面向安全高效车联网的双域深度学习辅助 NOMA-CSK 系统
信息论
2025-10-30 v1 人工智能
机器学习
math.IT
摘要
确保安全高效的多用户 (MU) 传输是车联网系统的关键需求。混沌调制方案因其在物理层安全方面的优势而受到广泛关注。然而，大多数现有 MU 混沌通信系统，特别是基于非相干检测的系统，因参考信号传输导致频谱效率低下，且在正交多访问 (OMA) 下用户连接受限。虽然非正交方案，如稀疏码多访问 (SCMA)-基的 DCSK 已被探索，但因其固定码本设计面临高计算复杂度和灵活性差的问题。本文提出一种深度学习辅助的功率域非正交多访问混沌移 keying (DL-NOMA-CSK) 系统，用于车联网通信。设计了基于深度神经网络 (DNN) 的解调器，在离线训练期间学习混沌信号的内在特征，从而消除混沌同步或参考信号传输的需求。该解调器采用双域特征提取架构，联合处理混沌信号的时间域和频域信息，增强动态信道下的特征学习。将 DNN 集成到继往冲突消除 (SIC) 框架中，以缓解误差扩散问题。理论分析和大量仿真结果表明，所提出的系统在频谱效率 (SE)、能源效率 (EE)、位错误率 (BER)、安全性和鲁棒性方面均表现优于传统 MU-DCSK 和现有深度学习辅助方案，同时保持更低的计算复杂度。这些优势验证了其在安全车联网通信中的实际可行性。
关键词
引用
@article{arxiv.2510.24763,
title = {Dual-Domain Deep Learning-Assisted NOMA-CSK Systems for Secure and Efficient Vehicular Communications},
author = {Tingting Huang and Jundong Chen and Huanqiang Zeng and Guofa Cai and Georges Kaddoum},
journal= {arXiv preprint arXiv:2510.24763},
year = {2025}
}