[发明专利]大规模天线Cell-free IRS物理层安全方法

权利要求书

1.大规模天线Cell-free IRS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(Intelligent Reconfigurable Surface,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。

2.根据权利要求1所述的方法，其特征在于，步骤A具体包括：

A1，建立基于下行链路(Down Link,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，θ_l为第l层网络参数，g_l(.)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L_y是向量y(v)的长度，V为样本大小，采用一种随机优化方法(A Method forStochastic Optimization,ADAM)自适应矩估计作为提出的深度神经网络(Deep NeuralNetwork,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Loss(θ)，直到DNN收敛为止。训练阶段之后的DNN参数为θ(t)；

A4，测试阶段加载训练后的参数θ(t)，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。

3.根据权利要求1所述的方法，其特征在于，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；G_b、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；β_m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C_k＝R_k-R_e,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。

4.根据权利要求1所述的方法，其特征在于，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t_k，将t_k代入原优化问题得到新的凸问题，利用凸优化求解器(如CVX)求解，交替迭代和t_k可得近似解。

5.根据权利要求1所述的方法，其特征在于，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。

6.根据权利要求1所述的方法，其特征在于，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，G_b、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；β_m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