Luận văn nghiên cứu nhận dạng hệ thống truyền thông MIMO kích thước lớn tại Trường ĐH Công nghệ

Luận văn nghiên cứu nhận dạng hệ thống truyền thông MIMO kích thước lớn với tri thức mới, ứng dụng học sâu ISDNN giúp giảm độ phức tạp tại ĐH Công nghệ.

• Tác giả: Đỗ Hải Sơn
• Người hướng dẫn: TS. Trần Thị Thúy Quỳnh
• Trường học: Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Nghiên cứu nhận dạng hệ thống với tri thức mới cho hệ thống truyền thông MIMO kích thước lớn
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về nhận dạng hệ thống truyền thông MIMO kích thước lớn

Hệ thống truyền thông MIMO kích thước lớn đóng vai trò then chốt trong hạ tầng mạng 5G và 6G. Công nghệ này trang bị hàng trăm phần tử ăng-ten tại trạm phát sóng. Mục tiêu chính là phục vụ đồng thời nhiều người dùng trên cùng băng tần. Để đạt thông lượng tối đa, bộ thu phát cần thông tin trạng thái kênh truyền chính xác. Nhận dạng hệ thống là bước thiết yếu nhằm xác định ma trận kênh truyền vô tuyến. Quá trình này cho phép giải mã tín hiệu chính xác và giảm thiểu giao thoa sóng. Nghiên cứu tại Trường Đại học Công nghệ tập trung khai thác các tri thức mới để tối ưu hóa quá trình nhận dạng. Các tri thức này bao gồm cấu trúc mảng ăng-ten, tính chất thưa của kênh truyền và mô hình hình học không gian. Phương pháp mới giảm thiểu sự phụ thuộc vào chuỗi tín hiệu dẫn đường truyền thống. Nhờ đó, hệ thống tiết kiệm đáng kể tài nguyên vô tuyến quý giá. Băng thông dành cho dữ liệu người dùng được mở rộng rõ rệt. Tốc độ truyền dẫn tăng lên mà không đòi hỏi thêm năng lượng phát sóng. Hiệu quả vận hành toàn mạng đạt mức vượt trội so với các kiến trúc truyền thống.

1.1. Khái niệm cơ bản về hệ thống MIMO kích thước lớn

MIMO kích thước lớn sử dụng số lượng ăng-ten vượt trội tại trạm phát. Con số này dao động từ vài chục đến hàng trăm phần tử. Hệ thống tập trung năng lượng vào các vùng không gian hẹp. Kỹ thuật này gọi là tạo búp sóng định hướng cao. Năng lượng bức xạ đi thẳng đến từng thiết bị di động. Can nhiễu giữa các luồng dữ liệu giảm xuống mức tối thiểu. Hiệu quả sử dụng phổ tần tăng lên gấp nhiều lần. Ngoài ra, độ phức tạp xử lý tín hiệu tại máy thu người dùng được cắt giảm đáng kể. Toàn bộ gánh nặng tính toán chuyển về phía trạm gốc. Các trạm này sở hữu năng lực xử lý mạnh mẽ hơn. Thiết bị đầu cuối tiết kiệm pin và kéo dài thời gian hoạt động.

1.2. Vai trò của việc nhận dạng kênh truyền vô tuyến

Nhận dạng hệ thống cung cấp thông tin kênh truyền đầy đủ cho trạm phát. Thông tin này định hướng quá trình tiền mã hóa tín hiệu đường xuống. Đồng thời, nó hỗ trợ cân bằng tín hiệu thu tại đường lên. Khi nhận dạng thiếu chính xác, hiệu năng toàn mạng sẽ sụt giảm nghiêm trọng. Nhiễu đa truy nhập xuất hiện và phá vỡ tính trực giao giữa các luồng dữ liệu. Tốc độ bit lỗi tăng cao làm giảm trải nghiệm người dùng. Vì vậy, nghiên cứu giải pháp ước lượng chuẩn xác trở thành yêu cầu sống còn. Việc áp dụng tri thức bổ trợ giúp nâng cao độ nhạy của bộ ước lượng. Hệ thống vừa duy trì độ chính xác cao vừa giảm thiểu tài nguyên tiêu hao. Kênh truyền được giám sát liên tục theo thời gian thực.

II. Thách thức nhận dạng hệ thống truyền thông MIMO kích thước lớn

Hệ thống MIMO kích thước lớn đối mặt với nhiều rào cản kỹ thuật nghiêm trọng. Đầu tiên là hiện tượng suy hao tài nguyên do tín hiệu dẫn đường. Khi số lượng ăng-ten tăng lên, độ dài chuỗi pilot cũng phải tăng tương ứng. Điều này làm cạn kiệt băng thông dành cho truyền dữ liệu thực tế. Vấn đề thứ hai là ô nhiễm pilot giữa các ô mạng lân cận. Các trạm phát sóng tái sử dụng cùng chuỗi pilot do nguồn tài nguyên giới hạn. Hiện tượng này gây nhiễu chéo và làm suy giảm chất lượng ước lượng kênh. Ngoài ra, độ phức tạp tính toán tăng theo cấp số nhân. Ma trận kênh truyền kích thước lớn đòi hỏi năng lực xử lý khổng lồ. Các phép nghịch đảo ma trận tiêu tốn năng lượng và gây trễ đường truyền. Các mô hình kênh truyền cổ điển như CBSM dần bộc lộ nhiều điểm hạn chế. Chúng bỏ qua cấu trúc hình học đặc thù của môi trường truyền sóng milimet. Luận văn tại ĐH Công nghệ đã mổ xẻ chi tiết những nút thắt công nghệ này. Từ đó, tác giả chỉ ra sự cần thiết phải tích hợp tri thức mới vào bài toán ước lượng.

2.1. Chi phí tài nguyên và hiện tượng ô nhiễm pilot

Việc gửi chuỗi pilot liên tục làm giảm hiệu suất sử dụng kênh truyền. Khi số lượng ăng-ten tại trạm phát lên tới hàng trăm, chuỗi pilot kéo dài gây lãng phí tài nguyên. Nguy hiểm hơn, hiện tượng ô nhiễm pilot xuất hiện khi các trạm ô dùng chung chuỗi thử. Tín hiệu đồng bộ giữa các trạm gây nhiễu lẫn nhau. Lỗi ước lượng kênh truyền vì thế tăng lên rõ rệt. Dù công suất phát tăng cao, tỷ số tín hiệu trên nhiễu vẫn không thể cải thiện. Đây là nút thắt vật lý giới hạn dung lượng của mạng di động đa ô. Các phương pháp ước lượng truyền thống không thể giải quyết dứt điểm vấn đề này. Hệ thống cần các cách tiếp cận mới dựa trên dữ liệu và tri thức phụ trợ.

2.2. Gánh nặng tính toán và giới hạn của mô hình truyền thống

Kích thước ma trận kênh truyền quá lớn đẩy độ phức tạp tính toán lên đỉnh điểm. Các thuật toán ước lượng chuẩn như MMSE hay LS đòi hỏi phép nghịch đảo ma trận phức tạp. Khối lượng tính toán tăng tỉ lệ thuận với số lượng ăng-ten phục vụ. Các mạch tích hợp xử lý tín hiệu số chịu tải nhiệt và áp lực tiêu thụ điện năng lớn. Hơn nữa, mô hình tương quan cổ điển không còn phản ánh đúng tính chất vật lý của sóng milimet. Môi trường thực tế có tính chất phân tán góc và độ trễ cao. Sự sai lệch giữa mô hình lý thuyết và thực địa khiến thuật toán hoạt động kém ổn định. Việc nghiên cứu các mô hình kênh có cấu trúc trở thành yêu cầu cấp thiết.

III. Giải pháp nhận dạng hệ thống truyền thông MIMO kích thước lớn

Luận văn đề xuất các phương pháp nhận dạng hiện đại nhằm giải quyết các giới hạn cố hữu. Giải pháp cốt lõi là ứng dụng mô hình bán mù kết hợp tri thức bổ trợ. Mô hình này khai thác cấu hình không gian của mảng ăng-ten để thu hẹp không gian tìm kiếm ma trận kênh. Ngoài ra, tính chất thưa của kênh truyền sóng milimet được tận dụng qua mô hình Saleh-Valenzuela. Tiếp theo, nghiên cứu giới thiệu kiến trúc mạng học sâu tiên tiến mang tên ISDNN. Mạng nơ-ron này giải quyết bài toán phát hiện tín hiệu với độ trễ thấp. Thuật toán cải tiến kết hợp lồi giữa các véc-tơ ước lượng và véc-tơ phần dư liền kề. Hai bộ biến đổi tuyến tính được tích hợp vào mỗi lớp mạng để chuẩn hóa sai số. Cải tiến này giúp mạng thích ứng tốt với các sơ đồ điều chế bậc cao như 16-QAM và 64-QAM. Kết quả thử nghiệm chứng minh độ phức tạp tính toán giảm mạnh nhưng độ chính xác vẫn duy trì tương đương thuật toán tối ưu.

3.1. Phương pháp bán mù kết hợp tri thức bổ trợ

Phương pháp bán mù tận dụng cả tín hiệu dẫn đường lẫn chuỗi dữ liệu người dùng. Thay vì chỉ phụ thuộc vào pilot, thuật toán khai thác thêm thông tin phân bố hình học của mảng ăng-ten. Kỹ thuật này giảm thiểu chiều dài chuỗi pilot cần truyền phát. Nhờ vậy, hiện tượng ô nhiễm pilot bị triệt tiêu một phần đáng kể. Kênh truyền được mô hình hóa theo cấu trúc hình học chuẩn xác hơn. Tính chất thưa trong miền không gian của sóng milimet giúp tinh gọn ma trận tham số. Thuật toán phân rã ma trận kênh thành các thành phần định hướng rời rạc. Độ chính xác ước lượng được cải thiện rõ rệt ngay cả trong môi trường tỷ số tín hiệu trên nhiễu thấp.

3.2. Ứng dụng học sâu qua kiến trúc mạng nơ ron ISDNN

Mạng nơ-ron sâu ISDNN mang lại bước đột phá trong nhận dạng tín hiệu viễn thông. Cấu trúc mạng mở rộng từ thuật toán lặp truyền thống bằng cách nhúng các tham số học. Thay vì giữ nguyên trọng số tĩnh, mỗi tầng mạng cập nhật véc-tơ phần dư liền kề linh hoạt. Sự kết hợp lồi giúp ổn định quá trình lan truyền xuôi và tránh phân kỳ giá trị. Hai bộ biến đổi tuyến tính điều chỉnh thích nghi sai số ở từng lớp mạng. Nhờ cơ chế này, mạng giải mã mượt mà tín hiệu mang sơ đồ 16-QAM hoặc 64-QAM. Thời gian tính toán giảm mạnh nhờ cấu trúc xử lý song song trên phần cứng chuyên dụng. Đây là giải pháp lý tưởng cho các trạm thu phát thông minh tương lai.

IV. Ứng dụng nhận dạng hệ thống truyền thông MIMO kích thước lớn

Đề tài nghiên cứu tại Trường Đại học Công nghệ khẳng định giá trị thực tiễn to lớn. Các phương pháp đề xuất mở ra hướng đi mới cho việc tối ưu mạng viễn thông thế hệ kế tiếp. Ứng dụng tiêu biểu nhất nằm trong hạ tầng mạng 5G Advanced và tiền trạm 6G. Tại đây, mật độ trạm thu phát và số lượng thiết bị đầu cuối gia tăng đột biến. Giải pháp bán mù và mạng học sâu giúp duy trì độ tin cậy vượt bậc. Tốc độ truyền dữ liệu được nâng cao đồng thời tiết kiệm năng lượng cho toàn hệ thống. Ngoài ra, giải pháp tương thích linh hoạt với các chuẩn WiFi băng thông siêu rộng như WiFi 7 và WiFi 8. Các nhà mạng có thể triển khai thuật toán trực tiếp lên các bộ xử lý băng tần cơ sở hiện có mà không cần thay đổi phần cứng vô tuyến. Hướng nghiên cứu này đóng góp nền tảng quan trọng cho quá trình tự động hóa và thông minh hóa hạ tầng số quốc gia.

4.1. Tiềm năng triển khai trong mạng 5G và 6G tương lai

Mạng di động 5G và 6G yêu cầu tốc độ truyền tải gigabit mỗi giây cùng độ trễ cực thấp. Công nghệ nhận dạng với tri thức mới cung cấp khả năng thích ứng linh hoạt với kênh fading biến đổi nhanh. Các trạm gốc có thể liên tục tái cấu hình búp sóng để theo dõi người dùng đang di chuyển. Hiện tượng nghẽn mạng tại các khu vực đông dân cư được giải quyết triệt để. Nhờ giảm bớt tín hiệu dẫn đường, phổ tần được giải phóng tối đa cho dịch vụ băng rộng di động. Hạ tầng mạng vận hành ổn định và tiết kiệm chi phí năng lượng đáng kể cho nhà khai thác.

4.2. Định hướng mở rộng nghiên cứu tại ĐH Công nghệ

Kết quả luận văn tạo tiền đề vững chắc cho các nghiên cứu chuyên sâu tiếp theo tại Trường Đại học Công nghệ. Các hướng đi tiềm năng bao gồm việc kết hợp nhận dạng kênh với bề mặt phản xạ thông minh RIS. Công nghệ RIS giúp chủ động định hình môi trường truyền sóng điện từ theo ý muốn. Đồng thời, kiến trúc mạng ISDNN có thể được tối ưu hóa phần cứng trên chip FPGA nhằm giảm độ trễ xử lý xuống mức micro-giây. Nghiên cứu cũng mở ra khả năng tích hợp mô hình kênh vào các hệ thống truyền thông vệ tinh tầm thấp. Sự giao thoa giữa trí tuệ nhân tạo và xử lý tín hiệu mở ra tương lai đầy hứa hẹn cho ngành viễn thông.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 MÔ HÌNH KÊNH VÀ CÁC PHƯƠNG PHÁP NHẬN DẠNG HỆ THỐNG TRONG MIMO KÍCH THƯỚC LỚN Việc nhận dạng hệ thống trong truyền thông không dây đã luôn được phát triển ngay từ những thế hệ mạng không dây như 2G [51]. Bước đầu tiên trong bài toán nhận dạng là đo đạc và mô hình hoá kênh truyền vô tuyến dưới các dạng biểu diễn toán học khác nhau. Trong phần đầu tiên của chương này, tác giả sẽ trình bày khái quát về một số phương pháp mô hình kênh truyền theo các hướng tiếp cận khác nhau để chọn ra phương pháp mô hình hoá kênh truyền phù hợp sử dụng trong luận văn. Tiếp đó, các phương pháp nhận dạng hệ thống MIMO kích thước lớn được phân loại thành bốn hướng tiếp cận và khảo sát một cách khái quát, để chỉ ra các phương pháp “tri thức mới” mà luận văn quan tâm.

Mô hình kênh trong hệ thống MIMO kích thước lớn Mô hình hoá kênh là quá trình mô hình hóa và đặc trưng hóa các kênh truyền thông không dây để hiểu và dự đoán hiệu suất truyền thông của hệ thống. Trong các hệ thống mMIMO, việc mô hình hoá kênh đóng một vai trò quan trọng để đảm bảo hiệu suất và hiệu quả hoạt động của hệ thống. Có thể kể đến một số lợi ích của một hình kênh truyền tốt (giống với việc truyền thông thực) như sau: hiểu và phân tích kênh truyền vô tuyến; thiết kế hệ thống và cấu hình ăng-ten phù hợp; đánh giá hiệu suất truyền thông; hay phát triển và kiểm tra các thuật toán xử lý tín hiệu. Việc xác định đầy đủ các tham số chính của kênh như độ trễ, suy hao, tán xạ, và nhiễu, từ đó tạo ra mô hình số học chính xác phản ánh sự biến đổi không gian và thời gian của kênh truyền luôn là thách thức trong các hệ mMIMO do sự tương tác phức tạp giữa số lượng khổng lồ các phần tử ăng-ten của mảng.

Các mô hình kênh truyền MIMO kích thước lớn cũng đã được nhiều tác giả quan tâm nghiên cứu, tổng hợp và phân loại theo những hướng tiếp cận khác nhau như phân loại kênh truyền vật lý/toán học trong [5], kênh xác định/ngẫu nhiên trong [54], hay kênh tiên đoán/không tiên đoán trong [9]. Mô hình kênh vật lý biểu diễn kênh dưới dạng các thành phần đa đường trong đó mỗi thành phần được đặc trưng bởi các tham số như biên độ phức, độ trễ, góc đi, góc đến,. Trong khi đó, mô hình kênh toán học được thiết lập dưới dạng toán học có ma trận kênh với các phần tử là các biến ngẫu nhiên, phụ thuộc 7 23458 IEEE INTERNET OF THINGS JOURNAL, VOL. Massive MIMO communication environment and abstracted channel models.

Môi trường truyền thông MIMO kích thước lớn và một số mô hình kênh truyền tiêu biểu [9]. measurements in an indoor environment. More references can channel modeling as it is robust with the increase of antennas. be found in Table II.

In [80], an ANN-based channel model was proposed to output In general, spatial nonstationarity, near-field effect, as six channel statistical properties. The data sets were collected well as channel hardening have been found in massive from real mmWave indoor channel measurement and GBSM MIMO channels. However, it should be noticed that exist- simulations. A thorough summary of AI/ML algorithms for ing massive MIMO channel measurements mainly centering at channel modeling can be found in [81].

low-frequency bands, the massive arrays used are mostly virtu- However, in massive MIMO channels, AI/ML algorithms ally configured. Channel measurements at different frequency are mostly used for channel estimation for time-division bands with large practical antenna array under different array duplex and frequency-division duplex, localization, beamform- nhiều vào kênh configurations should bevàcarried việc out, sắpthus đặttohệ thống provide như băng a more ing, andthông và cấuInhình beamsteering. [114],mảng ăng-ten.of Mô the utilizations deep convincing thorough analysis of new channel characteristics.