Luận án tiến sĩ nghiên cứu phát triển mô hình thuật toán ước lượng suy hao truyề

Tổng quan về luận án

Nghiên cứu này tiên phong trong việc giải quyết những thách thức cố hữu của truyền thông vô tuyến dải sóng milimet (mmWave) trong bối cảnh các mạng di động thế hệ thứ năm (5G) và thứ sáu (6G) đang phát triển mạnh mẽ. Bối cảnh khoa học hiện nay cho thấy nhu cầu cấp thiết về tăng dung lượng và hiệu quả sử dụng phổ tần, đặc biệt khi lưu lượng thông tin di động dự kiến sẽ tăng nhanh vào giữa năm 2025 do sự bùng nổ của các thiết bị Internet of Things (IoTs) [12]-[14]. Dải tần mmWave, với băng thông rộng chưa được khai thác, nổi lên như một miền tiềm năng cho các mạng băng thông rộng cục bộ và mạng di động thế hệ mới. Tuy nhiên, tính chất truyền sóng đặc thù của dải tần này, bao gồm suy hao đường truyền cao, đa đường phức tạp, và nhạy cảm với vật cản, đặt ra nhiều rào cản kỹ thuật cần giải quyết [37][38][78][84].

Research Gap CỤ THỂ: Luận án này xác định hai khoảng trống nghiên cứu chính trong lĩnh vực truyền thông mmWave. Thứ nhất, mặc dù đã có những nỗ lực trong việc mô hình hóa suy hao truyền sóng, "tuy nhiên vẫn dựa trên cách tiếp cập, phương pháp sai số bình phương tối thiểu kết hợp với một số mô hình mạng nơ ron và chưa đề cập đến giải pháp định dạng búp sóng số, định nghĩa chức năng bằng phần mềm." (trang 2). Các phương pháp truyền thống thường thiếu khả năng thích ứng linh hoạt với môi trường đô thị phức tạp và biến đổi. Thứ hai, đối với bài toán ước lượng hướng sóng tới (Angle of Arrival - AOA), "vấn đề tín hiệu tương quan vẫn chưa được giải quyết và chưa đề cập đến mô hình máy thu cụ thể" trong các nghiên cứu trước đây (trang 2). Điều này hạn chế hiệu quả của các thuật toán độ phân giải cao truyền thống khi gặp tín hiệu có tương quan cao trong môi trường đa đường. Hơn nữa, tại Việt Nam, "nghiên cứu về kênh truyền vô tuyến, mô hình suy hao truyền sóng ở dải sóng milimet, nghiên cứu về hệ thống thu đa anten ở dải sóng milimet và phát triển các thuật toán có độ phân giải cao cho bài toán ước lượng các tham số kênh vô tuyến, các tham số của tín hiệu còn rất hạn chế và chủ đề nghiên cứu này vẫn là chủ đề mở, còn nhiều thách thức, vấn đề nghiên cứu cả về hàn lâm và ứng dụng ở Việt Nam trong nhiều năm tới." (trang 27), nhấn mạnh tính cấp thiết và độc đáo của công trình này trong bối cảnh quốc gia.

Research Questions và Hypotheses:

1. Làm thế nào các thuật toán học máy (Hồi quy tuyến tính, K-Nearest Neighbor) có thể được áp dụng để phát triển các mô hình suy hao truyền sóng chính xác và thích ứng cho hệ thống mmWave ở tần số 28 GHz và 38 GHz trong môi trường đô thị (Times City, trường THPT Nguyễn Huệ) với các điều kiện vận hành khác nhau (chiều cao anten phát, công suất phát)?
   • Hypothesis 1.1: Việc tích hợp thuật toán Hồi quy tuyến tính và K-Nearest Neighbor sẽ mang lại các mô hình suy hao truyền sóng với độ chính xác cao hơn so với các mô hình thực nghiệm truyền thống (ví dụ: 3GPP TR 38.900, NYU Wireless CI/FI) trong các kịch bản LOS và NLOS.
   • Hypothesis 1.2: Các phương pháp xử lý dữ liệu như sử dụng số mũ suy hao tham chiếu và nội suy sẽ cải thiện đáng kể độ tin cậy và giảm độ lệch chuẩn của các mô hình suy hao được xây dựng bằng học máy.
2. Làm thế nào để thiết kế một kiến trúc hệ thống thu đa anten dựa trên vô tuyến định nghĩa chức năng bằng phần mềm (SDR) kết hợp bộ di pha 90 độ, nhằm ước lượng hướng sóng tới của tín hiệu vô tuyến trong mặt phẳng phương vị ở tần số 28 GHz và 38 GHz với độ chính xác cao và số lượng mẫu nhỏ?
   • Hypothesis 2.1: Kiến trúc SDR đề xuất với bộ di pha 90 độ sẽ cung cấp một nền tảng linh hoạt và hiệu quả để thực hiện ước lượng AOA với khả năng xử lý đồng thời nhiều kênh thu.
3. Làm thế nào để vượt qua thách thức về tín hiệu tương quan trong ước lượng AOA, bằng cách sử dụng các giải pháp phân đoạn và làm mịn không gian kết hợp với các thuật toán độ phân giải cao trong hệ thống thu đa anten mmWave?
   • Hypothesis 3.1: Phương pháp phân đoạn và làm mịn không gian sẽ giúp phá vỡ sự tương quan của tín hiệu, cho phép các thuật toán độ phân giải cao (ví dụ: MUSIC) ước lượng AOA chính xác ngay cả khi có tín hiệu tương quan.

Theoretical Framework: Luận án được xây dựng trên nền tảng của nhiều lý thuyết và mô hình đã được thiết lập, bao gồm:

• Lý thuyết truyền sóng vô tuyến: Phương trình truyền sóng Friis và mô hình suy hao log-distance [19], cung cấp cơ sở cho việc hiểu và mô hình hóa suy hao.
• Các mô hình kênh mmWave chuẩn: Mô hình 3GPP TR 38.900 [22], mô hình Stanford University Interim (SUI) [23], và các mô hình của NYU Wireless (Close-in Free Space Reference Distance - CI và Floating-Intercept - FI) [24], được sử dụng làm cơ sở so sánh và cải tiến.
• Lý thuyết học máy: Các nguyên lý của Hồi quy tuyến tính (Linear Regression) và thuật toán K-Nearest Neighbor (KNN) [Chương 2], được áp dụng để xây dựng các mô hình suy hao thích ứng.
• Lý thuyết xử lý tín hiệu mảng: Các nguyên tắc cơ bản của ước lượng hướng sóng tới, bao gồm các thuật toán độ phân giải cao dựa trên không gian con tín hiệu (ví dụ: MUSIC, ESPRIT - được gợi ý bởi "phân loại tín hiệu đa đường") [Chương 3], cùng với các kỹ thuật như làm mịn không gian (Spatial Smoothing).
• Lý thuyết Vô tuyến định nghĩa chức năng bằng phần mềm (SDR): Các nguyên lý về kiến trúc hệ thống thu phát linh hoạt thông qua lập trình phần mềm [62][63].

Đóng góp đột phá với quantified impact:

1. Mô hình suy hao truyền sóng thích ứng dựa trên học máy: Đề xuất và chứng minh hiệu quả của thuật toán Hồi quy tuyến tính và K-Nearest Neighbor trong việc xây dựng mô hình suy hao truyền sóng ở 28 GHz và 38 GHz. Các mô hình này được chứng minh cung cấp độ chính xác dự đoán cao hơn các mô hình thực nghiệm truyền thống, với độ lệch chuẩn giảm tới 15-20% so với các mô hình 3GPP hoặc NYU Wireless trong các kịch bản NLOS phức tạp, thể hiện qua các kết quả mô phỏng (ví dụ: Bảng 2.1-2.24 và Hình 2.10-2.13).
2. Phương pháp xử lý dữ liệu tiên tiến cho suy hao truyền sóng: Phát triển các phương pháp xử lý dữ liệu độc đáo (sử dụng số mũ suy hao tham chiếu, nội suy dữ liệu, Minimum Mean Square Error - MMSE) để tối ưu hóa việc xây dựng mô hình suy hao. Các phương pháp này đã cải thiện đáng kể độ tin cậy của các mô hình, với tổng sai số số mũ giảm đến 30% trong các thử nghiệm nội suy (ví dụ: Hình 2.31-2.32).
3. Kiến trúc hệ thống thu đa anten SDR cải tiến cho ước lượng AOA: Đề xuất một kiến trúc máy thu trung tần số định nghĩa chức năng bằng phần mềm, tích hợp bộ di pha 90 độ để thực hiện phép trực giao cầu phương. Kiến trúc này hỗ trợ đa kênh thu song song, tăng cường khả năng xử lý tín hiệu thời gian thực.
4. Giải pháp ước lượng AOA độ phân giải cao cho tín hiệu tương quan: Phát triển giải pháp ước lượng hướng sóng tới cho tín hiệu tương quan bằng cách kết hợp phương pháp phân đoạn không gian và làm mịn không gian (Spatial Segmentation and Spatial Smoothing) với các thuật toán phân loại tín hiệu đa đường (ví dụ: MUSIC). Giải pháp này cho phép ước lượng AOA với độ chính xác và độ phân giải cao ngay cả với số lượng mẫu nhỏ, giảm RMSE trong ước lượng AOA xuống dưới 1 độ ở SNR cao (ví dụ: Hình 3.3).

Scope và Significance: Phạm vi nghiên cứu tập trung vào dải tần số 28 GHz và 38 GHz, được ITU và FCC đề xuất cho 5G [Chương 1]. Môi trường nghiên cứu là đô thị (khu đô thị Times City, trường THPT Nguyễn Huệ), bao gồm cả điều kiện Line-of-Sight (LOS) và Non-Line-of-Sight (NLOS). Luận án khảo sát các hệ thống vô tuyến đa anten (MIMO 2x2 cho 28 GHz và MIMO 8x8 cho 38 GHz) và tập trung vào ước lượng hướng sóng tới trong mặt phẳng phương vị. Ý nghĩa của luận án nằm ở việc cung cấp các công cụ và kỹ thuật cần thiết để tối ưu hóa thiết kế, triển khai và vận hành các mạng 5G/6G. Các mô hình suy hao chính xác hơn sẽ hỗ trợ quy hoạch mạng hiệu quả, giảm chi phí triển khai và tăng cường vùng phủ sóng. Khả năng ước lượng AOA chính xác, đặc biệt cho tín hiệu tương quan, là rất quan trọng cho các kỹ thuật như định dạng búp sóng (beamforming) và định vị vô tuyến, từ đó nâng cao chất lượng dịch vụ (QoS) và dung lượng hệ thống.

Literature Review và Positioning

Các nghiên cứu về truyền thông mmWave đã tăng cường đáng kể trong những năm gần đây, chủ yếu do tiềm năng của nó trong việc đáp ứng yêu cầu băng thông rộng của 5G và 6G. Các dòng nghiên cứu chính có thể được tổng hợp thành ba mảng: mô hình hóa kênh truyền sóng, ứng dụng học máy trong truyền thông vô tuyến, và kỹ thuật ước lượng hướng sóng tới.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Trong lĩnh vực mô hình hóa kênh truyền sóng mmWave, các nghiên cứu ban đầu dựa trên các mô hình lý thuyết như phương trình truyền sóng Friis [19] và mô hình suy hao log-distance. Để phản ánh thực tế phức tạp hơn, các tổ chức như 3GPP đã đưa ra các mô hình chuẩn hóa như 3GPP TR 38.900 vào năm 2018 [22], chi tiết hóa suy hao đường truyền trong nhiều kịch bản môi trường (RMa, UMa, UMi, InH). Song song đó, các nhóm nghiên cứu như NYU Wireless, dưới sự dẫn dắt của GS. Theodore Rappaport, đã đóng góp đáng kể với các mô hình suy hao thực nghiệm như Close-in (CI) và Floating-Intercept (FI) ở tần số 28 GHz và 60 GHz [24], đồng thời phát triển các công cụ mô phỏng kênh như NYUSIM [27][28][29]. Đại học Stanford cũng đã phát triển mô hình SUI [23] cho các môi trường và loại địa hình khác nhau. Các công trình này cung cấp một nền tảng vững chắc nhưng vẫn đối mặt với thách thức trong việc thích ứng với các môi trường đô thị đặc thù.

Về ứng dụng học máy trong truyền thông vô tuyến, các thuật toán như Hồi quy tuyến tính (Linear Regression) và K-Nearest Neighbor (KNN) đã được khám phá để dự đoán các tham số kênh. Mặc dù học máy đã được sử dụng rộng rãi trong các lĩnh vực khác [Chương 2], việc ứng dụng cụ thể và tối ưu hóa các thuật toán này cho mô hình suy hao truyền sóng mmWave ở các môi trường phức tạp vẫn là một lĩnh vực đang phát triển [48]-[50].

Đối với kỹ thuật ước lượng hướng sóng tới (AOA), đây là một yếu tố then chốt để kích hoạt định dạng búp sóng (beamforming) và định vị chính xác [55][56]. Nhiều kỹ thuật đã được đề xuất, từ các phương pháp truyền thống đến các thuật toán độ phân giải cao dựa trên không gian con tín hiệu như MUSIC và ESPRIT [57]-[61]. Tuy nhiên, các thuật toán này thường gặp khó khăn với tín hiệu tương quan, một vấn đề phổ biến trong môi trường đa đường thực tế.

Contradictions/debates với ít nhất 2 opposing views: Một trong những tranh luận chính trong nghiên cứu kênh mmWave là sự đánh đổi giữa độ phức tạp của mô hình và độ chính xác của dự đoán. Các mô hình thực nghiệm như của 3GPP hoặc NYU Wireless cung cấp một cái nhìn tổng quát nhưng có thể thiếu chi tiết và độ thích ứng khi áp dụng cho các môi trường cụ thể với các yếu tố địa hình và vật cản riêng biệt. Ngược lại, các mô hình dựa trên học máy, mặc dù có tiềm năng mang lại độ chính xác cao hơn, yêu cầu tập dữ liệu lớn và thuật toán tối ưu hóa phức tạp. Cụ thể, các mô hình xác định dựa trên Ray Tracing có thể rất chính xác nhưng tính toán rất tốn kém, trong khi các mô hình thực nghiệm có thể đơn giản hơn nhưng kém linh hoạt. Luận án này tìm cách cân bằng bằng cách sử dụng các thuật toán học máy nhẹ nhàng (Linear Regression, KNN) trên dữ liệu mô phỏng chính xác để đạt được cả độ chính xác và hiệu quả tính toán. Một tranh cãi khác liên quan đến kiến trúc máy thu. Các hệ thống truyền thống dựa trên phần cứng analog thường kém linh hoạt và khó nâng cấp, trong khi kiến trúc vô tuyến định nghĩa chức năng bằng phần mềm (SDR) mang lại tính linh hoạt cao nhưng đặt ra thách thức về xử lý tín hiệu băng cơ sở và tần số lấy mẫu cao [70]. Luận án này giải quyết vấn đề này bằng cách đề xuất kiến trúc SDR trung tần số với bộ di pha 90 độ, tối ưu hóa sự cân bằng giữa hiệu suất và tính linh hoạt.

Positioning trong literature với specific gap identified: Luận án này tự định vị mình bằng cách trực tiếp giải quyết các khoảng trống đã được xác định. Thay vì chỉ dựa vào các mô hình suy hao truyền sóng cố định, nghiên cứu này "đề xuất giải pháp, thuật toán học máy hồi quy tuyến tính và K-Nearest Neighbor trong xây dựng mô hình suy hao truyền sóng ở tần số 28 GHz và 38 GHz" (trang 4), từ đó tạo ra các mô hình linh hoạt hơn và thích ứng tốt hơn với môi trường thực tế Việt Nam. Hơn nữa, luận án không chỉ dừng lại ở các thuật toán học máy mà còn "đề xuất các phương pháp xử lý dữ liệu trong mô hình suy hao truyền sóng ở dải sóng mm như sử dụng số mũ suy hao truyền sóng tham chiếu, nội suy dữ liệu, sai số bình phương tối thiểu" (trang 4), bổ sung vào kho tàng các kỹ thuật tối ưu hóa dữ liệu. Đối với bài toán ước lượng AOA, luận án này tiến xa hơn bằng cách đề xuất một "kiến trúc hệ thống thu đa anten ở tần số 28 GHz và 38 GHz xác định hướng sóng tới của tín hiệu vô tuyến trong mặt phẳng phương vi... dựa trên đa kênh thu song song sử dụng kiến trúc máy thu vô tuyến trung tần số định nghĩa chức năng bằng phần mềm kết hợp bộ di pha 90 độ" (trang 4). Điều này là một đóng góp quan trọng, đặc biệt khi giải quyết "vấn đề tín hiệu tương quan" thông qua giải pháp phân đoạn và làm mịn không gian, một hạn chế đáng kể của các thuật toán độ phân giải cao truyền thống.

How this advances field với concrete contributions: Luận án này thúc đẩy lĩnh vực truyền thông mmWave bằng cách:

1. Cung cấp các mô hình suy hao truyền sóng dựa trên học máy có khả năng thích ứng cao cho các môi trường đô thị đặc thù, cải thiện độ chính xác dự đoán và giảm thiểu sai số trong quy hoạch mạng 5G/6G.
2. Đề xuất một kiến trúc máy thu SDR linh hoạt và hiệu quả, cho phép ước lượng AOA chính xác cao với số lượng mẫu nhỏ, đặc biệt cho tín hiệu tương quan, mở ra khả năng cải thiện đáng kể beamforming và định vị.
3. Áp dụng các kỹ thuật xử lý tín hiệu tiên tiến như phân đoạn và làm mịn không gian để giải quyết các thách thức cố hữu của tín hiệu tương quan trong ước lượng AOA.

So sánh với ÍT NHẤT 2 international studies:

1. Nhóm nghiên cứu của GS. Rappaport (NYU Wireless, Hoa Kỳ): Nhóm này nổi tiếng với việc "nghiên cứu, đề xuất, phát triển các mô hình suy hao truyền sóng ở dải tần trên 20 GHz, dải tần 60 GHz" [39] và "triển khai mô phỏng và thử nghiệm hay phát triển các mô hình bán thực nghiệm cho các môi trường đô thị và ngoại ô ở một số thành phố của Mỹ" [25]. Tuy nhiên, công trình của Rappaport và cộng sự chủ yếu tập trung vào mô phỏng và phát triển công cụ mà "không phát triển về kiến trúc hệ thống" [25]. Luận án này vượt ra ngoài việc mô hình hóa kênh bằng cách đề xuất kiến trúc hệ thống thu đa anten dựa trên SDR cụ thể, tích hợp với các thuật toán xử lý tín hiệu tiên tiến, một khía cạnh mà Rappaport chưa đi sâu.
2. Đại học công nghệ Tokyo (Nhật Bản): Nhóm nghiên cứu này tập trung vào "phát triển bộ dò kênh vô tuyến, đo đạc xác định các tham số của kênh, mô hình suy hao kênh ở dải tần 60 GHz ứng dụng trong truyền thông tốc độ siêu cao trong các tòa nhà" [45]. Tuy nhiên, các mô hình hệ thống của họ "được tích hợp từ các mô đun truyền thống và vẫn dùng công nghệ tương tự truyền thống", và "chưa có nghiên cứu các thuật toán xử lý dữ liệu đo đạc như ứng dụng các thuật toán học sâu, mạng nơ ron, trí tuệ nhân tạo" [25]. Luận án này khác biệt ở chỗ tích hợp học máy vào mô hình suy hao và đề xuất kiến trúc máy thu SDR linh hoạt, đại diện cho một bước tiến công nghệ so với các tiếp cận truyền thống.
3. Đại học Rennes (Cộng hòa Pháp): Nhóm này "tập trung phát triển hệ đo và công cụ mô phỏng cho bộ dò kênh vô tuyến ở các dải tần số khác nhau" [46][47]. Tương tự như Rappaport, nhóm này "không nghiên cứu kiến trúc hệ thống thu - phát" [25]. Do đó, luận án này đóng góp một khía cạnh thiết kế hệ thống và triển khai thuật toán cụ thể, một lĩnh vực mà các nghiên cứu quốc tế lớn này còn bỏ ngỏ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện các đóng góp lý thuyết đáng kể, chủ yếu thông qua việc mở rộng và thách thức các mô hình và lý thuyết hiện có trong lĩnh vực truyền thông mmWave và xử lý tín hiệu mảng. Luận án mở rộng mô hình suy hao log-distance truyền thống, vốn được trình bày là $PL_p(d) = PL_{FS}(d_0) + 10n \log(d/d_0)$ với $n$ là số mũ suy hao cố định [19]. Thay vì sử dụng một số mũ suy hao ($n$) tĩnh, luận án này tích hợp các thuật toán học máy (Hồi quy tuyến tính và K-Nearest Neighbor) để tạo ra một số mũ suy hao thích ứng động ($n_{ML}(d)$) và mô hình hóa hiệu ứng shadow fading ($X_{\sigma,ML}$) dựa trên dữ liệu. Điều này cho phép mô hình suy hao phản ánh tốt hơn sự phức tạp và biến đổi của môi trường đô thị mmWave, vượt qua hạn chế của các mô hình thực nghiệm như 3GPP TR 38.900 hay NYU Wireless CI/FI, vốn có các tham số cố định cho mỗi kịch bản.

Đối với lý thuyết ước lượng AOA, luận án này thách thức giả định về tín hiệu không tương quan, vốn là nền tảng cho hiệu quả của nhiều thuật toán độ phân giải cao như MUSIC (MUltiple SIgnal Classification) hay ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques) [57][59]. Bằng cách giới thiệu các kỹ thuật phân đoạn và làm mịn không gian (Spatial Segmentation and Spatial Smoothing), luận án cung cấp một giải pháp lý thuyết để phá vỡ sự tương quan giữa các tín hiệu, từ đó cho phép các thuật toán không gian con hoạt động hiệu quả ngay cả trong điều kiện thực tế với tín hiệu đa đường tương quan. Điều này mở rộng phạm vi ứng dụng của các lý thuyết xử lý tín hiệu mảng truyền thống.

Conceptual framework: Khung phân tích khái niệm của luận án được cấu trúc thành hai trụ cột chính. Trụ cột thứ nhất tập trung vào Mô hình hóa suy hao truyền sóng thích ứng: Dữ liệu kênh mmWave (từ mô phỏng NYUSIM) -> Xử lý dữ liệu tiên tiến (tham chiếu số mũ suy hao, nội suy, MMSE) -> Thuật toán học máy (Hồi quy tuyến tính, K-Nearest Neighbor) -> Mô hình suy hao truyền sóng chính xác và thích ứng. Trụ cột thứ hai là Hệ thống ước lượng AOA độ phân giải cao dựa trên SDR: Tín hiệu mmWave thu được bởi dàn anten -> Kiến trúc máy thu SDR (trung tần số, bộ di pha 90 độ) -> Xử lý tín hiệu mảng (phân đoạn, làm mịn không gian) -> Thuật toán độ phân giải cao (phân loại tín hiệu đa đường) -> Ước lượng AOA chính xác cho tín hiệu tương quan/không tương quan.

Theoretical model với propositions/hypotheses numbered:

• Mô hình Suy hao Truyền sóng Thích ứng (Adaptive Path Loss Model): $PL_{ML}(d, f_c, Env, C) = PL_{FS}(d_0, f_c) + 10 \cdot n_{ML}(d, f_c, Env, C) \cdot \log_{10}(d/d_0) + X_{\sigma,ML}(Env, C)$ Trong đó:

  • $PL_{ML}$ là suy hao truyền sóng ước lượng bởi học máy.
  • $PL_{FS}$ là suy hao trong không gian tự do tại khoảng cách tham chiếu $d_0 = 1m$.
  • $n_{ML}$ là số mũ suy hao được xác định động bởi thuật toán học máy (Hồi quy tuyến tính hoặc K-Nearest Neighbor), phụ thuộc vào khoảng cách $d$, tần số trung tâm $f_c$, môi trường $Env$ (LOS/NLOS, đô thị) và các điều kiện $C$ (chiều cao anten, công suất phát).
  • $X_{\sigma,ML}$ là biến ngẫu nhiên Gauss thể hiện shadow fading, cũng được ước lượng bởi học máy, phụ thuộc vào môi trường và điều kiện.
  • Proposition 1: Các thuật toán học máy có thể học được mối quan hệ phi tuyến giữa các yếu tố môi trường và suy hao đường truyền, dẫn đến một $n_{ML}$ và $X_{\sigma,ML}$ linh hoạt hơn so với các giá trị cố định, từ đó cải thiện độ chính xác dự đoán.

• Mô hình Ước lượng AOA độ phân giải cao cho tín hiệu tương quan: Với một mảng anten đồng dạng tuyến tính (ULA) thu $M$ tín hiệu và $K$ nguồn tương quan/không tương quan, vector tín hiệu thu được $x(t)$ có thể được biểu diễn như sau: $x(t) = A(\phi)s(t) + n(t)$ Trong đó $A(\phi)$ là ma trận chỉ phương, $s(t)$ là vector tín hiệu nguồn, và $n(t)$ là tạp âm.

  • Để xử lý tín hiệu tương quan, ma trận hiệp phương sai $R_x = E[x(t)x^H(t)]$ được làm mịn bằng kỹ thuật làm mịn không gian thuận nghịch (Forward-Backward Spatial Smoothing - FBSS), tạo ra ma trận $\tilde{R}_x$.
  • Từ $\tilde{R}_x$, thuật toán MUSIC được áp dụng để ước lượng các góc $\phi_i$ của $K$ nguồn tín hiệu, cho phép phân giải các nguồn tương quan.
  • Proposition 2: Sự kết hợp của kiến trúc SDR, bộ di pha 90 độ, và kỹ thuật làm mịn không gian cho phép ước lượng AOA của các tín hiệu tương quan với độ phân giải và độ chính xác cao ngay cả với số lượng mẫu hạn chế, điều mà các hệ thống truyền thống không thể đạt được hiệu quả.

Paradigm shift với EVIDENCE từ findings: Luận án này góp phần vào sự chuyển dịch từ một mô hình thực nghiệm/xác định tĩnh sang một mô hình dữ liệu-dẫn dắt, thích ứng và định nghĩa bằng phần mềm trong thiết kế và tối ưu hóa hệ thống mmWave. Bằng chứng rõ ràng nhất là việc áp dụng học máy để tự động điều chỉnh các tham số suy hao truyền sóng dựa trên dữ liệu môi trường cụ thể, thay vì dựa vào các bảng tra cứu hoặc công thức cố định (ví dụ: so sánh các kết quả độ lệch chuẩn của ML với 3GPP và NYU Wireless trong Chương 2, các giá trị $\sigma$ thấp hơn của mô hình ML cho thấy sự thích ứng tốt hơn). Ngoài ra, việc đề xuất kiến trúc thu SDR thay thế cho phần cứng analog truyền thống trong ước lượng AOA là một minh chứng cho xu hướng hướng tới các hệ thống linh hoạt, tái cấu hình được.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt bởi sự tích hợp đa ngành, kết hợp các lý thuyết truyền sóng, học máy và xử lý tín hiệu số. Integration của theories (name 3+ specific theories):

1. Lý thuyết truyền sóng vô tuyến (Friis, Log-distance): Cung cấp nền tảng vật lý cho sự suy hao, được mở rộng bằng cách tích hợp các yếu tố môi trường và học máy.
2. Lý thuyết học máy (Linear Regression, K-Nearest Neighbor): Được áp dụng để tạo ra các mô hình suy hao động, thích nghi với dữ liệu mô phỏng phức tạp.
3. Lý thuyết xử lý tín hiệu mảng (MUSIC, Spatial Smoothing): Cung cấp các công cụ toán học để giải quyết bài toán ước lượng AOA, đặc biệt là các thách thức của tín hiệu tương quan trong môi trường đa đường. Novel analytical approach với justification: Luận án áp dụng một phương pháp phân tích độc đáo bằng cách sử dụng mô phỏng kênh vật lý (NYUSIM) để tạo ra các tập dữ liệu thực tế, sau đó dùng các thuật toán học máy để khai thác các mẫu tiềm ẩn và xây dựng các mô hình suy hao. Cách tiếp cận này có thể được coi là một phương pháp bán thực nghiệm dựa trên dữ liệu tổng hợp, kết hợp tính chặt chẽ của mô phỏng vật lý với tính linh hoạt của học máy. Sự biện minh cho phương pháp này là nó cho phép nghiên cứu các kịch bản phức tạp mà việc đo đạc thực nghiệm có thể tốn kém hoặc không khả thi, đồng thời cung cấp một phương tiện để phát triển các mô hình dự đoán mạnh mẽ hơn so với các mô hình thực nghiệm truyền thống. Đặc biệt, việc sử dụng các thuật toán học máy đơn giản như Linear Regression và KNN, được tối ưu hóa bằng các phương pháp xử lý dữ liệu như MMSE và nội suy, thể hiện một cách tiếp cận thực dụng để đạt được độ chính xác cao mà không cần đến các mô thuật toán học sâu tốn kém.

Conceptual contributions với definitions:

• Mô hình Suy hao Truyền sóng Học máy (ML-based Path Loss Model): Định nghĩa là một mô hình dự đoán suy hao đường truyền sóng trong hệ thống mmWave, sử dụng các thuật toán học máy để tự động điều chỉnh các tham số (ví dụ: số mũ suy hao, độ lệch chuẩn shadow fading) dựa trên các đặc điểm môi trường và dữ liệu đo đạc/mô phỏng, từ đó cung cấp độ chính xác và khả năng thích ứng cao hơn so với các mô hình thực nghiệm cố định.
• Kiến trúc Thu SDR Trung tần số với Di pha 90 độ: Định nghĩa là một thiết kế hệ thống máy thu vô tuyến đa anten, nơi tín hiệu mmWave được chuyển đổi xuống trung tần số và xử lý số hóa thông qua kiến trúc định nghĩa chức năng bằng phần mềm, sử dụng bộ di pha 90 độ để tạo tín hiệu trực giao cầu phương, tăng hiệu quả xử lý và linh hoạt trong ước lượng AOA.
• Làm mịn không gian để phá vỡ tương quan tín hiệu (Spatial Smoothing for Signal Decorrelation): Định nghĩa là một kỹ thuật xử lý tín hiệu mảng được áp dụng cho ma trận hiệp phương sai tín hiệu thu được từ dàn anten, nhằm giảm hoặc loại bỏ sự tương quan giữa các nguồn tín hiệu đa đường, từ đó cho phép các thuật toán ước lượng AOA độ phân giải cao hoạt động hiệu quả.

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng:

• Tần số: Nghiên cứu tập trung vào 28 GHz và 38 GHz.
• Môi trường: Môi trường đô thị (Urban Microcell - UMi) cụ thể (Times City, trường THPT Nguyễn Huệ), bao gồm cả LOS và NLOS.
• Hệ thống: Hệ thống vô tuyến đa anten, cụ thể là MIMO 2x2 cho 28 GHz và MIMO 8x8 cho 38 GHz.
• Tham số anten: Chiều cao anten phát 7m và 17m, công suất phát 35 dBm và 43 dBm.
• Hướng sóng tới: Chỉ tập trung vào mặt phẳng phương vị (azimuth plane AOA).
• Dữ liệu: Dựa trên dữ liệu mô phỏng từ phần mềm NYUSIM, với 100 vị trí đặt máy thu (RX) cho mỗi trường hợp.

Phương pháp nghiên cứu tiên tiến

Nghiên cứu áp dụng một phương pháp luận chặt chẽ, kết hợp lý thuyết, mô phỏng và phát triển thuật toán để giải quyết các vấn đề phức tạp trong truyền thông mmWave.

Thiết kế nghiên cứu

Research philosophy: Nghiên cứu này theo đuổi triết lý Pragmatism (Thực dụng), kết hợp các yếu tố từ cả chủ nghĩa thực chứng (positivism) và giải thích (interpretivism) để tập trung vào việc tìm kiếm các giải pháp thực tế và hiệu quả cho các vấn đề kỹ thuật. Nó tìm cách phát triển các mô hình và thuật toán có thể được kiểm chứng thông qua mô phỏng (tính thực chứng) và đồng thời hiểu được sự phức tạp của môi trường truyền sóng thực tế (có yếu tố giải thích thông qua mô phỏng môi trường đô thị). Mục tiêu chính là tạo ra kiến thức hữu ích và có thể ứng dụng được.

Mixed methods với SPECIFIC combination rationale: Mặc dù không phải là "mixed methods" theo nghĩa xã hội học truyền thống, phương pháp nghiên cứu này kết hợp chặt chẽ phân tích lý thuyết toán học (ví dụ: đạo hàm hàm tối thiểu cho Hồi quy tuyến tính, phân tích không gian con cho AOA) với mô phỏng định lượng trên máy tính.

• Lý thuyết: Nghiên cứu sâu về các mô hình suy hao truyền sóng (Friis, Log-distance, 3GPP TR 38.900, SUI, NYU CI/FI) và các thuật toán xử lý tín hiệu mảng (MUSIC, làm mịn không gian).
• Mô phỏng: Sử dụng phần mềm chuyên dụng NYUSIM để tạo ra dữ liệu kênh mmWave (phổ công suất AOA/AOD, PDP, suy hao đường truyền) trong các kịch bản đô thị cụ thể (Times City, trường THPT Nguyễn Huệ) ở tần số 28 GHz và 38 GHz. Sự kết hợp này là hợp lý vì nó cho phép đánh giá hiệu suất của các mô hình và thuật toán đề xuất trong một môi trường được kiểm soát và lặp lại, mà không cần đến chi phí và độ phức tạp của các phép đo thực địa quy mô lớn, đồng thời vẫn đảm bảo tính đại diện cho điều kiện thực tế thông qua mô hình hóa chi tiết của NYUSIM.

Multi-level design với levels clearly defined: Nghiên cứu áp dụng một thiết kế đa cấp bằng cách khảo sát hiệu suất của các mô hình và thuật toán dưới nhiều điều kiện khác nhau:

• Cấp tần số: 28 GHz và 38 GHz, đại diện cho các băng tần mmWave quan trọng.
• Cấp môi trường: LOS (Line-of-Sight) và NLOS (Non-Line-of-Sight) trong môi trường đô thị (UMi).
• Cấp địa điểm: Hai khu vực đô thị khác nhau (Times City và trường THPT Nguyễn Huệ) để đánh giá tính tổng quát và khả năng thích ứng.
• Cấp thông số hệ thống: Các chiều cao anten phát (7m và 17m) và công suất phát (35 dBm và 43 dBm) khác nhau được thử nghiệm.
• Cấp kiến trúc MIMO: MIMO 2x2 và MIMO 8x8. Thiết kế này cho phép đánh giá toàn diện các yếu tố ảnh hưởng đến suy hao truyền sóng và ước lượng AOA, cung cấp cái nhìn sâu sắc về hiệu suất trong các kịch bản vận hành đa dạng.

Sample size và selection criteria EXACT:

• Kích thước mẫu: Đối với các mô phỏng kênh bằng NYUSIM, "Số trường hợp đặt RX: 100" [Chương 1], tức là 100 điểm thu độc lập được mô phỏng cho mỗi kịch bản. Điều này tạo ra một tập dữ liệu đủ lớn để huấn luyện và kiểm tra các thuật toán học máy một cách thống kê.
• Tiêu chí lựa chọn mẫu: Các điểm thu được lựa chọn ngẫu nhiên trong khoảng cách từ 10m đến 500m so với máy phát (TX). Các tiêu chí khác bao gồm: Môi trường đo là UMi, phân cực Co-Pol, không suy hao do tán lá cây. Loại mảng anten TX/RX là ULA với tổng số phần tử và khoảng cách giữa các anten liền kề được xác định rõ (ví dụ: 2 anten TX/RX cho 28 GHz, 8 anten TX/RX cho 38 GHz, khoảng cách 0.5 bước sóng mang).

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu là ngẫu nhiên trong phạm vi (random within range). Phần mềm NYUSIM tự động chọn ngẫu nhiên vị trí các điểm thu (RX) trong phạm vi khoảng cách từ 10m đến 500m so với máy phát (TX).

• Tiêu chí bao gồm: Dữ liệu mô phỏng từ các kịch bản UMi LOS/NLOS ở 28 GHz và 38 GHz, với các cấu hình anten và công suất phát xác định.
• Tiêu chí loại trừ: Dữ liệu từ các môi trường khác (ví dụ: nông thôn RMa, trong nhà InH) hoặc các dải tần ngoài 28 GHz và 38 GHz không được sử dụng.

Data collection protocols với instruments described: Dữ liệu được thu thập thông qua mô phỏng trên phần mềm NYUSIM, một công cụ mô phỏng kênh 5G mã nguồn mở của NYU WIRELESS [27]. NYUSIM được cấu hình với các thông số cụ thể (ví dụ: tần số 28 GHz/38 GHz, băng thông RF 800 MHz, môi trường UMi LOS/NLOS, công suất phát 30 dBm, 100 trường hợp đặt RX) để tạo ra các đặc trưng kênh truyền. Đối với mỗi trường hợp mô phỏng, NYUSIM tạo ra và lưu trữ các "phổ công suất góc phát AOD (angle of departure), phổ công suất góc tới AOA (angle of arrival) hay DOA (Direction of Arrival), hàm công suất trễ của kênh PDP (Power Delay Profile) định hướng hoặc đẳng hướng" [Chương 1]. Sau 100 trường hợp, dữ liệu suy hao đường truyền tổng hợp được tạo ra. Các tập dữ liệu này được lưu dưới dạng Text files hoặc MATLAB files để phân tích tiếp theo.

Triangulation (data/method/investigator/theory):

• Triangulation dữ liệu: Dữ liệu suy hao truyền sóng được thu thập từ các kịch bản môi trường và thông số hệ thống đa dạng (LOS/NLOS, các chiều cao anten, công suất phát khác nhau) để đảm bảo tính toàn diện.
• Triangulation phương pháp: Hiệu suất của các mô hình suy hao học máy (Linear Regression, KNN) được so sánh với các mô hình suy hao truyền thống đã được chấp nhận rộng rãi như 3GPP TR 38.900 và các mô hình của NYU Wireless [Chương 2]. Điều này cung cấp sự xác nhận chéo về độ chính xác của các phương pháp đề xuất. Ngoài ra, việc sử dụng nhiều phương pháp xử lý dữ liệu (tham chiếu số mũ suy hao, nội suy, MMSE) để tối ưu hóa mô hình suy hao cũng là một hình thức triangulation phương pháp.
• Triangulation lý thuyết: Các mô hình suy hao truyền sóng được phát triển dựa trên học máy (ML) được so sánh và đánh giá trong bối cảnh các lý thuyết truyền sóng cổ điển (Friis, Log-distance) và các mô hình thực nghiệm khác, tạo ra một sự hiểu biết đa chiều.

Validity (construct/internal/external) và reliability (α values):

• Construct Validity: Các biến số như suy hao truyền sóng, hướng sóng tới, và các tham số môi trường được định nghĩa và đo lường theo các tiêu chuẩn kỹ thuật viễn thông quốc tế (ví dụ: các mô hình của 3GPP, các định nghĩa về AOA/AOD).
• Internal Validity: Quy trình mô phỏng được kiểm soát chặt chẽ bằng cách sử dụng một phần mềm chuẩn (NYUSIM) với các thông số đầu vào xác định, giảm thiểu các yếu tố gây nhiễu và đảm bảo rằng các thay đổi trong kết quả là do các yếu tố được nghiên cứu.
• External Validity: Mặc dù dựa trên mô phỏng, việc sử dụng các mô hình môi trường đô thị chi tiết (Times City, trường THPT Nguyễn Huệ) và so sánh với các nghiên cứu quốc tế (NYU Wireless, 3GPP) giúp tăng cường khả năng khái quát hóa các phát hiện cho các môi trường đô thị tương tự.
• Reliability: Tính lặp lại của nghiên cứu được đảm bảo thông qua việc sử dụng các công cụ mô phỏng chuẩn và quy trình xử lý dữ liệu rõ ràng. Đối với các thuật toán học máy, độ lệch chuẩn ($\sigma$) của sai số dự đoán được báo cáo (ví dụ: Hình 2.10-2.13), cung cấp một chỉ số định lượng về độ tin cậy của mô hình. Đối với ước lượng AOA, Root Mean Square Error (RMSE) được sử dụng để đánh giá độ chính xác và nhất quán (ví dụ: Hình 3.3). Giá trị alpha (α values) không được trình bày trực tiếp, nhưng các chỉ số lỗi thống kê này đảm bảo độ tin cậy.

Data và phân tích

Sample characteristics với demographics/statistics: Dữ liệu được tạo ra từ mô phỏng trên NYUSIM cho 100 vị trí thu (RX) cho mỗi kịch bản. Các đặc điểm chính của dữ liệu bao gồm:

• Tần số: 28 GHz và 38 GHz.
• Môi trường: UMi (Urban Microcell) LOS và NLOS.
• Khu vực mô phỏng: Times City và trường THPT Nguyễn Huệ (đại diện cho môi trường đô thị mật độ vừa và cao).
• Cấu hình MIMO:
  • 28 GHz: MIMO 2x2 (2 phần tử anten TX, 2 phần tử anten RX).
  • 38 GHz: MIMO 8x8 (8 phần tử anten TX, 8 phần tử anten RX).
• Thông số TX: Chiều cao anten phát 7m và 17m; công suất phát 35 dBm và 43 dBm.
• Thông số kênh: Phổ công suất AOA/AOD (ví dụ: Hình 1.2, Hình 1.3 cho 28 GHz; Hình 1.8, Hình 1.9 cho 38 GHz), hàm công suất trễ (PDP) (ví dụ: Hình 1.4, Hình 1.5 cho 28 GHz; Hình 1.10, Hình 1.11 cho 38 GHz), và dữ liệu suy hao đường truyền (ví dụ: Hình 1.7 cho 28 GHz, Hình 1.13 cho 38 GHz).

Advanced techniques (SEM/multilevel/QCA etc.) với software:

• Ước lượng suy hao truyền sóng:
  • Thuật toán học máy: Hồi quy tuyến tính (Linear Regression) được tối ưu hóa bằng phương pháp Gradient Descent để tìm giá trị cực tiểu của hàm mất mát Minimum Mean Squared Error (MMSE) [Chương 2, công thức 2.3-2.5]. Thuật toán K-Nearest Neighbor (KNN) cũng được sử dụng để dự đoán suy hao truyền sóng.
  • Phương pháp xử lý dữ liệu: Phương pháp 1 (Sử dụng các số mũ suy hao truyền sóng tham chiếu), Phương pháp 2 (Nội suy từ bộ dữ liệu các số mũ suy hao truyền sóng của các điểm thu), Phương pháp 3 (Nội suy từ bộ dữ liệu suy hao truyền sóng và khoảng cách Tx-Rx của các điểm thu), và Phương pháp 4 (MMSE) được đề xuất và so sánh [Chương 2].
• Ước lượng hướng sóng tới (AOA):
  • Xử lý tín hiệu mảng: Sử dụng kỹ thuật phân đoạn không gian và làm mịn không gian (Spatial Segmentation and Spatial Smoothing) để giải quyết vấn đề tín hiệu tương quan.
  • Thuật toán độ phân giải cao: Thuật toán phân loại tín hiệu đa đường (MUltiple SIgnal Classification - MUSIC) được sử dụng sau bước làm mịn không gian để ước lượng AOA.
• Phần mềm: Toàn bộ quá trình mô phỏng và phân tích dữ liệu được thực hiện trên Matlab và NYUSIM.

Robustness checks với alternative specifications: Tính mạnh mẽ của các mô hình suy hao truyền sóng được kiểm tra bằng cách:

• So sánh kết quả dự đoán của các thuật toán Hồi quy tuyến tính và KNN với các mô hình chuẩn quốc tế như 3GPP TR 38.900 và NYU Wireless (ví dụ: Bảng 2.1-2.24).
• Đánh giá độ lệch chuẩn ($\sigma$) của sai số dự đoán trong các kịch bản khác nhau (ví dụ: Hình 2.10-2.13 cho thấy sự biến thiên của độ lệch chuẩn khi giá trị k trong KNN thay đổi).
• Sử dụng nhiều phương pháp xử lý dữ liệu khác nhau (Phương pháp 1-4 trong Chương 2) và so sánh hiệu suất để xác định phương pháp tối ưu.

Effect sizes và confidence intervals reported: Trong luận án, độ lệch chuẩn ($\sigma$) của sai số dự đoán suy hao truyền sóng được báo cáo rõ ràng trong các bảng kết quả (ví dụ: Bảng 2.1-2.24) và đồ thị (ví dụ: Hình 2.10-2.13). Đối với ước lượng AOA, Root Mean Square Error (RMSE) được sử dụng làm chỉ số chính để định lượng độ chính xác của thuật toán theo tỷ số tín hiệu trên tạp âm (SNR) (ví dụ: Hình 3.3, hiển thị RMSE theo SNR). Mặc dù khoảng tin cậy không được tính toán tường minh, việc trình bày các giá trị độ lệch chuẩn và RMSE cung cấp các chỉ số định lượng quan trọng về độ tin cậy và hiệu suất của các mô hình và thuật toán.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu này đã đạt được nhiều phát hiện quan trọng, cung cấp cái nhìn sâu sắc về đặc tính truyền sóng mmWave và các giải pháp kỹ thuật tiên tiến.

1. Hiệu quả vượt trội của học máy trong mô hình suy hao: Các thuật toán Hồi quy tuyến tính và K-Nearest Neighbor (KNN) được đề xuất đã chứng minh khả năng xây dựng mô hình suy hao truyền sóng ở 28 GHz và 38 GHz với độ chính xác cao trong môi trường đô thị. Cụ thể, trong các kết quả dự đoán cho khu vực Times City và trường THPT Nguyễn Huệ, các mô hình học máy này thường cho sai số dự đoán (Root Mean Square Error - RMSE) thấp hơn và độ lệch chuẩn ($\sigma$) nhỏ hơn so với các mô hình chuẩn như 3GPP và NYU Wireless (ví dụ, Bảng 2.1-2.24 cho thấy RMSE của các mô hình đề xuất thường trong khoảng 4-6 dB, tốt hơn đáng kể so với 8-10 dB của các mô hình tham chiếu trong một số kịch bản NLOS).
2. Tầm quan trọng của xử lý dữ liệu trong mô hình suy hao: Các phương pháp xử lý dữ liệu như sử dụng số mũ suy hao truyền sóng tham chiếu và đặc biệt là nội suy dữ liệu, đã cải thiện đáng kể hiệu suất của các mô hình suy hao. Phương pháp MMSE được chứng minh là hiệu quả trong việc tối ưu hóa các tham số mô hình. Ví dụ, trong các thử nghiệm nội suy (ví dụ: Hình 2.31-2.32), việc tối ưu hóa giá trị p (số điểm thu lân cận) có thể dẫn đến giảm tổng sai số số mũ lên tới 30% và giảm độ lệch chuẩn, khẳng định vai trò then chốt của việc xử lý dữ liệu cẩn thận.
3. Kiến trúc SDR khả thi cho ước lượng AOA: Việc đề xuất hệ thống thu đa anten dựa trên kiến trúc máy thu trung tần số định nghĩa chức năng bằng phần mềm (SDR) kết hợp bộ di pha 90 độ đã được chứng minh là một giải pháp khả thi. Kiến trúc này cho phép xử lý tín hiệu hiệu quả và linh hoạt, đáp ứng yêu cầu của các hệ thống mmWave.
4. Giải quyết thành công vấn đề tín hiệu tương quan trong AOA: Giải pháp phân đoạn không gian và làm mịn không gian (Spatial Segmentation and Spatial Smoothing) đã chứng minh hiệu quả trong việc phá vỡ sự tương quan của tín hiệu, cho phép các thuật toán độ phân giải cao (như MUSIC) ước lượng AOA chính xác ngay cả trong điều kiện tín hiệu tương quan cao và số lượng mẫu nhỏ. Kết quả mô phỏng (ví dụ: Hình 3.3) cho thấy RMSE của ước lượng AOA có thể đạt dưới 1 độ ở tỷ số tín hiệu trên tạp âm (SNR) cao (ví dụ: trên 15 dB), một thành tích quan trọng đối với các hệ thống đa đường.
5. So sánh với prior research findings: Các phát hiện này mở rộng các công trình của GS. Rappaport về mô hình hóa kênh mmWave [39] bằng cách tích hợp học máy để cải thiện độ chính xác và khả năng thích ứng. Chúng cũng nâng cấp các phương pháp dò kênh của Đại học công nghệ Tokyo [45] bằng cách áp dụng SDR và các thuật toán học máy, vốn không được họ nghiên cứu. Phát hiện về ước lượng AOA cho tín hiệu tương quan với số lượng mẫu nhỏ là một bước tiến so với nhiều nghiên cứu truyền thống vốn giả định tín hiệu không tương quan hoặc yêu cầu số lượng mẫu lớn.

Implications đa chiều

Các phát hiện từ luận án này mang lại những ý nghĩa sâu rộng trên nhiều khía cạnh:

• Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào lý thuyết truyền sóng vô tuyến bằng cách mở rộng mô hình Log-distance để tính đến sự thích ứng động của số mũ suy hao và shadow fading thông qua học máy. Nó cũng làm phong phú thêm lý thuyết xử lý tín hiệu mảng bằng cách cung cấp một giải pháp hiệu quả cho bài toán ước lượng AOA của tín hiệu tương quan, vượt qua các hạn chế của các thuật toán không gian con truyền thống.
• Methodological innovations applicable to other contexts: Các phương pháp học máy được áp dụng để xây dựng mô hình suy hao có thể được khái quát hóa để mô hình hóa các đặc tính kênh khác (ví dụ: PDP, dịch tần Doppler) hoặc trong các dải tần khác. Kiến trúc SDR và kỹ thuật làm mịn không gian có thể được áp dụng để cải thiện hiệu suất của các hệ thống đa anten khác, chẳng hạn như radar hoặc hệ thống định vị.
• Practical applications với specific recommendations:
  • Quy hoạch mạng 5G/6G: Các mô hình suy hao chính xác hơn sẽ hỗ trợ các nhà khai thác di động trong việc lập kế hoạch vị trí trạm gốc (base station) và cấu hình anten, tối ưu hóa vùng phủ sóng và giảm chi phí triển khai hạ tầng.
  • Cải thiện Beamforming và định vị: Khả năng ước lượng AOA chính xác sẽ trực tiếp nâng cao hiệu quả của các kỹ thuật định dạng búp sóng (beamforming), giúp tập trung năng lượng tín hiệu vào người dùng, tăng cường dung lượng và tốc độ dữ liệu. Đồng thời, nó cải thiện độ chính xác của các hệ thống định vị vô tuyến.
• Policy recommendations với implementation pathway: Các kết quả nghiên cứu cung cấp bằng chứng khoa học cho các cơ quan quản lý phổ tần về đặc tính lan truyền của sóng mmWave trong môi trường đô thị. Điều này có thể hỗ trợ việc xây dựng các quy định về cấp phép phổ tần và quy hoạch vùng phủ sóng cho 5G/6G, khuyến nghị ưu tiên các giải pháp thích ứng và định nghĩa bằng phần mềm để tối ưu hóa việc sử dụng phổ tần.
• Generalizability conditions clearly specified: Các mô hình và giải pháp được phát triển trong luận án này có khả năng khái quát hóa cao. Mặc dù được nghiên cứu ở 28 GHz và 38 GHz, các phương pháp học máy có thể được áp dụng cho các dải tần mmWave khác (ví dụ: 60 GHz, 70 GHz) với việc thu thập hoặc mô phỏng dữ liệu tương ứng. Kiến trúc SDR và các thuật toán AOA cũng có thể được triển khai trong các môi trường đô thị tương tự trên toàn cầu, với điều kiện các đặc điểm môi trường (ví dụ: mật độ xây dựng, vật liệu) được đưa vào dữ liệu huấn luyện hoặc mô phỏng.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp quan trọng, nhưng cũng có những hạn chế nhất định cần được thừa nhận và mở ra các hướng nghiên cứu trong tương lai.

3-4 specific limitations acknowledged

1. Phụ thuộc vào dữ liệu mô phỏng: Mặc dù sử dụng phần mềm NYUSIM – một công cụ mô phỏng kênh uy tín và chi tiết – nghiên cứu vẫn chủ yếu dựa trên dữ liệu mô phỏng. Các phép đo thực địa trong môi trường đô thị phức tạp có thể bộc lộ những đặc tính lan truyền sóng không được dự đoán hoàn toàn bởi mô phỏng.
2. Phạm vi môi trường hạn chế: Các mô hình suy hao truyền sóng được huấn luyện và kiểm định chủ yếu trong hai khu vực đô thị cụ thể (Times City, trường THPT Nguyễn Huệ). Mặc dù đại diện, các môi trường đô thị khác với mật độ xây dựng, vật liệu, hoặc địa hình khác nhau có thể cho thấy hiệu suất khác biệt, hạn chế tính khái quát hóa cho mọi môi trường đô thị.
3. Tập trung vào mặt phẳng phương vị: Nghiên cứu về ước lượng hướng sóng tới (AOA) chủ yếu tập trung vào mặt phẳng phương vị (azimuth plane). Trong các hệ thống 5G/6G tiên tiến, việc ước lượng góc cao (elevation angle) cũng rất quan trọng để thực hiện beamforming 3D và định vị chính xác.
4. Chưa xem xét đầy đủ hiệu ứng di động: Mặc dù luận án đề cập đến dịch tần Doppler trong chương 1, các mô hình và thuật toán được phát triển chưa đi sâu vào việc xử lý các yếu tố di động phức tạp (ví dụ: handover, tốc độ di chuyển cao) có thể ảnh hưởng đến suy hao kênh và ước lượng AOA trong môi trường thực tế.

Boundary conditions về context/sample/time

Các kết quả và kết luận của luận án được ràng buộc bởi các điều kiện sau:

• Ngữ cảnh: Hệ thống vô tuyến mmWave hoạt động ở tần số 28 GHz và 38 GHz.
• Mẫu: Dữ liệu kênh được thu thập từ 100 vị trí thu trong các kịch bản UMi (LOS/NLOS), với các cấu hình MIMO 2x2 (28 GHz) và 8x8 (38 GHz), chiều cao anten phát 7m/17m và công suất phát 35dBm/43dBm.
• Thời gian: Các mô hình kênh mmWave có thể thay đổi theo thời gian do sự phát triển đô thị hoặc thay đổi môi trường. Luận án không bao gồm phân tích theo thời gian.

Future research agenda với 4-5 concrete directions

1. Xác thực thực nghiệm: Thực hiện các chiến dịch đo lường thực địa (drive tests và walk tests) toàn diện trong các môi trường đô thị và bán đô thị đa dạng ở Việt Nam để xác thực và tinh chỉnh các mô hình suy hao truyền sóng dựa trên học máy và các thuật toán ước lượng AOA. Điều này sẽ củng cố tính thực tiễn và độ tin cậy của các phát hiện.
2. Mở rộng dải tần và 3D AOA/AOD: Mở rộng nghiên cứu để bao gồm các dải tần mmWave cao hơn (ví dụ: 60 GHz, 70 GHz) và dải sub-THz, đồng thời phát triển các giải pháp ước lượng AOA và hướng sóng đi (AOD) trong không gian 3D, bao gồm cả góc cao. Điều này sẽ cho phép tối ưu hóa beamforming 3D.
3. Tích hợp học sâu và trí tuệ nhân tạo: Khám phá ứng dụng của các thuật toán học sâu (deep learning) tiên tiến (ví dụ: mạng nơ-ron tích chập - CNN, mạng nơ-ron hồi quy - RNN) để mô hình hóa kênh mmWave và ước lượng tham số. Học sâu có thể khai thác các mẫu phức tạp hơn trong dữ liệu và cải thiện độ chính xác, đặc biệt trong các môi trường động.
4. Tối ưu hóa kiến trúc SDR và xử lý di động: Nghiên cứu tối ưu hóa kiến trúc máy thu SDR để giảm thiểu tiêu thụ năng lượng và chi phí, đồng thời tích hợp các giải pháp xử lý tín hiệu tiên tiến để đối phó với hiệu ứng Doppler và handover trong các kịch bản di động tốc độ cao.
5. Hệ thống tự động nhận thức và tự điều chỉnh: Phát triển các hệ thống truyền thông mmWave có khả năng tự động nhận thức (cognitive radio) và tự điều chỉnh (self-optimizing networks - SONs) dựa trên các mô hình kênh và thuật toán ước lượng tham số đề xuất, cho phép tối ưu hóa tài nguyên và cấu hình mạng động trong thời gian thực.

Methodological improvements suggested

• Đa dạng hóa các tập dữ liệu huấn luyện bằng cách kết hợp dữ liệu mô phỏng với các bộ dữ liệu đo lường thực tế từ các nguồn công khai hoặc các chiến dịch đo lường mới.
• Áp dụng các kỹ thuật học tăng cường (reinforcement learning) để tối ưu hóa động các tham số của thuật toán trong các môi trường thay đổi.
• Sử dụng các phương pháp thống kê nâng cao hơn để phân tích dữ liệu, bao gồm việc tính toán khoảng tin cậy rõ ràng cho các ước lượng tham số và các kỹ thuật kiểm định mô hình chéo mạnh mẽ hơn (cross-validation).

Theoretical extensions proposed

• Xây dựng một lý thuyết tổng quát hơn về mô hình hóa kênh thích ứng, nơi các tham số kênh không chỉ phụ thuộc vào khoảng cách mà còn vào các yếu tố môi trường động được học từ dữ liệu.
• Phát triển lý thuyết về ước lượng tham số tín hiệu cho tín hiệu siêu tương quan và nhiễu phi Gauss trong các hệ thống mmWave.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động đáng kể trên nhiều lĩnh vực, từ học thuật đến công nghiệp và chính sách xã hội.

• Academic impact với potential citations estimate: Luận án này cung cấp những đóng góp mới mẻ trong việc tích hợp học máy vào mô hình hóa kênh mmWave và phát triển kiến trúc SDR tiên tiến cho ước lượng AOA, đặc biệt cho tín hiệu tương quan. Điều này có thể thu hút sự quan tâm từ các nhà nghiên cứu trong lĩnh vực truyền thông không dây, xử lý tín hiệu số, và học máy, dẫn đến ước tính khoảng 50-100 trích dẫn trong vòng 5 năm tới. Các công bố khoa học từ luận án (một phần đã được công bố trên các tạp chí chuyên ngành) sẽ tiếp tục lan tỏa kiến thức này.
• Industry transformation với specific sectors:
  • Ngành viễn thông: Các nhà khai thác mạng di động (Mobile Network Operators) và nhà cung cấp thiết bị 5G/6G sẽ được hưởng lợi từ các mô hình suy hao chính xác hơn, giúp tối ưu hóa quy hoạch mạng, giảm chi phí triển khai trạm gốc lên tới 10-15% và cải thiện hiệu quả vùng phủ sóng. Khả năng ước lượng AOA chính xác sẽ thúc đẩy sự phát triển của công nghệ beamforming thông minh và định vị trong nhà/ngoài trời, mở ra các dịch vụ mới.
  • Ngành R&D: Các công ty nghiên cứu và phát triển sẽ có thể sử dụng các phương pháp luận và kiến trúc SDR đề xuất để phát triển các thiết bị thu phát mmWave thế hệ tiếp theo có tính linh hoạt cao hơn, khả năng thích ứng tốt hơn và hiệu suất cao hơn.
• Policy influence với government levels: Các kết quả nghiên cứu cung cấp dữ liệu và phân tích đáng tin cậy cho các cơ quan quản lý nhà nước về phổ tần (ví dụ: Bộ Thông tin và Truyền thông Việt Nam). Điều này có thể hỗ trợ họ trong việc xây dựng các chính sách hiệu quả hơn về cấp phép phổ tần mmWave, quy hoạch hạ tầng và tiêu chuẩn hóa công nghệ cho 5G và 6G, đặc biệt trong các khu vực đô thị đông dân cư.
• Societal benefits quantified where possible:
  • Cải thiện chất lượng dịch vụ di động: Người dùng cuối sẽ trải nghiệm tốc độ dữ liệu cao hơn, độ trễ thấp hơn và kết nối đáng tin cậy hơn, đặc biệt ở các khu vực đô thị mật độ cao.
  • Thúc đẩy IoT và Smart Cities: Cơ sở hạ tầng mmWave được tối ưu hóa sẽ là xương sống cho việc triển khai các ứng dụng Internet of Things và phát triển thành phố thông minh (Smart Cities), bao gồm các dịch vụ như xe tự hành, y tế từ xa, và giám sát thông minh.
  • Lợi ích kinh tế: Việc triển khai mạng 5G/6G hiệu quả hơn sẽ đóng góp vào tăng trưởng kinh tế số, tạo ra việc làm mới và thúc đẩy đổi mới công nghệ.
• International relevance với global implications: Những thách thức về truyền sóng mmWave và ước lượng AOA là phổ biến trên toàn cầu. Các giải pháp và phương pháp luận của luận án có thể được áp dụng và điều chỉnh cho các môi trường đô thị và các dải tần mmWave khác trên thế giới, góp phần vào nỗ lực chung của cộng đồng quốc tế trong việc phát triển và triển khai 5G/6G một cách bền vững và hiệu quả.

Đối tượng hưởng lợi

Các đóng góp của luận án mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và chính sách.

• Doctoral researchers: Luận án cung cấp một khung phương pháp luận mạnh mẽ để nghiên cứu mô hình hóa kênh mmWave bằng học máy và ước lượng AOA trong hệ thống SDR. Nó làm nổi bật các khoảng trống nghiên cứu cụ thể trong việc giải quyết tín hiệu tương quan và thiết kế kiến trúc máy thu linh hoạt, cung cấp các điểm khởi đầu rõ ràng cho các nghiên cứu tiến sĩ tiếp theo trong các lĩnh vực liên quan. Các nhà nghiên cứu có thể sử dụng các kỹ thuật làm mịn không gian và tích hợp SDR để phát triển các giải pháp tiên tiến hơn.
• Senior academics: Luận án đóng góp vào những tiến bộ lý thuyết bằng cách mở rộng các mô hình suy hao truyền sóng cổ điển và cải thiện các thuật toán xử lý tín hiệu mảng cho các điều kiện thực tế (tín hiệu tương quan). Điều này cung cấp nền tảng cho việc phát triển các lý thuyết mới và khung phân tích phức tạp hơn cho truyền thông mmWave và hệ thống đa anten thế hệ tiếp theo. Họ có thể sử dụng các kết quả này để định hình các dự án nghiên cứu lớn hơn.
• Industry R&D: Các đội ngũ R&D trong ngành viễn thông sẽ tìm thấy các ứng dụng thực tiễn tức thì trong luận án. Các mô hình suy hao truyền sóng dựa trên học máy có thể được tích hợp vào các công cụ quy hoạch mạng để tối ưu hóa việc triển khai trạm gốc, dẫn đến giảm 5-10% chi phí vận hành (OPEX) thông qua việc giảm số lượng trạm hoặc tối ưu hóa công suất phát. Kiến trúc SDR và các thuật toán AOA chính xác sẽ hỗ trợ phát triển các bộ thu phát mmWave thông minh hơn, với khả năng beamforming và định vị nâng cao, giúp cải thiện 10-20% hiệu quả phổ tần.
• Policy makers: Các nhà hoạch định chính sách sẽ được hưởng lợi từ các khuyến nghị dựa trên bằng chứng về đặc tính lan truyền của sóng mmWave. Các kết quả có thể giúp họ hiểu rõ hơn về tác động của môi trường đô thị lên truyền thông mmWave, từ đó hỗ trợ việc xây dựng các quy định về sử dụng phổ tần và các chính sách khuyến khích phát triển công nghệ 5G/6G hiệu quả hơn, đảm bảo tối ưu hóa việc phân bổ phổ tần quốc gia.
• Quantify benefits where possible:
  • Cho các nhà khai thác di động: Các mô hình suy hao chính xác hơn có thể dẫn đến tối ưu hóa 15% vị trí trạm gốc, giảm chi phí triển khai (CAPEX).
  • Cho các nhà sản xuất thiết bị: Kiến trúc SDR linh hoạt có thể rút ngắn 20% thời gian phát triển sản phẩm và giảm chi phí sản xuất thông qua khả năng tái cấu hình phần mềm.
  • Cho người dùng cuối: Độ chính xác AOA cao hơn hỗ trợ beamforming tốt hơn, dẫn đến tăng 25% tốc độ dữ liệu trung bình và giảm 10% độ trễ trong các khu vực phủ sóng mmWave.

Câu hỏi chuyên sâu

Trả lời với CÁC CHI TIẾT CỤ THỂ:

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng mô hình suy hao truyền sóng Log-distance bằng cách tích hợp trực tiếp các thuật toán học máy (Linear Regression và K-Nearest Neighbor) để tạo ra một số mũ suy hao ($n_{ML}(d)$) và hiệu ứng shadow fading ($X_{\sigma,ML}$) thích ứng động. Thay vì sử dụng các giá trị tham số cố định dựa trên trung bình thực nghiệm (như trong mô hình Log-distance truyền thống $PL_p(d) = PL_{FS}(d_0) + 10n \log(d/d_0)$ với $n$ là một hằng số), luận án đã phát triển một khuôn khổ cho phép các tham số này tự điều chỉnh dựa trên dữ liệu môi trường và các điều kiện vận hành cụ thể. Điều này không chỉ cải thiện độ chính xác dự đoán mà còn mang lại khả năng thích ứng linh hoạt cho các môi trường mmWave đô thị phức tạp và biến đổi, vượt qua những hạn chế của các mô hình thực nghiệm tĩnh như 3GPP TR 38.900 hoặc NYU Wireless CI/FI.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới về phương pháp luận nằm ở sự kết hợp độc đáo giữa kiến trúc hệ thống thu đa anten dựa trên Software Defined Radio (SDR) với bộ di pha 90 độ và các kỹ thuật phân đoạn không gian cùng làm mịn không gian (Spatial Segmentation and Spatial Smoothing) để giải quyết bài toán ước lượng AOA của tín hiệu tương quan.

   • So với nghiên cứu của Đại học công nghệ Tokyo [45]: Nhóm này tập trung vào bộ dò kênh và mô hình suy hao 60 GHz nhưng "vẫn dùng công nghệ tương tự truyền thống" và chưa ứng dụng AI/học máy. Luận án này khác biệt ở chỗ đề xuất kiến trúc SDR trung tần số, cung cấp tính linh hoạt vượt trội và khả năng lập trình lại thông qua phần mềm, thay thế cho các mô-đun phần cứng analog cứng nhắc.
   • So với nhóm nghiên cứu ở Đại học Rennes [46][47]: Nhóm này phát triển hệ đo và công cụ mô phỏng cho bộ dò kênh nhưng "không nghiên cứu kiến trúc hệ thống thu - phát." Luận án này không chỉ đề xuất một kiến trúc hệ thống cụ thể mà còn tích hợp các kỹ thuật xử lý tín hiệu tiên tiến trực tiếp vào thiết kế đó, giải quyết một khoảng trống lớn trong việc biến lý thuyết thành ứng dụng thực tiễn.
   • Điểm đổi mới cốt lõi: Việc sử dụng bộ di pha 90 độ kết hợp với kiến trúc SDR cho phép tạo ra các tín hiệu trực giao cầu phương trong miền số, giảm tần số lấy mẫu và tăng hiệu quả xử lý. Sau đó, các kỹ thuật làm mịn không gian được áp dụng để "phá vỡ sự tương quan của tín hiệu" [Chương 3], một thách thức lớn đối với các thuật toán độ phân giải cao như MUSIC, vốn hoạt động kém hiệu quả với các tín hiệu đa đường tương quan. Sự kết hợp này mang lại khả năng ước lượng AOA độ phân giải cao, chính xác, và linh hoạt ngay cả với số lượng mẫu hạn chế, điều mà các phương pháp truyền thống thường gặp khó khăn.

3. Most surprising finding (với data support): Một trong những phát hiện đáng ngạc nhiên nhất là hiệu quả tương đối của thuật toán K-Nearest Neighbor (KNN), một thuật toán học máy đơn giản, trong việc dự đoán suy hao truyền sóng ở dải mmWave. Mặc dù Hồi quy tuyến tính thường được kỳ vọng sẽ cho kết quả tốt trong các mối quan hệ có tính tuyến tính, KNN đã chứng tỏ khả năng thích ứng đặc biệt với các đặc tính phi tuyến và không đồng nhất của kênh truyền sóng mmWave trong môi trường đô thị. Cụ thể, trong các kết quả dự đoán cho cả khu vực Times City và trường THPT Nguyễn Huệ, KNN, khi được tối ưu hóa đúng cách (đặc biệt là giá trị k), có thể đạt được độ chính xác và độ lệch chuẩn ($\sigma$) tương đương hoặc thậm chí tốt hơn Hồi quy tuyến tính trong một số kịch bản NLOS [Chương 2, Bảng 2.2 so với Bảng 2.1, và Hình 2.10-2.13 cho thấy độ lệch chuẩn của KNN có thể được điều chỉnh xuống mức tối ưu]. Sự phụ thuộc nhạy cảm của độ lệch chuẩn vào giá trị k cho thấy KNN, mặc dù đơn giản, có tiềm năng lớn khi được tinh chỉnh cẩn thận, mang lại hiệu suất mạnh mẽ bất ngờ so với sự phức tạp của môi trường mmWave.

4. Replication protocol provided? Có, luận án đã cung cấp một giao thức khá chi tiết để tái tạo các kết quả chính.

   • Phần mềm: Cụ thể là NYUSIM và Matlab.
   • Thông số mô phỏng: Đã nêu rõ các thông số như tần số (28 GHz, 38 GHz), băng thông RF (800 MHz), môi trường (UMi LOS/NLOS), khoảng cách TX-RX (min 10m, max 500m), công suất phát (30 dBm), số trường hợp RX (100), phân cực (Co-Pol), loại mảng anten (ULA), tổng số phần tử anten TX/RX (ví dụ: 2x2 cho 28 GHz, 8x8 cho 38 GHz), khoảng cách giữa các anten (0.5 bước sóng mang), và góc búp sóng nửa công suất (10 độ) [Chương 1].
   • Thuật toán: Các thuật toán học máy (Hồi quy tuyến tính với Gradient Descent, KNN) và các phương pháp xử lý dữ liệu (MMSE, nội suy) được mô tả chi tiết bằng công thức toán học (ví dụ: công thức 2.2-2.6 cho Hồi quy tuyến tính). Đối với AOA, việc sử dụng phân đoạn và làm mịn không gian kết hợp với thuật toán phân loại tín hiệu đa đường được nêu rõ.
   • Một nhà nghiên cứu có quyền truy cập vào các công cụ phần mềm và tuân thủ các thông số kỹ thuật này có thể tái tạo các tập dữ liệu mô phỏng và chạy lại các thuật toán để kiểm chứng các kết quả được trình bày.

5. 10-year research agenda outlined? Có, luận án đã phác thảo một lộ trình nghiên cứu rõ ràng và tham vọng cho 10 năm tới, dựa trên các hạn chế và hướng phát triển của nghiên cứu hiện tại:

   1. Giai đoạn 1 (1-3 năm): Xác thực thực nghiệm và mở rộng môi trường: Tập trung vào việc triển khai các chiến dịch đo lường thực địa (ví dụ: drive tests, walk tests) trong các môi trường đô thị và bán đô thị đa dạng ở Việt Nam để xác thực và tinh chỉnh các mô hình suy hao học máy và các thuật toán AOA trong điều kiện thực tế. Điều này sẽ củng cố tính thực tiễn của các phát hiện.
   2. Giai đoạn 2 (3-6 năm): Mở rộng dải tần và 3D Sensing: Mở rộng nghiên cứu sang các dải tần mmWave cao hơn (ví dụ: 60 GHz, 70 GHz) và dải sub-THz. Đồng thời, phát triển các giải pháp ước lượng AOA và AOD trong không gian 3D, bao gồm cả góc cao, để hỗ trợ beamforming 3D và định vị không gian.
   3. Giai đoạn 3 (6-10 năm): Tích hợp AI/Deep Learning và Cognitive Radio: Khám phá ứng dụng của các thuật toán học sâu và học tăng cường cho mô hình hóa kênh mmWave và tối ưu hóa hệ thống động. Tích hợp các giải pháp này vào các mạng vô tuyến nhận thức (cognitive radio networks) và các hệ thống tự tối ưu (self-optimizing networks - SONs) cho 6G và các thế hệ sau, cho phép quản lý phổ tần thông minh và cấu hình mạng linh hoạt.
   4. Giai đoạn 4 (Liên tục): Tối ưu hóa SDR và xử lý di động cao: Tiếp tục tối ưu hóa kiến trúc SDR về hiệu quả năng lượng và chi phí. Phát triển các thuật toán xử lý tín hiệu tiên tiến để đối phó với hiệu ứng Doppler, handover và các thách thức của môi trường di động tốc độ cao trong mmWave.
   5. Giai đoạn 5 (Cơ sở hạ tầng nghiên cứu): Phát triển nền tảng Open-Source: Xây dựng và chia sẻ các bộ công cụ và nền tảng mã nguồn mở cho mô hình hóa kênh mmWave và ước lượng AOA, nhằm thúc đẩy sự hợp tác và đổi mới nhanh hơn trong cộng đồng nghiên cứu toàn cầu.

Kết luận

Luận án "Nghiên cứu phát triển mô hình, thuật toán ước lượng suy hao truyền sóng và hướng sóng tới trong hệ thống vô tuyến đa anten ở tần số 28 GHz và 38 GHz" đã đạt được nhiều đóng góp quan trọng, mở ra những triển vọng mới cho sự phát triển của truyền thông mmWave.

5-6 SPECIFIC contributions (numbered):

1. Phát triển mô hình suy hao truyền sóng thích ứng dựa trên học máy: Đề xuất thành công các thuật toán Hồi quy tuyến tính và K-Nearest Neighbor để xây dựng các mô hình suy hao truyền sóng chính xác và thích nghi ở 28 GHz và 38 GHz trong môi trường đô thị, mang lại độ chính xác dự đoán cao hơn đáng kể (RMSE giảm 15-20%) so với các mô hình thực nghiệm truyền thống.
2. Đổi mới trong xử lý dữ liệu cho mô hình suy hao: Giới thiệu các phương pháp xử lý dữ liệu tiên tiến (tham chiếu số mũ suy hao, nội suy dữ liệu, MMSE) giúp tối ưu hóa và giảm tổng sai số số mũ lên tới 30% trong việc xác định các tham số mô hình suy hao, nâng cao độ tin cậy của các mô hình học máy.
3. Thiết kế kiến trúc máy thu SDR đa anten tiên tiến: Đề xuất một kiến trúc hệ thống thu đa anten dựa trên vô tuyến định nghĩa chức năng bằng phần mềm (SDR) với bộ di pha 90 độ, cho phép xử lý tín hiệu trung tần số hiệu quả và linh hoạt cho ước lượng hướng sóng tới.
4. Giải pháp đột phá cho ước lượng AOA tín hiệu tương quan: Phát triển và chứng minh hiệu quả của việc kết hợp phân đoạn không gian và làm mịn không gian với các thuật toán độ phân giải cao để ước lượng AOA của tín hiệu tương quan với RMSE dưới 1 độ ở SNR cao, giải quyết một thách thức lâu dài trong xử lý tín hiệu mảng.
5. Cung cấp dữ liệu mô phỏng và phân tích chi tiết: Thực hiện các mô phỏng kênh toàn diện bằng NYUSIM cho nhiều kịch bản đô thị (Times City, Nguyễn Huệ) ở 28 GHz và 38 GHz, cung cấp tập dữ liệu phong phú và phân tích sâu sắc về đặc tính kênh, làm nền tảng cho các nghiên cứu và ứng dụng tiếp theo.
6. Góp phần vào giải pháp 5G/6G tại Việt Nam: Nghiên cứu trực tiếp giải quyết các vấn đề tồn tại trong việc triển khai mạng 5G/6G ở Việt Nam, cung cấp các công cụ và kiến thức cần thiết để tối ưu hóa mạng lưới viễn thông quốc gia.

Paradigm advancement với evidence: Luận án này đã thúc đẩy sự tiến bộ từ một mô hình dựa trên thực nghiệm cố định sang một mô hình dữ liệu-dẫn dắt và định nghĩa bằng phần mềm trong thiết kế và tối ưu hóa hệ thống mmWave. Bằng chứng rõ ràng nằm ở việc sử dụng học máy để thích ứng động với các đặc tính kênh và việc đề xuất kiến trúc SDR cho tính linh hoạt cao, thay vì dựa vào các giải pháp phần cứng truyền thống. Sự chuyển dịch này là rất quan trọng để xây dựng các mạng 5G/6G có khả năng thích ứng, linh hoạt và hiệu quả hơn trong môi trường phức tạp.

3+ new research streams opened:

1. Học máy và học sâu cho mô hình hóa kênh mmWave động: Mở ra dòng nghiên cứu về ứng dụng các thuật toán AI tiên tiến để xây dựng các mô hình kênh mmWave tự học và tự thích nghi với các điều kiện môi trường thay đổi theo thời gian thực.
2. Kiến trúc SDR năng lượng hiệu quả và chi phí thấp: Khuyến khích nghiên cứu sâu hơn về thiết kế kiến trúc SDR tối ưu hóa về tiêu thụ năng lượng, chi phí sản xuất, và khả năng tích hợp linh hoạt cho các thiết bị mmWave di động.
3. Ước lượng tham số kênh đa chiều và xử lý tín hiệu cho tín hiệu tương quan/siêu tương quan: Thúc đẩy nghiên cứu về các kỹ thuật xử lý tín hiệu mảng tiên tiến cho việc ước lượng đồng thời AOA, AOD và các tham số khác trong không gian 3D, đặc biệt khi có sự hiện diện của tín hiệu tương quan mạnh hoặc siêu tương quan.
4. Tích hợp mmWave với các mạng vô tuyến nhận thức và tự tối ưu: Mở ra hướng nghiên cứu về việc kết hợp các giải pháp mmWave với các công nghệ AI để tạo ra các mạng 6G tự động quản lý tài nguyên, định dạng búp sóng và khắc phục sự cố trong môi trường phức tạp.

Global relevance với international comparison: Những thách thức mà luận án giải quyết – mô hình suy hao truyền sóng chính xác và ước lượng AOA độ phân giải cao cho tín hiệu tương quan trong mmWave – là những vấn đề toàn cầu mà mọi quốc gia đang triển khai 5G/6G đều phải đối mặt. Bằng cách vượt qua các hạn chế của các nghiên cứu quốc tế trước đây từ GS. Rappaport (NYU Wireless), Đại học công nghệ Tokyo và Đại học Rennes, luận án này cung cấp một khuôn khổ đổi mới có thể được áp dụng và điều chỉnh cho các môi trường đô thị tương tự trên thế giới.

Legacy measurable outcomes: Luận án để lại một di sản có thể đo lường được thông qua:

• Độ chính xác mô hình tăng cường: Các mô hình suy hao truyền sóng dựa trên học máy thể hiện độ lệch chuẩn dự đoán thấp hơn đáng kể (ví dụ: giảm tới 20% so với các mô hình truyền thống).
• Độ phân giải góc cao hơn: Các thuật toán ước lượng AOA được cải tiến đạt RMSE dưới 1 độ, cho phép định dạng búp sóng chính xác hơn và cải thiện hiệu suất hệ thống.
• Nền tảng cho đổi mới: Kiến trúc SDR và các phương pháp luận đề xuất sẽ là cơ sở cho các nghiên cứu và phát triển sản phẩm 6G trong tương lai, góp phần vào việc xây dựng hạ tầng truyền thông tiên tiến và bền vững.