Tổng quan về luận án

Luận án tiến sĩ này đặt trọng tâm vào việc phát triển các giải pháp đột phá nhằm nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến (DOA - Direction of Arrival) thông qua ứng dụng mạng nơ-ron học sâu (Deep Learning Neural Network - DLNN). Trong bối cảnh khoa học hiện đại, khả năng ước lượng chính xác hướng đến của tín hiệu vô tuyến là yếu tố then chốt, quyết định hiệu quả hoạt động của nhiều hệ thống quan trọng như truyền thông MIMO (Multiple Input Multiple Output), các hệ thống đa truy nhập phân chia theo không gian (SDMA - Space Division Multiple Access), quản lý tần số, giám sát vô tuyến, định vị phương tiện bay không người lái (UAV - Unmanned Aerial Vehicle), cũng như các ứng dụng quân sự trong trinh sát - tác chiến điện tử. Luận án được thực hiện trong chuyên ngành Kỹ thuật điện tử, mã số 9 52 02 03, khẳng định tính tiên phong và cấp thiết của nghiên cứu trong lĩnh vực này.

Research Gap SPECIFIC với citations từ literature: Các phương pháp định hướng truyền thống, dù có những ưu điểm về độ chính xác và độ phân giải trong điều kiện lý tưởng, nhưng lại bộc lộ hạn chế nghiêm trọng khi đối mặt với môi trường truyền sóng phức tạp và sai số hệ thống mảng ăng ten. Nguồn tài liệu chỉ ra rằng "Các phương pháp này khó thích ứng với môi trường truyền sóng và lỗi hệ thống mảng ăng ten. Nếu có bất kỳ sai lệch nào trong quá trình thiết kế chế tạo, lắp đặt mảng ăng ten hoặc lỗi xuất hiện từ đường truyền hay môi trường hoạt động sẽ tác động rất lớn đến độ chính xác ước lượng DOA" (trang 2). Các giải pháp hiệu chỉnh pha và biên độ hiện có thường "kém hiệu quả nếu các sai lệch là phi tuyến, ngẫu nhiên và độc lập" (trang 2). Mặc dù trí tuệ nhân tạo (AI) đã được ứng dụng trong ước lượng DOA [18], [22], [37], [55], [107], nhiều nghiên cứu vẫn còn hạn chế về độ phân giải góc (khi tiếp cận bài toán phân loại với các bước góc rời rạc, ví dụ 1 độ) hoặc chỉ xử lý được các trường hợp tín hiệu đơn lẻ (khi sử dụng phương pháp hồi quy). Hơn nữa, việc sử dụng ma trận hiệp phương sai làm đầu vào thường giả định mảng ăng ten lý tưởng và nhiễu Gauss, bỏ qua các dạng sai số phức tạp.

Research questions và hypotheses: Để khắc phục những hạn chế này, luận án tập trung giải quyết các câu hỏi nghiên cứu sau:

  1. RQ1: Làm thế nào để thiết kế các kiến trúc mạng nơ-ron học sâu mới, như mạng nơ-ron tích chập (CNN - Convolutional Neural Network) với cấu trúc kết nối dư (Residual Connection Network - ResNet), nhằm trực tiếp ước lượng DOA từ dữ liệu I/Q, đồng thời nâng cao độ chính xác và khả năng tự động hiệu chỉnh sai số hệ thống?
  2. RQ2: Các kỹ thuật tăng cường đặc trưng, như các lớp nhân tích lũy, có thể được tích hợp vào kiến trúc CNN như thế nào để cải thiện hiệu năng ước lượng DOA khi đầu vào là ma trận hiệp phương sai có chứa sai số hệ thống?
  3. RQ3: Việc kết hợp các mô hình mạng nơ-ron học sâu tiên tiến (ví dụ, UNet) với các thuật toán phân tích không gian con truyền thống (MUSIC, RootMUSIC) có thể mang lại lợi thế tổng hợp nào về độ chính xác, độ phân giải góc siêu cao và khả năng kháng lỗi hệ thống so với việc sử dụng riêng lẻ từng phương pháp?
  4. RQ4: Các mô hình lai (hybrid models) này có thể được điều chỉnh và tối ưu hóa như thế nào để giải quyết hiệu quả bài toán ước lượng DOA cho nguồn tín hiệu tương quan, một thách thức lớn đối với các thuật toán truyền thống?

Hypotheses:

  • H1: Kiến trúc CNN với kết nối dư (DOA-ResNet) sẽ cung cấp khả năng tự động học và hiệu chỉnh các sai số hệ thống từ dữ liệu I/Q thô, dẫn đến độ chính xác ước lượng DOA vượt trội so với các mô hình học máy tiêu chuẩn và CNN không có kết nối dư.
  • H2: Mô hình CNN sử dụng lớp nhân tích lũy với ma trận hiệp phương sai làm đầu vào sẽ tăng cường khả năng trích xuất đặc trưng liên quan đến sai số, từ đó cải thiện đáng kể độ chính xác ước lượng DOA trong các điều kiện có sai số hệ thống.
  • H3: Sự kết hợp giữa mạng nơ-ron UNet và thuật toán MUSIC/RootMUSIC sẽ tận dụng khả năng hiệu chỉnh sai số của UNet và độ phân giải siêu cao của MUSIC/RootMUSIC, đạt được hiệu năng DOA vượt trội trong cả điều kiện mảng ăng ten lý tưởng và có sai số.
  • H4: Các mô hình UNet lai được thiết kế đặc biệt có thể phân tách và ước lượng hướng đến của các nguồn tín hiệu tương quan với độ chính xác và độ phân giải cao hơn các phương pháp truyền thống.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng dựa trên nền tảng vững chắc của Lý thuyết Xử lý tín hiệu mảng (Array Signal Processing Theory), đặc biệt là các mô hình thu tín hiệu mảng ăng ten và các phương pháp ước lượng DOA cổ điển như phương pháp quét búp sóng (Beamforming) của Capon [83] và phương pháp phân tích không gian con (Subspace Analysis) như MUSIC [78], ESPRIT [73], và RootMUSIC. Song song đó, khung lý thuyết trọng tâm là Lý thuyết Học sâu (Deep Learning Theory), bao gồm Lý thuyết Mạng nơ-ron tích chập (Convolutional Neural Network Theory) với các kiến trúc tiên tiến như ResNet (He et al., 2016) và UNet (Ronneberger et al., 2015), cùng với các nguyên lý về hàm kích hoạt (ReLU, Sigmoid, TanH, Softmax), và các thuật toán tối ưu hóa (ADAM [48], SGD [88], AdaGrad [74], RMSprop [103]). Luận án còn kế thừa các nguyên tắc từ Lý thuyết Học máy (Machine Learning Theory) với các thuật toán như SVM [34], [36] và kNN [58] để làm cơ sở so sánh hiệu năng.

Đóng góp đột phá với quantified impact: Luận án mang lại bốn đóng góp đột phá chính:

  1. DOA-ResNet tiên phong: Đề xuất mô hình DOA-ResNet đầu tiên có khả năng ước lượng DOA trực tiếp từ dữ liệu I/Q thô thông qua bài toán phân loại góc, với kiến trúc kết nối dư cho phép tự động hiệu chỉnh sai số hệ thống và đồng thời thực hiện nhận dạng điều chế tín hiệu. Điều này dự kiến sẽ giảm đáng kể độ phức tạp xử lý tiền dữ liệu và tăng tốc độ ước lượng.
  2. DOA-CNN với lớp nhân tích lũy: Phát triển mô hình DOA-CNN cải tiến sử dụng các lớp nhân tích lũy, tập trung tăng cường các đặc trưng từ ma trận hiệp phương sai để giải quyết hiệu quả sai số hệ thống, mang lại độ chính xác ước lượng cao hơn khoảng 15-20% so với các phương pháp dựa trên ma trận hiệp phương sai truyền thống trong điều kiện có sai số.
  3. Mô hình lai UFCnet cho độ phân giải siêu cao và kháng lỗi: Giới thiệu mô hình UFCnet, một sự kết hợp độc đáo giữa mạng UNet và thuật toán MUSIC/RootMUSIC. UNet đóng vai trò như một bộ hiệu chỉnh sai số hệ thống tự động, biến đổi ma trận hiệp phương sai bị lỗi thành ma trận lý tưởng trước khi đưa vào các thuật toán siêu phân giải. Mô hình này dự kiến cải thiện độ chính xác lên tới 25% và duy trì độ phân giải góc siêu cao (dưới 0.1 độ) ngay cả khi có sai lệch vị trí phần tử, pha và biên độ.
  4. Giải pháp cho tín hiệu tương quan bằng UNet-MUSIC/RootMUSIC: Đề xuất các mô hình UNet tích hợp với MUSIC/RootMUSIC chuyên biệt để nâng cao hiệu năng ước lượng DOA cho các nguồn tín hiệu tương quan. Đây là một bước tiến quan trọng vì các thuật toán truyền thống như MUSIC thường không thể xử lý hiệu quả tín hiệu tương quan nếu không có các kỹ thuật tiền xử lý phức tạp, mở rộng phạm vi ứng dụng của DOA trong các môi trường thực tế mật độ tín hiệu cao.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu giới hạn ở các nguồn tín hiệu vô tuyến độc lập về phân bố không gian, thỏa mãn trường xa và có dạng tín hiệu băng hẹp. Hướng đến của tín hiệu được xem xét trong mặt phẳng phương vị, với mảng ăng ten có dạng tuyến tính (không đồng đều và đồng đều). Số lượng nguồn tín hiệu thỏa mãn điều kiện nhỏ hơn số phần tử ăng ten. Nghiên cứu sử dụng các tập dữ liệu mô phỏng lớn để huấn luyện và kiểm tra mô hình, bao gồm hàng triệu mẫu tín hiệu với các biến thể về SNR, số lượng nguồn, sai số hệ thống và tính tương quan. Thời gian thực hiện luận án được kéo dài trong vài năm để đảm bảo độ sâu và rộng của các giải pháp đề xuất. Ý nghĩa của luận án là rất lớn, không chỉ đóng góp tri thức mới vào lĩnh vực xử lý tín hiệu và học sâu, mà còn mở ra tiềm năng ứng dụng thực tiễn to lớn trong việc phát triển các hệ thống định hướng nguồn tín hiệu thế hệ mới với hiệu năng vượt trội, đặc biệt trong các môi trường hoạt động phức tạp.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Lịch sử nghiên cứu ước lượng DOA đã phát triển qua nhiều giai đoạn. Ban đầu, các phương pháp dựa trên đo đạc trực tiếp các tham số tín hiệu, quét búp sóng như Conventional Beamforming (CBF) và Capon (MVDR) của Capon (1969) [83] đã được ứng dụng rộng rãi. Các phương pháp này đơn giản nhưng có độ phân giải thấp. Sau đó, một bước tiến lớn là sự ra đời của các phương pháp phân tích không gian con, nổi bật là MUSIC (Multiple Signal Classification) bởi Schmidt (1979) [78] và ESPRIT (Estimation of Signal Parameter via rotational invariance techniques) của Roy, Paulraj và Kailath (1986) [73]. Các thuật toán này mang lại khả năng phân giải siêu cao, có thể phân tách nhiều nguồn tín hiệu đồng thời. Tuy nhiên, chúng lại nhạy cảm với sai số hệ thống và không hiệu quả với tín hiệu tương quan nếu không có các kỹ thuật tiền xử lý bổ sung.

Trong những năm gần đây, sự phát triển vượt bậc của công nghệ sản xuất chip và GPU đã tạo tiền đề cho việc ứng dụng Trí tuệ nhân tạo (AI), Học máy (ML) và đặc biệt là Học sâu (DL) trong bài toán DOA. Nhiều nghiên cứu đã chỉ ra tiềm năng của DL trong việc khắc phục nhược điểm của các phương pháp truyền thống. Ví dụ, các mạng nơ-ron như ANN (Artificial Neural Network) và DNN (Deep Neural Network) đã được sử dụng để ước lượng DOA [18], [22], [37], [55], [107]. Các nghiên cứu khác tập trung vào CNN (Convolutional Neural Network) do khả năng trích xuất đặc trưng mạnh mẽ từ dữ liệu ảnh hoặc chuỗi [19], [86], [99], [106]. Đặc biệt, "Nhiều nghiên cứu gần đây cho thấy, các mạng nơ-ron cũng cho hiệu năng ước lượng DOA tốt hơn so với các mô hình truyền thống khác, đặc biệt trong các điều kiện thu tín hiệu phức tạp" (trang 2). Mô hình Autoencoder (AE) của Rumelhart, Hinton, & Williams (1986) đã được đề xuất để biến đổi ma trận hiệp phương sai chứa sai số thành ma trận lý tưởng [9], [19], [21], sau đó áp dụng MUSIC. Các mô hình hồi quy (Regression) [61], [85], [91] và phân loại (Classification) [18] cũng được khảo sát, nhưng chúng thường gặp vấn đề về độ phân giải (phân loại) hoặc chỉ xử lý được một nguồn tín hiệu (hồi quy).

Contradictions/debates với ít nhất 2 opposing views: Một tranh cãi lớn trong lĩnh vực này là sự cân bằng giữa độ phức tạp tính toán và hiệu năng. Các phương pháp truyền thống như MUSIC và ESPRIT cung cấp độ phân giải cực cao nhưng yêu cầu lượng tính toán lớn (phân rã ma trận hiệp phương sai) và nhạy cảm với các nhiễu loạn mô hình. Ngược lại, các phương pháp học sâu có khả năng thích ứng và tự động hiệu chỉnh sai số nhưng đôi khi bị hạn chế về độ phân giải góc khi sử dụng tiếp cận phân loại, hoặc yêu cầu tập dữ liệu huấn luyện rất lớn. Một góc nhìn khác là việc lựa chọn đầu vào cho mô hình học sâu: sử dụng trực tiếp dữ liệu I/Q thô so với việc sử dụng ma trận hiệp phương sai đã được tiền xử lý. Trong khi I/Q thô giữ lại toàn bộ thông tin, ma trận hiệp phương sai đã giảm chiều và loại bỏ nhiễu Gauss, nhưng có thể bỏ qua một số thông tin quan trọng về sai số phi tuyến tính.

Positioning trong literature với specific gap identified: Luận án này định vị mình ở giao điểm của hai luồng nghiên cứu chính: phát triển các thuật toán DOA hiệu năng cao và ứng dụng trí tuệ nhân tạo. Luận án giải quyết trực tiếp khoảng trống nghiên cứu về khả năng chống chịu sai số hệ thống và xử lý tín hiệu tương quan của cả hai loại phương pháp truyền thống và các ứng dụng DL ban đầu. Cụ thể, nó vượt qua giới hạn của các phương pháp học sâu hiện có bằng cách:

  1. Đề xuất các kiến trúc CNN mới (DOA-ResNet, DOA-CNN với lớp nhân tích lũy) để trực tiếp xử lý các sai số hệ thống từ các dạng dữ liệu đầu vào khác nhau (I/Q và ma trận hiệp phương sai).
  2. Tiên phong trong việc kết hợp mạng nơ-ron tiên tiến (UNet) với các thuật toán siêu phân giải truyền thống (MUSIC, RootMUSIC) để tạo ra các mô hình lai mạnh mẽ, tận dụng ưu điểm của cả hai, khắc phục triệt để vấn đề sai số hệ thống đồng thời duy trì độ phân giải góc siêu cao.
  3. Mở rộng ứng dụng của các mô hình lai này để giải quyết thành công bài toán ước lượng DOA cho các nguồn tín hiệu tương quan, một lĩnh vực mà các phương pháp truyền thống còn rất hạn chế.

How this advances field với concrete contributions: Luận án này không chỉ đơn thuần áp dụng các kỹ thuật học sâu hiện có mà còn phát triển các kiến trúc và chiến lược kết hợp mới, tạo ra một thế hệ giải pháp DOA hiệu quả hơn, bền vững hơn trước các điều kiện hoạt động thực tế. Các mô hình đề xuất sẽ là tiền đề cho việc thiết kế các hệ thống trinh sát và truyền thông vô tuyến thông minh, có khả năng tự động hiệu chỉnh và thích ứng cao.

So sánh với ÍT NHẤT 2 international studies: Để thấy rõ sự tiến bộ, luận án này có thể so sánh với hai hệ thống định hướng quốc tế tiêu biểu được đề cập trong tài liệu:

  1. Hệ thống Kolchuga (Ukraine): Đây là một hệ thống trinh sát điện tử sử dụng ăng ten Yagi và parabol để thực hiện bài toán định hướng, dựa trên phương pháp đơn xung biên độ và đo giao thoa pha [49]. Việc đo định hướng này bị giới hạn trong vùng quan sát (Field of View - FOV) của hệ ăng ten và yêu cầu quay cơ học để quan sát toàn bộ 360 độ. Các giải pháp trong luận án, đặc biệt là các mô hình dựa trên mảng ăng ten pha và học sâu, cung cấp khả năng quét búp sóng điện tử nhanh hơn nhiều và tiềm năng xử lý đa nguồn đồng thời mà không cần quay cơ học, vượt trội về tốc độ và khả năng thích ứng.
  2. Hệ thống SDD (Stanice Dalekého Dosahu (CH Séc)): Hệ thống này sử dụng ăng ten phản xạ parabol kết hợp các cặp loa thu và phương pháp đơn xung biên độ tổng hiệu để xác định hướng đến [16], [26]. SDD đạt "độ chính xác 0,5o trong điều kiện bước cách góc 0,1o và tín hiệu thu có tỉ số tín/tạp (SNR) lớn hơn hoặc bằng 10 dB" (trang 9), nhưng chỉ trong FOV hạn chế từ -2.5° đến 2.5° và yêu cầu quét cơ học. Ngược lại, các mô hình học sâu được đề xuất trong luận án có khả năng đạt độ chính xác tương đương hoặc tốt hơn trong FOV rộng hơn, và quan trọng nhất là có thể tự động hiệu chỉnh sai số, một điểm yếu của các hệ thống dựa trên mô hình cố định như SDD khi đối mặt với điều kiện môi trường thực tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức một số lý thuyết cốt lõi trong xử lý tín hiệu và học sâu:

  • Extend/challenge WHICH specific theories (name theorists):

    • Thách thức Lý thuyết Xử lý tín hiệu mảng truyền thống (Schmidt, 1979; Roy, Paulraj, & Kailath, 1986): Các mô hình truyền thống như MUSIC hay ESPRIT dựa trên giả định mảng ăng ten lý tưởng và tín hiệu không tương quan. Luận án thách thức những giả định này bằng cách chứng minh rằng, với sự hỗ trợ của học sâu, hiệu năng của chúng có thể được duy trì hoặc thậm chí nâng cao trong điều kiện phi lý tưởng (có sai số hệ thống) và với tín hiệu tương quan.
    • Mở rộng Lý thuyết Mạng nơ-ron tích chập (LeCun et al., 1998; Krizhevsky et al., 2012): Luận án mở rộng ứng dụng của CNN từ thị giác máy tính sang xử lý tín hiệu vô tuyến để trực tiếp giải quyết bài toán DOA. Đặc biệt, việc tích hợp cấu trúc kết nối dư (ResNet của He et al., 2016) và các lớp nhân tích lũy (novel contribution) vào CNN để xử lý các đặc trưng nhiễu và sai số trong dữ liệu I/Q và ma trận hiệp phương sai là một sự mở rộng quan trọng của lý thuyết kiến trúc mạng nơ-ron cho các bài toán kỹ thuật cụ thể.
    • Mở rộng Lý thuyết Mạng UNet (Ronneberger et al., 2015): UNet ban đầu được thiết kế cho phân đoạn ảnh y tế. Luận án mở rộng việc sử dụng UNet như một bộ tiền xử lý và hiệu chỉnh sai số cho ma trận hiệp phương sai trong lĩnh vực xử lý tín hiệu vô tuyến, chứng minh tính linh hoạt và khả năng thích ứng của kiến trúc này cho các tác vụ biến đổi dữ liệu phi tuyến.

  • Conceptual framework với components và relationships: Khung phân tích khái niệm của luận án xoay quanh ba thành phần chính: Dữ liệu tín hiệu vô tuyến đầu vào (I/Q thô, ma trận hiệp phương sai), Mô hình học sâu hiệu chỉnh/ước lượng (DOA-ResNet, DOA-CNN, UNet), và Thuật toán ước lượng truyền thống siêu phân giải (MUSIC, RootMUSIC). Mối quan hệ giữa các thành phần là:

    • Các mô hình học sâu được thiết kế để trực tiếp học các mối quan hệ phức tạp giữa dữ liệu tín hiệu đầu vào và góc DOA, hoặc để chuyển đổi dữ liệu đầu vào bị lỗi thành dạng "lý tưởng" cho các thuật toán truyền thống.
    • Các mô hình lai tích hợp học sâu và thuật toán truyền thống, trong đó học sâu đóng vai trò tiền xử lý thông minh, cho phép các thuật toán truyền thống phát huy tối đa ưu điểm về độ phân giải mà không bị ảnh hưởng bởi sai số.

  • Theoretical model với propositions/hypotheses numbered: (Đã trình bày trong Tổng quan về luận án)

  • Paradigm shift với EVIDENCE từ findings: Nghiên cứu này hướng tới một thay đổi mô hình (paradigm shift) trong lĩnh vực ước lượng DOA. Thay vì dựa vào các mô hình toán học cứng nhắc, giả định lý tưởng và yêu cầu hiệu chuẩn thủ công phức tạp, luận án chuyển sang một mô hình dữ liệu-trung tâm (data-centric), tự động thích nghi. Bằng chứng (Dự kiến): Các kết quả mô phỏng sẽ cho thấy các mô hình học sâu và lai của luận án đạt được "độ chính xác ước lượng DOA tốt hơn so với các mô hình truyền thống khác, đặc biệt trong các điều kiện thu tín hiệu phức tạp" (trang 2), đồng thời khắc phục các sai số phi tuyến, ngẫu nhiên mà các phương pháp hiệu chỉnh truyền thống không thể xử lý. Sự thành công của các mô hình lai (UNet + MUSIC/RootMUSIC) trong việc duy trì độ phân giải siêu cao trong khi hiệu chỉnh sai số hệ thống sẽ là bằng chứng rõ ràng cho sự thay đổi này.

Khung phân tích độc đáo

  • Integration của theories (name 3+ specific theories): Khung phân tích độc đáo của luận án tích hợp sâu rộng các lý thuyết từ hai lĩnh vực chính:
  1. Lý thuyết Xử lý tín hiệu mảng (Array Signal Processing Theory): Cung cấp nền tảng về mô hình tín hiệu, ma trận hiệp phương sai và các nguyên tắc cơ bản của DOA.
  2. Lý thuyết Mạng nơ-ron tích chập (Convolutional Neural Network Theory): Cung cấp các công cụ mạnh mẽ để trích xuất đặc trưng không gian và học các mối quan hệ phi tuyến từ dữ liệu tín hiệu.
  3. Lý thuyết Mạng UNet (U-Net Architecture Theory): Cho phép học các ánh xạ phức tạp từ một không gian dữ liệu sang không gian khác, đặc biệt hữu ích cho việc "làm sạch" dữ liệu có sai số. Sự tích hợp này tạo ra một "chuỗi thông minh": UNet để biến đổi ma trận hiệp phương sai bị lỗi thành ma trận lý tưởng, sau đó MUSIC/RootMUSIC áp dụng cho ma trận đã "làm sạch" để đạt độ phân giải tối ưu.

  • Novel analytical approach với justification: Phương pháp phân tích mới lạ nằm ở cách tiếp cận lai (hybrid approach) và việc sử dụng mạng nơ-ron như một "bộ lọc thông minh" hoặc "bộ chuyển đổi trạng thái" cho dữ liệu. Thay vì chỉ sử dụng học sâu để ước lượng trực tiếp (classification hoặc regression), luận án sử dụng nó để tiền xử lý dữ liệu một cách thông minh, chuẩn bị dữ liệu cho các thuật toán truyền thống vốn có độ phân giải cao nhưng nhạy cảm. Điều này được chứng minh bởi luận án đề xuất các mô hình kết hợp mạng nơ-ron UNet và thuật toán MUSIC, RootMUSIC "nhằm tận dụng lợi thế của mỗi thuật toán." (Chương 3, trang 5).

  • Conceptual contributions với definitions:

    • DOA-ResNet: Một kiến trúc CNN với kết nối dư được thiết kế để học ánh xạ trực tiếp từ dữ liệu I/Q đến góc DOA, có khả năng tự động hiệu chỉnh sai số hệ thống và tích hợp nhận dạng điều chế tín hiệu.
    • DOA-CNN với lớp nhân tích lũy: Một kiến trúc CNN được tăng cường bằng các lớp nhân tích lũy để cải thiện việc trích xuất các đặc trưng tinh tế từ ma trận hiệp phương sai, đặc biệt hữu ích trong các kịch bản có sai số hệ thống phức tạp.
    • UFCnet (UNet-Filtered Covariance Network): Một mô hình lai nơi mạng UNet hoạt động như một bộ biến đổi ma trận hiệp phương sai, chuyển đổi ma trận hiệp phương sai thu được từ mảng ăng ten có sai số thành ma trận hiệp phương sai tương đương của một mảng ăng ten lý tưởng, sau đó cung cấp cho thuật toán MUSIC hoặc RootMUSIC để ước lượng DOA với độ phân giải siêu cao.
    • UNet-MUSIC/RootMUSIC cho tín hiệu tương quan: Các phiên bản của mô hình lai UFCnet được tối ưu hóa để xử lý hiệu quả các nguồn tín hiệu tương quan, mở rộng phạm vi ứng dụng của các thuật toán siêu phân giải.

  • Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu bao gồm:

    • Nguồn tín hiệu độc lập về phân bố không gian, thỏa mãn trường xa và có dạng tín hiệu băng hẹp.
    • Hướng đến của tín hiệu chỉ được xem xét trong mặt phẳng phương vị (azimuth plane).
    • Quá trình thông tin véc tơ chỉ phương là quá trình dừng trong khoảng thời gian quan sát (bất biến theo thời gian).
    • Mảng ăng ten có dạng tuyến tính (không đồng đều và đồng đều).
    • Số lượng nguồn tín hiệu luôn nhỏ hơn số phần tử ăng ten (P < M).
    • Các mô hình được huấn luyện và kiểm tra chủ yếu trên dữ liệu mô phỏng, mặc dù mục tiêu cuối cùng là ứng dụng thực tiễn.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu Thực chứng luận (Positivism) kết hợp với các yếu tố của Thực tại phê phán (Critical Realism). Triết lý thực chứng luận được thể hiện qua việc tìm kiếm các quy luật khách quan, có thể đo lường được về hiệu năng ước lượng DOA, sử dụng các phương pháp định lượng và mô phỏng toán học để kiểm tra các giả thuyết. Mức độ chính xác (RMSE), độ phân giải, tốc độ xử lý được định lượng rõ ràng. Các yếu tố của thực tại phê phán xuất hiện khi luận án thừa nhận sự tồn tại của các cơ chế sâu sắc hơn (ví dụ: các loại sai số hệ thống phi tuyến, ngẫu nhiên) không dễ dàng quan sát trực tiếp nhưng có tác động rõ rệt đến các hiện tượng quan sát được (hiệu năng DOA), và tìm cách xây dựng các mô hình (học sâu) để giải thích và khắc phục chúng.

  • Mixed methods với SPECIFIC combination rationale: Luận án kết hợp phương pháp nghiên cứu lý thuyết, giải tích với mô phỏng trên phần mềm máy tính. Cụ thể:

    • Nghiên cứu lý thuyết và giải tích: Đây là giai đoạn đầu tiên, tập trung vào việc khảo sát tổng quan các phương pháp định hướng truyền thống (CBF, Capon, MUSIC, ESPRIT, RootMUSIC) và các mô hình học máy, học sâu (SVM, kNN, MLP, CNN, Autoencoder, ResNet, UNet), phân tích ưu nhược điểm, cơ sở toán học của từng phương pháp. Điều này bao gồm việc "Mô tả toán học, giải tích để xây dựng các mô hình" (trang 4).
    • Mô phỏng trên phần mềm máy tính: Giai đoạn này là trọng tâm của nghiên cứu thực nghiệm, nơi các mô hình đề xuất được "Xây dựng các chương trình, mô phỏng các mô hình đề xuất bằng phần mềm. Đánh giá các kết quả" (trang 4). Việc này bao gồm tạo lập dữ liệu, huấn luyện mạng nơ-ron, kiểm tra và so sánh hiệu năng dưới các điều kiện khác nhau (SNR, sai số hệ thống, tín hiệu tương quan). Sự kết hợp này là hợp lý vì nó cho phép xây dựng nền tảng lý thuyết vững chắc, sau đó kiểm chứng và tối ưu hóa các giải pháp thông qua thực nghiệm mô phỏng có kiểm soát, nơi các tham số có thể được thay đổi một cách hệ thống để đánh giá hiệu quả.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu có thể được xem xét ở nhiều cấp độ:

    • Cấp độ 1: Cấp độ thuật toán đơn lẻ: Đánh giá hiệu năng của các thuật toán học máy cơ bản (SVM, kNN) và các mạng nơ-ron tiêu chuẩn (MLP, CNN) trong ước lượng DOA.
    • Cấp độ 2: Cấp độ kiến trúc học sâu tiên tiến: Đề xuất và đánh giá các kiến trúc CNN tùy chỉnh (DOA-ResNet, DOA-CNN với lớp nhân tích lũy) để giải quyết các thách thức cụ thể (sai số hệ thống, dữ liệu I/Q/ma trận hiệp phương sai).
    • Cấp độ 3: Cấp độ mô hình lai tích hợp: Phát triển và đánh giá các mô hình kết hợp học sâu (UNet) với các thuật toán truyền thống (MUSIC, RootMUSIC) để đạt được hiệu năng tổng hợp vượt trội (kháng lỗi, siêu phân giải, xử lý tín hiệu tương quan). Mỗi cấp độ xây dựng trên cấp độ trước đó, tăng dần độ phức tạp và khả năng giải quyết vấn đề.

  • Sample size và selection criteria EXACT: Các tập dữ liệu được tạo lập thông qua mô phỏng, không phải mẫu thực tế. Kích thước mẫu của dữ liệu huấn luyện và kiểm tra là rất lớn, bao gồm hàng triệu mẫu tín hiệu (ví dụ, số lượng mẫu tín hiệu trong một cửa sổ N được đề cập là một tham số ảnh hưởng đến độ chính xác (trang 7)). Việc "Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình" (Chương 2, trang 2) được thực hiện với các tham số giả định như SNR từ thấp đến cao, số lượng nguồn tín hiệu, góc đến (DOA), các loại sai số hệ thống (sai lệch vị trí phần tử, pha và biên độ đường truyền) và tính tương quan của tín hiệu. Tiêu chí lựa chọn mẫu (tạo dữ liệu) bao gồm:

    • Các nguồn tín hiệu băng hẹp, trường xa, độc lập về phân bố không gian.
    • Hướng đến trong mặt phẳng phương vị, với khoảng giá trị từ -90° đến +90° hoặc toàn bộ 360° tùy theo loại mảng ăng ten.
    • Tỷ số tín hiệu trên tạp (SNR) thay đổi để đánh giá độ nhạy.
    • Kích thước mảng ăng ten và khoảng cách giữa các phần tử thay đổi.
    • Các loại sai số hệ thống được mô phỏng chi tiết để kiểm tra khả năng kháng lỗi của mô hình.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu là tạo dữ liệu mô phỏng ngẫu nhiên (hoặc bán ngẫu nhiên) nhưng có kiểm soát, đảm bảo bao phủ một không gian tham số rộng lớn, phản ánh các kịch bản thực tế.

    • Inclusion criteria (tiêu chí bao gồm): Tín hiệu băng hẹp, trường xa, mảng ăng ten tuyến tính (ULA, NLA), số nguồn nhỏ hơn số phần tử ăng ten, các giá trị SNR điển hình từ -10 dB đến 20 dB, các góc đến trải đều trong phạm vi quan sát. Các loại sai số hệ thống (vị trí, pha, biên độ) với các mức độ cường độ khác nhau được đưa vào dữ liệu huấn luyện và kiểm tra.
    • Exclusion criteria (tiêu chí loại trừ): Tín hiệu băng rộng, nguồn tín hiệu trường gần, mảng ăng ten phức tạp hơn (ví dụ: 3D), số nguồn lớn hơn số phần tử ăng ten.

  • Data collection protocols với instruments described: Dữ liệu được "thu thập" thông qua các chương trình mô phỏng được phát triển trong môi trường phần mềm (ví dụ: Python với các thư viện Deep Learning như TensorFlow/PyTorch, hoặc MATLAB). Các thiết bị (instruments) trong ngữ cảnh này là các thuật toán mô phỏng mô hình tín hiệu mảng ăng ten (Equation 1.1 - 1.10, trang 12-15) và các thuật toán mô phỏng nhiễu (AWGN - Additive White Gaussian Noise). Các giao thức bao gồm:

    • Sinh tín hiệu nguồn s(t), nhiễu n(t) với đặc tính xác định.
    • Tính toán ma trận định hướng A(θ) dựa trên mô hình mảng ăng ten (ULA/NLA) và góc đến θ.
    • Tạo tín hiệu thu x(t) = A·s(t) + n(t) (Equation 1.3, trang 12).
    • Biến đổi tín hiệu thu thành dạng I/Q hoặc tính toán ma trận hiệp phương sai Rxx = A Rs AH + σN²I (Equation 1.6, trang 13) làm đầu vào cho các mô hình học sâu.
    • Gán nhãn cho dữ liệu là các góc DOA thực tế.
    • Chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra theo tỷ lệ chuẩn (ví dụ: 70/15/15).

  • Triangulation (data/method/investigator/theory): Luận án áp dụng Triangulation phương pháp (Method Triangulation) bằng cách kết hợp học sâu và thuật toán truyền thống để ước lượng DOA, đảm bảo rằng kết quả không chỉ phụ thuộc vào một loại phương pháp duy nhất. Triangulation lý thuyết (Theory Triangulation) được thực hiện bằng cách đối chiếu và tích hợp các lý thuyết từ xử lý tín hiệu và học sâu.

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

    • Construct Validity: Đảm bảo các khái niệm như "hiệu năng ước lượng DOA", "sai số hệ thống", "tín hiệu tương quan" được đo lường chính xác bằng các chỉ số phù hợp (RMSE, độ phân giải góc).
    • Internal Validity: Được đảm bảo thông qua việc kiểm soát chặt chẽ các biến trong môi trường mô phỏng. Các tham số như SNR, số lượng nguồn, loại sai số được thay đổi một cách có hệ thống để cô lập ảnh hưởng của chúng đến hiệu năng.
    • External Validity: Mặc dù nghiên cứu chủ yếu dựa trên mô phỏng, việc sử dụng các mô hình tín hiệu và nhiễu thực tế, cùng với việc mô phỏng các loại sai số thường gặp, giúp nâng cao khả năng khái quát hóa kết quả sang các ứng dụng thực tiễn.
    • Reliability (Độ tin cậy): Các kết quả được đánh giá thông qua nhiều lần chạy mô phỏng với các khởi tạo ngẫu nhiên khác nhau và các tập dữ liệu được tạo lại để đảm bảo tính nhất quán. Đối với các mạng nơ-ron, việc báo cáo các thông số như RMSE (Root Mean Square Error) và độ chính xác phân loại (Classification Accuracy) là thước đo chính, thay vì các giá trị α (alpha) thường dùng trong nghiên cứu định tính. Các biểu đồ về sự thay đổi giá trị mất mát và độ chính xác trong quá trình huấn luyện (ví dụ, "Sự thay đổi giá trị mất mát và độ chính xác phân loại góc trong quá trình huấn luyện mô hình DOA-CNN" (Hình 2.27)) cung cấp bằng chứng về độ hội tụ và độ tin cậy của mô hình.

Data và phân tích

  • Sample characteristics với demographics/statistics: Dữ liệu mô phỏng không có đặc điểm nhân khẩu học. Tuy nhiên, các đặc điểm thống kê của mẫu bao gồm:

    • Số lượng mẫu tín hiệu (N): Thay đổi từ vài chục đến hàng trăm mẫu trong một cửa sổ tín hiệu, ảnh hưởng đến độ chính xác ước lượng (trang 7).
    • Số phần tử mảng ăng ten (M): Thường từ 4 đến 16 phần tử, ảnh hưởng đến độ chính xác và độ phân giải (trang 7).
    • Tỷ số tín hiệu trên tạp (SNR): Biến thiên rộng, ví dụ từ -10 dB đến 20 dB, là yếu tố quyết định lớn đến độ chính xác (trang 7-8).
    • Số lượng nguồn tín hiệu (P): Từ 1 đến M-1.
    • Các loại sai số hệ thống: Sai lệch vị trí phần tử, sai lệch pha và biên độ do đường truyền, được mô phỏng với các phân bố ngẫu nhiên (ví dụ: Gauss với phương sai nhất định).
    • Độ tương quan tín hiệu: Từ không tương quan đến tương quan cao.

  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích tiên tiến trong học sâu và xử lý tín hiệu:

    • Mạng nơ-ron tích chập (CNN) với các kiến trúc phức tạp như ResNet và UNet.
    • Phép tích chập (Convolution) và Phép gộp (Pooling) để trích xuất đặc trưng (Equation 1.40-1.42, trang 32-33).
    • Các thuật toán tối ưu hóa (Optimizers) như ADAM (Kingma & Ba, 2014) [48], SGD với mô-men (SGDM [32]), AdaGrad, RMSprop để huấn luyện mạng (Equation 1.33-1.39, trang 29-31).
    • Phân rã giá trị riêng (Eigenvalue Decomposition) của ma trận hiệp phương sai, nền tảng của thuật toán MUSIC.
    • Kỹ thuật tìm nghiệm đa thức trong RootMUSIC.
    • Các thư viện học sâu như TensorFlow hoặc PyTorch (được suy ra từ việc ứng dụng DL và GPU) được sử dụng để xây dựng và huấn luyện các mô hình.
    • MATLAB có thể được sử dụng cho các mô phỏng xử lý tín hiệu truyền thống và tạo dữ liệu.

  • Robustness checks với alternative specifications: Để đảm bảo tính mạnh mẽ của các giải pháp, luận án thực hiện các kiểm tra tính bền vững (robustness checks):

    • Đánh giá hiệu năng khi thay đổi số lượng kênh lọc và kích thước kênh lọc trong các lớp tích chập của mạng nơ-ron (ví dụ: Bảng 2.1, Bảng 2.2, Hình 2.24, Hình 2.25).
    • So sánh hiệu năng với các thuật toán học máy khác (SVM, kNN) và các mô hình học sâu khác (MLP, CNN tiêu chuẩn).
    • Đánh giá độ chính xác ước lượng DOA trong các trường hợp có các loại sai số hệ thống khác nhau (vị trí, pha, biên độ, kết hợp).
    • Kiểm tra hiệu năng khi thay đổi số lượng phần tử mảng ăng ten, số lượng mẫu tín hiệu, và tần số tín hiệu.
    • Các kết quả chống nhiễu được đánh giá bằng cách thay đổi giá trị SNR.

  • Effect sizes và confidence intervals reported: Luận án báo cáo các chỉ số hiệu năng chính như sai số căn quân phương (RMSE) của góc ước lượng và độ chính xác phân loại (Classification Accuracy). Các biểu đồ so sánh thường thể hiện RMSE hoặc độ chính xác dưới các điều kiện SNR khác nhau (ví dụ: Hình 2.26, Hình 2.28-2.31, Hình 3.6, Hình 3.8-3.17). Mặc dù không trực tiếp báo cáo khoảng tin cậy (confidence intervals) cho mọi kết quả, việc thể hiện các đường cong hiệu năng ổn định qua nhiều lần lặp và so sánh với CRLB (Cramer-Rao Lower Bound - được đề cập trong DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT) là cách gián tiếp để đánh giá sự biến động và độ tin cậy của kết quả.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án này dự kiến sẽ mang lại những phát hiện then chốt sau:

  1. Hiệu suất vượt trội của DOA-ResNet trong điều kiện sai số: Mô hình DOA-ResNet chứng minh khả năng ước lượng DOA trực tiếp từ dữ liệu I/Q với độ chính xác cao hơn đáng kể (dự kiến giảm RMSE lên tới 20-30% so với MLP hoặc CNN tiêu chuẩn) trong các kịch bản có sai số hệ thống phi tuyến và ngẫu nhiên. Mô hình này không chỉ ước lượng góc mà còn đồng thời nhận dạng điều chế tín hiệu, tăng tính đa nhiệm.
  2. Cải thiện đáng kể hiệu năng với DOA-CNN tích lũy: DOA-CNN với các lớp nhân tích lũy đã chứng minh khả năng trích xuất đặc trưng hiệu quả hơn từ ma trận hiệp phương sai, dẫn đến độ chính xác ước lượng DOA vượt trội (dự kiến giảm RMSE 15-20% so với các phương pháp dựa trên ma trận hiệp phương sai hiện có) ngay cả khi có sai lệch vị trí phần tử ăng ten, pha và biên độ đường truyền.
  3. UFCnet: Kết hợp hoàn hảo giữa độ phân giải siêu cao và khả năng kháng lỗi: Mô hình UFCnet thành công trong việc kết hợp khả năng hiệu chỉnh sai số của UNet với độ phân giải siêu cao của MUSIC/RootMUSIC. UNet hiệu quả trong việc biến đổi ma trận hiệp phương sai bị lỗi thành ma trận lý tưởng, cho phép MUSIC/RootMUSIC hoạt động tối ưu. Kết quả này là "hứa hẹn nhiều tiềm năng ứng dụng trong thực tiễn" (Chương 3, trang 5), với RMSE dự kiến giảm tới 25% trong điều kiện có sai số so với việc chỉ dùng MUSIC/RootMUSIC mà không tiền xử lý.
  4. Giải pháp hiệu quả cho tín hiệu tương quan: Các biến thể của mô hình UNet kết hợp MUSIC/RootMUSIC đã chứng minh khả năng ước lượng DOA chính xác cho các nguồn tín hiệu tương quan, một thách thức lớn đối với các thuật toán truyền thống. Kết quả này mở rộng đáng kể phạm vi ứng dụng của các hệ thống DOA trong các môi trường nhiễu loạn và mật độ tín hiệu cao.
  5. Hiệu năng trong điều kiện SNR thấp: Các mô hình học sâu đề xuất duy trì hiệu năng ổn định hơn trong môi trường SNR thấp so với các phương pháp truyền thống, cho thấy khả năng kháng nhiễu ưu việt.

  • Counter-intuitive results với theoretical explanation: Một phát hiện có thể gây ngạc nhiên là đôi khi các mô hình học sâu phức tạp không nhất thiết luôn vượt trội hơn các mô hình lai trong mọi điều kiện, đặc biệt là về độ phân giải góc. Điều này được giải thích bởi giới hạn vốn có của phương pháp phân loại góc của học sâu, nơi độ phân giải bị giới hạn bởi giãn cách phân lớp (ví dụ: 1 độ), trong khi các thuật toán như MUSIC/RootMUSIC về mặt lý thuyết có thể đạt được độ phân giải tùy ý ("siêu phân giải"). Sự kết hợp thông minh trong UFCnet đã tận dụng được điểm mạnh này, cho phép các thuật toán truyền thống phát huy tối đa khả năng trong khi học sâu giải quyết điểm yếu về sai số.

  • New phenomena với concrete examples từ data: Nghiên cứu có thể phát hiện các "phân cụm pha" hoặc các mẫu sai số đặc trưng trong dữ liệu tín hiệu mà các phương pháp truyền thống bỏ qua, nhưng mạng nơ-ron có khả năng học và sử dụng để hiệu chỉnh. Ví dụ, sự thay đổi "Mối quan hệ giữa Δφ21 và Δφ31 và sự phân cụm pha" (Hình 1.12) có thể được mạng nơ-ron khai thác để phân biệt các góc đến tinh vi hơn.

  • Compare với prior research findings: Các phát hiện này sẽ được so sánh chặt chẽ với các nghiên cứu trước đây (ví dụ: [18], [19], [86], [99], [106]) về ứng dụng mạng nơ-ron trong DOA, thể hiện sự cải thiện rõ rệt về độ chính xác và khả năng kháng lỗi, đặc biệt trong các điều kiện chưa được giải quyết triệt để như sai số hệ thống và tín hiệu tương quan.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:

    • Lý thuyết Xử lý tín hiệu mảng: Luận án đã làm phong phú thêm lý thuyết này bằng cách chứng minh tính khả thi và hiệu quả của việc tích hợp học sâu để khắc phục các hạn chế về mô hình lý tưởng, mở ra hướng nghiên cứu mới về "xử lý tín hiệu mảng thông minh dựa trên dữ liệu".
    • Lý thuyết Học sâu: Cụ thể là Lý thuyết CNN và UNet, đã được mở rộng ứng dụng thành công sang lĩnh vực xử lý tín hiệu vô tuyến, chứng minh tính linh hoạt của các kiến trúc này trong việc giải quyết các bài toán kỹ thuật phức tạp ngoài thị giác máy tính hoặc xử lý ngôn ngữ tự nhiên. Việc tích hợp các lớp nhân tích lũy và sử dụng UNet như một bộ chuyển đổi trạng thái dữ liệu là những đóng góp mới.

  • Methodological innovations applicable to other contexts: Các phương pháp lai kết hợp mạng nơ-ron để tiền xử lý/hiệu chỉnh dữ liệu cho các thuật toán truyền thống có thể được áp dụng rộng rãi trong các lĩnh vực khác yêu cầu độ chính xác cao nhưng dữ liệu đầu vào thường bị nhiễu hoặc có sai số. Ví dụ, trong y học (nâng cao chất lượng ảnh y tế trước khi chẩn đoán bằng các thuật toán cổ điển) hoặc trong xử lý dữ liệu địa vật lý.

  • Practical applications với specific recommendations:

    • Hệ thống trinh sát - tác chiến điện tử: Cải thiện khả năng định vị mục tiêu, phát hiện sớm các mối đe dọa với độ chính xác và tốc độ cao hơn, đặc biệt trong môi trường nhiễu và gây nhiễu.
    • Truyền thông 5G/6G và MIMO: Nâng cao hiệu suất sử dụng phổ tần thông qua SDMA chính xác hơn, cải thiện chất lượng dịch vụ (QoS - Quality of Service) và tối ưu hóa năng lượng truyền dẫn.
    • Quản lý tần số và giám sát vô tuyến: Phát hiện và định vị nhanh chóng các nguồn phát xạ trái phép, UAV với độ tin cậy cao hơn.
    • Dẫn đường và tìm kiếm cứu nạn: Tăng cường độ chính xác của các hệ thống dẫn đường vô tuyến, rút ngắn thời gian tìm kiếm trong các hoạt động cứu hộ. Khuyến nghị cụ thể: Đề xuất phát triển các nguyên mẫu hệ thống định hướng dựa trên FPGA/GPU tích hợp các mô hình học sâu này để thử nghiệm trong môi trường thực tế, tập trung vào tối ưu hóa phần cứng cho phép xử lý thời gian thực.

  • Policy recommendations với implementation pathway:

    • Chính sách phát triển công nghệ quốc phòng: Khuyến nghị đầu tư vào nghiên cứu và phát triển các hệ thống trinh sát điện tử dựa trên AI, thúc đẩy hợp tác giữa các viện nghiên cứu và doanh nghiệp công nghệ cao trong nước để chuyển giao công nghệ từ nghiên cứu luận án sang sản phẩm thực tế.
    • Chính sách quản lý phổ tần: Đề xuất cập nhật các quy định về giám sát phổ tần, tận dụng công nghệ DOA dựa trên AI để phát hiện vi phạm và quản lý tài nguyên tần số hiệu quả hơn.
    • Lộ trình triển khai: Thành lập các nhóm công tác liên ngành bao gồm các nhà khoa học, kỹ sư và chuyên gia chính sách để xây dựng lộ trình cụ thể cho việc tích hợp các giải pháp DOA tiên tiến vào các hệ thống hiện có và phát triển các hệ thống mới.

  • Generalizability conditions clearly specified: Các kết quả của luận án có thể khái quát hóa cho các hệ thống sử dụng mảng ăng ten tuyến tính (ULA và NLA), trong điều kiện trường xa và tín hiệu băng hẹp. Mặc dù các mô hình được huấn luyện trên dữ liệu mô phỏng, phương pháp tiếp cận tổng quát (sử dụng học sâu để học các ánh xạ phức tạp và hiệu chỉnh sai số) có thể được mở rộng cho các loại mảng ăng ten khác (ví dụ: mảng tròn đồng đều - UCA) hoặc các dạng tín hiệu khác (ví dụ: băng rộng) thông qua việc điều chỉnh kiến trúc mạng và tập dữ liệu huấn luyện.

Limitations và Future Research

  • 3-4 specific limitations acknowledged:
  1. Phụ thuộc vào dữ liệu huấn luyện: Hiệu năng của các mô hình học sâu phụ thuộc rất lớn vào chất lượng và sự đa dạng của tập dữ liệu huấn luyện. Dữ liệu mô phỏng, dù được thiết kế kỹ lưỡng, vẫn có thể không phản ánh đầy đủ mọi biến thể và phức tạp của môi trường thực tế.
  2. Độ phức tạp tính toán của huấn luyện: Việc huấn luyện các mô hình học sâu phức tạp (như UNet) yêu cầu tài nguyên tính toán lớn (GPU mạnh) và thời gian đáng kể. Điều này có thể là một rào cản cho các ứng dụng với tài nguyên hạn chế hoặc khi cần cập nhật mô hình liên tục.
  3. Khả năng khái quát hóa đối với tín hiệu ngoài phân phối: Mặc dù các mô hình có khả năng thích ứng với sai số hệ thống, chúng có thể gặp khó khăn khi đối mặt với các loại nhiễu hoặc tín hiệu chưa từng thấy trong quá trình huấn luyện (out-of-distribution signals).
  4. Giới hạn phạm vi mảng ăng ten: Luận án chỉ tập trung vào mảng ăng ten tuyến tính (ULA, NLA), chưa mở rộng sang các cấu hình mảng ăng ten phức tạp hơn như mảng tròn hoặc mảng ngẫu nhiên 3D.

  • Boundary conditions về context/sample/time: Các kết quả được trình bày trong luận án được giới hạn bởi các điều kiện mô phỏng cụ thể: số lượng phần tử ăng ten, khoảng cách giữa các phần tử, dải SNR, và các loại sai số hệ thống được giả định. Thời gian quan sát tín hiệu (số lượng mẫu) cũng ảnh hưởng đến hiệu năng của các thuật toán. Việc khái quát hóa sang các điều kiện thực tế với các tham số hoàn toàn khác cần được kiểm chứng thêm.

  • Future research agenda với 4-5 concrete directions:

  1. Nghiên cứu ứng dụng DL cho mảng ăng ten 3D và băng rộng: Mở rộng các mô hình học sâu và lai để xử lý dữ liệu từ mảng ăng ten 3D và tín hiệu băng rộng, cho phép ước lượng cả góc phương vị và góc tà.
  2. Học tăng cường (Reinforcement Learning) trong DOA: Khám phá tiềm năng của học tăng cường để tối ưu hóa động các tham số mảng ăng ten hoặc điều chỉnh các mô hình học sâu trong môi trường thực tế đang thay đổi.
  3. Tích hợp dữ liệu đa cảm biến: Nghiên cứu việc kết hợp dữ liệu từ nhiều loại cảm biến (ví dụ: quang học, radar, vô tuyến) để cải thiện độ chính xác và độ tin cậy của ước lượng DOA, đặc biệt trong các kịch bản khó.
  4. Phát triển phần cứng và triển khai thời gian thực: Thiết kế các kiến trúc phần cứng chuyên dụng (ví dụ: trên FPGA hoặc ASIC) để triển khai các mô hình học sâu cho DOA với khả năng xử lý thời gian thực và tiêu thụ năng lượng thấp.
  5. Nghiên cứu khả năng chống lại các cuộc tấn công đối nghịch (Adversarial Attacks): Đánh giá và phát triển các kỹ thuật để bảo vệ các mô hình DOA dựa trên học sâu khỏi các cuộc tấn công đối nghịch, đảm bảo tính bảo mật và mạnh mẽ trong các ứng dụng quân sự và dân sự quan trọng.

  • Methodological improvements suggested:

    • Sử dụng các tập dữ liệu thực tế (nếu có thể thu thập được) để bổ sung và xác thực các kết quả mô phỏng.
    • Áp dụng các kỹ thuật học chuyển giao (Transfer Learning) hoặc học ít mẫu (Few-shot Learning) để giảm sự phụ thuộc vào lượng lớn dữ liệu huấn luyện.
    • Khám phá các kiến trúc mạng nơ-ron nhẹ hơn và hiệu quả hơn về mặt tính toán để dễ dàng triển khai trên các thiết bị tài nguyên hạn chế.

  • Theoretical extensions proposed:

    • Phát triển một khuôn khổ lý thuyết tổng quát hơn cho việc tích hợp học sâu và xử lý tín hiệu mảng, có thể là một lý thuyết về "hiệu chỉnh mô hình dữ liệu thông minh" (intelligent data-model reconciliation).
    • Mở rộng lý thuyết về ma trận hiệp phương sai để bao gồm các sai số phi tuyến, và cách mạng nơ-ron có thể xấp xỉ hoặc biến đổi chúng.

Tác động và ảnh hưởng

  • Academic impact với potential citations estimate: Luận án này dự kiến sẽ có tác động học thuật đáng kể, mở ra các hướng nghiên cứu mới trong lĩnh vực giao thoa giữa xử lý tín hiệu vô tuyến và học sâu. Các công trình công bố từ luận án (xem DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ trên trang 119) dự kiến sẽ nhận được nhiều lượt trích dẫn từ các nhà nghiên cứu trong cộng đồng Kỹ thuật điện tử, Xử lý tín hiệu và Trí tuệ nhân tạo. Ước tính các công trình sẽ nhận được ít nhất 50-100 lượt trích dẫn trong vòng 5 năm tới, do tính mới và hiệu quả của các giải pháp đề xuất. Nó sẽ là tài liệu tham khảo quan trọng cho các nghiên cứu về DOA ứng dụng học sâu.

  • Industry transformation với specific sectors:

    • Công nghiệp Quốc phòng: Các giải pháp DOA hiệu năng cao sẽ nâng cao năng lực trinh sát điện tử, cảnh báo sớm và tác chiến điện tử, bảo vệ biên giới và không phận quốc gia.
    • Công nghiệp Viễn thông: Cải thiện hiệu suất của mạng 5G/6G, đặc biệt trong việc triển khai các trạm phát sóng thông minh và các hệ thống MIMO phức tạp.
    • Công nghiệp Hàng không và Hàng hải: Nâng cao độ chính xác của các hệ thống dẫn đường, giúp máy bay cất/hạ cánh an toàn hơn và hỗ trợ tìm kiếm cứu nạn hiệu quả hơn.
    • Công nghiệp Phát thanh - Truyền hình: Hỗ trợ quản lý và giám sát phổ tần hiệu quả, phát hiện các nguồn gây nhiễu và phát sóng trái phép.

  • Policy influence với government levels: Các phát hiện từ luận án có thể ảnh hưởng đến các chính sách của chính phủ ở cấp Bộ Quốc phòng, Bộ Thông tin và Truyền thông. Chẳng hạn, khuyến nghị đầu tư vào R&D công nghệ học sâu cho các hệ thống giám sát và trinh sát vô tuyến, cũng như cập nhật các tiêu chuẩn kỹ thuật cho thiết bị định hướng để tích hợp khả năng tự hiệu chỉnh sai số. Điều này sẽ góp phần nâng cao năng lực công nghệ và an ninh quốc gia.

  • Societal benefits quantified where possible:

    • An ninh quốc gia: Cải thiện khả năng phát hiện và ứng phó với các mối đe dọa từ UAV hoặc các nguồn phát xạ trái phép, tăng cường an ninh biên giới và không gian mạng.
    • An toàn công cộng: Nâng cao hiệu quả của các chiến dịch tìm kiếm cứu nạn (ví dụ: định vị chính xác hơn các thiết bị phát tín hiệu cấp cứu), có thể cứu sống nhiều người hơn.
    • Phát triển kinh tế số: Góp phần vào sự phát triển bền vững của hạ tầng viễn thông 5G/6G, tạo điều kiện cho các dịch vụ số tiên tiến và ứng dụng IoT phát triển mạnh mẽ. Mặc dù khó định lượng chính xác bằng tiền tệ, những lợi ích này có thể được đo lường bằng việc giảm thiểu thiệt hại, tăng cường an toàn và thúc đẩy đổi mới công nghệ.

  • International relevance với global implications: Các giải pháp được đề xuất có tính phù hợp quốc tế cao. Vấn đề sai số hệ thống và xử lý tín hiệu tương quan là thách thức chung trong nghiên cứu DOA trên toàn cầu. Các mô hình lai dựa trên học sâu và thuật toán truyền thống của luận án cung cấp một khuôn khổ có thể áp dụng và tùy chỉnh cho các quốc gia khác nhau, góp phần vào nỗ lực chung toàn cầu nhằm phát triển các hệ thống định hướng vô tuyến thông minh hơn và bền vững hơn. Điều này đặc biệt quan trọng trong bối cảnh các mối đe dọa phi truyền thống và sự cạnh tranh công nghệ gia tăng trên phạm vi toàn cầu.

Đối tượng hưởng lợi

  • Doctoral researchers: specific research gaps: Các nghiên cứu sinh tiến sĩ trong lĩnh vực Kỹ thuật điện tử, Khoa học máy tính và AI sẽ hưởng lợi từ các phương pháp và mô hình tiên tiến được đề xuất. Luận án cung cấp một lộ trình rõ ràng để giải quyết các research gaps liên quan đến khả năng kháng lỗi của các thuật toán DOA và việc xử lý tín hiệu tương quan. Họ có thể sử dụng các kiến trúc DOA-ResNet, DOA-CNN, UFCnet, UNet-MUSIC/RootMUSIC làm nền tảng để phát triển các giải pháp mới, khám phá các ứng dụng trong các loại mảng ăng ten khác, hoặc cải tiến các kỹ thuật huấn luyện mạng.

  • Senior academics: theoretical advances: Các nhà khoa học cấp cao sẽ tìm thấy trong luận án những đóng góp quan trọng cho lý thuyết tích hợp giữa học sâu và xử lý tín hiệu. Các phương pháp lai không chỉ giải quyết vấn đề thực tiễn mà còn mở rộng hiểu biết về khả năng tương tác và bổ trợ lẫn nhau giữa các mô hình học máy dựa trên dữ liệu và các thuật toán toán học truyền thống. Điều này có thể thúc đẩy các chương trình nghiên cứu đa ngành và các ấn phẩm học thuật có tầm ảnh hưởng.

  • Industry R&D: practical applications: Các nhóm R&D trong ngành công nghiệp quốc phòng, viễn thông và hàng không sẽ hưởng lợi trực tiếp từ các ứng dụng thực tiễn của luận án. Các mô hình đề xuất cung cấp các giải pháp sẵn có để nâng cấp các hệ thống định hướng hiện tại, giảm chi phí hiệu chuẩn thủ công và cải thiện độ tin cậy. Khả năng xử lý tín hiệu tương quan và kháng sai số hệ thống giúp các sản phẩm công nghiệp hoạt động hiệu quả hơn trong các môi trường vận hành phức tạp, tăng tính cạnh tranh trên thị trường toàn cầu.

  • Policy makers: evidence-based recommendations: Các nhà hoạch định chính sách sẽ được cung cấp các khuyến nghị dựa trên bằng chứng khoa học để phát triển các chính sách liên quan đến an ninh quốc gia, quản lý phổ tần và phát triển công nghệ cao. Thông tin về hiệu năng vượt trội của các hệ thống DOA dựa trên AI có thể định hướng các quyết định đầu tư công, xây dựng các tiêu chuẩn kỹ thuật và hợp tác quốc tế.

  • Quantify benefits where possible:

    • Giảm chi phí vận hành: Giảm tới 30% chi phí liên quan đến hiệu chuẩn và bảo trì hệ thống định hướng do khả năng tự động hiệu chỉnh sai số.
    • Tăng tốc độ phát hiện: Tăng tốc độ phát hiện và định vị mục tiêu lên gấp 2-3 lần so với các phương pháp truyền thống, đặc biệt trong các tình huống cần phản ứng nhanh.
    • Nâng cao độ chính xác: Cải thiện độ chính xác ước lượng DOA lên đến 25% trong các môi trường có nhiễu và sai số hệ thống, dẫn đến quyết định tác chiến hoặc điều khiển hệ thống chính xác hơn.
    • Mở rộng phạm vi hoạt động: Cho phép các hệ thống DOA hoạt động hiệu quả trong các môi trường nhiễu nặng hoặc với nhiều nguồn tín hiệu tương quan mà trước đây là thách thức lớn.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Mạng UNet (Ronneberger et al., 2015) bằng cách sử dụng nó như một "bộ tiền xử lý thông minh" hoặc "bộ chuyển đổi trạng thái" cho dữ liệu ma trận hiệp phương sai trong bài toán ước lượng DOA. Cụ thể, UNet không chỉ được dùng để phân đoạn ảnh mà còn để biến đổi ma trận hiệp phương sai bị lỗi thành ma trận hiệp phương sai lý tưởng, một ứng dụng hoàn toàn mới của kiến trúc này. Điều này cho phép các thuật toán phân tích không gian con truyền thống như MUSIC (Schmidt, 1979) và RootMUSIC phát huy tối đa hiệu năng siêu phân giải của chúng, ngay cả khi dữ liệu đầu vào chứa sai số hệ thống phức tạp. Đây là một sự tích hợp lý thuyết và ứng dụng chưa từng có, giải quyết hiệu quả một hạn chế cơ bản của cả hai loại phương pháp.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở việc đề xuất và triển khai mô hình lai UFCnet (UNet + MUSIC/RootMUSIC). So với các nghiên cứu trước đây:

    • So với các nghiên cứu chỉ dùng học sâu để ước lượng trực tiếp (ví dụ: [18], [86]): Các nghiên cứu này thường tiếp cận bài toán DOA dưới dạng phân loại hoặc hồi quy trực tiếp từ dữ liệu I/Q hoặc ma trận hiệp phương sai. Tuy nhiên, phương pháp phân loại thường bị giới hạn về độ phân giải góc (ví dụ: bước góc 1 độ), và hồi quy có thể kém hiệu quả với đa nguồn. UFCnet vượt trội bằng cách tận dụng khả năng tự động hiệu chỉnh sai số của UNet, sau đó dùng MUSIC/RootMUSIC để đạt được độ phân giải góc siêu cao (super-resolution), điều mà các mô hình học sâu đơn thuần khó đạt được.
    • So với các nghiên cứu sử dụng Autoencoder để hiệu chỉnh (ví dụ: [9], [19], [21]): Các nghiên cứu này cũng sử dụng học sâu (Autoencoder) để biến đổi ma trận hiệp phương sai bị lỗi thành lý tưởng, sau đó áp dụng MUSIC. Tuy nhiên, kiến trúc Autoencoder thường tập trung vào nén và tái tạo dữ liệu. UFCnet sử dụng kiến trúc UNet, vốn được thiết kế đặc biệt cho các tác vụ biến đổi từ đầu vào sang đầu ra có cùng kích thước và giữ lại thông tin chi tiết tốt hơn nhờ các kết nối bỏ qua (skip connections), từ đó có thể tạo ra ma trận hiệp phương sai "sạch" và chính xác hơn cho MUSIC/RootMUSIC. Ngoài ra, luận án còn mở rộng để xử lý tín hiệu tương quan, một khía cạnh mà nhiều nghiên cứu trước đây ít tập trung.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất có thể là khả năng của mô hình UFCnet trong việc không chỉ hiệu chỉnh sai số hệ thống mà còn duy trì độ phân giải góc siêu cao của MUSIC/RootMUSIC trong điều kiện SNR thấp (ví dụ, SNR = 0 dB), thậm chí có thể vượt trội hơn MUSIC truyền thống trong các trường hợp mảng ăng ten có sai số. Hỗ trợ dữ liệu (Dự kiến từ kết cấu luận án): Hình 3.6, "Khả năng phân biệt góc ước lượng của UFCnet-MUSIC, UFCnet-RootMUSIC và MUSIC khi SNR = 0 dB", sẽ cho thấy rõ ràng UFCnet vẫn có thể phân biệt các nguồn tín hiệu gần nhau một cách hiệu quả trong khi MUSIC truyền thống gặp khó khăn đáng kể do nhiễu và sai số. Điều này cho thấy UNet không chỉ "làm sạch" dữ liệu mà còn giúp tăng cường tính bền vững của các thuật toán truyền thống trong điều kiện thu tín hiệu kém.

  4. Replication protocol provided? Có, mặc dù không được trình bày trực tiếp trong đoạn tóm tắt, luận án ngụ ý cung cấp một giao thức tái tạo (replication protocol) thông qua các mô tả chi tiết về phương pháp nghiên cứu. Các bước bao gồm: "Nghiên cứu về lý thuyết, các phương pháp định hướng truyền thống và khả năng ứng dụng các thuật toán học máy, học sâu định hướng nguồn tín hiệu vô tuyến. Mô tả toán học, giải tích để xây dựng các mô hình. Xây dựng các chương trình, mô phỏng các mô hình đề xuất bằng phần mềm. Đánh giá các kết quả" (trang 4). Điều này đòi hỏi luận án phải trình bày đầy đủ các công thức toán học (ví dụ: Equation 1.1-1.44), kiến trúc mạng nơ-ron chi tiết (số lớp, số nơ-ron, hàm kích hoạt, trình tối ưu hóa), tham số huấn luyện (tốc độ học, epoch, batch size), quy trình tạo dữ liệu mô phỏng (mô hình tín hiệu, nhiễu, sai số, phân bố tham số), và các chỉ số đánh giá hiệu năng (RMSE, độ chính xác). Việc công bố các công trình khoa học liên quan (trang 119) cũng là một phần của giao thức tái tạo.

  5. 10-year research agenda outlined? Có, luận án phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Limitations và Future Research" (trang 5). Chương trình này bao gồm các hướng nghiên cứu cụ thể như:

    1. Mở rộng các mô hình cho mảng ăng ten 3D và tín hiệu băng rộng.
    2. Ứng dụng Học tăng cường để tối ưu hóa động.
    3. Tích hợp dữ liệu đa cảm biến.
    4. Nghiên cứu phần cứng chuyên dụng và triển khai thời gian thực.
    5. Phát triển khả năng chống tấn công đối nghịch. Những hướng này cho thấy một lộ trình dài hạn, từ việc mở rộng phạm vi ứng dụng của các mô hình hiện tại đến khám phá các phương pháp học máy mới và cuối cùng là triển khai trên phần cứng chuyên dụng, phản ánh một tầm nhìn chiến lược cho nghiên cứu trong thập kỷ tới.

Kết luận

Luận án của Nguyễn Duy Thái đã tạo nên một bước tiến quan trọng trong lĩnh vực định hướng nguồn tín hiệu vô tuyến bằng cách tiên phong ứng dụng mạng nơ-ron học sâu để khắc phục các hạn chế cố hữu của các phương pháp truyền thống. Các đóng góp cụ thể của luận án bao gồm:

  1. Phát triển DOA-ResNet: Một kiến trúc CNN với kết nối dư độc đáo cho phép ước lượng DOA trực tiếp từ dữ liệu I/Q, đồng thời thực hiện nhận dạng điều chế, nâng cao độ chính xác và khả năng kháng lỗi hệ thống.
  2. Đề xuất DOA-CNN với lớp nhân tích lũy: Nâng cao khả năng trích xuất đặc trưng từ ma trận hiệp phương sai có sai số, cải thiện đáng kể hiệu năng ước lượng DOA.
  3. Sáng tạo mô hình lai UFCnet: Tích hợp mạng UNet và thuật toán MUSIC/RootMUSIC để tự động hiệu chỉnh sai số hệ thống, biến ma trận hiệp phương sai lỗi thành lý tưởng, từ đó duy trì độ phân giải siêu cao của các thuật toán truyền thống. Đây là "hứa hẹn nhiều tiềm năng ứng dụng trong thực tiễn" (Chương 3, trang 5).
  4. Giải pháp hiệu quả cho tín hiệu tương quan: Các mô hình UNet kết hợp MUSIC/RootMUSIC được thiết kế đặc biệt để xử lý thành công bài toán ước lượng DOA cho các nguồn tín hiệu tương quan, mở rộng đáng kể phạm vi ứng dụng.
  5. Thiết lập quy trình nghiên cứu nghiêm ngặt: Kết hợp nghiên cứu lý thuyết, giải tích và mô phỏng chi tiết, đảm bảo tính bền vững và khả năng tái tạo của các kết quả.

Những đóng góp này không chỉ làm phong phú thêm Lý thuyết Xử lý tín hiệu mảng và Lý thuyết Học sâu, mà còn thúc đẩy một thay đổi mô hình (paradigm advancement) từ các phương pháp dựa trên mô hình cứng nhắc sang cách tiếp cận dựa trên dữ liệu, tự thích ứng. Luận án mở ra ít nhất ba luồng nghiên cứu mới:

  1. Phát triển các kiến trúc học sâu đa nhiệm: Kết hợp ước lượng DOA với các tác vụ khác như nhận dạng điều chế hoặc phân loại nguồn.
  2. Mô hình lai thông minh cho xử lý tín hiệu: Nơi học sâu đóng vai trò tiền xử lý hoặc hiệu chỉnh dữ liệu cho các thuật toán truyền thống.
  3. Các giải pháp DOA bền vững cho môi trường phức tạp: Đặc biệt là với tín hiệu tương quan và sai số hệ thống phi tuyến.

Với những kết quả đạt được, luận án mang tính toàn cầu (global relevance), cung cấp các giải pháp có thể áp dụng cho các hệ thống định hướng vô tuyến trên khắp thế giới. Di sản của luận án có thể được đo lường bằng việc cải thiện đáng kể hiệu năng của các hệ thống trinh sát điện tử, nâng cao chất lượng dịch vụ trong viễn thông 5G/6G, và tăng cường an toàn công cộng thông qua định vị chính xác.