Đăng nhập để tải tài liệu không giới hạn
Tham gia 8.000+ người dùng Thư Viện Luận Án
Đang tải tài liệu...
NGHIÊN CỨU NÂNG CAO HIỆU QUẢ TRUYỀN DẪN THÔNG TIN DI ĐỘNG NHỜ HỌC MÁY
KỸ THUẬT VIỄN THÔNG
Luận án tập trung vào việc nâng cao hiệu quả truyền dẫn thông tin di động thông qua ứng dụng công nghệ Học máy (Machine Learning – ML), phù hợp với xu hướng chuyển đổi số toàn cầu và sự phát triển của trí tuệ nhân tạo (AI), học sâu (DL) trong ngành viễn thông. Nghiên cứu nhấn mạnh nhu cầu về tốc độ dữ liệu cao, độ khả dụng và độ trễ thấp trong các thế hệ mạng di động từ 2G đến 5G/NR và định hướng 6G, đồng thời đề xuất tối ưu hóa mạng lưới và nâng cao chất lượng dịch vụ.
Các mục tiêu chính của luận án bao gồm việc phát triển và triển khai mô hình mạng nơ-ron tuyến tính (LNN) để dự đoán hành vi của các node mạng di động (eNodeB KPIs) dựa trên dữ liệu thực tế từ Hệ thống hỗ trợ vận hành (OSS), đạt độ chính xác lên tới 94%. Ngoài ra, luận án nghiên cứu mô hình ARIMA để dự báo số lượng thuê bao 2G/3G/4G từ dữ liệu hệ thống HLR/OSS, cho thấy hiệu quả dự báo tốt hơn LNN với độ chính xác đạt 96%.
Một đóng góp quan trọng khác là việc thiết kế và đề xuất mạng nơ-ron Denoising Autoencoder (DAE) nhằm nâng cao chất lượng định hướng chùm tia 3D (3D beamforming) trong truyền thông UAV an toàn, đặc biệt trong điều kiện thông tin kênh truyền không hoàn hảo (imperfect CSI) và sự hiện diện của cả UAV hợp pháp lẫn UAV nghe lén. Kết quả mô phỏng chứng minh rằng phương pháp DAENN vượt trội so với các phương pháp 3D DL và GEVD về tốc độ bảo mật trung bình (ASR), đặc biệt trong môi trường đô thị có ảnh hưởng kênh truyền tầm nhìn thẳng (LoS) khắc nghiệt. Mạng DAENN cũng có độ phức tạp tính toán thấp hơn, tăng tính khả thi khi triển khai thực tế và thể hiện khả năng tổng quan hóa tốt với mức suy giảm hiệu năng bảo mật không đáng kể.
Tải không giới hạn tất cả tài liệu, không cần chờ. Chỉ từ 199.000đ/tháng.
Xem gói hội viên