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

Bài viết 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.
Nội dung trích xuất từ tài liệu:
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 ịnh tự động thông qua trải nghiệm tự học [8]. [8]. Hình 1.1 Mô hình hhọc ọc máy điển hhình ình. Hình 1 trình bày m một hình hhọc ột mô hình ọc máy điển hình hình vvới ới hai quá trình: trình: quá trình training)) và quá trình xxử (training huấn luyện (training huấn ử lý dữ liệu. Trong quá trình trình huấn huấn luyện, sử dụng ụng một tập dữ liệu hữu hạn đầu vvào thuật toán học máy sẽ xây dựng một mô ào các thuật hình xửxử lý tín hiệu với các tham số đảm bảo dữ liệu đầu ra chính xác với dữ liệu huấn luyện. Quá tr huấn trình ình này tương tương ttựự qquá uá trình huấn huấn luyện để xác định các trọng số bộộ lọc hoặc san bằng tín hiệu trong xử lý tín hiệu. Tuy nhi nhiên, ên, điểm điểm khác biệt giữa học ọc máy và bộ lọc llàà ở chỗ thuật toán vvàà các trọng và bộ trọng số trong mô hình hình xửxử lý tín hiệu của ủa bộ lọc đã đ được được xác định và ập tr và llập trình trước, ình trư c, trong khi đó, thuật toán vvàà các đó thuật trọng ọng số trong mô ...