1
ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA
⎯⎯⎯⎯⎯⎯⎯⎯⎯

NGUYỄN ANH TÚ

ỨNG DỤNG MACHINE LEARNING TRONG VIỆC
TĂNG HIỆU SUẤT PHỔ HỆ THỐNG NOMA
MASSIVE MIMO

Chuyên ngành: Kỹ thuật Điện tử
Mã số: 8520203

TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN TỬ

Đà Nẵng – Năm 2022

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


2

Cơng trình được hồn thành tại
TRƯỜNG ĐẠI HỌC BÁCH KHOA

Người hướng dẫn khoa học 1 : TS.LÊ THỊ PHƯƠNG MAI
Người hướng dẫn khoa học 2 : TS. TRẦN THẾ SƠN

Phản biện 1: TS. NGUYỄN DUY NHẬT VIỄN
Phản biện 2: TS. NGÔ VĂN SỸ

Luận văn sẽ được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ
Kĩ thuật điện tử họp tại Trường Đại học Bách khoa vào ngày 15 tháng 05 năm
2022.

Có thể tìm hiểu luận văn tại:
− Trung tâm Học liệu và Truyền thông, Trường Đại học Bách khoa ĐHĐN
− Thư viện Khoa Điện tử - Viễn thông, Trường Đại học Bách khoa - ĐHĐN

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


1
MỞ ĐẦU
1. Tính cấp thiết của đề tài
Mạng thơng tin di động thứ 5 (mạng 5G) đã bắt đầu được triển khai
trên thế giới từ năm 2018 góp phần đáp ứng sự bùng nổ về lưu lượng
data và yêu cầu cao hơn về chất lượng cho các dịch vụ mới ( VR, AR,
các dịch vụ tự hành, cloud…). Ở nước ta, mạng thông tin di động thế
hệ thứ năm (5G) cũng bắt đầu được triển khai từ năm 2020 nhằm giới
thiệu các dịch vụ cơ bản 5G cho người dân và tăng trải nghiệm khách
hàng.
Đối với các nhà cung cấp dịch vụ, để đáp ứng sự bùng nổ về lưu
lượng data và số lượng kết nối cho các loại hình dịch vụ thì cần tăng
băng thơng hoặc tăng số lượng trạm phủ sóng (thậm chí cả hai yếu tố
này). Tuy nhiên, những tài nguyên trên rất hiếm và càng khó triển khai,

đồng thời làm tăng chi phí vận hành và các yếu tố phi kỹ thuật khác.
Một yếu tố khác có thể giúp xử lý vấn đề trên đó là nâng cao hiệu quả
sử dụng phổ tần. Và Massive MIMO được giới thiệu trong mạng 5G
là một trong những giải pháp quan trọng nhất để nâng cao hiệu quả
hoạt động hệ thống.
Trong massive MIMO sử dụng số lượng lớn anten, giúp tập trung
năng lượng vào một vùng không gian nhỏ hơn nhằm cung cấp không
chỉ thông lượng UL/DL cao hơn cho UE mà còn tăng cường vùng phủ
và số lượng UE kết nối.
Tuy nhiên, bên cạnh những ưu điểm trên; massive MIMO cũng gặp
những thách thức lớn khi triển khai, nhất là với các trường hợp khi các
UE tập trung lớn, mơi trường truyền sóng khơng có nhiều khác biệt
(ví dụ: khu đơ thị có nhiều tịa nhà cao tầng, các sự kiện lễ hội tập
trung đông người, sân vận động…) hoặc môi trường yêu cầu số lượng
kết nối mật độ lớn ( nhiều thuê bao và thiết bị IoT…) thì hiệu suất phổ
của hệ thống massive MIMO suy giảm nghiêm trọng do đặc tính phân
tập khơng gian khơng cịn được đảm bảo [1] [2].

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


2
Trong trường hợp này, NOMA miền mã (Code-Domain NOMA)
được xem là một giải pháp triển vọng cho hệ thống massive MIMO
bằng cách phân các chuỗi mã cho những nhóm người dùng có cùng
đặc tính kênh truyền [1]. Và vì vậy, hệ thống NOMA-massive MIMO,
ngoài những ưu điểm về hiệu quả phổ còn hỗ trợ số lượng kết nối lớn,
là một giải pháp giúp nâng cao hiệu quả hoạt động hệ thống trong các

trường hợp trên.
2. Mục đích nghiên cứu
- Nghiên cứu đặc điểm, đặc trưng các loại hình dịch vụ trong
mạng 5G và sau 5G qua đó đánh giá khả năng áp dụng NOMA trong
hệ thống massive MIMO để nâng cao hiệu năng của hệ thống.
- Đề xuất mơ hình hệ thống, các phương pháp xử lý tín hiệu số
của NOMA-massive MIMO cho các loại hình trạm trong 5G và sau
5G dựa trên mơ hình tính tốn cụ thể.
- Đề xuất các phương pháp ứng dụng machine learning trong việc
phân loại người dùng để nâng cao hiệu năng của hệ thống.
3. Đối tượng và phạm vi nghiên cứu
3.1. Đối tượng nghiên cứu
- Các kỹ thuật tiên tiến được đề xuất cho các mạng vô tuyến 5G
và sau 5G như: NOMA (Non-Orthogonal Multiple Access) và
Massive MIMO
- Hiệu suất phổ của hệ thống NOMA-massive MIMO
- Ứng dụng machine learning cho việc phân loại người dùng của
hệ thống NOMA-masive MIMO.
3.2. Phạm vi nghiên cứu
- Mạng 5G và các công nghệ lớp vật lý cho mạng 5G
- Mơ hình tốn học hệ thống NOMA-masive MIMO
- Các kỹ thuật machine learning với phân loại unsupervised
learning.
4. Phương pháp nghiên cứu

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ



3
Phương pháp luận của luận văn là kết hợp nghiên cứu lý thuyết với
thực tiễn để làm rõ nội dung đề tài. Cụ thể như sau:
- Nghiên cứu các yếu tố kỹ thuật liên quan đến mạng 5G
- Xem xét các đề tài nghiên cứu liên quan, các phương án kỹ thuật
đang triển khai, so sánh và đánh giá các ưu điểm, khuyết điểm của các
phương pháp.
- Nghiên cứu mô hình hệ thống và kênh truyền
- Đề xuất kỹ thuật machine learning trong việc phân loại người
dùng.
- Đánh giá kết quả thực hiện thông qua mô phỏng.
5. Ý nghĩa khoa học và thực tiễn của đề tài
Ý nghĩa khoa học: Từ việc nghiên cứu thực tế mạng 5G, kết
quả triển khai 5G của các nhà mạng và nghiên cứu hệ thống massive
MIMO, NOMA massive MIMO; trên cơ sở các tính tốn, mơ phỏng
các trường hợp, đề tài đưa ra hướng đề xuất áp dụng NOMA cho hệ
thống massive MIMO ở mạng 5G và sau 5G.
Ý nghĩa thực tiễn: Kết quả của đề tài nêu ra một số cơ sở lý
thuyết để cung cấp khả năng, hướng áp dụng nhằm giải quyết các vấn
đề gặp phải khi triển khai massive MIMO ở các mạng di dộng (nhất là
với các trường hợp khi các UE tập trung lớn, mơi trường truyền sóng
khơng có nhiều khác biệt. Ví dụ: khu đơ thị có nhiều tòa nhà cao tầng,
các sự kiện lễ hội tập trung đông người, sân vận động… hoặc môi
trường yêu cầu số lượng kết nối mật độ lớn có nhiều thuê bao và thiết
bị IoT…).
6. Cấu trúc của luận văn
Ngoài phần mở đầu, kết luận và tài liệu tham khảo, luận văn
gồm 4 chương:
Chương 1: Tổng quan về mạng 5G và các công nghệ tiên tiến
cho mạng 5G

Chương 2: Hệ thống NOMA-massive MIMO

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


4
Chương 3: Machine learning và ứng dụng machine learning
trong phân loại người dùng
Chương 4: Kết quả thực hiện và đánh giá hiệu quả

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


5
CHƯƠNG 1: TỔNG QUAN VỀ MẠNG 5G
1.1 Giới thiệu chương
1.2 Lịch sử phát triển mạng di động

Hình 1.3: Sự hình thành và phát triển của 5G
1.3 Tổng quan mạng 5G
1.3.1 Các ứng dụng phổ biến trong mạng 5G
Các ứng dụng trong mạng 5G xoay quanh 3 lớp dịch vụ:
+ Enhanced mobile broadband (eMBB): các dịch vụ di động băng
rộng tốc độ cao.
+ Ultra-reliable and low-latency communications (URLLC):
các dịch vụ hỗ trợ kết nối có độ trễ thấp và độ ổn định cao.

+ Massive machine type communications (mMTC): các dịch
vụ cho phép kết nối số lượng lớn.
1.3.2 Mơ hình mạng 5G
a) Kiến trúc mạng core 5G:
b) Kiến trúc RAN 5G:
1.3.3 Tổng quan mạng 5G
1.3.4 Tình hình triển khai 5G trên thế giới và Việt Nam
1.4 Kỹ thuật NOMA
1.4.1 Truy cập NOMA miền mã

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


6

Hình 1.24: Phân loại NOMA miền mã
a) Đa truy cập phân chia theo mã (CDMA)
b) Trải mật độ thấp (LDS)
c) Đa truy cập mã thưa (SCMA-Spare Coding Multiple Access)
1.4.2. Truy cập NOMA miền cơng suất

Hình 1.26 Phân bổ cơng suất trong PD-NOMA
Kỹ thuật đa truy cập phi trực giao

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ



7
• Mã hóa xếp chồng
• Triệt giao thoa liên tiếp
1.5 Kỹ thuật Massive MIMO
1.5.1 Massive MIMO là gì?
1.5.2 Các kỹ thuật Massive MIMO

Hình 1.31: Beamforming tập trung tín hiệu khơng dây theo một
hướng cụ thể
1.5.3 Lợi ích của Massive MIMO
1.6 Kết luận chương:
Mạng di động hiện đã phát triển qua năm thế hệ. Năng lực mạng,
các loại hình dịch vụ đa dạng và chất lượng dịch vụ ngày càng được
nâng cao. Ban đầu, mạng di động chỉ có duy nhất loại hình dịch vụ
thoại đến nay thì các nhà mạng đã cung cấp hàng chục-thậm chí hàng
trăm dịch vụ trên nền tảng mạng di động. Năng lực mạng lưới cũng
được nâng cao, điều này được thể hiện rõ nhất từ khi triển khai kỹ
thuật massive MIMO.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


8
CHƯƠNG 2: HỆ THỐNG NOMA-MASSIVE MIMO
2.1. Giới thiệu chương
2.2. Mô hình hệ thống đề xuất
Xét hệ thống mMIMO gồm L ô (cell) [6]. Trong mỗi ô có một trạm

gốc có M anten và phục vụ đồng thời K người dùng (UE) đơn anten.
Hướng UL và DL có thể được phân chia theo thời gian hoặc tần số.
Nếu UL và DL được phân chia theo thời gian, ta sử dụng giao thức
TDD, khi đó UL và DL ở cùng tần số.
Ta giả định rằng các trạm và UE hoạt động theo giao thức TDD để
ước tính kênh truyền dữ liệu và kênh pilot.
2.2.1 Mơ hình kênh truyền
A) Mơ hình kênh 2D:

Hình 2.5: Các dạng hình học của anten. a) Loại anten tuyến tính
dọc, b) Loại anten tuyến tính ngang, c) Loại anten mảng phẳng

Hình 2.6: Mơ hình kênh 2D
B) Mơ hình kênh 3D

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


9

Hình 2.7: Minh họa anten mảng phẳng kích thước 𝑀𝑉 × 𝑀𝐻

Hình 2.8: Mơ hình kênh 3D MIMO
2.2.2. Ước lượng kênh truyền
2.2.3. Mơ hình truyền dữ liệu
2.3. Hiệu suất phổ của hệ thống
A. Hiệu suất phổ UL
B. Hiệu suất phổ DL

2.4. Kết luận chương
Qua các kết quả tính tốn thì khi mức độ tương quan giữa các UE
trong cell đủ lớn (sự khác biệt mơi trường truyền sóng giữa các người
dùng trong cell đủ lớn) thì mMIMO đem lại hiệu suất phổ (SE) tốt.
Tuy nhiên, với các trường hợp mà độ tương quan giữa các UE thấp
(mơi trường truyền sóng khơng có nhiều khác biệt giữa các người
dùng) thì với việc gán các mã trải phổ có thể đem lại hiệu suất phổ
(SE) cao hơn so với mMIMO.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


10
CHƯƠNG 3: MACHINE LEARNING VÀ ỨNG DỤNG
MACHINE LEARNING TRONG PHÂN LOẠI NGƯỜI DÙNG
3.1. Giới thiệu chương
3.2. Cơ sở lý thuyết cho việc phân loại người dùng
3.3. Các thuật toán unsupervised learning
3.3.1. Thuật tốn K-means
a) Phân tích tốn học:
b) Tóm tắt thuật tốn:
K-means phân cụm D thành K cụm dữ liệu:
• Mỗi cụm dữ liệu có một điểm trung tâm gọi là centroid.
• K là một hằng số cho trước.
Bước 1: Chọn ngẫu nhiên K điểm bất kì trong tập huấn luyện để
làm các tâm cụm ban đầu.
Bước 2: Phân mỗi điểm dữ liệu vào cluster có center gần nó nhất.
Bước 3: Cập nhập tâm cụm bằng cách lấy trung bình cộng của các

điểm dữ liệu
Bước 4: Nếu tâm cụm ở bước 3 khơng thay đổi so với vịng lặp
trước đó thì dừng thuật tốn.
Bước 5: Quay lại bước 2.
Điều kiện hội tụ (điều kiện dừng thuật toán)
Xác định điểm trung tâm của cluster
c) Đánh giá thuật toán K-means:
3.3.2. Thuật toán K-means ++
3.3.3. Thuật toán K medoids
Thuật toán
Cách thực hiện phổ biến nhất của phân cụm k-medoids là thuật toán
Phân vùng xung quanh Medoids (PAM) và như sau:
Bước 1: Khởi tạo, chọn ngẫu nhiên k trong số n điểm dữ liệu làm
trung gian
Bước 2: Liên kết từng điểm dữ liệu với medoid gần nhất.
Bước 3: Cập nhật: đối với mỗi medoid m và điểm dữ liệu o liên kết
với m, hoán đổi m và o rồi tính tổng chi phí của cấu hình (nghĩa là,

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


11
mức độ khác biệt trung bình của o với tất cả các điểm dữ liệu liên quan
đến m). Chọn o medoid với chi phí cấu hình thấp nhất.
Lặp lại các bước xen kẽ 2 và 3 cho đến khi không có thay đổi trong
các tổng chi phí.
3.4. Đề xuất thuật toán phân loại người dùng cho hệ
thống NOMA-mMIMO:

3.4.1 Sử dụng thuật toán K-means trong phân loại người
dùng:
Thuật toán 1:
Dữ liệu đầu vào: số lượng group (G), số lượng UE (K), số lượng
cell (L), ma trận tương quan của các UEs (𝐑 𝑖 là ma trận tương quan
của UE i)
Bước 1: Chọn ngẫu nhiên G UE (G < K) bất kì trong tập để làm
các tâm cụm ban đầu. Tính tốn tính tốn ma trận khơng gian riêng
của cụm (group eigenspaces).
Bước 2: Phân UE vào group có tâm gần nhất (theo ma trận tương
quan giữa các UE).
Bước 3: Cập nhập tâm group bằng cách lấy trung bình cộng của
các UE
Bước 4: Nếu tâm cụm ở bước 3 không thay đổi so với vịng lặp
trước đó thì dừng thuật tốn.
Bước 5: Quay lại bước 2.
3.4.2 Sử dụng thuật toán K-medoids trong phân loại người
dùng
Thuật toán 2:
Dữ liệu đầu vào: số lượng group (G), số lượng UE (K), số lượng
cell (L).
Bước 1: Khởi tạo, chọn ngẫu nhiên G UEs từ K UEs làm tâm cụm
Bước 2: Tính tốn khoảng cách từ mỗi UE đến các tâm để phân
nhóm các UEs (phân UE đang xét vào cụm có đặc tính kênh gần nhất,
theo [7, (2)]).

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ



12
Bước 3: Với mỗi nhóm chọn cập nhật lại tâm cluster từ các UE
trong nhóm
Lặp lại xem kẽ bước 2 và 3 đến khi hội tụ.
3.5. Kết luận chương
Mỗi thuật tốn phân cụm đều có những ưu và nhược điểm riêng.
Đối với K-means thì thuật tốn phân cụm đơn giản, có thể sử dụng
được cho tập dữ liệu lớn. Tuy nhiên K-means có vấn đề khi các cụm
khác nhau về kích thước, mật độ và hình dạng. Ngồi ra K-means dễ
bị ảnh hưởng bởi nhiễu và các yếu tố ngoại lai. Trong khi đó, Kmedoids sử dụng các đối tượng medoid đặt tại vị trí trung tâm nhất
bên trong mỗi cụm để biểu diễn cho các cụm dữ liệu. Vì vậy Kmedoids giúp giảm ảnh hưởng bởi các yếu tố ngoại lai. K-medoids
cũng có nhược điểm là tăng độ phức tạp và khơng hiệu quả về mặt thời
gian tính tốn, nhất là đối với các tập dữ liệu lớn. Vì vậy, tùy tình
huống và kích thước dữ liệu mà ta chọn thuật toán cho phù hợp với
yêu cầu

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


13
CHƯƠNG 4: KẾT QUẢ THỰC HIỆN VÀ ĐÁNH GIÁ HIỆU
QUẢ
4.1. Giới thiệu chương
4.2 Thiết lập mơ phỏng
Tham số cấu hình mô phỏng:
Bảng 4.1: Thông số cơ bản của mạng giả lập:
Giá trị


Tham số
Số lượng cell (L)
Kích thước cell

L= [1, 4]
250m × 250m

Số lượng anten (M)
Số lượng UE trong cell (K)
Góc φ

64
K= [16, 32,48,64]

Băng thông

2𝜊
20MHz

Số symbol trong một coherence block 𝜏𝑐

𝜏𝑐 = 200

Công suất nhiễu UL

𝜎 2 = −94

Số lượng symbol pilot


𝜏𝑝 = 𝐾

Công suất UE

100mW

Kịch bản mô phỏng cho trường hợp sử dụng thuật toán phân loại
người dùng K-means/K-medoids được xây dựng trên các bước sau:
Bước 1: Xây dựng cấu hình mạng

- Đặt các UE vào các vị trí ngẫu nhiên trong cell
- Tính khoảng cách 𝑑𝑙𝑖𝑗
- Xây dựng mơ hình kênh thơng qua ma trận tương quan khơng
𝑗

gian 𝑹𝑙𝑘 .
Bước 2: Tạo tham số kênh truyền

- Tạo ngẫu nhiên các hệ số fading bóng râm 𝐹𝑙𝑖𝑗
- Tính tốn hệ số suy hao kênh 𝛽𝑙𝑖𝑗

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


14
Bước 3: Ước lượng kênh truyền
𝑗
- Ước lượng kênh truyền ℎ𝑙𝑘

được ước lượng thông qua việc sử

dụng chuỗi pilot
Bước 4: Áp dụng thuật toán phân loại người dùng K-means/Kmedoids để phân nhóm người dùng

- Dựa trên ma trận tương quan giữa các người dùng mà thực hiện
phân nhóm người dùng sử dụng theo 2 thuật toán K-means và Kmedoids
Bước 5: Tính tốn hiệu suất phổ sử dụng máy thu MR/MMSE
𝑈𝐿
- Tính 𝑆𝐼𝑁𝑅𝑗𝑘
tức thời theo cơng thức trình bày ở chương 3
𝑈𝐿
- Tính hiệu suất phổ 𝑆𝐸𝑗𝑘
của các UE trong tất cả các lần mô

phỏng.
4.3. Kết quả thực hiện mô phỏng với mạng có 1 cell
a) Mạng gồm 1 cell sử dụng loại anten 64T64R, số lượng người
dùng (UE) mỗi cell thay đổi trong khoảng [16,32,48,64] được phân
thành các trường hợp:
• UE phân bố ngẫu nhiên xung quanh trạm thu phát
Với 2 group:

Hình 4.1: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=1, M=64, G=2 khi thay đổi số UE (K) phân bố
ngẫu nhiên

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ



15

Với 4 group:

Hình 4.2: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=1, M=64, G=4 khi thay đổi số UE (K) phân bố
ngẫu nhiên
Với 8 group:

Hình 4.3: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=1, M=64, G=8 khi thay đổi số UE (K) phân bố
ngẫu nhiên
• UE phân bố tập trung vào 1 góc phần tư trong vùng phủ
của cell (4ClusterAngleConstrainst).
Với 2 group:

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


16

Hình 4.4: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=1, M=64, G=2 khi thay đổi số UE (K) phân bố ở
góc phần tư cell
Với 4 group:

Hình 4.5: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=1, M=64, G=4 khi thay đổi số UE (K) phân bố ở
góc phần tư cell
Với 8 group:


THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


17

Hình 4.6: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=1, M=64, G=8 khi thay đổi số UE (K) phân bố ở
góc phần tư cell
b) Mạng gồm 1 cell có số lượng người dùng là 64 UE, ta thay
đổi loại anten của cell với số lượng TxRx trong khoảng [16,64,100]
được phân thành 8 nhóm UE cho 2 trường hợp phân bố người dung.
Kết quả thu được như sau:
• Với trường hợp UE phân bố ngẫu nhiên xung quanh trạm thu
phát (randomAngleCluster)

Hình 4.7: Kết quả tổng hiệu suất phổ trung bình UL của hệ thống
phân theo 8 group ngẫu nhiên trong mạng 1 cell có số anten thay
đổi

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


18
• Với trường hợp UE phân bố tập trung vào 1 góc phần tư
trong vùng phủ của cell (4ClusterAngleConstrainst)

Hình 4.8: Kết quả tổng hiệu suất phổ trung bình UL của hệ thống

phân theo 8 group ở góc phần tư cell trong mạng 1 cell có số
anten thay đổi
4.4. Kết quả thực hiện mơ phỏng với mạng có 4 cell
Mạng gồm 4 cell sử dụng loại anten 64T64R, số lượng người dùng
(UE) mỗi cell thay đổi trong khoảng [16,32,48,64] được phân thành
các trường hợp:
o UE phân bố ngẫu nhiên xung quanh trạm thu phát
Với 2 group cho mỗi cell:

Hình 4.9: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=4, M=64, G=2 khi thay đổi số UE (K) phân bố
ngẫu nhiên
Với 4 group mỗi cell:

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


19

Hình 4.10: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=4, M=64, G=4 khi thay đổi số UE (K) phân bố
ngẫu nhiên
Với 8 group mỗi cell:

Hình 4.11: Hiệu suất phổ trung bình UL của hệ thống
mMIMO-NOMA với L=4, M=64, G=8 khi thay đổi số UE (K)
phân bố ngẫu nhiên
o UE phân bố tập trung vào 1 góc phần tư trong vùng phủ của
cell
Với 2 group mỗi cell:


THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


20

Hình 4.12: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=4, M=64, G=2 khi thay đổi số UE (K) phân bố tập
trung ở góc phần tư cell
Với 4 group mỗi cell:

Hình 4.13: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=4, M=64, G=4 khi thay đổi số UE (K) phân bố tập
trung ở góc phần tư cell
Với 8 group mỗi cell:

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


21

Hình 4.14: Hiệu suất phổ trung bình UL của hệ thống mMIMONOMA với L=4, M=64, G=8 khi thay đổi số UE (K) phân bố tập
trung ở góc phần tư cell
4.5 Đánh giá hiệu quả của các thuật toán đề xuất
Phần này so sánh hiệu suất của việc phân nhóm người dùng bằng
các phương pháp machine learning trong NOMA mMIMO so với
mMIMO thuần túy khơng có NOMA và kiểm chứng độ lợi khi sử dụng
các nhóm thuật tốn.

Qua kết quả mơ phỏng ta thấy, khi số lượng người dùng tăng lên ở
mỗi cell thì hiệu suất phổ hệ thống suy giảm. Điều này ghi nhận ở cả
mạng gồm 1 cell và 4 cell với bất kỳ hình thức phân bố UE. Tuy nhiên,
đối với hệ thống NOMA mMIMO mức suy giảm thấp hơn so với
mMIMO thuần túy và nhìn chung hệ thống NOMA mMIMO có hiệu
suất phổ cao hơn.
Trong kết quả mô phỏng ở mục 4.3, 4.4 ta cũng thấy được khi số
lượng cell tăng lên không ảnh hưởng nhiều đến sự khác biệt hiệu suất
phổ của hệ thống mMIMO thuần túy so với NOMA mMIMO. Tuy
nhiên, khi số lượng group người dùng tăng lên thì tương quan hiệu
suất phổ giữa hệ thống mMIMO thuần túy so với NOMA mMIMO
thay đổi rõ rệt. Điều này có thể lý giải do khi hệ thống nhận rõ sự phân
biệt giữa các người dùng thì hiệu suất phổ càng cao.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


22
Ngồi ra, so sánh giữa 2 phương pháp phân nhóm người dùng sử
dụng machine learning là K-means và K-medoids thì phương pháp Kmeans đem lại hiệu suất phổ tốt hơn trong tất cả các trường hợp mô
phỏng. Và việc sử dụng phân nhóm người dùng trong NOMA
mMIMO cũng đem lại hiệu suất phổ cao hơn so với dùng NOMA
mMIMO mà không phân loại người dùng.
4.6 Kết luận chương
Trong chương này, ta đã thực hiện mô phỏng và đánh giá hiệu suất
phổ của hệ thống mMIMO thuần túy và NOMA mMIMO ở các trường
hợp mạng 1 cell và mạng có 4 cell. Qua kết quả mô phỏng, ta thấy
được NOMA miền mã có thể cải thiện được hiệu suất phổ của hệ thống

mMIMO.
Ngoài ra, việc ứng dụng các phương pháp machine learning để
phân loại người dùng giúp cải thiện hơn nữa hiệu suất phổ trong hệ
thống NOMA mMIMO miền mã so với phân loại thông thường.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


23
KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN CỦA ĐỀ
TÀI
KẾT LUẬN:
Luận văn với tên đề tài: “Ứng dụng machine learning trong việc
tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO” đã thực
hiện được những mục tiêu:
- Nghiên cứu mơ hình hệ thống và kênh truyền hệ thống NOMAmassive MIMO, tính toán hiệu suất phổ của hệ thống NOMA-massive
MIMO.
- Ứng dụng và phát triển thuật toán unsupervised learning trong
phân loại người dùng qua đó giúp nâng cao hiệu suất phổ hệ thống
NOMA massive MIMO.
- Xây dựng chương trình mơ phỏng giúp đánh giá hiệu quả của
mơ hình và thuật tốn trong việc tăng hiệu suất phổ hệ thống NOMA
massive MIMO.
Luận văn đã thu được những kết quả chính như sau:
- Nghiên cứu đặc điểm, đặc trưng các loại hình dịch vụ trong
mạng 5G và sau 5G qua đó đánh giá khả năng áp dụng NOMA trong
hệ thống massive MIMO để nâng cao hiệu năng của hệ thống.
- Đề xuất mơ hình hệ thống, các phương pháp xử lý tín hiệu số

của NOMA-massive MIMO cho các loại hình trạm trong 5G và sau
5G dựa trên mơ hình tính tốn cụ thể.
- Đề xuất các phương pháp máy học (machine learning) trong
việc phân loại người dùng để nâng cao hiệu năng của hệ thống.
- Kết quả của đề tài nêu ra một số cơ sở lý thuyết để cung cấp khả
năng, hướng áp dụng nhằm giải quyết các vấn đề phát sinh khi triển
khai các mạng di dộng sử dụng Massive MIMO.
Từ các kết quả đạt được ở trên, chúng tơi có thể kết luận được rằng
luận văn với đề tài: “Ứng dụng machine learning trong việc tăng
hiệu suất phổ hệ thống NOMA MASSIVE MIMO” đã hoàn thành
đầy đủ và đạt được những yêu cầu về nội dung như đã đặt ra.
HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ