CN113347657A - 移动通信系统的安全容量性能预测方法 - Google Patents

移动通信系统的安全容量性能预测方法 Download PDF

Info

Publication number
CN113347657A
CN113347657A CN202110357718.6A CN202110357718A CN113347657A CN 113347657 A CN113347657 A CN 113347657A CN 202110357718 A CN202110357718 A CN 202110357718A CN 113347657 A CN113347657 A CN 113347657A
Authority
CN
China
Prior art keywords
convolution
data
mobile communication
communication system
matrix
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
Application number
CN202110357718.6A
Other languages
English (en)
Other versions
CN113347657B (zh
Inventor
徐凌伟
周新鹏
陶冶
黄玲玲
于旭
段闫闫
李辉
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.)
Shaanxi Xingbang Baihong Industrial Co ltd
Original Assignee
Qingdao University of Science and Technology
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 Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202110357718.6A priority Critical patent/CN113347657B/zh
Publication of CN113347657A publication Critical patent/CN113347657A/zh
Application granted granted Critical
Publication of CN113347657B publication Critical patent/CN113347657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/16—Implementing security features at a particular protocol layer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种移动通信系统的安全容量性能预测方法，包括建立移动通信系统模型的步骤，在建立移动通信系统上推导其安全容量表达式的步骤，以及设计Dense‑Inception卷积神经网络对平均安全容量进行预测的步骤；本发明通过以上步骤推导出移动通信系统的平均安全容量的表达式，然后基于Dense‑Inception卷积神经网络对移动通信系统的安全容量性能进行了智能预测，相比现有的CNN神经网络、BP神经网络、极限学习机、局部加权线性回归、支持向量机等方法能够取得更好的安全性能预测效果。

Description

移动通信系统的安全容量性能预测方法
技术领域
本发明属于移动通信技术领域，具体地说，是涉及一种移动通信 系统的安全容量性能预测方法。
背景技术
近年来，随着第五代移动通信技术的发展，网络安全是其研究的 重点之一，基于信息论的物理层安全己成为网络安全传输研究的新热 点，但是由于完全开放的信道，尤其随着无线移动网络的密集化、异 构部署，移动通信网络的物理层安全面临严峻的挑战；因此，物理层 安全传输问题逐渐引起了研究者的广泛关注。
现有的研究都是针对Rayleigh,2-Rayleigh，Nakagami等信道展开， 但是移动通信环境复杂多变，Rayleigh,2-Rayleigh，Nakagami等信道 仅仅适合于固定通信，对移动通信不能实现很好地动态体现。
发明内容
本发明的目的在于提供一种移动通信系统的安全容量性能预测 方法，针对安全容量展开对移动通信网络的安全性能预测。
本发明采用以下技术方案予以实现：
提出一种移动通信系统的安全容量性能预测方法，包括：
采用译码转发策略，建立移动通信系统模型，包括信源MS、中 继MR、合法的目的端MD和窃听端ME；
推导所述移动通信系统的平均安全容量为：
Figure BDA0003004156550000021
Figure BDA0003004156550000022
其中，
Figure BDA0003004156550000023
Figure BDA0003004156550000024
Figure BDA0003004156550000031
Figure BDA0003004156550000032
Figure BDA0003004156550000033
G[·]为Meijer’s G函数；m为衰弱系数，N为衰弱因子， Ω＝E(|w|2),w是符合Nakagami分布的变量，E()表示求均值运算；γ为 接收信噪比；γth为安全中断阈值；
Figure BDA0003004156550000034
为系统的接收信噪 比的累积分布函数，
Figure BDA0003004156550000035
为系统的接收 信噪比的概率密度函数；ISR为信源到中继之间的瞬时信息速率，R0是 给定的门限信息速率；
设计Dense-Inception卷积神经网络对平均安全容量进行预测。
进一步的，所述方法还包括：
基于推导的平均安全容量表达式确定影响安全容量的信道参数；
以信道参数为神经网络输入，以仿真理论值为输出，训练神经网 络。
进一步的，采用Dense-Inception卷积神经网络对平均安全容量进 行预测，包括数据预处理步骤，具体包括：
将信道参数进行线性变换；
将线性变换后的二维数据展成三维数据。
进一步的，所述方法包括Dense-Inception卷积神经网络搭建步骤， 网络结构包括三个分支，以及将三个分支得到的输出经过拉直后送入 全连接层汇合；其中，三个分支包括：
第一分支，包括两层卷积和池化；
第二分支，采用InceptionNet中的InceptionV3模块，将卷积转化 成稀疏连接；
第三分支，采用DenseNet密集连接方式，将每层产生的特征图在 channel维度上进行拼接。
进一步的，所述第一分支输入数据为28*28*1，第一卷积层Conv 1包含32个卷积核，每个卷积核大小为3*3，数据和第一卷积层Conv1 进行卷积计算之后，通过ReLU激活函数激活，采用全零填充的卷积 方式，得到28*28*32的矩阵，再经过MaxPooling池化操作得到14*14 *32的矩阵；将得到的14*14*32矩阵和第二卷积层Conv2进行卷积计 算，然后通过ReLU激活函数激活得到14*14*36的矩阵，最后经过Ma xPooling池化操作得到7*7*36的矩阵；第二卷积层Conv2包括36个卷 积核，每个卷积核大小为3*3。
进一步的，所述第二分支采用两个相同的InceptionV3结构的Bloc k模块，每个结构块包含四个分支；将输入数据28*28*1喂入第一个B lock模块，数据在其第一分支依次经过1*1*16的卷积、1*3*24的卷积、3*1*32的卷积、1*5*36的卷积和5*1*40的卷积得到矩阵28*28*40；数 据在其第二分支依次经过1*1*16的卷积、1*3*24的卷积和3*1*32的卷 积得到矩阵28*28*32；数据在其第三分支依次经过3*3的最大池化， 采用全零填充方式保持特征尺寸不发生改变，而后经过1*1*16的卷积 得到28*28*16；数据在其第四分支通过1*1*16的卷积得到28*28*16 的矩阵，而后将四个分支的数据通过Concat函数按深度方向叠加，得到28*28*104的矩阵，再经过非全零填充的2*2的Maxpool池化操作得 到矩阵14*14*104；继而，14*14*104的数据特征矩阵再经过同样结构 的第二个Block得到数据特征矩阵7*7*208。
进一步的，第三分支使用三个DenseBlock模块，每个DenseBlock 中有三个Bottleneck结构，三个DenseBlock通过Transition Layer过渡层 串联在一起，各层神经产生相同尺寸的特征图，且各层之间采用密集 连接形式；其中，Bottleneck结构是由BN→ReLU→1*1Conv→BN→R eLU→3*3Conv组成，且每个Bottleneck之间采用了稠密连接；Transit ion Layer结构由BN→1*1Conv→2*2Average Pooling组成。
进一步的，所述全连接层包含两个隐含层，分别是512个节点和 192个节点，最后经过Sigmoid函数激活输出。
与现有技术相比，本发明的优点和积极效果是：本发明提出的移 动通信系统的安全容量性能预测方法，根据瞬时安全容量推导出移动 通信系统的平均安全容量的表达式，然后基于Dense-Inception卷积神 经网络对移动通信系统的安全容量性能进行了智能预测，相比现有的 CNN神经网络、BP神经网络、极限学习机、局部加权线性回归、支 持向量机等方法能够取得更好的安全性能预测效果。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点 和优点将变得更加清楚。
附图说明
图1为本发明提出的移动通信系统的安全容量性能预测方法的 方法流程图；
图2为本发明构建的移动通信系统架构示意图；
图3为本发明提出的Dense-Inception神经网络的架构示意图之一；
图4为本发明提出的Dense-Inception神经网络的架构示意图之二；
图5为本发明提出的Dense-Inception神经网络的架构示意图之三；
图6为本发明提出的Dense-Inception神经网络的架构示意图之四；
图7为本发明提出的Dense-Inception神经网络的架构示意图之五；
图8为本发明提出的Dense-Inception神经网络的架构示意图之六。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明提出一种移动通信系统的安全容量性能预测 方法，包括：
步骤S1：建立移动通信系统模型。
如图2所示，本发明构建的移动通信系统包括信源MS、中继MR、 合法的目的端MD和窃听端ME，其中MS向MR发送信息x,MR所接收 到的信号就是rSR,MR向MD发送信息,MD接收到的信号便是rRD,同理， MR向ME发送信息,ME接收到的信号便是rRE,他们之间是通信信道h是N-Nakagami信道。
步骤S2：推导移动通信网络的平均安全容量表达式。
在信息传递的第一个时隙时，信源MS向中继MR发送了信息x, 中继MR接收到的信号rSR可以表示为
Figure BDA0003004156550000061
其中E表示信源MS和中继MR在两个时隙时间内传输的总功率，而K 则表示的是功率分配系数，nRD为零均值高斯白噪声，每维方差为N0/2。
在第二个时隙时间里，中继MR使用译码转发中继协议(DF协作) 策略进行转发。因为采取了DF协作策略，所以中继MR首先要对其接 收到的数据进行解调，只有当中继MR可以正确解调出数据时，中继 MR才会将解调后的数据重新调制并转发至合法接收者MD；否则，中继MD就会重新发送最开始的数据，则MD和ME接收到的信号rRD和rRE可以表示为
Figure BDA0003004156550000071
Figure BDA0003004156550000072
如果中继MR可以正确解调出数据，则β＝1；否则β＝0。nRD为零均值 高斯白噪声，每维方差为N0/2。
MS→MR之间的瞬时信息速率表示为
Figure BDA0003004156550000073
而对于预先给定的门限信息速率R0,当信源MS→中继MR之间 的瞬时信息速率ISR>R0时,中继MR可以实现完全译码，正确的解调 出数据；而当信源MS→中继MR之间的瞬时信息速率ISR<R0时,中继 MR则不能实现完全译码，即会发生中断，则系统的信噪比γk的累积分布函数,k∈{D,E},可以表示为：
Figure BDA0003004156550000081
同理可以推出系统的信噪比γk的概率密度函数：
Figure BDA0003004156550000082
其中
Figure BDA0003004156550000083
Figure BDA0003004156550000084
Figure BDA0003004156550000085
安全容量是评价系统安全性能的重要指标。瞬时安全容量的定义 为
Figure BDA0003004156550000086
其中，主信道也就是信源到合法的目的端的信道容量为ln(1+γD)， 窃听信道的信道容量为ln(1+γE)；如果二者之差大于0，则可以安 全通信；反之则不能安全通信。
平均安全容量可以表示为
Figure BDA0003004156550000091
根据平均安全容量的定义可以推导出
Figure BDA0003004156550000092
V1推导如下
Figure BDA0003004156550000093
其中
Figure BDA0003004156550000094
Figure BDA0003004156550000101
Figure BDA0003004156550000102
V2的推导中涉及到δ(γ)与Meijer’s G函数相乘的情况，根据δ(γ) 函数的定义只有当γ取零值时才有意义，而根据Meijer’s G函数的导 函数为
Figure BDA0003004156550000103
可知，γ取零值时，Meijer’s G函数为零，所 以δ(γ)与Meijer’s G函数相乘为零，因此得出
Figure BDA0003004156550000104
V3推导如下
Figure BDA0003004156550000105
在分别求出V1，V2，V3的值后，可以得出平均安全容量为
Figure BDA0003004156550000111
步骤S3：设计Dense-Inception卷积神经网络对平均安全容 量进行预测。
在推导得到移动通信系统的安全容量表达式后，本发明采 用Dense-Inception卷积神经网络对安全容量性能进行预测。
结合通信性能机理、智能分析与专家经验可知，移动通信系统的 安全容量性能主要受m(衰弱系数)，N(衰弱因子)，G(位置增益)， K(功率分配系数)，
Figure BDA0003004156550000112
等因素影响，基于此，本发明选取11个影响 因素，将其数学建模为特征向量X，这11个影响因素分别为mSR，mRD，mSE，GSR，GRD，GRE，NSR，NRD，NRE，K，
Figure BDA0003004156550000113
然后建立数据 集{Ti}，i＝1，2，3，...，P。Ti＝{Xi,yi}。yi表示相应的安全容量性能， 利用前述确定的平均安全容量的理论表达式进行计算。
为了进一步提高预测精度，改进现有卷积神经网络模型，本发明 设计了一种Dense-Inception卷积神经网络，建立安全容量性能智能预 测模型，该Dense-Inception卷积神经网络加强特征的传递，并且通过 稠密连接更加高效利用了提取的特征，从一定程度上反而减少了参数 的数目。
首先是数据预处理，本发明实施例采用数据的Min-Max标准化， 将原始数据线性变换，让结果映射到[0,1]之间，计算过程如下：
Figure BDA0003004156550000121
i和j分别代表数据集的行与列，min(xj)和max(xj)分别是第j列数据 的最小值和最大值，xij是原始数据，yij是标准化后的数据；使用该方 法对模型输入进行规范化，可以加快网络模型训练和收敛速度。
本发明实施例采用的原始样本数据为2维数据，喂入 Dense-Inception卷积神经网络为3维数据，所以要将原始的11*1样 本数据展成11*1*1样本数据，样本数据的特征数量不发生变化，但 是在逻辑上由二维变为三维；由于卷积神经网络更加适合类似图片形式的输入数据，且图片形式比条状数据具有更加丰富的信息特性，在 卷积网络中可以增加数据之间的关联性，有利于提取到更多有效的特 征。数据转变过程如图3所示。
接下来是Dense-Inception结构卷积神经网络的搭建，网络结构共 三条主分支，第一个分支为两层的卷积，第二分支为InceptionNet结 构，第三分支为DenseNet结构，最后将三个主分支得到的输出经过 拉直后送入全连接层汇合，具体如图4所示。
如图5所示，第一主分支采用两层卷积加上池化。输入数据为 28*28*1(尺寸为28*28，通道数为1)，第一卷积层Conv1，一共有32个卷积核，每个卷积核大小为3*3，数据和第一卷积层Conv1进 行卷积计算之后，它会通过ReLU激活函数激活，由于采用的是全零 填充的卷积方式，所以得到28*28*32的矩阵，再经过MaxPooling池 化操作得到14*14*32的矩阵；下一步将得到的14*14*32矩阵和第二 卷积层Conv2(一共36个卷积核，每个卷积核大小为3*3)进行卷 积计算，然后通过ReLU激活函数激活得到14*14*36的矩阵，最后 经过MaxPooling池化操作得到7*7*36的矩阵。
第二主分支采用InceptionNet中的InceptionV3模块，将一般的 卷积转化成稀疏连接，这样既能减少参数，又能降低计算量。在主分 支这一层网络内使用不同尺寸的卷积核，提升了模型感知力，使用了 批标准化，缓解了梯度消失。
如图6所示，在这条主支路中，采用了两个相同的InceptionV3 结构的Block模块，每个结构块包含四个分支。将输入数据28*28*1 喂入第一个Block模块，数据在其第一分支依次经过1*1*16的卷积 Conv1、1*3*24的卷积Conv2、3*1*32的卷积Conv3、1*5*36的卷 积Conv4和5*1*40的卷积Conv5得到矩阵28*28*40；数据在其第二 分支依次经过1*1*16的卷积Conv1、1*3*24的卷积Conv2和3*1*32 的卷积Conv3得到矩阵28*28*32；数据在其第三分支依次经过3*3 的Maxpool，也即最大池化，由于采用的是全零填充方式，所以特征 尺寸前后不发生改变，而后经过1*1*16的卷积Conv1得到28*28*16； 数据在其第四分支则直接通过1*1*16的卷积Conv1得到28*28*16 的矩阵，而后将四个分支的数据通过Concat函数按深度方向叠加， 得到28*28*104的矩阵，再经过非全零填充的2*2的Maxpool池化操 作得到矩阵14*14*104。同理，该14*14*104的数据特征矩阵再经过 同样结构的第二个Block模块后得到数据特征矩阵7*7*208。
如图7所示，第三主分支采用了DenseNet的密集连接的思想，将 每层产生的特征图在channel维度上进行拼接，因而要求特征图的尺寸 大小相同。该第三分支使用了三个DenseBlock模块，每个DenseBlock 中有三个Bottleneck结构，三个DenseBlock通过Transition Layer过渡层 串联在一起，各层神经产生相同尺寸的特征图，且各层之间采用密集 连接形式。其中，Bottleneck结构是由BN→ReLU→1*1Conv→BN→R eLU→3*3Conv组成，且每个Bottleneck之间采用了稠密连接；Transit ion Layer结构由BN→1*1Conv→2*2Average Pooling组成。
最后是全连接层，将Dense-Inception结构网络三个主分支输出的 三个3-D数据经过Flatten拉直汇合一起送入全连接层，全连接层有 两个隐含层分别是512个节点和192个节点，最后经过Sigmoid函数 激活输出，如图8所示。
在本发明实施例中，通过数据仿真来验证本发明提出的移动通信 系统的安全容量性能预测效果，对Dense-Inception神经预测模型采用 均方误差(MSE)作为损失函数。损失函数表示如下：
Figure BDA0003004156550000141
其中，n为测试样本的个数，
Figure BDA0003004156550000142
和yi分别为第i个数据的预测值和实 际值。同时使用Adam算法作为参数优化器，并使用dropout和L2 正则的策略来提高模型的泛化能力。
与CNN神经网络、BP神经网络、极限学习机、局部加权线性回 归、支持向量机5种算法的预测效果相比，本申请使用的 Dense-Inception卷积神经网络算法能够获得更好的安全性能预测效 果。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不 仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内 所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (8)

1.一种移动通信系统的安全容量性能预测方法，其特征在于，包括：
建立移动通信系统模型，包括信源MS、中继MR、合法的目的端MD和窃听端ME；
推导所述移动通信系统的平均安全容量为：
Figure FDA0003004156540000011
,
其中，
Figure FDA0003004156540000012
Figure FDA0003004156540000021
Figure FDA0003004156540000022
Figure FDA0003004156540000023
Figure FDA0003004156540000024
G[·]为Meijer’s G函数；m为衰弱系数，N为衰弱因子，Ω＝E(|w|2),w是符合Nakagami分布的变量,E()表示求均值运算；γ为接收信噪比；γth为安全中断阈值；
Figure FDA0003004156540000025
为系统的接收信噪比的累积分布函数，
Figure FDA0003004156540000031
为系统的接收信噪比的概率密度函数；ISR为信源到中继之间的瞬时信息速率，R0位给定的门限信息速率；δ(r)为单位冲激函数；
设计Dense-Inception卷积神经网络对平均安全容量进行预测。
2.根据权利要求1所述的移动通信系统的安全容量性能预测方法，其特征在于，所述方法还包括：
基于推导的平均安全容量表达式确定影响安全容量的信道参数；
以信道参数为神经网络输入，以仿真理论值为输出，训练神经网络。
3.根据权利要求1所述的移动通信系统的安全容量性能预测方法，其特征在于，设计Dense-Inception卷积神经网络对平均安全容量进行预测，包括数据预处理步骤，具体包括：
将信道参数进行线性变换；
将线性变换后的二维数据展成三维数据。
4.根据权利要求1所述的移动通信系统的安全容量性能预测方法，其特征在于，所述方法包括Dense-Inception卷积神经网络搭建步骤，网络结构包括三个分支，以及将三个分支得到的输出经过拉直后送入全连接层汇合；其中，三个分支包括：
第一分支，包括两层卷积和池化；
第二分支，采用InceptionNet中的InceptionV3模块，将卷积转化成稀疏连接；
第三分支，采用DenseNet密集连接方式，将每层产生的特征图在channel维度上进行拼接。
5.根据权利要求4所述的移动通信系统的安全容量性能预测方法，其特征在于，所述第一分支输入数据为28*28*1，第一卷积层Conv1包含32个卷积核，每个卷积核大小为3*3，数据和第一卷积层Conv1进行卷积计算之后，通过ReLU激活函数激活，采用全零填充的卷积方式，得到28*28*32的矩阵，再经过MaxPooling池化操作得到14*14*32的矩阵；将得到的14*14*32矩阵和第二卷积层Conv2进行卷积计算，然后通过ReLU激活函数激活得到14*14*36的矩阵，最后经过MaxPooling池化操作得到7*7*36的矩阵；第二卷积层Conv2包括36个卷积核，每个卷积核大小为3*3。
6.根据权利要求4所述的移动通信系统的安全容量性能预测方法，其特征在于，所述第二分支采用两个相同的InceptionV3结构的Block模块，每个结构块包含四个分支；将输入数据28*28*1喂入第一个Block模块，数据在其第一分支依次经过1*1*16的卷积、1*3*24的卷积、3*1*32的卷积、1*5*36的卷积和5*1*40的卷积得到矩阵28*28*40；数据在其第二分支依次经过1*1*16的卷积、1*3*24的卷积和3*1*32的卷积得到矩阵28*28*32；数据在其第三分支依次经过3*3的最大池化，采用全零填充方式保持特征尺寸不发生改变，而后经过1*1*16的卷积得到28*28*16；数据在其第四分支通过1*1*16的卷积得到28*28*16的矩阵，而后将四个分支的数据通过Concat函数按深度方向叠加，得到28*28*104的矩阵，再经过非全零填充的2*2的Maxpool池化操作得到矩阵14*14*104；继而，14*14*104的数据特征矩阵再经过同样结构的第二个Block得到数据特征矩阵7*7*208。
7.根据权利要求4所述的移动通信系统的安全容量性能预测方法，其特征在于，第三分支使用三个DenseBlock模块，每个DenseBlock中有三个Bottleneck结构，三个DenseBlock通过Transition Layer过渡层串联在一起，各层神经产生相同尺寸的特征图，且各层之间采用密集连接形式；其中，Bottleneck结构是由BN→ReLU→1*1Conv→BN→ReLU→3*3Conv组成，且每个Bottleneck之间采用了稠密连接；Transition Layer结构由BN→1*1Conv→2*2Average Pooling组成。
8.所述全连接层包含两个隐含层，分别是512个节点和192个节点，最后经过Sigmoid函数激活输出。
CN202110357718.6A 2021-04-01 2021-04-01 移动通信系统的安全容量性能预测方法 Active CN113347657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110357718.6A CN113347657B (zh) 2021-04-01 2021-04-01 移动通信系统的安全容量性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110357718.6A CN113347657B (zh) 2021-04-01 2021-04-01 移动通信系统的安全容量性能预测方法

Publications (2)

Publication Number Publication Date
CN113347657A true CN113347657A (zh) 2021-09-03
CN113347657B CN113347657B (zh) 2022-04-29

Family

ID=77467881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110357718.6A Active CN113347657B (zh) 2021-04-01 2021-04-01 移动通信系统的安全容量性能预测方法

Country Status (1)

Country Link
CN (1) CN113347657B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446794A (zh) * 2018-02-25 2018-08-24 西安电子科技大学 一种基于多个卷积神经网络结合架构深度学习预测方法
CN109862585A (zh) * 2019-01-31 2019-06-07 湖北工业大学 一种基于深度时空神经网络的动态异构网络流量预测方法
EP3541113A1 (en) * 2018-03-16 2019-09-18 INTEL Corporation Apparatuses, devices, methods and computer programs for determining information related to a designated data transmission rate for a wireless link
CN110753367A (zh) * 2019-09-30 2020-02-04 青岛科技大学 移动通信系统的安全性能预测方法
CN111669777A (zh) * 2020-07-26 2020-09-15 青岛科技大学 基于改进卷积神经网络的移动通信系统智能预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446794A (zh) * 2018-02-25 2018-08-24 西安电子科技大学 一种基于多个卷积神经网络结合架构深度学习预测方法
EP3541113A1 (en) * 2018-03-16 2019-09-18 INTEL Corporation Apparatuses, devices, methods and computer programs for determining information related to a designated data transmission rate for a wireless link
CN109862585A (zh) * 2019-01-31 2019-06-07 湖北工业大学 一种基于深度时空神经网络的动态异构网络流量预测方法
CN110753367A (zh) * 2019-09-30 2020-02-04 青岛科技大学 移动通信系统的安全性能预测方法
CN111669777A (zh) * 2020-07-26 2020-09-15 青岛科技大学 基于改进卷积神经网络的移动通信系统智能预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAO ZHANG: "Automatic Modulation Classification Using a Deep Multi-Stream Neural Network", 《IEEE ACCESS》 *
徐凌伟: "移动协作通信网络的物理层安全性能研究", 《聊城大学学报(自然科学版)》 *
赖昱辰: "基于神经网络计算的无线容量高实时预测", 《中兴通讯技术》 *

Also Published As

Publication number Publication date
CN113347657B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN110942100B (zh) 一种基于深度去噪神经网络的空间调制系统的工作方法
CN110084734B (zh) 一种基于物体局部生成对抗网络的大数据权属保护方法
CN113269077B (zh) 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN111713035B (zh) 基于人工智能的mimo多天线信号传输与检测技术
Shao et al. Branchy-GNN: A device-edge co-inference framework for efficient point cloud processing
Erdemir et al. Generative joint source-channel coding for semantic image transmission
Li et al. Deep reinforcement learning optimal transmission policy for communication systems with energy harvesting and adaptive MQAM
CN113139916A (zh) 基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法
Lv et al. Beyond 5G for digital twins of UAVs
CN113255995A (zh) 一种空气污染预测方法
CN111478749A (zh) 基于优化初值快收敛mimo迭代检测方法、系统及应用
Tang et al. Distributed deep learning for cooperative computation offloading in low earth orbit satellite networks
CN113642675B (zh) 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质
Qu et al. Research and application of multi-node communication and energy consumption prediction control in underwater acoustic network
CN113347657B (zh) 移动通信系统的安全容量性能预测方法
CN116170066B (zh) 一种面向低轨卫星物联网的负载预测方法
Cao et al. ACCsiNet: Asymmetric convolution-based autoencoder framework for massive MIMO CSI feedback
Jiang et al. End-to-end learning of communication system without known channel
Wei et al. Federated Semantic Learning Driven by Information Bottleneck for Task-Oriented Communications
CN116863959A (zh) 一种基于生成对抗网络的海豚叫声生成方法
CN114630207B (zh) 基于降噪自编码器的多传感节点感知数据收集方法
CN116467415A (zh) 基于GCNsformer混合网络和多通道语义的双向跨域会话推荐方法
CN111355537B (zh) 量子噪声下的多自由度的隐形传态传输效率的估算方法
CN111541472B (zh) 低复杂度机器学习辅助鲁棒预编码方法及装置
CN114826459A (zh) 基于跨域推理的频谱地图精确构建方法

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
TR01 Transfer of patent right

Effective date of registration: 20231011

Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231011

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 266061 Songling Road, Laoshan District, Qingdao, Shandong Province, No. 99

Patentee before: QINGDAO University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231204

Address after: Room 1128, Unit 1, Building 1, Yicuiyuan i, No. 11 Tangyan South Road, High tech Zone, Xi'an City, Shaanxi Province, 710000

Patentee after: Shaanxi Xingbang Baihong Industrial Co.,Ltd.

Address before: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

TR01 Transfer of patent right