Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu ứng dụng bộ mã hóa tự động (AE) nâng cao hiệu năng truyền thông của mạng không dây trên cơ thể sống (WBAN)

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

45
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật "Nghiên cứu ứng dụng bộ mã hóa tự động (AE) nâng cao hiệu năng truyền thông của mạng không dây trên cơ thể sống (WBAN)" được nghiên cứu với mục tiêu: Đề xuất giải pháp ứng dụng kỹ thuật học sâu, kỹ thuật AE tiên tiến vào truyền thông trong WBAN nhằm nâng cao dung lượng và hiệu năng truyền thông của mạng.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu ứng dụng bộ mã hóa tự động (AE) nâng cao hiệu năng truyền thông của mạng không dây trên cơ thể sống (WBAN)

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ BÙI THỊ THANH TÂM NGHIÊN CỨU ỨNG DỤNG BỘ MÃ HÓA TỰ ĐỘNG (AE) NÂNG CAO HIỆU NĂNG TRUYỀN THÔNG CỦA MẠNG KHÔNG DÂY TRÊN CƠ THỂ SỐNG (WBAN) Ngành : Kỹ thuật điện tử Mã số : 9 52 02 03 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2024
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ - BỘ QUỐC PHÒNG Người hướng dẫn khoa học: 1. GS. TS Trần Xuân Nam 2. TS Phan Huy Anh Phản biện 1: PGS.TS Nguyễn Hữu Thanh Phản biện 2: PGS.TS Hoàng Văn Phúc Phản biện 3: TS Vũ Lê Hà Luận án được bảo vệ trước Hội đồng đánh giá luận án Tiến sĩ cấp Viện, họp tại Viện Khoa học và Công nghệ quân sự, vào hồi......giờ......, ngày.......tháng..... năm 2024. Có thể tìm hiểu luận án tại: - Thư viện Viện Khoa học và Công nghệ quân sự - Thư viện Quốc gia Việt Nam
1 MỞ ĐẦU 1. Tính cấp thiết của đề tài luận án Mạng không dây trên cơ thể (Wireless Body Area Networks - WBAN ) kết nối các thiết bị/cảm biến được đặt bên trong, trên bề mặt hoặc xung quanh cơ thể thu thập các tín hiệu vật lý về sức khỏe và hoạt động của của người. WBAN có thể là một mạng độc lập hoặc kết nối nhiều WBAN, cùng với Internet kết nối vạn vật (Internet of Things - IoT ) tạo thành hệ thống theo dõi giám sát, đưa ra những cảnh báo kịp thời cho người dùng. Truyền thông trong WBAN tuân theo chuẩn IEEE 802.15.6 với các băng tần hẹp (HBC, MICS, ISM,..) và một băng tần rộng UWB sử dụng nhiều dạng tín hiệu điều chế; phương thức đa truy nhập vô tuyến với độ tin cậy cao. Tuy nhiên, WBAN phải đối mặt với những thách thức trong truyền thông như là suy hao đường truyền, hiện tượng che khuất (Shadowing) do các cử động của cơ thể, môi trường truyền đa đường, hạn chế năng lượng do yêu cầu kích thước các nút nhỏ,... làm giảm phẩm chất của hệ thống. Vấn đề nâng cao phẩm chất truyền tin trong WBAN được nhiều nhóm nghiên cứu trong và ngoài nước đề xuất nhiều giải pháp. Trong đó, giải pháp sử dụng các hệ thống MIMO (Multiple Input Multiple Output), MIMO hợp tác được đề xuất sử dụng cải thiện dung lượng và độ tin cậy cho liên kết truyền thông trong WBAN nhờ thông tin được truyền song song trên cùng băng tần và nhận được độ lợi phân tập. Trong những năm gần đây, kỹ thuật học sâu (Deep Learning - DL) được ứng dụng và phát triển mạnh mẽ trong nhiều lĩnh vực trong đời sống, các hệ thống truyền thông, mạng không dây WSN và WBAN mang lại nhiều lợi ích và tiến bộ. Kỹ thuật DL được sử dụng cho các hệ thống truyền thông nhằm đem lại những tiềm năng lớn về khả năng ứng dụng công nghệ xử lý tiên tiến trong đơn giản hóa cấu trúc máy thu phát, nâng cao chất lượng truyền dẫn. Học sâu có thể được ứng dụng để thay thế một khối chức năng như là ước lượng kênh, mã hóa và giải mã sửa lỗi, đa truy cập, nhận dạng điều chế hay tách tín hiệu,...; hoặc ứng dụng cho toàn hệ thống từ máy phát đến máy thu, tạo thành một bộ mã hóa tự động (Autoencoder - AE ) cho phép huấn luyện tối ưu đồng bộ các khối chức năng từ máy phát đến máy thu giúp nâng cao phẩm chất của hệ thống. Xuất phát từ những lý do trên, các nghiên cứu về giải pháp nâng cao độ tin cậy truyền thông trong WBAN ứng dụng kỹ thuật học sâu là cần thiết, có ý nghĩa khoa học và thực tiễn. Do đó, nghiên cứu sinh đã lựa chọn đề tài: “Nghiên cứu ứng dụng bộ mã hóa tự động (AE) nâng cao hiệu năng truyền thông của
2 mạng không dây trên cơ thể sống (WBAN)”. Kết quả nghiên cứu của luận án đóng góp một phần tri thức về kỹ thuật truyền thông trong WBAN, góp phần đẩy mạnh quá trình ứng dụng kỹ thuật học sâu vào các hệ thống truyền thông; đồng thời mở ra một số hướng nghiên cứu tiếp theo cho giải pháp truyền thông trong WBAN ứng dụng kỹ thuật học sâu. 2. Mục tiêu nghiên cứu của luận án Mục tiêu chính của luận án hướng tới là đề xuất giải pháp ứng dụng kỹ thuật học sâu, kỹ thuật AE tiên tiến vào truyền thông trong WBAN nhằm nâng cao dung lượng và hiệu năng truyền thông của mạng. 3. Đối tượng, phạm vi nghiên cứu của luận án Các kỹ thuật học sâu và kỹ thuật AE trong truyền thông vô tuyến. Các giải pháp nâng cao độ tin cậy truyền thông một chặng và hai chặng trong WBAN sử dụng hệ thống MIMO và MIMO hợp tác ứng dụng kỹ thuật AE. 4. Nội dung nghiên cứu của luận án Luận án thực hiện các nội dung nghiên cứu: Nghiên cứu về đặc trưng kênh truyền và truyền thông trong WBAN, ứng dụng kỹ thuật DL, AE trong WBAN; Nghiên cứu xây dựng hệ thống MIMO ứng dụng kỹ thuật AE nhằm nâng cao phẩm chất truyền thông một chặng; Nghiên cứu xây dựng hệ thống MIMO hợp tác ứng dụng kỹ thuật AE nhằm nâng cao phẩm chất truyền thông hai chặng. 5. Phương pháp nghiên cứu của luận án Luận án kết hợp nghiên cứu lý thuyết, giải tích với mô phỏng Monte-Carlo trên phần mềm máy tính. 6. Ý nghĩa khoa học và thực tiễn của luận án Các kết quả đạt được của luận án góp phần nâng cao hiệu quả thiết kế hệ thống và phẩm chất truyền dẫn nên có ý nghĩa khoa học và thực tiễn. Đồng thời, các kết quả của luận án đóng góp tri thức cho hiểu biết tốt hơn về khả năng ứng dụng kỹ thuật học sâu, kỹ thuật AE cho các liên kết truyền thông trong WBAN. 7. Bố cục của luận án Luận án được tổ chức như sau: Mở đầu; 3 chương nội dung; Kết luận; Danh mục các công trình nghiên cứu và Tài liệu tham khảo.
3 CHƯƠNG 1 KHÁI QUÁT VỀ TRUYỀN THÔNG TRONG MẠNG WBAN VÀ KỸ THUẬT HỌC SÂU 1.1 Giới thiệu về WBAN và ứng dụng 1.1.1 Khái niệm WBAN và chuẩn IEEE 802.15.6 Truyền thông trên cơ thể là một kỹ thuật truyền dẫn vô tuyến phạm vi ngắn ở xung quanh, trên và bên trong cơ thể con người, được gọi là mạng WBAN. WBAN đã được chuẩn hóa theo chuẩn IEEE 802.15.6 hướng tới cung cấp chuẩn quốc tế cho truyền thông vô tuyến công suất thấp tin cậy xung quanh cơ thể con người cho các ứng dụng liên quan đến y tế/chăm sóc sức khỏe và phi y tế. Do ảnnh hưởng của đặc trưng kênh truyền đặt ra yêu cầu hệ thống phải có các giải pháp đáp ứng như đảm bảo độ tin cậy truyền tin, công suất nhỏ và tốc độ dữ liệu cao trong khi phải tuân thủ các yêu cầu chặt chẽ về nhiễu phát xạ. 1.1.2 Các ứng dụng của WBAN 1.1.3 Mô hình kênh WBAN Các mô hình kênh pha-đinh khác nhau được nghiên cứu đề xuất cho kênh truyền trên cơ thể trong nhiều tình huống xác định. Tuy nhiên, phân bố Rayleigh là mô hình kênh phù hợp cho các liên kết có khoảng cách xa (lớn hơn 25 cm); suy hao đường truyền trực tiếp từ nút cảm biến đến nút HUB do bị hấp thụ bởi các mô, hiện tượng che khuất. Vì vậy, luận án lựa chọn mô phỏng đánh giá phẩm chất các hệ thống truyền thông đề xuất cho WBAN băng hẹp trên kênh pha-đinh phân bố Rayleigh. 1.2 Hệ thống MIMO, MIMO hợp tác và ứng dụng truyền thông trong WBAN 1.2.1 Hệ thống MIMO Hệ thống MIMO (Hình 1.4) là giải pháp vừa làm tăng hiệu quả sử dụng phổ do truyền đồng thời nhiều luồng dữ liệu trên cùng băng tần, vừa tăng phẩm chất nhờ nhận được tăng ích phân tập. 1.2.2 Hệ thống MIMO hợp tác Các hệ thống MIMO hợp tác là giải pháp vừa làm tăng hiệu quả sử dụng phổ vừa tăng phẩm chất nhờ nhận được tăng ích phân tập. Các hệ thống MIMO hợp tác được ứng dụng rộng rãi trong các mạng Adhoc, các mạng vô tuyến nhận thức, mạng cảm biến vô tuyến WSN và mạng không dây trên cơ thể WBAN. Hệ thống truyền thông MIMO hợp tác một chiều hai chặng với nút chuyển tiếp điển hình được mô tả như trên Hình 1.5.
4 Hình 1.4 Hệ thống MIMO . Hình 1.5 Hệ thống MIMO hợp tác . 1.2.3 Hệ thống MIMO và MIMO hợp tác trong WBAN Các nghiên cứu đề xuất ứng dụng các hệ thống MIMO, MIMO hợp tác theo phương pháp AF và DF trong WBAN giúp cải thiện độ tin cậy, hiệu quả sử dụng năng lượng, tăng dung lượng kênh truyền, giảm ảnh hưởng hiện tượng che khuất và pha-đinh đa đường. 1.3 Kỹ thuật học sâu và kỹ thuật Autoecoder trong các hệ thống truyền thông vô tuyến 1.3.1 Giới thiệu về học máy, học sâu 1.3.2 Ứng dụng kỹ thuật Autoencoder trong truyền thông vô tuyến Nhóm ứng dụng kỹ thuật học sâu lên toàn bộ hệ thống truyền thông như một bộ mã hóa tự động (AE) được nhóm nghiên cứu quan tâm. Đây là giải pháp tiềm năng cho phép huấn luyện và tối ưu đồng bộ các tham số của tất cả khối chức năng trong hệ thống. Nhờ đó, giải pháp thể hiện ưu điểm trong cải thiện phẩm chất cho hệ thống so với các giải pháp truyền thống.
5 1.4 Các tham số đánh giá phẩm chất hệ thống 1.5 Các hướng nghiên cứu mở về ứng dụng Autoencoder trong WBAN và định hướng phát triển của luận án Các nghiên cứu ứng dụng AE cho truyền thông trong WBAN có thể được mở ra các hướng nghiên cứu sau: Nghiên cứu ứng dụng kỹ thuật AE vòng hở cho truyền tin một chặng trong WBAN sử dụng hệ thống MIMO ghép kênh không gian với CSI chỉ biết ở máy thu; Nghiên cứu kết hợp kỹ DL cho bộ tách tín hiệu MIMO và kỹ thuật AE cho truyền tin một chặng cho WBAN; Nghiên cứu ứng dụng kỹ thuật AE cho các hệ thống MIMO hợp tác sử dụng kỹ thuật AF và DF cho các liên kết truyền tin hai chặng. . Hình 1.10 Các liên kết truyền tin trên cơ thể của WBAN . Mô hình mạng các liên kết truyền tin một chặng và hai chặng từ nút cảm biến đến HUB gắn trên cơ thể biểu diễn trên Hình 1.10. 1.6 Kết luận chương 1 Chương 1 trình bày những kiến thức cơ bản nghiên cứu liên quan đến các giải pháp trong luận án. Mạng WBAN được ứng dụng nhiều trong các hệ thống chăm sóc sức khỏe, hỗ trợ nâng cao chất lượng cuộc sống. Tuy nhiên, WBAN phải đối mặt với những thách thức trong truyền thông như là suy hao đường truyền, hiện tượng che khuất, truyền đa đường làm giảm phẩm chất của hệ thống. Luận án đề xuất các giải pháp nâng cao chất lượng truyền tin một chặng và hai chặng trên kênh truyền trên cơ thể có phân bố Rayleigh. Nội dung nghiên cứu của chương 1 được công bố trong các công trình [CT1], [CT2].
6 CHƯƠNG 2 HỆ THỐNG TRUYỀN THÔNG MIMO ỨNG DỤNG KỸ THUẬT AUTOENCODER CHO MẠNG WBAN 2.1 Mô hình WBAN sử dụng hệ thống truyền thông MIMO ứng dụng kỹ thuật AE Liên kết truyền thông một chặng trong WBAN thực hiện truyền thông tin từ các cảm biến về nút HUB/D. Luận án đề xuất hệ thống truyền tin MIMO ứng dụng kỹ thuật AE để nâng cao độ tin cậy và dung lượng của cho liên kết truyền tin một chặng. Hệ thống đề xuất bao gồm máy phát, kênh truyền và máy thu được biểu diễn bằng các mạng nơ-ron. Máy phát/Encoder thực hiện đồng thời chức năng điều chế, phân luồng tín hiệu và chuẩn hóa công suất phát; kênh truyền MIMO và tạp âm máy thu được biểu diễn bằng hai lớp nơ-ron; Máy thu gồm bộ tách tín hiệu và Decoder, Decoder thực hiện đồng thời giải điều chế và ghép luồng. Các mạng nơ-ron với các bộ tham số ở máy phát và máy thu được tự động học trong quá trình huấn luyện. 2.2 Đề xuất hệ thống MIMO ứng dụng kỹ thuật AE dán nhãn theo symbol sử dụng bộ tách RTN cho WBAN 2.2.1 Hệ thống SWAE-MIMO sử dụng bộ tách RTN Hệ thống SWAE-MIMO-RTN biểu diễn bằng các mạng nơ-ron như trên Hình 2.7. Cấu trúc hệ thống SWAE-MIMO-RTN được liệt kê trong Bảng 2.1. Hình 2.7 Hệ thống SWAE-MIMO-RTN Nút nguồn dán nhãn véc-tơ bản tin .phát s = s1 , · · · , sNt điều chế M mức thành véc-tơ one-hot xoh ∈ RQ×1 , với Q = 2k×Nt và k = log2 M . Encoder mã hóa véc-tơ xoh thành véc-tơ symbol phát x:
7 xoh = fenc xoh ; θenc , (2.28) trong đó, fenc · và θenc lần lượt biểu diễn hàm biến đổi của các lớp và các tham số huấn luyện của mạng Encoder, x ∈ R2Nt ×1 với Nt phần tử biểu diễn phần thực, Nt phần tử biễu diễn phần ảo của tín hiệu phức. Khác với các hệ thống thông tin MIMO có các luồng tín hiệu phát song song và độc lập, mỗi phần tử tín hiệu phát xi , i = 1, · · · , 2Nt mang thông tin của Nt symbol đầu vào, xi = fenc,i s1 , · · · , sNt ; θenc,i . Do đó, trên mỗi ăng-ten phát chòm sao tín hiệu có 2k×Nt điểm thay vì chỉ có 2k điểm như trong các hệ thống MIMO truyền thống. Bảng 2.1 Cấu trúc hệ thống SWAE-MIMO-RTN Tên lớp × số lớp Hàm kích hoạt Số nơ-ron đầu ra Đầu vào - Q Nút nguồn FC × 3 Relu 64 (enc) FC Linear 2Nt Chuẩn hóa - 2Nt Kênh Rayleigh - 2Nr Tạp âm - 2Nr Nút đích Concatenate - 2Nr + 2Nt Nr Bộ tách RTN FC Linear 64 FC × 2 Relu 64 FC Relu 2Nt Nr Nhân ma trận - 2Nt Decoder FC × 3 Relu 64 (dec) FC Softmax Q Công suất phát trên Nt ăng-ten được chuẩn hóa bằng lớp chuẩn hóa của Encoder, ∥x∥2 ≤ PT . Lớp chuẩn hóa có thể được lựa chọn để thực hiện tự động 2 mã hoá MPSK hoặc MQAM. Khi đó, véc-tơ dữ liệu thu y ∈ R2Nt ×1 ở nút đích: y = fchan x, H, z , (2.29) trong đó, fchan · biểu diễn các phép biến đổi ở lớp kênh truyền, lớp này không có tham số huấn luyện, z ∈ R2Nt ×1 là véc-tơ tạp âm trắng cộng tính, ma trận kênh truyền H ∈ R2Nr ×2Nt . ˆ Véc-tơ ước lượng x được tính theo biểu thức: ˆ x = fRTN y, H; θRTN y, (2.30) trong đó, fRTN · và θRTN lần lượt là các hàm biến đổi và các tham số huấn luyện của bộ tách RTN, x ∈ R2Nr ×1 . Ký hiệu WAE = fRTN y, H; θRTN , theo ˆ H đó mạng RTN đóng vai trò là bộ tách tín hiệu MIMO
8 ˆ Decoder giải mã tín hiệu x, sau đó giải dán nhãn để thu được véc-tơ ước lượng ˆ: s ˆ ˆ xoh = fdec x; θdec , (2.32) s ˆ ˆ = De-onehot xoh . (2.33) 2.2.2 Phương pháp huấn luyện hệ thống SWAE-MIMO sử dụng bộ tách RTN Hệ thống SWAE-MIMO-RTN được huấn luyện bằng tập dữ liệu gồm bản tin phát, thông tin trạng thái kênh truyền và tạp âm ở máy thu s, H, z. Các véc-tơ phát s được dán nhãn thành các véc-tơ one-hot xoh . Hệ thống SWAE-MIMO- RTN được huấn luyện bằng một pha thông qua Niter vòng trên một dải các giá ˆ trị SNR nhằm cực tiểu hàm sai lệch giữa véc-tơ xoh và xoh . Hàm sai lệch CCE ở vòng huấn luyện thứ n được tính; B Q 1 Ln (xoh , xoh ) CCE ˆ =− xoh log xoh , i,j ˆi,j (2.34) B i=1 j=1 trong đó, xoh biểu diễn phần tử thứ j của véc-tơ one-hot thứ i của tập dữ liệu i,j huấn luyện với B là kích thước tập dữ liệu huấn luyện. Hệ thống được huấn luyện sử dụng phương pháp SGD và lan truyền ngược BP để cập nhật tham số học. Các tham số huấn luyện của hệ thống θAE = (θTxS , θRxD ) được cập nhật ở vòng thứ n + 1: n+1 n n θAE = θAE + δθAE , (2.36) trong đó, giá trị tham số huấn luyện sai lệch δθn ở vòng huấn luyện thứ n. Quá trình huấn luyện dừng lại khi hệ thống thỏa mãn một trong hai điều kiện, một là đạt giá trị sai lệch ngưỡng LCCE , hai là đạt số vòng lặp tối đa Niter . 2.3 Đề xuất hệ thống MIMO ứng dụng kỹ thuật AE dán nhãn theo bit sử dụng bộ tách MMSE và MMSEnet cho WBAN 2.3.1 Các hệ thống BWAE-MIMO sử dụng các bộ tách MMSE và MMSEnet Hệ thống BWAE-MIMO-MMSE được biểu diễn như trên Hình 2.8, trong đó nút nguồn sử dụng Nt ăng-ten phát Nt luồng symbol song song trên cùng băng tần. Các véc-tơ phát s được dán nhãn theo bit thành các véc-tơ nhãn b, T b = b1 , · · · , bP , với P = Nt × k . Encoder mã hóa b và chuẩn hóa công suất phát thành véc-tơ tín hiệu phát x truyền đến nút đích.
9 Hình 2.8 Hệ thống BWAE-MIMO sử dụng bộ tách MMSE . Hình 2.10 Cấu trúc mạng tách tín hiệu MMSEnet . ˆ Tín hiệu thu được tại nút đích là y, véc-tơ ước lượng x được tính: 2 H ˆ x = fMMSE y, H, σz = WM M SE y, (2.39) ˆ với W là ma trận trọng số bộ tách tín hiệu MMSE. Decoder tái tạo véc-tơ b: ˆ ˆ b = fdec b; θdec , (2.41) trong đó fdec · và θdec lần lượt là hàm biến đổi và các tham số huấn luyện của ˆ Decoder. Giải dán nhãn véc-tơ b thu được véc-tơ ước lượng ˆ.s *) Bộ tách tín hiệu MMSEnet Xuất phát từ nguyên lý bộ tách tín hiệu OAMP-Net2, luận án đề xuất bộ tách MMSEnet cho hệ thống BWAE-MIMO nâng cao khả năng triệt nhiễu xuyên
10 kênh, cải thiện phẩm chất tỷ số lỗi so với hệ thống BWAE-MIMO-MMSE. Bộ ˆ tách MMSEnet khôi phục tín hiệu phát x từ tín hiệu thu y bằng một chuỗi nối tiếp các phép tính xác suất Pr xl y, H , l = 1, · · · , L với xl là tín hiệu ước ˆ ˆ lượng ở phép tính thứ l, L là số lớp. Cấu trúc mạng MMSEnet L lớp được biểu diễn trên Hình 2.9. Mỗi lớp của bộ tách MMSEnet gồm 2 phần: ước lượng tuyến tính và ước lượng phi tuyến. Ước lượng tuyến tính lớp thứ l: 1 1 rl = xl−1 + θl W y − Hˆ l−1 = xl−1 + θl δˆ l−1 , ˆ x ˆ x (2.42) 1 trong đó, θl là véc-tơ tham số học, ma trận W được tính theo biểu thức: Nt ˜ W= W (2.43) ˜ tr WH ˜ với W là ma trận MMSE: ˜ −1 W = υl HH υl HHH + Rzz 2 2 , (2.44) với, 2 ∥y − Hˆ l ∥2 − tr Rzz x 2 υl = , (2.45) tr HH H trong đó, Rzz là ma trận hiệp phương sai của tạp âm máy thu trên Nr ăng-ten. Ước lượng phi tuyến ở lớp thứ l: 2 ˆ xl = f r l ; θ l , (2.46) 2 trong đó, θl là tham số học, f (·) là hàm kích hoạt phi tuyến Relu. 2.3.2 Phương pháp huấn luyện các hệ thống BWAE-MIMO Các véc-tơ phát s được dán nhãn thành véc-tơ b. Hệ thống BWAE-MIMO cực tiểu hàm sai lệch BCE trong quá trình huấn luyện để tối ưu các tham số: B P ˆ 1 LBCE (b, b) = (bq,p log ˆq,p + (1 − bq,p ) log(1 − ˆq,p )), b b (2.47) B q=1 p=1 trong đó, bq,p biểu diễn phần tử thứ q của véc-tơ nhãn thứ p trong tập nhãn huấn luyện có B véc-tơ ( B là batch size), ˆq,p là ước lượng của bq,p . Tương tự như hệ b thống SWAE-MIMO, hệ thống BWAE-MIMO sử dụng phương pháp SGD hoặc Adam để cập nhật các tham số huấn luyện. Quá trình huấn luyện dừng lại khi hệ thống thỏa mãn một trong hai điều kiện, một là đạt giá trị sai lệch ngưỡng, hai là đạt số vòng lặp xác định.
11 2.4 Các kết quả mô phỏng Hình 2.10 so sánh phẩm chất hệ thống SWAE-MIMO-RTN với các hệ thống MIMO-MMSE và MIMO-MLD. Phẩm chất của hệ thống SWAE-MIMO-RTN cải thiện đáng kể so với MIMO-MMSE do hệ thống đề xuất có thể học và tối ưu đồng bộ các tham số từ nút nguồn đến nút đích, tối ưu chòm sao tín hiệu phát. Cụ thể, với N = 2, phẩm chất hệ thống SWAE-MIMO-RTN đạt tăng ích 10 dB so với hệ thống MIMO-MMSE tại BER = 10−3 và đạt xấp xỉ phẩm chất hệ thống MIMO-MLD. Tuy nhiên, với N = 3, 4, BER của SWAE-MIMO-RTN xấu hơn của MIMO-MMSE lần lượt ở dải SNR nhỏ hơn 6 dB và nhỏ hơn 10 dB. Hình 2.10 Phẩm chất hệ thống Hình 2.11 Phẩm chất hệ thống SWAE-MIMO-RTN với N = 2, 3, 4 BWAE-MIMO-RTN với N = 4 Hình 2.11 so sánh phẩm chất của hệ thống BWAE-MIMO-RTN với phẩm chất các hệ thống SWAE-MIMO-RTN, MIMO-MMSE và MIMO-MLD khi N = 4. Phẩm chất BER của BWAE-MIMO-RTN tốt hơn hệ thống MIMO-MMSE trên toàn dải SNR khảo sát và đạt độ lợi 10 dB ở BER = 10−3 . Do hệ thống BWAE- MIMO-RTN mã hóa các bit tương ứng với các điểm trên chòm sao tối ưu hơn SWAE-MIMO-RTN, nên phẩm chất hệ thống BWAE-MIMO-RTN cải thiện 1 dB. Hình 2.12 biểu diễn nhãn các symbol phát trên chòm sao tín hiệu của một ăng-ten của hệ thống SWAE-MIMO-RTN và BWAE-MIMO-RTN với N = 4, điều chế BPSK. Hệ thống BWAE-MIMO-RTN đảm bảo các symbol ở gần nhau trên chòm sao tín hiệu chỉ sai khác nhau 1 bit, trong khi đó các điểm tín hiệu liền kề trên chòm sao của SWAE-MIMO-RTN có thể sai khác 2 bit, 3 bit hoặc 4 bit. Hình 2.13 biểu diễn chòm sao tín hiệu trên 4 ăng-ten phát của hệ thống BWAE-MIMO-RTN với N = 4. Các chòm sao có cùng dạng nhưng khác pha và kích thước khác nhau, tức là công suất phát trên từng ăng-ten không bằng nhau nhưng vẫn đảm bảo tổng công suất phát trên 4 ăng-ten bằng 1. Mỗi chòm sao
12 Hình 2.12 Chòm sao tín hiệu trên một ăng-ten phát của SWAE-MIMO-RTN và BWAE-MIMO-RTN với N = 4 được gắn nhãn . (a) Tx-Ant1 (b) Tx-Ant2 (c) Tx-Ant3 (d) Tx-Ant4 Hình 2.13 Chòm sao tín hiệu phát trên 4 ăng-ten phát của hệ thống BWAE-MIMO-RTN có 16 điểm tín hiệu, tức là tín hiệu truyền trên mỗi ăng-ten phát đều chứa thông tin của cả 4 luồng symbol đầu vào. Hình 2.14 biểu diễn phẩm chất BER của hệ thống BWAE-MIMO-MMSE với N = 2, 4, 8, M = 2. Kết quả mô phỏng cho thấy, phẩm chất hệ thống BWAE-MIMO-MMSE cải thiện một chút so với phẩm chất của MIMO-MMSE. Với N = 4, 8 hệ thống BWAE-MIMO-MMSE đạt tăng ích lần lượt 2 dB và 2,5 dB so với MIMO-MMSE tại BER = 10−3 . Phẩm chất BER của hệ thống BWAE-MIMO-MMSEnet được so sánh với các hệ thống MIMO-MMSE với N = 2, 4, 6, 8, số lớp mạng L = 4, điều chế BPSK như biểu diễn trên Hình 2.16. Với N = 2, 8, hệ thống BWAE-MIMO-MMSEnet đạt được độ lợi phẩm chất lần lượt 5 dB và 8 dB so với hệ thống MIMO-MMSE tại BER = 10−3 . 2.5 Kết luận chương 2 Chương 2 trình bày giải pháp sử dụng hai hệ thống SWAE-MIMO và BWAE- MIMO sử dụng ba bộ tách tín hiệu RTN, MMSE và MMSEnet nâng cao độ tin cậy cho liên kết truyền thông một chặng trên cơ thể dưới ảnh hưởng của kênh
13 Hình 2.14 Phẩm chất hệ thống Hình 2.17 Phẩm chất hệ thống BWAE-MIMO-MMSE BWAE-MIMO-MMSEnet pha-đinh phẳng Rayleigh. Phẩm chất BER của các hệ thống đề xuất tốt hơn so với hệ thống truyền thống MIMO-MMSE do được huấn luyện và tối ưu đồng bộ tham số từ nút nguồn đến nút đích. Các hệ thống SWAE-MIMO-RTN và BWAE-MIMO-RTN cho phẩm chất BER tốt với số ăng-ten thu/phát nhỏ. Do đó, giải pháp sử dụng mạng tách RTN phù hợp với các liên kết truyền tin yêu cầu độ tin cậy truyền tin cao nhưng dung lượng truyền không quá lớn, hệ thống truyền song song từ hai đến bốn luồng tín hiệu từ nguồn đến đích. Khi tăng số ăng-ten thu/phát, các hệ thống BWAE- MIMO-MMSE và BWAE-MIMO-MMSEnet tăng khả năng cải thiện phẩm chất BER. Theo đó, các liên kết truyền tin yêu cầu dung lượng lớn với số luồng tín hiệu truyền song song lớn hơn bốn, nút đích cho phép khả năng tính toán lớn thì ưu tiên sử dụng các hệ thống BWAE-MIMO. Ngoài ra, giải pháp sử dụng các hệ thống SWAE-MIMO và BWAE-MIMO cũng có thể được sử dụng để nâng cao độ tin cậy cho các liên kết truyền thông trong các mạng cảm biến, di động. Các kết quả của chương 2 được trình bày trong công bố [CT3].
14 CHƯƠNG 3 HỆ THỐNG TRUYỀN THÔNG MIMO HỢP TÁC ỨNG DỤNG KỸ THUẬT AUTOENCODER CHO MẠNG WBAN 3.1 Mô hình hệ thống WBAN sử dụng truyền thông MIMO hợp tác ứng dụng kỹ thuật AE Một liên kết truyền thông MIMO hợp tác hai chặng bao gồm một cảm biến (S), một nút đích (D) và một nút chuyển tiếp (R). Cảm biến thu thập và truyền về D theo đường truyền trực tiếp (S → D), đồng thời truyền thông tin theo đường chuyển tiếp thông qua nút chuyển tiếp (S → R → D), nút D kết hợp các tín hiệu thu được để ước lượng tín hiệu từ nút cảm biến truyền đến. Hệ thống truyền thông hợp tác ứng dụng kỹ thuật AE bao gồm nút nguồn, nút đích, nút chuyển tiếp và kênh truyền được biểu diễn bằng các mạng nơ-ron với các tham số được tự động học và tối ưu trong quá trình huấn luyện. 3.2 Đề xuất hệ thống MIMO hợp tác theo phương pháp AF ứng dụng kỹ thuật AE cho WBAN 3.2.1 Hệ thống AE-AF sử dụng bộ kết hợp MMSE Hệ thống AE-AF-MMSE được biểu diễn trên Hình 3.4. Cấu trúc hệ thống AE-AF-MMSE được liệt kê trong Bảng 3.1. Hình 3.4 Hệ thống AE-AF-MMSE . Trong khe thời gian thứ nhất, TxS dán nhãn véc-tơ tín hiệu phát s thành véc-tơ b gồm các bit 0 và 1, b = [b1 , . . . , bP ]T , với P = N × k , k = log2 (M ), M là bậc điều chế. Véc-tơ b được Encoder mã hóa và chuẩn hóa công suất phát thành tín hiệu phát: xam = fTxS (b; θTxS ), am (3.12) am trong đó, fTxS (·) và θTxS lần lượt biểu diễn hàm biến đổi và các tham số huấn luyện của TxS, chỉ số am biểu diễn hệ thống hợp tác theo phương pháp AF sử dụng bộ kết hợp MMSE.
15 Bảng 3.1: Cấu trúc hệ thống AE-AF-MMSE Tên lớp × số lớp Hàm kích hoạt Số nơ-ron đầu ra Nút nguồn (TxS) đầu vào - P Encoder FC × 3 Relu 64 (enc) FC Linear 2N Chuẩn hóa - 2N Kênh pha-đinh Rayleigh - 2N Tạp âm - 2N Nút chuyển tiếp Khuếch đại - 2N (R) Nút đích (RxD) Bộ kết hợp MMSE - 2N Decoder FC × 3 Relu 64 (dec) FC Sigmoid P Véc-tơ tín hiệu phát xam được truyền đồng thời đến R và RxD. Véc-tơ tín hiệu nhận được tại R và RxD lần lượt là: ysr = fchan (Hsr , xam , zr,1 ) = Hsr xam + zr,1 , am (3.13) y1 = fchan (Hsd , xam , zd,1 ) = Hsd xam + zd,1 , am (3.14) trong đó, fchan (·) là hàm biến đổi ở lớp kênh truyền,Hsr ∈ R2N ×2N , Hsd ∈ R2N ×2N lần lượt là các ma trận kênh truyền giữa TxS với R và ma trận kênh truyền giữa TxS và RxD; zr,1 ∈ R2N ×1 , zd,1 ∈ R2N ×1 lần lượt là các véc-tơ tạp âm tại R và RxD trong khe thời gian thứ nhất. Trong khe thời gian thứ hai, TxS dừng phát, R khuếch đại tín hiệu thu được ysr theo ma trận khuếch đại F ∈ R2N ×2N , F = diag{f1 , f2 , . . . , f2N } trước am khi truyền đến RxD. Trong đó, fi , (i = 1, 2, ..., 2N ) được tính theo biểu thức: Pt fi = Pr , (3.15) N ( N ∥hsr,i ∥2 + 1) trong đó, PT , PR lần lượt là công suất phát của TxS và R; công suất phát trên mỗi ăng-ten được chuẩn hóa bằng nhau nhờ hệ số 1/N , hsr,i là véc-tơ hàng thứ i của ma trận kênh truyền Hsr , ∥ · ∥2 là phép lấy bình phương chuẩn Euclid. 2 Véc-tơ tín hiệu nhận được tại RxD của đường chuyển tiếp trong khe thời gian thứ hai được biểu diễn: y2 = Hrd Fysr + zd,2 = Hsrd xam + z2 , am am ˜ (3.16) trong đó, Hsrd = Hrd FHsr , z2 = Hrd Fzd,2 , Hrd ∈ R2N ×2N là ma trận kênh ˜ truyền từ R đến RxD và zd,2 ∈ R2N ×1 là véc-tơ tạp âm tại RxD trong khe thời
16 gian thứ hai. Véc-tơ tín hiệu tổng hợp nhận được tại RxD sau hai khe thời gian là: yam = Hxam + z, (3.19) am y1 Hsd z trong đó, yam ≜ am , H ≜ ,z≜ 1 y2 Hsrd ˜ z2 ˆ am Véc-tơ tín hiệu ước lượng x tại RxD: x = (Wam )H yam , ˆ am (3.20) trong đó Wam là ma trận trọng số kết hợp tuyến tính tại RxD cho cả đường trực tiếp và đường chuyển tiếp, được tính theo biểu thức Wam = (Ra )−1 Rc , (3.22) PT Hsd A 0 với,Rc = N , Ra = , các ma trận A và B được tính: Hsrd 0 B PT A= Hsd (Hsd )H + σz,1 I2N 2 N PT B= Hsrd (Hsrd )H + σr Hrd (F)2 (Hrd )H + σz,2 I2N 2 2 N ˆ Decoder của RxD ước lượng véc-tơ nhãn bam : ˆ bam = fRxD,dec (ˆ am ; θRxD,dec ), x am (3.23) am trong đó fRxD,dec (·), θRxD,dec lần lượt biểu diễn hàm biến đổi và các tham số ˆ học của Decoder. Giải dán nhãn véc-tơ bam thu được véc-tơ ước lượng ˆ. s Ma trận trọng số MMSE trong công thức (3.22) có thể được tách thành hai am am ma trận trọng số W1 và W2 được tính như sau: −1 am PT PT W1 = Hsd (Hsd )H + σr,1 I2N 2 Hsd , (3.25) N N −1 am PT PT W2 = Hsrd (Hsrd )H + σr,1 Hrd F2 (Hrd )H + σd,2 I2N 2 2 Hsrd . N N (3.26) hệ thống AE-AF-MMSE có thể được điều chỉnh, mở rộng cho trường hợp hệ thống chỉ có một đường chuyển tiếp hoặc nhiều đường chuyển tiếp mà không có đường trực tiếp do suy hao truyền dẫn lớn hoặc ảnh hưởng bởi hiện tượng che
17 khuất. 3.2.2 Hệ thống AE-AF sử dụng bộ kết hợp RTN Hệ thống AE-AF-RTN có cấu trúc tương tự hệ thống AE-AF-MMSE. Điểm khác là, R của AE-AF-RTN là một lớp chuẩn hóa công suất phát và bộ kết hợp MMSE ở RxD của hệ thống AE-AF-MMSE được thay thế bằng bộ kết hợp RTN ar ar như biểu diễn Hình 3.5. Tín hiệu thu được ở nút chuyển tiếp ysr và nút đích y1 Hình 3.5 Cấu trúc nút đích của hệ thống AE-AF sử dụng bộ kết hợp RTN . trong khe thời gian thứ nhất được lần lượt tính theo biểu thức (3.13) và (3.13), chỉ số ar biểu diễn hệ thống hợp tác sử dụng phương pháp AF với bộ kết hợp ar RTN. Trong khe thời gian thứ hai, R thực hiện chuẩn hóa công suất phát ysr và truyền đến RxD. Khi đó, tín hiệu thu được từ đường truyền chuyển tiếp tại RxD: ar r ar y2 = Hrd fnor (ysr ) + zd,2 , (3.27) r trong đó, fnor (·) là hàm chuẩn hóa công suất tại R. R không có tham số học. Tín hiệu xar và xar được ước lượng như sau: ˆ1 ˆ2 xar = frtn1 (y1 , Hsd ; θrtn1 )y1 , ˆ1 ar ar ar (3.28) xar = frtn2 (y2 , Hsr , Hrd ; θrtn2 )y2 , ˆ2 ar ar ar (3.29) ar ar trong đó,frtn1 (·), frtn2 (·), θrtn1 , θrtn2 lần lượt là hàm biến đổi và tham số học của mạng các RTN1 và RTN2. Decoder của RxD ước lượng véc-tơ nhãn bar : ˆ ˆ bar = fdec concat(ˆ ar , xar ); θdec , x1 ˆ 2 ar (3.30)
18 ar trong đó, fdec (·), θdec lần lượt biểu diễn hàm biến đổi và các tham số học của Decoder của RxD. 3.2.3 Phương pháp huấn luyện các hệ thống AE-AF Các hệ thống AE-AF được huấn luyện bằng một pha duy nhất nhằm cực tiểu hàm sai lệch BCE tối ưu các tham số của TxS và RxD như biểu thức (2.47). Quá trình huấn luyện hệ thống AE-AF được trình bày trong Thuật toán 3.1. Thuật toán 3.1: Huấn luyện các hệ thống AE-AF bằng một pha. Input: b, Hsr , Hrd , Hsd , zr,1 , zd,1 , zd,2 , SNR, Lth , Niter . BCE 1: n=0 2: While n ≤ Niter : 3: for k in range (SNR): 4: Huấn luyện toàn hệ thống AE-AFsrd , tính Ln BCE 5: Ln BCE = AE-AFsrd . Train in = b, Hsr , Hrd , Hsd , zr,1 , af,n−1 af,n−1 zd,1 , zd,2 ; θTxS , θRxD ˆ , out = b 6: end for 7: if Ln th BCE ≤ LBCE : 8: break 9: end if 10 : n+ = 1 11 : end While af af Output: Bộ tham số đã huấn luyện của hệ thống: θTxS , θRxD 3.3 Đề xuất các hệ thống MIMO hợp tác theo phương pháp DF ứng dụng kỹ thuật AE cho WBAN 3.3.1 Hệ thống AE-DF sử dụng bộ kết hợp MMSEnet Hệ thống AE-DF-MMSEnet được biểu diễn trên Hình 3.6. Trong khe thời gian thứ nhất, TxS dán nhãn véc-tơ phát s thành véc-tơ nhãn b, sau đó mã hóa thành véc-tơ phát xdm theo công thức (3.12), chỉ số dm biểu diễn cho hệ thống hợp tác theo phương pháp DF sử dụng bộ kết hợp MMSEnet. Véc-tơ tín hiệu dm dm nhận được ở R ysr và RxD y1 lần lượt được tính bởi các công thức (3.13) và (3.14). RxR ở R ước lượng tín hiệu phát bằng bộ tách tín hiệu MMSEnet và Decoder: dm ˆ xdm = fMMSEnet2 (ysr , Hsr , σr,1 ; θMMSEnet2 ), ˆ sr dm (3.34) ˆ bdm = fRxR,dec (ˆ dm ; θRxR,dec ), xsr dm (3.35) r dm trong đó, fMMSEnet2 (·) và θMMSEnet2 lần lượt là hàm biến đổi và tham số học dm của bộ tách MMSEnet2, fRxR,dec (·) và θRxR,dec lần lượt là hàm biến đổi và tham