Đồ Án Tốt Nghiệp: Ứng Dụng Mạng CNN Cho Việc Ước Lượng Kênh Của Mạng Viễn Thông 5G

Đồ án nghiên cứu tốt nghiệp ứng dụng mạng cnn cho việc ước lượng kênh của mạng viễn thông 5g, thiết kế chi tiết, tính toán kỹ thuật theo tiêu chuẩn, đánh giá tính khả thi dự án.

• Tác giả: Trần Văn Lực
• Người hướng dẫn: Th.S Trương Ngọc Hà
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điện Tử - Viễn Thông
• Đề tài: Ứng Dụng Mạng CNN Trong Ước Lượng Kênh Mạng Viễn Thông 5G
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. GIỚI THIỆU
• 1.2. MỤC TIÊU CỦA ĐỀ TÀI
• 1.3. GIỚI HẠN ĐỀ TÀI
• 1.4. CẤU TRÚC ĐỀ TÀI
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. CƠ SỞ LÝ THUYẾT VỀ 5G
• 2.1.1. Sự phát triển và ứng dụng của 5G
• 2.2. MÔ HÌNH KÊNH TRUYỀN
• 2.3. CÁC PHƯƠNG PHÁP ĐIỀU CHẾ TRONG MẠNG 5G
• 2.4. MẠNG NƠ-RON NHÂN TẠO
• 2.5. MẠNG CNN – MẠNG TÍCH CHẬP
• 2.5.1. Lớp tích chập
• 2.5.2. Lớp Rectified Linear Unit
• 2.5.3. Lớp Fully Connected
• 2.5.4. Một số mạng CNN
• 3. CHƯƠNG 3: ỨNG DỤNG CNN TRONG VIỆC ƯỚC LƯỢNG KÊNH
• 3.1. THIẾT KẾ MÔ HÌNH HỆ THỐNG
• 3.2. QUY TRÌNH HUẤN LUYỆN MẠNG
• 3.3. QUY TRÌNH ƯỚC LƯỢNG KÊNH
• 4. CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ
• 4.1. KẾT QUẢ ƯỚC LƯỢNG MẠNG 1
• 4.2. KẾT QUẢ ƯỚC LƯỢNG MẠNG 2
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. KẾT LUẬN
• 5.2. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mạng CNN trong ước lượng kênh 5G

Mạng viễn thông 5G đang trở thành xu hướng công nghệ mới với khả năng kết nối và truyền tải dữ liệu vượt trội. Để đảm bảo hiệu suất và chất lượng dịch vụ, việc ước lượng kênh là rất quan trọng. Mạng CNN (Convolutional Neural Network) đã được chứng minh là một công cụ hiệu quả trong việc ước lượng kênh, giúp tối ưu hóa tài nguyên và giảm chi phí thu thập dữ liệu thực tế.

1.1. Khái niệm về mạng CNN và ứng dụng trong viễn thông

Mạng CNN là một loại mạng nơ-ron nhân tạo, được thiết kế đặc biệt để xử lý dữ liệu có cấu trúc hình ảnh. Trong lĩnh vực viễn thông, mạng CNN có thể được áp dụng để ước lượng kênh, giúp cải thiện độ chính xác và hiệu suất của mạng 5G.

1.2. Tầm quan trọng của ước lượng kênh trong mạng 5G

Ước lượng kênh là quá trình xác định tình trạng của kênh truyền dẫn, ảnh hưởng trực tiếp đến chất lượng dịch vụ. Việc sử dụng mạng CNN trong ước lượng kênh giúp tối ưu hóa cấu hình mạng và nâng cao trải nghiệm người dùng.

II. Thách thức trong việc ước lượng kênh mạng viễn thông 5G

Mặc dù mạng CNN mang lại nhiều lợi ích, nhưng việc ước lượng kênh trong mạng 5G vẫn gặp phải nhiều thách thức. Các vấn đề như độ phức tạp của môi trường truyền dẫn, sự biến đổi của tín hiệu và yêu cầu về tốc độ xử lý là những yếu tố cần được xem xét.

2.1. Độ phức tạp của môi trường truyền dẫn

Mạng 5G hoạt động trong môi trường đa dạng với nhiều yếu tố ảnh hưởng đến tín hiệu như tòa nhà, cây cối và các vật cản khác. Điều này làm cho việc ước lượng kênh trở nên khó khăn hơn.

2.2. Yêu cầu về tốc độ xử lý và độ chính xác

Để đáp ứng nhu cầu ngày càng cao về tốc độ và độ chính xác trong mạng 5G, các mô hình CNN cần được tối ưu hóa để xử lý dữ liệu nhanh chóng và hiệu quả.

III. Phương pháp sử dụng mạng CNN trong ước lượng kênh 5G

Để áp dụng mạng CNN trong ước lượng kênh, cần thiết kế một mô hình phù hợp và quy trình huấn luyện hiệu quả. Việc sử dụng dữ liệu mô phỏng giúp cải thiện độ chính xác và giảm thiểu chi phí thu thập dữ liệu thực tế.

3.1. Thiết kế mô hình mạng CNN cho ước lượng kênh

Mô hình mạng CNN cần được thiết kế với các lớp tích chập và lớp kết nối đầy đủ để tối ưu hóa khả năng học và phân tích dữ liệu kênh. Việc lựa chọn kiến trúc phù hợp là rất quan trọng.

3.2. Quy trình huấn luyện mạng CNN

Quy trình huấn luyện mạng CNN bao gồm việc sử dụng dữ liệu mô phỏng để cải thiện khả năng ước lượng kênh. Các tham số như số lượng lớp, kích thước bộ lọc và hàm kích hoạt cần được điều chỉnh để đạt hiệu suất tối ưu.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của mạng CNN

Kết quả từ việc áp dụng mạng CNN trong ước lượng kênh cho thấy sự cải thiện đáng kể về độ chính xác và hiệu suất. Các nghiên cứu đã chỉ ra rằng mạng CNN có thể đạt được kết quả gần với các phương pháp ước lượng kênh hoàn hảo.

4.1. So sánh kết quả ước lượng kênh

Kết quả ước lượng kênh từ mạng CNN được so sánh với các phương pháp truyền thống và cho thấy sự vượt trội về độ chính xác. Điều này chứng tỏ khả năng của mạng CNN trong việc cải thiện hiệu suất mạng 5G.

4.2. Ứng dụng thực tiễn trong mạng 5G

Mạng CNN không chỉ giúp cải thiện ước lượng kênh mà còn có thể được áp dụng trong nhiều lĩnh vực khác nhau như IoT, truyền video và các ứng dụng thực tế ảo, mở ra nhiều cơ hội mới cho công nghệ viễn thông.

V. Kết luận và hướng phát triển tương lai của mạng CNN trong 5G

Mạng CNN đã chứng minh được tiềm năng trong việc ước lượng kênh mạng viễn thông 5G. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng mới, góp phần vào sự phát triển của ngành viễn thông.

5.1. Tương lai của mạng CNN trong viễn thông

Với sự phát triển không ngừng của công nghệ, mạng CNN sẽ tiếp tục được cải tiến và ứng dụng rộng rãi trong các lĩnh vực viễn thông, đặc biệt là trong mạng 5G.

5.2. Các nghiên cứu và phát triển tiếp theo

Cần tiếp tục nghiên cứu và phát triển các mô hình mạng CNN mới, tối ưu hóa quy trình huấn luyện và ứng dụng thực tiễn để đáp ứng nhu cầu ngày càng cao của mạng 5G.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong hệ thống thông tin di động thế hệ thứ 5 (5G), các yêu cầu kỹ thuật đòi hỏi tốc độ truyền tải dữ liệu cao, thời gian đáp ứng cực thấp, khả năng kết nối đồng thời hàng tỷ thiết bị phục vụ từ Internet vạn vật (IoT), truyền phát video chất lượng 4K/8K đến thực tế ảo (VR). Nhằm đảm bảo hiệu suất truyền dẫn và chất lượng dịch vụ (QoS), quá trình ước lượng kênh đóng vai trò kỹ thuật then chốt. Ước lượng kênh là quá trình xác định trạng thái vật lý của môi trường truyền sóng thông qua việc thu nhận và phân tích các tín hiệu pilot gửi từ thiết bị người dùng. Các thông số thu được từ quá trình này là căn cứ để trạm gốc điều chỉnh cấu hình hệ thống, tối ưu hóa việc phân bổ tài nguyên vô tuyến và giảm thiểu lỗi truyền dẫn.

Tuy nhiên, việc thu thập dữ liệu đo đạc thực tế phục vụ quá trình ước lượng kênh trên mạng 5G đòi hỏi hạ tầng phức tạp, chi phí cao và tốn kém tài nguyên. Để giải quyết rào cản này, việc ứng dụng học máy, cụ thể là mạng nơ-ron tích chập (CNN), nhằm tổng hợp dữ liệu mô phỏng với độ chính xác cao được lựa chọn như một phương pháp thay thế hiệu quả, giúp nâng cao hiệu suất xử lý mà không phụ thuộc hoàn toàn vào dữ liệu thực địa.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể gồm ba nhiệm vụ:

1. Phát triển một kiến trúc mô hình CNN hiệu quả cho việc tổng hợp dữ liệu kênh trong mạng 5G.
2. Cải thiện tính đa dạng và chính xác của dữ liệu tổng hợp để đảm bảo hiệu suất ước lượng kênh tốt nhất.
3. Đánh giá hiệu suất của việc ước lượng kênh bằng việc so sánh kết quả ước lượng kênh thực nghiệm với ước lượng kênh hoàn hảo (Perfect Channel Estimation).

Đối tượng nghiên cứu của đồ án là mô hình mạng nơ-ron tích chập ứng dụng trong bài toán ước lượng đáp ứng kênh truyền sóng vô tuyến của hệ thống 5G. Phạm vi nghiên cứu được giới hạn như sau:

• Về công cụ và kỹ thuật: Nghiên cứu được thực hiện hoàn toàn thông qua việc mô phỏng trên phần mềm MATLAB với bộ công cụ chuyên dụng 5G Toolbox; cấu hình kênh truyền khảo sát ở chế độ truyền dẫn đơn vào - đơn ra (SISO - Single Input Single Output); tập trung khảo sát các mô hình kênh đường dây trễ có đầu ra (TDL) từ TDL-A đến TDL-E kết hợp với kỹ thuật điều chế pha trực giao (QPSK).
• Về thời gian và địa điểm: Đề tài được giao ngày 26/02/2024, hoàn thành nộp báo cáo ngày 31/05/2024 và nghiệm thu vào tháng 06/2024 tại Bộ môn Kỹ thuật Máy tính – Viễn thông, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.

---

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng nghiên cứu dựa trên các khối lý thuyết chuyên ngành viễn thông vô tuyến và học sâu:

Khung lý thuyết và mô hình chuẩn hóa

1. Lộ trình tiến hóa công nghệ 5G New Radio (NR) theo 3GPP:
   • Tiêu chuẩn LTE ra đời từ Release 8 (năm 2009) và liên tục tiến hóa qua các phiên bản: Release 10 (giới thiệu ghép kênh sóng mang CA với tối đa 5 sóng mang thành phần CC, băng thông truyền dẫn lên tới 100 MHz); Release 11 (kỹ thuật truyền nhận đa điểm phối hợp CoMP); Release 12 (kết nối kép, TDD động); Release 13 (chuẩn giao tiếp IoT gồm NB-IoT băng thông 200 kHz và LTE-M băng thông 1,4 MHz); Release 14 (truyền thông V2V, V2X); Release 15 (cơ chế truyền dẫn rút ngắn sTTI, hoàn thành tiêu chuẩn NR Non-Standalone cuối năm 2017 và Standalone tháng 06/2018).
   • Hệ thống 5G NR phục vụ ba nhóm kịch bản chính: Băng rộng di động nâng cao (eMBB), Truyền thông máy số lượng lớn (mMTC), và Truyền thông độ trễ thấp siêu tin cậy (URLLC).
2. Cấu trúc kênh truyền mạng di động: Phân loại thành ba tầng kênh:
   • Kênh logic: Kênh điều khiển (BCCH, PCCH, CCCH, DCCH, MCCH) và kênh lưu lượng (DTCH, MTCH).
   • Kênh truyền tải: BCH, DL-SCH, PCH, MCH.
   • Kênh vật lý: PBCH, PDSCH, PMCH, PCFICH, PDCCH, PHICH.
3. Mô hình kênh vô tuyến Tapped Delay Line (TDL): Chuẩn hóa bởi 3GPP nhằm mô phỏng các môi trường truyền sóng đa đường thông qua chuỗi các tap trễ, mỗi tap được xác định bởi thời gian trễ (ns) và hệ số công suất suy hao (dB). Đồ án khảo sát đầy đủ 5 biến thể: TDL-A, TDL-B, TDL-C, TDL-D và TDL-E.
4. Kỹ thuật điều chế và ghép kênh: Kỹ thuật điều chế đa sóng mang trực giao OFDM kết hợp các phương thức điều chế số QPSK (2 bit/symbol), 16-QAM (4 bit/symbol), 64-QAM (6 bit/symbol) và 256-QAM (8 bit/symbol), trong đó ký hiệu tham chiếu giải điều chế (DM-RS / pilot) được lồng ghép vào khung truyền để trích xuất thông tin kênh.
5. Mạng nơ-ron tích chập (CNN): Cấu trúc mạng học sâu bao gồm các lớp tích chập (Convolutional layer) thực hiện tính toán ma trận với bộ lọc trượt (kernel), lớp hàm kích hoạt phi tuyến ReLU ($f(x) = \max(0, x)$), các lớp gom cụm (Max-pooling, Average-pooling, Sum-pooling), lớp chuẩn hóa Batch Normalization và lớp hồi quy (Regression layer) nhằm tối ưu hóa hàm mất mát sai số bình phương trung bình (MSE).

Phương pháp nghiên cứu và nguồn dữ liệu

• Phương pháp thực nghiệm mô phỏng: Tác giả xây dựng chuỗi mô phỏng đầu cuối (end-to-end) trên MATLAB: Tín hiệu phát sau khi điều chế và biến đổi IFFT tạo dạng sóng OFDM sẽ đi qua mô hình kênh fading Rayleigh $h(t)$ kết hợp nhiễu cộng Gauss trắng (AWGN) $n(t)$ ở các mức SNR khác nhau. Tại phía thu, sau phép biến đổi FFT, các ký hiệu pilot được trích xuất để đưa vào mô hình CNN nhằm ước lượng ma trận đáp ứng kênh truyền.
• Nguồn dữ liệu: Dữ liệu được tạo lập tự động bằng hàm hGenerateTrainingData thuộc MATLAB 5G Toolbox. Tập dữ liệu gồm tổng cộng 256 mẫu (dataSize = 256), đại diện cho các điều kiện kênh truyền khác nhau kèm theo đáp ứng kênh lý tưởng tương ứng.
• Phân chia dữ liệu: Với kích thước lô huấn luyện mini-batch bằng 32, dữ liệu được phân chia thành:
  • Tập huấn luyện (Training data): 224 mẫu (tương đương $256 - 32$).
  • Tập kiểm định/kiểm tra (Validation data): 32 mẫu.

---

Thiết kế và triển khai mô hình kỹ thuật

Đồ án đã thiết kế, lập trình và thử nghiệm hai kiến trúc mạng CNN chuyên biệt để giải quyết bài toán hồi quy ước lượng ma trận kênh truyền:

Thành phần thông số	Mạng 1 (Kiến trúc cơ sở)	Mạng 2 (Kiến trúc cải tiến)
Tổng số lớp	11 lớp	18 lớp
Đặc tính dữ liệu đầu vào	Kích thước $612 \times 14 \times 1$ (ảnh xám, 1 kênh màu, không chuẩn hóa)	Kích thước $612 \times 14 \times 1$ (ảnh xám, 1 kênh màu)
Lớp tích chập 1 (Conv 1)	64 bộ lọc kích thước $9 \times 9$, Zero-padding = 4	128 bộ lọc kích thước $9 \times 9$, kèm Batch Normalization
Lớp tích chập 2 (Conv 2)	64 bộ lọc kích thước $5 \times 5$, Padding = 2	128 bộ lọc kích thước $7 \times 7$, kèm Batch Normalization
Lớp tích chập 3 (Conv 3)	64 bộ lọc kích thước $5 \times 5$, Padding = 2	64 bộ lọc kích thước $5 \times 5$, Padding = 2, kèm Batch Normalization
Lớp tích chập 4 (Conv 4)	32 bộ lọc kích thước $5 \times 5$, Padding = 2	64 bộ lọc kích thước $5 \times 5$, Padding = 2, kèm Batch Normalization
Lớp tích chập 5 (Conv 5)	1 bộ lọc kích thước $5 \times 5$, Padding = 2	32 bộ lọc kích thước $5 \times 5$, Padding = 1, kèm Batch Normalization
Lớp tích chập 6 (Conv 6)	Không có	1 bộ lọc kích thước $3 \times 3$, kèm Batch Normalization
Lớp kích hoạt	ReLU sau mỗi lớp Conv	ReLU sau mỗi khối Conv + Batch Normalization
Lớp đầu ra	Lớp hồi quy (Regression Layer)	Lớp hồi quy (Regression Layer)

Thông số cấu hình huấn luyện (Hyperparameters)

Quá trình huấn luyện mạng trên MATLAB được thiết lập thống nhất qua các tham số kỹ thuật:

• Biến trạng thái (trainModel): true (huấn luyện mới từ đầu).
• Hạt giống ngẫu nhiên (rng): Giá trị thiết lập 42 nhằm đảm bảo khả năng tái lập kết quả mô phỏng.
• Kích thước lô con (MiniBatchSize): 32 mẫu.
• Thuật toán tối ưu: Adam với tốc độ học ban đầu (InitialLearnRate) là $3 \times 10^{-4}$ (3e-4).
• Số chu kỳ tối đa (MaxEpochs): Thiết lập ở mức 5 hoặc 10 chu kỳ.
• Xáo trộn dữ liệu (Shuffle): 'every-epoch' (xáo trộn lại dữ liệu sau mỗi chu kỳ).
• Chế độ hiển thị: Verbose = false, Plots = 'training-progress' (theo dõi trực quan đồ thị hội tụ).

Điểm khác biệt cốt lõi giữa hai mô hình nằm ở việc tích hợp các lớp batchNormalization xen kẽ trong Mạng 2. Cấu trúc này giúp hạn chế hiện tượng dịch chuyển hiệp biến nội tại (internal covariate shift), giảm biên độ dao động đầu ra giữa các tầng tích chập sâu, từ đó nâng cao tính ổn định và đẩy nhanh tốc độ hội tụ của thuật toán học.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày bối cảnh ra đời của mạng di động thế hệ thứ 5 cùng vai trò của việc xác định trạng thái kênh truyền vô tuyến. Tác giả chỉ ra hạn chế về chi phí khi thu thập dữ liệu thực địa và đề xuất giải pháp ứng dụng học sâu để tổng hợp dữ liệu mô phỏng. Chương này xác định rõ 3 mục tiêu cụ thể, 3 giới hạn nghiên cứu (chỉ dùng MATLAB, chỉ xét cấu hình SISO, chỉ tập trung mô hình CNN) và cấu trúc 5 chương của đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp hệ thống lý thuyết toàn diện về hai mảng kiến thức:

• Hệ thống 5G: Lịch sử phát triển tiêu chuẩn từ LTE Release 8 đến 5G Release 16; kiến trúc phân lớp kênh (kênh logic, truyền tải và vật lý); các mô hình suy hao fading TDL-A đến TDL-E theo chuẩn 3GPP; nguyên lý các phương thức điều chế số QPSK, 16-QAM, 64-QAM, 256-QAM và cấu trúc phân chia sóng mang trực giao OFDM.
• Trí tuệ nhân tạo và Mạng tích chập: Bản chất mạng nơ-ron nhân tạo (ANN), giải thuật lan truyền ngược; các thành phần cấu tạo mạng CNN gồm tích chập (minh họa phép tính nhân chập ma trận), hàm kích hoạt ReLU, các dạng lớp Pooling (Max-pooling với kích thước lọc $2 \times 2$ và $3 \times 3$, bước nhảy 2; Average-pooling; Sum-pooling), lớp kết nối đầy đủ (FCL) và hàm Softmax; đồng thời điểm qua một số kiến trúc mạng tiêu biểu như AlexNet, Inception và VGG16.

Chương 3: Ứng dụng CNN trong việc ước lượng kênh

Chương 3 tập trung vào thiết kế hệ thống và quy trình thực nghiệm:

• Xây dựng sơ đồ hệ thống truyền dẫn vô tuyến tổng thể từ điều chế, IFFT, mô hình kênh Rayleigh $h(t)$ cộng nhiễu $n(t)$, máy thu FFT đến khối ước lượng kênh CNN và giải điều chế.
• Chi tiết hóa kiến trúc Mạng 1 (11 lớp) và Mạng 2 cải tiến (18 lớp có bổ sung Batch Normalization).
• Xây dựng lưu đồ giải thuật hệ thống và mô tả chi tiết quy trình huấn luyện với tập dữ liệu 256 mẫu ($612 \times 14 \times 1$), phân chia 224 mẫu train, 32 mẫu test cùng bộ tham số học tối ưu Adam.

Chương 4: Kết quả và đánh giá

Chương 4 công bố toàn bộ dữ liệu mô phỏng và phân tích định lượng hiệu năng của hai mô hình CNN:

• Thực nghiệm đo lường sai số bình phương trung bình (MSE) qua từng mô hình kênh TDL (TDL-A, TDL-B, TDL-C, TDL-D, TDL-E) và phương thức điều chế QPSK.
• So sánh đồ thị sai số của mạng CNN thực nghiệm với ước lượng kênh lý tưởng (hoàn hảo) theo các dải tỷ lệ tín hiệu trên nhiễu (SNR).
• Đánh giá bảng số liệu tổng hợp MSE tại mốc cố định $\text{SNR} = 10\text{ dB}$, qua đó chứng minh mức độ suy giảm sai số vượt trội của kiến trúc Mạng 2 so với Mạng 1.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết mức độ hoàn thành nhiệm vụ nghiên cứu: xây dựng thành công quy trình mô phỏng ước lượng kênh 5G bằng mạng CNN trên MATLAB, cải tiến kiến trúc với Batch Normalization giúp tối ưu sai số MSE. Đồng thời, tác giả đề xuất các hướng mở rộng kỹ thuật cho các nghiên cứu tiếp theo.

---

Kết quả và đóng góp

Kết quả mô phỏng thực nghiệm

Các tác giả đã tiến hành khảo sát thực nghiệm đối chiếu sai số MSE giữa hai mô hình CNN qua các kịch bản kênh truyền TDL và phương pháp điều chế số tại mức tỷ lệ tín hiệu trên nhiễu $\text{SNR} = 10\text{ dB}$:

Kịch bản khảo sát (tại SNR = 10 dB)	Kết quả MSE Mạng 1 (11 lớp)	Kết quả MSE Mạng 2 (18 lớp, cải tiến)
Mô hình kênh TDL-A	Ghi nhận trên đồ thị Hình 4.1	Ghi nhận trên đồ thị Hình 4.7 (MSE giảm đáng kể)
Mô hình kênh TDL-B	Ghi nhận trên đồ thị Hình 4.2	Ghi nhận trên đồ thị Hình 4.8
Mô hình kênh TDL-C	Ghi nhận trên đồ thị Hình 4.3	Ghi nhận trên đồ thị Hình 4.9
Mô hình kênh TDL-D	Ghi nhận trên đồ thị Hình 4.4	Ghi nhận trên đồ thị Hình 4.10
Mô hình kênh TDL-E	Ghi nhận trên đồ thị Hình 4.5	Ghi nhận trên đồ thị Hình 4.11
Phương thức điều chế QPSK	Ghi nhận trên đồ thị Hình 4.6	Ghi nhận trên đồ thị Hình 4.12

Kết quả mô phỏng cho thấy đường cong MSE của Mạng 2 bám sát đường cong ước lượng kênh hoàn hảo hơn so với Mạng 1 trên toàn bộ dải SNR khảo sát. Việc gia tăng chiều sâu mạng (từ 11 lên 18 lớp) kết hợp với các tầng Batch Normalization đã giúp mô hình học được các đặc trưng phân bố đa đường phức tạp của kênh Rayleigh, hạn chế hiện tượng bão hòa tín hiệu và triệt tiêu sai số dự đoán.

Đóng góp kỹ thuật của đề tài

1. Thiết kế hoàn chỉnh quy trình ước lượng kênh trên MATLAB: Kết hợp thành công bộ công cụ 5G Toolbox với Deep Learning Toolbox để tạo dữ liệu ma trận thời gian - tần số ($612 \times 14$), huấn luyện và kiểm thử mô hình ước lượng kênh tự động.
2. Cải tiến kiến trúc mạng CNN cho dữ liệu viễn thông: Đề xuất mô hình Mạng 2 gồm 18 lớp với cấu hình giảm dần kích thước kernel ($9 \times 9 \to 7 \times 7 \to 5 \times 5 \to 3 \times 3$) kết hợp Batch Normalization, chứng minh tính ưu việt về độ chính xác ước lượng so với kiến trúc mạng tích chập cơ bản không có lớp chuẩn hóa.
3. Cung cấp dữ liệu thực nghiệm đối sánh đa kịch bản: Thực hiện đo đạc và đánh giá sai số trên đầy đủ 5 mô hình kênh suy hao chuẩn 3GPP (TDL-A đến TDL-E), cung cấp căn cứ định lượng về đáp ứng của mạng nơ-ron trước các dạng phân bố trễ đa đường khác nhau.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

Dựa trên các giới hạn kỹ thuật được tác giả xác định trong nội dung đồ án:

• Nghiên cứu chỉ dừng lại ở mức độ mô phỏng số thông qua phần mềm MATLAB, chưa được kiểm chứng trên các thiết bị phần cứng vô tuyến thực tế (như SDR - Software Defined Radio) hoặc môi trường mạng thương mại.
• Cấu hình hệ thống truyền dẫn mới chỉ thực hiện trên chế độ đơn vào - đơn ra (SISO), chưa mở rộng sang các hệ thống đa anten phát đa anten thu (MIMO) hoặc Massive MIMO vốn là đặc trưng then chốt của mạng 5G.
• Dung lượng tập dữ liệu huấn luyện còn khiêm tốn (tổng cộng 256 mẫu tạo tự động), phạm vi đánh giá chi tiết bằng số liệu tập trung chủ yếu vào điều chế QPSK, chưa triển khai đo đạc kiểm thử toàn diện trên các bậc điều chế cao hơn như 16-QAM, 64-QAM và 256-QAM.

Hướng nghiên cứu tiếp

• Mở rộng kiến trúc mạng nơ-ron học sâu để áp dụng cho hệ thống truyền thông đa anten MIMO và Massive MIMO trong mạng 5G NR.
• Tăng quy mô và tính đa dạng của tập dữ liệu huấn luyện, bổ sung các kịch bản di động tốc độ cao với hiệu ứng dịch Doppler lớn.
• Thử nghiệm và đánh giá thêm các kỹ thuật điều chế bậc cao (16-QAM, 64-QAM, 256-QAM) và các kiến trúc học sâu tiên tiến khác nhằm giảm thiểu tối đa độ phức tạp tính toán khi triển khai thực tế.

---

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo chuyên ngành hữu ích cho:

• Sinh viên và học viên cao học: Chuyên ngành Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Máy tính hoặc Công nghệ Thông tin đang thực hiện đồ án, luận văn liên quan đến việc ứng dụng trí tuệ nhân tạo (AI/ML) trong xử lý tín hiệu thông tin vô tuyến.
• Kỹ sư và nhà nghiên cứu viễn thông: Cần tài liệu tham khảo về phương pháp cấu hình, trích xuất tín hiệu tham chiếu (pilot/DM-RS) và xử lý ma trận lưới tài nguyên OFDM bằng công cụ MATLAB 5G Toolbox.
• Phần nội dung có giá trị tham khảo cao: Chương 3 (thiết kế chi tiết từng lớp của hai kiến trúc CNN và thiết lập các siêu tham số huấn luyện) và Chương 4 (phương pháp tổ chức thực nghiệm đánh giá MSE so với đường ước lượng lý tưởng trên các mô hình kênh TDL chuẩn hóa của 3GPP).

---

Câu hỏi thường gặp

1. Kích thước dữ liệu đầu vào của mạng CNN trong đồ án là bao nhiêu và mang ý nghĩa vật lý gì?

Kích thước ma trận đầu vào đưa vào lớp tích chập đầu tiên của mạng CNN là $612 \times 14 \times 1$. Đây là dữ liệu biểu diễn dưới dạng ảnh xám (1 kênh màu, không thực hiện chuẩn hóa ban đầu), tương ứng với lưới tài nguyên thời gian - tần số của khung truyền tín hiệu OFDM (gồm 612 sóng mang con và 14 ký hiệu OFDM) chứa các vị trí tín hiệu tham chiếu (pilot) đã trích xuất.

2. Sự khác biệt căn bản về kiến trúc giữa Mạng 1 và Mạng 2 là gì?

Mạng 1 có cấu trúc đơn giản gồm 11 lớp, sử dụng 5 lớp tích chập với kích thước bộ lọc $9 \times 9$ và $5 \times 5$, không có lớp chuẩn hóa. Mạng 2 là kiến trúc cải tiến sâu hơn gồm 18 lớp, nâng số lượng bộ lọc ban đầu lên 128, kích thước bộ lọc thu hẹp dần ($9 \times 9$, $7 \times 7$, $5 \times 5$, $3 \times 3$), và đặc biệt bổ sung các lớp batchNormalization xen kẽ sau mỗi lớp tích chập trước khi đi qua hàm kích hoạt ReLU, giúp mô hình ổn định quá trình học và hội tụ nhanh hơn.

3. Tập dữ liệu mô phỏng được tạo lập và phân chia theo tỷ lệ nào?

Dữ liệu được tạo ra bằng hàm hGenerateTrainingData trong công cụ 5G Toolbox của MATLAB với tổng số lượng 256 mẫu (dataSize = 256). Với kích thước mini-batch thiết lập bằng 32, dữ liệu được chia thành 224 mẫu phục vụ quá trình huấn luyện (trainData, trainLabels) và 32 mẫu phục vụ kiểm định (valData, valLabels).

4. Thuật toán tối ưu và các siêu tham số huấn luyện mạng được thiết lập như thế nào?

Mô hình sử dụng thuật toán tối ưu hóa Adam với tốc độ học ban đầu (InitialLearnRate) là $3 \times 10^{-4}$, kích thước lô huấn luyện (MiniBatchSize) bằng 32, số chu kỳ tối đa (MaxEpochs) là 5 hoặc 10 chu kỳ, dữ liệu được xáo trộn ngẫu nhiên sau mỗi chu kỳ (Shuffle = 'every-epoch'), và thiết lập hạt giống ngẫu nhiên rng(42).

5. Đồ án sử dụng các mô hình kênh truyền vô tuyến nào để kiểm tra khả năng ước lượng?

Nghiên cứu sử dụng 5 mô hình kênh đường dây trễ có đầu ra chuẩn hóa bởi 3GPP bao gồm TDL-A, TDL-B, TDL-C, TDL-D và TDL-E. Mỗi mô hình đại diện cho các điều kiện truyền sóng khác nhau với số lượng tap trễ, độ trễ tương đối (ns) và hệ số công suất (dB) riêng biệt kết hợp với phân bố pha đinh Rayleigh.

---

Kết luận

Đồ án tốt nghiệp "Ứng dụng mạng CNN cho việc ước lượng kênh của mạng viễn thông 5G" của hai sinh viên Trần Văn Lực và Phạm Ngọc Vân đã hoàn thành việc xây dựng và kiểm thử mô hình học sâu ứng dụng trong xử lý tín hiệu vật lý mạng 5G. Thông qua công cụ MATLAB 5G Toolbox, đề tài đã đề xuất thành công kiến trúc mạng CNN cải tiến 18 lớp tích hợp Batch Normalization, chứng minh khả năng giảm thiểu sai số bình phương trung bình (MSE) so với mô hình cơ sở 11 lớp trên các kênh chuẩn TDL-A đến TDL-E. Mặc dù còn giới hạn ở quy mô mô phỏng SISO và dung lượng mẫu nhỏ, công trình đã cung cấp một quy trình kỹ thuật hoàn chỉnh và phương pháp luận rõ ràng cho bài toán ứng dụng trí tuệ nhân tạo trong tối ưu hóa mạng thông tin di động thế hệ mới.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan Chương sẽ giới thiệu sơ lược về đề tài, đưa ra mục tiêu, giới hạn và cấu trúc của đề tài. Chương 2: Cơ sở lý thuyết Chương này trình bày lý thuyết của mạng viễn thông 5G, mạng nơ-ron nhân tạo và mạng CNN để từ đó lựa chọn xây dựng mô hình cụ thể. Chương 3: Ứng dụng CNN trong việc ước lượng kênh Chương này chủ yếu tập trung xây dựng mạng CNN, quy trình huấn luyện mạng và quy trình để ước lượng kênh. Chương 4: Kết quả và đánh giá Chương này đưa ra các kết quả nghiên cứu đã mô phỏng và tiến hành đánh giá, nhận xét các thông số.

Chương 5: Kết luận và hướng phát triển 2 Dựa trên kết quả thu thập được, nêu ra những thứ đã đạt được trong mục tiêu đề ra và hướng phát triển của đề tài. 3 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 CƠ SỞ LÝ THUYẾT VỀ 5G 2.1 Sự phát triển và ứng dụng của 5G Tiêu chuẩn Long Term Evolution (LTE) ra đời vào năm 2009 (phiên bản 8), đánh dấu bước khởi đầu của kỷ nguyên 4G và đã trải qua một loạt các giai đoạn tiến hóa, mang lại cải thiện về hiệu suất và khả năng mở rộng [1]. Các cải tiến này bao gồm các tính năng dành cho dịch vụ di động rộng băng thông, như truyền dữ liệu có tốc độ cao hơn, hiệu suất phổ tốt hơn và cải thiện về phạm vi phủ sóng. Sự tiến hóa liên tục của LTE và các cải tiến trong tương lai được coi là phần quan trọng của giải pháp truy cập radio 5G tổng thể.

Sau các phiên bản phát hành ban đầu 8 và 9, xuất hiện nhiều yêu cầu và mong đợi mới, do đó các phiên bản tiếp theo, được biết đến với tên gọi LTE Advanced hoặc Evolution, đã được chuẩn bị với mục đích cung cấp các cải tiến cũng như các tính năng khác trong các lĩnh vực khác nhau [1].1 cho thấy một số lĩnh vực chính mà LTE đã tiến hóa qua nhiều năm.1: Sự tiến hóa của LTE [1] 4 Sự tiến hóa của LTE bắt đầu từ phiên bản 10, hoàn thành vào cuối năm 2010, với mục tiêu chính là đảm bảo tính tuân thủ của công nghệ truy cập radio LTE với các yêu cầu IMT-Advanced [1]. Phiên bản LTE này giới thiệu tính linh hoạt tần số LTE nâng cao thông qua ghép kênh sóng mang - CA: như có thể thấy trong Hình 2.2, lên đến năm sóng mang thành phần - CC, có thể có băng thông khác nhau, được tổ hợp và sử dụng cùng nhau cho việc truyền/nhận từ một thiết bị đầu cuối duy nhất, cho phép có một băng thông truyền tối đa lên đến 100 MHz [1].2: Tổ hợp tần số của LTE [1] Việc sử dụng tổ hợp trạm mang lại một số lợi ích: • Tốc độ dữ liệu cao hơn, vì việc tổ hợp các tần số tăng cường nguồn lực phổ. • Tăng dung lượng, nhờ vào việc tập trung lưu lượng từ việc lên kế hoạch động cho lưu lượng trên toàn bộ phổ. • Sử dụng tối ưu nguồn lực phổ của các nhà khai thác: hầu hết các nhà khai thác sở hữu các tần số phân mảnh bao gồm các băng tần khác nhau và tổ hợp trạm giúp kết hợp chúng thành một nguồn lực phổ thuận tiện hơn.3: Cấu hình đa điểm đồng bộ hóa [2] Release 11 của LTE, hoàn thành vào cuối năm 2012, tập trung vào việc truyền và nhận điểm đa điểm phối hợp (CoMP): đây là một công cụ để cải thiện vùng phủ sóng với tốc độ dữ liệu cao và lưu lượng tại biên của cell [1].

Các phương pháp CoMP, được mô tả trong Hình 2.3, đặc biệt có lợi cho người dùng ở biên của một cell, vì họ thường bị ảnh hưởng bởi nhiễu từ các cell lân cận. Release 12, hoàn thành vào năm 2014, chủ yếu tập trung vào các tính năng liên quan đến triển khai cell nhỏ, chẳng hạn như kết nối kép, TDD động và tắt/bật cell nhỏ, với mục tiêu cải thiện tính linh hoạt cho động lực mạng. Release 13, hoàn thành vào cuối năm 2015, giới thiệu hai tùy chọn giao tiếp Loại Máy: Narrowband Internet of Things (NB-IoT) và LTE-M; theo tài liệu [1], nó có thể được coi là một bước công nghệ trung gian giữa 4G và 5G New Radio (NR) giao diện không khí. Các đặc điểm chính của cả hai công nghệ này là: • Băng thông nhỏ (200 kHz cho NB-IoT và 1,4 MHz cho LTE-M) • Phạm vi phủ rộng rãi • Tiêu thụ điện năng rất thấp, tuổi thọ pin trên 10 năm • Hỗ trợ kết nối hàng loạt • Tối ưu hóa cho chi phí thiết bị rẻ nhất Mặc dù có nhiều điểm tương đồng, LTE-M hỗ trợ tốc độ dữ liệu cao hơn, có sự cải thiện độ phủ sóng so với LTE tiêu chuẩn nhưng không tốt bằng NB-IoT 6 và giảm giá thành các module.

Bản phát hành 14 đã hoàn thành vào năm 2017 và giới thiệu hỗ trợ cho giao tiếp V2V và V2X. Bản phát hành 15 xuất hiện vào giữa năm 2018, với mục tiêu giảm đáng kể độ trễ thông qua tính năng gọi là Khoảng thời gian Truyền dẫn rút ngắn (sTTI). Tóm lại, tất cả các phiên bản LTE tiên tiến trong quá khứ và tương lai đều nhằm mục đích vượt qua các trường hợp sử dụng LTE truyền thống; tuy nhiên, nhu cầu duy trì tính tương thích ngược là một giới hạn rất hạn chế trong bối cảnh yêu cầu liên tục tiến triển [1]. Với mục tiêu đáp ứng các yêu cầu mới, 3GPP bắt đầu phát triển một công nghệ truy cập radio mới, được biết đến với tên gọi NR, nhằm khai thác tối đa tiềm năng của các công nghệ mới.

Triển khai 5G đã được phân theo giai đoạn, vì NR là một công nghệ khá phức tạp và không thể tiêu chuẩn hóa tất cả các tính năng của nó đúng thời hạn cho các phiên bản đầu tiên [1]. Như được thể hiện trong Hình 2.4, các tham chiếu đầu tiên đến 5G trong tiêu chuẩn có thể được truy vấn từ giữa năm 2016 (giai đoạn 1) và giải pháp tiêu chuẩn đầu tiên cho NR xuất hiện vào cuối năm 2017 và được biết đến với tên gọi là Early Drop (phiên bản 15): bản phát hành đầu tiên này đã giải quyết các vùng nóng và các cell nhỏ không độc lập nơi mạng lõi vẫn hoàn toàn dựa trên LTE và một trạm cơ sở tăng cường (e-NodeB) vẫn hoạt động như một master. Vào tháng 6 năm 2018, NR Stand Alone đầu tiên đã được hoàn thành, nơi một Next Generation (NG) Core cuối cùng đã thay thế LTE Core. Giải pháp này đánh dấu sự kết thúc của giai đoạn đầu tiên, để lại không gian cho giai đoạn thứ hai với phiên bản 16.4: Tiến hóa thời gian của 5G [1] 7 Các lợi ích chính được giới thiệu bởi 5G NR so với công nghệ LTE [1]: • Hỗ trợ băng thông truyền dẫn rất rộng và các tốc độ truyền dữ liệu cao tương ứng bằng cách tận dụng các dải tần số cao hơn; • Hiệu suất năng lượng mạng được cải thiện và giảm nhiễu nhờ áp dụng thiết kế siêu gọn; • Độ trễ thấp để cải thiện hiệu suất và cho phép các trường hợp sử dụng mới; Sử dụng rộng rãi của kỹ thuật tạo hình tia và một số lượng lớn các yếu tố anten không chỉ cho việc truyền dữ liệu đã được kích hoạt bởi LTE, mà còn cho các thủ tục trên mặt điều khiển như truy cập ban đầu.

Ngoài những cải tiến công nghệ này, một loạt các trường hợp sử dụng mới đặc trưng cho hệ thống 5G, được phác thảo trong Hình 2.5: • Mở rộng di động rộng rãi (EMBB), với các ứng dụng như thực tế ảo/tăng cường, video UHD, gom cụm và các kịch bản khác nơi cần tốc độ dữ liệu rất cao. • Giao tiếp loại máy lớn (MMTC), với các ứng dụng như IoT, công nghiệp 4.0, cảm biến thông minh và nhiều kịch bản khác dự đoán một số lượng lớn thiết bị kết nối, với ít tin nhắn trao đổi mỗi giờ nhưng yêu cầu tiêu thụ năng lượng rất thấp. • Giao tiếp siêu đáng tin cậy và độ trễ thấp (URLLC), với các ứng dụng trong lĩnh vực quân sự, cho xe kết nối và cho phẫu thuật từ xa. Phiên bản 15 tập trung vào EMBB với tần số làm việc dưới 6 GHz; chỉ từ phiên bản 16 MMTC và URLLC mới được xem xét.5: Ứng dụng của 5G [3] 2.2 Mô hình kênh truyền 2.1 Phân loại kênh Kênh truyền trong công nghệ LTE được phân thành ba nhóm [4]: • Kênh logic (Logical channels): Xác định loại thông tin nào được truyền tải.

• Kênh truyền tải (Transport channels): Cho biết cách thức truyền tải thông tin. • Kênh vật lý (Physical channels): Xác định vị trí gửi thông tin. Cả ba loại kênh này đều tồn tại trong cả hướng đường xuống (Downlink) và hướng đường lên (Uplink). Sơ đồ ánh xạ của kênh Downlink được minh họa như sau: 9 Hình 2.6: Downlink channel mapping [4] ❖ Kênh logic (Logical Channels): Trong hệ thống LTE, các kênh logic được thiết kế để xác định loại thông tin truyền tải giữa các lớp RLC và MAC [4].

Các kênh logic không tập trung vào cách thức truyền tải mà vào nội dung thông tin truyền đi, và được chia thành hai loại kênh chính: điều khiển và lưu lượng. Kênh điều khiển mang các thông điệp điều khiển trong mặt điều khiển và có thể là kênh chung hoặc kênh chuyên dụng. Kênh chung được dùng bởi tất cả các thiết bị trong một cell, trong khi kênh chuyên dụng dành riêng cho một thiết bị cụ thể. Đối lập với kênh điều khiển, các kênh lưu lượng không chứa thông điệp điều khiển mà chỉ tập trung vào việc truyền tải dữ liệu giữa các thiết bị.

Các kênh này đảm bảo cho việc truyền tải dữ liệu và thông điệp điều khiển hiệu quả và chính xác, giúp tối ưu hóa hoạt động của mạng LTE. Downlink Logical Channels: Kênh Điều Khiển (Control Channels): Trong LTE, hướng đường xuống có bốn kênh điều khiển chịu trách nhiệm truyền tải thông tin cả cho các kênh chung lẫn các kênh chuyên dụng [4]: 10 • Broadcast Control Channel (BCCH): Dùng để phát các thông tin MIBs/SIBs. • Paging Control Channel (PCCH): Dùng để phát thông tin paging cho UE. • Common Control Channel (CCCH): Chung cho nhiều UE.

• Dedicated Control Channel (DCCH): Kênh này truyền các thông tin điều khiển dành riêng cho một thiết bị UE cụ thể, đảm bảo việc gửi lệnh và dữ liệu điều khiển đặc thù. • Multicast Control Channel (MCCH): Kênh này cung cấp thông tin điều khiển cho các dịch vụ truyền phát đa điểm (multicast). Kênh lưu lượng: Hướng đường xuống trong LTE có hai kênh lưu lượng chính • Dedicated Traffic Channel (DTCH): Kênh này chịu trách nhiệm truyền tải dữ liệu lưu lượng dành riêng cho một thiết bị UE cụ thể, hỗ trợ các nhu cầu truyền dữ liệu cá nhân.