CN113411106B - 安全空间调制系统中基于深度学习的功率分配方法 - Google Patents

安全空间调制系统中基于深度学习的功率分配方法 Download PDF

Info

Publication number
CN113411106B
CN113411106B CN202110602991.0A CN202110602991A CN113411106B CN 113411106 B CN113411106 B CN 113411106B CN 202110602991 A CN202110602991 A CN 202110602991A CN 113411106 B CN113411106 B CN 113411106B
Authority
CN
China
Prior art keywords
eavesdropping
user
expected
matrix
neural network
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
CN202110602991.0A
Other languages
English (en)
Other versions
CN113411106A (zh
Inventor
束锋
张鹏
黄梦醒
冯思玲
毋媛媛
刘林
杨莉莉
王雪辉
董榕恩
揭琦娟
占习超
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.)
Hainan University
Original Assignee
Hainan 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 Hainan University filed Critical Hainan University
Priority to CN202110602991.0A priority Critical patent/CN113411106B/zh
Publication of CN113411106A publication Critical patent/CN113411106A/zh
Application granted granted Critical
Publication of CN113411106B publication Critical patent/CN113411106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0426—Power distribution
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Power Engineering (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供安全空间调制系统中基于深度学习的功率分配方法，包括下列步骤：建立深度卷积神经网络模型；通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵；构建包括多个期望用户及窃听用户的训练集，并结合所述多维度实数矩阵、期望用户和窃听用户的噪声对所述深度卷积神经网络模型进行训练，本发明结合空间调制本身的特性，通过机器学习参数训练，可方便快捷的得到最合适的功率分配因子。

Description

安全空间调制系统中基于深度学习的功率分配方法
技术领域
本发明涉及无线通信技术领域，尤其涉及安全空间调制系统中基于深度学习的功率分配方法。
背景技术
空间调制技术的传输原理是将发送的信息比特中的一部分映射为天线索引，另一部分映射为传统的幅度相位调制符号。空间调制技术是介于贝尔实验室空时结构与空时分组码之间的中间路线，能够实现空间复用与空间分集的良好平衡。作为一种新型多天线技术，由于其在每个时隙仅激活一根发射或接收天线,能有效地避免信道间干扰和多天线发射的同步问题。期望信道的互信息量和窃听信道的互信息量与有用信号的功率分配因子相关，显然如何合理的选择最优的功率分配因子对空间调制系统的安全速率有着极其重要的意义。
现有技术CN110635832A公开了基于方向调制的无线网络最大化安全速率功率分配方法，其所公开的分配方法所得到的功率分配因子精确但是复杂度高，难以用于实际系统中。
发明内容
本发明的目的在于提供安全空间调制系统中基于深度学习的功率分配方法，结合空间调制本身的特性，通过机器学习参数训练，可方便快捷的得到最合适的功率分配因子，以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：本发明第一方面提供了安全空间调制系统中基于深度学习的功率分配方法，包括下列步骤：
建立深度卷积神经网络模型；
通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵；
构建包括多个期望用户及窃听用户的训练集，并结合所述多维度实数矩阵、期望用户和窃听用户的噪声对所述深度卷积神经网络模型进行训练，获得功率分配因子的值。
可选的，通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵，包括：
将期望信道矩阵
Figure BDA0003093226140000021
的实数部分以及虚数部分分离，在第三维度拼接起来，由此变为三维的期望实数矩阵/>
Figure BDA0003093226140000022
将窃听信道矩阵
Figure BDA0003093226140000023
的实数部分以及虚数部分分离，在第三维度拼接起来，由此变为三维的窃听实数矩阵/>
Figure BDA0003093226140000024
将
Figure BDA0003093226140000025
和/>
Figure BDA0003093226140000026
在第三维度进行拼接，其结果即为多维度实数矩阵。
可选的，将
Figure BDA0003093226140000027
和/>
Figure BDA0003093226140000028
在第三维度进行拼接，还包括：/>
对期望用户以及窃听用户的天线数量进行判断，若所述期望用户的天线数量多于所述窃听用户的天线数量，则对所述窃听用户的窃听实数矩阵进行补零操作；
若所述期望用户的天线数量小于所述窃听用户的天线数量，则对所述期望实数矩阵进行补零操作；
若所述期望用户的天线数量与所述窃听用户的天线数量相同，对
Figure BDA0003093226140000029
和/>
Figure BDA00030932261400000210
进行直接拼接。
可选的，将期望用户和窃听用户的噪声矩阵合并成一个维度为2×1×1的矩阵。
可选的，所述深度卷积神经网络模型具有两个输入层以及一个输出层，所述深度卷积神经网络模型具有以下损失函数：
Figure BDA0003093226140000031
Figure BDA0003093226140000032
其中β是正确数据，β′是网络给出的预测数据。
可选的，采用批处理Adam梯度下降算法训练所述深度卷积神经网络模型，当损失函数值趋于稳定时，所述训练结束。
本发明第二方面还提供了一种功率分配系统，所述系统包括：
构建模块，用于构建深度卷积神经网络模型；
获取模块，用于通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵；
训练模块，通过基于多维度实数矩阵、期望用户和窃听用户的噪声对所述深度卷积神经网络模型进行训练，获得功率分配因子的值。
与现有技术相比，本发明达到的有益效果如下：
本发明提供的安全空间调制系统中基于深度学习的功率分配方法，利用机器学习的便捷性，同时结合空间调制本身的特性，通过机器学习参数训练，可方便快捷的得到最合适的功率分配因子。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的安全空间调制系统中基于深度学习的功率分配方法的流程图；
图2为本发明实施例提供的深度卷积神经网络示意图；
图3为本发明实施例提供的神经网络训练示意图；
图4为本发明实施例提供的平均安全速率曲线的对照示意图；
图5为本发明实施例提供的期望信道矩阵拼接结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例所公开的分配方法应用于安全空间调制系统中，而在一个安全空间调制系统模型中，其发射端(Alice)配备Na根天线，期望用户(Bob)配备Nb根天线。窃听用户(Eve)配备Ne根天线。并且发射端(Alice)的发射信号可以表示为：
Figure BDA0003093226140000041
PS为总的发射功率，β为有用信号的发射功率分配因子，1-β为人工噪声的发射功率分配因子，en表示单位矩阵
Figure BDA0003093226140000042
的第n列的列向量，sm,m∈[1,2,…,M]表示M维星座图中的第m个星座符号。Pk为预编码矩阵，PAN为噪声投影矩阵
参见图1，基于上述的安全空间调制系统模型，本发明实施例提供了安全空间调制系统中基于深度学习的功率分配方法，包括下列步骤：
步骤101、建立深度卷积神经网络模型；
步骤102、通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵；
步骤103、构建包括多个期望用户及窃听用户的训练集，并结合所述多维度实数矩阵、期望用户和窃听用户的噪声对所述深度卷积神经网络模型进行训练，获得功率分配因子的值。
在步骤101中，所建立的深度卷积神经网络模型，有两个输入层，一个是信道状态信息输入，另一个是信噪比输入，一个输出节点，输出的是功率分配因子的值。
所述深度卷积神经网络模型具有以下损失函数：
Figure BDA0003093226140000051
其中β是正确数据，β′是网络给出的预测数据，λ为权重衰减系数是一个超参数。
而在本发明的一个可选实施例中，在具体构建时，可以选择使用MATLAB的神经网络设计工具箱，快速的搭建出网络。
在步骤102中，期望信道矩阵以及窃听信道矩阵中的每个元素都是一个复数，而将上述期望信道矩阵以及窃听信道矩阵合并成多维度实数矩阵具体包括下列步骤：
步骤1021、将期望信道矩阵
Figure BDA0003093226140000052
的实数部分以及虚数部分分离，在第三维度拼接起来，由此变为三维的期望实数矩阵/>
Figure BDA0003093226140000053
步骤1022、将窃听信道矩阵
Figure BDA0003093226140000054
的实数部分以及虚数部分分离，在第三维度拼接起来，由此变为三维的窃听实数矩阵/>
Figure BDA0003093226140000055
步骤1023、将
Figure BDA0003093226140000056
和/>
Figure BDA0003093226140000057
在第三维度进行拼接，其结果即为多维度实数矩阵。
在步骤1021-1023的具体实施中，以期望信道矩阵H为例，期望信道矩阵H以复数矩阵
Figure BDA0003093226140000058
的形式表达，在进行实数与虚数部分分离时，可获得如下实数部分矩阵：/>
Figure BDA0003093226140000059
同时获得虚数矩阵/>
Figure BDA00030932261400000510
在第三维度拼接起来后，其拼接结果如图5所示。
进一步的，在步骤1023中，期望用户以及窃听用户的天线数量会对拼接结果造成影响，因此通过下列方式对
Figure BDA0003093226140000061
和/>
Figure BDA0003093226140000062
进行拼接：
步骤10231、对期望用户以及窃听用户的天线数量进行判断，若所述期望用户的天线数量多于所述窃听用户的天线数量，则对所述窃听用户的窃听实数矩阵进行补零操作；
步骤10232、若所述期望用户的天线数量小于所述窃听用户的天线数量，则对所述期望实数矩阵进行补零操作；
步骤10233、若所述期望用户的天线数量与所述窃听用户的天线数量相同，对
Figure BDA0003093226140000063
和
Figure BDA0003093226140000064
进行直接拼接。
在步骤103中，通过随机产生服从瑞利分布的30000个期望用户和窃听用户信道组和，然后在不同的信噪比下采用基于搜索的最大化安全速率的算法计算出最优的功率分配因子，将其作为标签“贴”给相应的信道组合和信噪比。需要说明的是，基于搜索的最大化安全速率的算法为目前本领域的公开技术，本实施例在此不做具体说明。
期望信道矩阵H和窃听信道矩阵G的维度是2×4，将其实数部分和虚数部分分离，合并成为维度是2×4×4的实数矩阵作为神经网络的第一个输入Qin1。期望用户和窃听用户的噪声作为神经网络的第二个输入Qin2；
随机产生服从瑞利分布的30000个期望用户和窃听用户信道组合，然后在不同的信噪比下采用基于搜索的最大化安全速率的算法计算出最优的功率分配因子，将其作为标签“贴”给相应的信道组合和信噪比，形成的训练集的输入{Qin1，Qin2}和训练集的标签；
对随机产生服从瑞利分布的30000个期望用户和窃听用户信道组合构建数据集，将数据集中的80％作为训练集，将数据集中的20％作为验证集，采用批处理Adam梯度下降算法训练深度卷积神经网络，批次大小设置为1024，初始学习率为0.0001，学习率衰减系数0.95，L2正则化系数为0.0005，验证集的验证频率为每50个迭代训练后验证一次。
深度神经网络中由于层数过多，可优化的参数数量大，可能会发生过拟合训练数据的现象。这将导致网络“记住”训练数据，泛化能力差，即在训练集上能精确输出结果，但是在验证集上表现很差，不能处理训练集之外的数据。通过对损失函数中加入惩罚项可在一定程度上缓解此问题。通常来说L1正则化以权重参数W的绝对值的和为惩罚性，这使得权值倾向于0，通过系数参数来减小了网络的复杂度，L2正则化是权重参数W的平方的和为惩罚项，降低权重的大小来降低模型复杂度。本发明采用L2正则化，损失函数定义为：
Figure BDA0003093226140000071
式中λ为权重衰减系数是一个超参数，一般设置为0.0005。此外可在训练中通过早期停止，随机失活等方法缓解过拟合问题。
从图3展示了训练过程中的训练集和验证集的损失函数，图中显示的损失值仅包含数据上的损失，不包括正则化项。可以观察到随着训练的迭代次数的增加，损失函数的值快速下降，当迭代次数到达300次之后，损失函数值趋于稳定。验证集的损失函数和训练集一样快速下降，这表明通过训练集训练的出的网络能很好的拟合验证集的数据，当损失函数值最终稳定下来时，其深度神经网络获得了最终的学习训练结果，其学习训练结果即为功率分配因子的值。
为了评估所提的基于神经网络的功率分配算法的安全性能，将所提的算法与穷尽搜索的方案和Max-P-SAN方案进行比较。特别的假设Eve处和Bob处的噪声等级相同，即
Figure BDA0003093226140000081
调制方案为正交振幅调制。在随机产生的2000组瑞利衰落信道条件下进行仿真分析。
图4给出了在Nt＝4，M＝4，Nb＝Ne＝2时，三种功率分配策略下安全速率与信噪比的曲线。此外，图中给出了三种固定功率分配方案下的安全速率曲线，即β＝0.1，β＝0.25和β＝0.5，以作参考比较。从图中可以看出搜索的方法具有最优的安全速率性能，Max-P-SAN方法在低信噪比时接近最优性能，在高信噪比时性能损失较大。值得注意的是，对于固定的功率分配算法，在低信噪比范围内分配给有用信号的功率越大其平均安全速率越大，然而在高信噪比范围得出的结论相反，分配给有用信号的功率越少，其平均安全速率越高。这是因为在低信噪比范围内，期望信道的互信息量和窃听信道的互信息量都比较低，此时适当增加有用信号的功率能显著提高期望信道的互信息量，从而获得较高的安全速率。然而在高信噪比范围内期望信道的互信息量接近log2MNt比特，适当减小有用信号的功率同时增大人为噪声的功率，使得窃听信道的互信息量显著减小，以此获得较高的安全速率。所提出的基于神经网络的功率分配算法在中低信噪比的情况下安全速率性能几乎和搜索的方法一致，随着信噪比的提升，基于神经网络的功率分配算法性能略微下降，但仍然获得了良好的安全速率性能。
本发明第二方面进一步提供了一种分配系统，所述分配系统包括：构建模块，用于构建深度卷积神经网络模型；
获取模块，用于通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵；
训练模块，通过基于多维度实数矩阵、期望用户和窃听用户的噪声对所述深度卷积神经网络模型进行训练，获得功率分配因子的值。
需要说明的是，本发明实施例提供的一种分配系统与前述实施例所述的基于深度学习的功率分配方法属于相同的技术构思，其具体实施过程可参照前述实施例中对方法步骤的说明，在此不再赘述。
应当理解，以上一种分配系统包括的单元仅为根据该装置实现的功能进行的逻辑划分，实际应用中，可以进行上述单元的叠加或拆分。并且该实施例提供的一种分配系统所实现的功能与上述实施例提供的基于深度学习的功率分配方法一一对应，对于该装置所实现的更为详细的处理流程，在上述方法实施例中已做详细描述，此处不再详细描述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (5)

1.安全空间调制系统中基于深度学习的功率分配方法，其特征在于，包括下列步骤：
建立深度卷积神经网络模型；
通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵,包括：
将期望信道矩阵H的实数部分以及虚数部分分离，在第三维度拼接起来，由此变为三维的期望实数矩阵
Figure FDA0003931665270000012
将窃听信道矩阵G的实数部分以及虚数部分分离，在第三维度拼接起来，由此变为三维的窃听实数矩阵
Figure FDA0003931665270000013
将
Figure FDA0003931665270000014
和
Figure FDA0003931665270000015
在第三维度进行拼接，还包括：
对期望用户以及窃听用户的天线数量进行判断，若所述期望用户的天线数量多于所述窃听用户的天线数量，则对所述窃听用户的窃听实数矩阵进行补零操作；
若所述期望用户的天线数量小于所述窃听用户的天线数量，则对所述期望实数矩阵进行补零操作；
若所述期望用户的天线数量与所述窃听用户的天线数量相同，对
Figure FDA0003931665270000016
和
Figure FDA0003931665270000017
进行直接拼接其结果即为多维度实数矩阵；
构建包括多个期望用户及窃听用户的训练集，并结合所述多维度实数矩阵、期望用户和窃听用户的噪声对所述深度卷积神经网络模型进行训练，获得功率分配因子的值。
2.根据权利要求1所述的安全空间调制系统中基于深度学习的功率分配方法，其特征在于，将期望用户和窃听用户的噪声矩阵合并成一个维度为2×1×1的矩阵。
3.根据权利要求1所述的安全空间调制系统中基于深度学习的功率分配方法，其特征在于，所述深度卷积神经网络模型具有两个输入层以及一个输出层，所述深度卷积神经网络模型具有以下损失函数：
Figure FDA0003931665270000011
Figure FDA0003931665270000021
其中β是正确数据，β′是网络给出的预测数据，λ为超参数，w为权重系数。
4.根据权利要求1所述的安全空间调制系统中基于深度学习的功率分配方法，其特征在于，采用批处理Adam梯度下降算法训练所述深度卷积神经网络模型，当损失函数值趋于稳定时，训练结束。
5.一种功率分配系统，用于执行权利要求1-4任一项所述的安全空间调制系统中基于深度学习的功率分配方法，其特征在于，所述系统包括：
构建模块，用于构建深度卷积神经网络模型；
获取模块，用于通过期望用户的期望信道矩阵以及窃听用户的窃听信道矩阵，获得多维度实数矩阵；
训练模块，通过基于多维度实数矩阵、期望用户和窃听用户的噪声对所述深度卷积神经网络模型进行训练，获得功率分配因子的值。
CN202110602991.0A 2021-05-31 2021-05-31 安全空间调制系统中基于深度学习的功率分配方法 Active CN113411106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110602991.0A CN113411106B (zh) 2021-05-31 2021-05-31 安全空间调制系统中基于深度学习的功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110602991.0A CN113411106B (zh) 2021-05-31 2021-05-31 安全空间调制系统中基于深度学习的功率分配方法

Publications (2)

Publication Number Publication Date
CN113411106A CN113411106A (zh) 2021-09-17
CN113411106B true CN113411106B (zh) 2023-03-24

Family

ID=77675490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110602991.0A Active CN113411106B (zh) 2021-05-31 2021-05-31 安全空间调制系统中基于深度学习的功率分配方法

Country Status (1)

Country Link
CN (1) CN113411106B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105813208A (zh) * 2015-12-01 2016-07-27 长江大学 一种多用户正交频分复用系统动态资源分配的方法及系统
CN108990167A (zh) * 2018-07-11 2018-12-11 东南大学 一种机器学习辅助的大规模mimo下行用户调度方法
CN109194378A (zh) * 2018-08-06 2019-01-11 重庆邮电大学 基于线性神经网络的物理层安全波束赋形方法
WO2020002127A1 (en) * 2018-06-28 2020-01-02 Nokia Technologies Oy Methods and apparatuses of multi-user multiple-input multiple-output beam selection and user pairing using deep learning
CN112566253A (zh) * 2020-11-10 2021-03-26 北京科技大学 一种无线资源分配联合优化方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018204917A1 (en) * 2017-05-05 2018-11-08 Ball Aerospace & Technologies Corp. Spectral sensing and allocation using deep machine learning
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
CN108881096B (zh) * 2018-05-30 2021-04-02 吉林吉大通信设计院股份有限公司 一种基于相位判决的空间调制mqam基站
CN109547135A (zh) * 2019-01-08 2019-03-29 南京邮电大学 毫米波系统中基于保密概率的功率分配方法
US11416791B2 (en) * 2019-02-22 2022-08-16 American Express Travel Related Services, Inc. Optimizing user task schedules in a customer relationship management platform
CN110176952B (zh) * 2019-05-20 2022-05-13 南京理工大学 安全空间调制网络中天线选择方法
CN110213816A (zh) * 2019-05-24 2019-09-06 南京理工大学 基于安全空间调制的低复杂度高性能功率分配方法
CN110569871B (zh) * 2019-07-30 2022-09-30 西安建筑科技大学 一种基于深度卷积神经网络的鞍部点识别方法
CN111064512B (zh) * 2019-12-06 2022-09-27 中山大学 基于深度学习的光正交频分复用调制方法与系统
CN112311520B (zh) * 2020-10-12 2023-05-05 南京理工大学 一种全双工方向调制无线网络构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105813208A (zh) * 2015-12-01 2016-07-27 长江大学 一种多用户正交频分复用系统动态资源分配的方法及系统
WO2020002127A1 (en) * 2018-06-28 2020-01-02 Nokia Technologies Oy Methods and apparatuses of multi-user multiple-input multiple-output beam selection and user pairing using deep learning
CN108990167A (zh) * 2018-07-11 2018-12-11 东南大学 一种机器学习辅助的大规模mimo下行用户调度方法
CN109194378A (zh) * 2018-08-06 2019-01-11 重庆邮电大学 基于线性神经网络的物理层安全波束赋形方法
CN112566253A (zh) * 2020-11-10 2021-03-26 北京科技大学 一种无线资源分配联合优化方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
物理层安全约束下的NOMA系统资源分配算法研究;王晓峰;《中国优秀硕士学位论文全文数据库》;20210515;全文 *

Also Published As

Publication number Publication date
CN113411106A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
He et al. Model-driven deep learning for MIMO detection
CN100553188C (zh) 用于在多输入多输出通信系统中接收信号的装置和方法
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN101427507B (zh) 根据信道相位反馈使用空时格码的方法和设备
CN1790943B (zh) 在通信系统内传送信息的方法和系统
CN109921882A (zh) 一种基于深度学习的mimo解码方法、装置及存储介质
CN102723975B (zh) Mimo系统的信号检测方法及装置
CN110855328B (zh) 一种基于天线分组的差分空间调制方法、设备及存储介质
CN101170531A (zh) 一种信道估计方法及相应的通信方法和系统
Aref et al. Deep learning-aided successive interference cancellation for MIMO-NOMA
CN105978655A (zh) 一种无线网络中的小包数据传输方法及系统
CN101483503A (zh) 多输入多输出系统数据发送、接收方法及装置
CN106788631A (zh) 一种基于局部校准的大规模mimo互易性校准方法
CN113411106B (zh) 安全空间调制系统中基于深度学习的功率分配方法
CN106533521A (zh) 一种基于截短级数展开的lr‑rzf大规模mimo系统预编码方法
CN102487309B (zh) 一种mimo系统下的信号检测方法和装置
CN106211235A (zh) 一种无线网络中的小包数据传输方法及系统
CN101317356B (zh) 一种空时编解码方法及装置
CN109842460A (zh) 数据传输方法、装置、存储介质及处理器
CN115412906A (zh) 基于混合中继-智能反射面和联邦学习的无线通信方法
CN101989875B (zh) 多小区干扰抑制方法及基站控制器
Chen et al. Multiuser pre-coding aided quadrature spatial modulation for large-scale MIMO channels
CN101969417A (zh) 低回传的mimo-scfde系统自适应多模传输方法
CN102685046B (zh) 一种lte系统中发送分集模式下的均衡装置和方法
CN102035630A (zh) 一种适用于任意天线数量的线性弥散空时编码方法

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