5G物联网系统物理层安全与情感神经网络在水文建模中的应用

### 5G物联网系统物理层安全与情感神经网络在水文建模中的应用 #### 5G物联网系统物理层安全 在5G物联网系统中，提升物理层安全是一项关键任务。有研究提出了一种方案，它能在不增加正交频分复用（OFDM）结构复杂度，也无需知晓窃听者信道的情况下实现实际保密，这使其非常适合低复杂度的5G物联网和触觉互联网应用。未来的研究可以考虑设计并研究在不同子块大小和激活比率假设下，所提出的OFDM - SIS - AIS方案不同变体的保密性能。 #### 人工智能在水文建模中的应用 在水资源工程领域，人工智能（AI）方法被广泛用作多功能决策支持工具，用于解决各种相关问题。它主要用于确定非线性水文环境过程之间的因果关系（即系统识别），以及对水文气象变量进行时间序列建模，而这些往往是经典统计模型（如带有外生输入的自回归积分滑动平均模型，ARIMAX）难以完成的。 一些常用于水文研究的AI方法包括： 1. **人工神经网络（ANNs）**：作为通用近似器，在过去几十年中被广泛用于建模非线性水文过程。与其他统计和概念方法相比，ANN模型具有以下优点： - 具有黑箱特征，使用时无需对过程有先验知识。 - 通过在神经元上应用非线性滤波器（激活函数），能够处理过程的非线性特性。 - 可以处理具有不同特征的多元输入。 2. **模糊逻辑（FL）**：在水文研究中也有一定应用。 3. **支持向量回归（SVR）**：例如在一些研究中用于水文变量的预测。 4. **遗传编程（GP）**：同样在相关研究中有所涉及。 然而，尽管ANN在非线性建模方面很受欢迎且能力强大，但当感兴趣的水文过程观测样本不足，或者相关时间序列包含高比率的非平稳和季节性变化时，ANN会存在一些不足。为了获得可靠的模型并提高结果的准确性，人们开发了多种数据预处理方法，如小波变换、季节算法、奇异谱分析等。 小波变换在优化AI模型方面表现出了显著效果。它可以用于去噪和多分辨率分析，帮助模拟水文循环的不同组成部分，如降雨 - 径流、河流流量、地下水、降水和沉积物等。例如，Kisi和Cimen的研究表明，小波 - SVR混合模型在预测土耳其一日前降雨方面比单独的SVR和ANN模型更精确。此外，小波变换还可用于提取水文过程的季节性特征，将主要时间序列分解为多尺度子序列，每个子序列代表一个特定的季节尺度。这种数据预处理方法在不同时间尺度（短期和长期）上都能提高建模效率，尤其是在较大时间尺度（如季节或月度）上效果更为明显，因为在大多数水文过程中，大尺度时间序列的季节性（周期性）模式比小尺度时间序列更为显著。需要注意的是，这种基于小波的数据处理方案应在ANN框架之外的外部单元中进行。 #### 人工神经网络中的情感因素 Fellous可能是第一个强调AI系统中情感需求的研究者，他认为情感必须动态地相互作用。情感在医学术语中通常指一个人在特定时刻的感受，如喜悦、悲伤、愤怒、恐惧、厌恶、惊讶等基本情感，以及自豪、羞耻、遗憾和得意等衍生情感。 近年来，科学家们试图将人工情感融入ANN中，以通过情感神经网络（EANN）模型解决复杂的工程问题。从生物学角度来看，动物的情绪和情感会因激素腺体的活动而影响其神经生理反应，有时在不同情绪下对相同任务会有不同的行为。同样，EANN中激素系统和神经系统之间存在反馈回路，相互影响，从而相对提高网络的学习能力。 过去几十年中，已经开发并提出了几种EANN。例如： 1. **基于大脑情感学习（BEL）的ANN**：由Moren提出，灵感来自于一些生物学证据，即情感刺激（如恐惧）可以通过情感大脑中可用的较短路径比常规刺激更快地处理，以便在逻辑思维没有足够时间处理外部情况（如危险）时快速行动。Rahman等人有效地使用BEL网络来控制内置永磁同步电机驱动。 2. **情感反向传播（EmBP）神经网络**：Khashman考虑了情感焦虑和信心因素来修改多层感知器（MLP）网络的反向传播（BP）学习算法。在网络训练开始时，焦虑和信心水平分别较高和较低，但经过几次迭代后会达到最优值。在EmBP的训练过程中，给焦虑因素赋予较高值会使网络对输出误差的导数（误差梯度）关注较少；而信心因素的增加（由于压力减小）会使网络更加关注前一训练步骤中权重的变化。 3. **其他EANN**：Lotfi和Akbarzadeh将BEL、EmBP和其他一些情感概念结合起来，开发了用于聚类、模式识别和预测任务的EANN。从数学角度看，与传统ANN相比，EANN包含一些额外的参数，这些参数与网络的输入、输出和统计权重动态交互。 在水文环境研究中，Nourani首次将EANN应用于解决流量预测问题，当缺乏长时间观测的训练时间序列时，他提出了结合情感焦虑概念的修订BP算法来训练MLP网络。 ##