[发明专利]一种基于深度学习信道估计的多播频控阵方法

说明书

本发明提供了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。本发明对于实际系统中的缺陷更加具有鲁棒性，算法的复杂度大大降低，运算量更小，保证所有目标合法用户群能够正确获得保密信息，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。

技术领域

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

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。

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。

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。

发明内容

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。

本发明解决其技术问题所采用的技术方案包括以下步骤：

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；

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)；

步骤3：初始化阵列参数；

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；

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；

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；

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；

步骤7：通过SeDuMi利用内点法解决半正定问题解得X_k；

步骤8：采用随机化技术得到获得最优波束形成矢量；