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

Tơi cũng muốn gửi lờicảm ơn đặc biệt đến các thầy cô của Khoa Sau Đại học - Học viện Công nghệ Bưuchính Viễn thông đã nhiệt tình hỗ trợ và định hình cho quá trình học tập của tôi, đặcbiệ

TỔNG QUAN VỀ HỌC MÁY, HỌC SÂU VÀ ỨNG DỤNG

Giới thiệu chung

Trí tuệ nhân tạo (AI) được phát triển nhằm giúp máy móc giải quyết các tác vụ nhận thức thông minh như sáng tạo, học tập và nhận diện, vốn trước đây chỉ dành cho trí tuệ con người Để cung cấp dữ liệu cho các thuật toán AI, nhiều tổ chức đã thu thập dữ liệu từ nhiều nguồn khác nhau, bao gồm cảm biến thông minh, sáng tạo của con người, nhật ký hệ thống và công cụ giám sát.

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 thức thu được để giải quyết Alan Turing là nhà bác học rất nổi tiếng trong lĩnh vực AI với 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 minh như con người thì bài kiểm tra đó sẽ được vượt qua.

Từ năm 1950 trong bài báo chuyên đề “Máy tính và trí tuệ” thuật ngữ trí tuệ nhân tạo lần đầu tiên được Alan Turing đưa ra và trình bày như một khái niệm lý thuyết và triết học Trong bài báo này Alan Turing đưa ra vấn đề là máy móc liệu có thông minh và biết suy nghĩ như còn người hay không

Từ năm 1957 đến năm 1974, máy tính đã xử lý dữ liệu với tốc độ cao hơn, lưu trữ được nhiều dữ liệu hơn nhờ vào sự phát triển nhanh chóng của công nghệ Các thuật toán của học máy (ML) cũng được các nhà khoa học phát triển trong giai đoan này Cơ quan Chỉ đạo các Dự án Nghiên cứu Quốc phòng Tiên tiến (DARPA) dựa trên những tiến bộ của lĩnh vực này đã tạo ra quỹ dành cho dự án nghiên cứu AI Mục tiêu nghiên cứ chính ban đầu là khám phá xem máy tính có thể phiên âm và dịch ngôn ngữ nói hay không

Trong những năm 1980, sự gia tăng đáng kể nguồn tài trợ và sự phát triển của các bộ công cụ thuật toán đã thúc đẩy sự tiến bộ của Trí tuệ nhân tạo (AI) Các bài báo có ảnh hưởng của John Hopfield và David Rumelhart đã chứng minh rằng máy tính sử dụng kỹ thuật học sâu có khả năng học hỏi từ kinh nghiệm, mở đường cho những đột phá tiếp theo trong lĩnh vực AI.

Nhiều mục tiêu cốt lõi trong công nghệ AI đã đạt được trong thập kỷ 90, một trong số đó là AI đã thắng được đương kim vô định cờ vua thế giới Nghiên cứu AI so với các giai đoạn trước được thuận lợi hơn và dễ tiếp cận hơn nhờ công nghệ, khả năng xử lý và dữ liệu điện toán phát triển Nó nhanh chóng phát triển thành trí tuệ chung nhờ đó nhiệm vụ khó hay dễ đều có thể thể thực hiện khi sử dụng phần mềm AI Các phần mềm có thể tự huấn luyện, học tập và ra quyết định các nhiệm vụ giống như con người.

Cuộc cách mạng công nghệ lần thứ tư trong những năm gần đây cho thấy công nghệ AI (hay Trí tuệ nhân tạo), và cụ thể hơn là học máy (ML) hay học tăng cường (RL) là nhưng yếu tố quan trọng, không thể thiếu Trí tuệ nhân tạo có mặt trong nhiều lĩnh vực của đời sống và mạng lại nhiều lợi ích cho con người Các hãng công nghệ phát tiển xe tự hành, hệ thống nhận diện khuôn mặt, trợ lý ảo, hệ thống gợi ý sản phẩm, hệ thống gợi ý phim, máy chơi cờ …, chỉ là một trong vô vàn những ứng dụng của AI

Trí tuệ nhân tạo AI đã và đang được tạo ra và ngày càng phát triển tại ViệtNam trong thời gian gần đây và tham gia vào nhiều lĩnh vực kinh tế, xã hội như y tế, giáo dục, giao thông vận tải, thương mại điện tử…Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030 được Thủ tướng đã ban hành vào đầu năm 2021 Chiến lược đưa AI trở thành lĩnh vực quan trọng của Việt Nam trong cuộc cách mạng lần thứ tư do đó phải tích cực đẩy mạnh nghiên cứu, phát triển và ứng dụng AI, Chiến lược được ban hành với hi vọng tạo ra cú huých cho sự phát triển AI tại Việt Nam, góp phần phát triển kinh tế xã hội và từng bước đưaViệt Nam trở thành điểm sáng về AI trong khu vực cũng như trên thế giới.

Phân loại các kỹ thuật học máy

Học máy (ML) là một tập con của trí tuệ nhân tạo (AI) cung cấp cho máy móc có khả năng tự động học hỏi từ tập dữ liệu và kinh nghiệm có được trong quá khứ để đưa ra sự dự đoán từ đó thực hiện hành động nhằm tối ưu hóa kết quả đạt được 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 có thể học hỏi, phát triển và thích ứng một cách độc lập

Từ dữ liệu đầu vào học máy thu thập thông tin bằng cách sử dụng thuật toán để xác định các mẫu và học tập quá trình này được lặp đi lặp lại Thay vì dựa vào bất kỳ phương trình định trước nào có thể dùng làm mô hình các thuật toán trong ML sử dụng các phương pháp tính toán để học trực tiếp từ dữ liệu.

Hiệu suất của các thuật toán Học máy liên tục được cải thiện khi số lượng mẫu trong quá trình "học tập" tăng lên Học sâu là một nhánh khác của Học máy, cho phép đào tạo máy tính mô phỏng các đặc điểm nhận thức của con người So với các thuật toán Học máy thông thường, Học sâu mang lại thông số hiệu suất tốt hơn.

Các thuật toán học máy dựa trên một tập dữ liệu đào tạo để xây dựng lên mô hình Khi dữ liệu đầu vào mới được đưa vào thuật toán ML, nó sẽ sử dụng mô hình đã phát triển để đưa ra dự đoán Dựa trên độ chính xác của nó, thuật toán ML được triển khai lặp đi lặp lại với tập dữ liệu đào tạo tăng cường cho đến khi đạt được độ chính xác mong muốn

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, học máy được chia thành 4 loại như thể hiện trên Hình 1.1

Hình 1.1 Phân loại học máy

1.2.1 Học máy có giám sát

Học máy có giám sát là thuật toán dự đoán đầu ra của một hoặc nhiều dữ liệu mới dựa trên các cặp (đầu vào, đầu ra) đã biết từ trước Học máy có giám sát là nhóm phổ biến nhất trong các thuật toán của Học máy Mô hình học máy này liên quan đến sự giám sát, trong đó, máy móc được đào tạo trên các tập dữ liệu được gắn nhãn và cho phép dự đoán kết quả đầu ra dựa trên đào tạo được cung cấp Tập dữ liệu được gắn nhãn chỉ ra rằng tham số đầu vào và đầu ra đã được ánh xạ Do đó, học máy được đào tạo với đầu vào và đầu ra tương ứng có thể là một đối tượng, một tình huống hoặc một vấn đề cần giải quyết

Mục tiêu chính của kỹ thuật học có giám sát là ánh xạ biến đầu vào với biến đầu ra, được chia làm hai loại:

- Phân lớp (Classification): Các thuật toán này đề cập đến các thuật toán giải quyết các vấn đề phân loại, trong đó biến đầu ra dùng để phân loại Hiểu một cách đơn giản thì đó là một quá trình sắp xếp dữ liệu đã được xác định thành các nhóm.

Ví dụ: người lập trình đưa đầu vào là hình ảnh có gắn nhãn chó và mèo để máy tính biết ảnh nào hiển thị loại động vật nào Máy tính sẽ sử dụng tập dữ liệu đào tạo đó để tìm hiểu cách xác định các hình ảnh, máy tính sau đó có thể áp dụng kiến thức của mình vào tập dữ liệu mới và gắn nhãn chúng một cách chính xác Máy tính phân tích càng nhiều ảnh thì việc phân loại dữ liệu càng nhanh và chính xác

Hồi quy là phương pháp thống kê máy tính dự đoán kết quả tương lai hoặc mong muốn từ dữ liệu có nhãn, trong đó các biến đầu vào và đầu ra có mối quan hệ tuyến tính Phương pháp này được ứng dụng rộng rãi trong dự đoán thời tiết, phân tích xu hướng thị trường, v.v Các thuật toán hồi quy phổ biến gồm: hồi quy tuyến tính đơn giản, hồi quy đa biến, thuật toán cây quyết định và hồi quy LASSO.

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 kích hoạt để dự đoán kết quả đầu ra mà không cần bất kỳ sự giám sát nào Thuật toán này nhằm mục đích nhóm tập dữ liệu chưa được sắp xếp dựa trên các điểm tương đồng hay khác biệt của đầu vào

Chúng ta chỉ biết được các vector của dữ liệu đầu vào mà không biết rõ được kết quả đầu ra Tùy thuộc vào mỗi công việc sẽ có các cấu trức dữ liệu cụ thể, dựa vào các dữ liệu này các thuật toán học không giám sát sẽ thực hiện công việc

Học máy không giám sát được phân thành 2 loại:

- Phân nhóm (clustering): Kỹ thuật phân nhóm đề cập đến việc các nhóm đối tượng thành các cụm dựa trên các tham số như điểm tương đồng hoặc khác biệt giữa các đối tượng Một số thuật toán phân nhóm như: K-Means, Mean-Shift, DBSCAN

Liên kết dữ liệu là quá trình xác định các mối quan hệ giữa các biến trong dữ liệu lớn Nó giúp hiểu được mối phụ thuộc giữa các mục dữ liệu và lập bản đồ các biến có liên quan Một số ứng dụng phổ biến của liên kết dữ liệu bao gồm khai thác dữ liệu web và phân tích thị trường Các thuật toán phổ biến được sử dụng trong liên kết dữ liệu gồm có Apriori, Eclat và các thuật toán khác.

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 một lượng 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 giám sát và học tập không giám sát Nó kết hợp một lượng nhỏ dữ liệu được gắn nhãn theo cách thủ công (phần tử của học có giám sát) làm cơ sở để tự động xác định một lượng lớn dữ liệu không được gắn nhãn (phần tử của học không giám sát).

Công nghệ học sâu và khả năng ứng dụng

Nói đến học máy (Machine learning) là phải nhắc đến học sâu Học sâu(Deep learning) và học sâu là một lĩnh vực thuộc học máy Mạng thần kinh nhân tạo (Mạng nơ-ron - Neural network) được thiết kế và sử dụng các thuật toán mô phỏng theo 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 học sâu “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.

Hình 1.2 Học sâu trong mối liên hệ với trí tuệ nhân tạo và học máy

Học máy cổ điển được phân biệt với học sâu bởi các các phương pháp học và loại dữ liệu được sử dụng để hoạt động Các dữ liệu được gắn nhãn và có cấu trúc được các thuật toán học máy tận dụng để đưa ra dự đoán Từ dữ liệu đầu vào cho mô hình các tính năng cụ thể được xác định và được tổ chức thành các bảng.

Dữ liệu để được sắp xếp thành một định dạng có cấu trúc thường trải qua một số xử lý trước đó.

Trong học sâu, dữ liệu được giảm bớt một số bước tiền xử lý, cho phép các thuật toán học sâu nhập và xử lý các dữ liệu như hình ảnh và văn bản Việc trích xuất các tính năng cũng được tự động hóa, giảm thiểu sự tham gia của con người trong một số công đoạn Các mô hình học sâu được phân loại thành bốn kiểu học khác nhau: học có giám sát, học không giám sát và học bán giám sát.

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 những bước 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, data augmentation.

 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 (DNN) mô phỏng hoạt động não người bằng các lớp nút kết nối Các lớp này tinh chỉnh và tối ưu hóa đầu vào qua quá trình truyền ngược để nhận diện, phân loại và mô tả đối tượng Mô hình học sâu lấy đầu vào, xử lý tại lớp đầu tiên và dự đoán hoặc phân loại tại lớp cuối cùng.

Thuật toán suy giảm độ dốc giúp tính toán lỗi dự đoán thông qua quy trình truyền ngược Tiếp theo, trong quá trình đào tạo mô hình, trọng số và độ lệch được điều chỉnh bằng cách đi ngược lại qua các lớp.

Do có cả quy trình truyền ngược và truyền thẳng nên mạng nơ- ron có thể đưa ra dự đoán và sửa lỗi sao cho phù hợp và độ chính xác của thuật toán cũng tăng dần theo thời gian Mô hình mạng nơ-ron sâu như này là mô hình đơn giản nhất.

Thực tế, mỗi một vấn để khác nhau, tập dữ liệu sẽ dùng mạng nơ-ron khác nhau.

Hình 1.3 Cách học sâu (Deep learning) hoạt động

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 là thuật 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, mỗi lớp sẽ thực hiện một nhiệm vụ nào đó, dữ liệu đầu ra của tầng này sẽ là dữ liệu đầu vào 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 dụng nhiều lớp hơn Dữ liệu đi qua mỗi lớp sẽ qua một lần xử lý để nhằm đạt được một mục đích nào đó.

Một số ưu điểm của việc sử dụng học sâu so với phương pháp học máy truyền thống có thể liệt kê ra như sau:

- Tự động hóa các tính năng: Khi sử dụng học sâu thì khả năng tự động hóa các tính năng là 1 lợi thế lớn, các tính năng mới được thuật toán học sâu tạo ra không cần đến sự can thiệp của con người từ một số lượng hạn chế ngay trong dữ liệu đào tạo Các nhiệm vụ phức tạp đòi hỏi yêu cầu kỹ thuật cao với các tính năng mở rộng nó có thể thực hiện được Lợi thế tự động hóa các tính năng của học sâu cho phép triển khai ứng dụng hoặc công nghệ nhanh, ổn định hơn, đem đến độ chính xác cao những lợi thế này được áp dụng nhiều cho doanh nghiệp.

- Khả năng tự học tốt hơn: Các mô hình trở nên rất hiệu quả trong học sâu là do có các lớp nơ-ron được cấu tạo bên trong, nó giúp thực hiện được nhiều bài toán phức tạp chuyên sâu và có thể thực hiện đồng thời Học sâu có khả năng tự nhận thức giống như con người các loại dữ liệu phí cấu trúc như hình ảnh, âm thanh và vi deo đây chính là tính năng vượt trội của học sâu Các thuật toán trong học sâu đã giúp nó tự huấn luyện từ các lỗi của chính nó Kết quả đầu ra được dự đoán và điều chỉnh trong trường hợp cần thiết Tuy nhiên Trong một số trường hợp để xác định dữ liệu đầu ra được chính xác nhất thì vẫn cần có có sự trợ giúp từ con người.

- Tương thích tốt với kiểu dữ liệu phi cấu trúc: Khả năng hoạt động tốt với kiểu dữ liệu phi cấu trúc là ưu điểm lớn nhất của học sâu Các doanh nghiệp thường sử dụng các dữ liệu không có cấu trúc như hình ảnh, âm thanh, văn bản, giọng nói… nên phù hợp với các dữ liệu kinh doanh hiện nay Khác với học sâu, các thuật toán học máy cổ điển bị hạn chế về khả năng phân tích dữ liệu phi cấu trúc do đó dạng dữ liệu phi cấu trúc này không được khai thác thường xuyên Khi ứng dụng học sâu sẽ sử dụng được nguồn dữ liệu phi cấu trúc này Các doanh nghiệp có thể tối ưu hóa mọi chức năng từ bán hàng, tiếp thị cho đến tài chính nếu nguồn dữ liệu phi cấu trúc được đào tạo và ghi nhãn phù hợp

- Lợi thế về thuật toán phân tán và song song: Học sâu sử dụng các thuật toán song song và phân tán giúp cho quá trình học tập và huấn luyện mô hình diễn ra nhanh hơn so với học sâu không sử dụng thuật toán này Để đạo tạo cho học sâu sẽ sử dụng bằng phương pháp đào tạo cục bộ, GPU hoặc kết hợp cả hai phương thức này với nhau Tuy nhiên, do các bộ dữ liệu đào tạo có khối lượng lớn và liên quan đến nhau và không thể lưu trữ trên một máy nên đã tạo ra dữ liệu song song.

Dữ liệu học học sâu được lưu trữ trên nhiều máy giúp cho quá trình đào tạo được nâng lên

Đào tạo mô hình học sâu rất tốn kém Để tối ưu hóa chi phí và loại bỏ các chi phí không cần thiết, doanh nghiệp cần đào tạo mô hình một cách bài bản Sản phẩm lỗi và dự đoán không chính xác gây ra chi phí rất lớn, thường lớn hơn cả chi phí đào tạo mô hình Các thuật toán học sâu cho phép học các tính năng có thể thay đổi, giúp giảm đáng kể tỷ lệ lỗi giữa các ngành Điều này đặc biệt đúng khi so sánh các thuật toán học sâu với các hạn chế của học máy cổ điển.

- Phân tích nâng cao: Dữ liệu khi được áp dụng học sâu, có thể đưa ra các mô hình xử lý tốt hơn và hiệu quả hơn Nhờ có sự giám sát của học sâu làm thúc đẩy sự cải tiến liên tục, nhờ đó đem đến độ chính xác và đạt được kết quả cao Các nhà khoa học được cung cấp dữ liệu bằng các kết quả phân tích ngắn gọn và đáng tin cậy hơn Các phần mềm dự đoán ngày ngày được công nghệ này hỗ trợ hấu hết, với các ứng dụng từ tiếp thị đến bán hàng, nhân sự, tài chính Giống với bộ tự động hóa bán hàng và tiếp thị thông minh cũng sử dụng các thuật toán học sâu để đưa ra những dự đoán dựa trên dữ liệu lịch sử

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 học sâu 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, đa đường) 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 vô tuyến.

- 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 bố tài nguyên.

- Giảm thiểu tiêu thụ năng lượng và tối ưu hoá hiệu xuất mạng.

Xu hướng nghiên cứu và áp dụng trí thông minh vào các hệ thống vô tuyến ghép kênh theo tần số trực giao để xử lý nhiều vấn đề phức tạp cải thiện hiệu năng đã trở thành mối quan tâm hàng đầu của các doanh nghiệp Trong những năm gần đây học máy đã được nghiên cứu ứng dụng trong truyền thông vô tuyến nhắm đem lại nhưng tiềm năng lớn về khả năng ứng dụng công nghệ xử lý tiên tiến trong đơn giản hoá cấu trúc máy thu phát nâng cao chất lượng truyền dẫn Các hệ thống vô tuyến ghép kênh theo tần số trực giao đã được sử dụng rộng rãi với lưu lượng truy cập cao Các mạng này cho phép kết nối các dịch vụ lớp trên và các tài nguyên vật lý cơ bản: Một mặt, hệ thống vô tuyến ghép kênh theo tần số trực giao cần cung cấp băng thông tới các dịch vụ khác nhau; và mặt khác, hệ thống vô tuyến ghép kênh theo tần số trực giao liên quan đến vấn đề phân bổ tài nguyên theo nhiều chiều, chẳng hạn như bước sóng, khe tần số và khe thời gian Những thách thức đó làm cho hoạt động bảo trì hệ thống vô tuyến ghép kênh theo tần số trực giao trở nên phức tạp hơn so với các mạng truyền thông khác Có một số thách thức đối với hệ thống vô tuyến ghép kênh theo tần số trực giao:

- 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 vô tuyến ghép kênh theo tần số trực giao mở rộng.

- 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, có nhiều tài nguyên vật lý có nhiều chiều được phân bổ: ví dụ như môi trường truyền sóng, bước sóng, phổ, định dạng điều chế và các khe thời gian Việc gộp chung nhiều tài nguyên là tốn thời gian và độ phức tạp tính toán cao

Với sự phức tạp ngày càng tăng, hoạt động thủ công truyền thống trong các hệ thống vô tuyến ghép kênh theo tần số trực giao đòi hỏi quá nhiều thời gian, thiếu khả năng xử lý hệ thống vô tuyến phức ghép kênh theo tần số trực giao phức tạp và quy mô lớn như vậy có thể dẫn tới tối ưu hóa cục bộ thay vì tối ưu hóa toàn cầu.

Các phương pháp quản lý thông thường không còn đáp ứng được các yêu cầu về độ trễ thấp, khả năng mở rộng và độ chính xác của hệ thống vô tuyến ghép kênh theo tần số trực giao (OFDM) trong tương lai Để giải quyết vấn đề này, cần sử dụng các thuật toán thông minh để giám sát, kiểm soát và quản lý mạng OFDM Các thuật toán này sẽ giúp giảm thiểu can thiệp thủ công, đồng thời tăng cường sự linh hoạt và tự động hóa của mạng.

Các thuật toán học máy/học sâu tận dụng khả năng lặp lại học tập từ tập dữ liệu đầu vào và trạng thái môi trường để giải quyết các vấn đề phức tạp.

Việc triển khai các thuật toán học máy/học sâu cho các hệ thống vô tuyến ghép kênh theo tần số trực giao giúp cho việc thực hiện các hoạt động mạng linh hoạt và tự động hơn.

Kết luận

Chương 1 của đề án đã trình bày tổng quan về học máy và học sâu, giới thiệu một số cơ chế hoạt động của học sâu, phân loại và khả năng ứng dụng của học sâu Nội dung chương cũng 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

Giới thiệu chung

Công nghệ ghép kênh phân chia theo tần số trực giao (OFDM), không chỉ có thể cải thiện hiệu quả sử dụng phổ mà còn nâng cao hiệu năng truyền dẫn bằng việc triển khai các định dạng điều chế bậc cao thích ứng trên mỗi sóng mang con OFDM, đã và đang được áp dụng rộng rãi trong thời gian tới Một trong những giải pháp mạng thông minh 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 tuyến ghép kênh theo tần số trực giao hiệu quả, thích ứng và linh hoạt trong đó điều chế tín hiệu và băng thông được xác định một cách linh hoạt dựa trên trạng thái đường truyền [6, 7].

Cùng với sự phát triển mạnh mẽ của cuộc cách mạng công nghiệp 4.0, AI ngày càng được ứng dụng phổ biển và rộng rãi trong mọi lĩnh vực của cuộc sống.

AI tạo ra khả năng tự học của máy tính, do có khả năng này máy tính có thể tự phân loại các dữ liệu mới và phán đoán mà không cần có con người, nó cũng có khả năng xử lý dữ liệu lớn với tốc độ cao Với xu thế phát triển công nghệ và ứng dụng công nghệ vào đời sống thay đổi liên tục, thì công nghệ AI đang là là ứng dụng tiềm năng nhất và là công nghệ chủ chốt trong tương lai [2] Những tiến bộ gần đây trong học máy (ML) bao gồm học sâu (DL) đã cho thấy sự cải thiện đáng kể về kết quả hiện đại và dẫn đến ứng dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là trong hệ thống truyền thông Nhiều công trình được giới thiệu về hệ thống AMC OFDM dựa trên học sâu chủ yếu tập trung vào các hệ thống truyền thông không dây sử dụngOFDM [8, 9, 10] Các nghiên cứu đều được xây dựng với giả định cơ bản rằng mô hình AMC cần thực hiện phân loại cho cả chế độ điều chế (ví dụ: QAM) và biến thể cụ thể trong chế độ đó Trong khi nhiều kiến trúc đã được chứng minh là có hiệu quả ở tỷ lệ tín hiệu trên nhiễu (SNR) cao, thì hiệu suất lại giảm đáng kể ở SNR thấp hơn, thường xảy ra trong các ứng dụng trong thế giới thực Các công trình khác đã nghiên cứu việc tăng hiệu suất phân loại ở mức SNR thấp hơn thông qua việc sử dụng các bộ phân loại điều chế dành riêng cho SNR [3] và phân cụm dựa trên giá trị SNR [4] Với mục đích phân loại, các đặc tính tín hiệu khác nhau đã được khám phá Theo truyền thống, AMC đã sử dụng mô men thống kê và tích lũy bậc cao hơn bắt nguồn từ tín hiệu nhận được [5, 6] Gần đây, việc sử dụng trực tiếp các thành phần thô cùng pha (I) và cầu phương (Q) trong miền thời gian đã được chấp nhận [1, 7, 8, 9].

Ngoài ra, các nghiên cứu thay thế đã điều tra các thuộc tính bổ sung, bao gồm các biểu đồ chòm sao I/Q [10, 11] Sau khi lựa chọn các tính năng đầu vào tín hiệu, bước tiếp theo bao gồm việc sử dụng các mô hình học máy để phân biệt các mẫu thống kê trong dữ liệu để phân loại Các bộ phân loại như máy vectơ hỗ trợ,cây quyết định, K-láng giềng gần nhất và mạng lưới thần kinh thường được sử dụng cho ứng dụng này [8, 9] Mạng thần kinh dư (ResNets), cùng với mạng thần kinh tích chập (CNN), đã được chứng minh là đạt được hiệu suất phân loại cao choAMC [10, 11] Do đó, các phương pháp dựa trên học sâu trong AMC đã trở nên phổ biến hơn 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.

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 thành các luồng dữ liệu tốc độ thấp hơn và đồng thời được phát trên một số các sóng mang con 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 OFDM được bảo vệ theo chu kỳ để tránh nhiễu giữa các sóng mangICI.

Giữa kỹ thuật điều chế đa sóng mang không chồng phổ và kỹ thuật điều chế đa sóng mang chồng phổ có sự khác nhau Trong kỹ thuật đa sóng mang chồng phổ, ta có thể tiết kiệm được khoảng 50% băng thông Tuy nhiên, trong kỹ thuật đa sóng mang chồng phổ, ta cần triệt xuyên nhiễu giữa các sóng mang, nghĩa là các sóng này cần trực giao với nhau.

Trong OFDM, dữ liệu trên mỗi sóng mang chồng lên dữ liệu trên các sóng mang lân cận Sự chồng chập này là nguyên nhân làm tăng hiệu quả sử dụng phổ trong OFDM Ta thấy trong một số điều kiện cụ thể, có thể tăng dung lượng đáng kể cho hệ thống 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.

Hình 2.1 Kỹ thuật sóng mang không chồng phổ (a) và kỹ thuật sóng mang chồng phổ

Về bản chất, OFDM là một trường hợp đặc biệt của phương thức phát đa sóng mang theo nguyên lý chia dòng dữ liệu tốc độ cao thành tốc độ thấp hơn và phát đồng thời trên một số sóng mang được phân bổ một cách trực giao Nhờ thực hiện biến đổi chuỗi dữ liệu từ nối tiếp sang song song nên thời gian mẫu tăng lên.

Do đó, sự phân tán theo thời gian gây bởi trải rộng trễ do truyền dẫn đa đường(multipath) giảm xuống.

Hình 2.2 Sơ đồ hệ thống OFDM

Dữ liệu vào tốc độ cao đi qua bộ chuyển đổi nối tiếp/song song được chia thành nhiều dòng dữ liệu song song tốc độ thấp hơn Khi đi qua bộ chèn pilot mỗi dòng dữ liệu song song sau đó được sử dụng thuật toán sửa lỗi tiến để mã hóa và được sắp xếp theo một trình tự hỗn hợp Những biểu tượng hỗn hợp này được đưa vào của khối IDFT Dữ liệu được đưa sang bộ chèn dải bảo vệ, sau khi tính toán tính toán các mẫu thời gian tương ứng với các kênh nhánh trong miền tần số thì chèn các khoảng bảo vệ vào để làm giảm nhiễu xuyên ký tự ISI do truyền trên các kênh di động vô tuyến đa đường Dữ liệu đi qua bộ lọc phía phát được định dạng tín hiệu thời gian liên tục sẽ được chuyển đổi lên tần số cao để truyền trên các kênh.

Dữ liệu truyền trên các kênh sẽ bị các nguồn nhiễu gây ảnh hưởng như nhiễu trắng cộng AWGN.

Nhiễu Gaussian trắng cộng là một trong những mô hình nhiễu được sử dụng rộng rãi nhất trong nhiều vấn đề xử lý tín hiệu Nó có liên quan nhiều đến việc phát hành tín hiệu trong cả phương tiện truyền thông có dây và không dây nơi nhiễu Gaussian băng thông rộng được tạo ra bởi rung động nhiệt trong dây dẫn và bức xạ từ nhiều nguồn khác nhau Sự phổ thông của nhiễu Gaussian trắng cộng là bằng chứng trong hầu hết các tài liệu về phân loại điều chế trong đó mô hình nhiễu được coi là giới hạn không xác định.

Nhiễu Gaussian trắng cộng được đặc trưng với mật độ phổ không đổi và phân bố biên độ Gaussian có giá trị trung bình bằng 0 Cho nhiễu cộng tính phức ω

= I(ω) + jQ(ω), hàm mật độ xác suất phức (PDF) của nhiễu phức có thể tìm được dưới dạng phương trình (2.1), trong đó Σ là ma trận hiệp phương sai của nhiễu phức ,£Σ£ là định thức của Σ, £x£ là định mức Euclide của nhiễu phức và giá trị trung bình của nhiễu bằng 0

Hình minh họa tín hiệu 4-QAM nhận được trong kênh AWGN có SNR là 10 dB được đưa ra trong Hình 2.3.[18]

Hình 2.3 Chòm tín hiệu 4-QAM trong AWGN với SNR = 10 dB

Giả sử điều chế tín hiệu ℳ có bảng chữ cái A gồm các ký hiệu M và ký hiệu Am có xác suất được truyền bằng nhau, với phân bố tổng thể được coi là M số phân bố nhiễu AWGN được dịch chuyển sang các ký hiệu điều chế khác nhau, PDF phức tạp của tín hiệu nhận được được cho bởi phương trình (2.1), trong đó 1/M là xác suất Am được truyền đi Hình 2.3 minh họa sự phân bố tín hiệu 4-QAM trong kênh AWGN với SNR là 10 dB trên mặt phẳng IQ [18]

Hình 2.4 PDF của tín hiệu 4-QAM trong kênh AWGN với SNR = 10 dB

Hình 2.5 PDF của các đoạn I-Q tín hiệu 4-QAM trong kênh AWGN với SNR = 10 dB

Tại phía thu, tín hiệu tần số cao đi qua bộ S/P sẽ được chuyển xuống tần số thấp và tín hiệu rời rạc đạt được tại bộ lọc thu Sau khi tín hiệu đi qua bộ loại bỏ dải bảo vệ thì khoảng bảo vệ được loại bỏ Tín hiệu chuyển sang bộ DFT thì các mẫu được chuyển từ miền thời gian sang miền tần số bằng phép biến đổi DFT dùng thuật toán FFT Sau đó, tùy vào sơ đồ điều chế được sử dụng, sự dịch chuyển về biên độ và pha của các sóng mang nhánh sẽ được cân bằng bằng tại bộ ước lượng kênh Các mẫu hỗn hợp thu được sẽ đi qua bộ song song/nối tiếp rồi được sắp xếp ngược trở lại ở bộ sắp sếp lại và được giải mã Dữ liệu đầu ra sẽ là dòng dữ liệu nối tiếp ban đầu.

Tất cả các hệ thống truyền thông vô tuyến sử dụng sơ đồ điều chế để ánh xạ tín hiệu thông tin tạo thành dạng có thể truyền hiệu quả trên kênh thông tin Một phạm vi rộng các sơ đồ điều chế đã được phát triển, phụ thuộc vào tín hiệu thông tin là dạng sóng analog hoặc digital Một số sơ đồ điều chế tương tự chung bao gồm: điều chế tần số (FM), điều chế biên độ (AM), điều chế pha (PM), điều chế đơn biên (SSB), Vestigial side Band (VSB), Double Side Band Suppressed Carrier (DSBSC) Các sơ đồ điều chế sóng mang đơn chung cho thông tin số bao gồm khoá dịch biên độ (ASK), khoá dịch tần số (FSK), khoá dịch pha (PSK), điều chế QAM.

Kỹ thuật điều chế đa sóng mang trực giao dựa trên nguyên tắc phân chia luồng dữ liệu có tốc độ cao R (bit/s) thành k luồng dữ liệu thành phần có tốc độ thấp R/k (bit/s); mỗi luồng dữ liệu thành phần được trải phổ với các chuỗi ngẫu nhiên PN có tốc độ Rc (bit/s) Sau đó điều chế với sóng mang thành phần OFDM,truyền trên nhiều sóng mang trực giao Phương pháp này cho phép sử dụng hiệu quả băng thông kênh truyền, tăng hệ số trải phổ, giảm tạp âm giao thoa ký tự ISI nhưng tăng khả năng giao thoa sóng mang.

Trong công nghệ FDM truyền thống, các sóng mang được lọc ra riêng biệt để bảo đảm không có sự chồng phổ, do đó không có hiện tượng giao thoa ký tự ISI giữa những sóng mang nhưng phổ lại chưa được sử dụng với hiệu quả cao nhất.

Với kỹ thuật OFDM, nếu khoảng cách sóng mang được chọn để đảm bảo tính trực giao trong suốt chu kỳ ký tự, các tín hiệu sẽ được thu hồi mà không gặp vấn đề giao thoa hay chồng phổ.

Hình 2.7 Phổ của sóng mang con

OFDM là một kỹ thuật điều chế đa sóng mang, trong đó dữ liệu được truyền song song nhờ vô số sóng mang phụ mang các bit thông tin Bằng cách này ta có thể tận dụng băng thông tín hiệu, chống lại nhiễu giữa các ký tự,…Để làm được điều này, một sóng mang phụ cần một máy phát sóng sin, một bộ điều chế và giải điều chế của riêng nó Trong trường hợp số sóng mang phụ là khá lớn, điều này là không thể chấp nhận được Nhằm giải quyết vấn đề này, khối thực hiện chức năng biến đổi IDFT/DFT được dùng để thay thế hàng loạt các bộ dao động tạo sóng sin,bộ điều chế, giải điều chế Hơn nữa, IFFT/FFT được xem là một thuật toán giúp cho việc biến đổi IDFT/DFT nhanh và gọn hơn bằng cách giảm số phép nhân phức khi thực hiện phép biến đổi IDFT/DFT và giúp tiết kiệm bộ nhớ bằng cách tính tại chỗ.

2.2.2 Phân loại điều chế tự động và ứng dụng trong hệ thống OFDM

Ứng dụng phân loại điều chế tự động dựa trên kỹ thuật học sâu cho các hệ thống OFDM

Công nghệ nhận dạng điều chế tự động đã xuất hiện, giải quyết các hạn chế của phương pháp phân loại điều chế tín hiệu thủ công trước đây Tự động hóa quá trình này giúp loại bỏ sự chủ quan trong phán đoán, đảm bảo độ chính xác cao hơn trong tỷ giá.

2.3.1 Phương pháp phân loại dựa trên tỷ lệ khả năng

Phương pháp phân loại điều chế dựa trên tỷ lệ khả năng được coi là một phương pháp vấn đề đa giả thuyết và xác suất phân loại sai tín hiệu được giảm thiểu theo tiêu chí khả năng tối đa để đạt được nhận dạng tối ưu về mặt lý thuyết Các luồng của phương pháp được thể hiện trong Hình 2.9:

Hình 2.9 Sơ đồ phương pháp nhận dạng điều chế khả năng.

Như có thể thấy trong Hình 2.9, chìa khóa của phương pháp nhận dạng khả năng là xây dựng hàm khả năng của tín hiệu và đặt ngưỡng thích hợp Vì vậy, khi sử dụng phương pháp này phải tốn rất nhiều công sức để xây dựng hàm khả năng rồi chọn ngưỡng thích hợp.

2.3.2 Thuật toán nhận dạng dựa trên đặc tính

Phương pháp nhận dạng điều chế dựa trên đặc tính (FB) là một phương pháp rất quan trọng trong sự phát triển của công nghệ AMC Phương pháp này không cần phải suy luận chặt chẽ về hàm khả năng của tín hiệu, nhưng chỉ cần có khả năng trích xuất đại diện đặc điểm của các tín hiệu khác nhau Việc phân loại có thể được hoàn thành theo các tính năng tương ứng và độ chính xác của phân loại (độ

Xây dựng hàm likelihood Đơn giản hoá số liệu thống kê đủ Ngưỡng so sánh

Hiệu quả phân loại chính xác có thể được đo bằng Pcc = Sc/S × 100%, trong đó Sc là số mẫu được phân loại chính xác, S là tổng kích thước mẫu Thuật toán phân loại điều chế đã được áp dụng rộng rãi trong thực tế nhờ chi phí thấp, độ phức tạp tính toán thấp và độ chính xác cao Quy trình của phương pháp này được minh họa trong Hình 2.10.

Hình 2.10 Sơ đồ phương pháp nhận dạng điều chế đặc tính.

Như được hiển thị trong Hình 2.10, phương pháp này trước tiên xử lý trước tín hiệu, sau đó trích xuất tín hiệu đặc điểm của tín hiệu và cuối cùng sử dụng bộ phân loại để phân loại Quá trình trích chọn đặc trưng và thiết kế bộ phân loại là hai bước rất quan trọng Vì thế, các nhà nghiên cứu phải chọn các đặc điểm tín hiệu phù hợp và thiết kế các bộ phân loại tốt Ở đó có nhiều loại đặc điểm tín hiệu và các đặc điểm khác nhau có những đặc điểm khác nhau Vì Ví dụ: các đặc tính nhất thời của tín hiệu không yêu cầu bất kỳ ước tính tham số nào và có yêu cầu tiền xử lý thấp, nhưng trong các kênh Fading chúng dễ bị dao động, dẫn đến khả năng học tập của người phân loại bị hạn chế Tính năng thống kê bậc cao của tín hiệu có khả năng chống nhiễu mạnh, có những ưu điểm nhất định trong việc tách tín hiệu yếu các tính năng và có khả năng nhận dạng tốt hơn với tỷ lệ tín hiệu trên tạp âm thấp. Độ phức tạp tính toán của phương pháp nhận dạng dựa trên đặc điểm là rất lớn giảm và có thể đạt được mức độ chính xác nhận dạng thỏa đáng Vì vậy, điều này phương pháp được đa số các nhà nghiên cứu ưa chuộng Kể từ đó, nhiều học giả đã dành cho nghiên cứu về các phương pháp nhận dạng điều chế dựa trên tính năng.

Mặc dù kết hợp các tính năng tín hiệu và thuật toán học máy có thể mang lại kết quả nhận dạng tốt hơn, nhưng thiết kế quy tắc phân loại lại phức tạp.

Tiền xử lý tín hiệu Đơn giản hoá số liệu thống kê đủ Ngưỡng so sánh

Kết quả xác định trong các hệ thống truyền thông phức tạp vẫn rất cao, khả năng mở rộng kém và độ chính xác nhận dạngtương đối thấp trong môi trường có tỷ lệ tín hiệu trên tạp âm.

Trong bối cảnh hệ thống truyền thông hiện đại phức tạp, các phương pháp nhận dạng điều chế truyền thống dựa trên trích xuất thủ công tính năng và ngưỡng cố định không còn đáp ứng được yêu cầu Sự phát triển của học sâu (deep learning) đã mở ra hướng đột phá trong việc cải thiện độ chính xác của các hệ thống nhận dạng điều chế.

2.3.3 Phương pháp nhận dạng điều biến dựa trên kỹ thuật học sâu Ý tưởng cơ bản của thuật toán AMC dựa trên DL là nhập một số lượng lớn các nhãn được dán nhãn vào bộ dữ liệu tín hiệu điều chế mạng lưới thần kinh.

Trong mạng, mạng nơ-ron học và trích xuất các đặc điểm của tín hiệu trong tập dữ liệu được dán nhãn, và cuối cùng hoàn thành phân loại theo đặc điểm Toàn bộ quá trình không yêu cầu hướng dẫn sử dụng trích xuất đặc trưng tín hiệu và có thể đạt được độ chính xác nhận dạng cao Có thể thấy rằng phương pháp AMC dựa trên DL có những ưu điểm sau: ít kiến thức chuyên môn, mạnh mẽ khả năng trích xuất đặc trưng và độ chính xác nhận dạng cao Vì vậy, nhiều học giả đã thiết kế các mạng học sâu khác nhau để nhận dạng. Điều đáng chú ý là mặc dù phương pháp AMC dựa trên DL hoạt động tốt nhưng nó cũng có hạn chế: ai cũng biết rằng các mô hình DL chỉ có thể đạt được kết quả phân loại tốt với tập dữ liệu khổng lồ Nếu tập dữ liệu quá nhỏ thì độ sâu của mô hình học tập có xu hướng trang bị quá mức, dẫn đến hiệu quả phân loại học tập cuối cùng kém Nói chung, nếu số lượng mẫu trong mỗi loại trong tập dữ liệu chỉ có hàng chục hoặc hàng trăm thì dữ liệu là tập dữ liệu mẫu nhỏ Đối với tín hiệu điều chế, nếu tín hiệu điều chế chỉ có một vài trăm mẫu, tập dữ liệu tín hiệu được điều chế là tập dữ liệu mẫu nhỏ.

Trong lĩnh vực truyền thông, có nhiều trường hợp, chẳng hạn như liên lạc dưới biển sâu, liên lạc bằng radar, v.v., không thể có được các bộ dữ liệu khổng lồ được gắn nhãn, điều này sẽ dẫn đến hiệu suất kém của các thuật toán AMC dựa trên DL Vì vậy, để giải quyết vấn đề về độ chính xác nhận dạng điều chế thấp trong môi trường mẫu nhỏ, các nhà nghiên cứu cần để phát triển thuật toán AMC phù hợp với môi trường mẫu nhỏ

Theo phần giới thiệu ở trên, chúng ta biết rằng thuật toán nhận dạng điều chế dựa trên học sâu có lỗ hổng lớn khi lượng dữ liệu mẫu đủ hoặc không đủ Hiện nay có rất nhiều thuật toán giải quyết hai trường hợp này nên nó có ý nghĩa rất lớn tầm quan trọng của việc tóm tắt các thuật toán AMC dựa trên DL trong hai trường hợp này cho các lần tiếp theo nghiên cứu Trong các năm qua, một số nhà nghiên cứu đã xem xét các giải pháp dựa trên DL thuật toán phân loại điều chế tập trung vào ứng dụng của mạng thần kinh cổ điển (ví dụ: CNN, RNN) trong học sâu để nhận dạng điều biến; và tập trung vào việc xem xét bộ dữ liệu, phương pháp biểu diễn tín hiệu và phương pháp tiếp cận dựa trên học tập sâu trong lĩnh vực phân loại điều chế này.

Mặc dù một số nghiên cứu đã đưa ra những đóng góp có liên quan đến các thuật toán Quản lý kênh tự động (AMC) dựa trên Học sâu (DL), phần lớn các nghiên cứu đã được khảo sát chỉ tóm tắt các phương pháp AMC sử dụng mạng nơ ron thông thường Các nghiên cứu này bỏ qua các mô tả liên quan của các phương pháp phân loại điều chế Học sâu trong môi trường gây nhiễu.

Trong khuôn khổ đề án này, hệ thống vô tuyến ghép kênh theo tần số trực giao dựa trên OFDM sử dụng phân loại điều chế tự động với học sâu để phát hiện định dạng điều chế của tín hiệu nhận được một cách thích ứng và tự động được nghiên cứu ứng dụng thử nghiệm Mạng được giả định áp dụng cơ chế điều chế thích ứng khoảng cách với bốn định dạng điều chế điển hình, tức là BPSK, QPSK,khóa dịch chuyển 8 pha (8-PSK) và 16-QAM của tín hiệu vô tuyến

Hình 2.11 Sơ đồ AMC dựa trên học sâu cho hệ thống vô tuyến ghép kênh theo tần số trực giao OFDM

Giải pháp AMC dựa trên học sâu cho hệ thống OFDM

Mô hình AMC dựa trên kỹ thuật học sâu được ứng dụng thử nghiệm trong đề án bao gồm các bước xử lý như sau:

1) Xử lý tín hiệu đầu vào thông qua mạng con.

2) Trích xuất các tính năng

3) Đưa ra quyết định phân loại dựa trên các tính năng này

Xử lý điều chế OFDM

Phát hiện điều chế Phân loại điều chế tự động dựa trên học sâu Tiền xử lý

OFDM- Liên kết mạng vô tuyến cơ sở

BPSK, QPSK, 8 -PSK and 16 -QAM

Hình 2.12 minh họa kiến trúc phân loại điều chế tự động (AMC) dựa trên kỹ thuật học sâu được ứng dụng triển khai thử nghiệm Mô hình được phát triển có khả năng thích ứng với các tín hiệu có nhiều đặc điểm khác nhau bằng cách triển khai Mạng con cho từng kích thước bộ lọc (kích thước FFT) Nó tận dụng các mạng thần kinh tích chập (CNN) và các lớp được kết nối đầy đủ để tự động tìm hiểu và phân loại các sơ đồ điều chế Theo cách tiếp cận này, CNN bao gồm một loại lớp đặc biệt sử dụng các phép toán tích chập để trích xuất các biểu diễn hữu ích từ dữ liệu đầu vào Mô hình phân loại điều chế tự động bao gồm ba thành phần: (1) lớp lọc, (2) lớp chập và (3) lớp được kết nối đầy đủ

Hình 2.12 Kiến trúc mô hình phân loại điều chế tự động dựa trên học sâu

Dữ liệu đầu vào của mô hình AMC gồm tín hiệu OFDM được phân loại vào một trong bốn phương pháp điều chế được chỉ định Nguồn tín hiệu này thường là tín hiệu liên lạc đã tiếp nhận và có dạng dữ liệu phức tạp.

Mạng con là một mô hình học sâu dùng để phân loại điều chế tự động Chúng được dùng để xử lý các tín hiệu có đặc điểm khác biệt, với mỗi mạng con chịu trách nhiệm trích xuất các tính năng từ tín hiệu đầu vào ở kích thước bộ lọc cụ thể (kích thước FFT) Mỗi mạng con bao gồm bốn lớp liên tiếp.

+ Lớp thứ nhất: số kênh đầu vào là 1, số kênh đầu ra là 32 bản đồ đặc trưng, kích thước hạt nhân và phần đệm lần lượt là (2, 1) và (1, 0);

+ Lớp thứ hai: số kênh đầu vào là 32, đầu ra là 4 bản đồ tính năng, kích thước hạt nhân là (2, 2) và phần đệm là (1, 1);

+ Lớp MaxPooling: kích thước cửa sổ 2x2, bước 2 và phần đệm (1x1) được sử dụng;

+ Kích hoạt (Activation): LeakyReLU được triển khai

- Trích chọn đặc trưng: Mỗi mạng con, được biểu thị bằng lớp Mạng con, áp dụng kiến trúc CNN chung để trích chọn đặc trưng Kiến trúc bao gồm các lớp tích chập, các hàm kích hoạt và các lớp gộp Tín hiệu đầu vào được xử lý thông qua các lớp này để trích chọn đặc trưng liên quan Các lớp tích chập học cách xác định các mẫu và đặc điểm trong tín hiệu

- Lọc: Sau khi trích chọn đặc trưng ban đầu bằng kiến trúc CNN phổ biến, mỗi mạng con sẽ áp dụng tính năng lọc bổ sung cho các biểu diễn tính năng Quá trình lọc được thực hiện bằng bộ lọc từ mô-đun FilterBank, bộ lọc này không được cung cấp trong đoạn mã Bộ lọc cụ thể được áp dụng tùy thuộc vào kích thước FFT của mạng con

- Ghép nối các đặc trưng: Đầu ra của tất cả các mạng con được ghép nối thành một vectơ đặc trưng duy nhất Vectơ đặc trưng này chứa thông tin về các đặc tính của tín hiệu được thu bởi các mạng con khác nhau

- Các lớp được kết nối đầy đủ: Vectơ đặc trưng được nối được truyền qua một chuỗi các lớp được kết nối đầy đủ Các lớp này thực hiện ánh xạ và phân loại đặc trưng bổ sung Chúng giúp mô hình tìm hiểu và phân biệt giữa các sơ đồ điều chế khác nhau Lớp được kết nối đầy đủ cuối cùng có số nút đầu ra bằng số lượng sơ đồ điều chế mà mô hình hướng tới phân loại

- Chức năng kích hoạt: Sau mỗi lớp được kết nối đầy đủ, chức năng kích hoạt Tánh sẽ được sử dụng Nó giới thiệu tính phi tuyến tính và giúp mạng nắm bắt các mẫu phức tạp trong dữ liệu

- Phân loại: Đầu ra cuối cùng của mô hình là dự đoán phân loại điều chế Nó chỉ ra sơ đồ điều chế có khả năng xảy ra nhất được sử dụng trong tín hiệu đầu vào.

Sơ đồ điều chế cụ thể được xác định dựa trên giá trị kích hoạt cao nhất trong số các nút đầu ra của lớp được kết nối đầy đủ cuối cùng Quá trình này liên quan đến việc xác định nút đầu ra có giá trị kích hoạt cao nhất, sau đó theo dõi ngược tín hiệu truyền ngược lại qua mạng để xác định các lớp và nút đã kích hoạt nó Thông tin này sau đó được sử dụng để tạo nên sơ đồ điều chế, giúp trực quan hóa cách mạng truyền qua mạng và xác định các nút quan trọng tham gia vào quá trình ra quyết định cuối cùng.

Trên thực tế, mô hình được phát triển được huấn luyện bằng dữ liệu mô phỏng và có thể phát hiện chính xác bốn tín hiệu điều chế OFDM được chỉ định bao gồm BPSK, QPSK, khóa dịch chuyển 8 pha (8-PSK) và 16-QAM, là những tín hiệu điển hình nhất trong hệ thống vô tuyến ghép kênh theo tần số trực giao.

Kết luận

Nội dung chương này trình bày các vấn đề ứng dụng với phân loại điều chế tự động trong hệ thống vô tuyến ghép kênh theo tần số trực giao và xây dựng thử nghiệm giải pháp phân loại điều chế tự động sử dụng học sâu cho hệ thống OFDM.

Giải pháp phân loại điều chế tự động dựa trên học sâu được kỳ vọng sẽ có khả năng phân loại các khuôn dạng điều chế hiệu quả, hoàn toàn dựa trên dữ liệu và không cần kiến thức trước về tín hiệu được điều chế hoặc thống kê kênh cho hệ thống vô tuyến ghép kênh theo tần số trực giao dựa trên OFDM với bốn định dạng điều chế điển hình, tức là BPSK, QPSK, 8PSK và 16-QAM mà công việc này trước đây chủ yếu dựa vào các chuyên gia có kinh nghiệm để thực hiện các thao tác thủ công Kết quả phán đoán cuối cùng mang tính chủ quan hơn, độ chính xác tỷ giá khó đảm bảo Việc phân loại được tín hiệu thu, nhất là các loại tín hiệu điều chế bậc cao như8-PSK hay 16QAM là không khả thi Hiệu năng của giải pháp này sẽ được khảo sát và đánh giá dựa trên kỹ thuật mô phỏng số và kết quả cụ thể sẽ được trình bày trong Chương 3.

ĐÁNH GIÁ HIỆU NĂNG

Giới thiệu chung

Để đánh giá hiệu năng của giải pháp phân loại điều chế tự động(AMC) sử dụng kỹ thuật học sâu được ứng dụng thử nghiệm cho hệ thống vô tuyến ghép kênh theo tần số trực giao trong Chương 2, nội dung Chương 3 tập trung mô phỏng và đánh giá hiệu năng của giải pháp phân loại điều chế tự động dựa trên học sâu được thử nghiệm Chương trình phần mềm mô phỏng được thực hiện dựa trên ngôn ngữ Python cùng với thư viện PyTorch Pytorch là một thư viện mã nguồn mở được sử dụng rộng rãi trong lĩnh vực học máy và học sâu Được phát triển bởi Facebook's AI Research lab (FAIR), PyTorch nổi bật nhờ tính linh hoạt, dễ sử dụng và hiệu quả trong việc xây dựng và huấn luyện các mô hình học sâu Tập dữ liệu sử dụng trong việc huấn luyện và kiểm thử mô hình được sinh ngẫu nhiên với tín hiệu phía phát và phía thu của hệ thống với các điều kiện và tham số hệ thống khác nhau dựa trên kênh truyền nhiễu Gauss trắng cộng (AWGN) Tập dữ liệu chung của bài toán cũng được phân thành tập dữ liệu huấn luyện và tập dữ liệu thử nghiệm cho mô hình Trước hết, tập dữ liệu huấn luyện được sử dụng để huấn luyện và xác định các tham số của mô hình, sau đó, mô hình phân loại sau huấn luyện sẽ được đánh giá hiệu năng dựa trên tập dữ liệu thử nghiệm.

Việc đánh giá hiệu năng của mô hình học máy trong bài toán phân loại là một bước quan trọng để đảm bảo rằng mô hình hoạt động đúng cách và đáp ứng được các yêu cầu đặt ra Trong tập dữ liệu, mỗi dữ liệu sẽ được gán nhãn theo mỗi loại điều chế được thực hiện và nhãn dữ liệu phù hợp với loại điều chế đang được phân loại thì được gọi là Positive (tích cực/dương tính), viết tắt là P, và những nhãn còn lại thì gọi là Negative (tiêu cực/âm tính), viết tắt là N, đối với loại điều chế đó.

Như vậy, với mỗi loại điều chế, các nhãn dữ liệu sẽ chia thành 2 kiểu: P hoặc N.

Kết quả phân loại sau khi sử dụng bộ phân loại điều chế tự động sẽ cho ra kết quả là loại điều chế được dự đoán (phân loại) và nếu kết quả của loại điều chế là đúng thì gọi là True (đúng/thực), viết tắt là T, ngược lại thì là False (sai/giả), viết tắt là

F Như vậy, với mỗi loại điều chế, tập dữ liệu thử nghiệm sau khi chạy trên bộ phân loại điều chế tự động sẽ có các dữ liệu phân thành 4 loại chính như sau:

True Positive (TP): Được dự đoán là dương và giá trị thực tế cũng dương.

True Negative (TN): Được dự đoán là âm và giá trị thực tế cũng âm.

False Positive (FP): Dự đoán là dương nhưng giá trị thực tế là âm.

False Negative (FN): Dự đoán là âm nhưng giá trị thực lại là dương.

Những chỉ số trên sẽ là cơ sở để tính toán những tham số (metric) ước lượng hiệu năng của mô hình phân loại được sử dụng trong bài toán Các chỉ số này được tổng hợp lại trong ma trận nhầm lẫn, có thể theo số lượng mẫu hoặc theo giá trị chuẩn hóa (so với tổng số mẫu), để cung cấp một cái nhìn chi tiết về hiệu năng của mô hình bằng cách hiển thị số lượng các dự đoán đúng và sai theo từng lớp dự đoán.

Các tham số hiệu năng của mô hình phân loại được tính toán dựa trên bốn chỉ số cơ bản: TP (True Positive), TN (True Negative), FP (False Positive) và FN (False Negative) Độ chính xác (Accuracy) đánh giá tỷ lệ dự đoán chính xác của mô hình, trong khi độ nhạy (Sensitivity/Recall) đo khả năng phát hiện các trường hợp thực sự thuộc lớp dương Độ chuẩn xác (Precision) phản ánh tỷ lệ dự đoán dương trong số tất cả các dự đoán dương, còn độ đặc hiệu (Specificity) đo tỷ lệ dự đoán âm trong số tất cả các dự đoán âm F1-score là trung bình điều hòa của độ nhạy và độ chuẩn xác, cung cấp đánh giá toàn diện về hiệu suất mô hình Đường cong ROC (Receiver Operating Characteristic) và AUC (Area Under the ROC Curve) cũng được sử dụng để đánh giá hiệu suất mô hình.

- Độ chính xác (Accuracy): Độ chính xác ước tính tổng hiệu năng của mô hình học sâu để phân loại Độ chính xác chỉ đơn giản là một phần của tổng số mẫu được xác định chính xác Xác suất đưa ra dự đoán đúng trong số tất cả các dự đoán.

Công thức tính của Accuracy được cho như sau:

Độ nhạy (Sensitivity hay còn gọi là Recall): Tham số này đo độ chính xác khi chẩn đoán các lớp mục tiêu Công thức tính Độ nhạy như sau: TP + FP + TN + FN

- Độ đặc hiệu (Specificity): Cùng với độ nhạy xem xét độ chính xác của chẩn đoán cho từng lớp điều chế Specificity được tính như sau:

- Độ chuẩn xác (Precision): Dùng để đo tỷ lệ các trường hợp được dự đoán chính xác Trong số tất cả các lớp chúng ta dự đoán là tích cực, có bao nhiêu lớp thực sự tích cực Xác suất nhận được các dự đoán tích cực là chính xác trong tổng số các dự đoán tích cực Precision là một trong những tham số có thể khắc phục được Precision được tính theo công thức như sau:

- F1-score: Là giá trị trung bình hình học của độ nhạy và độ chuẩn xác Rất khó để so sánh hai mô hình có độ chính xác thấp và độ thu hồi cao hoặc ngược lại.

Vì vậy, để so sánh chúng cân sử dụng F-Score Điểm F giúp đo lường Độ thu hồi và Độ chính xác cùng một lúc Nó sử dụng Trung bình Điều hòa thay cho Trung bình Số học bằng cách trừng phạt các giá trị cực trị nhiều hơn Nó kết hợp độ chính xác và thu hồi như một thước đo hiệu quả của việc phân loại Nằm trong khoảng từ 0 đến 1 Điểm F càng cao thì mô hình càng tốt F1- score kết hợp độ chính xác và thu hồi bằng cách sử dụng giá trị trung bình hài hòa Độ chuẩn xác được tính theo công thức:

- Đường cong ROC: Đường cong ROC (ROC Curve) là một đồ thị biểu diễn khả năng phân biệt của một mô hình phân loại ở các ngưỡng quyết định (threshold) khác nhau Đường cong này thể hiện mối quan hệ giữa Tỉ lệ Dương tính Giả (FPR - False Positive Rate) và Tỉ lệ Dương tính Thực (TPR - True Positive Rate), hay còn gọi là Recall, khi ngưỡng phân loại được thay đổi ROC Curve sẽ được dùng để đánh giá và chọn Threshold cho bài toán phân loại FPR và TPR được tính theo công thức như sau:

- AUC: Là viết tắt của "Area Under the Curve" (Diện tích dưới đường cong

ROC), là một chỉ số đo lường hiệu suất tổng thể của mô hình phân loại ROC Curve thể hiện kết quả trên một đồ thị được plot Và AUC là tỷ lệ diện tích phần bên dưới của đồ thị đó so với tổng diện tích đồ thị Khi này giá trị của AUC sẽ là một số, từ đó ta có thể dễ dàng quan sát và đánh giá trong quá trình training model.

Trong thực tế, việc đánh giá hiệu năng dựa trên một hay nhiều thông số phụ thuộc vào yêu cầu cụ thể của bài toán và tập dữ liệu Để đánh giá hiệu năng mô hình toàn diện và chính xác, cần xem xét nhiều khía cạnh khác nhau Các số liệu hiệu năng chính được sử dụng trong đề án tốt nghiệp để đánh giá mô hình phân loại điều chế tự động dựa trên kỹ thuật học sâu bao gồm Độ chính xác (Accuracy), Độ nhạy (Sensitivity), Độ đặc hiệu (Specificity), Độ chuẩn xác (Precision) và F1-score.

Tập dữ liệu

Nhằm đánh giá hiệu năng của hệ thống vô tuyến ghép kênh theo tần số trực giao sử dụng giải pháp AMC được ứng dụng trong đề án này, trong mô phỏng thử nghiệm trong đề án này, hệ thống vô tuyến ghép kênh theo tần số trực giao được giả định có khả năng hỗ trợ linh hoạt việc gán điều chế OFDM thích ứng với khoảng cách của các đường dẫn vô tuyến đã thiết lập Trong hệ thống vô tuyến ghép kênh theo tần số trực giao có thể được điều chế theo một trong bốn định dạng điển hình là BPSK, QPSK, 8-PSK và 16-QAM Để tạo tín hiệu OFDM, dữ liệu người dùng (chuỗi bit ngẫu nhiên) được điều chế bằng cách áp dụng kỹ thuậtOFDM Các tín hiệu OFDM đã điều chế được truyền qua kênh vô tuyến và các đặc tính của kênh thường được phản hồi lại bằng tỷ lệ tín hiệu trên (SNR) Đối với mỗi định dạng điều chế, dữ liệu được tạo cho số lượng sóng mang con dữ liệu khác nhau với kích thước FFT là 256, 512 và 1024 và với các giá trị SNR trong phạm vi từ 0 dB đến 20 dB với các bước 4 dB Hơn nữa, mỗi định dạng điều chế bao gồm1000 ví dụ cho mỗi giá trị sóng mang con và SNR Dữ liệu được chia thành 80% để đào tạo và 20% để xác thực Ở đây, lưu ý rằng mỗi sóng mang phụ được giả định thực hiện cùng một chế độ điều chế Mẫu IQ được tạo thông qua dữ liệu mô phỏng để huấn luyện mô hình Bảng 3.1 tóm tắt các thông số dữ liệu mô phỏng tạo lập tập dữ liệu chính được sử dung trong đề án

BẢNG 3.1 CÁC THAM SỐ MÔ PHỎNG CHÍNH

Khuôn dạng điều chế BPSK, QPSK, 8-PSK và 16QAM

Số ký hiệu (symbol) trên mẫu 2048

Tỉ trọng dữ liệu huấn luyện và kiểm thử 80:20

Huấn luyện mô hình và lựa chọn tham số

Tập dữ liệu huấn luyện là tập hợp các mẫu dữ liệu được sử dụng để huấn luyện mô hình Mỗi mẫu dữ liệu trong tập này bao gồm các đặc trưng (feature) và nhãn (label) tương ứng Trong học sâu (deep learning), một epoch là một đơn vị đo lường trong quá trình huấn luyện của mô hình Nó đại diện cho một vòng lặp hoàn chỉnh qua toàn bộ tập dữ liệu huấn luyện Trong một epoch, mô hình sẽ cập nhật trọng số dựa trên các lỗi tính toán từ toàn bộ tập dữ liệu Quá trình này giúp mô hình học được các mẫu (patterns) từ dữ liệu Do tập dữ liệu huấn luyện có thể rất lớn, việc huấn luyện mô hình bằng cách cập nhật trọng số sau khi tính toán lỗi từ toàn bộ tập dữ liệu trong mỗi epoch có thể tốn rất nhiều thời gian và tài nguyên Vì vậy, tập dữ liệu huấn luyện thường được chia thành các lô nhỏ hơn, còn gọi là batch Kích thước lô (batch size) là số lượng mẫu dữ liệu được sử dụng trong một lần cập nhật trọng số Số lượng epochs và kích thước batch là các tham số quan trọng trong quá trình huấn luyện mô hình, ảnh hưởng trực tiếp đến hiệu quả và tốc độ huấn luyện.

Trong đề án này, việc huấn luyện mô hình AMC được thực hiện theo tập dữ liệu huấn luyện trong đó các giá trị SNR lần lượt là 0, 4, 8, 12, 16 và 20 dB cho các epoch lần lượt là 1, 5 và 10 Epoch có nghĩa là toàn bộ tập dữ liệu được truyền tiến và lùi qua mạng nơ-ron chỉ một lần Giải pháp tối ưu hóa Adam được áp dụng với tốc độ học (learning rate) ban đầu là 10 -5 , 10 -4 , 10 -3 , 10 -2 và 10 -1 để tìm ra các bộ tham số tốt nhất trong khi kích thước lô (batch) được cố định ở mức 1 Các kết quả huấn luyện cho thấy, các tham số hiệu năng, đặc biệt là độ chính xác (Accuracy), có giá trị tốt hơn với tốc độ học là 10 -4 Trên thực tế, kiến trúc mô hình độc lập với số mẫu tín hiệu đầu vào, mô hình được huấn luyện với độ dài tín hiệu là 2048 mẫu Hình 3.1 và 3.2 mô tả tổn thất huấn luyện và độ chính xác tổng thể đạt được với các epoch là 1, 5 và 10 khi tốc độ học được áp dụng là 10 -4 Để hội tụ nhanh hơn và hiệu năng cao hơn, epoch là 5 và tốc độ học tập là 10 -4 sau đó được chọn để ước tính hiệu năng

Lần lặp H àm tổ n th ất (T ra in in g L os s)

Hình 3.1 Hàm loss và số lần lặp

Hình 3.2 Độ chính xác tổng thể so với SNR với các giá trị epoch khác nhau

Đánh giá hiệu năng

Hình 3.3 tổng hợp các kết quả phân loại điều chế tự động với mô hình được huấn luyện với các tham số được thiết lập lần lượt là: tốc độ học là 10 -4 , epoch là10 và kích thước lô là 1 Trên cơ sở các kết quả đạt được trong ma trận nhầm lẫn,các tham số hiệu năng của hệ thống được tính toán theo các công thức đưa ra trong các công thức (3.1), (3.2), (3.3), (3.4), (3.5), (3.6) và (3.7) Các ma trận nhầm lẫn cũng cho thấy, mô hình phân loại điều chế thực hiện trong đề án có khả năng phân loại các khuôn dạng điều chế với độ chính xác cao và đặc biệt tốt đối với kiểu điều chế BPSK và 16-QAM Điều này thể hiện trong việc các ô trên đường chéo chính(TP) có giá trị cao vượt trội so với các ô khác, đồng thời ô trái trên (tương ứng với việc phân loại tín hiệu BPSK) và ô phải dưới (tương ứng với việc phân loại tín hiệu 16-QAM) có giá trị cao hơn (ô màu đậm hơn).

Hình 3.3 Ma trận nhầm lẫn

Bảng 3.2 tóm tắt hiệu năng phân loại trung bình của mô hình AMC về độ chính xác, điểm F1 (F1 score), độ nhạy, độ đặc hiệu và độ chuẩn xác liên quan đếnSNR Kết quả cho thấy giải pháp được nghiên cứu trong đề án có thể đạt được hiệu năng cao đáng kể với độ chính xác hơn 93,43% ngay cả ở SNR rất thấp là 0 dB,hiệu năng được tăng lên 95,56% khi mức SNR là 4 dB, đạt 98,86% khi mức SNR là 8dB, đạt 99,39% khi mức SNR là 12dB, đạt 99,78% khi mức SNR 16dB và đạt100% khi SNR là 20 dB Điều này ngụ ý rằng phương pháp phân loại điều chế tự động dựa trên kỹ thuật học sâu có thể được áp dụng hiệu quả trong các điều kiện mạng khác nhau

BẢNG 3.2 HIỆU NĂNG CỦA MÔ HÌNH

Hiệu năng Accuracy F1-Score Sensitivity Specificity Precision

Hình 3.4 Độ chính xác thu được cho từng dạng điều chế khi epoch BẢNG 3.3 HIỆU NĂNG CỦA TỪNG PHÂN LOẠI ĐIỂU CHẾ

SNR Điều chế Hiệu năng

(dB) Accuracy F1-Score Sensitivity Specificity Precision

Ngoài ra, việc so sánh độ chính xác phân loại của mô hình AMC cho từng định dạng điều chế được minh họa trong Hình 3.4 Người ta đã xác minh rằng SNR tốt hơn mang lại độ chính xác phân loại cao hơn và với cùng giá trị SNR, việc phân loại trở nên hiệu quả hơn khi áp dụng điều chế đơn giản hơn Hiệu năng phân loại chi tiết của giải pháp đã phát triển được giải thích trong Bảng 3.3 Kết quả thu được cho thấy mô hình dễ dàng xác định mô hình điều chế BPSK có hiệu năng cao nhất trong khi 8-PSK dường như là phân loại kém hiệu quả nhất Việc nâng cao hiệu năng phân loại thậm chí còn trở nên tốt hơn với tỷ lệ tín hiệu trên nhiễu nhận được lớn hơn, cho biết hiệu năng truyền tốt hơn đạt được, độ tin cậy và độ chính xác cao hơn Điều này có nghĩa là phương pháp được ứng dụng thử nghiệm trong đề án mang lại hiệu năng tuyệt vời, đặc biệt đối với môi trường truyền dẫn chất lượng cao và có thể phân loại một loạt các lớp điều chế bao gồm BPSK, QPSK, 8-PSK và 16-QAM Lưu ý rằng một trong những hạn chế của AMC khi sử dụng học sâu là mô hình phải được đào tạo lại nếu bộ điều chế mới được triển khai trong mạng.

Kết luận

Chương 3 trình bày các khảo sát và đánh giá hiệu năng của giải pháp phân loại điều chế tự động sử dụng kỹ thuật học sâu trình bày trong Chương 2 bằng phương pháp mô phỏng số trong việc phân loại định dạng điều chế cho các hệ thống vô tuyến ghép kênh theo tần số trực giao dựa trên OFDM Các kết quả đạt được đã chứng minh hiệu quả của giải pháp phân loại điều chế tự động sử dụng kỹ thuật học sâu cho hệ thống truyền thông OFDM Giải pháp phân loại điều chế tự động dựa trên học sâu thể hiện khả năng ứng dụng hiệu quả, hoàn toàn dựa trên dữ liệu và không cần kiến thức trước về tín hiệu được điều chế hoặc thống kê kênh cho hệ thống vô tuyến ghép kênh theo tần số trực giao với bốn định dạng điều chế điển hình, tức là BPSK, QPSK, 8-PSK và 16-QAM Các kết quả thực nghiệm thu được chứng minh rằng giải pháp này có thể được áp dụng để tự động phân loại tín hiệu điều chế một cách hiệu quả mà không cần biết trước về điều kiện kênh trong các hệ thống truyền thông OFDM.