Bài viết này khảo sát việc ứng dụng học sâu để khôi phục tín hiệu thu trong hệ thống MIMO-NOMA. Ứng dụng học sâu có hai ưu điểm quan trọng gồm thực hiện giải mã song song và cải thiện chất lượng toàn hệ thống. Nhờ vào quá trình huấn luyện trong học sâu, hệ thống có thể tìm ra bộ trọng số tối ưu cho quá trình khôi phục tín hiệu. Kết quả cho thấy việc sử dụng học sâu có chất lượng tốt hơn kỹ thuật SIC.
Trang 1Ứng dụng mô hình Deep Neural Network để khôi phục tín hiệu trong hệ thống MIMO-NOMA
Ngô Minh Nghĩa, Nguyễn Thái Công Nghĩa, Nguyễn Thị Xuân Uyên, Ngô Thanh Hãi, Đặng Lê Khoa
Khoa Điện tử Viễn thông Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM
Email: nmnghia@fetel.hcmus.edu.vn, ntcnghia@fetel.hcmus.edu.vn, ntxuyen@fetel.hcmus.edu.vn, nthai@fetel.hcmus.edu.vn, dlkhoa@fetel.hcmus.edu.vn
Tóm tắt—Đa truy nhập phi trực giao (NOMA) là một trong
những kỹ thuật tiềm năng cho các hệ thống thông tin di động
thế hệ sau Kỹ thuật này có thể kết hợp với kỹ thuật nhiều anten
phát nhiều anten thu (MIMO) tạo thành hệ thống MIMO-NOMA
nhằm tăng dung lượng toàn hệ thống Xét kỹ thuật NOMA miền
công suất, do có sự chồng lấn cả về miền không gian và miền
công suất nên việc khôi phục tín hiệu ở đầu thu là khá phức
tạp Phương pháp triệt nhiễu nối tiếp (SIC) thường được ứng
dụng để khôi phục tín hiệu trong hệ thống MIMO-NOMA Tuy
nhiên, phương pháp SIC phải tách các tín hiệu mạnh trước khi
khôi phục tín hiệu yếu hơn Khi đó, tín hiệu yếu hơn lại được
xem là nhiễu đối với tín hiệu mạnh nên tỉ số tín hiệu trên can
nhiễu (SINR) của từng đầu thu sẽ giảm Bài báo này khảo sát
việc ứng dụng học sâu để khôi phục tín hiệu thu trong hệ thống
MIMO-NOMA Ứng dụng học sâu có hai ưu điểm quan trọng
gồm thực hiện giải mã song song và cải thiện chất lượng toàn hệ
thống Nhờ vào quá trình huấn luyện trong học sâu, hệ thống có
thể tìm ra bộ trọng số tối ưu cho quá trình khôi phục tín hiệu.
Kết quả cho thấy việc sử dụng học sâu có chất lượng tốt hơn
kỹ thuật SIC Đồng thời, kết quả mô phỏng cho thấy việc chọn
các tham số như tốc độ học, các thuật toán tối ưu, số lượng các
lớp ẩn và số lượng các node của lớp ẩn sẽ ảnh hưởng đến chất
lượng toàn hệ thống.
Từ khóa—MIMO, đa truy nhập phi trực giao, học sâu
I GIỚI THIỆU
Đa truy nhập phi trực giao (NOMA) là kỹ thuật được đề
xuất dùng trong các thế hệ di động tiếp theo, được xem là một
kỹ thuật quan trọng và nhận được nhiều sự quan tâm trong
những năm gần đây Ý tưởng then chốt của NOMA là sử dụng
miền công suất cho đa truy nhập trong khi các thế hệ mạng
di động trước đây dựa vào miền thời gian/tần số/mã Nếu như
đa truy nhập trực giao thông thường OMA chỉ cho phép mỗi
người sử dụng được phục vụ trên nguồn phổ tần được cấp phát
riêng độc quyền thì NOMA cho phép chồng các tín hiệu bản
tin của đa người sử dụng trong miền công suất ở máy phát
bằng cách khai thác độ lợi kênh tương ứng [1]
Ứng dụng của công nghệ MIMO đối với NOMA rất quan
trọng vì sử dụng MIMO sẽ cung cấp thêm thêm độ lợi phân
tập và độ lợi mã trong việc cải thiện chất lượng hệ thống cao
hơn Trong thực tế, điều mong muốn nhất là phải phục vụ càng
nhiều người dùng càng tốt để giảm độ trễ của người dùng và
cải thiện tính công bằng trong phục vụ người dùng Theo lý do
này, người dùng đã được nhóm thành các cụm có kích thước
nhỏ, nơi NOMA được triển khai cho người dùng trong một cụm (cluster) và các thuật toán MIMO được sử dụng để loại
bỏ nhiễu liên cụm
Để giải mã thông tin chồng chất ở mỗi máy thu, Cover là người đầu tiên đề xuất kỹ thuật SIC [2] Kỹ thuật này được
đề xuất sử dụng trong đa truy nhập phi trực giao NOMA SIC
có thể thực hiện bằng cách khai thác các thông số kỹ thuật
về sự khác biệt công suất giữa các tín hiệu Ý tưởng cơ bản của SIC là tín hiệu người dùng được giải mã liên tiếp Tuy nhiên, phương pháp loại bỏ nhiễu nối tiếp SIC bị giới hạn bởi
nó tính toán một cách phức tạp và gặp vấn đề trong quá trình phát hiện lỗi nếu số lượng người dùng lớn
Cùng với sự bùng nổ dữ liệu và phát triển phần cứng trong 5 năm trở lại đây, Deep Learning hay còn được gọi
là học sâu, được nhắc đến rất nhiều như một xu hướng mới của cuộc cách mạng trí tuệ nhân tạo (AI) Các mô hình chính của Học sâu có thể kể đến như DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network) Trong lĩnh vực truyền thông, học sâu đã được nghiên cứu và áp dụng thành công trong nhiều
kỹ thuật Trong giải mã kênh, học sâu có thể học một dạng thuật toán giải mã thay vì một bộ phân loại đơn giản trong giải mã mã tuyến tính [3] và mã cực [4] Ngoài ra, học sâu còn ứng dụng trong phương pháp cục bộ hóa dựa trên CSI [5], cân bằng kênh [6] Một sơ đồ tích hợp học sâu vào hệ thống ghép kênh phân chia theo tần số trực giao (OFDM) đã được đưa ra trong [7], các kết quả cho thấy tiềm năng của mô hình DNN trong việc ước lượng kênh và giải mã tín hiệu trong hệ thống OFDM Phân loại điều chế và nhận dạng dựa trên học sâu cũng là một lĩnh vực phổ biến trong các nghiên cứu [8] Trong lĩnh vực mạng di động, học sâu ứng dụng trong phân loại lưu lượng truy cập di động cũng đã được nghiên cứu để
xử lí lưu lượng được mã hóa và phản ánh mô hình giao thông phức tạp [9]
Việc khôi phục tín hiệu ở phía thu của hệ thống MIMO-NOMA khi sử dụng phương pháp SIC truyền thống bị ảnh hưởng bởi sự lan truyền lỗi và độ phức tạp của máy thu liên quan đến số lượng người dùng (UE) Vì vậy, trong bài báo này, chúng tôi sẽ trình bày một phương pháp học tập dựa trên
mô hình DNN để ước tính hiệu quả trạng thái kênh và giải mã tín hiệu dự kiến Phần còn lại của bài báo này sẽ được trình
Trang 2phát triển.
II MÔ HÌNH HỆ THỐNG
A Mô hình hệ thống MIMO-NOMA sử dụng phương pháp
triệt nhiễu nối tiếp SIC ở phía thu
Trong hệ thống MIMO-NOMA, tín hiệu từ kênh có độ lợi
cao hơn sẽ được truyền với mức công suất thấp hơn, trong
khi đó tín hiệu từ kênh có độ lợi thấp hơn sẽ được truyền với
mức công suất cao hơn Do đó, kênh của người dùng có độ lợi
thấp nhất sẽ không thể loại bỏ tất cả các nhiễu từ các người
dùng còn lại Tuy nhiên, các người dùng có độ lợi kênh cao
hơn sẽ chịu ảnh hưởng nhiễu từ các người dùng có mức công
suất lớn hơn, khi đó áp dụng phương pháp SIC tại các đầu thu
này để loại bỏ nhiễu và thu lại tín hiệu mong muốn Do đó,
khi xây dựng hệ thống MIMO-NOMA ghép kênh không gian
SDM, ở phía thu ngoài việc sử dụng bộ tách tín hiệu tuyến
tính MMSE, cần phải kết hợp với phương pháp triệt nhiễu nối
tiếp SIC để có thể giải mã được tín hiệu mong muốn một cách
hiệu quả nhất Giả sử số lượng anten phát và thu là M và N ,
số người dùng là K Tín hiệu truyền MIMO-NOMA có thể
được biểu diễn dưới dạng ma trận như sau:
S = [S1S2 SM]T (1)
Sm(m ∈ [1, M ]) là tín hiệu của anten truyền thứ m và nó có
thể được biểu diễn dưới dạng:
Sm=
K
X
k=1
p
trong đó k ∈ [1, K] là người dùng thứ k, P là công suất phát
của hệ thống, βk là hệ số phân bổ suất của người dùng thứ k
thỏa mãn β1+ β2+ + βK = 1 và βkP = Pk là công suất
phân bổ cho người dùng thứ k
Tín hiệu thu được ở người dùng thứ k có thể được biểu diễn
như sau:
Yk = dk −α/2
trong đó, Yk là ma trận tín hiệu thu, dk là khoảng cách của
người dùng so với trạm gốc, α là hệ số suy hao đường truyền,
Hk là ma trận kênh truyền Rayleigh, thành phần kênh tuân
theo phân phối chuẩn với trung bình bằng 0 và phương sai
bằng 1, hij ∼ CN (0, 1) và Nk ∼ CN 0, σ2 là nhiễu Gauss
tác động lên người dùng thứ k, σ2 là phương sai nhiễu
Việc giải mã tín hiệu bằng SIC cần một quá trình liên tục,
gồm tái cấu trúc và loại bỏ tín hiệu Giả sử rằng công suất được
phân bổ cho các người dùng giảm dần (P1> P2> > PK)
Gọi lk
q là đầu ra ước tính của tín hiệu người dùng thứ q tại
máy thu người dùng thứ k Thông tin trạng thái kênh (CSI)
symbol điều chế của người dùng Ma trận trọng số của bộ giải
mã tín hiệu MMSE được thể hiện như sau:
˜
H1= (H1)HH1(H1)H+ σ1 I
−1
Đối với người dùng 2, đầu tiên thông tin của người dùng 1 cần được trừ và quy trình tương tự như trên:
l21
j= arg min
X 1
j ∈X
d2−α/2
˜
H1
j
−pP1Xj1
2
˜
H2= (H2)HH2(H2)H+ σ2 I
−1
Sau đó, tín hiệu này sẽ được trừ khỏi tín hiệu nhận được:
b
Y2= Y2
d2 −α/2 −pP1Sl2H2 (8) Giải mã tín hiệu người dùng 2:
l22
j= arg min
X 2
j ∈X
b
Y2
d2 −α/2H˜2
!
j
−pP2Xj2
2
Như quy trình đã đề cập ở trên, đối với người dùng thứ K, quá trình giải mã tín hiệu có thể được biểu diễn như sau:
b
dK−α/2 −pPKSlK
K−1HK, (10)
lKK
j = arg min
X K
j ∈X
b
YK
dK −α/2H˜K
!
j
−pPKXjK
2
(11)
Từ phương trình trên có thể thấy rằng kết quả cuối cùng được thể hiện dưới dạng sau:
lK = fk f2(Y2f1(Y1A + b1) + b2) + bk, (12) trong đó Yk là một ma trận không đổi tương ứng với H˜k
d k−α/2,
bk là một véc tơ không đổi tương ứng với√PkXk
j, fiđại diện
cho dạng của hàm phi tuyến tương ứng với hàm argmin.
B Ứng dụng của mô hình DNN trong hệ thống MIMO-NOMA
DNN là phiên bản “sâu” hơn của mạng nơ ron thần kinh, thường gồm ba lớp: input layer (lớp đầu vào), hidden layer (lớp ẩn), và output layer (lớp đầu ra) Input layer và output layer là các lớp đơn, trong khi đó hidden layer có thể mở rộng thành nhiều lớp tùy thuộc vào độ phức tạp của thuật toán Một
mô hình DNN được thể hiện như Hình 1 Tại mỗi node trong mạng sẽ diễn ra hai bước: tính tổng linear và áp dụng hàm kích hoạt Quy trình tại mỗi node có thể được biểu diễn như
Hình 2 Giả sử đầu ra của lớp thứ (n-1) là yn−1, ma trận trọng
Trang 3Hình 1 Mô hình DNN.
Hình 2 Quy trình xử lí dữ liệu tại mỗi node trong mạng.
số của lớp thứ n là wn, véc tơ độ lệch là bn, đầu ra của lớp
thứ n ký hiệu là yn được biểu diễn như sau:
yn = f (wn.yn−1+ bn) (13) Đối với mô hình có nhiều hidden layer, giả sử rằng độ lệch
b là 0, biểu thức truyền có thể được viết như sau:
yn= f (wnf (wn−1f · · · w2f (w1y0))) (14)
So sánh với phương trình (10) khi sử dụng phương pháp SIC
ta thấy có sự tương đồng, do đó DNN có khả năng thay thế
phương pháp SIC truyền thống trong hệ thống MIMO-NOMA
III MÔ PHỎNG HỆ THỐNG MIMO-NOMA-DNN
A Nguyên lý mô phỏng hệ thống MIMO-NOMA-DNN
Hệ thống MIMO-NOMA-DNN bao gồm ba khối thành
phần: khối huấn luyện, khối thử nghiệm và khối tách tín hiệu
DNN Cấu trúc của mô hình MIMO-NOMA-DNN được minh
họa trong hình 3 [10]
Khối huấn luyện (training) chịu trách nhiệm tạo ra tín hiệu
MIMO-NOMA và cung cấp nhãn cho khối DNN
Khối thử nghiệm (testing) tạo dữ liệu để kiểm tra khả năng
khôi phục tín hiệu của hệ thống
Khối DNN là khối tách tín hiệu chính để khôi phục tín hiệu
nhận được Trong khối này, phải thiết kế nhiều tham số, bao
gồm số lớp, hàm kích hoạt, hàm mất mát và thuật toán lặp tối
ưu các tham số của mô hình
Quá trình giải mã tín hiệu có thể được chia thành hai bước:
- Bước 1: Chế độ huấn luyện để giúp DNN tối ưu hóa các
tham số
- Bước 2: Chế độ kiểm tra để đánh giá chất lượng hệ thống
B Thiết kế khối DNN
Mô hình DNN thiết kế ở đây để giải mã tín hiệu
MIMO-NOMA bao gồm bảy lớp: một lớp đầu vào, một lớp đầu ra và
năm lớp ẩn Lớp đầu vào và lớp ẩn là các lớp mạng kết nối
đầy đủ (fully connected), trong khi các lớp đầu ra được chia
thành các nhóm để giải mã tín hiệu của nhiều anten trong một
khe thời gian
Hình 3 Cấu trúc của mô hình MIMO-NOMA-DNN.
Lớp đầu vào là nơi nhận tín hiệu MIMO-NOMA Giả sử rằng số lượng anten phát và thu của BS và UE lần lượt là M
và N Tín hiệu thu dưới dạng số phức được phân tách thành phần thực và phần ảo, vì vậy số lượng node của lớp đầu vào là 2N Hàm ReLU sẽ được sử dụng để kích hoạt các nơ ron sau hoạt động tuyến tính trong các lớp ẩn Lớp đầu ra DNN được
mã hóa one-hot cùng với hàm kích hoạt softmax Tuy nhiên, trong giải mã tín hiệu MIMO-NOMA, tín hiệu từ nhiều anten phải được giải mã trong một khe Vì vậy, lớp đầu ra được thiết
kế để tạo thành các nhóm Số lượng các nhóm bằng số lượng anten phát M và số lượng node trong mỗi nhóm bằng với số lượng mã hóa one-hot [10]
Lựa chọn hàm mất mát là hàm cross-entropy và thuật toán tối ưu là thuật toán Adam cho hệ thống MIMO-NOMA-DNN Hàm cross-entropy có tốc độ hội tụ nhanh và độ phức tạp thấp trong quá trình tối ưu hóa lặp Phương pháp Adam được dùng làm thuật toán tối ưu hóa vì có khả năng tự thích ứng với tốc
độ học tập và tối ưu mạnh mẽ
C Quy trình thực hiện mô phỏng
Giai đoạn 1: CHUẨN BỊ
Dữ liệu đầu vào mô hình mạng nơ ron là tín hiệu nhận được tại phía thu sau khi qua kênh truyền của hệ thống MIMO-NOMA Giai đoạn này sẽ thực hiện toàn bộ quá trình tạo dữ liệu truyền, truyền dữ liệu qua kênh truyền và tín hiệu thu tại người dùng Nhãn ở đây sẽ được mã hóa one-hot tương ứng với symbol truyền tạo ra Mã hóa one-hot biến đổi nhãn phân loại thành các véc tơ 0 và 1 Độ dài của các véc tơ này là số lượng các lớp hoặc đặc trưng mà mô hình dự kiến sẽ phân loại Đối với tín hiệu symbol truyền đi, cần tạo một ma trận
là toàn bộ các trường hợp có thể xảy ra trong quá trình truyền đi
Với nhãn, ma trận được tạo sẽ bao gồm các véc tơ one-hot được mã hóa tương ứng với các symbol truyền theo quy luật như bảng I Giả sử tín hiệu được điều biến theo kiểu BPSK,
Bảng I
M Ã HÓA VÉC TƠ ONE - HOT Symbol truyền Vecto one-hot
sau đó sử dụng kỹ thuật mã hóa xếp chồng SC (Supperposition Coding) để truyền thông tin đến nhiều người dùng đồng thời
từ một nguồn phát Tín hiệu sau khi qua kênh truyền Rayleigh
và nhiễu AWGN là dữ liệu đầu vào của mô hình mạng nơ ron
Giai đoạn 2: XÂY DỰNG
Trang 4hàm kích hoạt về trạng thái zero-mean với độ lệch chuẩn là
1, phương pháp này gọi là Batch Normalization
Lớp đầu ra của mô hình mạng nơ ron chính là giá trị dự
đoán (predicted) và sẽ được so sánh với nhãn – giá trị thật
tương ứng của symbol truyền Do đó, kích thước của dữ liệu
ở lớp đầu ra cuối cùng sẽ tương ứng với kích thước của nhãn
Hàm kích hoạt sử dụng ở lớp này là hàm softmax
Giai đoạn 3: HUẤN LUYỆN
Quá trình huấn luyện hay quá trình học các đặc điểm của
tập dữ liệu huấn luyện sẽ cho ra một bộ trọng số tối ưu nhất
của mô hình để với một tập dữ liệu mới là các symbol truyền
đi thì mô hình vẫn có thể giải mã tín hiệu ở phía thu một cách
chính xác
Giai đoạn 4: KIỂM TRA
Mục đích của giai đoạn này là để kiểm tra lại khả năng
giải mã tín hiệu của mô hình vừa được huấn luyện và tính lỗi
trong quá trình giải mã tín hiệu để vẽ đồ thị SER theo SNR
Lưu ý rằng, trong giai đoạn 3 và 4, tập dữ liệu huấn luyện
và dữ liệu kiểm tra được gửi qua cùng một kênh truyền, tức
là có hệ số kênh giống nhau trong cả hai giai đoạn Điều này
giúp đáp ứng với bộ thông số mô hình đã thiết lập và đảm
bảo tính chính xác của hệ thống
IV KẾT QUẢ MÔ PHỎNG
A Đánh giá chất lượng hệ thống giữa phương pháp SIC và
Học sâu
Bài báo tập trung xem xét vào trường hợp hệ thống có hai
người dùng Một kênh truyền MIMO 4 × 4 với phân phối
Rayleigh sẽ được xem xét trong trường hợp này Tổng công
suất phát cho một ăng ten là 1W Người dùng 1 được phân bổ
80% công suất, người dùng 2 phân bổ 20% công suất Tổng
số mẫu huấn luyện là 8000 mẫu
Số lượng node của lớp đầu vào trong một khe là 8 và dữ
liệu đầu vào được đưa đến khối DNN dưới dạng véc tơ cột
Tất cả các nhãn được sử dụng trong huấn luyện được giám sát
đều được mã hóa one-hot Các tham số chính được tóm tắt
trong Bảng II
Hình 4 trình bày tỉ lệ lỗi symbol (SER) theo SNR để so
sánh chất lượng hệ thống MIMO-NOMA-DNN với hệ thống
MIMO-NOMA-SIC
Có thể thấy, chất lượng hệ thống sử dụng phương pháp học
sâu để giải mã tín hiệu cho kết quả tốt hơn nhiều so với hệ
thống sử dụng phương pháp SIC truyền thống Khi so sánh
chất lượng của người dùng 2 trong hai hệ thống với mức BER
lần lượt là 10−3 và 10−4, thì người dùng 2 trong hệ thống
MIMO-NOMA-DNN luôn cho SNR tốt hơn 11 dB
Số lượng mẫu huấn luyện 8000 Tổng công suất truyền trên anten 1W
Hệ số phân bổ công suất 0.8
Hình 4 So sánh chất lượng hệ thống MIMO-NOMA-DNN và hệ thống MIMO-NOMA-SIC.
B Đánh giá chất lượng hệ thống khi sử dụng các phương pháp điều chế khác nhau
Ở đây, bài báo đã mô phỏng tình huống cả hai người dùng
sử dụng điều chế BPSK hoặc QPSK Xét rằng việc giải mã tín hiệu người dùng 2 đòi hỏi tín hiệu người dùng 1 phải được giải mã trước theo phương pháp SIC, ở đây chỉ xem xét phát hiện tín hiệu người dùng 2 trong phương pháp học sâu do độ phức tạp của nó cao hơn
Hình 5 mô tả chất lượng của hệ thống MIMO-NOMA-DNN
và MIMO-NOMA-SIC trong các trường hợp sử dụng loại điều chế khác nhau Rõ ràng, giải mã tín hiệu MIMO-NOMA sử dụng học sâu luôn cho chất lượng hệ thống tốt hơn rất nhiều cho dù là ở trường hợp sử dụng điều chế BPSK hay QPSK Những kết quả này cho thấy cả hai đặc điểm của kênh MIMO với kênh Rayleigh fading và giải điều chế tín hiệu với NOMA
có thể được học qua mô hình DNN
C Ảnh hưởng của tỉ lệ phân bổ công suất
Hình 6 thể hiện chất lượng của hệ thống MIMO-NOMA-DNN và MIMO-NOMA-SIC với điều chế BPSK trong trường hợp sử dụng các hệ số phân bổ công suất khác nhau tại phía phát như (0.9, 0.1), (0.8, 0.2), (0.7, 0.3) và (0.6, 0.4) Có thể thấy, hệ thống MIMO-NOMA-DNN đạt được chất lượng tốt hơn (khoảng chênh lệch SNR là hơn 10 dB) so với hệ thống
Trang 5Hình 5 So sánh chất lượng của hệ thống NOMA-DNN và
MIMO-NOMA- SIC trong các trường hợp sử dụng loại điều chế khác nhau.
Hình 6 So sánh chất lượng hệ thống DNN và
MIMO-NOMA-SIC trong trường hợp sử dụng các hệ số phân bổ công suất khác nhau.
sử dụng phương pháp SIC trong mọi trường hợp phân bổ công
suất Với hệ số phân bổ công suất là 0.8, nhận thấy rằng chất
lượng hệ thống thu được ở đây là tốt nhất
D Ảnh hưởng của một số thông số của DNN
Thay đổi thông số learning rate
Việc chọn learning rate tối ưu cho mô hình thật sự là một
điều quan trọng Nếu learning rate có giá trị quá nhỏ sẽ dẫn
đến quá trình huấn luyện mô hình gặp khó khăn, thuật toán
Gradient Descend sẽ mất rất nhiều thời gian để đi đến cực
tiểu Trong khi giá trị quá lớn có thể dẫn đến việc bộ trọng số
tối ưu quá nhanh hay quá trình huấn luyện không ổn định Bài
báo đã tiến hành thay đổi các giá trị learning rate với bước thay
đổi là 10−1trong khoảng từ 10−7đến 1 Hình 7 biểu diễn chất
lượng hệ thống MIMO-NOMA-DNN khi sử dụng những giá
trị learning rate khác nhau Với các giá trị learning rate nằm
trong khoảng từ 10−4 đến 1, hệ thống MIMO-NOMA-DNN
vẫn cho chất lượng tốt Với các giá trị learning rate nằm trong
khoảng từ 10−7đến 10−5, hệ thống MIMO-NOMA-DNN cho
chất lượng tồi hơn nhiều so với các trường hợp trên Nếu giá
trị learning rate quá nhỏ, việc huấn luyện mô hình có thể bị
thất bại, dẫn đến mô hình không cập nhật được bộ trọng số
tối ưu nhất
Thay đổi các thuật toán tối ưu trọng số
Hình 7 Chất lượng hệ thống MIMO-NOMA-DNN với những giá trị learning rate khác nhau.
Hình 8 Chất lượng của hệ thống MIMO-NOMA-DNN trong trường hợp sử dụng các thuật toán tối ưu khác nhau.
Các thuật toán tối ưu có nhiệm vụ tính toán gradient của hàm mất mát và cập nhật các tham số của mô hình sao cho tối
ưu nhất Các thuật toán tối ưu thường sử dụng như thuật toán SGD, SGD với Momentum, RMSProp, và thuật toán Adam Hình 8 biểu diễn chất lượng của hệ thống MIMO-NOMA-DNN trong trường hợp sử dụng các loại thuật toán tối ưu khác nhau với learning rate được chọn là 10−4 Khi sử dụng thuật toán Adam, dữ liệu tại người dùng 2 khi sử dụng hệ thống MIMO-NOMA-DNN được giải mã tốt nhất trong các trường hợp Các trường hợp còn lại khi sử dụng thuật toán RMSProp, SGD momentum cho kết quả chất lượng của hệ thống tệ hơn Trong trường hợp sử dụng thuật toán SGD, chất lượng của hệ thống rất tệ, người dùng 2 khi sử dụng hệ thống MIMO-NOMA-DNN thì không giải mã được tín hiệu Nguyên nhân là do learning rate là 10−4 khá nhỏ trong trường hợp sử dụng thuật toán SGD làm cho mô hình mất rất nhiều bước để
có thể đến điểm tối ưu nhất của tham số
Thay đổi số lượng lớp ẩn và số node trong lớp ẩn của
mô hình mạng nơ ron
Việc thay đổi số lượng lớp ẩn và số node trong lớp ẩn cũng ảnh hưởng rất nhiều đến chất lượng của hệ thống Hình 9 biểu diễn chất lượng của hệ thống MIMO-NOMA-DNN trong các trường hợp mô hình mạng nơ ron được thiết kế với số lượng
Trang 6Lựa chọn số lượng node của lớp ẩn bằng cách lấy tỉ lệ so
với số lượng node của lớp đầu vào và đầu ra giúp cho việc
mô phỏng hệ thống có tính định hướng hơn Ý tưởng là chia
thành ba trường hợp có thể xảy ra trong quá trình lựa chọn
số node của lớp ẩn là ít hơn, nhiều hơn và bằng với số node
của lớp đầu vào, đầu ra Tỉ lệ được chọn thường là 1/2, 1/3,
2, 3, Sau đó, đánh giá chất lượng mô hình với số lượng
node của lớp ẩn đã chọn Việc cần làm bây giờ là lựa chọn
các giá trị trong trường hợp mô hình cho chất lượng tốt hơn
Bằng phương pháp này, quá trình lựa chọn số lượng node của
lớp ẩn đã được rút ngắn và có định hướng rõ ràng hơn trong
việc lựa chọn một giá trị cụ thể để thiết kế mô hình mạng nơ
ron
V KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Việc áp dụng học sâu DNN trong các hệ thống truyền thông
MIMO-NOMA là một cách tiếp cận đầy hứa hẹn để giải quyết
những thiếu sót của phương pháp SIC Bài báo này đã xây
dựng thành công hệ thống giải mã tín hiệu
MIMO-NOMA-DNN để thực hiện phục hồi tín hiệu Hệ thống này có thể
đồng thời hoàn thành các quá trình ước tính kênh và giải mã
tín hiệu MIMO-NOMA Trong tương lai, bài báo này có thể
được nghiên cứu thêm các cách tiếp cận các vấn đề giải mã
các loại tín hiệu NOMA khác, chẳng hạn như đa truy nhập
mã thưa (SCMA), truy cập chia sẻ nhiều người dùng (MUSA)
và đa truy nhập phân chia mẫu (PDMA) Mở rộng đánh giá
chất lượng hệ thống trong các tình huống kênh khác nhau và
tình huống nhiều người dùng hơn Xem xét đến tình huống
mà CSI ước tính bị lệch so với thực tế ảnh hưởng như thế nào
đến chất lượng của hệ thống MIMO-NOMA-DNN
LỜI CẢM ƠN Nghiên cứu được tài trợ bởi Trường Đại học Khoa học Tự
nhiên, ĐHQG-HCM trong khuôn khổ Đề tài mã số T2021-30
TÀI LIỆU THAM KHẢO
[1] Higuchi, K.; Benjebbour, A Non-Orthogonal Multiple Access (NOMA)
with Successive Interference Cancellation for Future Radio Access.
IEICE Trans Commun 2015, 98, 403–414
[2] TM Cover, Broadcast channels IEEE Trans Inf Theory 18(1), 2–14
(1972)
[3] E Nachmani, Y Be’ery, and D Burshtein, "Learning to decode linear
codes using Deep Learning," in 2016 54th Annual Allerton Conference
on Communication, Control, and Computing (Allerton), 2016, pp
341-346.
[4] T Gruber, S Cammerer, J Hoydis, and S t Brink, "On Deep
Learning-based channel decoding," in 2017 51st Annual Conference on
Informa-tion Sciences and Systems (CISS), 2017, pp 1-6.
[5] X Wang, L Gao, S Mao, and S Pandey, "CSI-Based Fingerprinting for
Indoor Localization: A Deep Learning Approach," IEEE Transactions on
Vehicular Technology, vol 66, no 1, pp 763-776, 2017.
[6] S Chen, G J Gibson, C F N Cowan, and P M Grant, "Adaptive
equalization of finite non-linear channels using multilayer perceptrons,"
Signal Processing, vol 20, no 2, pp 107-119, 1990.
(a)
(b)
(c) Hình 9 Chất lượng hệ thống MIMO-NOMA-DNN trong trường hợp sử dụng
số lượng số lớp ẩn khác nhau và số node của lớp ẩn là (a) 16 node (b) 8 node (c) 4 node
[7] H Ye, G Y Li, and B Juang, "Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems," IEEE Wireless Communications Letters, vol 7, no 1, pp 114-117, 2018.
[8] Y Xu, D Li, Z Wang, Q Guo, and W Xiang, "A Deep Learning method based on convolutional neural network for automatic modulation classification of wireless signals," Wireless Networks, vol 25, no 7, pp 3735-3746, 2019/10/01 2019.
[9] G Aceto, D Ciuonzo, A Montieri, and A Pescapé, "Mobile Encrypted Traffic Classification Using Deep Learning: Experimental Evaluation, Lessons Learned, and Challenges," IEEE Transactions on Network and Service Management, vol 16, no 2, pp 445-458, 2019.
[10] Lin Chuan, Qing Chang, Xianxu Li, "A deep learning approach for MIMO-NOMA downlink signal detection", Sensors 19, no.11, 2019.
...dựng thành công hệ thống giải mã tín hiệu
MIMO-NOMA- DNN để thực phục hồi tín hiệu Hệ thống
đồng thời hồn thành q trình ước tính kênh giải mã
tín hiệu MIMO-NOMA Trong tương lai,...
Hình mơ tả chất lượng hệ thống MIMO-NOMA- DNN
và MIMO-NOMA- SIC trường hợp sử dụng loại điều chế khác Rõ ràng, giải mã tín hiệu MIMO-NOMA sử dụng học sâu ln cho chất lượng hệ thống. .. MIMO-NOMA- DNN với hệ thống
MIMO-NOMA- SIC
Có thể thấy, chất lượng hệ thống sử dụng phương pháp học
sâu để giải mã tín hiệu cho kết tốt nhiều so với hệ
thống sử dụng phương
