Tổng quan luận án

Ước lượng hướng đến (Direction of Arrival - DOA) của nguồn tín hiệu vô tuyến là bài toán cốt lõi trong các hệ thống thông tin không dây, quản lý phổ tần và tác chiến điện tử. Trong truyền thông đa đầu vào đa đầu ra (MIMO) và đa truy nhập phân chia theo không gian (SDMA), thông tin DOA hỗ trợ điều chế không gian, tối ưu hóa năng lượng kênh truyền và cải thiện chất lượng dịch vụ (QoS). Trong giám sát vô tuyến, DOA cho phép phát hiện các nguồn phát xạ trái phép và định vị phương tiện bay không người lái (UAV). Trong lĩnh vực quân sự, DOA là chức năng trung tâm của các hệ thống trinh sát và tác chiến điện tử nhằm xác định vị trí, phương tiện và lực lượng đối phương.

Các phương pháp định hướng truyền thống (như quét búp sóng CBF, Capon hoặc phân tích không gian con MUSIC, RootMUSIC, ESPRIT) dựa trên mô hình toán học giả định với cấu trúc mảng ăng ten lý tưởng. Trong thực tế, các sai lệch cơ khí khi lắp đặt mảng ăng ten, sai số vị trí phần tử, sự không đồng nhất về pha - biên độ giữa các kênh thu và sự xuất hiện của các nguồn tín hiệu tương quan làm suy giảm nghiêm trọng độ chính xác ước lượng. Việc hiệu chỉnh thủ công kém hiệu quả khi sai số mang tính phi tuyến, ngẫu nhiên và độc lập. Nhằm giải quyết khoảng trống nghiên cứu này, luận án tiến sĩ kỹ thuật của nghiên cứu sinh Nguyễn Duy Thái với tiêu đề "Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu" tập trung nghiên cứu ứng dụng các kiến trúc mạng nơ-ron học sâu để tự động học đặc trưng và bù trừ sai số hệ thống.

Mục tiêu nghiên cứu:

  1. Nghiên cứu đề xuất các mô hình ước lượng hướng đến nguồn tín hiệu vô tuyến dựa trên mạng nơ-ron học sâu hoạt động trực tiếp.
  2. Nghiên cứu kết hợp mạng nơ-ron học sâu với các thuật toán ước lượng truyền thống nhằm nâng cao độ chính xác, độ phân giải góc, bảo đảm thời gian xử lý thực thời, đồng thời khắc phục sai số hệ thống mảng ăng ten, đường truyền và xử lý tín hiệu tương quan.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Tín hiệu vô tuyến và các tham số tín hiệu; mảng ăng ten và mô hình thu tín hiệu mảng; kỹ thuật xử lý tín hiệu mảng; các thuật toán định hướng truyền thống; các thuật toán học máy và mô hình mạng nơ-ron học sâu (MLP, CNN, ResNet, UNet).
  • Phạm vi nghiên cứu:
    1. Các nguồn tín hiệu vô tuyến độc lập về phân bố không gian, thỏa mãn điều kiện trường xa và có dạng tín hiệu băng hẹp.
    2. Góc tới của tín hiệu được khảo sát trong mặt phẳng phương vị (từ $-90^\circ$ đến $+90^\circ$).
    3. Quá trình thông tin của véc-tơ chỉ phương là quá trình dừng trong khoảng thời gian quan sát (bất biến theo thời gian).
    4. Cấu hình mảng ăng ten là mảng tuyến tính, bao gồm mảng tuyến tính đồng đều (ULA) và mảng tuyến tính không đồng đều (NLA).
    5. Số lượng nguồn tín hiệu tới $P$ nhỏ hơn số phần tử của mảng ăng ten $M$ ($P < M$).

Tổng quan tài liệu và vị trí của luận án

Luận án đã phân tích và hệ thống hóa các hướng tiếp cận định hướng nguồn tín hiệu vô tuyến từ các hệ thống khí tài thực tế đến các thuật toán lý thuyết:

  • Các hệ thống trinh sát vô tuyến thực tế:
    • Hệ thống Kolchuga (Ukraina): Sử dụng kết hợp ăng ten Yagi và chóa phản xạ parabol, hoạt động theo nguyên lý đơn xung biên độ kết hợp giao thoa pha, quét cơ học $360^\circ$ trong mặt phẳng phương vị.
    • Hệ thống SDD (Stanice Dalekého Dosahu) (Cộng hòa Séc): Sử dụng ăng ten phản xạ parabol với các cặp loa thu tại tiêu điểm, thực hiện phương pháp đơn xung biên độ tổng hiệu trong vùng quan sát hẹp ($\text{FOV} = \pm 2,5^\circ$), đạt độ chính xác $0,5^\circ$ với bước góc $0,1^\circ$ khi tỷ số tín trên tạp $\text{SNR} \ge 10\text{ dB}$.
    • Hệ thống WD-7200, WD-3300, WD-6300 (MORCOM): Sử dụng mảng ăng ten pha dải tần 200 MHz – 2 GHz, đạt sai số căn quân phương (RMSE) khoảng $2^\circ$.
  • Các thuật toán định hướng truyền thống:
    • Quét búp sóng: CBF (quét búp sóng thông thường theo công suất) có độ phân giải thấp; Capon (MVDR - đáp ứng không biến dạng phương sai cực tiểu) cải thiện khả năng triệt nhiễu ngoài hướng quan sát nhưng vẫn phụ thuộc vào mô hình mảng lý tưởng.
    • Phân tích không gian con: MUSIC phân rã không gian tín hiệu và không gian nhiễu dựa trên ma trận hiệp phương sai; RootMUSIC giải nghiệm đa thức trên vòng tròn đơn vị thay cho quét phổ; ESPRIT sử dụng kỹ thuật bất biến quay giữa hai mảng con đồng dạng. Điểm hạn chế chung của nhóm này là suy giảm hiệu năng nghiêm trọng khi tín hiệu bị tương quan hoàn toàn hoặc khi phần cứng tồn tại sai số biên độ/pha.
  • Các hướng tiếp cận ứng dụng trí tuệ nhân tạo:
    • Học máy truyền thống: SVM, kNN, Cây quyết định (DT), Rừng ngẫu nhiên (RF), Phân tích thành phần chính (PCA).
    • Mạng nơ-ron học sâu: Phân loại góc hoặc hồi quy góc từ dữ liệu cầu phương I/Q; sử dụng ma trận hiệp phương sai làm đầu vào cho CNN; ứng dụng Autoencoder để tái tạo ma trận hiệp phương sai sạch trước khi đưa vào thuật toán MUSIC.

Khoảng trống nghiên cứu luận án giải quyết: Các nghiên cứu học sâu trước đây chủ yếu dừng lại ở mô hình mảng ULA lý tưởng hoặc chỉ xử lý bài toán nguồn đơn qua hồi quy. Luận án giải quyết trực tiếp bài toán ước lượng DOA khi tồn tại đồng thời: (1) sai lệch vị trí phần tử cơ khí, (2) sai số pha và biên độ do đường truyền, (3) mảng tuyến tính không đồng đều NLA, và (4) các nguồn tín hiệu tương quan cao, thông qua các cấu trúc mạng kết nối dư (DOA-ResNet, DOA-CNN) và kiến trúc lai ghép UNet kết hợp MUSIC/RootMUSIC.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết toán học và mô hình tín hiệu

Mô hình tín hiệu thu tại mảng ăng ten tuyến tính $M$ phần tử từ $P$ nguồn phát trường xa, băng hẹp được biểu diễn dưới dạng ma trận:

$$\mathbf{x}(t) = \mathbf{A}(\theta)\mathbf{s}(t) + \mathbf{n}(t)$$

Trong đó:

  • $\mathbf{x}(t) = [x_1(t), x_2(t), \dots, x_M(t)]^T$ là véc-tơ tín hiệu thu kích thước $M \times 1$.
  • $\mathbf{s}(t) = [s_1(t), s_2(t), \dots, s_P(t)]^T$ là véc-tơ tín hiệu phát từ $P$ nguồn.
  • $\mathbf{n}(t) = [n_1(t), n_2(t), \dots, n_M(t)]^T$ là véc-tơ tạp âm trắng cộng tính Gauss (AWGN) có giá trị trung bình bằng 0 và phương sai $\sigma_N^2$.
  • $\mathbf{A}(\theta) = [\mathbf{a}(\theta_1), \mathbf{a}(\theta_2), \dots, \mathbf{a}(\theta_P)]$ là ma trận định phương.

Với mảng tuyến tính đồng đều (ULA) có khoảng cách giữa hai phần tử kế tiếp là $d \le \lambda/2$, véc-tơ định phương của nguồn thứ $p$ tại góc tới $\theta_p$ có dạng:

$$\mathbf{a}(\theta_p) = [1, e^{-j\frac{2\pi}{\lambda}d\sin\theta_p}, \dots, e^{-j\frac{2\pi}{\lambda}(M-1)d\sin\theta_p}]^T$$

Với mảng tuyến tính không đồng đều (NLA), khoảng cách từ phần tử thứ $m+1$ đến phần tử tham chiếu thứ nhất là $d_m$:

$$\mathbf{a}(\theta_p) = [1, e^{-j\frac{2\pi}{\lambda}d_1\sin\theta_p}, \dots, e^{-j\frac{2\pi}{\lambda}d_{M-1}\sin\theta_p}]^T$$

Ma trận hiệp phương sai của tín hiệu thu qua $N$ mẫu (snapshots) được tính toán theo biểu thức:

$$\mathbf{R}{xx} = E{\mathbf{x}(t)\mathbf{x}^H(t)} = \mathbf{A}\mathbf{R}{ss}\mathbf{A}^H + \sigma_N^2\mathbf{I}$$

Ký hiệu Ý nghĩa thông số
$M$ Số lượng phần tử của mảng ăng ten
$P$ Số lượng nguồn tín hiệu tới mảng ($P < M$)
$N$ Số lượng mẫu tín hiệu trong một cửa sổ quan sát (snapshots)
$d, d_m$ Khoảng cách giữa các phần tử ăng ten ($m$)
$\lambda$ Bước sóng tín hiệu vô tuyến ($m$)
$\theta_p$ Góc tới của nguồn tín hiệu thứ $p$ trong mặt phẳng phương vị ($^\circ$)
$\text{SNR}$ Tỷ số tín trên tạp ($dB$)
$\mathbf{R}_{xx}$ Ma trận hiệp phương sai kích thước $M \times M$

Phương pháp nghiên cứu

Luận án kết hợp giữa nghiên cứu giải tích toán học lý thuyết và mô phỏng trên phần mềm máy tính:

  1. Phương pháp giải tích: Thiết lập mô hình toán học cho tín hiệu mảng, mô hình sai số hệ thống (sai số vị trí phần tử mảng, sai số pha và độ lợi biên độ đường truyền), và ma trận hiệp phương sai có tương quan.
  2. Phương pháp học sâu: Thiết kế kiến trúc các mạng nơ-ron chuyên biệt (DOA-ResNet, DOA-CNN với lớp nhân tích lũy, UFCnet, UNet); thiết lập các hàm kích hoạt (ReLU, Sigmoid, TanH, Softmax) và thuật toán tối ưu hóa (SGD, SGDM, AdaGrad, RMSprop, ADAM).
  3. Phương pháp mô phỏng số: Tạo lập tập dữ liệu huấn luyện và kiểm thử từ mô hình toán học; đánh giá hiệu năng dựa trên sai số căn quân phương (RMSE), độ chính xác phân loại góc, độ phân giải góc và thời gian tính toán thực thi.

Nội dung chính theo từng chương

Chương 1: Tổng quan về định hướng nguồn tín hiệu vô tuyến

Chương 1 trình bày hệ thống hóa cơ sở lý luận về định hướng nguồn tín hiệu vô tuyến, phân loại hệ thống định hướng đơn kênh và đa kênh, cũng như nguyên lý hoạt động của các hệ thống khí tài trinh sát vô tuyến (Kolchuga, SDD, WD-7200).

Chương này đi sâu phân tích mô hình toán học của mảng ăng ten tuyến tính ULA và NLA, chỉ ra các nguyên nhân dẫn đến suy giảm hiệu năng định hướng khi mảng ăng ten xuất hiện sai số cơ khí hoặc sai số kênh truyền.

Nội dung tiếp theo phân tích cơ chế giải tích của các thuật toán truyền thống:

  • Quét búp sóng CBF và Capon: Đánh giá phổ công suất $P_{CBF}(\theta)$ và $P_{Capon}(\theta)$, chứng minh hạn chế về độ phân giải khi có nhiều nguồn tín hiệu đồng thời.
  • Phân tích không gian con MUSIC, RootMUSIC và ESPRIT: Phân tích quá trình phân rã trị riêng của ma trận $\mathbf{R}_{xx}$ để tách không gian tín hiệu $\mathbf{E}_S$ và không gian nhiễu $\mathbf{E}_N$. Phổ MUSIC đạt cực đại nhờ tính trực giao giữa véc-tơ chỉ hướng và không gian nhiễu:

$$P_{MUSIC}(\theta) = \frac{1}{\mathbf{a}^H(\theta)\mathbf{E}_N\mathbf{E}_N^H\mathbf{a}(\theta)}$$

Chương 1 cũng tổng quan về mạng nơ-ron nhân tạo (ANN, DNN, CNN, Autoencoder, RNN, GANs), các lớp chức năng trong CNN (lớp tích chập, lớp gộp max-pooling/average-pooling, lớp chuẩn hóa Batch Normalization, lớp kết nối đầy đủ FC), các thuật toán tối ưu hóa lan truyền ngược (SGDM, AdaGrad, RMSprop, ADAM) và phân loại các hướng ứng dụng AI cho bài toán DOA (học phân loại, học hồi quy, xử lý dữ liệu I/Q, xử lý ma trận hiệp phương sai).

Chương 2: Giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến bằng mạng nơ-ron tích chập kết nối dư

Chương 2 tập trung khảo sát các thuật toán học máy cơ bản và đề xuất 02 kiến trúc mạng nơ-ron tích chập cải tiến:

  1. Khảo sát, so sánh các thuật toán học máy và mạng nơ-ron cơ bản: Đánh giá định lượng hiệu năng ước lượng DOA của SVM, kNN, mạng Perceptron đa lớp (MLP) và CNN tiêu chuẩn. Kết quả khảo sát cho thấy CNN có khả năng trích xuất đặc trưng không gian vượt trội so với SVM, kNN và MLP.
  2. Đề xuất mô hình DOA-ResNet cho mảng tuyến tính không đồng đều (NLA):
    • Cấu trúc mạng gồm các khối tích chập kết nối dư (Residual Connection), nhận đầu vào trực tiếp là ma trận dữ liệu I/Q hai chiều kích thước $M \times N \times 2$.
    • Kiến trúc kết nối dư cho phép huấn luyện mạng sâu mà không bị suy giảm đạo hàm (vanishing gradient), thực hiện phân loại trực tiếp góc DOA và có khả năng mở rộng để nhận dạng tự động loại điều chế tín hiệu.
    • Khảo sát thực nghiệm sự thay đổi hiệu năng khi biến thiên số lượng kênh lọc (filter channels) và kích thước bộ lọc (kernel size), chứng minh DOA-ResNet vượt trội hơn hẳn các giải pháp học máy truyền thống về độ chính xác phân loại góc và giảm sai số RMSE.
  3. Đề xuất mô hình DOA-CNN tự động hiệu chỉnh sai số hệ thống:
    • Thiết lập mô hình tín hiệu mảng ULA có chứa sai số hệ thống: Sai số vị trí phần tử $\Delta d_m$, sai số pha $\Delta \phi_m$ và sai số biên độ $\Delta g_m$.
    • Đề xuất kiến trúc DOA-CNN cấu trúc kết nối dư phép nhân (multiplicative residual connections / lớp nhân tích lũy) với dữ liệu đầu vào là ma trận hiệp phương sai $\mathbf{R}_{xx}$. Các lớp nhân tích lũy giúp tăng cường các đặc trưng tương quan chéo giữa các kênh thu.
    • Đánh giá thực nghiệm qua các trường hợp: (1) mảng lý tưởng, (2) có sai lệch vị trí phần tử, (3) có sai lệch pha và biên độ đường truyền, (4) xuất hiện đồng thời tất cả các sai số hệ thống. Kết quả khẳng định DOA-CNN duy trì độ chính xác cao và tự động bù trừ sai số mà không cần đo đạc hiệu chuẩn trước phần cứng.

Chương 3: Giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến bằng mạng nơ-ron Unet kết hợp thuật toán MUSIC, RootMUSIC

Chương 3 phát triển hướng tiếp cận lai ghép (hybrid): sử dụng mạng nơ-ron sâu để khôi phục ma trận hiệp phương sai lý tưởng từ ma trận hiệp phương sai bị biến dạng do sai số, sau đó áp dụng thuật toán siêu phân giải không gian con (MUSIC, RootMUSIC) để trích xuất góc tới liên tục:

  1. Đề xuất mô hình UFCnet kết hợp MUSIC và RootMUSIC:
    • Cấu trúc UFCnet kết hợp các lớp tích chập và kết nối đầy đủ để khử nhiễu và bù sai lệch pha/biên độ của ma trận hiệp phương sai đầu vào.
    • Đầu ra của UFCnet là ma trận hiệp phương sai đã được hiệu chỉnh, sau đó được đưa vào thuật toán MUSIC (UFCnet-MUSIC) hoặc RootMUSIC (UFCnet-RootMUSIC).
    • Đánh giá khả năng phân biệt góc ước lượng khi $\text{SNR} = 0\text{ dB}$, kiểm chứng độ chính xác trong cả hai trường hợp mảng ăng ten lý tưởng và mảng có sai số hệ thống phức tạp.
  2. Đề xuất mô hình UNet kết hợp MUSIC/RootMUSIC cho nguồn tín hiệu tương quan:
    • Thiết kế kiến trúc mạng UNet với các khối mã hóa (Encoder) và giải mã (Decoder) kết hợp các đường liên kết tắt (skip connections) nhằm giữ lại các đặc trưng không gian ở nhiều mức độ phân giải.
    • Mô hình tập trung xử lý trường hợp các nguồn tín hiệu bị tương quan hoàn toàn (hệ số tương quan bằng 1) — trường hợp mà thuật toán MUSIC truyền thống hoàn toàn mất khả năng phân tách đỉnh phổ.
    • Mạng UNet khôi phục thành công ma trận hiệp phương sai về dạng không tương quan, cho phép UNet-MUSIC và UNet-RootMUSIC xác định chính xác các góc tới riêng biệt ngay cả khi $\text{SNR} = 1\text{ dB}$.
  3. Khảo sát toàn diện các yếu tố ảnh hưởng đến mô hình đề xuất:
    • Số lượng kênh lọc và kích thước bộ lọc: Tối ưu hóa số lượng tham số và thời gian suy luận.
    • Số lượng phần tử mảng ăng ten ($M$): Khảo sát từ mảng ít phần tử đến nhiều phần tử.
    • Số lượng mẫu tín hiệu quan sát ($N$): Đánh giá độ nhạy khi số mẫu giảm nhỏ ($N = 100, 200, 500, 1000$).
    • Tần số công tác của tín hiệu: Đánh giá tính thích ứng khi tần số thay đổi lệch khỏi tần số thiết kế mảng.
    • Khả năng phân giải góc: Kiểm chứng khả năng tách hai nguồn tín hiệu đặt rất gần nhau.
  4. Tổng hợp, so sánh các mô hình đề xuất trong luận án:
    • So sánh cấu trúc, số lượng trọng số (parameters), thời gian thực thi và sai số RMSE giữa các mô hình DOA-ResNet, DOA-CNN, UFCnet-RootMUSIC và UNet-RootMUSIC.
Mô hình đề xuất Đầu vào Cơ chế xử lý Thuật toán trích xuất góc Ưu điểm chính
DOA-ResNet Dữ liệu I/Q ($M \times N \times 2$) Khối tích chập kết nối dư Phân loại góc trực tiếp Áp dụng cho mảng NLA; ước lượng trực tiếp từ tín hiệu thô
DOA-CNN Ma trận hiệp phương sai $\mathbf{R}_{xx}$ Kết nối dư phép nhân tích lũy Phân loại góc trực tiếp Tự động hiệu chỉnh sai số vị trí, pha và biên độ mảng
UFCnet-MUSIC / RootMUSIC Ma trận hiệp phương sai $\mathbf{R}_{xx}$ Khối UFCnet + Không gian con Quét phổ MUSIC / Nghiệm RootMUSIC Khôi phục ma trận hiệp phương sai mảng lý tưởng
UNet-MUSIC / RootMUSIC Ma trận hiệp phương sai $\mathbf{R}_{xx}$ Kiến trúc Encoder-Decoder UNet Quét phổ MUSIC / Nghiệm RootMUSIC Phân tách nguồn tín hiệu tương quan cao; độ phân giải siêu cao

Kết quả và những đóng góp mới

Luận án đã đạt được các kết quả khoa học và đóng góp mới cụ thể như sau:

  1. Về mặt lý thuyết và phương pháp luận:
    • Đề xuất giải pháp ước lượng hướng đến tín hiệu vô tuyến cho mảng tuyến tính không đồng đều (NLA) sử dụng mạng nơ-ron tích chập kết nối dư (DOA-ResNet) trên miền dữ liệu I/Q thô, khắc phục hạn chế về số lượng kênh thu và chi phí phần cứng của mảng ULA.
    • Đề xuất mô hình DOA-CNN cấu trúc kết nối dư phép nhân tích lũy có khả năng tự động học và bù trừ các thành phần sai số phi tuyến (sai lệch vị trí lắp đặt phần tử, độ lệch pha, mất cân bằng biên độ đường truyền) trực tiếp từ ma trận hiệp phương sai.
    • Đề xuất kiến trúc mạng lai ghép UFCnet và UNet kết hợp với các thuật toán phân tích không gian con (MUSIC, RootMUSIC). Mô hình UNet đóng vai trò như một bộ tiền xử lý phi tuyến, biến đổi ma trận hiệp phương sai suy biến do tương quan và sai số hệ thống thành ma trận hiệp phương sai lý tưởng, khôi phục khả năng hoạt động của thuật toán MUSIC và RootMUSIC mà không cần các kỹ thuật làm mịn không gian phức tạp.
  2. Về mặt ứng dụng thực tiễn:
    • Cung cấp các mô hình học sâu có khả năng triển khai trên các phần cứng tính toán nhúng/GPU, tối ưu hóa giữa số lượng tham số trọng số và thời gian xử lý thực thi.
    • Kết quả nghiên cứu có khả năng ứng dụng trực tiếp để nâng cấp, cải tiến thuật toán định hướng trong các đài trinh sát kỹ thuật vô tuyến, hệ thống giám sát phổ tần số vô tuyến và hệ thống định vị nguồn phát không người lái.

Hạn chế và hướng nghiên cứu tiếp

Căn cứ vào phạm vi và nội dung trình bày trong luận án:

  • Hạn chế:
    • Các nghiên cứu và đánh giá mô hình được thực hiện trên cấu hình mảng ăng ten tuyến tính (ULA và NLA) trong không gian một chiều (mặt phẳng phương vị, góc tới từ $-90^\circ$ đến $+90^\circ$), chưa mở rộng cho mảng phẳng hai chiều (mặt phẳng góc tà và phương vị) hoặc mảng tròn đồng đều (UCA).
    • Nghiên cứu giả định tín hiệu là băng hẹp và thỏa mãn điều kiện trường xa; chưa xét đến trường hợp tín hiệu băng siêu rộng hoặc nguồn phát ở trường gần.
    • Các kết quả thực nghiệm chủ yếu xây dựng trên tập dữ liệu mô phỏng toán học toàn diện các kịch bản sai số hệ thống và nhiễu kênh.
  • Hướng nghiên cứu tiếp:
    • Mở rộng kiến trúc mạng học sâu cho bài toán ước lượng DOA 2D (phương vị và góc tà) trên các cấu hình mảng ăng ten tròn đồng đều (UCA) hoặc mảng ăng ten tổng quát.
    • Nghiên cứu triển khai thực nghiệm mô hình mạng nơ-ron trên phần cứng xử lý tín hiệu thực tế (SDR/FPGA/GPU nhúng) với dữ liệu thu đo trường thực địa.
    • Nghiên cứu khả năng ước lượng DOA cho tín hiệu băng rộng và các nguồn phát di động có vận tốc cao.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu và hữu ích cho:

  • Nghiên cứu sinh, học viên cao học và giảng viên: Thuộc các chuyên ngành Kỹ thuật Điện tử, Kỹ thuật Viễn thông, Kỹ thuật Radar - Dẫn đường và Xử lý tín hiệu số. Phần tổng quan về mô hình mảng ăng ten, các thuật toán không gian con (MUSIC, RootMUSIC, ESPRIT) và cơ chế học sâu cung cấp hệ thống công thức giải tích chuẩn xác.
  • Kỹ sư thiết kế hệ thống vô tuyến và tác chiến điện tử: Tham khảo trực tiếp cấu trúc mạng DOA-ResNet, DOA-CNN và UNet-RootMUSIC để ứng dụng xử lý tín hiệu mảng khi phần cứng có sai số chế tạo, sai số pha/biên độ hoặc môi trường xuất hiện tín hiệu phản xạ tương quan.
  • Cơ quan quản lý tần số và các đơn vị kỹ thuật quân sự: Cung cấp giải pháp công nghệ nâng cao độ chính xác định hướng nguồn phát xạ trái phép và mục tiêu bay không người lái.

Câu hỏi thường gặp

1. Tại sao các thuật toán không gian con truyền thống như MUSIC bị suy giảm hiệu năng nghiêm trọng khi tín hiệu bị tương quan?

Khi các nguồn tín hiệu phát tới mảng ăng ten bị tương quan hoàn toàn (cùng tần số và hiệu số pha không đổi), ma trận hiệp phương sai của nguồn tín hiệu $\mathbf{R}{ss}$ bị suy biến (hạng của ma trận nhỏ hơn số lượng nguồn $P$). Do đó, việc phân rã ma trận hiệp phương sai tín hiệu thu $\mathbf{R}{xx}$ không còn tách biệt chính xác không gian tín hiệu và không gian nhiễu trực giao, dẫn đến phổ MUSIC không thể tạo ra các đỉnh cực đại tương ứng với các góc tới.

2. Mô hình DOA-ResNet trong luận án giải quyết bài toán định hướng cho mảng NLA như thế nào?

DOA-ResNet nhận dữ liệu đầu vào trực tiếp là ma trận tín hiệu đồng pha/vuông pha I/Q ($M \times N \times 2$) thu từ mảng tuyến tính không đồng đều (NLA). Mạng sử dụng các khối tích chập kết nối dư để trích xuất đặc trưng pha không gian mà không làm mất thông tin qua các tầng sâu, sau đó phân loại trực tiếp góc tới của tín hiệu với độ chính xác cao hơn so với các mô hình học máy SVM, kNN hay MLP.

3. Cơ chế kết hợp giữa mạng UNet và thuật toán RootMUSIC trong Chương 3 hoạt động ra sao?

Mô hình UNet (gồm các khối Encoder, Decoder và Skip Connections) đóng vai trò là khối tiền xử lý học sâu phi tuyến. Nó nhận đầu vào là ma trận hiệp phương sai thực tế chứa sai số hệ thống và tương quan tín hiệu, sau đó ánh xạ và khôi phục thành ma trận hiệp phương sai lý tưởng (tương đương mảng ULA hoàn hảo, tín hiệu không tương quan). Ma trận này sau đó được chuyển trực tiếp cho thuật toán RootMUSIC để tìm nghiệm đa thức trên đường tròn đơn vị và tính toán góc tới mà không cần quét phổ.

4. Hệ thống định hướng SDD trong tài liệu tổng quan có đặc điểm kỹ thuật gì?

Hệ thống SDD do Cộng hòa Séc sản xuất là hệ thống trinh sát điện tử sử dụng ăng ten phản xạ parabol kết hợp các cặp loa thu tại tiêu điểm. Hệ thống sử dụng phương pháp đơn xung biên độ tổng hiệu trong vùng quan sát hẹp $\text{FOV} = \pm 2,5^\circ$, đạt độ chính xác xác định hướng đến là $0,5^\circ$ với bước cách góc $0,1^\circ$ khi tỷ số tín trên tạp $\text{SNR} \ge 10\text{ dB}$, và sử dụng phương thức quay cơ học để quan sát $360^\circ$ mặt phẳng phương vị.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Duy Thái đã nghiên cứu và phát triển thành công các giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến dựa trên mạng nơ-ron học sâu. Bằng việc đề xuất các cấu trúc mạng tích chập kết nối dư DOA-ResNet, DOA-CNN và mô hình lai ghép UNet kết hợp MUSIC/RootMUSIC, công trình đã giải quyết hiệu quả bài toán ước lượng góc tới trong các điều kiện phức tạp như mảng ăng ten không đồng đều, tồn tại sai số hệ thống cơ khí/kênh truyền và tín hiệu bị tương quan cao. Các kết quả mô phỏng và phân tích toàn diện đã chứng minh tính đúng đắn khoa học, mở ra tiềm năng ứng dụng thực tế trong các hệ thống giám sát phổ vô tuyến và khí tài tác chiến điện tử hiện đại.