CN117220735A - 发射天线选择方法、装置、计算机设备及可读介质 - Google Patents

发射天线选择方法、装置、计算机设备及可读介质 Download PDF

Info

Publication number
CN117220735A
CN117220735A CN202210622617.1A CN202210622617A CN117220735A CN 117220735 A CN117220735 A CN 117220735A CN 202210622617 A CN202210622617 A CN 202210622617A CN 117220735 A CN117220735 A CN 117220735A
Authority
CN
China
Prior art keywords
channel
antenna
state information
channel state
classification model
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.)
Pending
Application number
CN202210622617.1A
Other languages
English (en)
Inventor
陆海涛
杨立君
陈伯庆
戈昕超
倪云云
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.)
ZTE Corp
Original Assignee
ZTE Corp
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 ZTE Corp filed Critical ZTE Corp
Priority to CN202210622617.1A priority Critical patent/CN117220735A/zh
Priority to PCT/CN2023/089994 priority patent/WO2023231639A1/zh
Publication of CN117220735A publication Critical patent/CN117220735A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)

Abstract

本公开提供一种发射天线选择方法，包括：根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息；利用信道自相关函数，根据t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息；根据(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线；分类模型包括毫米波MIMO系统的至少两个天线类别，分类模型采用SVM算法训练得到。利用信道自相关函数表征信道时变性，通过对信道状态进行预测，缓解CSI误差以及过时问题；根据信道预测获得的(t+τd)时刻的信道状态信息，结合SVM算法进行最佳发射天线选择，使得发射天线能够达到最佳性能。本公开还提供一种发射天线选择装置、计算机设备和可读介质。

Description

发射天线选择方法、装置、计算机设备及可读介质
技术领域
本公开涉及通信技术领域，具体涉及一种发射天线选择方法、装置、计算机设备及可读介质。
背景技术
MIMO(Multiple Input Multiple Output，多进多出)系统中，通过在信号发送端进行天线选择可以降低射频复杂度。基于已知的CSI(Channel State Information，信道状态信息)选择最佳发射天线可以最大化接收机的信噪比，最终可以有效避免窃听。因此，最佳TAS(Transmit Antenna Selection，发射天线选择)也是物理层安全中最重要的MIMO技术之一。在物理层安全中，TAS的主要优势在于它可以增强仅知部分CSI的通信保密性。
目前最佳发射天线选择方案的研究大多基于准静态衰落信道模型，信道元素值变化较平稳，属于理想化的信道模型。而在毫米波通信中，其信道特征与传统的微波频段瑞利信道有所不同。毫米波信道是典型的视距传播信道，散射和非视距传播路径十分有限，通常只有有限的几个散射簇，这导致了毫米波信道的稀疏性。目前，基于毫米波信道的安全传输研究仍处于起步阶段，而准静态衰落模型并不适用于表征毫米波信道。
在毫米波通信系统物理层数据传输过程中，由于信道天然时变且信道估计方法次优，获取的信道状态信息存在误差，且传输处理存在时延，导致用于TAS选择的信道状态非最优。
发明内容
本公开提供一种发射天线选择方法、装置、计算机设备和可读介质。
第一方面，本公开实施例提供一种发射天线选择方法，所述方法用于选择毫米波多进多出MIMO系统的最佳发射天线，所述方法包括：
根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息；
利用信道自相关函数，根据所述t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息，τd为所述信号的传输时延；
根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，所述分类模型包括所述毫米波MIMO系统的至少两个天线类别，且所述分类模型采用SVM算法训练得到。
在一些实施例中，所述分类模型采用SVM-SGD算法训练得到，训练所述分类模型的步骤包括：
针对各所述天线类别构建各所述天线类别的学习参数；
根据所有天线类别的学习参数wl构建所述分类模型；
采用SVM-SGD算法更新各所述类别对应的学习参数。
在一些实施例中，每个所述天线类别的学习参数，通过以下方式构建：
提取信道特征向量d并对所述信道特征向量d进行归一化处理，得到归一化特征向量n；
至少根据关于所述归一化特征向量n的高斯核函数f(n)和天线选择矢量，构建学习参数wl的目标函数；其中，所述毫米波MIMO系统在下一发射时隙的最佳发射天线为与选择参数的最大值关联的发射天线，所述选择参数为所述高斯核函数f(n)的值与各所述天线类别的学习参数的转置矩阵的乘积。
在一些实施例中，所述根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵G和分类模型，确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线，包括：
利用所述分类模型，根据所述(t+τd)时刻的信道状态信息和原始窃听信道矩阵计算保密性能指标参数；
根据所述保密性能指标参数的最大值确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线。
在一些实施例中，所述保密性能指标参数为信道遍历保密容量，所述利用所述分类模型，根据所述(t+τd)时刻的信道状态信息和原始窃听信道矩阵计算保密性能指标参数,包括：
至少将所述(t+τd)时刻的信道状态信息输入所述分类模型，计算得到所述用户设备的第一信噪比；
至少将所述原始窃听信道矩阵输入所述分类模型，计算得到窃听者的第二信噪比；
根据所述第一信噪比和所述第二信噪比计算所述信道遍历保密容量。
在一些实施例中，所述利用信道自相关函数，根据所述t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息,包括：
根据零阶一类贝塞尔函数、多普勒扩展和所述信号的传输时延，计算信道相关系数；
利用信道自相关函数，根据所述信道相关系数、所述t时刻的信道状态信息和随机干扰矩阵，计算(t+τd)时刻的信道状态信息。
在一些实施例中，在根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线之后，所述方法还包括：
计算天线选择正确率，所述天线选择正确率为所述最佳发射天线的数量与所述天线类别数量的比值。
又一方面，本公开实施例还提供一种发射天线选择装置，包括信道估计模块、信道预测模块和天线选择模块，所述信道估计模块用于，根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息；
所述信道预测模块用于，利用信道自相关函数，根据所述t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息，τd为所述信号的传输时延；
所述天线选择模块用于，根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，所述分类模型包括所述毫米波MIMO系统的至少两个天线类别，且所述分类模型采用SVM算法训练得到。
又一方面，本公开实施例还提供一种计算机设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前所述的发射天线选择方法。
又一方面，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，所述程序被执行时实现如前所述的发射天线选择方法。
本公开实施例提供的发射天线选择方法，用于选择毫米波MIMO系统的最佳发射天线，所述方法包括：根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息；利用信道自相关函数，根据t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息，τd为信号的传输时延；根据(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，分类模型包括毫米波MIMO系统的至少两个天线类别，且分类模型采用SVM算法训练得到。本公开实施例利用信道自相关函数表征信道时变性，通过对信道状态进行预测，从而缓解CSI误差以及过时问题；根据信道预测获得的(t+τd)时刻的信道状态信息，结合机器学习SVM算法进行最佳发射天线选择，使得发射天线能够达到最佳性能。
附图说明
图1为本公开实施例提供的发射天线选择的流程示意图；
图2为本公开实施例提供的发射天线选择的过程示意图；
图3为本公开实施例提供的信号预处理过程示意图；
图4为本公开实施例提供的训练所述分类模型的流程示意图；
图5为本公开实施例提供的构建天线类别的学习参数wl的流程示意图；
图6为本公开实施例提供的根据分类模型进行发射天线选择的流程示意图一；
图7为本公开实施例提供的MIMO窃听信道模型示意图；
图8为本公开实施例提供的根据分类模型进行发射天线选择的流程示意图二；
图9为本公开实施例提供的信道预测的流程示意图；
图10为本公开实施例提供的不同方式进行天线选择的信道遍历保密容量对比示意图；
图11为本公开实施例提供的不同算法进行天线选择的天线选择正确率的对比示意图；
图12为本公开实施例提供的不同算法的分类模型训练时间的对比示意图；
图13为本公开实施例提供的发射天线选择装置的结构示意图一；
图14为本公开实施例提供的发射天线选择装置的结构示意图二。
具体实施方式
在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
现有的发射天线选择方法主要集中于求解最优化问题。最优化方法是通过搜索找出目标函数最优解的方法。其中能达到最佳性能的是穷举搜索算法。穷举搜索是在候选的多天线中，进行枚举检验获取最优解集合。由于其搜索成本及复杂度与候选解数量呈正比，因此，穷举搜索法通常作为最优标准用于与次优算法进行比较。利用穷举搜索法进行最佳发射天线选择，能够选出使系统保密性能最好的天线子集。通常发射天线选择是基于已知的CSI，以最大化信噪比为准则，计算不同收发天线组合的可达信道遍历保密容量，选出其中最佳的天线子集。
目前基于安全信号传输的研究通常假设信道是理想的，此类假设未考虑实际情况下的不理想因素。由于信道估计过程中会产生误差以及传输处理存在时延等问题，会引起估计的CSI不完整且存在过时问题，用于发射天线选择的CSI不完美，导致用于信号传输的天线不能达到最佳性能。
本公开实施例提供一种发射天线选择方法，所述方法用于选择毫米波多进多出MIMO系统的最佳发射天线，结合图1、图2和图3所示，所述发射天线选择方法包括以下步骤：
步骤11，根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息。
接收机(即用户设备)发送信号，该信号可以是导频信号或者其他信号，在本公开实施例中，以导频信号为例进行说明。在本步骤中，发射机(即基站设备)接收到接收机发送的导频信号后，根据该导频信号进行信道估计，得到t时刻的信道状态信息H(t)。
毫米波波长短，传输过程受路径损耗影响较大，通常采用多径分簇射线模型建模。假设发送端配备Nt根天线，接收机配备Nr根天线，传输Ncl个数据流，每个数据流包含Nray条子路径，MIMO通信场景下的窄带毫米波信道表示为：
αil是第i个簇中第l条射线的复信道增益且表示第i个分簇中的平均功率。θil为路径增益对应的到达角，ar(θil)表示接收端对应的到达角θil的归一化阵列响应矢量；φil为路径增益对应的离开角，at(φil)表示发送端对应的离开角φil的归一化阵列响应矢量。
发送端在t时刻发送导频信号X(t)。t时刻，接收端接收到的信号表示为：其中，Pt为发射功率，H(t)为信道增益矩阵，N～CN(0,σ2)为加性高斯白噪声。
采用最小均方误差(MMSE)信道估计，实际得到的CSI为：其中，H(t)为估计CSI，NMMSE(t)为采用MMSE估计产生的误差。
本公开实施例考虑时变信道预测，并选取了真实CSI与预测结果间的误差值作为指标来评估信道预测效果。
步骤12，利用信道自相关函数，根据t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息，τd为信号的传输时延。
由于导频信号的传输存在传输时延τd，在本步骤中，发射机利用信道自相关函数，根据t时刻的信道状态信息H(t)进行信道预测，得到(t+τd)时刻的信道状态信息H(t+τd)。
目前最佳发射天线选择方案的大多基于准静态衰落信道模型实现，即信道在相干时间内保持不变，从而简化性能分析过程。但是在毫米波场景中，由于接收机的移动性，多普勒扩展在传播环境中逐步变化，对应信道脉冲响应也随着时间逐步变化。因此，发送机获取到的CSI估计值与真实CSI之间的差距逐步增大，即导频信号发射至发送机进行信号估计，到真正开始传输信息之间存在传输时延，将传输时延定义为τd，本公开实施例考虑利用信道自相关函数表征其时变特性。
网络的输出为H(t+τd)，即(t+τd)时刻信道矩阵的预测值。根据采样获得的信道参数进行训练并预测(t+τd)时刻的信道系数，生成的信道矩阵H(t+τd)具有时间序列特性，即时域相关性。
步骤13，根据(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，分类模型包括毫米波MIMO系统的至少两个天线类别，且分类模型采用SVM算法训练得到。
在本步骤中，将毫米波MIMO系统的天线划分为多个类别，采用SVM(SupportVector Machine，支持向量机)算法训练包括所述类别的分类模型，并将(t+τd)时刻的信道状态信息H(t+τd)和原始窃听信道矩阵G输入训练完成的分类模型，利用该分类模型选择下一发射时隙的最佳发射天线，其中，分类模型输出最佳天线索引。
本公开实施例结合机器学习算法SVM提出了一种智能天线选择算法，可以选出最佳发射天线用于发射机的安全信号传输，有效提升信道遍历保密容量，并且可以有效降低计算复杂度。
图3为本公开实施例的信号预处理过程，如图3所示，以TDD(Time DivisionDuplexing，时分双工)系统为例，信号预处理过程包括：信道估计、信道预测、天线选择，分别对应上述步骤11、12、13三个步骤。
本公开实施例提供的发射天线选择方法，用于选择毫米波MIMO系统的最佳发射天线，所述方法包括：根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息H(t)；利用信道自相关函数，根据t时刻的信道状态信息H(t)进行信道预测，计算得到(t+τd)时刻的信道状态信息H(t+τd)，τd为信号的传输时延；根据(t+τd)时刻的信道状态信息H(t+τd)、原始窃听信道矩阵G和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，分类模型包括毫米波MIMO系统的至少两个天线类别，且分类模型采用SVM算法训练得到。本公开实施例利用信道自相关函数表征信道时变性，通过对信道状态进行预测，从而缓解CSI误差以及过时问题；根据信道预测获得的(t+τd)时刻的信道状态信息H(t+τd)，结合机器学习SVM算法进行最佳发射天线选择，使得发射天线能够达到最佳性能。
目前利用机器学习进行发射天线选择的方案中，需要对大量CSI样本进行训练，而SVM算法的参数更新策略Grid search通过循环遍历，尝试所有可能后选出表现最好的参数，存在耗时较高的缺点。为了解决上述问题，在一些实施例中，分类模型采用SVM-SGD(Stochastic Gradient Descent,随机梯度下降)算法训练得到。本公开实施例利用SGD算法思想对SVM算法的参数更新策略进行优化，实现发射天线选择方案，将发射天线选择建模为多类分类问题，利用SVM-SGD算法训练多分类模型，并用该分类模型选择最佳发射天线。
由于信道估计过程中H(t)会产生估计误差，信号传输处理过程存在传输时延会造成实际CSI过时，因此传统信道估计获得的CSI是不完美的。本公开实施例采用基于机器学习的方案，利用已生成的CSI对网络进行训练，再将训练好的网络用于CSI预测，以缓解估计误差和时延造成的负面影响。然后，将预测的CSI用于分类模型训练，并采用SGD思想改进SVM参数更新方法以提升效率。
如图4所示，训练分类模型的步骤包括：
步骤41，针对各天线类别构建各天线类别的学习参数。
在本公开实施例中，将发射天线选择建模为多类分类问题，定义发射天线的分类标签l∈{1,...,Nt}，Nt为发射机毫米波MIMO系统发射天线的总数量。在本步骤中，针对每个天线类别l,分别构建对应的学习参数wl。
步骤42，根据所有天线类别的学习参数构建分类模型。
步骤43，采用SVM-SGD算法更新各类别对应的学习参数。
传统SVM算法采用网格搜索进行参数更新，比较所有可能的参数组合，存在训练效率低下的问题。本公开实施例采用SVM-SGD算法更新各类别对应的学习参数wl，收敛速度快，因此，基于SVM-SGD算法的天线选择方案参数更新策略可以提升分类模型的训练效率。
在一些实施例中，如图5所示，构建每个天线类别的学习参数wl的步骤包括：
步骤141，提取信道特征向量d并对信道特征向量d进行归一化处理，得到归一化特征向量n。
在本步骤中，针对每个天线类别，提取信道特征向量d并进行归一化处理，得到归一化特征向量n，n＝(d-E[d])/(max(d)-min(d))，其中，E[d]表示d的平均值。通过对信道特征向量d进行归一化处理，可以提升分类模型的精度。
步骤142，至少根据关于归一化特征向量n的高斯核函数f(n)和天线选择矢量，构建学习参数wl的目标函数；其中，毫米波MIMO系统在下一发射时隙的最佳发射天线为与选择参数的最大值关联的发射天线，选择参数为高斯核函数f(n)的值与各天线类别的学习参数的转置矩阵的乘积。
使用SVM-SGD算法进行分类决策，通过求解替代逻辑回归问题构建“一比其余”分类模型目标函数，学习参数的目标函数的公式为公式(1)：
其中，wl为学习参数，l∈{1,2,...,Nt}；c是一个非负的标量，表示偏差和过拟合之间的折衷；bl为天线选择矢量，bl＝1表示选择该天线，bl＝0表示不选择该天线；f(n)表示基于高斯径向基的核函数，用于增加原始样本特征的分布概率。
当获得所有的参数wl后，即损失最小化时，分类模型可用于TAS。应选择的天线标签l*是在所有类别中实现最大的天线标签。
接收端天线接收到的信号可以表示为：其中，B(t)为天线选择矢量。需要说明的是，这里为了突出天线选择的作用，经过天线选择后，信道矩阵仅保留了选择的列向量元素，其余元素置0。H(t+τd)表示实际的信道矩阵，非估计CSI矩阵H(t)。
在一些实施例中，如图6所示，所述根据(t+τd)时刻的信道状态信息H(t+τd)、原始窃听信道矩阵G和分类模型，确定毫米波MIMO系统在下一发射时隙的发射天线(即步骤13)，包括以下步骤：
步骤131，利用分类模型，根据(t+τd)时刻的信道状态信息和原始窃听信道矩阵计算保密性能指标参数。
在本步骤中，将(t+τd)时刻的信道状态信息H(t+τd)和原始窃听信道矩阵G输入训练完成的分类模型，利用分类模型计算保密性能指标参数。
步骤132，根据保密性能指标参数的最大值确定毫米波MIMO系统在下一发射时隙的最佳发射天线。
根据保密性能指标参数的最大值确定毫米波MIMO系统在下一发射时隙的最佳发射天线，可以选出使信道遍历保密容量最大的天线进行信号传输，从而提升无线通信物理层安全。
图7为本公开实施例提供的MIMO窃听信道模型示意图，如图7所示，发射端发送的信号可以被正常的用户设备(即接收端)收到，也可以被非法的用户设备(即窃听端)收到，发射端与接收端之间为主信道，其信道状态信息为H(t)，发射端与窃听端之间为窃听信道，其信道状态为原始窃听信道矩阵G。
在一些实施例中，所述保密性能指标参数为信道遍历保密容量。如图8所示，所述利用分类模型，根据(t+τd)时刻的信道状态信息和原始窃听信道矩阵计算保密性能指标参数(即步骤131)，包括以下步骤：
步骤1311，至少将(t+τd)时刻的信道状态信息输入分类模型，计算得到用户设备的第一信噪比。
在本步骤中，根据(t+τd)时刻的信道状态信息H(t+τd)计算接收机在t时刻的SNR(即第一信噪比)：γB＝γB,1,γB,2,...,γB,Nt，其中，
步骤1312，至少将原始窃听信道矩阵输入分类模型，计算得到窃听者的第二信噪比。
在本步骤中，根据原始窃听信道矩阵G计算窃听端在t时刻的SNR(即第二信噪比)：γE＝γE,1,γE,2,...,γE,Nt，其中，
步骤1313，根据第一信噪比和第二信噪比计算信道遍历保密容量。
信道遍历保密容量为：
当主信道的第一信噪比大于窃听信道的第二信噪比时，主信道容量高于窃听信道容量，通过最佳发射天线选择，选出使信道遍历保密容量最大的天线进行信号传输，从而提升无线通信物理层安全。
在一些实施例中，如图9所示，所述利用信道自相关函数，根据t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息(即步骤12),包括以下步骤：
步骤121，根据零阶一类贝塞尔函数、多普勒扩展和信号的传输时延，计算信道相关系数。
在一些实施例中，信道相关系数可以根据以下公式(2)计算得到：
ρd＝J0(2πfdτd) (2)
其中，J0为零阶一类贝塞尔函数，fd为多普勒扩展，ρd为信道相关系数。ρd越大，传输时延τd对信道状态信息的影响越小，ρd＝1表示在相干时间内τd对信道状态信息的影响可忽略不计。
步骤122，利用信道自相关函数，根据信道相关系数、t时刻的信道状态信息和随机干扰矩阵，计算(t+τd)时刻的信道状态信息。
在一些实施例中，信道自相关函数可以表示为公式(3)：
其中，H(t)为步骤11估计得到的t时刻的信道状态信息，为过时CSI矩阵；ρd为步骤121件计算得到的信道相关系数；R(t+τd)为独立于H(t)的随机干扰矩阵；H(t+τd)为(t+τd)时刻的信道状态信息，H(t+τd)为实时信道状态。
在一些实施例中，在根据(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线(即步骤13)之后，所述发射天线选择方法还包括以下步骤：计算天线选择正确率，天线选择正确率为最佳发射天线的数量与天线类别数量的比值。在本步骤中，利用分类模型计算并输出天线选择正确率Pc。需要说明的是，还可以利用分类模型计算并输出分类模型的训练时间，天线选择正确率Pc和分类模型的训练时间用于评判分类模型的优劣。
在训练得到分类模型后，输入(t+τd)时刻的信道状态信息，分类模型可以输出最佳天线索引l*、信道可实现信道遍历保密容量C、天线选择正确率Pc以及模型训练时间。
本公开实施例在MIMO通信场景下，假设发送端配备8根天线(Nt＝8)，接收端配备2根天线(Nr＝2)，窃听者配备2根天线；天线阵列为均匀线阵ULA(Uniform Linear Array)；通过在发射端进行信道估计获取CSI，并利用信道预测生成的H(t+τd)进行最佳发射天线选择，采用SVM-SGD算法训练分类模型。信道模型为慢变信道，慢变信道是指短时间内信道内所有路径的到达角，离开角和信道增益只有微小的变化。
本公开实施例利用基于LSTM(Long Short-Term Memory，长短期记忆网络)的时序预测信道矩阵H(t+τd)。按时间顺序，将信道增益系数矩阵组成的序列作为分类模型的输入，用于其训练与选择。该方案实现的性能结果如图10-12所示。
图10为本公开实施例提供的不同方式进行天线选择的信道遍历保密容量对比示意图，图10示出了利用传统的穷举搜索、SVM算法以及SGD算法进行天线选择实现的保密性能。这里考虑了三种方案，并采用信道复值元素的模值作为特征向量。可以看出，三种方案可实现的信道遍历保密容量随着SNR的增加而增加。SGD算法实现的平均保密容量高于SVM，且SGD方案的计算复杂度较低。
图11为本公开实施例提供的不同算法进行天线选择的天线选择正确率的对比示意图，从图11可以看出，SGD算法比SVM算法的准确度更高，说明SGD算法用于当前数据集的训练，其分类效果更好。
图12为本公开实施例提供的不同算法的分类模型训练时间的对比示意图，如图12所示，SGD算法执行一次模型训练的时间约为1.02s，而SVM算法执行一次模型训练的时间约为137.8s，因此SGD算法的训练速率也远快于SVM算法，尤其是数据集达到105量级时。SGD算法采用了梯度下降来求解参数，在凸损失函数下拟合线性分类模型实现简单而有效，降低时间复杂度，提升了分类模型的训练效率。
本公开实施例在毫米波MIMO通信系统场景下，提出一种基于机器学习的发射天线选择方案。该方案采用信道预测缓解信道估计误差、传输时延造成的发射天线选择过时问题，利用无线信道的时变特性，在有效信道预测基础之上，采用机器学习SVM算法构建分类模型，并采用随机梯度下降思想改进SVM算法的参数更新过程，增强发射天线选择在物理层的安全性能，提升模型训练效率。
本公开实施例基于毫米波MIMO系统进行创新，毫米波频段高、频谱资源丰富，为5G无线通信提供高速率传输。但由于毫米波波长短、受路径损耗影响较大，因此必须结合大规模MIMO技术，利用天线阵列效益弥补其自身缺陷。而多天线系统同时保持天线打开状态，会造成能效降低以及资源浪费问题。利用发射天线选择技术，选择使接收机信噪比最大的天线子集用于信号传输，可以有效降低资源浪费；并且在部分天线工作时，可以拉大合法用户与窃听者之间信道质量差距，从而提升传输保密性。
基于相同的技术构思，本公开实施例还提供一种发射天线选择装置，如图13所示，所述发射天线选择装置包括信道估计模块101、信道预测模块102和天线选择模块103，信道估计模块101用于，根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息。
信道预测模块102用于，利用信道自相关函数，根据所述t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息，τd为所述信号的传输时延。
天线选择模块103用于，根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，所述分类模型包括所述毫米波MIMO系统的至少两个天线类别，且所述分类模型采用SVM算法训练得到。
在一些实施例中，如图14所示，所述发射天线选择装置还包括模型训练模块104，模型训练模块104用于，采用SVM-SGD算法训练所述分类模型，其中，针对各所述天线类别构建各所述天线类别的学习参数；根据所有天线类别的学习参数wl构建所述分类模型；采用SVM-SGD算法更新各所述类别对应的学习参数。
在一些实施例中，模型训练模块104用于，通过以下方式构建每个所述天线类别的学习参数：提取信道特征向量d并对所述信道特征向量d进行归一化处理，得到归一化特征向量n；至少根据关于所述归一化特征向量n的高斯核函数f(n)和天线选择矢量，构建学习参数wl的目标函数；其中，所述毫米波MIMO系统在下一发射时隙的最佳发射天线为与选择参数的最大值关联的发射天线，所述选择参数为所述高斯核函数f(n)的值与各所述天线类别的学习参数的转置矩阵的乘积。
在一些实施例中，天线选择模块103用于，利用所述分类模型，根据所述(t+τd)时刻的信道状态信息和原始窃听信道矩阵计算保密性能指标参数；根据所述保密性能指标参数的最大值确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线。
在一些实施例中，天线选择模块103用于，至少将所述(t+τd)时刻的信道状态信息输入所述分类模型，计算得到所述用户设备的第一信噪比；至少将所述原始窃听信道矩阵输入所述分类模型，计算得到窃听者的第二信噪比；根据所述第一信噪比和所述第二信噪比计算所述信道遍历保密容量。
在一些实施例中，信道预测模块102用于，根据零阶一类贝塞尔函数、多普勒扩展和所述信号的传输时延，计算信道相关系数；利用信道自相关函数，根据所述信道相关系数、所述t时刻的信道状态信息和随机干扰矩阵，计算(t+τd)时刻的信道状态信息。
在一些实施例中，天线选择模块103还用于，在根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线之后，计算天线选择正确率，所述天线选择正确率为所述最佳发射天线的数量与所述天线类别数量的比值。
本公开实施例还提供了一种计算机设备，该计算机设备包括：一个或多个处理器以及存储装置；其中，存储装置上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如前述各实施例所提供的发射天线选择方法。
本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被执行时实现如前述各实施例所提供的发射天线选择方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本文已经公开了示例实施例，并且虽然采用了具体术语，但它们仅用于并仅应当被解释为一般说明性含义，并且不用于限制的目的。在一些实例中，对本领域技术人员显而易见的是，除非另外明确指出，否则可单独使用与特定实施例相结合描述的特征、特性和/或元素，或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此，本领域技术人员将理解，在不脱离由所附的权利要求阐明的本发明的范围的情况下，可进行各种形式和细节上的改变。

Claims (10)

1.一种发射天线选择方法，其特征在于，所述方法用于选择毫米波多进多出MIMO系统的最佳发射天线，所述方法包括：
根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息；
利用信道自相关函数，根据所述t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息，τd为所述信号的传输时延；
根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，所述分类模型包括所述毫米波MIMO系统的至少两个天线类别，且所述分类模型采用SVM算法训练得到。
2.如权利要求1所述的方法，其特征在于，所述分类模型采用SVM-SGD算法训练得到，训练所述分类模型的步骤包括：
针对各所述天线类别构建各所述天线类别的学习参数；
根据所有天线类别的学习参数wl构建所述分类模型；
采用SVM-SGD算法更新各所述类别对应的学习参数。
3.如权利要求2所述的方法，其特征在于，每个所述天线类别的学习参数，通过以下方式构建：
提取信道特征向量d并对所述信道特征向量d进行归一化处理，得到归一化特征向量n；
至少根据关于所述归一化特征向量n的高斯核函数f(n)和天线选择矢量，构建学习参数wl的目标函数；其中，所述毫米波MIMO系统在下一发射时隙的最佳发射天线为与选择参数的最大值关联的发射天线，所述选择参数为所述高斯核函数f(n)的值与各所述天线类别的学习参数的转置矩阵的乘积。
4.如权利要求1所述的方法，其特征在于，所述根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵G和分类模型，确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线，包括：
利用所述分类模型，根据所述(t+τd)时刻的信道状态信息和原始窃听信道矩阵计算保密性能指标参数；
根据所述保密性能指标参数的最大值确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线。
5.如权利要求4所述的方法，其特征在于，所述保密性能指标参数为信道遍历保密容量，所述利用所述分类模型，根据所述(t+τd)时刻的信道状态信息和原始窃听信道矩阵计算保密性能指标参数,包括：
至少将所述(t+τd)时刻的信道状态信息输入所述分类模型，计算得到所述用户设备的第一信噪比；
至少将所述原始窃听信道矩阵输入所述分类模型，计算得到窃听者的第二信噪比；
根据所述第一信噪比和所述第二信噪比计算所述信道遍历保密容量。
6.如权利要求1所述的方法，其特征在于，所述利用信道自相关函数，根据所述t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息,包括：
根据零阶一类贝塞尔函数、多普勒扩展和所述信号的传输时延，计算信道相关系数；
利用信道自相关函数，根据所述信道相关系数、所述t时刻的信道状态信息和随机干扰矩阵，计算(t+τd)时刻的信道状态信息。
7.如权利要求1-6任一项所述的方法，其特征在于，在根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定所述毫米波MIMO系统在下一发射时隙的最佳发射天线之后，所述方法还包括：
计算天线选择正确率，所述天线选择正确率为所述最佳发射天线的数量与所述天线类别数量的比值。
8.一种发射天线选择装置，其特征在于，包括信道估计模块、信道预测模块和天线选择模块，所述信道估计模块用于，根据用户设备发送的信号进行信道估计，得到t时刻的信道状态信息；
所述信道预测模块用于，利用信道自相关函数，根据所述t时刻的信道状态信息进行信道预测，计算得到(t+τd)时刻的信道状态信息，τd为所述信号的传输时延；
所述天线选择模块用于，根据所述(t+τd)时刻的信道状态信息、原始窃听信道矩阵和分类模型，确定毫米波MIMO系统在下一发射时隙的最佳发射天线；其中，所述分类模型包括所述毫米波MIMO系统的至少两个天线类别，且所述分类模型采用SVM算法训练得到。
9.一种计算机设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7任一项所述的发射天线选择方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被执行时实现如权利要求1-7任一项所述的发射天线选择方法。
CN202210622617.1A 2022-06-02 2022-06-02 发射天线选择方法、装置、计算机设备及可读介质 Pending CN117220735A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210622617.1A CN117220735A (zh) 2022-06-02 2022-06-02 发射天线选择方法、装置、计算机设备及可读介质
PCT/CN2023/089994 WO2023231639A1 (zh) 2022-06-02 2023-04-23 发射天线选择方法及装置、计算机设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210622617.1A CN117220735A (zh) 2022-06-02 2022-06-02 发射天线选择方法、装置、计算机设备及可读介质

Publications (1)

Publication Number Publication Date
CN117220735A true CN117220735A (zh) 2023-12-12

Family

ID=89026885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210622617.1A Pending CN117220735A (zh) 2022-06-02 2022-06-02 发射天线选择方法、装置、计算机设备及可读介质

Country Status (2)

Country Link
CN (1) CN117220735A (zh)
WO (1) WO2023231639A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9768924B2 (en) * 2013-08-14 2017-09-19 Hewlett Packard Enterprise Development Lp Transmit antenna selection
CN105338609B (zh) * 2015-09-29 2019-04-19 北京工业大学 多天线系统高能效动态功率分配方法
CN108923828B (zh) * 2018-07-06 2019-06-07 西北工业大学 一种基于深度强化学习的mimo窃听信道的发射天线选择方法
CN109660287B (zh) * 2018-12-10 2022-02-11 深圳大学 一种基于深度学习的天线选择方法
CN111262803B (zh) * 2020-03-04 2022-08-26 广州番禺职业技术学院 一种基于深度学习的物理层安全通信方法、装置及系统

Also Published As

Publication number Publication date
WO2023231639A1 (zh) 2023-12-07

Similar Documents

Publication Publication Date Title
Wang et al. Automatic modulation classification for MIMO systems via deep learning and zero-forcing equalization
Sohrabi et al. Active sensing for communications by learning
Kim et al. Towards deep learning-aided wireless channel estimation and channel state information feedback for 6G
CN110336594A (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN103401824A (zh) 基于修正牛顿法的频率选择性mimo系统空时盲均衡器方法
CN110430150A (zh) 一种基于神经网络的蜂窝移动通信系统接收机设计方法
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Zhao et al. Online reconfigurable antenna state selection based on Thompson sampling
Zhang et al. Active sensing for localization with reconfigurable intelligent surface
Kim et al. Massive data generation for deep learning-aided wireless systems using meta learning and generative adversarial network
Bereyhi et al. Device scheduling in over-the-air federated learning via matching pursuit
Dong et al. Optimization-Driven DRL-Based Joint Beamformer Design for IRS-Aided ITSN Against Smart Jamming Attacks
Tato et al. Neural network aided computation of generalized spatial modulation capacity
Wu et al. Joint channel estimation for RIS-assisted wireless communication system
Wang et al. Intelligent beam training with deep convolutional neural network in mmwave communications
CN117220735A (zh) 发射天线选择方法、装置、计算机设备及可读介质
Hou et al. Particle swarm optimization inspired low-complexity beamforming for MmWave massive MIMO systems
Elbir et al. Federated channel learning for intelligent reflecting surfaces with fewer pilot signals
Majumder One-bit spectrum sensing using Gustafson–Kessel fuzzy clustering for cognitive radio network
Anu et al. CNN-based Channel Estimation using NOMA for mmWave Massive MIMO System
Bobrov et al. Machine learning methods for spectral efficiency prediction in massive mimo systems
Wang et al. Wideband Beamforming for RIS Assisted Near-Field Communications
Shahabodini et al. Recurrent neural network and federated learning based channel estimation approach in mmWave massive MIMO systems
Aboutaleb et al. Symbol detection and channel estimation using neural networks in optical communication systems
Nguyen et al. An Analysis of Valid Nodes Distribution for Sphere Decoding in the MIMO Wireless Communication System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication