BỘ CÂN BẰNG TÍN HIỆU DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP MỘT CHIỀU CHO HỆ THỐNG THÔNG TIN QUANG CỰ LY NGẮN TỐC ĐỘ 100 Gb/s

jos.hueuni.edu.vn Tập 134, Số 2A, 2025 137 có thể dẫn đến BER chênh lệch tới một bậc độ lớn. Điều này cho thấy rằng tăng độ phức tạp mạng có thể không tăng hiệu quả, mà còn làm gia tăng chi phí tính toán và độ trễ triển khai. Bảng 3. Tỷ lệ chính xác trên tập huấn luyện và kiểm tra khi khảo sát tại SNR = 20 dB Số lượng đặc trưng 8 16 32 64 128 256 Độ chính xác – huấn luyện 98.556% 99.089% 99.241% 99.508% 99.678% 99.671% Độ chính xác – kiểm tra 98.807% 99.278% 99.312% 99.396% 99.397% 99.365% BER 5.97E-03 3.61E-03 3.44E-03 3.02E-03 3.01E-03 3.17E-03 SNR = 20 dB SNR = 22 dB SNR = 24 dB SNR = 26 dB SNR = 28 dB SNR = 30 dB Hình 5. Khảo sát hiện tượng quá khớp (overfitting) dưới nhiều điều kiện nhiễu SNR và độ phức tạp mô hình khác nhau. Có thể nhận thấy rằng, mô hình với 32 hoặc 64 đặc trưng cho sự cân bằng về hiệu năng và độ phức tạp tính toán tốt trong nhiều kịch bản với mức nhiễu khác nhau trên hệ thống IM/DD được triển khai. Cũng cần lưu ý, các mô hình quá đơn giản với số lượng đặc trưng dưới 16 thường không đảm bảo hiệu quả cân bằng, đặc biệt trong các điều kiện nhiễu lớn. 3.3 Tác động của số lớp tích chập đến khả năng biểu diễn Độ phức tạp của bộ cân bằng dựa trên 1D-CNN được đánh giá thông qua số lượng tham số huấn luyện (trainable parameters). Với kiến trúc đề xuất, trong đó 𝑁𝐹 là số đặc trưng thì độ phức tạp có thể ước lượng thông qua Bảng 4.