Giới thiệu dự án

Sự bùng nổ của mạng di động thế hệ thứ 5 (5G New Radio - 5G NR) theo chuẩn hóa 3GPP (Release 15/16) mở ra kỷ nguyên truyền thông băng rộng siêu tốc độ (eMBB), kết nối máy số lượng lớn (mMTC) và truyền thông độ trễ thấp siêu tin cậy (URLLC). Theo báo cáo của Hiệp hội Di động Toàn cầu (GSMA), lưu lượng dữ liệu di động toàn cầu dự kiến tăng gấp 4 lần trong giai đoạn 2023–2028, đặt ra áp lực chưa từng có lên hiệu suất phổ tần và chất lượng lớp vật lý (Physical Layer - PHY). Trong hệ thống ghép kênh phân chia theo tần số trực giao (OFDM), chất lượng giải mã tín hiệu tại máy thu phụ thuộc trực tiếp vào tính chính xác của Thông tin Trạng thái Kênh truyền (Channel State Information - CSI).

graph LR
    A["Tín hiệu phát x(t)"] --> B["Kênh truyền 5G TDL h(t) + Nhiễu n(t)"]
    B --> C["Tín hiệu thu y(t)"]
    C --> D["Trích xuất DM-RS/Pilot"]
    D --> E["Bộ ước lượng kênh CNN"]
    E --> F["Tái tạo ma trận kênh H"]
    F --> G["Cân bằng kênh & Giải điều chế"]

Vấn đề kỹ thuật cụ thể (Problem Statement)

Trong môi trường truyền sóng vô tuyến di động phức tạp, tín hiệu chịu tác động nghiêm trọng từ hiện tượng truyền sóng đa đường (Multipath Fading), dịch tần Doppler và phân tán thời gian (Delay Spread). Các phương pháp ước lượng kênh truyền thống như Bình phương tối thiểu (Least Squares - LS) và Sai số toàn phương trung bình tối thiểu tuyến tính (Linear Minimum Mean Square Error - LMMSE) bộc lộ nhiều điểm nghẽn:

  • Thuật toán LS: Độ phức tạp tính toán thấp nhưng nhạy cảm cao với nhiễu trắng cộng (AWGN), dẫn đến mức sai số bình phương trung bình (MSE) lớn ở dải tỷ số tín hiệu trên nhiễu (SNR) từ thấp đến trung bình ($0 - 15\text{ dB}$).
  • Thuật toán LMMSE: Đạt hiệu năng tối ưu lý thuyết nhưng yêu cầu ma trận tự tương quan kênh truyền và hiệp phương sai của nhiễu ($R_{hh}, R_{yy}$), đồng thời đòi hỏi phép nghịch đảo ma trận kích thước lớn với độ phức tạp $O(N^3)$, gây bất khả thi cho xử lý thời gian thực trên các trạm gốc 5G gNodeB.
  • Thu thập dữ liệu đo đạc thực tế: Quá trình đo thử nghiệm drive-test tốn kém hàng chục nghìn USD và khó bao quát hết các kịch bản suy hao đa dạng từ LOS (Line-of-Sight) đến NLOS (Non-Line-of-Sight).

Mục tiêu của đồ án

Đề tài "Ứng dụng mạng CNN cho việc ước lượng kênh của mạng viễn thông 5G" do sinh viên Trần Văn Lực và Phạm Ngọc Vân thực hiện dưới sự hướng dẫn của ThS. Trương Ngọc Hà tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (06/2024) tập trung vào các mục tiêu cụ thể:

  1. Mô hình hóa ma trận kênh truyền 5G: Chuyển đổi lưới tài nguyên thời gian - tần số kích thước $612 \times 14$ (tương ứng 612 sóng mang con và 14 ký hiệu OFDM trong 1 khe thời gian 5G NR) thành dữ liệu ảnh 2D đơn kênh.
  2. Thiết kế kiến trúc mạng nơ-ron tích chập (CNN): Xây dựng mạng baseline 11 lớp (Mạng 1) và phát triển kiến trúc cải tiến 18 lớp tích hợp Batch Normalization (Mạng 2) chuyên biệt cho tác vụ hồi quy tái tạo đáp ứng kênh $h(t)$.
  3. Mô phỏng và tổng hợp dữ liệu: Ứng dụng MATLAB 5G Toolbox để tạo lập 256 mẫu dữ liệu kênh truyền đa đường chuẩn 3GPP (từ TDL-A đến TDL-E) nhằm loại bỏ sự phụ thuộc vào dữ liệu đo thực nghiệm đắt đỏ.
  4. Đánh giá và kiểm chứng hiệu năng: So sánh định lượng giá trị MSE của các mô hình CNN trước bộ ước lượng kênh hoàn hảo (Perfect Channel Estimation) trên nhiều dải SNR ($0 - 20\text{ dB}$) và các chuẩn điều chế số (QPSK, 16-QAM, 64-QAM, 256-QAM).

Giới hạn và phạm vi nghiên cứu

  • Hệ thống áp dụng cấu hình truyền dẫn Đơn vào - Đơn ra (SISO - Single Input Single Output).
  • Kênh truyền vật lý giả lập tuân theo chuẩn 3GPP TR 38.901 với các mô hình Tapped Delay Line (TDL-A, TDL-B, TDL-C, TDL-D, TDL-E).
  • Toàn bộ pipeline từ phát tín hiệu, truyền qua kênh vô tuyến, huấn luyện mạng CNN đến giải điều chế được thực thi đồng bộ trên nền tảng MATLAB.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Ước lượng LS Ước lượng LMMSE Mạng CNN Baseline (Mạng 1) Mạng CNN Cải tiến (Mạng 2)
Độ phức tạp tính toán $O(N)$ $O(N^3)$ $O(\sum K^2 \cdot C_{in} \cdot C_{out})$ $O(\sum K^2 \cdot C_{in} \cdot C_{out})$
Độ chính xác (MSE) Kém khi SNR thấp Rất cao Tốt Xuất sắc (Tiệm cận Perfect CSI)
Thông tin kênh tiên nghiệm Không yêu cầu Bắt buộc ($R_{hh}$, $\sigma^2$) Không yêu cầu Không yêu cầu
Độ trễ suy luận (Inference) Rất thấp Cao (nghịch đảo ma trận) Rất thấp (Forward pass) Rất thấp (Tối ưu hóa GPU/FPGA)
Độ ổn định huấn luyện N/A N/A Trung bình (Dễ dao động) Rất cao (Có Batch Normalization)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Tái tạo chính xác ma trận kênh $612 \times 14$ từ các vị trí pilot DeModulation Reference Signal (DM-RS); hỗ trợ điều chế QPSK; hoạt động ổn định trên các mô hình kênh TDL chuẩn.
  • Should have (Nên có): Tích hợp các lớp chuẩn hóa Batch Normalization để triệt tiêu hiện tượng dịch chuyển biến phối nội tại (Internal Covariate Shift); giảm thời gian hội tụ dưới 10 epochs.
  • Could have (Có thể có): Mở rộng đánh giá trên các bậc điều chế bậc cao (16-QAM, 64-QAM, 256-QAM) và kiểm thử với các mức trễ trễ đa đường (RMS Delay Spread) khác nhau.
  • Won't have (Chưa thực hiện): Xử lý đa ăng-ten Massive MIMO không gian lớn hoặc ước lượng kênh đường lên Uplink đa người dùng (MU-MIMO) trong phiên bản này.

Thiết kế hệ thống

Toàn bộ lưới tài nguyên PDSCH (Physical Downlink Shared Channel) được biểu diễn dưới dạng ma trận 2D kích thước $612 \times 14 \times 1$. Các đặc trưng không gian và tương quan tần số - thời gian giữa các sóng mang phụ được mạng CNN trích xuất qua các tầng tích chập sâu.

graph TD
    subgraph Data_Preparation ["Chuẩn bị dữ liệu đầu vào"]
        In["Khung dữ liệu kênh 2D: 612 x 14 x 1"]
    end

    subgraph Architecture_Net2 ["Kiến trúc Mạng CNN Cải tiến (Mạng 2 - 18 Layers)"]
        In --> C1["Conv1: 128 bộ lọc 9x9, Pad 4"] --> BN1["Batch Normalization"] --> R1["ReLU"]
        R1 --> C2["Conv2: 128 bộ lọc 7x7, Pad 3"] --> BN2["Batch Normalization"] --> R2["ReLU"]
        R2 --> C3["Conv3: 64 bộ lọc 5x5, Pad 2"] --> BN3["Batch Normalization"] --> R3["ReLU"]
        R3 --> C4["Conv4: 64 bộ lọc 5x5, Pad 2"] --> BN4["Batch Normalization"] --> R4["ReLU"]
        R4 --> C5["Conv5: 32 bộ lọc 5x5, Pad 1"] --> BN5["Batch Normalization"] --> R5["ReLU"]
        R5 --> C6["Conv6: 1 bộ lọc 3x3, Pad 1"] --> Reg["Regression Layer (MSE Loss)"]
    end

    subgraph Output_Evaluation ["Đầu ra và Đánh giá"]
        Reg --> Out["Ma trận đáp ứng kênh H_est: 612 x 14"]
    end

Bảng thông số chi tiết của hai kiến trúc mạng

Tham số / Lớp Mạng 1 (Baseline - 11 lớp) Mạng 2 (Cải tiến - 18 lớp) Rationale kỹ thuật
Kích thước đầu vào $612 \times 14 \times 1$ $612 \times 14 \times 1$ Khung con 5G NR (Subcarrier $\times$ OFDM Symbols)
Lớp Tích chập 1 (Conv1) 64 filters ($9 \times 9$), Pad 4 128 filters ($9 \times 9$), Pad 4 Trường tiếp nhận lớn giúp bao quát tương quan tần số rộng
Lớp Tích chập 2 (Conv2) 64 filters ($5 \times 5$), Pad 2 128 filters ($7 \times 7$), Pad 3 Nắm bắt cấu trúc biến thiên đa đường cục bộ
Lớp Tích chập 3 (Conv3) 64 filters ($5 \times 5$), Pad 2 64 filters ($5 \times 5$), Pad 2 Tinh chỉnh đặc trưng pha và biên độ
Lớp Tích chập 4 (Conv4) 32 filters ($5 \times 5$), Pad 2 64 filters ($5 \times 5$), Pad 2 Tăng mật độ biểu diễn kênh truyền
Lớp Tích chập 5 (Conv5) 1 filter ($5 \times 5$), Pad 2 32 filters ($5 \times 5$), Pad 1 Giảm số chiều đặc trưng trước tầng xuất
Lớp Tích chập 6 (Conv6) Không có 1 filter ($3 \times 3$), Pad 1 Tái tạo ảnh kênh truyền đơn kênh hoàn chỉnh
Lớp Chuẩn hóa (BatchNorm) Không sử dụng Tích hợp sau mỗi Conv layer Giảm trôi dạt gradient, ổn định học sâu
Hàm kích hoạt ReLU ($f(x)=\max(0, x)$) ReLU ($f(x)=\max(0, x)$) Tạo tính phi tuyến tính, chống tắt gradient
Lớp Đầu ra Regression Layer (MSE) Regression Layer (MSE) Tối ưu hóa hàm sai số bình phương thực nghiệm

Methodology

Quy trình phát triển tuân thủ phương pháp nghiên cứu thực nghiệm dựa trên mô phỏng số khép kín (Data-driven Simulation Methodology):

  1. Giai đoạn 1 (Milestone 1): Xây dựng chuỗi phát sóng vô tuyến 5G NR SISO tuân thủ chuẩn 3GPP TR 38.901 trên MATLAB 5G Toolbox.
  2. Giai đoạn 2 (Milestone 2): Thiết kế bộ tạo dữ liệu ngẫu nhiên hóa phân bố Rayleigh đa đường qua các mô hình trễ TDL-A/B/C/D/E.
  3. Giai đoạn 3 (Milestone 3): Xây dựng mô hình CNN và cấu hình siêu tham số (Hyperparameters) bằng thuật toán tối ưu hóa Adam.
  4. Giai đoạn 4 (Milestone 4): Tiến hành huấn luyện, cross-validation, kiểm tra độ nhạy trên nhiều dải SNR ($0 - 20\text{ dB}$) và đo đạc MSE.
gantt
    title Kế hoạch triển khai dự án (02/2024 - 05/2024)
    dateFormat  YYYY-MM-DD
    section Nghiên cứu lý thuyết
    Tổng quan 5G NR & Kênh TDL     :a1, 2024-02-26, 20d
    Mạng CNN trong Viễn thông      :a2, after a1, 15d
    section Xây dựng hệ thống
    Tạo dữ liệu qua 5G Toolbox     :b1, 2024-03-25, 20d
    Thiết kế Mạng 1 & Mạng 2       :b2, 2024-04-10, 15d
    section Huấn luyện & Đánh giá
    Training mạng trên MATLAB      :c1, 2024-04-25, 20d
    Đo đạc MSE & Viết báo cáo      :c2, 2024-05-15, 16d

Implementation và kết quả

Development process

Quá trình huấn luyện mạng sử dụng 256 mẫu dữ liệu được tổng hợp trực tiếp từ hàm hGenerateTrainingData trong MATLAB. Dữ liệu được phân chia thành:

  • Tập huấn luyện (Training Set): 224 mẫu ($87.5%$).
  • Tập kiểm tra/đánh giá (Validation/Test Set): 32 mẫu ($12.5%$).
  • Kích thước Mini-batch: 32 mẫu/lần cập nhật trọng số.

Cấu hình mã nguồn xây dựng mạng Mạng 2 trên MATLAB

% Định nghĩa kiến trúc Mạng 2 cải tiến (18 lớp)
layers = [
    imageInputLayer([612 14 1], 'Name', 'input', 'Normalization', 'none')
    
    % Khối tích chập 1
    convolution2dLayer([9 9], 128, 'Padding', [4 4 4 4], 'Name', 'conv_1')
    batchNormalizationLayer('Name', 'bn_1')
    reluLayer('Name', 'relu_1')
    
    % Khối tích chập 2
    convolution2dLayer([7 7], 128, 'Padding', [3 3 3 3], 'Name', 'conv_2')
    batchNormalizationLayer('Name', 'bn_2')
    reluLayer('Name', 'relu_2')
    
    % Khối tích chập 3
    convolution2dLayer([5 5], 64, 'Padding', [2 2 2 2], 'Name', 'conv_3')
    batchNormalizationLayer('Name', 'bn_3')
    reluLayer('Name', 'relu_3')
    
    % Khối tích chập 4
    convolution2dLayer([5 5], 64, 'Padding', [2 2 2 2], 'Name', 'conv_4')
    batchNormalizationLayer('Name', 'bn_4')
    reluLayer('Name', 'relu_4')
    
    % Khối tích chập 5
    convolution2dLayer([5 5], 32, 'Padding', [1 1 1 1], 'Name', 'conv_5')
    batchNormalizationLayer('Name', 'bn_5')
    reluLayer('Name', 'relu_5')
    
    % Khối tích chập tái tạo 6
    convolution2dLayer([3 3], 1, 'Padding', [1 1 1 1], 'Name', 'conv_6')
    regressionLayer('Name', 'output')
];

Thiết lập các siêu tham số huấn luyện

% Cấu hình tùy chọn huấn luyện với thuật toán Adam
opts = trainingOptions('adam', ...
    'InitialLearnRate', 3e-4, ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 32, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {valData, valLabels}, ...
    'Plots', 'training-progress', ...
    'Verbose', false);

% Khởi tạo seed để đảm bảo khả năng tái lập kết quả
rng(42);

Testing và validation

Hiệu năng ước lượng được đánh giá thông qua hàm tổn thất Sai số bình phương trung bình:

$$\text{MSE} = \frac{1}{M \cdot N} \sum_{i=1}^{M} \sum_{j=1}^{N} \left| H_{\text{perfect}}(i, j) - H_{\text{estimated}}(i, j) \right|^2$$

Trong đó $M = 612$ (sóng mang phụ) và $N = 14$ (ký hiệu OFDM).

Hệ thống được kiểm thử qua 5 cấu hình kênh đa đường 3GPP TDL:

  • TDL-A, TDL-B, TDL-C: Mô phỏng kịch bản không nhìn thấy thẳng (NLOS) với độ trễ mở rộng lần lượt từ ngắn đến rất dài.
  • TDL-D, TDL-E: Mô phỏng kịch bản nhìn thấy thẳng (LOS) với thành phần tia trực tiếp Rician chiếm ưu thế.

Kết quả đạt được

Tại mức $SNR = 10\text{ dB}$, kết quả thực nghiệm chỉ ra sự vượt trội rõ rệt của mô hình Mạng 2 tích hợp Batch Normalization so với mô hình baseline Mạng 1 trên tất cả các kịch bản kênh truyền.

Bảng so sánh định lượng MSE tại SNR = 10 dB

Kịch bản Kênh truyền Đặc tính Kênh MSE Mạng 1 (Baseline) MSE Mạng 2 (Cải tiến) Mức giảm lỗi sai số (%)
TDL-A NLOS, Đa đường nặng $0.00842$ $\mathbf{0.00415}$ Giảm 50.71%
TDL-B NLOS, Suy hao trung bình $0.00791$ $\mathbf{0.00382}$ Giảm 51.71%
TDL-C NLOS, Trễ phân tán lớn $0.00915$ $\mathbf{0.00461}$ Giảm 49.62%
TDL-D LOS, Có tia trực tiếp $0.00521$ $\mathbf{0.00234}$ Giảm 55.09%
TDL-E LOS, Độ trễ ngắn $0.00483$ $\mathbf{0.00211}$ Giảm 56.31%
Điều chế QPSK TDL tiêu chuẩn $0.00764$ $\mathbf{0.00358}$ Giảm 53.14%

[!NOTE] Mạng 2 với việc bổ sung 5 lớp Batch Normalization và mở rộng cấu trúc bộ lọc ($128 \to 128 \to 64 \to 64 \to 32 \to 1$) giúp tốc độ hội tụ nhanh hơn gấp $1.8$ lần và giảm hơn $50%$ sai số MSE so với Mạng 1.

Đổi mới và đóng góp

  1. Mô hình hóa kênh truyền 5G NR dưới dạng xử lý ảnh ma trận 2D: Biến đổi toàn diện bài toán vật lý viễn thông phi tuyến phức tạp thành bài toán hồi quy hình ảnh (Image Denoising / Super-resolution), khai thác tối đa khả năng học tương quan không gian - thời gian của kernel tích chập.
  2. Kiến trúc mạng phân tầng tối ưu hóa với Batch Normalization: Việc thiết kế kernel suy giảm theo cấp số ($9 \times 9 \to 7 \times 7 \to 5 \times 5 \to 3 \times 3$) kết hợp tầng chuẩn hóa giúp khử triệt để hiện tượng bão hòa gradient, duy trì phân phối ổn định qua 18 lớp mà không bị quá khớp (overfitting) trên tập dữ liệu nhỏ.
  3. Hiệu quả tổng hợp dữ liệu (Synthetic Data Pipeline): Khẳng định tính khả thi của việc sử dụng dữ liệu giả lập chuẩn 3GPP từ MATLAB 5G Toolbox để huấn luyện mạng học sâu, giúp tiết kiệm $100%$ chi phí đo đạc thực nghiệm ngoài hiện trường mà vẫn đảm bảo tính chính xác cao.
  4. Cải thiện độ chính xác trên 50% so với mô hình thông thường: Minh chứng rõ ràng qua các số liệu định lượng, đưa đáp ứng kênh ước lượng tiệm cận với kênh hoàn hảo (Perfect Channel Estimation) ngay cả trong điều kiện kênh NLOS khắc nghiệt nhất (TDL-C).

Ứng dụng thực tế và triển khai

graph LR
    subgraph BaseStation ["Trạm gốc 5G gNodeB / Open-RAN"]
        SDR["USRP / RF Front-End"] --> ADC["Bộ biến đổi ADC & FFT"]
        ADC --> ODU["O-DU (Distributed Unit)"]
    end
    
    subgraph AI_Engine ["Khối tăng tốc phần cứng AI"]
        ODU --> GPU["NVIDIA TensorRT / FPGA Xilinx"]
        GPU --> CNN["Mạng CNN ước lượng kênh (Mạng 2)"]
    end

    CNN --> DEC["Bộ cân bằng & Giải điều chế LDPC/Polar"]
    DEC --> Data["Dữ liệu người dùng (Bitstream)"]

Kịch bản triển khai trong thực tế

  • Tích hợp vào O-DU trong kiến trúc Open-RAN: Mạng CNN sau khi huấn luyện trên MATLAB có thể được xuất qua định dạng ONNX/C++ và nhúng trực tiếp vào các card xử lý biên AI (như NVIDIA Aerial SDK hoặc FPGA Xilinx Versal AI Core) đặt tại trạm phân phối O-DU.
  • Trạm phát sóng di động tốc độ cao (V2X / Đường sắt cao tốc): Áp dụng mô hình để bù trừ hiện tượng dịch tần Doppler tức thời và suy hao chọn lọc tần số khi phương tiện di chuyển với vận tốc $> 120\text{ km/h}$.

Phân tích chi phí - lợi ích (ROI)

  • Giảm CAPEX/OPEX: Cắt giảm chi phí phần cứng xử lý ma trận nghịch đảo đắt đỏ trên mỗi trạm gNodeB; giảm chi phí thuê chuyên gia đo sóng thực địa.
  • Tăng dung lượng mạng: Giảm số lượng pilot DM-RS cần chèn vào khung truyền mà vẫn duy trì chất lượng kênh, tiết kiệm đến $10-15%$ tài nguyên vô tuyến dành cho truyền tải dữ liệu hữu ích.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Giới hạn cấu hình ăng-ten: Nghiên cứu hiện tập trung trên mô hình truyền dẫn SISO ($1 \times 1$), chưa bao gồm ma trận tương quan không gian giữa các mảng ăng-ten trong hệ thống Massive MIMO.
  • Dữ liệu huấn luyện: Tập dữ liệu 256 mẫu tạo bởi mô phỏng tĩnh, chưa xét đến các hiệu ứng phi tuyến thực tế của bộ khuếch đại công suất (Power Amplifier Distortion) và mất cân bằng IQ (IQ Imbalance).

Hướng phát triển trong tương lai

  • Nâng cấp lên Massive MIMO & Beamforming: Mở rộng tensor đầu vào thành 3D/4D ($N_{Tx} \times N_{Rx} \times N_{Subcarrier} \times N_{Symbol}$) phục vụ ước lượng kênh đa chiều.
  • Kết hợp kiến trúc lai CNN-LSTM: Bổ sung các tầng mạng nơ-ron hồi quy LSTM (Long Short-Term Memory) hoặc Transformer để dự đoán biến thiên kênh truyền động theo chuỗi thời gian thực.
  • Thử nghiệm trên phần cứng vô tuyến định nghĩa bằng phần mềm (SDR): Triển khai thực tế mô hình lên kit USRP X310 / NI PXIe kết hợp bộ thu phát sóng 5G Sub-6 GHz.

Đối tượng hưởng lợi

mindmap
  root((Hệ sinh thái hưởng lợi))
    Sinh viên & Giảng viên
      Giáo trình mẫu về AI trong Viễn thông
      Source code mẫu trên MATLAB 5G Toolbox
    Kỹ sư R&D Viễn thông
      Kiến trúc CNN tối ưu hóa cho DSP/FPGA
      Kỹ thuật thay thế ma trận nghịch đảo LMMSE
    Doanh nghiệp & Nhà mạng
      Tối ưu hóa kiến trúc Open-RAN gNodeB
      Tiết kiệm 10-15% tài nguyên phổ tần
    Nhà nghiên cứu
      Tiền đề mở rộng cho 6G RIS & TeraHertz
      Benchmark chuẩn cho các mô hình kênh 3GPP TDL
  • Sinh viên và Giảng viên ngành Điện tử - Viễn thông: Tiếp cận đồ án mẫu tích hợp hoàn chỉnh giữa lý thuyết xử lý tín hiệu số và học sâu (Deep Learning).
  • Kỹ sư phát triển phần mềm nhúng vô tuyến (DSP/Embedded Engineers): Sở hữu cấu trúc mạng CNN tinh gọn, dễ dàng chuyển đổi sang C/C++ để tối ưu trên chip chuyên dụng.
  • Doanh nghiệp viễn thông & Nhà mạng (Viettel, VNPT, MobiFone): Ứng dụng giải pháp vào các trạm phát sóng 5G cỡ nhỏ (Small Cells) để nâng cao chất lượng vùng phủ sóng với chi phí thấp.

Câu hỏi thường gặp

1. Cần cấu hình phần cứng tối thiểu nào để huấn luyện và triển khai mô hình CNN này?

Để huấn luyện tập dữ liệu 256 mẫu trên MATLAB, hệ thống yêu cầu cấu hình tối thiểu: CPU Intel Core i5 thế hệ 10 (hoặc AMD Ryzen 5 tương đương), 8GB RAM và MATLAB R2020b trở lên có cài đặt 5G Toolbox cùng Deep Learning Toolbox. Khi triển khai suy luận thực tế (Inference), mô hình chỉ cần card đồ họa nhúng như NVIDIA Jetson Orin Nano hoặc FPGA cấp thấp để đạt độ trễ $< 1\text{ ms}$.

2. Tại sao mô hình CNN có thể hoạt động tốt với tập dữ liệu chỉ gồm 256 mẫu?

Ma trận đáp ứng kênh của hệ thống OFDM có tính tương quan cực kỳ cao giữa các sóng mang phụ lân cận và giữa các ký hiệu OFDM liên tiếp. Mỗi mẫu dữ liệu có kích thước $612 \times 14$ chứa đến 8,568 điểm dữ liệu có liên kết không gian chặt chẽ. Do đó, 256 khung kênh là đủ để các bộ lọc $9 \times 9$ và $7 \times 7$ học được phân phối suy hao đa đường của mô hình TDL mà không gặp hiện tượng quá khớp.

3. Làm thế nào để tích hợp mô hình này vào các trạm gốc 5G thương mại?

Mô hình sau khi huấn luyện trên MATLAB có thể được chuyển đổi qua định dạng mở ONNX thông qua lệnh exportONNXNetwork. Từ tệp ONNX, các kỹ sư sử dụng TensorRT hoặc OpenVINO để biên dịch thành mã máy nhị phân tối ưu hóa cho phần cứng trạm phát sóng O-DU trong kiến trúc mạng O-RAN.

4. Mạng CNN xử lý phần thực và phần ảo của tín hiệu phức như thế nào?

Trong biểu diễn tín hiệu vô tuyến, ma trận kênh truyền là số phức ($H = H_{real} + jH_{imag}$). Hệ thống có thể chuyển đổi ma trận phức thành ma trận 2 kênh thực (Tensor kích thước $612 \times 14 \times 2$) hoặc ước lượng độc lập ma trận biên độ (Magnitude) và pha (Phase), giúp các lớp tích chập chuẩn xử lý trơn tru.

5. Sự khác biệt chính giữa kênh TDL-A và TDL-D trong kết quả ước lượng là gì?

TDL-A là mô hình kênh NLOS (không có tầm nhìn thẳng) với mức độ tán xạ đa đường mạnh, khiến đáp ứng kênh biến thiên liên tục, dẫn đến MSE của Mạng 2 là $0.00415$. Trong khi đó, TDL-D là mô hình LOS có tia sóng trực tiếp chiếm năng lượng vượt trội, phân phối kênh ổn định hơn, giúp mô hình đạt độ chính xác cao hơn rõ rệt với MSE chỉ $0.00234$.

Kết luận

Đồ án tốt nghiệp "Ứng dụng mạng CNN cho việc ước lượng kênh của mạng viễn thông 5G" đã giải quyết thành công bài toán ước lượng trạng thái kênh truyền vô tuyến phức tạp bằng việc tích hợp kỹ thuật học sâu tiên tiến. Kiến trúc Mạng 2 cải tiến gồm 18 lớp tích hợp chuẩn hóa Batch Normalization đã chứng minh hiệu năng vượt trội:

  • Đạt mức giảm sai số MSE từ $49.62%$ đến $56.31%$ trên toàn bộ các mô hình kênh chuẩn 3GPP (TDL-A đến TDL-E) so với mạng baseline.
  • Loại bỏ sự phụ thuộc vào ma trận tự tương quan phức tạp của thuật toán LMMSE, mở ra tiềm năng xử lý thời gian thực với độ trễ thấp.
  • Khẳng định giá trị thực tiễn của phương pháp tổng hợp dữ liệu mô phỏng qua MATLAB 5G Toolbox trong việc tiết kiệm chi phí thử nghiệm.

Đây là nền tảng kỹ thuật vững chắc để tiếp tục mở rộng nghiên cứu lên các hệ thống 5G Advanced và tiền 6G như Massive MIMO, truyền thông sóng milimet (mmWave) và bề mặt phản xạ thông minh (RIS).