CN113472411B - 基于深度学习的随机频率阵列辅助方向调制的传输方法 - Google Patents

Abstract

本发明涉及基于深度学习的随机频率阵列辅助方向调制的传输系统，包括发射端和期望用户；所述发射端包括随机频率分集阵列和发射机，发射机利用随机频率分集阵列发射朝向期望用户的信号，使得期望用户实现安全传输。本发明借助深度学习技术，通过引入期望用户的方向角和距离信息在发射端对发射的隐私信号的初始相位进行设计，得到使得系统误差矢量幅度最小化的最优波束成形矢量，从而实现了在角度‑距离上的二维安全传输。与此同时设计正交人工噪声，对非期望区域的窃听者进行噪声污染，恶化窃听性能，降低了窃听者获得天线阵元频率分布的规则的几率。

Description

基于深度学习的随机频率阵列辅助方向调制的传输方法

技术领域

本发明涉及无线通信领域和深度学习，具体涉及一种基于深度学习的随机频率阵列辅助方向调制的传输方法。

背景技术

第五代移动通信系统被认为是一个能够提供超高速连接和更高的数据速率的无线网络，它的出现极大地改变了人们的生活方式。与此同时，新的无线应用设备的出现对降低硬件损耗和系统能耗提出了更高的性能要求。除此之外，无线通信具有的广播性和开放性的特点，这使隐私消息极其容易泄露，受到非法用户者的非法窃听，隐私消息的安全性难以得到保障。目前无线通信中为了实现安全传输最常使用的是物理层安全技术，多单依赖于可以实现角度和距离维安全传输的随机频率分集天线阵列来实现。除此之外，方向调制是增强物理层安全性的关键技术。一般来说，方向调制能够将失真的信号传输到不希望的角度，并将机密信号传输到希望的角度，从而提高通信的安全性能。对此通常涉及到系统性能设计，根据目标要求合理地设计发射端的波束成形矢量是一个重要的问题。

发明内容

有鉴于此，本发明的目的在于提供基于深度学习的随机频率阵列辅助方向调制的传输方法，借助深度学习技术，通过引入期望用户的方向角和距离信息在发射端对发射的隐私信号的初始相位进行设计，得到使得系统误差矢量幅度最小化的最优波束成形矢量，从而实现了在角度-距离的二维安全传输。

为实现上述目的，本发明采用如下技术方案：

一种基于随机频率分集阵列的无线通信系统，包括发射端和期望用户；所述发射端包括随机频率分集阵列和发射机，发射机利用随机频率分集阵列发射朝向期望用户的信号，使得期望用户实现安全传输。

一种基于深度学习的随机频率阵列辅助方向调制的传输方法，包括以下步骤：

步骤S1:分析基于随机频率分集阵列的无线通信系统，得到使得系统误差矢量幅度最小化的优化问题模型；

步骤S2:根据期望用户的方向角和距离信息，构建基于深度学习的神经网络模型，进一步得到系统的最优波束成形矢量；

步骤S3:过最优波束成形矢量的向量零空间设计得到人工噪声矢量，并且分析得到系统实现安全传输的随机频率分集阵列中天线阵元的频率分布规则，并进一步控制发射端。

进一步的，所述优化问题模型构建具体如下：

设发射端天线采用具有N根天线的随机频率分集阵列，期望用户与窃听用户的天线数目均为1，发射端每个天线阵元的频率为：

f_n＝f_c+nΔf,n＝0,1,...,N-1,

式中，f_c为中心载波频率，Δf为固定的频率增益。在发射端考虑到均匀线性阵列，并且将参考相位设置在阵列的几何中心；

期望用户与第n个天线阵元的距离表示为：

D_n＝D-b_ndcosθ,n＝0,1,...,N-1,

式中，D为期望用户与参考的中心天线阵元的距离，θ为期望用户与参考的中心天线阵元的相位，d为均匀线性阵列的相邻天线阵元的距离，通常设置为

b_n表示为：

在均匀线性阵列的中心参考阵元上发射的信号的相位表示为：

在均匀线性阵列的第n个阵元上发射的信号的相位表示为：

由于，天线阵元的相邻距离

第n个天线阵元与参考的中心为阵元之间的相位差表示为：

由于频率增益和载波频率应该满足NΔf≤f_c，上述相位差的第三部分被忽略。因此，相位差近似表示为：

对于某一特定位置(D,θ)处，随机频率分集阵列的归一化天线导向向量表示为：

在此系统中，假设期望用户的位置为(D_d,θ_d)，窃听者的位置为(D_e,θ_e)；系统采用的调制方案为正交相移键控，发射端发送的符号表示为：

式中，P_t为发射端的发射功率，α为有用信号与人工噪声之间的功率分配因子，f为发射端的波束成形矢量，s表示要传输的信息符号，为复数，w为发射端波束成形矢量的共轭转置的零空间矢量，表示为：

式中，z_p表示w的正交向量基，每一个都服从均值为0方差为1的高斯分布。

期望用户处接收到的符号表示为：

式中，n_d为期望用户信道的加性高斯白噪声，服从均值为0方差为的高斯分布，h(θ_d,D_d)为期望用户处的随机频率分集阵列的归一化导向矢量，h^H(θ_d,D_d)为期望用户处的随机频率分集阵列的归一化导向矢量的共轭转置矢量；

根据上式，在期望用户处的信干噪比表示为：

窃听者处接收到的符号表示为：

式中，n_e为窃听者信道的加性高斯白噪声，服从均值为0方差为的高斯分布，h(θ_e,D_e)为窃听用户处的随机频率分集阵列的归一化导向矢量，h^H(θ_e,D_e)为窃听用户处的随机频率分集阵列的归一化导向矢量的共轭转置矢量；

根据上式，在窃听者处的信干噪比表示为：

可实现的安全速率表示为：

R_s＝max{0,C_d-C_e},

式中表示期望用户的安全速率，表示为：

C_d＝log₂(1+γ_d),

表示窃听用户的安全速率，表示为：

C_e＝log₂(1+γ_e).

系统的误比特率表示为：

式中，

为标准正态分布的分布函数，M为调制阶数。考虑到采用四进制相位键控调制，系统的误比特率可以进一步表示为

期望用户处的矢量误差幅度表示为：

式中，y_i(θ_d,D_d)表示在发射端发射第i个符号时期望用户处的实际接受符号。

表示第i个相对应的参考符号，T表示发送符号的总数量；

综上，最小化矢量误差幅度的波束成形优化问题表示为：

s.t.|[f]_i|²＝1,i＝1,2,...,N.

式中，约束条件为波束成形矢量的常模约束。

进一步的，所述基于深度学习的神经网络模型，具体如下：

输入层，将无线信道的信道状态信息作为神经网络的输入数据，设置三维数据输入层；

添加自定义层，用于实现波束成形矢量的常模约束，为：

f＝e^jβ＝cos(β)+jsin(β),

式中，

表示虚部因子，β表示输出层的实值输出结果；

损失函数为：

式中，L为用于训练神经网络的样本总个数。

本发明与现有技术相比具有以下有益效果：

1、本发明发射端由两个部分组成，即发射机与随机频率分集线阵列，发射机利用随机频率分集阵列发射朝向期望用户的信号，使得期望用户实现安全传输，由于随机频率分集阵列的天线阵元频率随机选择，使得发射天线阵元的频率变化规则难以被窃听者获得，保证了系统的安全性能；

2、本发明借助深度学习技术，通过引入期望用户的方向角和距离信息在发射端对发射的隐私信号的初始相位进行设计，得到使系统误差矢量幅度最小化的最优波束成形矢量，实现了角度-距离的二维安全传输，相较于传统的优化算法，降低了计算复杂度，满足了实时要求；

3、本发明对非期望区域的窃听者进行噪声污染，使得有用信号的相位无法实现对齐，从而为扰乱和恶化窃听者的接收性能提供了双重污染，有利于有用信号的安全传输；

4、本发明通过对基于深度学习实现随机频率分集阵列传输信息给期望与用户的系统选择合适的数学模型进行分析，得到了系统实现最小化误差矢量幅度问题在数学形式上的表达式，并通过深度学习技术构建神经网络来解决优化问题得到了发射机发送的波束成形矢量，降低了计算复杂度，能够满足实时的要求；更进一步地，在得到发射端的预编码矢量之后，可以根据系统的误差矢量幅度得到随机频率分集阵列的天线阵元的频率变化规则，从而实现了在角度-距离的二维安全传输。

附图说明

图1是本发明系统结构示意图；

图2是本发明一实施例中神经网络结构图以及训练过程。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种基于随机频率阵列的无线通信的传输系统，包括发射端和期望用户；所述发射端包括随机频率分集阵列和发射机，发射机利用随机频率分集阵列发射朝向期望用户的信号，使得期望用户实现安全传输。

在本实施例中，借助深度学习技术，通过引入期望用户的方向角和距离信息在发射端对发射的隐私信号的初始相位进行设计，得到使得系统误差矢量幅度最小化的最优波束成形矢量，与此同时设计正交人工噪声，对非期望区域的窃听者进行噪声污染，恶化窃听性能，并且得到随机频率分集阵列中天线阵元的频率分布规则。提供一种基于深度学习的随机频率阵列辅助方向调制的传输方法，包括以下步骤：

步骤S1:分析基于随机频率分集阵列的无线通信系统，得到使得系统误差矢量幅度最小化的优化问题模型；

步骤S2:根据期望用户的方向角和距离信息，构建基于深度学习的神经网络模型，进一步得到系统的最优波束成形矢量；

步骤S3:过最优波束成形矢量的向量零空间设计得到人工噪声矢量，并且分析得到系统实现安全传输的随机频率分集阵列中天线阵元的频率分布规则，并进一步控制发射端。

在本实施例中，优选的，优化问题模型构建具体如下：

设发射端天线采用具有N根天线的随机频率分集阵列，期望用户与窃听用户的天线数目均为1，发射端每个天线阵元的频率为：

f_n＝f_c+nΔf,n＝0,1,...,N-1,

式中，f_c为中心载波频率，Δf为固定的频率增益。在发射端考虑到均匀线性阵列，并且将参考相位设置在阵列的几何中心。因此，期望用户与第n个天线阵元的距离可以表示为：

D_n＝D-b_ndcosθ,n＝0,1,...,N-1,

式中，D为期望用户与参考的中心天线阵元的距离，θ为期望用户与参考的中心天线阵元的相位，d为均匀线性阵列的相邻天线阵元的距离，通常设置为

b_n可以表示为：

在均匀线性阵列的中心参考阵元上发射的信号的相位可以表示为：

在均匀线性阵列的第n个阵元上发射的信号的相位可以表示为：

由于，天线阵元的相邻距离

第n个天线阵元与参考的中心为阵元之间的相位差可以表示为：

由于频率增益和载波频率应该满足NΔf≤f_c，上述相位差的第三部分可以被忽略。因此，相位差可以被近似表示为：

对于某一特定位置(D,θ)处，随机频率分集阵列的归一化天线导向向量可以表示为：

在此系统中，假设期望用户的位置为(D_d,θ_d)，窃听者的位置为(D_e,θ_e)。系统采用的调制方案为正交相移键控，发射端发送的符号可以表示为：

式中，P_t为发射端的发射功率，α为有用信号与人工噪声之间的功率分配因子，f为发射端的波束成形矢量，s表示要传输的信息符号，为复数，例如

对应于正交相移键控符号“00”，w为发射端波束成形矢量的共轭转置的零空间矢量，可以表示为：

式中，z_p表示w的正交向量基，每一个都服从均值为0方差为1的高斯分布。

因此，期望用户处接收到的符号可以表示为：

式中，n_d为期望用户信道的加性高斯白噪声，服从均值为0方差为的高斯分布，h(θ_d,D_d)为期望用户处的随机频率分集阵列的归一化导向矢量，h^H(θ_d,D_d)为期望用户处的随机频率分集阵列的归一化导向矢量的共轭转置矢量。根据上式，在期望用户处的信干噪比可以表示为：

相似地，窃听者处接收到的符号可以表示为：

式中，n_e为窃听者信道的加性高斯白噪声，服从均值为0方差为的高斯分布，h(θ_e,D_e)为窃听用户处的随机频率分集阵列的归一化导向矢量，h^H(θ_e,D_e)为窃听用户处的随机频率分集阵列的归一化导向矢量的共轭转置矢量。根据上式，在窃听者处的信干噪比可以表示为：

可实现的安全速率可以表示为：

R_s＝max{0,C_d-C_e},

式中表示期望用户的安全速率，可表示为：

C_d＝log₂(1+γ_d),

表示窃听用户的安全速率，可表示为：

C_e＝log₂(1+γ_e).

系统的误比特率可以表示为：

式中，

为标准正态分布的分布函数，M为调制阶数。考虑到采用四进制相位键控调制，系统的误比特率可以进一步表示为

误比特率不能对信号的失真给出解释，因此使用矢量误差幅度作为系统的性能评估，期望用户处的矢量误差幅度可以表示为：

式中，y_i(θ_d,D_d)表示在发射端发射第i个符号时期望用户处的实际接受符号。

表示第i个相对应的参考符号，T表示发送符号的总数量。

综上，最小化矢量误差幅度的波束成形优化问题可以表示为：

s.t.|[f]_i|²＝1,i＝1,2,...,N.

式中，约束条件为波束成形矢量的常模约束。

在本实施例中，优选的，述基于深度学习的神经网络模型，具体如下：

对于输入层，将无线信道的信道状态信息作为神经网络的输入数据，设置三维数据输入层。由于信道状态信息是复数形式，而神经网络只能处理实值数据，因此将信道状态信息的实数部分和虚数部分拆分，即将二维的数据转化为三维数据传入神经网络中。新添加自定义层，用于实现波束成形矢量的常模约束，具体可以表示为：

f＝e^jβ＝cos(β)+jsin(β),

式中，

表示虚部因子，β表示输出层的实值输出结果。

除此之外，由于用于训练神经网络的数据都是无标签数据，便通过自定义损失函数来实现神经网络权值的更新，该损失函数可以表示为：

式中，L为用于训练神经网络的样本总个数。

通过线下训练提出的神经网络更新权重，得到能够解决系统最小化矢量误差幅度的波束成形优化问题的神经网络。将该网络用于线上的优化问题求解，既降低了计算复杂度，又能够满足实时的要求。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (3)

1.一种基于深度学习的随机频率阵列辅助方向调制的传输方法，提供一系统包括发射端和期望用户；所述发射端包括随机频率分集阵列和发射机，发射机利用随机频率分集阵列发射朝向期望用户的信号，使得期望用户实现安全传输，其特征在于，具体包括以下步骤：

步骤S1:分析基于随机频率分集阵列的无线通信系统，得到使得系统误差矢量幅度最小化的优化问题模型；

步骤S2:根据期望用户的方向角和距离信息，构建基于深度学习的神经网络模型，进一步得到系统的最优波束成形矢量；

步骤S3:过最优波束成形矢量的向量零空间设计得到人工噪声矢量，并且分析得到系统实现安全传输的随机频率分集阵列中天线阵元的频率分布规则，并进一步控制发射端。

2.根据权利要求1所述的基于深度学习的随机频率阵列辅助方向调制的传输方法，其特征在于，所述优化问题模型构建具体如下：

设发射端天线采用具有N根天线的随机频率分集阵列，期望用户与窃听用户的天线数目均为1，发射端每个天线阵元的频率为：

f_n＝f_c+nΔf,n＝0,1,…,N-1

式中，f_c为中心载波频率，Δf为固定的频率增益；在发射端考虑到均匀线性阵列，并且将参考相位设置在阵列的几何中心；

期望用户与第n个天线阵元的距离表示为：

D_n＝D-b_nd cosθ,n＝0,1,…,N-1

式中，D为期望用户与参考的中心天线阵元的距离，θ为期望用户与参考的中心天线阵元的相位，d为均匀线性阵列的相邻天线阵元的距离，通常设置为

b_n表示为：

在均匀线性阵列的中心参考阵元上发射的信号的相位表示为：

在均匀线性阵列的第n个阵元上发射的信号的相位表示为：

由于，天线阵元的相邻距离

第n个天线阵元与参考的中心阵元之间的相位差表示为：

由于频率增益和载波频率满足NΔf≤f_c，上述相位差的第三部分被忽略；因此，相位差近似表示为：

对于某一特定位置(θ,D)处，随机频率分集阵列的归一化天线导向矢量表示为：

在此系统中，假设期望用户的位置为(θ_d,D_d)，窃听者的位置为(θ_e,D_e)；系统采用的调制方案为正交相移键控，发射端发送的符号表示为：

式中，P_t为发射端的发射功率，α为有用信号与人工噪声之间的功率分配因子，f为发射端的波束成形矢量，s表示要传输的信息符号，为复数，w为发射端波束成形矢量的共轭转置的零空间矢量，表示为：

式中，z_p表示w的正交向量基，每一个都服从均值为0方差为1的高斯分布；

期望用户处接收到的符号表示为：

式中，n_d为期望用户信道的加性高斯白噪声，服从均值为0方差为

的高斯分布，h(θ_d,D_d)为期望用户处的随机频率分集阵列的归一化导向矢量，h^H(θ_d,D_d)为期望用户处的随机频率分集阵列的归一化导向矢量的共轭转置矢量；

根据上式，在期望用户处的信干噪比表示为：

窃听者处接收到的符号表示为：

式中，n_e为窃听者信道的加性高斯白噪声，服从均值为0方差为

的高斯分布，h(θ_e,D_e)为窃听用户处的随机频率分集阵列的归一化导向矢量，h^H(θ_e,D_e)为窃听用户处的随机频率分集阵列的归一化导向矢量的共轭转置矢量；

根据上式，在窃听者处的信干噪比表示为：

实现的安全速率表示为：

R_s＝max{0,C_d-C_e},

式中C_d表示期望用户的安全速率，表示为：

C_d＝log₂(1+γ_d),

C_e表示窃听用户的安全速率，表示为：

C_e＝log₂(1+γ_e)

系统的误比特率表示为：

式中，

为标准正态分布的分布函数，M为调制阶数；考虑到采用四进制相位键控调制，系统的误比特率进一步表示为

期望用户处的矢量误差幅度EVM_d表示为：

式中，y_i(θ_d,D_d)表示在发射端发射第i个符号时期望用户处的实际接受符号；

表示第i个相对应的参考符号，T表示发送符号的总数量；

综上，最小化矢量误差幅度的波束成形优化问题表示为：

s.t.|[f]_i'|²＝1,i'＝1,2,…,N

式中，约束条件为波束成形矢量的常模约束。

3.根据权利要求2所述的基于深度学习的随机频率阵列辅助方向调制的传输方法，其特征在于，所述基于深度学习的神经网络模型，具体如下：

输入层，将无线信道的信道状态信息作为神经网络的输入数据，设置三维数据输入层；

添加自定义层，用于实现波束成形矢量的常模约束，为：

f＝e^jβ＝cos(β)+jsin(β),

式中，

表示虚部因子，β表示输出层的实值输出结果；

损失函数为：

式中，L为用于训练神经网络的样本总个数。

Images