TRƯỜNG ĐẠI HỌC SƯ PHẠM KĨ THUẬT TPHCM

KHOA ĐÀO TẠO CHẤT LƯỢNG CAO

BÁO CÁO MÔN HỌC

THÔNG TIN VÔ TUYẾN
Deep Learning Power Allocation in Massive MIMO

Nhóm : Nguyễn Văn Minh Trí 16141088

Nguyễn Vũ Anh Kiệt 16141050

GVHD: Thầy Phạm Ngọc Sơn

 Mục lục
I. Giới thiệu.
II. Cơ sở lý thuyết.
III. Hệ thống Massive MIMO.
IV. Phân bố công suất dựa trên deep leaning
V. Đánh giá hệ thống và kết luận.

2
 I.Giới thiệu
Sử dụng deep learning để thực hiện phân bố công suất max-min và
max-prod trong Downlink của các mạng Massive MIMO. a deep
neural network được đào tạo để tìm hiểu vị trí của các thiết bị người
dùng và các chính sách phân bố công suất tối ưu và sau đó được sử
dụng để dự đoán hồ sơ phân bố công suất cho một vị trí mới của
UEs. Việc sử dụng deep learing cải thiện đáng kể sự đánh đổi hiệu
suất phức tạp của phân bố công suất, so với các phương pháp định
hướng tối ưu hóa truyền thống. Đặc biệt, phương pháp này đề xuất
không yêu cầu tính toán bất kỳ thống kê trung bình nào, thay vào đó
sẽ cần thiết khi sử dụng các phương pháp tiêu chuẩn và có thể đảm
bảo hiệu suất gần như tối ưu.

3
II. Cơ sở lý thuyết.
MIMO.
Kỹ thuật MIMO (Multiple Input Multiple Output) là tên gọi chung
cho tập hợp những kỹ thuật dựa trên việc sử dụng nhiều anten ở phía
thu và phía phát kết hợp với các kỹ thuật xử lý tín hiệu.

Mô hình kênh MIMO với 4 anten và 4 anten thu. 4

Massive MIMO.
Massive MIMO (mô hình MIMO cỡ rất lớn) đề cập đến một công nghệ
mạng không dây trong đó các trạm cơ sở được trang bị một số lượng ăng
ten rất lớn để phục vụ vô số thiết bị người dùng bằng cách ghép kênh
không gian.(M: anten và K: thiết bị người dùng, M>>K).

5
 Đường lên là để chỉ đường
truyền tín hiệu từ thiết bị di động
tới trạm cơ sở. Ở đó, trạm cơ sở
khôi phục lại từng tín hiệu riêng
rẽ được phát lên.

Đường xuống là đường truyền tín

hiệu từ trạm cơ sở tới thiết bị, trạm
cơ sở phải đảm bảo mỗi thiết bị chỉ
nhận được tín hiệu mong muốn của
riêng nó.
6
Deep learning

7
8
Machine learning ứng dụng các thuật toán để phân tích cú pháp dữ liệu, học
hỏi từ nó, và sau đó thực hiện một quyết định hoặc dự đoán về các vấn đề
có liên quan. Vì vậy, thay vì code phần mềm bằng cách thức thủ công để
hoàn thành một nhiệm vụ cụ thể, máy được “đào tạo” bằng cách sử dụng
một lượng lớn dữ liệu và các thuật toán cho phép nó học cách thực hiện các
tác vụ.
Từ Machine learning lấy cảm hứng từ sự hiểu biết về sinh học của bộ não
loài người – sự liên kết giữa các nơ-ron. Cũng giống như mạng lưới thần
kinh trong não, có các nơ-ron (nút) được liên kết với nhau bằng các khớp
thần kinh (liên kết). Mỗi nút nhận dữ liệu, thực hiện một thao tác và chuyển
dữ liệu mới sang nút khác thông qua một liên kết. Các liên kết chứa dữ liệu
ảnh hưởng đến hoạt động của nút tiếp theo.
Do deep leaning đó sử dụng nhiều dữ liệu hơn nhiều thuật toán hơn giúp
“đào tạo” máy nhìn được nhiều đặc điểm ẩn giúp thực hiện tác vụ tốt hơn.
9
III. Hệ thống Massive MIMO
Xem xét DL của mạng Massive MIMO có L cell, mỗi cell bao gồm một
𝑗
BS có M ăng ten và K UEs . ℎ𝑙𝑖 ∈ ∁𝑀 giữa UE i trong cell l và BS j
và giả sử rằng:
𝑗 𝑗
ℎ𝑙𝑖 ~𝒩𝒞 (0𝑀 , 𝑅𝑙𝑖 )
𝑗
𝑅𝑙𝑖 ∈ ∁𝑀𝑥𝑀 :ma trận tương quan không gian, được biết đến tại BS.

10
 𝑗 𝑗
Vết chuẩn hóa 𝛽𝑙𝑖 = 1/𝑀tr(𝑅𝑙𝑖 ) là mức tăng kênh trung bình từ ăng ten
tại BS j đến UE i trong cell l và được mô hình hóa là:
𝑗
𝑗 𝑑𝑙𝑖
𝛽𝑙𝑖 = Υ − 10α 𝑙𝑜𝑔10 𝑑𝑏
1𝑘𝑚
Υ= -148 dB xác định mức tăng kênh trung bình ở khoảng cách tham
chiếu là 1 km.
α = 3.76 là hệ số pathloss.
𝑗
𝑑𝑙𝑖 là khoảng cách của UE i trong cell l từ BS j.

11
 Ước lượng kênh truyền
Để đào tạo ước lượng kênh truyền các vectơ tại BS j. BS và Ues được
đồng bộ hóa hoàn hảo và hoạt động theo giao thức song công theo thời
gian (TDD) trong giao thức truyền dữ liệu. Tuân theo các kỹ thuật ước
lượng MMSE.
𝐿
1 ℴ 2
෠ 𝑗 𝑗 −𝑗 𝑗 𝑗
ℎ𝑙𝑖 = 𝑅𝑙𝑖 Q𝑙𝑖 ෍ ℎ𝑙′ 𝑖 + 𝑛𝑙𝑖 ~𝒩𝒞 (0, Φ𝑙𝑖 )
′
τ𝑝 ρ
𝑙 =1

𝑗 1
𝑛𝑙𝑖 ~𝒩𝒞 (0, 𝐼𝑀 ) là nhiễu, 𝑄𝑙𝑖 = σ𝐿𝑙′ =1 𝑅𝑙′𝑖 + 𝑡𝑟 𝐼𝑀 , và
𝑝
𝑗 −𝑗 𝑗
Φ𝑗𝑙𝑖 = 𝑅𝑙𝑖 Q𝑙𝑖 𝑅𝑙𝑖 .
෨ 𝑗 𝑗 ෠ 𝑙 𝑗 𝑗
Ước lượng lỗi ℎ𝑙𝑖 = ℎ𝑙𝑖 - ℎ𝑙𝑖 ~𝒩𝒞 0, 𝑅𝑙𝑖 − Φ𝑙𝑖 .
12
 Hiệu suất phổ đường xuống
BS trong cell l truyền tín hiệu DL: xl = Σ𝑙𝐿′ =1 wliςli.
ς𝑙𝑖 ~𝒩𝒞 (0, ρ𝑙𝑖 ) là dữ liệu tín hiệu DL cho UE i trong 1 cell , được
gán cho vectơ tiền mã hóa wli ∈ CM xác định không gian chỉ thị
của truyền và thỏa mãn ||wli||2 sao cho ρ𝑙𝑖 đại diện cho công suất
truyền.

𝑑𝑙 τ𝑑 𝑑𝑙
𝑆𝐸𝑗𝑘 = 𝑙𝑜𝑔2 1 + 𝛾𝑗𝑘 Bit/s/Hz
τ𝑐

2
𝐻 𝑗
ρ𝑗𝑘 𝔼 𝑤𝑗𝑘 ℎ𝑗𝑘
Với 𝑑𝑙
𝛾𝑗𝑘 = 2 2
σ𝐿𝑙=1 σ𝐾 𝐻 𝑗 𝐻 𝑗
𝑖=1 ρ𝑙𝑖 {𝔼 𝑤𝑗𝑘 ℎ𝑗𝑘 } − ρ𝑗𝑘 𝔼 𝑤𝑗𝑘 ℎ𝑗𝑘 + ℴ2
13
Thiết kế bộ tiền mã hóa
DL SE trong phụ thuộc vào các vectơ tiền mã hóa {wli} của tất cả các UEs
trong toàn bộ mạng.
vjk biểu thị vectơ kết hợp được sử dụng để phát hiện tín hiệu UL được
truyền bởi UE k trong j cell. Giả định vjk đó được thiết kế theo M-MMSE
kết hợp.

−1
𝐿 𝐾
𝑗 𝑗 2 𝑗
𝑀−𝑀𝑀𝑆𝐸
𝑣𝑗𝑘 = ෍ ෍ ℎ෠ 𝑙𝑖 ℎ෠ 𝑙𝑖 + Ζ𝑗 ℎ෠𝑗𝑘
𝑙=1 𝑖=1

𝐿 𝐾 2
𝑗 𝑗 𝜎𝑢𝑙
𝑍𝑗 = ෍ ෍ 𝑅𝑙𝑖 − Φ𝑙𝑖 + 𝐼𝑀
Khi 𝑙=1 𝑖=1 𝜌𝑢𝑙 14
Phân bố công suất:
DL SE của UE k trong cell j có thể được viết lại thành:

𝑑𝑙 τ𝑑 𝜌jk 𝑎jk
𝑆𝐸𝑗𝑘 = 𝑙𝑜𝑔2 1 + 𝐿 𝐾 2
∀𝑗, 𝑘
τ𝑐 σ𝑙=1 σ𝑖=1 𝜌𝑙𝑖 𝑏𝑙𝑖𝑗𝑘 + 𝜎

khi 2
H j
𝑎jk = 𝔼 𝑤jk ℎjk

và 2
H j
𝐸 wjk hjk , l, i ≠ (𝑗, 𝑘 ൰
blijk = 2 2
H j H j
𝐸 wjk hjk − 𝔼 wjk hjk , l, i = (𝑗, 𝑘 ൰

15
 max-min fairness
dl Tùy thuộc 𝐾
𝑚𝑎𝑥 min SEjk
dl
ρjk : ∀𝑗, 𝑘 𝑗, 𝑘 vào ෍ ρjk ≤ Pmax , 𝑗 = 1, … , 𝐿
𝑘=1

max product
𝐿 𝐾
𝑚𝑎𝑥
ෑ ෑ γdl
jk
ρjk : ∀𝑗, 𝑘
𝑗=1 𝑘=1

Tùy thuộc vào

𝐿 𝐾
𝑚𝑎𝑥 𝐾
ෑෑ γdl
jk ෍ ρ jk ≤ P dl , 𝑗 = 1, … , 𝐿
max
ρjk : ∀𝑗, 𝑘 𝑘=1
𝑗=1 𝑘=1 16
III.PHÂN PHỐI CÔNG SUẤT DỰA TRÊN DEEP
LEARING
Mục đích chính của việc này là mô tả thông tin vị trí địa lí của các thiết bị người
dùng và điều này trái ngược với phương pháp truyền thống
Ưu điểm:
• Việc tranning có thể được tạo ngoại tuyến. Do đó, độ phức tạp cao hơn nhiều có
thể được cung cấp và các ràng buộc thời gian thực không được áp dụng.
• Tập huấn luyện có thể được cập nhật ở quy mô thời gian dài hơn nhiều so với
vấn đề kiểm soát công suất cần được giải quyết nếu sử dụng phương pháp phân
bố tài nguyên truyền thống. Từ những cân nhắc ở trên, theo cách tiếp cận được đề
xuất sẽ giúp giảm mức độ phức tạp rất lớn, cho phép người ta cập nhật việc phân
bố năng lượng dựa trên các vị trí của UEs trong thời gian thực.

17
MỘT HỆ THỐNG MASSIVE MIMO

18
 V. ĐÁNH GIÁ HỆ THỐNG

Ta xem xét mạng Massive MIMO được báo cáo

trong Bảng 1 với L = 4 ô, với mỗi ô có diện tích
hình vuông là 250 × 250 m. Một bọc xung quanh
cấu trúc liên kết được sử dụng. Ta giả sử K = 5
các thiết bị người dùng được phân phối ngẫu
nhiên và thống nhất trong mỗi cell, ở khoảng
cách lớn hơn 35 m từ Base station.

19
 SIZE PARAMETER
Các mạng noron
được tranning dựa INPUT 40 -
Layer 1 64 2624
trên bộ dữ liệu NT =
Layer 2 32 2080
340000 mẫu thực Layer 3 32 1056
hiện độc lập của các Layer 4 32 528
thiết bị người dùng. Layer 5 5 85
Layer 6 6 36

Bố cục của mạng noron . Thông số tranning là 6,373

Vị trí {x (n); n = 1,…, NT}, và phân bố công suất tối ưu {ρj*(n); n =
1,…, NT } cho j = 1…,L, thu được bằng cách giải bằng các phương
pháp tối ưu hóa truyền thống. Đặc biệt, 90% các mẫu đã được sử
dụng cho tranning và 10% để xác nhận. 10000 các mẫu khác hình
thành tập dữ liệu thử nghiệm, độc lập với bộ dữ liệu được tranning
20
Max-prod
Để đánh giá hiệu suất của mạng noron dựa trên phân bố công suất , ta
minh họa chức năng phân phối tích lũy (CDF) của DL trên mỗi thiết bị
người dùng, trong đó tính ngẫu nhiên là do vị trí thiết bị người dùng. Ta
xem xét MR, và M-MMSE. mạng noron được sử dụng với cả hai sơ đồ
tiền mã hóa được báo cáo trong Bảng II, với các tham số có thể tranning
là 6,373

21
Kết quả của hình (a) cho thấy mạng noron rất phù hợp giải pháp tối ưu
với M-MMSE. MSE trung bình là 0,007. Với tiền mã hóa MR, một sự
không phù hợp nhỏ giữa hai đường cong được quan sát. Thật vậy, MSE
trung bình tăng lên 0.051. Hình (b) minh họa CDF của MSE của SE.

22
Đúng như dự đoán, đường cong CDF với M-MMSE nằm ở bên trái của
đường cong MR( maximum ratio). Nói theo thống kê, hiệu suất với M-
MMSE tốt hơn với MR. Kết quả này có vẻ trái ngược, vì M-MMSE
phức tạp hơn về mặt thuật toán và tính toán hơn MR và do đó phân bố
năng lượng tối ưu của nó nên trong nguyên tắc khó học hơn. Một lời
giải thích có thể vì điều này là với tiền mã hóa MR, công suất chỉ được
phân bố trên cơ sở đạt được tín hiệu mong muốn. Mặt khác, với M-
MMSE điều này được thực hiện bằng cách cũng tính đến ảnh hưởng
của tín hiệu gây nhiễu

23
Để cải thiện khả năng học với MR, ta xem xét NN phức tạp hơn
được báo cáo trong Bảng III. Số kết quả cho thấy MSE trung
bình của SE giảm xuống 0.003 và 0.015 với tiền mã hóa M-
MMSE và MR, tương ứng.
SIZE PARAMETER

INPUT 40 -
Layer 1 512 20992

Layer 2 256 131328

Layer 3 128 32896

Layer 4 128 16512

Layer 5 5 645

Layer 6 6 36
Thông số tranning 202.73
24
 MAX-MIN

Các tham số NN cùng với các chức năng kích hoạt là tóm tắt
trong Bảng IV. Kết quả của hình 2 cho thấy NN khớp gần như
chính xác các đường cong lý thuyết với cả hai MR và M-MMSE.
Mặc dù cung cấp kết quả thỏa đáng trong về độ chính xác.

25
HÌNH 2
26
 KẾT LUẬN

Kết quả số cho thấy số deep learing hoạt động tốt hơn với M-MMSE hơn là
với MR. Điều này có khả năng là do thực tế M-MMSE cho phép NN khai thác
hầu hết các thông tin có sẵn của nó. Trong thực tế, ta cần sử dụng các mạng
noron mức số lượng thông số tương đối cao để có thể tranning.
Những nghiên cứu xa hơn để hiểu làm thế nào framework được phát triển thực
hiện theo kích thước của mạng tăng. Hơn nữa, trong thực tế số lượng UE trên
mỗi ô thay đổi liên tục. Một cách đơn giản để xử lý việc này sẽ là có nhiều NN
trên mỗi BS cho tất cả các cấu hình có thể có của UE.

27