买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种大规模天线Cell‑freeIRS物理层安全方法。通过深度学习估计信道参数，该方法首次考虑了大规模无小区通信中利用IRS的安全和速率最大化问题，在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案，包括在基站上的数字波束形成和基于IRS的模拟波束形成。在此基础上，设计了IRS数量和IRS大小优化方法。

主权项：1.大规模天线Cell-freeIRS物理层安全方法，其特征在于，大规模天线无小区Cell-free,CF可重构智能反射表面IntelligentReconfigurableSurface,IRS物理层安全通信传输基于基站的数字波束形成算法和IRS的模拟波束形成算法，包括下步骤：步骤A，提出一种深度学习的信道估计算法，利用卷积网络,通过接收信号估计原始信道增益；步骤B，建立接入点到用户和窃听者的直接间接链路的信道模型，在其噪声方面服从标准复高斯噪声；步骤C，提出了一种基于交替迭代的算法，求解最优基站主动波束形成向量；步骤D，根据已经给定的基站波束形成向量，得到最优IRS波束形成向量；步骤E，得到最优的IRS数量和每个IRS的大小；其中，步骤A具体包括：A1，建立基于下行链路DownLink,DL的信道估计器，采用具有L层的完全连接的前馈深度神经网络，包括一个输入层，L-2隐藏层和一个输出层，输出估计值x.为输入，v为索引，θl为第l层网络参数，gl.为第l层输出；A2，预训练阶段，通过离线训练使损失函数最小化，获得最佳θ，其中Ly是向量yv的长度，V为样本大小，采用一种随机优化方法自适应矩估计作为提出的深度神经网络DeepNeuralNetwork,DNN的优化算法；A3，训练阶段，收集发送的信号x，接收信号y和估计信号作为DNN的原始输入数据向量，加载θ作为DNN的初始参数，然后通过ADAM算法最小化Lossθ，直到DNN收敛为止，训练阶段之后的DNN参数为θt；A4，测试阶段加载训练后的参数θt，然后将输入数据通过训练后的DNN并获得估计的通道，在基于DL的估计信道的基础上，使用迫零波束成形检测器获得信道的估计值；其中，步骤B具体包括：B1，计算用户k的可实现速率表达式计算窃听者解码用户k信息的可实现速率表达式w为预编码，σ2为高斯噪声，B为基站数量，为等效信道向量；分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；βm为幅值，θ为IRS的反射角度，N为反射元数量；B2，计算用户的安全容量Ck＝Rk-Re,k，系统的安全和速率B3，在发射端的传输功率约束、IRS的角度约束，以及用户服务质量的约束下，最大化系统的安全和速率；其中，步骤C具体包括：C1，根据功率约束，初始化波束形成向量w；C2，基于给定的w，利用求出中间变量tk，将tk代入原优化问题得到新的凸问题，利用凸优化求解器求解，交替迭代和tk可得近似解；其中，步骤D具体包括：D1，在给定最优主动波束形成w的情况下,初始化反射系数向量和迭代次数l＝0；D2，利用凸优化器求解角度Φ，利用求解最优整数解；D3，交替迭代，直至误差小于预设值或迭代次数达到预设上限；其中，步骤E具体包括：E1,根据AP和IRS处的波束形成向量，考虑IRS元件总数为M，计算每个IRS最佳的元件数w为预编码，σ2为高斯噪声，分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；βm为幅值，θ为IRS的反射角度，N为反射元数量；E2，得到IRS个数为

全文数据：

权利要求：

百度查询： 中央民族大学 大规模天线Cell-free IRS物理层安全方法