24、深度学习助力无线通信安全与毫米波人体活动识别攻击研究

深度学习助力无线通信安全与毫米波人体活动识别攻击研究

1. DEFORM系统评估与应用

在无线通信领域，为了应对可能出现的剧烈变化，研究人员对N次试验的估计值进行分类。具体做法是，根据每个聚类的平均估计值与当前试验估计值之间的距离，将N次试验的估计值分为两个聚类。完成N次试验后，比较每个聚类中的元素数量，并选择较大聚类的平均估计值作为当前周期的估计值。

1.1 模拟结果评估

研究人员使用MATLAB进行模拟，通过蒙特卡罗模拟在静态RF信道（AWGN信道）和多径RF信道（瑞利信道）中评估DEFORM的性能。
- AWGN信道 ：即使DEFORM仅使用单一调制（8 - PSK）进行训练，它在所有调制方式下都能实现3 dB的最佳波束形成增益。
- 瑞利信道 ：与单天线接收器相比，DEFORM实现了高达5 dB的显著波束形成增益，高于AWGN信道中的增益。这是因为在瑞利信道中，两个接收天线接收到的信号能量水平不同，DEFORM利用这种多样性提高了波束形成增益。

以下是模拟结果的简单示意表格：
| 信道类型 | 波束形成增益 |
| ---- | ---- |
| AWGN信道 | 3 dB |
| 瑞利信道 | 高达5 dB |

1.2 实验结果评估

研究人员进行了两次空中实验，分别是有视线（LOS）和视线被各种物体阻挡的情况。
- 有LOS的空中实验 ：设置发射机（TX）和接收机（RX）设备，确保直接路径无障碍物。由于空中通信中RX分支的