Đề án Thạc sĩ: Cải thiện hiệu năng mạng LoRa sử dụng kỹ thuật thu thập năng lượng bằng công cụ học sâu

Trong bối cảnh công nghệ 4.0, Internet of Things (IoT) đang phát triển mạnh mẽ, mạng LoRa nổi lên như một giải pháp truyền thông không dây tầm xa, tiêu thụ năng lượng thấp lý tưởng. Tuy nhiên, việc tối ưu hóa hiệu năng của mạng LoRa, đặc biệt khi kết hợp với kỹ thuật thu thập năng lượng vô tuyến, đòi hỏi khả năng dự đoán chính xác và quản lý hiệu quả. Đề tài này đặt trọng tâm vào việc sử dụng học sâu, cụ thể là mạng nơ-ron sâu (DNN), như một công cụ mạnh mẽ để ước lượng hiệu năng mạng, từ đó góp phần nâng cao hiệu quả và độ tin cậy của các hệ thống IoT hiện đại.

Các nhà nghiên cứu, kỹ sư, và sinh viên trong lĩnh vực viễn thông, mạng không dây, Internet of Things (IoT), và trí tuệ nhân tạo, đặc biệt những người quan tâm đến công nghệ LoRa và các giải pháp tối ưu hóa mạng.

Nghiên cứu này khám phá các giải pháp nhằm cải thiện hiệu năng của mạng LoRa trong các ứng dụng Internet of Things (IoT), đặc biệt thông qua việc tích hợp kỹ thuật thu thập năng lượng vô tuyến. Tác giả đã phân tích sâu các thách thức cố hữu của mạng LoRa, bao gồm tiêu thụ năng lượng, phân bổ tài nguyên hiệu quả như hệ số trải phổ (SF), băng thông (BW) và tốc độ mã hóa (CR), cũng như các vấn đề về nhiễu, va chạm gói tin và bảo mật. Để giải quyết những thách thức này và dự đoán chính xác hiệu năng mạng, đề tài đề xuất và phát triển một mô hình học sâu, cụ thể là mạng nơ-ron sâu (DNN), nhằm ước lượng xác suất bao phủ của mạng LoRa khi có sự hỗ trợ của thu thập năng lượng. Cấu trúc nghiên cứu bao gồm tổng quan về mạng LoRa, mô hình hệ thống, thiết kế DNN để ước lượng xác suất bao phủ, và đánh giá kết quả thực nghiệm. Mặc dù sử dụng dữ liệu mô phỏng và còn một số hạn chế về kiến trúc mạng chưa tối ưu, những phát hiện từ đề tài đã chứng minh tiềm năng đáng kể của DNN trong việc nâng cao hiệu suất và độ tin cậy của các hệ thống mạng không dây hiện đại, mở ra hướng ứng dụng rộng rãi cho học sâu trong lĩnh vực IoT.