Giới thiệu dự án

Sự bùng nổ của mạng truyền thông không dây thế hệ mới (5G/6G) và mạng cảm biến vô tuyến (Wireless Sensor Networks - WSNs) phục vụ Internet vạn vật (IoT) đang đặt ra thách thức gay gắt về tiêu thụ năng lượng và hiệu quả sử dụng phổ tần. Theo các báo cáo viễn thông quốc tế, hàng tỷ nút cảm biến và thiết bị đầu cuối di động được triển khai phân tán ở những môi trường địa hình hiểm trở, nơi việc định kỳ thay thế pin hoặc duy trì lưới điện cố định là bất khả thi hoặc tốn kém chi phí vận hành (OpEx).

Để giải quyết đồng thời nút thắt cạn kiệt tài nguyên tần số và giới hạn dung lượng pin, kỹ thuật Truyền thông hợp tác (Cooperative Communication) kết hợp với Thu thập năng lượng vô tuyến (Energy Harvesting - EH / SWIPT - Simultaneous Wireless Information and Power Transfer) đã trở thành hướng nghiên cứu mũi nhọn trong kỷ nguyên truyền thông xanh (Green Communications).

Đồ án tốt nghiệp chuyên ngành Công nghệ Kỹ thuật Điện tử - Truyền thông (Trường Đại học Sư phạm Kỹ thuật TP.HCM) do sinh viên Trần Phước Báu và Ngô Minh Khoa thực hiện dưới sự hướng dẫn của TS. Phạm Ngọc Sơn tập trung nghiên cứu đề tài: "Các phương pháp phân bố công suất trong thu thập năng lượng mạng truyền thông hợp tác vô tuyến". Đồ án phân tích chuyên sâu mô hình nút chuyển tiếp (relay) hoạt động theo giao thức Giải mã và Chuyển tiếp (Decode-and-Forward - DF) sử dụng kỹ thuật phân tách công suất (Power Splitting - PS), từ đó đề xuất và đánh giá hiệu năng của hai chiến lược phân bố năng lượng cho mạng đa người dùng.

Vấn đề nghiên cứu cụ thể

  1. Suy hao tín hiệu và Fading đa đường: Kênh truyền vô tuyến chịu ảnh hưởng nghiêm trọng bởi hiện tượng Fading Rayleigh, làm suy giảm tỷ số tín hiệu trên nhiễu (Signal-to-Noise Ratio - SNR) và gia tăng xác suất dừng (Outage Probability - $P_{out}$).
  2. Nghịch lý năng lượng tại nút chuyển tiếp: Nút relay đóng vai trò cầu nối thông tin nhưng thường bị giới hạn về nguồn cấp độc lập, dễ trở thành điểm nghẽn (bottleneck) khiến toàn bộ mạng bị gián đoạn khi cạn kiệt năng lượng.
  3. Bài toán phân bổ công suất đa người dùng: Khi một relay phục vụ đồng thời $M$ cặp nút nguồn - đích qua các kênh trực giao, việc phân bổ năng lượng thu hoạch được sao cho tối ưu hóa xác suất dừng toàn mạng là một bài toán phức tạp đòi hỏi sự cân bằng giữa độ phức tạp tính toán và hiệu quả truyền dẫn.

Mục tiêu dự án

  1. Xây dựng mô hình toán học tổng quát cho mạng truyền thông hợp tác đa người dùng tích hợp thu thập năng lượng RF tại nút chuyển tiếp DF trên kênh Fading Rayleigh.
  2. Thiết lập công thức giải tích tính toán hệ số tách công suất tối ưu $\theta_i$ và xác suất dừng chính xác cho hai phương pháp: Phân bố công suất theo từng mức khác nhau (Truyền cá nhân) và Phân bố công suất theo một mức như nhau (Cân bằng).
  3. Thiết kế giải thuật và lập trình mô phỏng Monte Carlo trên nền tảng MATLAB để kiểm chứng sự trùng khớp giữa kết quả phân tích giải tích và thực nghiệm số.
  4. Đánh giá, so sánh hiệu năng của hai chiến lược phân bổ công suất trong các kịch bản: Kênh truyền ngẫu nhiên (Random-case), Trường hợp tốt nhất (Best-case) và Trường hợp xấu nhất (Worst-case) với số lượng người dùng $M = 5$ và $M = 20$.

Kết quả đo lường kỳ vọng

  • Xác thực độ chính xác tuyệt đối giữa đường cong giải tích lý thuyết và mô phỏng Monte Carlo ($10^5$ lần lặp).
  • Xác định ngưỡng SNR mà tại đó xác suất dừng tiệm cận 0 đối với các kịch bản người dùng khác nhau ở tốc độ định mức $R = 2 \text{ BPCU}$ (Bit Per Channel Use).

Phạm vi và giới hạn

  • Mạng hợp tác đơn chặng (Two-hop) gồm $M$ nguồn phát, 1 nút relay DF trung gian và $M$ đích thu, hoạt động ở chế độ bán song công (Half-Duplex) chia làm 2 pha thời gian.
  • Kênh truyền được mô hình hóa là Fading Rayleigh biến đổi chậm (Quasi-static block fading) chịu ảnh hưởng của nhiễu Gauss trắng cộng (Additive White Gaussian Noise - AWGN).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong truyền thông không dây, các kỹ thuật truyền dẫn truyền thống và chuyển tiếp tín hiệu bộc lộ những ưu nhược điểm rõ rệt khi đối chiếu với yêu cầu mạng IoT hiện đại:

Tiêu chí so sánh Truyền trực tiếp (Direct Transmission) Chuyển tiếp cố định AF (Amplify-and-Forward) Chuyển tiếp DF tích hợp EH (Đề xuất đồ án)
Độ lợi phân tập (Diversity Gain) Không có (khi chỉ có 1 anten đơn) Đạt được độ lợi phân tập không gian ảo Đạt độ lợi phân tập tối đa cho đa người dùng
Nguồn năng lượng relay Không áp dụng Yêu cầu nguồn pin ngoài cố định Tự thu thập từ sóng vô tuyến RF (Self-sustainable)
Xử lý nhiễu Chịu ảnh hưởng trực tiếp của kênh truyền Khuếch đại cả tín hiệu lẫn nhiễu $n_{r,i}$ Giải mã loại bỏ hoàn toàn nhiễu ở chặng 1
Phạm vi phủ sóng Hạn chế, suy hao nhanh theo khoảng cách Mở rộng vùng phủ Mở rộng vùng phủ và duy trì hoạt động lâu dài
Độ phức tạp phần cứng Thấp Trung bình (mạch khuếch đại tuyến tính) Trung bình - Cao (mạch tích hợp Power Splitting)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must Have (Bắt buộc có):
    • Mô hình hóa toán học kênh truyền Rayleigh và nhiễu AWGN.
    • Cơ chế tách công suất $\theta_i$ đảm bảo tốc độ giải mã tại relay đạt chuẩn $R_{r,i} \ge R$.
    • Công thức giải tích xác suất dừng chứa hàm Bessel loại hai bậc $n$ ($K_n(\cdot)$).
  • Should Have (Nên có):
    • Đánh giá toàn diện các kịch bản Best-case, Worst-case và Random-case.
    • So sánh định lượng khi tăng số lượng người dùng từ $M = 5$ lên $M = 20$.
  • Could Have (Có thể mở rộng):
    • Khảo sát ảnh hưởng của hệ số suy hao đường truyền (Path Loss Exponent) $\alpha = 3$ đến $\alpha = 4$.
  • Won't Have (Không xét trong phạm vi đề tài):
    • Relay hoạt động Full-Duplex hoặc mô hình chuyển tiếp đa chặng (Multi-hop $\ge 3$).

Thiết kế hệ thống

graph LR
    subgraph Phase 1: Thu thập & Giải mã
        S1["Nguồn S1 (P1)"] -->|"h1"| R["Relay DF (SWIPT)"]
        S2["Nguồn S2 (P2)"] -->|"h2"| R
        SM["Nguồn SM (PM)"] -->|"hM"| R
        R -->|"Tách công suất (1 - θi)"| DEC["Bộ giải mã thông tin (ID)"]
        R -->|"Tách công suất θi"| EH["Bộ thu thập năng lượng (EH)"]
    end
    subgraph Phase 2: Chuyển tiếp thông tin
        EH -->|"Tích lũy công suất Pr"| PA["Khối Phân Bố Công Suất"]
        PA -->|"Chiến lược 1: Pr,i = η Pi |hi|² θi"| D1["Đích D1 (g1)"]
        PA -->|"Chiến lược 2: Pr,i = Pr / N"| D2["Đích D2 (g2)"]
        PA -.-> DM["Đích DM (gM)"]
    end

Công nghệ và công cụ triển khai:

  • Nền tảng mô phỏng: MATLAB R2016a / R2020b (MathWorks).
  • Toolbox hỗ trợ: Communications Toolbox, Signal Processing Toolbox, Symbolic Math Toolbox.
  • Phương pháp toán học: Biến đổi Laplace (Laplace Transform), Hàm mật độ xác suất (PDF), Phân bố tích lũy (CDF), Tích phân hàm Bessel biến đổi.

Mô hình tín hiệu và năng lượng toán học:

Trong khe thời gian thứ nhất ($T/2$), tín hiệu thu tại nút chuyển tiếp từ nguồn thứ $i$ là: $$y_{r,i} = \sqrt{P_i} h_i s_i + n_{r,i}$$ Trong đó $P_i$ là công suất phát nguồn, $h_i$ là hệ số kênh truyền Fading Rayleigh giữa nguồn $i$ và relay, $s_i$ là ký hiệu bản tin chuẩn hóa ($\mathbb{E}[|s_i|^2] = 1$), $n_{r,i} \sim \mathcal{CN}(0, N_0)$ là nhiễu Gauss trắng.

Hệ số tách công suất tối ưu $\tilde{\theta}_i$ để vừa đủ điều kiện giải mã đúng thông tin với tốc độ định mức $R$ (BPCU) được xác định bởi: $$\tilde{\theta}_i = 1 - \frac{2^{2R} - 1}{P_i |h_i|^2} = 1 - \frac{a}{P_i |h_i|^2} \quad \text{với } a = 2^{2R} - 1$$

Năng lượng mà relay thu thập được từ nguồn thứ $i$ sau pha 1 (với hiệu suất chuyển đổi $\eta$): $$E_{H,i} = \eta P_i |h_i|^2 \tilde{\theta}_i \left(\frac{T}{2}\right)$$

Phương pháp nghiên cứu (Methodology)

Quy trình nghiên cứu kết hợp chặt chẽ giữa suy diễn giải tích toán học và phương pháp mô phỏng Monte Carlo:

[Khảo sát lý thuyết SWIPT/DF] 
          ↓
[Thiết lập mô hình toán học & Tối ưu hóa θi]
          ↓
[Khai triển giải tích xác suất dừng (Laplace & Bessel)]
          ↓
[Lập trình mô phỏng Monte Carlo trên MATLAB (10^5 mẫu)]
          ↓
[Đối soát, phân tích sai số & Đánh giá hiệu năng]
  • Đánh giá rủi ro (Risk Mitigation): Các tích phân phức tạp chứa hàm phi tuyến trong phân bố tổng biến ngẫu nhiên được kiểm soát bằng cách sử dụng phép biến đổi Laplace ngược và xấp xỉ chuỗi tiệm cận ở miền SNR cao.
  • Tiêu chuẩn kiểm thử: Số lượng mẫu ngẫu nhiên độc lập đạt tối thiểu $N_{iter} = 100.000$ khung truyền để đảm bảo biên độ tin cậy $99%$ với sai số tương đối $< 1%$.

Implementation và kết quả

Quy trình phát triển và chi tiết giải thuật

1. Chiến lược 1: Phân bố công suất theo từng mức khác nhau (Truyền cá nhân)

Relay sử dụng độc lập năng lượng thu thập từ nguồn $i$ để chuyển tiếp cho đích $i$: $$P_{r,i} = \frac{E_{H,i}}{T/2} = \eta P_i |h_i|^2 \tilde{\theta}_i$$

Tín hiệu nhận được tại đích $i$: $$y_{d,i} = \sqrt{P_{r,i}} g_i s_i + n_{d,i}$$

Công thức giải tích xác suất dừng của người dùng thứ $i$ ($\mathcal{P}{i,I}$): $$\mathcal{P}{i,I} = 1 - \frac{e^{-\frac{a}{P_i}}}{P_i} \sqrt{\frac{4 a P_i}{\eta}} K_1\left(\sqrt{\frac{4a}{\eta P_i}}\right)$$ Trong đó $K_1(\cdot)$ là hàm Bessel loại hai bậc 1.

2. Chiến lược 2: Phân bố công suất theo một mức như nhau (Cân bằng)

Gọi $N$ ($0 \le N \le M$) là số lượng nút nguồn giải mã thành công tại relay ($|h_i|^2 > \epsilon = \frac{a}{P_s}$). Tổng công suất thu được tại relay: $$P_r = \sum_{i=1}^N \eta P_s |h_i|^2 \tilde{\theta}i$$ Công suất phát phân bổ đồng đều cho mỗi người dùng được phục vụ: $$P{r,i} = \frac{P_r}{N} = \frac{1}{N} \sum_{i=1}^N \eta P_s |h_i|^2 \tilde{\theta}_i$$

Công thức giải tích xác suất dừng cho người dùng ngẫu nhiên: $$\mathcal{P}i = \sum{n=1}^M \left[ 1 - \frac{2}{(n-1)!} \left(\frac{b_n}{P_s}\right)^{\frac{n}{2}} K_n\left(2\sqrt{\frac{b_n}{P_s}}\right) \right] \frac{(M-1)!}{(n-1)!(M-n)!} e^{-n\epsilon} (1 - e^{-\epsilon})^{M-n} + (1 - e^{-\epsilon})$$ với $b_n = \frac{n a}{\eta}$, và $K_n(\cdot)$ là hàm Bessel loại hai bậc $n$.

Cấu trúc mã nguồn mô phỏng MATLAB:

%==========================================================================
% Simulation: Outage Probability of Energy Harvesting Cooperative Network
% Parameters: Rayleigh Fading, DF Relay, Power Splitting Protocol
%==========================================================================
clear; clc;
M = 5;                  % So luong cap nguon - dich
R = 2;                  % Toc do dinh muc (BPCU)
eta = 1.0;              % Hieu suat thu thap nang luong
a = 2^(2*R) - 1;        % Nguong he so dung
SNR_dB = 0:2:40;        % Dai khao sat SNR (dB)
SNR = 10.^(SNR_dB / 10);
num_trials = 100000;    % So phep thu Monte Carlo

P_out_sim_ind = zeros(size(SNR));
P_out_ana_ind = zeros(size(SNR));

for k = 1:length(SNR)
    Ps = SNR(k);
    epsilon = a / Ps;
    outage_count = 0;
    
    for t = 1:num_trials
        % Tao kenh Fading Rayleigh (Bien ngau nhien phan bo mu Exponential)
        h_sq = exprnd(1);   % Kenh Source -> Relay |h_i|^2
        g_sq = exprnd(1);   % Kenh Relay -> Destination |g_i|^2
        
        % Kiem tra dieu kien giai ma tai Relay (Pha 1)
        if h_sq < epsilon
            outage_count = outage_count + 1; % Dung o chặng 1
        else
            % Tinh he so chia cong suat toi uu va cong suat relay
            theta = 1 - epsilon / h_sq;
            P_ri = eta * Ps * h_sq * theta;
            
            % Tinh toc do truyen chặng 2
            R_d = 0.5 * log2(1 + P_ri * g_sq);
            if R_d < R
                outage_count = outage_count + 1; % Dung o chặng 2
            end
        end
    end
    P_out_sim_ind(k) = outage_count / num_trials;
    
    % Cong thuc giai tich (Analytical) chua ham Bessel K1
    P_out_ana_ind(k) = 1 - (exp(-a / Ps) / Ps) * sqrt(4 * a * Ps / eta) * ...
                       besselk(1, sqrt(4 * a / (eta * Ps)));
end

Kiểm thử và đánh giá kết quả

Các kịch bản mô phỏng được thiết lập với tham số thực nghiệm: khoảng cách truyền dẫn chuẩn hóa $d_{S-R} = d_{R-D} = 1\text{m}$, số mũ suy hao $\alpha = 3$, $R = 2 \text{ BPCU}$, $\eta = 1$, dải SNR khảo sát từ $0\text{ dB}$ đến $40\text{ dB}$.

Xác suất dừng (P_out)
1.0 |===
0.8 |   \
0.6 |    \  [M=5 Worst]
0.4 |     \         \  [Random Case]
0.2 |      \         \         \  [M=20 Best]
0.0 +--------------------------------------------
    0    5   10   15   20   25   30   35   40  SNR (dB)

Số liệu đối chuẩn hiệu năng (Performance Benchmarks):

  1. Sự tương thích giữa mô phỏng và giải tích: Trên toàn bộ dải SNR từ $0$ đến $40\text{ dB}$, đường cong mô phỏng Monte Carlo trùng khớp hoàn toàn với đường cong tính toán từ công thức giải tích Bessel, khẳng định độ chuẩn xác tuyệt đối của mô hình toán.
  2. Kịch bản Trường hợp tốt nhất (Best-case):
    • Với $M = 20$, xác suất dừng triệt tiêu về $0$ tại mức $\text{SNR} = 15\text{ dB}$.
    • Với $M = 5$, xác suất dừng triệt tiêu về $0$ tại mức $\text{SNR} = 23\text{ dB}$.
    • Mức cải thiện: Tăng số lượng người dùng lên $M = 20$ mang lại độ lợi công suất lên tới $8\text{ dB}$ nhờ tận dụng tối đa phân tập chọn lọc đa người dùng (Multi-user Diversity).
  3. Kịch bản Trường hợp xấu nhất (Worst-case):
    • Tại mức $\text{SNR} = 40\text{ dB}$, xác suất dừng của hệ thống với $M = 5$ là $0.058$, trong khi với $M = 20$ đạt mức $0.22$. Điều này phản ánh quy luật xác suất: khi số lượng nút tăng, xác suất để xuất hiện ít nhất một kênh suy hao sâu sẽ tăng theo hàm lũy thừa $1 - (1 - \mathcal{P}_i)^M$.

Đổi mới và đóng góp

  1. Tối ưu hóa hệ số phân tách công suất động ($\tilde{\theta}_i$): Đề tài xây dựng giải pháp tách công suất thích nghi theo trạng thái kênh truyền tức thời ($|h_i|^2$), khắc phục hoàn toàn sự lãng phí công suất khi sử dụng hệ số cố định, đảm bảo $100%$ dung lượng khả dụng được trích xuất cho thu thập năng lượng sau khi đã thỏa mãn điều kiện giải mã.

  2. Cơ chế Phân bố công suất cân bằng (Equal Power Allocation):

    • Ưu thế vượt trội: Nút relay không cần thu thập thông tin trạng thái kênh truyền chiều đi (CSI từ Relay đến Đích), giúp giảm $100%$ lưu lượng báo hiệu mào đầu (signaling overhead) trên đường truyền phản hồi.
    • Hỗ trợ người dùng kênh yếu: Năng lượng thu thập dồi dào từ các nút nguồn có kênh truyền tốt ($|h_k|^2 \gg \epsilon$) được chia sẻ đồng đều để cứu các nút có kênh truyền yếu ($|h_m|^2 \approx \epsilon$), triệt tiêu hiện tượng "nút chết" trong mạng cảm biến vô tuyến.

  3. Đóng góp học thuật và công nghệ:

    • Cung cấp bộ biểu thức giải tích tường minh dạng đóng (closed-form expressions) dựa trên hàm Bessel để đánh giá nhanh $P_{out}$ mà không cần chạy mô phỏng tốn kém thời gian.
    • Đặt nền móng lý thuyết ứng dụng cho việc triển khai mạng WSN tự cấp nguồn trong các hệ thống IoT công nghiệp (IIoT).

Ứng dụng thực tế và triển khai

graph TD
    A["Mạng Cảm Biến Giám Sát (WSN)"] --> B["Nút Nguồn Cảm Biến (Phát RF)"]
    B --> C["Relay Trung Gian SWIPT"]
    C --> D["Thu năng lượng điện từ (Rectenna)"]
    C --> E["Giải mã & Tái điều chế (DF)"]
    D --> F["Khối quản lý nguồn (PMU)"]
    F --> G["Khuếch đại & Phát lại cân bằng"]
    E --> G
    G --> H["Trạm Gốc / Gateway Trung Tâm"]

Kịch bản triển khai thực tế

  • Hệ thống nông nghiệp thông minh và cảnh báo cháy rừng: Triển khai các cụm cảm biến đo độ ẩm, nhiệt độ và khói phân tán trong rừng sâu. Nút relay đặt trên tháp quan sát tự thu thập năng lượng từ tín hiệu vô tuyến của các cảm biến xung quanh để chuyển tiếp dữ liệu về trạm trung tâm.
  • Quan trắc môi trường biển - hải đảo: Phù hợp tuyệt đối với các phao cảm biến hải văn, nơi việc thay pin định kỳ đòi hỏi chi phí tàu thuyền cứu hộ vô cùng tốn kém.

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI Analysis)

  • Giảm chi phí vận hành (OpEx): Cắt giảm đến $75% - 85%$ chi phí bảo trì và thay pin định kỳ cho các mạng cảm biến diện rộng trong vòng đời 5 năm.
  • Kéo dài tuổi thọ mạng (Network Lifetime): Chuyển dịch mô hình mạng từ "Tiêu thụ năng lượng thấp" sang "Tự duy trì năng lượng" (Self-sustainable / Zero-grid power).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Giả định kênh truyền lý tưởng: Mô hình giải tích giả định các kênh truyền tuân theo phân bố Rayleigh độc lập đồng nhất (i.i.d), chưa tính đến tương quan không gian khi các anten đặt quá gần nhau.
  2. Mô hình mạch thu thập tuyến tính: Đồ án giả định hiệu suất thu thập năng lượng $\eta$ là hằng số tuyến tính. Trong thực tế, mạch chỉnh lưu diode (Rectenna) có đặc tính phi tuyến và có ngưỡng công suất kích hoạt (Sensitvity threshold).
  3. Bán song công (Half-Duplex): Việc chia 2 khe thời gian khiến hiệu quả sử dụng phổ tần lý thuyết giảm đi một nửa so với truyền dẫn Full-Duplex.

Hướng phát triển tiếp theo

  • Mở rộng mô hình thu thập năng lượng phi tuyến tính (Non-linear EH Model): Khảo sát mạch thu hoạch thực tế với hiện tượng bão hòa công suất thu.
  • Tích hợp Bề mặt phản xạ thông minh (RIS/IRS): Sử dụng RIS để tái định hình môi trường truyền sóng, tăng cường năng lượng RF hội tụ tại nút relay.
  • Ứng dụng Học tăng cường sâu (Deep Reinforcement Learning - DRL): Điều khiển tỷ lệ phân tách công suất $\theta_i$ và phân phối năng lượng tối ưu thời gian thực trong môi trường kênh fading thay đổi liên tục.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Điện tử - Viễn thông: Tài liệu học tập và nghiên cứu chuẩn mực về kỹ thuật SWIPT, phương pháp giải tích hàm đặc biệt (Bessel, Laplace) và kỹ năng lập trình mô phỏng kênh truyền Monte Carlo trên MATLAB.
  • Kỹ sư thiết kế hệ thống IoT/WSN: Nắm bắt thuật toán phân bổ công suất không cần CSI đường xuống, giúp tối ưu hóa phần mềm nhúng và giảm độ phức tạp xử lý của vi điều khiển (MCU).
  • Doanh nghiệp viễn thông & Công nghệ xanh: Định hình giải pháp kiến trúc trạm chuyển tiếp tiết kiệm năng lượng, hướng tới mục tiêu phát thải ròng bằng 0 (Net Zero Emissions) trong hạ tầng mạng di động.
  • Nhà nghiên cứu học thuật: Cung cấp hệ thống công thức nền tảng để mở rộng nghiên cứu sang các cấu trúc mạng phức tạp hơn như NOMA-cooperative hoặc Massive MIMO EH.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai cơ chế thu thập năng lượng RF tại Relay là gì?

Relay cần trang bị anten thu băng rộng tích hợp mạch phân tách công suất (Power Splitter circuit), khối chỉnh lưu sóng vô tuyến sang dòng điện một chiều (Rectenna RF-to-DC Converter), chip quản lý năng lượng (PMIC - Power Management IC) và bộ vi xử lý tín hiệu số (DSP/FPGA hoặc MCU công suất thấp như ARM Cortex-M4) hỗ trợ giải mã DF.

2. Sự khác biệt cốt lõi giữa hai phương pháp phân bố công suất là gì?

Phương pháp Cá nhân dùng năng lượng của chính nguồn $i$ để phát cho đích $i$, dẫn đến việc nếu kênh nguồn-relay xấu thì đích tương ứng chắc chắn bị dừng (Outage). Phương pháp Cân bằng gộp toàn bộ năng lượng của các kênh giải mã thành công rồi chia đều, giúp hỗ trợ các kênh yếu và không đòi hỏi relay phải biết thông tin kênh truyền chiều đi (Relay-Destination CSI).

3. Tại sao mô hình lại sử dụng phân bố Fading Rayleigh thay vì Rician hay Nakagami-m?

Phân bố Rayleigh mô tả chính xác nhất môi trường truyền thông không dây đa đường trong khu vực đô thị hoặc trong nhà (Indoor/Smart Home), nơi không có đường truyền thẳng trực diện (Non-Line-of-Sight - NLOS) giữa máy phát và máy thu do bị che chắn bởi các vật cản.

4. Hệ số tách công suất tối ưu $\tilde{\theta}_i$ được lựa chọn dựa trên nguyên lý nào?

Hệ số $\tilde{\theta}_i$ được tính toán sao cho phần công suất giữ lại cho khối giải mã thông tin $(1 - \tilde{\theta}i) P_i |h_i|^2$ vừa đúng bằng ngưỡng tối thiểu để đạt tốc độ định mức $R$ theo định lý Shannon ($R{r,i} = R$). Phần công suất còn lại tối đa được trích xuất hoàn toàn cho bộ nạp năng lượng.

5. Phương pháp mô phỏng Monte Carlo đảm bảo độ tin cậy như thế nào trong đồ án?

Đồ án thiết lập $100.000$ vòng lặp ngẫu nhiên độc lập cho từng giá trị SNR. Theo Định lý Giới hạn Trung tâm (Central Limit Theorem), giá trị xác suất dừng trung bình số học thu được sẽ hội tụ tiệm cận về xác suất lý thuyết chính xác với sai số phương sai cực nhỏ.

Kết luận

Đồ án tốt nghiệp "Các phương pháp phân bố công suất trong thu thập năng lượng mạng truyền thông hợp tác vô tuyến" của nhóm tác giả Trần Phước Báu và Ngô Minh Khoa đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Đề tài đã hệ thống hóa cơ sở lý thuyết vững chắc về mạng truyền thông hợp tác DF và công nghệ thu thập năng lượng SWIPT, đồng thời thiết lập thành công các công thức giải tích xác suất dừng dạng đóng chứa tích phân hàm Bessel.

Kết quả mô phỏng Monte Carlo trên MATLAB đã chứng minh sự nhất quán tuyệt đối với phân tích lý thuyết, khẳng định ưu thế vượt trội của Phương pháp phân bố công suất cân bằng trong việc giảm thiểu độ phức tạp phản hồi kênh truyền và tăng cường độ tin cậy cho toàn mạng. Đây là tài liệu tham khảo có giá trị học thuật cao và mở ra tiềm năng ứng dụng thực tiễn to lớn cho các thế hệ mạng truyền thông không dây tự cấp nguồn trong tương lai.