NGHIÊN CỨU ƯỚC LƯỢNG KÊNH CHO HỆ THỐNG MIMO VỚI SỰ HỖ TRỢ CỦA BỀ MẶT PHẢN XẠ THÔNG MINH DỰA TRÊN MÔ HÌNH TENSOR

• Tác giả: Trịnh Tiến Long
• Người hướng dẫn: TS. Đào Minh Hưng
• Trường học: Trường Đại Học Quy Nhơn
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Ước Lượng Kênh Cho Hệ Thống MIMO Với Sự Hỗ Trợ Của Bề Mặt Phản Xạ Thông Minh Dựa Trên Mô Hình Tensor
• Loại tài liệu: Đề án thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Bình Định

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• 1. PHẦN MỞ ĐẦU
• 1.1. Lý do lựa chọn đề án
• 1.2. Tổng quan tình hình nghiên cứu
• 1.3. ĐỐI TƯỢNG, PHẠM VI VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.3.3. Phương pháp nghiên cứu
• 1.4. Bố cục của đề án
• 1.5. Ý nghĩa khoa học và thực tiễn của đề án
• 2. LÝ THUYẾT CƠ BẢN CỦA IRS TRONG ỨNG DỤNG CÁC HỆ THỐNG THÔNG TIN
• 2.1. Khái quát về bề mặt phản xạ thông minh IRS
• 2.1.1. Giới thiệu IRS và tiềm năng ứng dụng trong hệ thống thông tin
• 3. HIỆU SUẤT HỆ THỐNG BĂNG THÔNG RỘNG VỚI SỰ HỖ TRỢ IRS
• 4. ƯỚC LƯỢNG KÊNH CHO HỆ THỐNG MIMO VỚI HỖ TRỢ IRS DỰA TRÊN MÔ HÌNH TENSOR
• 4.1. Khái quát chung về Ước lượng kênh IRS
• 4.2. Mô tả bài toán và những thách thức
• 4.3. Phương pháp ước lượng kênh IRS
• 4.3.1. Ước lượng kênh IRS bán thụ động
• 4.3.2. Ước lượng kênh thụ động
• 4.3.3. Ước lượng kênh cho hệ thống MIMO với sự hỗ trợ của IRS dựa trên mô hình Tensor
• 4.3.3.1. Mô hình tín hiệu hệ thống
• 4.3.3.2. Ước lượng kênh bình phương nhỏ nhất LS (Least Square)
• 4.3.3.3. Mô hình tín hiệu Tensor
• 4.3.3.4. Ước lượng kênh dựa vào mô hình Tensor
• 4.3.3.5. Ước lượng kênh dựa vào nhân tử Khatri-Rao
• 4.3.3.6. Ước lượng kênh BALS
• 4.4. Độ phức tạp tính toán
• 4.5. Đánh giá hiệu suất ước lượng
• 4.6. Điều kiện thực thi các thuật toán Ước lượng
• 4.6.1. Hạng đầy đủ của ma trận G và H
• 4.6.2. Trường hợp ma trận G và H thiếu hạng
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• QUYẾT ĐỊNH GIAO ĐỀ TÀI VÀ CỬ NGƯỜI HƯỚNG DẪN

I. Tổng Quan Ước Lượng Kênh MIMO IRS Dựa Trên Tensor

Bề mặt phản xạ thông minh (IRS) nổi lên như một giải pháp đột phá trong công nghệ truyền dẫn vô tuyến, đặc biệt cho các hệ thống 6G. IRS có khả năng kiểm soát môi trường truyền dẫn, từ đó tăng cường hiệu suất hệ thống. Ước lượng kênh MIMO với sự hỗ trợ của IRS là yếu tố then chốt để khai thác tối đa tiềm năng của công nghệ này. Việc sử dụng mô hình Tensor mở ra hướng tiếp cận mới, cho phép khai thác cấu trúc đa chiều của kênh truyền dẫn, từ đó cải thiện độ chính xác của ước lượng. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, bao gồm độ phức tạp tính toán và các điều kiện thực thi. Nghiên cứu này tập trung vào việc khám phá và phát triển các phương pháp ước lượng kênh hiệu quả, góp phần thúc đẩy ứng dụng rộng rãi của IRS trong thực tế. Các công trình gần đây đã thảo luận về tiềm năng và thách thức của truyền thông không dây được trợ giúp IRS, một thách thức liên quan đến hệ thống đó là số lượng các phần tử IRS.

1.1. Khái niệm và vai trò của Bề Mặt Phản Xạ Thông Minh IRS

IRS là một bề mặt phẳng bao gồm một số lượng lớn các phần tử phản xạ thụ động, mỗi phần tử có khả năng tạo ra sự biến đổi biên độ (hoặc pha) và điều khiển độc lập với tín hiệu đến. Bằng cách phân bố IRS với mật độ cao và điều khiển tín hiệu phản xạ hợp lý, mạng không dây có thể thiết lập lại cấu hình để truyền tín hiệu trên kênh không dây. Điều này giúp khắc phục suy hao, giảm nhiễu và cải thiện hiệu suất hệ thống.

1.2. Ưu điểm khi kết hợp IRS và Hệ Thống MIMO

Kết hợp IRS và MIMO giúp mở rộng vùng phủ sóng, đặc biệt là cho người dùng trong vùng chết. Ngoài ra, nó có thể triệt tiêu nhiễu đồng kênh CCI khi người dùng ở rìa của ô, hoặc có thể sử dụng trong các truyền thông tin không dây và truyền năng lượng đồng thời trong mạng IoT. Để đạt được hiệu suất cao nhất hệ thống MIMO với sự trợ giúp IRS cần bảo đảm sự hoàn hảo thông tin trạng thái kênh CSI (Channel State Information).

II. Thách Thức Ước Lượng Kênh Chính Xác Cho Hệ Thống IRS MIMO

Việc ước lượng kênh chính xác trong hệ thống IRS-MIMO là một thách thức lớn do số lượng lớn các phần tử phản xạ trên IRS và cấu trúc phức tạp của kênh truyền. Các phương pháp ước lượng truyền thống có thể không hiệu quả hoặc đòi hỏi chi phí tính toán quá lớn. Việc đảm bảo thông tin trạng thái kênh CSI chính xác là yếu tố then chốt để tối ưu hóa beamforming và precoding, từ đó nâng cao hiệu suất hệ thống. Một số công trình nghiên cứu đề xuất giao thức ước lượng kênh đường lên cho hệ thống MIMO nhiều người dùng được hỗ trợ IRS áp dụng các phương pháp cảm biến nén CS (Compressing Sensing).

2.1. Khó khăn trong việc có được Thông Tin Trạng Thái Kênh CSI

Với số lượng lớn các phần tử IRS đặt ra một thách thức đối với việc giải quyết bài toán ước lượng kênh. Chẳng hạn như, với cấu trúc bán thụ động, trong đó IRS sử dụng một vài phần tử tích cực để kết nối truyền/ nhận chuỗi tần số vô tuyến. Trong trường hợp này, các phần tử tích cực có thể xử lý tín hiệu băng gốc tại IRS tạo điều kiện thuận lợi cho hệ thống có được thông tin trạng thái kênh CSI.

2.2. Hạn chế của cấu trúc IRS Thụ Động so với Bán Thụ Động

Trong trường hợp cấu trúc bao gồm hoàn toàn các phần tử thụ động, trong đó IRS hoạt động bằng các tia phản xạ của các sóng tới và kiểm soát sự dịch pha. Trường hợp này, thực hiện ước lượng kênh ghép tầng (giữa máy phát BS - IRS - máy thu người dùng) phải được thực hiện tại máy thu, dựa trên các tín hiệu hoa tiêu được truyền bởi máy phát và được phản xạ từ IRS.

III. Cách Tiếp Cận Mô Hình Tensor Ước Lượng Kênh MIMO IRS

Sử dụng mô hình Tensor để ước lượng kênh trong hệ thống MIMO-IRS mang lại nhiều ưu điểm. Tensor decomposition cho phép khai thác cấu trúc đa chiều của kênh truyền dẫn, từ đó giảm số lượng tham số cần ước lượng và cải thiện độ chính xác. Các thuật toán như CP decomposition và Tucker decomposition có thể được áp dụng để phân tích Tensor và trích xuất thông tin kênh. Việc kết hợp mô hình Tensor với các thuật toán machine learning và deep learning mở ra tiềm năng lớn để phát triển các phương pháp ước lượng kênh hiệu quả và thích nghi.

3.1. Lợi ích của việc sử dụng Tensor Decomposition

Trong thập kỷ qua, mô hình Tensor đã được áp dụng thành công trong nhiều bài toán xử lý tín hiệu, đặc biệt trong trường hợp truyền thông không dây, liên quan đến thiết kế máy thu bán mù (semi-blind) cho hệ thống MIMO, và gần đây hơn là ước lượng kênh nén trong các hệ thống massive MIMO. Việc xử lý tín hiệu rất hiệu quả nhờ vào việc phân tích Tensor để khai thác tính chất đa chiều của các tín hiệu phát/ thu và các kênh thông tin.

3.2. Ứng dụng các thuật toán CP và Tucker Decomposition

Các thuật toán như CP decomposition và Tucker decomposition có thể được áp dụng để phân tích Tensor và trích xuất thông tin kênh. Việc này giúp giảm số lượng tham số cần ước lượng, từ đó cải thiện độ chính xác và hiệu quả của quá trình ước lượng.

IV. Phương Pháp Ước Lượng Kênh BALS và Nhân Tử Khatri Rao

Đề án này tập trung nghiên cứu mở rộng nhằm nâng cao hiệu năng thuật toán ước lượng kênh LS (Least Squares) cho hệ thống MIMO với sự trợ giúp của bề mặt phản xạ thông minh IRS hoàn toàn thụ động. Sử dụng thuật toán KRF và BALS được đề xuất với kết quả mô phỏng hứa hẹn. Trong hầu hết các công trình nghiên cứu đề cập trên đây, việc xử lý tín hiệu rất hiệu quả nhờ vào việc phân tích Tensor để khai thác tính chất đa chiều của các tín hiệu phát/ thu và các kênh thông tin.

4.1. Thuật Toán Ước Lượng Kênh BALS

Việc áp dụng thuật toán BALS (Bilinear Alternating Least Squares) cho phép ước lượng kênh một cách hiệu quả bằng cách lặp lại quá trình tối ưu hóa các thành phần kênh một cách luân phiên. BALS tận dụng cấu trúc song tuyến tính của mô hình kênh để đơn giản hóa quá trình ước lượng.

4.2. Ứng dụng Nhân Tử Khatri Rao để Ước Lượng Kênh

Nhân tử Khatri-Rao là một công cụ mạnh mẽ để phân tích cấu trúc của ma trận kênh. Việc sử dụng nhân tử Khatri-Rao giúp cải thiện độ chính xác và hiệu quả của quá trình ước lượng kênh trong hệ thống MIMO-IRS.

V. Kết Quả Đánh Giá Hiệu Suất Ước Lượng Kênh Tensor MIMO

Các kết quả mô phỏng cho thấy rằng phương pháp ước lượng kênh dựa trên mô hình Tensor đạt được độ chính xác cao hơn so với các phương pháp truyền thống. Hiệu suất được đánh giá dựa trên các chỉ số như Mean Squared Error (MSE) và Signal-to-Noise Ratio (SNR). Điều này chứng tỏ tiềm năng của mô hình Tensor trong việc cải thiện hiệu suất hệ thống MIMO-IRS. Các phương pháp ước lượng kênh là thụ động và bán thụ động, hiệu quả cho hệ thống MIMO có hỗ trợ IRS, với ưu tiên về chi phí và hiệu suất.

5.1. So sánh MSE và SNR với các phương pháp truyền thống

So sánh MSE (Mean Squared Error) và SNR (Signal-to-Noise Ratio) giữa phương pháp ước lượng kênh dựa trên mô hình Tensor và các phương pháp truyền thống cho thấy sự vượt trội của phương pháp mới. Điều này chứng minh hiệu quả của việc khai thác cấu trúc đa chiều của kênh truyền dẫn.

5.2. Ảnh hưởng của Số Lượng Phần Tử IRS đến Hiệu Suất

Nghiên cứu cũng xem xét ảnh hưởng của số lượng phần tử IRS đến hiệu suất ước lượng kênh. Kết quả cho thấy rằng, việc tăng số lượng phần tử IRS giúp cải thiện độ chính xác của ước lượng nhưng cũng làm tăng độ phức tạp tính toán.

VI. Tương Lai Ứng Dụng và Phát Triển Ước Lượng Kênh MIMO IRS

Công nghệ ước lượng kênh MIMO với sự hỗ trợ của IRS dựa trên mô hình Tensor có tiềm năng ứng dụng rộng rãi trong các hệ thống truyền thông 6G, đặc biệt là trong các ứng dụng yêu cầu tốc độ dữ liệu siêu cao và độ tin cậy cực cao. Việc tiếp tục nghiên cứu và phát triển các phương pháp ước lượng kênh hiệu quả và thích nghi là rất quan trọng để khai thác tối đa tiềm năng của công nghệ này. IRS đóng vai trò quan trọng trong việc tối ưu hóa hiệu suất hệ thống nhiều điểm truy cập AP hỗ trợ IRS. Việc thiết kế cần cân nhắc cả việc cải thiện công suất tín hiệu mong muốn và giảm thiểu nhiễu trong ô và nhiễu liên ô ICI.

6.1. Triển khai trong Mạng 6G và các ứng dụng tiềm năng

Công nghệ ước lượng kênh MIMO với IRS là một yếu tố quan trọng trong việc triển khai mạng 6G. Các ứng dụng tiềm năng bao gồm truyền thông siêu tin cậy với độ trễ thấp (URLLC), truyền thông thực tế ảo và thực tế tăng cường (VR/AR), và các ứng dụng IoT quy mô lớn.

6.2. Hướng Nghiên Cứu Phát Triển trong Tương Lai

Các hướng nghiên cứu phát triển trong tương lai bao gồm việc phát triển các thuật toán ước lượng kênh thích nghi với môi trường thay đổi, tối ưu hóa vị trí và cấu hình của IRS, và kết hợp IRS với các công nghệ truyền thông tiên tiến khác như beamforming và precoding.