môi trường không dây nhằm nâng cao chất lượng tín hiệu tại máy thu RIS được tạo ra từ một số lượng lớn các phần tử thụ động, chi phí thấp, có khả năng điều chỉnh sóng vô tuyến RF tác động vào chúng mà các vật liệu tự nhiên không làm được

Hình 1.1: Cấu tạo của RIS

1.1.2 Nguyên lý hoạt động của RIS

Nguyên lý làm việc RIS:

• Các phần tử bị phân cực bởi trường tín hiệu tới Các phần tử của RIS chỉ phản ứng với thành phần điện của trường tới và mật độ phân cực P được tạo ra Các tham số có thể điều chỉnh của các phần tử có thể được sử dụng để điều chỉnh giá trị của các độ nhạy này trong một sai số lượng tử hóa nhất định

• Mật độ phân cực dao động tạo ra dòng điện phân cực thay đổi theo thời gian

• Các dòng điện thay đổi theo thời gian này bức xạ ra không gian, tạo thành trường tín hiệu phản xạ

Hình 1.2: Nguyên lý làm việc của RIS

1.2.1 Cấu tạo của RIS

RIS và STAR-RIS khác nhau cả về phần tử được trang bị và chất nền của chúng Mô tả sau đây cho thấy sự khác biệt về cấu trúc giữa RIS và STAR-RIS Đối với RIS các phần tử có thể tái cấu hình đặt trên đế giống như bánh quy đặt trên một đĩa kim loại, như được minh họa trong Hình 1.2 Đối với STAR-RIS, các phần tử có thể tái cấu hình giống như cục nước đá trong một cốc nước, chất nền được xem như trong suốt với tín hiệu tới, như được minh họa trong Hình 1.3

Nói một cách chi tiết hơn, chất nền của RIS là mờ và không rõ ràng đối với các tín hiệu không dây ở tần số hoạt động của chúng Nó ngăn các tín hiệu không dây thâm nhập vào RIS để không có năng lượng bị rò rỉ vào không gian phía sau RIS Ngược lại, chất nền của STAR-RIS phải trong suốt đối với các tín hiệu không dây ở tần số hoạt động của chúng

1.2.2 Nguyên lý hoạt động của STAR-RIS

Hình 1.3: Nguyên lý làm việc của STAR-RIS

So với các RIS, STAR-RIS phải có các phần tử hỗ trợ cả dòng phân cực điện Jpvà dòng từ hóa Jb Các nguyên tắc vật lý đằng sau STAR-RIS được minh họa trong Hình 1.3

• Thứ nhất, các phần tử bị phân cực bởi trường tới Đối với các phần tử của RIS chỉ phản xạ thì chỉ phản ứng với thành phần điện của trường tới Ngược lại, các phần tử của STAR-RIS phản ứng với cả thành phần điện và từ của trường tới Do đó, cả mật độ phân cực P và mật độ từ hóa M được tạo ra

• Thứ hai, mật độ phân cực dao động và mật độ từ hóa tạo ra dòng điện từ hóa và phân cực điện thay đổi theo thời gian trên bề mặt tương ứng

• Các dòng này thay đổi theo thời gian này bức xạ ra không gian, tạo thành trường tín hiệu phản xạ và tín hiệu truyền đi

Chương 2 – KHẢO SÁT VÀ ĐÁNH GIÁ HIỆU NĂNG MÔ HÌNH STAR-RIS

2.1 Mô hình hệ thống STAR-RIS

Hình 2.1: Mô hình hệ thống thông tin vô tuyến STAR-RIS đường xuống

Đối tượng nghiên cứu của đề án là hệ thống thông tin vô tuyến STAR-RIS NOMA đường xuống như Hình 2.1, hệ thống bao gồm một nút nguồn (S), một mặt phẳng STAR-RIS gồm cóN phần tử, người dùng n nằm

cùng mặt phẳng hỗ trợ của STAR-RIS với nút nguồn S và và người dùng f

nằm phía bên kia mặt phẳng hỗ trợ còn lại của RIS Mặt phẳng RIS hoạt động ở chế dộ phân chia năng lượng

STAR-Hình 2.2: Mô hình toán học hệ thống STAR-RIS

Tín hiệu thu được lần lượt tại hai người dùng nvà f là :

• Ps là công suất phát của nguồn;

• n và f lần lượt là các hệ số phân bổ công suất lần lượt cho người

dùng n và người dùng f , điều kiện n f , n+f = tương 1

ứng với người dùng ở xa phải nhận được nhiều công suất hơn;

• chuyển pha truyền truyền đi của mặt phẳng STAR-RIS;

được điều chỉnh được của phần tử thứ i của mặt phẳng STAR-RIS;

• nnvà nf lần lượt là nhiễu Gauss cộng thu được lần lượt tại người

dùng n và người dùng f , có giá trị trung bình bằng 0 và phương sai 𝑁0

Do đó, tín hiệu thu được lần lượt tại hai người dùng n và f được viết lại:

2.2 Hiệu năng hệ thống STAR_RIS

2.2.1 Tỷ số tín hiệu trên nhiễu của hệ thống STAR-RIS

Giả sử quá trình khử nhiễu tuần tự là hoàn hảo tại máy thu và chúng ta biết được hệ số pha của các kênh truyền hi, gi và ti tại mặt phẳng STAR-RIS Từ đó, mặt phẳng STAR-RIS có thể điều chỉnh pha của tất cả phần tử phản xạ và truyền đi sao cho thu được tỉ số tín hiệu trên nhiễu nhận tại máy thu là lớn nhất

Đầu tiên, người dùng n thực hiện kỹ thuật khử nhiễu tuần tự SIC

để giải điều chế tín hiệu xf của người dùng f trước tiên, sau đó tiến hành trừ nó đi và giải mã tín hiệu của chính nó Do đó, tỉ số tín hiệu trên nhiễu của

người dùng n cần giải mã thông tin của nó được viết như sau:

P h gN

ji

Ta đặt:

− −=

h t e

h t e

− −=

B== h , biểu thức (2.11) được biểu diển lại như sau:

Đặc tính kênh truyền

Xem xét kênh truyền trong hệ thống là fading Rayleigh, do đó hi ,

2.2.2 Xác suất dừng của hệ thống STAR-RIS

Xác suất dừng tại người dùng n

Tại người dùng n , với kỹ thuật khử nhiễu tuần tự SIC sẽ phát hiện tín

hiệu xf của người dùng ftrước tiên, sau đó sẽ tiến hành giải mã tín hiệu

x của chính nó Như vậy, xác suất dừng được giải thích theo 2 trường hợp sau:

1 Người dùng n không thể phát hiện tín hiệu xf

2 Người dùng n có khả năng giải mã hiện tín hiệu xf nhưng tín hiệu

x của chính nó không thể giải mã

Với các điều kiện này, xác suất ngừng hoạt động của người dùng n đối với

mạng STAR-RIS-NOMA được viết lại như sau:

với thn và thf lần lượt là các mức ngưỡng cho phép người dùng n và người dùng f mà hệ thống có thể chịu được

Do bài toán mà chúng ta xét từ ban đầu với giả thuyết là giả sử đạt được khử nhiễu tuần tự hoàn hảo tại máy thu, nên biểu thức (2.16) được viết lại:

A== h g là

tổng của N phân bố double Rayleigh và các phân bố này độc lập lẫn nhau

Theo chương 2.2.2 trong [7] và sử dụng phương pháp xấp xỉ theo chuỗi

Laguerre mở rộng với A là tổng của N biến ngẫu nhiên độc lập có phân phối

fading Rayleigh đôi.Thực hiện công thức (2.76) trong [7], chúng ta hàm mật

độ xác suất của A như sau:

( ) 1 ()exp1

aa

Xác suất dừng tại người dùng f

Xác suất dừng nếu không phát hiện được tín hiệu xf chính nó, do đó:

 

 

 

fth

   

Từ các thiết lập ban đầu với điều kiện n f tương ứng với người dùng

ở xa phải nhận được nhiều công suất hơn và 0thf 1, nên ta luôn thu được

kết quả xác xuất dừng tại người dùng f như sau:

Sử dụng kết quả và chứng minh tương tự của người dùng n, kết quả xác suất

dừng tại người dùng f được viết như sau:

   

Xác suất dừng của toàn hệ thống

Hệ thống xảy ra khi ngừng hoạt động khi một trong 2 người dùng

ngừng hoạt động, do đó xác suất dừng toàn hệ thống được viết lại như sau: Pr( nthn| fthf)

( )

b 

  

 

2.3 Đánh giá hiệu năng và mô phỏng

Hình 2.3: Xác suất dừng tại người dùng n

Nhận xét: Giá trị xác suất dừng giảm khi công suất phát của nút nguồn tăng lên Vì xác suất dừng được định nghĩa là tại đó giá trị công suất máy thu giảm xuống dưới ngưỡng SNR cho phép Do đó, để máy thu có thể hoạt động được ở các giá trị xác suất dừng thấp thì đồng nghĩa với việc phải tăng công suất phát lên Kết quả mô phỏng và lý thuyết trùng nhau

Hình 2.4: Xác suất dừng tại User m

Nhận xét: Giá trị xác suất dừng của người dùng f có những tính

chất và đặc điểm giống giá trị xác suất dừng của người dùng n Hệ thống

có khả năng hỗ trợ toàn không gian Kết quả mô phỏng và lý thuyết trùng nhau

Hình 2.5: So sánh xác suất dừng tại người dùng n của STAR-RIS và RIS

Nhận xét: Giá trị xác suất dừng của hệ thống sử dụng RIS luôn thấp

khi so với hệ thống sử dụng STAR-RIS tại người dùng n Để có thể đạt cùng

một giá trị xác suất dừng, thì hệ thống sử dụng STAR-RIS cần phải cung cấp nhiều năng lượng hơn Nguyên nhân là vì một phần năng lượng trong công suất của mặt phẳng STAR-RIS phải chia sẽ cho thêm 1 người dùng nữa là

người dùng f, do đó công suất không được trọn vẹn Hay nói cách khác, hệ

thống STAR-RIS đánh đổi một phần công suất để đạt lấy khả năng phủ sóng

tốt hơn khi so sánh với hệ thống RIS tại cùng một người n

Hình 2.6: Xác suất dừng của toàn hệ thống STAR-RIS

Nhận xét: Giá trị xác suất dừng sẽ giảm khi công suất phát của nút

nguồn tăng lên Giá trị xác suất dừng OP càng giảm khi N càng lớn

(N=2,4,6,10) Như vậy, chất lượng hệ thống sẽ được cải thiện đáng kể khi số lượng phần tử RIS càng lớn hơn Hệ thống STAR-RIS có khả năng hỗ trợ toàn không gian Kết quả mô phỏng và lý thuyết trùng nhau

Chương 3 – ỨNG DỤNG AI TRONG ƯỚC LƯỢNG VÀ TỐI ƯU HIỆU NĂNG HỆ THỐNG STAR-RIS

( )

với: n là hệ số phân bổ công suất tối ưu

Mạng học sâu DNN gồm một lớp vào, một lớp ra và L-1 lớp ẩn được trình bày như hình bên dưới Mỗi lớp ẩn với l=1,2,…,L-1 có chứa 𝑄(𝑙) nơ-ron và nhận hàm kích hoạt là Sigmoid Hàm kích hoạt trong mạng nơ-ron được sử dụng như một hàm ánh xạ các đầu vào với đầu ra tương ứng Như vậy, đầu ra 𝑦(𝑙) của lớp thứ l trong mô hình DNN được tính như sau:

( )l ( )l ( ( ) ( )ll1( )l )

với: ( )( ) 11

Trong giai đoạn huấn luyện, mạng DNN sử dụng thuật toán tối ưu là Levenberg- Marquardt algorithm (LMA) Đồng thời, mạng trải qua quá trình lan truyền ngược từng bước xác định hàm mất mát, độ lệch và cập nhật các trọng số

Sau khi kết thúc quá trình huấn luyện, mạng học sâu DNN được tạo ra và có thể được sử dụng cho dự đoán trực tuyến thông qua quá trình dự đoán bất cứ khi nào có thông tin mới ở đầu vào

Hình 3.2: Cấu trúc các giai đoạn của mạng học sâu DNN

Huấn luyện cho mạng học sâu DNN

Tập dữ liệu được chia 70% tập huấn luyện, 30% còn lại chia đều cho 15% tập đánh giá và 15% kiểm thử Sau khi hoàn thành quá trình huấn luyện, mô hình mạng DNN được tạo ra thông qua một hàm ánh xạ G(OP,) Từ hàm Gnày, quá trình dự đoán giá trị hệ số phân bổ công suất tối ưu n với bất kỳ biến đầu vào OP

3.2 Ứng dụng DNN trong ước lượng và tối ưu hiệu năng STAR-RIS 3.4.1 Kết quả mô phỏng

Hình 3.6: Kết quả dự đoán hệ số phân bổ công suất qua mạng học sâu DNN

Quan sát Hình 3.6 ta thấy kết quả của dự đoán của mạng học sâu DNN với số lớp ẩn là 4 gần với kết quả giá trị tối ưu thực tế (dữ liệu huấn luyện) và kết quả dự đoán này sẽ hoàn toàn khớp với giá trị thực tế khi sử dụng mạng học sâu DNN với số lớp ẩn là 6 hoặc lớn hơn Điều này cũng đồng nghĩa với kịch bản mô phỏng như Bảng 3.1 thì mạng học sâu DNN với 6 lớp ẩn cho kết quả đáng tin cậy nhất Từ đó, với bất kỳ giá trị xác suất dừng nào, ta cũng có thể dự đoán, ước lượng được hệ số phân bổ công suất tối ưu cho hệ thống

Hình 3.7: So sánh hiệu năng hệ thống với các hệ số phân bổ công suất khác nhau

Quan sát Hình 3.7, nhận thấy giá trị xác suất dừng của hệ thống với hệ số phân bổ công suất dùng mạng học sâu DNN với 6 lớp ẩn cho kết quả tốt nhất trong 3 trường hợp: Khi  sử dụng kết quả của mạng học sâu DNN, nkhi n ngẫu nhiên ( = 0,3 và n  = 0.35) và n  cố định bằng 0.5 Điều này nđúng với kỳ vọng trước khi thực hiện mô phỏng Hệ thống sẽ dừng hoạt động với giá trị hệ số phân bổ bổ công suất n =0.5

3.4.2 Đánh giá độ tin cậy của mạng học sâu DNN

Để đánh giá tính hiệu quả của mạng học sâu DNN, chúng tôi sử dụng phương pháp đánh giá lỗi trung bình bình phương gốc RMSE (Root Mean Squared Error) MSE càng thấp, mô hình càng phù hợp với tập dữ liệu

jtest