✅作者简介热爱科研的Matlab仿真开发者擅长数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 往期回顾关注个人主页Matlab科研工作室 关注我领取海量matlab电子书和数学建模资料个人信条做科研博学之、审问之、慎思之、明辨之、笃行之是为博学慎思明辨笃行。 内容介绍集成感知与通信ISAC系统极易受到物理层安全威胁的影响。为应对这一问题我们提出了一种基于堆叠智能超表面SIM的框架以增强 ISAC 的保密性能。该多层 SIM 作为波域预编码器运行相较于传统超表面可提供更优的空间自由度。我们联合优化主动发射波束成形与被动 SIM 相位偏移在满足严格的雷达感知波束图、服务质量QoS及功率约束条件下最大化合法用户间的最差保密速率WSR。为解决这一高度非凸优化问题我们开发了交替优化AO算法对基站波束成形采用逐次凸逼近SCA方法对 SIM 相位偏移则采用基于惩罚的梯度上升法。仿真结果表明所提出的框架显著优于基准方案验证了多层 SIM 架构在保密性能方面取得的巨大提升。索引术语——堆叠智能超表面、集成感知与通信、物理层安全、交替优化。集成传感与通信ISAC技术通过将通信与雷达功能之间的频谱及硬件共享已成为6G网络的关键技术[1]。然而对感知目标的照射本质上会使系统面临严重的窃听威胁[2]。为此物理层安全PLS技术正日益被采用通过利用无线信道特性降低未授权接收端的信号质量[3]。尽管可重构智能表面RIS已被集成到 ISAC 系统中以主动重塑传播环境从而增强安全性[4]、[5]但其信号处理能力仍受限于与入射电磁波的一次交互。为克服这一局限堆叠智能超表面SIM最近被引入作为一种革命性的多层架构[6]。通过联合优化级联超表面层的相位偏移SIM可直接在电磁域中充当*通讯作者Huy T. Nguyen (huy.ntvlu.edu.vn) 先进的波域预编码器[7]。这种设计显著增加了空间自由度提供了超越传统单层RIS的前所未有的波束成形能力。尽管SIM展现出巨大潜力但由于多层相位偏移、发射波束成形及保密约束之间的复杂耦合关系其在安全 ISAC 系统中的应用仍鲜有探索。鉴于这一研究空白本文探讨了在完美信道状态信息CSI条件下支持SIM技术的 ISAC 系统的保密性能。具体而言我们提出了一种新颖的框架利用多层SIM技术同时提升通信保密率并确保针对雷达目标提供专用的波束成形增益。为实现这一目标我们构建了一个联合优化问题旨在多个用户中最大化最坏情况下的保密率WSR同时满足严格的QoS、感知功率及硬件约束。最后为应对该优化问题固有的非凸性我们开发了一种高效的交替优化AO算法该算法通过逐次凸近似SCA迭代求解主动发射波束成形并利用基于惩罚的梯度上升法优化被动SIM相移。⛳️ 运行结果 部分代码function [channels, sys] genChannel_Secrecy(sys)% Generate channels for SIM-ISAC Secrecy PaperMx sys.Mx; Mz sys.Mz; M sys.M; Nt sys.Nt; K sys.K;lambda sys.lambda; df sys.df; L sys.L; d_layer sys.d_layer;C0 sys.C0; n_bar sys.n_bar;%% 1. Transmission Matrices (Rayleigh-Sommerfeld)Psi zeros(M, M);for m 1:Mmx mod(m-1, Mx); mz floor((m-1)/Mx);for mp 1:Mmpx mod(mp-1, Mx); mpz floor((mp-1)/Mx);dist_sq (mx-mpx)^2 * df^2 (mz-mpz)^2 * df^2;d_mm_p sqrt(d_layer^2 dist_sq);cos_theta d_layer / d_mm_p;Psi(m, mp) (sys.dx * sys.dy * cos_theta / d_mm_p) * ...(1/(2*pi*d_mm_p) - 1i/lambda) * exp(1i*2*pi*d_mm_p/lambda);endendchannels.Psi Psi;% BS to 1st Layer (H_BS_SIM)H_BS_SIM zeros(M, Nt);for m 1:Mmx mod(m-1, Mx); mz floor((m-1)/Mx);for n 1:Ntnx n - (Nt1)/2;dist_sq (mx*df - nx*df)^2 (mz*df)^2;d_mn sqrt(d_layer^2 dist_sq);cos_theta d_layer / d_mn;H_BS_SIM(m, n) (sys.dx * sys.dy * cos_theta / d_mn) * ...(1/(2*pi*d_mn) - 1i/lambda) * exp(1i*2*pi*d_mn/lambda);endendchannels.H H_BS_SIM;%% 2. Spatial Correlation Matrix R (M x M)R zeros(M, M);for m 1:Mmx mod(m-1, Mx); mz floor((m-1)/Mx);for mp 1:Mmpx mod(mp-1, Mx); mpz floor((mp-1)/Mx);d_m_mp sqrt((mx-mpx)^2 (mz-mpz)^2) * df;if d_m_mp 0R(m, mp) 1;elseR(m, mp) sinc(2 * d_m_mp / lambda);endendendR R 1e-9 * eye(M);R_sqrt chol(R, lower);channels.R R;channels.R_sqrt R_sqrt; % Lưu thêm để tiện dùng%% 3. SIM to UEs and Eves Channels - VỊ TRÍ UE NGẪU NHIÊNT_SIM sys.T_SIM;% Tham số random placementD_center 80; % Khoảng cách trung bình từ SIM (m)D_spread 30; % Độ dao động khoảng cách (±15m)channels.h zeros(M, K);channels.v zeros(M, K);% Lưu thêm thông tin vị trí (rất hữu ích sau này)channels.x_UE zeros(K,1);channels.y_UE zeros(K,1);channels.z_UE zeros(K,1);channels.d_ue zeros(K,1);for k 1:K% Sinh vị trí UE ngẫu nhiên phi_k deg2rad(-60) rand() * deg2rad(120); % Góc ngẫu nhiên -60° đến 60°dist_k D_center (rand()-0.5) * D_spread; % Khoảng cách ngẫu nhiênchannels.x_UE(k) dist_k * cos(phi_k);channels.y_UE(k) dist_k * sin(phi_k);channels.z_UE(k) 1.65; % Chiều cao UE tiêu chuẩn% Tính khoảng cách từ SIM đến UEdx channels.x_UE(k) - 0;dy channels.y_UE(k) - 0;dz channels.z_UE(k) - T_SIM;d_ue sqrt(dx^2 dy^2 dz^2);channels.d_ue(k) d_ue;alpha_ue C0 * (d_ue ^ (-n_bar));% Sinh kênh h (UE) channels.h(:, k) sqrt(alpha_ue) * R_sqrt * (randn(M, 1) 1i*randn(M, 1)) / sqrt(2);% Eve (cao hơn UE 2m) dz_eve (channels.z_UE(k) 2) - T_SIM;d_eve sqrt(dx^2 dy^2 dz_eve^2);alpha_eve C0 * (d_eve ^ (-n_bar));channels.v(:, k) sqrt(alpha_eve) * R_sqrt * (randn(M, 1) 1i*randn(M, 1)) / sqrt(2);end%% 4. Hướng điều khiển cho mục tiêu cảm biếnchannels.a steering_vector_Secrecy(sys, sys.theta_c, sys.phi_c);end%% SUB FUNCTION function a steering_vector_Secrecy(sys, theta, phi)Mx sys.Mx; Mz sys.Mz; M sys.M;ax exp(-1i * pi * sin(theta) * sin(phi) * (0:Mx-1).);az exp(-1i * pi * cos(theta) * (0:Mz-1).);a kron(ax, az) / sqrt(M);end 参考文献更多创新智能优化算法模型和应用场景可扫描关注#机器学习/深度学习类BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断#组合预测类CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可可任意搭配非常新颖~#分解类EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~#路径规划类旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划EVRP、 双层车辆路径规划2E-VRP、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~#小众优化类生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划2E-VRP、充电车辆路径规划EVRP、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统BMSSOC/SOH估算粒子滤波/卡尔曼滤波、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进扰动观察法/电导增量法、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度虚拟电厂能源消纳风光出力控制策略多目标优化博弈能源调度鲁棒优化等等均可~#无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划#通信方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配#信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理传输分析去噪、数字信号调制、误码率、信号估计、DTMF、信号检测#电力系统方面 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统BMSSOC/SOH估算粒子滤波/卡尔曼滤波、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进扰动观察法/电导增量法、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度虚拟电厂能源消纳风光出力控制策略多目标优化博弈能源调度鲁棒优化#原创改进优化算法适合需要创新的同学原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可保证测试函数效果一般可直接核心