CN109246048A - 一种基于深度学习的物理层安全通信方法和系统 - Google Patents
一种基于深度学习的物理层安全通信方法和系统 Download PDFInfo
- Publication number
- CN109246048A CN109246048A CN201811277852.XA CN201811277852A CN109246048A CN 109246048 A CN109246048 A CN 109246048A CN 201811277852 A CN201811277852 A CN 201811277852A CN 109246048 A CN109246048 A CN 109246048A
- Authority
- CN
- China
- Prior art keywords
- planisphere
- information
- constellation point
- neural network
- physical layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/345—Modifications of the signal space to allow the transmission of additional information
- H04L27/3461—Modifications of the signal space to allow the transmission of additional information in order to transmit a subchannel
- H04L27/3483—Modifications of the signal space to allow the transmission of additional information in order to transmit a subchannel using a modulation of the constellation points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于深度学习的物理层安全通信方法,包括:选择静态星座图;选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;发送端的多层神经网络接收待传输的原始信息;发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。这样使得信号在调制解调时,无需再按照固定的星座图样进行,星座点分布更加离散、随机,从而掩盖通信信号特征,使得第三方无法获取通信信息,保证物理层通信的安全性,彻底避免通信信息的泄露。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种基于深度学习的物理层安全通信方法和系统。
背景技术
在民用通信领域,随着移动通信用户数量的快速增加,伪基站等第三方信息窃取设备时有出现,导致大量用户信息泄露,造成大量财产损失。在专用通信领域,私有化通信协议在使用过程中,容易被第三方进行特征检测,进而进行侦听、干扰等破坏行为,导致信息与通信安全事故。造成此类信息安全事故的主要原因是现有通信系统的加密需要收发双方确认秘钥后方能进行,而在获取秘钥之前的所有通信都是以明文的方式进行的,因此第三方设备有机会进行窃听。这一漏洞在2G、3G通信时代尤为突出,在4G时代,LTE系统引入了双向鉴权,降低了伪基站窃取信息的可能性,但是部分公共信息仍以明文传输,容易泄露通信特征,尤其在专网通信中,这一漏洞容易被第三方利用进行攻击。
目前,在人工智能领域,深度学习等方法获得了阶段性突破,并且逐步应用于通信技术,学科的交叉融合使得传统的难题获得了新的求解思路,并且深度学习的以下两点优势,使得其与物理层通信的交叉融合能够改善通信效果:其一是,深度学习方法善于处理非精确的、统计的、非解析的问题,这些正是物理层通信的瓶颈所在;其二是,大型并行计算单元、分布式存储单元等计算存储技术的广泛应用,使得深度学习方法执行效率提高,能够在通用的平台高速、高效、节能地完成通信技术的实现。
因此,行业内急需研发一种基于深度学习与传统的物理层通信相结合,使得信号在调制解调时,第三方无法获取通信信息,保证物理层通信的安全性,彻底避免通信信息的泄露的方法或者系统。
发明内容
本发明的目的是为了克服以上现有技术存在的不足,提供了一种基于深度学习的物理层安全通信方法。
本发明的另一目的是为了克服以上现有技术存在的不足,提供了一种基于深度学习的物理层安全通信系统。
本发明的目的通过以下的技术方案实现:
一种基于深度学习的物理层安全通信方法,包括:
S1,发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;
S2,所述调制信息经传输信道传输,得到畸变信息;
S3,接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。
优选地,若所述选择的星座图为静态星座图,则步骤S1包括:
S111,选择静态星座图;
S112,选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
S113,发送端的多层神经网络接收待传输的原始信息;
S114,发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
步骤S3包括:
S311,接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
优选地,所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种;其中,第一类星座图上的星座点具有预设的偏移量,第二类星座图上的星座点随机分布,第三类星座图上的星座点的数量和分布均随机。
优选地,若所述选择的星座图为动态星座图,则步骤S1包括:
S121,选择N个星座点离散的动态星座图,并进行排序,得到动态星座图序列,N≥2;
S122,启动定时器,并在定时器的每个周期的起始点,在所述动态星座图序列中依次选择一个星座图,并重复执行下列步骤S123-S125,S321;
S123,选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
S124,发送端的多层神经网络接收待传输的原始信息;
S125,发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
步骤S3包括:
S321,接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
优选地,所述动态星座图包括:规则三维动态星座图和不规则三维动态星座图。
本发明的另一目的通过以下的技术方案实现:
一种基于深度学习的物理层安全通信系统,包括:调制单元,用于发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;传输单元,用于所述调制信息经传输信道传输,得到畸变信息;解调单元,用于接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。
优选地,若所述选择的星座图为静态星座图,则调制单元包括:静态星座图选择模块,用于选择静态星座图;第一训练模块,用于选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;第一原始信息接收模块,用于发送端的多层神经网络接收待传输的原始信息;第一调制模块,用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;解调单元包括:第一解调单元;第一解调单元,用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
优选地,所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种;其中,第一类星座图上的星座点具有预设的偏移量,第二类星座图上的星座点随机分布,第三类星座图上的星座点的数量和分布均随机。
优选地,若所述选择的星座图为动态星座图,则调制单元包括:动态星座图选择模块,用于选择N个星座点离散的动态星座图,并进行排序,得到动态星座图序列,N≥2;定时模块,用于启动定时器,并在定时器的每个周期的起始点,在所述动态星座图序列中依次选择一个星座图;第二训练模块,用于选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;第二原始信息接收模块,用于发送端的多层神经网络接收待传输的原始信息;第二调制模块,用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;解调单元包括:第二解调单元;第二解调单元,用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
优选地,所述动态星座图包括:规则三维动态星座图和不规则三维动态星座图。
本发明相对于现有技术具有如下的优点:
本发明通过选择星座点离散、随机的分布静态星座图或者动态星座图,发送端的多层神经网络根据静态星座图或者动态星座图基于深度学习进行训练,得到比特信息到星座点的映射关系;根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;所述调制信息经传输信道传输,得到畸变信息,所述调制信息经传输信道传输,得到畸变信息,这样使得信号在调制解调时,无需再按照固定的星座图样进行,星座点分布更加离散、随机,从而掩盖通信信号特征,使得第三方无法获取通信信息,保证物理层通信的安全性,彻底避免通信信息的泄露。
附图说明
图1是本发明的基于深度学习的物理层安全通信方法的总流程示意图。
图2是第一实施例的基于深度学习的物理层安全通信方法的流程示意图。
图3是第二实施例的基于深度学习的物理层安全通信方法的流程示意图。
图4是第一实施例的基于深度学习的物理层安全通信系统的结构框图。
图5是第二实施例的基于深度学习的物理层安全通信系统的结构框图。
图6是传统的QPSK星座点示意图。
图7是传统的16QAM星座点示意图。
图8是第一类星座点示意图。
图9是第二类星座点示意图。
图10是第三类星座点示意图。
图11是第一规则三维动态星座示意图。
图12是第二规则三维动态星座示意图。
图13是第一不规则三维动态星座示意图。
图14是第二不规则三维动态星座示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
参见图1-2、一种基于深度学习的物理层安全通信方法,包括:
S1,发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;若所述选择的星座图为静态星座图,则步骤S1包括:
S111,选择静态星座图;
S112,选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
S113,发送端的多层神经网络接收待传输的原始信息;
S114,发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
S2,所述调制信息经传输信道传输,得到畸变信息;
S3,接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。具体的,步骤S3包括:
S321,接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
需要说明的是,接收端的多层神经网络对畸变信息进行调制之前,先经过物理层前端的处理后,交由多层神经网络进行解调,解调的规则也是通过训练序列事先学习获得。
其中,所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种;其中,第一类星座图上的星座点具有预设的偏移量,第二类星座图上的星座点随机分布,第三类星座图上的星座点的数量和分布均随机。具体地,如图6和图7所示,传统的星座点分布具有明确的映射位置,易于被第三方系统探测和解码。如图8所示,第一类星座图上的星座点与传统方式数量相同,各个星座点的相对位置也相同,但是引入星座点偏移量;如图9所示,第二类星座图与传统星座图相同,但是星座点的分布没有规律,星座点随机分布;如图10所示,第三类星座图与传统的BPSK、QPSK、16QAM、64QAM等方式的星座点数量均不相同,星座点位置也不相同,完全改变每个星座点的位置以及其代表的比特信息。所述静态星座图还可以为其他形式的星座图,在此不做具体限定。
参见图4,上述基于深度学习的物理层安全通信方法适用的基于深度学习的物理层安全通信系统,包括:调制单元,用于发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;传输单元,用于所述调制信息经传输信道传输,得到畸变信息;解调单元,用于接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。若所述选择的星座图为静态星座图,则调制单元包括:静态星座图选择模块,用于选择静态星座图;第一训练模块,用于选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;第一原始信息接收模块,用于发送端的多层神经网络接收待传输的原始信息;第一调制模块,用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;解调单元包括:第一解调单元;第一解调单元,用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
实施例2
参见图1和图3,一种基于深度学习的物理层安全通信方法,包括:
S1,发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;若所述选择的星座图为动态星座图,则步骤S1包括:
S121,选择N个星座点离散的动态星座图,并进行排序,得到动态星座图序列,N≥2;此处可以根据信道条件、通信速率要求等指标进行筛选。
S122,启动定时器,并在定时器的每个周期的起始点,在所述动态星座图序列中依次选择一个星座图,并重复执行下列步骤S123-S125,S321;即每到一个定时器周期,则重新选择星座图,然后重复执行下列步骤。
S123,选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
S124,发送端的多层神经网络接收待传输的原始信息;
S125,发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
S2,所述调制信息经传输信道传输,得到畸变信息;
S3,接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。具体的,步骤S3包括:
S321,接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
其中,所述动态星座图包括:规则三维动态星座图和不规则三维动态星座图。
参见图5、上述基于深度学习的物理层安全通信方法适用的基于深度学习的物理层安全通信系统,包括:调制单元,用于发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;传输单元,用于所述调制信息经传输信道传输,得到畸变信息;解调单元,用于接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。
若所述选择的星座图为动态星座图,则调制单元包括:动态星座图选择模块,用于选择N个星座点离散的动态星座图,并进行排序,得到动态星座图序列,N≥2;定时模块,用于启动定时器,并在定时器的每个周期的起始点,在所述动态星座图序列中依次选择一个星座图;第二训练模块,用于选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;第二原始信息接收模块,用于发送端的多层神经网络接收待传输的原始信息;第二调制模块,用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;解调单元包括:第二解调单元;第二解调单元,用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
其中,所述动态星座图包括:规则三维动态星座图和不规则三维动态星座图。具体地,如图11和图12所示,规则三维动态星座图基于传统的、规则的星座图,通过在不同时刻引入不同的偏移量,形成在时间轴上变化的星座图,其包括第一规则三维动态星座图和第二规则三维动态星座示意图。如图13和图14所示,不规则三维动态星座图在不同时刻采用不同的星座图样,形成在时间轴上更加离散、均匀的三维动态星座图,其包括第二不规则三维动态星座图和第二不规则三维动态星座图。
本方案的基于深度学习的物理层安全通信方法具有的有益效果如下:
本方案基于深度学习与传统的物理层通信相结合,使得信号在调制解调时,无需再按照固定的星座图样进行,使用的星座点分布更加离散、随机,从而掩盖通信信号特征,使得第三方无法获取通信信息,保证物理层通信的安全性,彻底避免通信信息的泄露。
上述具体实施方式为本发明的优选实施例,并不能对本发明进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的物理层安全通信方法,其特征在于,包括:
S1,发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;
S2,所述调制信息经传输信道传输,得到畸变信息;
S3,接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。
2.根据权利要求1所述的基于深度学习的物理层安全通信方法,其特征在于,若所述选择的星座图为静态星座图,则步骤S1包括:
S111,选择静态星座图;
S112,选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
S113,发送端的多层神经网络接收待传输的原始信息;
S114,发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
步骤S3包括:
S311,接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
3.根据权利要求2所述的基于深度学习的物理层安全通信方法,其特征在于,所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种;其中,第一类星座图上的星座点具有预设的偏移量,第二类星座图上的星座点随机分布,第三类星座图上的星座点的数量和分布均随机。
4.根据权利要求1所述的基于深度学习的物理层安全通信方法,其特征在于,若所述选择的星座图为动态星座图,则步骤S1包括:
S121,选择N个星座点离散的动态星座图,并进行排序,得到动态星座图序列,N≥2;
S122,启动定时器,并在定时器的每个周期的起始点,在所述动态星座图序列中依次选择一个星座图,并重复执行下列步骤S123-S125,S321;
S123,选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
S124,发送端的多层神经网络接收待传输的原始信息;
S125,发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
步骤S3包括:
S321,接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
5.根据权利要求4所述的基于深度学习的物理层安全通信方法,其特征在于,所述动态星座图包括:规则三维动态星座图和不规则三维动态星座图。
6.一种基于深度学习的物理层安全通信系统,其特征在于,包括:
调制单元,用于发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制,得到调制信息;
传输单元,用于所述调制信息经传输信道传输,得到畸变信息;
解调单元,用于接收端的多层神经网络对畸变信息进行调制,得到恢复信息;所述恢复信息和原始信息相同。
7.根据权利要求6所述的基于深度学习的物理层安全通信系统,其特征在于,若所述选择的星座图为静态星座图,则调制单元包括:
静态星座图选择模块,用于选择静态星座图;
第一训练模块,用于选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
第一原始信息接收模块,用于发送端的多层神经网络接收待传输的原始信息;
第一调制模块,用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
解调单元包括:第一解调单元;第一解调单元,用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
8.根据权利要求7所述的基于深度学习的物理层安全通信系统,其特征在于,所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种;其中,第一类星座图上的星座点具有预设的偏移量,第二类星座图上的星座点随机分布,第三类星座图上的星座点的数量和分布均随机。
9.根据权利要求6所述的基于深度学习的物理层安全通信系统,其特征在于,若所述选择的星座图为动态星座图,则调制单元包括:
动态星座图选择模块,用于选择N个星座点离散的动态星座图,并进行排序,得到动态星座图序列,N≥2;
定时模块,用于启动定时器,并在定时器的每个周期的起始点,在所述动态星座图序列中依次选择一个星座图;
第二训练模块,用于选择跟所述静态星座图相对应的训练序列,发送端的多层神经网络根据训练序列进行训练,得到比特信息到星座点的映射关系;
第二原始信息接收模块,用于发送端的多层神经网络接收待传输的原始信息;
第二调制模块,用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点,完成物理层的调制,得到调制信息;
解调单元包括:第二解调单元;第二解调单元,用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。
10.根据权利要求9所述的基于深度学习的物理层安全通信系统,其特征在于,所述动态星座图包括:规则三维动态星座图和不规则三维动态星座图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811277852.XA CN109246048B (zh) | 2018-10-30 | 2018-10-30 | 一种基于深度学习的物理层安全通信方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811277852.XA CN109246048B (zh) | 2018-10-30 | 2018-10-30 | 一种基于深度学习的物理层安全通信方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109246048A true CN109246048A (zh) | 2019-01-18 |
CN109246048B CN109246048B (zh) | 2021-02-02 |
Family
ID=65079585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811277852.XA Active CN109246048B (zh) | 2018-10-30 | 2018-10-30 | 一种基于深度学习的物理层安全通信方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109246048B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951412A (zh) * | 2019-01-31 | 2019-06-28 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 深度神经网络抑制信号立方度量的方法 |
CN110855713A (zh) * | 2019-11-28 | 2020-02-28 | 深圳大学 | 一种WiFi设备到ZigBee设备的跨协议通信方法及系统 |
WO2021000264A1 (zh) * | 2019-07-02 | 2021-01-07 | 株式会社Ntt都科摩 | 终端和基站 |
CN113395096A (zh) * | 2021-06-24 | 2021-09-14 | 湖南国天电子科技有限公司 | 一种fdd系统中基于深度学习的物理层安全传输方法 |
WO2022073496A1 (zh) * | 2020-10-09 | 2022-04-14 | 维沃移动通信有限公司 | 神经网络信息传输方法、装置、通信设备和存储介质 |
CN114556795A (zh) * | 2019-09-30 | 2022-05-27 | 诺基亚技术有限公司 | 通过伪随机层映射的物理层安全 |
CN114866145A (zh) * | 2021-01-20 | 2022-08-05 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
US11848735B2 (en) | 2020-05-19 | 2023-12-19 | Nokia Technologies Oy | Method and apparatus for optimization of signal shaping for a multi-user multiple input multiple output (MU-MIMO) communication system |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
DE102017206631A1 (de) * | 2017-04-20 | 2018-10-25 | Audi Ag | Verfahren zur Erfassung und Bestimmung einer Ausfallwahrscheinlichkeit eines Funknetzwerkes und Zentralrechner |
-
2018
- 2018-10-30 CN CN201811277852.XA patent/CN109246048B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
DE102017206631A1 (de) * | 2017-04-20 | 2018-10-25 | Audi Ag | Verfahren zur Erfassung und Bestimmung einer Ausfallwahrscheinlichkeit eines Funknetzwerkes und Zentralrechner |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
Non-Patent Citations (1)
Title |
---|
唐斐: ""基于神经网络的调制信号识别"", 《中国优秀硕士论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951412B (zh) * | 2019-01-31 | 2021-06-11 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 深度神经网络抑制信号立方度量的方法 |
CN109951412A (zh) * | 2019-01-31 | 2019-06-28 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 深度神经网络抑制信号立方度量的方法 |
CN114026804A (zh) * | 2019-07-02 | 2022-02-08 | 株式会社Ntt都科摩 | 终端和基站 |
WO2021000264A1 (zh) * | 2019-07-02 | 2021-01-07 | 株式会社Ntt都科摩 | 终端和基站 |
CN114026804B (zh) * | 2019-07-02 | 2023-12-05 | 株式会社Ntt都科摩 | 终端和基站 |
CN114556795A (zh) * | 2019-09-30 | 2022-05-27 | 诺基亚技术有限公司 | 通过伪随机层映射的物理层安全 |
CN114556795B (zh) * | 2019-09-30 | 2024-04-19 | 诺基亚技术有限公司 | 通过伪随机层映射的物理层安全 |
US11212862B2 (en) | 2019-11-28 | 2021-12-28 | Shenzhen University | Method and system for cross-technology communication from WiFi device to ZigBee device |
CN110855713A (zh) * | 2019-11-28 | 2020-02-28 | 深圳大学 | 一种WiFi设备到ZigBee设备的跨协议通信方法及系统 |
US11848735B2 (en) | 2020-05-19 | 2023-12-19 | Nokia Technologies Oy | Method and apparatus for optimization of signal shaping for a multi-user multiple input multiple output (MU-MIMO) communication system |
WO2022073496A1 (zh) * | 2020-10-09 | 2022-04-14 | 维沃移动通信有限公司 | 神经网络信息传输方法、装置、通信设备和存储介质 |
CN114866145A (zh) * | 2021-01-20 | 2022-08-05 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
CN114866145B (zh) * | 2021-01-20 | 2024-02-09 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
CN113395096A (zh) * | 2021-06-24 | 2021-09-14 | 湖南国天电子科技有限公司 | 一种fdd系统中基于深度学习的物理层安全传输方法 |
CN113395096B (zh) * | 2021-06-24 | 2022-03-18 | 湖南国天电子科技有限公司 | 一种fdd系统中基于深度学习的物理层安全传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109246048B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109246048A (zh) | 一种基于深度学习的物理层安全通信方法和系统 | |
CN101978717B (zh) | 专用基准信号的发送和接收 | |
CN107147600A (zh) | 一种基于神经网络的数字调制信号解调器及其解调方法 | |
CN106160971A (zh) | 一种数据传输、接收信号检测的方法和设备 | |
Wang et al. | TiM: Fine-grained rate adaptation in WLANs | |
CN104009980A (zh) | 基于社交类应用的通信方法及装置 | |
CN102171956B (zh) | 用于在多媒体家庭网络中执行星座加扰的方法和设备 | |
CN105846946A (zh) | 基于子载波索引调制的物理层安全传输方法 | |
CN105703877B (zh) | 叠加编码、解码方法、装置、发射机及接收机 | |
CN106817346A (zh) | 一种数据传输方法、装置及电子设备 | |
CN102970068B (zh) | 用于安全保密无线通信的分布式多天线跳空收发方法 | |
CN101345616B (zh) | 基于多参数四项加权类分数傅立叶变换的通信加密和解密方法 | |
CN103634072B (zh) | 传输信息的方法和装置 | |
Kasprzyk et al. | Analysis of physical layer model of WLAN 802.11 g data transmission protocol in wireless networks used by telematic systems | |
Cai et al. | General carrier index aided dual-mode differential chaos shift keying with full mapping: Design and optimization | |
JP2015528254A5 (zh) | ||
CN101237438A (zh) | 一种应用于无线传感网的多载波解调装置 | |
CN105916139B (zh) | 无线通信系统中利用星座转换提高用户信息安全性的方法 | |
Xie et al. | Mitigating Doppler effects on physical-layer network coding in VANET | |
CN101778081A (zh) | 一种单频网无线多媒体广播信号传输方法 | |
US11811506B2 (en) | Application of key exchange based physical layer security methods | |
CN113746617A (zh) | 基于混沌压缩加密的图像传输与重构方法和装置 | |
CN103067118A (zh) | 一种实现数据传输的方法及装置 | |
CN106686527A (zh) | 一种wifi信息识别方法及终端 | |
CN117136528A (zh) | 信道恢复的方法及收端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |