基于BP神经网络的移动安全性能预测

随着第五代移动通信技术的发展,物理层安全成为学术界研究的热点问题.但是由于复杂多变的信道环境,移动物理层安全研究非常复杂,也是一个亟待解决的问题.本文在N-Nakagami信道下,研究了多天线移动协作通信网络的安全性能预测.针对安全中断概率和非零安全容量概率,分别推导了精确闭合表达式.然后基于BP神经网络,提出了一种移动物理层安全性能智能预测方法.和极限学习机(extreme learning machine,ELM),局部加权线性回归(locally weighted linear regression,LWLR),支持向量机(support vector machine,SVM)等方法进行了比较,仿真结果表明:本文所提出的算法预测性能更好,理论分析的正确性得到了验证.

公路施工养护区安全性能预测及车速控制措施研究

该文主要对国外在公路施工养护区安全性能预测及车速控制措施等方面的研究成果进行了总结,分析了各种安全性能预测模型的优缺点、不同车速控制措施的效果及其在我国的适用性,并探讨了研究中存在的问题以及进一步的研究方向。

基于MDT-Net的物联网安全性能智能预测

人工智能和大数据等新兴技术推动了多样化智能物联网(Internet of Things, IoT)应用的发展。物联网将在满足多样化智能应用的高吞吐量需求方面发挥重要作用。然而,由于物联网信道的开放性和多样性使得安全信息容易受到非法窃取,从而导致物联网通信网络中断和严重的信息安全问题,这限制了物联网在传输敏感数据领域的运用。为了实时处理复杂的物联网通信安全事件,准确的安全性能预测对于支持移动物联网网络至关重要。建立了基于解码转发协作的多天线安全通信系统模型,并对其性能进行了分析。此外,给出了安全中断概率(Security Outage Probability, SOP)表达式,并用于评估安全性能。为此,提出了一种基于MDT-Net的智能SOP预测算法。设计了MDT-Net模型,融合了MobileNet网络中深度可分离卷积模块,空洞卷积(Depthwise separable convolution)和Transformer网络结构,由多个深度可分离卷积块,空洞卷积块和Transformer模块组成。该方法适合物联网安全数据的非线性。实验证明,相比于其他算法,可以获得更好的物联网安全性能预测。特别是在预测精度方面,智能算法提高了98.9%。

移动传感器网络的安全性能智能预测

移动传感器网络的物理层安全问题日益复杂,已经成为了一个研究热点。为了及时处理网络安全事件,研究了移动传感器网络的安全性能预测,提出了一种基于灰狼优化广义回归(Grey Wolf Optimization-Generalized Regression,GWO-GR)神经网络的安全性能智能预测方法。该方法利用发射天线选择策略,推导了非零安全容量概率性能的精确闭合表达式。仿真比较了所提方法、反向传播神经网络、广义回归神经网络、支持向量机等方法,结果表明,所提方法可以实现更好的预测性能,提高安全性能预测的实时性。