[發明專利]大規模天線Cell-free IRS物理層安全方法

在審

• 申請號: 202111442337.4
• 申請日: 2021-11-30
• 公開（公告）號: CN114143790A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 冉靜學;劉依依
• 申請（專利權）人: 中央民族大學
• 主分類號: H04W12/80
• 分類號: H04W12/80;H04W16/22;H04W28/22;H04B7/0413;H04B7/06;H04B7/08;H04B17/309;H04B17/391
• 代理公司: 北京卓嵐智財知識產權代理事務所(特殊普通合伙) 11624
• 代理人: 郭智

1.大規模天線Cell-free IRS物理層安全方法，其特征在于，大規模天線無小區(Cell-free,CF)可重構智能反射表面(Intelligent Reconfigurable Surface,IRS)物理層安全通信傳輸基于基站的數字波束形成算法和IRS的模擬波束形成算法，包括下步驟：

步驟A，提出一種深度學習的信道估計算法，利用卷積網絡,通過接收信號估計原始信道增益；

步驟B，建立接入點到用戶和竊聽者的直接/間接鏈路的信道模型，在其噪聲方面服從標準復高斯噪聲；

步驟C，提出了一種基于交替迭代的算法，求解最優基站主動波束形成向量；

步驟D，根據已經給定的基站波束形成向量，得到最優IRS波束形成向量；

步驟E，得到最優的IRS數量和每個IRS的大小。

2.根據權利要求1所述的方法，其特征在于，步驟A具體包括：

A1，建立基于下行鏈路(Down Link,DL)的信道估計器，采用具有L層的完全連接的前饋深度神經網絡，包括一個輸入層，L-2隱藏層和一個輸出層。輸出估計值x(.)為輸入，v為索引，θ_l為第l層網絡參數，g_l(.)為第l層輸出；

A2，預訓練階段，通過離線訓練使損失函數最小化，獲得最佳θ，其中L_y是向量y(v)的長度，V為樣本大小，采用一種隨機優化方法(A Method forStochastic Optimization,ADAM)自適應矩估計作為提出的深度神經網絡(Deep NeuralNetwork,DNN)的優化算法；

A3，訓練階段，收集發送的信號x，接收信號y和估計信號作為DNN的原始輸入數據向量，加載θ作為DNN的初始參數，然后通過ADAM算法最小化Loss(θ)，直到DNN收斂為止。訓練階段之后的DNN參數為θ(t)；

A4，測試階段加載訓練后的參數θ(t)，然后將輸入數據通過訓練后的DNN并獲得估計的通道。在基于DL的估計信道的基礎上，使用迫零波束成形檢測器獲得信道的估計值。

3.根據權利要求1所述的方法，其特征在于，步驟B具體包括：

B1，計算用戶k的可實現速率表達式計算竊聽者解碼用戶k信息的可實現速率表達式w為預編碼，σ²為高斯噪聲，B為基站數量，為等效信道向量；G_b、分別表示從第b個BS到用戶k、從第b個BS到IRS、從IRS到用戶k的信道；β_m為幅值，θ為IRS的反射角度，N為反射元數量；

B2，計算用戶的安全容量C_k＝R_k-R_e,k，系統的安全和速率

B3，在發射端的傳輸功率約束、IRS的角度約束，以及用戶服務質量的約束下，最大化系統的安全和速率。

4.根據權利要求1所述的方法，其特征在于，步驟C具體包括：

C1，根據功率約束，初始化波束形成向量w；

C2，基于給定的w，利用求出中間變量t_k，將t_k代入原優化問題得到新的凸問題，利用凸優化求解器(如CVX)求解，交替迭代和t_k可得近似解。

5.根據權利要求1所述的方法，其特征在于，步驟D具體包括：

D1，在給定最優主動波束形成w的情況下,初始化反射系數向量和迭代次數l＝0；

D2，利用凸優化器求解角度Φ，利用求解最優整數解；

D3，交替迭代，直至誤差小于預設值或迭代次數達到預設上限。

6.根據權利要求1所述的方法，其特征在于，步驟E具體包括：

E1,根據AP和IRS處的波束形成向量，考慮IRS元件總數為M，計算每個IRS最佳的元件數w為預編碼，σ²為高斯噪聲，G_b、分別表示從第b個BS到用戶k、從第b個BS到IRS、從IRS到用戶k的信道；β_m為幅值，θ為IRS的反射角度，N為反射元數量；

E2，得到IRS個數為