Đề án Thạc sĩ: Ứng dụng học sâu cho phân loại điều chế tự động trong hệ thống ghép kênh theo tần số trực giao

Sự phát triển nhanh chóng của các thiết bị di động và sự xuất hiện của hệ thống 5G/6G đặt ra nhu cầu cấp thiết về quản lý mạng hiệu quả trong môi trường vô tuyến ngày càng phức tạp. Công nghệ học sâu, một nhánh mạnh mẽ của trí tuệ nhân tạo, nổi lên như một giải pháp đột phá. Đề tài này tập trung giải quyết thách thức Phân loại điều chế tự động (AMC) trong các hệ thống ghép kênh theo tần số trực giao (OFDM) thế hệ mới. AMC hiệu quả là yếu tố then chốt để tối ưu hóa hiệu suất phổ tần, tăng thông lượng và đảm bảo khả năng phục hồi của hệ thống truyền thông vô tuyến. Nghiên cứu này nhằm ứng dụng các kỹ thuật học sâu để đạt được phân loại điều chế chính xác và linh hoạt, góp phần xây dựng các mạng vô tuyến thông minh và bền vững hơn.

Các nhà nghiên cứu và kỹ sư trong lĩnh vực truyền thông vô tuyến, viễn thông, xử lý tín hiệu và trí tuệ nhân tạo, đặc biệt những người quan tâm đến ứng dụng học sâu trong hệ thống 5G/6G và các kỹ thuật điều chế thích ứng.

Đề án thạc sĩ này đi sâu vào ứng dụng học sâu cho phân loại điều chế tự động (AMC) trong các hệ thống ghép kênh theo tần số trực giao (OFDM), một lĩnh vực then chốt để nâng cao mạng truyền thông vô tuyến tương lai như 5G và 6G. Nội dung trình bày một cách hệ thống các khái niệm cơ bản về học máy và học sâu, bao gồm các mô hình học có giám sát, không giám sát, bán giám sát và học tăng cường. Đề tài làm rõ cơ chế hoạt động của mạng nơ-ron sâu (DNNs) và chỉ ra những ưu điểm vượt trội của học sâu so với các phương pháp học máy truyền thống, như khả năng tự động trích chọn đặc trưng, xử lý dữ liệu phi cấu trúc hiệu quả và mở rộng khả năng xử lý thông qua các thuật toán phân tán. Trọng tâm của nghiên cứu là tìm hiểu các giải pháp AMC dựa trên học sâu trong môi trường OFDM. Đề tài khám phá các phương pháp phân loại khác nhau, bao gồm các phương pháp dựa trên tỷ lệ khả năng, thuật toán nhận dạng đặc trưng và các kỹ thuật học sâu tiên tiến. Phần quan trọng của nghiên cứu bao gồm chi tiết về chuẩn bị tập dữ liệu, phương pháp huấn luyện mô hình, tối ưu hóa tham số và đánh giá hiệu năng toàn diện. Bằng cách tận dụng học sâu, các giải pháp đề xuất hướng tới đạt được phân loại điều chế có độ chính xác cao và khả năng thích ứng, điều này rất cần thiết cho việc sử dụng phổ tần hiệu quả, tăng thông lượng và xử lý thông tin trạng thái kênh (CSI) mạnh mẽ trong các kênh vô tuyến động. Nghiên cứu chứng minh tiềm năng của học sâu trong việc cải thiện đáng kể khả năng của mạng vô tuyến tự tổ chức và các lược đồ điều chế và mã hóa thích ứng (AMC&C), từ đó mở đường cho một cơ sở hạ tầng truyền thông thông minh và linh hoạt hơn.