CN109919226B - 一种基于机器学习的不可信中继网络天线选择方法 - Google Patents

一种基于机器学习的不可信中继网络天线选择方法 Download PDF

Info

Publication number
CN109919226B
CN109919226B CN201910171247.2A CN201910171247A CN109919226B CN 109919226 B CN109919226 B CN 109919226B CN 201910171247 A CN201910171247 A CN 201910171247A CN 109919226 B CN109919226 B CN 109919226B
Authority
CN
China
Prior art keywords
antenna
antenna selection
relay network
training
serial number
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.)
Active
Application number
CN201910171247.2A
Other languages
English (en)
Other versions
CN109919226A (zh
Inventor
姚如贵
张雨欣
左晓亚
王圣尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Shenzhen Institute of Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, Shenzhen Institute of Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201910171247.2A priority Critical patent/CN109919226B/zh
Publication of CN109919226A publication Critical patent/CN109919226A/zh
Application granted granted Critical
Publication of CN109919226B publication Critical patent/CN109919226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于机器学习的不可信中继网络天线选择方法，将ML方法引入到不可信中继网络中，实现不可信中继网络发射端的天线选择问题。训练前通过归一化数据集样本提高分类精度，之后采用ML方法对天线选择模型进行训练和测试，包括支持向量机、朴素贝叶斯及k近邻算法，在多天线、不可信中继的应用场景下，选择性能最好的发射端天线，考虑最大化接收信噪比，在发射端采用匹配滤波器预编码，在保证所提天线选择方法性能逼近传统天线选择方法的基础上，进一步减小了复杂度。

Description

一种基于机器学习的不可信中继网络天线选择方法
技术领域
本发明属于无线通信技术领域，涉及到将机器学习方法引入到不可信中继网络发射端的天线选择中，以期获得最大化系统安全速率的同时最小化系统复杂度。
背景技术
近年来，人工智能在图像识别、语言处理、信号处理上显示出了极大优势。目前，也有一些研究把人工智能技术引入到无线通信领域中，比如，实现人工智能与物理层安全关键技术的融合，从而大幅度提升无线通信系统的性能。
当前，将机器学习(Machine Learning,ML)方法引入物理层安全研究也成为无线通信领域的热点。这样做的优点是可以处理大规模数据、节约时间并减少复杂度。现在很多研究都是建立在源节点和目的节点存在直接传输链路的条件下开展研究，而现实应用中由于源节点和目的节点距离较远，需要引入中继网络，实现源节点和目的节点间的中继传输。进一步考虑中继节点本身是不可信的，如何设计有效的可靠安全传输方案变得更为复杂。因此，针对多天线、不可信中继应用场景，开展基于ML的天线选择方案设计，对提升系统可靠安全传输性能有着重要的意义。
文献1“Y.N.Ahmed.A novel determinant based transmit antenna selectiontechnique in single user MIMO systems[C].International Computer EngineeringConference (ICENCO),2017:358-360.”针对单用户MIMO系统，利用次优贪心算法进行天线选择，分析了系统可达容量和安全中断概率。
文献2“J.Dai and M.Chen.A new antenna selection scheme for correlatedMIMO channels[C].International Conference on Future Computer andCommunication,2010:404-407.”针对多天线MIMO系统，采用自组织特征映射(self-organizing feature map)方法利用信道相关度对天线进行分组，并以此完成天线选择，分析了天线选择系统的中断容量和经验累积概率密度(empirical cumulative density)。
文献3“D.He,C.Liu,T.Q.S.Quek,et al.Transmit Antenna Selection in MIMOWiretap Channels:A Machine Learning Approach[J].IEEE Wireless CommunicationsLetters,2018,7(4):634-637.”针对具有窃听者的MIMO(Multiple-Input Multiple-Output)系统，采用ML方法进行发射端的天线选择，研究了已知窃听信道和未知窃听信道状态两种情况下的系统安全速率和安全中断概率。
文献4“J.Joung.Machine Learning-Based Antenna Selection in WirelessCommunications[J],IEEE Communications Letters,2016,20(11):2241-2244.”针对无窃听信道的系统模型，对比了采用ML和传统基于最大最小原则的天线选择方法，分析了系统经验累积概率密度和复杂度。
文献5“N.Gulati and K.R.Dandekar.Learning State Selection forReconfigurable Antennas:A Multi-Armed Bandit Approach[C].IEEE Transactions onAntennas and Propagation,2014,62(3):1027-1038.”针对单用户MIMO系统，引入了强化学习中的K-摇臂赌博机方法，在所有信道状态信息未知的情况下设计了一种自适应天线选择技术，分析了系统的吞吐量。
现有关于物理层安全天线选择的研究都是基于最大最小准则和自组织特征映射的天线选择方法(如文献1，2)、无窃听网络采用ML方法进行天线选择(如文献4)或者在MIMO系统中采用强化学习方法(如文献5)开展天线选择，上述文献均未考虑物理层安全的天线选择。当存在外部窃听节点，可以采用ML帮助实现天线选择(如文献3)。然而，考虑中继网络本身不可信，进而开展基于ML的天线选择，目前未有相关文献研究。
发明内容
为了克服现有技术的不足，本发明提供一种基于ML的发射端天线选择方法，兼顾性能和复杂度，采用的ML算法包括支持向量机(support vector machine,SVM)、朴素贝叶斯(
Figure BDA0001988070830000027
bayes,NB)及k近邻(k-nearest neighbors,k-NN)算法，在多天线、不可信中继的应用场景下，选择性能最好的发射端天线，考虑最大化接收信噪比，在发射端采用匹配滤波器预编码。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤一，在包括一个源节点S、一个目的节点D和一个不可信中继R的半双工不可信中继网络中，S、R、D分别配置NS、1、1根天线，所有信道服从瑞利衰落中；产生一组训练集和一组测试集，都具有M个信道状态信息样本，分别表示为
Figure BDA0001988070830000021
和
Figure BDA0001988070830000022
其中，
Figure BDA0001988070830000023
和
Figure BDA0001988070830000024
分别表示第m个训练样本和测试样本，m∈{1，…，M}；针对第m个训练样本和测试样本进行归一化处理，得到训练样本和测试样本的特征向量
Figure BDA0001988070830000025
和
Figure BDA0001988070830000026
针对第m个训练样本
Figure BDA0001988070830000031
遍历所有的天线组合，计算每一个组合对应的可达安全速率Rs，确定最大安全速率及其对应的天线组合序号
Figure BDA0001988070830000032
步骤二，基于SVM方法对天线选择模型进行训练，把归一化后的训练集样本
Figure BDA0001988070830000034
和最大安全速率对应的天线组合序号
Figure BDA0001988070830000033
输入模型，模型基于最大分类正确率自动调整并更新参数；
步骤三，使用训练好的模型，以归一化后的测试样本
Figure BDA0001988070830000035
作为输入，输出的天线组合序号记为
Figure BDA0001988070830000036
计算可达安全速率。
所述的训练样本特征向量
Figure BDA0001988070830000037
的第i个元素
Figure BDA0001988070830000038
其中，
Figure BDA0001988070830000039
是
Figure BDA00019880708300000310
的第i个元素；
Figure BDA00019880708300000313
代表期望值操作；测试样本特征向量
Figure BDA00019880708300000312
的第i个元素
Figure BDA00019880708300000311
其中，
Figure BDA00019880708300000314
是
Figure BDA00019880708300000315
的第i个元素。
所述的步骤一中，针对第m个训练样本
Figure BDA00019880708300000316
遍历所有的天线组合，计算每一个组合对应的可达安全速率
Figure BDA00019880708300000317
其中，S、R、D处的传输功率分别为PS、PR、PD，源节点只在NS根天线中选中NT根参与传输，|·|和||·||2表示复数的模值和向量的2范数，
Figure BDA00019880708300000318
为S到R的信道增益；
Figure BDA00019880708300000319
分别是R到D和D到R的复信道增益，引入参数g，
Figure BDA00019880708300000320
所述的步骤一中，以
Figure BDA00019880708300000321
表示选中的天线组合序号，
Figure BDA00019880708300000322
表示选中天线的组合数，大小为
Figure BDA00019880708300000323
针对第m个训练样本确定最大安全速率及其对应的天线组合序号
Figure BDA00019880708300000324
所述的步骤二将SVM方法替换为NB或k-NN方法。
本发明的有益效果是：将ML方法引入到不可信中继网络中，实现不可信中继网络发射端的天线选择问题。训练前通过归一化数据集样本提高分类精度，之后采用ML方法对天线选择模型进行训练和测试，在保证所提天线选择方法性能逼近传统天线选择方法的基础上，进一步减小了复杂度。
附图说明
图1是半双工双向传输中继网络通信模型图；
图2是在NS＝6时，利用传统天线方法和ML方法(SVM，NB，k-NN)选择一根天线和两根天线时，不同信噪比(Signal to Noise Ratio,SNR)条件下的安全速率比较；
图3是在NS＝6，给定目标安全速率Rt＝2bps/Hz时，利用传统天线方法和ML方法(SVM，NB，k-NN)选择一根天线和两根天线时，不同SNR条件下的安全中断概率比较；
图4是通过网络图直观展示了3种ML方法在单天线选择时的错误分类性能，即通过错误分类率表示。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明采用的半双工不可信中继网络模型包括一个源节点S、一个目的节点D和一个不可信中继R。S、R、D分别配置NS、1、1根天线。假设所有信道服从瑞利衰落。
定义
Figure BDA0001988070830000042
为S到R的信道增益；
Figure BDA0001988070830000043
分别是R到D和D到R的复信道增益。考虑信道的互易性，我们有
Figure BDA0001988070830000044
为了方便推导和叙述，引入参数g，且有
Figure BDA0001988070830000045
考虑到无线通信系统中射频链路成本很高，源节点只在NS根天线中选中NT根参与传输。我们假设NS根天线被标记为1，2，…，NS，且NT根天线用
Figure BDA0001988070830000048
来索引。这里对于j＝1，…，NT有sj∈[1，NS]。因此，从S到R的实际信道增益可以被写为
Figure BDA0001988070830000046
为了最大化中继接收的信噪比，因此在源节点采用匹配滤波器预编码设计。在这种情况下，S的传输预编码向量是
Figure BDA0001988070830000047
由于中继是不可信的，我们采用目的节点协作干扰技术并且把信息传输分为两个时隙。第一个时隙中，S对保密信号xS进行预编码，之后发送预编码后的信号pMFxS给R，同时D在同一频段内传输协作干扰信号xJ给R。第二个时隙中，中继R再次把接收的信号利用放大因子β(这里假设β＝1)转发放大后传送给目的节点D。
不可信中继系统的可达安全速率可计算为
Figure BDA0001988070830000041
其中，S、R、D处的传输功率分别为PS、PR、PD，|·|和||·||2表示复数的模值和向量的2范数。考虑
Figure BDA0001988070830000049
当我们选择一根天线时，用信道hs去执行传输，因此
Figure BDA0001988070830000055
可以再次定义为|hs|2。本系统采用可达安全速率作为关键性能指标(Key Performanceindicator,KPI)。
该天线选择问题的目标是找到具有安全速率最大的天线或天线组合，因此，优化问题可以通过下式得出
Figure BDA0001988070830000051
其中，n*表示选中的天线组合序号；
Figure BDA0001988070830000056
表示选中天线的组合数，大小为
Figure BDA0001988070830000052
本发明包括以下步骤：
步骤一：输入数据的预处理
在该不可信中继网络中，产生一组训练集和一组测试集，都具有M个信道状态信息样本，可以分别表示为
Figure BDA0001988070830000057
和
Figure BDA0001988070830000058
其中，
Figure BDA0001988070830000059
和
Figure BDA00019880708300000510
分别表示第m个训练样本和测试样本，m∈{1，…，M}，上标p和q分别对应训练集和测试集。然后，为了提高分类精度，针对第m个训练样本和测试样本
Figure BDA00019880708300000511
和
Figure BDA00019880708300000512
进行归一化处理后得到训练样本和测试样本的特征向量分别为
Figure BDA00019880708300000513
和
Figure BDA00019880708300000514
训练样本特征向量
Figure BDA00019880708300000515
的第i个元素
Figure BDA00019880708300000516
可以通过下式得到：
Figure BDA0001988070830000053
其中，
Figure BDA00019880708300000517
是
Figure BDA00019880708300000518
的第i个元素；
Figure BDA00019880708300000528
代表期望值操作。
测试样本特征向量
Figure BDA00019880708300000519
的第i个元素
Figure BDA00019880708300000520
可以通过下式得到：
Figure BDA0001988070830000054
其中，
Figure BDA00019880708300000521
是
Figure BDA00019880708300000522
的第i个元素。
针对第m个训练样本
Figure BDA00019880708300000523
遍历所有的天线组合(即
Figure BDA00019880708300000524
中所有的天线组合)，根据公式(1)计算每一个组合对应的可达安全速率Rs，根据公式(2)确定最大安全速率及其对应的天线组合序号，记为
Figure BDA00019880708300000525
步骤二：ML模型训练
我们基于SVM方法对天线选择模型进行训练。SVM模型采用OVR(one-vs.-rest)多分类算法，和RBF(Radial Basis Function)核函数。之后，把归一化后的训练集样本
Figure BDA00019880708300000527
和最大安全速率对应的天线组合序号
Figure BDA00019880708300000526
输入模型，m∈{1，…，M}，模型将基于最大分类正确率。自动调整并更新参数。
步骤三：基于ML的天线选择方法测试
使用训练好的模型，以归一化后的测试样本
Figure BDA0001988070830000061
作为输入，输出的天线组合序号记为
Figure BDA0001988070830000062
并代入公式(1)中计算可达安全速率。
基于上述步骤二和三，我们还可以基于NB和k-NN对天线选择模型进行训练和预测，产生的性能也不尽相同。下面将在实施例中给出相关分析。
本发明的实施例提供一种基于机器学习方法(支持向量机(support vectormachine,SVM)，朴素贝叶斯(
Figure BDA0001988070830000063
bayes,NB)及k近邻(k-nearest neighbors,k-NN)算法)的发射端天线选择方案，兼顾性能和复杂度。在多天线、不可信中继的应用场景下，选择性能最好的发射端天线，并在发射端采用匹配滤波器预编码方案，进而提高系统的可靠性。
本发明采用的半双工不可信中继网络模型包括一个源节点S、一个目的节点D和一个不可信的放大转发中继R。S、R、D分别配置NS、1、1根天线。另外，所有信道服从瑞利衰落。
定义
Figure BDA0001988070830000064
为S到R的信道增益；
Figure BDA0001988070830000065
分别是R到D和D到R的信道增益。考虑信道的互易性，我们有
Figure BDA0001988070830000066
为了简便表达，我们让gR-D＝g。
考虑到无线通信系统中射频链路成本很高，源节点只在NS根天线中选中NT根参与传输。我们假设NS根天线被标记为1，2，…，NS，且NT根天线用
Figure BDA0001988070830000067
来索引。这里对于j＝1，…，NT有sj∈[1，NS]。因此，从S到R的实际信道可以被写为
Figure BDA0001988070830000068
为了最大化中继接收的信噪比，因此在源节点采用匹配滤波器预编码设计。在这种情况下，S的传输预编码向量是
Figure BDA0001988070830000069
令xS、xJ分别代表具有单位能量S处的传输信号和D处的协作干扰信号，也就是说
Figure BDA00019880708300000610
Figure BDA00019880708300000611
代表期望值操作。
由于中继是不可信的，本发明采用目的节点协作干扰技术并且把信息传输分为两个时隙。
第一个时隙中，S发送预编码信号pMFxS给R，同时D在同一频段内传输协作干扰信号xJ给R，中继R收的信号yR可以表示为
Figure BDA0001988070830000071
其中，PS和PD分别是S和D的传输功率，nR是R接收的高斯白噪声信号，服从
Figure BDA00019880708300000711
分布。本发明假设第一时隙R和第二个时隙D接收的高斯白噪声都有着单位功率频谱密度，即N0＝1。因此，不同节点处的SNR可以通过传输功率调整。由公式(5)的第二项中具有协作干扰信号可知，中继R对xs的干扰会减退。
从公式(5)中可看出，R处接收的瞬时信干噪比可表示为
Figure BDA0001988070830000072
第二个时隙中，中继R再次把接收的信号转发放大后(转发放大因子β＝1)传送给目的节点D。D从不可信中继R处接收的信号为
Figure BDA0001988070830000073
其中，R处的传输功率为PR，nD是D处接收的加性高斯白噪声，服从
Figure BDA0001988070830000078
分布。
因为公式(7)的第二项是由D本身传输的，假设D具有全局的信道状态信息，D可以利用自干扰消除技术这个干扰。最终，D处接收的信号可写为
Figure BDA0001988070830000074
从公式(8)中可得，D处接收的瞬时信干噪比可以表示为
Figure BDA0001988070830000075
基于不可信中继系统的物理层安全中，可实现的安全速率可表示为
Rs＝[log2(1+γD)-log2(1+γR)]+， (10)
这里，[·]+＝max(·，0)。
当选择两根天线时，通过公式(6)和公式(9)我们可以把公式(10)中的安全速率写为
Figure BDA0001988070830000076
考虑
Figure BDA0001988070830000079
当我们选择第s根天线时，用信道hs去执行传输，
Figure BDA00019880708300000710
可以再次定义为|hs|2。因此，当仅选择一根天线时，公式(11)中可实现的安全速率表示为
Figure BDA0001988070830000077
该天线选择问题的目标是找到具有安全速率最大的天线或天线组合，因此，优化问题可以通过下式得出
Figure BDA0001988070830000081
其中，n*表示选中的天线或天线组合；
Figure BDA0001988070830000085
表示选中天线的组合数，大小为
Figure BDA0001988070830000082
本发明包括以下步骤：
步骤一：输入数据的预处理
在该不可信中继网络中，产生一组训练集和一组测试集，都具有M个信道状态信息样本，可以分别表示为
Figure BDA0001988070830000086
和
Figure BDA0001988070830000087
其中，
Figure BDA0001988070830000088
和
Figure BDA0001988070830000089
和分别表示第m个训练样本和测试样本，m∈{1，…，M}，上标p和q分别对应训练集和测试集。然后，为了提高分类精度，针对第m个训练样本和测试样本
Figure BDA00019880708300000810
和
Figure BDA00019880708300000811
进行归一化处理后得到训练样本和测试样本的特征向量分别为
Figure BDA00019880708300000812
和
Figure BDA00019880708300000813
训练样本特征向量
Figure BDA00019880708300000814
的第i个元素
Figure BDA00019880708300000815
可以通过下式得到：
Figure BDA0001988070830000083
其中，
Figure BDA00019880708300000816
是
Figure BDA00019880708300000817
的第i个元素；
Figure BDA00019880708300000818
代表期望值。
测试样本特征向量
Figure BDA00019880708300000819
的第i个元素
Figure BDA00019880708300000820
可以通过下式得到：
Figure BDA0001988070830000084
其中，
Figure BDA00019880708300000821
是
Figure BDA00019880708300000822
的第i个元素。
针对第m个训练样本
Figure BDA00019880708300000823
遍历所有的天线组合(即
Figure BDA00019880708300000824
中所有的天线组合)，根据公式(1)计算每一个组合对应的可达安全速率Rs，根据公式(13)确定最大安全速率对应的天线组合序号，记为
Figure BDA00019880708300000825
步骤二：ML模型训练
基于SVM方法对天线选择模型进行训练。SVM模型采用OVR(one-vs.-rest)多分类算法，和RBF(Radial Basis Function)核函数。我们对核函数的两个重要参数进行设置即惩罚系数C和RBF的幅度γ。C从{0.01,0.1,0.5,0.95,1,1.05,1.1,1.3,1.5,2,3,5,10,11,13,15}选取，γ从{0.0001,0.001,0.002,0.005,0.01,0.012,0.015,0.018,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45}选取。之后，把归一化后的训练集样本
Figure BDA00019880708300000826
和训练集中最大安全速率对应的天线组合序号
Figure BDA00019880708300000827
输入模型，m∈{1，…，M}，从而获得不同参数配比的分类效果。基于最好的分类正确率，通过GridSearch网格调参手段进行参数的自动调整及更新。最终，参数确定为C＝10，γ＝0.01。
基于上述步骤二和三，我们也基于NB和k-NN方法对天线选择模型进行了训练和预测，产生的性能也不尽相同。
步骤三：基于ML的天线选择方法测试
使用训练好的模型，以归一化后的测试样本
Figure BDA0001988070830000091
作为输入，输出的天线组合序号记为
Figure BDA0001988070830000092
并代入公式(11)中计算可达安全速率。此外，本发明也引入了安全中断概率(secrecy outage probability,SOP)评估系统性能。SOP可以由公式(16)定义得到
Figure BDA0001988070830000093
其中，
Figure BDA0001988070830000094
是概率操作，Rt是目标安全速率，Rs表示可达安全速率。公式(16)表示Rs＜Rt发生的概率。
本发明比较了传统方法和基于ML天线选择方法的复杂度。令N＝NS+1。SVM，NB，k-NN和传统方法的复杂度分别是
Figure BDA0001988070830000095
Figure BDA0001988070830000096
我们可以清晰的看出ML方法的复杂度低于传统方法，因为传统的天线选择方法需要进行全局遍历。然而，基于ML的方法只依赖于预测阶段而不是训练阶段的复杂度，这是因为模型训练在线下已完成。
本发明的效果可通过以下仿真进一步说明。
在实施例中，本发明对所提出的天线选择算法进行了数值仿真和比较。所有的仿真均使用衰落信道模型进行200,000次独立试验。源节点S配置NS＝6根天线，NT＝1或NT＝2根天线被选中参与通信传输。为了简便，传输保密信号、干扰信号的功率相同，即PS＝PD。
图2比较了不同SNR、选择一根天线和两根天线条件下，不同天线选择方法可达安全速率。基于ML的天线选择方案考虑SVM、NB、k-NN三种算法，传统方法基于优化问题(2)采用遍历搜索的方法。随着SNR的增加，所有方法的可达安全速率也在上升。而且，基于ML的天线选择方法与传统方案实现了几乎相同的安全速率。
图3比较了不同SNR、选择一根天线和两根条件下，不同天线选择方法安全中断概率。基于ML的天线选择方案考虑SVM、NB、k-NN三种算法，传统方法基于优化问题(2)采用遍历搜索的方法。随着SNR的增加，所有方法的SOP也在下降。而且，基于ML的天线选择方法与传统的方案有几乎相同的安全速率。
结合图2、3可以看出，选择一根天线传输比选择两根天线进行传输的安全速率大。这是因为单天线传输时，源节点S仅选择最佳的信道进行信息传输。而选择两根天线传输时，源节点一半的功率用在选择次佳的信道进行传输，该信道比最佳信道的增益小。另外，我们可以发现SVM在这三种ML方法中实现了最好的系统安全速率，因为SVM是决策性分类函数，它采用了高维空间的核函数避开高维空间的复杂性。通过支持向量建立超平面，剔除大量冗余样本，具有较好的鲁棒性。
图4通过网络图直观展示了3种ML方法在单天线选择时的错误分类性能，即通过错误分类率表示。该图通过多边形每个角的
Figure BDA0001988070830000101
表示了最佳天线组合序号为l误判为
Figure BDA0001988070830000102
的概率。我们可以清晰的看出这3种ML方法中SVM的分类性能最好，k-NN的方法最差。
针对多天线不可信中继网络的安全传输应用场景，运用SVM，NB，k-NN等3种机器学习方法进行天线选择，在保证系统性能的同时也减小了复杂度。

Claims (4)

1.一种基于机器学习的不可信中继网络天线选择方法，其特征在于包括以下步骤：
步骤一，在包括一个源节点S、一个目的节点D和一个不可信中继R的半双工不可信中继网络中，S、R、D分别配置NS、1、1根天线，所有信道服从瑞利衰落中；产生一组训练集和一组测试集，都具有M个信道状态信息样本，分别表示为
Figure FDA0003467619420000011
和
Figure FDA0003467619420000012
其中，
Figure FDA0003467619420000013
和
Figure FDA0003467619420000014
分别表示第m个训练样本和测试样本，m∈{1，…，M}；针对第m个训练样本和测试样本进行归一化处理，得到训练样本和测试样本的特征向量
Figure FDA0003467619420000015
和
Figure FDA0003467619420000016
针对第m个训练样本
Figure FDA0003467619420000017
遍历所有的天线组合，计算每一个组合对应的可达安全速率
Figure FDA0003467619420000018
其中，S、R、D处的传输功率分别为PS、PR、PD，源节点只在NS根天线中选中NT根参与传输，|·|和||·||2表示复数的模值和向量的2范数，
Figure FDA0003467619420000019
为S到R的信道增益；
Figure FDA00034676194200000129
分别是R到D和D到R的复信道增益，引入参数g，
Figure FDA00034676194200000110
确定最大安全速率及其对应的天线组合序号
Figure FDA00034676194200000111
步骤二，基于SVM方法对天线选择模型进行训练，把归一化后的训练集样本
Figure FDA00034676194200000112
和最大安全速率对应的天线组合序号
Figure FDA00034676194200000113
输入模型，模型基于最大分类正确率自动调整并更新参数；
步骤三，使用训练好的模型，以归一化后的测试样本
Figure FDA00034676194200000114
作为输入，输出的天线组合序号记为
Figure FDA00034676194200000115
计算可达安全速率。
2.根据权利要求1所述的基于机器学习的不可信中继网络天线选择方法，其特征在于：所述的训练样本特征向量
Figure FDA00034676194200000116
的第i个元素
Figure FDA00034676194200000117
其中，
Figure FDA00034676194200000118
是
Figure FDA00034676194200000119
的第i个元素；
Figure FDA00034676194200000120
代表期望值操作；测试样本特征向量
Figure FDA00034676194200000121
的第i个元素
Figure FDA00034676194200000122
其中，
Figure FDA00034676194200000123
是
Figure FDA00034676194200000124
的第i个元素。
3.根据权利要求1所述的基于机器学习的不可信中继网络天线选择方法，其特征在于：所述的步骤一中，以
Figure FDA00034676194200000125
表示选中的天线组合序号，
Figure FDA00034676194200000126
表示选中天线的组合数，大小为
Figure FDA00034676194200000127
针对第m个训练样本确定最大安全速率及其对应的天线组合序号
Figure FDA00034676194200000128
4.根据权利要求1所述的基于机器学习的不可信中继网络天线选择方法，其特征在于：所述的步骤二将SVM方法替换为NB或k-NN方法。
CN201910171247.2A 2019-03-07 2019-03-07 一种基于机器学习的不可信中继网络天线选择方法 Active CN109919226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910171247.2A CN109919226B (zh) 2019-03-07 2019-03-07 一种基于机器学习的不可信中继网络天线选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910171247.2A CN109919226B (zh) 2019-03-07 2019-03-07 一种基于机器学习的不可信中继网络天线选择方法

Publications (2)

Publication Number Publication Date
CN109919226A CN109919226A (zh) 2019-06-21
CN109919226B true CN109919226B (zh) 2022-05-24

Family

ID=66963740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910171247.2A Active CN109919226B (zh) 2019-03-07 2019-03-07 一种基于机器学习的不可信中继网络天线选择方法

Country Status (1)

Country Link
CN (1) CN109919226B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101273564A (zh) * 2005-08-19 2008-09-24 三菱电机研究实验室 对具有错误反馈的发射天线选择的信令优化和选择验证
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN107425887A (zh) * 2017-05-02 2017-12-01 西北工业大学 一种多天线不可信中继网络中的波束成形方法
CN107733490A (zh) * 2017-10-16 2018-02-23 西北工业大学 双向不可信中继网络中联合波束成形和最优功率分配方法
CN108601019A (zh) * 2018-03-27 2018-09-28 西北工业大学 基于中继选择的不可信中继双向传输网络安全传输方法
CN108667502A (zh) * 2018-04-27 2018-10-16 电子科技大学 一种基于机器学习的空间调制天线选择方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170352941A1 (en) * 2016-06-07 2017-12-07 At&T Mobility Ii Llc Position-based antenna switching
US10178566B2 (en) * 2017-01-27 2019-01-08 Telefonaktiebolaget Lm Ericsson (Publ) Radio access network (RAN) cell site diagnostic test tool system and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101273564A (zh) * 2005-08-19 2008-09-24 三菱电机研究实验室 对具有错误反馈的发射天线选择的信令优化和选择验证
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN107425887A (zh) * 2017-05-02 2017-12-01 西北工业大学 一种多天线不可信中继网络中的波束成形方法
CN107733490A (zh) * 2017-10-16 2018-02-23 西北工业大学 双向不可信中继网络中联合波束成形和最优功率分配方法
CN108601019A (zh) * 2018-03-27 2018-09-28 西北工业大学 基于中继选择的不可信中继双向传输网络安全传输方法
CN108667502A (zh) * 2018-04-27 2018-10-16 电子科技大学 一种基于机器学习的空间调制天线选择方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DFT-Based Hybrid Antenna Selection Schemes for Spatially Correlated MIMO Channels;A.F. Molisch 等;《The 14th IEEE 2003 International Symposium on Persona1,lndoor and Mobile Radio Communication Proceedings》;20031231;第1119-1123页 *
利用信道学习获取超蜂窝网络休眠基站的信道信息;邓瑞琛 等;《中国科学：信息科学》;20171009;第47卷(第11期);第1583-1591页 *
多天线系统中物理层安全问题研究综述;张涛 等;《信息网络安全》;20161231(第5期);第9-14页 *

Also Published As

Publication number Publication date
CN109919226A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
Guo et al. Exploiting multiple antennas for cognitive ambient backscatter communication
Janu et al. Machine learning for cooperative spectrum sensing and sharing: A survey
CN109936399B (zh) 一种基于深度神经网络的不可信中继网络天线选择方法
Herath et al. A deep learning model for wireless channel quality prediction
KR102510513B1 (ko) 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치
KR20210066682A (ko) 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법
Ouyang et al. MIMO-ISAC: Performance analysis and rate region characterization
CN111431566B (zh) 一种应用于大气激光通信空间调制系统的多路光信号快速搜索方法
Ma et al. Low complexity beam selection scheme for terahertz systems: A machine learning approach
Wu et al. Joint communication and computation optimization for wireless powered mobile edge computing with D2D offloading
Zheng et al. Deep learning based trainable approximate message passing for massive MIMO detection
CN109919226B (zh) 一种基于机器学习的不可信中继网络天线选择方法
WO2023185978A1 (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
Tamilselvan et al. Frequency domain learning scheme for massive MIMO using deep neural network
Saikia et al. Signal detection in GSM-based in-band full-duplex communication using DNN
Zhang et al. A fast optimal node locating algorithm for MIMO system communication based on link balance control
CN115442829A (zh) 一种隐蔽通信网络干扰机选择和发送功率优化方法
Li et al. Active RIS assisted spectrum sharing: Able to achieve energy-efficient notable detection performance gains
Huang et al. Self-attention reinforcement learning for multi-beam combining in mmWave 3D-MIMO systems
CN114337881A (zh) 基于多无人机分布式与lms的无线频谱智能感知方法
CN108809376B (zh) 一种用于增强型空间调制系统的发射天线选择方法
Alrefaei et al. Genetic algorithm with multi-parent crossover for cooperative spectrum sensing
Koch On the asymptotic capacity of multiple-input single-output fading channels with memory
Lu et al. Spectrum Sensing Algorithm Based on LSTM and Its Implementation of Multiple USRP
Li et al. Link adaptation in MIMO systems by using machine learning

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