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！

申请/专利权人：哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)

摘要：本发明公开了一种面向窃听环境下去蜂窝大规模MIMO系统的AIRS部署方法，方法首先提出了最大的用户处符号错误概率最小化优化问题，约束条件包括绝对安全限制约束、AIRS的位置范围和角度范围，通过块坐标下降算法将原始优化问题解耦为两个子优化问题：AIRS位置部署子问题和AIRS角度部署子问题，针对AIRS位置部署优化，使用逐次凸逼近算法将非凸子问题转化为凸问题，然后用凸优化求解器求解；针对AIRS的角度部署，提出了一种改进的粒子群优化方法解决。相比传统的粒子群方法，本发明提出的改进粒子群优化方法可以避免陷入角度优化的局部最优解，在符号错误概率性能上更优，还能实现可靠性和安全性的更好折中。

主权项：1.一种面向窃听环境下去蜂窝大规模MIMO系统的AIRS部署方法，其特征在于，包括以下步骤:构建窃听环境下AIRS辅助的去蜂窝大规模MIMO系统，系统包括M个接入点，各接入点有U个天线，K个单天线用户，有N个反射元件的AIRS；设定系统接入点与用户之间的直接链路被障碍物阻挡，用户只接收AIRS反射的信号；以最大的用户符号错误率最小化为优化目标，限定绝对安全率不小于设定阈值、限定AIRS位置需在距离坐标系中心位置最近和最远的位置之间以及限定AIRS的平面法向量是单位向量，建立绝对安全率限制下的最大的用户符号错误率最小化问题P1；将绝对安全率限制下的最大的用户符号错误率最小化问题P1解耦为AIRS位置部署子问题和AIRS角度部署子问题；基于给定AIRS法向量n的情况下优化AIRS位置，将AIRS位置部署子问题转化为凸优化问题P2并使用凸优化求解器求解得到最佳AIRS位置；基于给定AIRS位置的情况下优化AIRS法向量n，得到AIRS角度部署子问题的非凸优化问题P3；基于改进的粒子群算法求解非凸优化问题P3，利用粒子的多个代理来搜索给定空间中非凸优化问题P3目标函数的最小值，粒子表示AIRS法向量的潜在解，通过在若干次迭代期间更新粒子位置来求解非凸优化问题P3得到最佳AIRS法向量n；其中，绝对安全率限制下的最大的用户符号错误率最小化问题P1，具体表达式如下： 其中，k∈K，K表示单天线用户数量，PI表示AIRS位置，n表示AIRS法向量，PSE,k表示用户k的符号错误概率的并集上界，D表示接入点发送符号与用户检测到的符号不同的情况数，表示用户将原始信息错误地解为的概率；CASR表示绝对安全率，Cth表示绝对安全率的最小阈值，PI,min和PI,max表示IRS距离坐标系中心位置最近和最远的位置；基于给定AIRS法向量n的情况下优化AIRS位置，将AIRS位置部署子问题转化为凸优化问题P2并使用凸优化求解器求解得到最佳AIRS位置，具体包括以下步骤：引入辅助变量t＝{tk,i,t}，可以得到 表示接入点发送符号与用户检测到的符号不同的情况数量，i∈D，和表示不同的符号，β0表示参考距离为1m时的路径损耗，θn∈[0,2π]表示由第N个反射元件引入的可控相移，表示第m个接入点到第i个用户的波束赋形向量，代表第m个接入点发送的人工噪声向量，aI,m表示AIRS到接入点之间的阵列响应，aI,k表示AIRS到用户之间的阵列响应，aAP,m是接入点到AIRS的阵列响应，是第k个用户处的加性高斯白噪声功率；引入辅助变量q，q中元素均为辅助变量， Pap,m表示第m个接入点位置，PI表示AIRS位置，Pu,k表示用户位置，dAI,m＝｜｜Pap,m-PI｜｜表示从第m个AP到AIRS的距离，将AIRS位置部署子问题的非凸约束转化为以下不等式： 其中，右上角加了l表示上一次迭代的结果，是窃听者处的加性高斯白噪声功率，Cth表示绝对安全率的最小阈值， 凸优化问题P2的具体表达式为： s.t.C4:1-8 C6:tk,i≥0C2:PI,min≤PI≤PI,maxPI,min和PI,max表示IRS距离坐标系中心位置最近和最远的位置；基于给定AIRS位置的情况下优化AIRS法向量n，得到AIRS角度部署子问题的非凸优化问题P3，非凸优化问题P3具体表达式如下： s.t.C3:｜｜n｜｜＝1C8:nE2＝0C9:nE3＜0D表示接入点发送符号与用户检测到的符号不同的情况数，Q函数表示标准正态分布的右尾函数，定义E1＝[1,0,0]T，E2＝[0,1,0]T和E3＝[0,0,1]T，A'm,k,i，i∈K是固定的常量系数，是窃听者处的加性高斯白噪声功率，是第k个用户处的加性高斯白噪声功率，i∈D，和表示不同的符号，Cth表示绝对安全率的最小阈值； 表示AIRS平面上xz方向第nxz，y方向第ny个反射元件的相移，Ny表示AIRS沿y轴的元件数量，Nxz表示AIRS沿xz平面的元件数量，dI,k＝｜｜Pu,k-PI｜｜表示AIRS到第k个用户的距离，用户、窃听者和接入点的坐标分别表示为pu,k＝[xu,k,yu,k,zu,k]T，AIRS位置坐标为pI＝[xI,yI,zI]T， dAI,m＝||Pap,m-PI||表示从第m个AP到AIRS的距离； A'm,k,f是固定的常量系数； A'm,e,k是固定的常量系数； A'm,e,i,i∈K、A'm,e,f均是固定的常量系数；基于改进的粒子群算法求解非凸优化问题P3，利用粒子的多个代理来搜索给定空间中非凸优化问题P3目标函数的最小值，粒子表示AIRS法向量的潜在解，通过在若干次迭代期间更新粒子位置来求解非凸优化问题P3得到最佳AIRS法向量n，具体过程包括以下步骤：最初生成Np个粒子，粒子的位置表示AIRS的法向量，用表示；第s个粒子在第λ次迭代中的潜在位置为：其中λ∈λmax，s∈Np，λmax表示最大迭代次数；每个粒子计算非凸优化问题P3中目标函数，并评估其个体最佳解；添加一个惩罚因子，并将非凸优化问题P3约束条件转换为惩罚函数，然后将惩罚函数添加到适应度函数中，带有惩罚的适应度函数表示为： 其中，中的和是将h1,kn，h2,kn的自变量变成表示第λ次迭代中第s个粒子的位置，Q·函数是标准正态分布的右尾函数，κj,j∈{1,…,K+1}是惩罚因子，是惩罚函数，并且当k∈K时： 在第λ次迭代中，粒子的个体最佳解的更新规则是： 每个粒子与其他粒子进行通信，以获得群体最佳解决方案： 当粒子的第λ次迭代适应度值与第λ-1次迭代粒子群的最优适应度值显著偏离时，为避免粒子陷入局部最优，提高更新的粒子速度以扩大搜索区域，引入加速度如下： 其中A是加速度系数矩阵；w，c1和c2分别表示惯性权重参数以及个人学习因子和社会学习因子，对于每次迭代，每个粒子的速度V和位置N根据下列式子更新： 其中和是[0,1]上均匀分布的随机数；使用自适应参数优化使算法中w、c1和c2的值在不同时间发生变化，如下所示： 其中wmin和wmax是惯性权重的最小值和最大值，c1,minc1,max分别为自我学习因子的最小值和最大值；c2,min和c2,max分别为群体学习因子的最小值和最大值，设置固定值α＝β＝3；当陷入局部最优时，即当检测到尚未达到预测极值，但连续迭代超过预设次数的的变化范围小于阈值η时，则需要使粒子跳出局部最优，使用粒子突变更新机制，即当粒子陷入局部最优时，根据18更新个粒子，而其余粒子更新如下，变异系数γ取0.6： 其中p是一个给定的概率，p1是随机生成的一个数，且p1∈[0,1]，表示通过对进行突变来生成新粒子，否则随机生成新粒子。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 面向窃听环境下去蜂窝大规模MIMO系统的AIRS部署方法