Thuật toán học sâu và ứng dụng trong ước lượng suy hao truyền sóng

GIỚI THIỆU HỆ THỐNG THÔNG TIN DI ĐỘNG DẢI SÓNG MILIMET

Giới thiệu về băng tần milimet trong hệ thống thông tin di động

1.1.1 Xu hướng phát triển công nghệ và dịch vụ thông tin di động

Sự thiếu hụt băng tần trong truyền thông không dây đã thúc đẩy việc sử dụng băng tần millimeter (mmWave) Theo SK Telecom, số lượng thuê bao 4G đã vượt qua 3G, gấp 4 lần so với số thuê bao 3G, và lưu lượng dữ liệu 4G đã tăng 227% vào tháng 3/2017 so với cùng kỳ năm 2015 Công nghệ mạng 4G LTE mang lại tốc độ tải xuống lên tới 100 Mb/giây, hỗ trợ nhiều dịch vụ như QoS, Wireless Broadband Access, MMS, truyền hình HD và các dịch vụ băng thông rộng khác Công nghệ 4,5G được triển khai để cung cấp video ultra HD và công nghệ 3D holographic, với tốc độ nhanh hơn và độ trễ thấp hơn so với 4G Điều này mở ra cơ hội doanh thu mới cho các nhà mạng khi băng rộng di động ngày càng mạnh mẽ và hiệu quả hơn.

Hình 1-1 Đồ thị lưu lượng dữ liệu 3G và 4G của SK Telecom [1]

Theo dự báo, đến năm 2020, số lượng thiết bị thông minh kết nối với mạng di động sẽ vượt qua 50 tỷ, cho thấy sự tăng trưởng nhanh chóng Điều này cho thấy mạng di động trong tương lai sẽ trở thành một phần không thể thiếu trong cuộc sống hàng ngày.

Internet không chỉ kết nối con người mà còn kết nối máy móc và thiết bị, do đó cần đảm bảo các yếu tố quan trọng như QoS (Quality of Service), tính bảo mật và độ tin cậy Để hiện thực hóa điều này, công nghệ 5G phải đạt tốc độ truyền tải khoảng 10 Gb/giây, tương đương với mạng cáp quang, nhằm xử lý hiệu quả nội dung đa phương tiện và truyền thông ảo với độ phân giải siêu nét.

Hệ thống 5G theo tiêu chuẩn IMT-2020 sẽ nâng cao khả năng của thiết bị và mạng, đồng thời tích hợp chặt chẽ với các ứng dụng dự kiến ra mắt trong tương lai Các khả năng chính của IMT-2020 5G được liệt kê trong 8 tham số của Bảng 1-1.

Bảng 1-1 Tiêu chuẩn của mạng 5G [2]

Khả năng Mô tả Mục tiêu

Tốc độ dữ liệu đỉnh

Tốc độ dữ liệu tối đa có thể đạt được

Tốc độ dữ liệu người dùng

Tốc độ dữ liệu có thể đạt được trên toàn khu vực phủ sóng

1 Gbit/s eMBB Độ trễ Mạng vô tuyến đóng góp vào thời gian di chuyển gói

Tính di động Tốc độ tối đa cho các yêu cầu bàn giao và QoS

C Mật độ kết nối Tổng số thiết bị trên một đơn vị diện tích

Dữ liệu được gửi/nhận trên mỗi đơn vị tiêu thụ năng lượng (theo thiết bị hoặc mạng)

Hiệu suất phổ Thông lượng trên mỗi đơn vị băng thông không dây và trên mỗi tế bào mạng (network cell)

Tổng lưu lượng truy cập

Tổng lưu lượng trên toàn khu vực phủ sóng

1.1.3 Sóng milimet trong công nghệ 5G

Người dùng kỳ vọng mạng di động 5G sẽ cung cấp tốc độ dữ liệu Gbps trong môi trường di động, mang lại chất lượng và trải nghiệm dịch vụ vượt trội gấp 10 lần so với mạng 4G hiện tại Các băng tần hiện tại cho thông tin di động 2G, 3G và 4G, như băng tần 900 MHz, sẽ được cải tiến để đáp ứng nhu cầu này.

1800 MHz, 2100 MHz, 2600 MHz,…) sẽ không đáp ứng được lượng băng thông

Việc triển khai các dịch vụ di động tốc độ Gbps yêu cầu 40 băng tần liên tục, điều này dẫn đến nhu cầu về các băng tần mới Hiện nay, băng tần sóng milimet (mmWave) đang được các nhà nghiên cứu chú trọng phát triển.

Sóng milimet (MmWave) là các sóng có bước sóng cỡ milimet, nằm trong dải tần từ 20GHz đến 300GHz, và được sử dụng cho truyền thông không dây tốc độ cao theo tiêu chuẩn Wi-Fi 802.11ad với tần số 60 GHz MmWave đang được xem xét như dải tần số chính thức cho 5G, nhằm cung cấp băng thông rộng hơn, tốc độ cao hơn và độ trễ thấp hơn Tại Hội nghị Thông tin vô tuyến thế giới (WRC-15) vào tháng 11 năm 2015 ở Geneva, Thụy Sỹ, đã đề xuất 9 băng tần tiềm năng từ 24.25 GHz đến 86 GHz cho thông tin di động IMT-2020, giao cho các nhóm nghiên cứu của Liên minh Viễn thông quốc tế (ITU-R) tiếp tục nghiên cứu.

Hình 1-2 Các băng tần tiềm năng cho thông tin di động [3]

Tại Hội nghị Thông tin vô tuyến thế giới năm 2019 (WRC), sẽ có quyết định về băng tần nào trong số 09 băng tần được dành cho thông tin di động 5G.

Theo Ted Rappaport, người sáng lập NYU Wireless, lưu lượng dữ liệu di động dự đoán sẽ tăng 53% mỗi năm trong tương lai, cùng với nhu cầu về tốc độ máy tính và kích thước bộ nhớ sẽ tăng gấp 6 lần Để đáp ứng nhu cầu sử dụng dữ liệu ngày càng cao, chúng ta cần một phổ tần số cao hơn, trong đó sóng millimet đóng vai trò quan trọng trong việc truyền tải dữ liệu.

40 cỡ lớn tốc độ cao Hình 1-3 dưới cho chúng ta thấy sự khác biệt về tốc độ truyền dữ liệu của mạng 3G, 4G, 5G

Hình 1-3 Biểu đồ tốc độ truyền dữ liệu 3G, 4G, 5G [3]

Ngành công nghiệp không dây đang đối mặt với thách thức lớn từ nhu cầu sử dụng ngày càng tăng của con người, mặc dù các dự án nghiên cứu và phát triển công nghệ không dây hiệu quả vẫn đang được triển khai Hiện tại, công nghệ không dây tiên tiến nhất là 4G LTE, nhưng với xu hướng gia tăng nhanh chóng về nhu cầu, các nhà nghiên cứu dự đoán rằng trong tương lai gần, cần phải có những giải pháp mới để đáp ứng yêu cầu này.

Vào năm 2020, công nghệ 4G LTE không còn đủ sức đáp ứng nhu cầu sử dụng, dẫn đến sự cần thiết phải triển khai các công nghệ và kiến trúc mới Mạng không dây tương lai sẽ cho phép tốc độ dữ liệu di động đạt nhiều gigabit trên giây nhờ vào việc sử dụng anten có thể điều khiển và sóng milimet, hỗ trợ đồng thời cho truyền thông di động và backhaul Sự kết hợp giữa công nghệ CMOS cho băng tần mmWave và anten độ tăng ích cao tại các trạm gốc và di động sẽ nâng cao khả năng truyền thông không dây Tần số sóng milimet cung cấp băng thông lớn hơn, là yếu tố then chốt giúp tăng tốc độ truyền dữ liệu Phổ sóng milimet cho phép các nhà cung cấp dịch vụ mở rộng băng thông kênh vượt xa các kênh 20 MHz hiện tại của 4G, từ đó tăng cường dung lượng dữ liệu và giảm độ trễ cho lưu lượng kỹ thuật số, hỗ trợ tốt hơn cho các ứng dụng yêu cầu độ trễ thấp.

Tần số sóng milimet, với bước sóng nhỏ, cho phép khai thác các kỹ thuật xử lý không gian tiên tiến như massive MIMO và beamforming Nhờ vào băng thông lớn hơn, các liên kết giữa trạm gốc và thiết bị, cũng như liên kết ngược, sẽ có khả năng xử lý vượt trội so với mạng 4G hiện tại tại các khu vực đông dân cư Hơn nữa, việc giảm vùng phủ sóng di động và triển khai các kiến trúc phối hợp như phối hợp MIMO và relays sẽ làm giảm chi phí cho mỗi trạm gốc, giúp chúng trở nên phổ biến hơn trong môi trường đô thị Tuy nhiên, sóng milimet gặp khó khăn trong việc truyền xa do bị hấp thụ bởi khí quyển và suy hao do mưa, độ ẩm.

Hình 1-4 Đồ thị suy hao do mưa theo tần số ở các mức mưa khác nhau [4]

Mặc dù có nhiều ý kiến cho rằng suy hao do mưa và hấp thụ khí quyển sẽ làm cho việc sử dụng sóng milimet trở nên không khả thi, nghiên cứu cho thấy rằng với kích thước cell khoảng 200m, sóng milimet vẫn có thể lan truyền với mức suy hao thấp Các hình ảnh 1-4 và 1-5 minh họa rõ ràng sự suy hao do mưa và các đặc tính hấp thụ của khí quyển trong quá trình truyền sóng milimet, cho thấy khả năng tồn tại của sóng milimet trong điều kiện này.

Ở tần số từ 28 GHz đến 38 GHz, khí quyển không gây ra suy hao đáng kể cho sóng milimet, với suy hao do mưa chỉ đạt 7 dB/km trong điều kiện mưa lớn (25mm/giờ) tại 28 GHz Điều này có nghĩa là ở khoảng cách 200m, mức suy hao do mưa chỉ là 1,4 dB Nhiều nghiên cứu đã chỉ ra rằng, trong khoảng cách nhỏ dưới 1km, suy hao do mưa không ảnh hưởng đến việc truyền sóng milimet.

Hình 1-5 Hấp thụ khí quyển ở các tần số sóng milimet [3]

Suy hao tín hiệu vô tuyến

Sự lan truyền sóng điện từ chủ yếu diễn ra thông qua các cơ chế như phản xạ, nhiễu xạ và tán xạ Trong các khu vực đô thị, nơi có tòa nhà cao tầng và không có đường nhìn trực tiếp giữa máy phát và máy thu, hiện tượng nhiễu xạ trở nên nghiêm trọng Sóng điện từ di chuyển theo nhiều đường khác nhau do phản xạ từ các vật thể, dẫn đến sự thay đổi về cường độ sóng khi khoảng cách giữa máy phát và máy thu tăng lên.

Suy hao tín hiệu là hiện tượng giảm cường độ tín hiệu khi truyền qua môi trường theo nhiều đường khác nhau Nhiều yếu tố ảnh hưởng đến hiện tượng pathloss này.

Suy hao trong không gian tự do xảy ra khi tín hiệu truyền đi mà không bị ảnh hưởng bởi các yếu tố bên ngoài, dẫn đến sự giảm dần của tín hiệu khi nó lan tỏa Tín hiệu liên lạc vô tuyến được coi là lan ra như một hình cầu ngày càng lớn Khi tín hiệu bao phủ một khu vực rộng hơn, năng lượng sóng sẽ giảm đi, ảnh hưởng đến chất lượng truyền tải.

40 biết rằng năng lượng trong bất kỳ khu vực nhất định nào sẽ giảm khi khu vực được bao phủ trở nên lớn hơn

Nhiễu xạ là hiện tượng suy hao tín hiệu vô tuyến khi có vật cản xuất hiện trên đường truyền Khi tín hiệu gặp vật cản, nó có thể bị nhiễu xạ xung quanh, dẫn đến sự suy hao tín hiệu Mức độ suy hao này sẽ tăng lên khi vật cản có hình dạng tròn Đồng thời, tín hiệu vô tuyến thường nhiễu xạ tốt hơn khi đi qua các vật có cạnh sắc, đặc biệt là khi kích thước cạnh sắc so với bước sóng của tín hiệu.

Trong hệ thống thông tin vô tuyến, hiện tượng lan truyền sóng đa đường (Multipath propagation) xảy ra khi sóng bức xạ điện từ không truyền trực tiếp đến anten thu do sự cản trở của các vật thể như toà nhà và cây cối Tín hiệu nhận được là sự chồng chập của nhiều sóng đến từ các hướng khác nhau, dẫn đến các bản sao tín hiệu phát bị suy hao, trễ và dịch pha Tùy thuộc vào pha của từng thành phần, tín hiệu có thể được khôi phục hoặc bị hư hỏng Khi truyền tín hiệu số, đáp ứng xung có thể bị méo do kênh truyền đa đường, dẫn đến việc nhận được các đáp ứng xung độc lập khác nhau, hiện tượng này được gọi là phân tán đáp ứng xung (impulse dispersion) Sự méo do kênh truyền đa đường là tuyến tính và có thể được bù lại ở phía thu bằng các bộ cân bằng.

Suy hao hấp thụ xảy ra khi tín hiệu vô tuyến truyền vào một môi trường không hoàn toàn trong suốt Nguyên nhân gây ra hiện tượng này có thể đến từ nhiều yếu tố khác nhau.

Khi tín hiệu vô tuyến di chuyển qua các vật liệu dày đặc như tường, tòa nhà và đồ đạc bên trong, nó sẽ bị suy giảm đáng kể.

Liên lạc di động trong các tòa nhà và nhà ở thường gặp phải tình trạng giảm đáng kể tín hiệu Hiện tượng suy giảm này đặc biệt rõ ràng hơn với các băng tần di động có tần số cao, chẳng hạn như 2,2 GHz so với 800/900 MHz.

Độ ẩm trong khí quyển ảnh hưởng đáng kể đến sự mất mát đường dẫn vô tuyến, đặc biệt ở tần số vi sóng cao, khi sự hiện diện của kết tủa và hơi ẩm trong không khí làm tăng suy hao đường truyền.

Tín hiệu vô tuyến có thể bị ảnh hưởng bởi điều kiện thời tiết, nhưng tác động này chủ yếu đáng chú ý ở vùng vi sóng.

Thảm thực vật trong rừng rậm có thể gây ra sự suy giảm đáng kể tín hiệu vô tuyến, ngay cả ở tần số thấp Cây cối và tán lá, đặc biệt khi ẩm ướt, làm giảm khả năng truyền tín hiệu vô tuyến, dẫn đến mức độ mất mát đường truyền cao.

Địa hình ảnh hưởng lớn đến tín hiệu truyền Những ngọn đồi cản trở đường đi sẽ làm suy giảm tín hiệu, khiến việc tiếp nhận trở nên khó khăn Ở tần số thấp, bề mặt trái đất cũng tác động rõ rệt đến tín hiệu Chẳng hạn, trên dải Sóng dài, tín hiệu truyền tốt nhất qua các khu vực dẫn điện như đường biển hoặc vùng đầm lầy ẩm ướt, trong khi địa hình cát khô gây ra mức độ suy giảm cao hơn.

 Khí quyển: Khí quyển có thể ảnh hưởng đến đường dẫn tín hiệu vô tuyến

Tầng điện ly đóng vai trò quan trọng trong việc phản xạ tín hiệu ở tần số thấp, đặc biệt dưới 30 - 50MHz, giúp đưa tín hiệu trở lại Trái đất Tuy nhiên, khi tín hiệu đi qua các vùng như vùng D và vùng E ở mức độ thấp, nó có thể bị suy giảm thay vì được phản xạ, dẫn đến mất mát đường dẫn vô tuyến đáng kể.

Tầng đối lưu có ảnh hưởng lớn đến tín hiệu ở tần số trên 50 MHz, làm khúc xạ tín hiệu trở lại trái đất do thay đổi chiết suất Đối với phát sóng UHF, điều này có thể mở rộng phạm vi phủ sóng lên khoảng một phần ba ngoài đường chân trời Tuy nhiên, sự khúc xạ cũng có thể khiến tín hiệu không đến được một khu vực nhất định.

Hình 1-6 Ảnh hưởng của môi trường với tín hiệu vô tuyến

Kết luận chương

Chương 1 đã đưa ra những nghiên cứu một cách khái quát về những đặc trưng của hệ thống thông tin di động dải sóng milimet Để người đọc có thể hiểu rõ về hệ thống thông tin di động dải sóng milimet, mục 1.1 đã trình bày công nghệ 5G với xu hướng phát triển công nghệ cũng như tiêu chuẩn chung của mạng 5G đã và sẽ triển khai trên thế giới Băng tần sóng milimet sẽ được cấp phép sử dụng cho công nghệ 5G

Trong mục 1.2, bài viết đã đề cập đến sự suy hao tín hiệu vô tuyến do các hiệu ứng như nhiễu xạ và khúc xạ, cũng như ảnh hưởng của các yếu tố môi trường như địa hình, khí quyển và tầng điện ly đến tín hiệu.

MẠNG NƠ RON CỦA HỌC SÂU (DEEP LEARNING)

Tổng quan Học sâu (Deep Learning)

Trong bối cảnh cuộc cách mạng công nghiệp 4.0, các thuật ngữ như trí tuệ nhân tạo (AI), học máy (machine learning) và học sâu (deep learning) ngày càng trở nên phổ biến Những khái niệm này đang trở thành kiến thức thiết yếu mà công dân của kỷ nguyên 4.0 cần phải hiểu biết.

Mối liên hệ giữa trí tuệ nhân tạo (AI), máy học (machine learning) và học sâu (deep learning) có thể được hình dung như những vòng tròn đồng tâm Trong đó, AI là vòng tròn lớn nhất, đại diện cho khái niệm xuất hiện sớm nhất; tiếp theo là machine learning, khái niệm phát triển sau; và cuối cùng, deep learning, vòng tròn nhỏ nhất, đang đóng vai trò quan trọng trong sự bùng nổ của AI hiện nay.

Hình 2-1 Mối liên hệ giữa AI, machine learning và deep learning

Việc xây dựng một hệ thống AI là rất phức tạp, nhưng việc hiểu nó lại không quá khó khăn Hầu hết các trí thông minh nhân tạo hiện nay hoạt động như những máy đoán hiệu quả, tương tự như cách mà bộ não con người hoạt động Bạn chỉ cần cung cấp cho hệ thống một tập dữ liệu, chẳng hạn như các chữ số từ 1 đến 10, và yêu cầu hệ thống tạo ra mô hình dự đoán.

Bắt đầu từ con số 0, chúng ta có thể đưa ra các dự đoán, ví dụ như con số tiếp theo sẽ là mười một Không có phép thuật nào ở đây; đây là khả năng tự nhiên của bộ não con người khi sử dụng kiến thức hiện có để suy đoán về những điều chưa biết Điểm khác biệt của AI so với các chương trình máy tính truyền thống là khả năng tự học và tự thích nghi mà không cần lập trình cụ thể cho từng trường hợp.

AI (trí tuệ nhân tạo) bao gồm machine learning (học máy) và deep learning (học sâu), với khả năng tự học Ba khái niệm này có thể được định nghĩa cơ bản như sau: AI là công nghệ mô phỏng trí thông minh con người, machine learning là phương pháp cho phép máy tính học từ dữ liệu, và deep learning là một nhánh của machine learning sử dụng mạng nơ-ron sâu để xử lý thông tin phức tạp.

Trí tuệ nhân tạo (AI): một cỗ máy có thể bắt chước hành vi và tư duy của con người

Học máy (machine learning): Một tính năng của AI, cho phép các chuyên gia đào tạo cho AI để nó nhận biết các mẫu dữ liệu và dự đoán

Học sâu (deep learning): Một kỹ thuật nhỏ của machine learning, cho phép máy có thể tự đào tạo chính mình

Trí tuệ nhân tạo (AI) là một lĩnh vực của khoa học máy tính, tập trung vào việc tự động hóa các hành vi thông minh Được xây dựng trên những nguyên lý lý thuyết vững chắc, AI phản ánh trí tuệ của máy móc do con người phát triển Nó có khả năng tư duy, học hỏi và xử lý dữ liệu với quy mô lớn hơn, nhanh hơn và hiệu quả hơn so với con người.

Mặc dù công nghệ AI đã phát triển mạnh mẽ, nhưng vẫn còn nhiều hạn chế Chẳng hạn, Alexa - một trong những ứng dụng trí thông minh nhân tạo nổi bật và được ưa chuộng, vẫn chưa thể vượt qua bài kiểm tra Turing.

Hiện nay, chúng ta đang phát triển công nghệ "AI hẹp" (Narrow AI), có khả năng thực hiện các nhiệm vụ cụ thể với hiệu suất tương đương hoặc vượt trội hơn con người Các ứng dụng thực tiễn của "AI hẹp" bao gồm công nghệ phân loại hình ảnh của Pinterest và nhận diện khuôn mặt để gán thẻ bạn bè trên Facebook.

Công nghệ này phản ánh nhiều khía cạnh của trí thông minh con người, nhưng nguồn gốc của trí tuệ đó là gì? Để hiểu rõ hơn, chúng ta cần khám phá khái niệm học máy (machine learning).

Hình 2-2 Trí tuệ nhân tạo

Machine Learning là thuật ngữ chỉ việc dạy máy tính cải thiện hiệu suất trong các nhiệm vụ qua thời gian Nó liên quan đến việc sử dụng các hệ thống mà hiệu suất của máy tính sẽ tốt hơn khi thực hiện nhiệm vụ nhiều lần Cơ bản, machine learning sử dụng thuật toán để phân tích dữ liệu, học hỏi từ đó và đưa ra quyết định hoặc dự đoán liên quan Thay vì lập trình chi tiết cho từng hành động, máy tính được "huấn luyện" bằng dữ liệu và thuật toán để tự học cách thực hiện nhiệm vụ.

Nếu không có machine learning, khả năng của trí tuệ nhân tạo sẽ bị giới hạn, vì nó cho phép máy tính khám phá và học hỏi mà không cần lập trình chi tiết Một ví dụ điển hình về machine learning là việc phát triển một chương trình có khả năng nhận diện mèo trong các bức ảnh.

Để bắt đầu, bạn cần cung cấp cho AI một bộ đặc điểm của loài mèo, bao gồm màu sắc lông, hình dáng cơ thể và kích thước, để máy có thể nhận diện chính xác.

Để cải thiện khả năng nhận diện của AI, bạn cần cung cấp cho nó một số hình ảnh có gán nhãn "mèo" Việc này giúp máy móc chọn lọc và nhận diện hiệu quả hơn các chi tiết và đặc điểm liên quan đến mèo.

Sau khi máy thu thập đủ dữ liệu cần thiết về mèo, nó cần phải có khả năng xác định vị trí của một con mèo trong bức tranh Điều này đòi hỏi máy phải phân tích các chi tiết trong hình ảnh để nhận diện đúng đối tượng.

X, Y, hoặc Z nào đó, thì 95% khả năng đó là một con mèo”

Nhìn chung, ứng dụng của machine learning ngày nay là vô cùng phổ biến và độ hữu ích thì không phải bàn cãi nhiều nữa

AI đã đạt được nhiều bước tiến lớn, đặc biệt là trong lĩnh vực machine learning với mạng thần kinh sâu (neural networks) có khả năng xử lý dữ liệu tương tự như bộ não con người Khác với phương pháp dạy truyền thống, chương trình deep learning chỉ cần nhận đủ hình ảnh về một đối tượng, như con mèo, và sẽ tự động học hỏi và hình dung về nó mà không cần sự can thiệp từ con người.

• Cung cấp cho máy rất nhiều ảnh về mèo

• Thuật toán sẽ kiểm tra ảnh để xem các đặc điểm, chi tiết chung giữa các bức ảnh

Mạng nơ ron nhân tạo (Artifical Neural Networks)

Mạng noron nhân tạo (Artificial Neural Networks) là một mô hình mô phỏng mạng noron sinh học, bao gồm các đơn vị tính toán đơn giản được kết nối chặt chẽ Các liên kết giữa các noron trong mạng quyết định chức năng hoạt động của nó.

Một mạng nơ-ron bao gồm các nơ-ron đơn lẻ, được gọi là perceptron Để hiểu rõ hơn về cấu trúc của mạng nơ-ron, trước tiên chúng ta cần tìm hiểu về perceptron Nơ-ron nhân tạo được phát triển dựa trên nguyên lý hoạt động của nơ-ron sinh học.

Hình 2-5 Cấu trúc nơ ron sinh học

Một nơ-ron có khả năng tiếp nhận nhiều đầu vào và sản sinh một kết quả duy nhất Mô hình perceptron hoạt động theo cách tương tự, cho phép xử lý thông tin từ nhiều nguồn khác nhau để đưa ra quyết định cuối cùng.

Hình 2-6 Mô hình của perceptron

Một perceptron nhận một hoặc nhiều đầu vào nhị phân và sản sinh ra một đầu ra nhị phân duy nhất Các đầu vào này được điều chỉnh bởi các trọng số tương ứng, và kết quả đầu ra được xác định dựa trên một ngưỡng quyết định cụ thể Cụ thể, nếu tổng trọng số nhân với đầu vào nhỏ hơn hoặc bằng ngưỡng, đầu ra sẽ là 0.

PT 2.1 Đặt b=−threshold, ta có thể viết lại thành: o={0 𝑖𝑓 ∑ 𝑤 𝑖 𝑖 𝑥 𝑖 + 𝑏 ≤ 0

Với đầu vào và đầu ra nhị phân, việc điều chỉnh nhỏ đầu vào để thay đổi đầu ra là rất khó khăn Để tăng tính linh hoạt, chúng ta có thể mở rộng khoảng giá trị đầu vào ra [0,1] Khi đó, đầu ra sẽ được xác định bởi hàm sigmoid σ(w T x).

Hình 2-7 Đồ thị hàm Sigmoid

40 Đặt z=w T x thì công thức của perceptron lúc này sẽ có dạng: w x T

Tới đây thì ta có thể thấy rằng mỗi sigmoid neuron cũng tương tự như một bộ phân loại tuyến tính (logistic regression) bởi xác suất P(y i =1∣x i ;w)=σ(w T x)

Ngoài hàm sigmoid, còn có thể sử dụng các hàm khác như tanh và ReLU, vì đồ thị của chúng có hình dạng tương tự Một cách tổng quát, hàm perceptron được biểu diễn thông qua một hàm kích hoạt (activation function) f(z).

Bằng cách biểu diễn như vậy, ta có thể coi nơ ron sinh học được thể hiện như sau:

Hình 2-8 Biểu diễn mạng nơ ron nhân tạo

Các hàm kích hoạt trong mạng nơ-ron phải là hàm phi tuyến, vì nếu chúng là hàm tuyến tính, kết quả khi kết hợp với phép toán tuyến tính w T x sẽ vẫn là một thao tác tuyến tính, dẫn đến việc mô hình trở nên vô nghĩa.

2.2.2 Kiến trúc mạng nơ ron

Mạng NN là sự kết hợp của của các tầng perceptron hay còn được gọi là perceptron đa tầng (multilayer perceptron) như hình vẽ bên dưới:

Hình 2-9 Kiến trúc mạng nơ ron

Một mạng NN sẽ có 3 kiểu tầng:

- Tầng vào (input layer): Là tầng bên trái cùng của mạng thể hiện cho các đầu vào của mạng

- Tầng ra (output layer): Là tầng bên phải cùng của mạng thể hiện cho các đầu ra của mạng

- Tầng ẩn (hidden layer): Là tầng nằm giữa tầng vào và tầng ra thể hiện cho việc suy luận logic của mạng

Lưu ý rằng, một NN chỉ có 1 tầng vào và 1 tầng ra nhưng có thể có nhiều tầng ẩn

Hình 2-10 Cấu trúc nơ ron với tầng ẩn

Trong mạng nơ-ron, mỗi nút được coi như một nơ-ron sigmoid với hàm kích hoạt có thể khác nhau Tuy nhiên, để thuận tiện trong tính toán, người ta thường sử dụng cùng một dạng hàm kích hoạt cho tất cả các nơ-ron Số lượng nơ-ron ở mỗi tầng có thể thay đổi tùy thuộc vào bài toán và phương pháp giải quyết, nhưng thường thì các tầng đều có cấu trúc tương tự.

Mạng nơ-ron bao gồm 40 ẩn với số lượng nơ-ron bằng nhau, và các nơ-ron ở các tầng được liên kết đầy đủ với nhau, tạo thành mạng kết nối hoàn chỉnh Kích thước của mạng có thể được xác định dựa trên số tầng và số nơ-ron có trong mỗi tầng.

• 4 tầng mạng, trong đó có 2 tầng ẩn

Trong mạng nơ-ron, tất cả các nốt được kết nối theo một chiều duy nhất từ tầng vào đến tầng ra Mỗi nốt ở một tầng chỉ nhận đầu vào từ tất cả các nốt ở tầng trước mà không có khả năng suy luận ngược Điều này thể hiện rằng quá trình suy luận trong mạng nơ-ron là một quá trình tiến, hay còn gọi là feedforward.

Trong mạng nơ-ron, n(l) đại diện cho số lượng nút ở tầng l, trong khi a j l là nút mạng thứ j tại tầng này Tham số trọng lượng w ij (l+1) thể hiện ảnh hưởng của đầu vào a j l đối với nút mạng thứ i của tầng l+1, và b i l+1 là độ lệch (bias) của nút mạng thứ i tại tầng l+1 Đầu ra của nút mạng này được tính toán thông qua hàm kích hoạt f(z i ) và được biểu diễn bằng a i l+1.

Tầng vào của mạng thường được xác định bằng các đầu vào x tương ứng, trong đó a(1) là các giá trị đầu vào Để đơn giản hóa tính toán, ta coi a(0) là một đầu vào, và trọng số w(i,0) được ký hiệu là b(i,l+1) Như vậy, công thức có thể được diễn đạt dưới dạng véc-tơ.

Nếu nhóm các tham số của mỗi tầng thành một ma trận, với các cột tương ứng với tham số của từng nút mạng, chúng ta có thể tính toán cho tất cả các nút trong một tầng bằng cách sử dụng véc-tơ.

2.2.4 Học với mạng nơ ron

Quá trình học trong các bài toán học máy tương tự như việc tìm kiếm một hàm lỗi để đánh giá và tối ưu hóa nhằm đạt được kết quả tốt nhất Mỗi nút mạng trong mạng nơ-ron có thể được xem như một bộ phân loại (hồi quy logistic) với hàm lỗi riêng.

Trong bài viết này, chúng ta xem xét số lượng dữ liệu huấn luyện m, đầu ra thực tế y_i của dữ liệu thứ i và kết quả ước lượng σ_i tương ứng Hàm lỗi của mạng nơ-ron (NN) tương tự như vậy, nhưng cần tính toán cho từng nút đầu ra, với K là số nút và y_k là đầu ra thực tế của nút thứ k, trong khi σ_k là đầu ra ước lượng cho nút đó Do đó, công thức tính hàm lỗi sẽ được điều chỉnh cho phù hợp với nhiều nút đầu ra.

Chương 2 đã đưa ra những nghiên cứu một cách khái quát về Học máy nói chung cũng như Học sâu nói riêng Để người đọc có thể hiểu rõ về Học máy, mục 2.1 đã trình bày tổng quan học sâu cũng như các ứng dụng thực tế của nó

Mạng nơ ron nhân tạo được phát triển dựa trên nghiên cứu về cấu trúc và chức năng của nơ ron trong não người Khả năng xử lý tín hiệu của các nơ ron trong mạng nơ ron nhân tạo cùng với các phương pháp xử lý tín hiệu là những điểm quan trọng được trình bày trong mục 2.2.

KẾT QUẢ ƯỚC LƯỢNG SUY HAO TRUYỀN SÓNG BẰNG THUẬT TOÁN HỌC SÂU (DEEP LEARNING)

Mô hình suy hao truyền sóng dải tần 28 GHz và 38 GHz khu vực Keangnam, Hà Nội

Wireless Insite là phần mềm mô phỏng lan truyền vô tuyến, hỗ trợ thiết kế và phân tích các hệ thống không dây cho truyền thông, kết nối mạng và cảm biến Phần mềm này cung cấp dự đoán chính xác về lan truyền và đặc điểm kênh vô tuyến trong các môi trường phức tạp như trong nhà, nông thôn và đô thị Người dùng có thể tải phần mềm từ trang web của Remcom và sử dụng bản dùng thử 30 ngày với đầy đủ chức năng.

Hình 3-1 Vùng phủ tín hiệu, đa đường, đặc tính kênh vô tuyến cho môi trường đô thị mô phỏng bằng Wireless Insite

Hình 3-2 Mô phỏng lan truyền trong các tòa nhà

Wireless Inste cung cấp cho các nhà nghiên cứu cao tần công cụ thiết kế đường dẫn vô tuyến, tối ưu hóa vùng phủ anten và đánh giá đặc điểm kênh cho băng tần RF và milimet Các ứng dụng bao gồm dự đoán vùng phủ từ trạm gốc đến điểm truy cập, xác định hiệu ứng shadow và đa đường từ tòa nhà, địa hình, cũng như đánh giá các giải pháp backhaul vô tuyến Hệ thống hỗ trợ phân tích các đặc điểm kênh cho các công nghệ thông tin liên lạc như 4G LTE, LTE-A, 5G MIMO, hệ thống massive MIMO và mạng WiFi trong nhà, cùng với việc đánh giá lan truyền sóng và nhiều phân tích khác.

Wireless Insite có các ứng dụng như sau:

- Dự đoán vùng phủ từ trạm gốc đến điểm truy cập

- Xác định các hiệu ứng shadow và đa đường do các tòa nhà, trong nhà, địa hình, cây cối…

- Đánh giá các giải pháp backhaul vô tuyến

- Đánh giá các đặc điểm kênh cho hệ thống thông tin liên lạc bao gồm 4G LTE, LTE – A, 5G MIMO …

- Đánh giá lan truyền vô tuyến

Wireless Insite là một phần mềm mô phỏng điện từ, giúp dự đoán ảnh hưởng của các tòa nhà và địa hình đến sự lan truyền sóng điện từ Công cụ này cho phép người dùng hiểu rõ cách mà vị trí của máy phát và máy thu trong môi trường đô thị tác động đến cường độ tín hiệu.

Wireless Insite cho phép mô hình hóa đặc điểm vật lý của địa hình và kiến trúc đô thị, thực hiện các tính toán sóng điện từ để đưa ra các đặc tính lan truyền tín hiệu Địa hình và các tòa nhà trong môi trường lan truyền có thể được xây dựng bằng công cụ chỉnh sửa của Wireless Insite hoặc nhập từ các tệp định dạng phổ biến như DXF, shapefile, DTED và USGS.

Các vị trí của máy phát và máy thu có thể được cấu hình trực tiếp trên mô hình môi trường hoặc nhập từ bên ngoài thông qua tọa độ Ngoài ra, có thể tính toán riêng cho từng phần của khu vực tổng thể bằng cách tạo ra các khu vực nghiên cứu khác nhau.

Các tính toán được thực hiện bằng cách tạo ra các tia từ máy phát đến máy thu Sự lan truyền của các tia này tuân theo các hiện tượng vật lý như phản xạ, nhiễu xạ và tán xạ, cho đến khi chúng đến điểm thu.

Tại vị trí máy thu, các tia tới được kết hợp để đánh giá và dự đoán cường độ điện từ trường, công suất thu, cũng như các yếu tố như suy hao, độ trễ, hướng sóng tới (DOA), thời gian tới (TOA) và nhiều đặc tính khác.

Wireless Insite cung cấp kết quả đầu ra rõ ràng và dễ hiểu, bao gồm hiển thị vùng phủ và công suất bằng phổ màu trên mô hình Ngoài ra, phần mềm còn cho phép chạy video thể hiện sự biến thiên của trường điện từ theo thời gian Đối với các loại dữ liệu khác, Wireless Insite cung cấp khả năng hiển thị kết quả dưới dạng đồ thị Tất cả dữ liệu đầu ra đều có định dạng readable ASCII, giúp người dùng dễ dàng tiếp cận và phân tích.

 Các tính năng chính và đầu ra của Wireless Insite

 Kỹ thuật ray-tracing với độ tin cậy cao

 Mô phỏng MIMO cho 4G, 5G, WiFi

 Tìm tia nhanh dựa trên công thức

 Các mô hình lan truyền thực nghiệm

 Bộ phân tích dữ liệu để xem, vẽ và xuất đầu ra MIMO

 Xử lý phân cực, pha, góc tới và góc phát của anten

Thêm dữ liệu và databases

 Thêm dữ liệu địa hình bằng cách sử dụng GDAL importer định dạng DRG, DOQ, DTED

 Thêm các kiến trúc thành phố, sơ đồ tằng, vật thể với định dạng COLLADA, DXF, KMZ, SAT, shapefile, STL

 Anten : Remcom UAN, XFdtd,planet, Odyssey

 Bản đồ và các hình ảnh trên không

 Các tính chất hấp thụ của vật liệu và tán lá

Hình 3-3 Thêm dữ liệu địa hình định dạng DRG

Các tính năng của tiến trình xử lý:

- Tham số không chắc chắn

- Phân tích kênh vô tuyến

- Nhiễu, BER, thông lượng… Đầu ra:

- Công suất thu, suy hao

- Hiển thị đường lan truyền tín hiệu

- Cường độ và pha điện trường

- Thời gian tới, hướng sóng tới

3.1.2 Cài đặt mô hình mô phỏng khu vực Keangnam, Hà Nội

Dự án đo đạc suy hao tại thành phố New York ở tần số 28 GHz của NYU WIRELESS nhằm thiết lập một khu vực đô thị để đo lường sự suy hao truyền và tối ưu hóa kết quả để so sánh với mô hình suy hao của 3GPP Tác giả chọn khu vực Keangnam, Mễ Trì, Hà Nội làm địa điểm mô phỏng lý tưởng nhờ sự kết hợp giữa kiến trúc nhiều nhà cao tầng và đường vành đai 3, đại diện cho mô hình đô thị hiện đại.

Hình 3-4 Khu vực Keangnam, Mễ Trì

Tác giả sử dụng bản đồ từ Google Maps và trích xuất dữ liệu từ Cadmapper để tạo footprint chính xác cho khu vực Mô hình mô phỏng được xây dựng dựa trên khoảng cách đo đạc từ Google Maps và thực tế khảo sát để thu thập dữ liệu chiều cao tòa nhà Các đặc tính vật liệu của tòa nhà và đường đi được thiết lập dựa trên quan sát thực tế Mô hình hóa được thực hiện để phản ánh chính xác kiến trúc và hạ tầng của khu vực Đặc tính vật liệu liên quan đến phản xạ, nhiễu xạ, và hấp thụ sóng được cung cấp bởi công cụ Wireless Insite, cho phép tùy chỉnh nhưng thiếu thông số tham chiếu Các vật liệu sẵn có trong công cụ này đáp ứng đủ nhu cầu cho hầu hết các mô hình thông thường.

Hình 3-5 Các tham số về tính chất vật liệu 3.1.3 Quá trình mô phỏng

Dự án đo suy hao thực tế của NYU WIRELESS tại New York tập trung vào tần số 28 GHz và 38 GHz, sử dụng anten horn cho cả máy phát và máy thu, với việc điều chỉnh góc phương vị và độ cao của từng thiết bị Các thử nghiệm này bao gồm nhiều phép đo quan trọng như góc xuất phát (AOD), góc tới (AOA), thời gian xuất phát (TOD) và thời gian tới (TOA) nhằm phân tích đặc trưng của dải tần số sóng milimet, hỗ trợ cho việc lập kế hoạch cho thế hệ di động 5G Tài liệu cơ sở cho nghiên cứu này là “Multi-beam Antenna Combining for 28 GHz Cellular Link Improvement in Urban Environments”.

Research on "Radio Propagation Path Loss Models for 5G Cellular Networks in the 28 GHz and 38 GHz Millimeter-Wave Bands" focuses on developing path loss models for 5G millimeter-wave propagation channels in urban microcells Over 20 IEEE papers have been published based on experiments conducted in New York City to identify multi-directional path loss models.

Trong luận văn này, tác giả nghiên cứu mô hình suy hao cho sóng milimet trong môi trường đô thị Việt Nam, sử dụng anten đa hướng phân cực dọc cho cả máy phát và máy thu Các tham số của anten phát được trình bày trong Bảng 3-1 Đặc biệt, anten phát được đặt tại nóc tòa nhà Keangnam Landmark Tower.

Hình 3-6 Mô hình khu vực Keangnam, Hà Nội

Bảng 3-1 Kịch bản mô phỏng

Tần số phát (GHz) Độ cao anten (m)

Công suất đầu vào (dBm)

Đặt 100 anten thu (Rx) trong tầm nhìn thẳng (LOS) và 100 anten Rx trong tầm nhìn không thẳng (NLOS) một cách ngẫu nhiên để tiến hành nghiên cứu.

Sau khi xác định vị trí anten và thiết lập các tham số cần thiết cho khu vực mô phỏng, hãy chọn đầu ra mong muốn và tiến hành chạy mô phỏng để thu thập kết quả.

40 dữ liệu (Distance-pathloss) Xử lý các tập dữ liệu này bằng mạng nơ ron của Học sâu.

Kết quả ước lượng suy hao truyền sóng bằng thuật toán học sâu

Mạng Nơ ron nhận đầu vào gồm 4 tham số: X (m), Y (m), Z (m) và Khoảng cách (m), với đầu ra là giá trị Pathloss hay còn gọi là Target Tác giả đã xây dựng nhiều mô hình khác nhau dựa trên tập dữ liệu thu được và tính toán độ chính xác để đánh giá hiệu quả của các mô hình này Để thực hiện, tác giả sử dụng Deep Learning Toolbox™ trong Matlab.

3.2.1 Kịch bản 1: Chiều cao anten phát 17 m, công suất máy phát 43 dBm ở tần số 28 GHz

Tập dữ liệu LOS thu được sẽ thực hiện dự đoán mô hình suy hao truyền sóng bằng Deep Learning theo các bước dưới đây

Sử dụng câu lệnh trong Matlab để nhập các giá trị đạt được sau khi mô phỏng phần mềm Wireless Insite

Chọn giá trị tập giá trị input gồm có 4 cột X(m), Y(m), Z(m), Khoảng cách (m) và tập target chỉ gồm giá trị Pathloss (dB) Câu lệnh thực hiện như sau: i=d(:,1:4)'; % input t=d(:,5)'; % target

Sử dụng nntool trong Matlab

Chọn Import để nhập dữ liệu vào

Để tạo mạng nơ ron trong nntool, hãy chọn tùy chọn New và thiết lập các tham số như hình minh họa, đặc biệt là số nơ ron là 10 (có thể điều chỉnh theo nhu cầu) Do tập dữ liệu có độ phức tạp thấp, chỉ cần chọn 1 layer.

40 Click vào MyNetwork vừa xây dựng và chọn Open ta được Sơ đồ mạng Nơ ron

Nhấn vào train network để bắt đầu huấn luyện

Kết quả huấn luyện ban đầu thường không đạt yêu cầu, nhưng qua các lần huấn luyện tiếp theo, kết quả sẽ được cải thiện rõ rệt Như thể hiện trong Hình 3-7 và Hình 3-8, kết quả ở lần huấn luyện đầu tiên không tốt, nhưng đến lần thứ hai, sự cải thiện đã được ghi nhận với kết quả khả quan hơn Dựa trên giá trị R trong biểu đồ Regression, có thể nhận thấy rằng khi giá trị R ở các tập dữ liệu lớn hơn, độ chính xác của dự đoán sẽ càng tốt hơn.

Hình 3-8 Kết quả dự đoán Hồi quy tốt nhất của tập dữ liệu LOS

Nhấn vào nút Xuất để nhận dữ liệu dự đoán và giá trị lỗi, tức là độ lệch giữa giá trị dự đoán và giá trị thực Để đánh giá hiệu quả của mô hình huấn luyện, tham số Độ chính xác được sử dụng, với công thức tính Độ chính xác như sau:

Kết quả dự đoán giá trị suy hao truyền sóng cho tập dữ liệu LOS

Bảng 3-2 Kết quả xây dựng mô hình mạng Nơ ron cho tập dữ liệu LOS

Suy hao mô phỏng (dB)

Suy hao dự đoán (dB) Lỗi Độ chính xác (%)

Sau khi hoàn thành huấn luyện mô hình, bảng 3-2 cho thấy các giá trị Pathloss dự đoán cùng với lỗi dự đoán cho từng điểm dữ liệu Độ chính xác của các giá trị dự đoán đạt trên 90%, với giá trị trung bình của toàn bộ mô hình lên tới 97,34%, cho thấy mô hình có khả năng dự đoán rất cao.

Sau một vài lần thực hiện quá trình huấn luyện, tác giả chọn được mô hình cuối cùng có kết quả huấn luyện tốt nhất như sau:

Hình 3-9 Kết quả dự đoán Hồi quy tốt nhất của tập dữ liệu NLOS

Sau nhiều lần huấn luyện, Hình 3-9 cho thấy kết quả huấn luyện tốt nhất Trong Deep Learning, mục tiêu là tìm nghiệm xấp xỉ, nghĩa là mạng Nơ-ron sau khi huấn luyện sẽ dự đoán giá trị pathloss gần nhất với giá trị thực tế Hồi quy (regression) giúp biểu diễn mối quan hệ giữa giá trị dự đoán (Output) và giá trị thực tế (Target) Từ hình vẽ, có thể xác định mô hình huấn luyện tối ưu dựa trên tham số R; khi R càng lớn, giá trị pathloss dự đoán càng gần với giá trị pathloss thực tế.

Kết quả dự đoán NLOS sử dụng mạng Nơ ron (

Bảng 3-3 Kết quả xây dựng mô hình mạng Nơ ron cho tập dữ liệu NLOS

Suy hao mô phỏng(dB)

(dB) Error Độ chính xác (%)

Bảng 3-3 chỉ ra rằng có sự chênh lệch đáng kể giữa giá trị suy hao mô phỏng và giá trị suy hao dự đoán, với một điểm dữ liệu có giá trị lỗi gần 20 dB, dẫn đến độ chính xác dưới 90% Nguyên nhân là do tập NLOS chứa nhiều điểm nằm ngoài điểm ngoại suy, gây ra sự khác biệt lớn giữa giá trị dự đoán và giá trị mô phỏng thực tế Tuy nhiên, độ chính xác trung bình của mô hình đạt 96,73%, cho thấy kết quả dự đoán của mô hình rất gần với giá trị mô phỏng thực tế Tác giả đã áp dụng phương pháp tương tự cho các kịch bản khác và đạt được kết quả đáng khích lệ.

Suy hao mô phỏng (dB) Suy hao dự đoán (dB) Lỗi Độ chính xác (%)

3.2.3 Từ Kịch bản 2: Chiều cao anten phát 7 m, công suất máy phát 30 dBm ở tần số 28 GHz

Theo Bảng 3-4, Độ chính xác của từng điểm giá trị dự đoán luôn đạt trên 90%, với Độ chính xác trung bình toàn bộ mô hình là 96,46% Điều này chứng tỏ mô hình có khả năng dự đoán với độ chính xác rất cao.

(dB) Lỗi Độ chính xác(%)

Mô hình dự đoán được cho tập NLOS có độ chính xác cao khi Độ chính xác là 96,50%

Suy hao dự đoán (dB) Error Độ chính xác (%)

Độ chính xác trung bình đạt 96,90%, cho thấy mạng Nơ ron mang lại kết quả dự đoán tốt với độ chính xác cao.

Suy hao dự đoán (dB) Lỗi Độ chính xác(%)

Độ chính xác trung bình đạt 96,93%, cho thấy mạng nơ-ron mang lại kết quả dự đoán tốt và mô hình có độ chính xác cao.

Suy hao dự đoán (dB) Lỗi Độ chính xác(%)

Suy hao dự đoán (dB) Lỗi Độ chính xác (%)

Bảng 3-9 cho thấy sự chênh lệch lớn giữa giá trị suy hao mô phỏng thực tế và giá trị suy hao dự đoán, với một điểm dữ liệu có giá trị lỗi gần 20 dB, dẫn đến độ chính xác dưới 90% Nguyên nhân là do tập NLOS có nhiều điểm nằm ngoài điểm ngoại suy, gây ra sự khác biệt lớn giữa giá trị dự đoán và giá trị mô phỏng thực tế Tuy nhiên, độ chính xác trung bình của mô hình đạt 95,84%, cho thấy kết quả dự đoán của mô hình rất gần với giá trị mô phỏng thực tế.

Nhiều điểm dữ liệu trong kết quả dự đoán sai lệch đáng kể so với giá trị thực, đặc biệt trong tập NLOS Nguyên nhân chủ yếu là do thiếu kinh nghiệm trong việc lựa chọn các điểm thu và hạn chế của công cụ mô phỏng, dẫn đến nhiều điểm nằm ngoài phạm vi đo lường.

Mô hình mạng Nơ ron đã đạt được độ chính xác cao trên 95% cho tất cả các tập dữ liệu trong các kịch bản khác nhau, cho thấy kết quả dự đoán Pathloss gần sát với kết quả mô phỏng thực tế tại các điểm dữ liệu Đây là những kết quả tối ưu mà các mô hình này đã đạt được.

Việc lựa chọn phương pháp hồi quy (regression) là rất quan trọng và cần được thực hiện liên tục cho đến khi mô hình đạt được giá trị dự đoán tối ưu Quyết định này dựa vào tham số R, thông qua việc quan sát đồ thị của các tập huấn luyện, tập thẩm định và tập kiểm thử; khi tham số R càng lớn, mô hình huấn luyện sẽ cho kết quả càng gần với thực tế.

Mô hình đơn giản với 4 tập đầu vào và 1 tập đích giúp giảm bớt độ phức tạp trong quá trình huấn luyện Việc chọn số lớp ít và lớp ẩn nhỏ là cần thiết để tối ưu hóa tính toán.

Chương 3 đã đưa ra kết quả ước lượng suy hao truyền sóng bằng việc sử dụng mạng nơ ron của học sâu

Mục 3.1 là quá trình xây dựng mô hình mô phỏng môi trường truyền sóng bằng phần mềm Wireless Insite Ở đây tác giả đã thiết lập các tham số cho môi trường mô phỏng để cho sát với điều kiện thực tế nhất, từ đó sau khi mô phỏng bằng phần mềm sẽ cho ra kết quả đáng tin cậy Tác giả thực hiện các kịch bản khác nhau như thay đổi tần số phát 28 GHz, 38 GHz, thay đổi chiều cao và công

Dữ liệu thu được từ 45 suất phát của anten sẽ được sử dụng để dự đoán suy hao truyền sóng thông qua mạng nơ ron trong thuật toán học sâu, như trình bày ở mục 3.2.

Trong mục 3.2 của luận văn, ứng dụng mạng nơ ron trong học sâu được sử dụng để dự đoán suy hao suy sóng tại các điểm Kết quả dự đoán từ thuật toán học sâu đạt độ chính xác trên 95%, chứng minh độ tin cậy cao của phương pháp này trong việc dự đoán suy hao bằng mạng nơ ron.

Định dạng
Số trang	98
Dung lượng	2,51 MB