可重构智能面辅助的低精度量化大规模MIMO系统的信道估计

针对可重构智能面辅助的低精度量化的大规模多输入多输出(multiple input multiple output, MIMO)系统中信道估计问题进行了研究。该系统的信道估计难点在于可重构智能面由近无源反射天线构成, 没有基带信号处理能力。系统观测值通过低精度的模数转换器量化使信道估计问题变得更富挑战性。本文基于基站-可重构智能面-用户的级联信道推导出等效信道, 并证明在虚拟角域上，该有效信道是结构稀疏信号。提出了基于期望最大化的近邻学习广义近似消息传递算法，从低精度量化的观测值中恢复等效信道。仿真结果表明所提出算法比传统算法具有更好的性能表现。     

大规模MIMO系统基于多分辨率深度学习网络的CSI反馈研究

快变信道环境下,采用频分双工模式下的大规模MIMO系统,用户通过反馈链路将信道状态信息(Channel State Information,CSI)发送给基站,为适应信道快速变化保证系统性能,要求降低反馈时延及减少反馈开销.提出一种基于深度学习的多分辨率信道状态信息网络(Multi-resolution Channel State Information Network,MCSINet),对反馈的信道状态信息进行压缩及预测,能够显著减少信道状态信息捕获与反馈开销,及降低时延.MCSINet模拟信道状态信息编解码系统,采用残差网络从信道样本中学习并完成信道预测,并通过多分辨率的卷积操作以及针对不同压缩率改变网络结构,从而更好预测信道状态.实验结果表明:与LASSO,TVAL3,CSINet等方法相比,MCSINet可以显著提高恢复信道状态信息,并且具有更低的误码率,复杂度和时延.     

基于深度神经网络的高环境 适应性水声通信系统研究

深度神经网络中的自动编码器(Autoencoder,AE)通过收发端两个神经网络模块进行全局优化,利用端到端的训练方式以提高通信系统的可靠性.然而,现有对AE的研究未针对信道进行特殊设计,尤其对于时变的水声信道的多径效应,难以进行灵活调整,降低了该方法的实用性.本文提出一种提高水声通信系统信道环境适应性的Attention-Autoencoder网络模型,基于Attention网络可以高效地从大量信息中筛选出关键信息的特点,设计了一种针对水声信道的Attention机制,该机制能够增加网络提取水声信道特征的能力,使系统的适应性大大提高.仿真验证和湖试实验结果表明,基于Attention-Autoencoder网络模型的通信系统与基于文献中AE模型和没有引入神经网络的水声通信系统相比,具有更高的信道环境适应性.     

基于电路活性测度的硬件木马检测方法

针对硬件木马的隐蔽性强和检测效率低等问题,提出一种基于电路活性测度的硬件木马检测方法.通过从恶意攻击者的角度分析电路,在电路的少态节点处植入木马激活模块(TAM),该方法可有效提升电路的整体活动性,进而提高硬件木马的激活度.以ISCAS'89基准电路S713为研究对象进行仿真验证,实验结果表明:TAM结构可将电路活动性提升1.7倍.在此基础上建立基于FPGA的测试平台开展侧信道分析实验,并采用主成分分析方法,实现低活性硬件木马的检测.     

无线网络物理层安全认证方法

针对无线通信中认证方法存在计算复杂度高的问题,提出一种无线网络物理层安全认证(PLSA)方法。首先,利用通信双方信道互易性和唯一性的特点,通过估计信道并量化信道响应提取出高度相关但并不完全一致的信道特征序列,然后基于信息论安全和信道编码理论提出安全认证编码,借助双方信道特征序列中蕴含的私密共享信息量优势,使合法通信方正确编解码,而第三方只能靠猜测消息码字实施认证攻击,从而建立不需要密码算法的物理层安全认证框架。利用典型集理论和窃听信道模型对PLSA方法进行安全性分析,发现在码本长度趋于无穷大时,攻击性能上下界趋于一致,从而证明了物理层安全认证具备可行性。仿真结果表明,与传统认证方法相比,当安全互信息量超过64bit后,物理层认证方法的攻击成功率优于传统认证方法。     

基于神经网络的WiFi睡眠呼吸暂停智能监测技术

为了克服传统睡眠呼吸监测方案未考虑实际受测人员在测试区域可能存在呼吸暂停、正常呼吸或者离开测试区域的问题，设计一种基于家庭WiFi的睡眠呼吸暂停智能监测系统。利用线性拟合消除接收天线的信道状态信息 (channel state information， CSI) 相位误差，并利用小波变换去除信号幅值的噪声；结合短时傅里叶变换和滑动窗口法对信号进行分割；提取天线间相位差的方差等特征并利用神经网络模型对呼吸暂停进行识别，排除睡姿变化带来的干扰。实验结果表明，该系统对于呼吸暂停的检测率达到95.6%以上，能够作为日常的呼吸暂停监测方案并为用户提供健康参考。     

信道模型在无线通信环境中的适应性分析

为了更高效地分析无线传播环境下接收信号的相关性和频谱特性,提出了调整高斯散射体密度模型(Gaussian scatter density model,GSDM)和接收机位于外部的均匀椭圆模型(Uniform ellipse with receiver outside model,UERO)参数的方法。通过接收信号分量的均方根时延扩展和角度扩展来定义传播环境类型,使用最小二乘法来确定模型参数与时延扩展之间的关系。与模型参数最优值的比较结果显示,调整后两种模型的最小二乘误差普遍减小,说明此方法能有效地分析模型在不同传播环境中的接收角度的统计特性。     

基于集成神经网络的信道估计方法研究

为解决噪声以及信号干扰等因素严重影响接收端信道估计的问题，提出一种基于集成神经网络的信道估计方法，利用多个改进后的神经网络来提取带噪导频信号与原始导频信号之间的非线性关系模型，根据其输出误差来计算差异度值，并结合差异度对其进行集成，得到训练完成的集成神经网络模型，通过集成神经网络模型来获取信道估计结果；与最小二乘(least squares，LS)估计方法相比，该方法不仅可以提高通信的可靠性，而且还能减少导频开销提高通信有效性；在不同的调制方式下，当误码率相同时，算法所需的信噪比LS算法均要更低；基于正交频分复用(orthogonal frequency division multiple，OFDM)通信系统进行仿真，结果证明，该方法具有优良的性能。     

基于直扩超宽带的超声波人体通信技术仿真

现有超声波宽带(UsWB)技术应用于人体通信存在速率不高、对多节点干扰抑制能力有限的问题。为此,提出一种有效抑制多节点干扰的超声波通信技术——直扩超声波宽带(DS-UsWB)技术,利用直接序列扩频和超宽带技术仿真超声人体通信。即在k-Wave中建模人体信道,利用建模信道的冲激响应仿真人体内多节点通信;根据信道冲激响应的时延特性确定发送信号参数,从而克服人体信道的多径效应。系统性能分析和仿真结果均表明,与UsWB技术相比,DS-UsWB可有效抑制多节点干扰和多径干扰,具有更高的速率和更低的误码率。