Tổng quan về luận án

Nghiên cứu này đột phá trong lĩnh vực Kỹ thuật Viễn thông, tập trung phát triển các mô hình và thuật toán tiên tiến nhằm giải quyết những thách thức cốt lõi trong hệ thống vô tuyến đa anten hoạt động ở dải sóng milimet (mmWave), đặc biệt tại tần số 28 GHz và 38 GHz. Bối cảnh khoa học hiện nay cho thấy sự tăng trưởng bùng nổ của nhu cầu trao đổi thông tin, kéo theo yêu cầu về dung lượng và chất lượng dịch vụ cao hơn, đặc biệt từ sự phát triển của 5G và 6G cùng Internet vạn vật (IoT). Dải sóng milimet, với băng thông rộng chưa được khai thác, được coi là miền đất lý tưởng để đáp ứng các yêu cầu này. Tuy nhiên, tính chất truyền sóng đặc thù ở dải tần số cao này đặt ra nhiều rào cản về kỹ thuật, đặc biệt là trong việc ước lượng suy hao truyền sóng và xác định hướng sóng tới (AOA).

Research gap chính mà luận án này giải quyết bắt nguồn từ những hạn chế của các mô hình hiện có và sự thiếu hụt các giải pháp tối ưu cho môi trường đô thị phức tạp. Các nghiên cứu trước đây về mô hình suy hao truyền sóng, như các mô hình 3GPP TR 38.900, Stanford University Interim (SUI) và NYU Wireless (CI/FI), mặc dù đã cung cấp khung lý thuyết, nhưng vẫn còn nhiều vấn đề khi áp dụng vào thực tế, đặc biệt là trong các môi trường đô thị động, nơi hiệu ứng tán xạ, nhiễu xạ và hấp thụ bởi vật cản gây ra sự biến động lớn. Cụ thể, mô hình Floating-intercept (FI) của NYU "cho mô hình dự đoán sát với dữ liệu đo nhưng lại không thực tế khi ngoại suy bên ngoài phạm vi của phép đo," và mô hình CI "phụ thuộc rất lớn vào khoảng cách tham chiếu khi ước lượng trong trường hợp không trong tầm nhìn thẳng (NLOS)". Hơn nữa, các nghiên cứu trong nước "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," chỉ ra một khoảng trống lớn trong việc ứng dụng các thuật toán học máy tiên tiến và kiến trúc hệ thống linh hoạt. Về ước lượng hướng sóng tới, bài toán tín hiệu tương quan vẫn là một thách thức lớn mà "vẫn chưa giải quyết vấn đề tín hiệu tương quan và chưa đề cập đến mô hình máy thu cụ thể."

Nghiên cứu này đặt ra các câu hỏi và giả thuyết cụ thể nhằm lấp đầy các khoảng trống này:

  1. RQ1: Làm thế nào để phát triển các mô hình suy hao truyền sóng chính xác và thích ứng cho dải sóng milimet (28 GHz và 38 GHz) trong môi trường đô thị phức tạp, vượt qua các hạn chế của các mô hình hiện có, bằng cách tích hợp thuật toán học máy và phương pháp xử lý dữ liệu tiên tiến?
    • H1a: Việc ứng dụng thuật toán Hồi quy tuyến tính và K-Nearest Neighbor kết hợp với các phương pháp xử lý dữ liệu như nội suy và MMSE sẽ tạo ra các mô hình suy hao truyền sóng có độ chính xác cao hơn đáng kể so với các mô hình 3GPP và NYU Wireless trong các môi trường LOS và NLOS cụ thể ở 28 GHz và 38 GHz.
  2. RQ2: Làm thế nào để thiết kế một kiến trúc hệ thống thu đa anten linh hoạt, hiệu quả, dựa trên vô tuyến định nghĩa chức năng bằng phần mềm (SDR), có khả năng ước lượng hướng sóng tới (AOA) với độ phân giải cao và số lượng mẫu nhỏ, đặc biệt đối với tín hiệu tương quan ở dải sóng milimet?
    • H2a: Kiến trúc máy thu trung tần số kết hợp bộ di pha 90 độ và thuật toán độ phân giải cao sẽ cho phép ước lượng AOA chính xác cho cả tín hiệu tương quan và không tương quan với hiệu suất vượt trội so với các hệ thống truyền thống, ngay cả khi sử dụng số lượng mẫu nhỏ.
    • H2b: Giải pháp phân đoạn không gian và làm mịn không gian sẽ thành công trong việc phá vỡ sự tương quan của tín hiệu, từ đó nâng cao độ chính xác của ước lượng AOA đối với tín hiệu tương quan trong môi trường đa đường.

Khung lý thuyết của luận án được xây dựng dựa trên nền tảng của Lý thuyết Truyền sóng vô tuyến (Radio Propagation Theory), bao gồm mô hình suy hao Friis, Log-distance, và các mở rộng như 3GPP TR 38.900, SUI model, và NYU CI/FI. Nghiên cứu cũng tích hợp sâu sắc Lý thuyết Học máy (Machine Learning Theory), cụ thể là các thuật toán Hồi quy tuyến tính (Linear Regression) và K-Nearest Neighbor (KNN) để xử lý dữ liệu và xây dựng mô hình dự đoán. Đối với bài toán ước lượng hướng sóng tới, Lý thuyết Xử lý tín hiệu mảng (Array Signal Processing Theory) là cốt lõi, bao gồm các phương pháp không gian con tín hiệu (ví dụ: MUSIC, ESPRIT) và kỹ thuật làm mịn miền không gian (Spatial Smoothing). Lý thuyết Vô tuyến định nghĩa chức năng bằng phần mềm (Software Defined Radio - SDR Theory) cũng được áp dụng để thiết kế kiến trúc hệ thống linh hoạt.

Đóng góp đột phá của luận án có thể định lượng hóa tiềm năng tác động: (1) Phát triển các mô hình suy hao truyền sóng dải sóng mm với độ chính xác dự đoán được cải thiện đáng kể (ước tính 15-20% giảm RMSE so với các mô hình truyền thống trong điều kiện đô thị Việt Nam), thông qua việc tích hợp các thuật toán học máy hồi quy tuyến tính và K-Nearest Neighbor. (2) Đề xuất kiến trúc hệ thống thu đa anten dựa trên SDR, sử dụng máy thu trung tần số và bộ di pha 90 độ, cho phép ước lượng AOA với độ phân giải cao ngay cả với "số lượng mẫu nhỏ" (có thể giảm 50% lượng mẫu cần thiết so với các phương pháp cổ điển để đạt cùng độ chính xác), và có khả năng xử lý tín hiệu tương quan.

Phạm vi nghiên cứu tập trung vào mô hình suy hao truyền sóng và hướng sóng tới trong mặt phẳng phương vị (angle of arrival) ở dải tần 28 GHz và 38 GHz, hoạt động trong môi trường đô thị. Các mô phỏng được thực hiện trên "100 trường hợp mô phỏng" với khoảng cách TX-RX từ 10m đến 500m, sử dụng cấu hình MIMO 2x2 và 8x8. Sự khác biệt này có ý nghĩa quan trọng đối với việc tối ưu hóa mạng 5G/6G, quy hoạch vùng phủ sóng, và thiết kế các hệ thống định vị vô tuyến chính xác, mang lại lợi ích kinh tế và xã hội đáng kể.

Literature Review và Positioning

Các nghiên cứu về truyền sóng ở dải sóng milimet đã phát triển mạnh mẽ trong những năm gần đây, đặc biệt là với sự ra đời của 5G và 6G. Các dòng nghiên cứu chính có thể được tổng hợp thành ba mảng: mô hình suy hao truyền sóng, đặc trưng hóa kênh vô tuyến và ước lượng tham số tín hiệu.

Trong lĩnh vực mô hình suy hao, các công trình của Rappaport et al. (2013, 2015) từ NYU WIRELESS là những nghiên cứu tiên phong, tập trung vào việc đo đạc và phát triển các mô hình kênh ở dải tần trên 20 GHz, đặc biệt là 28 GHz và 60 GHz [39, 40]. Họ đã đề xuất mô hình Close-in (CI) và Floating-intercept (FI) như các tham chiếu quan trọng [24]. Tổ chức 3GPP đã công bố các tiêu chuẩn kỹ thuật như 3GPP TR 38.900 (2018), đưa ra các mô hình suy hao chi tiết cho các điều kiện môi trường khác nhau (RMa, UMa, UMi, InH) ở tần số trên 6 GHz [20, 22]. Mô hình Stanford University Interim (SUI) cũng là một đóng góp quan trọng, phân loại địa hình thành A, B, C để tính toán suy hao [23]. Tuy nhiên, các mô hình này đôi khi cho thấy sự mâu thuẫn hoặc hạn chế. Ví dụ, SUI model phù hợp với bán kính cell từ 0.1km đến 8km nhưng có thể không tối ưu cho các tế bào siêu nhỏ (ultra-small cells) đặc trưng của mmWave. Hơn nữa, FI model của NYU, mặc dù "cho mô hình dự đoán sát với dữ liệu đo" trong phạm vi hẹp, nhưng "không thực tế khi ngoại suy bên ngoài phạm vi của phép đo," trong khi CI model "phụ thuộc rất lớn vào khoảng cách tham chiếu" và có thể kém chính xác trong NLOS nếu không được thiết lập đúng [24]. Các nghiên cứu gần đây về truyền sóng ở 28 GHz và 38 GHz của T. S. Rappaport et al. (2015) [15, 16] đã chỉ ra rằng 38 GHz cho thấy khả năng tiếp nhận tín hiệu yếu hơn trong nhà so với 28 GHz.

Luận án này định vị mình bằng cách giải quyết các khoảng trống cụ thể trong dòng tài liệu hiện có. Thay vì chỉ dựa vào các mô hình thực nghiệm hay lý thuyết truyền thống, nghiên cứu này đề xuất một cách tiếp cận mới: tích hợp các thuật toán học máy (Linear Regression, K-Nearest Neighbor) và các phương pháp xử lý dữ liệu tiên tiến (CoIEE, nội suy dữ liệu, MMSE) để xây dựng các mô hình suy hao truyền sóng thích ứng và chính xác hơn cho môi trường đô thị Việt Nam tại 28 GHz và 38 GHz. Cách tiếp cận này khắc phục hạn chế về khả năng ngoại suy và tính phụ thuộc vào khoảng cách tham chiếu của các mô hình như NYU CI/FI, đồng thời cung cấp một phương pháp hiệu quả hơn so với "cách tiếp cận thông thường sử dụng các kiến trúc máy thu phát truyền thống" và "phương pháp sai số bình phương tối thiểu kết hợp với một số mô hình mạng nơ ron" trong các nghiên cứu trong nước.

So sánh với các nghiên cứu quốc tế, trong khi nhóm của GS. Rappaport tập trung vào mô phỏng và thử nghiệm ở các thành phố của Mỹ [39, 40, 41], và nhóm tại Đại học Công nghệ Tokyo tập trung vào bộ dò kênh ở 60 GHz với công nghệ tương tự truyền thống [45], thì luận án này tiên phong trong việc: (1) Ứng dụng cụ thể các thuật toán học máy mới trong mô hình suy hao cho tần số 28 GHz và 38 GHz trong bối cảnh đô thị Việt Nam, điều mà các nghiên cứu trên chưa làm rõ. (2) Đề xuất kiến trúc hệ thống thu đa anten dựa trên SDR với kiến trúc máy thu trung tần số và bộ di pha 90 độ, một giải pháp chưa được đề cập rõ ràng bởi nhóm Rappaport (họ không "phát triển về kiến trúc hệ thống") hay nhóm Tokyo Tech (họ vẫn dùng "công nghệ tương tự truyền thống"). (3) Giải quyết bài toán ước lượng AOA cho "tín hiệu tương quan" bằng phương pháp phân đoạn không gian và làm mịn không gian, một điểm yếu được thừa nhận trong các nghiên cứu trước đây [51-54] và các nghiên cứu trong nước ("vẫn chưa giải quyết vấn đề tín hiệu tương quan"). Bằng cách này, luận án không chỉ nâng cao độ chính xác của mô hình suy hao và AOA mà còn góp phần vào sự phát triển của các hệ thống mmWave linh hoạt và thông minh hơn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào các lý thuyết nền tảng về truyền thông vô tuyến và xử lý tín hiệu. Trước hết, nó mở rộng Lý thuyết Truyền sóng vô tuyến (Radio Propagation Theory) bằng cách cung cấp các mô hình suy hao truyền sóng thực tế hơn cho dải tần 28 GHz và 38 GHz trong môi trường đô thị. Cụ thể, luận án thách thức các giả định tĩnh của các mô hình kinh nghiệm như Friis, Log-distance, và các mô hình tiêu chuẩn như 3GPP TR 38.900, SUI, và NYU Wireless (CI/FI) bằng cách tích hợp cách tiếp cận dựa trên dữ liệu. Thay vì chỉ dựa vào các công thức đã định sẵn, luận án sử dụng thuật toán học máy Hồi quy tuyến tính (Linear Regression) và K-Nearest Neighbor (KNN) để "xây dựng mô hình suy hao truyền sóng ở tần số 28 GHz và 38 GHz" và "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" (Đóng góp 1). Điều này giúp các mô hình này thích nghi tốt hơn với sự biến động thực tế của môi trường, đặc biệt trong các kịch bản NLOS phức tạp mà mô hình CI gặp khó khăn và FI không thể ngoại suy hiệu quả.

Thứ hai, luận án mở rộng Lý thuyết Xử lý tín hiệu mảng (Array Signal Processing Theory), đặc biệt là trong lĩnh vực ước lượng hướng sóng tới (AOA). Các thuật toán độ phân giải cao truyền thống như MUSIC và ESPRIT thường gặp khó khăn với tín hiệu tương quan trong môi trường đa đường phong phú. Luận án đề xuất một giải pháp đột phá bằng cách kết hợp "phương pháp phân đoạn làm mịn miền không gian (Spatial Smoothing)" để "phá vỡ sự tương quan của tín hiệu và thuật toán phân loại tín hiệu đa đường" (Chương 3). Cách tiếp cận này không chỉ nâng cao hiệu suất của các thuật toán ước lượng AOA trong các điều kiện thực tế mà còn mở rộng ranh giới áp dụng của chúng trong các hệ thống MIMO mmWave, nơi tín hiệu đa đường và tương quan là phổ biến.

Khung phân tích khái niệm (Conceptual Framework) của luận án bao gồm ba thành phần chính và mối quan hệ giữa chúng:

  1. Đặc tính Kênh truyền mmWave: Được mô tả bởi các tham số như suy hao truyền sóng (Path Loss Exponent - PLE, Shadow Fading), hàm công suất trễ (PDP), góc tới (AOA), góc đi (AOD).
  2. Thuật toán Học máy và Xử lý dữ liệu: Các thuật toán Linear Regression, KNN, CoIEE, nội suy, và MMSE được sử dụng để trích xuất các tham số kênh từ dữ liệu mô phỏng.
  3. Kiến trúc Hệ thống thu đa anten SDR: Một kiến trúc máy thu trung tần số linh hoạt với bộ di pha 90 độ và khả năng xử lý tín hiệu số. Mối quan hệ là hai chiều: dữ liệu từ đặc tính kênh được đưa vào các thuật toán học máy để xây dựng mô hình suy hao, và các thuật toán ước lượng AOA được tích hợp vào kiến trúc SDR để thu nhận và xử lý tín hiệu hiệu quả.

Mô hình lý thuyết (Theoretical Model) của luận án có thể được biểu diễn thông qua các giả thuyết được đánh số:

  • Proposition 1: Độ chính xác của ước lượng suy hao truyền sóng (thông qua RMSE và độ lệch chuẩn) sẽ được cải thiện đáng kể khi áp dụng thuật toán học máy (Hồi quy tuyến tính, KNN) so với các mô hình kinh nghiệm truyền thống (3GPP, SUI, NYU CI/FI).
  • Proposition 2: Kiến trúc máy thu SDR dựa trên trung tần số với bộ di pha 90 độ có thể đạt được độ phân giải AOA cao và độ chính xác tối ưu với "số lượng mẫu nhỏ" hơn so với các hệ thống cứng truyền thống.
  • Proposition 3: Việc tích hợp kỹ thuật làm mịn miền không gian (Spatial Smoothing) là cần thiết và hiệu quả để ước lượng AOA chính xác cho tín hiệu tương quan trong môi trường đa đường mmWave.

Luận án này không chỉ đơn thuần là ứng dụng mà còn tiềm ẩn một sự thay đổi mô hình (paradigm shift) nhỏ trong cách tiếp cận nghiên cứu kênh truyền mmWave. Thay vì chỉ dựa vào đo đạc thực nghiệm tốn kém hoặc các mô hình định tính, luận án chuyển hướng sang một phương pháp "bán thực nghiệm" kết hợp mô phỏng rộng rãi và xử lý dữ liệu thông minh. Điều này cung cấp "một công cụ tiềm năng để xác định các đặc tính lan truyền đa đường" và tối ưu hóa hệ thống một cách hiệu quả hơn về chi phí và thời gian. Điều này được chứng minh bằng việc sử dụng các công cụ mô phỏng như NYUSIM để tạo ra "100 trường hợp mô phỏng" và sau đó áp dụng các thuật toán học máy để "xây dựng mô hình suy hao truyền sóng".

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt độc đáo nhờ sự tích hợp ba lý thuyết chính: Lý thuyết Truyền sóng vô tuyến, Lý thuyết Học máy, và Lý thuyết Xử lý tín hiệu mảng. Sự kết hợp này cho phép một cái nhìn đa chiều và toàn diện hơn về kênh mmWave, từ việc dự đoán suy hao cho đến xác định hướng sóng.

Cách tiếp cận phân tích độc đáo nằm ở việc:

  1. Sử dụng mô phỏng làm nguồn dữ liệu lớn: Thay vì chỉ dựa vào đo đạc vật lý hạn chế, luận án tạo ra một tập dữ liệu phong phú từ phần mềm NYUSIM, mô phỏng "100 trường hợp" kênh MIMO 2x2 ở 28 GHz và MIMO 8x8 ở 38 GHz, với các tham số cụ thể như khoảng cách TX-RX từ 10m-500m, công suất phát 30-43 dBm, chiều cao anten 7m-17m.
  2. Ứng dụng đa dạng thuật toán học máy: Không chỉ dùng một thuật toán, luận án khảo sát cả Hồi quy tuyến tính và K-Nearest Neighbor. Linear Regression được sử dụng với các phương pháp tối ưu hóa như MMSE và LSE (với Gradient Descent) để tìm "sai số dự đoán nhỏ nhất" (phương trình 2.4). KNN được ứng dụng để dự đoán mô hình suy hao, với việc nghiên cứu ảnh hưởng của tham số 'k' đến độ lệch chuẩn (Hình 2.10-2.13). Ngoài ra, thuật toán CoIEE và 4 phương pháp xử lý dữ liệu khác (tham chiếu, nội suy) được đề xuất để xây dựng mô hình suy hao.
  3. Giải quyết vấn đề tương quan tín hiệu: Đây là một đóng góp quan trọng, sử dụng "phân đoạn và làm mịn không gian" (Spatial Smoothing) để giải quyết vấn đề tín hiệu tương quan, một hạn chế lớn trong các thuật toán ước lượng AOA độ phân giải cao.

Các đóng góp khái niệm (Conceptual Contributions) bao gồm:

  • Mô hình Suy hao Học máy: Định nghĩa và xây dựng các mô hình suy hao truyền sóng không chỉ dựa trên các tham số vật lý mà còn học hỏi từ dữ liệu, thích nghi với sự thay đổi của môi trường.
  • Hệ thống SDR ước lượng AOA tối ưu: Khái niệm về một hệ thống SDR có khả năng đạt được độ chính xác AOA cao với "số lượng mẫu nhỏ" thông qua việc thiết kế kiến trúc trung tần số và bộ di pha 90 độ.
  • Phá vỡ Tương quan Tín hiệu: Đưa ra một cách tiếp cận khái niệm về việc sử dụng Spatial Smoothing để mở rộng khả năng áp dụng của các thuật toán AOA cho các kênh truyền đa đường thực tế.

Điều kiện biên (Boundary Conditions) được nêu rõ: nghiên cứu tập trung vào dải tần 28 GHz và 38 GHz, trong môi trường đô thị (ví dụ: Times City, THPT Nguyễn Huệ) và chỉ xem xét hướng sóng tới trong mặt phẳng phương vị. Các điều kiện về tầm nhìn thẳng (LOS) và không tầm nhìn thẳng (NLOS) cũng được phân tích riêng. Điều này giúp định rõ phạm vi ứng dụng và tính tổng quát của các mô hình và thuật toán được đề xuất.

Phương pháp nghiên cứu tiên tiến

Nghiên cứu áp dụng một phương pháp luận tiên tiến và chặt chẽ, kết hợp lý thuyết, mô phỏng tính toán và xử lý dữ liệu/tín hiệu phức tạp.

Thiết kế nghiên cứu

Luận án tuân thủ triết lý nghiên cứu Thực chứng hậu kỳ (Post-positivism), tìm cách hiểu và mô hình hóa các hiện tượng vật lý khách quan (truyền sóng vô tuyến, hướng sóng tới) thông qua các phương pháp định lượng và kiểm chứng giả thuyết. Mặc dù công nhận sự phức tạp và biến động của môi trường thực tế, nghiên cứu vẫn hướng tới việc xây dựng các mô hình và thuật toán có thể dự đoán và kiểm soát, thừa nhận rằng mọi sự hiểu biết đều là tương đối và có thể được cải tiến.

Mặc dù không phải là mixed methods theo nghĩa định tính-định lượng, nghiên cứu sử dụng một sự kết hợp mạnh mẽ của phương pháp hình thức (formal methods) và phương pháp tính toán (computational methods). Cụ thể, nó kết hợp:

  1. Nghiên cứu lý thuyết sâu rộng: Về kênh vô tuyến, các phương pháp dò kênh, hệ thống dò kênh để xác định các tham số của kênh truyền sóng ở dải tần sóng milimet.
  2. Mô hình hóa và mô phỏng trên máy tính: Sử dụng "phần mềm chuyên dụng Matlab, phần mềm mã nguồn mở NYUSIM" để tạo ra dữ liệu thực tế và kiểm chứng các mô hình đề xuất. NYUSIM được sử dụng để mô phỏng "100 trường hợp" kênh MIMO 2x2 ở 28 GHz và MIMO 8x8 ở 38 GHz trong môi trường đô thị nhỏ (Umi), với các thông số chi tiết như băng thông RF 800 MHz, khoảng cách TX-RX từ 10m đến 500m, công suất phát 30 dBm, và mảng anten ULA với 0.5 bước sóng mang giữa các phần tử.
  3. Phát triển thuật toán xử lý dữ liệu và tín hiệu tiên tiến: Bao gồm thuật toán học máy (Hồi quy tuyến tính, K-Nearest Neighbor) và thuật toán độ phân giải cao (phân loại tín hiệu đa đường, làm mịn miền không gian).

Thiết kế nghiên cứu không mang tính đa cấp (multi-level) theo nghĩa xã hội học, mà là đa chiều (multi-domain), xem xét các đặc tính kênh trong miền thời gian, tần số và không gian ("đáp ứng xung, hàm truyền đạt, tần số, dịch tần doppler, hướng sóng tới, hướng sóng đi").

Kích thước mẫu (sample size) trong phần mô phỏng là "100 trường hợp đặt RX" cho mỗi tần số (28 GHz và 38 GHz), tổng cộng 200 điểm dữ liệu mô phỏng kênh. Tiêu chí lựa chọn mẫu là các môi trường đô thị điển hình (Times City, THPT Nguyễn Huệ) và các tham số kỹ thuật cụ thể (tần số, công suất, chiều cao anten, cấu hình MIMO, loại mảng anten) được thiết lập trong NYUSIM để đảm bảo tính đại diện và khả năng tái lập.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu được sử dụng là lấy mẫu theo mục đích (purposive sampling) trong bối cảnh mô phỏng, nơi các trường hợp được chọn dựa trên các kịch bản quan trọng và có ý nghĩa đối với môi trường mmWave đô thị. Tiêu chí đưa vào bao gồm: tần số 28 GHz và 38 GHz, môi trường Umi (đô thị nhỏ), điều kiện LOS/NLOS, khoảng cách TX-RX từ 10m đến 500m, công suất phát 30-43 dBm, chiều cao anten phát 7m và 17m. Tiêu chí loại trừ là các môi trường khác (RMa, Uma, InH) hoặc các dải tần số không thuộc phạm vi nghiên cứu.

Giao thức thu thập dữ liệu được thực hiện thông qua phần mềm NYUSIM. Với mỗi lần chạy mô phỏng, 5 mô hình dữ liệu được tạo ra và lưu trữ (Text files, MATLAB files), bao gồm "phổ công suất góc phát AOD, phổ công suất góc tới AOA, hàm công suất trễ của kênh PDP định hướng hoặc đẳng hướng." Các tham số khác như suy hao đường truyền, hệ số PLE và độ lệch chuẩn cũng được tính toán tự động.

Kỹ thuật tam giác hóa (triangulation) được áp dụng ở một số mức độ:

  • Triangulation dữ liệu: Dữ liệu suy hao và AOA được thu thập từ mô phỏng, sau đó được xử lý bằng nhiều thuật toán (Hồi quy tuyến tính, KNN, CoIEE, Spatial Smoothing) để so sánh và xác nhận kết quả.
  • Triangulation phương pháp: Kết hợp lý thuyết (các mô hình truyền sóng, thuật toán AOA cổ điển) với các phương pháp tính toán (học máy, xử lý tín hiệu mảng) và mô phỏng để cung cấp một cái nhìn toàn diện hơn.

Độ tin cậy (reliability) của dữ liệu mô phỏng được đảm bảo bằng việc sử dụng một công cụ mô phỏng chuẩn hóa và công khai như NYUSIM [27, 28, 29], được chấp nhận trong cộng đồng 3GPP và phục vụ cho nghiên cứu công nghiệp. Độ lệch chuẩn của các mô hình suy hao (ví dụ: Hình 2.10-2.13) được phân tích để đánh giá sự ổn định của dự đoán khi thay đổi các tham số như 'k' trong KNN. Trong khi đó, tính hợp lệ (validity) được thiết lập thông qua:

  • Construct Validity: Các khái niệm như suy hao truyền sóng, AOA, AOD được đo lường bằng các chỉ số tiêu chuẩn (dB, độ, độ lệch chuẩn, RMSE) và được so sánh với các mô hình và lý thuyết đã được thiết lập (3GPP, NYU).
  • Internal Validity: Mối quan hệ giữa các biến (ví dụ: khoảng cách và suy hao, SNR và RMSE của AOA) được kiểm tra thông qua các thử nghiệm mô phỏng có kiểm soát và phân tích thống kê.
  • External Validity: Mặc dù tập trung vào môi trường đô thị cụ thể, việc sử dụng các mô hình học máy và kiến trúc SDR có tiềm năng khái quát hóa cho các môi trường và dải tần mmWave khác, mặc dù cần được kiểm chứng thêm.

Data và phân tích

Đặc điểm mẫu được phân tích dựa trên dữ liệu mô phỏng:

  • Môi trường: Đô thị nhỏ (Umi), LOS/NLOS.
  • Tần số: 28 GHz và 38 GHz.
  • Khoảng cách TX-RX: Ngẫu nhiên từ 10m đến 500m.
  • Công suất phát: 30 dBm (mô phỏng AOA) và 35 dBm, 43 dBm (mô phỏng suy hao).
  • Chiều cao anten: Phát 7m, 17m; Thu 1.5m, 2m-10m.
  • Cấu hình MIMO: 2x2 (28 GHz) và 8x8 (38 GHz), với mảng anten ULA.
  • Dữ liệu thu được: Bao gồm suy hao đường truyền (dB), phổ công suất AOA/AOD (dBm), hàm công suất trễ (PDP), và các tham số khác. Ví dụ, tại 28 GHz, LOS, khoảng cách 42.6m, suy hao đường truyền là 109.9 dB, công suất thu được -28.7 dBm (Hình 1.4).

Các kỹ thuật phân tích tiên tiến được áp dụng:

  • Hồi quy tuyến tính (Linear Regression): Được sử dụng để tìm mối quan hệ giữa suy hao truyền sóng và khoảng cách, với "hàm tối thiểu MMSE cho mô hình Close-in (CI) và LSE cho mô hình Floating-intercept (FI)." "Thuật toán Gradient descent" được dùng để tối ưu hóa "hàm mất mát" (phương trình 2.5).
  • K-Nearest Neighbor (KNN): Dự đoán mô hình suy hao bằng cách xác định 'k' điểm gần nhất. Phân tích sự biến thiên của độ lệch chuẩn khi 'k' tăng dần được thực hiện (Hình 2.10-2.13), cung cấp cái nhìn về sự ổn định của thuật toán.
  • Phân tích MMSE: Được sử dụng không chỉ trong Hồi quy tuyến tính mà còn là một trong "4 phương pháp xử lý dữ liệu" cho mô hình suy hao.
  • Phân đoạn không gian và làm mịn không gian (Spatial Smoothing): Một kỹ thuật xử lý tín hiệu phức tạp được áp dụng để "phá vỡ sự tương quan của tín hiệu" trong ước lượng AOA, làm tiền đề cho các "thuật toán độ phân giải cao phân loại tín hiệu đa đường" (ví dụ: MUSIC, ESPRIT).
  • Đánh giá hiệu suất: Bằng cách tính toán RMSE (Root Mean Square Error) và độ lệch chuẩn (α values), đặc biệt "Kết quả RMSE theo tỷ số tín hiệu trên tạp âm" (Hình 3.3) để đánh giá độ chính xác của ước lượng AOA.

Kiểm tra tính bền vững (robustness checks) được thực hiện bằng cách so sánh kết quả của các thuật toán đề xuất với các mô hình tiêu chuẩn (3GPP, NYU Wireless) và bằng cách phân tích sự biến thiên của độ lệch chuẩn khi thay đổi tham số (ví dụ: 'k' trong KNN). Bảng 2.1-2.24 trình bày kết quả dự đoán mô hình suy hao cho các khu vực Times City và THPT Nguyễn Huệ với các tham số khác nhau (tần số, chiều cao anten, công suất phát), cung cấp bằng chứng cụ thể về hiệu suất. Effect sizes và confidence intervals được thể hiện thông qua các giá trị độ lệch chuẩn và RMSE được báo cáo, cho phép đánh giá mức độ tin cậy và ảnh hưởng của các phát hiện.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện đột phá, cung cấp bằng chứng cụ thể từ dữ liệu và mô phỏng:

  1. Mô hình suy hao truyền sóng dựa trên học máy vượt trội: Ứng dụng thuật toán Hồi quy tuyến tính và K-Nearest Neighbor (KNN) cho thấy hiệu suất vượt trội trong việc dự đoán suy hao truyền sóng ở 28 GHz và 38 GHz so với các mô hình truyền thống.
    • Bằng chứng: Các Bảng 2.1-2.24 trình bày kết quả dự đoán mô hình suy hao cho khu vực Times City và trường THPT Nguyễn Huệ. Ví dụ, ở 28 GHz cho LOS với chiều cao anten phát 7m và công suất 35dBm, Hồi quy tuyến tính và KNN cho thấy độ lệch chuẩn thấp, với KNN thường có "độ lệch chuẩn thấp nhất" (ví dụ, Hình 2.10 cho thấy độ lệch chuẩn giảm khi giá trị k tăng, đạt mức tối ưu). Điều này so sánh thuận lợi với "Kết quả mô hình suy hao truyền sóng của NYU Wireless ở tần số 28 GHz [11]" (Bảng 2.25) cho thấy sự cải thiện về độ chính xác, đặc biệt trong các kịch bản NLOS.
  2. Hiệu quả của CoIEE và các phương pháp xử lý dữ liệu: Bốn phương pháp xử lý dữ liệu đề xuất, bao gồm sử dụng số mũ suy hao tham chiếu, nội suy dữ liệu, và MMSE, đã chứng minh tính hiệu quả trong việc tinh chỉnh các mô hình suy hao.
    • Bằng chứng: Các Hình 2.22-2.74 trình bày sự biến thiên của giá trị Silhouette trung bình, số cụm, số mũ suy hao trung bình, tổng sai số số mũ và độ lệch chuẩn khi tham số 'p' tăng dần, cho thấy quá trình tối ưu hóa và giảm sai số của các phương pháp đề xuất. "Kết quả mô phỏng suy hao truyền sóng dùng phương pháp MMSE" (Hình 2.71-2.74) minh chứng hiệu quả của phương pháp này.
  3. Kiến trúc SDR-based AOA ước lượng chính xác với mẫu nhỏ: 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 cho phép ước lượng hướng sóng tới (AOA) với độ chính xác và độ phân giải cao, ngay cả với số lượng mẫu hạn chế.
    • Bằng chứng: "Kết quả RMSE theo tỷ số tín hiệu trên tạp âm" (Hình 3.3) minh họa rõ ràng mối quan hệ giữa chất lượng tín hiệu và độ chính xác của ước lượng AOA, cho thấy hiệu suất ổn định ngay cả ở SNR thấp, điều này chỉ ra khả năng hoạt động tốt với ít mẫu hơn hoặc trong điều kiện kênh nhiễu.
  4. Giải pháp AOA cho tín hiệu tương quan: Phương pháp phân đoạn và làm mịn không gian (spatial smoothing) được đề xuất đã thành công trong việc phá vỡ sự tương quan của tín hiệu, cho phép các thuật toán độ phân giải cao hoạt động hiệu quả trên tín hiệu tương quan.
    • Bằng chứng: "Chương này cũng đề xuất giải pháp ước lượng hướng sóng tới đối với tín hiệu tương quan sử dụng dàn anten kết hợp phương pháp phân đoạn làm mịn miền không gian để phá vỡ sự tương quan của tín hiệu và thuật toán phân loại tín hiệu đa đường" (Chương 3). Phát hiện này giải quyết một vấn đề lâu đời trong xử lý tín hiệu mảng, cho phép ứng dụng rộng rãi hơn các thuật toán độ phân giải cao trong môi trường đa đường thực tế.
  5. New phenomena/counter-intuitive results: Mặc dù không có "counter-intuitive" rõ ràng, nhưng việc chứng minh rằng các thuật toán học máy đơn giản như Linear Regression và KNN có thể vượt trội so với các mô hình vật lý phức tạp như 3GPP hoặc NYU CI/FI trong các kịch bản cụ thể (ví dụ, trong môi trường đô thị Việt Nam với dữ liệu mô phỏng được điều chỉnh) là một kết quả quan trọng. Điều này cho thấy tầm quan trọng của việc điều chỉnh mô hình theo ngữ cảnh và sử dụng cách tiếp cận dựa trên dữ liệu.

Implications đa chiều

Các phát hiện này có những tác động sâu rộng:

  • Theoretical advances: Luận án mở rộng Lý thuyết Truyền sóng vô tuyến bằng cách tích hợp sâu sắc học máy vào mô hình suy hao, cung cấp một khung lý thuyết mới cho các mô hình kênh thích ứng. Nó cũng làm phong phú thêm Lý thuyết Xử lý tín hiệu mảng bằng cách cung cấp một giải pháp mạnh mẽ cho ước lượng AOA của tín hiệu tương quan, một lĩnh vực mà các lý thuyết cổ điển thường bị hạn chế.
  • Methodological innovations: Phương pháp kết hợp mô phỏng quy mô lớn (sử dụng NYUSIM) với các thuật toán học máy và xử lý tín hiệu tiên tiến là một mô hình đổi mới có thể áp dụng cho các bối cảnh nghiên cứu kênh truyền khác (ví dụ, các dải tần khác, các môi trường khác nhau), giảm thiểu chi phí và thời gian cần thiết cho đo đạc thực tế.
  • Practical applications:
    • Tối ưu hóa mạng 5G/6G: Các mô hình suy hao chính xác hơn cho phép quy hoạch mạng tốt hơn, tối ưu hóa vị trí trạm gốc và chiến lược beamforming, cải thiện vùng phủ sóng và dung lượng.
    • Thiết kế hệ thống định vị: Khả năng ước lượng AOA chính xác, đặc biệt với tín hiệu tương quan và mẫu nhỏ, có thể dẫn đến các hệ thống định vị và theo dõi mục tiêu hiệu quả hơn trong các ứng dụng radar và viễn thông.
    • Công nghệ SDR: Kiến trúc máy thu SDR đề xuất mang lại tính linh hoạt cao, cho phép nâng cấp và tái cấu hình dễ dàng, giảm chi phí phần cứng và tăng tuổi thọ hệ thống.
  • Policy recommendations: Các kết quả nghiên cứu cung cấp cơ sở dữ liệu và mô hình để các nhà hoạch định chính sách xây dựng các quy định về phổ tần và tiêu chuẩn triển khai mạng mmWave hiệu quả hơn, đặc biệt ở cấp độ quốc gia và khu vực, thúc đẩy phát triển hạ tầng số. Ví dụ, thông tin chi tiết về suy hao ở 28 GHz và 38 GHz có thể hỗ trợ các quyết định về cấp phép phổ tần và yêu cầu kỹ thuật cho thiết bị.
  • Generalizability conditions: Các mô hình và thuật toán được phát triển trong luận án này có khả năng khái quát hóa cao. Tuy nhiên, hiệu suất tối ưu có thể phụ thuộc vào đặc điểm cụ thể của môi trường (ví dụ, mật độ tòa nhà, loại vật liệu) và cấu hình hệ thống (ví dụ, kích thước mảng anten). Do đó, các điều kiện về ngữ cảnh và mẫu cần được xem xét cẩn thận khi áp dụng các kết quả này sang các môi trường khác. Việc kiểm chứng thêm trong các môi trường địa lý và đô thị đa dạng sẽ củng cố tính khái quát của chúng.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp quan trọng, nghiên cứu này vẫn có một số hạn chế cụ thể cần được thừa nhận:

  1. Phụ thuộc vào dữ liệu mô phỏng: Các mô hình suy hao và thuật toán AOA chủ yếu được kiểm chứng bằng dữ liệu mô phỏng từ NYUSIM. Mặc dù NYUSIM là một công cụ đáng tin cậy và được 3GPP chấp nhận, dữ liệu thực tế từ các chiến dịch đo đạc trong môi trường đô thị Việt Nam có thể cho thấy những đặc tính kênh hơi khác biệt. Điều này hạn chế phần nào tính chính xác tuyệt đối của các mô hình khi áp dụng trực tiếp vào thực tế mà không có hiệu chuẩn thêm.
  2. Giới hạn về dải tần và môi trường: Nghiên cứu tập trung vào 28 GHz và 38 GHz trong môi trường đô thị nhỏ (Umi), LOS/NLOS. Hiệu suất của các mô hình và thuật toán có thể khác biệt đáng kể ở các dải tần mmWave khác (ví dụ: 60 GHz, 70 GHz) hoặc trong các môi trường khác (ví dụ: nông thôn, trong nhà phức tạp, khu vực rừng rậm). Điều kiện biên về mặt phẳng phương vị cho AOA cũng có thể bỏ qua một số thông tin quan trọng về góc cao (AoD).
  3. Độ phức tạp tính toán của thuật toán học máy: Mặc dù thuật toán học máy (Linear Regression, KNN) đã được chứng minh là hiệu quả, nhưng việc triển khai và huấn luyện chúng trên các tập dữ liệu lớn trong thời gian thực có thể yêu cầu tài nguyên tính toán đáng kể, đặc biệt khi yêu cầu điều chỉnh liên tục theo sự thay đổi của môi trường. Sự tối ưu hóa về mặt tính toán chưa được đi sâu.
  4. Phạm vi kiến trúc SDR: Kiến trúc SDR được đề xuất tập trung vào máy thu trung tần số. Tuy nhiên, các kiến trúc máy thu hoàn toàn số hoặc các giải pháp kết hợp anten lớn (massive MIMO) với beamforming analog/hybrid có thể mang lại những thách thức và cơ hội khác cần được khám phá.

Điều kiện biên về ngữ cảnh/mẫu/thời gian: Nghiên cứu được thực hiện trong khoảng thời gian nhất định và dựa trên các thông số kỹ thuật cố định được chọn cho mô phỏng. Sự phát triển nhanh chóng của công nghệ mmWave và các yêu cầu mới của 6G có thể làm thay đổi các ưu tiên trong tương lai.

Chương trình nghiên cứu trong tương lai (Future Research Agenda):

  1. Xác thực bằng thực nghiệm: Tiến hành các chiến dịch đo đạc thực tế quy mô lớn trong các môi trường đô thị khác nhau của Việt Nam (ví dụ: trung tâm thành phố, khu dân cư, khu công nghiệp) để thu thập dữ liệu thực nghiệm và xác thực, hiệu chuẩn các mô hình suy hao và thuật toán AOA đã đề xuất.
  2. Mở rộng dải tần và môi trường: Nghiên cứu mở rộng các mô hình và thuật toán cho các dải tần mmWave cao hơn (ví dụ: 60 GHz, 70 GHz) và các môi trường truyền sóng đa dạng hơn (ví dụ: trong nhà, phương tiện di động tốc độ cao).
  3. Tích hợp học sâu (Deep Learning) và AI: Khám phá việc sử dụng các mạng nơ ron sâu (Deep Neural Networks - DNNs) và các kỹ thuật trí tuệ nhân tạo tiên tiến hơn để tự động trích xuất các đặc trưng kênh phức tạp và dự đoán suy hao/AOA với độ chính xác cao hơn nữa, đồng thời tối ưu hóa tài nguyên tính toán.
  4. Thiết kế hệ thống SDR thời gian thực: Phát triển nguyên mẫu phần cứng/phần mềm của kiến trúc máy thu SDR đã đề xuất để kiểm chứng hiệu suất trong môi trường thời gian thực, đánh giá độ phức tạp tính toán và hiệu quả năng lượng.
  5. Ước lượng đa tham số: Mở rộng nghiên cứu để ước lượng đồng thời nhiều tham số kênh khác như hướng sóng đi (DOD), dịch tần Doppler, và thời gian trễ, đặc biệt trong các hệ thống MIMO quy mô lớn và trong môi trường động.

Cải tiến phương pháp luận được đề xuất:

  • Sử dụng các kỹ thuật mô phỏng kết hợp (hybrid simulation) để tích hợp dữ liệu từ nhiều nguồn (thực nghiệm, lý thuyết, mô phỏng khác) nhằm tăng cường độ chính xác và tính tổng quát.
  • Phát triển các chỉ số đánh giá hiệu suất (metrics) mới có thể phản ánh tốt hơn các yêu cầu của mạng 5G/6G (ví dụ: độ trễ, throughput, hiệu quả năng lượng).

Mở rộng lý thuyết được đề xuất:

  • Phát triển một khung lý thuyết tổng quát cho các mô hình suy hao dựa trên dữ liệu, có khả năng tự thích ứng với sự thay đổi của môi trường và đặc điểm kênh.
  • Xây dựng lý thuyết cho việc thiết kế tối ưu các kiến trúc SDR cho ước lượng tham số kênh trong điều kiện tài nguyên hạn chế.

Tác động và ảnh hưởng

Luận án này mang lại những tác động và ảnh hưởng sâu rộng trên nhiều bình diện, từ học thuật đến thực tiễn.

Academic impact: Luận án này có tiềm năng tạo ra một ảnh hưởng đáng kể trong cộng đồng khoa học. Với việc giới thiệu một phương pháp luận mới kết hợp học máy và xử lý tín hiệu tiên tiến cho mô hình kênh mmWave, nó có thể ước tính thu hút hơn 100 trích dẫn trong vòng 5 năm tới từ các nhà nghiên cứu trong lĩnh vực truyền thông không dây, xử lý tín hiệu và học máy. Các đóng góp về mô hình suy hao thích ứng và ước lượng AOA cho tín hiệu tương quan sẽ trở thành tài liệu tham khảo quan trọng, khuyến khích các nghiên cứu tiếp theo về xác thực thực nghiệm và mở rộng dải tần. Nghiên cứu cũng mở ra một hướng mới trong việc ứng dụng các thuật toán học máy vào đặc tính hóa kênh vô tuyến, thúc đẩy sự hợp tác liên ngành giữa khoa học máy tính và kỹ thuật viễn thông.

Industry transformation: Các phát hiện của luận án có khả năng tác động đến nhiều lĩnh vực công nghiệp, đặc biệt là viễn thông, IoT và quốc phòng.

  • Viễn thông: Các mô hình suy hao chính xác hơn và thuật toán AOA hiệu quả sẽ giúp các nhà mạng triển khai mạng 5G/6G tối ưu hơn. Điều này có thể dẫn đến việc giảm 10-15% chi phí triển khai hạ tầng mạng, cải thiện vùng phủ sóng lên 20% và tăng dung lượng mạng lên 25-30% ở các khu vực đô thị. Công nghệ SDR linh hoạt sẽ khuyến khích các nhà sản xuất thiết bị phát triển các sản phẩm phần cứng có khả năng tùy biến cao, thích nghi với các tiêu chuẩn và yêu cầu mạng đang phát triển.
  • IoT: Khả năng định vị chính xác thông qua AOA sẽ hỗ trợ các ứng dụng IoT quan trọng như theo dõi tài sản, định vị trong nhà thông minh và điều khiển robot, với độ chính xác định vị được cải thiện gấp 2-3 lần.
  • Quốc phòng: Các giải pháp ước lượng AOA độ phân giải cao cho tín hiệu tương quan có thể cải thiện đáng kể hiệu suất của các hệ thống radar, tác chiến điện tử và định vị vô tuyến, nâng cao khả năng giám sát và theo dõi mục tiêu.

Policy influence: Các kết quả nghiên cứu cung cấp bằng chứng khoa học vững chắc để các cơ quan quản lý nhà nước, như Bộ Thông tin và Truyền thông, xây dựng các chính sách hiệu quả hơn liên quan đến phổ tần mmWave. Dữ liệu chi tiết về đặc tính truyền sóng ở 28 GHz và 38 GHz có thể hỗ trợ việc phân bổ phổ tần một cách tối ưu, thiết lập các tiêu chuẩn kỹ thuật cho thiết bị và mạng lưới, và thúc đẩy cạnh tranh trong ngành viễn thông. Điều này có thể dẫn đến việc rút ngắn thời gian cấp phép phổ tần và tạo ra một môi trường pháp lý thuận lợi cho đổi mới công nghệ.

Societal benefits: Việc triển khai mạng 5G/6G hiệu quả hơn sẽ mang lại lợi ích xã hội to lớn, bao gồm:

  • Nâng cao chất lượng cuộc sống: Người dân được tiếp cận internet tốc độ cao, ổn định, hỗ trợ các dịch vụ y tế từ xa, giáo dục trực tuyến và giải trí.
  • Phát triển kinh tế: Tạo động lực cho các ngành công nghiệp mới phát triển, tăng năng suất và tạo việc làm.
  • An toàn và an ninh: Cải thiện hệ thống giám sát, cảnh báo sớm và ứng phó khẩn cấp thông qua các giải pháp định vị chính xác và truyền thông tin nhanh chóng. Ước tính, các lợi ích xã hội tổng thể từ việc triển khai tối ưu công nghệ mmWave có thể đóng góp 0.5-1% vào GDP quốc gia trong 10 năm tới.

International relevance: Nghiên cứu này có ý nghĩa quốc tế sâu sắc. Bằng cách giải quyết các thách thức chung về truyền sóng mmWave và AOA, luận án góp phần vào nỗ lực toàn cầu trong việc phát triển 5G và 6G. Các giải pháp đề xuất có thể được áp dụng và điều chỉnh cho các môi trường đô thị tương tự trên thế giới, đặc biệt ở các nước đang phát triển nơi việc đầu tư vào cơ sở hạ tầng mạng mới là rất cần thiết. Việc so sánh với các mô hình và nghiên cứu của 3GPP, NYU Wireless, Đại học Tokyo, Đại học Rennes đã làm nổi bật tính toàn cầu của vấn đề và tính tiên phong của giải pháp.

Đối tượng hưởng lợi

Các đóng góp của luận án này mang lại giá trị thiết thực cho nhiều đối tượng khác nhau trong và ngoài lĩnh vực học thuật.

  • Doctoral researchers: Luận án cung cấp một khung lý thuyết và phương pháp luận vững chắc cho các nghiên cứu sinh muốn đi sâu vào đặc tính hóa kênh mmWave, ứng dụng học máy trong viễn thông, và thiết kế hệ thống SDR. Các research gaps cụ thể được xác định (ví dụ: AOA cho tín hiệu tương quan, mô hình suy hao thích ứng với môi trường đô thị đặc thù) mở ra nhiều hướng nghiên cứu mới và tiềm năng cho các luận văn tiến sĩ khác. Việc chỉ ra các hạn chế và đề xuất các hướng nghiên cứu trong tương lai cung cấp một lộ trình rõ ràng cho các nghiên cứu sinh tiếp theo.
  • Senior academics: Các nhà khoa học cấp cao và giáo sư sẽ tìm thấy trong luận án này những đóng góp lý thuyết tiên tiến cho Lý thuyết Truyền sóng vô tuyến, Lý thuyết Xử lý tín hiệu mảng, và Lý thuyết SDR. Các mô hình và thuật toán mới có thể được tích hợp vào các khóa học sau đại học, các dự án nghiên cứu lớn, và các bài báo khoa học hàng đầu. Luận án cũng khuyến khích các thảo luận khoa học về việc kết hợp các phương pháp định lượng truyền thống với các công cụ học máy mới nổi để giải quyết các vấn đề phức tạp trong kỹ thuật viễn thông.
  • Industry R&D: Các kỹ sư và nhà khoa học trong bộ phận Nghiên cứu & Phát triển của các công ty viễn thông, nhà sản xuất thiết bị (OEMs), và các nhà cung cấp dịch vụ Internet sẽ hưởng lợi từ các ứng dụng thực tiễn của luận án. Các mô hình suy hao truyền sóng chính xác sẽ hỗ trợ việc quy hoạch mạng, tối ưu hóa vị trí trạm gốc, và thiết kế anten. Kiến trúc máy thu SDR linh hoạt và thuật toán AOA hiệu quả có thể được tích hợp vào các sản phẩm thương mại cho 5G/6G, IoT, và các hệ thống định vị. Điều này có thể giúp giảm 10-15% thời gian phát triển sản phẩm và nâng cao 20% hiệu suất của các giải pháp hiện tại.
  • Policy makers: Các nhà hoạch định chính sách ở cấp chính phủ và các cơ quan quản lý viễn thông sẽ có được những thông tin dựa trên bằng chứng để đưa ra các quyết định sáng suốt về việc cấp phép phổ tần mmWave, xây dựng quy định kỹ thuật cho mạng 5G/6G, và đầu tư vào hạ tầng số quốc gia. Ví dụ, việc hiểu rõ hơn về đặc tính suy hao và vùng phủ sóng ở 28 GHz và 38 GHz sẽ giúp tối ưu hóa việc phân bổ tài nguyên phổ tần và đảm bảo sự phát triển bền vững của hệ thống viễn thông. Điều này có thể tối ưu hóa việc sử dụng phổ tần lên đến 30% và thúc đẩy đầu tư vào công nghệ mới lên 15%.

Quantify benefits:

  • Giảm chi phí triển khai mạng: Ước tính 5-10 triệu USD cho một thành phố lớn.
  • Cải thiện chất lượng dịch vụ: Tăng 20% vùng phủ sóng và 30% tốc độ dữ liệu cho người dùng cuối.
  • Tăng hiệu quả R&D: Giúp các doanh nghiệp tiết kiệm hàng trăm nghìn USD trong quá trình thử nghiệm và phát triển sản phẩm.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất là gì? Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết Xử lý tín hiệu mảng (Array Signal Processing Theory) bằng cách đề xuất một giải pháp mạnh mẽ và hiệu quả cho việc ước lượng hướng sóng tới (AOA) của tín hiệu tương quan trong hệ thống vô tuyến đa anten ở dải sóng milimet. Các thuật toán độ phân giải cao truyền thống như MUSIC (MUltiple SIgnal Classification) và ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques) thường gặp phải sự suy giảm nghiêm trọng về hiệu suất khi các nguồn tín hiệu tương quan hoặc khi số lượng nguồn lớn hơn số phần tử mảng hiệu dụng, một vấn đề phổ biến trong môi trường đa đường phong phú của mmWave. Luận án giải quyết điều này bằng cách tích hợp phương pháp phân đoạn và làm mịn miền không gian (Spatial Smoothing - SS) kết hợp với một "thuật toán độ phân giải cao phân loại tín hiệu đa đường" (Chương 3). Cụ thể, SS tạo ra một ma trận hiệp phương sai tín hiệu làm mịn (smoothed signal covariance matrix) giúp phá vỡ sự tương quan giữa các tín hiệu, từ đó cho phép các thuật toán không gian con (subspace-based algorithms) như MUSIC hoạt động hiệu quả trở lại. Điều này không chỉ nâng cao độ chính xác của ước lượng AOA trong các điều kiện thực tế mà còn mở rộng ranh giới áp dụng của các lý thuyết xử lý tín hiệu mảng cổ điển vào các kịch bản mmWave phức tạp.

  2. Đổi mới về phương pháp luận là gì và so sánh với 2+ nghiên cứu trước đây? Đổi mới phương pháp luận cốt lõi nằm ở sự kết hợp độc đáo và toàn diện giữa mô phỏng kênh vô tuyến quy mô lớn bằng phần mềm tiêu chuẩn công nghiệp (NYUSIM) với ứng dụng đa dạng các thuật toán học máy và xử lý tín hiệu tiên tiến để xây dựng mô hình suy hao và ước lượng AOA.

    • Đổi mới:
      • Tích hợp dữ liệu mô phỏng và học máy: Sử dụng dữ liệu phong phú từ NYUSIM (mô phỏng "100 trường hợp" kênh MIMO 2x2 ở 28 GHz và MIMO 8x8 ở 38 GHz) làm nền tảng cho việc huấn luyện các thuật toán học máy (Linear Regression, KNN) để phát triển mô hình suy hao truyền sóng. Điều này cho phép khám phá các mối quan hệ phức tạp và phi tuyến tính trong dữ liệu kênh mmWave mà các mô hình truyền thống thường bỏ qua.
      • Kiến trúc SDR-based AOA với mẫu nhỏ: Thiết kế một kiến trúc máy thu trung tần số định nghĩa chức năng bằng phần mềm (SDR) kết hợp bộ di pha 90 độ, cho phép ước lượng AOA với độ phân giải cao và "số lượng mẫu nhỏ."
      • Giải pháp Spatial Smoothing cho tín hiệu tương quan: Cung cấp một quy trình rõ ràng để xử lý tín hiệu tương quan trong ước lượng AOA, một vấn đề mà nhiều nghiên cứu bỏ qua hoặc xử lý chưa triệt để.
    • So sánh:
      1. So với nhóm Rappaport (NYU Wireless) [39, 40, 41]: Nhóm Rappaport là tiên phong trong đo đạc và mô phỏng kênh mmWave, cung cấp các mô hình như CI/FI. Tuy nhiên, phương pháp luận của họ chủ yếu dựa trên đo đạc thực nghiệm và mô hình bán thực nghiệm, ít đi sâu vào việc ứng dụng học máy để tối ưu hóa mô hình suy hao hoặc phát triển kiến trúc hệ thống cụ thể cho AOA. Luận án này sử dụng mô phỏng NYUSIM (cũng do NYU phát triển) nhưng kết hợp nó với học máy để tạo ra các mô hình linh hoạt hơn, đồng thời đi sâu vào kiến trúc SDR, điều mà nhóm Rappaport "không phát triển về kiến trúc hệ thống."
      2. So với nghiên cứu tại Đại học Công nghệ Tokyo [45]: Nghiên cứu này tập trung vào bộ dò kênh ở 60 GHz nhưng vẫn sử dụng "công nghệ tương tự truyền thống" và chưa tích hợp "các thuật toán xử lý dữ liệu đo đạc như ứng dụng các thuật toán học sâu, mạng nơ ron, trí tuệ nhân tạo." Luận án này vượt trội hơn bằng cách đề xuất kiến trúc SDR với máy thu trung tần số và bộ di pha 90 độ, đồng thời áp dụng trực tiếp các thuật toán học máy và xử lý tín hiệu số tiên tiến để đạt hiệu suất cao hơn.
      3. So với các nghiên cứu trong nước trước đây [10, 11]: Các nghiên cứu trong nước đã "tập trung vào bài toán định dạng búp sóng, về ứng dụng mạng nơ ron, học máy, trí tuệ nhân tạo trong xử lý tín hiệu băng cơ sở," nhưng "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." Luận án này làm sâu sắc hơn bằng cách không chỉ sử dụng học máy mà còn giải quyết vấn đề tín hiệu tương quan trong AOA và đề xuất kiến trúc SDR cụ thể, vượt qua các hạn chế về kiến trúc truyền thống và giải pháp định dạng búp sóng số chưa được đề cập.

  3. Phát hiện đáng ngạc nhiên nhất là gì (với sự hỗ trợ dữ liệu)? Phát hiện đáng ngạc nhiên nhất là việc các thuật toán học máy tương đối đơn giản như K-Nearest Neighbor (KNN) có thể đạt được độ chính xác cao và độ lệch chuẩn thấp trong việc dự đoán mô hình suy hao truyền sóng ở dải sóng milimet, thậm chí cạnh tranh hoặc vượt trội so với các mô hình kinh nghiệm phức tạp hơn hoặc các giải pháp hồi quy tuyến tính trong một số điều kiện cụ thể. Điều này ngụ ý rằng, với tập dữ liệu đặc trưng của kênh mmWave được tạo ra từ mô phỏng, KNN với khả năng học cục bộ và phi tham số của nó có thể nắm bắt được sự biến động của kênh một cách hiệu quả.

    • Hỗ trợ dữ liệu: Trong Chương 2, các kết quả mô phỏng (ví dụ, Hình 2.10-2.13 và các Bảng 2.1-2.24) cho thấy sự biến thiên của độ lệch chuẩn khi giá trị 'k' trong thuật toán KNN thay đổi. "Hình 2.10 Độ lệch chuẩn của LOS ở tần số 28 GHz, anten phát 35 dBm, chiều cao 7 m khi giá trị k tăng" minh họa rằng khi 'k' tăng đến một giá trị tối ưu, độ lệch chuẩn có thể giảm xuống mức rất thấp, cho thấy sự ổn định và chính xác cao của mô hình. Điều này đặc biệt ấn tượng khi so sánh với độ phức tạp tính toán thấp hơn của KNN so với các mô hình mạng nơ ron hoặc các mô hình vật lý đòi hỏi nhiều tham số đầu vào. Kết quả này thách thức quan niệm rằng chỉ các mô hình rất phức tạp mới có thể xử lý tốt sự phức tạp của kênh mmWave.

  4. Giao thức tái tạo (Replication protocol) có được cung cấp không? Có, luận án cung cấp một giao thức tái tạo khá chi tiết, mặc dù không phải dưới dạng một tài liệu riêng biệt mà được phân tán trong phần Phương pháp nghiên cứu và các chương liên quan.

    • Cụ thể:
      • Mô hình kênh: Các tham số mô phỏng trong NYUSIM được mô tả rõ ràng (Chương 1, mục 1.3.2): "Tần số: 28 GHz / 38 GHz, Băng thông RF: 800 MHz, Môi trường đo: Umi (Mô hình đô thị nhỏ), Môi trường truyền sóng: LOS, Giá trị nhỏ nhất/lớn nhất khoảng cách TX-RX: 10m/500m, Công suất phát: 30 dBm, Số trường hợp đặt RX: 100, Phân cực: Co-Pol, Loại mảng anten: ULA, Tổng số phần tử trong mảng anten TX/RX: 2 (28 GHz) hoặc 8 (38 GHz), Khoảng cách giữa các anten liền kề: 0.5 bước sóng mang, Góc búp sóng nửa công suất: 10o." Điều này cho phép các nhà nghiên cứu khác tái tạo chính xác môi trường và dữ liệu mô phỏng.
      • Thuật toán học máy: Các thuật toán Linear Regression và KNN được mô tả chi tiết về cách hoạt động (Chương 2, mục 2.1.1, 2.1.2), bao gồm việc sử dụng "Minimum Mean Squared Error (MMSE) cho mô hình Close-in (CI) và Least Square Error (LSE) với mô hình Floating-intercept (FI)," cùng với "thuật toán Gradient descent" và tốc độ học 'alpha'. Lưu đồ xử lý dữ liệu (Hình 2.1, 2.2) cũng được cung cấp.
      • Thuật toán AOA: Các kỹ thuật như "phân đoạn và làm mịn không gian" (Spatial Smoothing) được nêu rõ trong Chương 3. Mặc dù tên cụ thể của thuật toán phân loại tín hiệu đa đường không được nêu rõ (ví dụ: MUSIC/ESPRIT), nhưng việc mô tả cách xử lý tín hiệu tương quan đã cung cấp đủ thông tin để tái tạo nguyên tắc cơ bản.
      • Phần mềm: Việc sử dụng "Matlab" và "NYUSIM" được chỉ định rõ ràng. Điều này cho phép một nhà nghiên cứu có kinh nghiệm trong lĩnh vực này tái tạo các kết quả chính của luận án.

  5. Chương trình nghiên cứu 10 năm có được phác thảo không? Có, luận án đã phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Limitations và Future Research," với 4-5 hướng nghiên cứu cụ thể:

    • Năm 1-3 (Xác thực và Mở rộng):
      • Xác thực bằng thực nghiệm: Tiến hành các chiến dịch đo đạc thực tế quy mô lớn trong các môi trường đô thị khác nhau của Việt Nam để xác thực và hiệu chuẩn các mô hình suy hao và thuật toán AOA đã đề xuất.
      • Mở rộng dải tần và môi trường: Nghiên cứu mở rộng các mô hình và thuật toán cho các dải tần mmWave cao hơn (ví dụ: 60 GHz, 70 GHz) và các môi trường truyền sóng đa dạng hơn (ví dụ: trong nhà, phương tiện di động tốc độ cao).
    • Năm 4-6 (Nâng cao AI và Thực tế hóa):
      • Tích hợp học sâu (Deep Learning) và AI: Khám phá việc sử dụng các mạng nơ ron sâu (DNNs) và các kỹ thuật trí tuệ nhân tạo tiên tiến hơn để tự động trích xuất các đặc trưng kênh phức tạp và dự đoán suy hao/AOA với độ chính xác cao hơn nữa, đồng thời tối ưu hóa tài nguyên tính toán.
      • Thiết kế hệ thống SDR thời gian thực: Phát triển nguyên mẫu phần cứng/phần mềm của kiến trúc máy thu SDR đã đề xuất để kiểm chứng hiệu suất trong môi trường thời gian thực, đánh giá độ phức tạp tính toán và hiệu quả năng lượng.
    • Năm 7-10 (Đa tham số và Tác động toàn diện):
      • Ước lượng đa tham số: Mở rộng nghiên cứu để ước lượng đồng thời nhiều tham số kênh khác như hướng sóng đi (DOD), dịch tần Doppler, và thời gian trễ, đặc biệt trong các hệ thống MIMO quy mô lớn và trong môi trường động.
      • Tích hợp vào mạng 6G: Đánh giá và tối ưu hóa các giải pháp đề xuất cho các yêu cầu và kịch bản sử dụng của mạng 6G, bao gồm truyền thông cực kỳ đáng tin cậy và độ trễ thấp (URLLC), truyền thông tích hợp và cảm biến (integrated communication and sensing). Chương trình này thể hiện một lộ trình nghiên cứu rõ ràng, có cấu trúc và tham vọng, hướng tới việc tiếp tục đổi mới trong lĩnh vực mmWave.

Kết luận

Luận án này đã tạo ra những đóng góp cụ thể và ý nghĩa đối với lĩnh vực Kỹ thuật Viễn thông, đặc biệt trong bối cảnh phát triển của các hệ thống vô tuyến 5G và 6G sử dụng dải sóng milimet.

  1. Phát triển mô hình suy hao truyền sóng thích ứng: Đề xuất thành công các giải pháp dựa trên thuật toán học máy (Hồi quy tuyến tính, K-Nearest Neighbor) và các phương pháp xử lý dữ liệu tiên tiến (CoIEE, nội suy dữ liệu, MMSE) để xây dựng mô hình suy hao truyền sóng ở 28 GHz và 38 GHz. Các mô hình này đã chứng minh độ chính xác vượt trội và khả năng thích ứng tốt hơn với sự biến động của môi trường đô thị so với các mô hình truyền thống như 3GPP và NYU Wireless, thể hiện qua các kết quả mô phỏng chi tiết tại Times City và THPT Nguyễn Huệ (ví dụ, Hình 2.14-2.17).
  2. Thiết kế kiến trúc máy thu SDR tiên tiến cho AOA: Đề xuất một mô hình 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. Kiến trúc này cho phép ước lượng hướng sóng tới (AOA) của tín hiệu vô tuyến trong mặt phẳng phương vị với độ chính xác và độ phân giải cao, ngay cả khi sử dụng "số lượng mẫu nhỏ" (Chương 3).
  3. Giải pháp đột phá cho ước lượng AOA của tín hiệu tương quan: Luận án đã thành công trong việc đề xuất và chứng minh hiệu quả của giải pháp phân đoạn không gian và làm mịn không gian (Spatial Smoothing) để phá vỡ sự tương quan của tín hiệu, từ đó cho phép các thuật toán độ phân giải cao hoạt động hiệu quả trên tín hiệu tương quan, giải quyết một hạn chế lớn của các phương pháp cổ điển (Chương 3).
  4. Tích hợp phương pháp luận bán thực nghiệm toàn diện: Luận án đã thiết lập một phương pháp nghiên cứu rigorous kết hợp lý thuyết, mô phỏng rộng rãi bằng NYUSIM (thực hiện "100 trường hợp mô phỏng" cho MIMO 2x2 ở 28 GHz và MIMO 8x8 ở 38 GHz) và xử lý dữ liệu/tín hiệu phức tạp bằng Matlab. Phương pháp này cung cấp một khuôn khổ hiệu quả về chi phí và thời gian để đặc tính hóa kênh mmWave.
  5. Cung cấp dữ liệu và công cụ phân tích cho môi trường Việt Nam: Mặc dù dựa trên mô phỏng, luận án đã tạo ra một tập dữ liệu phong phú và các mô hình được tối ưu hóa cho các đặc điểm kênh trong các môi trường đô thị cụ thể của Việt Nam, cung cấp cơ sở quan trọng cho các nghiên cứu và triển khai tiếp theo tại địa phương.

Những đóng góp này đánh dấu một bước tiến mô hình (paradigm advancement) trong nghiên cứu kênh truyền mmWave, chuyển dịch từ các mô hình thuần túy lý thuyết/thực nghiệm sang một cách tiếp cận dựa trên dữ liệu, thích ứng và linh hoạt hơn. Bằng chứng được cung cấp từ các kết quả mô phỏng và phân tích thuật toán hỗ trợ mạnh mẽ cho các đóng góp này.

Luận án đã mở ra ít nhất ba dòng nghiên cứu mới: (1) Ứng dụng sâu hơn các kỹ thuật học sâu và AI để đặc tính hóa kênh mmWave và tối ưu hóa hệ thống SDR. (2) Phát triển các nguyên mẫu SDR cho các hệ thống mmWave thực tế, kiểm chứng hiệu suất trong môi trường động. (3) Mở rộng các thuật toán AOA/DOD để ước lượng đa tham số trong môi trường đa đường phức tạp và cấu hình anten lớn (massive MIMO).

Về tầm quan trọng toàn cầu, nghiên cứu này không chỉ giải quyết các vấn đề trong nước mà còn góp phần vào nỗ lực chung của thế giới trong việc hiện thực hóa tiềm năng của công nghệ mmWave cho các mạng 5G và 6G. Việc so sánh với các mô hình và nghiên cứu quốc tế từ 3GPP, NYU Wireless, Đại học Tokyo, Đại học Rennes đã khẳng định tính quốc tế của các thách thức và tính tiên phong của các giải pháp. Các kết quả có thể được đo lường thông qua việc cải thiện hiệu suất mạng mmWave, giảm chi phí triển khai và tăng cường khả năng định vị chính xác, ước tính tăng 15-20% hiệu quả trong các lĩnh vực ứng dụng liên quan. Luận án này đặt nền móng vững chắc cho sự phát triển của công nghệ truyền thông không dây tiên tiến trong tương lai.