Phân Bổ Công Suất Truyền Trong Hệ Thống Massive MIMO Sử Dụng Deep Learning

Khám phá cách phân bổ công suất truyền trong hệ thống massive MIMO bằng công nghệ deep learning, nâng cao hiệu suất truyền tải dữ liệu.

• Tác giả: Nguyễn Văn Minh Trí
• Người hướng dẫn: TS. Phạm Ngọc Sơn
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố 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: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỤC TIÊU VÀ YÊU CẦU CỦA ĐỀ TÀI
• 1.1. GIỚI HẠN ĐỀ TÀI
• 1.2. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. BỐ CỤC ĐỀ TÀI
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. KÊNH TRUYỀN VÔ TUYẾN
• 2.1.1. Các hiện tượng ảnh hưởng đến chất lượng kênh truyền vô tuyến
• 2.1.1.1. Hiệu ứng đa đường
• 2.1.1.2. Hiệu ứng Doppler
• 2.1.1.3. Hiện tượng fading
• 2.1.2. Các kỹ thuật tối ưu kênh truyền
• 2.2. KỸ THUẬT MIMO
• 2.2.1. Giới thiệu
• 2.2.2. Ưu nhược điểm
• 2.2.2.1. Ưu điểm
• 2.2.2.2. Nhược điểm
• 2.3. HỆ THỐNG MASSIVE MIMO
• 2.3.1. Giới thiệu
• 2.3.2. Hoạt động Massive MIMO
• 3. CHƯƠNG 3: THIẾT KẾ HỆ THỐNG
• 4. CHƯƠNG 4: KẾT QUẢ MÔ PHỎNG VÀ ĐÁNH GIÁ
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Bổ Công Suất Trong Massive MIMO

Công nghệ Massive MIMO sử dụng số lượng lớn anten tại trạm gốc để phục vụ nhiều người dùng đồng thời. Điều này giúp tăng dung lượng và hiệu quả sử dụng phổ tần. Tuy nhiên, việc phân bổ công suất hiệu quả là một thách thức lớn. Mục tiêu là tối ưu hóa hiệu suất hệ thống, đảm bảo chất lượng dịch vụ cho tất cả người dùng. Các thuật toán truyền thống thường phức tạp và tốn nhiều thời gian tính toán. Deep Learning nổi lên như một giải pháp tiềm năng, hứa hẹn khả năng tự học và thích nghi với môi trường thay đổi. Đề tài này tập trung vào việc ứng dụng Deep Learning để giải quyết bài toán phân bổ công suất trong hệ thống Massive MIMO, hướng đến hiệu suất cao và độ trễ thấp.

1.1. Giới thiệu về hệ thống truyền thông không dây Massive MIMO

Hệ thống Massive MIMO sử dụng hàng trăm hoặc thậm chí hàng nghìn anten tại trạm gốc để phục vụ đồng thời nhiều người dùng trên cùng một tài nguyên tần số. Điều này giúp tăng đáng kể dung lượng và hiệu quả sử dụng phổ tần. Giao thức truyền song công phân chia theo thời gian (TDD) thường được sử dụng trong Massive MIMO. Theo tài liệu gốc, "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."

1.2. Vai trò của phân bổ công suất trong hệ thống Massive MIMO

Phân bổ công suất đóng vai trò quan trọng trong việc tối ưu hóa hiệu suất của hệ thống Massive MIMO. Việc phân bổ công suất hợp lý giúp đảm bảo chất lượng dịch vụ cho tất cả người dùng, đồng thời giảm thiểu nhiễu và tăng hiệu quả sử dụng năng lượng. Các thuật toán phân bổ công suất cần phải cân bằng giữa các mục tiêu khác nhau, chẳng hạn như tối đa hóa tốc độ dữ liệu, giảm thiểu độ trễ và đảm bảo tính công bằng cho người dùng.

II. Thách Thức Phân Bổ Công Suất Truyền Thống Trong 5G 6G

Các phương pháp phân bổ công suất truyền thống thường dựa trên các thuật toán tối ưu hóa phức tạp. Các thuật toán này đòi hỏi nhiều thời gian tính toán và khó thích nghi với môi trường thay đổi. Trong môi trường mạng 5G/6G với mật độ người dùng cao và kênh truyền biến động nhanh, các thuật toán truyền thống có thể không đáp ứng được yêu cầu về hiệu suất và độ trễ. Do đó, cần có các giải pháp phân bổ công suất hiệu quả hơn, có khả năng tự học và thích nghi với môi trường.

2.1. Hạn chế của thuật toán tối ưu hóa công suất truyền thống

Các thuật toán tối ưu hóa truyền thống thường dựa trên các mô hình toán học phức tạp và đòi hỏi nhiều thời gian tính toán. Trong môi trường mạng 5G/6G với kênh truyền biến động nhanh, các thuật toán này có thể không hội tụ nhanh chóng hoặc không tìm được giải pháp tối ưu. Ngoài ra, các thuật toán truyền thống thường khó thích nghi với các yêu cầu khác nhau của người dùng và các điều kiện mạng khác nhau.

2.2. Yêu cầu về hiệu suất và độ trễ trong mạng 5G 6G

Mạng 5G/6G đặt ra các yêu cầu khắt khe về hiệu suất và độ trễ. Các ứng dụng như thực tế ảo, thực tế tăng cường và xe tự hành đòi hỏi tốc độ dữ liệu cao và độ trễ thấp. Do đó, các giải pháp phân bổ công suất cần phải đáp ứng được các yêu cầu này, đồng thời đảm bảo chất lượng dịch vụ cho tất cả người dùng.

2.3. Vấn đề nhiễu và quản lý nhiễu trong hệ thống Massive MIMO

Trong hệ thống Massive MIMO, nhiễu là một vấn đề nghiêm trọng do số lượng lớn anten và người dùng. Việc quản lý nhiễu hiệu quả là rất quan trọng để đảm bảo hiệu suất hệ thống. Các thuật toán phân bổ công suất cần phải xem xét đến yếu tố nhiễu và tìm cách giảm thiểu ảnh hưởng của nhiễu đến chất lượng dịch vụ.

III. Phương Pháp Deep Learning Cho Phân Bổ Công Suất Tối Ưu

Deep Learning cung cấp một hướng tiếp cận mới cho bài toán phân bổ công suất. Bằng cách huấn luyện một mạng nơ-ron với dữ liệu thu thập được từ hệ thống, mạng nơ-ron có thể học được mối quan hệ giữa trạng thái kênh và công suất truyền tối ưu. Sau khi được huấn luyện, mạng nơ-ron có thể dự đoán công suất truyền tối ưu cho các trạng thái kênh mới một cách nhanh chóng và hiệu quả.

3.1. Ưu điểm của Deep Learning trong phân bổ công suất

Deep Learning có nhiều ưu điểm so với các phương pháp truyền thống. Deep Learning có khả năng tự học và thích nghi với môi trường thay đổi. Deep Learning có thể xử lý dữ liệu lớn và tìm ra các mối quan hệ phức tạp. Deep Learning có thể dự đoán công suất truyền tối ưu một cách nhanh chóng và hiệu quả.

3.2. Các mô hình học sâu phổ biến CNN RNN MLP

Có nhiều mô hình học sâu có thể được sử dụng cho bài toán phân bổ công suất, bao gồm Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) và Multi-Layer Perceptron (MLP). CNN thường được sử dụng để xử lý dữ liệu không gian, chẳng hạn như thông tin kênh. RNN thường được sử dụng để xử lý dữ liệu thời gian, chẳng hạn như lịch sử kênh. MLP là một mô hình đơn giản và hiệu quả, có thể được sử dụng cho các bài toán phân bổ công suất đơn giản.

3.3. Huấn luyện và kiểm tra mô hình Deep Learning

Quá trình huấn luyện và kiểm tra mô hình Deep Learning bao gồm việc thu thập dữ liệu, tiền xử lý dữ liệu, xây dựng mô hình, huấn luyện mô hình và đánh giá mô hình. Dữ liệu huấn luyện cần phải đủ lớn và đa dạng để đảm bảo mô hình có thể học được các mối quan hệ quan trọng. Các kỹ thuật như Reinforcement Learning, Supervised Learning, Unsupervised Learning có thể được sử dụng để huấn luyện mô hình.

IV. Ứng Dụng Thực Tế và Kết Quả Nghiên Cứu Phân Bổ Công Suất

Nghiên cứu này trình bày việc ứng dụng Deep Learning để giải quyết bài toán phân bổ công suất trong hệ thống Massive MIMO. Kết quả mô phỏng cho thấy rằng phương pháp Deep Learning có thể đạt được hiệu suất tương đương hoặc tốt hơn so với các phương pháp truyền thống, đồng thời giảm đáng kể thời gian tính toán. Điều này mở ra tiềm năng ứng dụng Deep Learning trong các hệ thống mạng 5G/6G thực tế.

4.1. Mô phỏng hệ thống Massive MIMO và tạo Dataset tổng hợp

Để huấn luyện mô hình Deep Learning, cần phải tạo một Dataset tổng hợp chứa thông tin về trạng thái kênh và công suất truyền tối ưu. Dataset này có thể được tạo bằng cách mô phỏng hệ thống Massive MIMO và sử dụng các thuật toán tối ưu hóa truyền thống để tìm công suất truyền tối ưu cho mỗi trạng thái kênh.

4.2. Đánh giá hiệu suất năng lượng và hiệu suất phổ

Hiệu suất năng lượng (Energy Efficiency) và hiệu suất phổ (Spectral Efficiency) là hai chỉ số quan trọng để đánh giá hiệu suất của hệ thống Massive MIMO. Phương pháp Deep Learning cần phải được đánh giá dựa trên hai chỉ số này để đảm bảo rằng nó có thể cải thiện hiệu suất hệ thống.

4.3. So sánh với các thuật toán phân bổ công suất truyền thống

Hiệu suất của phương pháp Deep Learning cần phải được so sánh với các thuật toán phân bổ công suất truyền thống để đánh giá tính hiệu quả của nó. Các thuật toán truyền thống có thể bao gồm Adaptive Power Allocation, Dynamic Power Allocation, Centralized Power Allocation và Distributed Power Allocation.

V. Kết Luận và Hướng Phát Triển Phân Bổ Công Suất DL

Việc ứng dụng Deep Learning cho bài toán phân bổ công suất trong hệ thống Massive MIMO là một hướng nghiên cứu đầy tiềm năng. Kết quả nghiên cứu cho thấy rằng phương pháp Deep Learning có thể đạt được hiệu suất cao và độ trễ thấp, đồng thời có khả năng tự học và thích nghi với môi trường thay đổi. Trong tương lai, có thể tiếp tục nghiên cứu các mô hình Deep Learning phức tạp hơn và các kỹ thuật huấn luyện hiệu quả hơn để cải thiện hiệu suất hệ thống.

5.1. Tóm tắt kết quả đạt được và hạn chế của nghiên cứu

Nghiên cứu đã chứng minh rằng Deep Learning có thể được sử dụng để giải quyết bài toán phân bổ công suất trong hệ thống Massive MIMO. Tuy nhiên, nghiên cứu cũng có một số hạn chế, chẳng hạn như việc cần có một Dataset lớn và đa dạng để huấn luyện mô hình.

5.2. Các hướng nghiên cứu tiềm năng trong tương lai

Trong tương lai, có thể tiếp tục nghiên cứu các mô hình Deep Learning phức tạp hơn và các kỹ thuật huấn luyện hiệu quả hơn để cải thiện hiệu suất hệ thống. Ngoài ra, có thể nghiên cứu việc ứng dụng Deep Learning cho các bài toán khác trong hệ thống Massive MIMO, chẳng hạn như User Scheduling và Interference Management.

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.