Học máy và khả năng ứng dụng trong các hệ thống thông tin vô tuyến
Cùng với sự phát triển của Cuộc cách mạng công nghiệp lần thứ 4,
truyền thông vô tuyến đang ngày càng phát triển nhằm đảm bảo truyền dẫn, thông tin
liên lạc nhanh, an toàn, tin cậy trong các điều kiện chịu ảnh hướng lớn của môi
trường truyền sóng vô tuyến phức tạp. Sự phát triển mạnh mẽ của các công nghệ xử lý
tiên tiến đã thúc đẩy việc nghiên cứu ứng dụng trí tuệ nhân tạo (Artificial Intelligence
- AI) vào các hệ thống thông tin vô tuyến (TTVT) thế hệ tiếp theo nhằm tăng khả năng
tự học, nhận biết, và tự xử lý để có thể kết nối với nhau thích nghi theo điều kiện
truyền dẫn thực tế, giảm bớt thời gian xử lý, đồng thời có thể đạt được hiệu năng cao
hơn. Bài báo này trình bày một nghiên cứu tổng quan về nguyên lý và các kết quả đạt
được gần đây về ứng dụng học máy trong các hệ thống TTVT, trên cơ sở đó gợi mở
một số chủ đề nghiên cứu có ý nghĩa khoa học và thực tiễn.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Học máy và khả năng ứng dụng trong các hệ thống thông tin vô tuyến
Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 11 HỌC MÁY VÀ KHẢ NĂNG ỨNG DỤNG TRONG CÁC HỆ THỐNG THÔNG TIN VÔ TUYẾN Bùi Thị Thanh Tâm1*, Trần Xuân Nam2 Tóm tắt: Cùng với sự phát triển của Cuộc cách mạng công nghiệp lần thứ 4, truyền thông vô tuyến đang ngày càng phát triển nhằm đảm bảo truyền dẫn, thông tin liên lạc nhanh, an toàn, tin cậy trong các điều kiện chịu ảnh hướng lớn của môi trường truyền sóng vô tuyến phức tạp. Sự phát triển mạnh mẽ của các công nghệ xử lý tiên tiến đã thúc đẩy việc nghiên cứu ứng dụng trí tuệ nhân tạo (Artificial Intelligence - AI) vào các hệ thống thông tin vô tuyến (TTVT) thế hệ tiếp theo nhằm tăng khả năng tự học, nhận biết, và tự xử lý để có thể kết nối với nhau thích nghi theo điều kiện truyền dẫn thực tế, giảm bớt thời gian xử lý, đồng thời có thể đạt được hiệu năng cao hơn. Bài báo này trình bày một nghiên cứu tổng quan về nguyên lý và các kết quả đạt được gần đây về ứng dụng học máy trong các hệ thống TTVT, trên cơ sở đó gợi mở một số chủ đề nghiên cứu có ý nghĩa khoa học và thực tiễn. Từ khóa: Hệ thống thông tin vô tuyến; Học máy; Học sâu. 1. GIỚI THIỆU Các hệ thống thông tin vô tuyến luôn đòi hỏi ứng dụng các công nghệ mới nhằm đáp ứng yêu cầu truyền tin tốc độ nhanh, độ tin cậy cao trong điều kiện băng tần hạn chế, môi trường kênh truyền phức tạp chịu ảnh hưởng của các nguồn nhiễu và hiện tượng pha-đinh vô tuyến. Cùng với sự phát triển của các công nghệ tính toán tiên tiến, trí tuệ nhân tạo ngày càng được ứng dụng rộng rãi trong các hệ thống công nghệ điện tử, truyền thông và công nghệ thông tin. Các nghiên cứu mới nhất về thông tin vô tuyến đã cho thấy trí tuệ nhân tạo, mà cụ thể là học máy (Machine Learning - ML), sẽ được ứng dụng rộng rãi trong thông tin vô tuyến thế hệ tiếp theo như thông tin quân sự, thông tin di động thế hệ thứ 6 (6G) [1], hệ thống kết nối Internet vạn vật (Internet of Things - IoT) [2], hệ thống thông tin phục vụ giao thông thông minh (Intelligence Transport System - ITS) [3],... Việc ứng dụng ML trong TTVT đem lại nhiều tiềm năng về xử lý tín hiệu nhờ đặc tính tự học như không yêu cầu thông tin trạng thái kênh thông tin trạng thái kênh [4], mã hóa [5, 6], xử lý dữ liệu lớn, đa chiều [7] theo định hướng của các hệ thống vô tuyến cấu hình mềm, thông minh. Bài báo này trình bày tổng quan về khả năng ứng dụng học máy trong TTVT, các kết quả bước đầu đạt được và tiềm năng phát triển trong tương lai. Bài báo tập trung chủ yếu vào khả năng ứng của học sâu (Deep Learning - DL) vào xử lý tín hiệu tại lớp vật lý vẫn được coi là lớp phức tạp nhất trong hệ thống TTVT. Bài báo có cấu trúc như sau: Mục 2 trình bày lý thuyết chung về học máy và học sâu, một số mô hình điển hình; Mục 3 trình bày các ứng dụng tiềm năng của học máy và học sâu trong các hệ thống TTVT; Cuối cùng Mục 4 rút ra các kết luận và gợi mở một số hướng nghiên cứu tiềm năng về ứng dụng học máy trong TTVT. 2. HỌC MÁY VÀ CÁC MÔ HÌNH CỦA MẠNG HỌC SÂU 2.1. Học máy Học máy là một lĩnh vực của khoa học máy tính, một nhánh của trí tuệ nhân tạo, 12 sử dụng các thuật toán để xây dựng các mô h đầu định tự động thông qua trải nghiệm tự học hu dụng một tập dữ liệu hữu hạn đầu v hình x hu bộ lọc hoặc san bằng tín hiệu trong xử lý tín hiệu. Tuy nhi học máy v của bộ lọc đ trọng số trong mô h luy sau: learning sát s (còn g giám dụng tập dữ liệu gồm dữ liệu đầu v vào đ luy m (classification không giám sát là reduction pháp h cao các thu Neural Network trợ ( m [9] mô hình nh vào thông qua quá trình hu Hình 1 trình bày m ấn luyện ( ấn luyện. Quá tr ện. Dựa tr ử dụng một tập dữ liệu gồm dữ liệu huấn luyện v ện đ ỗi nhi nh Các mô hình h ạng Bayes ( . H ử lý tín hiệu với các tham số đảm bảo dữ liệu đầu ra chính xác với dữ liệu học có giám sát ( ọi l sát s ể thực hiện các t ệ thống học cách xác định hoạt động dựa tr ấ ật toán xác định n Support Vector Machine ọc sâu l ) và h à d ử dụng tập dữ liệu chỉ gồm duy nhất dữ liệu đầu v ược lựa ch ệm vụ ) đ t. Hi B training à b ữ liệu giám sát) để xây dựng mô h ể thuận tiện trong việc l ện tại, học tăng c ư . T ộ lọc l ã đư ên phương pháp hu ọc cụ thể ) và h Bayesian Networks à m biểu diễn ở h . T. Tâm ợc xác định v tăng cư ọn để ọc máy phổ biến gồm mô h - ANN), ột nhánh của học máy dựa tr ) ình này t à ình h . ồi quy ( phân nhóm ( , T Hình 1 ột mô h và quá trình x ở chỗ thuật toán v ương tác yêu c Hai . X ọc máy đ supervised learning ờng đưa ra m ứng dụng phổ biến nhất của học có giám sát l ước đi tiếp theo để đạt đ mô hình ình 2. . Nam ương t ( regression ấn luyện nhằm thực hiện các dự đoán hoặc quyết . Mô hình h ình h à l reinforce clustering ường chủ yếu - , “H ự q ập tr ư ấn luyện có thể phân học máy th ột mô h SVM), phân tích h ) và thu ọc máy v ọc máy điển h ử lý dữ liệu. Tron ... thiết. Trong nghiên cứu [34] thiết kế thuật toán tách tín hiệu và đánh giá phẩm chất bộ tách sử dụng DL trong hệ thống thông tin tế bào mà không cần biết thông tin trạng thái kênh truyền. Dữ liệu phát được biểu diễn qua hàm one-hot, và quá trình tách tín hiệu phát từ tín hiệu thu được ở đầu vào máy thu trở thành nhiệm vụ phân nhóm (clustering) của học máy, lớp đầu ra sử dụng hàm kích hoạt softmax. Nghiên cứu đã tiến hành đo thử nghiệm để đánh giá hệ thống với các cấu hình, kiến trúc khác nhau. Kết quả cho thấy, các bộ tách sử dụng DL cải thiện phẩm chất so với các phương pháp trước đây mà không cần mô hình kênh truyền. Một số các nghiên cứu khác ứng dụng DL cho hai nhiệm vụ ước lượng kênh và tách tín hiệu [40, 41]. Tuy nhiên, các nghiên cứu này còn tách rời hai quá trình, do vậy, chưa đạt được hiệu quả cao. Nghiên cứu [35] đề xuất kết hợp ước lượng kênh tách tín hiệu cho hệ thống OFDM đa truy cập không trực giao (OFDM-NOMA) cho đường lên (uplink), đa người dùng có thể truy cập vào cùng một sóng mang tại cùng một thời điểm. Máy thu NOMA thiết kế dựa trên DL có thể tách bản tin người dùng trong một quá trình one-hot mà không cần thông tin ước lượng kênh thật hoàn hảo. Kết quả nghiên cứu đưa ra cho thấy, phương pháp dựa trên DL cho phẩm chất tốt hơn các phương pháp ước lượng kênh dựa vào tín hiệu lái (pilot) thông thường. Nhóm các nghiên cứu ứng dụng tách tín hiệu sử dụng DL cho một hệ thống phức tạp hơn và cũng là hệ thống tiềm năng trong cải thiện phẩm chất, cung cấp hiệu quả phổ tần cao, độ tin cậy và thông lượng tốt cho các hệ thống thông tin, đó là hệ thống MIMO. Các thuật toán để cải thiện phẩm chất của hệ thống này vấp phải một thách thức, thách thức về độ phức tạp tính toán, đặc biệt khi tăng số ăng- ten thu và phát thì độ khó tính toán cũng tăng lên rất lớn. Công trình [36] đề xuất ứng dụng DL cho tách tín hiệu trong hệ thống massive MIMO. [37] thực hiện tách Nghiên c Tạp chí Nghi sóng đa ngư cứu DeNet cho trư trúc là DeNet có đưa thông tin tr hi ZF, MMSE, FC, DeNet cho các trư a. Ph ZF và FC có ph bộ tách MMSE nh phát, c phía thu. DeNet có đư MIMO 10x10, DeNet đ số lỗi bit đó ở MMSE đ và 14dB 3.6 m ứng dụng cho các nhiệm vụ khác nh th khi m số các nghi tin di đ ệu quả cho tr Hình 4 so sánh ph Ta th . M Trong các ph ạng n ống thông tin vô tuyến thủy âm ển l ạng không dây [38] ẩm chất hệ thống khi sử dụng các ả 2 bộ tách đều cho đ ột số các ứng dụng khác ưu lư ộng ứu khoa học công nghệ đ mạng FNN đ ấy ạt phẩm chất . ơ-ron DL trong các h ên c ời d ề xuất hai mô h bộ tách khác nhau Hình 4. , v ợng mạng, định tuyến ên c [45, 46] ứu KH& ờng hợp k ư bộ tách tín hiệu truyền thống v ới c ứu ứng dụng mạng n ùng cho h ờng hợp k ùng s ẩm chất xấu, đ SNR 12dB ần tr [41] ư So sánh ph ư bi ư . CN ợc sử dụng cho tr ẩm chất một số bộ ố ăng ểu diễn tr ờng BER hạ thấp nhanh h ạt ớc, chúng tôi đ , các quân s ênh không thay đ ạng thái k ênh thay đ BER 10 BER 5.10 ứng dụng cho định vị ệ thống MIMO ình tách tín hi . -ten thu phát là 30x30 trên kênh pha đinh, các b ường phẩm chất tốt h ự, ẩm chất hệ thống MIMO sử dụng một số ường BER của DeNet tiến đến gần đ . Tăng s ệ thống thông tin vô tuyến. Ngo Số Đặc san ờng hợp số ăng ên hình 4a. T [39] [40] ênh vào khi hu ổi. ã trình bày m ư là l ơ- 2 ở ố ăng 3 l . DL đư , tối ron cho các h -NOMA s ệu thu MIMO fully ổi v ường hợp k tách tín hi SNR 16dB ần l ựa chọn CDMA v ưu vi Viện Điện tử b. Ph à ượt tại tại các giá trị SNR bằng 16dB ợc ứng dụng trong các hệ thống điều à kên ứng dụng kỹ thuật DL. ừ h ơn so v -ten thu phát lên 30x30, DeNet và ệc phân phối nguồn t [42, 43] ệu cho hệ thống MIMO, nh -ten thu phát khác nhau. ẩm chất hệ thống MIMO khi số ình 4b, khi t ơn do thu đư ột số các ứng dụng c ệ thống thông tin vệ tinh, thông ử dụng mạng n h thay ênh không thay đ ấn luyện tối ăng , 9 - ới MMSE. Với tr , MMSE đ , đ 20 đ -ten thay đ ảo tuyến tính 20 - ổi. Bộ tách FC có cấu ợc độ lợi phân tập ở à OFDM tron connected (FC) và ưu m ăng s ài ra, DL còn ư ạt đ ơ-ron. Nghiên ổi. Bộ tách ạng, bộ tách ổi. ờng BER của ố ăng ư ài nguyên c ư ợc c ơ b [44] ộ tách -ten thu ờng hợp ùng t ản của g các h ư là đư . M 19 ỷ ợc ệ ủa ột Kỹ thuật điện tử B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng thông tin vô tuyến.” 20 4. KẾT LUẬN Bài báo này đã trình bày tổng quan về học máy, các mô hình cơ bản của học sâu và khái quát các ứng dụng cơ bản nhất của mạng nơ-ron DL cho các hệ thống thông tin vô tuyến. DL được ứng dụng từ máy phát đến máy thu như một bộ autoencoder, và DL được ứng dụng như một khối chức năng trong hệ thống thông tin đó là các bộ san bằng và giải mã kênh, trải phổ, đa truy cập, tách tín hiệu thu, nhận dạng tín hiệu, và một số các ứng dụng khác. Các nghiên cứu cho thấy, ứng dụng mạng nơ-ron cho các hệ thống TTVT có tiềm năng rất lớn và sẽ nhanh chóng thay thế phương pháp xử lý tín hiệu truyền thống trong tương lại gần. Tuy nhiên, để hoàn chỉnh về công nghệ và đưa vào ứng dụng thực tiễn cần tiếp tục đầu tư nghiên cứu hơn nữa về hướng này, đặc biệt là các ứng dụng DL cho các hệ thống TTVT quân sự nhằm tăng khả năng bảo mật, chống nhiễu, chống thu chặn tín hiệu. Ngoài ra, ứng dụng học máy trong các hệ thống sô-na, cảnh giới ngầm cũng là các đề tài nghiên cứu có ý nghĩa khoa học và thực tiễn. TÀI LIỆU THAM KHẢO [1]. S. J. Nawaz et al., "Quantum Machine Learning for 6G Communication Networks: State-of-the-Art and Vision for the Future," IEEE Access, vol. 7 (2019), pp. 46317-46350. [2]. J. Jagannath et al., "Machine learning for wireless communications in the Internet of Things: A comprehensive survey," Ad Hoc Networks, vol. 93 (2019), p. 101913. [3]. A. Ferdowsi et al., "Deep Learning for Reliable Mobile Edge Analytics in Intelligent Transportation Systems: An Overview," IEEE Vehicular Technology Magazine, vol. 14 (2019), no. 1, pp. 62-70. [4]. Y. Jeon et al., "Blind detection for MIMO systems with low-resolution ADCs using supervised learning," in 2017 IEEE International Conference on Communications (ICC) (2017), pp. 1-6. [5]. E. Nachmani et al., "Deep Learning Methods for Improved Decoding of Linear Codes," IEEE Journal of Selected Topics in Signal Processing, vol. 12 (2018), no. 1, pp. 119-131. [6]. W. Xu et al., "Improved polar decoder based on deep learning," in 2017 IEEE International Workshop on Signal Processing Systems (SiPS) (2017), pp. 1-6 [7]. F. Ullah et al., "Future of Big Data and Deep Learning for Wireless Body Area Networks," in Deep Learning: Convergence to Big Data Analytics, M. Khan, B. Jan, and H. Farman, Eds. Singapore: Springer Singapore, 2019, pp. 53-77. [8]. https://en.wikipedia.org/wiki/Machine_learning#cite_note-1. [9]. https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/. [10]. Y. B. Ian Goodfellow et al., “Deep Learning”, The MIT Press (2016). [11]. W. S. McCulloch et al., "A logical calculus of the ideas immanent in nervous activity," The bulletin of mathematical biophysics, vol. 5 (1943), no. 4, pp. 115-133. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 21 [12]. P. Kim, Matlab Deep learning with Machine Learning, Neeural Networks and Artificial Intelligience. Apress (2017). [13]. T. O’Shea et al., "An Introduction to Deep Learning for the Physical Layer," IEEE Transactions on Cognitive Communications and Networking, vol. 3 (2017), no. 4, pp. 563-575. [14]. D. E. Rumelhart et al., "Learning representations by back-propagating errors," Nature, vol. 323 (1986), no. 6088, pp. 533-536. [15]. Y. LeCun, "Generalization and network design strategies," Connectionism in perspective Elsevier, Zurich, Switzerland (1989), pp. 143–155. [16]. T. O'Shea et al., “Convolutional Radio Modulation Recognition Networks,” Springer International Publishing, Cham (2016), pp. 213-226. [17]. H. Ye et al., "Initial Results on Deep Learning for Joint Channel Equalization and Decoding," IEEE 86th Vehicular Technology Conference (2017), pp.1-5. [18]. Y. Xu et al., "A Deep Learning Method Based on Convolutional Neural Network for Automatic Modulation Classification of Wireless Signals," MLICM (2017). [19]. T. J. O. Shea et al., "Learning to communicate: Channel auto-encoders, domain specific regularizers, and attention," IEEE International Symposium on Signal Processing and Information Technology (2016), pp. 223-228. [20]. T. O'Shea et al., "Deep Learning Based MIMO Communications," arXiv preprint arXiv:1707.07980 (2017). [21]. S. M. Alamouti, "A simple transmit diversity technique for wireless communications," IEEE Journal on Selected Areas in Communications, vol. 16 (1998), no. 8, pp. 1451-1458. [22]. H. Sung-Hyun et al., "Channel equalization for severe intersymbol interference and nonlinearity with a radial basis function neural network," International Joint Conference on Neural Networks. Proceedings 1999, vol. 6 (1999), pp. 3992-3995. [23]. A. Caciularu et al., “Blind Channel Equalization Using Variational Autoencoders,” 2018 IEEE International Conference on Communications Workshops (2018), pp. 1-6. [24]. T. Gruber et al., "On deep learning-based channel decoding," 51st Annual Conference on Information Sciences and Systems (2017), pp. 1-6. [25]. J. Lin et al., “A Novel Deep Neural Network Based Approach for Sparse Code Multiple Access,” Neurocomputing, vol. 382 (2020), pp. 52-63. [26]. N. Taşpınar et al., "Neural Network Based Receiver for Multiuser Detection in MC-CDMA Systems," Wireless Personal Communications, vol. 68 (2013). [27]. H. A. Hassan et al., "Performance comparison of linear multiuser detectors and neural network detector for DS/CDMA systems in AWGN," Tenth International Conference on Computer Engineering & Systems (2015), pp. 307-313. [28]. B. Geevarghese et al., “Pre-processed back propagation neural networks for CDMA interference cancellation,” 2013 IEEE International Conference ON Emerging Trends in Computing, Communication and Nanotechnology, Tirunelveli (2013), pp. 100-103. Kỹ thuật điện tử B. T. T. Tâm, T. X. Nam, “Học máy và khả năng ứng dụng thông tin vô tuyến.” 22 [29]. M. H. Shah et al., "Low-complexity deep learning and RBFN architectures for modulation classification of space-time block-code (STBC)-MIMO systems," Digital Signal Processing, vol. 99 (2020) [30]. B. Kim et al., “Deep neural network-based automatic modulation classification technique,” 2016 International Conference on Information and Communication Technology Convergence, Jeju(2016), pp. 579-582. [31]. M. Stojanovic et al., "Underwater acoustic communication channels: Propagation models and statistical characterization," IEEE Communications Magazine, vol. 47 (2009), no. 1, pp. 84-89. [32]. N. Farsad et al., "A Comprehensive Survey of Recent Advancements in Molecular Communication," IEEE Communications Surveys & Tutorials, vol. 18 (2016), no. 3, pp. 1887-1919. [33]. S. Hiyama et al., "Molecular Communication," 2005 NSTI Nanotechnology Conference and Trade Show, vol. 3 (2008). [34]. N. Farsad et al., "Detection Algorithms for Communication Systems Using Deep Learning," arXiv preprint arXiv:1705.08044 (2017). [35]. Narengerile et al., "Deep Learning for Signal Detection in Non-Orthogonal Multiple Access Wireless Systems," 2019 UK/ China Emerging Technologies (2019), pp. 1-4. [36]. H. He et al., "Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems," IEEE Wireless Communications Letters, vol. 7 (2018), no. 5, pp. 852-855. [37]. C. Lin et al., "A Deep Learning Approach for MIMO-NOMA Downlink Signal Detection," Sensors (Basel, Switzerland), vol. 19 (2019), no. 11, p. 2526. [38]. N. Samuel et al., "Learning to Detect," IEEE Transactions on Signal Processing, vol. 67 (2019), no. 10, pp. 2554-2564. [39]. Y. Kim et al., "Selection of CDMA and OFDM using machine learning in underwater wireless networks," ICT Express, vol. 5 (2019). [40]. Z. M. Fadlullah et al., "State-of-the-Art Deep Learning: Evolving Machine Intelligence Toward Tomorrow’s Intelligent Network Traffic Control Systems," IEEE Communications Surveys & Tutorials, vol. 19 (2017), no. 4, pp. 2432-2455. [41]. S. K. Tayyaba et al., "5G Vehicular Network Resource Management for Improving Radio Access Through Machine Learning," IEEE Access, vol. 8 (2020), pp. 6792-6800. [42]. J. Li et al., "Mobile Location in MIMO Communication Systems by Using Learning Machine," Canadian Conference on Electrical and Computer Engineering (2007), pp. 1066-1069. [43]. P. Sthapit et al., "Bluetooth Based Indoor Positioning Using Machine Learning Algorithms," in 2018 IEEE International Conference on Consumer Electronics - Asia, 2018, pp. 206-212. [44]. M. Borgerding et al., "Onsager-corrected deep learning for sparse linear inverse problems," IEEE Global Conference on Signal and Information Processing (2016), pp. 227-231. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san Viện Điện tử, 9 - 2020 23 [45]. T. Liu et al.,. Sun, "Fault Prediction for Satellite Communication Equipment Based on Deep Neural Network," International Conference on Virtual Reality and Intelligent Systems (2018), pp. 176-178. [46]. M. Hikosaka et al., "Proposal of polarization state prediction using quaternion neural networks for fading channel prediction in mobile communications," International Joint Conference on Neural Networks (2016), pp. 4105-4111. ABSTRACT AN OVERVIEW ON APPLICATIONS OF MACHINE LEARNING IN WIRELESS COMMUNICATION SYSTEMS Together with the development of The Fourth Industrial Revolution, wireless systems are also being developed to meet a variety of requirements for performance improvement, higher transmission rate and reliability, and secure communications under severe propagation environments. Recent advancements in signal processing techniques have motivated the applications of artificial intelligence (AI) in wireless systems in order to provide the ability of automatic learning, identification and processing for adaptive transmission and cognitive radios. This paper presents an overview on principles and recent achievements in application of machine learning in wireless communication systems, and outlines some potential open research directions. Keywords: Wireless system; Machine learning; Deep learning. Nhận bài ngày 02 tháng 3 năm 2020 Hoàn thiện ngày 04 tháng 8 năm 2020 Chấp nhận đăng ngày 28 tháng 8 năm 2020 Địa chỉ: 1Viện Điện tử, Viện Khoa học và Công nghệ quân sự; 2Học viện Kỹ thuật quân sự. *Email: thanhtambui85@gmail.com.
File đính kèm:
- hoc_may_va_kha_nang_ung_dung_trong_cac_he_thong_thong_tin_vo.pdf