一种多输入多输出分子通信系统的分子释放数量优化方法

技术领域

本发明属于物联网技术、纳米技术以及通信技术领域，具体涉及一种多输入多输出分子通信系统的分子释放数量优化方法。

背景技术

随着科学技术的发展进步与人类对通信需求的进一步提高，分子通信开始占据了通信领域的一席之地，成为了生物、环境保护、微观通信等方面的重要通信手段，因其良好的生物相容性，能够满足人们在生物环境内的通信需求，从而实现生物研究、医疗救护、环境保护等领域的重要应用。分子通信是一种利用分子来传输信息的通信形式，被用在纳米机械和纳米机器人之间以及纳米机械和大型机器之间传输信息，还被用来在纳米机器人和细胞之间进行信息传输。分子通信网络在生物、医学领域中最重要的应用之一是人体内药物递送，为生物纳米材料的网络化奠定了基础。为了增加分子通信的性能、提高通信系统的效率，进一步满足分子通信在人体内药物递送应用的效果，可以采用多输入多输出模式的通信系统结构。多输入多输出模式的分子通信系统可以满足多个用户同接收方同时进行通信，满足多链路的通信需求，对人体内药物递送应用有着较好的应用能力。

多输入多输出(MIMO)分子通信系统是一种使用多个发射器和接收器来发送和接收的分子通信系统，由于多输入多输出分子通信系统能够提高数据传输速率，减少干扰并增加通信范围和降低系统的功耗，因此是一种很有前途的纳米网络通信技术。在多输入多输出的分子通信网络中，对各个用户即各个发送方纳米机器的分子释放数量进行限制，在各条链路的距离不同时，在分子释放数量具有上下界约束的情况下，如何为各链路对应的发送方纳米机器设置最优的分子释放数量。当有两个发送方时，可以通过简单的穷举搜索对最优的分子释放数量进行搜索。但当有更多发送方时，穷举算法所需的耗时几何级增长，如何在尽可能少的时间内获得各发送方的最优分子释放数量就成了一项极具有挑战性的工作。

发明内容

本发明的目的在于针对上述问题，提出一种多输入多输出分子通信系统的分子释放数量优化方法，可采用更少的时间和更低的计算复杂度来完成多输入多输出分子通信系统中发送方纳米机器的分子释放数量的优化，大大降低平均误码率。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种多输入多输出分子通信系统的分子释放数量优化方法，包括多输入多输出分子通信系统包括M个发送方纳米机器和一个接收方纳米机器，多输入多输出分子通信系统的分子释放数量优化方法包括如下步骤：

S1、获取仿真数据，并建立多输入多输出分子通信系统的时变信道脉冲响应函数，时变信道脉冲响应函数

其中，

式中，

S2、采用非线性拟合方法最小化时变信道脉冲响应函数的预测值与仿真数据之间的误差，获得拟合好的时变信道脉冲响应函数；

S3、根据拟合好的时变信道脉冲响应函数推导出多输入多输出分子通信系统在第m个时隙的平均误码率，并建立当前时隙下针对各发送方纳米机器分子释放数量的多变量优化目标函数，其中：

多输入多输出分子通信系统在第m个时隙的平均误码率Pe

多变量优化目标函数，公式如下：

式中，

S4、建立深度神经网络并进行训练；

S5、将预设的各链路形成的初始距离向量输入训练好的深度神经网络，获得对应的各发送方纳米机器的最佳分子释放数量向量。

优选地，第i个发送方纳米机器Tx

式中，(a

优选地，仿真数据的获取过程如下：

S11、采用布朗运动模拟器对多输入多输出分子通信系统中各纳米机器的随机移动进行仿真；

S12、在仿真过程中，将仿真时长划分成若干个独立的时隙Δt，每个时隙Δt的时长为T

S13、接收方纳米机器在仿真过程中每隔时隙Δt就对接收到的分子数量进行统计，获得在每个时隙Δt接收到来自各发送方纳米机器发送的分子数量，形成仿真数据。

优选地，链路Tx

S31、假设第i个发送方纳米机器Tx

式中，T

S32、将

式中，

S33、利用泊松分布将步骤S32中的二项分布形式表示为泊松分布形式：

式中，

S34、计算接收方纳米机器Rx

S35、利用最大后验概率估计算法推导最小化平均BER的MAP决策阈值，具体如下：

S351、在假设H

其中，

式中，

S352、假设

在第m个时隙传输比特的决策比特

在第m个时隙接收到分子数量的似然比检验

其中：

式中，

S353、根据步骤S352获得链路Tx

S36、根据MAP决策阈值推导出链路Tx

其中，

优选地，深度神经网络包括依次连接的输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层，第一隐藏层、第二隐藏层和第三隐藏层的神经元数量依次为8、6和6。

优选地，各隐藏层中每个神经元的激活函数为整流线性单元激活函数，且若激活函数的输入为正数，则将输入直接输出，否则输出为0。

优选地，深度神经网络的训练过程如下：

S41、获取第一数据集，第一数据集包括不同链路长度的初始距离向量；

S42、将第一数据集中第k个链路长度的初始距离向量

S43、采用扩展策略将

其中，

式中，

S44、计算d

S45、从当前V个邻近解对应的平均误码率中选取最优解

S46、构造数据集单元

S47、在第二数据集中选择δ个最新的数据集单元对深度神经网络进行一次训练，置k＝k+1，返回执行步骤S42，直至遍历第一数据集；

S48、每隔L/δ次训练将深度神经网络的实际输出和期望输出进行比较，并记录实际输出和期望输出的差异值，在完成L次训练后，将差异值最小的深度神经网络作为训练好的深度神经网络，L为预设训练次数。

优选地，发送方纳米机器为点状发送器，接收方纳米机器为被动球状接收器。

与现有技术相比，本发明的有益效果为：

本发明研究了由多个发送方纳米机器和一个接收方纳米机器组成的多输入多输出分子通信系统，针对多输入多输出分子通信系统中的时变信道，利用仿真数据对所提出的带有拟合参数的时变信道脉冲响应函数进行拟合从而对时变信道进行建模，并利用拟合好的时变信道脉冲响应函数推导了多输入多输出分子通信系统的平均误码率，建立了在所有发送方纳米机器分子释放数量具有下界和上界的约束条件下，目标为最小化该系统的平均误码率的最优化问题；最后，设计了针对多输入多输出分子通信系统中不同链路长度对应的最佳分子释放数量的深度神经网络，通过优化训练算法训练深度神经网络，使训练好的深度神经网络能够出色完成优化任务，从而实现多输入多输出分子通信系统中各个发送方纳米机器的分子释放数量的优化。实验结果表明，训练完成的深度神经网络相比其它传统优化算法，如遗传算法，收敛速度更快，优化效果更好，相比穷举搜索，深度神经网络的运行时间极短，但优化效果接近或可等于穷举搜索，使用更少的时间和更低的计算复杂度来完成多输入多输出分子通信系统中发送方纳米机器的分子释放数量的优化，使得平均误码率最低，适用于药物设计以及药物植入等领域。

附图说明

图1为本发明多输入多输出分子通信系统的分子释放数量优化方法的流程图；

图2为本发明多输入多输出分子通信系统在笛卡尔坐标系下的拓扑结构图；

图3为本发明时变信道脉冲响应函数随仿真时间的变化示意图；

图4为本发明时变信道脉冲响应函数的拟合示意图；

图5为本发明各拟合参数在不同r和h下与d

图6为本发明深度神经网络对各发送方纳米机器的分子释放数量的优化过程示意图；

图7为多输入多输出分子通信系统在分子释放数量随机情况下的未优化平均误码率和采用本发明方法的最佳平均误码率与发送方纳米机器分子释放数量的上界的关系示意图；

图8为本发明最佳分子释放数量与不同约束条件之间的关系示意图；

图9为本发明各发送方纳米机器对应的最佳分子释放数量在不同约束条件下的变化示意图；

图10为本发明各发送方纳米机器对应的最佳分子释放数量与不同链路长度之间的关系示意图；

图11为本发明、遗传算法和穷举搜索的平均误码率对比图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，当组件被称为与另一个组件“连接”时，它可以直接与另一个组件连接或者也可以存在居中的组件。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

为了克服现有技术的不足，使用更少的时间和计算复杂度来完成多输入多输出分子通信系统中发送方纳米机器的分子释放数量的优化，并尽可能使得优化结果接近最优解，借助深度神经网络(Deep Neural Network，DNN)对多输入多输出分子通信中发送方的分子释放数量进行优化，为了使得深度神经网络能够完成优化任务，设计了针对分子通信中发送方纳米机器的分子释放数量优化的深度神经网络训练算法。通过该训练算法获得的深度神经网络能够完成分子通信中的分子释放数量的优化任务，以使得多输入多输出分子通信系统的平均误码率最低。

如图1-11所示，一种多输入多输出分子通信系统的分子释放数量优化方法，多输入多输出分子通信系统包括M个发送方纳米机器和一个接收方纳米机器，多输入多输出分子通信系统的分子释放数量优化方法包括如下步骤：

S1、获取仿真数据，并建立多输入多输出分子通信系统的时变信道脉冲响应函数，时变信道脉冲响应函数

其中，

式中，

在一实施例中，第i个发送方纳米机器Tx

式中，(a

具体地，本实施例中包括3个发送方纳米机器Tx

在一实施例中，仿真数据的获取过程如下：

S11、采用布朗运动模拟器对多输入多输出分子通信系统中各纳米机器的随机移动进行仿真；

S12、在仿真过程中，将仿真时长划分成若干个独立的时隙Δt，每个时隙Δt的时长为T

S13、接收方纳米机器在仿真过程中每隔时隙Δt就对接收到的分子数量进行统计，获得在每个时隙Δt接收到来自各发送方纳米机器发送的分子数量，形成仿真数据。

选择布朗运动模拟器来对纳米机器的随机移动进行仿真。在该仿真实验中，仿真时长被划分成许多独立的时隙Δt，并且假设各个时隙的持续时间都等于T

图3展示了信道脉冲响应随仿真时间的变化情况。其中，

在一实施例中，发送方纳米机器为点状发送器，接收方纳米机器为被动球状接收器。如接收纳米机器为半径为r的被动球状接收器。

S2、采用非线性拟合方法最小化时变信道脉冲响应函数的预测值与仿真数据之间的误差，获得拟合好的时变信道脉冲响应函数。

为了获得最佳拟合参数，使用非线性拟合来最小化时变信道脉冲响应函数的预测值与仿真数据之间的误差。拟合完成后的时变信道脉冲响应函数

图4揭示了如何使用仿真数据来拟合时变信道脉冲响应函数

表1

S3、根据拟合好的时变信道脉冲响应函数推导出多输入多输出分子通信系统在第m个时隙的平均误码率，并建立当前时隙下针对各发送方纳米机器分子释放数量的多变量优化目标函数，其中：

多输入多输出分子通信系统在第m个时隙的平均误码率Pe

多变量优化目标函数，公式如下：

式中，

在一实施例中，链路Tx

S31、假设第i个发送方纳米机器Tx

式中，T

利用拟合好的时变信道脉冲响应函数

其中，在公式(5)中，Tx

S32、将

式中，

用

S33、利用泊松分布将步骤S32中的二项分布形式表示为泊松分布形式：

式中，

S34、计算接收方纳米机器Rx

S35、利用最大后验概率估计算法推导最小化平均BER的MAP决策阈值，具体如下：

S351、通过公式(9)和(10)，在假设H

其中，

式中，

S352、假设

在第m个时隙接收到分子数量的似然比检验

其中：

式中，

S353、根据步骤S352(将公式(17)和(18)代入公式(16)中)获得链路Tx

S36、根据MAP决策阈值推导出链路Tx

其中，

S4、建立深度神经网络并进行训练。

在一实施例中，深度神经网络包括依次连接的输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层，第一隐藏层、第二隐藏层和第三隐藏层的神经元数量依次为8、6和6。

在一实施例中，各隐藏层中每个神经元的激活函数为整流线性单元激活函数，且若激活函数的输入为正数，则将输入直接输出，否则输出为0。

建立针对多输入多输出分子通信系统的深度神经网络，该深度神经网络的输入为多输入多输出分子通信系统中不同链路的长度，输出则为不同链路对应发送方纳米机器的最佳分子释放数量。在深度神经网络初始化阶段，构建一个带有输入层、三个隐藏层和输出层的DNN模型来获得发送方纳米机器最佳分子释放数量，对于每个隐藏层，将其神经元分别设置为8、6、6，隐藏层中每个神经元的激活函数为整流线性单元激活函数(RELU)，如果激活函数的输入为正数，则会将输入直接输出，否则将输出0。深度神经网络表示为：

式中，

式中，w

比如多输入多输出分子通信系统包括三个发送方纳米机器和一个接收方纳米机器，则神经元的输入为

其中，权重w

在一实施例中，深度神经网络的训练过程如下：

S41、获取第一数据集，第一数据集包括不同链路长度的初始距离向量；

S42、将第一数据集中第k个链路长度的初始距离向量

S43、采用扩展策略将

其中，

式中，

S44、计算d

S45、从当前V个邻近解对应的平均误码率中选取最优解

S46、构造数据集单元

S47、在第二数据集中选择δ个最新的数据集单元对深度神经网络进行一次训练，置k＝k+1，返回执行步骤S42，直至遍历第一数据集；

S48、每隔L/δ次训练将深度神经网络的实际输出和期望输出进行比较，并记录实际输出和期望输出的差异值，在完成L次训练后，将差异值最小的深度神经网络作为训练好的深度神经网络，L为预设训练次数。

S5、将预设的各链路形成的初始距离向量输入训练好的深度神经网络，获得对应的各发送方纳米机器的最佳分子释放数量向量。

随着迭代进行，深度神经网络能获得的输出就越来越接近期望输出，这是因为用以训练深度神经网络的数据集中的每一条数据都更接近理想输出。通过对深度神经网络输出的扩展和筛选可以获得更加满足预期的输出，将这样的输出添加到第二数据集并作为训练样本对深度神经网络进行训练，可以使得深度神经网络更有能力获得与输入对应的最优输出。即重新加入第二数据集中的每条训练样本都更加接近对应链路长度下的最优分子释放数量，当收集到足够准确的训练样本后，对深度神经网络进行重新训练，随着训练数据集的更新，深度神经网络中的权重和偏置也会发生更新，更准确的训练样本能够提升深度神经网络输出结果的准确性。随着网络训练次数的增加，深度神经网络对多输入多输出分子通信系统中发送方纳米机器的分子释放数量的优化能力就越来越强。最终，深度神经网络训练完成，从而获取训练好的深度神经网络。设置各条链路形成的初始距离向量的值，将该值输入训练好的深度神经网络中，就可以获得链路在不同距离下的最佳分子释放数量。

在图5(a)和图5(b)中，详细展示了

图6是基于深度神经网络对多输入多输出分子通信系统中各个发送方纳米机器分子释放数量进行优化的详细过程示意图。展示了从深度神经网络初始化、训练到更新的各个步骤，其中深度神经网络的输入为每条链路的长度，输出则为每条链路相应发送方纳米机器的最佳分子释放数量。运行结果说明了通过对深度神经网络的输出进行扩展和筛选来重复更新数据集，重复更新数据集的过程保证了用以训练深度神经网络的数据集接近输入与对应的期望输出。在经历重复更新数据集和训练后深度神经网络的输出能够达到最优解。

在图7中，对多输入多输出分子通信系统的未优化平均误码率和最佳平均误码率与发送方纳米机器分子释放数量上限之间的关系进行了研究。对于系统未优化平均误码率(分子释放数量随机情况，对应Pe

在图8(a)中，展示了在不同分子释放数量下界情况下，Tx

不同于在图8中仅仅增加分子释放数量的下界或上界，在图9中研究了Tx

在图10中，阐明Tx

在图11中，对基于深度神经网络的优化算法(即本申请方法The DNN basedalgorithm)与遗传算法(GA)和穷举搜索(Exhaustive search)进行了误码率方面上的性能比较。固定分子释放数量的下界ψ，仅仅变化分子释放数量的上界Ψ来比较三者误码率性能的差异，结果显示基于深度神经网络的优化算法输出的分子释放数量所计算出的平均误码率(Average BER)无限接近穷举搜索所得出的平均误码率，而遗传算法在误码率性能表现上不如基于深度神经网络的优化算法，这主要由于遗传算法在每一代中都存在的非引导突变，因此无法保证解决方案的最优性。

表2

根据表2，通过比较不同优化算法针对多输入多输出分子通信网络中各发送方的分子释放数量进行优化所需的运行时长，可以发现相比于遗传算法和穷举搜索，训练完成的深度神经网络得出各发送方纳米机器的最佳分子释放数量所花费的时间最少，同时深度神经网络输出的最佳分子释放数量对应的多输入多输出分子通信网络平均误码率优于遗传算法且无限接近穷举搜索。观察深度神经网络输出的最佳分子释放数量，可发现在多输入多输出分子通信系统中，深度神经网络选择为距离更长的链路中的发送方纳米机器分配更多的分子。更重要的是，能通过深度神经网络在最小化系统的平均误码率前提下，找到最优的分子释放数量分配方案。利用深度神经网络得到的系统最小平均误码率低于遗传算法得到的最小平均误码率，与穷举搜索得到的系统最小平均误码率相同，充分展现了训练完成后的深度神经网络在多输入多输出分子通信网络中针对各发送方纳米机器的释放分子的数量的优化方面的优势。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请描述较为具体和详细的实施例，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。