tóm tắt ứng dụng học sâu cho phân loại điều chế tự động trong hệ thống ghép kênh theo tần số trực giao

Một trong những giảipháp mạng thông minh quan trọng là cho phép bộ thu tín hiệu tự động xác định cáctín hiệu đã điều chế, được gọi là phân loại điều chế tự động AMC để hiện thựchóa các m

Vương Anh Tuấn

ỨNG DỤNG HỌC SÂU CHO PHÂN LOẠI ĐIỀU CHẾ TỰ ĐỘNG TRONG HỆ THỐNG GHÉP KÊNH THEO TẦN SỐ

TRỰC GIAO

ĐỀ ÁN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng)

HÀ NỘI – NĂM 2024

Người hướng dẫn khóa học: PGS.TS Lê Hải Châu

Có thể tìm hiểu luân văn này tại:

Thư viện của Học viện Công Nghệ Bưu chính Viễn thông

I MỞ ĐẦU

1 Lý do chọn đề tài:

Sự phát triển nhanh chóng của các thiết bị di động và sự phổ biến ngày càngtăng của các ứng dụng và dịch vụ di động đặt ra những nhu cầu chưa từng có về cơ

sở hạ tầng mạng di động và không dây Các hệ thống 5G/6G sắp tới đang phát triển

để hỗ trợ bùng nổ lưu lượng truy cập di động, trích xuất các phân tích chi tiết theothời gian thực và quản lý tài nguyên mạng linh hoạt để tối đa hóa trải nghiệm ngườidùng Việc hoàn thành các nhiệm vụ này là một thách thức vì môi trường di độngngày càng phức tạp, không đồng nhất và phát triển Một giải pháp tiềm năng là sửdụng các kỹ thuật học máy tiên tiến để giúp quản lý sự gia tăng khối lượng dữ liệu

và các ứng dụng dựa trên thuật toán Thành công gần đây của công nghệ học máy

và học sâu đã củng cố các công cụ mới và mạnh mẽ giúp giải quyết các vấn đềtrong lĩnh vực này

Phân loại điều chế tự động (AMC) có vai trò quan trọng trong các hệ thốngtruyền thông vô tuyến thế hệ kế tiếp, có ý nghĩa đặc biệt trong các ứng dụng hàngkhông vũ trụ, đặc biệt là trong phân tích tín hiệu tần số vô tuyến (RF) và hệ thống

vô tuyến định nghĩa bằng phần mềm tiên tiến Khi phát hiện tín hiệu RF có đặcđiểm chưa xác định, AMC là quy trình ban đầu quan trọng để giải điều chế tín hiệucho các máy thu hỗ trợ nhiều sơ đồ điều chế tiêu chuẩn và phi tiêu chuẩn AMChiệu quả cho phép sử dụng tối đa các phương tiện truyền dẫn và có thể nâng caokhả năng phục hồi trong các đài vô tuyến nhận thức hiện đại Các hệ thống có khảnăng điều chế thích ứng có thể giám sát các điều kiện kênh hiện tại bằng AMC vàđiều chỉnh các sơ đồ điều chế đã thực hiện để tối đa hóa việc sử dụng trên môitrường truyền dẫn AMC rất quan trọng trong các hệ thống vô tuyến thế hệ kế tiếp

để đảm bảo sử dụng phổ tần hiệu quả Trong các hệ thống mà sơ đồ điều chế chưađược xác định trước, AMC cho phép dự đoán hiệu quả sơ đồ điều chế được sửdụng AMC hiệu suất cao hơn có thể tăng thông lượng và độ chính xác của các hệthống này; do đó, AMC hiện là một chủ đề nghiên cứu thu hút được nhiều sự quantâm đầu tư nghiên cứu trong lĩnh vực học máy và hệ thống truyền thông

2 Tổng quan về vấn đề nghiên cứu:

Công nghệ ghép kênh phân chia theo tần số trực giao (OFDM), không chỉ cóthể cải thiện hiệu quả sử dụng phổ mà còn nâng cao hiệu năng truyền dẫn bằng việctriển khai các định dạng điều chế bậc cao thích ứng trên mỗi sóng mang conOFDM, đã và đang được áp dụng rộng rãi trong thời gian tới Một trong những giảipháp mạng thông minh quan trọng là cho phép bộ thu tín hiệu tự động xác định cáctín hiệu đã điều chế, được gọi là phân loại điều chế tự động (AMC) để hiện thựchóa các mạng quang hiệu quả, thích ứng và linh hoạt trong đó điều chế tín hiệu vàbăng thông được xác định một cách linh hoạt dựa trên trạng thái đường truyền

Cùng với sự phát triển mạnh mẽ của cuộc cách mạng công nghiệp 4.0, AIngày càng được ứng dụng phổ biển và rộng rãi trong mọi lĩnh vực của cuộc sống.Đặc trưng của công nghệ AI là năng lực “tự học” của máy tính, do đó có thể tựphán đoán, phân tích trước các dữ liệu mới mà không cần sự hỗ trợ của con người,đồng thời có khả năng xử lý dữ liệu với số lượng rất lớn và tốc độ cao Với xu thếphát triển công nghệ và ứng dụng trong đời sống xã hội đang thay đổi không ngừng,thì công nghệ AI đang là là ứng dụng tiềm năng nhất và là công nghệ chủ chốt trongtương lai Những tiến bộ gần đây trong học máy (ML) bao gồm học sâu (DL) đãcho thấy sự cải thiện đáng kể về kết quả hiện đại và dẫn đến ứng dụng rộng rãitrong nhiều lĩnh vực, đặc biệt là trong hệ thống truyền thông Nhiều công trình đượcgiới thiệu về hệ thống AMC OFDM dựa trên học sâu chủ yếu tập trung vào các hệthống truyền thông không dây sử dụng OFDM Các nghiên cứu đều được xây dựngvới giả định cơ bản rằng mô hình AMC cần thực hiện phân loại cho cả chế độ điềuchế (ví dụ: QAM) và biến thể cụ thể trong chế độ đó Trong khi nhiều kiến trúc đãđược chứng minh là có hiệu quả ở tỷ lệ tín hiệu trên nhiễu (SNR) cao, thì hiệu suấtlại giảm đáng kể ở SNR thấp hơn, thường xảy ra trong các ứng dụng trong thế giớithực Các công trình khác đã nghiên cứu việc tăng hiệu suất phân loại ở mức SNRthấp hơn thông qua việc sử dụng các bộ phân loại điều chế dành riêng cho SNR vàphân cụm dựa trên phạm vi SNR Với mục đích phân loại, các đặc tính tín hiệu khácnhau đã được khám phá Theo truyền thống, AMC đã sử dụng mô men thống kê và

tiếp các thành phần thô cùng pha (I) và cầu phương (Q) trong miền thời gian đãđược chấp nhận Ngoài ra, các nghiên cứu thay thế đã điều tra các thuộc tính bổsung, bao gồm các biểu đồ chòm sao I/Q Sau khi lựa chọn các tính năng đầu vàotín hiệu, bước tiếp theo bao gồm việc sử dụng các mô hình học máy để phân biệtcác mẫu thống kê trong dữ liệu để phân loại Các bộ phân loại như máy vectơ hỗtrợ, cây quyết định, K-láng giềng gần nhất và mạng lưới thần kinh thường được sửdụng cho ứng dụng này Mạng thần kinh dư (ResNets), cùng với mạng thần kinhtích chập (CNN), đã được chứng minh là đạt được hiệu suất phân loại cao choAMC Do đó, các phương pháp dựa trên học sâu trong AMC đã trở nên phổ biếnhơn do hiệu suất đầy hứa hẹn và khả năng khái quát hóa thành các bộ dữ liệu lớn,phức tạp bao gồm nhiều sơ đồ điều chế tiêu chuẩn và phi tiêu chuẩn.

3 Mục đích nghiên cứu:

Nghiên cứu ứng dụng kỹ thuật học sâu trong việc phân loại khuôn dạng điềuchế tự động của hệ thống ghép kênh theo tần số trực giao

4 Đối tượng và phạm vi nghiên cứu:

- Nghiên cứu tổng quan về học máy, học sâu và ứng dụng của giải pháp họcmáy trong truyền thông vô tuyến

- Xây dựng giải pháp học máy/học sâu hỗ trợ phân loại khuôn dạng điềuchế tự động trong hệ thống ghép kênh theo tần số trực giao

5 Phương pháp nghiên cứu:

Các phương pháp nghiên cứu để thực hiện hóa các mục tiêu của nghiên cứunhư sau:

 Phương pháp thu thập thông tin: phương pháp nghiên cứu tài liệu kếthợp với kết quả thực nghiệm

 Phương pháp xử lý thông tin: xử lý toán học đối với các thôngtin định lượng

 Phương pháp hệ thống hóa, khái quát hóa, tổng hợp: để thực hiện tổngquan nghiên cứu

 Phương pháp phân tích, thống kê, so sánh: để phân tích, đánh giá kếtquả của mô hình ứng dụng trong việc phân loại khuôn dạng điều chế tựđộng.

 Phương pháp biểu diễn trực quan: sử dụng hệ thống bảng biểu, hình vẽ

và các suy diễn logic để thể hiện kết quả đánh giá của mô hình được đềxuất

II NỘI DUNG

Nội dung đề án dự kiến được trình bày trong 03 chương như sau:

CHƯƠNG 1.

TỔNG QUAN VỀ HỌC MÁY, HỌC SÂU VÀ ỨNG DỤNG

TRONG TRUYỀN THÔNG VÔ TUYẾN

1.1 Giới thiệu chung

Công nghệ trí tuệ nhân tạo (AI) dùng để giải quyết các vấn đề về nhận thứccủa máy móc giống trí tuệ con người, chẳng hạn như các vấn đề về sáng tạo, họctập, nhận diện Các dữ liệu như cảm biến thông minh, sáng tạo của con người, nhật

ký hệ thống, công cụ giám sát được các tổ chức thu thập từ nhiều nguồn khác nhau.Công nghệ AI nhằm tạo ra các hệ thống tự học và nó có thể tìm được ý nghĩa của

dữ liệu Sau đó, để giải quyết vấn đề giống như còn người AI áp dụng từ kiến thứcthu được để giải quyết Alan Turing là nhà bác học rất nổi tiếng trong lĩnh vực AIvới phép thử Turing “Turing Test”, phép thử này dùng để xác định máy tính thật sự

có trí thông minh không Nếu máy tính làm cho con người tin nó có trí thông minhnhư con người thì bài kiểm tra đó sẽ được vượt qua

1.2 Phân loại các kỹ thuật học máy.

Học máy (ML) là một tập con của trí tuệ nhân tạo (AI) cung cấp cho máymóc có khả năng tự động học hỏi từ tập dữ liệu và kinh nghiệm có được trong quákhứ để đưa ra sự dự đoán từ đó thực hiện hành động nhằm tối ưu hóa kết quả đạtđược Đề tự hoạt động mà không dựa vào lập trình các máy tính phải sử dụng

phương pháp học máy Các ứng dụng ML được cung cấp dữ liệu mới và chúng cóthể học hỏi, phát triển và thích ứng một cách độc lập

Các thuật toán học máy có thể đào tạo theo nhiều cách, với mỗi phương pháp

sẽ có ưu, nhược điểm khác nhau Dựa trên các phương pháp và cách học này, họcmáy được chia thành 4 loại như thể hiện trên Hình 1.1

1.2.2 Học máy không giám sát

Học không giám sát đề cập đến một kỹ thuật học tập không có sự giám sát.Máy được đào tạo bằng cách sử dụng tập dữ liệu không được gắn nhãn và được kíchhoạt để dự đoán kết quả đầu ra mà không cần bất kỳ sự giám sát nào Thuật toán nàynhằm mục đích nhóm tập dữ liệu chưa được sắp xếp dựa trên các điểm tương đồnghay khác biệt của đầu vào

1.2.3 Học bán giám sát

Có những bài toán mà dữ liệu được dùng để huấn luyện bao gồm cả những

dữ liệu có nhãn và chưa được gắn nhãn Học bán giám sát là các bài toán khi có mộtlượng lớn dữ liệu được dùng nhưng chúng chỉ được gắn nhãn một phần

Học bán giám sát về bản chất là sự kết hợp của các kỹ thuật học tập có giámsát và học tập không giám sát Nó kết hợp một lượng nhỏ dữ liệu được gắn nhãntheo cách thủ công (phần tử của học có giám sát) làm cơ sở để tự động xác định mộtlượng lớn dữ liệu không được gắn nhãn (phần tử của học không giám sát) Thôngqua phân nhóm dữ liệu, phương pháp này giúp ta có thể đào tạo thuật toán học máy(ML) trên chú thích dữ liệu mà không cần gắn nhãn thủ công cho tất cả các dữ liệu

đào tạo trước đó, giúp tăng hiệu quả mà không ảnh hưởng đến chất lượng hoặc độchính xác

1.2.4 Học tăng cường

Học tăng cường là một quá trình học tập dựa trên phản hồi Tại đây, thànhphần AI sẽ tự động lưu trữ trạng thái môi trường xung quanh bằng phương pháp thửnghiệm, thực hiện hành động, học hỏi kinh nghiệm và cải thiện hiệu năng Phầnthưởng (reward) sẽ nhận được mỗi khi agent thực hiện một hành động tốt và bị phạtmỗi khi thực hiện hành động sai Do đó, học tăng cường nhằm mục đích tối đa hóaphần thưởng bằng cách thực hiện các hành động tốt

1.3 Công nghệ học sâu và khả năng ứng dụng.

1.3.1 Tổng quan

Nói đến học máy (Machine learning) là phải nhắc đến học sâu Học sâu (Deeplearning) và Học máy là một lĩnh vực thuộc Học sâu, mạng thần kinh nhân tạo(Mạng nơ-ron - Neural network) được thiết kế và sử dụng các thuật toán mô phỏngtheo hoạt động và cấu trúc của não người mạng nơ-ron có cấu trúc ba lớp trở lên.Các mạng nơ -ron này cố gắng mô phỏng hoạt động của não người để cho phép họcsâu “học tập” từ một lượng lớn dữ liệu Trong mạng nơ-ron có một lớp gọi là lớp ẩn,các lớp này có thể giúp tối ưu hóa, đưa ra các dự đoán gần đúng và tinh chỉnh để có

độ chính xác

Học sâu được đặt nền móng và xây dựng từ những năm 1980-2000 có nhiều

ý tưởng cơ bản được đưa ra trong gia đọan này nhưng học sâu chỉ thực sự có nhữngbước phát triển lớn trong khoảng 5-6 năm nay Vì sao?

Có nhiều nhân tố dẫn đến sự bùng nổ này:

 Khả năng tính toán song song tốc độ cao của GPU

 Nhiều kỹ thuật regularization mới: dropout, batch normalization, dataaugmentation

 Nhiều kỹ thuật tối ưu mới: Adagrad, RMSProp, Adam, …

 Sự ra đời của các bộ dữ liệu lớn được gán nhãn

1.3.2 Cơ chế hoạt động của học sâu

Mạng nơ-ron sâu (Deep Neural Network - DNN), qua sự kết hợp của dữ liệuđầu vào và trọng số để cố mô phỏng hoạt động của não người Căn cứ từ dữ liệu đầuvào các yếu tố này làm việc cùng nhau để nhận biết, phân loại và mô tả chính xáccác đối tượng Mạng nơ ron sâu được cấu tạo từ nhiều lớp, nút các lớp, nút này kếtnối với nhau, lớp sau được tạo nên dựa trên lớp trước nhằm để tinh chỉnh và tối ưuhóa dự đoán hoặc phân loại Quá trình thực hiện tính toán được gọi được gọi là quátrình truyền chuyển tiếp Mô hình học sâu nhập dữ liệu vào lớp dữ liệu đầu vào để

xử lý và lớp dữ liệu đầu ra sẽ đưa ra dự đoán hoặc phân loại

Về cơ bản, mạng nơ-ron có cấu trúc gần giống như hệ thần kinh của chúng

ta Một hàm ánh xạ từ bộ dữ liệu đầu vào với kết quả đầu ra tương ứng được gọi làthuật toán học sâu

Một mạng nơ-ron gồm những cấu phần sau:

- Dữ liệu đầu vào – input layer, x

- Lớp ẩn – hidden layers

- Dữ liệu đầu ra – output layer, ŷ

- Ngưỡng quyết định b và các tham số W

- Hàm ánh xạ cho lớp ẩn σ

Trong mạng nơ- ron cần nhiều lớp để xử lý nhiều nhiệm vụ khác nhau, mỗilớp sẽ thực hiện một nhiệm vụ nào đó, dữ liệu đầu ra của tầng này sẽ là dữ liệu đầuvào của tầng sau Số lượng lớp là không giới hạn, nhưng với mỗi bài toán cụ thể sẽ

có cách chọn lớp khác nhau để phù hợp với bài toán Thông thường với các nhiệm

vụ đơn giản số lớp sử dụng sẽ ít đi, với các nhiệm vụ phức tạp hơn thì sẽ sử dụngnhiều lớp hơn Dữ liệu đi qua mỗi lớp sẽ qua một lần xử lý để nhằm đạt được mộtmục đích nào đó

- Tương thích tốt với kiểu dữ liệu phi cấu trúc.

- Lợi thế về thuật toán phân tán và song song

- Tối ưu chi phí

- Phân tích nâng cao

- Khả năng mở rộng

1.4 Ứng dụng học sâu trong truyền thông vô tuyến

Học sâu (deep learning) đã tạo ra sự thay đổi lớn trong nhiều lĩnh vực, và

truyền thông vô tuyến không phải là ngoại lệ Dưới đây là một số ứng dụng của họcsâu trong truyền thông vô tuyến:

* Phân loại tín tiệu và xử lý tín hiệu:

- Học sâu có thể được sử dụng để phân loại các tín hiệu vô tuyến

- Xử lý nhiễu và giảm thiểu tác động của nhiễu trên tín hiệu

* Dự đoán và tối ưu hoá kênh:

- Học sâu có thể dự đoán tình trạng kênh truyền ( như độ suy hao, nhiễu, đađường) để tối ưu hoá việc truyền thông

- Tối ưu hoá việc phân bổ tài nguyên kênh ( điều chỉnh công xuất, tần số, …)

* Mạng lưới vô tuyến tự tổ chức:

- Học sâu có thể hỗ trợ trong việc tự động cấu hình và quản lý mạng lưới vôtuyến

- Tự động phát hiện và khắc phục lỗi

* Tối ưu hoá quản lý tài nguyên mạng:

- Học sâu có thể dự đoán tải và tài nguyên mạng để tối ưu hoá việc phân bốtài nguyên

- Độ phức tạp của mạng: Số lượng và độ phức tạp của các thiết bị hệ thống

vô tuyến ghép kênh theo tần số trực giao tăng theo quy mô của các hệ thống vôtuyến ghép kênh theo tần số trực giao mở rộng Ngoài ra, hệ thống vô tuyến ghépkênh theo tần số trực giao hoạt động như một mạng trong các hệ thống truyền thông,

có thể có nhiều mô hình mạng không đồng nhất: mạng di động 5G, mạng cảm biếnIoT, điện toán đám mây, … Cách điều chỉnh lưu lượng truy cập từ các mạng khác

nhau này trở thành thách thức đầu tiên cho hoạt động quản lý hệ thống vô tuyếnghép kênh theo tần số trực giao

- Độ phức tạp của quản lý tài nguyên: Hệ thống vô tuyến ghép kênh theo tần

số trực giao là cầu nối giữa lưu lượng lớp trên và tài nguyên vật lý cơ bản Vì vậy,

nó chịu trách nhiệm phân bổ tài nguyên vật lý để cung cấp lưu lượng Tuy nhiên, cónhiều tài nguyên vật lý có nhiều chiều được phân bổ: ví dụ như môi trường truyềnsóng, bước sóng, phổ, định dạng điều chế và các khe thời gian Việc gộp chungnhiều tài nguyên là tốn thời gian và độ phức tạp tính toán cao

1.5 Kết luận

Chương 1 trình bày tổng quan về học máy và học sâu, cơ chế hoạt động của học sâu, phân loại và khả năng ứng dụng của học sâu Nội dung chương cũng tập trung giới thiệu về phân loại các kỹ thuật học máy và khả năng ứng dụng trong các mạng truyền thông vô tuyến

GIẢI PHÁP HỌC SÂU PHÂN LOẠI ĐIỀU CHẾ TỰ ĐỘNG

CHO HỆ THỐNG OFDM 2.1 Giới thiệu chung

Công nghệ ghép kênh phân chia theo tần số trực giao (OFDM), không chỉ có thểcải thiện hiệu quả sử dụng phổ mà còn nâng cao hiệu năng truyền dẫn bằng việc triểnkhai các định dạng điều chế bậc cao thích ứng trên mỗi sóng mang con OFDM, đã vàđang được áp dụng rộng rãi trong thời gian tới Một trong những giải pháp mạng thôngminh quan trọng là cho phép bộ thu tín hiệu tự động xác định các tín hiệu đã điều chế,được gọi là phân loại điều chế tự động (AMC) để hiện thực hóa các hệ thống vô tuyếnghép kênh theo tần số trực giao hiệu quả, thích ứng và linh hoạt trong đó điều chế tínhiệu và băng thông được xác định một cách linh hoạt dựa trên trạng thái đường truyền

2.2 Phân loại điều chế tự động trong hệ thống OFDM

2.2.1 Các nguyên lý cơ bản của OFDM.

Nguyên lý cơ bản của OFDM là một luồng dữ liệu tốc độ cao được chia thànhcác luồng dữ liệu tốc độ thấp hơn và đồng thời được phát trên một số các sóng mangcon trực giao Vì khoảng thời gian mẫu tăng lên cho các sóng mang con song song tốc

độ thấp hơn, cho nên lượng nhiễu gây ra do độ trải trễ đa đường được giảm xuống.Khoảng thời gian bảo vệ được đưa vào trong mỗi symbol OFDM làm nhiễu xuyên ký

tự ISI được hạn chế hầu như hoàn Trong khoảng thời gian bảo vệ, mỗi symbol OFDMđược bảo vệ theo chu kỳ để tránh nhiễu giữa các sóng mang ICI

Trong OFDM, dữ liệu trên mỗi sóng mang chồng lên dữ liệu trên các sóngmang lân cận Sự chồng chập này là nguyên nhân làm tăng hiệu quả sử dụng phổ trongOFDM Ta thấy trong một số điều kiện cụ thể, có thể tăng dung lượng đáng kể cho hệthống OFDM bằng cách làm thích nghi tốc độ dữ liệu trên mỗi sóng mang tùy theo tỷ

số tín hiệu trên tạp âm SNR của sóng mang đó

Dữ liệu vào tốc độ cao đi qua bộ chuyển đổi nối tiếp/song song được chia thànhnhiều dòng dữ liệu song song tốc độ thấp hơn Khi đi qua bộ chèn pilot mỗi dòng dữliệu song song sau đó được sử dụng thuật toán sửa lỗi tiến để mã hóa và được sắp xếptheo một trình tự hỗn hợp Những biểu tượng hỗn hợp này được đưa vào của khối