CN116761179B - 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 - Google Patents
基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 Download PDFInfo
- Publication number
- CN116761179B CN116761179B CN202310861059.9A CN202310861059A CN116761179B CN 116761179 B CN116761179 B CN 116761179B CN 202310861059 A CN202310861059 A CN 202310861059A CN 116761179 B CN116761179 B CN 116761179B
- Authority
- CN
- China
- Prior art keywords
- relay
- net
- energy
- tas
- mobile
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005562 fading Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000005315 distribution function Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 230000003313 weakening effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 29
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 101100379079 Emericella variicolor andA gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/30—Security of mobile devices; Security of mobile applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了基于轻量化MS‑Net的移动发射天线选择和能量收集TAS‑EH系统安全通信性能智能预测方法，可应用于信息安全技术领域，解决现有技术中神经网络结构复杂、内存需求大且运算量大，致使其不能在移动设备或是嵌入式设备上运行的技术问题。本发明的基于MS‑Net的ASC性能智能预测方法，设计了一种轻量化MS‑Net网络模型，该网络模型结构新颖且复杂度低，专注于移动端或嵌入式设备的轻量化神经网络。相比于传统卷积神经网络，在保证准确率的前提下，极大地减少了模型参数和运算量，其网络结构吸取了MobileNet和SqueezeNet中结构的特点，融合深度可分离卷积块和Fire模块联合组成了轻量化MS‑Net神经网络结构，并通过该神经网络对ASC进行预测。
Description
技术领域
本发明涉及信息安全技术领域，尤其涉及基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法。
背景技术
考虑了环境恶劣的能量受限通信场景，存在通信系统质量差和寿命短的问题。能量收集技术可以让通信设备从周围较多的信号和干扰中获取能量达到补充系统功率的目的，对减小整个通信系统的能量消耗、提升系统能量具有积极的作用。同时利用发送天线选择技术可以缓解无线信道的衰落问题，提升无线信道的容量。
现有的神经网络结构复杂，不利于在移动设备以及嵌入式设备的运行。如何精简和优化网络结构上，以便能够适合硬件条件有限的移动设备和嵌入式设备上的问题亟需解决。
发明内容
本发明提供的具有结构新颖且复杂度低，针对于移动端或嵌入式设备的轻量化神经网络，在保证准确率的前提下，显著减少了模型参数和运算量的基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法。
本发明的基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法，具体包括步骤如下：
(1)首先搭建发射天线选择和能量收集移动安全通信系统模型，分析方案的ASC性能并推导ASC闭合表达式；
(2)特征选择和数据集构建，通过分析ASC性能，产生并提取数据，将6个移动安全通信系统参数K，GSR，GRD，GRE，Rth和作为输入特征Rn，输出sn，数据集为{Tn}＝{Rn,sn}，n＝1,2,…,3100；GSRi，GRD和GRE分别表示各条链路的相对几何增益，所有无线信道均遵循N-Nakagami分布，各链路信道增益分别为HSRi，HRD和HRE，发射端和中继端均为能量受限的节点，按照时间交换方式从附近的功率信标MA收集能量，假设发射端MSi和中继MR经过功率信标补充能量后，系统总能量为E＝PS+PR，PS＝KE,PR＝(1-K)E,K为功率分配系数；
(3)数据预处理及划分：在数据输入神经网络之前，对数据进行预处理，包含数据标准化和数据增强，有利于提高模型精度和收敛速度；之后将数据集划分成训练集和测试集，然后将处理好的训练集输入到设计的神经网络方法中进行训练；
(4)网络结构搭建及初始化：搭建好神经网络模型，采用服从正态分布随机初始化网络权重，用零矩阵初始化偏置，并设置好阈值、最大迭代次数和学习率相关参数；(5)MS-Net训练：训练集用于训练网络，通过对权重进行加权，计算每层结构输出以及训练误差，通过多次的误差反向传播和参数调整以及精度要求，获得最佳网络模型；
(6)MS-Net测试：利用测试集对训练好的MS-Net进行测试验证，获得最佳ASC预测性能。
优选的，包括步骤如下：
(1.1)系统模型
建立一个联合发射天线选择和能量收集TAS-EH移动安全通信系统模型，所述系统包括发送端MSi、中继端MR、合法接收端MD和非法窃听端ME，同时部署了一个功率信标MA；
所述发送端和中继端都配备非线性能量收集设备，可从附近的功率信标MA处收集能量；
假设发送端配备了Nt根发送天线，则有1≤i≤Nt，中继端MR仍然采用DF策略；
(1.2)系统传输方法
TAS-EH移动安全通信方案的数据传输过程分为三个时隙：①发射端MSi和中继端MR从附近的功率信标MA获取能量；②发射端MSi将信号传输到中继端MR；③中继端MR在成功译码之后将信号转发给合法接收端MD和非法窃听端ME。
优选的，具体包括计算步骤如下：
当TAS-EH移动安全通信方案的数据传输过程为第一时隙中，发射端MSi和中继端MR从功率信标MA处收集能量，MSi收集到的能量为：
ES＝λ1PA|HAS|2ρT (1)
式中λ1∈(0,1]是EH在MSi处的能量转换系数，PA是功率信标MA处的发射功率，HAS为MA→MSi的信道增益，ρ为能量收集器的时间分配因子，T为传输时间，收集的能量ES可用在第二时隙的信号传递，
存在非线性EH设备时，发射功率PS表示如式(2)所示：
式中，τ1为EH在MSi处的饱和门限值；
中继端MR所收集的能量表示如式(3)所示：
ER＝λ2PA|HAR|2ρT (3)
式中λ2∈(0,1]为EH在中继端MR处的能量转换系数，HAR为MA→MR的信道系数；
存在非线性EH设备时，中继端MR的发射功率表示为：
式中，τ2是收集器在MR处的饱和门限值。
优选的，具体包括计算步骤如下：
在信息传输的第二时隙中，发射端MSi向中继端MR发送信息xSRi，且E{|xSRi|2}＝1；存在硬件损伤情况，中继端MR接收到的相应信号ySRi为：
式中HSRi为MSi→MR之间的信道增益，ηt,SRi和ηr,SRi分别为MSi→MR信道中发射端和中继端硬件损伤的失真噪声，是加性高斯白噪声，失真噪声表示为：
噪声能看成两个独立联合高斯变量ηt,SRi和ηr,SRi/HSRi，给定HSRi，在接收端的复合失真功率为：
式中可以看出它只受平均信号功率PS和瞬时信道增益|HSRi|2的影响；
若定义则MR处接收到的相应信号可简化为：
其中为发射机和接收机的总失真噪声。
优选的，具体包括计算步骤如下：
同理，在信息传输的第三时隙中，信号xRD和xRE分别是从中继端MR处发射到合法接收端MD和非法窃听端ME的信号，在满足和/>的情况下，合法接收端MD和非法窃听端ME处接收到的相应信号yRD和yRE可简化为：
其中，和/>是中继端和接收端的总失真噪声，而/>和/>是复合AWGN；
由于同时存在噪声信号和发射端、中继段和接收端之间的总失真噪声信号，根据式(8)，(9)和(10)，MSi→MR，MR→MD和MR→ME之间的有效信干噪比SINRs为：
考虑理想情况下，不存在硬件损伤，此时各条链路信噪比为：
其中平均信噪比为
N0是功率谱密度，且XY∈{SR；RD；RE}。
优选的，ASC安全性能分析计算具体步骤如下：
(2.1)平均安全容量分析
本发明均采用N-Nakagami衰落信道，接收信噪比γ的PDF和CDF为：
平均安全容量ASC，也即遍历安全容量，也是用来评价安全通信的常用指标，得到ASC表达式：
为了实现上述目的，本发明采用的技术方案如下：
(1)本发明的基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法，利用了发射天线选择和能量收集技术，建立了联合发射天线选择和能量收集的移动安全通信系统模型，该轻量化MS-Net网络模型结构新颖且复杂度低，针对于移动端或嵌入式设备的轻量化神经网络。相比于传统卷积神经网络，在保证准确率的前提下，极大地减少了模型参数和运算量。其网络结构吸取了MobileNet和SqueezeNet中结构的特点，融合深度可分离卷积块和Fire模块联合组成了轻量化MS-Net神经网络结构，并通过该神经网络对ASC进行预测；显著减少参数数量提高运算速率的同时保证预测的准确率，并提出了一种基于MS-Net的ASC性能智能预测方法，大大提高了ASC预测的精度和实时性，实现对移动通信系统安全性能的实时高效评估和预测。
(2)本发明的基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法，为能量受限的通信场景进行功率补充，减小整个系统的能耗，同时改善了无线信道的衰落，提高了无线信道的容量，增强了移动安全通信系统可靠性。通过分析和推导得到了ASC性能表达式，产生并提取数据，构建了ASC性能数据集。
(3)本发明所提出的MS-Net预测算法能获得比MobileNet、SqueezeNet、BP、Eman和GR算法更好的ASC性能预测结果，而且实现了网络模型的轻量化，降低了复杂度。特别地，与SqueezeNet相比，MS-Net的复杂度降低了5.6％。与MobileNet相比，MS-Net的MSE精度提高了78.7％。
附图说明
图1为本发明的移动TAS-EH安全通信系统模型图；
图2为本发明的ASC数据预处理流程图；
图3为本发明的MS-Net网络架构图；
图4为本发明的MS-Net网络第一分支结构；
图5为本发明的MS-Net网络第二分支结构；
图6为本发明的基于MS-Net的ASC性能智能预测方法的结构示意图；
图7为本发明的MS-Net预测结果示意图；
图8为MobileNet预测结果示意图；
图9为SqueezeNet预测结果示意图；
图10为BP预测结果示意图；
图11为GR预测结果示意图；
图12为Elman预测结果示意图；
图13为图7-图12中六种算法均方误差MSE对比柱状图；
图14为图7-图12中六种算法决定系数R2对比柱状图；
图15为图7-图12中六种算法测试时间对比柱状图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一
如图1所示，本发明提供的基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法，联合发射天线选择(Transmit AntennaSelection，TAS)和能量收集(Energy Harvest，EH)的移动TAS-EH安全通信方案，包括步骤如下：
(1)首先搭建发射天线选择和能量收集移动安全通信系统模型，分析方案的ASC性能并推导ASC闭合表达式。
(1.1)系统模型
建立一个联合发射天线选择和能量收集TAS-EH移动安全通信系统模型，所述系统包括发送端MSi、中继端MR、合法接收端MD和非法窃听端ME，同时部署了一个功率信标MA；
所述发送端和中继端都配备非线性能量收集设备，可从附近的功率信标MA处收集能量；
假设发送端配备了Nt根发送天线，则有1≤i≤Nt，中继端MR仍然采用DF策略。
(1.2)系统传输方法
TAS-EH移动安全通信方案的数据传输过程分为三个时隙：①发射端MSi和中继端MR从附近的功率信标MA获取能量；②发射端MSi将信号传输到中继端MR；③中继端MR在成功译码之后将信号转发给合法接收端MD和非法窃听端ME。
当TAS-EH移动安全通信方案的数据传输过程为第一时隙中，发射端MSi和中继端MR从功率信标MA处收集能量，MSi收集到的能量为：
ES＝λ1PA|HAS|2ρT (1)
式中λ1∈(0,1]是EH在MSi处的能量转换系数，PA是功率信标MA处的发射功率，HAS为MA→MSi的信道增益，ρ为能量收集器的时间分配因子，T为传输时间，收集的能量ES可用在第二时隙的信号传递，
存在非线性EH设备时，发射功率PS表示如式(2)所示：
式中，τ1为EH在MSi处的饱和门限值；
中继端MR所收集的能量表示如式(3)所示：
ER＝λ2PA|HAR|2ρT (3)
式中λ2∈(0,1]为EH在中继端MR处的能量转换系数，HAR为MA→MR的信道系数；
存在非线性EH设备时，中继端MR的发射功率表示为：
式中，τ2是收集器在MR处的饱和门限值。
在信息传输的第二时隙中，发射端MSi向中继端MR发送信息xSRi，且E{|xSRi|2}＝1；存在硬件损伤情况，中继端MR接收到的相应信号ySRi为：
式中HSRi为MSi→MR之间的信道增益，ηt,SRi和ηr,SRi分别为MSi→MR信道中发射端和中继端硬件损伤的失真噪声，是加性高斯白噪声，失真噪声表示为：
噪声能看成两个独立联合高斯变量ηt,SRi和ηr,SRi/HSRi，给定HSRi，在接收端的复合失真功率为：
式中可以看出它只受平均信号功率PS和瞬时信道增益|HSRi|2的影响；
若定义则MR处接收到的相应信号可简化为：
其中为发射机和接收机的总失真噪声。
同理，在信息传输的第三时隙中，信号xRD和xRE分别是从中继端MR处发射到合法接收端MD和非法窃听端ME的信号，在满足和/>的情况下，合法接收端MD和非法窃听端ME处接收到的相应信号yRD和yRE可简化为：
其中，和/>是中继端和接收端的总失真噪声，而/>和/>是复合AWGN。
由于同时存在噪声信号和发射端、中继段和接收端之间的总失真噪声信号，根据式(8)，(9)和(10)，MSi→MR，MR→MD和MR→ME之间的有效信干噪比SINRs为：
考虑理想情况下，不存在硬件损伤，此时各条链路信噪比为：
其中平均信噪比为
N0是功率谱密度，且XY∈{SR；RD；RE}。
(2)特征选择和数据集构建，通过分析ASC性能，产生并提取数据，将6个移动安全通信系统参数K，GSR，GRD，GRE，Rth和作为输入特征Rn，输出sn，数据集为{Tn}＝{Rn,sn}，n＝1,2,…,3100；
针对硬件损伤情况，分析并推导了该安全通信方案的平均安全容量(AverageSecrecy Capacity，ASC)性能的表达式，产生并提取数据，建立通信ASC数据集，ASC安全性能分析计算具体步骤如下：
(2.1)平均安全容量分析
本发明均采用N-Nakagami衰落信道，接收信噪比γ的PDF和CDF为：
根据香农容量公式，将链路MS→MR的互信息表示为：
考虑存在一个阈值的信息速率Rth，若ISRi＞Rth，中继MR能够成功译码，并恢复传输数据，否则，中继MR就会发生中断；
若系统的信噪比为γk，k∈{D,E}，则γk的的CDF和PDF可以表示为：
同理可以推出
其中，
将公式(17)和式(18)代入公式(20)和(21)中，可以进一步推导出γk的PDF和CDF表达式为：
其中
E是功率，N0是功率谱密度；
系统的安全容量为：
CSi(γDi,γEi)＝max{ln(1+γDi)-ln(1+γEi),0} (28)
由于采用发射天线选择技术TAS，则选取最佳发射天线g所示：
因此，可以求出最佳天线对应的CDF：
通过对CDF的公式求导可以求出最佳天线对应的PDF：
平均安全容量ASC，也即遍历安全容量，也是用来评价安全通信的常用指标，通过对式(27)求期望，得到ASC表达式：
(3)数据预处理及划分：在数据输入神经网络之前，对数据进行预处理，包含数据标准化和数据增强，有利于提高模型精度和收敛速度；之后将数据集划分成训练集和测试集，然后将处理好的训练集输入到设计的神经网络方法中进行训练。网络结构搭建及初始化。搭建好神经网络模型，采用服从正态分布随机初始化网络权重，用零矩阵初始化偏置，并设置好阈值、最大迭代次数和学习率等参数。MS-Net训练：训练集用于训练网络，通过对权重进行加权，计算每层结构输出以及训练误差；通过多次的误差反向传播和参数调整以及精度要求，获得最佳网络模型。MS-Net测试：利用测试集对训练好的MS-Net进行测试验证，获得最佳ASC预测性能。
(3.1)数据集的建立
在分析并推导ASC闭合表达式的基础上，提取影响移动安全通信ASC性能的参数作为神经网络的输入特征Rn，ASC性能作为输出sn，将提取到的数据制表并剔除数据中极端数据和错误数据并来构建通信数据集{Tn}＝{Rn,sn}，其中输入特征为：
Rn＝(rn1,rn2,...,rn6) (33)
(3.2)MS-Net网络训练(3.2.1)数据预处理
在训练之前对构建好的数据集进行数据预处理，采用Max-Min标准化将数据线性变换，映射至[0,1]区间内，为：
i和j分别代表数据集的行与列，min(rj)和max(rj)分别是第j列数据的最小值和最大值，rij是原始数据，sij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。
然后，对数据进行数据增强操作。由于提取到的数据是条状形式二维，通过数据增强，数据的特征不会改变，但是在逻辑上从二维变成了三维。卷积类神经网络更加适合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。因此做了进一步处理。以6×1的条状输入数据为例，在训练之前，首先将采用Max-Min标准化，然后经过重塑操作变成6×1×1，然后扩展数据为224×1×3的矩阵，每个像素点看成一个值，将一个6×1×1条状数据依次放入其中，数据转变过程如图2所示。
(3.2.2)MS-Net网络结构
本发明提出的轻量级MS-Net网络结构如图3所示，该结构采用两个轻量化神经网络结构组成了双分支神经网络。第一分支主要由MobileNet的深度可分离卷积模块构成，第二分支主要由SqueezeNet的fire模块构成。
MobileNet中的深度可分离卷积(Depth-wise Separate Convolution)可以拆分为深度卷积和逐点卷积。从卷积的结果上看，深度可分离卷积具有与标准卷积相似的结果，但是深度可分离卷积不但能够减少参数数量还能提升运算速率。
SqueezeNet中的fire模块可以分为压缩层和扩展层。压缩层主要用于缩减输入该模块的通道数，降低输入数据的维度，达到降低整体计算量的效果；而扩展层主要用于特征图的特征再融合与再表达。在该结构中将最大池化计算延后，可以给卷积层提供更大的激活图，更大的激活图保留了更多的信息，在显著减少参数数量的情况下，保证预测的准确率。
在MS-Net的第一分支结构中，经过数据标准化和数据增强的输入数据大小为224×1×3，输入数据首先经过具有96个卷积核的7×1卷积Conv1，卷积使用了SAME方式填充，而后通过批量样本归一化(Batch Normalization，BN)和ReLU6激活函数计算。然后将获得的特征图依次通过4组深度可分离卷积模块，深度卷积尺寸为均为3×1，而逐点卷积的卷积核数目分别为32、64、64和96。然后使用最大池化得到14×1×96特征图，具体操作如图4所示。
在MS-Net的第二个分支中，输入数据先经过具有96个卷积核的7×1卷积Conv2，卷积同样使用SAME方式填充，而后通过BN和Relu6激活函数计算。然后将输出结果依次输入8个fire模块，每通过4个fire模块会进行一次最大池化计算。最后得到14×1×257特征图，具体过程如图5所示。
然后通过特征融合将两条分支输出结果按照深度方向叠加起来，可以获得14×1×353矩阵。将输出特征图通过dropout层，并按照0.5的概率暂时随机丢弃神经元，削弱了神经元节点间的联合适应性，增强了模型泛化能力，提高模型的鲁棒性并减轻过拟合。此外，它还减少了训练所需的时间。
然后执行标准卷积Conv3(卷积尺寸大小1×1，卷积核数目为256)可以获得14×1×256特征图。将该特征图Flatten拉直为一维数据，然后输入到全连接层FC1和FC2，这两层分别有64个和32个神经元节点。最后使用Sigmoid函数来获得最终结果。
(3.2.3)性能评价指标
采用了模型测试时间来比较各个算法的复杂度，采用均方误差(MSE)和拟合优度(R2)也称决定系数，来比较神经网络算法的准确性和鲁棒性。
①均方误差(MSE)可以通过计算实际值和预测值之间的平方差来计算，表达式：
其中，k为测试样本的个数，假定s为待拟合数据。和sn分别为第n个数据的神经网络预测值和待拟合的实际值。
②决定系数R2，也称拟合优度，取值范围从[0,1]。该评价指标反映了预测值对真实值的拟合程度，改值越大表明模型对数据的拟合程度越高其表达式：
式中，k为测试样本的个数，sn和/>分别为第n个数据的神经网络预测值、待拟合的实际值和均值。
(3.3)ASC预测结果
MS-Net、MobileNet、SqueezeNet、BP、Elman和GR神经网络算法训练参数如表1所示，六种算法的ASC性能预测结果如图7到图12所示。这些结果表明，本发明所提出的MS-Net算法相比于其他算法可以提供更好的ASC预测。
表1六种算法训练参数设置
将MS-Net算法的性能与MobileNet、SqueezeNet、BP、Elman和GR算法进行比较。六种算法ASC性能预测的均方误差、决定系数和测试时间结果如表2所示。
表2不同算法SOP预测均方误差、决定系数及测试时间对比
图13到图15给出了六种算法ASC性能预测的对比情况。结果表明，本发明所提出的MS-Net算法可以获得最好的ASC预测性能。对于六种不同的算法，由图13可知，MS-Net的MSE精度为0.00794，优于MobileNet、SqueezeNet、BP、Elman和GR算法。与MobileNet相比，MS-Net的MSE提高了78.7％。由图14可知，MS-Net的R2为0.995，模型和数据的拟合程度是最好的结果。从图15可知，MS-Net神经网络的模型测试时间为0.284，测试耗时比MobileNet高，比SqueezeNet低，由此可见，网络模型实现了轻量化，降低了复杂度。与SqueezeNet相比，复杂度降低了5.6％。综合来看，所提出的MS-Net算法具有最佳的ASC预测性能。
本发明的基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法，利用了发射天线选择和能量收集技术，建立了联合发射天线选择和能量收集的移动安全通信系统模型。
为能量受限的通信场景进行功率补充，减小整个系统的能耗，同时改善了无线信道的衰落，提高了无线信道的容量，增强了移动安全通信系统可靠性。通过分析和推导得到了ASC性能表达式，产生并提取数据，构建了ASC性能数据集。
本发明的基于MS-Net的ASC性能智能预测方法，基于深度学习的理论，设计了一种新颖的轻量化MS-Net神经网络，该网络模型结构综合了MobileNet和SqueezeNet中深度可分离卷积和fire结构的特点，显著减少参数数量提高运算速率的同时保证预测的准确率，大大提高了ASC预测的精度和实时性。
以上结果表明，本发明所提出的MS-Net预测算法能获得比MobileNet、SqueezeNet、BP、Eman和GR算法更好的ASC性能预测结果，而且实现了网络模型的轻量化，降低了复杂度。特别地，与SqueezeNet相比，MS-Net的复杂度降低了5.6％。与MobileNet相比，MS-Net的MSE精度提高了78.7％。
综上，本发明提出了的基于MS-Net的ASC性能智能预测方法，设计了一种轻量化MS-Net网络模型，该网络模型结构新颖且复杂度低，针对于移动端或嵌入式设备的轻量化神经网络。相比于传统卷积神经网络，在保证准确率的前提下，极大地减少了模型参数和运算量。其网络结构吸取了MobileNet和SqueezeNet中结构的特点，融合深度可分离卷积块和Fire模块联合组成了轻量化MS-Net神经网络结构，并通过该神经网络对ASC进行预测。
本发明已经通过上述实例进行了说明，但应当理解的是，上述实例知识用于举例和说明的目的。因此，凡在技术领域中通过逻辑分析、推理或者有限实验得到技术方法，皆应当属于描述的实例保护范围内。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1. 基于轻量化 MS-Net 的移动发射天线选择和能量收集 TAS-EH 系统安全通信性能智能预测方法，其特征在于，包括步骤如下：
（1）首先搭建移动 TAS-EH 安全通信系统模型，分析移动TAS-EH 安全通信系统模型的数据传输方案的平均安全容量ASC性能，并推导平均安全容量ASC闭合表达式；
（2）特征选择和数据集构建，通过分析ASC性能，产生并提取数据，将6个移动安全通信系统参数，/>，/>，/>，/>和 />作为输入特征/>，输出/>，数据集为，/>；/>，/>和/>分别表示各条链路的相对几何增益，所有无线信道均遵循N-Nakagami分布，各链路信道增益分别为/>，/>和/>，发射端和中继端均为能量受限的节点，按照时间交换方式从附近的功率信标MA收集能量，假设发射端MSi和中继MR经过功率信标补充能量后，系统总能量为/>，P S=KE, P R=(1-K)E, K为功率分配系数；
（3）数据预处理及划分：在数据输入神经网络模型之前，对数据进行预处理，包含数据标准化和数据增强，提高模型精度和收敛速度；之后将数据集划分成训练集和测试集，然后将处理好的训练集输入到设计的神经网络模型中进行训练；
（4）网络结构搭建及初始化：搭建好神经网络模型，采用服从正态分布随机初始化网络权重，用零矩阵初始化偏置，并设置好阈值、最大迭代次数和学习率相关参数；
（5）MS-Net训练：训练集用于训练网络，通过对权重进行加权，计算每层结构输出以及训练误差，通过多次的误差反向传播和参数调整以及精度要求，获得最佳网络模型；
（6）MS-Net测试：利用测试集对训练好的MS-Net进行测试验证，获得最佳ASC预测性能。
2.根据权利要求1所述的基于轻量化 MS-Net 的移动发射天线选择和能量收集 TAS-EH 系统安全通信性能智能预测方法，其特征在于，具体步骤包括如下：
（1.1）系统模型：建立移动TAS-EH 安全通信系统模型，所述系统包括发送端MS i 、中继端MR、合法接收端MD和非法窃听端ME，同时部署了一个功率信标MA；发送端和中继端都配备非线性能量收集设备，可从附近的功率信标MA处收集能量；
假设发送端配备了 根发送天线，则有/>，中继端MR仍然采用解码转发解码转发中继DF策略；
（1.2）系统传输方法：移动TAS-EH 安全通信系统模型的数据传输方案的信息传输过程分为三个时隙：①发射端MSi和中继端MR从附近的功率信标MA获取能量；②发射端MSi将信号传输到中继端MR；③中继端MR在成功译码之后将信号转发给合法接收端MD和非法窃听端ME。
3.根据权利要求2所述的基于轻量化 MS-Net 的移动发射天线选择和能量收集 TAS-EH 系统安全通信性能智能预测方法，其特征在于，具体包括计算步骤如下：
当移动TAS-EH安全通信系统模型的数据传输方案的信息传输过程为第一时隙中，发射端MSi和中继端MR从功率信标MA处收集能量，MSi收集到的能量为：
（1）
式中是EH在MS i 处的能量转换系数，/>是功率信标MA处的发射功率，/>为/>的信道增益，/>为能量收集器的时间分配因子，/>为传输时间，收集的能量/>可用在第二时隙的信号传递，
存在非线性EH设备时，发射功率表示如式（2）所示：
（2）
式中，为EH在MSi处的饱和门限值；
中继端MR所收集的能量表示如式（3）所示：
（3）
式中为EH在中继端MR处的能量转换系数，/>为/>的信道系数；
存在非线性EH设备时，中继端MR的发射功率表示为：
（4）
式中，是收集器在MR处的饱和门限值。
4.根据权利要求3所述的基于轻量化 MS-Net 的移动发射天线选择和能量收集 TAS-EH 系统安全通信性能智能预测方法，其特征在于，具体包括计算步骤如下：
在信息传输的第二时隙中，发射端MS i 向中继端MR发送信息，且；存在硬件损伤情况，中继端MR接收到的相应信号/>为：
（5）
式中为/>之间的信道增益，/>和/>分别为/>信道中发射端和中继端硬件损伤的失真噪声，/>是加性高斯白噪声，失真噪声表示为：
（6）
噪声能看成两个独立联合高斯变量和/>，给定/>，在接收端的复合失真功率为：
（7）
式中k t、SRi 和k r、SRi 分别表示MS i -MR信道中发射端和中继端的硬件损伤系数，k SRi 表示发射端和中继端总的硬件损伤系数，可以看出它只受平均信号功率和瞬时信道增益的影响；
若定义，则MR处接收到的相应信号可简化为：
（8）
其中为发射机和接收机的总失真噪声。
5.根据权利要求4所述的基于轻量化 MS-Net 的移动发射天线选择和能量收集 TAS-EH 系统安全通信性能智能预测方法，其特征在于，具体包括计算步骤如下：
同理，在信息传输的第三时隙中，信号和/>分别是从中继端MR处发射到合法接收端MD和非法窃听端ME的信号，在满足/>和的情况下，其中k t、RD和k r、RD分别表示MR-MD信道中继端和接收端的硬件损伤系数，k RD是中继端和接收端总的硬件损伤系数，k t、RE和k r、RE是指MR-ME信道中中继端和接收端的硬件损伤系数，k RE是中继端和接收端总的硬件损伤系数；合法接收端MD和非法窃听端ME处接收到的相应信号/>和/>简化为：
（9）
（10）
其中，和/>是中继端和接收端的总失真噪声，而/>和/>是复合AWGN，/>和是MR-MD和MR-ME信道中加性高斯白噪声满足的复高斯分布的标准差；
由于同时存在噪声信号和发射端、中继端和接收端之间的总失真噪声信号，根据式（8），（9）和（10），，/>和/>之间的有效信干噪比SINRs为：
（11）
（12）
（13）
考虑理想情况下，不存在硬件损伤，此时各条链路信噪比为：
（14）
（15）
（16）
其中平均信噪比为
（17）
是功率谱密度，且/>，/>，/>，是MS-MR，MR-MD和MR-ME信道中加性高斯白噪声满足的复高斯分布的标准差。
6.根据权利要求5所述的基于轻量化 MS-Net 的移动发射天线选择和能量收集 TAS-EH 系统安全通信性能智能预测方法，其特征在于，ASC平均安全容量分析计算具体步骤如下：
（2.1）平均安全容量分析：均采用N-Nakagami衰落信道，接收信噪比的PDF和CDF为：
（18）
（19）
公式（18）（19）中，N为衰弱因子，是Gamma函数，/>为信道增益平方的期望，m t 为衰落系数，r为接收信噪比，/>为平均信噪比，/>为Meijer-G函数；
平均安全容量ASC，也即遍历安全容量，也是用来评价安全通信的常用指标，得到ASC闭合表达式：
（32）
公式（32）中，和/>分别为最佳发射天线/>对应的合法接收端MD和非法窃听端ME的接收信噪比，f()和F()分别表示概率密度函数和累积分布函数，C Sg()表示最佳发射天线对应的安全容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310861059.9A CN116761179B (zh) | 2023-07-14 | 2023-07-14 | 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310861059.9A CN116761179B (zh) | 2023-07-14 | 2023-07-14 | 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116761179A CN116761179A (zh) | 2023-09-15 |
| CN116761179B true CN116761179B (zh) | 2024-04-30 |
Family
ID=87957171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310861059.9A Active CN116761179B (zh) | 2023-07-14 | 2023-07-14 | 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116761179B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| CN112634019A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 基于细菌觅食算法优化灰色神经网络的违约概率预测方法 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| CN114819054A (zh) * | 2022-03-11 | 2022-07-29 | 西北工业大学 | 一种基于物理信息神经网络的电力电子系统状态监测方法 |
-
2023
- 2023-07-14 CN CN202310861059.9A patent/CN116761179B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| 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 |
| WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
| CN112634019A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 基于细菌觅食算法优化灰色神经网络的违约概率预测方法 |
| CN114819054A (zh) * | 2022-03-11 | 2022-07-29 | 西北工业大学 | 一种基于物理信息神经网络的电力电子系统状态监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Data secure transmission intelligent prediction algorithm for mobile industrial IoT networks;Lingwei Xu等;Digital Communications and Networks;全文 * |
| 一种基于改进ResNet的发射天线智能选择算法;李玉芳等;聊城大学学报(自然科学版);全文 * |
| 移动协作通信网络的物理层安全性能研究;徐凌伟等;聊城大学学报(自然科学版);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116761179A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Deep cooperative sensing: Cooperative spectrum sensing based on convolutional neural networks | |
| Zhang et al. | Overfitting and underfitting analysis for deep learning based end-to-end communication systems | |
| CN111786724B (zh) | 基于深度学习的多波长led水下可见光通信调制方法 | |
| CN108834109B (zh) | 全双工主动窃听下基于q学习的d2d协同中继功率控制方法 | |
| CN108834113A (zh) | 一种面向5g蜂窝网物理层安全的d2d隐蔽通信系统及其通信方法 | |
| CN110380762B (zh) | 一种计算与通信融合的大规模接入方法 | |
| CN108306666B (zh) | 基于李雅普诺夫算法的在线noma多天线系统的波束成形优化方法 | |
| CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
| CN104202106B (zh) | 移动场景中基于信任度的协作频谱感知方法 | |
| CN113726471A (zh) | 一种智能反射表面辅助型mimo隐蔽通信系统及参数优化方法 | |
| CN113242066A (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
| CN110708698A (zh) | 一种基于无线携能通信的异构无线传感器网络的物理层安全传输方法 | |
| CN116761179B (zh) | 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法 | |
| 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 | |
| CN114900223A (zh) | 基于受扰链路夹角的星间通信链路干扰规避方法 | |
| CN111795611B (zh) | 一种低复杂度无人机调制方式盲识别及其反制方法、系统 | |
| Sun et al. | Semantic-driven computation offloading and resource allocation for uav-assisted monitoring system in vehicular networks | |
| CN113766492B (zh) | 一种安全Massive MIMO网络资源配置方法 | |
| CN113056029B (zh) | 一种适用于低轨卫星网络的能量受限终端随机接入方法 | |
| CN113824530A (zh) | 一种基于无人机通信的涉密场所干扰屏蔽方法及系统 | |
| Zhang et al. | Deep Learning Based Resource Allocation for Full-duplex Device-to-Device Communication | |
| CN116260490B (zh) | 一种面向去蜂窝多天线系统的前传压缩与预编码方法 | |
| Liu et al. | Semantic Redundancy-Aware Multi-View Edge Inference Based on Rate-Distortion in IoT Systems | |
| CN115622849B (zh) | 一种基于5g信号mcs盲识别的智能化欺骗性攻击防范方法 | |
| CN112350791B (zh) | 一种基于深度学习的太赫兹信号检测方法 |
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 |