CN114978261A - 一种基于深度学习的毫米波安全混合波束成形方法 - Google Patents

一种基于深度学习的毫米波安全混合波束成形方法 Download PDF

Info

Publication number
CN114978261A
CN114978261A CN202210517793.9A CN202210517793A CN114978261A CN 114978261 A CN114978261 A CN 114978261A CN 202210517793 A CN202210517793 A CN 202210517793A CN 114978261 A CN114978261 A CN 114978261A
Authority
CN
China
Prior art keywords
deep learning
vector
channel
training
safe
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
CN202210517793.9A
Other languages
English (en)
Other versions
CN114978261B (zh
Inventor
黄永明
胡梓炜
陆昀程
俞菲
张铖
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202210517793.9A priority Critical patent/CN114978261B/zh
Publication of CN114978261A publication Critical patent/CN114978261A/zh
Application granted granted Critical
Publication of CN114978261B publication Critical patent/CN114978261B/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
    • H04B7/0426—Power distribution
    • H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
    • 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
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • 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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K1/00—Secret communication
    • H04K1/06—Secret communication by transmitting the information or elements thereof at unnatural speeds or in jumbled order or backwards
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)
  • Noise Elimination (AREA)

Abstract

本发明公开了一种基于深度学习的毫米波安全混合波束成形方法，采取了线下对深度学习网络模型进行训练，模型训练完成之后，上线运行的模式。线下训练包括：收集合法用户信道信息与窃听者信道信息；对合法用户信道信息与窃听者信道信息进行一些预处理之后作为模型的输入，且将合法用户信道信息与窃听者信道信息与信噪比信息作为自定义loss函数的lambda层的输入；模型以最大化安全频谱效率为目标不断的更新模型的参数直到训练完成。将线下训练好的模型上线运行，将合法用户信道信息、窃听者信道信息与信噪比信息进行输入，得到模拟预编码矩阵的输出。本发明在保障较好的安全频谱效率的同时，能够有效的减少计算复杂度，提高系统实时性。

Description

一种基于深度学习的毫米波安全混合波束成形方法
技术领域
本发明涉及一种适合毫米波通信系统的安全混合波束成形方法，属于安全无线通信领域。
背景技术
在如今的无线通信领域，毫米波频段的引入大大扩宽了可利用的频谱资源。在高频频段，由于毫米波的频段传输损耗大的原因，要提供足够大的覆盖，需要波束赋形的增益。不过幸运的是毫米波大大减小的波长使得大型天线阵列所需的空间变小，从而可以集成大量的天线。传统的多天线技术通常在基带上以全数字预编码的方式进行处理，但是随着天线数增大，若每副发射天线都配备一条射频链路，将带来高成本、高功率消耗问题。因此，由于毫米波系统硬件的高成本和功耗的原因，目前排除了全数字预编码方案，并迫使毫米波系统严重依赖模拟处理。针对上述问题，一种数模混合天线架构体系解决方案被提出。然后展开了对混合预编码的广泛研究。
近年来，从物理层安全性的角度进行对安全无线通信传输领域的研究吸引了学者们的关注，为了最大化保密通信速率，已经提出了各种技术，例如多天线波束成形。不过传统算法多依赖于迭代算法，这将带来高时延，影响系统的实时性性能。另外，在智能通信领域的研究表明，智能算法在解决传统的通信领域问题上有着巨大的潜力。
发明内容
发明目的：为解决传统安全波束成形算法中计算复杂度高的问题，本发明提供了一种适合毫米波通信系统的安全混合波束成形方法，在保证不错的安全可达速率的同时，能够提高算法的计算速度。
技术方案：为实现上述发明目的，本发明的一种适合毫米波通信系统的安全混合波束成形方法包含如下步骤：
步骤1、发射端配备有一条射频电路与Nt根发射天线，合法用户与窃听者各配备有一条射频电路与一根发射天线；发射端采集发射端与合法用户之间的信道信息、采集发射端与窃听用户之间的信道信息和信噪比信息以用于深度学习模型的训练；将采集好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理；
步骤2、将预处理好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量作为安全混合预编码的深度学习模型的输入，且将合法用户信道信息与窃听者信道信息与信噪比信息作为自定义loss函数的lambda层的输入，以最大化安全频谱效率为目标，不断的更新模型的参数直到训练完成；
步骤3、将训练好的安全混合预编码的深度学习模型上线进行运行使用。
步骤1所述的采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息的内容如下：
发射端通过不断的实时采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息进行存储，此情况下可以采集到具体应用场景环境的信息；另外，在毫米波频段的无线通信场景下，也可以用S-V(Saleh-Valenzuela)模型的窄带集群信道来模拟发射端和接收端之间的传输环境；从发射端到接收端的信道矩阵表示为：
Figure BDA0003640436660000021
其中L代表散射路径数，αl表示第l条路径的信道增益，al是第l条路径到接收端的传输控制向量，具体表示为
Figure BDA0003640436660000022
其中
Figure BDA0003640436660000023
是发射端到接收端的第l条路径的离开角(AoD)。
步骤1所述的对发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理的内容如下：
将发射端与合法用户之间的信道向量hb与发射端与窃听用户之间的信道向量he的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：hnb＝[Re(hb),Im(hb)]与hne＝[Re(he),Im(he)]，其中Re(·)，Im(·)分别表示取实部与虚部，hnb与hne是经过预处理后的新向量。
步骤2所述的安全混合预编码的深度学习模型的内容如下：
安全混合预编码的深度学习模型采用了一种多入单出模型架构，hnb与hne分别从两个输出层输入，然后分别经过数个Dense层(全连接层)后，通过一个Concatenate层进行合并，之后再经过数个Dense层(全连接层)，再通过两个自定义Lambda层。其中Dense层(全连接层)的激活函数除了最后一层未设置激活函数，其它全为Relu函数。
第一个自定义Lambda层为输出层，输出层的输出是混合预编码的模拟预编码向量frf，其输出的模拟预编码矩阵frf具有恒模约束，具体设置的函数如下所示：frf＝exp(j×a)＝cos(a)+j×sin(a)，这样输入a无论取值为多少，输出frf矩阵的元素都将满足恒模约束；
第二个自定义Lambda层进行Loss函数的设置，Loss函数除了从上一个Lambda层输出的模拟预编码向量frf作为输入外，其输入还包括合法用户信道向量hb、窃听者信道向量he和其各自的接收端处的信噪比γb与γe。
步骤2所述的安全混合预编码的深度学习模型的线下训练步骤如下：
步骤2.1、对深度学习模型参数进行初始化，然后将采集到的大量的训练数据集作为输入，训练数据集中的数据包括步骤1中所述的发射端与合法用户之间的信道信息、发射端与窃听用户之间的信道信息和信噪比信息；
步骤2.2、设置对整个训练集的数据进行训练的总次数M与当前训练进行到次数m，初始化m＝0；
步骤2.3、判断m＜M，若为True，则执行步骤2.4；若为false，则执行步骤2.5；
步骤2.4、计算Loss函数，并且更新网络的参数；
步骤2.5、完成模型训练。
步骤3所述的训练好的安全混合预编码的深度学习模型的内容如下：
训练好的安全混合预编码的深度学习模型的结构为安全混合预编码的深度学习模型结构中去除Loss函数的自定义Lambda层的部分。
有益效果：与现有的安全混合预编码方法相比，本发明通过在毫米波安全混合预编码领域引入深度学习的方法，利用深度学习网络更加利用并行计算的结构，使得在保证不错的安全可达速率的同时，能够有效提高算法的计算速度。
附图说明
图1是本发明实施例中安全混合波束成形方法的框图；
图2是本发明实施例中深度学习安全混合预编码模型图；
图3是本发明实施例中安全混合波束成形方法的安全频谱效率图；
图4是本发明实施例中安全混合波束成形方法的合法用户与窃听者的频谱效率图。
具体实施方式
下面对本发明技术方法进行详细说明，但是本发明的保护范围不局限于所述实施例。
本发明提供一种适合毫米波通信系统的安全混合波束成形方法，如图1所示，包括以下步骤：
步骤1收集合法用户、窃听用户的信道信息与信噪比信息，建立数据集，并且对于合法用户、窃听用户的信道信息进行输入预处理。
发射端配备有一条射频电路与Nt根发射天线，合法用户与窃听者各配备有一条射频电路与一根发射天线；采集发射端与合法用户之间的信道信息、采集发射端与窃听用户之间的信道信息和信噪比信息以用于深度学习模型的训练；将采集好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理；
其中，步骤1所述的采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息的内容如下：
发射端通过不断的实时采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息进行存储，以采集具体应用场景环境的信息；或者，在毫米波频段的无线通信场景下，采用S-V模型的窄带集群信道来模拟发射端和接收端之间的传输环境；从发射端到接收端的信道矩阵表示为：
Figure BDA0003640436660000041
其中L代表散射路径数，αl表示第l条路径的信道增益，al是第l条路径到接收端的传输控制向量，具体表示为
Figure BDA0003640436660000042
其中
Figure BDA0003640436660000043
是发射端到接收端的第l条路径的离开角。
步骤1所述的对发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理的内容如下：
将发射端与合法用户之间的信道向量hb与发射端与窃听用户之间的信道向量he的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：hnb＝[Re(hb),Im(hb)]与hne＝[Re(he),Im(he)]，其中Re(·)，Im(·)分别表示取实部与虚部，hnb与hne是经过预处理后的新向量。
步骤2进行对于安全混合预编码深度学习模型的线下训练。
将预处理好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量作为安全混合预编码的深度学习模型的输入，且将合法用户信道信息与窃听者信道信息与信噪比信息作为loss函数的lambda层的输入，以最大化安全频谱效率为目标，不断的更新模型的参数直到训练完成；
其中，步骤2所述的安全混合预编码的深度学习模型如图2所示，具体的内容如下：
安全混合预编码的深度学习模型采用多入单出模型架构，hnb与hne分别从两个输出层输入，然后分别经过数个Dense层后，通过一个Concatenate层进行合并，之后再经过数个Dense层，再通过两个Lambda层；其中Dense层的激活函数除了最后一层未设置激活函数，其它全为Relu函数。可参考结构如图2所示，层数与节点的设置为两个输入分别经过两个Dense层，节点数依次为Nt*32与Nt*16。然后经过Concatenate层进行合并，再经过三个Dense层，节点数依次为Nt*16、Nt*8和Nt。
第一个Lambda层为输出层，输出层的输出是混合预编码的模拟预编码向量frf，其输出的模拟预编码矩阵frf具有恒模约束，具体设置的函数如下所示：frf＝exp(j×a)＝cos(a)+j×sin(a)，这样输入a无论取值为多少，输出frf矩阵的元素都将满足恒模约束。
第二个Lambda层进行Loss函数的设置，Loss函数除了从上一个Lambda层输出的模拟预编码向量frf作为输入外，其输入还包括合法用户信道向量hb、窃听者信道向量he和其各自的接收端处的信噪比γb与γe。Loss函数具体设置为如下形式：
Figure BDA0003640436660000051
其中N表示训练样本的总数，γb,n,hb,n表示与第n个样本相关的合法用户的SNR与信道向量，γe,n,he,n表示与第n个样本相关的窃听者的SNR与信道向量。frfn表示第n个样本相关的输出的模拟预编码向量。
步骤2所述的安全混合预编码的深度学习模型的线下训练步骤如下：
步骤2.1、对深度学习模型参数进行初始化，然后将采集到的大量的训练数据集作为输入，训练数据集中的数据包括步骤1中所述的发射端与合法用户之间的信道信息、发射端与窃听用户之间的信道信息和信噪比信息；
步骤2.2、设置对整个训练集的数据进行训练的总次数M与当前训练进行到次数m，初始化m＝0；
步骤2.3、判断m＜M，若为True，则执行步骤2.4；若为false，则执行步骤2.5；
步骤2.4、计算Loss函数，并且更新网络的参数；
步骤2.5、完成模型训练。
步骤3将训练好的安全混合预编码的深度学习模型上线进行运行使用。
步骤3所述的训练好的安全混合预编码的深度学习模型的内容如下：
训练好的安全混合预编码的深度学习模型的结构为步骤2中所述的安全混合预编码的深度学习模型结构中去除Loss函数的Lambda层的部分。
图3为在不同信噪比下的不同算法安全性能曲线，对比了本发明与BFNN方法在不同信噪比下的安全可达速率，可以看出当信噪比上升，本发明与BFNN算法相比能明显的增强安全可达速率。图4为本发明中合法用户的频谱效率Rb与窃听者的频谱效率Re曲线，可以发现本发明中随着SNR的增大，窃听者的频谱效率Re与合法用户的频谱效率Rb相比，差距越来越大，使得合法用户进行可靠传输。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (8)

1.一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，包括以下步骤：
步骤1、发射端配备有一条射频电路与Nt根发射天线，合法用户与窃听者各配备有一条射频电路与一根发射天线；采集发射端与合法用户之间的信道信息、采集发射端与窃听用户之间的信道信息和信噪比信息以用于深度学习模型的训练；将采集好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理；
步骤2、将预处理好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量作为安全混合预编码的深度学习模型的输入，且将合法用户信道信息与窃听者信道信息与信噪比信息作为loss函数的lambda层的输入，以最大化安全频谱效率为目标，不断的更新模型的参数直到训练完成；
步骤3、将训练好的安全混合预编码的深度学习模型上线进行运行使用。
2.根据权利要求1所述的一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，步骤1所述的采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息的内容如下：
发射端通过不断的实时采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息进行存储，以采集具体应用场景环境的信息；或者，在毫米波频段的无线通信场景下，采用S-V模型的窄带集群信道来模拟发射端和接收端之间的传输环境；从发射端到接收端的信道矩阵表示为：
Figure FDA0003640436650000011
其中L代表散射路径数，αl表示第l条路径的信道增益，al是第l条路径到接收端的传输控制向量，具体表示为
Figure FDA0003640436650000012
其中
Figure FDA0003640436650000013
是发射端到接收端的第l条路径的离开角。
3.根据权利要求1所述的一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，步骤1所述的对发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理的内容如下：
将发射端与合法用户之间的信道向量hb与发射端与窃听用户之间的信道向量he的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：hnb＝[Re(hb),Im(hb)]与hne＝[Re(he),Im(he)]，其中Re(·)，Im(·)分别表示取实部与虚部，hnb与hne是经过预处理后的新向量。
4.根据权利要求3所述的一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，步骤2所述的安全混合预编码的深度学习模型的内容如下：
安全混合预编码的深度学习模型采用多入单出模型架构，hnb与hne分别从两个输出层输入，然后分别经过数个Dense层后，通过一个Concatenate层进行合并，之后再经过数个Dense层，再通过两个Lambda层；其中Dense层的激活函数除了最后一层未设置激活函数，其它全为Relu函数。
5.根据权利要求4所述的一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，所述两个Lambda层中，第一个Lambda层为输出层，输出层的输出是混合预编码的模拟预编码向量frf，其输出的模拟预编码矩阵frf具有恒模约束，具体设置的函数如下所示：frf＝exp(j×a)＝cos(a)+j×sin(a)，这样输入a无论取值为多少，输出frf矩阵的元素都将满足恒模约束；
第二个Lambda层进行Loss函数的设置，Loss函数除了从上一个Lambda层输出的模拟预编码向量frf作为输入外，其输入还包括合法用户信道向量hb、窃听者信道向量he和其各自的接收端处的信噪比γb与γe。
6.根据权利要求5所述的一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，所述Loss函数具体设置为如下形式：
Figure FDA0003640436650000021
其中N表示训练样本的总数，γb,n,hb,n表示与第n个样本相关的合法用户的SNR与信道向量，γe,n,he,n表示与第n个样本相关的窃听者的SNR与信道向量，frfn表示第n个样本相关的输出的模拟预编码向量。
7.根据权利要求1所述的一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，步骤2所述的安全混合预编码的深度学习模型的线下训练步骤如下：
步骤2.1、对深度学习模型参数进行初始化，然后将采集到的大量的训练数据集作为输入，训练数据集中的数据包括步骤1中所述的发射端与合法用户之间的信道信息、发射端与窃听用户之间的信道信息和信噪比信息；
步骤2.2、设置对整个训练集的数据进行训练的总次数M与当前训练进行到次数m，初始化m＝0；
步骤2.3、判断m＜M，若为True，则执行步骤2.4；若为false，则执行步骤2.5；
步骤2.4、计算Loss函数，并且更新网络的参数；
步骤2.5、完成模型训练。
8.根据权利要求4所述的一种基于深度学习的毫米波安全混合波束成形方法，其特征在于，步骤3所述的训练好的安全混合预编码的深度学习模型的内容如下：
训练好的安全混合预编码的深度学习模型的结构为所述的安全混合预编码的深度学习模型结构中去除Loss函数的Lambda层的部分。
CN202210517793.9A 2022-05-12 2022-05-12 一种基于深度学习的毫米波安全混合波束成形方法 Active CN114978261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517793.9A CN114978261B (zh) 2022-05-12 2022-05-12 一种基于深度学习的毫米波安全混合波束成形方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517793.9A CN114978261B (zh) 2022-05-12 2022-05-12 一种基于深度学习的毫米波安全混合波束成形方法

Publications (2)

Publication Number Publication Date
CN114978261A true CN114978261A (zh) 2022-08-30
CN114978261B CN114978261B (zh) 2024-04-05

Family

ID=82983085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517793.9A Active CN114978261B (zh) 2022-05-12 2022-05-12 一种基于深度学习的毫米波安全混合波束成形方法

Country Status (1)

Country Link
CN (1) CN114978261B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110113752A (zh) * 2019-04-18 2019-08-09 东南大学 基于信道稀疏性测量的毫米波安全通信方法
US20210149039A1 (en) * 2019-11-20 2021-05-20 Mitsubishi Electric Research Laboratories, Inc. Localization using Millimeter Wave Beam Attributes for Keyless Entry Applications
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110113752A (zh) * 2019-04-18 2019-08-09 东南大学 基于信道稀疏性测量的毫米波安全通信方法
US20210149039A1 (en) * 2019-11-20 2021-05-20 Mitsubishi Electric Research Laboratories, Inc. Localization using Millimeter Wave Beam Attributes for Keyless Entry Applications
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统

Also Published As

Publication number Publication date
CN114978261B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Fu et al. Lightweight automatic modulation classification based on decentralized learning
CN112153616B (zh) 一种基于深度学习的毫米波通信系统中的功率控制方法
CN107332598A (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN111371482B (zh) 基于波束聚合的下行广播链路的毫米波mimo-noma方法
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
CN113242066B (zh) 一种多小区大规模mimo通信智能功率分配方法
CN110113088A (zh) 一种分离型数模混合天线系统波达角智能化估计方法
Bhardwaj et al. Deep learning-based MIMO and NOMA energy conservation and sum data rate management system
CN113037668B (zh) 一种毫米波点对点通信信道均衡方法
CN112398513A (zh) 一种massive MIMO系统的波束赋形方法
CN114978261B (zh) 一种基于深度学习的毫米波安全混合波束成形方法
Tato et al. Neural network aided computation of generalized spatial modulation capacity
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
Omondi et al. Variational autoencoder-enhanced deep neural network-based detection for MIMO systems
Wang et al. Two-timescale beamforming for IRS-assisted millimeter wave systems: A deep unrolling-based stochastic optimization approach
CN114598574A (zh) 一种基于深度学习的毫米波信道估计方法
CN108063656A (zh) 一种适用于大规模mimo蜂窝网络的新型导频分配方法
Jiang et al. Deep learning assisted hybrid precoding with dynamic subarrays in mmWave MU-MIMO system
Tzanakos et al. A mechanism for 5G MIMO performance optimization and evaluation
Fu et al. Lightweight network and model aggregation for automatic modulation classification in wireless communications
Jiang et al. Active sensing for two-sided beam alignment using ping-pong pilots
Ravindran et al. Direction of arrival and channel estimation using machine learning for multiple input multiple output system
Yang et al. Beam Prediction for mmWave Massive MIMO using Adjustable Feature Fusion Learning
Thien et al. Deep learning-based secure transmission for SWIPT system with power-splitting scheme
Xu et al. Performance evaluation of autoencoder for coding and modulation in wireless communications

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