Luận văn thạc sĩ Kỹ thuật viễn thông: Tối ưu tài nguyên vô tuyến trong hệ thống thông tin di động 5G

Với sự gia tăng nhanh về số lượng kết nối và lưu lượng thông tinnày, hệ thống thông tin số tuyến thế hệ thứ 5 5G đã và đang được nghiêncứu để được ra các giải pháp nhằm đáp ứng các nhu c

Mục tiêu và nhiệm vụ của luận văn

Dựa trên các định hướng nêu trên, luận văn cần đạt được các kiến thức và kết quả sau:

• Nghiên cứu tổng quan về hệ thống thông tin di động 5G.

• Mô hình toán, phân tích tín hiệu và giới thiệu giải thuật tính toán cho cực đại hiệu suất năng lượng mô hình hệ thống MIMO HetNet Mô phỏng đánh giá thiết kế đưa ra và so sánh với giải pháp đã có.

• Mô hình toán, phân tích tín hiệu và trình bày giải pháp thiết kế tối đa hóa hiệu suất phổ và năng lượng thu thập trong hệ thống nhiều cell MU-MIMO SWIPT Mô phỏng đánh giá thiết kế Khảo sát đặc điểm của sự đánh đổi giữa hiệu suất phổ và năng lượng thu thập.

• Mô hình toán, phân tích tín hiệu và trình bày giải pháp thiết kế cực đại hiệu suất năng lượng của hệ thống MU-MIMO HWPCN Mô phỏng đánh giá thiết kế đưa ra.

Phương pháp nghiên cứu

Trong luận văn này, phương pháp nghiên cứu được sử dụng là kế thừa các công trình nghiên cứu trước đây Các công trình liên quan được khảo sát, phân tích, tổng hợp, và đánh giá ưu nhược điểm Sau đó đề xuất một hay nhiều giải pháp để khắc phục nhược điểm phát huy ưu điểm dựa trên tính kỹ thuật, và đưa ra hướng giải quyết cho giải pháp đã đề xuất Do hạn chế về công nghệ và chi phi phí xây dựng, việc khảo sát giải pháp đề xuất trên hệ thống thực tế là không khả thi Việc nghiên cứu sẽ được tiến hành thông qua mô phỏng bằng chương trình máy tính và lấy kết quả trên các mô hình.

Phương pháp có thể trình bày qua các bước sau:

• Thu thập các tài liệu liên quan về vấn đề đang quan tâm xem xét: hiệu suất phổ và năng lượng trong mạng MIMO, và mạng HetNet, kỹ thuật SWIPT và WPCN.

Trong đó một số cơ sở dữ liệu online uy tín được đề xuất như ieeexplore, Spingerlink, Wiley hay công cụ học thuật Scholar.google.com.

• Xem xét tổng quan vấn đề dựa trên các tài liệu đã xác định, tổng kết các nội dung đã được thực hiện thành một chuỗi các công trình có tính liên quan về hệ thống MIMO HetNet, SWIPT và WPCN.

• Từ các hướng tiếp cận trước đây, thực hiện việc xây dựng mô hình MIMO HetNet, nhiều cell MU-MIMO SWIPT, HPWCN và các vấn đề về hiệu suất năng lượng.

• Tiến hành phân tích tín hiệu, bài toán tối ưu hiệu suất phổ (SE), hiệu suật năng lượng (EE) và năng lượng thu thập được cho các mô hình đề cập Sau đó đưa ra lời giải và giải thuật thiết kế cho các vấn đề quan tâm.

• Tiến hành viết các chương trình máy tính cho giải thuật đề ra và chạy mô phỏng kết quả bằng số liệu trên phần mềm MATLAB.

• Đưa ra các thảo luận nhận xét về hiệu năng của hệ thống, tính hiệu quả và yếu điểm của phương pháp đề ra.

• Viết báo cáo về quy trình, các phân tích và kết quả Cuối cùng đưa ra các kết luận và kiến nghị.

Bố cục của luận văn

Toàn bộ luận văn sẽ được trình bày theo một bố cục liên hệ mạch lạc với nhau xuyên suốt trong luận văn này Các nội dung của luận văn sẽ được chia thành các chương cụ thể để có thể dễ dàng xem xét và nắm bắt vấn đề cũng như tạo sự mạch lạc, logic cho luận văn Cụ thể, bố cục của luận văn được trình bày như sau

• Chương 1, chương mở đầu, bao gồm đặt vấn đề nghiên cứu, lý do chọn đề tài, phạm vi và đối tượng nghiên cứu, nhiệm vụ của luận văn và các bài báo đã hoàn thành của luận văn.

• Chương 2 trình bày tóm lược tổng quan về các vấn đề nghiên cứu và cung cấp các lý thuyết toán tối ưu được sử dụng trong thiết kế ở các chương kế tiếp.

• Chương 3 trình bày thiết kế các bộ tiền mã hoá để tối ưu hiệu suất năng lượng của hệ thống đường lên MIMO HetNet.

• Chương 4 nghiên cứu tối đa hoá hiệu suất phổ và năng lượng thu thập trong mạng di động nhiều cell MU-MIMO SWIPT.

• Chương 5 thiết kế các bộ tiền mã hóa cho các trạm gốc và thiết bị người dùng trong hệ thống MU-MIMO HWPCN.

• Chương 6 tóm tắt lại kết quả nghiên cứu đồng thời đề xuất các hướng bổ sung, phát triển đề tài.

Cuối cùng là phụ lục và danh mục các tài liệu tham khảo trong luận văn.

Các ký hiệu toán học: Xuyên suốt trong luận văn này, các ký hiệu toán học được ký hiệu thống nhất Luận văn sử dụng ký tự thường in đậm và ký tự hoa in đậm để ký hiệu lần lượt cho cho vector và ma trận I là ma trận đơn vị với số chiều tương ứng.

E(.),(.) H ,h.i,|.|, và⊗lần lượng là kỳ vọng, chuyển vị liên hợp, vết, det và tích Kronecker. vec(X) là một vector bao gồm việc xếp các cột của ma trận X lại thành một vector cột.

Vector ngẫu nhiên Gaussian phứcx với trung bìnhxvà phương sai R x được ký hiệu bởi x∼CN(x,R x ).

Các bài báo đã hoàn thành trong luận văn

Trong quá trình thực hiện luận văn, các nội dung nghiên cứu đề cập trong các chương kế tiếp đã được viết thành 3 bài báo khoa học (tính đến ngày nộp luận văn 24/06/2019) đã được gửi lên các tạp chí trong nước và quốc tế Cụ thể được liệt kê như sau

Bài báo đã được đăng tạp chí trong nước:

1 H H Kha & T N Ha, “An Alternating Optimization Algorithm for Energy Ef- ficiency in Heterogeneous Networks”, Journal of Science and Technology: Issue on Information and Communications Technology, vol 4, no 1, pp 1–8, Sep 2018.

Bài báo đã được đăng tạp chí quốc tế ISI:

1 T N Ha & H H Kha, “Harvested energy and spectral efficiency tradeoffs in multicell MIMO wireless networks”, Radioengineering, vol 28, no 1, pp 331–339, Apr 2019.

Bài báo đã nộp tạp chí quốc tế ISI và đang chờ kết quả:

1 T N Ha& H H Kha & H Q Ta, “Energy Efficiency Optimization in MIMO Het- erogeneous Wireless Powered Communication Networks”, Telecommunication Sys- tems, 2019.

Kỹ thuật đa ngõ vào đa ngõ ra MIMO

Việc sử dụng nhiều antenna, hay được biết đến là kỹ thuật đa ngõ vào đa ngõ ra MIMO là một giải pháp quan trọng trong cải hiện hiệu suất phổ tần Được hình thành và phát triển trong hơn hai thập niên qua, nhưng những thành tựu đáng kể trong thiết kế đáng chú ý mới được hình thành trong một thập niên gần đây Từ những phát triển về khả năng tính toán của máy tính đến các chương trình hỗ trợ, các thiết kế liên quan MIMO được phát triển mở rộng và nhanh chóng hơn Kỹ thuật MIMO được phân thành ba dạng gồm: MIMO điểm-điểm, MIMO đa người dùng ( Multiple-User MIMO - MU-MIMO) và Massive MIMO.

MIMO điểm-đến-điểm (point-to-point MIMO) là một dạng đơn giản nhất của hệ thốngMIMO, bao gồm một trạm gốc BS được trang bị một mảng antenna phục vụ một thiết bị đầu cuối cũng được trang bị một mảng antenna, như trong Hình 2.1 Để phục vụ đa

2 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VÀ LÝ THUYẾT LIÊN QUAN người dùng, những thiết bị đầu cuối khác trong hệ thống MIMO điểm-đến-điểm có thể được ghép thông quan các nguồn tài nguyên trực giao, ví dụ như kỹ thuật đa truy cập phân chia thời gian (TDMA) hoặc đa truy cập phân chia tần số (FDMA) Xem xét mô

Luồng dữ liệu Khối xử lý Luồng dữ liệu

Thiết bị phát Thiết bị thu

Hình 2.1: Mô hình MIMO điểm-đến-điểm [9]. hình MIMO điểm-điểm như Hình 2.1, với K antenna phát và M antenna thu, khi đó, dung lượng kênh được cho bởi [9,10]

(2.1) vớiH là ma trận kênh truyền từ máy phát đến máy thu Trong trường hợp tỷ số tín hiện trên nhiễu (SNR) đủ lớn, dung lượng kênh tỷ lệ tuyến tính với min(M, K) và tỷ lệ hàm log với SNR Như vậy, hiệu suất phổ của tuyến tăng với việc tăng đồng thời số lượng antenna của cả thiết bị thu và phát Tuy nhiên, hệ thống bị giới hạn bởi: 1) Thiết bị trở nên phức tạp với yêu cầu trang bị của chuỗi RF cùng với xử lý tín hiệu số; 2) Điều kiện đường truyền tầm nhìn thẳng (LoS) cần đạt được cho độ lợi hiệu suất phổ; 3) Với khoảng cách xa, SNR của đường dẫn nhỏ, hiệu suất phổ được cải thiện không đáng kể khimin(M, K) tăng.

2.1.2 MIMO đa người dùng (MU-MIMO)

MIMO đa người dùng hay được viết là MU-MIMO (viết tắt của từ Multi-user MIMO) Ý tưởng trong MIMO đa người dùng cho hệ thống tế bào đơn là khai thác phân tập không gian để phục vụ một số người dùng đầu cuối trên cùng một tài nguyên băng tần và thời gian Môt hình MIMO đa người dùng cho hệ thống tải lên (UL) được mô tả như trong Hình2.2, và hệ thống MU-MIMO đường xuống (DL) được trình bày trong Hình 2.3.

Khái niệm của việc phục vụ đồng thời nhiều thiết bị đầu cuối đã được hình thành từ sớm, tuy nhiên việc phân tích các lý thuyết thông tin một cách chặt chẽ của hệ thống MIMO đa người dùng thì được thực hiện khá lâu sau đó.

Massive MIMO (hay còn được biết đến với tên gọi large scale MIMO, very large MIMO) là một dạng mở rộng của MIMO đang người dùng (MU-MIMO), trong đó trạm BS được trang bị đến vài trăm antenna và phục vụ đồng thời hàng trăm thiết bị đầu cuối So với

2 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VÀ LÝ THUYẾT LIÊN QUAN

Thiết bị thu Luồng dữ liệu 1

Luồng dữ liệu 2 Luồng dữ liệu N

Hình 2.2: Mô hình MIMO đa người dùng đường lên [9].

Thiết bị phát Luồng dữ liệu 1

Luồng dữ liệu 2 Luồng dữ liệu N

Hình 2.3: Mô hình MIMO đa người dùng đường xuống [9]. mô hình MU-MIMO trong mục2.1.2, về cấu trúc, Massive MIMO không khác nhiều Sự khác nhau cơ bản trong phần cứng hệ thống là trạm BS được trang bị nhiều antenna hơn.

Về phần xử lý tín hiệu của hệ thống Massive MIMO, ba đặc điểm riêng biệt của MassiveMIMO so với MU-MIMO truyền thống như [9] Thứ nhất, chỉ có tạm gốc BS ước lượng kênh truyền Thứ hai, số lượng antenna thường lớn hơn rất nhiều số lượng thiết bị đầu cuối Thứ ba, xử lý tín hiệu tuyến tính được dùng cho cả đường tải xuống DL và đường tải lênh UL Những đặc tính đó giúp Massive MIMO có thể tăng số lượng antenna tại trạm gốc mà vẫn đảm bảo quá trình xử lý vừa phải, giảm tải với các thuật toán phức tạp.

Mạng hỗn hợp HetNet

Mạng hỗn hợp (HetNet) là một thuật ngữ đã được sử dụng rộng rãi nhưng được định nghĩa chưa chặt chẽ trong ngành công truyền thông không dây ngày nay [11] Một số người xem xét mạng HetNet là mô hình mạng của trạm gốc macro và các cell nhỏ (ví dụ như micro, pico và femto) Một số khác xem xét mạng hỗn hợp của mạng di động và Wifi Trong thực tế, mạng hỗn hợp được định nghĩa là việc triển khai hỗn hợp bao gồm các macro, pico, femto và các nút relay [11] Một mạng hỗn hợp bao gồm nhiều lớp của các mạng của các loại cell khác nhau và/hoặc các công nghệ truy cập không dây khác nhau [12] Thêm vào đó, HetNet trong tương lai có thể bao gồm các trạm gốc cực lớn, C-RAN là một ví dụ [11] Mặc dù các kích thước của các trạm gốc trong mỗi lớp của mạng hỗn hợp có thể khác nhau đáng kể, tầm hoạt động của các trạm gốc femto đến picocell, microcell, macrocell và C-RAN, như mô tả trong Hình2.4 và mặc dù công nghệ truy cập không dây được sử dụng trong mỗi lớp có thể giống hoặc khác nhau, nhưng tồn tại một tập các thách thức và công nghệ để tích hợp chúng với nhau để có được hiệu năng cao trong mạng hỗn hợp Phần này sẽ bàn luận về các vấn đề nền tảng và giải pháp của mạng hỗn hợp.

Hình 2.4: Mô hình mạng HetNet [11].

Khi bố trí các cell khác nhau trong cùng một phạm vi cùng hoạt động trong một băng tần sẽ gây ra vấn đề can nhiễu giữa các lớp với nhau Chia sẻ cùng tần số có lợi thế của việc sử dụng phổ, điều này đặc biệt quan trọng đối với các nhà khai thác với nguồn cung cấp phổ hạn chế Tuy nhiên, can nhiễu có thể nghiêm trọng giữa hai mạng này nếu chúng không được thiết kế đúng Ví dụ, một UE được kết nối với trạm gốc macro có thể tạo ra lượng can nhiễu quá mức cho các femtocell gần đó đặc biệt khi UE truyền ở cạnh cell ở gần đó với mức năng lượng tối đa của nó Một giải pháp thiết thực để giải quyết vấn đề này là giảm độ nhạy của các trạm thu femto Nhìn chung, mong muốn đặt các trạm

2 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VÀ LÝ THUYẾT LIÊN QUAN femto ở các vị trí mà có sóng RF tự nhiên tách biệt với mạng macro và để thiết kế cẩn thận các kích hoạt chuyển giao cho tính di động đáng tin cậy của UE giữa hai mạng này.

Khi các trạm gốc macro và femto được bố trí trong các băng tần khác nhau vẫn có thách thức cho các UE trong việc liên kết mạng phù hợp nhất Mạng di động truyền thống được thiết kế cho triển khai mạng đồng nhất, nơi mà cường độ tín hiệu được đo tại UE tốt tính từ khoảng cách của nó đến trạm gốc Tuy nhiên, nó không còn đúng trong việc bố trí mạng hỗn hợp, nơi mà các tín hiệu từ trạm macro có thể lấn át các tín hiệu yếu hơn của trạm femto, kể cả khi UE trong vùng hoạt động của trạm femto Thông số đo lường tốt hơn trong trường hợp này là suy hao đường truyền chính xác giữa UE và các trạm gốc thay vì là cường độ sóng [11] Mặc dù các vấn đề và thách thức của can nhiễu RF là khác nhau trong mỗi trường hợp, có những yêu cầu chung mà việc thiết kế các vấn đề liên quan đến mạng hỗn hợp cần lưu ý, ví dụ như phân chia sử dụng tần số, việc cùng tồn tại, mức công suất phát và mật độ máy thu Hiện tại, hầu hết các mạng hỗn hợp tập trung nghiên cứu vào việc phát triển các giải pháp cho việc kết hợp giữa các lớp mạng.

Ngoài phải đối mặt với vấn đề giải quyết can nhiễu, mạng hỗn hợp còn phải đối mặt với các vấn đề khác như các kỹ thuật phối hợp giữa các lớp, quản lý di động, tự tổ chức, MIMO nâng cao, các vấn đề liên kết [11] Hình 2.5 thể hiện tổng quan cấu trúc mạng, các vấn đề kỹ thuật và các dịch vụ của mạng hỗn hợp.

Hình 2.5: Tổng quan mạng hỗn hợp [13].

Nhờ sử dụng các cell nhỏ trong vùng hoạt động của các cell lớn hơn, việc tái sử dụng tần số sẽ cao hơn và các trạm thu phát trong các cell nhỏ có thể chia sẻ bớt dữ liệu tránh tình trạng quá tải tại các trạm thu phát của các cell lớn Ngoài ra, việc đặt các cell nhỏ phục vụ gần với người dùng hơn, giúp giảm thiểu sự suy hao công suất do hiệu ứng đa đường gây bởi các vật chắn (tường tòa nhà, cây cối ) và góp phần nâng cao chất lượng

2 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VÀ LÝ THUYẾT LIÊN QUAN dịch vụ hơn Bên cạnh vấn đề về dung lượng, các nhà mạng cũng không thể không chú ý tới yếu tố năng lượng khi thiết kế các hệ thống của mình Thậm chí, đây cũng là một tiêu chí quan trọng khi đánh giá mạng 5G bởi tham vọng theo đuổi hệ thống mạng có khả năng truyền tải thật nhiều dữ liệu là một sự phát triển không bền vững và sẽ dẫn tới những khủng hoảng về năng lượng cùng với những vấn đề nghiêm trọng về kinh tế, xã hội và môi trường [14].

• Ảnh hưởng tới kinh tế: Mạng 5G có mục tiêu đạt dữ liệu truyền gấp 10 lần tốc độ hiện tại, nhưng có thể thấy rằng điều này có thể dẫn tới việc sử dụng nhiều công suất phát hơn, nghĩa là năng lượng sẽ bị tiêu thụ nhiều hơn, và nhiều chi phí phải trả hơn để đáp ứng như cầu năng lượng tăng lên cao này Nâng cao dung lượng hệ thống nên đi đôi với nâng cao hiệu suất năng lượng cho một sự phát triển bền vững.

• Ảnh hưởng tới môi trường: Hiện nay, các cơ sở hạ tầng viễn thông tiêu thụ hơn3% trong tổng năng lượng tiêu thụ toàn cầu, trong đó 60% được sử dụng cho các trạm thu phát sóng [15] gây ra 5% trong tổng số lượng khí CO2 thải ra trên thế giới [14] Với đà tăng trưởng về thiết bị thu phát sóng và cơ sở hạ tầng mạng như hiện này, các con số chắc chắn còn gia tăng, đóng góp một phần không nhỏ vào vấn đề nóng lên toàn cầu và hiệu ứng nhà kính.

Vấn đề truyền thông xanh

Truyền thông xanh hay còn được biết đến là truyền thông hiệu quả năng lượng cao, mục đích hướng tới là sử dụng hiệu quả nguồn tài nguyên năng lượng hơn là chỉ tập trung vào hiệu suất phổ như trước đây Có bốn nhóm giải pháp được đề xuất trong [14] và được biểu diễn như trong Hình2.6 Các giải pháp được đề xuất bao gồm: cấp phát nguồn tài nguyên, hoạch định và triển khai mạng, thu và truyền năng lượng, giải pháp phần cứng.

Nội dung của bốn nhóm giải pháp được trình bày chi tiết trong [14] và tóm tắt như sau:

• Phân bổ tài nguyên (Resource Allocation): Phân bổ tài nguyên của hệ thống (như tần số, thời gian, năng lượng ) để tối đa hóa hiệu suất năng lượng của hệ thống thay vì chỉ tối đa hóa dung lượng Phương pháp này có thể đạt được hiệu suất năng lượng bền vững với sự đánh đổi giữa năng lượng và dung lượng.

• Thiết lập và triển khai mạng (Network deployment và planning): Triển khai các node mạng để tối đa hóa năng lượng tiêu thụ thay vì chỉ tối đa hóa vùng phủ sóng như trước Ngoài ra, các trạm thu phát sóng có sử dụng thuật toán tắt/bật để giảm thiểu việc sử dụng năng lượng.

• Thu năng lượng và truyền (Energy Harvesting và Transfer): Phương pháp này giúp hệ thống thông tin có thể thu hoạch năng lượng từ chính sóng tín hiệu nhận được

THU & TRUYỀN NĂNG LƯỢNG TRUYỀN THÔNG XANH, HIỆU SUẤT NĂNG LƯỢNG

GIẢI PHÁP PHẦN CỨNG PHÂN BỔ

Hình 2.6: Định hướng giải pháp kỹ thuật cho truyền thông xanh [14]. hoặc từ các nguồn tài nguyên tái tạo (như gió, mặt trời ) Việc đánh đổi qua lại giữa thu năng lượng và dung lượng là bài toán trong giải pháp kỹ thuật này.

• Giải pháp phần cứng xanh (Energy-efficient Hardware solutions): Bao gồm các thiết kế thu phát thân thiện với môi trường, thiết kế mạng mới dựa trên truy cập vô tuyến đám mây (CRAN) và sử dụng các chức năng mạng được ảo hóa.

Một số nghiên cứu gần đây quan tâm nhiều hơn đến việc thiết kế với tiêu chuẩn đo là hiệu suất năng lượng (EE) Đại lượng của EE thường được sử dụng là “bits-per-Joule”.

EE được định nghĩa là tỷ lệ của tốc độ bit trên tổng năng lượng sử dụng, và được mô hình hoá như biểu thức sau [14]:

Hiệu suất năng lượng [b/J], Hiệu suất phổ [b/s]

Tổng công suất sử dụng [W] (2.2)

Ngoài ra, giải pháp đang được thu hút hiện nay là thu thập năng lượng và truyền thông tin Trong vài thập kỷ trở lại đây vấn đề truyền năng lượng vô tuyến đã và đang được tập trung nghiên cứu rộng rãi trong các lý thuyết RF và các kỹ thuật liên quan đến máy thu năng lượng với các thiết kế của RF hiệu quả, giải pháp quản lý năng lượng [16].

Vấn đề truyền năng lượng vô tuyến có thể được phân loại thành ba loại [16]

• Truyền thông tin và thu năng lượng đồng thời (SWIPT): Năng lượng và thông tin được truyền đồng thời trong đường xuống từ một hoặc nhiều điểm truy cập đến một hoặc nhiều máy thu Máy thu năng lượng (ER) và máy thu thông tin (IR) có thể là một hoặc riêng lẻ Trong SWIPT với các máy thu rời rạc, ER và IR là các thiết bị khác nhau, các thiết bị ER là các thiết bị năng lượng thấp cần được sạc năng lượng, các thiết bị IR là thiết bị nhân thông tin Trong SWIPT với các máy thu tổng hợp, mỗi máy thu là một thiết bị năng lượng thấp cần được sạc và truyền thông tin đồng thời.

• Mạng truyền thông năng lượng vô tuyến: Khác với SWIPT, trong hệ thống này, năng lượng được truyền ở đường xuống và thông tin được truyền ở đường lên Máy thu là các thiết bị năng lượng thấp cần thu thập năng lượng ở pha đường xuống và sử dụng năng lượng đó để gửi thông tin ở pha đường lên.

• Truyền thông tán xạ ngược vô tuyến (WPBC): Năng lượng được truyền ở đường xuống và thông tin được truyền trong pha đường lên nhưng điều chế tán xạ ngược tại một thẻ tag được sử dụng để phản xạ và điều chế tín hiệu RF đến cho việc truyền thông với một đầu đọc Vì các thẻ không yêu cầu các bộ tạo dao động để tạo tín hiệu sóng mang, nên truyền thông tán xạ ngược được hưởng lợi từ mức tiêu thụ năng lượng thấp hơn so với thông tin vô tuyến thông thường.

Trong luận văn này, các hướng tiếp cận trên là “cấp phát nguồn tài nguyên,” cụ thể hơn là tài nguyên năng lượng, kỹ thuật SWIPT và WPCN được sử dụng trong thiết kế để đạt được giải pháp trong thiết kế giúp cải thiện hiệu suất năng lượng, hiệu suất phổ và năng lượng thu thập được Các giải pháp còn lại nằm ngoài phạm vi nghiên cứu của luận văn này.

Lý thuyết cơ bản về toán tối ưu

Trong các chương sau, luận văn tập trung nghiên cứu thiết kế tối ưu hiệu suất của mạng vô tuyến liên quan đến các kiến thức về toán tối ưu, vì thế mục này trình bày nội dung cơ bản về bài toán tối ưu, hàm mục tiêu, ràng buộc, nghiệm tối ưu và tối ưu lồi Ngoài ra, các giải thuật và phép biến đổi trong tối ưu được sử dụng trong luận văn cũng được cung cấp trong mục này.

2.4.1 Bài toán tối ưu cơ bản

Bài toán tối ưu tổng quát có điều kiện ràng buộc có biểu diễn toán học như sau maxx f 0 (x) s.t f i (x)≤0, i= 1,ã ã ã , m h i (x) = 0, i= 1,ã ã ã, p,

(2.3) trong đóxlà biến vector của bài toán, f 0 (x)là hàm mục tiêu, f i (x)≤0là các điều kiện ràng buộc bất đẳng thức,h i (x) = 0 là các điều kiện ràng buộc đẳng thức Một bài toán tối ưu không có hai loại điều kiện ràng buộc nêu trên được gọi là bài toán tối ưu không ràng buộc. Điểm x 1 ∈F được gọi là điểm tối ưu cục bộ của (2.3) nếu tồn tại một khoảng ε > 0

2 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VÀ LÝ THUYẾT LIÊN QUAN sao cho f 0 (x 1 )≥f 0 (x) ;x∈F;kx−x 1 k< ε, (2.4) trong đó F,{x:f i (x)≤0, h j (x) = 0,∀i, j} là tập khả thi của bài toán. Điểmx 2 ∈F được gọi là điểm tối ưu toàn cục của (2.3) nếu f 0 (x 2 )> f 0 (x) ;∀x∈F (2.5) Độ khó của lời giải và độ phức tạp tính của bài toán tối ưu nêu trên toán tỷ lệ thuận với tính chất hàm mục tiêu f 0 (x) và tập khả thi F Bài toán không lồi thường rất khó để tìm lời giải toàn cục Vì thế thường dùng các giải thuật tính toán hoặc tính lời giải gần tối ưu bằng cách đưa về các bài toán tối ưu con có tính lồi [17] để dễ dàng tìm lời giải hơn Mục tiếp theo, luận văn sẽ cung cấp khái niệm cơ bản về tối ưu lồi.

Hầu hết các bài toán thiết kế hệ thống thường không lồi nên thường được đưa về bài toán lồi Sau đây, luận văn giới thiệu ngắn gọn một vài định nghĩa trong tối ưu lồi.

Một tập hợp được gọi làtập lồi nếu mọi điểm trên đoạn thẳng nối hai điểm bất kỳ trong tập hợp đó đều thuộc tập hợp đó Môt vài ví dụ về tập lồi được cho trong Hình 2.7 Các

Hình 2.7: Các ví dụ về tập lồi [17]. hình với đường biên màu đen thể hiện việc biên cũng thuộc vào hình đó, biên màu trắng thể hiện việc biên đó không nằm trong hình Đường thẳng hay đoạn thẳng cũng là một tập lồi theo định nghĩa trên Để mô tả một tập lồi dưới dạng toán học, ta sử dụng [17] Định nghĩa 1 Một tập hợpCđược gọi là một tập lồi nếu với hai điểm bất kỳx 1 , x 2 ∈C, điểm x θ =θx 1 + (1−θ)x 2 cũng nằm trong C với bất kỳ0≤θ ≤1.

Một hàm số được gọi làlồi nếu tập xác định của nó là một tập lồi và nếu ta nối hai điểm bất kỳ trên đồ thị hàm số đó, ta được một đoạn thẳng nằm về phía trên hoặc nằm trên đồ thị (xem Hình2.8).

Hình 2.8: Ví dụ về hàm lồi [17]. Định nghĩa 2 Một hàm số f : R n → R được gọi là một hàm lồi nếu domf là một tập lồi, và: f(θx+ (1−θ)y≤θf(x) + (1−θ)f(y) (2.6) với mọi x,y∈domf,0≤θ≤1 và domf được ký hiệu cho tập xác định của hàm số f.

Một bài toán cực tiểu hàm mục tiêu lồi (hoặc cực đại hàm mục tiêu lõm) và tập khả thi lồi thì được gọi là bài toán tối ưu lồi.

Với sự phổ biến và quan trọng của tối ưu lồi nói chung và trong lĩnh vực kỹ thuật nói riêng một số chương trình máy tính cũng được phát triển để tìm nghiệm cho bài toán tối ưu lồi như CVX [17], YALMIP hay MOSEK [18].

2.4.3 Bài toán tối ưu hàm mục tiêu dạng phân số

Các vấn đề thiết kế xử lý tín hiệu để tối đa hóa hiệu suất năng lượng thường dẫn đến bài toán tối ưu phân số Một cách tổng quát, xem xét bài toán tối ưu có hàm mục tiêu viết được dưới dạng phân số như sau maxx∈ F r(x) = f(x) g(x) (2.7)

Hàm mục tiêu trong (2.7),r(x), rất khó để xác định tính lồi, kể cả khi tử và mẫu là hàm tuyến tính Để biến đổi bài toán này về dạng dễ hơn, trước tiên luận văn trình bày lý thuyết cơ bản của hàm tựa-lõm (quansi-concave).

2.4.3.1 Cơ bản của hàm tựa-lõm Định nghĩa và tính chất của hàm tựa-lõm (quasi-concavity) như sau [15]. Định nghĩa 3 (Quasi-concavity [15, Tr 217]) Đặt C⊆R N là một tập lồi r :C→R là

2 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU VÀ LÝ THUYẾT LIÊN QUAN hàm tựa-lõm (quasi-concavity) nếu r(λx 1 +(1−λ)x 2 )≥min{r(x 1 ), r(x 2 )},∀x 1 ,x 2 ∈C, λ∈[0,1] (2.8) Định lý 1 ([15, Tr 221]) Đặt r :C→R là một hàm tựa-lõm (quasi-concavity) Nếu x ∗ là một điểm tối đa cục bộ nghiêm ngặt, thìx ∗ cũng là điểm tối ưu toàn cục. Định lý 2 ([15, Tr 221]) Đặt r :C →R, với C⊆ R N là một tập lồi r là hàm tựa-lõm (quasi-concavity) khi và chỉ khi tập super-level St ={x∈C:r(x)≥t} là lồi∀t ∈R. Định lý 3 ([15, Tr 229]) Đặt r(x) = f g(x) (x) với f : C⊆ R N →R và g :C ⊆R N →R++. Nếu f là hàm lõm và không âm, đồng thời g là hàm lồi thì r là hàm tựa-lõm (quasi- concavity).

2.4.3.2 Giải thuật Dinkelbach cho tối ưu phân số lõm-lồi

Trong các bài toán tối ưu hiệu suất năng lượng trong hệ thống viễn thông, hàm mục tiêu có dạng phân số và có thể đưa về dạng phân số lõm-lồi Trường hợp này có thể rút về một dạng đặc biệt của bài toán tối ưu hàm phân số Nhờ vào tính chất này, hàm mục tiêu là hàm tựa-lõm (xem Định lý 3) và có thể tìm được nghiệm tối ưu toàn cục.

Xem xét bài toán tối ưu phân số lõm-lồi như sau maxx∈ F f(x) g(x) (2.9) với f(x) là một hàm lõm vàg(x)là một hàm lồi theo biến x.

Phương pháp Coordinate Descent

Thuật toán coordinate descent (CD) là phương thức lặp mà trong đó mỗi lần lặp được thu được bằng cách cố định hầu hết các thành phần của biến vector x tại các giá trị của chúng từ phép lặp hiện tại, và giảm thiểu tối đa mục tiêu đối với các thành phần còn lại.

Mỗi bài toán con như vậy là một vấn đề giảm thiểu tối thiểu (thậm chí vô hướng), và do đó thường có thể được giải quyết dễ dàng hơn toàn bộ vấn đề.

Phương pháp CD là nguyên mẫu của một cách tiếp cận gần như tổng quát để tối ưu hóa thuật toán: giải quyết một vấn đề tối ưu hóa bằng cách giải quyết một chuỗi các vấn đề tối ưu hóa đơn giản hơn Các ứng dụng khác nhau (bao gồm một số trong thống kê tính toán và học máy) đã mang lại những vấn đề mà phương pháp tiếp cận CD cạnh tranh về hiệu suất với các lựa chọn thay thế có độ tin cậy hơn Ở đây, hàm mục tiêu được tối ưu theo tọa độ một chiều tại mỗi vòng lặp Thứ tự các tọa độ được chọn có thể thay đổi trong quá trình thực hiện thuật toán Trong trường hợp khi thứ tự tuần hoàn, vớix k , tọa độ thứi th của x k+1 được xác định bởi [22] x k+1 i = arg min ξ∈ R f x k+1 1 , , x k+1 i−1 , ξ, x k i+1 , , x k n

Hình 2.9 mô tả một ví dụ đơn giản của thuật toán Phương pháp cũng có thể được sử

Hình 2.9: Ví dụ của thuật toán coordinate descent. dụng cho việc tối ưu của f với điều kiện chặn trên và dưới của biến x i Một điểm mạnh quan trọng của phương pháp coordinate descent là nó phù hợp với việc tính toán song song Cụ thể, giả sử rằng có một tập con không được ghép đôi của các tọa độ x i 1 , x i 2 , , x i m , qua hàm mục tiêu, nghĩa là, f(x) có thể được viết Pm r=1f i r (x), với mỗi r, fi r(x) không phụ thuộc vào các tọa độ xi s với mọi s 6=r Khi đó, có thể thực hiện m vòng lặp coordinate descent. x k+1 i r = arg min ξ f i r x k +ξe i r

, r= 1, , m, (2.21) độc lập và song song Do đó, các vấn đề với các cấu trúc đặc biệt với các tập tọa độ có thể được phân tách thànhp tập con với các thuộc tính độc lập như vừa trình bày.

Coordinate descent có hai hạn chế Một trong số đó là hàm nhiều biến không phẳng.

Hình2.10 chỉ ra rằng vòng lặp coordinate descent có thể gặp khó khăn tại một điểm cố định nếu các đường cong của hàm không mịn Hạn chế thứ hai là phương pháp này không thể thực hiện song song khi các biến phụ thuộc Như đã trình bày ở trên phương pháp này chỉ có thể thực hiện song song với các hàm đặc biệt có các biến độc lập và song song.

Các thuật toán coordinate descent được ứng dụng phổ biến do tính đơn giản của chúng Một trong các ứng dụng sớm nhất của phương pháp này là trong lĩnh vực chụp cắt lớp vi tính [23], hơn nữa có rất nhiều ứng dụng của thuật toán trong các vấn đề liên quan đến machine learning [24].

Hình 2.10: Ví dụ về hạn chế của phương pháp coordinate descent.

Như đã bàn luận trên về phương pháp coordinate descent không có điều kiện ràng buộc. Ở phần này sẽ trình bày phương pháp block coordinate descent để giải quyết các vấn đề tối ưu với điều kiện ràng buộc Giải sử vấn đề tối ưu min f(x) (2.22a) s.t x∈X, (2.22b) với X là tích của các tập lồi đóng X 1 , , X m :

Giả sử rằng X i là tập con lồi đóng của R n i và n = n 1 + .+n m Vector x được phân tách x= (x 1 , x 2 , , x m ), (2.24) với mỗix i thuộc R n i , vì vậy ràng buộc x∈X tương đương x i ∈X i , i= 1, , m (2.25)

Giả sử rằng tất các x∈X và tất cáci= 1, , m, vấn đề tối ưu min f(x 1 , xi−1, ξ, x i+1 , , x m ) (2.26a) s.t ξ ∈Xi, (2.26b) có ít nhất một lời giải Thuật toán block coordinate descent hoặc nonlinear Gauss-Seidel, tạo vòng lặp tiếp theo x k+1 i = x k+1 i , x k+1 m từ vòng lặp hiện tại x k = x k 1 , , x k m theo vòng lặp sau x k+1 i = arg min ξ∈X i f x k+1 1 , , x k+1 i−1 , ξ, x k i+1 , , x k m

Do đó, mỗi vòng lặp, hàm mục tiêu được tối ưu với mỗi block coordinate vectorsx k i trong vòng tuần hoàn Kết quả hội được chứng minh trong [22].

Kết luận chương

Chương này đã trình bày tổng quan về các vấn đề chính liên quan trực tiếp đến việc mô hình hoá, thiết kế trong các chương sau Cụ thể gồm các kỹ thuật MIMO, mạng hỗn hợpHetNet, giải pháp truyền thông xanh, kỹ thuật truyền thông tin và thu năng lượng đồng thời và lý thuyết cơ bản về tối ưu Các kiến thức và giải thuật trong chương trình là nền tảng cho việc mô hình, phân tích toán học và phát triển giải thuật trong các chương tiếp theo.

THIẾT KẾ BỘ TIỀN MÃ HOÁ TỐI ĐA HIỆU SUẤT NĂNG LƯỢNG

TRONG HỆ THỐNG VÔ TUYẾN MIMO HỖN HỢP NHIỀU CELL

Như đã trình bày ở chương 1, hiệu suất năng lượng trong các hệ thống thông tin vô tuyến đang nhận được sự quan tâm lớn trong thời gian gần đây Chương này của luận văn nghiên cứu về thiết kế các bộ tiền mã hoá cho hệ thống đường lên MIMO HetNet, trong đó nhiều BS nhỏ được bố trí trong phạm vi của một macro BS và mỗi cell nhỏ có một thiết bị người dùng Với hai mô hình thiết kế được xem xét, đó là tối ưu tổng hiệu suất năng lượng (SEE) và tối đa hiệu suất năng lượng nhỏ nhất (MinEE) của các thiết bị người dùng với các điều kiện ràng buộc về công suất và can nhiễu gây ra cho macro BS Vì đây là các vấn đề tối ưu không lồi nên không thể trực tiếp tìm được giải pháp tối ưu Để xử lý thách thức đó, luận văn sử dụng kết hợp hai phương pháp là mối liên hệ giữa trung bình bình phương sai số nhỏ nhất (MMSE) với tốc độ dữ liệu đạt được từ đó áp dùng giải thuật BCA đã được trình bày ở mục2.5.2và giải thuật Dinkelbach đã được nêu ở mục 2.4.3.2 để chuyển đổi các vấn đề EE thành vấn đề có thể giải được qua các vòng lặp Các kết quả mô phỏng cho thấy sự hội tụ của thuật toán và đánh giá hiệu suất năng lượng so với việc tối ưu hiệu suất phổ 1

Sau khi giới thiệu ở mục 3.1, mục3.2 mô tả mô hình hệ thống kênh đường lên MIMO HetNet và trình bày công thức toán cho việc xử lý tín hiệu tại các trạm thu phát Mục3.3 trình bày các bài toán thiết kế các bộ tiền mã hóa cho việc tối ưu EE hệ thống và trình

1 Các phần trong chương này đã được trình bày trong bài báo “An Alternating Optimization Algorithm for Energy Efficiency in Heterogeneous Networks”, đã được đăng ở tạp chí “Journal of Science andTechnology: Issue on Information and Communications Technology”, số 4.1, trang 1-8, tháng 08 năm2018 [25].

HIỆU SUẤT NĂNG LƯỢNG ĐƯỜNG LÊN MIMO HetNet bày thuật toán lặp dựa trên phương pháp BCA và Dinkelbach Sau đó, mục3.4trình bày thuật toán lặp cho các thiết kế bộ tiền mã hóa sử dụng thước đó EE nhỏ nhất Mục3.5 cung cấp các kết quả mô phỏng số để đánh giá hiệu năng của các thuật toán Cuối cùng,phần kết luận tổng kết được đưa ra ở mục3.6.

Giới thiệu

Các nghiên cứu gần đây chỉ ra rằng lưu lượng di động sẽ đạt 16.3 Gb/tháng/người trong năm 2020 [26] Thêm vào đó, thế hệ thứ năm của truyền thông không dây (5G) dự kiến sẽ đáp ứng các yêu cầu của các dịch vụ tốc độ cao Một trong những giải pháp tiềm năng cho các yêu cầu này là giảm kích thước cell và tăng hiệu suất sử dụng phổ bằng việc bố trí nhiều cell Việc bố trí nhiều cell, như pico cell, micro cell, femto cell trong vùng hoạt động của các macro cell được gọi là các mạng hỗn hợp (HetNet) [27] Việc tồn tại nhiều cell hoạt động trong cùng một băng tần có thể gây ra can nhiễu cho hệ thống và điều này làm giới hạn hiệu suất hoạt động của hệ thống Đã có nhiều nghiên cứu về cách triệt tiêu can nhiễu và cải thiện hiệu suất phổ trong hệ thống HetNet [28, 29, 30] Trong [28], các tác giả đã phát triển một phương pháp sắp xếp can nhiễu (IA) để đối phó với can nhiễu trong mạng HetNet đường lên Các tác giả trong [30] đã trình bày IA dựa trên phương pháp lý thuyết trò chơi để loại bỏ can nhiễu và cải thiện SE của các HetNets Mặt khác, bài báo [29] đã giới thiệu thuật toán phân bổ năng lượng sử dụng trò chơi stackelberg để tối ưu SE của mạng đường lên HetNets.

Ngoài ra, sự gia tăng liên tục của việc truyền dẫn tốc độ cao và nhu cầu truy cập mọi nơi của các mạng vô tuyến không dây có thể gây ra các tác động xấu đến việc tiêu thụ năng lượng và phát thải khí nhà kính [31] Do đó, hiệu suất năng lượng (EE), được định nghĩa là số bits thông tin truyền được trên một đơn vị tần số và năng lượng (bits/Hz/Joule),gần đây đã trở thành một thước đo hiệu năng quan trọng trong các thiết kế của giao tiếp không dây, xem [32, 33, 34, 35] và các tài liệu tham khảo trong đó Các chiến lược truyền tải với hiệu suất năng lượng đã được nghiên cứu trong nhiều mô hình mạng khác nhau Bài báo [33] đã nghiên cứu về EE trong các kênh can nhiễu song công Các tài liệu[34,36,37] đã xem xét việc tối ưu EE trong mạng nhiều cell sử dụng các thuật toán BCD và SCA Các vấn đề của tối ưu EE trong HetNet được đóng góp trong [38, 39, 40] Bằng cách sử dụng các cell nhỏ trong HetNets, khoảng cách từ các thiết bị người dùng đến các trạm gốc sẽ được giảm đáng kể và do đó tốc độ dữ liệu và hiệu suất của của việc sử dụng năng lượng có thể được cải thiện [38] Trong HetNets, việc thiết kế các chiến lược truyền dẫn cho việc tối ưu EE thường phức tạp hơn vì sự tồn tại của can nhiễu giao thoa lẫn nhau giữa các thiết bị người dùng Ngoài ra, các việc tăng số lượng các cell nhỏ không chỉ tăng can nhiễu giữa các thiết bị người dùng trong cùng cell mà còn ở khác cell Tài liệu[32] đã xem xét thuật toán phân bổ công suất để tối đa hóa EE trong các kênh truyền

HIỆU SUẤT NĂNG LƯỢNG ĐƯỜNG LÊN MIMO HetNet can nhiễu MIMO Các tác giả trong [35] đã xem xét việc tối ưu EE trong các kênh truyền quảng bá đơn cell Trong [41] hiệu suất năng lượng trong phối hợp đa điểm HetNets trong đó các trạm gốc cùng xử lý các tín hiệu được truyền đến các thiết bị người dùng đã được xem xét.

Chương này nghiên cứu về các thiết kế cho bộ tiền mã hóa tại các thiết bị người dùng để tối đa hóa EE cho mạng đường lên MIMO HetNets Tối ưu hóa EE không chỉ làm giảm mức tiêu thụ năng lượng lãng phí mà còn kéo dài tuổi thọ với các thiết bị di động bị hạn chế về năng lượng Các vấn đề thiết kế hướng đến hai đối tượng, thứ nhất là tối đa hóa hiệu suất năng lượng của toàn hệ thống (SEE) và tối đa hóa hiệu suất năng lượng nhỏ nhất Đối tượng thứ nhất hướng tới việc tối ưu hiệu suất năng lượng toàn hệ thống trong khi đối tượng thứ hai hướng tới việc cân bằng hiệu suất năng lượng giữa các thiết bị người dùng Hệ thống mạng HetNet xem xét được giả sử hoạt động như mạng vô tuyến nhận thức [29] ở đó các tín hiệu được truyền từ các thiết bị người dùng ở các cell nhỏ không được gây can nhiễu đến các tín hiệu ở macro cell Ngoài các ràng buộc công suất phát, các ràng buộc về can nhiễu đến trạm gốc macro cũng được xem xét Các vấn đề tối ưu là lập trình phân số không lồi và do đó, khó có thể tìm được các giá trị tối ưu.

Lấy cảm hứng từ các nghiên cứu của [36,42], mối liên hệ giữa tốc độ dữ liệu người dùng và trung bình bình phương sai số nhỏ nhất (MMSE) để chuyển đổi các vấn đề thành các vấn đề đơn giản hơn Bằng cách giới thiệu các biến phụ, bài toán tối ưu đã được biến đổi lại không lồi theo tất cả các biến nhưng lồi với từng khối biến khi các biến khác được cố định Sau đó phương thức BCA được áp dụng để có được các thuật toán lập hiệu quả mà tại đó các hàm đóng được tìm thấy và lập trình bán xác định dương ít phức tạp (SDP) được giải Các kết quả mô phỏng số được thực hiện để kiểm chứng sự hội tụ của các thuật toán tối ưu và đánh giá hiệu suất năng lượng của thuật toán các thuật toán so với việc tối ưu hiệu suất phổ Bằng các kết quả mô phỏng số, các mức độ can nhiễu tác động cho phép cũng được xem xét trong hiệu năng của EE.

Mô hình hệ thống kênh đường lên MIMO HetNet

Xem xét hệ thống MIMO đường lên HetNet như Hình3.1, trong đó có K cell nhỏ được bố trí trong vùng hoạt động của một macro cell, mỗi thiết bị người dùng trong cell truyền tín hiệu của nó đến các trạm gốc trong cell đó, K thiết bị người dùng này truyền trong cùng khoảng tần số MBS được định nghĩa là BS thứ 0 trong khi các SBSs được định nghĩa là BS thứkvà UE thứ k với k∈K={1,2, , K} MBS được trang bị N 0 antenna và SBS thứ k được trang bị N k antenna UE k trang bị M k antenna gửi d k tín hiệu(d k ≤min(N k , M k )) đến trạm gốc tương ứng GọiH k,` ∈C N k ×M ` là ma trận kênh truyền từ UE` đến BSk vàG k ∈C N 0 ×M k là ma trận kênh truyền từ UEk đến MBS Do đó, tín

HIỆU SUẤT NĂNG LƯỢNG ĐƯỜNG LÊN MIMO HetNet

Hình 3.1: Mô hình hệ thống uplink MIMO HetNet. hiệu nhận được tại MBS,y 0 ∈C N 0 ×1 , và SBS k,y k ∈C N k ×1 , có thể được biểu thị y 0 K

H k,` F ` s ` +n k (3.2) với s k ∈ C d k ×1 là d k dữ liệu, F k ∈ C M k ×d k là ma trận precoding của UE k và n k ∼ CN(0, σ k 2 I) là nhiễu trắng tại BS k Thành phần thứ hai của biểu thức y k thể hiện can nhiễu từ các cell khác Giả sử E(s k s H k ) = I d k Do đó, ràng buộc công suất phát tại mỗi UE được cho bởi hF k F H k i ≤P t k (3.3) vớiP t k là quỹ công suất tại UE k Tổng công suất tiêu thụ tại UE k có thể được tính bởi

Pk =ρkhFkF H k i+Pc k (3.4) với P c k là công suất tiêu thụ bởi mạch điện và ρ k là hệ số khuếch đại công suất.

Hệ thống này xem xét các thiết bị người dùng trong mạng HetNets hoạt động như mạng vô tuyến nhận thức như [29] Cụ thể hơn, các tín hiệu được truyền từ các thiết bị

HIỆU SUẤT NĂNG LƯỢNG ĐƯỜNG LÊN MIMO HetNet người dùng trong các cell nhỏ không được gây can nhiễu cho MBS Do đó, từ công thức (3.1), can nhiễu từ mỗi UE và tổng can nhiễu của các UEs trong cell nhỏ phải thỏa mãn hG k F k F H k G H k i ≤γ k (3.5)

X k=1 hG k F k F H k G H k i ≤γ (3.6) vớiγ k vàγ lần lượt là can nhiễu cho phép lớn nhất của mỗi UE và tổng các UE đến MBS.

Từ (3.2), tốc độ dữ liệu của UE k được cho bởi

`=1,`6=kHk,`F`F H ` H H k,` +σ 2 k IN k là ma trận tương quan can nhiễu và nhiễu tại UEk Để giải mã các tín hiệu nhận được, mỗi BS áp dụng một bộ lọc ma trận tuyến tính U k ∈C N−k×d k cho tín hiệu nhận đượcy k để có được se k =U H k y k =U H k H k,k F k s k +U H k

Ma trận sai số bình phương trung bình (MSE) cho UEk được cho bởi

Khi đó, ma trậnU k tối ưu để MSE đạt giá trị cực tiểu được tính bởi

Thay giá trị U opt k tối ưu này vào ma trận MSE (3.9) và sử dụng đặc tính của ma trận Woodbury [43], ta có

(3.11) và kết quả ta được công thức thể hiện mối liên hệ giữa tốc độ và MMSE của userk

Thiết kế bộ tiền mã hoá tối ưu hiệu suất năng lượng toàn hệ thống

Hiệu suất năng lượng của hệ thống (SEE) được định nghĩa bằng tỷ số của tổng tốc độ dữ liệu trên tổng năng lượng tiêu thụ [38] ζ(F k ) PK k=1R k PK k=1 ρ k hF k F H k i+P c k (3.13)

Vấn đề thiết kế được công thức hóa như một vấn đề tối ưu mà tại đó đối tượng tối ưu là SEE với các điều kiện ràng buộc công suất phát và các điều kiện can nhiễu gây ra cho MBS max{F k }

Có thể thấy rằng tổng tốc độ dữ liệu không phải là một hàm concave, do đó (3.14) không phải là dạng tỷ số concave-convex Do đó, thuật toán Dinkelbach [44] không thể được áp dụng trực tiếp Để (3.14) có thể giải được, mối liên hệ giữa tốc độ đạt được và MMSE được áp dụng theo định lý sau [36, 42]. Định lý 1 Với ma trận MSE đã cho ở (3.9) và một biến ma trận phụ Wk ∈ C d k ×d k , ta có

Chứng minh.Được chứng minh theo kết quả trong [36,42].

Sử dụng định lý 1, vấn đề tối ưu (3.14) có thể được tương đương như sau max

Tử số của hàm mục tiêu (3.16) vẫn chưa phải là hàm concave theo các biến{Wk,Fk,Uk}

HIỆU SUẤT NĂNG LƯỢNG ĐƯỜNG LÊN MIMO HetNet những đây là hàm concave theo một biến nếu cố định hai biến còn lại Do đó, áp dụng phương pháp BCA (mục 2.5.2 Chương 2) để giải (3.16) Đầu tiên, có định các biến còn lại và tìm U k để tìm giá trị cực đại của hàm (3.16) tương đương với việc tìm giá trị cực tiểu của MSE, do đó, các bộ lọc nhận tối ưuU k có thể được tìm từ (3.10) Bằng cách cố định các biến{Fk,Uk}, vấn đề (3.16) là một vấn đề tối ưu lồi với biếnWk, giá trị tối ưu Wk có thể được tìm bởi

Có thể thấy rằng khi cố định các biến {W k ,U k }, hàm mục tiêu của (3.16) là một dạng tỷ số concave-convex với biếnF k Do đó, áp dụng phương pháp Dinkelbach (mục 2.4.3.2 Chương2) để tìmF k Với một giá trịλvàU(F k , λ) =PK k=1(log|W k | − hW k E k i+d k )− λPK k=1 ρ k hF k F H k i+P c k

, vấn đề (3.16) có thể được viết lại như sau max

Sau đó, có thể được viết lại thành

Với Uk(F k , λ) = log|W k | − hW k E k i+d k −λ ρ k hF k F H k i+P c k

Có thể thấy rằng vấn đề (3.19) là một convex theo biếnF k Để giải (3.19) một cách hiệu quả, (3.19) được biểu diễn thành dạng SDP sử dụng Schur complement [17] Giả sử ta có

Khi đó, (3.19) được viết lại như sau

≥0 (3.23e) với W k =W rH k W r k , a k " √ λρ k vec(F k ) [I⊗(W r k U k Θ k H)] vec(F)−vec (W r k Γ k )

`=k+1 d ` i , ηk =−τk+ log|Wk|+dk−λPc k −σ 2 k hW r k U H k UkW rH k i Vấn đề SDP (3.23) có thể được giải sử dụng CVX [45] Bằng cách sử dụng thuật toán Dinkelbach, giá trị tối ưuF opt k của (3.23) cũng là giá trị tối ưu của (3.16) nếu U F opt k , λ opt

= 0 Chi tiết thuật toán BCA để giải (3.14) được thể hiện trong Algorithm 2 Điều đáng chú ý là trong Thuật toán 2,hàm mục tiêu không giảm qua các vòng lặp và các điều kiện ràng buộc công suất và can nhiễu dẫn đến sự hữu hạn biên trên của hàm mục tiêu Do đó sự hội tụ của Thuật toán2được đảm bảo.

Thiết kế bộ tiền mã hóa tối đa hóa hiệu suất năng lượng nhỏ nhất

Việc tối ưu SEE trong3.3 có thể đạt được giá trị EE cao cho toàn hệ thống trong khi nó có thể làm cho các thiết bị người dùng có EE cao hơn nhiều so với các thiết bị người dùng

Algorithm 2Thuật toán lặp cho tối ưu SEE Khởi tạo: Cho n = 0 và tạo các ma trận procoder n

F (0) k o thỏa mãn điều kiện công suất. repeat Tính n

U (n) k o và n W (n) k o sử dụng (3.10) và (3.17). repeat

F (n) k o untilhội tụ Cập nhật n=n+ 1. until hội tụ Kết quả: F opt k còn lại Để đạt được hiệu suất năng lượng EE đồng đều giữa các thiết bị người dùng, phần này sẽ trình bày về thuật toán tìm giá trị cực đại của giá trị cực tiểu EE [36] Hiệu suất năng lượng EE của userk được định nghĩa ζ k (F k ) = R k ρ k hF k F H k i+P c k (3.24) Việc thiết kế có thể được công thức hóa thành vấn đề tối ưu như sau max{F k } min

Tương tự như đã trình bày ở phần 3.3, vấn đề (3.25) cũng là một tỷ số non-convex Sử dụng mối tương quan giữa tốc độ Rk và MMSE trong định lý 1, vấn đề tối ưu (3.25) có

HIỆU SUẤT NĂNG LƯỢNG ĐƯỜNG LÊN MIMO HetNet thể được viết lại

{k} log|W k | − hW k E k i+d k ρ k hF k F H k i+P c k (3.26a) s.t hF k F H k i ≤P t k , k∈K (3.26b) hG k F k F H k G H k i ≤γ k , k ∈K (3.26c)

Bằng cách áp dụng phương pháp BCA, giá trịU k tối ưu có thể tìm được từ (3.10) khi cố định các biến {Fk,Wk} Khi cố định các biến {Fk,Uk}, giá trị Wk tối ưu có thể được tìm từ (3.17) Và khi cố định các biến {W k ,U k }, sử dụng phương pháp Dinkelbach để tìm F k Khi đó, vấn đề (3.26) có thể được viết lại thành max{F k } min

Với biến bổ trợτ, vấn đề (3.27) có thể được viết lại thành

Tương tự như phần3.3, vấn đề tối ưu trên có thể được tương đương vấn đề convex SDP như sau max

≥0 (3.29e) với à k =−τ+ log|W k |+d k −λP c k −σ k 2 hW r k U H k U k W rH k i Và tương tự sử dụng CVX [45] để giải bài toán tối ưu này Thuật toán lặp BCA để giải (3.26) được nêu ở Thuật toán 3 Lưu ý rằng, tương tự như đã được bàn luận trong ??, Thuật toán 3 được đảm

Algorithm 3Thuật toán lặp tìm giá trị cực đại của cực tiểu EE Khởi tạo: Cho n = 0 và tạo các ma trận procoder n

F (0) k o thỏa mãn điều kiện công suất. repeat Tính n U (n) k o và n W (n) k o sử dụng (3.10) và (3.17). repeat Với n F (n) k o , n U (n) k o và n W (n) k o , tìm λ (n) = min{k} log|W k | − hW k E k i+d k ρ k hF k F H k i+P c k Với λ (n) , giải (3.29) tìm được n

F (n) k o untilhội tụ Cập nhật n=n+ 1. until hội tụKết quả: F opt k bảo hội tụ.

Kết quả mô phỏng

Phần này thể hiện sự hiệu quả của các thuật toán thông qua các kết quả mô phỏng Xét một hệ thống gồm 4 cell nhỏ nằm trong vùng bao phủ của 1 macro cell Bán kính bao phủ của macro cell là 500 m và của cell nhỏ là 40 m Giả sử các thiết bị người dùng trong các cell nhỏ được tạo ngẫu nhiên vị trí với khoảng cách tối thiểu so với SBSs là 30 cm Các

HIỆU SUẤT NĂNG LƯỢNG ĐƯỜNG LÊN MIMO HetNet thông số mô phỏng theo Bảng 3.1 [37, 38] Tất cả thiết bị người dùng và BSs được trang bị 4 antenna và truyền 4 luồng dữ liệu,N k =M k =d k = 4 Các kênh Rayleigh được tạo với suy hao theo Bảng3.1 Cho phương sai nhiễu làσ k 2 =−76 dBmvà công suất tiêu thụ của mạch điệnP c k = 0.5 W [40] và hệ số khuếch đại công suất ρ k = 1 với k ∈K Nguồn công suất phát của tất cả thiết bị người dùng giả sử tương đương Pt k =Pt Kết quả mô phỏng được tính trung bình từ 100 vòng Monte Carlo với các vị trí thiết bị người dùng ngẫu nhiên.

Bảng 3.1: Các thông số mô phỏng

Suy hao đường truyền với khoảng cách d (km) 148 + 37.6 log 10 (d)dB Đặc biệt: Nằm trong vùng bao phủ của small cells 127 + 30 log 10 (d) dB

Ví dụ 1: Ví dụ này xem xét sự hội tụ của hai thuật toán Với can nhiễu cho phép từ mỗi UE và tất cả UEs đến MBS làγ k =−46 dBm và γ =−41 dBm Hình 3.2 và 3.3 mô tả tốc độ hội tụ của hai thuật toán với các giá trị Pt khác nhau Có thể thấy rằng các hàm mục tiêu không giảm qua các vòng lặp và hội tụ dưới 50 vòng lặp Kết quả từ Hình3.2 và3.3 cũng cho thấy rằng EE đạt được cao hơn khi công suất phát cao hơn.

Hình 3.2: Tốc độ hội tụ của Thuật toán 2 cho tối ưu SEE.

Tiếp theo sẽ so sánh các EE đạt được từ Thuật toán 2 và 3khi tối ưu EE và với các giá trị EE này khi tối ưu SE Hình 3.4 vẽ các SEE đạt được bằng Thuật toán 2 và chính

Hình 3.3: Tốc độ hội tụ của Thuật toán 3 cho tối ưu cực tiểu EE. các giá trị SEE này khi tối ưu tổng tốc độ (SE) [42] Tương tự Hình 5.3 cũng vẽ các EE đạt được bằng Thuật toán 3 và chính các giá trị EE này khi tối ưu cực tiểu tốc độ Từ Hình 3.4 và 5.3 có thể thấy rằng, khi các giá trị nguồn công suất phát lớn hơn ngưỡng nhất định thì phương pháp tối ưu EE đạt được EE cao hơn so với phương pháp tối ưu SE Hơn nữa, khi tối ưu EE, EE không thay đổi khi nguồn công suất tăng Kết quả có thể được giải thích rằng khi nguồn công suất tăng đến một giá trị nhất định, phương pháp tối ưu EE chỉ sử dụng một phần của nguồn công suất để có thể đạt được EE tối ưu thay vì sử dụng hết công suất.

Tiếp theo là sự so sánh tốc độ dữ liệu đạt được bằng các phương pháp tối ưu EE và SE Hình5.4 mô tả tổng tốc độ dữ liệu khi áp dụng Thuật toán2 so sánh với thuật toán tối ưu tổng tốc độ Hình 3.7 biểu thị tốc độ nhỏ nhất đạt được khi tối ưu theo Thuật toán3so với thuật toán tối ưu giá trị tốc độ nhỏ nhất Có thể thấy rằng, khi nguồn công suất tăng, phương pháp tối ưu EE không làm tăng tốc độ dữ liệu vì trong khoảng công suất này năng lượng tiêu thụ không hiệu quả.

Ví dụ 2: Ví dụ này xem xét sự tác động của mức can nhiễu cho phép tại MBS Giả sử giá trị lớn nhất can nhiễu của mỗi user gây ra cho MBS là γ k =bγ và tổng can nhiễu cho phép γ = 0.75Kbγ Hình 3.8 và 3.9 mô tả SEE và cực tiểu EE với các ngưỡng can nhiễu cho phép khác nhau Có thể thấy, EE tăng khi mức ngưỡng cao nhiễu cho phép tăng tuy nhiên hiệu suất của MBS sẽ giảm vì mức can nhiễu cao.

Hình 3.4: SEE khi tối ưu dùng Thuật toán 2 và khi tối ưu tổng tốc độ.

Max min EE Max min SE

Hình 3.5: EE khi tối ưu dùng Thuật toán 3và khi tối ưu cực tiểu tốc độ.

Chương này đã trình bày về các vấn đề thiết kế các bộ tiền mã hóa để tối đa hóa hai thước đo hiệu năng là hiệu suất năng lượng toàn hệ thống (SEE) và hiệu suất năng lượng nhỏ nhất giữa các thiết bị người dùng trong hệ thống MIMO HetNet dưới các ràng buộc

Hình 3.6: Tổng tốc độ khi tối ưu theo Thuật toán2 và khi tối ưu theo tổng tốc độ.

Max min EE Max min SE

Hình 3.7: Cực tiểu tốc độ khi tối ưu theo Thuật toán3và khi tối ưu theo cực tiểu tốc độ. công suất phát tại các thiết bị người dùng và các điều kiện can nhiễu cho phép tới MBS. Để giải quyết các vấn đề toán học phức tạp của lập trình phân số không lồi, mối tương quan giữa tốc độ dữ liệu người dùng và sai số bình phương trung bình nhỏ nhất (MMSE) được áp dùng để chuyển hóa vấn đề phức tạp ban đầu thành vấn đề đơn giản hơn có thể giải được Sau đó, bằng cách áp dụng thuật toán BCA và Dinkelbach để giải các vấn đề

SEE (bits/Hz/J) k = -46 dBm k = -106 dBm

Hình 3.8: SEE của Thuật toán2 với các ngưỡng can nhiễu khác nhau.

Min EE (bits/Hz/J) k = -46 dBm k = -106 dBm

Hình 3.9: EE của Thuật toán 3 với các ngưỡng can nhiễu khác nhau. tối ưu theo vòng lặp Các kết quả mô phỏng cho thấy sự hội tụ nhanh của thuật toán lặp.

Thuật toán tối đa hóa EE toàn hệ thống và hiệu suất năng lượng nhỏ nhất cho thấy hiệu quả tốt hơn so với việc tối đa hiệu suất phổ đối với quỹ công suất phát cao Các kết quả mô phỏng cũng cung cấp cái nhìn toàn diện về EE ở nhiều mức công suất phát và can nhiễu khác nhau.

THU THẬP NĂNG LƯỢNG VÀ TỐI ƯU HIỆU SUẤT PHỔ TRONG HỆ THỐNG VÔ TUYẾN MIMO

Chương này của nghiên cứu về thiết kế các bộ tiền mã hoá cho hệ thống MIMO truyền thông tin và năng lượng đồng thời (SWIPT), trong đó các tập thiết bị người dùng được chọn cho việc truyền dữ liệu thông tin trong mỗi khe thời gian và các thiết bị người dùng không được lựa chọn sẽ được chỉ định để thu thập năng lượng Khác với nghiên cứu trong Chương3tập trung thiết kế các bộ tiền mã hóa để tối ưu hiệu suất năng lượng cho mạng đường lên đơn người dùng HetNet, chương này tập trung vào thiết kế bộ tiền mã hóa để tối ưu hiệu suất phổ và năng lượng thu thập cho hệ thống đường xuống đa cell đa người dùng trong mạng SWIPT Việc thiết kế các bộ tiền mã hóa cho vấn đề SWIPT được công thức hóa như một vấn đề tối ưu đa mục tiêu mà ở đó tổng tốc độ (SR) và tổng năng lượng thu thập (SHE) được cực đại đồng thời dưới các điều kiện ràng ruộc công suất phát Vì hàm mục tiêu của vấn đề tối ưu không lõm theo các biến thiết kế nên khó có thể giải trực tiếp được kết quả tối ưu Để giải quyết khó khăn này, hàm SR được chuyển đổi thành hàm có thể giải được bằng cách áp dụng mối liên hệ giữa sai số bình phương trung bình nhỏ nhất (MMSE) và tốc độ dữ liệu đạt được Hơn nữa, để giải quyết tính không lõm của hàm thu thập năng lượng, tập con lõm của nó được sử dụng Sau đó, thuật toán lặp dựa trên tối ưu tuần tự (AO) được phát triển để có được các bộ tiền mã hóa tối ưu Đặc tính hội tụ và độ phức tạp của tính toán cũng được phân tích Cuối cùng bằng các kết quả mô phỏng số, sự tương nhượng giữa SR và SHE được đóng góp trong chương này 1 Chương

1 Các phần trong chương này đã được trình bày trong bài báo “Harvested Energy and Spectral Effi- ciency Trade-offs in Multicell MIMO Wireless Networks”, đã được đăng ở tạp chí ISI “Radioengineering”,số 28.1, trang 331-339, tháng 04 năm 2019 [46].

SWIPT MIMO NHIỀU CELL này được tổ chức theo các mục như sau: Mục4.1 giới thiệu tổng quan về các nghiên cứu liên quan và đóng góp chính của chương Trong mục4.2 giới thiệu các mô hình hệ thống và tín hiệu của các mạng đa cell MU-MIMO SWIPT và sau đó vấn đề thiết kế được công thức hóa như một bài toán tối ưu Trong phần4.3, thuật toán được trình bày để tìm được các bộ tiền mã hóa tối ưu Phần 4.4 cung cấp các mô phỏng số Cuối cùng các kết luận được trình bày trong phần 4.5.

Giới thiệu

Trong thập kỷ qua, các nhau cầu tăng nhanh của tốc độ dữ liệu và các ứng dụng truyền thông vô tuyến có mặt ở khắp nơi đã kích hoạt nhu cầu cấp thiết cần cung cấp hiệu suất phổ SE trong các mạng truyền thông vô tuyến ở các thế hệ tiếp theo Mạng không dây thể hệ thứ 5 (5G) được mong đợi sẽ cung cấp tốc độ dữ liệu cực cao để đáp ứng các nhu cầu của các ứng dụng tốc độ cao và số lượng cực lớn các thiết bị không dây được kết nối [47] Do đó, thước đo hiệu suất phổ SE là một phần quan trong trong các thiết kế của hệ thống thông tin vô tuyến Các tác giả của [48] đã tối ưu SE bằng cách thiết kế các bộ tiền mã hóa sử dụng tối ưu bầy đàn cho các kênh truyền quảng bá đơn cell MIMO Sự phối hợp các hệ thống nhiều cell nhỏ với các trạm phát nhiều antenna trong đó BSs đồng thời thiết kế các bộ tiền mã hóa để quản lý can nhiễu của các thiết bị người dùng được biết kế là một cách hiệu quả để cải thiện SE [49, 50] Trong [49], các tác giả đã thiết kế các bộ tiền mã hóa để tối đa hóa tổng tốc độ dữ liệu hoặc tối đa tốc độ người dùng có tốc độ thấp nhất trong mạng bằng lập trình bình phương lồi trong các mạng song công nhiều cell MIMO Với việc tăng đáng kể của các thiết bị không dây kết nối vào mạng vô tuyến và việc triển khi dày đặc các cell nhỏ trong thế hệ tiếp theo của các mạng vô tuyến, việc tiêu thụ năng lượng gần đây đã nhận được nhiều quan tâm vì tính kinh tế và sinh thái của nó [51] Tài liệu [52] đã khảo sát về hiệu suất năng lượng trong các mạng vô tuyến nhận thức.

Hướng tới các giao tiếp vô tuyến xanh, công nghệ thu thập năng lượng (EH) mà tại đó các thiết bị vô tuyến bị giới hạn năng lượng có thể thu thập năng lượng từ các tín hiệu vô tuyến (RF) để kéo dài thời gian hoạt động đã được quan tâm nhiều trong thời gian gần đây [53,54,55, 56, 57] Các công nghệ thu thập năng lượng đã được nghiên cứu trên nhiều khía cạnh, ví dụ, các thiết kế bộ tiền mã hóa [54, 55,56, 57] và các đặc tính đánh đổi giữa tốc độ và năng lượng [58], các kênh can nhiễu MU-MIMO [59, 60] và bảo mật lớp vật lý [61,62] Trong chương này, vấn đề MU-MIMO SWIPT được xem xét, trong đó các tập hợp các thiết bị người dùng được lựa chọn để nhận các tín hiệu từ truyền dẫn đường xuống trong khi các thiết bị không được lựa chọn có thể thu thập năng lượng từ các tín hiệu RF của các tín hiệu kênh được xuống.

Các nghiên cứu liên quan: Các tác giả của [63] đã đề xuất một thuật toán sắp xếp can

SWIPT MIMO NHIỀU CELL nhiễu cơ hội (OIA) cho các mạng vô tuyến đường lên MIMO trong đó các nhóm thiết bị người dùng được lựa chọn cho truyền dẫn thông tin đường lên trong khi đó các thiết bị người dùng không được lựa chọn sẽ thu thập năng lượng từ các tín hiệu RF được truyền bởi các thiết bị người dùng được chọn Các tác giả đã phát triển một nhận thức hiệu suất trong nhóm và mô hình OIA để cân bằng tổng tốc độ (SR) và tổng công suất thu thập (SHE) của hệ thống Trong [64], các tác giả đã xem xét hệ thống nhiều cell nhiều người dùng SWIPT trong đó mỗi thiết bị người dùng (UE) được trang bị một antenna Mỗi UE có thể giải mã thông tin và thu thập năng lượng đồng thời bằng công nghệ chia công suất Bằng cách lập kế hoạch cho mỗi UE cho mỗi khe thời gian, các tác giả đã đóng góp sự đánh đổi giữa tốc độ và năng lượng của hệ thống Quan tâm đến vấn đề lựa chọn thiết bị người dùng trong các mạng nhiều cell với nhiều thiết bị người dùng đơn antenna, các tác giả trong [65] đã đề xuất mô hình lựa chọn các thiết bị người dùng dựa trên các cấu trúc được định nghĩa lại của các ma trận tiền mã hóa (tên là phân phối không ràng buộc (zero-forcing) và phân phối SINR ảo (virtual SINR)) để cực đại tổng tốc độ của hệ thống.

Hoặc, các tác giả trong [66] đã đề xuất một phương pháp tối ưu đa mục tiêu để cực đại các tốc độ dữ liệu và năng lượng thu thập trong hệ thống quảng bá đơn cell nhiều người dùng Tổng quát hơn, tài liệu [49] đã thiết kế các ma trận tiền mã hóa để cực đại SR dưới các điều kiện ràng buộc về chất lượng dịch vụ (QoS) và năng lượng thu thập được hoặc cực đại năng lượng thu thập được dưới các ràng buộc tốc độ trong các mạng vô tuyến song công nhiều cell MU-MIMO. Đóng góp chính của chương này: Khác với các nghiên cứu đã đề cập trên, chương này xem xét các mô hình đường xuống nhiều cell MU-MIMO và hướng tới tối đa hóa đồng thời SR và SHE của hệ thống mạng bằng cách tối ưu đa mục tiêu Các đóng góp chính là phát triển thuật toán lặp để khảo sát sự đánh đổi của SE và năng lượng được thu thập trong các mạng đường xuống nhiều cell MU-MIMO SWIPT Để giải quyết hiệu quả can nhiễu trong và ngoài cell và để cải thiện SE, một mô hình lựa chọn thiết bị người dùng được trình bày, trong đó mỗi BS sử dụng thông tin trạng thái kênh (CSI) để lựa chọn một tập các thiết bị người dùng cho việc truyền thông tin, và sau đó, các thiết bị người dùng rảnh không được lựa chọn để truyền thông tin sẽ thu thập năng lượng để kéo dài tuổi thọ pin Công thức toán cho việc thiết kế các bộ tiền mã hóa được trình bày như một bài toán tối ưu mà tại đó SR và SHE được cực đại đồng thời dưới điều kiện ràng buộc công suất phát tại các trạm gốc Vấn đề tối ưu trọng số của SR và SHE là một tối ưu không lồi và do đó khó có thể giải được kết quả tối ưu trực tiếp Để giải quyết đặc tính không lõm của hàm tốc độ dữ liệu, mối liên hệ giữa cực đại SR và cực tiểu sai số bình phương trung bình (MSE) được áp dụng [42] Hơn nữa, để giải quyết đặc tính không lõm của hàm năng lượng thu thập, đặc tính lồi của hàm năng lượng thu thập được áp dụng để tìm giới hạn dưới toàn cục [21, 67] Kết quả là thuật toán số dữa trên tối ưu tuần tự(AO) để có được các bộ tiền mã hóa tối ưu Đặc tính hội tụ và độ phức tạp của toán hoặc

SWIPT MIMO NHIỀU CELL cũng được phân tích Bằng các kết quả mô phỏng, đặc tính hội tụ của thuật toán được kiểm chứng và sự tương nhượng giữa SE và năng lượng được thu thập trong các mạng vô tuyến nhiều cell SWPIT cũng được đóng góp Điều đáng lưu ý là việc tối ưu đa mục tiêu tương tự như phương pháp đã được trình bày trong [66] Tuy nhiên, có một số điểm khác nhau giữa bài báo [66] và công việc được thực hiện trong chương này Đầu tiên, tài liệu [66] nghiên cứu mô hình đơn cell trong khi chương này tập trung và mô hình hệ thống nhiều cell Khác với bối cảnh đơn cell chỉ tồn tại can nhiễu trong cell, trong các mô hình đa cell thêm can nhiễu khác cell Do đó việc quản lý can nhiễu trong các hệ thống đa cell phức tạp hơn so với hệ thống đơn cell Và kết quả là việc thiết kế các bộ tiền mã hóa để giải quyết can nhiễu và cực đại tốc độ dữ liệu trong các hệ thống đa cell phức tạp hơn vì sự rời rạc phi tuyến của các chiến lược mã hóa của các trạm gốc trong các cell Thứ hai, tài liệu [66] tập trung vào việc thiết kế các ma trận hiêp phương sai bằng cách sử dụng phương pháp tối thiểu thành phần chính để thiết kế các ma trận hiệp phương sai phát.

Ngược lại, chương này tập trung vào việc trực tiếp thiết kế các ma trận tiền mã hóa bằng thực toán tối ưu tuần tự.

Mô hình hệ thống và vấn đề thiết kế

Xem xét một hệ thống truyền dẫn đường xuống gồm L cells như mô tả trong Hình 4.1 trong đó BS trong cell ` được ký hiệu là BS ` , ` ∈ L = {1, , L} được trang bị M ` antenna phát Số lượng các thiết bị người dùng trong cell `là K ` UEk trong cell` được ký hiệu là UE`,k, k ∈ K` ={1, , K`} được trang bị N`,k antenna Trong mỗi khe thời gian,BS` có thể hỗ trợS` thiết bị người dùng (S` ≤K`)trong tầm hoạt động của nó cho việc truyền dữ liệu Để kéo dài thời gian hoạt đông của pin, các thiết bị người dùng rảnh có thể thu thập năng lượng từ các tín hiệu RF Các tập hợp các thiết bị người dùng được chọn và không được chọn trong cell ` cho mỗi khe thời gian được định nghĩa lần lượt bởi Π ` = {π ` (1), , π ` (S ` )} và Φ ` = {φ ` (1), , φ ` (K ` −S ` )} Giả sử rằng Π ` ∩Φ ` = và Π ` ∪Φ ` =K`, có nghĩa là mỗi thiết bị người dùng hoạt động như một thiết bị nhận thông tin hoặc như thiết bị thu thập năng lượng.

Vớis `,k ∈C d `,k ×1 làd `,k ×1luồng dữ liệu độc lập được truyền từBS ` đếnUE `,k Không mất tính tổng quát, giả sử rằng E s `,k s H `,k

BS` sử dụng ma trận tiền mã hóa F`,k ∈ C M ` ×d `,k để xử lý tuyến tính các luồng dữ liệu của UE `,k Để đơn giản, tập của tất cả các ma trận tiền mã hóa được định nghĩa là F={F `,k } `∈ L ,k∈ K `

Xem xét các kênh truyền flat-fading trong đó các ma trận kênh MIMO từ BS i đếnUE{`, k} được định nghĩa bởi H `,k,i ∈ C N `,k ×M i Các hệ số kênh truyền thể hiện choRayleigh fading và suy hao đường truyền Giả sử rằng CSI hoàn hảo tại các BS và thiết bị người dùng [50,51, 67] Như đã bàn luận trong [65, 68], sự phối hợp nhiều cell có thể

Hình 4.1: Mô hình hệ thống đường xuống nhiều cell MU-MIMO SWIPT với các IDRs và EHRs. chia thành ba loại: nhận biết nhiễu, xử lý và truyền dẫn đồng thời, địều phối búp sóng.

Trong phần này tập trung và việc điều phối búp sóng, trong đó mỗi BS có thể thu thập và truyền CSI được phối hợp với các thiết bị người dùng của nó đến một trạm trung tâm(được kết nối với tất cả các BS thông qua kênh truyền tốc độ cao đáng tin cậy) để thiết kế các ma trận tiền mã hóa [50] Cũng lưu ý rằng, CSI hoàn hảo khó có thể đạt được trong thực tế và do đó kết quả trong bài báo cung cấp hiệu suất cơ sở cho bối cảnh CSI không hoàn hảo.

` (k)∈C N `,π` (k) ×1 tại UE `,π ` (k) được chọn là y `,π

(4.1) trong đón `,k ∼CN(0, σ `,k 2 I)là nhiễu trắng Gaussian tạiUE `,k Giả sử rằng nhiễu độc lập với các tín hiệu được truyền Bằng cách xem can nhiễu như nhiễu cộng, tốc độ dữ liệu đạt được củaUE `,π ` (k) từ (4.1) được cho bởi

` (k)I d `,π` (k) (4.3) là ma trận hiệp phương sai của can nhiễu và nhiễu tại thiết bị người dùng được chọn π ` (k) Khi đó, SR của hệ thống là

Lấy cảm hứng bởi ý tưởng của [63], trong khi các thiết bị người dùng được chọn nhận thông tin dữ liệu từ trạm gốc của nó, các thiết bị người dùng rảnh rỗi có thể thu thập năng lượng để sạc lại pin với mục đích kéo dài thời gian sử dụng Tín hiệuy `,φ

` (u) ∈C N `,φ` (u) ×1 tại thiết bị người dùng không được chọnφ ` (u) trong cell ` được cho bởi y `,φ

Theo tài liệu [58, 63], năng lượng được thu thập là một phần công suất nhân được tại các tín hiệu băng gốc Do đó, từ (4.5), nếu loại bỏ công suất nhiễu, năng lượng thu thập được tạiUE `,φ ` (u) có thể được định nghĩa bởi

(4.6) vớiζ `,φ ` (u) là hệ số chuyển đổi năng lượng thể hiện sự mất mát trong việc chuyển đổi năng lượng thu thập được sang năng lượng điện tại bộ chuyển đổi năng lượng của UE `,φ ` (u)

Khi đó, tổng năng lượng thu thập được trong hệ thống mạng nhiều cell được tính bởi

Chương này hướng tới việc thiết kế các bộ tiền mã hóa để có thể tối ưu đồng thời tốc độ dữ liệu của toàn hệ thống và năng lượng thu thập được Lưu ý rằng để tối ưu năng lượng thu thập được tại EHRs, năng lượng của tín hiệu nhận được tại EHRs phải tăng và do đó, can nhiễu đến IDR có thể tăng điều đó gây ra việc làm giảm SR đạt được Có nghĩa là tối đa hóa SR và SHE là các hàm đối nghịch Để xem xét sự tương nhượng giữa hai mục tiêu, vấn đề thiết kế bộ tiền mã hóa sẽ được mô tả dưới dạng công thức toán với việc tối ưu đa mục tiêu Lưu ý rằng các hàm đa mục tiêu của tối ưu SR và SHE có thể được chuyển đổi thành tối ưu đơn mục tiêu bằng cách sử dụng phương pháp tổng trọng số [66,69] Do đó, vấn đề thiết kế được công thức hóa như một vấn đề tối ưu trong đó đối tượng tối ưu là tối đa tổng trọng số của SR và SHE dưới các điều kiện ràng buộc trong suất phát tại mỗi BS Vấn đề thiết kế được viết dưới dạng toán học như sau max

≤P t ` , `∈L (4.8b) với các trọng sốR0,Q0 được sử dụng để chuẩn hóa SR và SHE thành cũng khoảng P t ` là quỹ công suất phát tại BS ` 0≤α ≤1 là hệ số đánh đổi có tác dụng điều khiển việc ưu tiên giữa SR và SHE trong hàm mục tiêu.

Thuật toán đề xuất

Hàm mục tiêu (4.8a) là hàm không lõm và do đó khó có thể tìm được các bộ tiền mã hóa tối ưu Trong chương này trình bày thuật toán lặp để giải vấn đề (4.8).

4.3.1 Lựa chọn thiết bị người dùng

Liên quan đến việc lựa chọn các thiết bị người dùng, có hai thước đo hiệu suất thông dụng là lựa chọn dựa trên vị trí và lựa chọn theo độ lợi kênh truyền [68] Trong trường hợp lựa chọn theo vị trí, các trạm gốc lựa chọn các thiết bị người dùng có khoảng cách gần nhất đến các trạm gốc trong khi với trường hợp lựa chọn theo độ lợi kênh thì các thiết bị người dùng được lựa chọn theo độ lợi kênh lớn nhất Việc lựa chọn các thiết bị người dùng theo độ lợi kênh có thể cho hiệu suất SR tối hơn so với việc lựa chọn theo vị

SWIPT MIMO NHIỀU CELL trí Gần đây, các tác giả trong [65] đã trình bày một phương pháp lựa chọn thiết bị người dùng cho các hệ thống mạng nhiều cell dựa trên hai sơ đồ tiền mã hóa tuyến tính có tên là phân phối không ràng buộc (zero-forcing) và phân phối tỷ số tín hiệu trên nhiễu ảo (signal-to-interference-plus-noise ratio) Mặc dù việc lựa chọn thiết bị người dùng được giới thiệu trong [65] có thể cung cấp hiệu quả sử dụng phổ tốt hơn, nhưng các thiết bị người dùng được chọn dựa trên cấu trúc của các kỹ thuật tiền mã hóa Phần này hướng tới việc thiết kế các bộ tiền mã hóa để tối ưu đa mục tiêu của tổng tốc độ và năng lượng thu thập, do đó việc lựa chọn các thiết bị người dùng được tách rời với việc thiết kế các bộ tiền mã hóa Do đó, phần này sử dụng việc lựa chọn các thiết bị người dùng dựa trên độ lợi kênh truyền [51, 68] Thước đo cho việc lựa chọn thiết bị người dùng được định nghĩa bởi

Trong mỗi khe thời gian truyền dẫn, BS ` lựa chọn một tập S ` thiết bị người dùng dựa trên S ` giá trị lớn nhất của M `,k từ các thiết bị người dùng trong cell của nó.

Với các thiết bị người dùng đã được chọn, mục tiêu thiết kế là đồng thời tối đa hóa SR và SHE trong (4.8) Có thể thấy rằng cả SR và SHE là các hàm không lõm và do đó vấn đề (4.8) không phải là một vấn đề tối ưu lồi, do đó khó có thể giải trực tiếp được Để vấn đề (4.8) có thể giải được, sự tương quan giữa MMSE và tốc độ dữ liệu [42] được thiết lập.

VớiU `,π ` (k) ∈C N `,πell(k) ×d `,π` (k) là ma trận lọc tại máy thu nhằm giải mã các tín hiệu nhận được tạiUE `,π ` (k) để có es `,π ` (k) =U H `,π

Ma trận MSE cho UE `,π ` (k) được cho bởi

Khi đó, giá trị nhỏ nhất của MSE có thể đạt được tại khi ma trận thu U `,π ` (k) được cho bởi

Công thức (4.11) và (4.12) được chứng minh trong Phụ lụcA Thế U `,π ` (k) vào ma trân MSE (4.11) có được

` (k) (4.13) và có thể được viết tương đương là

So sánh (4.14) và (4.2), mối liên hệ giữa MSE và SR của U `,π ` (k) có thể được thiết lập như sau

Tiếp theo, để giải quyết khó khăn liên quan đến tính không lõm của hàm tốc đô dữ liệu, bất đẳng thức sau được áp dụng [42]

+d `,π ` (k) (4.18) vàW `,π ` (k) ∈C d `,π` (k) ×d `,π` (k) là biến ma trận bán xác định dương Để đơn giản các ký hiệu Uvà W thể hiện cho U={U `,k }`∈ L ,k∈ K ` và W={W `,k }`∈ L ,k∈ K ` Có thể thấy rằng bất đẳng thức (4.16) chứa U opt `,π

Tiếp theo, để giải quyết vấn đề không lõm của hàm thu thập năng lượng, đặc tính lồi của hàm được khai thác Với các ma trận khả thi F (n) i,π i (k) hàm bình phương lồi của hàm năng lượng thu thập được giới hạn dưới bởi hàm con như sau [21, 67]

SWIPT MIMO NHIỀU CELL với Q (n) `,φ ` (u) (F) =ζ `,φ ` (u)

Lưu ý rằng Q (n) `,φ ` (u) (F (n) ) = Q (n) `,φ ` (u) (F (n) ) (n) Do đó, giới hạn dưới của SHE tại vòng lặp thứ n là

Do đó, vấn đề tối ưu không lồi (4.8) có thể được giải theo vòng lặp bằng cách giải vấn đề sau max

Có thể thấy rằng hàm mục tiêu trong (4.23) không lõm với ba tập của các biến{F,U,W}, nhưng nó lõm với từng tập biến khi hai tập biến còn lại cố đinh Do đó, một phương pháp AO được áp dùng để giải lần lượt (4.23) Cụ thể, tại mỗi vòng lặp, ba khối biến lần lượt được tìm như sau:

• Cố định{F,W}và cập nhậtU TìmUđể tối đa hàm mục tiêu (4.23) tương đương với tối thiểu MSE và do đó, Ucó thể tìm được từ (4.12).

• Cố định {F,U} và cập nhật W Có thể thấy rằng vấn đề (4.23) là một tối ưu lồi với biến W Do đó lấy đạo hàm bậc một của hàm mục tiêu trong (4.23) theo biến W và cho bằng 0, W có thể được tìm từ (4.19).

• Cố định {U,W} và cập nhật F Có thể thấy từ hàm mục tiêu của (4.23) là hàm lõm theo biến F Do đó, cập nhật Fbằng cách giải vấn đề (4.23) sử dụng các phần mềm giải tối ưu lồi như CVX [45]. Để rõ hơn, thuật toán mô tả quy trình xử lý vấn đề (4.8) được trình bày trong Thuật toán 4.

Algorithm 4Thuật toán lặp cho việc thiết kế các bộ tiền mã hóa.

Khởi tạo: Khởi tạo với các ma trận tiền mã hóa khả thi n

` (k) o , giải (4.23) sử dụng CVX để có được n F (∗) `,π

` (k) o untilhội tụ Cập nhật n=n+ 1. until hội tụ Kết quả: Các giá trị tối ưuF opt `,π

4.3.3 Phân tích sự hội tụ và độ phức tạp của việc tính toán Định nghĩa các hàm mục tiêu trong (4.8a) và (4.23a) lần lượt là f(F) và f(F,b W,U). Định nghĩa(F (n+1) ,W (n+1) ,U (n+1) )là kết quả sau (n+ 1)vòng lặp của Thuật toán4, ta có f(F (n+1) )≥f(Fb (n+1) ,W (n+1) ,U (n+1) ) (4.24a)

=f(F (n ) (4.24c) với bất đẳng thức (4.24a) có được vìfb(F,W,U)là giới hạn dưới củaf(F), bất đẳng thức (4.24b) có được vì (F (n+1) ,W (n+1) ,U (n+1) ) là giá trị tối ưu của vấn đề (4.23) tại vòng lặp (n+ 1), và (4.24c) đúng vì sự thật là các bất đẳng thức (4.17) và (4.22) trở thành đẳng thức tại giá trị(F (n) ,W (n) ,U (n) ) Do đó, hàm mục tiêuf(F)của vấn đề (4.8) không giảm qua các vòng lặp Hơn nữa, với các điều kiện ràng buộc công suất phát, hàm mục tiêu được giới hạn trên Do đó, sự hội tụ của Thuật toán4 được đảm bảo.

Tiếp theo phân tích độ phức tạp của thuật toán lặp đề xuất Sự phức tạp chính trong việc tính toán chính của Thuật toán 4 bao gồm O

3 trong việc giải tối ưu lồi (4.23) để có được F với N max là số lần vòng lặp trung bình cho số vòng lặp bên trong để Thuật toán 4 hội tụ [42, 59] Trong các kết quả mô phỏng số, N max là vài chục vòng Do đó, độ phức tạp của thuật toán cho mỗi vòng lặp khoảng O

3 cho thấy sự ít phức

SWIPT MIMO NHIỀU CELL tạp trong tính toán của Thuât toán4.

Các kết quả mô phỏng

Phần này thực hiện các mô phỏng số để đánh giá sự hiệu quả của thuật toán và đánh giá sự đánh đổi giữa hiệu suất SR và SHE thông qua các kết quả mô phỏng số Trong các mô phỏng, các hệ thống được xem xét bao gồm ba cell với bán kính 40m Tất cả BSs truyền 2 luồng dữ liệu đến mỗi UE(d `,k =d= 2) Mỗi UE có 2 antenna(N `,k =N = 2) Các thiết bị người dùng được tạo ngẫu nhiên trong cell Giả sử suy hao đường truyền với khoảng cách r (m) giữa một BS và một UE được cho bởi31.7 + 27.6 log 10 (r r 0 )dB vớir 0 = 1(m) là khoảng cách tham chiếu [64] Công suất nhiễu được cài đặt là P N =σ `,k 2 =−99dBm [64]. Để đơn giản, hiệu suất chuyển đổi năng lượngζ `,φ ` (u) = 1 Quỹ công suất phát của tất cả các BS được giả sử tương đươngP t ` =P t Định nghĩa các thông số hệ thốngK ` =K thiết bị người dùng trong mỗi cell trong đó cóS ` =S IDRs vàK−S EHRs như{K, S, K−S}.

Các kết quả mô phỏng được thực hiện bằng MATLAB trên Intel Core i7-6500U CPU 2.6 GHz với RAM 16 GB Để có được các bộ tiền mã hóa tối ưu, các vấn đề tối ưu (4.23) được giải bởi CVX với bộ giải SDPT3 [45].

Ví dụ 1: Ví dụ này cung cấp các đặc tính hội tụ của Thuật toán 4 với mô hình hệ thống {4,2,2} và mỗi BS được trang bị với 4 antenna (M ` = M = 4) và P t = 30dBm.

Các hệ số chuẩn hóa được cài đặt là R0 = 70bps/Hz và Q0 = 1.5P N ×10 7 Hình 4.2 mô tả đặc tính hội tụ của hàm mục tiêu f(F (n) ) qua các vòng lặp với các kênh ngẫu nhiên.

Có thể thấy rằng với các giá trị khác nhau củaα, các hàm mục tiêu không giảm qua các vòng lặp và các hàm mục tiêu hội tụ nhỏ hơn 50 vòng lặp Các đặc tính hội tụ tương tự có thể thấy với các mô hình hệ thống khác bên dưới và do đó, các kết quả hội tụ cho các hệ thống khác không được cung cấp.

Ví dụ 2: Trong ví dụ này, sự tương nhượng giữa SR và SHE được xem xét cho các mạng nhiều cell MU-MIMO SWIPT với các thông số cấu hình hệ thống khác nhau 100 vòng Monte Carlo được thực hiện với các vị trí ngẫu nhiên của các thiết bị người dùng để lấy kết quả trung bình Chú ý rằng với α= 1 hàm tối ưu đa mục tiêu (4.8) trở thành hàm tối đa hóa SR và do đó, giá trị SR là cao nhất và SHE là thấp nhất Ngược lại, các hệ thống sẽ có giá trị SHE cao nhất và SR thấp nhất khiα= 0 Do đó, những phần tiếp theo, để chuẩn hóa SR và SHE (4.8), R0 được cài đặt là giá trị lớn nhất của SR trong (4.8) khiα = 1 và Q0 là SHE lớn nhất tạiα = 0.

Xem xét các thông số hệ thống của {4,2,2} và {4,3,1} trong đó mỗi BS được trang bị 4 antenna phát Hình 4.3 mô tả đường đánh đổi giữa SR và SHE đạt được khi thay đổi các giá trị α SR từ Hình 4.3 giảm đơn điệu khi SHE tăng Điều này chỉ ra rằng các hàm mục tiêu tối đa hóa SR và SHE đối lập nhau Có thể thấy từ Hình4.3, hệ thống đạt được giá trị SR lớn nhất khi α = 1 và cũng tại đó SHE đạt giá trị nhỏ nhất Mặt khác,

Hình 4.2: Các đặc tính hội tụ của Thuật toán 4. hệ thống đạt được giá trị SR nhỏ nhất và SHE lớn nhất tại α= 0.

Các kết quả tương tự có thể thấy được từ Hình4.4 với các thông số cấu hình hệ thống của {8,4,4} và {8,5,3} với mỗi BS được trang bị 8 antenna phát Do đó, tham số đánh đổi α trong vấn đề (4.8) cung cấp sự linh hoạt trong việc chuyển đổi giữa hiệu quả sử dụng phổ SR và năng lượng thu thập được Thêm vào đó, vùng SR và SHE từ Hình4.3 và 4.4 mở rộng khi công suất phát P t tăng, nghĩa là, giá trị của SR và SHE cũng tăng lên nếu quỹ công suất phát tăng Hơn nữa, khi số lượng IDRs tăng (tương ứng số lượngEHRs giảm) thì SHE đạt được giảm đáng kể trong khi SR đạt được chỉ tăng nhẹ (có thể thấy từ Hình 4.3 và 4.4 tại các điểm tại α= 1 và α = 0) Nguyên nhân của kết quả này là do các kết quả tối ưu hướng tới việc sử dụng nhiều năng lượng cho các thiết bị người dùng với điều kiện kênh truyền tốt Do đó, việc tăng số lượng IDRs có thể dẫn tới việc tăng không đáng kể tốc độ dữ liệu đạt được trong khi giảm số lượng EHRs có thể giảm đáng kể SHE.

Chương này đã trình bày hiệu quả thuật toán lặp cho việc thiết kế các bộ tiền mã hóa để tối đa đồng thời hai thông số hiệu năng là SR và SHE trong các hệ thống nhiều cell

Average sum-rate (bps/Hz)

Hình 4.3: Các đặc tính đánh đổi giữa SR và SHE với các hệ thống {4,2,2} và {4,3,1}.

Average sum-rate (bps/Hz) {8,4,4}, P t = 25 dBm

Hình 4.4: Các đặc tính đánh đổi giữa SR và SHE với các hệ thống {8,4,4} và {8,5,3}.

MU-MIMO SWIPT dưới điều kiện ràng buộc công suất phát tại mỗi BS Mối tương quan giữa MMSE và tốc độ dữ liệu đạt được được áp dùng để chuyển đổi hàm SR thành hàm lõm theo mỗi tập biến, và cũng có được phần lõm của hàm SHE Sau đó, thuật toán lặp hiệu quả với độ tính toán đơn giản và đảm bảo sự hiệu tụ được phát triển Các kết quả mô phỏng đã chứng minh đặc tính hội tụ nhanh của thuật toán lặp Hơn nữa, các kết quả mô phỏng còn cung cấp cái nhìn tổng quan về sự đánh đổi giữa SR và SHE với nhiều mức công suất phát các khau và số lượng các thiết bị người dùng khác nhau.

TỐI ƯU HIỆU SUẤT NĂNG LƯỢNG TRONG MẠNG TRUYỀN THÔNG NĂNG LƯỢNG VÔ

Chương 4 đã nghiên cứu về tối ưu hiệu suất phổ và năng lượng thu thập trong hệ thống MU MIMO SWIPT Khác với hệ thống SWIPT được trình bày ở Chương 4 chỉ xét một pha đường xuống, Chương này của luận văn nghiên cứu về vấn đề tối ưu hiệu suất năng lượng trong hệ thống mạng truyền năng lượng hỗn hợp (HWPCN) đa người dùng (MU) đa ngõ vào đa ngõ ra (MIMO) trong đó các thiết bị người dùng trong small cell có thể thu thập năng lượng từ các trạm gốc small cell trong pha đường xuống và sử dụng năng lượng thu thập đó cho mục đích truyền dẫn đường lên Các bộ tiền mã hóa cho hai quá trình truyền năng lượng vô tuyến (WET) và truyền thông tin vô tuyến (WIT) với các ràng buộc công suất tại mỗi BS và UE đều được xem xét Vì vấn đề tối ưu là lập trình phân số phi tuyến không lồi theo các biến thiết kế, về mặt toán học nó khó có thể trực tiếp giải được kết quả tối ưu Để giải quyết vấn đề đó, lập trình D.C được áp dụng để tìm giới hạn dưới của hàm tổng tốc độ Sau đó, giải thuật Dinkelbach trong mục2.4.3.2 Chương2 được áp dụng để phát triển thuật toán lặp hiệu quả trong đó các vấn đề tối ưu lồi được giải Các kết quả mô phỏng số được cung cấp để khảo sát EE của thuật toán đề xuất 1

1 Các phần trong chương này đã được trình bày trong bài báo “Energy Efficiency Optimization in MIMO Heterogeneous Wireless Powered Communication Networks,” đã nộp ở tạp chí quốc tế ISI

HIỆU SUẤT NĂNG LƯỢNG HWPCN

Giới thiệu

Trong những năm gần đây, các chuẩn và công nghệ mới trong thế hệ thứ năm (5G) của mạng vô tuyến được kỳ vọng đáp ứng nhu cầu tốc độ cao cho nhu cầu tăng trưởng của lưu lượng dữ liệu vô tuyến Một trong những phương pháp quan trọng là bố trí mạng hỗn hợp (HetNet), ở đó nhiều loại trạm phát (BS) được bố trí để phục vụ các thiết bị người dùng [70,71] Tuy nhiên việc triển khai nhiều loại BS khác nhau trong cùng tần số có thể tăng can nhiễu trong mạng HetNet và làm giới hạn hiệu suất phổ đạt được Đã có rất nhiều nghiên cứu trong việc giải quyết can nhiễu [28, 72] Trong [72], phương pháp trung bình bình phương sai số nhỏ nhất có trọng số (WMMSE) được trình bày để giải quyết can nhiễu Các tác giả trong [28] đã phát triển phương pháp sắp xếp can nhiễu (IA) để giải quyết can nhiễu trong hệ thống đường lên HetNets Mặt khác, việc bố trí nhiều BS trong thế hệ tiếp theo của mạng vô tuyến có thể gây ra các vấn đề tiêu thụ năng lượng.

Trong thập kỷ qua, hiệu suất năng lượng (EE) đã trở thành thước đo và thu hút nhiều sự quan tâm trong thiết kế mạng vô tuyến [25, 71, 73] và các tham khảo trong đó Tài liệu [25] xem xét tối ưu EE trong mạng HetNet bằng cách sử dụng phương pháp BCA.

Các tác giả trong [73] nghiên cứu vấn đề tối ưu EE cho chia sẻ phổ mạng HetNet Các vấn đề tối ưu EE phối hợp đa điểm (CoMP), truyền năng lượng và thông tin đồng thời (SWIPT) trong mạng HetNet được đóng góp trong [71] Hướng tới truyền thông xanh, truyền năng lượng vô tuyến (WET) và các kỹ thuật thu thập năng lượng tận dụng sóng vô tuyến (RF) đã nhận được nhiều quan tâm vì nó là giải pháp quan trọng để kéo dài tuổi thọ của các thiết bị vô tuyến mà không cần thay thế pin Nhờ các công nghệ WET, các thiết bị vô tuyến bị giới hạn năng lượng có thể thu thập năng lượng từ các tín hiệu vô tuyến để sạc pin và kéo dài thời gian sử dụng Hai hướng nghiên cứu chính trong thu thập năng lượng là SWIPT [46, 71, 74,75,76] và WPCN [77, 78,79,80] đã được nghiên cứu trong nhiều mô hình hệ thống Tuy nhiên, các hệ thống SWIPT được giới hạn để truyền dẫn đường xuống, trong hẹ WPCN xem xét không chỉ đường xuống mà còn cả đường lên [80] Cụ thể hơn, các hệ thống SWIPT thực hiện cả hai hoạt động WET và WIT cùng một lúc và tần suất trong khi các WPCN thực hiện từng tiến trình riêng biệt qua hai giai đoạn liên tiếp Đặc biệt, trong giai đoạn WET, BS phát tín hiệu năng lượng vô tuyến cho người dùng qua các kênh đường xuống và người dùng thu năng lượng để sạc pin Sau đó, trong giai đoạn WIT đường lên kế tiếp, người dùng sử dụng năng lượng thu được được lưu trữ sau giai đoạn WET để truyền tín hiệu thông tin của họ đến BS.

Do đó, các WPCN được gọi là giao thức thu thập sau đó truyền (HTT) được giới thiệu trong [81] Trong vài năm qua, các cấu hình WPCN như WPCN đơn ngõ vào đơn ngõ ra(SISO) trong [81,82], đa ngõ vào đơn ngõ ra (MISO) trong [72,83] và đa ngõ vào đa ngõ ra (MIMO) trong [77,78, 79, 82, 84] đã được nghiên cứu trong lý thuyết Trong [81, 82],các tác giả nghiên cứu phương pháp đa truy cập phân chia theo thời gian động tối ưu

HIỆU SUẤT NĂNG LƯỢNG HWPCN hóa từng khe thời gian để tối đa hóa thông lượng đường lên có thể đạt được Cũng áp dụng phương TDMA động, các nghiên cứu mở rộng cho MISO WPCN trong [72] đã được nghiên cứu Trong [72], công việc là tối ưu đồng thời vectơ định hướng và phân bổ thời gian để tối đa hóa tổng tốc độ Hơn nữa, trong hệ thống MIMO, các tác giả trong [82] đã trình bày một thuật toán tối ưu đồng thời các ma trận tiền mã hóa năng lượng đường xuống và thông tin đường lên và phân bố thời gian để tối ưu tổng thông lượng đường lên của mạng nhiều người dùng Tương tự, các tác giả trong [78] đã nghiên cứu vấn đề tối ưu tốc độ dữ liệu đường lên nhỏ nhất dựa trên phương pháp ZF trong hệ thống MU-MIMO WPCN Các đóng góp của chia sẻ phổ trong WPCN đã được trình bày ở [82,84], xem xét WPCN nhận thức (CWPCN) Trong khi nghiên cứu [84] nghiên cứu CWPCN với trường hợp các thiết bị người dùng đơn antenna, nghiên cứu [82] xem xét MU MIMO CWPCN.

Hơn nữa, tối ưu thông lượng với thông tin kênh truyền không hoàn hảo trong MIMO WPCN được xem xét trong [77].

Trong phần này, luận văn trình bày thiết kế các bộ tiền mã hóa gồm các ma trận tiền mã hóa đường xuống WET tại small BS, ma trận tiền mã hóa WIT đường lên tại UE và WIT tại macro BS để tối ưu EE của hệ thống MU MIMO HWPCN Có thể thấy rằng các vấn đề tối ưu hóa EE là lập trình phân số không lồi và do đó, rất phức tạp để có được các giải pháp tối ưu Lấy cảm hứng từ các nghiên cứu của [21] Giới hạn dưới của tốc độ đạt đươc được rút ra bằng cách khai thác thuộc tính lõm của hàm log-det Sau đó, phương pháp Dinkelbach được áp dụng để phát triển một thuật toán lặp hiệu quả.

Các mô phỏng số được cung cấp để xác minh sự hội tụ của thuật toán lặp, và để đánh giá hiệu suất EE của tối ưu hóa EE được đề xuất trong thuật toán so với tối ưu hóa SE.

Ngoài ra, sự tác động của thời gian thu thập năng lượng đối với hiệu suất EE và SE của các trong HWPCN cũng được xem xét.

Phần còn lại của chương được hệ thống như sau Trong mục 5.2, mô hình hệ thốngMU MIMO HWPCN và sau đó công thức vấn đề thiết kế như một bài toán tối ưu Sau đó mục 5.3 trình bày thuật toán lặp để tìm các giá trị tối ưu Trong mục 5.4 cung cấp các kết quả mô phỏng số Cuối cùng kết luận được trình bày ở mục 5.5.

Mô hình hệ thống và vấn đề thiết kế

Xem xét môt mô hình mạng HetNet hai lớp trong đóL cell nhỏ được bố trí trong phạm vi hoạt động của một macro cell như miêu tả ở Hình5.1 Mỗi BS truyền các tín hiệu của nó tới các thiết bị người dùng của nó, cụ thể, có L+ 1 BS truyền trong cùng băng tần.

MBS được định nghĩa bởi BS 0 được trang bị M 0 antenna và phục vụ K 0 thiết bị người dùng UE k, với k ∈ K0 = {1, , K 0 }, trong macro cell được ký hiệu bởi UE k 0 được trang bịN k 0 antenna SBS` được ký hiệu BS ` , với ` ∈L={1, , L} được trang bị M ` antenna phục vụK ` thiết bị người dùng Người dùng k trong cell`được ký hiệu bởi UE k `

Hình 5.1: Mô hình của hai pha truyền dẫn trong MU MIMO HWPCN. được trang bịN k ` antenna, vớik ∈K` ={1, , K ` } Lưu ý rằng K0 ký hiệu tập hợp tất cả các thiết bị người dùng của MBS trong khiK` với `6= 0 biểu diễn tập hợp các thiết bị người dùng của SBS` Các định nghĩa cho kênh truyền và các ma trận tiền mã hóa được biểu diễn trong Bảng5.1 trong đó các hệ số kênh truyền bao gồm suy hao đường truyền

Kênh truyền xuống từ BS s đến UE k ` H D k

` ,s ∈C N k` ×M s Kênh truyền lên từ UE k ` đến BS s H U s,k

Kênh truyền từBS s đến BS ` G l,s ∈C M ` ×M s Kênh truyền từUE k ` đến UE s 0 G s 0 ,k ` ∈C N s 0 ×N k`

Ma trận tiền mã hóa năng lượng của BS ` choUE k ` F E `,k

Ma trận tiền mã hóa thông tin củaBS 0 cho UE k 0 F D 0,k 0 ∈C M 0 ×d

Ma trận tiền mã hóa thông tin củaUE k ` choBS ` F U k

I k`,` và small-scale fading Giả sử rằng CSI hoàn hảo tại các BS và các thiết bị người dùng [85] Cũng giả sử rằng các BS và UE đồng bộ hoàn hảo [85], xem xét hai pha của đường xuống WET và đường lên WIT cho mạng small-cell trong khi MBS truyền các tín hiệu thông tin tới các thiết bị người dùng macro của nó Không mất tính tổng quát, khoảng thời gian của WET và WIT được chuẩn hóa bởi τ và (1−τ), với τ ∈ [0,1] Đáng lưu ý là hai điều kiện τ = 0 và τ = 1 tương ứng với việc không truyền của các thiết bị người dùng ở small cell, cụ thể, khi τ = 0, thời gian truyền năng lượng là 0 và do đó, các thiết bị người dùng ở small cell không có năng lượng của truyền đường lên, và khiτ = 1, thời gian truyền thông tin đường lên của các thiết bị người dùng ở small cell là 0.

Trong pha này, các SBS truyền các tín hiệu năng lượng để sạc cho các thiết bị người dùng ở small cell trong khi MBS truyền các tín hiệu thông tin tới các thiết bị người dùng macro của nó Vớis D 0,k 0 ∈C d

E s,is ×1 làd I 0,k 0 vàd E s,i s stream thông tin và năng lượng độc lập được truyền tương ứng từ BS 0 đến UE k 0 và từ BS s đến UE i s Không mất tính tổng quát, giả sử rằngE s D 0,k

=I d E s,is.BS 0 sử dụng các ma trận tiền mã hóa F D 0,k

0 để điều khiển tín hiệu hướng đến UE k 0 trong khi BS ` sử dụng các ma trận tiền mã hóa F E `,k

` để điều khiển tín hiệu năng lượng đến UE k ` Ngoài việc nhận tín hiệu RF từ các SBS liên kết, mỗi thiết bị người dùng ở small cell còn có thể nhận tín hiệu RF từ các SBS và MBS khác Bằng cách bỏ qua công suất nhiễu không đáng kể, năng lượng thu được tạiUE k ` có thể được cho bởi

HIỆU SUẤT NĂNG LƯỢNG HWPCN với ξ k ` thể hiện sự mất mát của chuyển đổi năng lượng và để đơn giản ở đây đã ký hiệu tập hợp tất cả các ma trận tiền mã hóa năng lượng bằng F E F E `,k

` `∈ L ,k∈ K ` Lưu ý rằng năng lượng tại các thiết bị người dùng trong small cell chỉ đến từ việc thu thập năng lượng trong pha WET này và chúng sẽ được sử dụng trong truyền thông tin đường lên ở pha 2.

Trong khi SBSs phát các tín hiệu năng lượng để sạc cho các thiết bị người dùng ở small cell, MBS truyền các tín hiệu thông tin của nó tới UE k 0 của macro cell Tín hiệu nhận được tạiUE k 0 là y k 0 =H D k 0 ,0 F D 0,k 0 s D 0,k 0 +

(5.2) với nk 0 ∼CN 0, σ k 2 0 I là nhiễu Gaussian UEk 0 Bằng cách xem xét can nhiễu như nhiễu, tốc độ đạt được của UE k 0 trong pha đầu tiền từ (5.2) được cho bởi

0 và ma trận hiệp phương sai của can nhiễu và nhiễu tại UE k 0

Trong pha thứ 2, mỗiUE k ` truyềnd I k

` ,`streams dữ liệu độc lập được định nghĩa bởi các vector tín hiệu thông tins U k

` ,`toBS ` Giả sử rằng ma trận hiệp phương saiE s U k

I d I k`,`, trong khi đó MBS truyền các tín hiệu thông tin tới các thiết bị người dùng của nó.

UE k ` sử dụng ma trận tiền mã hóa F U k

` ,` để xử lý tuyến tính tín hiệu của nó trước khi truyền đến SBS Tín hiệu nhận được tại BS ` có thể được định nghĩa bởi y ` K `

HIỆU SUẤT NĂNG LƯỢNG HWPCN vớin ` ∼CN(0, σ 2 ` I)là nhiễu Gaussian trằng tại BS ` Khi đó tốc độ dữ liệu đạt được của BS ` được cho bởi

` ,` `∈ L ,k∈ K ` và ma trận hiệp phương sai của can nhiễu và nhiễu tại BS ` là

(5.7) Đối với các người dùng macro, các tín hiệu nhận được ở người dùng macro trong giai đoạn này bị thay đổi do nhiễu từ tín hiệu đường lên của các người dùng trong cell nhỏ.

Do đó, tín hiệu nhận được tại UE k 0 là y k 0 =H D k

Khi đó tốc độ dữ liệu đạt được tại UE k 0 trong pha hai được cho bởi

(5.9) với ma trận hiệp phương sai của can nhiễu và nhiễu tạiUE k 0 được định nghĩa là

(5.10) Để đánh giá EE của hệ thống, nó có liên quan để tính toán mức tiêu thụ năng lượng của hệ thống Năng lượng tiêu thụ của BS 0 , BS ` , UE k ` tương ứng được cho bởi [71]

+P C k` (5.13) với ζ 0 , ζ ` , và ζ k ` thể hiễn sự không hiệu quả của bộ khuếch đại công suất trong khi P C 0 , P C ` , P C k` là các công suất tiêu thụ của mạch điện được cho bởi

` (5.16) với P ant BS và P ant UE tương ứng là công suất truyền của mỗi antenna các tại máy phát BS và UE trong khiP 0 fix ,P ` fix vàP k fix

` là công suất tiệu thụ cố định tương ứng tại tại MBS, SBSs and UEs [51, 76].

5.2.3 Công thức hóa vấn đề thiết kế các bộ tiền mã hóa

Việc thiết kế là tiền các bộ tiền mã hóa tối ưu để cực đại EE của hệ thống với các ràng buộc về công suất phát của các BS và các thiết bị người dùng ở small cell EE của hệ thống được định nghĩa bởi tỷ số của tổng tốc độ dữ liệu đạt được trên tổng năng lượng tiêu thụ [86] và được công thức bởi

Theo đó, vấn đề tối ưu EE được mô hình thành bài toán tối ưu như sau max

≤P S 0 (5.19d) với PS 0 và PS ` là công suất phát cho phép tại BS0, vàBS` Do đó, điều kiện (5.19b) đảm bảo rằng các thiết bị người dùng trong small cell không thể sử dụng năng lượng trong pha WIT lớn hơn năng lượng thu thập được trong pha WET Các điều kiện (5.19c) and (5.19d) giới hạn công suất phát của các BS nhỏ hơn quỹ công suất cho phép Điều đáng chú ý là EE của hệ thống sẽ phụ thuộc nhiều vào thời gianτ, và, do đó hiệu suất EE cho các giá trị khác nhau củaτ sẽ được xem xét trong các kết quả mô phỏng số.

Có thể thấy rằng hàm mục tiêu (5.19a) là các hàm phân số và phi tuyến trong các biến ma trận Ngoài ra, ràng buộc (5.19b) là không lồi Do đó, vấn đề tối ưu (5.19) là không lồi và thách thức về mặt toán học để giải quyết Trong phần tiếp theo sẽ giới thiệu cách tiếp cận để xử lý hiệu quả vấn đề (5.19).

Thuật toán đề xuất

Để giải quyết tính phi tuyến của vấn đề tối ưu, định nghĩa Q E `,k

` ,` `∈ L ,k∈ K ` Khi đó, năng lượng thu thập được trong (5.1) có thể được viết lại

Các tốc độ đạt được của các thiết bị người dùng macro trong hai pha của đường xuống tương ứng được viết lại là

HIỆU SUẤT NĂNG LƯỢNG HWPCN với Z k 0 (Q D ,Q E ) K 0

(5.24) Tốc độ dữ liệu đạt được của small cell ` trong đường lên được cho bởi

Mặt khác, năng lượng tiêu thụ của các BS và SUE (5.11), (5.12), (5.13) cũng được viết lại tương ứng như sau

Theo đó, vấn đề cực đại EE được cho lại như sau max

Như có thể thấy rằng các ràng buộc trong (5.30) trở thành lồi tuy nhiên hàm mục tiêu (5.30a) không phải là một phân số lõm-lồi vì tổng tốc độ đạt được là hàm không lõm Dó đó, không đơn giản để có được giải pháp tối ưu cho vấn đề (5.30).

Dựa vào phương pháp công bố trong [21] và công thức trong mục 2.4.4.3 Chương 2, hàm D.C được khai thác để xử lý tính không lồi của hàm tốc độ đạt được Đầu tiên, các hàm tốc độ dữ liệu đạt được (5.21), (5.23), (5.25) có thể tương ứng được viết lại như hiệu của hai hàm lõm

Sau đó, cho các điểm khả thi Q¯ D(n) ,Q¯ U(n) ,Q¯ E(n) tại vòng lập thứ n, các hàm tốc độ R (1) k

, và R ` Q D ,Q U được giới hạn dưới bởi các hàm lõm Rˆ (1) k

, vàRˆ ` Q D ,Q U tương ứng được định nghĩa bởi

Khi đó, hiệu suất năng lượng tại vòng lặp thứn có thể được viết lại như sau

Rb ` Q D ,Q U P(Q E ,Q D ,Q U ) (5.37) Do đó, vấn đề (5.30) có thể được viết lại là max

Rõ ràng là mẫu số của hàm mục tiêu trong (5.38) là tuyến tính trong khi tử số là lõm đối với tất cả các biến ma trận bán xác định dương

Q E ,Q D ,Q U Do đó, vấn đề (5.38) là một lập trình phân số lõm-lồi, khi đó, phương pháp Dinkelbach có thể được áp dụng để tìm các giá trị tối ưu [44] Để kết thúc, thông số λ và một hàm tham số được giới thiệuU Q E ,Q D ,Q U , λ

Khi đó, vấn đề (5.38) có thể được viết lại max

Bằng cách cố định λ, vấn đề tối ưu (5.39) là lồi và nó có thể được giải quyết một cách hiệu quả bằng các gói giải tối ưu lồi, ví dụ, CVX [45] Với giá trị λ ∗ , kết quả tối ưu của vấn đề {Q E∗ ,Q U∗ ,Q D∗ } của (5.39) cũng là kết quả tối ưu của vấn đề (5.38) nếu U Q E∗ ,Q D∗ ,Q U∗ , λ ∗

= 0 [44] Do đó, từng bước của thuật toán lặp để giải quyết vấn

HIỆU SUẤT NĂNG LƯỢNG HWPCN đề (5.30) được tóm tắt trong Thuật toán 5 Điều đáng chú ý là hàm mục tiêu (5.38a) là một giới hạn dưới chặt chẽ của nó trong (5.30a) Do đó, hàm mục tiêu (5.30a) là không giảm qua các vòng lặp Hơn nữa, vì ràng buộc công suất phát hàm mục tiêu (5.30a) được giới hạn trên Do đó, sự hội tụ của Thuật toán 5được đảm bảo.

Algorithm 5Thuật toán lặp cho cực đại EE

1: Khởi tạo: Cho n = 0 và khởi tạo ma trận khả thi

, giải (5.38) sử dụng CVX để tìm Q E(∗) ,

6: Cập nhật các ma trận:

Các kết quả mô phỏng

Trong phần này, tính hiệu quả của thuật toán được đánh giá qua các kết quả mô phỏng số Trong các mô phỏng, xem xét mô hình HetNet gồm bốn small cell được bố trí trong phạm vi của một macro cell Macro BS được đặt tại tọa độ(0,0)trong khi 4 SBSs được đặt tại các vị trí(R/2, R/2), (R/2,−R/2), (−R/2, R/2), và (−R/2,−R/2)với R là bán kính của macro-cell Các thông số mô phỏng và mô hình suy hao được tóm tắt trong Bảng 5.2 [51,75,76,87] trong đó khoảng cách giữa máy phát và máy thu tính theom được ký hiệu làD Quỹ công suất phát của tất cả SBSs được giả sử làP S ` =P t và quỹ công suất phát của MBS là P S 0 = 5P t Nếu không có quy định khác, giả sử τ = 0.5 Kết quả mô phỏng được tính trung bình trên 100 lần chạy Monte Carlo với các vị trí ngẫu nhiên của người dùng.

Ví dụ 1: Trong ví dụ này, đặc tính hội tụ của Thuật toán lặp 5được xem xét Tốc độ hội tụ của hàm mục tiêu qua các vòng lặp với các giá trị khác nhau củaPt được vẽ trongHình5.2 Có thể thấy rằng hàm mục tiêu của EE không giảm qua các lần lặp và nó được hội tụ ít hơn 50 vòng lặp Kết quả từ Hình 5.2 cũng tiết lộ rằng ở vùng truyền tải năng lượng thấp, EE đạt được có xu hướng tăng khi quỹ công suất tăng Tuy nhiên, hiệu suấtEE sẽ không tăng khi quỹ công suất phát đạt đến một mức nhất định.

Bảng 5.2: Danh sach các thông số mô phỏng

Số lượng người dùng mỗi cell K 0 =K ` =K = 3 Số lượng antenna phát của BS M 0 =M ` =M = 6

Suy hao do tường L ω = 1 dB

Tổng công suất nhiễu σ 2 =−96dBm

Công suất yêu cầu cho mỗi antenna của BS 0dB Công suất tiêu thụ cố định của UE −25dB Công suất yêu cầu cho mỗi antenna của UE −23dB Công suất tiêu thụ cố định của macro-BS 20W Công suất tiêu thụ cố định của small-BS 10W

Hiệu suất chuyển đổi năng lượng ξk ` =ξ= 10%

Suy hao từ SBS đến SUE của nó 38.46 + 20 logD(dB) Suy hao từ SBS đến SUE khác 38.46 + 20 logD+Lω (dB) Suy hao từ MBS đến SUE 15.3 + 37.6 logD+L ω (dB) Suy hao từ MBS đến MUE 15.3 + 37.6 logD (dB) Suy hao từ BS đến BS khác 15.3 + 37.6 logD+ +Lω (dB) Suy hao từ SUE đến MUE 38.46 + 20 logD+L ω (dB)

P t = 20 dBm P t = 25 dBm P t = 30 dBm P t = 35 dBm P t = 40 dBm

Hình 5.2: Đặc tính hội tụ của Thuật toán5 với các giá trị quỹ công suất khác nhau.

Hình 5.3: EE trung bình có thể đạt được của Thuật Toán5 và tối đa hóa SE với các quỹ công suất phát khác nhau.

Ví dụ 2: Ví dụ này kiểm tra sự đánh đổi giữa EE đạt được và tổng tốc độ SR trong mô hình HWPCN xem xét Hình 5.3 biểu diễn hiệu suất EE trung bình thu được bằng thuật toán tối đa hóa EE và giá trị đó bằng cách tối đa hóa SE Lưu ý rằng có thể thu được giải pháp tối ưu để tối đa hóa SE bằng cách cho λ = 0 trong (5.38) Có thể được nhìn thấy từ Hình 5.3 rằng khi quỹ công suất phát cao hơn một mức nhất định, thuật toán tối ưu hóa EE cung cấp EE cao hơn so với các tối ưu hóa SE Những kết quả này có thể được giải thích rằng chiến lược tối ưu hóa EE chỉ sử dụng một phần quỹ công suất phát có thể cung cấp EE tối đa thay vì tất cả quỹ công suất phát khi quỹ công suất phát tăng đến một mức nhất định Ngược lại, chiến lược tối ưu hóa SE có xu hướng sử dụng tất cả quỹ công suất truyền để tối đa hóa tổng tốc độ hệ thống và việc sử dụng tất cả quỹ công suất công suất dẫn đến giảm EE có thể đạt được của phương pháp tối đa hóa SE Để có cái nhìn toàn diễn hơn về sự đánh đổi giữa EE và SE, tổng tốc độ đạt được bằng phương pháp tối đa hóa EE và tối ưu hóa SE được vẽ trong Hình 5.4 Như có thể thấy rõ từ Hình5.4 rằng tổng tốc độ trung bình có thể đạt được từ phương pháp tối ưu hóa SE tăng với quỹ công suất phát Mặt khác, tốc độ tổng trung bình có thể đạt được của chiến lược tối ưu hóa EE sẽ không tăng khi công suất phát tăng lên đến một giá trị nhất định Lý do là khi công suất phát đạt đến một mức nhất định, mức tiêu thụ năng lượng gây ra sự kém hiệu quả về năng lượng.

Ví dụ 3: Ví dụ này nghiên cứu hiệu suất EE và SE tối ưu so với thời gian τ Đặt công suất phát cực đại cho phép là P t = 30 dBm EE trung bình thu được từ tối đa hóa EE

Hình 5.4: Tổng tốc độ cho tối đa hóa EE và tối đa hóa tổng tốc độ. và tổng tốc độ thu được từ tối đa hóa SE được mô tả trong Hình 5.5 Có thể thấy rằngEE có thể đạt được giảm khi τ tăng Điều này là do sự gia tăng của τ có nghĩa là thời gian WET tăng Pha WET không cho hiệu quả năng lượng vì công suất nhận được bị suy giảm đáng kể Mặt khác, các tín hiệu WET cũng có thể gây nhiễu cho người dùng macro, điều này dẫn đến việc giảm tổng tốc độ của người dùng macro Quan sát chính này có thể kết luận rằng WET có thể tạo ra tác động tiêu cực của EE toàn mạng Mặt khác, liên quan đến tổng tốc độ có thể đạt được như có thể thấy ở Hình5.5, tồn tại một giá trị tối ưu củaτ sao cho tổng tốc độ có thể đạt được cực đại.

Chương này đã trình bày vấn đề thiết kế các bộ tiền mã hóa để tối ưu EE trong hệ thống đa người dùng HWPCN trong đó các ma trận tiền mã hóa trong hai pha WET và WIT đều được xem xét Để giải quyết khó khăn về mặt toán học của lập trình phân số phi tuyến của vấn đề tối ưu EE, lập trình D.C và phương pháp Dinkelbach được áp dụng để phát triển thuật toán lặp hiệu quả Các kết quả mô phỏng số đã đánh giá hiệu quả EE của thuật toán và việc tăng công suất phát đến một mức nhất định sẽ không hiệu quả năng lượng Ngoài ra, việc truyền năng lượng vô tuyến sẽ không hiệu quả về khiến cạnh hiệu suất năng lượng, hiệu suất năng lượng giảm khi thời gian truyền năng lươngτ tăng.

Hình 5.5: Hiệu suất EE và SE ứng với thời gian τ.

KẾT LUẬN CHUNG VÀ HƯỚNGNGHIÊN CỨU KẾ TIẾP

Kết luận chung

Nội dung nghiên cứu xuyên suốt luận văn chính là kỹ thuật MIMO đa người dùng (MU- MIMO) kết hợp với kỹ thuật mạng hỗn hợp (HetNet) và mạng thu thập năng lượng vô tuyến với mục đích nâng cao hiệu năng, tối ưu tài nguyên vô truyến của hệ thống thông tin vô tuyến Các bài toán tối ưu hiệu suất phổ và năng lượng với nhiều thách thức khi các biến tối ưu bị ghép hợp được phân tích và đưa ra các phương pháp giải thích hợp. Đầu tiên, luận văn đã khảo sát tổng quan về nhu cầu lưu lượng dữ liệu và yêu cầu cho mạng thông tin thế hệ mới như một bức tranh nghiên cứu chung Kèm theo đó là các lý thuyết thông tin cơ sở, các kỹ thuật truyền thông và lý thuyết toán tối ưu liên quan như một nền tảng để đề xuất và phân tích các thiết kế ở các chương kế tiếp Trong từng mô hình cụ thể, luận văn đã phân tích và thành lập bài toán của vấn đề, khảo sát các phương pháp tiếp cận trước đây, chọn và phân tích các giải pháp thích hợp, sau đó đưa ra hướng giải quyết cho vấn đề xem xét.

Trong các phần kế tiếp, luận văn đã thực hiện nghiên cứu và đề xuất giải pháp tối ưu hóa cho 03 vấn đề chính:

• Thứ nhất, ở Chương 3 đã trình bày các công thức toán và vấn đề tối ưu hiệu suất năng lượng cho toàn hệ thống và tối ưu hiệu suất năng lượng của người dùng có hiệu suất năng lượng nhỏ nhất dưới các ràng buộc công suất phát tại máy phát và điều kiện can nhiễu cho phép gây ra cho macro BS trong hệ thống đường lên MIMOHetNet, trong đó nhiều BS được bố trí trong phạm vi hoạt động của một macro BS và small cell có một thiết bị người dùng Vì hai vấn đề thiết kế đó không phải là lập trình phân số lõm lồi nên không thể áp dụng giải thuật Dinkelbach (mục2.4.3.2Chương 2) để giải vấn đề tối ưu Để giải quyết các khó khăn này, Chương3đã trình bày mối liên hệ giữa trung bình bình phương sai số nhỏ nhất (MMSE) và tốc độ dữ

KẾT LUẬN CHUNG, HƯỚNG PHÁT TRIỂN liệu đạt được từ đó áp dụng giải thuật BCA (mục 2.5.2Chương 2) và phương pháp Dinkelbach để chuyển đổi các vấn đề tối ưu EE thành các vấn đề có thể giải được qua các vòng lặp Các kết quả mô phỏng số đã được đưa ra để chứng mình sự hội tụ của các thuật toán và đánh giá hiệu suất năng lượng so với việc tối ưu hiệu suất phổ Từ các kết quả mô phỏng cho thấy các thuật toán cực đại EE cho thấy sự hiệu quả hơn so với việc tối đa hiệu suất phổ khi quỹ công suất phát cao và đã cung cấp cái nhìn toàn diện về EE ở nhiều mức công suất phát và can nhiễu cho phép đến macro BS Nội dung của kết quả này đã được công bố ở tạp chí “Journal of Science and Technology: Issue on Information and Communications Technology” [25].

• Tiếp theo, ở Chương 4 giới thiệu mô hình MU MIMO SWIPT nhiều cell, trong đó việc nghiên cứu tập trung vào thiết kế các bộ tiền mã hóa nhằm tối ưu đồng thời hiệu suất phổ và năng lượng thu thập Đầu tiên, tại mỗi cell một tập các thiết bị người dùng được lựa chọn để cho mục đích truyền thông tin, các thiết bị người dùng không được chọn sẽ được sử dụng để thu thập năng lượng Tiếp theo, việc thiết kế các bộ tiền mã hóa được công thức hóa như một vấn đề tối ưu đa mục tiêu mà tại đó tổng tốc độ và tổng năng lượng thu thâp được tối đa đồng thời dưới các ràng buộc công suất phát Vì hàm mục tiêu là hàm không lõm theo các biết nên khó có thể giải trực tiếp Để giải quyết khó khăn, hàm SR được chuyển đổi bằng cách áp dụng mối liên hệ giữa trung bình bình phương sai số nhỏ nhất (MMSE) và tốc độ dữ liệu đạt được Ngoài ra, để giải quyết tính không lõm của hàm thu thập năng lượng, tập con lõm của nó được sử dụng Cuối cùng, thuật toán lặp dựa trên tối ưu tuần tự được đề xuất để giải vấn đề tối ưu và tìm các bộ tiền mã hóa tối ưu Các kết quả mô phỏng số đã được trình bày nhằm khảo sát đặc tính hội tụ của thuật toán và khảo sát sự đánh đổi giữa tổng tốc độ và tổng năng lượng thu thập được.

Các kết quả đã được đăng trên tạp chí quốc tế ISI “Radioengineering” [46].

• Trong mô hình cuối cùng được trình bày ở Chương 5, vấn đề truyền năng lượng vô tuyến được xem xét Khác với vấn đề SWIPT được trình bày trước đó, vấn đề truyền năng lượng vô tuyến được chia thành hai giai đoạn Ở giai đoạn một, giai đoạn truyền năng lượng, các trạm BS truyền các tín hiệu năng lượng đến các thiết bị người dùng Đến giai đoạn tiếp theo, các thiết bị người dùng sử dụng năng lượng đã được thu thập ở giai đoạn trước để truyền các tín hiệu thông tin đến các trạm gốc Chương 5 đã trình bày về vấn đề tối ưu hiệu suất năng lượng trong hệ thống truyền năng lượng vô tuyến hỗn hợp (HWPCN) MU MIMO Vì các vấn đề tối ưu là lập trình phân số phi tuyến không lồi theo các biến thiết kế, do đó nó là một thách thức về mặt toán học Để giải quyết vấn đề đó, lập trình D.C được áp dụng để tìm giới hạn dưới của hàm tổng tốc độ từ đó biến vấn đề tối ưu EE trở thành lập trình phân số lõm lồi Sau đó giải thuật Dinkelbach được áp dụng để phát triển

KẾT LUẬN CHUNG, HƯỚNG PHÁT TRIỂN thuật toán lặp hiệu quả để giải vấn đề tối ưu Các kết quả mô phỏng số đã được trình bày để đánh giá hiệu suất năng lượng của thuật toán và cho thấy việc tăng công suất phát đến một mức nhất định sẽ gây ra vấn đề không hiệu quả về năng lượng Ngoài ra, việc truyền năng lượng vô tuyến sẽ không hiệu quả về khía cạnh năng lượng vì sự suy hao năng lượng trong quá trình truyền dẫn vô tuyến Các kết quả này đã được trình bày trong bài báo “Energy Efficiency Optimization in MIMO Heterogeneous Wireless Powered Communication Networks,” đã nộp ở tạp chí quốc tế ISI “Telecommunication Systems”.

Bên cạnh các kết quả lý thuyết đạt được, dù nỗ lực thực hiện các nghiên cứu một cách tốt nhất trong khả năng, vẫn còn rất nhiều khía cạnh và kiến thức liên quan đến tối ưu hiệu suất phổ và năng lượng về mặt lý thuyết cũng như việc thực nghiệm thực tế, chưa được trình bày được đầy đủ trong luận văn này Tuy nhiên, về cơ bản luận văn đã đề ra được cơ sở lý thuyết và thực hiện mô phỏng với những mô hình cụ thể để đánh giá kết quả dựa trên cơ sở lý thuyết này.

Các kết quả nghiên cứu về hiệu suất năng lượng ở Chương 3 và Chương 5 cho thấy khi tăng công suất phát đến một mức nhất định sẽ dẫn đến không hiệu quả năng lượng.

Do đó, các kết quả mô phỏng ở hai Chương này không những có ý nghĩa đánh giá hiệu suất năng lượng và hiệu suất phổ của hệ thống vô tuyến mà còn đưa ra các kiến nghị mức công suất phát hợp lý để đạt hiệu suất năng lượng cao.

Hướng phát triển

Luận văn đã nghiên cứu cơ sở lý thuyết, các giải pháp tối ưu hiệu suất năng lượng cho mô hình hệ thống đường lên MIMO HetNet và mô hình mạng truyền năng lượng vô tuyến hỗn hợp (HWPCN), tối ưu hiệu suất phổ và năng lượng thu thập vô tuyến cho mô hình đường xuống MU-MIMO SWIPT Các nghiên cứu này có thể được phát triền thêm như sau:

• Thông tin kênh truyền không hoàn hảo: Ở các mô hình đã được trình bày trong luận văn, thông tin kênh truyền được giả sử là hoàn hảo Tuy nhiên, trong thực tế, do sự thay đổi của mỗi trường thông tin kênh truyền thay đổi theo dẫn đến sai lệch giữa kênh ước lượng về kênh hiện tại Vì thế, để đảm bảo hệ thống tối ưu, cần có các giải pháp thiết kế bền vững cho phép tìm các bộ tiền mã hoá chống lại sự sai lệch kênh truyền.

• Tối ưu hiệu suất năng lượng trong hệ thống SWIPT: Trong luận văn đã bàn về tối ưu đồng thời hiệu suất phổ và năng lượng thu thập trong hệ thống SWIPT(Chương 4) Tuy nhiên, việc tối ưu đồng thời hiệu suất năng lượng và năng lượng

KẾT LUẬN CHUNG, HƯỚNG PHÁT TRIỂN thu thập để chỉ ra sự đánh đổi giữa hai thông số chưa được thực hiện Việc tối ưu hàm mục tiêu với hai đối tượng này đồng thời là khó thực hiện hơn so với hiệu suất phổ Vì vậy, điều này là cần thiết khi xem xét vấn đề này trong hệ thống mạng SWIPT.

• Tối ưu thời gian truyền năng lượng trong hệ thống WPCN: Ở Chương 5 của luận văn cũng đã bàn về tối ưu hiệu suất năng lượng trong hệ thống HWPCN tuy nhiên chỉ dừng lại ở việc cố định thời gian truyền năng lượng chứ không giải bài toán tối ưu để tìm ra thời gian truyền năng lượng tốt nhất Do đó, việc tối ưu thời gian truyền năng lượng này là cần thiết trong các hệ thống thực tế.

A Chứng minh công thức (4.11) và (4.12)

Ma trận trung bình bình phương sai số (MSE) củaUE `,π ` (k) được cho bởi

` (k)−s `,π ` (k) Hi (A-1) có thể được viết lại thành (A-2) E `,π ` (k) E

MSE củaUE `,π ` (k) được định nghĩa làMSE `,π ` (k) E `,π ` (k)

Ma trận giải mãU `,π ` (k) sao cho MSE nhỏ nhất có thể có được bằng cách giải ∂

[1] I G P Group, “5G vision of IMT-2020 (5G) promotion group,” Tech Rep., Sep.

2014 [Online] Available: http://www.imt-2020.cn iv,1, 2

[2] C Company, “Cisco visual networking index: Global mobile data traffic forecast update, 2016 - 2021,” Mar 2018 [Online].

Available: http://www.cisco.com/c/en/us/solutions/collateral/service-provider/ visual-networking-index-vni/mobile-white-paper-c11-520862.html iv, 3,4

[3] EARTH Project, “Deliverable d2.3, energy efficiency analysis of the refer- ence systems, areas of improvements and target breakdown,” Nov 2010.

[Online] Available: https://cordis.europa.eu/docs/projects/cnect/3/247733/080/ deliverables/001-EARTHWP2D23v2.pdf iv,5

[4] E Calvanese Strinati and L Hérault, “Holistic approach for future energy efficient cellular networks,” e & i Elektrotechnik und Informationstechnik, vol 127, no 11, pp.

314–320, Nov 2010 [Online] Available: https://doi.org/10.1007/S00502-010-0782-6 6

[5] T Edler and S Lundberg, “Energy efficiency enhancements in radio access networks,” vol 81, pp 42–51+2, 01 2004 6

[6] Improving energy efficiency, lower CO2 emission and TCO, 2010 [Online] Available: http://www.mobilontelecom.com/upload/Huawei-Energy-Efficiency-White-Paper. pdf 6

[7] D Lister, “An operator’s view on green radio,” Keynote Speech, Green Communica- tion, 2009 6

[8] H Whitepaper, “Save energy and reduce emissions to achieve sustainable development and improve corporate competitiveness,” huawei whitepaper for saving energy and reducing emissions.” Huawei Whitepaper for Saving Energy and Reducing Emissions, 2012 [Online] Available: https://www.huawei.com/ilink/en/ download/HW_076768 6

KẾT LUẬN CHUNG, HƯỚNG PHÁT TRIỂN

[9] T L Marzetta, E G Larsson, H Yang, and H Q Ngo,Index Cambridge University Press, 2016, p 223–225 iv, 13,14

[10] I E Telatar, “Capacity of multi-antenna gaussian channels,” EUROPEAN TRANS- ACTIONS ON TELECOMMUNICATIONS, vol 10, pp 585–595, 1999 13

[11] R Q Hu and Y Qian,Heterogeneous cellular networks John Wiley & Sons, 2013. iv, 15, 16

[12] S Yeh, S Talwar, G Wu, N Himayat, and K Johnsson, “Capacity and coverage enhancement in heterogeneous networks,” IEEE Wireless Communications, vol 18, no 3, pp 32–38, June 2011 15

[13] R Q Hu, S Talwar, and P Zong, “Cooperative, green and mobile heterogeneous wireless networks cite,” Tech Rep., 2011 iv, 16

[14] S Buzzi, C I, T E Klein, H V Poor, C Yang, and A Zappone, “A survey of energy-efficient techniques for 5G networks and challenges ahead,” IEEE Journal on Selected Areas in Communications, vol 34, no 4, pp 697–709, April 2016 iv, 17,18

[15] A Zappone and E Jorswieck,Energy Efficiency in Wireless Networks via Fractional Programming Theory now, 2015 [Online] Available: https://ieeexplore.ieee.org/ document/8187084 17, 21,22, 23

[16] B Clerckx, R Zhang, R Schober, D W K Ng, D In Kim, and H V Poor, “Funda- mentals of wireless information and power transfer: From RF energy harvester models to signal and system designs,” IEEE Journal on Selected Areas in Communications, vol PP, 03 2018 18

[17] S Boyd and L Vandenberghe, Convex Optimization New York, NY, USA: Cam- bridge University Press, 2004 iv, 20, 21, 25,35

[18] A Mosek,The MOSEK optimization toolbox for MATLAB manual, 2019 21

[19] W Dinkelbach, “On nonlinear fractional programming,” Management Science, vol 13, pp 492–498, 03 1967 22, 23

[20] D R Hunter and K Lange, “A tutorial on MM algorithms,” The American Statistician, vol 58, no 1, pp 30–37, 2004 [Online] Available: https:

[21] H H Kha, H D Tuan, and H H Nguyen, “Fast global optimal power allocation in wireless networks by local d.c programming,” IEEE Transactions on WirelessCommunications, vol 11, no 2, pp 510–515, February 2012 25, 47,53, 62, 70

[22] D P Bertsekas,Nonlinear programming Athena scientific Belmont, 1999 25,28

[23] K Sauer and C Bouman, “A local update strategy for iterative reconstruction from projections,” IEEE Trans Signal Process., vol 41, no 2, pp 534–548, 1993 26

[24] C.-J Hsieh and I S Dhillon, “Fast coordinate descent methods with variable selection for non-negative matrix factorization,” in Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining ACM, 2011, pp.

[25] H H Kha and T N Ha, “An alternating optimization algorithm for energy efficiency in heterogeneous networks,” Journal of Science and Technology: Issue on Information and Communications Technology, vol 4, no 1, pp 1–8, 2018 29, 61,78

[26] GreenTouch, “Green meter research study: reducing the net energy consumption in communications networks by up to 90 percent by 2020,” 2013 30

[27] W Liao, M Hong, Y Liu, and Z Luo, “Base station activation and linear transceiver design for optimal resource management in heterogeneous networks,” IEEE Trans- actions on Signal Processing, vol 62, no 15, pp 3939–3952, Aug 2014 30

[28] B Guler and A Yener, “Uplink interference management for coexisting MIMO femtocell and macrocell networks: An interference alignment approach,” IEEE Transac- tions on Wireless Communications, vol 13, no 4, pp 2246–2257, April 2014 30, 61

[29] X Kang, Y Liang, and H K Garg, “Distributed power control for spectrum-sharing femtocell networks using stackelberg game,” in2011 IEEE International Conference on Communications (ICC), June 2011, pp 1–5 30, 31, 32

[30] F Pantisano, M Bennis, W Saad, M Debbah, and M Latva-aho, “Interference alignment for cooperative femtocell networks: A game-theoretic approach,” IEEE Transactions on Mobile Computing, vol 12, no 11, pp 2233–2246, Nov 2013 30

[31] Y Li, M Sheng, C Yang, and X Wang, “Energy efficiency and spectral efficiency tradeoff in interference-limited wireless networks,” IEEE Communications Letters, vol 17, no 10, pp 1924–1927, October 2013 30

[32] N Zhao, F R Yu, and H Sun, “Adaptive energy-efficient power allocation in green interference-alignment-based wireless networks,” IEEE Transactions on VehicularTechnology, vol 64, no 9, pp 4268–4281, Sep 2015 30

[33] A C Cirik, S Biswas, S Vuppala, and T Ratnarajah, “Energy efficient beamforming design for full-duplex MIMO interference channels,” in 2017 IEEE International Conference on Communications (ICC), May 2017, pp 1–6 30

[34] S He, Y Huang, S Jin, and L Yang, “Coordinated beamforming for energy efficient transmission in multicell multiuser systems,” IEEE Transactions on Communica- tions, vol 61, no 12, pp 4961–4971, December 2013 30

[35] J Xu and L Qiu, “Energy efficiency optimization for MIMO broadcast channels,”

IEEE Transactions on Wireless Communications, vol 12, no 2, pp 690–701, Febru- ary 2013 30,31

[36] Y Li, P Fan, and N C Beaulieu, “Cooperative downlink max-min energy-efficient precoding for multicell MIMO networks,” IEEE Transactions on Vehicular Technol- ogy, vol 65, no 11, pp 9425–9430, Nov 2016 30, 31, 34, 37

[37] Y Li, Y Tian, and C Yang, “Energy-efficient coordinated beamforming under min- imal data rate constraint of each user,” IEEE Transactions on Vehicular Technology, vol 64, no 6, pp 2387–2397, June 2015 30, 40

[38] T T VU, H H KHA, O MUTA, and M RIHAN, “Energy-efficient interference mitigation with hierarchical partial coordination for mimo heterogeneous networks,”

IEICE Transactions on Communications, vol advpub, 2016 30, 34,40

[39] N Zhao, F R Yu, and H Sun, “Power allocation for interference alignment based cognitive radio networks,” in 2014 IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), April 2014, pp 742–746 30

[40] M Cui, B Hu, X Li, H Chen, S Hu, and Y Wang, “Energy-efficient power control algorithms in massive MIMO cognitive radio networks,” IEEE Access, vol 5, pp.

[41] Z Xu, C Yang, G Y Li, Y Liu, and S Xu, “Energy-efficient CoMP precoding in heterogeneous networks,” IEEE Transactions on Signal Processing, vol 62, no 4, pp.

[42] Q Shi, M Razaviyayn, Z Luo, and C He, “An iteratively weighted MMSE approach to distributed sum-utility maximization for a MIMO interfering broadcast channel,”

IEEE Transactions on Signal Processing, vol 59, no 9, pp 4331–4340, Sep 2011.

[43] D P Palomar, M A Lagunas, and J M Cioffi, “Optimum linear joint transmit- receive processing for MIMO channels with QoS constraints,” IEEE Transactions onSignal Processing, vol 52, no 5, pp 1179–1197, May 2004 33

[44] J.-P Crouzeix and J A Ferland, “Algorithms for generalized fractional programming,” Mathematical Programming, vol 52, no 1, pp 191–207, May 1991.

[Online] Available: https://doi.org/10.1007/BF01582887 34, 71

[45] M Grant and S Boyd, “CVX: Matlab software for disciplined convex programming, version 2.1,” http://cvxr.com/cvx, Mar 2014 36,39, 54, 56, 71

[46] T N Ha and H H Kha, “Harvested energy and spectral efficiency trade-offs in multicell MIMO wireless networks,” Radioengineering, vol 28, no 1, pp 331–339, Apr 2019 45, 61,78

[47] A Gupta and R K Jha, “A survey of 5g network: Architecture and emerging tech- nologies,” IEEE Access, vol 3, pp 1206–1232, 2015 46

[48] T T Vu, H H Kha, T Q Duong, and N.-S Vo, “Particle swarm optimization for weighted sum rate maximization in MIMO broadcast channels,” Wireless Personal Communications, vol 96, no 3, pp 3907–3921, Oct 2017 [Online] Available: https://doi.org/10.1007/s11277-017-4357-2 46

[49] H H M Tam, H D Tuan, and D T Ngo, “Successive convex quadratic programming for quality-of-service management in full-duplex mu-mimo multicell networks,”IEEE Transactions on Communications, vol 64, no 6, pp 2340–2353, June 2016 46,47

[50] H H Kha, “Interference mitigation and sum rate optimization for MIMO downlink small cells,” Radioengineering, vol 25, no 4, pp 721–729, Dec 2016 46,48, 49

[51] J Tang, D K C So, N Zhao, A Shojaeifard, and K Wong, “Energy efficiency optimization with SWIPT in MIMO broadcast channels for internet of things,”IEEE Internet of Things Journal, vol 5, no 4, pp 2605–2619, Aug 2018 46,48,52, 67,72

[52] H H Kha, T T Vu, and T Do-Hong, “Energy-efficient transceiver designs for multiuser MIMO cognitive radio networks via interference alignment,”

Telecommunication Systems, vol 66, no 3, pp 469–480, Nov 2017 [Online].

[53] L R Varshney, “Transporting information and energy simultaneously,” in2008 IEEE International Symposium on Information Theory, July 2008, pp 1612–1616 46

[54] J Xu, L Liu, and R Zhang, “Multiuser MISO beamforming for simultaneous wireless information and power transfer,” IEEE Transactions on Signal Processing, vol 62,no 18, pp 4798–4810, Sep 2014 46

[55] X Zhou, R Zhang, and C K Ho, “Wireless information and power transfer in multiuser OFDM systems,”IEEE Transactions on Wireless Communications, vol 13, no 4, pp 2282–2294, April 2014 46

[56] M R A Khandaker and K Wong, “SWIPT in MISO multicasting systems,” IEEE Wireless Communications Letters, vol 3, no 3, pp 277–280, June 2014 46

[57] H Son and B Clerckx, “Joint beamforming design for multi-user wireless information and power transfer,”IEEE Transactions on Wireless Communications, vol 13, no 11, pp 6397–6409, Nov 2014 46

[58] R Zhang and C K Ho, “MIMO broadcasting for simultaneous wireless information and power transfer,” IEEE Transactions on Wireless Communications, vol 12, no 5, pp 1989–2001, May 2013 46, 50

[59] Z Zong, H Feng, F Yu, N Zhao, T Yang, and B Hu, “Optimal transceiver design for SWIPT in k-user MIMO interference channels,” IEEE Transactions on Wireless Communications, vol 15, pp 430–445, 01 2016 46, 55

[60] J Park and B Clerckx, “Joint wireless information and energy transfer in a K- User MIMO interference channel,” IEEE Transactions on Wireless Communications, vol 13, no 10, pp 5781–5796, Oct 2014 46

[61] A A Nasir, H D Tuan, T Q Duong, and H V Poor, “Secure and energy-efficient beamforming for simultaneous information and energy transfer,” IEEE Transactions on Wireless Communications, vol 16, no 11, pp 7523–7537, Nov 2017 46

[62] Q Shi, W Xu, J Wu, E Song, and Y Wang, “Secure beamforming for mimo broadcasting with wireless information and power transfer,” IEEE Transactions on Wire- less Communications, vol 14, no 5, pp 2841–2853, May 2015 46

[63] Y Ren, T Lv, H Gao, and S Yang, “Wireless information and energy transfer in multi-cluster MIMO uplink networks through opportunistic interference alignment,”

[64] I Bang, S M Kim, and D K Sung, “Adaptive multiuser scheduling for simultaneous wireless information and power transfer in a multicell environment,” IEEE Transac- tions on Wireless Communications, vol 16, no 11, pp 7460–7474, Nov 2017 47, 56

[65] E Castaneda, A Silva, R Samano-Robles, and A Gameiro, “Distributed linear precoding and user selection in coordinated multicell systems,” IEEE Transactions onVehicular Technology, vol 65, no 7, pp 4887–4899, July 2016 47,48, 52

[66] J Rubio, A Pascual-Iserte, D P Palomar, and A Goldsmith, “Joint optimization of power and data transfer in multiuser MIMO systems,” IEEE Transactions on Signal Processing, vol 65, no 1, pp 212–227, Jan 2017 47, 48, 51

[67] H H M Tam, H D Tuan, A A Nasir, T Q Duong, and H V Poor, “MIMO energy harvesting in full-duplex multi-user networks,”IEEE Transactions on Wireless Communications, vol 16, no 5, pp 3282–3297, May 2017 47,48, 53

[68] D H N Nguyen and T Le-Ngoc, “Joint beamforming design and base-station as- signment in a coordinated multicell system,” IET Communications, vol 7, no 10, pp 942–949, July 2013 48, 51, 52

[69] O Amin, E Bedeer, M H Ahmed, and O A Dobre, “Energy efficiency–spectral efficiency tradeoff: A multiobjective optimization approach,” IEEE Transactions on Vehicular Technology, vol 65, no 4, pp 1975–1981, April 2016 51

[70] J G Andrews, “Seven ways that HetNets are a cellular paradigm shift,” IEEE Com- munications Magazine, vol 51, no 3, pp 136–144, Mar 2013 61

[71] J Tang, A Shojaeifard, D K C So, K Wong, and N Zhao, “Energy efficiency optimization for CoMP-SWIPT heterogeneous networks,” IEEE Transactions on Com- munications, vol 66, no 12, pp 6368–6383, Dec 2018 61,66

[72] Q Sun, G Zhu, C Shen, X Li, and Z Zhong, “Joint beamforming design and time allocation for wireless powered communication networks,” IEEE Communications Letters, vol 18, no 10, pp 1783–1786, Oct 2014 61, 62

[73] R Ramamonjison and V K Bhargava, “Energy efficiency maximization framework in cognitive downlink two-tier networks,” IEEE Transactions on Wireless Commu- nications, vol 14, no 3, pp 1468–1479, Mar 2015 61

[74] W Ge, Z Zhu, Z Wang, and Z Yuan, “AN-aided transmit beamforming design for secured cognitive radio networks with SWIPT,”Wireless Communication and Mobile Comput., vol 2018, 2018 61

[75] S Lohani, E Hossain, and V K Bhargava, “On downlink resource allocation for SWIPT in small cells in a two-tier HetNet,” IEEE Transactions on Wireless Com- munications, vol 15, no 11, pp 7709–7724, Nov 2016 61, 72

[76] V.-D Nguyen, T Q Duong, H D Tuan, O.-S Shin, and H V Poor, “Spectral and energy efficiencies in full-duplex wireless information and power transfer,” IEEETransactions on Communications, vol 65, no 5, pp 2220–2233, 2017 61, 67,72

[77] E Boshkovska, D W K Ng, N Zlatanov, A Koelpin, and R Schober, “Robust resource allocation for MIMO wireless powered communication networks based on a non-linear eh model,” IEEE Transactions on Communications, vol 65, no 5, pp.

[78] J Choi, C Song, and J Joung, “Wireless powered information transfer based on zero- forcing for multiuser MIMO systems,” IEEE Transactions on Vehicular Technology, vol 67, no 9, pp 8561–8570, Sep 2018 61, 62

[79] J Kim, H Lee, C Song, T Oh, and I Lee, “Sum throughput maximization for multiuser MIMO cognitive wireless powered communication networks,” IEEE Transactions on Wireless Communications, vol 16, no 2, pp 913–923, Feb 2017 61

[80] H Lee, K Lee, H Kong, and I Lee, “Sum-rate maximization for multiuser MIMO wireless powered communication networks,” IEEE Transactions on Vehicular Tech- nology, vol 65, no 11, pp 9420–9424, Nov 2016 61

[81] H Ju and R Zhang, “Throughput maximization in wireless powered communication networks,” IEEE Transactions on Wireless Communications, vol 13, no 1, pp 418–

[82] H Lee, K Lee, H Kim, B Clerckx, and I Lee, “Resource allocation techniques for wireless powered communication networks with energy storage constraint,” IEEE Transactions on Wireless Communications, vol 15, no 4, pp 2619–2628, Apr 2016.

[83] G Yang, C K Ho, R Zhang, and Y L Guan, “Throughput optimization for massive MIMO systems powered by wireless energy transfer,” IEEE Journal on Selected Areas in Communications, vol 33, no 8, pp 1640–1650, Aug 2015 61

[84] B Kim, J Kang, H Kim, and J Lee, “Energy efficiency optimization in multi- antenna wireless powered communication network,” in2016 International Conference on Information and Communication Technology Convergence (ICTC), Oct 2016, pp.

[85] L Shi, L Zhao, and K Liang, “Power allocation for wireless powered MIMO transmis- sions with non-linear RF energy conversion models,” China Communication, vol 14, no 2, pp 57–64, Feb 2017 64

[86] T T Vu, H H Kha, O Muta, and M Rihan, “Energy-efficient interference mitigation with hierarchical partial coordination for MIMO heterogeneous networks,” IEICETransactions on Communications, vol advpub, 2016 67

[87] E Bjornson, L Sanguinetti, J Hoydis, and M Debbah, “Optimal design of energy- efficient multi-user MIMO systems: Is massive MIMO the answer?” IEEE Transac- tions on Wireless Communications, vol 14, no 6, pp 3059–3075, Jun 2015 72