Ứng dụng học sâu cho phân loại điều chế tự động trong hệ thống OFDM
MỤC LỤC
Phân loại các kỹ thuật học máy
Học máy (ML) là một tập con của trí tuệ nhân tạo (AI) cung cấp cho máy móc có khả năng tự động học hỏi từ tập dữ liệu và kinh nghiệm có được trong quá khứ để đưa ra sự dự đoán từ đó thực hiện hành động nhằm tối ưu hóa kết quả đạt. Thông qua phân nhóm dữ liệu, phương pháp này giúp ta có thể đào tạo thuật toán học máy (ML) trên chú thích dữ liệu mà không cần gắn nhãn thủ công cho tất cả các dữ liệu đào tạo trước đó, giúp tăng hiệu quả mà không ảnh hưởng đến chất lượng hoặc độ chính xác.
Công nghệ học sâu và khả năng ứng dụng 1 Tổng quan
- Tự động hóa các tính năng: Khi sử dụng học sâu thì khả năng tự động hóa các tính năng là 1 lợi thế lớn, các tính năng mới được thuật toán học sâu tạo ra không cần đến sự can thiệp của con người từ một số lượng hạn chế ngay trong dữ liệu đào tạo. - Lợi thế về thuật toán phân tán và song song: Học sâu sử dụng các thuật toán song song và phân tán giúp cho quá trình học tập và huấn luyện mô hình diễn ra nhanh hơn so với học sâu không sử dụng thuật toán này.
Ứng dụng học sâu trong truyền thông vô tuyến
Trong những năm gần đây học máy đã được nghiên cứu ứng dụng trong truyền thông vô tuyến nhắm đem lại nhưng tiềm năng lớn về khả năng ứng dụng công nghệ xử lý tiên tiến trong đơn giản hoá cấu trúc máy thu phát nâng cao chất lượng truyền dẫn. Các mạng này cho phép kết nối các dịch vụ lớp trên và các tài nguyên vật lý cơ bản: Một mặt, hệ thống vô tuyến ghép kênh theo tần số trực giao cần cung cấp băng thông tới các dịch vụ khác nhau; và mặt khác, hệ thống vô tuyến ghép kênh theo tần số trực giao liên quan đến vấn đề phân bổ tài nguyên theo nhiều chiều, chẳng hạn như bước sóng, khe tần số và khe thời gian. Với sự phức tạp ngày càng tăng, hoạt động thủ công truyền thống trong các hệ thống vô tuyến ghép kênh theo tần số trực giao đòi hỏi quá nhiều thời gian, thiếu khả năng xử lý hệ thống vô tuyến phức ghép kênh theo tần số trực giao phức tạp và quy mô lớn như vậy có thể dẫn tới tối ưu hóa cục bộ thay vì tối ưu hóa toàn cầu.
Để đáp ứng nhu cầu của các hệ thống vô tuyến ghép kênh theo tần số trực giao trong tương lai, nên đưa các thuật toán thông minh vào giám sát, kiểm soát và quản lý mạng vô tuyến ghép kênh theo tần số trực giao để giảm thiểu can thiệp thủ công cũng như tăng mức độ linh hoạt và tự động hóa mạng.
GIẢI PHÁP HỌC SÂU PHÂN LOẠI ĐIỀU CHẾ TỰ ĐỘNG CHO HỆ THỐNG OFDM
Giới thiệu chung
Các công trình khác đã nghiên cứu việc tăng hiệu suất phân loại ở mức SNR thấp hơn thông qua việc sử dụng các bộ phân loại điều chế dành riêng cho SNR [3] và phân cụm dựa trên giá trị SNR [4]. Sau khi lựa chọn các tính năng đầu vào tín hiệu, bước tiếp theo bao gồm việc sử dụng các mô hình học máy để phân biệt các mẫu thống kê trong dữ liệu để phân loại. Các bộ phân loại như máy vectơ hỗ trợ, cây quyết định, K-láng giềng gần nhất và mạng lưới thần kinh thường được sử dụng cho ứng dụng này [8, 9].
Do đó, các phương pháp dựa trên học sâu trong AMC đã trở nên phổ biến hơn do hiệu suất đầy hứa hẹn và khả năng khái quát hóa thành các bộ dữ liệu lớn, phức tạp bao gồm nhiều sơ đồ điều chế tiêu chuẩn và phi tiêu chuẩn.
Phân loại điều chế tự động trong hệ thống OFDM 1 Các nguyên lý cơ bản của OFDM
Dữ liệu được đưa sang bộ chèn dải bảo vệ, sau khi tính toán tính toán các mẫu thời gian tương ứng với các kênh nhánh trong miền tần số thì chèn các khoảng bảo vệ vào để làm giảm nhiễu xuyên ký tự ISI do truyền trên các kênh di động vô tuyến đa đường. Giả sử điều chế tín hiệu ℳ có bảng chữ cái A gồm các ký hiệu M và ký hiệu Am có xác suất được truyền bằng nhau, với phân bố tổng thể được coi là M số phân bố nhiễu AWGN được dịch chuyển sang các ký hiệu điều chế khác nhau, PDF phức tạp của tín hiệu nhận được được cho bởi phương trình (2.1), trong đó 1/M là. Kỹ thuật điều chế đa sóng mang trực giao dựa trên nguyên tắc phân chia luồng dữ liệu có tốc độ cao R (bit/s) thành k luồng dữ liệu thành phần có tốc độ thấp R/k (bit/s); mỗi luồng dữ liệu thành phần được trải phổ với các chuỗi ngẫu nhiên PN có tốc độ Rc (bit/s).
Các phương pháp điều chế bậc thấp hơn và mạnh mẽ hơn như BPSK (điều chế khóa dịch pha nhị phân) và QPSK (điều chế khóa dịch pha cầu phương) thường được chọn khi kênh nhiễu và phức tạp, do hệ thống yêu cầu độ tin cậy liên kết cao.
Ứng dụng phân loại điều chế tự động dựa trên kỹ thuật học sâu cho các hệ thống OFDM
Trong lĩnh vực truyền thông, có nhiều trường hợp, chẳng hạn như liên lạc dưới biển sâu, liên lạc bằng radar, v.v., không thể có được các bộ dữ liệu khổng lồ được gắn nhãn, điều này sẽ dẫn đến hiệu suất kém của các thuật toán AMC dựa trên DL. Trong các năm qua, một số nhà nghiên cứu đã xem xét các giải pháp dựa trên DL thuật toán phân loại điều chế tập trung vào ứng dụng của mạng thần kinh cổ điển (ví dụ: CNN, RNN) trong học sâu để nhận dạng điều biến; và tập trung vào việc xem xét bộ dữ liệu, phương pháp biểu diễn tín hiệu và phương pháp tiếp cận dựa trên học tập sâu trong lĩnh vực phân loại điều chế này. Mặc dù một số nghiên cứu đã có những đóng góp liên quan cho các thuật toán AMC dựa trên DL, hầu hết các nghiên cứu được khảo sát đều tóm tắt các phương pháp AMC sử dụng mạng nơ ron cổ điển và bỏ qua các mô tả liên quan của phương pháp phân loại điều chế học sâu trong môi trường khó khăn.
Trong khuôn khổ đề án này, hệ thống vô tuyến ghép kênh theo tần số trực giao dựa trên OFDM sử dụng phân loại điều chế tự động với học sâu để phát hiện định dạng điều chế của tín hiệu nhận được một cách thích ứng và tự động được nghiên cứu ứng dụng thử nghiệm.
Giải pháp AMC dựa trên học sâu cho hệ thống OFDM
Dữ liệu người dùng được chuyển đổi thành tín hiệu OFDM vô tuyến thích hợp bằng cách điều chế OFDM và được truyền qua các liên kết trong hệ thống vô tuyến ghép kênh theo tần số trực giao được khảo sát. Mô hình học sâu sẽ được huấn luyện bằng cách sử dụng dữ liệu mô phỏng và được áp dụng để nhận dạng các định dạng điều chế của tín hiệu OFDM nhận được sau khi tiền xử lý. Kiến trúc mô hình phân loại điều chế tự động dựa trên học sâu - Dữ liệu đầu vào: Đầu vào của mô hình AMC dựa trên kỹ thuật học sâu là tín hiệu OFDM cần được phân loại thành một trong bốn thảm điều chế được chỉ định.
Trên thực tế, mô hình được phát triển được huấn luyện bằng dữ liệu mô phỏng và có thể phát hiện chính xác bốn tín hiệu điều chế OFDM được chỉ định bao gồm BPSK, QPSK, khóa dịch chuyển 8 pha (8-PSK) và 16-QAM, là những tín hiệu điển hình nhất trong hệ thống vô tuyến.
Tập dữ liệu
- AUC: Là viết tắt của "Area Under the Curve" (Diện tích dưới đường cong ROC), là một chỉ số đo lường hiệu suất tổng thể của mô hình phân loại. Do vậy, để đánh giá hiệu năng của mô hình phân loại điều chế tự động dựa trên kỹ thuật học sâu đã phát triển trong đề án tốt nghiệp nhằm lựa chọn mô hình cho phù hợp, các số liệu hiệu năng chính bao gồm Độ chính xác (Accuracy), Độ nhạy (Sensitivity), Độ đặc hiệu (Specificity), Độ chuẩn xác (Precision) và F1-score được sử dụng và ước lượng. Do tập dữ liệu huấn luyện có thể rất lớn, việc huấn luyện mô hình bằng cách cập nhật trọng số sau khi tính toán lỗi từ toàn bộ tập dữ liệu trong mỗi epoch có thể tốn rất nhiều thời gian và tài nguyên.
Số lượng epochs và kích thước batch là các tham số quan trọng trong quá trình huấn luyện mô hình, ảnh hưởng trực tiếp đến hiệu quả và tốc độ huấn luyện.
Đánh giá hiệu năng
Người ta đã xác minh rằng SNR tốt hơn mang lại độ chính xác phân loại cao hơn và với cùng giá trị SNR, việc phân loại trở nên hiệu quả hơn khi áp dụng điều chế đơn giản hơn. Kết quả thu được cho thấy mô hình dễ dàng xác định mô hình điều chế BPSK có hiệu năng cao nhất trong khi 8-PSK dường như là phân loại kém hiệu quả nhất. Điều này có nghĩa là phương pháp được ứng dụng thử nghiệm trong đề án mang lại hiệu năng tuyệt vời, đặc biệt đối với môi trường truyền dẫn chất lượng cao và có thể phân loại một loạt các lớp điều chế bao gồm BPSK, QPSK, 8-PSK và 16- QAM.
Lưu ý rằng một trong những hạn chế của AMC khi sử dụng học sâu là mô hình phải được đào tạo lại nếu bộ điều chế mới được triển khai trong mạng.
