一种基于线性神经网络的物理层安全波束赋形方法与流程

技术特征：
1.一种基于线性神经网络的物理层安全波束赋形方法，其特征在于，包括：在预先构建的多输入单输出无线通信系统中，将信道估计、信道状态信息反馈和波束赋形设计三个过程合并为一个利用线性神经网络的反向训练过程；利用信道的互易性，由单天线的合法接收者发送训练序列，通过神经网络训练得到多天线的发送者的保密信号和人工噪声波束赋形的权值。2.根据权利要求1所述的方法，其特征在于，所述预先构建的多输入单输出无线通信系统包括：发送者、合法接收者和窃听者；所述窃听者包括被动窃听者；所述发送者包括多根天线、所述合法接收者和窃听者均包括单根天线；所述发送者同时发送保密信号和人工噪声；所述保密信号和人工噪声的波束赋形矢量通过线性神经网络获得。3.根据权利要求2所述的方法，其特征在于，所述发送者发送的信号为：其中，s为保密信号；z为人工噪声；p
s
为发送保密信号的功率，p
z
为发送人工噪声的功率；ω
s
为保密信号的波束赋形矢量；ω
z
为人工噪声的波束赋形矢量；ω
s
＝[ω
s1
,ω
s2,
…
ω
sn
]
t
；ω
z
＝[ω
z1
,ω
z2,
…
ω
zn
]
t
。4.根据权利要求2所述的方法，其特征在于，所述合法接收者接收的信号为：所述窃听者接收的信号为：其中，s为保密信号；z为人工噪声；p
s
为发送保密信号的功率，p
z
为发送人工噪声的功率；ω
s
为保密信号的波束赋形矢量；ω
z
为人工噪声的波束赋形矢量。5.根据权利要求1所述的方法，其特征在于，所述利用信道的互易性，由单天线的合法接收者发送训练序列，通过神经网络训练得到多天线的发送者的保密信号和人工噪声波束赋形的权值，包括：假设训练信号为单位功率信号x
bj
，其中，j＝1,2,
…
，l为训练符号序号，l是训练序列长度，即神经网络输入训练样本个数；x
rj
采用伪随机信号发生器产生，该信号在alice处也能同步产生；x
bj
经过信道传输后alice收到的信号为：其中，p
b
是bob发送训练信号序列的功率；n
a
是alice处的n
×
1维复加性高斯白噪声矢量，每根天线处的信道噪声功率为6.根据权利要求1所述的方法，其特征在于，发送者用加权矢量ω对各天线接收的信号进行加权后合并，且‖ω‖＝1，得到合并信号为：
如果将信号x
bj
改为由发送者发送给接收者的正向传输，采用相同的权值对信号进行加权处理，则接收者处接收到的信号为：如果发送者处和接收者处的信道噪声方差相同，则两式中的噪声都是相同分布的高斯噪声，如果权值ω能使y
aj
满足某种训练准则，则同样也能使y
bj
满足训练准则；在信道具有互易性的情况下，在与数据传输方向相反的方向上通过训练得到的波束赋形权值，与在数据传输的方向上进行训练是等价的。7.根据权利要求1所述的方法，其特征在于，利用线性神经网路的逼近特性，通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号，最终得到的权值即所需的波束赋形矢量；神经元的输出为其中，u
i
是输入，即alice各天线的接收信号；ω
i
是从输入到神经元的权值，b是偏置。8.一种基于线性神经网络的物理层安全波束赋形装置，其特征在于，包括：系统构建模块，用于在预先构建的多输入单输出无线通信系统中，将信道估计、信道状态信息反馈和波束赋形设计三个过程合并为一个利用线性神经网络的反向训练过程；权值运算模块，用于利用信道的互易性，由单天线的合法接收者发送训练序列，通过神经网络训练得到多天线的发送者的保密信号和人工噪声波束赋形的权值。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7任一所述方法。

技术总结
本发明提供一种基于线性神经网络的物理层安全波束赋形方法。现有的波束赋形的设计方案一般都依赖于信道的信道状态信息。本发明研究存在被动窃听者的多输入单输出信道模型中的物理层安全传输问题，将信道估计、信道状态信息反馈、波束赋形设计3个过程合并为一个利用线性神经网络的反向训练过程。首先建立一个无线通信系统模型，然后选择线性神经网络，利用线性神经网路的逼近特性，通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号，最终得到所需的波束赋形矢量。本发明相对比于传统物理层安全方案复杂度显著降低。对比于传统物理层安全方案复杂度显著降低。对比于传统物理层安全方案复杂度显著降低。


技术研发人员：姜淑文
受保护的技术使用者：北京简易科技有限公司
技术研发日：2020.10.28
技术公布日：2022/4/29