一种基于深度学习信道估计的多播频控阵方法

1.本发明涉及通信领域，尤其是天线阵列的方向调制方法，适用于在实际信道条件下，利用频控阵和深度学习信道估计算法结合人工噪声进行多播无线安全通信。


背景技术：

2.基于多路广播方向调制系统(如图1所示)，有若干个合法用户群，每个群中有若干个合法用户，需要将不同的信息传输给相应的合法用户群，同时保证其他合法用户群接不到不属于自己的信息。除此之外，还要防止可能位置上的窃听者窃听保密信息。
3.当前基于相控阵的方向调制技术能够实现方向上的保密通信，即在合法用户方向达到很高信噪比，同时在其他方向信噪比很低。但是若窃听者和合法用户处于相同的方向上，则无法实现保密通信。引入频控阵方向调制实现无线保密通信，由于频控阵的距离和角度的二维依赖性，因而广泛应用于方向调制保密通信中。
4.传统的基于多播频控阵都是基于理想信道条件，然而在实际应用过程中，信道的情况是瞬息万变的，仅仅基于理想信道模型是无法应用的。传统的信道估计方法既复杂成本又高，无法满足实际通信系统的要求。近年来，深度学习引起了人们的广泛关注，它在计算机视觉，语音识别和自然语言处理等方面取得了巨大成功。由于基于深度学习的算法是数据驱动的，因此对于现实世界系统中的缺陷更加具有鲁棒性；并且基于深度学习的算法具有低计算复杂度，因此，将深度学习被引入物理层安全可以解决各种问题，并具有卓越的性能。


技术实现要素：

5.为了克服现有技术的不足，本发明提供一种基于深度学习信道估计的多播频控阵方法。本发明所要解决的技术问题是提供一种基于深度学习信道估计的多播频控阵方法，通过引入频控阵技术，采用最小信息功率优化波束成器，并结合使用人工噪声，使得目标合法用户群能够接收到相应信息，同时，采用基于深度学习的信道估计方法估计信道，对动态信道进行在线跟踪，减少外界环境变化带来的性能下降，从而有效保障了通信安全。
6.本发明解决其技术问题所采用的技术方案包括以下步骤：
7.步骤1：首先由接收端发送大量导频序列给发送站，采集接收数据作为训练数据集；
8.步骤2：随机选取步骤1中的训练数据集的数据进行离线预训练和离线训练，得到训练好的网络，将网络加载到阵列处理单元上，之后的使用就可以省去步骤(1)和步骤(2)；
9.步骤3：初始化阵列参数；
10.设置初始化参数包括：初始化信源天线数n；每根天线的最大频率偏移量为δf，信号参考载频为f
c
；阵列天线之间的间距d＝c/2f
c
，防止会出现栅瓣，导致空间模糊，初始化阵列天线之间的间距，其中，c表示电磁波传播速率；
11.步骤4：先由接收端发送一段导频至发送端，通过训练好的神经网络即可得到该信
道条件下的合法用户的导向矢量；
12.步骤5：根据最小化发射功率以及合法用户信干噪比约束，建立优化目标函数；
13.步骤6：将目标函数进行松弛化和向量化，将其转化成半正定优化问题；
14.步骤7：通过sedumi利用内点法解决半正定问题解得x
k
；
15.步骤8：采用随机化技术得到获得最优波束形成矢量；
16.步骤9：根据合法用户群导向矩阵，计算在合法群的零空间，即为人工噪声投影矩阵，最终，得到发送第k个合法用户群的基带信号；重复步骤4，重新估计导向矢量，开始下一次通信。
17.所述步骤2中预训练过程为：先随机选取训练数据集中的少量数据，一般选取总训练集的10％作为训练数据，由于神经网络无法直接处理复数信息，因此将训练数据x(n)分别取实部和虚部，拉直为一个二维向量；定义函数其中表示取复数z的实部，表示取复数z的虚部，那么输入神经网络的数据表示为x
p
(n)＝f
r
(x(n))；将网络输出的表示为则需要估计的信道矩阵表示为其中，vec
‑1(
·
)表示向量的矩阵化；k表示第k个目标合法用户群；表示f
r
(
·
)的反函数，即将网络输出得到的实数结果重组为复数；预训练和训练过程均采用adam优化算法，损失函数采用常用的均方误差(mean squard error,mse)。预训练采用随机权值进行初始化，而训练过程采用预训练得到的权值进行初始化，以加速网络收敛过程，训练过程采用全量数据集进行训练。
18.所述步骤4包括如下步骤：
19.接收导频信号，将导频信号输入步骤2中训练好的网络，得到信道矩阵其中就表示第k个群中第m个合法用户的导向矢量，而m
k
为第k个群合法用户总数。
20.所述步骤5包括如下步骤：
21.建立最小化发射功率，满足合法用户信干噪比和发射天线数约束优化目标函数
[0022][0023][0024][0025]
其中，w
k
表示第k个群波束形成器，为第k个合法用户群中第m个用户的信道噪声方差，表示第k个合法用户群中第m个用户的期望信噪比。
[0026]
所述步骤6包括如下步骤：
[0027]
通过松弛化后，将目标函数转化为半正定优化：
[0028][0029][0030][0031][0032]
其中，定义两个中间变量和和表示第k个合法用户群中第m个用户的导向矢量，w
k
表示第k个群波束形成器，为第k个合法用户群中第m个用户的信道噪声方差，表示第k个合法用户群中第m个用户的期望信噪比，tr(
·
)为求矩阵的迹。
[0033]
所述步骤8包括如下步骤：
[0034]
将步骤7中得到的x
k
进行矩阵分解，即计算出最优波束矢量其中e是一个随机分布矩阵，得到最优波束形成矢量。
[0035]
所述步骤9包括如下步骤：
[0036]
计算合法用户群导向矩阵：
[0037]
h
l
＝[h
l,1
,h
l,2
,...,h
l,k
]，
[0038]
计算人工噪声投影矩阵：
[0039]
其中，i
n
表示n
×
n单位矩阵；
[0040]
得到发送第k个合法用户群的基带信号为
[0041][0042]
其中，p
an
是人工噪声功率，n
an
为归一化的人工噪声，满足z是噪声向量，满足高斯随机分布，即
[0043]
本发明的有益效果在于：
[0044]
1)本发明提出了基于深度学习的信道估计方法，由于神经网络的数据驱动，对于实际系统中的缺陷更加具有鲁棒性；
[0045]
2)本发明的基于深度学习的信道估计方法，由于基于预训练与训练是离线的，而实际应用中仅仅利用乘加运算，算法的复杂度大大降低，运算量更小；
[0046]
3)本发明提出最小化发射功率，满足合法用户信干噪比约束优化波束形成矢量，使得在最小化信号发射功率情况下，保证所有目标合法用户群能够正确获得保密信息；
[0047]
4)本发明提出结合人工噪声，在总功率一定情况下，将剩余功率分配给人工噪声，使得人工噪声随机产生，不影响合法用户群的情况下，干扰窃听用户，使得窃听用户难以解调出信息。
附图说明
[0048]
图1为本发明的窃听者与合法用户群示意图。
[0049]
图2为本发明频控阵波型成形原理简图。
[0050]
图3为本发明深度学习的网络结构示意图。
[0051]
图4为本发明训练测试过程的示意图。
具体实施方式
[0052]
下面结合附图和实施例对本发明进一步说明。
[0053]
本发明采用基于深度学习的信道估计方法对动态信道进行在线跟踪，减少外界环境变化带来的性能下降频控阵方向调制技术，并且采用最小化发射功率，满足合法用户信干噪比和发射天线数约束优化准则，保证合法用户能够正常接收保密信息，最小化发射天线数目。除此之外，设计人工噪声投影矩阵，使得除合法用户外其他地方增加人工干扰，避免窃听者窃听保密信号，从而有效保障了通信安全。如图2所示，本发明提供了一种基于多播系统的频控阵方向调制安全通信方法，包括步骤：
[0054]
1)由接收端发送大量导频序列给发送站，采集接收数据作为训练数据集；
[0055]
2)选取一部分数据进行离线预训练和离线训练得到训练好的网络，将网络加载到阵列处理单元上，深度学习的网络结构示意图如图3所示，训练测试过程示意图见图4所示；
[0056]
3)初始化信源天线数n；每根天线的最大频率偏移量为δf，信号参考载频为f
c
。根据公式d＝c/2f
c
初始化阵列天线之间的间距；在带宽约束下，产生随机频率偏移产生非线性频率偏移δf
n
＝log(n+1)δ,n＝1,2,...,n；
[0057]
4)先由接收端发送一段导频至发送端，由训练好的网络即可得到该信道条件下的合法用户的导向矢量
[0058]
5)对优化函数进行转换，转变成半正定形式；
[0059]
6)采用工具sedumi利用内点法有效地解决了这类半正定问题；
[0060]
7)采用随机化技术得到获得最优波束形成矢量；
[0061]
8)根据估计导向矢量，得到用户导向矩阵h
l
＝[h
l,0
,h
l,1
,...,h
l,k
‑1]。计算人工噪声投影矩阵
[0062]
9)得到发送第k个合法用户群的基带信号回到步骤4)，开始下一次通信。