Tổng quan về luận án
Sự bùng nổ của hạ tầng viễn thông băng rộng, các hệ thống radar siêu cao tần, ảnh số y tế và thiết bị giám sát thông minh đang đặt ra thách thức gay gắt đối với kiến trúc thu nhận tín hiệu truyền thống. Theo định lý lấy mẫu Nyquist-Shannon kinh điển: "Để không mất thông tin và có thể khôi phục lại hoàn toàn tín hiệu thì phải lấy mẫu tín hiệu với tần số lấy mẫu cao hơn ít nhất hai lần băng thông của tín hiệu." Tuy nhiên, nguyên lý này tạo ra "nút thắt cổ chai" phần cứng khi đòi hỏi các bộ chuyển đổi tương tự - số (ADC) phải hoạt động ở tốc độ lấy mẫu cực cao, kéo theo gánh nặng lưu trữ, truyền dẫn và năng lượng xử lý dữ liệu khổng lồ.
Trong bối cảnh đó, lý thuyết Lấy mẫu nén (Compressive Sensing - CS) do Candès, Romberg, Tao và Donoho khởi xướng đã tạo ra cuộc cách mạng chuyển đổi từ lấy mẫu tương tự sang thông tin (Analog-to-Information Conversion - AIC), cho phép thu nhận tín hiệu ở tốc độ thấp hơn nhiều so với tốc độ Nyquist nếu tín hiệu có biểu diễn thưa ($K$-sparse). Dẫu vậy, khoảng trống nghiên cứu (research gap) cốt lõi tồn tại suốt nhiều năm qua là sự phụ thuộc nặng nề vào các ma trận ngẫu nhiên (Gaussian, Bernoulli). Mặc dù các ma trận này thỏa mãn tính chất giới hạn đẳng trị RIP với xác suất cao, chúng đòi hỏi lưu trữ các phần tử số thực dấu phẩy động, tiêu tốn bộ nhớ $O(MN)$ và không thể tạo lập tức thời ở tốc độ cao trên các chip phần cứng khả trình như FPGA. Đồng thời, các thuật toán tối ưu hóa lồi ($L_1$-minimization) như Basic Pursuit có độ phức tạp tính toán rất lớn $O(N^3)$, trong khi các thuật toán tham lam kinh điển như Matching Pursuit (MP) hay Orthogonal Matching Pursuit (OMP) lại dễ tích lũy sai số hoặc tiêu tốn chi phí tính toán nghịch đảo ma trận.
Nhằm giải quyết triệt để bài toán này, luận án tiến sĩ kỹ thuật của NCS Trần Vũ Kiên với đề tài "Nghiên cứu thiết kế ma trận và cải tiến thuật toán khôi phục tín hiệu được lấy mẫu nén" (Chuyên ngành Kỹ thuật điện tử, Mã số: 9.03, Học viện Công nghệ Bưu chính Viễn thông, 2023) đã thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:
- Câu hỏi nghiên cứu 1 (Q1): Làm thế nào để thiết kế ma trận lấy mẫu xác định toàn phần có cấu trúc nhị phân/lưỡng cực, đạt tính không kết hợp tiệm cận giới hạn Welch và khả thi khi tích hợp trên phần cứng số tốc độ cao?
- Câu hỏi nghiên cứu 2 (Q2): Bằng cơ chế toán học nào để cải tiến thuật toán tham lam MP nhằm giảm thiểu sai số dư sau mỗi bước lặp mà không làm tăng bậc độ phức tạp tính toán?
- Câu hỏi nghiên cứu 3 (Q3): Hiệu năng tổng thể của mô hình đề xuất khi tích hợp ma trận xác định và thuật toán cải tiến trên các lớp tín hiệu 1 chiều (tín hiệu vô tuyến vô tuyến truyền thanh/UAV) và 2 chiều (ảnh đa cấp xám) đạt mức độ tối ưu ra sao dưới điều kiện có nhiễu?
Hệ thống giả thuyết tương ứng:
- Giả thuyết 1 (H1): Việc khai thác cấu trúc đại số của trường hữu hạn $GF(2^n)$, kết hợp thanh ghi dịch phản hồi tuyến tính (LFSR) và kỹ thuật lồng ghép chuỗi phi tuyến qua phép biến đổi D sẽ tạo ra ma trận lưỡng cực BPNSM có tính không kết hợp $\mu(\Phi)$ xấp xỉ giới hạn Welch lý thuyết, loại bỏ hoàn toàn nhu cầu lưu trữ ma trận thô.
- Giả thuyết 2 (H2): Đưa gradient suy giảm sai số và ràng buộc đẳng trị D-RIP vào quá trình cập nhật bước lặp của thuật toán MP sẽ triệt tiêu năng lượng dư thừa có hệ thống, tăng tốc độ hội tụ và giảm độ lệch khôi phục.
- Giả thuyết 3 (H3): Mô hình CS đồng bộ giữa ma trận BPNSM và thuật toán DRMP sẽ vượt trội hơn các mô hình truyền thống về tỷ số cực đại tín hiệu trên nhiễu (PSNR), sai số toàn phương trung bình (MSE), hệ số tương quan Pearson ($R_{xy}$) và rút ngắn thời gian xử lý thực nghiệm.
Khung lý thuyết của công trình tích hợp chặt chẽ giữa Lý thuyết thông tin (Information Theory), Đại số trừu tượng trên trường hữu hạn Galois ($GF(p^n)$), Lý thuyết biểu diễn thưa và Tối ưu hóa tham lam động học. Phạm vi thực nghiệm bao gồm không gian tín hiệu 1D lấy từ phổ vô tuyến của thiết bị bay không người lái Flycam DJI Mavic Pro và không gian ảnh số 2D chuẩn, với tỷ số nén $CR = M/N$ linh hoạt, chứng minh khả năng giảm tải tính toán và lưu trữ phần cứng trên 80% so với phương pháp kinh điển.
Literature Review và Positioning
Khảo cứu tiến trình phát triển của lý thuyết lấy mẫu nén ghi nhận ba luồng tư tưởng học thuật chính:
- Luồng nghiên cứu ma trận đo (Measurement Matrix Design): Candès & Tao (2006) và Donoho (2006) đặt nền móng với ma trận ngẫu nhiên Gauss và Bernoulli, chứng minh tính phổ quát thỏa mãn RIP. Tiếp đó, các ma trận ngẫu nhiên có cấu trúc (Sub-sampled Fourier của Candès & Wakin, 2008; Partial Hadamard của Amini & Marvasti, 2011) được đề xuất để tăng tốc độ biến đổi nhưng vẫn mang tính ngẫu nhiên chọn hàng. Nhóm ma trận xác định (Deterministic Matrices) nổi lên với công trình của DeVore (2007) sử dụng đa thức trên trường hữu hạn, Howard et al. (2008) với mã Reed-Muller bậc hai, Amini et al. (2012) áp dụng mã quang học trực giao OOC và mã BCH, Shuxing Li (2014) khai thác đường cong đại số, và Jun Zhang (2016) xây dựng ma trận từ mã LDPC mật độ thấp.
- Luồng nghiên cứu thuật toán khôi phục (Reconstruction Algorithms): Phân chia thành phương pháp tối ưu hóa lồi ($L_1$-minimization/Basic Pursuit của Chen, Donoho & Saunders, 1998; FISTA của Beck & Teboulle, 2009), thuật toán không lồi ($L_p$-minimization, IRLS của Daubechies et al., 2010), và các thuật toán tham lam (Matching Pursuit - MP của Mallat & Zhang, 1993; Orthogonal Matching Pursuit - OMP của Tropp & Gilbert, 2007; CoSaMP của Needell & Tropp, 2009; Sparsity Adaptive Matching Pursuit - SaMP của Do et al., 2008; Gradient Pursuit - GP của Blumensath & Davies, 2008).
- Luồng nghiên cứu ứng dụng thực nghiệm: Điển hình là kiến trúc máy ảnh đơn điểm ảnh (Single-Pixel Camera) tại Đại học Rice (Duarte, Baraniuk et al., 2008) ứng dụng mảng gương số vi cơ điện tử (DMD) để đổi độ phân giải không gian lấy độ phân giải thời gian; và ứng dụng chụp cộng hưởng từ MRI của Lustig, Donoho & Pauly (2007) tại Đại học Stanford giúp rút ngắn thời gian quét bệnh nhân.
┌────────────────────────────────────────────────────────┐
│ LÝ THUYẾT LẤY MẪU NÉN (Candès, Donoho - 2006) │
└──────────────────────────┬─────────────────────────────┘
│
┌─────────────────────────────────┴────────────────────────────────┐
▼ ▼
┌───────────────────────────────┐ ┌───────────────────────────────────┐
│ THIẾT KẾ MA TRẬN ĐO │ │ THUẬT TOÁN KHÔI PHỤC │
└────────────┬──────────────────┘ └─────────────────┬─────────────────┘
│ │
┌───────┴───────┐ ┌───────┴────────┐
▼ ▼ ▼ ▼
┌──────────┐ ┌────────────┐ ┌───────────┐ ┌────────────┐
│Ngẫu nhiên│ │ Xác định │ │ Tối ưu L1 │ │ Tham lam │
│ (Gauss) │ │(Reed-Muller│ │ (BP) │ │ (MP, OMP, │
└──────────┘ │ BCH, LDPC) │ └───────────┘ │ CoSaMP) │
└─────┬──────┘ └─────┬──────┘
│ │
└─────────────────────────┬─────────────────────────────────────────┘
▼
┌──────────────────────────────────────────────────┐
│ VỊ TRÍ ĐÓNG GÓP ĐỘT PHÁ CỦA LUẬN ÁN (2023) │
│ - Ma trận lưỡng cực xác định BPNSM (LFSR + GF) │
│ - Thuật toán khôi phục cải tiến DRMP │
└──────────────────────────────────────────────────┘
Trong bức tranh tổng thể đó, hai cuộc tranh luận học thuật lớn vẫn tiếp diễn:
- Ma trận ngẫu nhiên đối đầu Ma trận xác định: Ma trận ngẫu nhiên chiếm ưu thế về số lượng mẫu $M = O(K \log(N/K))$ tối ưu lý thuyết nhưng bộc lộ nhược điểm chí tử là không tương thích kiến trúc phần cứng nhúng do ma trận không thể tái sinh động mà phải lưu mảng số thực khổng lồ. Ngược lại, ma trận xác định dễ sinh trên mạch logic nhưng thường bị ràng buộc kích thước khắt khe và khó chứng minh RIP tổng quát.
- Tối ưu hóa cơ sở (BP) đối đầu Thuật toán tham lam (MP/OMP): BP đạt độ chính xác khôi phục gần như hoàn hảo nhưng chi phí tính toán $O(N^3)$ bất khả thi cho các luồng dữ liệu thời gian thực. Các thuật toán tham lam giải quyết được tốc độ nhưng OMP phải liên tục chiếu trực giao giải hệ tuyến tính làm tăng thời gian lặp, trong khi MP đơn thuần lại hội tụ chậm và sai số suy giảm không ổn định.
Luận án của NCS Trần Vũ Kiên định vị chính xác tại giao điểm giải quyết hai nghịch lý trên: phát triển ma trận xác định lưỡng cực BPNSM từ chuỗi giả ngẫu nhiên phi tuyến trên trường Galois $GF(2^n)$ và thuật toán DRMP. So với nghiên cứu của Howard et al. (2008) về mã Reed-Muller vốn bị giới hạn kích thước ma trận nghiêm ngặt theo lũy thừa 2, cấu trúc chuỗi lồng ghép của BPNSM mang lại tính linh hoạt cao hơn nhiều trong việc cắt ghép kích thước ma trận. So với thuật toán CoSaMP của Needell & Tropp (2009) vốn đòi hỏi ước lượng độ thưa $K$ chính xác trước khi lặp, thuật toán DRMP tối ưu hóa hàm mục tiêu theo gradient chiếu trực giao từng phần, duy trì tính ổn định vượt trội khi có nhiễu công nghiệp và nhiễu kênh truyền vô tuyến.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án tạo ra những bước mở rộng sâu sắc đối với các nguyên lý cơ bản trong xử lý tín hiệu số:
- Mở rộng lý thuyết tương quan khung (Frame Theory & Coherence): Luận án chứng minh rằng việc kết hợp các chuỗi nhị phân phi tuyến lồng ghép có thể nén giá trị không kết hợp (mutual incoherence) của ma trận đo $\mu(\Phi)$ tiệm cận giới hạn dưới Welch:
$$\mu(\Phi) \ge \sqrt{\frac{N - M}{M(N - 1)}}$$
Văn bản luận án khẳng định: "Tính chất không kết hợp của ma trận $\Phi$, ký hiệu là $\mu(\Phi)$, được định nghĩa là giá trị tuyệt đối lớn nhất của tích vô hướng giữa hai cột bất kỳ $\phi_i, \phi_j$ của ma trận $\Phi$ và được trình bày như sau: $\mu(\Phi) = \max_{1 \le i < j \le N} \frac{|\langle \phi_i, \phi_j \rangle|}{|\phi_i|_2 |\phi_j|_2}$." Luận án mở rộng định lý này bằng cách chứng minh giải tích rằng ma trận BPNSM xây dựng từ các pha dịch chuyển tuần hoàn của chuỗi phi tuyến cực đại duy trì hàm tự tương quan $R_c(\tau)$ và tương quan chéo $R_{a,b}(\tau)$ ở mức cận tối ưu, thiết lập nền tảng toán học bảo đảm điều kiện RIP mà không cần dựa vào xác suất ngẫu nhiên.
- Hình thành mô hình tối ưu hóa dư lượng gradient động (Dynamic Residual Reduction): Bổ sung vào lý thuyết xấp xỉ phi tuyến một mệnh đề toán học mới: Việc lựa chọn hướng suy giảm sai số dựa trên ma trận con cực đại hóa gradient $C_{D\Gamma}$ kết hợp phép chiếu trực giao $P_{DT}x$ bảo đảm hệ số suy giảm lỗi $\gamma < 1$ tại mọi bước lặp:
$$E_x^{(k+1)} \le \gamma E_x^{(k)}$$
Điều này loại bỏ hiện tượng dao động lặp và tích lũy sai số vốn là hạn chế lớn nhất của thuật toán MP gốc từ năm 1993.
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp một cách mẫu mực 3 lý thuyết toán học chuyên sâu:
- Lý thuyết trường hữu hạn Galois ($GF(p^n)$): Sử dụng đa thức nguyên thủy $f(x)$ bậc $n$ trên $GF(2)$ và hàm Vết $Tr(\cdot)$ để ánh xạ các phần tử trường mở rộng $GF(2^n)$ về trường con nhị phân cơ sở.
- Lý thuyết thanh ghi dịch phản hồi tuyến tính (LFSR) và Biến đổi D: Biến đổi D của chuỗi ${b_n}$ trên $GF(p)$ được mô hình hóa theo công thức toán học:
$$D[b_n] = \sum_{i=0}^{m} b_i d^i, \quad b_i \in {GF(p)}$$
Thông qua phương trình trạng thái chuyển tiếp $S_{n+1} = F \times S_n$ và đa thức sinh $g(d)$, cấu trúc lồng ghép pha dịch $I_p^T$ được xác lập tự động, cho phép tạo chuỗi giả ngẫu nhiên có độ phức tạp tuyến tính (Linear Complexity - LC) cực cao, chống lại các kỹ thuật giải mã phân tích chuỗi.
- Lý thuyết tối ưu hóa tham lam đa chiều: Tích hợp ma trận biến đổi trực giao $\Psi$ (DCT, DWT) với ma trận lấy mẫu xác định $\Phi_{BPNSM}$ thành ma trận cảm biến tổng hợp $\Theta = \Phi \Psi$, thỏa mãn:
$$(1 - \delta_K)|s|_2^2 \le |\Theta s|_2^2 \le (1 + \delta_K)|s|_2^2$$
với $\delta_K$ là hằng số RIP bậc $K$.
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ KHUNG PHÂN TÍCH TỔNG HỢP │
└───────────────────────────────────────────┬────────────────────────────────────────────┘
│
┌────────────────────────────┴────────────────────────────┐
▼ ▼
┌──────────────────────────────────────────────┐ ┌───────────────────────────────────────────────┐
│ THIẾT KẾ MA TRẬN ĐO BPNSM │ │ THUẬT TOÁN KHÔI PHỤC DRMP │
│ │ │ │
│ • Đa thức tối giản trên GF(2^n) │ │ • Tín hiệu nén y, Ma trận đo Θ = ΦΨ │
│ • LFSR phản hồi Fibonacci: S_{n+1} = F * S_n │ │ • Khởi tạo: Sai số dư r_0 = y, Tập chỉ số Λ_0│
│ • Phép biến đổi D: D[b_n] = ∑ b_i * d^i │ │ • Lựa chọn cột tương quan cực đại theo │
│ • Lồng ghép pha dịch I_p^T │ │ Gradient: C_{DΓ} = max |⟨r_{k-1}, θ_j⟩| │
│ • Ma trận lưỡng cực Φ ∈ {-1, +1}^{M x N} │ │ • Cập nhật phép chiếu trực giao P_{DT} │
│ • Đạt cận Welch: μ(Φ) ≈ √((N-M)/(M(N-1))) │ │ • Cập nhật sai số dư: r_k = y - Θ_{Λ_k} s_k │
└──────────────────────┬───────────────────────┘ └───────────────────────┬───────────────────────┘
│ │
└────────────────────────┬────────────────────────┘
▼
┌─────────────────────────────────────────────────┐
│ TÁI TẠO TÍN HIỆU: x̂ = Ψ ŝ (1D Spectrum / 2D) │
│ Đánh giá: R_{xy} -> 1, MAE -> 0, PSNR (dB) ↑ │
└─────────────────────────────────────────────────┘
Điều kiện biên của mô hình được xác lập tường minh: tín hiệu xấp xỉ phải có độ thưa $K \ll N$, số lượng phép đo nén tối thiểu phải thỏa mãn $M \ge c \cdot K \log(N/K)$, và mức phương sai nhiễu cộng $\sigma^2$ không vượt quá ngưỡng phá vỡ tính ổn định của toán tử chiếu trực giao.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án tuân thủ thế giới quan thực chứng (positivism) với phương pháp tiếp cận diễn dịch toán học kết hợp kiểm chứng thực nghiệm tính toán số học (computational empiricism). Thiết kế nghiên cứu được cấu trúc theo 4 tầng tích hợp:
- Tầng đại số trừu tượng: Thiết lập các cấu trúc đại số trên trường hữu hạn Galois $GF(2^3)$ và $GF(2^6)$, phân tích nghiệm của các đa thức nguyên thủy $f(x) = x^3 + x + 1$ và $b(d) = 1 + d^5 + d^6$.
- Tầng vi kiến trúc số: Mô hình hóa các thanh ghi dịch phản hồi tuyến tính LFSR theo cấu hình Fibonacci, tính toán ma trận chuyển tiếp trạng thái $G$ và vector trạng thái ban đầu $S_0$, thiết lập sơ đồ khối chuyển đổi từ byte trong bộ nhớ thành luồng bit nhị phân lưỡng cực ${-1, +1}$.
- Tầng thuật toán: Xây dựng mã giả, chứng minh tính hội tụ giải tích của thuật toán DRMP, ước lượng bậc độ phức tạp tính toán và tỷ số suy giảm sai số $\gamma$.
- Tầng mô phỏng ứng dụng: Kiểm thử mô hình trên máy tính sử dụng môi trường lập trình Python, thư viện đại số tuyến tính chuyên sâu và các tập dữ liệu thực nghiệm tiêu chuẩn.
Quy trình nghiên cứu rigorous
Quy trình thu thập và xử lý dữ liệu được tiến hành nghiêm ngặt qua các bước chuẩn hóa:
- Tín hiệu 1 chiều (1D RF Data): Thu nhận phổ tần số hoạt động thực tế từ thiết bị bay Flycam DJI Mavic Pro tại dải tần $2.4\text{ GHz}$. Tín hiệu miền thời gian gốc được số hóa và biến đổi Fourier nhanh (FFT) để trích xuất phổ biên độ, chứng minh tính chất thưa tự nhiên trong miền tần số (chỉ tồn tại một số đỉnh phổ mang năng lượng chính).
- Tín hiệu 2 chiều (2D Image Data): Sử dụng các ảnh kiểm thử đa cấp xám chuẩn kích thước $N \times N$, áp dụng phép biến đổi sóng con rời rạc (DWT) mức 2 và biến đổi Cosin rời rạc (DCT) kết hợp quét ma trận Zigzag để tập trung năng lượng vào các hệ số thấp tần, tạo ra vector hệ số thưa $s$ có $K \ll N$.
- Giao thức đo đạc và độ tin cậy: Đánh giá độ tin cậy thông qua phương pháp mô phỏng Monte Carlo lặp lại 1000 lần cho mỗi cấu hình lấy mẫu. Đánh giá tính vững (robustness) bằng cách bổ sung nhiễu Gauss trắng cộng (AWGN) với các mức phương sai nhiễu $\sigma \in [0.01, 0.1]$.
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ QUY TRÌNH NGHIÊN CỨU VÀ ĐÁNH GIÁ │
└───────────────────────────────────────────┬────────────────────────────────────────────┘
│
┌──────────────────────────────────┴──────────────────────────────────┐
▼ ▼
┌─────────────────────────────────┐ ┌──────────────────────────────────┐
│ TÍN HIỆU 1D: FLYCAM MAVIC PRO │ │ TÍN HIỆU 2D: ẢNH ĐA CẤP XÁM │
│ • Thu nhận phổ vô tuyến 2.4GHz│ │ • Ảnh kiểm thử tiêu chuẩn │
│ • Biến đổi FFT trích xuất phổ │ │ • Biến đổi DWT/DCT + Zigzag │
└────────────────┬────────────────┘ └────────────────┬─────────────────┘
│ │
└──────────────────────────┬──────────────────────────┘
▼
┌──────────────────────────────────┐
│ KHÂU LẤY MẪU NÉN VỚI BPNSM │
│ • Tỷ số nén CR = M/N │
│ • Môi trường: Không nhiễu / AWGN│
└─────────────────┬────────────────┘
│
▼
┌──────────────────────────────────┐
│ KHÔI PHỤC VỚI THUẬT TOÁN DRMP │
│ (So sánh với MP, OMP, CoSaMP) │
└─────────────────┬────────────────┘
│
▼
┌──────────────────────────────────┐
│ HỆ THỐNG CHỈ TIÊU ĐÁNH GIÁ │
│ • 1D: R_{xy}, MAE, Runtime │
│ • 2D: PSNR (dB), MSE, Runtime │
└──────────────────────────────────┘
Data và phân tích
Hệ thống chỉ tiêu đánh giá định lượng được định nghĩa toán học chính xác:
- Hệ số tương quan Pearson ($R_{xy}$):
$$R_{xy} = \frac{\sum_{i=1}^N (x_i - \bar{x})(\hat{x}i - \bar{\hat{x}})}{\sqrt{\sum{i=1}^N (x_i - \bar{x})^2 \sum_{i=1}^N (\hat{x}_i - \bar{\hat{x}})^2}}$$
- Sai số tuyệt đối trung bình (MAE):
$$MAE = \frac{1}{N} \sum_{i=1}^N |\hat{x}_i - x_i|$$
- Sai số toàn phương trung bình (MSE):
$$MSE = \frac{1}{MN} \sum_{i=0}^{M-1} \sum_{j=0}^{N-1} [X(i,j) - \hat{X}(i,j)]^2$$
- Tỷ số tín hiệu cực đại trên nhiễu (PSNR):
$$PSNR = 10 \log_{10}\left(\frac{MAX_I^2}{MSE}\right) \quad (\text{với } MAX_I = 255 \text{ cho ảnh 8-bit})$$
Các công cụ phần mềm: Toàn bộ thuật toán được lập trình trên nền tảng Python, tối ưu hóa tính toán ma trận với NumPy và SciPy, mô hình hóa mạch logic LFSR và sơ đồ phần cứng ADC tốc độ thấp kết hợp mảng chuyển mạch bit.
Phát hiện đột phá và implications
Những phát hiện then chốt
Kết quả mô phỏng và thực nghiệm giải tích của luận án mang lại 5 phát hiện mang tính đột phá:
- Khả năng tự sinh ma trận xác định BPNSM với độ phức tạp bộ nhớ bằng 0: Khác với ma trận Gauss hay Bernoulli cần lưu trữ toàn bộ $M \times N$ phần tử số thực trong RAM, ma trận BPNSM được sinh trực tiếp theo thời gian thực từ phần cứng LFSR chỉ gồm một số ít flip-flop và cổng XOR dựa trên đa thức tối giản $GF(2^n)$. Các chuỗi phi tuyến lồng ghép có hàm tự tương quan $R_c(\tau)$ dạng xung Dirac lý tưởng và hàm tương quan chéo $R_{a,b}(\tau) \approx 0$, thỏa mãn tính không kết hợp tiệm cận giới hạn Welch.
- Thuật toán DRMP giảm triệt để sai số dư và tăng tốc độ hội tụ: Nhờ việc áp dụng ma trận con theo hướng tối đa gradient $C_{D\Gamma}$ và phép chiếu trực giao $P_{DT}$, DRMP triệt tiêu sai số sau từng vòng lặp nhanh hơn $35-40%$ so với MP gốc, loại bỏ hoàn toàn hiện tượng phân kỳ khi tỷ số nén thấp ($M/N \le 0.3$).
- Hiệu năng vượt trội trong tái tạo tín hiệu vô tuyến 1D: Đối với tín hiệu phổ Flycam Mavic Pro, mô hình BPNSM + DRMP đạt hệ số tương quan $R_{xy} > 0.985$ và hệ số sai số $MAE < 0.012$ ngay cả khi số lượng phép đo $M$ chỉ bằng $40%$ số mẫu Nyquist. Khi có nhiễu AWGN, hệ số tương quan vẫn duy trì ổn định trên $0.92$, vượt trội hơn ma trận Gauss kết hợp MP ($R_{xy} \approx 0.81$).
- Nâng cao chất lượng ảnh số 2D và độ bền vững trước nhiễu: Trong thực nghiệm nén và khôi phục ảnh số đa cấp xám:
- Trường hợp không có nhiễu: Mô hình đề xuất đạt chỉ số $PSNR$ cao hơn từ $3.2\text{ dB}$ đến $5.8\text{ dB}$, đồng thời giảm chỉ số $MSE$ từ $2.5$ đến $4$ lần so với các mô hình sử dụng ma trận ngẫu nhiên Gauss và thuật toán OMP/CoSaMP.
- Trường hợp có cộng nhiễu: $PSNR$ của mô hình BPNSM + DRMP suy giảm ít nhất, các đường biên và chi tiết cấu trúc ảnh được khôi phục sắc nét, không bị hiện tượng nhòe khối (blocking artifacts).
- Tiết kiệm thời gian xử lý và chi phí phần cứng: Thời gian tính toán khôi phục của DRMP giảm đáng kể so với CoSaMP và tiệm cận thời gian của MP, trong khi việc thay thế ma trận số thực bằng ma trận lưỡng cực ${-1, +1}$ giúp biến các phép nhân ma trận phức tạp thành các phép cộng/trừ tích lũy, cực kỳ tối ưu cho các bộ xử lý DSP và FPGA.
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ SO SÁNH ĐẶC TÍNH KỸ THUẬT GIỮA CÁC PHƯƠNG PHÁP LẤY MẪU NÉN │
├──────────────────────────┬─────────────────────────────┬───────────────────────────────┤
│ Tiêu chí kỹ thuật │ Mô hình kinh điển (Gauss+MP)│ Mô hình đề xuất (BPNSM+DRMP) │
├──────────────────────────┼─────────────────────────────┼───────────────────────────────┤
│ Lưu trữ ma trận đo │ Tiêu tốn RAM O(MN) số thực │ Không cần lưu (tự sinh LFSR) │
│ Độ phức tạp phép đo │ Nhân số thực dấu phảy động │ Cộng/trừ tích lũy nhị phân │
│ Tương quan cột μ(Φ) │ Thỏa mãn theo xác suất │ Xác định tiệm cận cận Welch │
│ Khôi phục tín hiệu 1D │ R_{xy} ≈ 0.81 (khi có nhiễu)│ R_{xy} > 0.92 (khi có nhiễu) │
│ Chất lượng ảnh 2D (PSNR) │ Chuẩn cơ sở │ Tăng vượt trội +3.2 đến 5.8 dB│
│ Khả năng thực thi FPGA │ Rất khó khăn, chi phí cao │ Đơn giản, tốc độ cực cao │
└──────────────────────────┴─────────────────────────────┴───────────────────────────────┘
Implications đa chiều
- Về mặt lý thuyết: Cung cấp cầu nối toán học hoàn chỉnh giữa lý thuyết đại số trừu tượng trên trường hữu hạn Galois với hình học không gian Banach trong lý thuyết nén tín hiệu thưa.
- Về mặt phương pháp luận: Mở ra hướng tiếp cận mới trong việc thiết kế thuật toán tham lam có định hướng gradient, cho phép tùy biến tham số suy giảm lỗi theo từng lớp tín hiệu chuyên biệt.
- Về mặt thực tiễn kỹ thuật: Đặt nền móng cho việc chế tạo các chip cảm biến AIC thế hệ mới, tích hợp trực tiếp trên các thiết bị Internet vạn vật (IoT), hệ thống giám sát video phân tán (Distributed Video Surveillance - DVS) và các đầu thu vô tuyến nhận thức (Cognitive Radio) giám sát phổ băng rộng.
Limitations và Future Research
Luận án thẳng thắn chỉ ra 3 giới hạn nghiên cứu chính:
- Ràng buộc kích thước đại số: Kích thước của ma trận xác định BPNSM phụ thuộc vào độ dài chuỗi giả ngẫu nhiên sinh ra từ trường Galois $GF(2^n)$ (có chu kỳ dạng $2^n - 1$), dẫn đến việc ma trận không thể thay đổi kích thước hoàn toàn tự do theo từng điểm ảnh đơn lẻ mà phải sử dụng các kỹ thuật cắt ghép ma trận con.
- Phạm vi dạng tín hiệu: Thực nghiệm tập trung sâu vào tín hiệu vô tuyến 1D của Flycam và ảnh số tĩnh 2D; chưa mở rộng đánh giá trên các luồng video thời gian thực tốc độ cao ($3D/Tensor$) hoặc tín hiệu y sinh phi tuyến phức tạp (EEG, ECG đa kênh).
- Cơ sở biểu diễn thưa cố định: Nghiên cứu sử dụng các ma trận thưa tiền định chuẩn hóa (DCT, DWT) mà chưa tích hợp các thuật toán học từ điển thích nghi (Dictionary Learning - K-SVD) hoặc mạng nơ-ron sâu tự mã hóa (Deep Autoencoders).
Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng đi chiến lược:
- Mở rộng thiết kế ma trận xác định trên các trường hữu hạn tổng quát $GF(p^n)$ với $p > 2$ và mã đa mức để tối ưu hóa tỷ số nén cho tín hiệu siêu nhiều chiều.
- Tích hợp kỹ thuật học sâu (Deep Unfolding) để chuyển đổi các bước lặp của thuật toán DRMP thành các lớp mạng nơ-ron nhân tạo, giúp khôi phục tín hiệu trong thời gian nano-giây.
- Thực hiện băng thử nghiệm vật lý (Tape-out ASIC/FPGA) hoàn chỉnh cho bộ chuyển đổi tương tự sang thông tin (AIC) tích hợp ma trận BPNSM.
- Ứng dụng mô hình vào hệ thống bảo mật lớp vật lý (Physical Layer Security) trong mạng di động 6G và truyền thông lượng tử.
Tác động và ảnh hưởng
Công trình của NCS Trần Vũ Kiên tạo ra những xung lực tác động sâu rộng:
- Tác động học thuật: Đóng góp hệ thống bài báo chất lượng cao trên các tạp chí chuyên ngành viễn thông và kỷ yếu hội nghị quốc tế uy tín, dự kiến thu hút lượng trích dẫn lớn từ cộng đồng nghiên cứu xử lý tín hiệu và thiết kế vi mạch.
- Chuyển đổi công nghiệp: Cung cấp giải pháp công nghệ trực tiếp cho các doanh nghiệp quốc phòng, viễn thông và thiết bị y tế trong việc chế tạo các module cảm nhận phổ vô tuyến băng rộng, hệ thống radar bắt bám mục tiêu bay thấp và thiết bị ảnh nhiệt hồng ngoại giá thành thấp.
- Chính sách và Chuẩn hóa: Cung cấp cơ sở khoa học thực chứng cho Cục Tần số Vô tuyến điện và Bộ Thông tin & Truyền thông trong việc xây dựng các tiêu chuẩn kỹ thuật quản lý và giám sát tự động phổ tần số vô tuyến quốc gia.
- Lợi ích xã hội: Giảm giá thành thiết bị thu nhận tín hiệu chất lượng cao, tiết kiệm năng lượng cho các mạng cảm biến môi trường diện rộng và nâng cao năng lực giám sát an ninh bầu trời.
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giảng viên chuyên ngành Điện tử - Viễn thông: Khai thác tài liệu tham khảo mẫu mực về ứng dụng đại số trừu tượng $GF(p^n)$ vào thiết kế giải thuật xử lý tín hiệu số hiện đại.
- Kỹ sư R&D thiết kế phần cứng (FPGA/ASIC Designers): Sở hữu giải pháp kiến trúc mạch sinh ma trận lấy mẫu nén tốc độ cao không tốn tài nguyên RAM, dễ dàng tổng hợp trên phần mềm Vivado/Quartus.
- Kỹ sư xử lý ảnh và truyền thông vô tuyến: Ứng dụng thuật toán DRMP để nâng cao tỷ số tín hiệu trên nhiễu và độ tương quan trong các bài toán khôi phục dữ liệu thưa thớt.
- Các nhà hoạch định chính sách an ninh thông tin: Tiếp cận phương thức bảo mật tín hiệu ngay từ tầng thu nhận vật lý nhờ tính chất giả ngẫu nhiên phi tuyến của ma trận đo.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?
Trả lời: Đóng góp độc đáo nhất là việc xây dựng thành công ma trận lấy mẫu nén xác định lưỡng cực BPNSM từ chuỗi giả ngẫu nhiên phi tuyến thông qua phép biến đổi D và cấu trúc lồng ghép pha dịch $I_p^T$ trên trường Galois $GF(2^n)$. Đóng góp này mở rộng Lý thuyết biểu diễn khung và Tính không kết hợp (Mutual Incoherence Theory), chứng minh giải tích rằng ma trận xác định có thể tiệm cận giới hạn Welch mà không cần dựa vào ma trận ngẫu nhiên Gauss.
2. Đột phá phương pháp luận của thuật toán DRMP khi so sánh với MP [63] và OMP [96] là gì?
Trả lời: Thuật toán MP gốc [63] chọn cột tương quan lớn nhất nhưng không trực giao hóa dẫn đến sai số dư dao động và hội tụ chậm. Thuật toán OMP [96] khắc phục bằng phép chiếu trực giao toàn phần nhưng đòi hỏi giải bài toán bình phương tối thiểu ở mỗi bước, làm tăng chi phí tính toán khi số cột chọn tăng lên. Thuật toán DRMP giải quyết hoàn hảo thế lưỡng nan này bằng cách áp dụng hướng tối đa gradient $C_{D\Gamma}$ kết hợp chiếu trực giao từng phần, bảo đảm hệ số suy giảm lỗi $\gamma < 1$ nghiêm ngặt ở mọi vòng lặp với chi phí tính toán thấp.
3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có số liệu chứng minh là gì?
Trả lời: Phát hiện bất ngờ nhất là ma trận xác định BPNSM khi kết hợp với DRMP trong môi trường có nhiễu AWGN lại cho chất lượng khôi phục vượt trội hơn ma trận ngẫu nhiên Gauss truyền thống: hệ số tương quan $R_{xy}$ trên tín hiệu vô tuyến 1D đạt $> 0.92$ (so với $0.81$ của Gauss), và chỉ số $PSNR$ trên ảnh 2D cao hơn tới $5.8\text{ dB}$, đồng thời loại bỏ hoàn toàn nhu cầu lưu trữ ma trận số thực trên bộ nhớ.
4. Luận án có cung cấp quy trình tái lập (Replication Protocol) minh bạch không?
Trả lời: Luận án cung cấp đầy đủ và chi tiết toàn bộ quy trình tái lập: từ phương trình trạng thái LFSR ($S_{n+1} = F \times S_n$), bảng biến đổi D của chuỗi con (Bảng 2.2), đa thức sinh $g(d) = 1 + d^5 + d^6$, lưu đồ thuật toán DRMP (Hình 3.4), cùng các công thức tính toán chỉ tiêu $MSE$, $MAE$, $PSNR$, $R_{xy}$.
5. Chương trình nghị sự 10 năm tới cho hướng nghiên cứu này được định hình như thế nào?
Trả lời: Lộ trình 10 năm tập trung vào 3 trụ cột: (1) Nâng cấp cấu trúc ma trận xác định lên các trường mở rộng phi nhị phân cho tín hiệu Tensor/MIMO nhiều chiều; (2) Tích hợp giải thuật DRMP vào kiến trúc tính toán biên nhúng AI (Neuromorphic Computing); (3) Chế tạo chip AIC thương mại ứng dụng trong hệ thống giám sát không gian và mạng viễn thông 6G.
Kết luận
- Thiết kế thành công ma trận xác định BPNSM: Khai thác triệt để cấu trúc trường hữu hạn Galois $GF(2^n)$ và thanh ghi dịch LFSR, tạo ra ma trận lấy mẫu nén nhị phân lưỡng cực thỏa mãn tính không kết hợp tiệm cận giới hạn Welch, giải phóng hoàn toàn gánh nặng bộ nhớ lưu trữ ma trận trong các hệ thống nhúng.
- Cải tiến thành công thuật toán khôi phục DRMP: Bổ sung cơ chế tối ưu hóa gradient động và ràng buộc D-RIP vào thuật toán tham lam MP, chứng minh toán học sự suy giảm đơn điệu của năng lượng sai số dư, tăng tốc độ hội tụ và giảm thời gian xử lý thực nghiệm.
- Chứng minh tính ưu việt trên không gian tín hiệu đa dạng: Đạt hệ số tương quan $R_{xy} > 0.98$ trên tín hiệu phổ vô tuyến 1D của Flycam Mavic Pro và nâng cao chỉ số $PSNR$ thêm $3.2 - 5.8\text{ dB}$ trên ảnh số đa cấp xám 2D so với các mô hình ngẫu nhiên Gauss/Bernoulli.
- Tối ưu hóa khả năng thực thi phần cứng số: Kiến trúc ma trận lưỡng cực cho phép thay thế các bộ nhân số thực dấu phảy động phức tạp bằng các mạch tích lũy cộng/trừ đơn giản, mở đường cho việc hiện thực hóa các bộ thu AIC tốc độ cao trên chip FPGA/ASIC.
- Định hình các nhánh nghiên cứu mới: Mở ra ba dòng nghiên cứu phái sinh đầy tiềm năng gồm Lấy mẫu nén thích nghi trên mạng nơ-ron sâu, Cảm nhận phổ băng rộng trong viễn thông 6G, và Bảo mật tầng vật lý dựa trên chuỗi giả ngẫu nhiên phi tuyến.
- Di sản học thuật và ứng dụng thực tiễn: Công trình xác lập bước tiến quan trọng trong lĩnh vực Kỹ thuật điện tử tại Việt Nam, thu hẹp khoảng cách giữa lý thuyết toán học trừu tượng với các ứng dụng kỹ thuật vô tuyến và xử lý đa phương tiện hiện đại.
