Học máy và khả năng ứng dụng trong các hệ thống thông tin vô tuyến

Nghiên cứu khoa học công nghệ

HỌC MÁY VÀ KHẢ NĂNG ỨNG DỤNG
TRONG CÁC HỆ THỐNG THÔNG TIN VÔ TUYẾN
Bùi Thị Thanh Tâm1*, Trần Xuân Nam2
Tóm tắt: Cùng với sự phát triển của Cuộc cách mạng công nghiệp lần thứ 4,
truyền thông vô tuyến đang ngày càng phát triển nhằm đảm bảo truyền dẫn, thông tin
liên lạc nhanh, an toàn, tin cậy trong các điều kiện chịu ảnh hướng lớn của môi
trường truyền sóng vô tuyến phức tạp. Sự phát triển mạnh mẽ của các công nghệ xử lý
tiên tiến đã thúc đẩy việc nghiên cứu ứng dụng trí tuệ nhân tạo (Artificial Intelligence
- AI) vào các hệ thống thông tin vô tuyến (TTVT) thế hệ tiếp theo nhằm tăng khả năng
tự học, nhận biết, và tự xử lý để có thể kết nối với nhau thích nghi theo điều kiện
truyền dẫn thực tế, giảm bớt thời gian xử lý, đồng thời có thể đạt được hiệu năng cao
hơn. Bài báo này trình bày một nghiên cứu tổng quan về nguyên lý và các kết quả đạt
được gần đây về ứng dụng học máy trong các hệ thống TTVT, trên cơ sở đó gợi mở
một số chủ đề nghiên cứu có ý nghĩa khoa học và thực tiễn.
Từ khóa: Hệ thống thông tin vô tuyến; Học máy; Học sâu.

1. GIỚI THIỆU
Các hệ thống thông tin vô tuyến luôn đòi hỏi ứng dụng các công nghệ mới
nhằm đáp ứng yêu cầu truyền tin tốc độ nhanh, độ tin cậy cao trong điều kiện băng
tần hạn chế, môi trường kênh truyền phức tạp chịu ảnh hưởng của các nguồn nhiễu
và hiện tượng pha-đinh vô tuyến. Cùng với sự phát triển của các công nghệ tính
toán tiên tiến, trí tuệ nhân tạo ngày càng được ứng dụng rộng rãi trong các hệ
thống công nghệ điện tử, truyền thông và công nghệ thông tin. Các nghiên cứu mới
nhất về thông tin vô tuyến đã cho thấy trí tuệ nhân tạo, mà cụ thể là học máy
(Machine Learning - ML), sẽ được ứng dụng rộng rãi trong thông tin vô tuyến thế
hệ tiếp theo như thông tin quân sự, thông tin di động thế hệ thứ 6 (6G) [1], hệ
thống kết nối Internet vạn vật (Internet of Things - IoT) [2], hệ thống thông tin
phục vụ giao thông thông minh (Intelligence Transport System - ITS) [3],... Việc
ứng dụng ML trong TTVT đem lại nhiều tiềm năng về xử lý tín hiệu nhờ đặc tính

tự học như không yêu cầu thông tin trạng thái kênh thông tin trạng thái kênh [4],
mã hóa [5, 6], xử lý dữ liệu lớn, đa chiều [7] theo định hướng của các hệ thống vô
tuyến cấu hình mềm, thông minh.
Bài báo này trình bày tổng quan về khả năng ứng dụng học máy trong TTVT,
các kết quả bước đầu đạt được và tiềm năng phát triển trong tương lai. Bài báo tập
trung chủ yếu vào khả năng ứng của học sâu (Deep Learning - DL) vào xử lý tín
hiệu tại lớp vật lý vẫn được coi là lớp phức tạp nhất trong hệ thống TTVT.
Bài báo có cấu trúc như sau: Mục 2 trình bày lý thuyết chung về học máy và
học sâu, một số mô hình điển hình; Mục 3 trình bày các ứng dụng tiềm năng của
học máy và học sâu trong các hệ thống TTVT; Cuối cùng Mục 4 rút ra các kết luận
và gợi mở một số hướng nghiên cứu tiềm năng về ứng dụng học máy trong TTVT.
2. HỌC MÁY VÀ CÁC MÔ HÌNH CỦA MẠNG HỌC SÂU
2.1. Học máy
Học máy là một lĩnh vực của khoa học máy tính, một nhánh của trí tuệ nhân tạo,

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

11


Kỹỹ thuật điện tử

sử
ử dụng các thuật toán để xây dựng các mô hhình
ình toán hhọc
ọc dựa trên
trên tập
tập dữ liệu mẫu
đầu
ầu vào thông qua quá trình huấn

huấn luyện nhằm thực hiện các dự đoán hoặc quyết
định
[8].
ịnh tự động thông qua trải nghiệm tự học [8].

ình.
Hình 1.
1 Mô hình hhọc
ọc máy điển hhình
một
Hình 1 trình bày m
ột mô hình
hình hhọc
ọc máy điển hình
hình vvới
ới hai quá trình:
trình: quá trình
huấn luyện (training
huấn
training)) và quá trình xxử
(training
ử lý dữ liệu. Trong quá trình
trình huấn
huấn luyện, sử
dụng
thuật toán học máy sẽ xây dựng một mô
ụng một tập dữ liệu hữu hạn đầu vvào
ào các thuật
xử lý tín hiệu với các tham số đảm bảo dữ liệu đầu ra chính xác với dữ liệu
hình xử

huấn luyện. Quá tr
huấn
trình
ự qquá
ình này tương
tương ttự
uá trình huấn
huấn luyện để xác định các trọng số
bộ
nhiên,
ộ lọc hoặc san bằng tín hiệu trong xử lý tín hiệu. Tuy nhi
ên, điểm
điểm khác biệt giữa
học
ọc máy và
và bộ
bộ lọc llàà ở chỗ thuật toán vvàà các trọng
trọng số trong mô hình
hình xử
xử lý tín hiệu
của
ập tr
trình
trước,
ủa bộ lọc đã
đ được
được xác định và
và llập
ình trư
c, trong khi đó,

đó thuật
thuật toán vvàà các
trọng
học máy đđư
ược
ọng số trong mô hhình
ình học
ợc xây dựng tự động thông qua quá tr
trình
ình huấn
huấn
luyện. Dựa trên
luyện.
loại
như
trên phương pháp hu
huấn
ấn luyện có thể phân học máy thành
thành 3 lo
ại như
sau: học
ọc có giám sát (supervised
( upervised learning),
learning), học
học không giám sát (uns
( nsupervised
upervised
reinforcement
learning)
learning) và học

học tăng cường
cường (reinforce
(reinforce
ment learning
learning). Các thuật toán học có giám
sát ssử
ử dụng một tập dữ liệu gồm dữ liệu huấn luyện vvàà ddữ
ữ liệu mong muốn đầu ra
gọi là
(còn gọi
là dữ
dữ liệu giám sát) để xây dựng mô hình
hình, trong khi đó,
đó thuật
thuật toán không
giám sát sử
sử dụng tập dữ liệu chỉ gồm duy nhất dữ liệu đầu vvào.
ào. Học
Học tăng ccường
ờng sử
dụng
ào, ddữ
chuẩn
ụng tập dữ liệu gồm dữ liệu đầu vvào,
ữ liệu đầu ra nhất định và
và tiêu chu
ẩn đầu
để thực hiện các ttương
ầu nh
như

trò
ữ liệu huấn
huấn
vào để
ương tác yêu ccầu
ư điều
điều khiển, tr
ò chơi.
chơi. Bộ
Bộ ddữ
luyện được
luyện
ột mô hhình
với
đ ợc lựa chọn
chọn để đưa ra m
một
ình với
với độ chính xác cao nhất có thể với
m nhiệm
mỗi
thể.. Hai ứng dụng phổ biến nhất của học có giám sát llà phân loại
nhiệm vụ cụụ thể
loại
(classification
egression), trong khi đó
classification và hhồi
classification)
ồi quy (regression
( egression

đó, ứng dụng chủ yếu của học
clustering)) hoặc
hoặc giảm số chiều dữ liệu ((dimension
không giám sát là phân nhóm (clustering
(clustering
dimension
ưu tr
trữ
và tính toán. H
Học
reduction)
reduction) để
để thuận tiện trong việc llưu
ữ và
ọc tăng cường
c ờng llàà phương
hệ thống học cách xác định hoạt động dựa trên
pháp hệ
trên hoàn ccảnh
ảnh để đạt đđược
ợc lợi ích
cao nhấ
nhất.
trò
chơi,
t. Hiện
Hiện tại, học tăng cường
c ờng chủ yếu được
được áp dụng trong lý thuyết tr
ò chơi,

thuật toán xác định nước
các thuật
n ớc đi tiếp theo để đạt đư
được
ợc điểm số cao nhất.
Các mô hình học
học máy phổ biến gồm mô hình
hình mạng
ạng nnơ-ron
ron nhân tạo
tạo ((Artificial
Artificial
quyết
véc--tơ
hỗ
Neural Network - ANN), mô hình cây quy
ết định (Decision
(Decision Tree),
Tree , máy véc
tơ hỗ
trợ
(Support Vector Machine - SVM), phân tích hhồi
ợ (Support
ồi quy (analysis
(analysis regression),
regression),
mạng Bayes (Bayesian
mạng
thuật
(Bayesian Networks

Networks)) và thu
ật toán di truyền ((Genetic
Genetic Algorithm - GA)
[9] Học
[9].
Học sâu là
là một
một nhánh của học máy dựa trên
trên ANN vvới
ới nhiều lớp liên
liên kkết
ết trong
mô hình như
như biểu
ểu diễn ở hình
hình 2.
12

Tâm,, T.
T X.
“Học
và khả
tuyến
B T.
B.
T T.. Tâm
X Nam
Nam,, “H
ọc máy và
khả năng ứng dụng … thông tin vô tuy

ến.”
”


Nghiên cứu khoa học công nghệ

output layer

input layer
hidden layer 1

hidden layer 2

hidden layer 3

Hình 2. Cấu trúc mạng nơ-ron sâu.
2.2. Một số mô hình mạng học sâu
Những nghiên cứu nền tảng của học sâu thực tế đã xuất hiện từ những năm
1940 [10, 11]. Mặc dù được biết đến là một mô hình học máy hiệu quả, tuy nhiên,
học sâu gặp phải nhiều khó khăn và thách thức lớn như xử lý dữ liệu phi tuyến,
giải quyết vấn đề quá khớp (overfitting), biến mất gra-đi-ên (vanishing gradient)
và tải tính toán (computational load) [12]. Cho đến đầu những năm 2010, với sự
phát triển của phần cứng có khả năng tính toán tốc độ cao, học sâu mới được quan
tâm trở lại và phát triển bùng nổ. Cho đến nay, có rất nhiều các mô hình học sâu
khác nhau đã được đề xuất. Trong bài báo này, chúng tôi không trình bày lại cấu
trúc cơ bản của mạng nơ-ron học sâu mà tập trung vào 3 mô hình mạng học sâu có
tính chất nền tảng và đang được sử dụng rộng rãi trong các nghiên cứu mới. Đó là
mạng nơ-ron chiều thuận (Feedforward Neural Networks - FNN), mạng nơ-ron
chập (Convolution Neural Networks - CNN) và mạng nơ-ron hồi quy (Recurrent
Neural Networks - RNN).

2.2.1. Feedforward Neural Networks (FNN)
Mạng nơ-ron hướng thuận (FNN) còn có tên gọi khác là mạng nơ-ron sâu (Deep
Neural Networks - DNN) là một trong các mô hình học máy được sử dụng trong
nhiều ứng dụng thực tế. Trong FNN, dữ liệu đầu vào của một lớp chỉ phụ thuộc dữ
liệu đầu ra của lớp trước. Trong mạng học sâu có L lớp, biểu thức tính dữ liệu đầu
ra ở lớp thứ l (với l  1, 2, , L ) có thể biểu diễn như sau:

y l  f W l y l 1  b l


 







l 

trong đó, ma trận trọng số W biểu diễn trọng số (weight) kết nối từ lớp thứ
l 
(l  1) đến lớp thứ l , b là véc-tơ biểu diễn độ lệch (bias) ở lớp thứ l , f () là các
hàm kích hoạt ở đầu ra các nút. Giả thiết mạng FNN thực hiện nhiệm vụ phân loại
dữ liệu, bộ dữ liệu đưa vào huấn luyện (x , y ) với x là dữ liệu đầu vào, y là dữ
liệu đầu ra cho trước để điều chỉnh các tham số của mạng. Quá trình tối ưu mạng là
quá trình bộ tham số mạng W , b được điều chỉnh theo chiều làm cực tiểu hàm mất
mát L(y, yˆ) , với y là đầu ra đúng và yˆ là đầu ra ước lượng được. Một số các hàm
kích hoạt và hàm mất mát điển hình được trình bày trong [13]. Các thuật toán tối
ưu điển hình thường được sử dụng là xuống dốc gra-đi-ên (gradient descent),

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

13


Kỹ thuật điện tử

xuống dốc gra-đi-ên ngẫu nhiên (Stochastic Gradient Descent), Adagrad, căn bậc
hai của bình phương sai số (Root Mean Square - RMS), Adam [10]. Năm 1986,
Geoffrey Hinton [14] chứng minh mạng nơ-ron với nhiều lớp ẩn có thể được huấn
luyện hiệu quả hơn khi sử dụng quy trình lan truyền ngược (Back Propagation BP). Mạng được huấn huyện bằng BP, có nghĩa là ở đầu ra của mạng có đường
phản hồi đến các lớp phía trước để điểu chỉnh các tham số mạng từ lớp L , lớp L 1,… lớp 1. Hầu hết các mạng học sâu hiện nay vẫn sử dụng phương pháp huấn
luyện mạng dựa trên BP.
2.2.2. Convolution Neural Networks (CNN)
Mạng nơ-ron chập (CNN) được giới thiệu trong [15] và được đề xuất ứng dụng
nhiều trong các bài toán thực tế [16-18]. CNN là một kiểu mạng nơ-ron xử lý tốt
dữ liệu dạng lưới (grid-like data), đa chiều và có kích thước thay đổi. Đầu vào của
mạng CNN có thể theo chuỗi theo thời gian, nhưng cơ bản phù hợp với dữ liệu đầu
vào ở dạng ảnh. CNN có sử dụng phép tính tích chập nhân ma trận ở ít nhất một
lớp, với ảnh I đầu vào ta có phép tính tích chập biểu diễn như sau [10]:
S i, j   K * I i, j  

  I m, n  K i  m, j  n 
m

n

trong đó S thường là bản đồ đặc tính, K được gọi là Kernel. Phép tính trên biểu
diễn cho dữ liệu 2 chiều, nhưng cũng có thể mở rộng thành dữ liệu nhiều chiều

hơn. Các tham số của K tương tự các tham số trọng số trong mạng FNN, có để
được học bằng thuật toán SGD và BP. Một ưu điểm của CNN so với FNN là đặc
tính chia sẻ tham số (parameter sharing), nhờ đặc tính này CNN chỉ phải học một
bộ tham số duy nhất, do đó, giảm yêu cầu về bộ nhớ. Một số dạng biến đổi của
CNN là LSTM (Long Short Term Memory), RN (Residual Network), HNN
(Highway Neural Network) cho phép chống lại vấn đề vanishing gradients trong
quá trình huấn luyện mạng.
2.2.3. Recurrent Neural Network (RNN)
RNN được giới thiệu trong [10] là một cách để điều chỉnh xử lý dữ liệu nối tiếp.
Kiểu mạng này tương tự như CNN theo nghĩa chia sẻ tham số; tuy nhiên, trong
RNN các tham số được chia sẻ theo các bước thời gian và chỉ số của đầu vào nối
tiếp. Mạng có tên gọi là hồi quy (recurrent) do chúng lặp lại kết nối giữa các nút
ẩn. Biểu diễn toán học đầu ra của một nút tại thời điểm t như sau:



y t   f y t  1, x t ; 



trong đó, hàm f () là hàm kích hoạt ở một nút, y(t ) là trạng thái ra của các nút ẩn
ở thời điểm t , x (t ) là đầu vào thời điểm t ,  là các tham số cần học của mạng.
 không có chỉ số hay biến theo thời gian vì tham số trọng số, độ lệch của mạng là
giống nhau với mọi thời điểm của chuỗi đầu vào. Các thuật toán SGD và BPTT
[10] (Back-Propagation Through Time) thường được sử dụng để huấn luyện RNN.
Các mạng mở rộng của RNN phổ biến là LSTM và GRU (Gated Recurrent Unit).
3. CÁC ỨNG DỤNG CỦA ML TRONG THÔNG TIN VÔ TUYẾN
Trong những năm gần đây, học máy đã được nghiên cứu đề xuất ứng dụng

14

B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”


Nghiên cứu
cứu khoa học công nghệ

trong các hệ
hệ thống TTVT nhằm
nhằm đem lại những tiềm năng lớn về khả năng ứng
dụng
tiên
giản hóa cấu trúc máy thu phát, nâng cao
ụng công nghệ xử lý ti
ên tiến
tiến trong đơn giản
chất lượng
chất
l ợng truyền dẫn
dẫn.. Các ứng dụng của học
thành
ọc máy đđã đđềề xuất có thể
thể chia th
ành hai
loại: một là
loại:
một
là ứng dụng đầy
ầy đủ từ
ừ máy phát đến máy thu, tạo

ạo thành
thành m
ột bộ
thếế một
autoencoder [10] duy nhất;
nhất; hai là thay th
một khối chức năng
năng như là san bbằng
ằng
ửa lỗi, m
mãã hóa và gi
ải m
mã,
trải phổ tín hi
hiệu,, nhận
nhận
kênh và giải
giải mã
mã kênh, mã hóa ssửa
giải
ã, trải
dạng
ạng điều chế hay tách tín hiệu.
hiệu.
3.1 Ứng dụng DL cho hệ thống thông tin từ máy phát đến máy thu
3.1.

Hình 3. Một
Một hệ thống thông tin qua kkênh
ênh AWGN

được
như
ư là m
một
đư
ợc biểu diễn nh
ột bộ autoencoder [13].
[13]
biểu
ột bộ mã
Trong công trình [13] các tác gi
giảả bi
ểu diễn một hệ thống TTVT như m
một
tự động (autoencoder
trên
biểu
hóa tự
( utoencoder)
utoencoder biểu
ểu diễn tr
ên hình 3. Cách bi
ểu diễn này
này cho phép tối
tối
ưu hhệệ thống đồng bộ từ máy phát đến máy thu, hứa hẹn cải thiện đđư
ược
ợc phẩm chất
của
ủa hệ thống trong các tr

trường
ờng hợp phức tạp, khó có thể mô hình
hình hóa hệ
hệ thống bằng
ọc [19].
[19]. Toàn bbộ
các mô hình toán hhọc
ộ hệ thống từ máy phát, kênh
kênh truy
truyền
ền vvàà máy thu
được biểu diễn như
được
một
ron.
như m
ột mạng nơ
nơ-ron.
ào s được
tơ one
one-hot,
Ở máy phát, tập dữ liệu phát đầu vvào
được mã
mã hóa bbằng
ằng một vécvéc-tơ
hot,
một
sau đó được
được đưa
đưa vào m

ột mạng FNN, tiếp theo là
là một
một lớp chuẩn hóa (normalization
(normalization
layer). Kênh được
diễn bằng một lớp tạp âm cộộng
layer).
được biểu diễn
ng tính (noise
(noise layer
layer).
). Máy thu
cũng
được
ũng đư
ợc biểu diễn bằng một mạng FNN, trong đó
đó, lớp
ớp cuối cùng
cùng sử
sử dụng hàm
hàm
hoạt softmax có đầu ra p  (0,1) là m
một
suất
kích hoạt
ột vecvec-tơ
tơ xác su
ất xuất hiện một symbol.
Bộộ autoencoder đư
được

crossợc huấn luyện
luyện bằng thuật toán SGD với hàm
hàm mất
mất mát llàà crossKết quả cho thấy
thấy, hệ
hệ thống ứng dụng DL cho phẩm chất
entropy giữa
giữa 1s và p . Kết
tương đương với
với một hệ thống thông tin thông thư
thường
ờng sử dụng bộ tách hợp lệ tối đa.
ơn khi hhệệ thống sử dụng mức điều chế cao thì
Trong một
một số trường
tr ờng hợp khó hhơn
thì
phẩm
autoencoder cho ph
ẩm chất tốt hơn
hơn hhệệ thống thông tin thông thườ
th ờng.
ng.
Giải pháp này
tiếp
Giải
này ti
ếp tục đư
được
ợc phát triển ứng dụng từ hệ thống thông tin SISO

(Single
Single Input Single Output)
Output) lên hhệệ thống thông tin MIMO ((Multiple
Multiple Input Multiple
Output) [20] qua kênh phapha-đinh
Output)
đinh Rayleigh, cho trường
trường hợp hệ thống có vvàà không có
ênh ((Channel
kênh thông tin phản
phản hồi trạng thái kkênh
Channel State Information - CSI). Trong
trường hợp hệ thống không có kkênh
trường
ênh ph
phản
ản hồi thông tin trạng thái kênh,
kênh, các tác giả
giả
mãã STBC 2x1 [21] và hệ
hệ
so sánh hệ
hệ thống MIMO phân tập không gian sử dụng m
thống thông tin MIMO sử dụng DL ch
thống
cho
pha-đinh
o toàn bộ
bộ hệ thống qua kênh
kênh pha

đinh

Tạp
KH&CN
tử, 9 - 2020
20
ạp chí Nghiên
Nghiên cứu
cứu KH&
CN quân
uân sự,
sự, Số
ố Đặc san Viện
ện Điện tử

15


Kỹ thuật điện tử

Rayleigh. Kết quả cho thấy, tỷ số lỗi bít của hệ thống ứng dụng DL thấp hơn hệ
thống MIMO thông thường khi tỷ số tín/tạp (SNR) lớn hơn 15 dB.
Trong trường hợp có kênh thông tin phản hồi CSI tốt về máy phát, máy phát sử
dụng tiền mã hóa SVD (Singular Value Decomposition) để mã hóa symbol phát.
Kết quả mô phỏng cho thấy, hệ thống MIMO sử dụng mạng nơ-ron cho phẩm chất
tốt hơn hệ thống phân tập không gian MIMO thông thường với mọi giá trị SNR.
Giải pháp ứng dụng DL đồng bộ cho hệ thống thông tin từ máy phát đến máy
thu cung cấp một phương pháp mới trong thiết kế hệ thống ở lớp vật lý. Mặc dù,
còn nhiều vấn đề vẫn cần phải thực hiện và cải thiện để hệ thống hoạt động hiệu
quả hơn, nhưng với các kết quả đạt được trong các nghiên cứu cho thấy, những cải

thiện của giải pháp này có ý nghĩa quan trọng, đó là cải thiện phẩm chất, giảm độ
phức tạp tính toán so với các mô hình hệ thống thông tin trước đó.
3.2. San bằng kênh và giải mã sửa lỗi kênh
Một trong các ứng dụng DL trong các hệ thống thông tin vô tuyến là bộ san
bằng và mã sửa lỗi kênh để hạn chế ảnh hưởng của méo tín hiệu do đặc tính làm
việc của các bộ trộn và bộ khếch đại phi tuyến, kênh pha-đinh đa đường gây ra
nhiễu xuyên dấu (Inter-Symbol Interference - ISI). Có rất nhiều nghiên cứu đề xuất
giải pháp san bằng méo phi tuyến mà không cần biết chính xác thông tin trạng thái
kênh. Các tác giả trong [22] trình bày một phương pháp san bằng kênh bằng mạng
nơ-ron chỉ gồm 3 lớp, lớp đầu vào, lớp ẩn với hàm kích hoạt phi tuyến RBF
(Radial Basis Function) và lớp đầu ra. Tín hiệu phát đi qua kênh truyền phi tuyến
và có ảnh hưởng bởi nhiễu xuyên dấu. Nghiên cứu so sánh bộ san bằng kênh đề
xuất với hai bộ san bằng kênh tuyến tính khác là LTE (Linear Transversal
Equalizer) và mạng FNN sử dụng hàm kích hoạt sigmoid. Kết quả mô phỏng cho
bộ san bằng RBF cho phẩm chất tốt hơn nhiều so với hai san bằng còn lại. Bài báo
[23] đề xuất bộ san bằng sử dụng mạng nơ-ron CNN. Một số nghiên cứu ứng dụng
DL cho giải mã sửa lỗi kênh, mã sửa lỗi BCH [5], mã sửa lỗi polar code [6, 24].
Công trình [17] đề xuất kết hợp san bằng kênh và giải mã sửa lỗi kênh trong
một quá trình tạo thành bộ giải mã và san bằng không cần có thông tin trạng thái
kênh. Nghiên cứu sử hai mạng nơ-ron, một mạng có cấu trúc CNN để khôi phục
tín hiệu phát khi truyền qua kênh khó và có méo phi tuyến, một mạng DNN thực
hiện giải mã tín hiệu từ bộ san bằng CNN. Mạng CNN cho phép san bằng kênh với
số lượng tham số cần huấn luyện ít hơn so với mạng DNN và có khả năng phân
tách các đặc tính tốt. CNN hiệu quả với các dữ liệu đầu vào bị ảnh hưởng bởi các
bit lân cận nhờ đặc tính chia sẻ tham số (parameter sharing), điều này phù hợp với
kênh có ISI và ảnh hưởng của méo phi tuyến. Lớp cuối của CNN sử dụng hàm
softmax, hàm mất mát MSE, mạng được tối ưu bằng SGD và kỹ thuật BP. Nghiên
cứu thực hiện so sánh, đánh giá mô hình đề xuất với một số các bộ san bằng khác
trên kênh AWGN và kênh pha-đinh. Kết quả cho thấy, giải pháp đề xuất cho phẩm
chất tốt hơn các bộ san bằng và giải mã trước đó.

3.3. Trải phổ, đa truy cập
Kỹ thật DL được ứng dụng nhiều trong các hệ thống đa truy cập và trải phổ nhằm
hạn chế các tác động của xuyên nhiễu đa người dùng (Multiple Access Interference MAI). Các tác giả công trình [25] đề xuất ứng dụng mạng DNN cho sơ đồ đa truy
16

B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”


Nghiên cứu khoa học công nghệ

cập SCMA (Sparse Code Multiple Access) được gọi là DL-SCMA thực hiện học giải
mã các tín hiệu SCMA trên kênh Gauss khắc phục bộ giải mã SCMA đã có với độ
chính xác cao, độ phức tạp thấp. Xây dựng và huấn luyện bộ AE-SCMA
(Autoencoder - Sparse Code Multiple Access) để tạo ra các từ mã SCMA tối ưu, khôi
phục các tín hiệu gốc. Bộ AE-SCMA giúp khái quát SCMA, từ đó, các tác giả đề
xuất sơ đồ DCMA (Dense Code Multiple Access) cho phẩm chất tốt hơn bộ SCMA.
Mạng nơ-ron được đề xuất sử dụng làm bộ tách đa người dùng ở máy thu cho hệ
thống MC-CDMA kết hợp điều khiển công suất trên kênh pha-đinh Rayleigh trình
bày trong [26]. Trong nghiên cứu này, mạng nơ-ron được đặt sau bộ kết hợp tỉ số
cực đại (Maximal Ratio Combining - MRC). Số các nút ở lớp đầu vào, lớp ẩn và lớp
đầu ra của mạng FNN bằng số người dùng, hàm kích hoạt ở lớp ẩn là sigmoid, mạng
được huấn luyện bằng thuật toán Levenberg-Marquardt. Kết quả cho thấy, phẩm
chất của hệ thống đề xuất được cải thiện nhiễu so với máy thu đơn thuần sử dụng
MRC, và đường BER tiến đến gần với BER của hệ thống đơn người dùng (SUB).
Bài báo [27] thực hiện so sánh phẩm chất của bộ tách đa người dùng tuyến tính và
bộ tách phi tuyến sử dụng mạng nơ-ron đặt ở phía sau các bộ lọc phối hợp sử dụng
mã Gold trong hệ thống DS-CDMA. Bộ tách mạng nơ-ron là mạng FNN sử dụng
thuật toán BP trong huấn luyện. Các bộ tách có thể làm việc ở 2 chế độ truyền dẫn
đồng bộ và không đồng bộ qua kênh Gauss. Kết quả mô phỏng cho thấy, bộ tách đa
người dùng sử dụng mạng nơ-ron cho phẩm chất tốt hơn so với bộ tách tuyến tính.

Với một số mô hình tương tự như trong [27], [28] thực hiện tiền xử lý để triệt MAI
cho hệ thống qua kênh pha-đinh Rayleigh. Tác giả thực hiện tiền xử lý ở dữ liệu sau
bộ lọc phối hợp, đó là chuẩn hóa biên bộ dữ liệu đa người dùng trước khi đưa vào
mạng nơ-ron tách sóng. Kết quả mô phỏng cho thấy, với cùng mức BER, hệ thống
có tiền xử lý cho phép giảm số lần thực hiện triệt nhiễu song song (PIC), nhờ vậy,
máy thu giảm bớt độ phức tạp.
3.4. Nhận dạng tín hiệu điều chế số và tương tự
Nhận dạng tín hiệu điều chế là thực hiện phân loại kiểu điều chế của tín hiệu vô
tuyến thu được, đây là một bước để hiểu về nguồn phát ra tín hiệu loại gì, như là
tín hiệu ra-đa, tín hiệu tiếng nói,… Công trình [16] thực hiện so sánh hiệu quả
phân loại điều chế giữa các phương pháp dựa trên các đặc tính đã có và phương
pháp học đặc tính bằng CNN và DNN. Với việc ứng dụng CNN và DNN trong
phân loại điều chế đảm bảo tính mềm dẻo của hệ thống khi học các đặc tính với độ
chính xác phân loại cao. Nghiên cứu thực hiện phân loại 11 loại điều chế trong đó
8 loại điều chế số (BPSK, QPSK, 8PSK, 16QAM, 64QAM, BFSK, CPFSK,
PAM4) và 3 loại điều chế tương tự (WB-FM, AM-SSB, AM-DSB).
Trong nghiên cứu [29] đề xuất mô hình mạng DNN cho bộ tự phân loại điều
chế (AMC) sử dụng hàm kích hoạt RBFN cho hệ thống MIMO-STBC. Nghiên cứu
về AMC có thể được phân thành hai loại, đó là dựa trên tính hợp lệ (Likelihood
Based - LB) và dựa trên đặc tính (Feature Based - FB). Mặc dù các phương pháp
LB cho độ chính xác tối ưu nhưng phải trả giá về độ phức tạp tính toán cao không
phù hợp với các ứng dụng yêu cầu thời gian thực. Các phương pháp FB cho độ
chính xác cận tối ưu so với LB, tuy nhiên, phương pháp này cho hiệu quả tính toán
tốt hơn phù hợp hơn với các ứng dụng thực thế. Thuật toán L-BFGS [10] và

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

17

Kỹ thuật điện tử

phương pháp tối thiểu bình phương (Least Square - LS) được sử dụng để tối ưu
trọng số của DNN và RBFN. Nghiên cứu so sánh phẩm chất của phương pháp đề
xuất với các nghiên cứu gần đây nhất, đó là bộ phân loại hợp lệ tối đa và các bộ
phân loại có ứng dụng ML bao gồm AdaBoost và CNN. Các kết quả mô phỏng
thực hiện đánh giá trên ba cấu hình khác nhau trên hệ thống MIMO-STBC (2x1,
2x2 và 4x4) cho trường hợp có thông tin trạng thái kênh tốt và trường hợp xấu hơn
đó là xảy ra lỗi ước lượng kênh. Cùng hướng nghiên cứu này, có thể kể đến [24] đề
xuất sử dụng CNN để phân loại điều chế, [30] sử dụng DNN cho tự động nhận
dạng tín hiệu điều chế của hệ thống trên kênh Rice.
3.5. Tách tín hiệu thu
Một hệ thống thông tin được thiết kế và phân tích chất lượng dựa trên một số
các mô hình toán học mô tả quá trình mã hóa và giải mã tín hiệu, quá trình lan
truyền tín hiệu trong không gian, các loại nhiễu ảnh hưởng đến chất lượng tín hiệu.
Tuy nhiên, trong một số trường hợp các sóng điện từ lan truyền hết sức phức tạp,
không thể mô hình bằng một mô hình toán học xác định. Ví dụ như mô hình kênh
truyền cho thông tin thủy âm sử dụng tín hiệu ở dải sóng âm thanh [31], hoặc một
hệ thống thông tin mới được gọi là thông tin tế bào liên quan đến các tín hiệu y
sinh kết nối giữa các thiết bị rất nhỏ, tín hiệu lan truyền trên bề mặt và bên trong cơ
thể con người [32, 33]. Vì vậy, việc thiết kế một máy thu, bộ tách tín hiệu mà
không cần phải có một kênh truyền được mô hình hóa là vấn đề cần thiết.
Trong nghiên cứu [34] thiết kế thuật toán tách tín hiệu và đánh giá phẩm chất bộ
tách sử dụng DL trong hệ thống thông tin tế bào mà không cần biết thông tin trạng
thái kênh truyền. Dữ liệu phát được biểu diễn qua hàm one-hot, và quá trình tách
tín hiệu phát từ tín hiệu thu được ở đầu vào máy thu trở thành nhiệm vụ phân nhóm
(clustering) của học máy, lớp đầu ra sử dụng hàm kích hoạt softmax. Nghiên cứu
đã tiến hành đo thử nghiệm để đánh giá hệ thống với các cấu hình, kiến trúc khác
nhau. Kết quả cho thấy, các bộ tách sử dụng DL cải thiện phẩm chất so với các
phương pháp trước đây mà không cần mô hình kênh truyền. Một số các nghiên cứu

khác ứng dụng DL cho hai nhiệm vụ ước lượng kênh và tách tín hiệu [40, 41]. Tuy
nhiên, các nghiên cứu này còn tách rời hai quá trình, do vậy, chưa đạt được hiệu
quả cao. Nghiên cứu [35] đề xuất kết hợp ước lượng kênh tách tín hiệu cho hệ
thống OFDM đa truy cập không trực giao (OFDM-NOMA) cho đường lên
(uplink), đa người dùng có thể truy cập vào cùng một sóng mang tại cùng một thời
điểm. Máy thu NOMA thiết kế dựa trên DL có thể tách bản tin người dùng trong
một quá trình one-hot mà không cần thông tin ước lượng kênh thật hoàn hảo. Kết
quả nghiên cứu đưa ra cho thấy, phương pháp dựa trên DL cho phẩm chất tốt hơn
các phương pháp ước lượng kênh dựa vào tín hiệu lái (pilot) thông thường.
Nhóm các nghiên cứu ứng dụng tách tín hiệu sử dụng DL cho một hệ thống
phức tạp hơn và cũng là hệ thống tiềm năng trong cải thiện phẩm chất, cung cấp
hiệu quả phổ tần cao, độ tin cậy và thông lượng tốt cho các hệ thống thông tin, đó
là hệ thống MIMO. Các thuật toán để cải thiện phẩm chất của hệ thống này vấp
phải một thách thức, thách thức về độ phức tạp tính toán, đặc biệt khi tăng số ăngten thu và phát thì độ khó tính toán cũng tăng lên rất lớn. Công trình [36] đề xuất
ứng dụng DL cho tách tín hiệu trong hệ thống massive MIMO. [37] thực hiện tách
18

B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”


Nghiên cứu
cứu khoa học công nghệ

MIMO-NOMA
sóng đa người
người dùng
dùng cho hệ
hệ thống MIMO
NOMA ssử
ử dụng mạng nơ-ron.

n ron. Nghiên
cứu
hiệu
ứu [38] đề
đề xuất hai mô hình
hình tách tín hi
ệu thu MIMO fullyfully-connected
connected (FC) và
đổi. Bộ tách FC có cấu
DeNet cho trường
trường hợp kênh
kênh không thay đđổi
ổi và
và kên
kênhh thay đổi.
ược
trường
trúc là mạng
ạng FNN đđư
ợc sử dụng cho tr
ờng hợp kkênh
ênh không thay đổi.
đổi. Bộ tách
DeNet có đưa thông tin tr
trạng
ạng thái kkênh
ênh vào khi hu
huấn
ấn luyện tối ưu mạng,
mạng, bộ tách

hiệu quả cho trư
hiệu
ổi.
trường
ờng hợp kênh
kênh thay đđổi.
phẩm
như
Hình 4 so sánh ph
ẩm chất một số bộ tách tín hiệu
hiệu cho hệ thống MIMO, nh
ư là
ZF, MMSE, FC, DeNet cho các trư
trường
ờng hợp số ăng-ten
ăng ten thu phát khác nhau.

Phẩm chất hệ thống khi sử dụng các
a. Phẩm
bộ
ộ tách khác nhau.
nhau.

b. Phẩm
Phẩm chất hệ thống MIMO khi số
ăng-ten
ăng
ten thay đổi.
đ .

Hình 4. So sánh phẩm
phẩm chất hệ thống MIMO sử dụng một số
bộ
ộ tách tín hiệu truyền thống và
và ứng dụng kỹ thuật DL.
Ta thấy
thấy, với
với cùng
cùng ssố
ố ăng-ten
ăng ten thu phát là 30x30 trên kênh pha đinh, các bbộ
ộ tách
ZF và FC có phẩm
phẩm chất xấu, đường
đ ờng BER của DeNet tiến đến gần đư
đường
ờng BER của
bộ
như
ư bi
biểu
ăng-ten
ộ tách MMSE nh
ểu diễn tr
trên
ên hình 4a. Từ
Từ hình
hình 4b, khi tăng
tăng số
số ăng

ten thu
cả 2 bộ tách đều cho đường
phát, cả
đ ờng phẩm chất tốt hơn
hơn do thu được
được độ lợi phân tập ở
đường
ường
phía thu. DeNet có đư
ờng BER hạ thấp nhanh hơn
hơn so vvới
ới MMSE. Với tr
trư
ờng hợp
2
ợc ccùng
tỷ
MIMO 10x10, DeNet đđạt
ạt BER  10 ở SNR  16 dB , MMSE đạt
đạt đư
được
ùng tỷ
số
ố lỗi bit đó ở SNR  12 dB . Tăng ssố
ố ăng-ten
ăng ten thu phát lên 30x30, DeNet và
3
l ợt tại tại các giá trị SNR bằng 16dB
MMSE đạt
đạt phẩm chất BER  5.10 llần

ần lượt
và 14dB.
14dB
3.6 Một
3.6.
Một số các ứng dụng khác
trư
ước,
ơ bbản
Trong các phần
phần tr
ớc, chúng tôi đđãã trình bày một
một số các ứng dụng ccơ
ản của
mạng nơ-ron
mạng
được
n ron DL trong các hệ
hệ thống thông tin vô tuyến. Ngoài
Ngoài ra, DL còn được
như
ư là llựa
trong
hệ
ứng dụng cho các nhiệm vụ khác nh
ựa chọn CDMA và
và OFDM tron
g các hệ
thống thông tin vô tuyến thủy âm [39]
thống

[39].. DL được
được ứng dụng trong các hệ thống điều
khiển lưu
khiển
lưu lượng
[40], tối
ối ưu việc
lượng mạng, định tuyến [40]
việc phân phối nguồn tài
tài nguyên của
của
mạng không dây [41]
mạng
[41],, các ứng dụng cho định vị [42, 43]
43],, đđảo
[44].. Một
Một
ảo tuyến tính [44]
số
ố các nghiên
nghiên cứu
cứu ứng dụng mạng nnơ--ron
ron cho các hệ
hệ thống thông tin vệ tinh, thông
động [45, 46]
46].
tin di động

Tạp
KH&CN

tử, 9 - 2020
20
ạp chí Nghiên
Nghiên cứu
cứu KH&
CN quân
uân sự,
sự, Số
ố Đặc san Viện
ện Điện tử

19


Kỹ thuật điện tử

4. KẾT LUẬN
Bài báo này đã trình bày tổng quan về học máy, các mô hình cơ bản của học sâu
và khái quát các ứng dụng cơ bản nhất của mạng nơ-ron DL cho các hệ thống
thông tin vô tuyến. DL được ứng dụng từ máy phát đến máy thu như một bộ
autoencoder, và DL được ứng dụng như một khối chức năng trong hệ thống thông
tin đó là các bộ san bằng và giải mã kênh, trải phổ, đa truy cập, tách tín hiệu thu,
nhận dạng tín hiệu, và một số các ứng dụng khác. Các nghiên cứu cho thấy, ứng
dụng mạng nơ-ron cho các hệ thống TTVT có tiềm năng rất lớn và sẽ nhanh chóng
thay thế phương pháp xử lý tín hiệu truyền thống trong tương lại gần. Tuy nhiên,
để hoàn chỉnh về công nghệ và đưa vào ứng dụng thực tiễn cần tiếp tục đầu tư
nghiên cứu hơn nữa về hướng này, đặc biệt là các ứng dụng DL cho các hệ thống
TTVT quân sự nhằm tăng khả năng bảo mật, chống nhiễu, chống thu chặn tín hiệu.
Ngoài ra, ứng dụng học máy trong các hệ thống sô-na, cảnh giới ngầm cũng là các
đề tài nghiên cứu có ý nghĩa khoa học và thực tiễn.

TÀI LIỆU THAM KHẢO
[1]. S. J. Nawaz et al., "Quantum Machine Learning for 6G Communication
Networks: State-of-the-Art and Vision for the Future," IEEE Access, vol. 7
(2019), pp. 46317-46350.
[2]. J. Jagannath et al., "Machine learning for wireless communications in the
Internet of Things: A comprehensive survey," Ad Hoc Networks, vol. 93
(2019), p. 101913.
[3]. A. Ferdowsi et al., "Deep Learning for Reliable Mobile Edge Analytics in
Intelligent Transportation Systems: An Overview," IEEE Vehicular
Technology Magazine, vol. 14 (2019), no. 1, pp. 62-70.
[4]. Y. Jeon et al., "Blind detection for MIMO systems with low-resolution ADCs
using supervised learning," in 2017 IEEE International Conference on
Communications (ICC) (2017), pp. 1-6.
[5]. E. Nachmani et al., "Deep Learning Methods for Improved Decoding of
Linear Codes," IEEE Journal of Selected Topics in Signal Processing, vol. 12
(2018), no. 1, pp. 119-131.
[6]. W. Xu et al., "Improved polar decoder based on deep learning," in 2017
IEEE International Workshop on Signal Processing Systems (SiPS) (2017),
pp. 1-6
[7]. F. Ullah et al., "Future of Big Data and Deep Learning for Wireless Body
Area Networks," in Deep Learning: Convergence to Big Data Analytics, M.
Khan, B. Jan, and H. Farman, Eds. Singapore: Springer Singapore, 2019, pp.
53-77.
[8]. />[9]. />[10]. Y. B. Ian Goodfellow et al., “Deep Learning”, The MIT Press (2016).
[11]. W. S. McCulloch et al., "A logical calculus of the ideas immanent in nervous
activity," The bulletin of mathematical biophysics, vol. 5 (1943), no. 4, pp.
115-133.

20

B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”


Nghiên cứu khoa học công nghệ

[12]. P. Kim, Matlab Deep learning with Machine Learning, Neeural Networks
and Artificial Intelligience. Apress (2017).
[13]. T. O’Shea et al., "An Introduction to Deep Learning for the Physical Layer,"
IEEE Transactions on Cognitive Communications and Networking, vol. 3
(2017), no. 4, pp. 563-575.
[14]. D. E. Rumelhart et al., "Learning representations by back-propagating
errors," Nature, vol. 323 (1986), no. 6088, pp. 533-536.
[15]. Y. LeCun, "Generalization and network design strategies," Connectionism in
perspective Elsevier, Zurich, Switzerland (1989), pp. 143–155.
[16]. T. O'Shea et al., “Convolutional Radio Modulation Recognition Networks,”
Springer International Publishing, Cham (2016), pp. 213-226.
[17]. H. Ye et al., "Initial Results on Deep Learning for Joint Channel
Equalization and Decoding," IEEE 86th Vehicular Technology Conference
(2017), pp.1-5.
[18]. Y. Xu et al., "A Deep Learning Method Based on Convolutional Neural
Network for Automatic Modulation Classification of Wireless Signals,"
MLICM (2017).
[19]. T. J. O. Shea et al., "Learning to communicate: Channel auto-encoders,
domain specific regularizers, and attention," IEEE International Symposium
on Signal Processing and Information Technology (2016), pp. 223-228.
[20]. T. O'Shea et al., "Deep Learning Based MIMO Communications," arXiv
preprint arXiv:1707.07980 (2017).
[21]. S. M. Alamouti, "A simple transmit diversity technique for wireless
communications," IEEE Journal on Selected Areas in Communications, vol.
16 (1998), no. 8, pp. 1451-1458.

[22]. H. Sung-Hyun et al., "Channel equalization for severe intersymbol
interference and nonlinearity with a radial basis function neural network,"
International Joint Conference on Neural Networks. Proceedings 1999, vol. 6
(1999), pp. 3992-3995.
[23]. A. Caciularu et al., “Blind Channel Equalization Using Variational
Autoencoders,” 2018 IEEE International Conference on Communications
Workshops (2018), pp. 1-6.
[24]. T. Gruber et al., "On deep learning-based channel decoding," 51st Annual
Conference on Information Sciences and Systems (2017), pp. 1-6.
[25]. J. Lin et al., “A Novel Deep Neural Network Based Approach for Sparse
Code Multiple Access,” Neurocomputing, vol. 382 (2020), pp. 52-63.
[26]. N. Taşpınar et al., "Neural Network Based Receiver for Multiuser Detection
in MC-CDMA Systems," Wireless Personal Communications, vol. 68 (2013).
[27]. H. A. Hassan et al., "Performance comparison of linear multiuser detectors and
neural network detector for DS/CDMA systems in AWGN," Tenth International
Conference on Computer Engineering & Systems (2015), pp. 307-313.
[28]. B. Geevarghese et al., “Pre-processed back propagation neural networks for
CDMA interference cancellation,” 2013 IEEE International Conference ON
Emerging Trends in Computing, Communication and Nanotechnology,
Tirunelveli (2013), pp. 100-103.

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

21


Kỹ thuật điện tử

[29]. M. H. Shah et al., "Low-complexity deep learning and RBFN architectures
for modulation classification of space-time block-code (STBC)-MIMO

systems," Digital Signal Processing, vol. 99 (2020)
[30]. B. Kim et al., “Deep neural network-based automatic modulation
classification technique,” 2016 International Conference on Information and
Communication Technology Convergence, Jeju(2016), pp. 579-582.
[31]. M. Stojanovic et al., "Underwater acoustic communication channels:
Propagation models and statistical characterization," IEEE Communications
Magazine, vol. 47 (2009), no. 1, pp. 84-89.
[32]. N. Farsad et al., "A Comprehensive Survey of Recent Advancements in
Molecular Communication," IEEE Communications Surveys & Tutorials,
vol. 18 (2016), no. 3, pp. 1887-1919.
[33]. S. Hiyama et al., "Molecular Communication," 2005 NSTI Nanotechnology
Conference and Trade Show, vol. 3 (2008).
[34]. N. Farsad et al., "Detection Algorithms for Communication Systems Using
Deep Learning," arXiv preprint arXiv:1705.08044 (2017).
[35]. Narengerile et al., "Deep Learning for Signal Detection in Non-Orthogonal
Multiple Access Wireless Systems," 2019 UK/ China Emerging Technologies
(2019), pp. 1-4.
[36]. H. He et al., "Deep Learning-Based Channel Estimation for Beamspace
mmWave Massive MIMO Systems," IEEE Wireless Communications Letters,
vol. 7 (2018), no. 5, pp. 852-855.
[37]. C. Lin et al., "A Deep Learning Approach for MIMO-NOMA Downlink
Signal Detection," Sensors (Basel, Switzerland), vol. 19 (2019), no. 11, p.
2526.
[38]. N. Samuel et al., "Learning to Detect," IEEE Transactions on Signal
Processing, vol. 67 (2019), no. 10, pp. 2554-2564.
[39]. Y. Kim et al., "Selection of CDMA and OFDM using machine learning in
underwater wireless networks," ICT Express, vol. 5 (2019).
[40]. Z. M. Fadlullah et al., "State-of-the-Art Deep Learning: Evolving Machine
Intelligence Toward Tomorrow’s Intelligent Network Traffic Control
Systems," IEEE Communications Surveys & Tutorials, vol. 19 (2017), no. 4,

pp. 2432-2455.
[41]. S. K. Tayyaba et al., "5G Vehicular Network Resource Management for
Improving Radio Access Through Machine Learning," IEEE Access, vol. 8
(2020), pp. 6792-6800.
[42]. J. Li et al., "Mobile Location in MIMO Communication Systems by Using
Learning Machine," Canadian Conference on Electrical and Computer
Engineering (2007), pp. 1066-1069.
[43]. P. Sthapit et al., "Bluetooth Based Indoor Positioning Using Machine
Learning Algorithms," in 2018 IEEE International Conference on Consumer
Electronics - Asia, 2018, pp. 206-212.
[44]. M. Borgerding et al., "Onsager-corrected deep learning for sparse linear
inverse problems," IEEE Global Conference on Signal and Information
Processing (2016), pp. 227-231.

22

B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng … thông tin vô tuyến.”


Nghiên cứu khoa học công nghệ

[45]. T. Liu et al.,. Sun, "Fault Prediction for Satellite Communication Equipment
Based on Deep Neural Network," International Conference on Virtual Reality
and Intelligent Systems (2018), pp. 176-178.
[46]. M. Hikosaka et al., "Proposal of polarization state prediction using
quaternion neural networks for fading channel prediction in mobile
communications," International Joint Conference on Neural Networks (2016),
pp. 4105-4111.
ABSTRACT
AN OVERVIEW ON APPLICATIONS OF MACHINE LEARNING

IN WIRELESS COMMUNICATION SYSTEMS
Together with the development of The Fourth Industrial Revolution,
wireless systems are also being developed to meet a variety of requirements
for performance improvement, higher transmission rate and reliability, and
secure communications under severe propagation environments. Recent
advancements in signal processing techniques have motivated the
applications of artificial intelligence (AI) in wireless systems in order to
provide the ability of automatic learning, identification and processing for
adaptive transmission and cognitive radios. This paper presents an
overview on principles and recent achievements in application of machine
learning in wireless communication systems, and outlines some potential
open research directions.
Keywords: Wireless system; Machine learning; Deep learning.

Nhận bài ngày 02 tháng 3 năm 2020
Hoàn thiện ngày 04 tháng 8 năm 2020
Chấp nhận đăng ngày 28 tháng 8 năm 2020
Địa chỉ:

1

Viện Điện tử, Viện Khoa học và Công nghệ quân sự;
Học viện Kỹ thuật quân sự.
*
Email:
2

Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020

23