DOA-CNN: Mô hình tự động hiệu chỉnh sai số hệ thống, nâng cao độ chính xác ước lượng hướng đến của tín hiệu vô tuyến

Tóm tắt

Bài báo trình bày kết quả nghiên cứu đề xuất mạng nơ-ron tích chập học sâu, đặt tên là DOA-CNN, cho bài toán ước lượng hướng đến (DOA: Direction of Arrival) của tín hiệu vô tuyến sử dụng mảng ăng ten tuyến tính đồng đều (ULA: Uniform Linear Array) nhằm nâng cao độ chính xác ước lượng trong các trường hợp xảy ra lỗi hệ thống phổ biến, như: sai lệch vị trí các phần tử của mảng ăng ten; sai số biên độ và pha gây ra do sai lệch đường truyền tuyến thu. Mô hình DOA-CNN được thiết kế với các lớp nhân tích lũy nhằm tăng cường đặc trưng đại diện cho dữ liệu thông qua các tầng tích chập, từ đó có thể thực hiện bài toán phân lớp góc DOA. Kết quả đánh giá, so sánh độ chính xác ước lượng của mô hình DOA-CNN với các phương pháp CBF, Capon, MUSIC, Root-MUSIC, ESPRIT và một số mô hình học máy khác cho thấy: nếu cấu hình của mảng ULA và máy thu là lý tưởng thì Root-MUSIC và ESPRIT cho độ chính xác tốt nhất, do các phương pháp này tính trực tiếp góc DOA trong khi những phương pháp còn lại ước lượng DOA thông qua phổ góc nên độ chính xác phụ thuộc vào độ phân giải phổ; Tuy nhiên, nếu xuất hiện sai số vị trí các phần tử mảng ULA và sai lệch đường truyền trong tuyến thu thì mô hình DOA-CNN đề xuất cho độ chính xác vượt trội so với các phương pháp truyền thống và tốc độ xử lý nhanh hơn một số mô hình học máy khác.