基于循环神经网络辅助的发射机选择以增强认知无线电网络保密性
信号处理
2021-02-17 v1
摘要
在本文中，我们将长短期记忆（LSTM，一种基于循环神经网络的高级机器学习（ML）技术）应用于具有不可靠回程连接的下垫式小小区认知无线电网络中用于保密的发射机选择（TS）问题。所考虑的认知通信场景包含一个次级小小区网络，该网络与主网络共享同一频谱，并约定始终维持主网络所需的 outage 概率约束。由于所有主传输共有的来自次级发射机的干扰，不同发射机的保密速率是相互关联的。LSTM 利用这种相关性，在发射机数量较少时匹配传统技术的性能。随着数量增加，性能以与支持向量机、 近邻、朴素贝叶斯和深度神经网络等其他 ML 技术相同的方式退化。然而，LSTM 在误分类率和保密 outage 概率上仍显著优于这些技术。它还减少了相对于传统 TS 的反馈开销。
引用
@article{arxiv.2102.08118,
title = {Recurrent Neural Network Assisted Transmitter Selection for Secrecy in Cognitive Radio Network},
author = {Shalini Tripathi and Chinmoy Kundu and Octavia A. Dobre and Ankur Bansal and Mark F. Flanagan},
journal= {arXiv preprint arXiv:2102.08118},
year = {2021}
}