申请/专利权人：青岛科技大学

申请日：2023-07-14

公开（公告）日：2024-04-30

公开（公告）号：CN116761179B

主分类号：H04W12/30

分类号：H04W12/30;H04B17/391;G06F18/214;G06F18/21;G06N3/045;G06N3/082;G06N3/084;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2023.10.03#实质审查的生效;2023.09.15#公开

摘要：本发明公开了基于轻量化MS‑Net的移动发射天线选择和能量收集TAS‑EH系统安全通信性能智能预测方法，可应用于信息安全技术领域，解决现有技术中神经网络结构复杂、内存需求大且运算量大，致使其不能在移动设备或是嵌入式设备上运行的技术问题。本发明的基于MS‑Net的ASC性能智能预测方法，设计了一种轻量化MS‑Net网络模型，该网络模型结构新颖且复杂度低，专注于移动端或嵌入式设备的轻量化神经网络。相比于传统卷积神经网络，在保证准确率的前提下，极大地减少了模型参数和运算量，其网络结构吸取了MobileNet和SqueezeNet中结构的特点，融合深度可分离卷积块和Fire模块联合组成了轻量化MS‑Net神经网络结构，并通过该神经网络对ASC进行预测。

主权项：1.基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法，其特征在于，包括步骤如下：（1）首先搭建移动TAS-EH安全通信系统模型，分析移动TAS-EH安全通信系统模型的数据传输方案的平均安全容量ASC性能，并推导平均安全容量ASC闭合表达式；（2）特征选择和数据集构建，通过分析ASC性能，产生并提取数据，将6个移动安全通信系统参数，，，，和作为输入特征，输出，数据集为，；，和分别表示各条链路的相对几何增益，所有无线信道均遵循N-Nakagami分布，各链路信道增益分别为，和，发射端和中继端均为能量受限的节点，按照时间交换方式从附近的功率信标MA收集能量，假设发射端MSi和中继MR经过功率信标补充能量后，系统总能量为，PS=KE,PR=1-KE,K为功率分配系数；（3）数据预处理及划分：在数据输入神经网络模型之前，对数据进行预处理，包含数据标准化和数据增强，提高模型精度和收敛速度；之后将数据集划分成训练集和测试集，然后将处理好的训练集输入到设计的神经网络模型中进行训练；（4）网络结构搭建及初始化：搭建好神经网络模型，采用服从正态分布随机初始化网络权重，用零矩阵初始化偏置，并设置好阈值、最大迭代次数和学习率相关参数；（5）MS-Net训练：训练集用于训练网络，通过对权重进行加权，计算每层结构输出以及训练误差，通过多次的误差反向传播和参数调整以及精度要求，获得最佳网络模型；（6）MS-Net测试：利用测试集对训练好的MS-Net进行测试验证，获得最佳ASC预测性能。

全文数据：

权利要求：

百度查询： 青岛科技大学 基于轻量化MS-Net的移动发射天线选择和能量收集TAS-EH系统安全通信性能智能预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD