Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Phát triển giải pháp cảm biến phổ cho hệ thống vô tuyến nhận thức" được thực hiện bởi nghiên cứu sinh Nguyễn Viết Tuyến, chuyên ngành Kỹ thuật Điện tử (mã số: 9 52 02 03) tại Học viện Kỹ thuật Quân sự dưới sự hướng dẫn khoa học của PGS.TS. Võ Kim và TS. Nguyễn Hải Dương (năm 2018).

Tính cấp thiết và khoảng trống nghiên cứu

Sự phát triển nhanh chóng của thông tin vô tuyến với số lượng thiết bị không dây (điện thoại thông minh, máy tính xách tay, thiết bị điều khiển từ xa, thiết bị IoT trong y tế từ xa, nhà thông minh, phương tiện tự động) gia tăng liên tục dẫn đến nhu cầu về tốc độ dữ liệu tăng cao và làm cho tài nguyên phổ tần số trở nên khan hiếm. Thống kê trích dẫn trong văn bản cho thấy số lượng thuê bao di động toàn cầu đã tăng từ chưa đầy 100 triệu năm 1996 lên đến 7,7 tỷ thuê bao vào tháng 7 năm 2017. Các dải tần có thể sử dụng trong giới hạn công nghệ hiện tại hầu như đã được cấp phát hết.

Tuy nhiên, các khảo sát thực tế của Ủy ban Truyền thông Liên bang Hoa Kỳ (FCC) và Công ty Phổ tần Chia sẻ (SSC) chỉ ra rằng hầu hết các băng tần đã được phân bổ cố định đều không được sử dụng hoặc sử dụng với hiệu suất thấp (chỉ đạt từ 15% đến 85%, đặc biệt các dải tần trên 3 GHz rất ít khi được khai thác). Tại Việt Nam, kết quả khảo sát trong dải tần từ 30 Hz đến 3 GHz tại Thành phố Hồ Chí Minh và Long An cho thấy hiệu suất sử dụng phổ trung bình chỉ đạt khoảng 13,74%. Sự khan hiếm phổ tần bắt nguồn từ cơ chế phân bổ phổ tần cố định (Fixed Spectrum Allocation - FSA) kém hiệu quả.

Để giải quyết tình trạng này, mạng vô tuyến nhận thức (Cognitive Radio Network - CRN) với cơ chế truy cập phổ động (Dynamic Spectrum Access - DSA) cho phép người dùng thứ cấp (Secondary User - SU) sử dụng các khoảng trống phổ tần (hố phổ) của người dùng chính (Primary User - PU) khi PU tạm thời không hoạt động. Trong CRN, cảm biến phổ (Spectrum Sensing - SS) là chức năng then chốt nhằm phát hiện sự xuất hiện của PU để tránh gây can nhiễu.

Khoảng trống nghiên cứu được tác giả xác định bao gồm:

  • Đối với kỹ thuật phát hiện năng lượng (Energy Detection - ED) tại các nút riêng lẻ: Các nghiên cứu trước đây thường giả thiết công suất nhiễu là cố định và đã biết trước. Khi ước lượng công suất nhiễu bằng phương pháp hợp lý cực đại (Maximum Likelihood - ML), các nghiên cứu giả định dữ liệu quan sát là đầy đủ. Trên thực tế, do giới hạn về độ nhạy ngưỡng thu của thiết bị, các mẫu nhiễu có biên độ nhỏ hơn ngưỡng thu sẽ bị loại bỏ, dẫn đến hiện tượng dữ liệu bị cắt (censored data). Việc ước lượng bằng ML khi dữ liệu bị cắt cho kết quả thiếu chính xác, làm sai lệch ngưỡng quyết định và giảm hiệu quả cảm biến.
  • Về việc khai thác dữ liệu lịch sử kênh truyền: Kỹ thuật ED thông thường chỉ sử dụng thông tin năng lượng tức thời mà bỏ qua thông tin trạng thái kênh trong quá khứ. Các công trình áp dụng mô hình Markov ẩn (Hidden Markov Model - HMM) để dự đoán trạng thái kênh đều giả thiết dữ liệu thu được là đầy đủ, chưa giải quyết trường hợp dữ liệu quan sát bị khuyết thiếu do ngưỡng thu hạn chế.
  • Đối với kỹ thuật cảm biến phổ hợp tác quyết định mềm (Cooperative Spectrum Sensing - Soft Decision Fusion - CSS-SDF): Việc sử dụng các thuật toán tối ưu toàn cục để tìm bộ trọng số tối ưu nhằm cực đại hóa xác suất phát hiện gặp phải rào cản về tốc độ hội tụ chậm, làm tăng thời gian cảm biến phổ của nút quyết định (Fusion Center - FC).

Mục tiêu và câu hỏi/giả thuyết nghiên cứu

Mục tiêu nghiên cứu của luận án được xác định gồm 3 nội dung:

  1. Nghiên cứu các thuật toán ước lượng công suất nhiễu để xác định ngưỡng quyết định cho kỹ thuật phát hiện năng lượng (ED) nhằm nâng cao hiệu quả cảm biến phổ.
  2. Nghiên cứu các thuật toán kết hợp thông tin thống kê việc chiếm giữ kênh truyền trong quá khứ và dữ liệu thu được ở hiện tại để dự đoán khả năng chiếm giữ kênh truyền ở thời điểm hiện tại.
  3. Nghiên cứu các thuật toán tối ưu để xác định bộ trọng số tối ưu cho hệ thống cảm biến phổ hợp tác quyết định mềm (CSS-SDF) nhằm nâng cao hiệu quả cảm biến phổ.

Bài toán cảm biến phổ được mô hình hóa dưới dạng kiểm định giả thuyết nhị phân:

  • Giả thuyết $H_0$: Tín hiệu PU không tồn tại (kênh truyền rỗi, tín hiệu thu tại SU chỉ gồm thành phần tạp âm).
  • Giả thuyết $H_1$: Tín hiệu PU tồn tại (kênh truyền bận, tín hiệu thu tại SU gồm tín hiệu của PU truyền qua kênh và tạp âm).

Hiệu năng phát hiện được đánh giá thông qua các chỉ số xác suất:

  • Xác suất phát hiện ($P_d = \Pr(H_1|H_1)$): Xác suất SU nhận định có tín hiệu PU khi PU thực sự đang phát tín hiệu.
  • Xác suất phát hiện nhầm ($P_f = \Pr(H_1|H_0)$): Xác suất SU nhận định có tín hiệu PU khi kênh truyền thực tế đang rỗi.
  • Xác suất không phát hiện ($P_m = \Pr(H_0|H_1) = 1 - P_d$): Xác suất SU nhận định không có tín hiệu PU khi PU đang hoạt động.
  • Xác suất lỗi phát hiện ($P_e$).

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Kỹ thuật cảm biến phổ tại các nút riêng lẻ và kỹ thuật cảm biến phổ hợp tác trong mạng vô tuyến nhận thức.
  • Phạm vi nghiên cứu:
    1. Nghiên cứu các kỹ thuật cảm biến phổ vô tuyến.
    2. Nghiên cứu các phương pháp ước lượng công suất nhiễu trong điều kiện dữ liệu bị cắt.
    3. Nghiên cứu mô hình Markov ẩn (HMM) ứng dụng trong việc xác định trạng thái kênh truyền.
    4. Nghiên cứu các thuật toán tối ưu hóa mô phỏng thiên nhiên (thuật toán di truyền - GA, thuật toán đàn dơi - BA, thuật toán đàn dơi thích nghi - ABA).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được điểm lại trong văn bản

Tác giả đã hệ thống hóa các công trình nghiên cứu liên quan đến mạng vô tuyến nhận thức và cảm biến phổ:

  • Khái niệm và kiến trúc CRN, SDR, DSA: Công trình nền tảng của Joseph Mitola (1999) đề xuất khái niệm CRN dựa trên công nghệ vô tuyến định nghĩa mềm (Software Defined Radio - SDR); các nghiên cứu khảo sát và kiến trúc của Haykin (2005), Akyildiz và cộng sự (2006, 2011); các báo cáo phân tích phổ tần của FCC (2002) và Shared Spectrum Company (2005); khảo sát thực nghiệm của Hà Duyên Trung và cộng sự (2012) tại Việt Nam.
  • Kỹ thuật cảm biến phổ tại nút riêng lẻ:
    • Phát hiện năng lượng (ED): Các công trình của Urkowitz (1967), Kostylev (2002), Digham, Alouini, Simon (2003, 2007), Cabric, Mishra, Brodersen (2004), Kim và Shin (2008), Yucek và Arslan (2009) nghiên cứu về phát hiện năng lượng truyền thống (CED) dưới các mô hình kênh truyền khác nhau với giả thiết công suất nhiễu biết trước.
    • Thiết lập ngưỡng động và độ bất định công suất nhiễu: Lehtomaki và cộng sự (2007) đề xuất ngưỡng động theo công suất phát của PU; Quan và cộng sự (2009) điều chỉnh ngưỡng theo số lượng mẫu; Sonnenschein và Fishler (2009) đề xuất kỹ thuật ngưỡng kép; Tandra và Sahai (2005, 2008) phân tích hiện tượng "bức tường SNR" (SNR wall) do độ bất định của công suất nhiễu; Al-Tahmeesschi và cộng sự (2013) đề xuất dùng ước lượng hợp lý cực đại (ML) để ước lượng công suất nhiễu khi kênh không có tín hiệu; các thông số độ nhạy thiết bị và công suất nhiễu nhiệt được tổng hợp từ Bagwari và Tomar (2013), Lopez-Benitez và Casadevall (2014).
    • Kỹ thuật lọc kết hợp (Matched Filter - MF): Cabric và cộng sự (2006), Chen và cộng sự (2008) phân tích phương pháp MF tối ưu theo SNR nhưng đòi hỏi thông tin mẫu (pilot) của PU.
    • Phát hiện đặc tính dừng (Cyclostationary Feature Detection - CFD): Gardner (1991), Lunden và cộng sự (2009) sử dụng hàm mật độ tương quan phổ (Spectral Correlation Density - SCD) để phân biệt tín hiệu có tính chu kỳ với nhiễu.
    • Các kỹ thuật khác: Biến đổi Wavelet phát hiện cạnh phổ băng rộng (Tian và Giannakis, 2006); Lấy mẫu nén (Compressed Sensing) giảm tốc độ lấy mẫu Nyquist (Candes và Wakin, 2008; Donoho, 2006; Meng và cộng sự, 2011); Cảm biến dựa trên dạng sóng (Kim và cộng sự, 2007); Ước lượng phổ Multitaper (Thomson, 1982); Phương pháp dựa trên hiệp phương sai (Zeng và Liang, 2007, 2009); Phương pháp dựa trên trị riêng (Zeng và Liang, 2008, 2009); Thống kê bậc cao HOS (Dobre và cộng sự, 2007).
    • Mô hình Markov ẩn (HMM): Akbar và Tranter (2007) đề xuất dùng chuỗi Markov với thuật toán Baum-Welch; Xing và cộng sự (2013) sử dụng chuỗi Markov thời gian rời rạc và thuật toán Viterbi; các nghiên cứu của Park và cộng sự (2007), Kim và cộng sự (2011) mô hình hóa trạng thái kênh với giả thiết dữ liệu thu thập đầy đủ.
  • Kỹ thuật cảm biến phổ hợp tác (CSS):
    • Ghasemi và Sousa (2005), Mishra và cộng sự (2006), Sun và cộng sự (2007), Peh và Liang (2014) nghiên cứu giải pháp phân tập không gian để khắc phục hiện tượng pha-đinh và che khuất.
    • Hợp nhất quyết định cứng (Hard Decision Fusion - HDF): Visotsky và cộng sự (2005), Cabric và cộng sự (2005), Chen và cộng sự (2007), Zhang và cộng sự (2009), Akyildiz và cộng sự (2011) nghiên cứu các luật kết hợp AND, OR, Majority Voting (MV), K-out-of-M.
    • Hợp nhất quyết định mềm (Soft Decision Fusion - SDF): Quan và cộng sự (2008) đề xuất luật kết hợp tuyến tính; Zou và cộng sự (2010) áp dụng kỹ thuật kết hợp tỷ số cực đại (Maximal Ratio Combining - MRC); Jondhale và cộng sự (2015) áp dụng kỹ thuật kết hợp đồng độ lợi (Equal Gain Combining - EGC); Chaudhari và cộng sự (2012), Wang và cộng sự (2013) nghiên cứu việc áp dụng các thuật toán tối ưu để xác định bộ trọng số cho SDF.
  • Thuật toán ước lượng và tối ưu hóa: Thuật toán cực đại hóa kỳ vọng (Expectation Maximization - EM) của Dempster, Laird, Rubin (1977); Thuật toán di truyền (Genetic Algorithm - GA) của John Holland (1970); Thuật toán đàn dơi (Bat Algorithm - BA) của Xin-She Yang (2010).

Khoảng trống luận án lựa chọn giải quyết

Luận án tập trung giải quyết ba vấn đề:

  1. Xây dựng phương pháp ước lượng công suất nhiễu dựa trên thuật toán EM khi dữ liệu quan sát bị cắt do giới hạn độ nhạy thu của thiết bị, từ đó kết hợp với GA để thiết lập ngưỡng quyết định tối ưu cho kỹ thuật ED tại nút riêng lẻ.
  2. Xây dựng mô hình HMM kết hợp thuật toán EM để ước lượng tham số mô hình kênh truyền trong điều kiện dữ liệu quan sát không đầy đủ, phục vụ việc dự đoán trạng thái kênh trong trường hợp kênh có nhớ.
  3. Ứng dụng và cải tiến thuật toán tối ưu bầy đàn (BA và ABA) nhằm tìm bộ trọng số tối ưu trong hệ thống cảm biến phổ hợp tác quyết định mềm (CSS-SDF), nhằm nâng cao xác suất phát hiện và giảm số vòng lặp hội tụ so với thuật toán di truyền.

Cơ sở lý thuyết và phương pháp nghiên cứu

Lý thuyết, khái niệm và khung phân tích

  • Lý thuyết phát hiện tín hiệu nhị phân: Mô hình hóa kênh truyền dưới hai giả thuyết $H_0$ và $H_1$. Đánh giá hiệu năng bằng xác suất phát hiện ($P_d$), xác suất phát hiện nhầm ($P_f$), xác suất không phát hiện ($P_m = 1 - P_d$) và đường cong đặc tính nhận (Receiver Operating Characteristic - ROC).
  • Mô hình phát hiện năng lượng (CED): Tín hiệu nhận được $x(t)$ qua bộ lọc thông dải BPF (băng thông $W$), biến đổi tương tự - số ADC, tính năng lượng tổng $Y = \sum_{n=1}^N |x(n)|^2$ với số mẫu $N = 2TW$. Theo định lý giới hạn trung tâm (Central Limit Theorem - CLT) với $N > 10$, thống kê kiểm nghiệm $Y$ được xấp xỉ phân bố chuẩn Gauss:
    • Dưới $H_0$: trung bình $\mu_0 = N\sigma_n^2$, phương sai $\sigma_0^2 = 2N\sigma_n^4$.
    • Dưới $H_1$: trung bình $\mu_1 = (N + \gamma)\sigma_n^2$, phương sai $\sigma_1^2 = 2(N + 2\gamma)\sigma_n^4$ (với $\gamma$ là tỷ số SNR tại SU).
  • Tiêu chí thiết lập ngưỡng: Phương pháp xác suất phát hiện nhầm không đổi (Constant False Alarm Rate - CFAR): $$\lambda = Q^{-1}(P_f)\sqrt{2N\sigma_n^4} + N\sigma_n^2$$ và phương pháp xác suất phát hiện đúng không đổi (Constant Detection Rate - CDR).
  • Lý thuyết ước lượng tham số:
    • Ước lượng hợp lý cực đại (ML): Tối đa hóa hàm log-likelihood $l(\theta) = \sum_{i=1}^N \ln f(x_i, \theta)$.
    • Thuật toán cực đại hóa kỳ vọng (EM): Áp dụng cho bài toán dữ liệu bị thiếu/bị cắt gồm 2 bước lặp:
      • Bước E (Expectation): Tính kỳ vọng của hàm log-likelihood có điều kiện $Q(\theta|\theta^{(\kappa)}) = E_{y|x,\theta^{(\kappa)}}[\log L(x, y; \theta)]$.
      • Bước M (Maximization): Tìm tham số $\theta^{(\kappa+1)} = \arg\max_\theta Q(\theta|\theta^{(\kappa)})$.
  • Mô hình Markov ẩn (HMM): Mô hình hóa trạng thái chiếm dụng kênh của PU bằng chuỗi Markov bậc 1 với bộ tham số $\phi = (\pi, A, B)$, trong đó $\pi$ là phân bố trạng thái ban đầu, $A = [a_{ij}]$ là ma trận xác suất chuyển trạng thái, $B = [b_j(k)]$ là ma trận xác suất quan sát. Luận án giải quyết bài toán xác định chuỗi trạng thái tối ưu phát sinh chuỗi quan sát (Bài toán 2) kết hợp thuật toán huấn luyện tham số khi dữ liệu bị cắt.
  • Thuật toán tối ưu mô phỏng tự nhiên:
    • Thuật toán di truyền (GA): Tìm kiếm không gian nghiệm thông qua các toán tử chọn lọc (Selection), lai ghép (Crossover) và đột biến (Mutation).
    • Thuật toán đàn dơi (BA): Mô phỏng hành vi định vị bằng tiếng vọng của đàn dơi với các phương trình cập nhật tần số $f_i = f_{min} + (f_{max} - f_{min})\beta$, vận tốc $v_i^k = v_i^{k-1} + (x_i^k - x^*)f_i$, vị trí $x_i^k = x_i^{k-1} + v_i^k$, tìm kiếm cục bộ $x_{new} = x_{old} + \varepsilon A^k$, điều chỉnh cường độ âm $A_i^{k+1} = \alpha A_i^k$ và tốc độ phát xung $r_i^{k+1} = r_i^0(1 - e^{-\tau k})$.

Phương pháp nghiên cứu

  • Phương pháp giải tích (Analytical Method): Thiết lập phương trình hệ thống, xây dựng các biểu thức toán học xác định hàm mật độ xác suất, xác suất phát hiện $P_d$, xác suất phát hiện nhầm $P_f$, xác suất lỗi $P_e$, hàm mục tiêu tối ưu hóa và các bước lặp toán học của thuật toán EM, GA, BA.
  • Phương pháp mô phỏng số Monte-Carlo: Sử dụng công cụ mô phỏng để đánh giá định lượng hiệu năng của các giải pháp đề xuất thông qua việc thiết lập số mẫu ngẫu nhiên lớn, khảo sát các đường cong ROC, xác suất phát hiện $P_d$, xác suất lỗi $P_e$, độ chính xác dự đoán trạng thái $P_A$, và tốc độ hội tụ qua các vòng lặp/thế hệ.

Nguồn tư liệu và dữ liệu

  • Dữ liệu mô phỏng kênh truyền vô tuyến: Kênh tạp âm Gauss trắng cộng tính (AWGN) và kênh pha-đinh Rayleigh; tín hiệu điều chế BPSK với các tham số số mẫu $N = 15$, $N = 100$, dải SNR khảo sát từ -25 dB đến 2 dB.
  • Các tham số thực nghiệm và tiêu chuẩn kỹ thuật: Độ nhạy thiết bị GSM (-121 dBm trên băng tần 200 kHz), WLAN 802.11n (-98 dBm), TV tương tự (-94 dBm), TV số (-116 dBm), công suất tạp âm nhiệt ở điều kiện 27°C (-174 dBm/Hz), công suất nhiễu tự nhiên trung bình (-96,5 dBm).
  • Dữ liệu khảo sát thực tế tình trạng sử dụng phổ tần tại Thành phố Hồ Chí Minh và Long An (30 Hz - 3 GHz) trích dẫn từ công trình [68].

Nội dung chính theo từng chương

Chương 1: TỔNG QUAN KỸ THUẬT CẢM BIẾN PHỔ TRONG MẠNG VÔ TUYẾN NHẬN THỨC

Chương 1 trình bày tổng quan về mạng vô tuyến nhận thức (CRN), các tiêu chuẩn kỹ thuật liên quan và phân tích chi tiết các phương pháp cảm biến phổ.

  1. Khái niệm cơ bản về CRN và tiêu chuẩn:

    • CRN là mạng không dây cho phép truy nhập phổ động (DSA). Người dùng thứ cấp (SU) có thể truy cập các dải tần đã cấp phép cho người dùng chính (PU) khi PU không hoạt động (hố phổ).
    • Hai đặc điểm cốt lõi của CR: Khả năng nhận thức (giám sát môi trường vô tuyến theo không gian và thời gian) và Khả năng tái cấu hình (điều chỉnh tần số hoạt động, phương thức điều chế, công suất truyền).
    • Các tiêu chuẩn tích hợp tính năng nhận thức: IEEE 802.22 (chuẩn không dây đầu tiên cho TVWS), IEEE 802.11af (PHY/MAC cho TVWS), IEEE 802.16h, DySPAN-SC, IEEE 802.19.

  2. Phân loại các kỹ thuật cảm biến phổ:

    • Cảm biến đồng nhất (Coherent Detection) như bộ lọc kết hợp (MFD) và cảm biến không đồng nhất (Non-coherent Detection) như phát hiện năng lượng (ED).
    • Bảng tổng hợp so sánh các kỹ thuật cảm biến phổ cơ bản được trình bày trong luận án:
Kỹ thuật SS Ưu điểm Nhược điểm
ED (Phát hiện năng lượng) Tính toán đơn giản; Không cần biết thông tin tín hiệu của PU. Hiệu quả thấp ở vùng SNR thấp; Không phân biệt được các người dùng khác nhau.
MFD (Bộ lọc kết hợp) Hiệu quả cảm biến phổ cao; Chi phí tính toán thấp. Cần biết thông tin tín hiệu của PU.
CFD (Đặc tính dừng) Hiệu quả cảm biến phổ cao ở vùng SNR thấp. Cần biết một phần thông tin của tín hiệu PU; Tính toán phức tạp.
Cảm biến dựa trên dạng sóng Hiệu quả cảm biến phổ cao ở vùng SNR thấp; Thời gian tính toán ngắn. Cần biết thông tin tín hiệu PU; Dễ bị lỗi đồng bộ.
Lấy mẫu nén (Compressed Sensing) Tỉ lệ lấy mẫu thấp; Chi phí thu nhận tín hiệu thấp. Nhạy cảm với các lỗi thiết kế phần cứng.
Biến đổi Wavelet Hiệu quả với tín hiệu băng rộng. Chi phí tính toán lớn.
Ước lượng phổ Multitaper Không cần biết thông tin tín hiệu PU; Tối ưu với tín hiệu băng rộng. Độ phức tạp thực hiện cao.

  1. Cảm biến phổ hợp tác (CSS) và các phương pháp hợp nhất:

    • Phân loại CSS theo cấu trúc mạng: Tập trung (Centralized), Phân tán (Distributed), Kết hợp (Combined).
    • Hợp nhất quyết định mềm (SDF): Các SU gửi thống kê kiểm nghiệm $E_i$ về nút FC. FC kết hợp theo luật tuyến tính $E = \sum_{i=1}^M w_i E_i$ với điều kiện $0 \le w_i \le 1$ và $\sum_{i=1}^M w_i = 1$. Khi biết công suất tín hiệu SU, trọng số được tính theo MRC: $w_i = \sigma_{s,i}^2 / \sum_{i=1}^M \sigma_{s,i}^2$. Khi không có thông tin công suất tín hiệu, trọng số được tính theo EGC: $w_i = 1/M$.
    • Hợp nhất quyết định cứng (HDF): Các SU gửi quyết định nhị phân 1-bit về FC. Các luật cơ bản:
      • Luật K-out-of-M: $P_d = \sum_{k=0}^{M-K} \binom{M}{K+k} (1 - P_{d,k})^{M-K-k} (P_{d,k})^{K+k}$.
      • Luật biểu quyết đa số (Majority Voting - MV): $K = \lceil M/2 \rceil$.
      • Luật OR: $K = 1 \Rightarrow P_d = 1 - \prod_{k=1}^M (1 - P_{d,k})$.
      • Luật AND: $K = M \Rightarrow P_d = \prod_{k=1}^M P_{d,k}$.

  2. Kỹ thuật ước lượng, tối ưu và mô hình Markov ẩn:

    • Trình bày cơ sở toán học của ước lượng ML và thuật toán EM (bước E và bước M).
    • Trình bày cấu trúc thuật toán di truyền (GA) và thuật toán đàn dơi (BA).
    • Trình bày mô hình Markov ẩn (HMM) với bộ tham số $\phi = (\pi, A, B)$ và 3 bài toán cơ bản giải bằng các thuật toán Forward-Backward, Viterbi và Baum-Welch.

Chương 2: NÂNG CAO HIỆU QUẢ KỸ THUẬT CẢM BIẾN PHỔ TẠI NÚT RIÊNG LẺ

Chương 2 tập trung giải quyết bài toán cảm biến phổ tại các nút riêng lẻ bằng kỹ thuật ED khi dữ liệu bị cắt và đề xuất mô hình HMM dự đoán trạng thái kênh.

  1. Mô hình hệ thống CED và ảnh hưởng của độ bất định nhiễu:

    • Phân tích thống kê kiểm nghiệm $Y = \sum_{n=1}^N |x(n)|^2$. Khi $N > 10$, $Y$ xấp xỉ Gauss.
    • Xác suất phát hiện nhầm theo CFAR: $P_f = Q\left(\frac{\lambda - N\sigma_n^2}{\sqrt{2N\sigma_n^4}}\right)$, dẫn đến ngưỡng quyết định $\lambda = Q^{-1}(P_f)\sqrt{2N\sigma_n^4} + N\sigma_n^2$.
    • Xác suất phát hiện đối với kênh AWGN: $P_d = Q\left(\frac{\lambda - N(1+\gamma)\sigma_n^2}{\sqrt{2N(1+2\gamma)\sigma_n^4}}\right)$.
    • Xác suất phát hiện đối với kênh pha-đinh Rayleigh: $$P_d = e^{-\frac{\lambda}{2\sigma_n^2}}\sum_{k=0}^{N-2}\frac{1}{k!}\left(\frac{\lambda}{2\sigma_n^2}\right)^k + e^{-\frac{\lambda}{2(\sigma_n^2+\gamma)}}\left(\frac{\sigma_n^2+\gamma}{\gamma}\right)^{N-1}\left[ 1 - e^{-\frac{\lambda\gamma}{2\sigma_n^2(\sigma_n^2+\gamma)}}\sum_{k=0}^{N-2}\frac{1}{k!}\left(\frac{\lambda\gamma}{2\sigma_n^2(\sigma_n^2+\gamma)}\right)^k \right]$$
    • Khi công suất nhiễu thực tế $\sigma_n^2$ thay đổi so với giả định ban đầu ($P_0 = 1$), nếu $\sigma_n^2 = 1,5$ mà giữ nguyên $\lambda$, mục tiêu $P_f = 0,1$ sẽ không đạt được.

  2. Đề xuất hệ thống ED-EM ước lượng công suất nhiễu:

    • Do giới hạn độ nhạy thiết bị thu, các mẫu quan sát có biên độ nhỏ hơn ngưỡng cắt $T_c$ sẽ bị mất. Luận án thiết lập hàm mật độ xác suất cho dữ liệu bị cắt và áp dụng thuật toán EM để ước lượng chính xác phương sai nhiễu $\sigma_n^2$.
    • Kết quả mô phỏng khảo sát ngưỡng quyết định khi công suất nhiễu thay đổi (với $P_f = 0,1$), ngưỡng quyết định khi ngưỡng cắt $T_c$ thay đổi, và xác suất phát hiện $P_d$ khi $T_c = 60, \sigma_n^2 = 0,8$.

  3. Đề xuất hệ thống ED-EMGA xác định ngưỡng tối ưu:

    • Kết hợp bộ ước lượng công suất nhiễu EM với giải thuật di truyền (GA) để tìm giá trị ngưỡng $\lambda$ tối ưu.
    • Hàm mục tiêu của GA được thiết lập nhằm tối thiểu hóa xác suất lỗi phát hiện $P_e$ và cân bằng sự đánh đổi giữa xác suất không phát hiện $P_m$ và xác suất phát hiện nhầm $P_f$.
    • Kết quả đánh giá: Tốc độ hội tụ của GA tại mức SNR = -20 dB; khảo sát ngưỡng tối ưu trên dải SNR = [-25, 0] dB với các tỷ lệ cắt dữ liệu $\alpha = 10%, 50%, 90%$; khảo sát xác suất phát hiện $P_d$ và xác suất lỗi $P_e$ tại $\alpha = 50%$.

  4. Đề xuất sử dụng mô hình HMM xác định trạng thái kênh:

    • Kênh truyền được mô hình hóa có nhớ dưới dạng chuỗi Markov.
    • Áp dụng thuật toán EM để ước lượng các tham số mô hình HMM từ dữ liệu quan sát bị cắt.
    • Đánh giá histogram của biến quan sát $x_t$ và trạng thái $s_t$ trong hai trường hợp $H_0$ và $H_1$.
    • Đánh giá độ chính xác dự đoán trạng thái kênh ($P_A$) tại mức SNR = -5 dB và khi SNR thay đổi, cũng như cải thiện xác suất phát hiện $P_d$ khi ứng dụng HMM so với kỹ thuật không sử dụng thông tin lịch sử kênh.

Chương 3: XÁC ĐỊNH BỘ TRỌNG SỐ TỐI ƯU TRONG CẢM BIẾN PHỔ HỢP TÁC QUYẾT ĐỊNH MỀM

Chương 3 giải quyết bài toán tối ưu hóa bộ trọng số kết hợp tuyến tính tại nút FC trong hệ thống cảm biến phổ hợp tác quyết định mềm (CSS-SDF).

  1. Mô hình hệ thống CSS-SDF và hạn chế của các phương pháp truyền thống:

    • Hệ thống gồm $M$ người dùng thứ cấp (SU) gửi thống kê năng lượng $E_i$ về nút FC.
    • Các kỹ thuật truyền thống như MRC đòi hỏi phải biết công suất tín hiệu nhận được tại từng SU, trong khi EGC chia đều trọng số ($w_i = 1/M$) nên hiệu năng không tối ưu khi điều kiện kênh truyền giữa các SU không đồng đều.

  2. Đề xuất hệ thống GA-SDF và EMGA-SDF:

    • Đề xuất hệ thống GA-SDF: Ứng dụng giải thuật di truyền GA để tìm kiếm véc-tơ trọng số $\mathbf{w} = [w_1, w_2, \dots, w_M]^T$ nhằm tối đa hóa xác suất phát hiện $P_d$ với ràng buộc xác suất phát hiện nhầm $P_f \le \alpha$.
    • Đề xuất hệ thống EMGA-SDF: Kết hợp thuật toán EM ước lượng công suất nhiễu tại từng nút SU với giải thuật GA tại nút FC.
    • Đánh giá đường cong đặc tính nhận ROC của hệ thống GA-SDF với số lượng SU khác nhau ($M$ thay đổi) và so sánh hiệu năng ROC giữa hệ thống EMGA-SDF và GA-SDF.

  3. Đề xuất hệ thống BA-SDF và thuật toán đàn dơi thích nghi (ABA-SDF):

    • Đề xuất hệ thống BA-SDF: Sử dụng thuật toán đàn dơi (Bat Algorithm) để tìm bộ trọng số tối ưu tại FC.
    • So sánh giữa BA-SDF và GA-SDF: Kết quả mô phỏng sau 1000 vòng lặp cho thấy BA-SDF đạt hiệu năng đường cong ROC tương đương hoặc vượt trội hơn GA-SDF, đồng thời có tốc độ hội tụ nhanh hơn rõ rệt.
    • Đề xuất cải tiến thuật toán đàn dơi thích nghi (Adaptive Bat Algorithm - ABA-SDF): Luận án đề xuất thủ tục xác định tham số thích nghi $\psi$ dựa trên số lượng nút SU trong mạng.
    • Đánh giá mối quan hệ giữa tham số $\psi$ và số lượng SU, so sánh tốc độ hội tụ giữa ABA-SDF và BA-SDF, chứng minh ABA-SDF giúp giảm thời gian tính toán của FC.

Kết quả và những đóng góp mới

Các đóng góp mới của luận án

Văn bản luận án nêu rõ 3 đóng góp khoa học chính:

  1. Đóng góp 1 (Cảm biến phổ tại nút riêng lẻ với dữ liệu bị cắt): Đề xuất giải pháp nâng cao hiệu quả cảm biến phổ tại nút riêng lẻ cho kỹ thuật phát hiện năng lượng (ED) trong điều kiện thực tế dữ liệu thu được không đầy đủ do giới hạn ngưỡng thu của thiết bị. Giải pháp thực hiện bằng việc xác định ngưỡng quyết định tối ưu thông qua việc phát triển và kết hợp kỹ thuật ước lượng công suất nhiễu EM và kỹ thuật tối ưu toàn cục GA (hệ thống ED-EMGA).
  2. Đóng góp 2 (Dự đoán trạng thái kênh có nhớ bằng HMM kết hợp EM): Đề xuất kết hợp kỹ thuật ED với dữ liệu thống kê trạng thái kênh truyền trong quá khứ để nâng cao hiệu quả phát hiện đúng trạng thái kênh. Giải pháp thực hiện bằng việc sử dụng mô hình Markov ẩn (HMM) với thuật toán cực đại hóa kỳ vọng (EM) để ước lượng tham số của mô hình HMM trong điều kiện dữ liệu thu được không đầy đủ.
  3. Đóng góp 3 (Tối ưu hóa bộ trọng số trong cảm biến phổ hợp tác quyết định mềm): Đề xuất giải pháp xác định bộ trọng số cho hệ thống cảm biến phổ hợp tác quyết định mềm (CSS-SDF) để tối ưu hóa xác suất phát hiện. Giải pháp thực hiện bằng việc sử dụng và tối ưu các tham số của các thuật toán mô phỏng thiên nhiên (GA-SDF, EMGA-SDF, BA-SDF, ABA-SDF). Giải pháp đề xuất cho phép giảm thời gian để nút quyết định (FC) tạo ra bộ trọng số tối ưu.

Kiến nghị và giải pháp đề xuất

  • Về mặt lý luận: Cung cấp khung phân tích và thuật toán xử lý dữ liệu bị cắt trong cảm biến phổ vô tuyến nhận thức, làm cơ sở nghiên cứu mở rộng cho các mô hình kênh truyền khác nhau.
  • Về mặt thực tiễn: Đề xuất bộ ước lượng công suất nhiễu và bộ quyết định tại FC có tốc độ hội tụ nhanh có thể làm cơ sở định hướng cho các nhà sản xuất ứng dụng trong thiết kế, chế tạo các thiết bị đầu cuối vô tuyến nhận thức.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Các khảo sát và đánh giá hiệu năng trong luận án chủ yếu thực hiện dựa trên phương pháp giải tích và mô phỏng số Monte-Carlo trên các mô hình kênh chuẩn (kênh AWGN, kênh pha-đinh Rayleigh) với tín hiệu điều chế BPSK; chưa mở rộng đánh giá thực nghiệm trên các mô hình kênh phức tạp khác (như kênh pha-đinh Nakagami-m, Rician đa đường) hoặc các dạng điều chế bậc cao.
  • Dữ liệu không đầy đủ được giới hạn nghiên cứu dưới dạng dữ liệu bị cắt (censored data) do giới hạn độ nhạy thu của phần cứng máy thu.
  • Chưa triển khai thử nghiệm trên các nền tảng phần cứng vô tuyến định nghĩa mềm (SDR) thực tế trong môi trường truyền sóng thực địa.

Hướng nghiên cứu tiếp

  • Phát triển các giải pháp cảm biến phổ và thuật toán ước lượng tham số trên các mô hình kênh truyền vô tuyến khác nhau.
  • Mở rộng nghiên cứu áp dụng thuật toán cho các kịch bản mạng vô tuyến nhận thức quy mô lớn với sự biến động liên tục của môi trường truyền dẫn.

Giá trị tham khảo

Đối tượng thụ hưởng

  • Nghiên cứu sinh, học viên cao học và giảng viên ngành Kỹ thuật Điện tử, Viễn thông: Tài liệu cung cấp hệ thống cơ sở lý thuyết toán học về phát hiện năng lượng, phân bố thống kê của kiểm nghiệm năng lượng dưới các dạng kênh truyền, và phương pháp ứng dụng các thuật toán tối ưu hóa (GA, BA, ABA), mô hình xác suất (EM, HMM) trong xử lý tín hiệu thông tin vô tuyến.
  • Kỹ sư nghiên cứu và phát triển (R&D) thiết bị vô tuyến: Có thể tham khảo sơ đồ khối và thuật toán ED-EM, ED-EMGA để thiết kế các khối ước lượng công suất nhiễu và định ngưỡng tự thích nghi trên các thiết bị thu vô tuyến có giới hạn độ nhạy.
  • Cơ quan quản lý tần số và chuyên gia hoạch định chính sách: Tham khảo các phân tích về truy cập phổ động (DSA) và đánh giá hiệu suất sử dụng phổ tần thực tế để xây dựng các giải pháp quản lý tài nguyên tần số.

Các nội dung đáng tham khảo

  • Mô hình toán học chi tiết của phát hiện năng lượng truyền thống (CED) và các biểu thức giải tích tính $P_d, P_f$ trên kênh AWGN và kênh pha-đinh Rayleigh (Chương 2).
  • Thuật toán EM ước lượng phương sai nhiễu khi dữ liệu bị cắt và quy trình kết hợp GA xác định ngưỡng tối ưu (Chương 2).
  • Mô hình ứng dụng HMM để dự đoán trạng thái kênh dựa trên chuỗi quan sát lịch sử (Chương 2).
  • Các lưu đồ thuật toán, mã giả của GA, BA và cấu trúc kết hợp mềm EMGA-SDF, BA-SDF, ABA-SDF trong cảm biến phổ hợp tác (Chương 3).

Câu hỏi thường gặp

1. Tại sao phương pháp ước lượng hợp lý cực đại (ML) truyền thống lại bị giảm độ chính xác khi ước lượng công suất nhiễu trong điều kiện thiết bị thu thực tế?

Trong điều kiện thực tế, các thiết bị thu vô tuyến đều có độ nhạy giới hạn (phụ thuộc vào công suất tạp âm nội/nhiễu nhiệt của máy thu và nhiễu tự nhiên). Do giới hạn này, các mẫu tín hiệu hoặc tạp âm có biên độ nhỏ hơn ngưỡng thu sẽ không được xử lý, dẫn đến việc tập dữ liệu thu thập được là dữ liệu bị cắt (censored data). Phương pháp ML truyền thống xây dựng trên giả định tập dữ liệu quan sát đầy đủ, do đó khi áp dụng cho dữ liệu bị cắt sẽ dẫn đến ước lượng sai lệch công suất nhiễu $\sigma_n^2$, làm sai lệch ngưỡng quyết định $\lambda$.

2. Sự khác biệt giữa phương pháp hợp nhất quyết định cứng (HDF) và quyết định mềm (SDF) trong cảm biến phổ hợp tác là gì?

Trong HDF, mỗi người dùng thứ cấp (SU) tự đưa ra quyết định nhị phân (1-bit biểu thị có hoặc không có PU) rồi gửi về nút quyết định (FC); FC tổng hợp bằng các luật logic như AND, OR, Majority Voting hoặc K-out-of-M. Trong SDF, mỗi SU gửi toàn bộ giá trị thống kê kiểm nghiệm năng lượng (dữ liệu mềm) về FC; FC sử dụng luật kết hợp tuyến tính với các bộ trọng số (như MRC, EGC hoặc tối ưu bằng thuật toán GA, BA) để đưa ra quyết định cuối cùng. SDF cho hiệu năng phát hiện tốt hơn HDF nhưng yêu cầu băng thông kênh báo hiệu lớn hơn.

3. Thuật toán cực đại hóa kỳ vọng (EM) xử lý bài toán dữ liệu bị cắt như thế nào?

Thuật toán EM là thuật toán lặp tìm ước lượng hợp lý cực đại khi dữ liệu có biến ẩn hoặc bị thiếu. Thuật toán thực hiện tuần tự qua hai bước:

  • Bước E (Expectation): Tính kỳ vọng toán học của hàm log-likelihood của phân phối có điều kiện của dữ liệu quan sát được và dữ liệu bị cắt/thiếu dựa trên ước lượng tham số hiện tại $\theta^{(\kappa)}$.
  • Bước M (Maximization): Ước lượng lại tham số $\theta^{(\kappa+1)}$ bằng cách cực đại hóa giá trị hàm kỳ vọng tìm được ở bước E. Quá trình lặp lại cho đến khi thỏa mãn điều kiện hội tụ.

4. Thuật toán đàn dơi (BA) có ưu điểm gì so với thuật toán di truyền (GA) trong bài toán tìm bộ trọng số cho hệ thống CSS-SDF?

Kết quả nghiên cứu trong Chương 3 của luận án chỉ ra rằng, khi áp dụng vào việc tìm kiếm bộ trọng số tối ưu tại nút FC (sau 1000 vòng lặp mô phỏng), thuật toán BA (BA-SDF) và biến thể thích nghi ABA (ABA-SDF) có tốc độ hội tụ nhanh hơn đáng kể so với thuật toán di truyền (GA-SDF). Tốc độ hội tụ nhanh giúp FC giảm thời gian tính toán để thiết lập bộ trọng số, qua đó rút ngắn thời gian cảm biến phổ của toàn hệ thống.

5. Số liệu khảo sát thực tế về hiệu suất sử dụng phổ tần tại Việt Nam được tác giả trích dẫn như thế nào?

Luận án trích dẫn số liệu từ công trình nghiên cứu số [68], theo đó kết quả đo đạc và khảo sát tình hình sử dụng phổ tần tại khu vực Thành phố Hồ Chí Minh và Long An trong dải tần số từ 30 Hz đến 3 GHz cho thấy hiệu suất sử dụng phổ trung bình thực tế chỉ đạt khoảng 13,74%, phản ánh sự lãng phí tài nguyên phổ khi áp dụng chính sách phân bổ phổ tần cố định.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Viết Tuyến đã giải quyết các vấn đề kỹ thuật trong cảm biến phổ cho mạng vô tuyến nhận thức ở cả cấp độ nút riêng lẻ và cấp độ hợp tác. Tác giả đã xây dựng giải pháp ước lượng công suất nhiễu và tham số mô hình kênh truyền bằng thuật toán EM kết hợp GA và HMM trong điều kiện dữ liệu quan sát bị cắt do giới hạn phần cứng máy thu. Đồng sinh, việc ứng dụng và cải tiến thuật toán tối ưu bầy đàn (BA, ABA) trong cảm biến phổ hợp tác quyết định mềm đã nâng cao xác suất phát hiện và rút ngắn thời gian hội tụ của nút quyết định. Các kết quả nghiên cứu được kiểm chứng thông qua các mô hình giải tích toán học và mô phỏng số Monte-Carlo chi tiết.