CHƯƠNG 4 : KẾT QUẢ THỰC HIỆN VÀ ĐÁNH GIÁ HIỆU QUẢ
4.5 Đánh giá hiệu quả của các thuật toán đề xuất
Phần này so sánh hiệu suất của việc phân nhóm người dùng bằng các phương pháp machine learning trong NOMA mMIMO so với mMIMO thuần túy khơng có NOMA và kiểm chứng độ lợi khi sử dụng các nhóm thuật tốn.
Qua kết quả mơ phỏng ta thấy, khi số lượng người dùng tăng lên ở mỗi cell thì hiệu suất phổ hệ thống suy giảm. Điều này ghi nhận ở cả mạng gồm 1 cell và 4 cell với bất kỳ hình thức phân bố UE. Tuy nhiên, đối với hệ thống NOMA mMIMO mức suy giảm thấp hơn so với mMIMO thuần túy và nhìn chung hệ thống NOMA mMIMO có hiệu suất phổ cao hơn.
Trong kết quả mô phỏng ở mục 4.3, 4.4 ta cũng thấy được khi số lượng cell tăng lên không ảnh hưởng nhiều đến sự khác biệt hiệu suất phổ của hệ thống mMIMO thuần túy so với NOMA mMIMO. Tuy nhiên, khi số lượng group người dùng tăng lên thì tương quan hiệu suất phổ giữa hệ thống mMIMO thuần túy so với NOMA mMIMO thay đổi rõ rệt. Điều này có thể lý giải do khi hệ thống nhận rõ sự phân biệt giữa các người dùng thì hiệu suất phổ càng cao.
Ngoài ra, so sánh giữa 2 phương pháp phân nhóm người dùng sử dụng machine learning là K-means và K-medoids thì phương pháp K-means đem lại hiệu suất phổ tốt hơn trong tất cả các trường hợp mơ phỏng. Và việc sử dụng phân nhóm người dùng trong NOMA mMIMO cũng đem lại hiệu suất phổ cao hơn so với dùng NOMA mMIMO mà không phân loại người dùng.
4.6 Kết luận chương
Trong chương này, ta đã thực hiện mô phỏng và đánh giá hiệu suất phổ của hệ thống mMIMO thuần túy và NOMA mMIMO ở các trường hợp mạng 1 cell và mạng có 4 cell. Qua kết quả mơ phỏng, ta thấy được NOMA miền mã có thể cải thiện được hiệu suất phổ của hệ thống mMIMO.
Ngoài ra, việc ứng dụng các phương pháp machine learning để phân loại người dùng giúp cải thiện hơn nữa hiệu suất phổ trong hệ thống NOMA mMIMO miền mã so với phân loại thông thường.
KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN CỦA ĐỀ 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 đầy đủ và đạt được những yêu cầu về nội dung như đã đặt ra.
HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
Do điều kiện và thời gian cịn hạn chế nên tơi chưa thể nghiên cứu sâu hơn để đánh giá hiệu suất phổ đối với hướng downlink (DL). Ngoài 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 toán 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.
TÀI LIỆU THAM KHẢO
[1] M. T. P. Le, L. Sanguinetti, E. Björnson and M.-G. Di Benedetto, "What is the benefit of code-domain NOMA in massive MIMO", Proc. IEEE 30th Annu. Int. Symp. Personal Indoor Mobile Radio Commun. (PIMRC), pp. 1-5, Sep. 2019.
[2] K. Senel, H. V. Cheng, E. Björnson and E. G. Larsson, "What role can NOMA play in massive MIMO?", IEEE Journal of Selected Topics in Signal Processing., vol. 13, no. 3, pp. 597-611, Jun. 2019.
[3] https://www.statista.com/statistics/277125/share-of-website-traffic-coming- from-mobile-devices, May.2022.
[4] Nguyễn Duy Nhật Viễn, “Kỹ thuật đa truy cập phi trực giao trong mạng thông tin di động thế hệ thứ 5”, 2019.
[5] F. A. Monteiro, O. L. A. López and H. Alves, "Massive Wireless Energy Transfer With Statistical CSI Beamforming," IEEE Journal of Selected Topics in Signal Processing, vol. 15, no. 5, pp. 1169-1184, Aug. 2021.
[6] E. Björnson, J. Hoydis and L. Sanguinetti, "Massive MIMO networks: Spectral energy and hardware efficiency", Foundations Trends Signal Process., vol. 11, no. 3/4, pp. 154-655, 2017.
[7] D. Kudathanthirige and G. A. A. Baduge, "NOMA-aided multicell downlink massive MIMO", IEEE Journal of Selected Topics in Signal Processing, vol. 13, no. 3, pp. 612-627, Jun. 2019.