Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)

Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)Nghiên cứu mạng liên lạc phân tử với kết táng bất thường (Luận văn thạc sĩ)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHAN TRẦN HÀ NGHIÊN CỨU MẠNG LIÊN LẠC PHÂN TỬ VỚI KẾT TÁN BẤT THƯỜNG LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TP HỒ CHÍ MINH - 2017 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHAN TRẦN HÀ NGHIÊN CỨU MẠNG LIÊN LẠC PHÂN TỬ VỚI KẾT TÁN BẤT THƯỜNG CHUYÊN NGÀNH : KỸ THUẬT VIỄN THÔNG MÃ SỐ: 60.52.02.08 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS HỒ VĂN KHƯƠNG TP HỒ CHÍ MINH - 2017 i LỜI CẢM ƠN Lời em xin chân thành gửi lời cảm ơn sâu sắc đến Thầy PGS.TS Hồ Văn Khương hướng dẫn tận tình, bảo em suốt trình thực luận văn Thầy trang bị cho em kiến thức vô quý báu để em vững tin bước tiếp đường Em xin gửi lời cảm ơn chân thành đến Quý Thầy Cô hướng dẫn tận tình suốt thời gian chương trình học Cao Học Các Q Thầy Cơ tận tình hướng dẫn tiếp cận sâu mơn học Từ củng cố kiến thức thêm phần vững cho học viên Cuối em xin chân thành cảm ơn gia đình, lãnh đạo, đồng nghiệp quan bạn khóa cao học 2016 động viên, tạo điều kiện cho em hoàn thành khóa học Tp Hồ Chí Minh, ngày 10 tháng 11 năm 2017 Học viên thực luận văn PHAN TRẦN HÀ ii LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tp Hồ Chí Minh, ngày 10 tháng 11 năm 2017 Học viên thực luận văn PHAN TRẦN HÀ iii MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT v DANH SÁCH HÌNH VẼ vi MỞ ĐẦU CHƯƠNG 1- TỔNG QUAN VỀ MẠNG LIÊN LẠC PHÂN TỬ 1.1 Tổng quan mạng liên lạc phân tử 1.1.1 Giới thiệu 1.1.2 Phân tử sinh học tự nhiên 1.1.3 Liên lạc phân tử hệ thống sinh học 1.2 Mơ hình truyền thơng phân tử 1.2.1 Tổng quan mơ hình truyền thơng phân tử 1.2.2 Mơ hình truyền thơng theo chuyển động Browni 11 1.2.3 Mơ hình truyền thơng có kết tán bất thường 17 1.2.3.1 Máy phát SN 18 1.2.3.2 Kênh 18 1.2.3.3 Máy thu 19 1.2.3.4 Thiết kế đầu thu tối ưu 22 CHƯƠNG - NGHIÊN CỨU MƠ HÌNH KÊNH THEO THUẬT TỐN HUẤN LUYỆN TĂNG CƯỜNG 27 2.1 Giới thiệu 27 2.2 Mơ hình đề xuất 27 2.3 Thuật tốn huấn luyện sử dụng tối ưu hóa thơng lượng 29 2.4 Kết luận chương 32 CHƯƠNG - MÔ PHỎNG VÀ KẾT QUẢ 33 3.1 Mô tả hệ thống mô tham số hiệu quan trọng 33 3.2 Đánh giá ảnh hưởng độ tin cậy lên hệ thống 34 iv 3.3 Đánh giá ảnh hưởng vận tốc trôi lên hệ thống 35 3.4 Đánh giá ảnh hưởng xác suất kiện xảy khuếch tán bất thường 37 3.4 Kết luận chương 39 CHƯƠNG - KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 40 4.1 Kết luận 40 4.2 Hướng phát triển 40 DANH MỤC TÀI LIỆU THAM KHẢO 41 v DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt AM ATP CDF DNA EM FN IG IP ISI MAP MIMO MISO Ns PDF RNA Rx SISO Amplitude Modulation Adenosine Triphosphate Cumulative Distribution Function Deoxyribonucleic Acid Electric Magetic Fusion Nanomachine Invest Gaussan Internet Protocol Inter symbol Interference Maximun Aposteriori Multiple Input Multiple Output Multiple Input Single Output Network state Probability density function RiboNucleic Acid Receiver Single Input Single Output Điều chế biên độ Hợp chất giàu lượng Hàm phân phối tích lũy Axit deoxyribonucleic Điện trường Máy nano hợp tin Hàm Gauss ngược Giao thức internet Nhiễu liên ký tự Tối đa giá trị Nhiều đầu vào – Nhiều đầu Nhiều đầu vào – Một đầu Trạng thái mạng Hàm mật độ xác suất Axit ribonucleic Máy thu Một đầu vào – Một đầu SN Tx Sensing Nanomachine Transmitter Máy nano gửi tin Máy phát vi DANH SÁCH HÌNH VẼ Hình 1.1: Phác thảo hệ thống truyền thông phân tử kết hợp máy sinh học nano Hình 1.2: Minh họa ba cách đơn giản để tạo tín hiệu phân tử nhị phân Hình 1.3: Một mơ hình truyền thông phân tử Hình 1.4: Mơ hình kênh theo chuyển động Browni 11 Hình 1.5: Mơ hình truyền thơng với kết tán bất thường 17 Hình 1.6: Minh họa mơ hình hệ thống, ví dụ K = 18 Hình 1.7: Minh họa máy thu 21 Hình 2.1: Mơ hình truyền thơng với kết tán bất thường 27 Hình 3.1: Quy trình kiểm tra mơ hình thuật tốn hệ thống đề xuất 33 Hình 3.2: Thơng lượng với độ tin cậy 0.3 0.02 34 Hình 3.3: Thơng lượng với độ tin cậy 0.5 0.9 35 Hình 3.4: Thơng lượng với vận tốc trôi m/s 0.1 m/s 36 Hình 3.5: Thơng lượng với vận tốc trôi 0.15 0.2 37 Hình 3.7: Thơng lượng với pE = 0.7 0.8 39 MỞ ĐẦU Ngày nay, mạng truyền thông vô tuyến phát triển mạnh mẽ đặc biệt công nghệ mạng di động tế bào mạng cảm biến không dây với số lượng người dùng ngày tăng, mạng có nhược điểm thiết bị phải đảm bảo chất lượng tín hiệu xuyên suốt, sử dụng hiệu phổ tần cấp phép, tiết kiệm lượng Từ nguyên nhân trên, nhà khoa học giới công nghiệp giới nghiên cứu tìm hiểu hình thức truyền thơng mới, bật lên mạng trun thơng phân tử, có ưu điểm tận dụng q trình hóa sinh tự nhiên mà không cần quan tâm đến phổ tần mức lượng sử dụng mạng ảnh hưởng đến môi trường người Cho đến nay, có nhiều cơng trình nghiên cứu mơ hình mạng truyền thơng phân tử mức độ hạn chế, phân tử chuyển động điều kiện lý tưởng theo chuyển động Browni số lượng máy phát máy thu đơn giản Vì vậy, thực tiễn đòi hỏi phải có kết hợp nhiều số lượng máy phát phân tử truyền thích ứng mơi trường chuyển động khác Chính u cầu cấp thiết trên, luận văn giới thiệu đề tài “Nghiên cứu mạng liên lạc phân tử với kết tán bất thường” việc đưa mơ hình truyền thơng sử dụng môi trường kết tán bất thường xảy ra, để giải yêu cầu thực tiễn đòi hỏi Luận văn cấu trúc với chương sau Chương 1: Tổng quan mạng liên lạc phân tử Nội dung chương 1, luận văn giới thiệu khái niệm mạng liên lạc phân tử, lịch sử phát triển, ứng dụng thực tế mơ hình truyền thơng nghiên cứu phổ biến Chương 2: Nghiên cứu mơ hình kênh theo thuật toán huấn luyện tăng cường Nội dung chương 2, ta nghiên cứu mơ hình kênh có khuếch tán bất thường xảy mơi trường định, đề xuất thuật toán huấn luyện phân tử từ phía phát truyền đến phía thu lớn nhất, từ tăng tốc độ truyền dẫn kênh Chương 3: Mô kết Chương sử dụng mơ Monte-Carlo mơ hình thuật toán huấn luyện để xem xét tham số tối ưu thông lượng mạng phân mềm Matlab để kiểm chứng tính xác mơ hình hệ thống Chương 4: Kết luận hướng phát triển Chương nêu vấn đề luận văn làm đề xuất hướng phát triển luận văn 28 tạo thành tin z ' , cuối ta so sánh z ' với tin ban đầu z thơng điệp hồn chỉnh Ta cho mơ hình giả sử có thời gian đồng có khoảng cách thời gian, nguồn tin khởi đầu chứa thơng điệp mã hóa đến máy phát SN nơi mà SN giám sát trạng thái hệ thống, sau truyền đến máy thu FN qua khuếch tán môi trường với thời gian khe thời gian TS Ở FN nhận phân tử chứa thông tin để so sánh giải mã Khi SN quan sát kiện, phát phân tử đầu khe truyền tiếp theo, FN nơi nhận mong muốn tin nhắn, nơi xử lý tin nhắn từ SN Sự kiện xảy với xác suất pE SN phát kiện với xác suất pD Từ nghiên cứu Chương phần 1.2.3 ta có quy tắc xác định lỗi dựa tham số A cho bởi: NS A   P0,i , (2.1) i 1 với P0,i xác suất mà khe thời gian cần thiết mà SN phát phân tử thứ i đến FN Do trình khuếch tán phân tử bất thường, nên việc thống kê mẫu cho khe thời gian lâu, dẫn đến tốc độ truyền dẫn bị suy giảm, để tìm giải pháp xây dựng giai đoạn huấn luyện đóng vai trò quan trọng, việc thu thập thông số yêu cầu cho quy tắc xác định Từ giả thiết trên, thiết kế giai đoạn huấn luyện để mạng giám sát hoạt động truyền phân tử để đảm bảo xác suất lỗi hệ thống nằm khoảng tin cậy để mạng tối ưu thơng lượng, dễ hoạt động hiệu Để khai thác khoảng tin cậy cách tối ưu, phát triển thuật toán lấy tảng từ việc nghiên cứu [10] để tối ưu hóa thời gian khe thời gian Tơi sử dụng thuật tốn cách huấn luyện tăng cường máy phát SN, có nghĩa có khả giám sát phân tử truyền phân tử bị lỗi Đối với cách tiếp cận tơi làm tối ưu hóa khoảng thời gian khe thời gian cách quan sát từ tín hiệu cảm biến mà khơng cần đặc tính hồn chỉnh kênh 29 2.3 Thuật toán huấn luyện sử dụng tối ưu hóa thơng lượng Để xây dựng thuật tốn huấn luyện, tơi thấy thời gian chuyển tiếp với đáp ứng xung mơ hình tơi khơng có sẵn dạng đóng môi trường khuếch tán chuyển động phân tử chuyển động Levy, nên phương pháp tiếp cận dựa vào học thuật [10] cần thiết Tơi phát triển thuật tốn huấn luyện với giả định sau khoảng thời gian giai đoạn huấn luyện, mạng loại bỏ phân tử truyền từ hệ thống Điều đạt cách đưa chất phản ứng, ví dụ phương pháp tiếp cận enzyme [11] làm giảm thời gian sống phân tử thông tin, cần thiết giai đoạn huấn luyện để giảm mức tiêu thụ lượng FN đạt thơng số xác Từ cơng thức (2.1) ta có công thức xác định xác suất lỗi từ tham số A sau: Pe  pE F ( A  0 ; )  pE pD (1  F (0 ; )) (2.2) Do đó, bước quan trọng giai đoạn đào tạo để ước tính A Một ước lượng tự nhiên cho bởi: NS n Aˆ   1Y 1 , i, j i 1 n j 1 (2.3) với Yi , j 0,1 số lượng phân tử nhận khe thời gian từ SN thứ i khe huấn luyện thứ j n số lần thử Để đơn giản, định nghĩa: NS Pˆ0,i   1Y 1 n i 1 i , j (2.4)  hàm phân phối thực nghiệm Như vậy, sau ước tính A quán theo [12] Hơn nữa, quan sát thấy rằng:  NS  P A  Aˆ  N S   P   P0,i  Pˆ0,i  N S    i 1    (2.5) 30  NS    P A  Aˆ  N S      P P0,i  Pˆ0,i   i 1  (2.6) Tiếp từ cơng thức (2.6) áp dụng bất đẳng thức Dvoretzky-Kiefer-Wolfowitz [12] cho bởi: Cho N mẫu   ta có: P D F , Fˆ    2exp 2 N  định lý cho biết tỷ lệ     hội tụ hàm FˆN ( x ) đến F ( x ) tuyến tính theo N , đồng thời dùng với hàm phân bố F Vì từ (2.6) ta có:     NS  P A  Aˆ  N S      2e 2 n i 1  P A  Aˆ  N S     2e2 n Mặt khác, để thời hạn khe thời gian S ∈ { 1,.,  NS  (2.7) (2.8) } làm sở để xác định khe thời gian huấn luyện, ta có ràng buộc cơng thức (2.8) cung cấp cách tính để có khoảng tin cậy cho xác suất lỗi thông lượng, định nghĩa là: Rl  1  Pe,l  , Tl (2.9) đây, ta có khoảng thời gian khe thời gian thứ l có xác suất lỗi Pe,l tương ứng với khoảng thời gian l sử dụng thuật toán huấn luyện khe thời gian ˆ  N   giới Đặc biệt, nhờ có ước lượng Aˆl có xác suất Al   Aˆl  N S  , A l S  hạn công thức (2.8), xây dựng khoảng tin cậy dùng thuật tốn Tơi lưu ý Pe,l (2.2) hàm đơn điệu giảm A, thực tế số lượng phân tử vào khe thời gian gia tăng A tăng lên 31 Tiếp theo, sử dụng xác suất lỗi thực tế Pe,l khe thời gian thứ l theo A từ công thức (2.8) (2.9), xác suất Al   Aˆl  N S  , Aˆl  N S   ta có khoảng tin cậy buộc cho Rl cho bởi:   Pe,l Aˆl  N S    Tl   R   P  Aˆ  N     e ,l l l S Tl (2.10) Nếu xét với xác suất lớn   ,      log  N  S 2n  1 1    ,  (2.11) với khoảng tin cậy cơng thức (2.10), ta có giới hạn xác suất lỗi thông lượng với n lần thử nghiệm, hệ thống hữu ích cho việc đảm bảo thơng lượng cho giai đoạn huấn luyện hạn chế Khoảng tin cậy thuật toán cung cấp phương tiện để tối ưu hóa khoảng thời gian khe thời gian Trong hệ thống này, mong muốn có khoảng tin cậy chặt chẽ cho khoảng thời gian khe thời gian, tơi sử dụng khoảng tin cậy công thức (2.10) làm sở cho thuật tốn huấn luyện Thuật tốn cung cấp đảm bảo cho xác suất khoảng thời gian khe thời gian chọn tối ưu Bây giờ, tơi đưa thuật tốn huấn luyện để giảm thiểu xác suất lỗi khoảng thời gian khe thời gian tối ưu chọn, cách làm ngược với cách tiếp cận tốn thời gian để ước tính lượng liệu cho khoảng thời gian khe thời gian cách riêng biệt Tôi để    mức độ tin cậy cơng thức (2.10), tiêu chí dừng   Tôi giả sử giai đoạn huấn luyện khe thời gian thứ k ta có: + Nếu  k  K , cho j  k chọn Tk khoảng thời gian khe thời gian Ta sử ˆ khoảng tin cậy qua công thức (2.10) dụng cơng thức (2.3), tính ước lượng A k + Nếu k  K , ta chọn khe thời gian khoảng j ta có: 32 1  Pe , j Aˆ l  N S    Tj    (2.12) Từ đó, ta thấy cơng thức (2.10) thơng lượng có giá trị giá trị lớn Ta kết thúc giai đoạn huấn luyện lựa chọn khe thời gian T j , hệ thống dừng ở: Pe , j Aˆ j  N S     Pe , j Aˆ j  N S      , Tj      (2.13) làm mô hình hệ thống tối ưu giao thoa khoảng tin cậy áp dụng công thức (2.10) tập rỗng Nếu khơng, thuật tốn tiếp tục với k  k  Lưu ý: thuật toán dựa ước lượng khoảng tin cậy cơng thức (2.10), đó, xác suất mà khoảng thời gian khe thời gian j chọn thuật toán phụ tối ưu dựa cơng thức xác suất lỗi (2.2) có giới hạn  K Ta nhận thấy rằng, cách ước lượng (2.3) (2.4) dựa ước lượng hàm phân phối tích luỹ thời gian chuyển tiếp 2.4 Kết luận chương Ở chương này, tơi xây dựng thuật tốn huấn luyện dựa tham số A để xác định xác suất lỗi hệ thống thơng lượng mạng tối ưu hóa hồn toàn Các phép ước lượng sử dụng để đảm bảo kênh truyền tối ưu hóa với chuyển động phân tử xem xét 33 CHƯƠNG - MÔ PHỎNG VÀ KẾT QUẢ Trong chương này, để đánh giá cách tồn diện mơ hình hệ thống thuật tốn huấn luyện mình, tơi dựa vào mơ Monte Carlo thuật tốn huấn luyện để so sánh thông lượng hệ thống mô hình đưa 3.1 Mơ tả hệ thống mơ tham số hiệu quan trọng Để kiểm chứng tính xác hệ thống thuật tốn, tơi đưa giải pháp kiểm tra Hình 3.1 Hình 3.1: Quy trình kiểm tra mơ hình thuật tốn hệ thống đề xuất Từ quy trình trên, ta thấy mơ hình hệ thống sử dụng Hình 2.1 với số lượng nhiều máy phát SN máy thu FN Ta coi khoảng cách SN FN với d  10 2 m Ta xét số lượng máy SN 10 máy, tương ứng với NS = 10 trạng thái giám sát mạng Thuật tốn huấn luyện Chương tơi trình bày có tham số quan trọng khoảng tin cậy  để thuật toán tối ưu, yếu tố tác động môi trường hay nhiễu, phân tử xem xét kết tán bất thường nên tham số có liên quan đến môi trường tham số vân tốc trôi v Cuối cùng, ta thấy thuật toán dựa quan sát kiện khuếch tán bất thường 34 xảy máy SN nên ảnh hưởng xác suất kiện xảy pE đóng vai trò quan trọng Vì nên chương này, tơi đánh giá thông lượng hệ thống dựa tham số quan trọng là:  , v pE 3.2 Đánh giá ảnh hưởng độ tin cậy lên hệ thống Để minh họa hành vi thuật toán tơi có kết tán bất thường, tơi xem xét mơi trường chất lỏng có vận tốc trơi ν = 0.01 m/s, ρE = 0.5, ρD = 1, số mũ ổn định α = 1.2 tham số quy mô σ = 0.01 cho liên kết SN-FN Tơi giả định mạng chọn khe thời gian tập thời gian {1.3, 1.4, 1.5, 1.6, 1.7} Hình 3.2: Thơng lượng với độ tin cậy 0.3 0.02 Hình 3.2 so sánh thơng lượng cho khoảng thời gian khe thời gian thu  trực tiếp từ mô Monte Carlo từ tham số ước tính A sử dụng thuật tốn cho khoảng thời gian khe thời gian riêng biệt với độ tin cậy  = 35 0.02   0.3 Ta nhận thấy ước tính từ thuật tốn phù hợp với thơng lượng thu từ mơ Monte Carlo Hình 3.3: Thơng lượng với độ tin cậy 0.5 0.9 Hình 3.3 so sánh thông lượng cho khoảng thời gian khe thời gian thu  trực tiếp từ mô Monte Carlo từ tham số ước tính A sử dụng thuật toán cho khoảng thời gian khe thời gian riêng biệt với độ tin cậy  = 0.5   0.9 ta thấy thời điểm 1.65 thơng lượng có sai số Từ hai hình trên, tơi nhận thấy ước tính từ thuật tốn phù hợp với thông lượng thu từ mô Monte Carlo Ta thấy điều hàm ý thuật tốn tơi có thơng lượng tối ưu ảnh hưởng độ tin cậy phù hợp với thuật toán huấn luyện ta chọn khoảng tin cậy công thức (2.10) Chương 3.3 Đánh giá ảnh hưởng vận tốc trôi lên hệ thống Để minh họa hành vi thuật tốn tơi có kết tán bất thường, xem xét môi trường chất lỏng có vận tốc trơi ρE = 0.5, ρD = 1, số mũ ổn định α = 1.2 36 tham số quy mô σ = 0.01 cho liên kết SN-FN Tôi giả định mạng chọn khe thời gian tập thời gian {1.3, 1.4, 1.5, 1.6, 1.7} Hình 3.4: Thơng lượng với vận tốc trơi m/s 0.1 m/s Hình 3.4 so sánh thông lượng cho khoảng thời gian khe thời gian thu  trực tiếp từ mô Monte Carlo từ tham số ước tính A sử dụng thuật tốn cho khoảng thời gian khe thời gian riêng biệt với vận tốc trôi v  m/s v  0.1 m/s Ta thấy tăng vận tốc lên phân tử chuyển động nhanh làm tăng thông lượng hệ thống 37 Hình 3.5: Thơng lượng với vận tốc trơi 0.15 0.2 Hình 3.5 cho thấy ảnh hưởng vận tốc trơi nên mơi trường mà có vận tốc trơi lớn làm thơng lượng hệ thống càng tăng Nhưng có xuất lỗi số khe thời gian Từ ta nhận thấy vận tốc trơi v 0,0.1 m/s Hệ thống có thơng lượng tối ưu theo thuật tốn huấn luyện lỗi xảy 3.4 Đánh giá ảnh hưởng xác suất kiện xảy khuếch tán bất thường Để minh họa hành vi thuật tốn tơi có kết tán bất thường, tơi xem xét mơi trường chất lỏng có vận tốc trơi v  0.01 m/s ρD = 1, số mũ ổn định α = 1.2 tham số quy mô σ = 0.01 độ tin cậy  = 0.02 cho liên kết SN-FN Tơi giả định mạng chọn khe thời gian tập thời gian {1.3, 1.4, 1.5, 1.6, 1.7} 38 Hình 3.6: Thơng lượng với PE = 0.1 PE = 0.5 Hình 3.5 so sánh thông lượng cho khoảng thời gian khe thời gian thu  trực tiếp từ mơ Monte Carlo từ tham số ước tính A sử dụng thuật toán cho khoảng thời gian khe thời gian riêng biệt với pE  0.1và pE  0.5 ta thấy xác suất xuất kiện khuếch tán bất thường xảy nhỏ thơng lượng đạt lớn 39 Hình 3.7: Thơng lượng với pE = 0.7 0.8 Hình 3.7 ta thấy thơng lượng hệ thống có xác suất xảy khuếch tán bất thường pE  0.7 pE  0.8 ta thấy xuất lỗi khe thời gian Từ đó, ta thấy xác suất xuất kiên xảy khuếch tán có ảnh hưởng lớn đến mơ hình hệ thống thuật tốn sử dụng Thuật tốn hồn hảo với xác suất pE  0.1;0.5 đảm bảo thơng lượng độ xác 3.4 Kết luận chương Từ đánh giá tham số độ tin cậy, vận tốc trôi xác suất xuất kiện, ta thấy thuật toán ước lượng từ thuật tốn phù hợp với thơng lượng thu từ mơ Monte Carlo Do đó, thuật tốn tơi áp dụng cho hệ thống truyền thông phân tử với trình kết tán miễn bước tăng độc lập lần chuyển cho liên kết SN FN độc lập 40 CHƯƠNG - KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 4.1 Kết luận Từ nghiên cứu chủ đề đại “mạng truyền thông phân tử’’, luận văn trình tồn diện khái niệm, ý tưởng, tiền đề xây dựng mạng phân tử tương lai Luận văn đóng góp xây dựng mơ hình truyền thơng phân tử với kết tán bất thường xảy thuật toán huấn luyện tăng cường Luận văn đề xuất chứng minh ưu điểm việc sử dụng thuật toán huấn luyện nhằm tối ưu hóa thơng lượng có kết tán bất thường xảy truyền thông phân tử 4.2 Hướng phát triển Một tính thuật tốn tơi khơng dựa vào kiến thức thống kê chi tiết tiến triển kết tán mà cung cấp bảo đảm xác suất thông lượng tối ưu Kết mô cho thấy hiệu tốt thu với thời gian huấn luyện ngắn, mở mơ hình MISO, cải thiện mơ hình cũ SISO nghiên cứu thử nghiệm Nhờ kết nghiên cứu, tìm hiểu xây dựng thuật tốn trên, xây dựng mơ hình thuật tốn huấn luyện dùng cho mạng truyền thông phân tử với kết tán bất thường, tương lai, tơi xây dựng thêm mơ hình với với nhiều đầu vào nhiều đầu (MIMO) đảm bảo hệ thống hoạt động ổn định với trình khuếch tán 41 DANH MỤC TÀI LIỆU THAM KHẢO [1] T H A W E Tadashi Nakano, Molecular Communication 2013 [2] M M T Nakano, F Wei, A Vasilaks, and J Shuai, "Molecular communication and networking: opportunities and challenges," IEEE Trans on Nanobioscience, vol 11, pp 135–148, 2012 [3] H B Y N Farsad, A Eckford, C B Chae, and W Guo, "A comprehensive survey of recent advancements in molecular communication," IEEE Commun Surveys Tutorials, vol 18, pp 1887–1919, 2016 [4] A W E K V Srinivas, and R S Adve, "Molecular communication in fluid media: The additive inverse gaussian noise channel," IEEE Trans Inf Theory, vol 58, pp 4678–4692, 2012 [5] M E e al, "Variance-constrained capacity of the molecular timing channel with synchronization error," in IEEE GLOBECOM, Austin, TX, pp 1473– 1478, Dec 2014 [6] F F I Akyildiz, R Sivakumar, C Forest, and B Hammer, "MoNaCo: fundamentals of molecular nano-communication networks," IEEE Wireless Commun, vol 19, pp 12–18, 2012 [7] L S M H.-J Chiu, P C Yeh, and C H Lee, "Near-optimal low complexity receiver design for diffusion-based molecular communication," in IEEE GLOBECOM, Atlanta GA, pp 3372–3377, Dec 2013 [8] L L Cam, "An approximation theorem for the Poisson binomial distribution," Pacific J Math, vol 10, pp 1181–1197, 1960 [9] L Chen, "On the convergence of Poisson binomial to Poisson distributions," The Annals of Probability, vol 2, pp 178–180, 1974 [10] L P K e al, "Reinforcement learning: A survey," Journal of Artificial Intelligence Research, vol 4, pp 237–285, 1996 42 [11] C C A Noel, and R Schober, "Improving receiver performance of diffusive molecular communication with enzymes," IEEE Trans on NanoBioscience, vol 13, pp 31–43, 2014 [12] A D e al, "Asymptotic minimax character of the sample distribution function and of the classical multinomial estimator," The Annals of Mathematical Statistics, vol 27, pp 642-669, 1956 ... 1- TỔNG QUAN VỀ MẠNG LIÊN LẠC PHÂN TỬ 1.1 Tổng quan mạng liên lạc phân tử 1.1.1 Giới thiệu 1.1.2 Phân tử sinh học tự nhiên 1.1.3 Liên lạc phân tử hệ thống sinh... hướng chuyển động phân tử vận chuyển, phân tử giao diện cho phép phân tử vận chuyển phân loại phân tử thơng tin cách có chọn lọc giải phân tử, gắn với phân tử thông tin phân tử giao diện để định... kết hợp nhiều số lượng máy phát phân tử truyền thích ứng mơi trường chuyển động khác Chính u cầu cấp thiết trên, luận văn giới thiệu đề tài Nghiên cứu mạng liên lạc phân tử với kết tán bất thường