ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA —————– NGUYỄN HỮU SỰ ĐÁNH GIÁ HIỆU NĂNG CỦA MẠNG VÔ TUYẾN NHẬN THỨC NOMA SỬ DỤNG HỌC SÂU EVALUATING THE PERFORMANCE OF COGNITIVE NOMA NETWORKS USING DEEP LEARNING Chuyên ngành : KỸ THUẬT VIỄN THÔNG Mã số chuyên ngành : 60.52.02.08 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 08 năm 2021 LỜI CẢM ƠN Đầu tiên, xin gửi lời cảm ơn chân thành đến thầy hướng dẫn luận văn PGS.TS Hồ Văn Khương Trong trình thực luận văn, thầy người nhiệt tình hỗ trợ, dẫn giúp củng cố kiến thức đồng thời vấn đề cốt lõi giúp tơi có định hướng đắn để hoàn thành luận văn Tiếp đến, xin gửi lời cảm ơn đến thầy cô dạy trường Đại Học Bách Khoa Tp.HCM đặc biệt thầy cô Bộ Môn Viễn Thông giúp xây dựng kiến thức tảng, sở để thực luận văn Cuối xin gửi lời cảm ơn đến gia đình, bạn bè, đồng nghiệp giúp đỡ, quan tâm, động viên để tơi có điều kiện thuận lợi để thực luận văn Xin chân thành cảm ơn! Hồ Chí Minh, ngày 18 tháng 08 năm 2021 Học viên thực Nguyễn Hữu Sự ii TÓM TẮT Trong năm gần đây, phát triển mạnh mẽ truyền thông di động hệ 5G phổ biến rộng rãi thiết bị thông minh phục vụ cho hệ thống Internet-of-Thing (IoT) cho phép triển khai nhiều ứng dụng rộng rãi chẳng hạn như: Nhà thông minh, thiết bị di động đa luồng, thiết bị thơng minh có khả tự kết nối thành mạng lưới, điều khiển tự động truyền liệu với tốc độ cực cao, độ trễ thấp Tuy nhiên, để đáp ứng yêu cầu đặt này, vấn đề cấp thiết hệ thống viễn thông vô tuyến vấn đề cạn kiệt phổ tần số Để khắc phục vấn đề cải thiện hiệu suất phổ tần sử dụng, vài phương pháp đề xuất như: tái sử dụng tần số, ứng dụng mạng đa truy cập trực giao sóng mang, mạng vô tuyến nhận thức, gần công nghệ đa truy cập không trực giao (NOMA) Đây hướng nghiên cứu quan tâm nhiều nhà khoa học tổ chức khoa học thời gian gần Mặt khác với phát triển đa chiều từ thiết bị di động đến thiết bị phục vụ cho ứng dụng IoT (camera, cảm biến thu thập liệu, hệ thống điều khiển tự động, ), dẫn đến nhu cầu triển khai hệ thống song song tồn tốn vơ nan giải, việc ứng dụng mạng vô tuyến nhận thức giải nâng hiệu sử dụng phổ tần số giải pháp hoàn toàn phù hợp ứng dụng triển khai thực tế Ưu điểm hệ thống vơ tuyến nhận thức cho phép mạng thứ cấp hoạt động song song tồn với mạng sơ cấp (hệ thống sử dụng phổ tần cấp phép) phổ tần số, mạng thứ cấp điều chỉnh mức phát công suất phát ngưỡng cố định để đảm bảo khơng can nhiễu đến mạng sơ cấp Đó lý việc chọn đề tài luận văn Luận văn tập trung nghiên cứu mô hình mạng vơ tuyến nhận thức kết hợp với NOMA phục vụ người dùng Trong mơ hình đề xuất, học viên phân tích hiệu mơ hình với mơ hình truyền hợp tác thơng thường sử dụng kỹ thuật phân chia theo thời gian Bên cạnh đó, để cụ thể hóa tính chất xu hướng hoạt động, biểu thức tính xác suất dừng hệ thống tính tốn dạng biểu thức xác Ngồi ra, để có tính ứng dụng cho hệ thống thực tế, học viên đề xuất giải pháp ứng dụng mạng học sâu DNN việc dự đoán xác suất dừng Ứng dụng sở để hệ thống ước lượng tham chiếu trình thiết lập thông số truyền tin Cuối cùng, luận văn thực mô với số liệu cụ thể để kiểm chứng đánh giá hiệu mô hình hệ thống xây dựng iii ABSTRACT In recent years, the strong development of 5G new-generation mobile communications and the widespread popularity of smart devices for Internet-of-Thing (IoT) systems have allowed the Deploy a wide range of applications such as: Smart home, multi-threaded mobile devices, smart devices capable of self-connecting into a network, automatic control and data transmission with ultra-high-speed, low latency However, in order to meet these requirements, one of the most urgent problems of radio telecommunications systems today is the problem of frequency spectrum depletion To overcome this problem and improve spectrum efficiency, several methods have been proposed such as frequency reuse, carrier orthogonal multiple access network application, cognitive radio network, and the most recent is non-orthogonal multiple access (NOMA) technology This is also a research direction that has been interested in many scientists and scientific organizations in recent times On the other hand, with the multi-dimensional development of mobile devices and devices for IoT applications (cameras, data collection sensors, automatic control systems, ), leading to the need to deploy parallel systems that coexist is an extremely difficult problem, so the application of cognitive radio networks in solving and improving the efficiency of frequency spectrum usage is a solution that is perfectly suitable in real deployed applications The main advantage of the cognitive radio system is that it allows the secondary network to operate in parallel and co-exist with the primary network (the system using the licensed spectrum) on the same frequency spectrum, in which the secondary network will adjust the transmit power level below a fixed threshold to ensure no interference to the primary network Those are the reasons for choosing this thesis topic This thesis focuses on researching a model of cognitive radio network system combining with NOMA serving users In the proposed model, student will analyze the performance of this model with conventional cooperative transmission model using time division technique Besides, in order to be more specific about the properties and operating trends, the expression for calculating the outage probability of the system is calculated as an exact expression In addition, for more applicability to real systems, student also proposed a solution to apply deep learning network DNN in predicting the outage probability, this application will be the basis for the system to estimate and refer to in the process of setting transmission parameters Finally, the thesis performs simulations with specific data to verify and evaluate the performance of the built system model iv LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi, PGS.TS Hồ Văn Khương hướng dẫn Các lý thuyết, thông số trình bày luận văn trích dẫn từ tài liệu khoa học công bố tổ chức uy tín Các kết mơ trình bày luận văn kết trung thực tơi thực Hồ Chí Minh, ngày 18 tháng năm 2021 Nguyễn Hữu Sự v Mục lục CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Lý chọn đề tài 1.2 Mục tiêu nghiên cứu 1.3 Các nghiên cứu liên quan 1.4 Đối tượng pham vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.6 Bố cục luận văn CHƯƠNG LÝ THUYẾT TỔNG QUAN 2.1 2.2 2.3 2.4 Kỹ thuật đa truy cập không trực giao (NOMA) 2.1.1 Giới thiệu 2.1.2 Mô tả hoạt động 2.1.3 Khử can nhiễu (SIC) 2.1.4 Lợi ích kỹ thuật NOMA Vô tuyến nhận thức (CR) 2.2.1 Khái niệm 2.2.2 Kiến trúc vật lý vô tuyến nhận thức 2.2.3 Chức vô tuyến nhận thức 11 2.2.4 Mơ hình mạng vơ tuyến nhận thức 12 2.2.5 Cấu trúc mạng vô tuyến nhận thức 13 Các kỹ thuật chuyển tiếp 14 2.3.1 Giới thiệu 14 2.3.2 Kỹ thuật NOMA hợp tác DF 15 Mạng học sâu DNN 16 2.4.1 Tổng quan máy học 16 2.4.2 Cấu trúc mạng học sâu DNN 16 2.4.3 Phân loại mạng neuron nhân tạo 17 CHƯƠNG PHÂN TÍCH VÀ ĐÁNH GIÁ HIỆU NĂNG CỦA MẠNG VÔ TUYẾN NHẬN THỨC NOMA NGƯỜI DÙNG 3.1 18 Mơ hình hệ thống vi 18 MỤC LỤC 3.2 3.1.1 Mô tả hoạt động mơ hình đề xuất 18 3.1.2 Khe truyền thứ 19 3.1.3 Khe truyền thứ hai 20 Phân tích hiệu hệ thống 20 3.2.1 Xác suất dừng theo kiện 1: Tại nút chuyển tiếp 21 3.2.2 Xác suất dừng theo kiện 2: Tại người dùng thứ cấp 23 3.2.3 Tổng kết xác suất dừng 26 3.2.4 Xác suất dừng tiệm cận 26 CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ 29 4.1 Mô Monte-Carlo 29 4.2 Kết đạt 29 4.3 Dự đoán phương pháp học sâu 33 4.3.1 Mơ hình dự đốn xác suất dừng DNN 33 4.3.2 Mơ hình học tập 34 4.3.3 Kết dự đoán xác suất dừng phương pháp DNN 35 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 37 5.1 Kết luận 37 5.2 Hướng phát triển đề tài 37 TÀI LIỆU THAM KHẢO 41 vii HVTH: Nguyễn Hữu Sự DANH MỤC CÁC TỪ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt AF Amplify-and-Forward Khuếch đại chuyển tiếp BER Bit Error Rate Tỷ lệ lỗi bit BLER Block Error Rate Tỷ lệ lỗi khối CR Cognitive Radio Vô tuyến nhận thức D2D Device-to-Device Thiết bị đến Thiết bị DF Decode-and-Forward Giải mã chuyển tiếp DNN Deep Neural Network Mạng nơron sâu FDMA Frequency Division Multiple Access Đa truy nhập phân chia theo tần số IoT Internet of Things Internet vạn vật MIMO Multiple-Input Multiple-Output Đa đầu vào đa đầu MISO Multiple-Input Single-Output Đa đầu vào đơn đầu NOMA Non-Orthogonal Multiple Access Đa truy cập không trực giao OFDM Orthogonal Frequency Division Multiplexing Đa truy nhập theo tần số trực giao OMA Orthogonal Multiple Access Đa truy cập trực giao OP Outage Probability Xác suất dừng RF Radio Frequency Tần số vô tuyến SC Superposition Coding Mã hóa xếp chồng SIC Successive Interference Cancellation Khử can nhiễu TDMA Time Division Multiple Access Đa truy nhập phân chia theo thời gian SNR Signal to Noise Ratio Tỷ số tín hiệu nhiễu SINR Signal to Interference Plus Noise Ratio Tỷ số tín hiệu can nhiễu cộng nhiễu viii CHƯƠNG PHÂN TÍCH VÀ ĐÁNH GIÁ HIỆU NĂNG CỦA MẠNG VÔ TUYẾN NHẬN THỨC NOMA NGƯỜI DÙNG • Tổng kết xác suất dừng tiệm cận Xác suất dừng tiệm cận gần tồn trình cho người dùng xa tính sau: Asym(near) OPD2 = − Q1 + Q1 [1 − Q3 ] (3.34) Xác suất dừng tiệm cận gần tồn trình cho người dùng gần tính sau: Asym(near) OPD1 = − Q1 + Q1 [1 − Q5 ] (3.35) Xác suất dừng tiệm cận xa tồn trình cho người dùng xa tính sau: Asym(f ar) OPD2 = − Q2 + Q2 [1 − Q4 ] (3.36) Xác suất dừng tiệm cận xa toàn trình cho người dùng gần tính sau: Asym(f ar) OPD1 = − Q2 + Q2 [1 − Q6 ] 28 (3.37) HVTH: Nguyễn Hữu Sự CHƯƠNG MƠ PHỎNG VÀ KẾT QUẢ 4.1 Mơ Monte-Carlo Trong Chương 4, kết mô thực phần mềm Matlab, sử dụng phương pháp Monte – Carlo để kiểm chứng kết phân tích Chương Ngồi chương trình bày kết sử dụng DNN trình huấn luyện (sử dụng 80% tập liệu) thử nghiệm (sử dụng 20% cịn lại) Q trình huấn luyện thử nghiệm thực dự tensoflow phiên 2.1.0 với Python 3.7.9 kết hợp Keras 2.3.1 4.2 Kết đạt Phần sử dụng kí hiệu: hình vng, vịng trịn, hình tam giác để mơ tả cho phương pháp mô Monte-Cartlo, đường nét liền biểu thị cho kết phân tích lý thuyết, đường nét đứt đường chấm tròn biểu thị cho kết tiệm cận gần xa tương ứng Ngoài ra, số ký hiệu đặc trưng cho hệ thống định nghĩa sau: SNR tỷ số tính hiệu nhiễu có đơn vị chuẩn dB, OPDi , i ∈ {1, 2}, xác suất dừng người dùng Di , Ri tốc độ truyền liệu cho phép người dùng Di , αi hệ số phân bổ công suất tương ứng cho người dùng Di , N biểu thị cho số lượng người dùng mạng thứ cấp, β hệ số ước lượng kênh truyền lỗi máy phát thứ cấp đến người dùng mạng thứ cấp, Ith công suất phát hạn mức tối đa cho phép mạng sơ cấp, PT công suất phát máy phát thứ cấp Trước tiên, xem xét ảnh hưởng SNR đến xác suất dừng mơ hình truyền thơng hợp tác NOMA so sánh với mơ hình OMA thông thường (sử dụng nhiều khe thời gian truyền) với mức cơng suất phân phối cho tín hiệu tương ứng αi Xem xét mặt tài nguyên khe thời gian, mơ hình OMA tiêu tốn tổng cộng khe thời gian để truyền hết tất liệu người dùng Di hệ thống NOMA cần đáp ứng khe thời gian Do đó, liệu cần sử dụng cho mạng OMA gấp đôi so với mạng NOMA Kế tiếp, xem xét số liệu hệ thống sau: Khoảng cách từ S → R 25 mét, khoảng cách từ R → D1 mét, khoảng cách từ R → D2 30 mét, khoảng cách từ S → PR 40 mét, khoảng cách từ R → PR 50 mét, khoảng cách từ PT → R 50 mét, khoảng cách từ PT → D1 40 mét, khoảng cách từ PT → D2 45 mét, số lượng nguời dùng mạng sơ cấp L 5, công suất hạn mức Ith 30 dBm, công suất phát máy phát PT 10 dBm Các tham số quan trọng chính: α1 = 0.2, α2 = 0.8, β = 0.8, R1 = 1, R2 = 0.5, băng thông sử dụng MHz, mật độ nhiễu máy thu −90 dBm/Hz, tần số sóng mang sử dụng 2.4 GHz, phương sai nhiễu Gausian σ = 1, công suất phát relay PR = 0.8PS Để mơ tả xác mơi trường thực tế, áp dụng mơ hình suy hao khơng gian tự (path-loss) với kênh truyền Rayeligh fading sau: ΩXY = Ld−θ XY , dXY khoảng cách vật lý nút X nút Y , θ hệ số suy hao đường truyền Trong hình 4.1, ta thấy kết mơ lý thuyết mơ hình NOMA hợp tác cho hai người 29 CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ 10 10 -1 10 -2 dB 10 -3 10 20 30 40 50 60 Hình 4.1: Xác suất dừng người dùng hệ thống NOMA so với OMA với ρS = 10 : : 60 dB dùng D1 D2 hoàn toàn trùng khớp Ngoài ra, thấy hiệu suất người dùng D1 sử dụng cơng nghệ NOMA hồn tồn vượt trộ so với mơ hình OMA (5dB 10−1 ), hiệu suất người dùng D2 có giảm không đáng kể với miền SNR thấp trung bình (khoảng 1dB) Mặc dù miền SNR D2 cao có giá trị xác suất dừng với mơ hình OMA cao so với mơ hình NOMA, nhiên xét phương diện thực tế điều khơng phù hợp cho hệ thống vô tuyến nhận thức Bởi vì, hệ thống OMA tiêu tốn nhiều tài nguyên để truyền tín hiệu cho người dùng D2 mức nhiễu cố định σ Xét tổng thể, NOMA mang lại hiệu tốt nhiều so với hệ thống OMA mặt tài nguyên thời gian hiệu xuất Ngoài ra, quan sát thấy phân tích tiệm cận gần xa hồn tồn sử dụng thay cho phân tích xác lý thuyết để khảo sát hệ thống Bằng chứng cách vẽ hai đường tiệm cận này, quan sát xu hướng xác suất dừng người dùng D1 D2 bị giới hạn đường tiệm cận gần vùng SNR cao tiệm cận xa cho vùng SNR thấp Hình 4.1 cho thấy hai mơ hình NOMA OMA có độ lợi phân tập giống vùng SNR cao Tiếp theo tiến hành khảo sát hiệu (OP) hai người dùng D1 D2 số lượng người dùng sơ cấp thay đổi hình 4.2 Theo kết mơ phân tích, quan sát thấy hiệu người dùng D1 D2 giảm số lượng người dùng mạng sơ cấp tăng lên từ L = 2, 4, 8, 10, tức OP tăng lên, tỷ số cơng suất tín hiệu nhiễu lớn 45 dB Điều minh chứng hệ thống thứ cấp hoạt động tốt vùng thấp trung bình SNR mà khơng chịu tác động số lượng người dùng sơ cấp 30 HVTH: Nguyễn Hữu Sự CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ 10 10 10 -1 10 -1 10 -2 10 -2 10 20 30 40 50 60 10 20 30 40 50 60 Hình 4.2: Xác suất dừng người dùng D1 D2 L tăng với ρS = 10 : : 60 dB 100 80 60 50 40 30 20 10 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Hình 4.3: Hiệu suất suy hao người dùng D1 D2 với sai số ước lượng kênh truyền nhiễu β ρS = 50 dB Hình 4.3 trình bày hiệu suất suy hao người dùng thứ cấp D1 D2 thông qua ước lượng kênh truyền nhiễu máy phát hệ thống thứ cấp tới người dùng sơ cấp Phương trình biểu diễn hiệu suất suy hao 31 HVTH: Nguyễn Hữu Sự CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ người dùng thứ cấp biểu diễn sau Loss OPD = i pCSI iCSI − OPD OPD i i pCSI OPD i (4.1) × 100%, pCSI iCSI xác suất dừng với ước lượng kênh truyền hoàn hảo (β = 1) OPD xác suất dừng với OPD i i ước lượng kênh truyền khơng hoàn hảo (0 ≤ β < 1) Như quan sát hình 4.3, hiệu suất suy hao tăng sai số lước lượng kênh truyền lớn (tức β = 0) Ngược lại, sai số ước lượng nhỏ (β = 1), hiệu suất suy hao giảm đáng kể Ngoài ra, hiệu suất suy hao người dùng thứ cấp tăng số lượng người dùng thứ cấp tăng 10 10 -1 10 -2 10 -3 0.1 0.2 0.3 0.4 0.5 Hình 4.4: Xác suất dừng người dùng D1 D2 hệ số phân bổ cơng suất α1 thay đổi Hình 4.4 trình bày xác suất dừng người dùng thứ cấp D1 D2 hệ số phân bổ công suất α1 thay đổi Như quan sát, thấy xác xuất dừng người dùng thứ cấp giảm α1 tăng từ đến 0.4 sau tăng trở lại Điều chứng tỏ có tồn điểm phân phối công suất tối ưu cho người dùng D1 người dùng D2 Hình 4.5 trình bày xác suất dừng người dùng thứ cấp D1 D2 tốc độ liệu R1 R2 thay đổi Như quan sát, thấy xác xuất dừng người dùng thứ cấp giảm R1 R2 giảm dần giá trị Lý dẫn đến xác suất dừng giảm ngưỡng dừng hệ thống bé so với tỷ số tín hiệu nhiễu nhận cho giải mã tín hiệu x2 x1 máy thu (R, D1 D2 ) 32 HVTH: Nguyễn Hữu Sự CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ Hình 4.5: Xác suất dừng người dùng D1 D2 tốc độ hai người tương ứng thay đổi R1 R2 4.3 Dự đoán phương pháp học sâu 4.3.1 Mơ hình dự đốn xác suất dừng DNN Luận văn thiết kế mơ hình DNN toán hồi quy để đánh giá giá trị xác suất dừng Mơ hình DNN bao gồm lớp đầu vào, nhiều lớp ẩn lớp đầu ra, Hình 4.6 L p đ u vào L p n L p đ u Hình 4.6: Mơ hình DNN Xét mơ hình với giả sử tọa độ trạm phát thứ cấp (0,0), tọa độ nút chuyển tiếp (25,0), tọa độ máy phát sơ cấp (100,0), tọa độ máy thu sơ cấp (30,40), tọa độ người dùng D1 (30,30), tọa độ người dùng D2 (80,5), hệ số phân bổ công suất α1 = 0.2, hệ số ước lượng β = 0.6, số lượng máy thu sơ cấp L = 5, giá trị ngưỡng cho phép ρth = 20, 30 dB sử dụng làm biến đầu vào mơ hình DNN Dựa kết 33 HVTH: Nguyễn Hữu Sự CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ phân tích biểu thức (3.30) biếu thức (3.31), tập liệu tạo với 500.000 mẫu, 80% dành cho q trình huấn luyện 20% phần lại dùng để thử nghiệm Quan sát mặt số học số lượng mẫu phù hợp để thu dự đốn xác cao hầu hết trường hợp Bảng 4.1 mơ tả thơng số sử dụng phương pháp dự đoán xác suất dừng áp dụng mạng học sâu DNN Inputs Values Inputs Values Inputs Values ρS [10, 60] L [0, 10] x D2 [30, 50] ρth [5, 20] β [0, 1] yD [0, 20] α1 [10, 60] xP R [0, 30] x D2 [40, 80] [0, 50] yD [0, 20] - - yP R Bảng 4.1: Thông số đầu vào liệu cho trình huấn luyện thử nghiệm DNN 4.3.2 Mơ hình học tập Hàm kích hoạt đơn vị tuyến tính hàm mũ (ELU) sử dụng cho lớp ẩn để thực việc tạo ngưỡng cho phần tử đầu vào z, giá trị nhỏ làm trịn thành 0, theo cơng thức sau:   ϕ(exp(z) − 1), z < 0, ELU (z) = (4.2)  z, z ≥ 0, ϕ giá trị khơng đổi khởi tạo So với hàm kích hoạt Sigmoid Tanh, hàm kích hoạt ELU mang lại lợi ích đáng kể hơn, chẳng hạn tính tốn đơn giản tối ưu hóa dễ dàng hơn, đặc tính gần tuyến tính nó, ELU tránh vấn đề Gradient hàm số bị bốc (Vanishing Gradients), hay nói cách khác đạo hàm nhỏ, gần [29] Ở không áp dụng hàm kích hoạt lớp đầu tốn hồi quy dự đoán trực tiếp giá trị số mà không cần biến đổi Xem xét lớp mơ hình kết nối đầy đủ, hàm kích hoạt uij nơron thứ j lớp thứ i kết nối với hàm kích hoạt lớp thứ (i - 1) biểu thức sau:   Ti−1 uij = ELU  g=1 i wjg ui−1 + cij  , g (4.3) i Ti−1 số lượng tế bào thần kinh lớp thứ (i - 1), wjg trọng số kết nối với nơ-ron thứ g lớp (i - 1) cij hệ số bias lớp thứ i Để đánh giá mức độ xác phương pháp đề xuất, thực đo đạc sai số lỗi trung bình bình phương gốc (Root mean-square error - RMSE) sau: RMSE = M M m=1 ˆ (m) , OP (m) − OP (4.4) OP (m) giá trị xác suất dừng tính tốn lý thuyết, OP (m) giá trị dự đoán phương pháp DNN, M số lần lấy mẫu dự đoán 34 HVTH: Nguyễn Hữu Sự CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ 4.3.3 Kết dự đoán xác suất dừng phương pháp DNN Quá trình huấn luyện thử nghiệm sử dụng DNN để dự đoán xác suất dừng thực dự tensoflow phiên 2.1.0 với Python 3.7.9 kết hợp Keras 2.3.1 Cơng cụ hỗ trợ tối ưu hóa độ xác Adam optimize thực thi với 70 epochs lớp ẩn máy tính AMD Ryzen Threadripper 3970X 32-core processor and Nvidia GeForce RTX-2070 super GPU Hình 4.71 trình bày kết huấn luyện (sử dụng 80% tập liệu - tạo dựa kết phân tích biểu thức (3.30) (3.31), trường hợp hệ thống khơng thể tìm biểu thức xác, tập liệu tạo cách chạy mô Monte Carlo Tuy nhiên phương pháp đòi hỏi nhiều thời gian để tạo tập liệu) thử nghiệm (sử dụng 20% lại) phương pháp DNN đề xuất Quan sát Hình 4.7, kết huấn luyện thử nghiệm (hay gọi thẩm định - validation) cho thấy giá trị ướng lượng sai số lỗi trung bình giảm dần theo chiều tăng số epochs từ đến 55 sau hội tụ miền giá trị với số epochs lớn 55 Hình 4.7: Huấn luyện xác suất dừng với DNN Xét mơ hình với giả sử tọa độ trạm phát thứ cấp là(0,0), tọa độ nút chuyển tiếp (25,0), tọa độ máy phát sơ cấp (100,0), tọa độ máy thu sơ cấp (30,40), tọa độ người dùng D1 (30,30), tọa độ người dùng D2 (80,5), hệ số phân bổ công suất α1 = 0.2, hệ số ước lượng β = 0.6, số lượng máy thu sơ cấp L = 5, giá trị ngưỡng cho phép ρth = 20, 30 dB Hình 4.8 trình bày kết dự đoán xác suất dừng sử dụng phương pháp DNN so với lý thuyết (biến đổi biểu thức dạng đóng) phương pháp mô Monte Carlo Quan sát hình vẽ, giá trị dự đốn gần xác hoàn toàn cho giá trị xác suất dừng với độ xác > 10−3 có độ xác thấp xác suất dừng nhỏ Nguyên nhân giá trị xác suất dừng có thay đổi nhỏ với miền SNR cao nên khả dự đoán giá trị nhỏ DNN khó xác Do đó, để dự đốn tốt cần có Lưu ý, kết Hình 4.7 xuất từ trình training với Python chạy toolbox Spyder phần mêm Anaconda phiên 3.7.0 35 HVTH: Nguyễn Hữu Sự CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ phương pháp thiết kế mơ hình DNN với việc tiền xử lý số liệu trước đưa vào trình huấn luyện vơ quan trọng 10 10 -1 10 -2 10 -3 10 -4 10 -5 10 -6 10 20 30 40 50 60 Hình 4.8: Dự đoán xác suất dừng người dùng D1 D2 với phương pháp DNN 36 HVTH: Nguyễn Hữu Sự CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Trong luận văn, kết mô mơ hình NOMA kết hợp với mạng vô tuyến nhận thức triển vọng so với mơ hình OMA hợp tác độ lợi kênh truyền Bên cạnh đó, luận văn tiến hành khảo sát xác suất dừng (OP) hai người dùng D1 D2 số lượng người dùng sơ cấp thay đổi Kết mơ phân tích cho thấy hiệu người dùng D1 D2 giảm số lượng người dùng mạng sơ cấp tăng lên, tức OP tăng lên, tỷ số cơng suất tín hiệu nhiễu lớn 45 dB Điều minh chứng, hệ thống thứ cấp hoạt động tốt vùng thấp trung bình SNR mà khơng chịu tác động số lượng người dùng sơ cấp Kết mô xem xét ảnh hưởng tham số lên hệ thống Nếu thay đổi tham số mơ hình đề xuất hiệu hệ thống bị ảnh hưởng đáng kể Vì vậy, triển khai hệ thống NOMA kết hợp với mạng vô tuyến nhận thức thực tế, ta cần tính tốn xác tham số hiệu năng, đặc biệt hệ số phân bổ công suất cho người dùng để đảm bảo hệ thống hoạt động cách tốt Kết dự đoán giá trị xác suất dừng mạng DNN cho thấy giá trị xác suất dừng có thay đổi nhỏ với miền SNR cao nên khả dự đốn giá trị nhỏ cho DNN khó xác Do đó, để dự đốn tốt cần có phương pháp thiết kế DNN Và việc tiền xử lý số liệu trước áp dụng cho q trình huấn luyện vơ quan trọng Trên sở đó, kết thực luận văn bao gồm: − Học viên nghiên cứu xây dựng mơ hình mạng vô tuyến nhận thức kết hợp NOMA người dùng − Tính tốn biểu thức xác suất dừng cho mạng vô tuyến nhận thức NOMA đề xuất − Kiểm chứng biểu thức tính tốn với phương pháp mơ Monte-carlo kết dự đoán áp dụng mạng học sâu DNN − Phân tích đánh giá kết hiệu mạng vô tuyến nhận thức kết hợp NOMA người dùng 5.2 Hướng phát triển đề tài Do thời gian hạn chế nên luận văn cịn thiếu sót, trình bày số hướng phát triển luận văn sau: − Bởi tính chất quảng bá kênh truyền vơ tuyến nên thông tin truyền bị đánh cắp để phục vụ cho mục đích xấu, cần phải đưa thêm giải pháp bảo mật thông tin lớp vật lý nhằm bảo đảm thông tin truyền an toàn 37 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN − Bên cạnh đó, xem xét mơ hình nhiều dạng kênh truyền khác kênh fading Rician, kênh fading Nakagami-m, v.v để kiểm chứng hiệu tổng quát mạng NOMA kết hợp với mạng vô tuyến nhận thức − Cần nghiên cứu thêm mơ hình mạng học sâu khác CNN để có thêm đánh giá khả dự đoán hiệu hệ thống 38 HVTH: Nguyễn Hữu Sự TÀI LIỆU THAM KHẢO [1] S M R Islam, N Avazov, O A Dobre, and K Kwak, “Power-domain non-orthogonal multiple access (NOMA) in 5G systems: Potentials and challenges,” IEEE Communications Surveys Tutorials, vol 19, no 2, pp 721–742, Oct 2017 [2] M Elbayoumi, M Kamel, W Hamouda, and A Youssef, “NOMA-assisted machine-type communications in UDN: State-of-the-art and challenges,” IEEE Commun Surv Tutor, vol 22, no 2, pp 1276–1304, Mar 2020 [3] Y Saito, Y Kishiyama, A Benjebbour, T Nakamura, A Li, and K Higuchi, “Non-orthogonal multiple access (NOMA) for cellular future radio access,” in Proc 2013 IEEE 77th Veh Techn Conf (VTC Spring), June 2013, pp 1–5 [4] T T Nguyen, T V Nguyen, T H Vu, D B da Costa, and C D Ho, “Iot-based coordinated direct and relay transmission with non-orthogonal multiple access,” IEEE Wireless Communications Letters, pp 1–8, 2020 [5] L Zou, J Chen, L Lv, and B He, “Capacity enhancement of d2d aided coordinated direct and relay transmission using noma,” s, vol 24, no 10, pp 2128–2132, Oct 2020 [6] V Kumar, B Cardiff, and M F Flanagan, “Fundamental limits of spectrum sharing for noma-based cooperative relaying under a peak interference constraint,” IEEE Transactions on Communications, vol 67, no 12, pp 8233–8246, Dec 2019 [7] J Zhao, Y Liu, K K Chai, Y Chen, and M Elkashlan, “Joint subchannel and power allocation for noma enhanced d2d communications,” IEEE Transactions on Communications, vol 65, no 11, pp 5081–5094, Nov 2017 [8] L Pei, Z Yang, C Pan, W Huang, M Chen, M Elkashlan, and A Nallanathan, “Energy-efficient d2d communications underlaying noma-based networks with energy harvesting,” IEEE Communications Letters, vol 22, no 5, pp 914–917, May 2018 [9] S Arzykulov, G Nauryzbayev, T A Tsiftsis, and B Maham, “Performance analysis of underlay cognitive radio non-orthogonal multiple access networks,” IEEE Transactions on Vehicular Technology, vol 68, no 9, pp 9318–9322, July 2019 [10] S Arzykulov, G Nauryzbayev, T A Tsiftsis, B Maham, and M Abdallah, “On the outage of underlay cr-noma networks with detect-and-forward relaying,” IEEE Transactions on Cognitive Communications and Networking, vol 5, no 3, pp 795–804, May 2019 39 TÀI LIỆU THAM KHẢO [11] L Bariah, S Muhaidat, and A Al-Dweik, “Error performance of noma-based cognitive radio networks with partial relay selection and interference power constraints,” IEEE Transactions on Communications, vol 68, no 2, pp 765–777, Feb 2020 [12] L Luo, Q Li, and J Cheng, “Performance analysis of overlay cognitive noma systems with imperfect successive interference cancellation,” IEEE Transactions on Communications, vol 68, no 8, pp 4709– 4722, Aug 2020 [13] X Chen, M Wen, T Mao, and S Dang, “Spectrum resource allocation based on cooperative noma with index modulation,” IEEE Transactions on Cognitive Communications and Networking, vol 6, no 3, pp 946–958, Sep 2020 [14] C D Ho, T.-V Nguyen, T Huynh-The, T.-T Nguyen, D B da Costa, and B An, “Short-packet communications in wireless-powered cognitive iot networks: Performance analysis and deep learning evaluation,” IEEE Transactions on Vehicular Technology, vol 70, no 3, pp 2894–2899, 2021 [15] N Yang, H Zhang, K Long, H.-Y Hsieh, and J Liu, “Deep neural network for resource management in noma networks,” IEEE Transactions on Vehicular Technology, vol 69, no 1, pp 876–886, 2020 [16] K Shim, T N Do, T.-V Nguyen, D B da Costa, and B An, “Enhancing phy-security of fd-enabled noma systems using jamming and user selection: Performance analysis and dnn evaluation,” IEEE Internet of Things Journal, pp 1–1, 2021 [17] M Sharif and B Hassibi, “On the capacity of mimo broadcast channels with partial side information,” IEEE Transactions on Information Theory, vol 51, no 2, pp 506–522, 2005 [18] Y Niu, C Gao, Y Li, L Su, and D Jin, “Exploiting multi-hop relaying to overcome blockage in directional mmwave small cells,” Journal of Communications and Networks, vol 18, no 3, pp 364–374, 2016 [19] T Cover, “Broadcast channels,” IEEE Transactions on Information Theory, vol 18, no 1, pp 2–14, 1972 [20] S Vanka, S Srinivasa, Z Gong, P Vizi, K Stamatiou, and M Haenggi, “Superposition coding strategies: Design and experimental evaluation,” IEEE Transactions on Wireless Communications, vol 11, no 7, pp 2628–2639, 2012 [21] Z Ding, Z Yang, P Fan, and H V Poor, “On the performance of non-orthogonal multiple access in 5g systems with randomly deployed users,” Signal Processing Letters, IEEE, vol 21, 06 2014 [22] T Yucek and H Arslan, “A survey of spectrum sensing algorithms for cognitive radio applications,” IEEE Communications Surveys Tutorials, vol 11, no 1, pp 116–130, 2009 [23] S Haykin, “Cognitive radio: brain-empowered wireless communications,” IEEE Journal on Selected Areas in Communications, vol 23, no 2, pp 201–220, 2005 40 HVTH: Nguyễn Hữu Sự TÀI LIỆU THAM KHẢO [24] B Wang and K J R Liu, “Advances in cognitive radio networks: A survey,” IEEE Journal of Selected Topics in Signal Processing, vol 5, no 1, pp 5–23, 2011 [25] A Goldsmith, S A Jafar, I Maric, and S Srinivasa, “Breaking spectrum gridlock with cognitive radios: An information theoretic perspective,” Proceedings of the IEEE, vol 97, no 5, pp 894–914, 2009 [26] I F Akyildiz, W Lee, M C Vuran, and S Mohanty, “A survey on spectrum management in cognitive radio networks,” IEEE Communications Magazine, vol 46, no 4, pp 40–48, 2008 [27] T V Nguyen, T.-N Do, V N Q Bao, D B d Costa, and B An, “On the performance of multihop cognitive wireless powered d2d communications in wsns,” IEEE Transactions on Vehicular Technology, vol 69, no 3, pp 2684–2699, 2020 [28] A Jeffrey and D Zwillinger, Table of integrals, series, and products Elsevier, 2007 [29] D.-A Clevert, T Unterthiner, and S Hochreiter, “Fast and accurate deep network learning by exponential linear units (elus),” Under Review of ICLR2016 (1997), 11 2015 41 HVTH: Nguyễn Hữu Sự PHẦN LÝ LỊCH TRÍCH NGANG − Họ tên: Nguyễn Hữu Sự − Ngày, tháng, năm sinh: 06/07/1993 − Nơi sinh: Tổ 5, thôn Sơn Tùng, Phong Hiền, Phong Điền, Thừa Thiên Huế − Địa liên lạc: Tổ 5, thôn Sơn Tùng, Phong Hiền, Phong Điền, Thừa Thiên Huế QUÁ TRÌNH ĐÀO TẠO − Từ năm 2011 đến 2016: Học khoa Điện - Điện tử, ngành Điện tử - Viễn thơng, hình thức đào tạo quy trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh − Tháng năm 2016: Tốt nghiệp Kỹ sư ngành Điện tử - Viễn thông − Từ năm 2017 đến 2021: Học Thạc sỹ ngành Kỹ thuật - Viễn thông trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh Q TRÌNH CƠNG TÁC − Từ năm 2016 đến 2020: Làm việc Phòng RD thuộc Cơng ty truyền hình cáp SCTV − Từ năm 2020 đến nay: Làm việc Trung tâm Quản lý, Điều hành mạng (NOC) thuộc Tổng Công ty Viễn Thông MobiFone ... cho mạng vơ tuyến nhận thức NOMA đề xuất − Kiểm chứng biểu thức tính tốn với phương pháp mơ Monte-carlo kết dự đoán áp dụng mạng học sâu DNN − Phân tích đánh giá kết hiệu mạng vô tuyến nhận thức. .. vơ tuyến nhận thức người dùng • Áp dụng mơ hình mạng học sâu DNN việc dự đoán xác suất dừng nhằm nâng cao hiệu hệ thống • Xây dựng chương trình mơ để đánh giá hiệu hệ thống vô tuyến nhận thức NOMA. .. không trực giao NOMA, kỹ thuật khử can nhiễu SIC, mạng vô tuyến nhận thức mạng học sâu DNN trình bày Chương Chương thứ trình bày mơ hình hệ thống đề xuất mạng vô tuyến nhận thức NOMA người dùng