HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
---------------------------------------
Vương Anh Tuấn
ỨNG DỤNG HỌC SÂU CHO PHÂN LOẠI ĐIỀU CHẾ TỰ
ĐỘNG TRONG HỆ THỐNG GHÉP KÊNH THEO TẦN SỐ
TRỰC GIAO
ĐỀ ÁN THẠC SĨ KỸ THUẬT
(Theo định hướng ứng dụng)
HÀ NỘI – NĂM 2024
Đề án tốt nghiệp được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
Người hướng dẫn khóa học: PGS.TS Lê Hải Châu
Phản biện 1:
Phản biện 2:
Đề án tốt nghiệp sẽ được bảo vệ trước Hội đồng chấm đề án tốt nghiệp thạc sĩ tại
Học viện Công nghệ Bưu chính Viễn thông
Vào lúc: giờ ngày tháng năm 2024
8
Có thể tìm hiểu luân văn này tại:
Thư viện của Học viện Công Nghệ Bưu chính Viễn thông
1
I. MỞ ĐẦU
1. Lý do chọn đề tài:
Sự phát triển nhanh chóng của các thiết bị di động và sự phổ biến ngày càng
tăng của các ứng dụng và dịch vụ di động đặt ra những nhu cầu chưa từng có về cơ
sở hạ tầng mạng di động và không dây. Các hệ thống 5G/6G sắp tới đang phát triển
để hỗ trợ bùng nổ lưu lượng truy cập di động, trích xuất các phân tích chi tiết theo
thời gian thực và quản lý tài nguyên mạng linh hoạt để tối đa hóa trải nghiệm người
dùng. Việc hoàn thành các nhiệm vụ này là một thách thức vì môi trường di động
ngày càng phức tạp, không đồng nhất và phát triển. Một giải pháp tiềm năng là sử
dụng các kỹ thuật học máy tiên tiến để giúp quản lý sự gia tăng khối lượng dữ liệu
và các ứng dụng dựa trên thuật toán. Thành công gần đây của công nghệ học máy
và học sâu đã củng cố các công cụ mới và mạnh mẽ giúp giải quyết các vấn đề
trong lĩnh vực này.
Phân loại điều chế tự động (AMC) có vai trò quan trọng trong các hệ thống
truyền thông vô tuyến thế hệ kế tiếp, có ý nghĩa đặc biệt trong các ứng dụng hàng
không vũ trụ, đặc biệt là trong phân tích tín hiệu tần số vô tuyến (RF) và hệ thống
vô tuyến định nghĩa bằng phần mềm tiên tiến. Khi phát hiện tín hiệu RF có đặc
điểm chưa xác định, AMC là quy trình ban đầu quan trọng để giải điều chế tín hiệu
cho các máy thu hỗ trợ nhiều sơ đồ điều chế tiêu chuẩn và phi tiêu chuẩn. AMC
hiệu quả cho phép sử dụng tối đa các phương tiện truyền dẫn và có thể nâng cao
khả năng phục hồi trong các đài vô tuyến nhận thức hiện đại. Các hệ thống có khả
năng điều chế thích ứng có thể giám sát các điều kiện kênh hiện tại bằng AMC và
điều chỉnh các sơ đồ điều chế đã thực hiện để tối đa hóa việc sử dụng trên môi
trường truyền dẫn. AMC rất quan trọng trong các hệ thống vô tuyến thế hệ kế tiếp
để đảm bảo sử dụng phổ tần hiệu quả. Trong các hệ thống mà sơ đồ điều chế chưa
được xác định trước, AMC cho phép dự đoán hiệu quả sơ đồ điều chế được sử
dụng. AMC hiệu suất cao hơn có thể tăng thông lượng và độ chính xác của các hệ
thống này; do đó, AMC hiện là một chủ đề nghiên cứu thu hút được nhiều sự quan
tâm đầu tư nghiên cứu trong lĩnh vực học máy và hệ thống truyền thông.
2
2. Tổng quan về vấn đề nghiên cứu:
Công nghệ ghép kênh phân chia theo tần số trực giao (OFDM), không chỉ có
thể cải thiện hiệu quả sử dụng phổ mà còn nâng cao hiệu năng truyền dẫn bằng việc
triển khai các định dạng điều chế bậc cao thích ứng trên mỗi sóng mang con
OFDM, đã và đang được áp dụng rộng rãi trong thời gian tới. Một trong những giải
pháp mạng thông minh quan trọng là cho phép bộ thu tín hiệu tự động xác định các
tín hiệu đã điều chế, được gọi là phân loại điều chế tự động (AMC) để hiện thực
hóa các mạng quang hiệu quả, thích ứng và linh hoạt trong đó điều chế tín hiệu và
băng thông được xác định một cách linh hoạt dựa trên trạng thái đường truyền
Cùng với sự phát triển mạnh mẽ của cuộc cách mạng công nghiệp 4.0, AI
ngày càng được ứng dụng phổ biển và rộng rãi trong mọi lĩnh vực của cuộc sống.
Đặc trưng của công nghệ AI là năng lực “tự học” của máy tính, do đó có thể tự phán
đoán, phân tích trước các dữ liệu mới mà không cần sự hỗ trợ của con người, đồng
thời có khả năng xử lý dữ liệu với số lượng rất lớn và tốc độ cao. Với xu thế phát
triển công nghệ và ứng dụng trong đời sống xã hội đang thay đổi không ngừng, thì
công nghệ AI đang là là ứng dụng tiềm năng nhất và là công nghệ chủ chốt trong
tương lai. Những tiến bộ gần đây trong học máy (ML) bao gồm học sâu (DL) đã
cho thấy sự cải thiện đáng kể về kết quả hiện đại và dẫn đến ứng dụng rộng rãi
trong nhiều lĩnh vực, đặc biệt là trong hệ thống truyền thông. Nhiều công trình được
giới thiệu về hệ thống AMC OFDM dựa trên học sâu chủ yếu tập trung vào các hệ
thống truyền thông không dây sử dụng OFDM. Các nghiên cứu đều được xây dựng
với giả định cơ bản rằng mô hình AMC cần thực hiện phân loại cho cả chế độ điều
chế (ví dụ: QAM) và biến thể cụ thể trong chế độ đó. Trong khi nhiều kiến trúc đã
được chứng minh là có hiệu quả ở tỷ lệ tín hiệu trên nhiễu (SNR) cao, thì hiệu suất
lại giảm đáng kể ở SNR thấp hơn, thường xảy ra trong các ứng dụng trong thế giới
thực. Các công trình khác đã nghiên cứu việc tăng hiệu suất phân loại ở mức SNR
thấp hơn thông qua việc sử dụng các bộ phân loại điều chế dành riêng cho SNR và
phân cụm dựa trên phạm vi SNR. Với mục đích phân loại, các đặc tính tín hiệu khác
nhau đã được khám phá. Theo truyền thống, AMC đã sử dụng mô men thống kê và
3
tích lũy bậc cao hơn bắt nguồn từ tín hiệu nhận được. Gần đây, việc sử dụng trực
tiếp các thành phần thô cùng pha (I) và cầu phương (Q) trong miền thời gian đã
được chấp nhận. Ngoài ra, các nghiên cứu thay thế đã điều tra các thuộc tính bổ
sung, bao gồm các biểu đồ chòm sao I/Q. Sau khi lựa chọn các tính năng đầu vào
tín hiệu, bước tiếp theo bao gồm việc sử dụng các mô hình học máy để phân biệt
các mẫu thống kê trong dữ liệu để phân loại. Các bộ phân loại như máy vectơ hỗ
trợ, cây quyết định, K-láng giềng gần nhất và mạng lưới thần kinh thường được sử
dụng cho ứng dụng này. Mạng thần kinh dư (ResNets), cùng với mạng thần kinh
tích chập (CNN), đã được chứng minh là đạt được hiệu suất phân loại cao cho
AMC. Do đó, các phương pháp dựa trên học sâu trong AMC đã trở nên phổ biến
hơn do hiệu suất đầy hứa hẹn và khả năng khái quát hóa thành các bộ dữ liệu lớn,
phức tạp bao gồm nhiều sơ đồ điều chế tiêu chuẩn và phi tiêu chuẩn.
3. Mục đích nghiên cứu:
Nghiên cứu ứng dụng kỹ thuật học sâu trong việc phân loại khuôn dạng điều
chế tự động của hệ thống ghép kênh theo tần số trực giao
4. Đối tượng và phạm vi nghiên cứu:
- Nghiên cứu tổng quan về học máy, học sâu và ứng dụng của giải pháp học
máy trong truyền thông vô tuyến.
- Xây dựng giải pháp học máy/học sâu hỗ trợ phân loại khuôn dạng điều
chế tự động trong hệ thống ghép kênh theo tần số trực giao.
5. Phương pháp nghiên cứu:
Các phương pháp nghiên cứu để thực hiện hóa các mục tiêu của nghiên cứu
như sau:
Phương pháp thu thập thông tin: phương pháp nghiên cứu tài liệu kết
hợp với kết quả thực nghiệm.
Phương pháp xử lý thông tin: xử lý toán học đối với các thông
tin định lượng.
