[发明专利]OFDM加密系统中基于卷积神经网络的无密钥解密方法

权利要求书

1.OFDM加密系统中基于卷积神经网络的无密钥解密方法，其特征在于，包括以下步骤：

S1、加密数据的获取；

原始数据经过串并转换、QAM映射，产生QAM符号，并利用Arnold变换进行QAM符号的置乱，得到加密数据；所述加密数据包括多对明文和与之对应的密文；

S2、加密数据的训练；

将加密数据输入到卷积神经网络中，密文通过卷积神经网络的前向传播以提取加密数据的特征，将加密数据的特征与相应的明文对比以计算出两者之间的误差；然后进行反向传播，通过更新卷积神经网络的权值W，使得密文和对应的明文之间的误差变小；通过上述前向传播和反向传播的循环，以训练得到无密钥解密模型；

S3、信号解密；

基于OFDM加密系统，待解密数据经过串并转换、QAM映射，产生QAM符号，利用Arnold变换进行QAM符号的置乱；然后经过OFDM调制后进入信道中传输；最后在接收端将接收的信号输入无密钥解密模型中，进行信号解密以得到原始信号。

2.根据权利要求1所述的无密钥解密方法，其特征在于，所述步骤S1中，利用Arnold变换进行QAM符号的置乱，包括：

利用Arnold变换将原始数据矩阵中各个位置的点进行重新排列，以实现置乱。

3.根据权利要求1所述的无密钥解密方法，其特征在于，所述步骤S2中，利用卷积神经网络对明文和密文进行训练，密文经过卷积神经网络训练后，卷积神经网络可以自动从数据中学习特征，并把结果向同类型未知数据泛化。

4.根据权利要求3所述的无密钥解密方法，其特征在于，所述步骤S2中，数对密文和相应的明文输入至卷积神经网络中，密文进入卷积层进行卷积；

假设密文矩阵X的大小为m×m，卷积层中卷积核为W的大小为L×L，卷积过程表示为：

其中，X_c为经过卷积层产生的矩阵，x(i,j)为卷积核中各个点，w(i,j)为卷积核中各个点的权值，b(i,j)为卷积核中各个点的偏置，σ为卷积层神经网络的激活函数；

对于密文，提取每次进行Arnold变换的特征；

在卷积层进行特征提取后，输出的特征图传输到池化层进行特征选择和信息过滤；

经过若干次卷积和池化后，将训练产生的数据特征连接到输出层，输出层将特征结果整形成与原始数据矩阵大小一致，以应用于明文的预测。

5.根据权利要求4所述的无密钥解密方法，其特征在于，所述步骤S2中，卷积神经网络的训练误差通过误差函数衡量，根据误差函数计算卷积神经网络反向传播各个层的误差量，由均方误差函数计算出池化层的误差量；

在前向传播时，池化层采用最大值对输入进行池化，池化的区域大小已知；

在反向传播时，首先将池化输出的所有矩阵大小还原成池化之前的大小，然后把所有矩阵的各个池化局域的值置于之前做前向传播时得到最大值的位置；

对于卷积层的反向传播，根据卷积层的前向传播公式可得，卷积层的传播误差公式为：

其中，rot180表示矩阵旋转180°，W_l表示第l层卷积核中的权值，σ表示激活函数，σ′_c表示对激活函数进行求导；表示第l层卷积层输入；分别表示第l+1和l层的卷积层误差值；

当获取卷积层的误差后，计算每个卷积核的权值W的更新梯度：

其中，α为更新系数，W′_l表示更新过后第l层卷积核中的权值，W_l分别表示第l层卷积核中的权值，为卷积层输入的第i点的值，为第l层的卷积层误差值；

每个卷积核的偏置b也需要更新，由于是高维张量，而b只是一个向量，将的各个点的误差求和，得到一个误差向量，即b_l的梯度为：

其中，α为更新系数，为第l层的卷积层误差，b_l′表示更新过后第l层卷积核的偏置，b_l为第l层卷积核的偏置，表示卷积核矩阵中坐标索引(u，v)的误差，通过上述更新规则，权重和偏差可连续更新，直到均方误差值接近预设值。

6.根据权利要求1所述的无密钥解密方法，其特征在于，所述步骤S2中，若用于训练的明文和对应的密文的数量不足时，明文和对应的密文可重复使用。