TÀI
KẾT LUẬN:
Luận văn với tên đề tài: “Ứng dụng machine learning trong việc
tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO” đã thực
hiện được những mục tiêu:
- Nghiên cứu mơ hình hệ thống và kênh truyền hệ thống NOMA- massive MIMO, tính tốn hiệu suất phổ của hệ thống NOMA-massive MIMO.
- Ứng dụng và phát triển thuật toán unsupervised learning trong phân loại người dùng qua đó giúp nâng cao hiệu suất phổ hệ thống NOMA massive MIMO.
- Xây dựng chương trình mơ phỏng giúp đánh giá hiệu quả của mơ hình và thuật tốn trong việc tăng hiệu suất phổ hệ thống NOMA massive MIMO.
Luận văn đã thu được những kết quả chính như sau:
- Nghiên cứu đặc điểm, đặc trưng các loại hình dịch vụ trong mạng 5G và sau 5G qua đó đánh giá khả năng áp dụng NOMA trong hệ thống massive MIMO để nâng cao hiệu năng của hệ thống.
- Đề xuất mơ hình hệ thống, các phương pháp xử lý tín hiệu số của NOMA-massive MIMO cho các loại hình trạm trong 5G và sau 5G dựa trên mơ hình tính tốn cụ thể.
- Đề xuất các phương pháp máy học (machine learning) trong việc phân loại người dùng để nâng cao hiệu năng của hệ thống.
- Kết quả của đề tài nêu ra một số cơ sở lý thuyết để cung cấp khả năng, hướng áp dụng nhằm giải quyết các vấn đề phát sinh khi triển khai các mạng di dộng sử dụng Massive MIMO.
Từ các kết quả đạt được ở trên, chúng tơi có thể kết luận được rằng luận văn với đề tài: “Ứng dụng machine learning trong việc tăng
hiệu suất phổ hệ thống NOMA MASSIVE MIMO” đã hoàn thành
Do điều kiện và thời gian còn hạn chế nên tôi chưa thể nghiên cứu sâu hơn để đánh giá hiệu suất phổ đối với hướng downlink (DL). Ngồi ra, đề tài có thể đánh giá thêm hiệu quả sử dụng năng lượng của hệ thống. Bên cạnh đó, việc áp dụng thêm một số thuật tốn phân loại người dùng khác như Clara…có thể giúp đánh giá rõ ràng hơn những ứng dụng của machine learning trong việc tăng hiệu suất hệ thống NOMA massive MIMO nói chung.