I. Giới thiệu và bối cảnh nghiên cứu
Luận văn tập trung vào tối ưu Beamforming trong mạng vô tuyến nhận thức sử dụng phương pháp tối ưu lồi. Vấn đề khan hiếm phổ tần và sự gia tăng nhu cầu sử dụng dịch vụ không dây đã thúc đẩy nghiên cứu về mạng vô tuyến nhận thức. Mục tiêu chính là tối ưu hóa công suất phát và hướng phát để tăng dung lượng kênh và giảm can nhiễu. Phương pháp tối ưu lồi được áp dụng để giải quyết các bài toán phức tạp trong hệ thống MIMO.
1.1. Lý do chọn đề tài
Sự khan hiếm phổ tần và hiệu suất sử dụng thấp đã dẫn đến nhu cầu nghiên cứu mạng vô tuyến nhận thức. Các giải pháp như FDMA, TDMA, và SDMA đã được áp dụng nhưng chưa đủ để giải quyết triệt để vấn đề. Mạng vô tuyến nhận thức với khả năng chia sẻ phổ tần động và tối ưu hóa công suất phát là hướng đi mới. Luận văn này tập trung vào tối ưu Beamforming để tăng hiệu quả sử dụng phổ tần.
1.2. Mục tiêu và nhiệm vụ
Mục tiêu chính là nghiên cứu mạng vô tuyến nhận thức với nhiều người dùng chia sẻ phổ tần. Luận văn xây dựng mô hình toán học để thiết kế bộ tiền mã hóa loại bỏ can nhiễu và tối ưu dung lượng kênh. Phương pháp tối ưu lồi được sử dụng để giải quyết các bài toán phức tạp trong hệ thống MIMO.
II. Tổng quan về mạng vô tuyến nhận thức
Chương này trình bày tổng quan về mạng vô tuyến nhận thức, bao gồm các khái niệm cơ bản, kiến trúc mạng, và các mô hình hoạt động. Mạng vô tuyến nhận thức được định nghĩa là hệ thống có khả năng nhận biết và thích ứng với môi trường vô tuyến để tối ưu hóa việc sử dụng phổ tần.
2.1. Khái niệm và sự phát triển
Mạng vô tuyến nhận thức ra đời từ nhu cầu tối ưu hóa sử dụng phổ tần. Các nghiên cứu ban đầu tập trung vào SDR (Software Defined Radio) và sau đó phát triển thành mạng vô tuyến nhận thức. Các khái niệm như chu trình nhận thức, cảm biến phổ, và quản lý phổ được giới thiệu.
2.2. Kiến trúc và mô hình
Các kiến trúc mạng bao gồm kiến trúc có cơ sở hạ tầng, kiến trúc ad-hoc, và kiến trúc mesh. Các mô hình hoạt động chính là mô hình overlay, mô hình underlay, và mô hình interweave. Mỗi mô hình có ưu nhược điểm riêng và được áp dụng tùy theo yêu cầu hệ thống.
III. Phương pháp tối ưu lồi
Chương này giới thiệu về phương pháp tối ưu lồi, một công cụ toán học mạnh mẽ để giải quyết các bài toán tối ưu trong mạng vô tuyến nhận thức. Các khái niệm về hàm lồi, tập lồi, và bài toán tối ưu lồi được trình bày chi tiết.
3.1. Khái niệm cơ bản
Hàm lồi và tập lồi là nền tảng của phương pháp tối ưu lồi. Một hàm được gọi là lồi nếu đoạn thẳng nối hai điểm bất kỳ trên đồ thị hàm số luôn nằm trên hoặc bằng đồ thị. Tập lồi là tập hợp các điểm mà đoạn thẳng nối hai điểm bất kỳ đều nằm trong tập.
3.2. Bài toán tối ưu lồi
Bài toán tối ưu lồi là bài toán tìm giá trị nhỏ nhất (hoặc lớn nhất) của một hàm lồi trên một tập lồi. Các phương pháp giải quyết bao gồm thuyết đối ngẫu Lagrange và điều kiện KKT. Các phương pháp này giúp chuyển đổi bài toán phức tạp thành dạng đơn giản hơn.
IV. Mô hình hệ thống và kết quả mô phỏng
Chương này trình bày mô hình hệ thống và các kết quả mô phỏng của tối ưu Beamforming trong mạng vô tuyến nhận thức. Các chiến lược truyền dẫn và thuật toán water-filling được áp dụng để tối ưu hóa công suất phát và dung lượng kênh.
4.1. Mô hình hệ thống
Hệ thống bao gồm PU-Tx (Primary User Transmitter) và CR-Tx (Cognitive Radio Transmitter) với nhiều anten. PU-Tx sử dụng truyền dẫn eigen-mode trong khi CR-Tx sử dụng thuật toán water-filling để tối ưu tốc độ truyền. Các bộ tiền mã hóa được thiết kế để loại bỏ can nhiễu và tối đa hóa dung lượng tổng.
4.2. Kết quả mô phỏng
Các kết quả mô phỏng cho thấy hiệu quả của phương pháp tối ưu lồi trong việc tăng dung lượng tổng và giảm can nhiễu. Các thí nghiệm với các giá trị epsilon khác nhau được thực hiện để đánh giá hiệu suất của hệ thống. Kết quả cho thấy sự cải thiện đáng kể về dung lượng kênh và tốc độ truyền.
