MỤC LỤC
4G (Thá hằ thự tữ): Thá hằ thự tữ cừa cổng nghằ truyãn thổng di ởng  giợi thiằu cổng nghằ tián hõa d i hÔn (LTE), cung cĐp tốc ở truyãn dỳ liằu thêm chẵ cỏn nhanh hỡn v khÊ nông kát nối ữủc cÊi thiằn. 5G (Thá hằ thự nôm): Thá hằ thự nôm cừa cổng nghằ truyãn thổng di ởng  giợi thiằu cĂc dÊi tƯn số v cổng nghằ mợi nhữ sõng milimet (mmWave) v MIMO lợn º cung cĐp tốc ở truyãn dỳ liằu nhanh hỡn v kát nối ữủc cÊi thiằn.
3G (Thá hằ thự ba): Thá hằ thự ba cừa cổng nghằ truyãn thổng di ởng giợi thiằu truyãn dỳ liằu chuyºn mÔch gõi, cho ph²p sỷ dửng cĂc ựng dửng a phữỡng tiằn nhữ gồi video v duyằt internet di ởng. Nhên thĐy rơng vợi sỹ gia tông ởt phĂ cừa số lữủng thuả bao di ởng v cĂc thiát bà khổng dƠy, cũng vợi sỹ xuĐt hiằn nhanh chõng cừa cĂc ựng dửng v cổng nghằ mợi nhữ thỹc tá Êo (VR), thỹc tá tông cữớng (AR), thỹc tá hộn hủp (MR), tỹ ởng hõa trong cổng nghiằp,.
Sỹ tẵch hủp ch°t ch³ giỳa trẵ tuằ nhƠn tÔo v mÔng khổng dƠy khổng ch¿ giúp tối ữu hõa cĂc chực nông tỹ ởng m cỏn Êm bÊo sỹ linh hoÔt v khÊ nông thẵch ựng ối vợi cĂc yảu cƯu ng y c ng phực tÔp cừa ngữới dũng v ựng dửng. Truyãn thổng tin v thu nhêp nông lữủng vổ tuyán ỗng thới (SWIPT) l mởt cÊi tián quan trồng trong mổ hẳnh kát nối khổng dƠy, cho ph²p cĂc thiát bà thổng minh khổng ch¿ truy cêp v o hằ thống m cỏn tữỡng tĂc vợi cĂc thiát bà khĂc mởt cĂch hiằu quÊ.
PhƯn tỷ phÊn xÔ thổng minh: ữủc xem l kÿ thuêt nời bêt trong truyãn thổng vổ tuyán, kÿ thuêt n y giúp cÊi thiằn cĂc yáu tố nhữ tốc ở dỳ liằu, hiằu suĐt phờ, hiằu suĐt nông lữủng,. °c biằt, cĂc kÿ thuêt ữợc tẵnh kảnh phÊi cõ khÊ nông ữợc tẵnh chẵnh xĂc cĂc tham số kảnh giỳa BS-IRS-ngữới dũng, ỗng thới tẵnh án cĂc tữỡng tĂc phực tÔp giúa chóng.
Tuy nhiản, trong thỹc tá, cĂc giÊ ành v thổng tin n y cõ thº khổng chẵnh xĂc ho°c khổng biát chẵnh xĂc, gƠy ra sai lằch v sai số trong quĂ trẳnh ữợc lữủng kảnh. Vợi nhỳng lỵ do trản, luƠn vôn xĂc ành ã t i nghiản cựu "ìợc lữủng kảnh truyãn hằ thống thổng tin cõ phƯn tỷ phÊn xÔ thổng minh (IRS)".
Shadowing ữủc sinh ra bði cĂc vêt cÊn giỳa mĂy phĂt v mĂy thu, l m giÊm cổng suĐt tẵn hiằu bði cĂc hiằn tữủng vêt lỵ hĐp thu nông lữủng, phÊn xÔ (reflection), tĂn xÔ (scattering) v nhiạu xÔ (diffraction). Ngo i cĂc mổ hẳnh ð trản, mởt số mổ hẳnh thỹc nghiằm ngo i trới cõ thº ữủc xem x²t tũy thuởc v o iãu kiằn mổ phọng: mổ hẳnh Okumura (sỷ dửng trong khu vỹc ổ thà), mổ hẳnh Hata (sỷ dửng trong mổ hẳnh ổ thà, ngoÔi ổ, nổng thổn,..).
G l ma trên kảnh truyãn gỗm tờng ma trên kảnh truyãn LoS (GLoS) v ma trên kảnh truyãn (GN LoS).
Ngo i nhỳng nhữủc iºm  nõi ð trản cừa cĂc cổng nghằ 5G hiằn cõ, mởt nút thưt cuối cũng º Ôt ữủc truyãn thổng khổng dƠy cõ dung lữủng cỹc cao v cỹc ký Ăng tin cêy nơm ð mổi trữớng truyãn sõng khổng dƠy ngău nhiản v phƯn lợn khổng thº kiºm soĂt ữủc, gƠy ra hiằn tữủng fading khổng mong muốn v suy giÊm/bián dÔng tẵn hiằu gƠy bĐt lủi cho hiằu suĐt hằ thống khổng dƠy. Ch¯ng hÔn, ối vợi ngữới dũng nơm ð "vũng chát" cừa trÔm gốc, nỡi cõ vêt cÊn ð giỳa, IRS cõ thº tÔo ra mởt mổi trữớng truyãn line-of-sight (LoS) Êo, cÊi thiằn Ăng kº chĐt lữủng kát nối.
Do tẵnh chĐt thuên nghàch cừa kảnh trong cĂc hằ thống TDD, CSI ữớng xuống (downlink-DL) cõ thº thu ữủc tứ ữợc tẵnh kảnh ữớng lản (uplink-UL) trong hằ thống IRS-aMUC. Gồi kảnh truyãn cừa cĂc liản kát Uk−BS, Uk−IRS, IRS−BS lƯn lữủt l dk ∈CMì1,fk ∈CNì1,G∈CMìN.Uk−IRS−BS cõ thº xem l mởt c°p kảnh tĂn xÔ ngữủc trong õ mội phƯn tỷ tÔi IRS kát hủp tĐt cÊ cĂc tẵn hiằu án v phÊn xÔ chúng án BS hoÔt ởng nhữ mởt iºm nguỗn duy nhĐt [11].
º tĂch tẵn hiằu cừa mội ngữới dũng (user), ta s³ tên dửng tẵnh chĐt trỹc giao cừa cĂc tẵn hiằu ngữới dũng vợi nhau. Ta s³ thiát káPnhữ mởt ph²p bián ời Fourier rới rÔc (DFT) º cÊi thiằn tẵn hiằu thu ữủc tÔi BS.
Luên vôn têp trung v o cĂc hằ thống liản lÔc ữủc IRS hộ trủ (IRS-aMUC) º khai thĂc thổng minh cĂc tẵnh nông cừa kảnh, nhơm cÊi thiằn ở chẵnh xĂc cừa ữợc tẵnh kảnh. Phữỡng phĂp ữủc ã xuĐt bao gỗm viằc sỷ dửng giĂ trà ữợc tẵnh kảnh dỹa trản Least Squares (LS) l m giĂ trà ữợc tẵnh thổ ban Ưu, sau õ mổ hẳnh hõa ữợc tẵnh kảnh nhữ mởt vĐn ã khỷ nhiạu º nƠng cao chĐt lữủng cừa ữợc tẵnh.
Viằc thảm loÔi kát nối 'tưt' trong ResNet mang lÔi nhiãu ữu iºm, trong õ mởt trong nhỳng ữu iºm quan trồng l khÊ nông quy chuân hõa (regularization) thổng qua viằc bọ qua bĐt ký lợp n o cõ thº Ênh hữðng án hiằu suĐt cừa kián trúc. Cỡ chá residual learning cừa ResNet cho ph²p thổng tin truyãn qua ữớng tưt mởt cĂch dạ d ng hỡn, giÊm thiºu tẳnh trÔng Vanishing/Exploding Gradient, do õ, tông khÊ nông huĐn luyằn mÔng nỡron sƠu m khổng g°p cĂc vĐn ã lợn liản quan án gradient [15].
Dense Connectivity tứ DenseNet: Mổ hẳnh cỏn tẵch hủp cỡ chá "dense connec- tivity" tứ DenseNet, trong õ mội lợp Ưu ra nhên thổng tin khổng ch¿ tứ lợp trữợc õ m cỏn tứ tĐt cÊ cĂc lợp trữợc õ trong chuội. Sỹ kát hủp linh hoÔt cừa cĂc dense residual blocks giúp mổ hẳnh hiằu quÊ trong viằc hồc biºu diạn phực tÔp cừa dỳ liằu m khổng g°p vĐn ã cừa gradient bián mĐt (s³ ữủc trẳnh b i trong mổ hẳnh ựng dửng ð chữỡng tiáp theo).
Bơng cĂch kát hủp cÊ hai th nh phƯn n y, RDN cõ khÊ nông hồc ữủc biºu diạn phực tÔp v chi tiát cừa dỳ liằu, ỗng thới giÊm thiºu vĐn ã bián mĐt gradient v tên dửng sực mÔnh cừa mổ hẳnh vợi cĂc liản kát ch°t ch³. Sỹ so sĂnh giỳa phữỡng phĂp truyãn thống v phữỡng phĂp hồc sƠu s³ l m nời bêt nhỳng ữu iºm v °c iºm cừa tứng phữỡng phĂp, giúp tÔo ra cĂi nhẳn to n diằn vã quĂ trẳnh nghiản cựu v ựng dửng.
Trong luên vôn n y, phữỡng phĂp ữợc lữủng dũng chuội huĐn luyằn kát hủp vợi ma trên dàch pha cừa IRS Â ữủc trẳnh b y trong phƯn 2.3.2.
ìợc lữủng dỹa trản mĂy hồc (machine learning): CĂc kÿ thuêt mĂy hồc, ch¯ng hÔn nhữ hồc sƠu (deep learning), cõ thº ữủc sỷ dửng º ữợc lữủng cĂc tham số kảnh trong hằ thống sỷ dửng IRS. CƯn lữu ỵ rơng ữợc lữủng kảnh trong hằ thống sỷ dửng IRS cõ thº khõ khôn do số lữủng lợn cĂc yáu tố phÊn xÔ, mổi trữớng khổng gian bián ời khổng dƠy v nhu cƯu iãu ch¿nh thới gian thỹc.
Dỳ liằu huĐn luyằn bao gỗm cĂc o lữớng kảnh v cĂc °c iºm kảnh tữỡng ựng cõ thº ữủc sỷ dửng º huĐn luyằn mởt mÔng neural ho°c cĂc mổ hẳnh hồc khĂc cho viằc ữợc lữủng kảnh. Do õ, nhiãu nghiản cựu ang ữủc tián h nh º phĂt triºn cĂc kÿ thuêt ữợc lữủng kảnh hiằu quÊ v chẵnh xĂc hỡn °c biằt d nh cho hằ thống thổng tin vổ tuyán cõ sỹ hộ trủ cừa IRS.
RDN sỷ dửng khối hồc dữ d y °c (RDB), mội khối bao gỗm nhiãu lợp Convolutional (Conv) ữủc kát nối d y °c v ữủc tẵch hủp º hồc dữ cửc bở (LRDN). Tõm lÔi, bở ữợc lữủng mĂy hồc l phữỡng phĂp tiáp cên dỹa trản dỳ liằu bơng cĂch giÊm thiºu MSE theo kinh nghiằm quan sĂt dỹa trản têp huĐn luyằn trong khi MMSE tối ữu l phữỡng phĂp dỹa trản mổ hẳnh bơng cĂch giÊm thiºu MSE Bayes dỹa trản PDF trữợc õ.
Khi cĂc tẵn hiằu ngữới dũng phĂt trản cĂc kảnh trỹc giao thẳ tẵn hiằu trản ngữới dũng thự k s³ khổng cõ can nhiạu tứ nhỳng ngữới dũng khĂc.
Sau õ cĂc số liằu thu ữủc cụng nhữ Ănh giĂ nhên x²t vã kát quÊ khi thỹc hiằn tiáp cên b i toĂn ữợc lữủng kảnh truyãn trong hằ thống bơng phữỡng phĂp. QuĂ trẳnh mổ phọng ữủc thỹc hiằn theo cĂc bữợc, Ưu tiản l tÔo têp dỳ liằu mổ phọng mổi trữớng, sau õ sỷ dửng têp dỳ liằu º huĐn luyằn mổ hẳnh DL dũng giÊi thuêt CDRN v RDN, tiáp theo thỹc hiằn chÔy thỷ v thu thêp kát quÊ kiºm tra sau quĂ trẳnh huĐn luyằn, tiáp tửc giÊi lÔi bơng phữỡnng phĂp ữợc lữủng truyãn thống, cuối cũng l so sĂnh, Ănh giĂ v nhên x²t cĂc kát quÊ.
V º xem x²t tĂc ởng cừa cĂc yáu tố suy hao kảnh truyãn, cĂc th nh phƯn trong mổ hẳnh kảnh Rician n y sau õ ữủc nhƠn vợi p. Tiáp theo, trung bẳnh bẳnh phữỡng sai số chuân hõa (NMSE) ữủc sỷ dửng l m thữợc o cho hiằu suĐt ữợc lữủng kảnh truyãn:. Trong õ,He v HlƯn lữủt biºu diạn cho kảnh ữợc lữủng v kảnh thỹc tá. z) ữủc sỷ dửng º Ănh giĂ cĂc mổ phọng dỹa trản tẵnh toĂn tốc ở kảnh truyãn.
°c trững khổng gian cừa kảnh theo cĂch tiáp cên dỹa trản dỳ liằu nản s³ cõ sai số thĐp hỡn LMMSE (LMMSE ữủc phĂt triºn dỹa trản cổng cử ữợc lữủng tuyán tẵnh cõ r ng buởc). So vợi mổ hẳnh CDRN thẳ RDB cho sai số tốt hỡn do RDB têp trung trẵch xuĐt °c trững bao gỗm Ưu v o v Ưu ra mÔng CNN trong khi CDRN trẵch xuĐt °c trững cừa nhiạu.
Vợi mội khung truyãn, luên vôn s³ ữợc lữủng kảnh º sau õ sỷ dửng thuêt toĂn cừa [21] º tẵnh toĂn beamforming trản BS v ma trên lằch pha cừa IRS (W, θ). Kát luên: Tứ kát quÊ ữủc thº hiằn trong ỗ thà, luên vôn nhên thĐy phữỡng phĂp sỷ dửng DL cho kát quÊ ữợc lữủng kảnh tốt khi số lữủng phƯn tỷ phÊn xÔ, số khung truyãn tông v SNR tông.
Kát quÊ cụng l m nời bêt mởt khoÊng chảnh lằch Ăng kº, lản án 10 lƯn, giỳa kát quÊ cừa mổ hẳnh Deep Learning v mổ hẳnh truyãn thống. Tuy nhiản, cụng nhên thĐy rơng sỹ chảnh lằch n y cõ thº phử thuởc v o số lữủng phƯn tỷ phÊn xÔ thổng minh, số lữủng anten phĂt tÔi trÔm cỡ sð (BS), hay số lữủng khung truyãn, tũy thuởc v o iãu kiằn cử thº cừa hằ thống thỹc tá.
Luên vôn thỹc hiằn cÊ 2 hữợng ữợc lữủng kảnh truyãn, tứ õ mổ hẳnh DL cho kát quÊ khỷ nhiạu tốt hỡn. Tuy nhiản, cÊ 2 ãu cõ ữu nhữủc iºm riảng, vợi cĂch truyãn thống kát quÊ sai số k²m hỡn những viằc tẵnh toĂn s³ phực tÔp hỡn, ối vợi DL thẳ khưc phửc ữủc viằc sai số lợn những cƯn phƯn cựng v khối lữủng dỳ liằu huĐn luyằn lợn.
Yuan, Deep residual learning for channel estimation in intelligent reflecting surface-assisted multi-user communications, IEEE Transactions on Wireless Communications, vol. TuƠn, Tối ữu tốc ở dỳ liằu trong hằ thống miso cõ sỹ hộ trủ cừa bã m°t phÊn xÔ thổng minh dũng hồc sƠu tông cữớng, Master's thesis, Ho Chi Minh City University of Technology (HCMUT), 2023.