I. Thiết kế hệ thống
Thiết kế hệ thống là trọng tâm của khóa luận, tập trung vào việc xây dựng một hệ thống giao tiếp tín hiệu không dây dựa trên phần cứng cho AI. Hệ thống này sử dụng kỹ thuật MIMO OFDM để cải thiện hiệu suất truyền tải tín hiệu. Khóa luận đề xuất các kiến trúc DNN (Deep Neural Network) để hỗ trợ hệ thống, giúp đơn giản hóa thiết kế phần cứng và tối ưu hóa hiệu suất. Các mô hình DNN được huấn luyện và tích hợp vào hệ thống phần cứng, sử dụng FPGA để kiểm tra tính khả thi.
1.1. Kiến trúc phần cứng
Kiến trúc phần cứng được thiết kế để hỗ trợ các mô hình DNN, bao gồm các khối tính toán ma trận và hàm kích hoạt. Khóa luận sử dụng số lượng tử hóa thay vì số floating-point để tối ưu hóa tài nguyên phần cứng. Các khối tính toán được thiết kế để xử lý tín hiệu hiệu quả, giảm thiểu độ trễ và tiêu thụ năng lượng. Kiến trúc này được triển khai trên FPGA Virtex7 vc709, đánh giá hiệu suất thông qua phần mềm Vivado.
1.2. Tối ưu hóa hệ thống
Khóa luận tập trung vào tối ưu hóa hệ thống bằng cách sử dụng các kỹ thuật như pipeline và lượng tử hóa. Các kỹ thuật này giúp giảm thiểu tài nguyên phần cứng cần thiết, đồng thời duy trì hiệu suất cao. Hệ thống được thiết kế để xử lý tín hiệu tại chỗ, giảm thiểu nhu cầu truyền dữ liệu đến server, từ đó tiết kiệm thời gian và băng thông.
II. Giao tiếp tín hiệu không dây
Giao tiếp tín hiệu không dây là một trong những ứng dụng chính của khóa luận. Hệ thống sử dụng kỹ thuật MIMO OFDM để truyền tải tín hiệu hiệu quả trong môi trường đa đường truyền. Khóa luận đề xuất các mô hình DNN để thay thế các bộ xử lý tín hiệu truyền thống, giúp cải thiện hiệu suất và giảm chi phí. Các mô hình này được thiết kế để xử lý tín hiệu bị ảnh hưởng bởi PAPR cao, một vấn đề phổ biến trong hệ thống không dây.
2.1. Mô hình MIMO OFDM
Khóa luận tập trung vào hai mô hình MIMO OFDM là 2x2 và 4x4. Các mô hình này được thiết kế để xử lý tín hiệu trong môi trường đa đường truyền Rayleigh với 15 tap. Hệ thống sử dụng QAM-4 để điều chế tín hiệu, đảm bảo hiệu suất truyền tải cao. Các mô hình DNN được tích hợp để thay thế các bộ xử lý tín hiệu truyền thống, giúp cải thiện BER (Bit Error Rate).
2.2. Xử lý tín hiệu AI
Khóa luận đề xuất việc sử dụng AI để xử lý tín hiệu trong hệ thống không dây. Các mô hình DNN được huấn luyện để khôi phục tín hiệu bị ảnh hưởng bởi PAPR cao. Kết quả mô phỏng cho thấy các mô hình DNN đạt hiệu suất cao hơn so với các bộ xử lý truyền thống, đặc biệt trong môi trường không lý tưởng.
III. Phần cứng cho AI
Phần cứng cho AI là một trong những đóng góp chính của khóa luận. Hệ thống được thiết kế để triển khai các mô hình DNN trên FPGA, giúp xử lý tín hiệu tại chỗ mà không cần truyền dữ liệu đến server. Khóa luận sử dụng số lượng tử hóa để tối ưu hóa tài nguyên phần cứng, giảm thiểu độ phức tạp tính toán. Các kết quả thực nghiệm cho thấy hệ thống đạt hiệu suất cao với tài nguyên phần cứng tối thiểu.
3.1. Thiết kế phần cứng
Khóa luận trình bày chi tiết về thiết kế phần cứng cho các mô hình DNN. Các khối tính toán được thiết kế để xử lý tín hiệu hiệu quả, sử dụng số lượng tử hóa để giảm thiểu tài nguyên. Kiến trúc phần cứng được triển khai trên FPGA Virtex7 vc709, đánh giá hiệu suất thông qua phần mềm Vivado.
3.2. Đánh giá hiệu suất
Khóa luận đánh giá hiệu suất của hệ thống thông qua các chỉ số như BER và tiêu thụ tài nguyên phần cứng. Kết quả cho thấy hệ thống đạt hiệu suất cao với tài nguyên tối thiểu, phù hợp với các ứng dụng thực tế.
IV. Kết quả và ứng dụng
Khóa luận đạt được nhiều kết quả quan trọng trong việc thiết kế hệ thống giao tiếp tín hiệu không dây dựa trên phần cứng cho AI. Các mô hình DNN được đề xuất giúp cải thiện hiệu suất và giảm chi phí hệ thống. Hệ thống có thể được ứng dụng trong nhiều lĩnh vực như viễn thông, IoT, và xử lý tín hiệu thời gian thực. Khóa luận cũng đề xuất hướng phát triển tiếp theo, bao gồm việc tối ưu hóa thêm các mô hình DNN và mở rộng ứng dụng trong các hệ thống lớn hơn.
4.1. Kết quả mô phỏng
Khóa luận trình bày các kết quả mô phỏng trên phần mềm, cho thấy hiệu suất cao của các mô hình DNN trong việc xử lý tín hiệu. Các kết quả này được so sánh với các hệ thống truyền thống, chứng minh tính ưu việt của các mô hình đề xuất.
4.2. Ứng dụng thực tế
Hệ thống được đề xuất có thể được ứng dụng trong nhiều lĩnh vực thực tế, bao gồm viễn thông, IoT, và xử lý tín hiệu thời gian thực. Khóa luận cũng đề xuất hướng phát triển tiếp theo, bao gồm việc tối ưu hóa thêm các mô hình DNN và mở rộng ứng dụng trong các hệ thống lớn hơn.
