2.4.1 Tổng quan về máy học
Những năm gần đây, trí tuệ nhân tạo hay cụ thể hơn là máy học (Machine Learning) nổi lên như một bằng chứng của cuộc cách mạng cơng nghiệp lần thứ tư. Trí tuệ nhân tạo đang len lỏi vào mọi lĩnh vực trong đời sống mà có thể chúng ta khơng nhận ra. Xe tự hành của Google và Tesla, hệ thống tự gắn khuôn mặt trong ảnh của Facebook, trợ lý ảo Siri của Apple, hệ thống gợi ý sản phẩm của Amazon, hệ thống gợi ý phim của Netflix, máy chơi cờ vây AlphaGo của Google DeepMind,. . . và đó chỉ là một vài trong vơ vàn những ứng dụng của trí tuệ nhân tạo và máy học.
Máy học là một lĩnh vực nhỏ của khoa học máy tính, nó có khả năng tự học hỏi dựa trên dữ liệu đưa vào mà không cần phải được lập trình cụ thể về nhiệm vụ cần thực hiện. Khi mà khả năng tính tốn của các máy tính được nâng lên một tầm cao mới và lượng dữ liệu khổng lồ được thu thập bởi các hãng công nghệ lớn, máy học đã tiến thêm một bước dài khi các mơ hình mới được nghiên cứu sâu hơn đó là mạng học sâu. Mạng học sâu (DNN) đã giúp máy tính thực thi những việc tưởng chừng như không thể vào 10 năm trước: phân loại cả ngàn vật thể khác nhau trong các bức ảnh, tự tạo chú thích cho ảnh, bắt chước giọng nói và chữ viết của con người, giao tiếp với con người, hay thậm chí cả sáng tác văn hay âm nhạc.
2.4.2 Cấu trúc mạng học sâu DNN
Mạng học sâu là một mạng neuron nhân tạo, tập hợp các phương pháp học tập được huấn luyện để mơ hình hóa dữ liệu với các kiến trúc phức tạp kết hợp các phép biến đổi phi tuyến tính khác nhau. Kiến trúc cơ bản của việc học sâu là các nơron thần kinh được kết hợp để tạo thành các mạng thần kinh sâu (DNN) bao gồm một lớp đầu vào, một lớp đầu ra và có nhiều lớp ẩn.
L p n 1 L p n 2 L p n N L p đ u ra L p đ u vào
CHƯƠNG 2. LÝ THUYẾT TỔNG QUAN
Mơ hình mạng neuron nhân tạo truyền thẳng ra đời đã được áp dụng nhiều trong các bài toán nhận dạng, dự đoán kết quả từ dữ liệu đầu vào bất kỳ,... Tuy nhiên mạng neuron truyền thẳng vẫn cịn có những hạn chế nhất định, chính sự liên kết quá đầy đủ tạo nên những hạn chế cho mơ hình này.
2.4.3 Phân loại mạng neuron nhân tạo
Có nhiều cách để phân loại mạng neuron nhân tạo, dưới đây là một số tiêu chí thường gặp:
• Phân loại theo số lớp bao gồm:
- Mạng một lớp (mạng đơn neuron): mạng chỉ gồm 1 neuron. - Mạng nhiều lớp (mạng đa neuron): mạng gồm nhiều neuron.
• Phân loại theo chiều dữ liệu
- Mạng truyền thẳng: các dữ liệu trong mạng chỉ đi theo một chiều từ ngõ vào đến ngõ ra. - Mạng hồi quy: các tín hiệu từ ngõ ra trở về ngõ vào.
Hình 2.12: Hai mơ hình mạng neuron nhân tạo một lớp: a. Mạng truyền thẳng 1 lớp; b. Mạng hồi quy 1 lớp.
Hình 2.13: Mạng hồi quy nhiều lớp
CHƯƠNG 3
PHÂN TÍCH VÀ ĐÁNH GIÁ HIỆU NĂNG CỦA MẠNG VƠ TUYẾN NHẬN THỨC NOMA 2 NGƯỜI DÙNG
3.1 Mơ hình hệ thống Ngu n phát s c p Ng i dùng s c p Ngu n phát th c p Relay phát th c p Ng i dùng g n th c p Tín hi u can nhi u Ng i dùng xa th c p Tín hi u mong mu n
Hình 3.1: Mơ hình đề xuất của mạng vơ tuyến nhận thức NOMA 2 người dùng