intTypePromotion=1

Học máy và khả năng ứng dụng trong các hệ thống thông tin vô tuyến

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:13

0
18
lượt xem
1
download

Học máy và khả năng ứng dụng trong các hệ thống thông tin vô tuyến

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này trình bày một nghiên cứu tổng quan về nguyên lý và các kết quả đạt được gần đây về ứng dụng học máy trong các hệ thống TTVT, trên cơ sở đó gợi mở một số chủ đề nghiên cứu có ý nghĩa khoa học và thực tiễn.

Chủ đề:
Lưu

Nội dung Text: Học máy và khả năng ứng dụng trong các hệ thống thông tin vô tuyến

  1. Nghiên cứu khoa học công nghệ HỌC MÁY VÀ KHẢ NĂNG ỨNG DỤNG TRONG CÁC HỆ THỐNG THÔNG TIN VÔ TUYẾN Bùi Thị Thanh Tâm1*, Trần Xuân Nam2 Tóm tắt: Cùng với sự phát triển của Cuộc cách mạng công nghiệp lần thứ 4, truyền thông vô tuyến đang ngày càng phát triển nhằm đảm bảo truyền dẫn, thông tin liên lạc nhanh, an toàn, tin cậy trong các điều kiện chịu ảnh hướng lớn của môi trường truyền sóng vô tuyến phức tạp. Sự phát triển mạnh mẽ của các công nghệ xử lý tiên tiến đã thúc đẩy việc nghiên cứu ứng dụng trí tuệ nhân tạo (Artificial Intelligence - AI) vào các hệ thống thông tin vô tuyến (TTVT) thế hệ tiếp theo nhằm tăng khả năng tự học, nhận biết, và tự xử lý để có thể kết nối với nhau thích nghi theo điều kiện truyền dẫn thực tế, giảm bớt thời gian xử lý, đồng thời có thể đạt được hiệu năng cao hơn. Bài báo này trình bày một nghiên cứu tổng quan về nguyên lý và các kết quả đạt được gần đây về ứng dụng học máy trong các hệ thống TTVT, trên cơ sở đó gợi mở một số chủ đề nghiên cứu có ý nghĩa khoa học và thực tiễn. Từ khóa: Hệ thống thông tin vô tuyến; Học máy; Học sâu. 1. GIỚI THIỆU Các hệ thống thông tin vô tuyến luôn đòi hỏi ứng dụng các công nghệ mới nhằm đáp ứng yêu cầu truyền tin tốc độ nhanh, độ tin cậy cao trong điều kiện băng tần hạn chế, môi trường kênh truyền phức tạp chịu ảnh hưởng của các nguồn nhiễu và hiện tượng pha-đinh vô tuyến. Cùng với sự phát triển của các công nghệ tính toán tiên tiến, trí tuệ nhân tạo ngày càng được ứng dụng rộng rãi trong các hệ thống công nghệ điện tử, truyền thông và công nghệ thông tin. Các nghiên cứu mới nhất về thông tin vô tuyến đã cho thấy trí tuệ nhân tạo, mà cụ thể là học máy (Machine Learning - ML), sẽ được ứng dụng rộng rãi trong thông tin vô tuyến thế hệ tiếp theo như thông tin quân sự, thông tin di động thế hệ thứ 6 (6G) [1], hệ thống kết nối Internet vạn vật (Internet of Things - IoT) [2], hệ thống thông tin phục vụ giao thông thông minh (Intelligence Transport System - ITS) [3],... Việc ứng dụng ML trong TTVT đem lại nhiều tiềm năng về xử lý tín hiệu nhờ đặc tính tự học như không yêu cầu thông tin trạng thái kênh thông tin trạng thái kênh [4], mã hóa [5, 6], xử lý dữ liệu lớn, đa chiều [7] theo định hướng của các hệ thống vô tuyến cấu hình mềm, thông minh. Bài báo này trình bày tổng quan về khả năng ứng dụng học máy trong TTVT, các kết quả bước đầu đạt được và tiềm năng phát triển trong tương lai. Bài báo tập trung chủ yếu vào khả năng ứng của học sâu (Deep Learning - DL) vào xử lý tín hiệu tại lớp vật lý vẫn được coi là lớp phức tạp nhất trong hệ thống TTVT. Bài báo có cấu trúc như sau: Mục 2 trình bày lý thuyết chung về học máy và học sâu, một số mô hình điển hình; Mục 3 trình bày các ứng dụng tiềm năng của học máy và học sâu trong các hệ thống TTVT; Cuối cùng Mục 4 rút ra các kết luận và gợi mở một số hướng nghiên cứu tiềm năng về ứng dụng học máy trong TTVT. 2. HỌC MÁY VÀ CÁC MÔ HÌNH CỦA MẠNG HỌC SÂU 2.1. Học máy Học máy là một lĩnh vực của khoa học máy tính, một nhánh của trí tuệ nhân tạo, Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 11
  2. Kỹỹ thuật điện tử sử ử dụng các thuật toán để xây dựng các mô hhình ình toán hhọc ọc dựa trên trên tập tập dữ liệu mẫu đầu ầu vào thông qua quá trình huấn huấn luyện nhằm thực hiện các dự đoán hoặc quyết định ịnh tự động thông qua trải nghiệm tự học [8]. [8]. Hình 1.1 Mô hình hhọc ọc máy điển hhình ình. Hình 1 trình bày m một hình hhọc ột mô hình ọc máy điển hình hình vvới ới hai quá trình: trình: quá trình training)) và quá trình xxử (training huấn luyện (training huấn ử lý dữ liệu. Trong quá trình trình huấn huấn luyện, sử dụng ụng một tập dữ liệu hữu hạn đầu vvào thuật toán học máy sẽ xây dựng một mô ào các thuật hình xửxử lý tín hiệu với các tham số đảm bảo dữ liệu đầu ra chính xác với dữ liệu huấn luyện. Quá tr huấn trình ình này tương tương ttựự qquá uá trình huấn huấn luyện để xác định các trọng số bộộ lọc hoặc san bằng tín hiệu trong xử lý tín hiệu. Tuy nhi nhiên, ên, điểm điểm khác biệt giữa học ọc máy và bộ lọc llàà ở chỗ thuật toán vvàà các trọng và bộ trọng số trong mô hình hình xửxử lý tín hiệu của ủa bộ lọc đã đ được được xác định và ập tr và llập trình trước, ình trư c, trong khi đó, thuật toán vvàà các đó thuật trọng ọng số trong mô hhình học máy đđư ình học ược ợc xây dựng tự động thông qua quá tr trình ình huấn huấn luyện. Dựa trên luyện. trên phương pháp hu huấn ấn luyện có thể phân học máy thành thành 3 lo loại như ại như sau: học ( upervised learning), ọc có giám sát (supervised learning), học học không giám sát (uns ( nsupervised upervised learning) learning) và họchọc tăng cường reinforcement (reinforce cường (reinforce ment learning learning). Các thuật toán học có giám sát ssử ử dụng một tập dữ liệu gồm dữ liệu huấn luyện vvàà ddữ ữ liệu mong muốn đầu ra gọi là (còn gọi là dữ dữ liệu giám sát) để xây dựng mô hình hình, trong khi đó, đó thuật thuật toán không giám sát sửsử dụng tập dữ liệu chỉ gồm duy nhất dữ liệu đầu vvào. Học tăng ccường ào. Học ờng sử dụng ụng tập dữ liệu gồm dữ liệu đầu vvào, ào, ddữ ữ liệu đầu ra nhất định và chuẩn và tiêu chu ẩn đầu vào đểđể thực hiện các ttương ương tác yêu ccầu ầu nhnhưư điều điều khiển, tr trò ò chơi. chơi. Bộ Bộ ddữ ữ liệu huấn huấn luyện được luyện đ ợc lựa chọn chọn để đưa ra m ột mô hhình một ình với với độ chính xác cao nhất có thể với với m nhiệm mỗi thể.. Hai ứng dụng phổ biến nhất của học có giám sát llà phân loại nhiệm vụ cụụ thể loại (classification classification và hhồi classification) egression), trong khi đó ( egression ồi quy (regression đó, ứng dụng chủ yếu của học clustering)) hoặc (clustering không giám sát là phân nhóm (clustering hoặc giảm số chiều dữ liệu ((dimension dimension reduction) reduction) để để thuận tiện trong việc llưu ưu tr trữ và tính toán. H ữ và Họcọc tăng cường c ờng llàà phương pháp hệhệ thống học cách xác định hoạt động dựa trên trên hoàn ccảnh ảnh để đạt đđược ợc lợi ích cao nhấ nhất. t. Hiện Hiện tại, học tăng cường c ờng chủ yếu được được áp dụng trong lý thuyết tr trò chơi, ò chơi, thuật toán xác định nước các thuật n ớc đi tiếp theo để đạt đư đượcợc điểm số cao nhất. Các mô hình học học máy phổ biến gồm mô hình hình mạngạng nnơ-ron ron nhân tạo Artificial tạo ((Artificial Neural Network - ANN), mô hình cây quy quyết (Decision Tree), ết định (Decision Tree , máy véc véc--tơ hỗ tơ hỗ trợ (Support Vector Machine - SVM), phân tích hhồi ợ (Support (analysis regression), ồi quy (analysis regression), mạng Bayes (Bayesian mạng Networks)) và thu (Bayesian Networks thuậtật toán di truyền ((Genetic Genetic Algorithm - GA) [9] Học [9]. Học sâu làlà một một nhánh của học máy dựa trên trên ANN vvới ới nhiều lớp liên liên kkết ết trong mô hình nhưnhư biểu ểu diễn ở hình hình 2. 12 T T.. Tâm B T. B. Tâm,, T. T X. Nam,, “H X Nam “Học và khả ọc máy và tuyến khả năng ứng dụng … thông tin vô tuy ến.” ”
  3. Nghiên cứu khoa học công nghệ output layer input layer hidden layer 1 hidden layer 2 hidden layer 3 Hình 2. Cấu trúc mạng nơ-ron sâu. 2.2. Một số mô hình mạng học sâu Những nghiên cứu nền tảng của học sâu thực tế đã xuất hiện từ những năm 1940 [10, 11]. Mặc dù được biết đến là một mô hình học máy hiệu quả, tuy nhiên, học sâu gặp phải nhiều khó khăn và thách thức lớn như xử lý dữ liệu phi tuyến, giải quyết vấn đề quá khớp (overfitting), biến mất gra-đi-ên (vanishing gradient) và tải tính toán (computational load) [12]. Cho đến đầu những năm 2010, với sự phát triển của phần cứng có khả năng tính toán tốc độ cao, học sâu mới được quan tâm trở lại và phát triển bùng nổ. Cho đến nay, có rất nhiều các mô hình học sâu khác nhau đã được đề xuất. Trong bài báo này, chúng tôi không trình bày lại cấu trúc cơ bản của mạng nơ-ron học sâu mà tập trung vào 3 mô hình mạng học sâu có tính chất nền tảng và đang được sử dụng rộng rãi trong các nghiên cứu mới. Đó là mạng nơ-ron chiều thuận (Feedforward Neural Networks - FNN), mạng nơ-ron chập (Convolution Neural Networks - CNN) và mạng nơ-ron hồi quy (Recurrent Neural Networks - RNN). 2.2.1. Feedforward Neural Networks (FNN) Mạng nơ-ron hướng thuận (FNN) còn có tên gọi khác là mạng nơ-ron sâu (Deep Neural Networks - DNN) là một trong các mô hình học máy được sử dụng trong nhiều ứng dụng thực tế. Trong FNN, dữ liệu đầu vào của một lớp chỉ phụ thuộc dữ liệu đầu ra của lớp trước. Trong mạng học sâu có L lớp, biểu thức tính dữ liệu đầu ra ở lớp thứ l (với l  1, 2, , L ) có thể biểu diễn như sau: y l  f W l y l 1  b l       l  trong đó, ma trận trọng số W biểu diễn trọng số (weight) kết nối từ lớp thứ l  (l  1) đến lớp thứ l , b là véc-tơ biểu diễn độ lệch (bias) ở lớp thứ l , f () là các hàm kích hoạt ở đầu ra các nút. Giả thiết mạng FNN thực hiện nhiệm vụ phân loại dữ liệu, bộ dữ liệu đưa vào huấn luyện (x , y ) với x là dữ liệu đầu vào, y là dữ liệu đầu ra cho trước để điều chỉnh các tham số của mạng. Quá trình tối ưu mạng là quá trình bộ tham số mạng W , b được điều chỉnh theo chiều làm cực tiểu hàm mất mát L(y, yˆ) , với y là đầu ra đúng và yˆ là đầu ra ước lượng được. Một số các hàm kích hoạt và hàm mất mát điển hình được trình bày trong [13]. Các thuật toán tối ưu điển hình thường được sử dụng là xuống dốc gra-đi-ên (gradient descent), Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 13
  4. Kỹ thuật điện tử xuống dốc gra-đi-ên ngẫu nhiên (Stochastic Gradient Descent), Adagrad, căn bậc hai của bình phương sai số (Root Mean Square - RMS), Adam [10]. Năm 1986, Geoffrey Hinton [14] chứng minh mạng nơ-ron với nhiều lớp ẩn có thể được huấn luyện hiệu quả hơn khi sử dụng quy trình lan truyền ngược (Back Propagation - BP). Mạng được huấn huyện bằng BP, có nghĩa là ở đầu ra của mạng có đường phản hồi đến các lớp phía trước để điểu chỉnh các tham số mạng từ lớp L , lớp L - 1,… lớp 1. Hầu hết các mạng học sâu hiện nay vẫn sử dụng phương pháp huấn luyện mạng dựa trên BP. 2.2.2. Convolution Neural Networks (CNN) Mạng nơ-ron chập (CNN) được giới thiệu trong [15] và được đề xuất ứng dụng nhiều trong các bài toán thực tế [16-18]. CNN là một kiểu mạng nơ-ron xử lý tốt dữ liệu dạng lưới (grid-like data), đa chiều và có kích thước thay đổi. Đầu vào của mạng CNN có thể theo chuỗi theo thời gian, nhưng cơ bản phù hợp với dữ liệu đầu vào ở dạng ảnh. CNN có sử dụng phép tính tích chập nhân ma trận ở ít nhất một lớp, với ảnh I đầu vào ta có phép tính tích chập biểu diễn như sau [10]: S i, j   K * I i, j     I m, n  K i  m, j  n  m n trong đó S thường là bản đồ đặc tính, K được gọi là Kernel. Phép tính trên biểu diễn cho dữ liệu 2 chiều, nhưng cũng có thể mở rộng thành dữ liệu nhiều chiều hơn. Các tham số của K tương tự các tham số trọng số trong mạng FNN, có để được học bằng thuật toán SGD và BP. Một ưu điểm của CNN so với FNN là đặc tính chia sẻ tham số (parameter sharing), nhờ đặc tính này CNN chỉ phải học một bộ tham số duy nhất, do đó, giảm yêu cầu về bộ nhớ. Một số dạng biến đổi của CNN là LSTM (Long Short Term Memory), RN (Residual Network), HNN (Highway Neural Network) cho phép chống lại vấn đề vanishing gradients trong quá trình huấn luyện mạng. 2.2.3. Recurrent Neural Network (RNN) RNN được giới thiệu trong [10] là một cách để điều chỉnh xử lý dữ liệu nối tiếp. Kiểu mạng này tương tự như CNN theo nghĩa chia sẻ tham số; tuy nhiên, trong RNN các tham số được chia sẻ theo các bước thời gian và chỉ số của đầu vào nối tiếp. Mạng có tên gọi là hồi quy (recurrent) do chúng lặp lại kết nối giữa các nút ẩn. Biểu diễn toán học đầu ra của một nút tại thời điểm t như sau:  y t   f y t  1, x t ;   trong đó, hàm f () là hàm kích hoạt ở một nút, y(t ) là trạng thái ra của các nút ẩn ở thời điểm t , x (t ) là đầu vào thời điểm t ,  là các tham số cần học của mạng.  không có chỉ số hay biến theo thời gian vì tham số trọng số, độ lệch của mạng là giống nhau với mọi thời điểm của chuỗi đầu vào. Các thuật toán SGD và BPTT [10] (Back-Propagation Through Time) thường được sử dụng để huấn luyện RNN. Các mạng mở rộng của RNN phổ biến là LSTM và GRU (Gated Recurrent Unit). 3. CÁC ỨNG DỤNG CỦA ML TRONG THÔNG TIN VÔ TUYẾN Trong những năm gần đây, học máy đã được nghiên cứu đề xuất ứng dụng 14 B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”
  5. Nghiên cứu cứu khoa học công nghệ trong các hệhệ thống TTVT nhằmnhằm đem lại những tiềm năng lớn về khả năng ứng dụng ụng công nghệ xử lý titiên ên tiến giản hóa cấu trúc máy thu phát, nâng cao tiến trong đơn giản chất lượng chất l ợng truyền dẫn dẫn.. Các ứng dụng của học ọc máy đđã đđềề xuất có thể thành thể chia thành hai loại: một là loại: là ứng dụng đầy ầy đủ từ ừ máy phát đến máy thu, tạo ạo thành thành m một ột bộ nhất; hai là thay th autoencoder [10] duy nhất; thếế một một khối chức năngnăng như là san bbằngằng kênh và giải giải mã mã kênh, mã hóa ssửa ửa lỗi, m mãã hóa và gi ải m giải mã, trải phổ tín hi ã, trải hiệu,, nhận nhận dạng ạng điều chế hay tách tín hiệu. hiệu. 3.1 Ứng dụng DL cho hệ thống thông tin từ máy phát đến máy thu 3.1. Hình 3. Một Một hệ thống thông tin qua kkênh ênh AWGN được đư như ợc biểu diễn nh ư là mmột ột bộ autoencoder [13]. [13] Trong công trình [13] các tác gigiảả bi biểu ểu diễn một hệ thống TTVT như m mộtột bộ mã tự động (autoencoder hóa tự ( utoencoder) utoencoder biểu trên ểu diễn tr ên hình 3. Cách bi biểu ểu diễn này này cho phép tốitối ưu hhệệ thống đồng bộ từ máy phát đến máy thu, hứa hẹn cải thiện đđư ược ợc phẩm chất của ủa hệ thống trong các trtrường ờng hợp phức tạp, khó có thể mô hình hình hóa hệ hệ thống bằng các mô hình toán hhọcọc [19]. [19]. Toàn bbộ ộ hệ thống từ máy phát, kênh kênh truy truyền ền vvàà máy thu được biểu diễn như được như mmột ột mạng nơ ron. nơ-ron. Ở máy phát, tập dữ liệu phát đầu vvào ào s được được mãmã hóa bbằng ằng một véc- tơ one véc-tơ one-hot, hot, sau đó được được đưa đưa vào mmột ột mạng FNN, tiếp theo là là một (normalization một lớp chuẩn hóa (normalization layer). Kênh được layer). được biểu diễn diễn bằng một lớp tạp âm cộộng (noise layer ng tính (noise layer). ). Máy thu cũng ũng đưđược ợc biểu diễn bằng một mạng FNN, trong đó đó, lớp ớp cuối cùng cùng sửsử dụng hàmhàm hoạt softmax có đầu ra p  (0,1) là m kích hoạt mộtột vec- vec-tơ suất tơ xác su ất xuất hiện một symbol. Bộộ autoencoder đưđược ợc huấn luyện luyện bằng thuật toán SGD với hàm cross- mất mát llàà cross- hàm mất giữa 1s và p . Kết entropy giữa Kết quả cho thấy thấy, hệ hệ thống ứng dụng DL cho phẩm chất tương đương với với một hệ thống thông tin thông thư thường ờng sử dụng bộ tách hợp lệ tối đa. Trong một một số trường tr ờng hợp khó hhơn ơn khi hhệệ thống sử dụng mức điều chế cao thì thì autoencoder cho phphẩm hơn hhệệ thống thông tin thông thườ ẩm chất tốt hơn th ờng. ng. Giải pháp này Giải tiếp này tiếp tục đư được ợc phát triển ứng dụng từ hệ thống thông tin SISO (Single Output) lên hhệệ thống thông tin MIMO ((Multiple Single Input Single Output) Multiple Input Multiple Output) [20] qua kênh pha- Output) pha-đinh đinh Rayleigh, cho trường trường hợp hệ thống có vvàà không có phản hồi trạng thái kkênh kênh thông tin phản ênh ((Channel Channel State Information - CSI). Trong trường hợp hệ thống không có kkênh trường ênh phphản ản hồi thông tin trạng thái kênh, kênh, các tác giả giả hệ thống MIMO phân tập không gian sử dụng m so sánh hệ mãã STBC 2x1 [21] và hệ hệ thống thông tin MIMO sử dụng DL ch thống choo toàn bộbộ hệ thống qua kênh pha-đinh kênh pha đinh Tạp ạp chí Nghiên Nghiên cứu KH&CN cứu KH&CN quân uân sự, sự, Số ố Đặc san Viện tử, 9 - 2020 ện Điện tử 20 15
  6. Kỹ thuật điện tử Rayleigh. Kết quả cho thấy, tỷ số lỗi bít của hệ thống ứng dụng DL thấp hơn hệ thống MIMO thông thường khi tỷ số tín/tạp (SNR) lớn hơn 15 dB. Trong trường hợp có kênh thông tin phản hồi CSI tốt về máy phát, máy phát sử dụng tiền mã hóa SVD (Singular Value Decomposition) để mã hóa symbol phát. Kết quả mô phỏng cho thấy, hệ thống MIMO sử dụng mạng nơ-ron cho phẩm chất tốt hơn hệ thống phân tập không gian MIMO thông thường với mọi giá trị SNR. Giải pháp ứng dụng DL đồng bộ cho hệ thống thông tin từ máy phát đến máy thu cung cấp một phương pháp mới trong thiết kế hệ thống ở lớp vật lý. Mặc dù, còn nhiều vấn đề vẫn cần phải thực hiện và cải thiện để hệ thống hoạt động hiệu quả hơn, nhưng với các kết quả đạt được trong các nghiên cứu cho thấy, những cải thiện của giải pháp này có ý nghĩa quan trọng, đó là cải thiện phẩm chất, giảm độ phức tạp tính toán so với các mô hình hệ thống thông tin trước đó. 3.2. San bằng kênh và giải mã sửa lỗi kênh Một trong các ứng dụng DL trong các hệ thống thông tin vô tuyến là bộ san bằng và mã sửa lỗi kênh để hạn chế ảnh hưởng của méo tín hiệu do đặc tính làm việc của các bộ trộn và bộ khếch đại phi tuyến, kênh pha-đinh đa đường gây ra nhiễu xuyên dấu (Inter-Symbol Interference - ISI). Có rất nhiều nghiên cứu đề xuất giải pháp san bằng méo phi tuyến mà không cần biết chính xác thông tin trạng thái kênh. Các tác giả trong [22] trình bày một phương pháp san bằng kênh bằng mạng nơ-ron chỉ gồm 3 lớp, lớp đầu vào, lớp ẩn với hàm kích hoạt phi tuyến RBF (Radial Basis Function) và lớp đầu ra. Tín hiệu phát đi qua kênh truyền phi tuyến và có ảnh hưởng bởi nhiễu xuyên dấu. Nghiên cứu so sánh bộ san bằng kênh đề xuất với hai bộ san bằng kênh tuyến tính khác là LTE (Linear Transversal Equalizer) và mạng FNN sử dụng hàm kích hoạt sigmoid. Kết quả mô phỏng cho bộ san bằng RBF cho phẩm chất tốt hơn nhiều so với hai san bằng còn lại. Bài báo [23] đề xuất bộ san bằng sử dụng mạng nơ-ron CNN. Một số nghiên cứu ứng dụng DL cho giải mã sửa lỗi kênh, mã sửa lỗi BCH [5], mã sửa lỗi polar code [6, 24]. Công trình [17] đề xuất kết hợp san bằng kênh và giải mã sửa lỗi kênh trong một quá trình tạo thành bộ giải mã và san bằng không cần có thông tin trạng thái kênh. Nghiên cứu sử hai mạng nơ-ron, một mạng có cấu trúc CNN để khôi phục tín hiệu phát khi truyền qua kênh khó và có méo phi tuyến, một mạng DNN thực hiện giải mã tín hiệu từ bộ san bằng CNN. Mạng CNN cho phép san bằng kênh với số lượng tham số cần huấn luyện ít hơn so với mạng DNN và có khả năng phân tách các đặc tính tốt. CNN hiệu quả với các dữ liệu đầu vào bị ảnh hưởng bởi các bit lân cận nhờ đặc tính chia sẻ tham số (parameter sharing), điều này phù hợp với kênh có ISI và ảnh hưởng của méo phi tuyến. Lớp cuối của CNN sử dụng hàm softmax, hàm mất mát MSE, mạng được tối ưu bằng SGD và kỹ thuật BP. Nghiên cứu thực hiện so sánh, đánh giá mô hình đề xuất với một số các bộ san bằng khác trên kênh AWGN và kênh pha-đinh. Kết quả cho thấy, giải pháp đề xuất cho phẩm chất tốt hơn các bộ san bằng và giải mã trước đó. 3.3. Trải phổ, đa truy cập Kỹ thật DL được ứng dụng nhiều trong các hệ thống đa truy cập và trải phổ nhằm hạn chế các tác động của xuyên nhiễu đa người dùng (Multiple Access Interference - MAI). Các tác giả công trình [25] đề xuất ứng dụng mạng DNN cho sơ đồ đa truy 16 B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”
  7. Nghiên cứu khoa học công nghệ cập SCMA (Sparse Code Multiple Access) được gọi là DL-SCMA thực hiện học giải mã các tín hiệu SCMA trên kênh Gauss khắc phục bộ giải mã SCMA đã có với độ chính xác cao, độ phức tạp thấp. Xây dựng và huấn luyện bộ AE-SCMA (Autoencoder - Sparse Code Multiple Access) để tạo ra các từ mã SCMA tối ưu, khôi phục các tín hiệu gốc. Bộ AE-SCMA giúp khái quát SCMA, từ đó, các tác giả đề xuất sơ đồ DCMA (Dense Code Multiple Access) cho phẩm chất tốt hơn bộ SCMA. Mạng nơ-ron được đề xuất sử dụng làm bộ tách đa người dùng ở máy thu cho hệ thống MC-CDMA kết hợp điều khiển công suất trên kênh pha-đinh Rayleigh trình bày trong [26]. Trong nghiên cứu này, mạng nơ-ron được đặt sau bộ kết hợp tỉ số cực đại (Maximal Ratio Combining - MRC). Số các nút ở lớp đầu vào, lớp ẩn và lớp đầu ra của mạng FNN bằng số người dùng, hàm kích hoạt ở lớp ẩn là sigmoid, mạng được huấn luyện bằng thuật toán Levenberg-Marquardt. Kết quả cho thấy, phẩm chất của hệ thống đề xuất được cải thiện nhiễu so với máy thu đơn thuần sử dụng MRC, và đường BER tiến đến gần với BER của hệ thống đơn người dùng (SUB). Bài báo [27] thực hiện so sánh phẩm chất của bộ tách đa người dùng tuyến tính và bộ tách phi tuyến sử dụng mạng nơ-ron đặt ở phía sau các bộ lọc phối hợp sử dụng mã Gold trong hệ thống DS-CDMA. Bộ tách mạng nơ-ron là mạng FNN sử dụng thuật toán BP trong huấn luyện. Các bộ tách có thể làm việc ở 2 chế độ truyền dẫn đồng bộ và không đồng bộ qua kênh Gauss. Kết quả mô phỏng cho thấy, bộ tách đa người dùng sử dụng mạng nơ-ron cho phẩm chất tốt hơn so với bộ tách tuyến tính. Với một số mô hình tương tự như trong [27], [28] thực hiện tiền xử lý để triệt MAI cho hệ thống qua kênh pha-đinh Rayleigh. Tác giả thực hiện tiền xử lý ở dữ liệu sau bộ lọc phối hợp, đó là chuẩn hóa biên bộ dữ liệu đa người dùng trước khi đưa vào mạng nơ-ron tách sóng. Kết quả mô phỏng cho thấy, với cùng mức BER, hệ thống có tiền xử lý cho phép giảm số lần thực hiện triệt nhiễu song song (PIC), nhờ vậy, máy thu giảm bớt độ phức tạp. 3.4. Nhận dạng tín hiệu điều chế số và tương tự Nhận dạng tín hiệu điều chế là thực hiện phân loại kiểu điều chế của tín hiệu vô tuyến thu được, đây là một bước để hiểu về nguồn phát ra tín hiệu loại gì, như là tín hiệu ra-đa, tín hiệu tiếng nói,… Công trình [16] thực hiện so sánh hiệu quả phân loại điều chế giữa các phương pháp dựa trên các đặc tính đã có và phương pháp học đặc tính bằng CNN và DNN. Với việc ứng dụng CNN và DNN trong phân loại điều chế đảm bảo tính mềm dẻo của hệ thống khi học các đặc tính với độ chính xác phân loại cao. Nghiên cứu thực hiện phân loại 11 loại điều chế trong đó 8 loại điều chế số (BPSK, QPSK, 8PSK, 16QAM, 64QAM, BFSK, CPFSK, PAM4) và 3 loại điều chế tương tự (WB-FM, AM-SSB, AM-DSB). Trong nghiên cứu [29] đề xuất mô hình mạng DNN cho bộ tự phân loại điều chế (AMC) sử dụng hàm kích hoạt RBFN cho hệ thống MIMO-STBC. Nghiên cứu về AMC có thể được phân thành hai loại, đó là dựa trên tính hợp lệ (Likelihood Based - LB) và dựa trên đặc tính (Feature Based - FB). Mặc dù các phương pháp LB cho độ chính xác tối ưu nhưng phải trả giá về độ phức tạp tính toán cao không phù hợp với các ứng dụng yêu cầu thời gian thực. Các phương pháp FB cho độ chính xác cận tối ưu so với LB, tuy nhiên, phương pháp này cho hiệu quả tính toán tốt hơn phù hợp hơn với các ứng dụng thực thế. Thuật toán L-BFGS [10] và Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 17
  8. Kỹ thuật điện tử phương pháp tối thiểu bình phương (Least Square - LS) được sử dụng để tối ưu trọng số của DNN và RBFN. Nghiên cứu so sánh phẩm chất của phương pháp đề xuất với các nghiên cứu gần đây nhất, đó là bộ phân loại hợp lệ tối đa và các bộ phân loại có ứng dụng ML bao gồm AdaBoost và CNN. Các kết quả mô phỏng thực hiện đánh giá trên ba cấu hình khác nhau trên hệ thống MIMO-STBC (2x1, 2x2 và 4x4) cho trường hợp có thông tin trạng thái kênh tốt và trường hợp xấu hơn đó là xảy ra lỗi ước lượng kênh. Cùng hướng nghiên cứu này, có thể kể đến [24] đề xuất sử dụng CNN để phân loại điều chế, [30] sử dụng DNN cho tự động nhận dạng tín hiệu điều chế của hệ thống trên kênh Rice. 3.5. Tách tín hiệu thu Một hệ thống thông tin được thiết kế và phân tích chất lượng dựa trên một số các mô hình toán học mô tả quá trình mã hóa và giải mã tín hiệu, quá trình lan truyền tín hiệu trong không gian, các loại nhiễu ảnh hưởng đến chất lượng tín hiệu. Tuy nhiên, trong một số trường hợp các sóng điện từ lan truyền hết sức phức tạp, không thể mô hình bằng một mô hình toán học xác định. Ví dụ như mô hình kênh truyền cho thông tin thủy âm sử dụng tín hiệu ở dải sóng âm thanh [31], hoặc một hệ thống thông tin mới được gọi là thông tin tế bào liên quan đến các tín hiệu y sinh kết nối giữa các thiết bị rất nhỏ, tín hiệu lan truyền trên bề mặt và bên trong cơ thể con người [32, 33]. Vì vậy, việc thiết kế một máy thu, bộ tách tín hiệu mà không cần phải có một kênh truyền được mô hình hóa là vấn đề cần thiết. Trong nghiên cứu [34] thiết kế thuật toán tách tín hiệu và đánh giá phẩm chất bộ tách sử dụng DL trong hệ thống thông tin tế bào mà không cần biết thông tin trạng thái kênh truyền. Dữ liệu phát được biểu diễn qua hàm one-hot, và quá trình tách tín hiệu phát từ tín hiệu thu được ở đầu vào máy thu trở thành nhiệm vụ phân nhóm (clustering) của học máy, lớp đầu ra sử dụng hàm kích hoạt softmax. Nghiên cứu đã tiến hành đo thử nghiệm để đánh giá hệ thống với các cấu hình, kiến trúc khác nhau. Kết quả cho thấy, các bộ tách sử dụng DL cải thiện phẩm chất so với các phương pháp trước đây mà không cần mô hình kênh truyền. Một số các nghiên cứu khác ứng dụng DL cho hai nhiệm vụ ước lượng kênh và tách tín hiệu [40, 41]. Tuy nhiên, các nghiên cứu này còn tách rời hai quá trình, do vậy, chưa đạt được hiệu quả cao. Nghiên cứu [35] đề xuất kết hợp ước lượng kênh tách tín hiệu cho hệ thống OFDM đa truy cập không trực giao (OFDM-NOMA) cho đường lên (uplink), đa người dùng có thể truy cập vào cùng một sóng mang tại cùng một thời điểm. Máy thu NOMA thiết kế dựa trên DL có thể tách bản tin người dùng trong một quá trình one-hot mà không cần thông tin ước lượng kênh thật hoàn hảo. Kết quả nghiên cứu đưa ra cho thấy, phương pháp dựa trên DL cho phẩm chất tốt hơn các phương pháp ước lượng kênh dựa vào tín hiệu lái (pilot) thông thường. Nhóm các nghiên cứu ứng dụng tách tín hiệu sử dụng DL cho một hệ thống phức tạp hơn và cũng là hệ thống tiềm năng trong cải thiện phẩm chất, cung cấp hiệu quả phổ tần cao, độ tin cậy và thông lượng tốt cho các hệ thống thông tin, đó là hệ thống MIMO. Các thuật toán để cải thiện phẩm chất của hệ thống này vấp phải một thách thức, thách thức về độ phức tạp tính toán, đặc biệt khi tăng số ăng- ten thu và phát thì độ khó tính toán cũng tăng lên rất lớn. Công trình [36] đề xuất ứng dụng DL cho tách tín hiệu trong hệ thống massive MIMO. [37] thực hiện tách 18 B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”
  9. Nghiên cứu cứu khoa học công nghệ sóng đa người người dùng dùng cho hệ MIMO-NOMA hệ thống MIMO NOMA ssử ử dụng mạng nơ-ron. n ron. Nghiên cứu ứu [38] đề đề xuất hai mô hìnhhình tách tín hi hiệu ệu thu MIMO fully- fully-connected connected (FC) và DeNet cho trường kênh không thay đđổi trường hợp kênh ổi và kênhh thay đổi. và kên đổi. Bộ tách FC có cấu ạng FNN đđư trúc là mạng ược ợc sử dụng cho tr trường ờng hợp kkênh ênh không thay đổi. đổi. Bộ tách DeNet có đưa thông tin tr ạng thái kkênh trạng ênh vào khi hu huấn ấn luyện tối ưu mạng, mạng, bộ tách hiệu quả cho trư hiệu trường kênh thay đđổi. ờng hợp kênh ổi. Hình 4 so sánh phphẩm ẩm chất một số bộ tách tín hiệu hiệu cho hệ thống MIMO, nh như ư là ZF, MMSE, FC, DeNet cho các trư trường ờng hợp số ăng-ten ăng ten thu phát khác nhau. Phẩm chất hệ thống khi sử dụng các a. Phẩm b. Phẩm Phẩm chất hệ thống MIMO khi số bộ ộ tách khác nhau. nhau. ăng-ten ăng ten thay đổi. đ . Hình 4. So sánh phẩmphẩm chất hệ thống MIMO sử dụng một số bộộ tách tín hiệu truyền thống và và ứng dụng kỹ thuật DL. Ta thấy thấy, với cùng ssố với cùng ăng ten thu phát là 30x30 trên kênh pha đinh, các bbộ ố ăng-ten ộ tách ZF và FC có phẩm phẩm chất xấu, đườngđ ờng BER của DeNet tiến đến gần đư đường ờng BER của bộộ tách MMSE nh nhưư bi biểuểu diễn tr trên ên hình 4a. Từ Từ hình hình 4b, khi tăngtăng số ăng-ten số ăng ten thu cả 2 bộ tách đều cho đường phát, cả đ ờng phẩm chất tốt hơn hơn do thu được được độ lợi phân tập ở phía thu. DeNet có đư đường ờng BER hạ thấp nhanh hơn hơn so vvới ới MMSE. Với tr ường trường hợp 2 MIMO 10x10, DeNet đđạt ạt BER  10 ở SNR  16 dB , MMSE đạt đạt đư đượcợc ccùng tỷ ùng tỷ ố lỗi bit đó ở SNR  12 dB . Tăng ssố số ố ăng-ten ăng ten thu phát lên 30x30, DeNet và 3 MMSE đạt đạt phẩm chất BER  5.10 llần l ợt tại tại các giá trị SNR bằng 16dB ần lượt và 14dB. 14dB 3.6 Một 3.6. Một số các ứng dụng khác phần tr Trong các phần trư ước, ớc, chúng tôi đđãã trình bày một một số các ứng dụng ccơ ơ bbản ản của mạng nơ-ron mạng n ron DL trong các hệ hệ thống thông tin vô tuyến. Ngoài Ngoài ra, DL còn được được ứng dụng cho các nhiệm vụ khác nh nhưư là llựa ựa chọn CDMA và và OFDM trontrongg các hệhệ thống thông tin vô tuyến thủy âm [39] thống [39].. DL được được ứng dụng trong các hệ thống điều khiển lưu khiển lưu lượng lượng mạng, định tuyến [40] [40], tối ối ưu việc việc phân phối nguồn tài tài nguyên của của mạng không dây [41] mạng [41],, các ứng dụng cho định vị [42, 43] 43],, đđảo [44].. Một ảo tuyến tính [44] Một số ố các nghiên cứu ứng dụng mạng nnơ--ron nghiên cứu ron cho các hệ hệ thống thông tin vệ tinh, thông động [45, 46] tin di động 46]. Tạp ạp chí Nghiên Nghiên cứu KH&CN cứu KH&CN quân uân sự, sự, Số ố Đặc san Viện tử, 9 - 2020 ện Điện tử 20 19
  10. Kỹ thuật điện tử 4. KẾT LUẬN Bài báo này đã trình bày tổng quan về học máy, các mô hình cơ bản của học sâu và khái quát các ứng dụng cơ bản nhất của mạng nơ-ron DL cho các hệ thống thông tin vô tuyến. DL được ứng dụng từ máy phát đến máy thu như một bộ autoencoder, và DL được ứng dụng như một khối chức năng trong hệ thống thông tin đó là các bộ san bằng và giải mã kênh, trải phổ, đa truy cập, tách tín hiệu thu, nhận dạng tín hiệu, và một số các ứng dụng khác. Các nghiên cứu cho thấy, ứng dụng mạng nơ-ron cho các hệ thống TTVT có tiềm năng rất lớn và sẽ nhanh chóng thay thế phương pháp xử lý tín hiệu truyền thống trong tương lại gần. Tuy nhiên, để hoàn chỉnh về công nghệ và đưa vào ứng dụng thực tiễn cần tiếp tục đầu tư nghiên cứu hơn nữa về hướng này, đặc biệt là các ứng dụng DL cho các hệ thống TTVT quân sự nhằm tăng khả năng bảo mật, chống nhiễu, chống thu chặn tín hiệu. Ngoài ra, ứng dụng học máy trong các hệ thống sô-na, cảnh giới ngầm cũng là các đề tài nghiên cứu có ý nghĩa khoa học và thực tiễn. TÀI LIỆU THAM KHẢO [1]. S. J. Nawaz et al., "Quantum Machine Learning for 6G Communication Networks: State-of-the-Art and Vision for the Future," IEEE Access, vol. 7 (2019), pp. 46317-46350. [2]. J. Jagannath et al., "Machine learning for wireless communications in the Internet of Things: A comprehensive survey," Ad Hoc Networks, vol. 93 (2019), p. 101913. [3]. A. Ferdowsi et al., "Deep Learning for Reliable Mobile Edge Analytics in Intelligent Transportation Systems: An Overview," IEEE Vehicular Technology Magazine, vol. 14 (2019), no. 1, pp. 62-70. [4]. Y. Jeon et al., "Blind detection for MIMO systems with low-resolution ADCs using supervised learning," in 2017 IEEE International Conference on Communications (ICC) (2017), pp. 1-6. [5]. E. Nachmani et al., "Deep Learning Methods for Improved Decoding of Linear Codes," IEEE Journal of Selected Topics in Signal Processing, vol. 12 (2018), no. 1, pp. 119-131. [6]. W. Xu et al., "Improved polar decoder based on deep learning," in 2017 IEEE International Workshop on Signal Processing Systems (SiPS) (2017), pp. 1-6 [7]. F. Ullah et al., "Future of Big Data and Deep Learning for Wireless Body Area Networks," in Deep Learning: Convergence to Big Data Analytics, M. Khan, B. Jan, and H. Farman, Eds. Singapore: Springer Singapore, 2019, pp. 53-77. [8]. https://en.wikipedia.org/wiki/Machine_learning#cite_note-1. [9]. https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/. [10]. Y. B. Ian Goodfellow et al., “Deep Learning”, The MIT Press (2016). [11]. W. S. McCulloch et al., "A logical calculus of the ideas immanent in nervous activity," The bulletin of mathematical biophysics, vol. 5 (1943), no. 4, pp. 115-133. 20 B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”
  11. Nghiên cứu khoa học công nghệ [12]. P. Kim, Matlab Deep learning with Machine Learning, Neeural Networks and Artificial Intelligience. Apress (2017). [13]. T. O’Shea et al., "An Introduction to Deep Learning for the Physical Layer," IEEE Transactions on Cognitive Communications and Networking, vol. 3 (2017), no. 4, pp. 563-575. [14]. D. E. Rumelhart et al., "Learning representations by back-propagating errors," Nature, vol. 323 (1986), no. 6088, pp. 533-536. [15]. Y. LeCun, "Generalization and network design strategies," Connectionism in perspective Elsevier, Zurich, Switzerland (1989), pp. 143–155. [16]. T. O'Shea et al., “Convolutional Radio Modulation Recognition Networks,” Springer International Publishing, Cham (2016), pp. 213-226. [17]. H. Ye et al., "Initial Results on Deep Learning for Joint Channel Equalization and Decoding," IEEE 86th Vehicular Technology Conference (2017), pp.1-5. [18]. Y. Xu et al., "A Deep Learning Method Based on Convolutional Neural Network for Automatic Modulation Classification of Wireless Signals," MLICM (2017). [19]. T. J. O. Shea et al., "Learning to communicate: Channel auto-encoders, domain specific regularizers, and attention," IEEE International Symposium on Signal Processing and Information Technology (2016), pp. 223-228. [20]. T. O'Shea et al., "Deep Learning Based MIMO Communications," arXiv preprint arXiv:1707.07980 (2017). [21]. S. M. Alamouti, "A simple transmit diversity technique for wireless communications," IEEE Journal on Selected Areas in Communications, vol. 16 (1998), no. 8, pp. 1451-1458. [22]. H. Sung-Hyun et al., "Channel equalization for severe intersymbol interference and nonlinearity with a radial basis function neural network," International Joint Conference on Neural Networks. Proceedings 1999, vol. 6 (1999), pp. 3992-3995. [23]. A. Caciularu et al., “Blind Channel Equalization Using Variational Autoencoders,” 2018 IEEE International Conference on Communications Workshops (2018), pp. 1-6. [24]. T. Gruber et al., "On deep learning-based channel decoding," 51st Annual Conference on Information Sciences and Systems (2017), pp. 1-6. [25]. J. Lin et al., “A Novel Deep Neural Network Based Approach for Sparse Code Multiple Access,” Neurocomputing, vol. 382 (2020), pp. 52-63. [26]. N. Taşpınar et al., "Neural Network Based Receiver for Multiuser Detection in MC-CDMA Systems," Wireless Personal Communications, vol. 68 (2013). [27]. H. A. Hassan et al., "Performance comparison of linear multiuser detectors and neural network detector for DS/CDMA systems in AWGN," Tenth International Conference on Computer Engineering & Systems (2015), pp. 307-313. [28]. B. Geevarghese et al., “Pre-processed back propagation neural networks for CDMA interference cancellation,” 2013 IEEE International Conference ON Emerging Trends in Computing, Communication and Nanotechnology, Tirunelveli (2013), pp. 100-103. Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 21
  12. Kỹ thuật điện tử [29]. M. H. Shah et al., "Low-complexity deep learning and RBFN architectures for modulation classification of space-time block-code (STBC)-MIMO systems," Digital Signal Processing, vol. 99 (2020) [30]. B. Kim et al., “Deep neural network-based automatic modulation classification technique,” 2016 International Conference on Information and Communication Technology Convergence, Jeju(2016), pp. 579-582. [31]. M. Stojanovic et al., "Underwater acoustic communication channels: Propagation models and statistical characterization," IEEE Communications Magazine, vol. 47 (2009), no. 1, pp. 84-89. [32]. N. Farsad et al., "A Comprehensive Survey of Recent Advancements in Molecular Communication," IEEE Communications Surveys & Tutorials, vol. 18 (2016), no. 3, pp. 1887-1919. [33]. S. Hiyama et al., "Molecular Communication," 2005 NSTI Nanotechnology Conference and Trade Show, vol. 3 (2008). [34]. N. Farsad et al., "Detection Algorithms for Communication Systems Using Deep Learning," arXiv preprint arXiv:1705.08044 (2017). [35]. Narengerile et al., "Deep Learning for Signal Detection in Non-Orthogonal Multiple Access Wireless Systems," 2019 UK/ China Emerging Technologies (2019), pp. 1-4. [36]. H. He et al., "Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems," IEEE Wireless Communications Letters, vol. 7 (2018), no. 5, pp. 852-855. [37]. C. Lin et al., "A Deep Learning Approach for MIMO-NOMA Downlink Signal Detection," Sensors (Basel, Switzerland), vol. 19 (2019), no. 11, p. 2526. [38]. N. Samuel et al., "Learning to Detect," IEEE Transactions on Signal Processing, vol. 67 (2019), no. 10, pp. 2554-2564. [39]. Y. Kim et al., "Selection of CDMA and OFDM using machine learning in underwater wireless networks," ICT Express, vol. 5 (2019). [40]. Z. M. Fadlullah et al., "State-of-the-Art Deep Learning: Evolving Machine Intelligence Toward Tomorrow’s Intelligent Network Traffic Control Systems," IEEE Communications Surveys & Tutorials, vol. 19 (2017), no. 4, pp. 2432-2455. [41]. S. K. Tayyaba et al., "5G Vehicular Network Resource Management for Improving Radio Access Through Machine Learning," IEEE Access, vol. 8 (2020), pp. 6792-6800. [42]. J. Li et al., "Mobile Location in MIMO Communication Systems by Using Learning Machine," Canadian Conference on Electrical and Computer Engineering (2007), pp. 1066-1069. [43]. P. Sthapit et al., "Bluetooth Based Indoor Positioning Using Machine Learning Algorithms," in 2018 IEEE International Conference on Consumer Electronics - Asia, 2018, pp. 206-212. [44]. M. Borgerding et al., "Onsager-corrected deep learning for sparse linear inverse problems," IEEE Global Conference on Signal and Information Processing (2016), pp. 227-231. 22 B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”
  13. Nghiên cứu khoa học công nghệ [45]. T. Liu et al.,. Sun, "Fault Prediction for Satellite Communication Equipment Based on Deep Neural Network," International Conference on Virtual Reality and Intelligent Systems (2018), pp. 176-178. [46]. M. Hikosaka et al., "Proposal of polarization state prediction using quaternion neural networks for fading channel prediction in mobile communications," International Joint Conference on Neural Networks (2016), pp. 4105-4111. ABSTRACT AN OVERVIEW ON APPLICATIONS OF MACHINE LEARNING IN WIRELESS COMMUNICATION SYSTEMS Together with the development of The Fourth Industrial Revolution, wireless systems are also being developed to meet a variety of requirements for performance improvement, higher transmission rate and reliability, and secure communications under severe propagation environments. Recent advancements in signal processing techniques have motivated the applications of artificial intelligence (AI) in wireless systems in order to provide the ability of automatic learning, identification and processing for adaptive transmission and cognitive radios. This paper presents an overview on principles and recent achievements in application of machine learning in wireless communication systems, and outlines some potential open research directions. Keywords: Wireless system; Machine learning; Deep learning. Nhận bài ngày 02 tháng 3 năm 2020 Hoàn thiện ngày 04 tháng 8 năm 2020 Chấp nhận đăng ngày 28 tháng 8 năm 2020 1 Địa chỉ: Viện Điện tử, Viện Khoa học và Công nghệ quân sự; 2 Học viện Kỹ thuật quân sự. * Email: thanhtambui85@gmail.com. Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 23
ADSENSE
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2