Đồ án tốt nghiệp: Phân bổ công suất truyền trong hệ thống Massive MIMO sử dụng Deep Learning

Phân tích toàn diện Phân bổ công suất Massive MIMO bằng Deep Learning (Đồ án) ứng dụng cao trong học thuật và nghiên cứu thực tiễn

• Tác giả: Nguyễn Văn Minh Trí
• Người hướng dẫn: Ts. Phạm Ngọc Sơn
• Trường học: Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điện Tử - Truyền Thông
• Đề tài: Phân Bổ Công Suất Truyền Trong Hệ Thống Massive MIMO Sử Dụng Deep Learning
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2020
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Giới thiệu về Massive MIMO và Deep Learning

Massive MIMO là công nghệ truyền thông tiên tiến sử dụng nhiều anten tại trạm phát để cải thiện hiệu suất hệ thống. Kết hợp với Deep Learning, công nghệ này mở ra hướng tiếp cận mới cho phân bổ công suất truyền hiệu quả. Đồ án này tập trung vào việc ứng dụng mạng nơ-ron nhân tạo để tối ưu hóa công suất trong hệ thống Massive MIMO. Thay vì sử dụng các công thức toán học phức tạp, mạng nơ-ron được huấn luyện trên cơ sở dữ liệu lớn chứa vị trí thiết bị người dùng và công suất tương ứng. Phương pháp này giảm đáng kể độ phức tạp tính toán và tăng tốc độ xử lý, là giải pháp tiềm năng cho các mạng 5G và 6G.

1.1. Khái niệm Massive MIMO

Massive MIMO (Multiple Input Multiple Output) là hệ thống sử dụng số lượng lớn anten tại trạm phát để phục vụ nhiều người dùng đồng thời. Công nghệ này cho phép tăng cường chất lượng kênh truyền, cải thiện hiệu suất phổ và giảm công suất tiêu thụ. Với số anten lớn, hệ thống có khả năng tập trung năng lượng truyền vào các hướng cụ thể, tối ưu hóa việc phân bổ công suất cho từng người dùng một cách hiệu quả.

1.2. Ứng dụng Deep Learning trong phân bổ công suất

Deep Learning sử dụng mạng nơ-ron sâu để học các mẫu phức tạp từ dữ liệu đã biết. Trong bối cảnh Massive MIMO, mạng nơ-ron được huấn luyện để dự đoán công suất tối ưu dựa trên thông tin kênh và vị trí người dùng. Phương pháp này loại bỏ nhu cầu tính toán công thức tối ưu phức tạp, thay vào đó sử dụng những mô hình đã học để đưa ra quyết định nhanh chóng và chính xác.

II. Kiến thức nền tảng về kênh truyền vô tuyến

Kênh truyền vô tuyến là môi trường truyền thông không sử dụng dây dẫn vật lý. Chất lượng kênh truyền bị ảnh hưởng bởi nhiều yếu tố như fading đa đường, shadowing và path loss. Hiện tượng fading đa đường xảy ra khi tín hiệu đến máy thu theo nhiều đường khác nhau do phản xạ và tán xạ trong môi trường. Để khắc phục những thách thức này, các kỹ thuật MIMO và Massive MIMO được phát triển nhằm cải thiện hiệu suất phổ và độ tin cậy của hệ thống truyền thông.

2.1. Các hiện tượng ảnh hưởng đến kênh truyền

Kênh truyền vô tuyến chịu tác động của nhiều hiện tượng. Path loss là sự suy giảm công suất tín hiệu theo khoảng cách. Fading gây biến thiên ngẫu nhiên của tín hiệu. Shadowing do vật cản gây suy giảm công suất không đều. Multipath fading xảy ra khi tín hiệu đi qua nhiều đường khác nhau. Những hiện tượng này làm giảm chất lượng kênh, yêu cầu cần phải tối ưu hóa công suất truyền để đảm bảo chất lượng dịch vụ.

2.2. Kỹ thuật MIMO và ưu điểm

Công nghệ MIMO sử dụng nhiều anten ở phía phát và phía thu để cải thiện hiệu suất. Ưu điểm chính bao gồm tăng hiệu suất phổ do sử dụng không gian nhiều anten, cải thiện độ tin cậy thông qua diversity gain, và giảm công suất tiêu thụ. Massive MIMO mở rộng khái niệm MIMO bằng cách sử dụng số lượng anten lớn hơn, tạo ra các lợi ích còn lớn hơn trong phân bổ công suất và tối ưu hóa kênh truyền.

III. Mô hình hệ thống Massive MIMO và Deep Learning

Mô hình hệ thống Massive MIMO trong đồ án bao gồm trạm phát với số lượng anten lớn, nhiều người dùng phân bố trong cell, và kênh truyền có đặc tính fading. Hệ thống được mô phỏng trên Matlab với các thông số như diện tích cell, số anten, số lượng người dùng. Deep Learning được áp dụng qua việc huấn luyện mạng nơ-ron nhân tạo trên dữ liệu lớn chứa vị trí người dùng và công suất truyền đường xuống tương ứng. Quá trình huấn luyện cho phép mạng học được mối quan hệ phi tuyến giữa vị trí người dùng và công suất tối ưu, từ đó có thể dự đoán chính xác cho các tình huống mới mà không cần tính toán lại công thức.

3.1. Kiến trúc mạng nơ ron nhân tạo

Mạng nơ-ron nhân tạo trong đồ án bao gồm lớp đầu vào chứa thông tin vị trí người dùng, các lớp ẩn xử lý thông tin, và lớp đầu ra cung cấp công suất dự đoán. Các hàm kích hoạt như ReLU, sigmoid, tanh được sử dụng trong các lớp ẩn để tạo ra tính phi tuyến. Quá trình forward propagation tính toán đầu ra, trong khi backpropagation cập nhật trọng số dựa trên lỗi. Kiến trúc này cho phép mạng học các mẫu phức tạp từ dữ liệu huấn luyện.

3.2. Quá trình ước lượng kênh và bộ tiền mã hóa

Ước lượng kênh là bước quan trọng trong hệ thống Massive MIMO, thu thập thông tin kênh (CSI) cần thiết cho phân bổ công suất. Hệ thống sử dụng cấu trúc FDD hoặc TDD để ước lượng kênh. Bộ tiền mã hóa được thiết kế để phát sóng được các tín hiệu theo hướng tối ưu đến các người dùng. Deep Learning có thể được tích hợp vào quá trình này để cải thiện độ chính xác ước lượng kênh và hiệu suất bộ tiền mã hóa.

IV. Kết quả mô phỏng và đánh giá hiệu suất

Đồ án thực hiện mô phỏng hệ thống Massive MIMO với các thuật toán phân bổ công suất khác nhau như Max Product SINR, Max-min fairness, và M-MMSE. Kết quả mô phỏng so sánh hiệu suất của các phương pháp truyền thống với phương pháp sử dụng Deep Learning. Đánh giá sử dụng các chỉ số như SINR (Signal-to-Interference-plus-Noise Ratio), hiệu suất phổ và hàm phân phối tích lũy (CDF). Kết quả cho thấy phương pháp Deep Learning cung cấp hiệu suất tương đương hoặc tốt hơn so với các phương pháp truyền thống, với ưu điểm là giảm độ phức tạp tính toán đáng kể, phù hợp cho các ứng dụng thời gian thực trong mạng 5G/6G.

4.1. Phương pháp đánh giá hiệu suất

Hiệu suất hệ thống được đánh giá qua nhiều chỉ số. SINR đo lường tỷ số tín hiệu trên nhiễu cộng tạp âm cho mỗi người dùng. Hiệu suất phổ biểu thị lượng thông tin truyền được trên một đơn vị băng thông. Hàm CDF (Cumulative Distribution Function) thể hiện phân bố xác suất của SINR hoặc hiệu suất phổ across toàn bộ người dùng. Các chỉ số này giúp đánh giá công bằng của hệ thống và chất lượng dịch vụ cho từng người dùng.

4.2. So sánh kết quả giữa các phương pháp

Kết quả mô phỏng cho thấy Deep Learning đạt hiệu suất cạnh tranh so với các thuật toán tối ưu truyền thống. Max Product SINR tập trung vào tối đa hóa tín hiệu yếu nhất, Max-min fairness đảm bảo công bằng, trong khi Deep Learning học được tradeoff tối ưu giữa các tiêu chí. Ưu điểm lớn nhất của Deep Learning là tốc độ tính toán nhanh hơn rất nhiều, phù hợp cho các hệ thống động với người dùng thay đổi liên tục. Điều này làm cho phương pháp này rất hứa hẹn cho các ứng dụng 5G/6G.

Trích đoạn nội dung tài liệu

Chương 1: Tổng Quan. Trong chương này sẽ trình bày về tình hình nghiên cứu, giới hạn, mục tiêu, yêu cầu, đối tượng, phạm vi nghiên cứu của đề tài.  Chương 2: Cơ sở lý thuyết. Trong chương này sẽ giới thiệu về kênh truyền vô tuyến, các kiến thức cơ bản về MIMO, Massive MIMO và Deep learning cũng như các hàm tính toán và thư viện trong mạng nơ-ron.

 Chương 3: Thiết kế hệ thống. Trong chương này sẽ trình bày xây dựng hệ thống Massive MIMO với các công thức có liên quan nhằm tìm công suất bằng phương pháp max-min và max-prod trong đường xuống của các mạng Massive MIMO. Phân tích dữ liệu SE đạt được rồi xây dựng mô hình mạng nơ-ron phù hợp để kết quả quá trình đạo tạo của mạng nơ-ron gần giống kết quả khi thực hiện bằng việc tính toán bằng công thức với Matlab.  Chương 4: Kết quả mô phỏng và đánh giá.

Trong chương này sẽ trình bày về kết quả thực hiện mô phỏng công suất truyền đường xuống trong mô hình Massive MIMO và việc chạy với Deep Learning. Và cuối cùng, ta xem xét kết quả thu được sau khi được huấn luyện với mạng nơ-ron và so sánh với việc tính toán với Matlab để đưa ra nhận xét và đánh giá.  Chương 5: Kết Luận và hướng phát triển. 3 Trong chương này sẽ trình bày những kết quả đạt được của đề tài, những hạn chế của đề tài và đống thời đưa ra hướng phát triển.

4 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2. KÊNH TRUYỀN VÔ TUYẾN Truyền thông vô tuyến là phương pháp truyền dẫn trong môi trường không dây. Không như kênh truyền có dây ổn định và có thể phân tích được, tín hiệu truyền trong kênh truyền vô tuyến hoàn toàn ngẫu nhiên và không dễ dàng trong việc phân tích. Tín hiệu được phát đi, qua kênh truyền vô tuyến, bị cản trở bởi vật cản, bị nhiễu xạ, tán xạ, phản xạ…, các hiện tượng này được gọi chung là fading.

Kết quả ở máy thu, ta thu được rất nhiều phiên bản khác nhau của tín hiệu phát, ảnh hưởng đến chất lượng của hệ thống thông tin vô tuyến. Các hiện tượng ảnh hưởng đến chất lượng kênh truyền vô tuyến  Hiệu ứng đa đường Trong một hệ thống thông tin vô tuyến, anten của trạm phát tín hiệu sóng mang và cả tín hiệu quang truyền qua kênh truyền vô tuyến sẽ lan tỏa trong không gian, va chạm vào các vật cản trên đường truyền.1 cho thấy tín hiệu mong muốn là tín hiệu truyền thẳng. Tuy nhiên, tín hiệu có thể mất đi khi bị tòa nhà che khuất, phản xạ hoặc khúc xạ tùy thuộc vào hướng tiếp xúc với kính trong nhà, hay thậm chí tán xạ khi va chạm với cây cối, gây ra thêm các tín hiệu không mong muốn [6]. Do vậy, tín hiệu nhận được chính là sự chồng lấp của các tín hiệu đến từ nhiều hướng khác nhau.

Hiện tượng này được gọi là hiệu ứng đa đường.1 Hiệu ứng đa đường.  Hiệu ứng Doppler Hiệu ứng Doppler là một hiệu ứng vật lý, trong đó tần số và bước sóng của các sóng bị thay đổi khi nguồn phát sóng chuyển động tương đối với người quan sát. Trong truyền thông không dây, do sự di chuyển giữa máy phát và máy thu, mỗi sóng mang bị dịch đi một lượng tần số. Tần số sẽ tăng lên khi máy phát tiến về phía máy thu, và sẽ giảm khi máy phát đi ra xa máy thu.

Hiệu ứng này tỉ lệ với tốc độ của thiết bị di động.  Hiện tượng fading Fading là hiện tượng sai lệch tín hiệu thu một cách bất thường xảy ra đối với các hệ thống vô tuyến do tác động của môi trường truyền dẫn. Người ta cũng có thể phân hai loại fading: fading quy mô lớn và fading quy mô nhỏ. Fading quy mô lớn thể hiện sự suy hao đường do chuyển động trên diện rộng, khi một máy phát và (hoặc) máy thu di động di chuyển qua một khoảng cách dài, dẫn đến sự thăng giáng nhanh hình bao tín hiệu nhận được.

Trong truyền thông di động, fading quy mô lớn xảy ra trong môi trường đô thị, ngoài trời và trong nhà. Fading quy mô nhỏ đề cập đến sự thay đổi lớn về biên độ và pha của tín hiệu do sự thay đổi nhỏ về vị trí của máy phát hoặc máy thu. Hai biểu hiện: thời gian lan truyền của tín hiệu và độ lệch thời gian của kênh do kênh đa đường và Doppler. Cả hai hiện tượng đều có thể được mô tả trong miền thời gian hoặc miền tần số.

Các kỹ thuật tối ưu kênh truyền + Ghép kênh theo tần số - FDM (Frequency Division Multiplexing) với ý tưởng là một băng thông lớn sẽ được chia nhỏ thành nhiều băng thông nhỏ hơn không chồng lấn, giữa các khoảng tần này cần có một khoảng bảo vệ để có thể sử dụng bộ lọc, lọc lấy khoảng tần mong muốn. + Ghép kênh theo thời gian – TDM (Time Division Multiplexing) có hiệu suất sử dụng kênh truyền cao hơn. Trục tần số được chia thành nhiều khe thời gian (time slot). Mỗi một kênh dữ liệu sẽ chiếm giữ toàn bộ trục tần số ở những khoảng thời gian nhất định.

Luồng bit tốc độ thấp của mỗi kênh sẽ được ghép lại thành một luồng bit tốc độ cao duy nhất, và đưa lên kênh truyền. TDM được sử dụng khá phổ biến trong các hệ thống thông tin số. KỸ THUẬT MIMO 2. Giới thiệu Kỹ thuật MIMO (Multiple Input Multiple Output) là tên gọi chung cho những kỹ thuật dựa trên việc sử dụng nhiều anten ở phía thu và phía phát kết hợp với các kỹ thuật xử lý tín hiệu [6].

Kỹ thuật MIMO có thể được sử dụng để nâng cao hiệu năng hệ thống cũng như là làm tăng khả năng cung cấp dịch vụ. Những nghiên cứu gần đây cho thấy, các hệ thống sử dụng MIMO có thể tăng đáng kể tốc độ truyền dữ liệu, giảm BER mà không cần tăng công suất hay băng thông của hệ thống.2 Mô hình hệ thống MIMO cơ bản. Ưu nhược điểm  Ưu điểm  Kỹ thuật MIMO giúp tăng dung lượng hệ thống do đó tăng tốc độ dữ liệu.  Bằng việc phát lặp lại một ký hiệu trong các khoảng thời gian khác nhau và mã hóa thích hợp, kỹ thuật MIMO làm tăng chất lượng hệ thống khi sử dụng trong kênh truyền đa đường.

 Giúp tăng tỉ số tín hiệu trên nhiễu và phạm vi hoạt động của hệ thống.  Hệ thống không cần tăng số lượng trạm gốc hay quá nhiều anten để đạt được vùng bao phủ như mong muốn, làm giảm giá thành khi triển khai.  Nhược điểm  Hệ thống MIMO chứa nhiều anten dẫn đến tăng độ phức tạp.  Các anten trong hệ thống MIMO phải đặt cách nhau một khoảng cách tối thiểu bắt buộc để không gây nhiễu lẫn nhau và tạo sự phân tập không gian.

Điều này làm tăng kích thước thiết bị theo số lượng anten.  Việc sử dụng hệ thống MIMO chỉ hiệu quả trong trường hợp kênh truyền bị suy hao lớn, ảnh hưởng của đa đường mạnh mẽ. Đối với kênh truyền ít suy hao và lý tưởng, hệ thống MIMO không phát huy được khả năng so với hệ thống thông thường nhưng độ phức tạp thì lại cao hơn. HỆ THỐNG MASSIVE MIMO 2.

Giới thiệu Massive MIMO (mô hình MIMO cỡ rất lớn) đề cập đến một công nghệ mạng không dây trong đó các trạm cơ sở được trang bị một số lượng anten rất lớn để phục vụ vô số thiết bị người dùng bằng cách ghép kênh không gian [7].3 thể hiện một hệ thống Massive MIMO cơ bản. Mỗi trạm cơ sở được trang bị M anten, phục vụ K máy đầu cuối đơn anten. Các trạm cơ sở khác nhau hoạt động trong các cell khác nhau. Trên cả đường truyền lên và đường truyền xuống, các thiết bị đầu cuối đều sử dụng tối đa tài nguyên không gian- tần số một cách đồng thời.

Ở đường lên, trạm cơ sở khôi phục lại từng tín hiệu riêng rẽ được phát lên bởi đầu cuối. Ở đường xuống, trạm cơ sở phải đảm bảo mỗi thiết bị đầu cuối chỉ nhận được 8 tín hiệu mong muốn của riêng nó. Kênh truyền được biết qua pha huấn luyện giữa người dùng và trạm phát với cách thức tùy thuộc và giao thức của hệ thống là FDD (song công phân chia theo tần số) hay TDD (song công phân chia theo thời gian). Đường lên Đường xuống Hình 2.3 Đường lên và đường xuống tín hiệu trong mô hình Massive MIMO.

Hoạt động Massive MIMO. Trong hệ thống Massive MIMO, hàng trăm hoặc hàng nghìn anten tại trạm phát phục vụ đồng thời mười hay hàng trăm người dùng tại cùng một nguồn tài nguyên tần số. Do đó giao thức được lựa chọn sử dụng trong hệ thống Massive MIMO là giao thức truyền song công phân chia theo thời gian (TDD). 9 Nguyên nhân Đối với hệ thống FDD, truyền tín hiệu đường lên và đường xuống sử dụng phổ tần số khác nhau, do đó kênh Uplink và Downlink là bất đối xứng.

Tại đường xuống, trạm phát cần thông tin kênh (CSI) để mã trước tín hiệu trước khi phát đến K người dùng, M anten tại trạm phát phát M tín hiệu pilot (tín hiệu hoa tiêu) trực giao với nhau đến K người dùng.4 cho thấy mỗi người dùng sẽ ước lượng kênh dựa trên pilot nhận được và phản hồi lại M kênh người dùng đến trạm phát. Quy trình này yêu cầu tối thiểu M kênh đường xuống và M kênh đường lên. Tương tự đối với đường lên, K người dùng phát K tín hiệu pilot trực giao đến trạm phát, trạm phát ước lượng kênh và phản hồi lại. Do đó tổng quá trình ước lượng kênh trong hệ thống FDD yêu cầu tối thiểu M+K kênh trên đường lên và M kênh cho đường xuống.

T ký hiệu Đường lên Pilot đường xuống (M pilot trực giao) Pilot đường lên MK kênh ước lượng phản hồi Đường (K pilot trực giao) xuống ≥K (Ký hiệu) ≥M (ký hiệu) Hình 2.4 Cấu trúc ước lượng kênh truyền trong FDD [8]. Đối với hệ thống TDD, kênh truyền đường lên và đường xuống sử dụng chung dải phổ tần số, nhưng khác khe thời gian. Kênh đường lên và đường xuống có tính đối xứng nên thông tin kênh có được qua đường lên có thể sử dụng luôn cho đường xuống.5 trên đường lên K người dùng phát K chuỗi pilot trực giao đến trạm phát. Trạm phát sử dụng thông tin kênh này để mã trước tín hiệu gửi xuống và đồng thời tạo búp sóng pilot.

Tổng quá trình này cần sử dụng 2K kênh truyền. Như vậy 10 thời gian cần thiết để truyền pilot tỉ lệ với số anten người dùng và không phụ thuộc vào số anten ở trạm cơ sở.