intTypePromotion=1
ADSENSE

Ứng dụng mô hình Deep Neural Network để khôi phục tín hiệu trong hệ thống MIMO-NOMA

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

10
lượt xem
0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này khảo sát việc ứng dụng học sâu để khôi phục tín hiệu thu trong hệ thống MIMO-NOMA. Ứng dụng học sâu có hai ưu điểm quan trọng gồm thực hiện giải mã song song và cải thiện chất lượng toàn hệ thống. Nhờ vào quá trình huấn luyện trong học sâu, hệ thống có thể tìm ra bộ trọng số tối ưu cho quá trình khôi phục tín hiệu. Kết quả cho thấy việc sử dụng học sâu có chất lượng tốt hơn kỹ thuật SIC.

Chủ đề:
Lưu

Nội dung Text: Ứng dụng mô hình Deep Neural Network để khôi phục tín hiệu trong hệ thống MIMO-NOMA

  1. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Ứng dụng mô hình Deep Neural Network để khôi phục tín hiệu trong hệ thống MIMO-NOMA Ngô Minh Nghĩa, Nguyễn Thái Công Nghĩa, Nguyễn Thị Xuân Uyên, Ngô Thanh Hãi, Đặng Lê Khoa Khoa Điện tử Viễn thông Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM Email: nmnghia@fetel.hcmus.edu.vn, ntcnghia@fetel.hcmus.edu.vn, ntxuyen@fetel.hcmus.edu.vn, nthai@fetel.hcmus.edu.vn, dlkhoa@fetel.hcmus.edu.vn Tóm tắt—Đa truy nhập phi trực giao (NOMA) là một trong nhỏ, nơi NOMA được triển khai cho người dùng trong một những kỹ thuật tiềm năng cho các hệ thống thông tin di động cụm (cluster) và các thuật toán MIMO được sử dụng để loại thế hệ sau. Kỹ thuật này có thể kết hợp với kỹ thuật nhiều anten bỏ nhiễu liên cụm. phát nhiều anten thu (MIMO) tạo thành hệ thống MIMO-NOMA Để giải mã thông tin chồng chất ở mỗi máy thu, Cover là nhằm tăng dung lượng toàn hệ thống. Xét kỹ thuật NOMA miền công suất, do có sự chồng lấn cả về miền không gian và miền người đầu tiên đề xuất kỹ thuật SIC [2]. Kỹ thuật này được công suất nên việc khôi phục tín hiệu ở đầu thu là khá phức đề xuất sử dụng trong đa truy nhập phi trực giao NOMA. SIC tạp. Phương pháp triệt nhiễu nối tiếp (SIC) thường được ứng có thể thực hiện bằng cách khai thác các thông số kỹ thuật dụng để khôi phục tín hiệu trong hệ thống MIMO-NOMA. Tuy về sự khác biệt công suất giữa các tín hiệu. Ý tưởng cơ bản nhiên, phương pháp SIC phải tách các tín hiệu mạnh trước khi của SIC là tín hiệu người dùng được giải mã liên tiếp. Tuy khôi phục tín hiệu yếu hơn. Khi đó, tín hiệu yếu hơn lại được nhiên, phương pháp loại bỏ nhiễu nối tiếp SIC bị giới hạn bởi xem là nhiễu đối với tín hiệu mạnh nên tỉ số tín hiệu trên can nhiễu (SINR) của từng đầu thu sẽ giảm. Bài báo này khảo sát nó tính toán một cách phức tạp và gặp vấn đề trong quá trình việc ứng dụng học sâu để khôi phục tín hiệu thu trong hệ thống phát hiện lỗi nếu số lượng người dùng lớn. MIMO-NOMA. Ứng dụng học sâu có hai ưu điểm quan trọng Cùng với sự bùng nổ dữ liệu và phát triển phần cứng gồm thực hiện giải mã song song và cải thiện chất lượng toàn hệ trong 5 năm trở lại đây, Deep Learning hay còn được gọi thống. Nhờ vào quá trình huấn luyện trong học sâu, hệ thống có là học sâu, được nhắc đến rất nhiều như một xu hướng thể tìm ra bộ trọng số tối ưu cho quá trình khôi phục tín hiệu. mới của cuộc cách mạng trí tuệ nhân tạo (AI). Các mô Kết quả cho thấy việc sử dụng học sâu có chất lượng tốt hơn hình chính của Học sâu có thể kể đến như DNN (Deep kỹ thuật SIC. Đồng thời, kết quả mô phỏng cho thấy việc chọn các tham số như tốc độ học, các thuật toán tối ưu, số lượng các Neural Network), CNN (Convolutional Neural Network), RNN lớp ẩn và số lượng các node của lớp ẩn sẽ ảnh hưởng đến chất (Recurrent Neural Network). Trong lĩnh vực truyền thông, học lượng toàn hệ thống. sâu đã được nghiên cứu và áp dụng thành công trong nhiều Từ khóa—MIMO, đa truy nhập phi trực giao, học sâu kỹ thuật. Trong giải mã kênh, học sâu có thể học một dạng thuật toán giải mã thay vì một bộ phân loại đơn giản trong I. GIỚI THIỆU giải mã mã tuyến tính [3] và mã cực [4]. Ngoài ra, học sâu Đa truy nhập phi trực giao (NOMA) là kỹ thuật được đề còn ứng dụng trong phương pháp cục bộ hóa dựa trên CSI [5], xuất dùng trong các thế hệ di động tiếp theo, được xem là một cân bằng kênh [6]. Một sơ đồ tích hợp học sâu vào hệ thống kỹ thuật quan trọng và nhận được nhiều sự quan tâm trong ghép kênh phân chia theo tần số trực giao (OFDM) đã được những năm gần đây. Ý tưởng then chốt của NOMA là sử dụng đưa ra trong [7], các kết quả cho thấy tiềm năng của mô hình miền công suất cho đa truy nhập trong khi các thế hệ mạng DNN trong việc ước lượng kênh và giải mã tín hiệu trong hệ di động trước đây dựa vào miền thời gian/tần số/mã. Nếu như thống OFDM. Phân loại điều chế và nhận dạng dựa trên học đa truy nhập trực giao thông thường OMA chỉ cho phép mỗi sâu cũng là một lĩnh vực phổ biến trong các nghiên cứu [8]. người sử dụng được phục vụ trên nguồn phổ tần được cấp phát Trong lĩnh vực mạng di động, học sâu ứng dụng trong phân riêng độc quyền thì NOMA cho phép chồng các tín hiệu bản loại lưu lượng truy cập di động cũng đã được nghiên cứu để tin của đa người sử dụng trong miền công suất ở máy phát xử lí lưu lượng được mã hóa và phản ánh mô hình giao thông bằng cách khai thác độ lợi kênh tương ứng [1]. phức tạp [9]. Ứng dụng của công nghệ MIMO đối với NOMA rất quan Việc khôi phục tín hiệu ở phía thu của hệ thống MIMO- trọng vì sử dụng MIMO sẽ cung cấp thêm thêm độ lợi phân NOMA khi sử dụng phương pháp SIC truyền thống bị ảnh tập và độ lợi mã trong việc cải thiện chất lượng hệ thống cao hưởng bởi sự lan truyền lỗi và độ phức tạp của máy thu liên hơn. Trong thực tế, điều mong muốn nhất là phải phục vụ càng quan đến số lượng người dùng (UE). Vì vậy, trong bài báo nhiều người dùng càng tốt để giảm độ trễ của người dùng và này, chúng tôi sẽ trình bày một phương pháp học tập dựa trên cải thiện tính công bằng trong phục vụ người dùng. Theo lý do mô hình DNN để ước tính hiệu quả trạng thái kênh và giải mã này, người dùng đã được nhóm thành các cụm có kích thước tín hiệu dự kiến. Phần còn lại của bài báo này sẽ được trình ISBN 978-604-80-5958-3 60
  2. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) bày như sau: phần II trình bày cơ sở lí thuyết về mô hình hệ hoàn toàn được biết. Đối với người dùng, quy trình giải mã thống MIMO-NOMA dùng bộ tách tín hiệu tuyến tính MMSE tín hiệu sử dụng MMSE có thể được thể hiện dưới dạng: kết hợp phương pháp triệt nhiễu nối tiếp SIC ở phía thu và
  3.  
  4. 2 trình bày ứng dụng của mô hình DNN trong hệ thống MIMO- 1 
  5. Y1 ˜ p
  6. 1
  7. l1 j = arg min
  8. H1 − P1 Xj
  9. , (4)
  10. NOMA. Phần III mô phỏng hệ thống MIMO-NOMA sử dụng −α/2 Xj1 ∈X
  11. d1 j
  12. học sâu để giải mã tín hiệu ở phía thu. Phần IV là kết quả mô phỏng và thảo luận. Phần cuối cùng là kết luận và hướng trong đó, j là anten thu thứ j với j = 1, 2, . . . , N và X là tập phát triển. symbol điều chế của người dùng. Ma trận trọng số của bộ giải mã tín hiệu MMSE được thể hiện như sau: II. MÔ HÌNH HỆ THỐNG  −1 ˜ 1 = (H1 )H H1 (H1 )H + σ1 2 I H . (5) A. Mô hình hệ thống MIMO-NOMA sử dụng phương pháp triệt nhiễu nối tiếp SIC ở phía thu Đối với người dùng 2, đầu tiên thông tin của người dùng 1 Trong hệ thống MIMO-NOMA, tín hiệu từ kênh có độ lợi cần được trừ và quy trình tương tự như trên: cao hơn sẽ được truyền với mức công suất thấp hơn, trong
  13.  
  14. 2
  15. Y 2 p
  16. ˜ 1 − P1 Xj1
  17. , khi đó tín hiệu từ kênh có độ lợi thấp hơn sẽ được truyền với l12 j = arg min
  18.  H (6)
  19. −α/2 mức công suất cao hơn. Do đó, kênh của người dùng có độ lợi Xj1 ∈X
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2