Ứng dụng mô hình Deep Neural Network để khôi phục tín hiệu trong hệ thống MIMO-NOMA

Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

Ứng dụng mô hình Deep Neural Network để khơi
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: , ,
, ,

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 tốn 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 mơ
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 tốn giải mã thay vì một bộ phân loại đơn giản trong
giải mã mã tuyến tính [3] và mã cực [4]. Ngồi ra, học sâu
cịn 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 mơ 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 mơ hình giao thơng
phức tạp [9].
Việc khơi phục tín hiệu ở phía thu của hệ thống MIMONOMA 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 tơi sẽ trình bày một phương pháp học tập dựa trên
mơ hình DNN để ước tính hiệu quả trạng thái kênh và giải mã
tín hiệu dự kiến. Phần cịn lại của bài báo này sẽ được trình

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 tồn hệ thống. Xét kỹ thuật NOMA miền
cơng suất, do có sự chồng lấn cả về miền khơng gian và miền
cơng suất nên việc khơi phục tín hiệu ở đầu thu là khá phức
tạp. Phương pháp triệt nhiễu nối tiếp (SIC) thường được ứng
dụng để khơi phục tín hiệu trong hệ thống MIMO-NOMA. Tuy

nhiên, phương pháp SIC phải tách các tín hiệu mạnh trước khi
khơi 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 khơi 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 tồn hệ
thống. Nhờ vào q trình huấn luyện trong học sâu, hệ thống có
thể tìm ra bộ trọng số tối ưu cho q trình khơi 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 tồn 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 cơng bằng trong phục vụ người dùng. Theo lý do
này, người dùng đã được nhóm thành các cụm có kích thước

ISBN 978-604-80-5958-3

60


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

bày như sau: phần II trình bày cơ sở lí thuyết về mơ hình hệ
thống MIMO-NOMA dùng bộ tách tín hiệu tuyến tính MMSE
kết hợp phương pháp triệt nhiễu nối tiếp SIC ở phía thu và
trình bày ứng dụng của mơ hình DNN trong hệ thống MIMONOMA. Phần III mô phỏng hệ thống MIMO-NOMA sử dụng
học sâu để giải mã tín hiệu ở phía thu. Phần IV là kết quả
mơ phỏng và thảo luận. Phần cuối cùng là kết luận và hướng
phát triển.

hoàn tồn được biết. Đối với người dùng, quy trình giải mã
tín hiệu sử dụng MMSE có thể được thể hiện dưới dạng:
l11

j

P1 Xj1 ,

−

−1

.

l12 j

2

Y2

= arg min

d2

Xj1 ∈X

˜1
H
−α/2

P1 Xj1

−

,

(6)

j

˜ 2 = (H2 )H H2 (H2 )H + σ2 2 I
H

−1

.

(7)

Sau đó, tín hiệu này sẽ được trừ khỏi tín hiệu nhận được:
Y2 =

Y2
d2 −α/2

−

P1 Sl12 H2 .

(8)

Giải mã tín hiệu người dùng 2:
2

l22 j

Y2

= arg min

d2 −α/2

Xj2 ∈X

˜2
H

−

P2 Xj2

.

(9)

j

Như quy trình đã đề cập ở trên, đối với người dùng thứ K,
q trình giải mã tín hiệu có thể được biểu diễn như sau:

(1)

Sm (m ∈ [1, M ]) là tín hiệu của anten truyền thứ m và nó có
thể được biểu diễn dưới dạng:

YK =

YK
dK −α/2

−

K
PK SlK−1
HK ,

(10)
2

K
k
βk P Sm
,

(2)

K
lK

k=1

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 βk P = 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 Hk S + Nk ,
(3)

j

= arg min
XjK ∈X

YK
dK −α/2

˜K
H

−

PK XjK .

(11)

j

Từ phương trình trên có thể thấy rằng kết quả cuối cùng được
thể hiện dưới dạng sau:
K
lK
= fk . . . f2 (Y2 f1 (Y1 A + b1 ) + b2 ) . . . + bk ,

(12)
˜

k

trong đó Yk là một ma trận khơng đổi tương ứng với d H
−α/2 ,
k
√
k
bk là một véc tơ không đổi tương ứng với Pk Xj , fi đại diện
cho dạng của hàm phi tuyến tương ứng với hàm argmin.

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, σ 2 là nhiễu Gauss
tác động lên người dùng thứ k, σ 2 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 cơng suất được
phân bổ cho các người dùng giảm dần (P1 > P2 > . . . > PK ).
Gọi lqk 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)

ISBN 978-604-80-5958-3

(5)

Đối với người dùng 2, đầu tiên thông tin của người dùng 1
cần được trừ và quy trình tương tự như trên:

Trong hệ thống MIMO-NOMA, tín hiệu từ kênh có độ lợi
cao hơn sẽ được truyền với mức cơng suất thấp hơn, trong
khi đó tín hiệu từ kênh có độ lợi thấp hơn sẽ được truyền với

mức cơng suất cao hơn. Do đó, kênh của người dùng có độ lợi
thấp nhất sẽ khơng 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 cơng
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 khơng gian
SDM, ở phía thu ngồi 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:

Sm =

(4)

j

˜ 1 = (H1 )H H1 (H1 )H + σ1 2 I
H

A. Mơ hình hệ thống MIMO-NOMA sử dụng phương pháp
triệt nhiễu nối tiếp SIC ở phía thu

T

d1

Xj1 ∈X

˜1
H
−α/2

trong đó, j là anten thu thứ j với j = 1, 2, . . . , N và X là tập
symbol điều chế của người dùng. Ma trận trọng số của bộ giải
mã tín hiệu MMSE được thể hiện như sau:

II. MƠ HÌNH HỆ THỐNG

S = [S1 S2 . . . SM ] .

2

Y1

= arg min

B. Ứng dụng của mơ 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 tốn. Một
mơ 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

61


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2021)

Hình 3. Cấu trúc của mơ hình MIMO-NOMA-DNN.
Hình 1. Mơ hình 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 tốn 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 tốn tối ưu hóa vì có khả năng tự thích ứng với tốc
độ học tập và tối ưu mạnh mẽ.

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 (wn f (wn−1 f · · · w2 f (w1 y0 ))) .

(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.

C. Quy trình thực hiện mơ phỏng

III. MƠ PHỎNG HỆ THỐNG MIMO-NOMA-DNN

Giai đoạn 1: CHUẨN BỊ
Dữ liệu đầu vào mơ hình mạng nơ ron là tín hiệu nhận được
tại phía thu sau khi qua kênh truyền của hệ thống MIMONOMA. Giai đoạn này sẽ thực hiện tồn bộ q 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 mơ hình dự kiến sẽ phân
loại. Đối với tín hiệu symbol truyền đi, cần tạo một ma trận
là tồn 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,

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 mơ 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
khơi phục tín hiệu của hệ thống.
Khối DNN là khối tách tín hiệu chính để khơi 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 mơ hình.
Q 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.

Bảng I
MÃ HÓA VÉC TƠ ONE-HOT
Symbol truyền Vecto one-hot
0
[0 1]
1
[1 0]

B. Thiết kế khối DNN
Mơ hình DNN thiết kế ở đây để giải mã tín hiệu MIMONOMA 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.

ISBN 978-604-80-5958-3

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 mơ hình mạng nơ ron.
Giai đoạn 2: XÂY DỰNG

62


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2021)

Mơ hình mạng nơ ron có một lớp đầu vào, năm lớp ẩn
và một lớp đầu ra. Hàm kích hoạt được dùng cho các lớp
này là hàm ReLU. Ma trận trọng số được tạo ngẫu nhiên từ
phân phối chuẩn với trung bình là 0 và độ lệch chuẩn là 0.1.
Véc tơ độ lệch được khởi tạo bằng 0. Bài báo sẽ áp dụng
một phương pháp hiệu quả khi huấn luyện mơ hình để chuẩn
hóa các feature là đầu ra của mỗi layer sau khi áp dụng các
hàm kích hoạt về trạng thái zero-mean với độ lệch chuẩn là
1, phương pháp này gọi là Batch Normalization.

Lớp đầu ra của mơ hình mạng nơ ron chính là giá trị dự
đốn (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 mơ hình để với một tập dữ liệu mới là các symbol truyền
đi thì mơ 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 mơ hình vừa được huấn luyện và tính lỗi
trong q 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 thơng số mơ hình đã thiết lập và đảm
bảo tính chính xác của hệ thống.

Bảng II
CÁC

Thơng số
Hệ điều hành
Framework
Ngơn ngữ lập trình
Kênh
Fading

Số người dùng
Số anten truyền
Số anten nhận
Điều chế
Số lượng mẫu huấn luyện
Tổng công suất truyền trên anten
Hệ số phân bổ công suất
Lớp ẩn
Lớp ngõ ra

Giá trị
Window 10
TensorFlow
Python 3.6/MATLAB
MIMO channel/AWGN
Rayleigh Fading
2
4
4
BPSK, QPSK
8000
1W
0.8
ReLU
Softmax

Hình 4. So sánh chất lượng hệ thống MIMO-NOMA-DNN và hệ thống
MIMO-NOMA-SIC.

IV. KẾT QUẢ MÔ PHỎNG

B. Đánh giá chất lượng hệ thống khi sử dụng các phương
pháp điều chế khác nhau

A. Đánh giá chất lượng hệ thống giữa phương pháp SIC và
Học sâu

Ở đây, bài báo đã mơ phỏng tình huống cả hai người dùng
sử dụng điều chế BPSK hoặc QPSK. Xét rằng việc giải mã
tín hiệu người dùng 2 địi 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 mơ 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 mơ hình DNN.

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 ln cho SNR tốt hơn 11 dB.

ISBN 978-604-80-5958-3

THÔNG SỐ MÔ PHỎNG

C. Ảnh hưởng của tỉ lệ phân bổ cơng suất
Hình 6 thể hiện chất lượng của hệ thống MIMO-NOMADNN và MIMO-NOMA-SIC với điều chế BPSK trong trường
hợp sử dụng các hệ số phân bổ cơng 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

63


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2021)

Hình 5. So sánh chất lượng của hệ thống MIMO-NOMA-DNN và MIMONOMA- SIC trong các trường hợp sử dụng loại điều chế khác nhau.

Hình 7. Chất lượng hệ thống MIMO-NOMA-DNN với những giá trị learning
rate khác nhau.

Hình 6. So sánh chất lượng hệ thống MIMO-NOMA-DNN và MIMO-NOMASIC trong trường hợp sử dụng các hệ số phân bổ cơng suất khác nhau.

Hình 8. Chất lượng của hệ thống MIMO-NOMA-DNN trong trường hợp sử
dụng các thuật toán tối ưu 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.

Các thuật tốn tối ưu có nhiệm vụ tính tốn gradient của
hàm mất mát và cập nhật các tham số của mô hình sao cho tối
ưu nhất. Các thuật tốn tối ưu thường sử dụng như thuật toán
SGD, SGD với Momentum, RMSProp, và thuật tốn Adam.
Hình 8 biểu diễn chất lượng của hệ thống MIMO-NOMADNN 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 cịn lại khi sử dụng thuật tốn
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 khơng giải mã được tín hiệu. Ngun
nhân là do learning rate là 10−4 khá nhỏ trong trường hợp sử
dụng thuật tốn SGD làm cho mơ 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

mơ 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 mơ hình mạng nơ ron được thiết kế với số lượng

D. Ảnh hưởng của một số thông số của DNN
Thay đổi thông số learning rate
Việc chọn learning rate tối ưu cho mơ hình thật sự là một
điều quan trọng. Nếu learning rate có giá trị quá nhỏ sẽ dẫn
đến q trình huấn luyện mơ 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 q trình huấn luyện khơng ổn định. Bài
báo đã tiến hành thay đổi các giá trị learning rate với bước thay
đổi là 10−1 trong khoảng từ 10−7 đến 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 10−7 đến 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 mơ hình có thể bị
thất bại, dẫn đến mơ hình khơng cập nhật được bộ trọng số
tối ưu nhất.
Thay đổi các thuật toán tối ưu trọng số

ISBN 978-604-80-5958-3

64

Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

các lớp ẩn khác nhau, số lượng node của lớp ẩn được chọn
là 16, 8, 4 node. Với trường hợp số lượng node của lớp ẩn là
16, chất lượng hệ thống tốt trong một số tình huống cụ thể là
mơ hình có 3, 4 và 5 lớp ẩn. Trong trường hợp số lượng node
của lớp ẩn bằng với số lượng node của lớp đầu vào và đầu ra
là 8 node và trường hợp 4 node ở lớp ẩn, chất lượng của hệ
thống MIMO-NOMA-DNN cho kết quả rất tệ.
Lựa 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
mơ 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 mơ hình với số lượng
node của lớp ẩn đã chọn. Việc cần làm bây giờ là lựa chọn
các giá trị trong trường hợp mơ 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 mơ hình mạng nơ
ron.

(a)

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-NOMADNN để thực hiện phục hồi tín hiệu. Hệ thống này có thể
đồng thời hồn thành các q 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.

(b)

LỜI CẢM ƠN
(c)

Nghiên cứu được tài trợ bởi Trường Đại học Khoa học Tự
nhiên, ĐHQG-HCM trong khn khổ Đề tài mã số T2021-30.

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

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. 341346.
[4] T. Gruber, S. Cammerer, J. Hoydis, and S. t. Brink, "On Deep Learningbased channel decoding," in 2017 51st Annual Conference on Information 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.

ISBN 978-604-80-5958-3

[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.

65