LỜI MỞ ĐẦU Sự phát triển nhanh chóng của các thiết bị di động và sự phổ biến ngày càng tăng của các ứng dụng và dịch vụ di động đặt ra những nhu cầu chưa từng có về cơ sở hạ tầng mạng di động và không dây. Các hệ thống 5G/6G sắp tới đang phát triển để hỗ trợ bùng nổ lưu lượng truy cập di động, trích xuất các phân tích chi tiết theo thời gian thực và quản lý tài nguyên mạng linh hoạt để tối đa hóa trải nghiệm người dùng. Việc hoàn thành các nhiệm vụ này là một thách thức vì môi trường di động ngày càng phức tạp, không đồng nhất và phát triển. Thành công gần đây của công nghệ học máy/học sâu đã cung cấp thêm hướng tiếp cận mới và hiệu quả để giải quyết các vấn đề trong lĩnh vực này.
Phân loại định dạng điều chế tự động (AMC), giải pháp tự động phát hiện định dạng điều chế dựa trên kỹ thuật học sâu, có vai trò quan trọng trong các hệ thống truyền thông vô tuyến thế hệ kế tiếp, có ý nghĩa đặc biệt trong các ứng dụng hàng không vũ trụ, đặc biệt là trong phân tích tín hiệu tần số vô tuyến (RF) và hệ thống vô tuyến định nghĩa bằng phần mềm tiên tiến. Khi phát hiện tín hiệu RF có đặc điểm chưa xác định, AMC là quy trình ban đầu quan trọng để giải điều chế tín hiệu cho các máy thu hỗ trợ nhiều sơ đồ điều chế tiêu chuẩn và phi tiêu chuẩn. AMC hiệu quả cho phép sử dụng tối đa các phương tiện truyền dẫn và có thể nâng cao khả năng phục hồi trong các đài vô tuyến nhận thức hiện đại. AMC rất quan trọng trong các hệ thống vô tuyến thế hệ kế tiếp để đảm bảo sử dụng phổ tần hiệu quả, tăng thông lượng và độ chính xác của các hệ thống này.
Với việc áp dụng học sâu, phân loại định dạng điều chế tự động đã và đang là một chủ đề nghiên cứu thu hút được nhiều sự quan tâm đầu tư nghiên cứu trong lĩnh vực học máy và hệ thống truyền thông trong thời gian gần đây. Trong khuôn khổ đề tài này, học viên hướng đến việc nghiên cứu ứng dụng các giải pháp học máy/học sâu trong phân loại định dạng điều chế tự động của hệ thống vô tuyến sử dụng kỹ thuật ghép kênh theo tần số trực giao. TỔNG QUAN VỀ HỌC MÁY, HỌC SÂU VÀ ỨNG DỤNG TRONG TRUYỀN THÔNG VÔ TUYẾN 1. Giới thiệu chung Công nghệ trí tuệ nhân tạo (AI) dùng để giải quyết các vấn đề về nhận thức của máy móc giống trí tuệ con người, chẳng hạn như các vấn đề về sáng tạo, học tập, nhận diện.
Các dữ liệu như cảm biến thông minh, sáng tạo của con người, nhật ký hệ thống, công cụ giám sát được các tổ chức thu thập từ nhiều nguồn khác nhau. Công nghệ AI nhằm tạo ra các hệ thống tự học và nó có thể tìm được ý nghĩa của dữ liệu. Sau đó, để giải quyết vấn đề giống như còn người AI áp dụng từ kiến thức thu được để giải quyết. Alan Turing là nhà bác học rất nổi tiếng trong lĩnh vực AI với phép thử Turing “Turing Test”, phép thử này dùng để xác định máy tính thật sự có trí thông minh không.
Nếu máy tính làm cho con người tin nó có trí thông minh như con người thì bài kiểm tra đó sẽ được vượt qua. Từ năm 1950 trong bài báo chuyên đề “Máy tính và trí tuệ” thuật ngữ trí tuệ nhân tạo lần đầu tiên được Alan Turing đưa ra và trình bày như một khái niệm lý thuyết và triết học. Trong bài báo này Alan Turing đưa ra vấn đề là máy móc liệu có thông minh và biết suy nghĩ như còn người hay không. Từ năm 1957 đến năm 1974, máy tính đã xử lý dữ liệu với tốc độ cao hơn, lưu trữ được nhiều dữ liệu hơn nhờ vào sự phát triển nhanh chóng của công nghệ.
Các thuật toán của học máy (ML) cũng được các nhà khoa học phát triển trong giai đoan này. Cơ quan Chỉ đạo các Dự án Nghiên cứu Quốc phòng Tiên tiến (DARPA) dựa trên những tiến bộ của lĩnh vực này đã tạo ra quỹ dành cho dự án nghiên cứu AI. Mục tiêu nghiên cứ chính ban đầu là khám phá xem máy tính có thể phiên âm và dịch ngôn ngữ nói hay không. Nhờ được tăng cường các nguồn tài trợ trong suốt thập kỷ 80 và các bộ công cụ thuật toán mở rộng được dùng một cách phù hợp để phát triển AI.
Các bài báo 3 được xuất bản bởi John Hopfield và David Rumelhart cho thấy máy tính sử dụng kỹ thuật học sâu có thể học hỏi kinh nghiệm. Nhiều mục tiêu cốt lõi trong công nghệ AI đã đạt được trong thập kỷ 90, một trong số đó là AI đã thắng được đương kim vô định cờ vua thế giới. Nghiên cứu AI so với các giai đoạn trước được thuận lợi hơn và dễ tiếp cận hơn nhờ công nghệ, khả năng xử lý và dữ liệu điện toán phát triển. Nó nhanh chóng phát triển thành trí tuệ chung nhờ đó nhiệm vụ khó hay dễ đều có thể thể thực hiện khi sử dụng phần mềm AI.
Các phần mềm có thể tự huấn luyện, học tập và ra quyết định các nhiệm vụ giống như con người. Cuộc cách mạng công nghệ lần thứ tư trong những năm gần đây cho thấy công nghệ AI (hay Trí tuệ nhân tạo), và cụ thể hơn là học máy (ML) hay học tăng cường (RL) là nhưng yếu tố quan trọng, không thể thiếu. Trí tuệ nhân tạo có mặt trong nhiều lĩnh vực của đời sống và mạng lại nhiều lợi ích cho con người. Các hãng công nghệ phát tiển xe tự hành, hệ thống nhận diện khuôn mặt, trợ lý ảo, hệ thống gợi ý sản phẩm, hệ thống gợi ý phim, máy chơi cờ …, chỉ là một trong vô vàn những ứng dụng của AI.
Trí tuệ nhân tạo AI đã và đang được tạo ra và ngày càng phát triển tại Việt Nam trong thời gian gần đây và tham gia vào nhiều lĩnh vực kinh tế, xã hội như y tế, giáo dục, giao thông vận tải, thương mại điện tử…Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030 được Thủ tướng đã ban hành vào đầu năm 2021. Chiến lược đưa AI trở thành lĩnh vực quan trọng của Việt Nam trong cuộc cách mạng lần thứ tư do đó phải tích cực đẩy mạnh nghiên cứu, phát triển và ứng dụng AI,. Chiến lược được ban hành với hi vọng tạo ra cú huých cho sự phát triển AI tại Việt Nam, góp phần phát triển kinh tế xã hội và từng bước đưa Việt Nam trở thành điểm sáng về AI trong khu vực cũng như trên thế giới. Phân loại các kỹ thuật học máy Học máy (ML) là một tập con của trí tuệ nhân tạo (AI) cung cấp cho máy móc có khả năng tự động học hỏi từ tập dữ liệu và kinh nghiệm có được trong quá khứ để đưa ra sự dự đoán từ đó thực hiện hành động nhằm tối ưu hóa kết quả đạt 4 được.
Đề tự hoạt động mà không dựa vào lập trình các máy tính phải sử dụng phương pháp học máy. Các ứng dụng ML được cung cấp dữ liệu mới và chúng có thể học hỏi, phát triển và thích ứng một cách độc lập. Từ dữ liệu đầu vào học máy thu thập thông tin bằng cách sử dụng thuật toán để xác định các mẫu và học tập quá trình này được lặp đi lặp lại. Thay vì dựa vào bất kỳ phương trình định trước nào có thể dùng làm mô hình các thuật toán trong ML sử dụng các phương pháp tính toán để học trực tiếp từ dữ liệu.
Hiệu năng của các thuật toán ML cải thiện liên tục thích ứng với sự gia tăng của số lượng mẫu có sẵn trong quá trình “học hỏi”. Ví dụ, học sâu là một lĩnh vực khác của học máy giúp đào tạo máy tính bắt chước các đặc điểm tự nhiên của con người. Nó cung cấp các thông số hiệu năng tốt hơn các thuật toán ML thông thường. Các thuật toán học máy dựa trên một tập dữ liệu đào tạo để xây dựng lên mô hình.
Khi dữ liệu đầu vào mới được đưa vào thuật toán ML, nó sẽ sử dụng mô hình đã phát triển để đưa ra dự đoán. Dựa trên độ chính xác của nó, thuật toán ML được triển khai lặp đi lặp lại với tập dữ liệu đào tạo tăng cường cho đến khi đạt được độ chính xác mong muốn. Các thuật toán học máy có thể đào tạo theo nhiều cách, với mỗi phương pháp sẽ có ưu, nhược điểm khác nhau. Dựa trên các phương pháp và cách học này, học máy được chia thành 4 loại như thể hiện trên Hình 1.
Phân loại học máy 5 1.1 Học máy có giám sát Học máy có giám sát là thuật toán dự đoán đầu ra của một hoặc nhiều dữ liệu mới dựa trên các cặp (đầu vào, đầu ra) đã biết từ trước. Học máy có giám sát là nhóm phổ biến nhất trong các thuật toán của Học máy. Mô hình học máy này liên quan đến sự giám sát, trong đó, máy móc được đào tạo trên các tập dữ liệu được gắn nhãn và cho phép dự đoán kết quả đầu ra dựa trên đào tạo được cung cấp. Tập dữ liệu được gắn nhãn chỉ ra rằng tham số đầu vào và đầu ra đã được ánh xạ.
Do đó, học máy được đào tạo với đầu vào và đầu ra tương ứng có thể là một đối tượng, một tình huống hoặc một vấn đề cần giải quyết. Mục tiêu chính của kỹ thuật học có giám sát là ánh xạ biến đầu vào với biến đầu ra, được chia làm hai loại: - Phân lớp (Classification): Các thuật toán này đề cập đến các thuật toán giải quyết các vấn đề phân loại, trong đó biến đầu ra dùng để phân loại. Hiểu một cách đơn giản thì đó là một quá trình sắp xếp dữ liệu đã được xác định thành các nhóm. Ví dụ: người lập trình đưa đầu vào là hình ảnh có gắn nhãn chó và mèo để máy tính biết ảnh nào hiển thị loại động vật nào.
Máy tính sẽ sử dụng tập dữ liệu đào tạo đó để tìm hiểu cách xác định các hình ảnh, máy tính sau đó có thể áp dụng kiến thức của mình vào tập dữ liệu mới và gắn nhãn chúng một cách chính xác. Máy tính phân tích càng nhiều ảnh thì việc phân loại dữ liệu càng nhanh và chính xác. - Hồi quy: Máy tính dự báo các kết quả có thể xảy ra trong tương lai hoặc mong muốn từ một tập dữ liệu được gắn nhãn, các biến đầu vào và đầu ra có mối quan hệ tuyến tính.