ISSN 1859-1531 - TP CHÍ KHOA HC VÀ CÔNG NGH - ĐẠI HC ĐÀ NẴNG, VOL. 23, NO. 2, 2025 71
PHƯƠNG PHÁP PHÁT HIỆN DỮ LIỆU DA TRÊN HỌC SÂU CHO
HỆ THỐNG TRUYỀN THÔNG SỢI QUANG NHIỄU PHI TUYẾN
A DEEP LEARNING-BASED DATA DETECTOR FOR
FIBER COMMUNICATION SYSTEM IN THE PRESENCE OF NONLINEAR NOISE
Nguyễn Duy Nhật Viễn1*, Vương Quang Phước1,2
1Trường Đại học Bách khoa - Đại học Đà Nẵng, Việt Nam
2Trường Đại học Khoa học - Đại học Huế, Việt Nam
*Tác giả liên hệ / Corresponding author: ndnvien@dut.udn.vn
(Nhận bài / Received: 25/12/2024; Sửa bài / Revised: 19/02/2025; Chấp nhận đăng / Accepted: 20/02/2025)
DOI: 10.31130/ud-jst.2025.577
Tóm tắt - Trong bài báo này, nhóm tác giả trình bày phương pháp
phát hiện dữ liệu cho hệ thống truyền thông sợi quang nhiễu
phi tuyến, v hnh hóa hệ thống này như một mạng -ron học
sâu từ đầu đến cuối, bao gồm bộ phát, kênh truyền bộ thu. Trên
sở đó, nhóm tác giả đề xuất kiến trúc mạng -ron autoencoder
cho hệ thống truyền thông sợi quang đường dài để phát hiện dữ
liệu. Thông qua các phỏng, nhóm tác giả đã so sánh, đánh giá
phương pháp đề xuất so với phương pháp phát hiện ML
(Maximum likelihood) autoencoder khác trong trường hợp
không nhiễu phi tuyến với tín hiệu 16-QAM. Kết quả
phỏng cho thấy, tính hiệu quả của phương pháp đề xuất về độ
chính xác lẫn độ phức tạp. Nghiên cứu này s sở để hướng
tới việc tối ưu hóa hệ thống truyền thông sợi quang dựa trên học
sâu từ đầu đến cuối.
Abstract - In this paper, the authors introduce a data detection
method for optical fiber communication systems affected by
nonlinear noise and model the entire system as an end-to-end deep
learning (DL) neural network, incorporating the transmitter,
transmission channel, and receiver. Based on this framework, the
authors propose an autoencoder-based neural network architecture
for long-haul optical communication systems to enhance data
detection performance. Through simulations, the authors compare
and evaluate the proposed method against Maximum Likelihood
(ML) detection and other autoencoder models, considering both
linear and nonlinear noise scenarios with a 16-QAM signal. The
simulation results demonstrate that, the proposed approach achieves
superior accuracy and computational efficiency. This study hence
provides a foundation for optimizing optical fiber communication
systems using end-to-end deep learning techniques.
Từ khóa - Hệ thống thông tin sợi quang; bộ tự hóa; phát hiện;
mạng -ron; học máy; học sâu
Key words - Optical fiber communication; autoencoder;
detection; neural networks; machine learning; deep learning
1. Giới thiệu
Hệ thống truyền thông si quang sử dụng kỹ thuật điều
chế biên đ cu phương đa mc M-QAM (M-ary Quadrature
Amplitude Modulation) đã đem lại sự gia tăng đáng k về
tốc độ dữ liệu so với tín hiệu nhị phân truyền thống [1]. Tuy
nhiên, các hệ thống M-QAM nhạy cảm với các suy giảm
kênh, do việc hóa dữ liệu vào pha của tín hiệu quang
chòm sao có mt đ cao. Sự ơng tác giữa tín hiệu nhiễu
từ bộ khuếch đại quang thông qua hiu ng phi tuyến Kerr
dẫn đến nhiễu pha phi tuyến [2]. Các kỹ thuật thông thưng
để xử nhiu phi tuyến bao gồm thiết kế bộ phát hiện cải
tiến các định dạng điều chế tối ưu [3-5].
Trong [6], các tác gi đã đề xuất thuật toán phát hiện dữ
liệu dựa trên tối đa khả năng ML (maximum likelihood)
dưới dạngng thức tường minh cho các kênh truyn dn
quang đưng dài nhiễu phi tuyến. Trong thời gian gần
đây, kỹ thuật học sâu được khai thác để giải quyết các bài
toán trong thông tin sợi quang [7- 9]. Các công trình [10,
11] đề xuất phương pháp thiết kế chòm sao bộ phát hiện
dựa vào học sâu cho các h thng truyn dn hu tuyến
cũng như tuyến.
Autoencoder (AE) một loại mạng -ron nhân tạo
1 The University of Danang - University of Science and Technology, Vietnam (Vien Nguyen-Duy-Nhat)
2 Hue University - University of Science, Vietnam (Vuong Quang Phuoc)
hc sâu DL (deep learning) được thiết kế cho việc học
không giám sát [12]. AE học cách biu diễn hiệu quả dữ
liệu đầu vào không cần dữ liệu được gán nhãn. Khả
năng học các biu diễn dữ liệu hiệu quả thực hiện các
tác vụ như nén, phát hiện bất thường giảm nhiễu khiến
chúng trở thành những ứng dụng rất giá trị trong nhiều lĩnh
vực truyền thông [13].
Trên s đó, bài báo này đề xuất gii thut phát hiện
d liệu trên s AE nhm gim thiu t l li ký hiu
SER (symbol error rate).
Các hiệu được sử dụng trong bài báo:
- Các chữ in đậm viết thường viết hoa được dùng để
biu diễn vector ma trận.
- CN×M t ma trn phc ch thước N × M IM biu
th ma trn đơn v M × M.
- |X|, XH, và tr(X) tr tuyt đối, chuyn đi Hermitian
phép tính trace ca ma trn X.
- E{·} và · kỳ vng phép nh chun (norm)
Euclidean.
- Ma trn hay vector phc z ngu nhiên Gaussian có kỳ
vng µ phương sai σ2 đưc biu din là z CN(µ, σ2).
72 Nguyn Duy Nht Viễn, Vương Quang Phước
2. hình hệ thống
Xét một hệ thống truyền thông cáp quang bao gồm
y phát, máy thu kênh truyền được tả trong Hình
1. Hệ thống truyền dẫn đường dài bao gồm nhiều tầng
khuếch đại đ sự tán xạ suy hao tín hiệu. Mỗi tầng
khuếch đại bao gồm một sợi quang đơn mode SMF (single
mode fiber) theo sau sợi tán xạ DCF (dispersion
compensating fiber) với các tham số phi tuyến Kerr lần
lượt 𝛾𝑆𝑀𝐹 𝛾𝐷𝐶𝐹. Bộ DCF trong bàio này được gi
s tán sắc tưởng.
nh 1. nh h thng thông tin si quang
Công sut tín hiu suy gim sau mi khong đưng
đưc xác định theo công thc:
𝑒− \𝜉 = 𝑒(𝛼𝑆𝑀𝐹𝐿𝑆𝑀𝐹+𝛼𝐷𝐶𝐹 𝐿𝐷𝐶𝐹 ). (1)
Trong đó, 𝛼𝑆𝑀𝐹 𝛼𝐷𝐶𝐹 các h s suy hao; 𝐿𝑆𝑀𝐹 và
𝐿𝐷𝐶𝐹 là các đ dài tương ng ca SMF và DMF.
Các b khuếch đại khôi phc công sut tín hiu v mc
phát bi độ li khuếch đại 𝐺 = 𝑒𝜉. Ngoài ra, trong các b
khuếch đại phát sinh nhiu phát x t phát khuếch đại ASE
(amplified spontaneous emission) đưc nh mt quá
trình nhiu Gaussian trng cng. Tín hiu băng s đưa
vào tuyến quang bi b phát TX đưc xác định bi:
𝑠(𝑡)=𝑃𝑖𝑛 𝑎𝑛𝑝(𝑡 𝑛𝑇)
+∞
𝑛=−∞ . (2)
Vi 𝑎𝑛= [𝑎𝑛
(𝑋),𝑎𝑛
(𝑌)]𝑇 Ω2 véc- d liu th 𝑛 t
chòm sao chun hóa Ω 𝔼[𝑎𝑛,𝑎𝑛
𝐻]= I, 𝑇 chu kỳ tín
hiu, 𝑃𝑖𝑛 công sut khi động,𝑝(𝑡)xung vi đỉnh
bng 1 ti thi đim 𝑡 = 0. Tín hiu sau tng khuếch đại
th 𝑖 nhn đưc t phương trình Schrödinger b qua tán x
như sau:
𝑟𝑘+1(𝑡)= 𝑟𝑘(𝑡)e𝑗𝛾𝐿𝑟𝑘(𝑡)2
𝐾+𝑛𝑘(𝑡),0 𝑘 𝐾, (3)
vi 𝑟0(𝑡)= 𝑠(𝑡), 𝛾 = 𝛾𝑆𝑀𝐹 tham s phi tuyến ca si
quang, 𝐿 chiu dài tương đi ca si quang
(𝐿 = 𝐿𝑆𝑀𝐹) h s suy gim 𝛼 = 𝛼𝑆𝑀𝐹,𝑛𝑖(𝑡)nhiu
ASE kỳ vng bng 0 phương sai 𝑁0,𝐴𝑆𝐸
𝐾, vi mt độ
ph công sut 𝑁0,𝐴𝑆𝐸 = ℎ𝜈𝑛𝑠𝑝(𝐺 1), trong đó hng
s Planck, 𝜈 là tn s quang, 𝑛𝑠𝑝h s phát x t phát và
G là độ li b khuếch đại.
Để nh toán đơn gin, b qua nh ngn x mode
phân cc (Polarization Mode Dispersion) và nhiu pha ca
b dao động ni gi s đạt đưc đồng b thi gian
tn s. Nghĩa là hiệu suất đạt được th được xem giới
hạn dưới (lower bound) ca t lệ lỗi hiệu SER (Symbol
Error Rate) của một hệ thống thực tế.
Tín hiu sau khi đi qua 𝐾 b khuếch đại đưc chuyn
v min đin, lc vi băng thông 𝐵 ly mu vi tc
độ ly mu 1
𝑇. Gi s b lc là lý ng, trong min ri rc,
ta có:
𝑟𝑘+1(𝑛𝑇)= 𝑟𝑘(𝑛𝑇)e𝑗𝛾𝐿𝑟𝑘(𝑛𝑇)2
𝐾+𝑛𝑘(𝑛𝑇), (4)
Bng phương pháp truy hi, tanh đưc
𝑟𝑘+1(𝑛𝑇)= 𝑠𝑘(𝑛𝑇)e𝑗𝛾𝐿
𝐾 𝑟𝑘(𝑡)2
𝐾
𝑘=1 +𝑤𝑘(𝑛𝑇), (5)
vi 𝑤𝑘 ~ 𝐶𝑁(0,𝜎𝐴𝑆𝐸
2𝐈),𝜎𝐴𝑆𝐸
2= 𝐵𝑁0,𝐴𝑆𝐸.
D liệu th phát hiện bi b phát hiện ML
(Maximum likelihood) [6]:
𝑎𝑘
= arg min
𝑎𝑘∈Ω2‖𝑟𝑘𝑠𝑘𝑒𝑗𝛾𝐿
𝐾𝑠𝑘22. (6)
3. Ứng dụng học sâu để phát hiện dữ liệu
Trong phần này, đề xuất phương pháp hc sâu để phát
hiện d liệu cho h thng thông tin si quang. Mt h thng
truyn thông nói chung, cũng như h thng thông tin si
quang, th đưc xét như mt b autoencoder [14]. Mt
autoencoder đưc t như mt cu trúc mng trí tu hc
sâu mà đưc đào to để khôi phc thông tin ngõ vào ngõ
ra như đưc t trong Hình 2.
Hình 2. Kiến trúc mng -ron t h thng thông tin si quang
Nói ch khác, AE bao gm 2 phn chính: phn encoder
ánh x các ngõ vào 𝑠 thành mt dng biu din (mã) có s
chiu thp hơn; phn decoder c gng khôi phc ngõ
vào t y.
Bên phát mun truyn mt thông đip
𝑚 𝑀 = {1,2,,𝑀} đến bên thu. Tc độ thông tin
𝑅 = 𝑘
𝑛, trong đó, 𝑘 = log2(𝑀) và 𝑛st truyn trong
mt thông đip.
Quá trình a đưc thc hin như sau: thông đip
𝑚 đưc mã hóa thành mt véc- “one-hot” hiu
𝟏𝑚 𝑀, trong đó ch thành phn th 𝑚 giá tr 1,
còn các thành phn khác giá tr 0. Vic mã hóa “one-
hot” như vy đưc s dng khá ph biến trong các thut
toán hc máy và s đ ti thiu hóa t l li ký hiu.
Véc- one-hot đưc đưa vào lp n đầu tiên ca mng
-ron, các lp n này gm các -ron, ma trn trng s,
véc- độ lch (bias), các hàm kích hot, các kết ni và các
kỹ thut chun hóa.
Mng -ron bao gm nhiu lp n, lp n sau nhn d
liệu ngõ ra ca lp n trước to ra ngõ ra
𝒛𝑜𝑢𝑡 = 𝑓(𝐰𝑇𝒛𝑖𝑛 +𝒃), trong đó, 𝐰 ma trn trng s,
𝒃 là véc- đ lch𝑓(.) là hàm kích hot.
Ngõ ra đưc chun hóa truyn lên kênh truyn đến
b thu. Tín hiu nhn đưc ti b thu 𝑦 li đưa đến mng
ISSN 1859-1531 - TP CHÍ KHOA HC VÀ CÔNG NGH - ĐẠI HC ĐÀ NẴNG, VOL. 23, NO. 2, 2025 73
-ron thu. Mng -ron thu cũng bao gm các thành phn
bn như mng -ron phát, tuy nhiên vi vai trò ngưc
li. Quá trình hóa đưc tiến hành ti -ron phát thì gii
s đưc thc hiện ti -ron thu. Nếu gi ngõ ra ca
mng -ron thu 𝑓𝑦(𝑠)[0,1],𝑠 𝑀, gi s áp
dng hàm 𝑠𝑖𝑔𝑚𝑜𝑖𝑑 lp n cui cùng ri chun hóa sao
cho tng bng 1, ta thu đưc 𝑠 = argmax
𝑠𝑓𝑦(𝑠).
Hàm mt mát s dng trong mng AEcross-entropy,
xác định sự khác biệt giữa phân phối xác suất dự đoán
phân phối thực tế, được định nghĩa như sau:
= 1
𝑁−𝑢𝑠
(𝑖)log𝑓𝑦(𝑠)(𝑖)
𝑁
𝑛=1 . (7)
Vi 𝑁 ch thước nhóm d liệu (batch size),
𝑢𝑠
(𝑖)nhãn ca ký hiu th 𝑖.
4. Kết quả và thảo luận
Trong phn y, các kết qu phng đưc trình bày
để đánh giá phương pháp phát hin tín hiu da trên hc
sâu đ xut. Gi s chiu dài tuyến cáp quang
L = 5000 km, h s phi tuyến bng 0 (không nhiu phi
tuyến) 𝛾 = 1,27 (có xét nhiu phi tuyến), công sut
nhiu 𝑃𝑁= 21,3 𝑑𝐵𝑚, s b khuếch đại 𝐾 = 50, tín
hiu điu chế 16-QAM (𝑀 = 16).
Bng 1. Các tham s thiết lp mng -ron Auto Encoder so vi [13]
Tham s
Phương pháp [13]
Phương pháp
đề xuất
S -ron b phát
(lp ngõ vào, lp n,
lp ngõ ra)
(𝑀,(26)×𝑀,7×2)
(𝑀,2)
S -ron b thu
(lp ngõ vào, lp n,
lp ngõ ra)
(2,(27)×𝑀,8×𝑀)
(2,4𝑀,𝑀,4𝑀)
Hàm kích hot lp n
tanh( )
𝐿𝑒𝑎𝑘𝑦𝐸𝐿𝑈( )
Hàm kích hot lp
ngõ ra
𝑠𝑖𝑔𝑚𝑜𝑖𝑑( )
𝑠𝑖𝑔𝑚𝑜𝑖𝑑( )
Bng 1 trình bày các tham s thiết lp mng -ron
nhân to AE ca bài báo [13] phương pháp đề xut. Hàm
ch hot ngõ ra đều 𝑠𝑖𝑔𝑚𝑜𝑖𝑑( ) do ngõ ra véc-
“one-hot”, trong khi đó, vi các lp thì phương pháp đề
xut s dng hàm ch hot 𝐿𝑒𝑎𝑘𝑦𝐸𝐿𝑈( ) thay
tanh( ). Hàm ch hot 𝐿𝑒𝑎𝑘𝑦𝐸𝐿𝑈( ) hn chế đim
chết n định hơn trong quá trình hun luyn. Ngoài ra,
trong Bảng 1, ta thấy rằng, thuật toán đề xuất độ phức
tạp (số -ron trong các lớp) thấp hơn so với [13], trong
khi kết quả của phương pháp đề xuất cho kết quả tốt hơn
trong [13], kiến trúc mạng số lượng neuron khá đồng
đều thừa, trong khi đó, phương pháp đề xuất lựa chọn
cấu trúc vừa đủ, đồng thời tạo được nút thắt trong lớp ẩn,
khai thác được ưu điểm của autoencoder.
Tập dữ liệu được tạo ngẫu nhiên theo các công thức (2)
(3) với kích thước 100000 mẫu, do tập dữ liệu khá
lớn, nên không chia dữ liệu test chỉ chia t lệ
train/validation 90%/10%.
nh 3 biu din kết qu hàm mt mát trong trường hp
nhiu phi tuyến có 𝛾 = 1,27 vi công sut phát ln t
𝑃𝑖𝑛 = 0,5 (𝑑𝐵𝑚). Theo nh v, ta thy, trường hp
công sut vào nh (0 dBm) tc đ hi t nhanh hơn công
sut vào ln. Điu này bi công sut phát tham gia vào
hàm exp(.) trong biu thc tín hiu thu đưc. Ngoài ra, so
vi [13], phương pháp đề xuấtgiá tr mt mát bé n so
vi [13] do lp hóa (encoding layer) lớp giải
(decoding layer) ch thước ln hơn, đồng thi kích
thước của lớp hóa to nút tht cần thiết để nén thông tin
tt hơn.
nh 3. Giá tr hàm mất mát tương ng vi
trường hp 𝛾 = 1,27
Hình 4 so sánh phương pháp đề xuất so với kỹ thuật
phát hiện tín hiệu bằng ML khi không nhiễu phi tuyến.
Ta thấy rằng, kỹ thuật phát hiện ML cho kết quả tương
đồng với phương pháp đề xuất. Do ng suất phát không
tham gia vào hàm exp(.) trong biu thc tín hiệu thu được
(𝑒𝑥𝑝(0)), nên ta ddng khôi phục tự t tín hiệu thu
được thông qua kỹ thuật ML.
nh 4. T s li ký hiu là hàm ca công sut phát trong
trường hp không có nhiu phi tuyến 𝛾 = 0
Trong kỹ thuật phát hiện dữ liệu, hình học sâu khó
thể đáp ứng được các kiểu điều chế khác nhau, để hỗ
trợ được cho tất cả kiểu điều chế, yêu cầu phải thêm tham
số điều chế như 1 dữ liệu vào của hình hoặc thiết kế
hình tổng quát (không tối ưu). Tuy nhiên, một hình
đáp ứng được điều chế đa mức số mức cao thì s đáp
ứng được cho kiểu điều chế số mức thấp hơn. Trong
thông tin sợi quang, điều chế 16-QAM được xem kiểu
đều chế chòm sao phức tạp hơn các kiểu điều chế thông
dụng như OOK, BPSK, QPSK. Hình 5 so sánh phương
pháp đề xuất so với kỹ thuật phát hiện tín hiệu bằng ML [6]
với tín hiệu được điều chế 16-QAM. Bằng quan sát, ta thấy
rằng, kỹ thuật phát hiện ML cho kết quả tương đồng với
phương pháp đề xuất khi công xuất phát thấp, phát hiện
74 Nguyn Duy Nht Viễn, Vương Quang Phước
ML kết quả khá xấu khi công suất phát tăng (do công
suất phát góp phần vào nhiễu phi tuyến trong tín hiệu thu).
Trong khi đó, phương pháp đề xuất kết quả càng tốt khi
công suất phát càng cao. Nghĩa mạng -ron th tìm
được chòm sao thích hợp trong sự hiện diễn của nhiễu pha,
hiu được tín hiệu phát học được cách xấp x phân bố
kênh gần giống như ML.
Hình 5. T số lỗi hiu hàm ca công sut phát trong
trường hp nhiu phi tuyến (𝛾 = 1,27)
5. Kết luận
Trong bài báo này, nhóm tác giả trình bày mt phương
pháp phát hiện d liệu trên s hc sâu. Nhóm tác giả đã
đánh giá bộ phát hiện d liệu bng t lệ lỗi hiệu theo
hàm của công suất đầu vào so sánh với các b phát hiện
ML. Kết qu phỏng đã chứng minh rằng, phương pháp
đề xuất th học t các d liệu chòm sao hóa với nhiễu
phi tuyến, tt hơn phương pháp ML không cần kiến
thức kênh tường minh.
Lời cảm ơn: Nghiên cứu này được ti tr bi Bộ Giáo dục
Đo tạo trong đề tài mã s B2024.DNA.19.
TI LIU THAM KHO
[1] K. P. Ho, Phase-Modulated Optical Communication Systems, 1st
edition, New York, USA: Springer New York, 2005.
[2] A. Lau and J. M. Kahn, Signal Design and Detection in Presence of
Nonlinear Phase Noise”, Journal of Lightwave Technology, vol. 25,
pp. 3008-3016, 2007. https://doi.org/10.1109/JLT.2007.905217
[3] F. Khan, Y. Zhou, A. Lau, and C. Lu, Modulation format
identification in heterogeneous fiber-optic networks using artificial
neural networks”, Opt. Express, vol. 20, no. 11, pp. 12422-12431,
2012. https://doi.org/10.1364/OE.20.012422
[4] K. P. Ho and J. M. Kahn, “Electronic compensation technique to
mitigate nonlinear phase noise”, Journal of Lightwave Technology,
vol. 22, no. 3, pp. 779783, 2004.
https://doi.org/10.1109/JLT.2004.825792
[5] L. F. Mollenauer, Distributed amplification for light wave
transmission system”, Oct. 221991, U.S. Patent 5,058,974.
[6] A. S. Tan et al., An ML-based detector for optical communication
in the presence of nonlinear phase noise”, in 2011 IEEE
International Conference on Communications (ICC). IEEE, 2011.
https://doi.org/10.1109/icc.2011.5962741
[7] N. T. Hung et al., “Digital back-propagation optimization for high-
baudrate single-channel optical fiber transmissions”, Optical
Communications, vol. 491, pp. 411-416, 2021.
https://doi.org/10.1016/j.optcom.2021.126913
[8] C. Zuo et al., “Deep learning in optical metrology: a review”, Light:
Science & Applications, vol. 11, no.1, pp. 1-54, 2022.
https://doi.org/10.1038/s41377-022-00757-0
[9] B. Xue, S. Wei, X. Yang, Y. Ma, T. Xi, and X. Shao, “Simplified
design method for optical imaging systems based on deep learning”.
Applied Optics, vol. 63, no. 28, pp. 7433-7441. 2024.
https://doi.org/10.1364/AO.530390
[10] T. O’Shea and J. Hoydis, An Introduction to Deep Learning for the
Physical Layer”, IEEE Transactions on Cognitive Communications
and Networking, vol. 3, 563-575, 2017.
https://doi.org/10.1109/TCCN.2017.2758370
[11] D. Zibar, M. Piels, R. Jones, and C. G. Schäeffer, Machine learning
techniques in optical communication”, Journal of Lightwave
Technology, vol. 34, pp. 1442 - 1452, 2016.
https://doi.org/10.1109/JLT.2015.2508502.
[12] C. Catanese, A. Triki, E. Pincemin, and Y. Jaouën, “A Survey of
Neural Network Applications in Fiber Nonlinearity Mitigation”, in
2019 21st International Conference on Transparent Optical
Networks (ICTON), Angers, France, 2019, pp. 1-4.
https://doi.org/10.1109/ICTON.2019.8840355
[13] S. Li, C. Häger, N. Garcia and H. Wymeersch, Achievable
information rates for nonlinear fiber communication via end-to-end
autoencoder learning, in 2018 European Conference on Optical
Communication (ECOC). IEEE, 2018.
https://doi.org/10.1109/ECOC.2018.8535456
[14] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT
Press, 2016, http://www.deeplearningbook.org
[15] C. Pham-Quoc et al., “Robust 3D beamforming for secure UAV
communications by DAE”, Mobile Networks and Applications, vol.
28, no.3, pp. 1-9. 2023, 1197-1205. https://10.1007/s11036-023-
02130-w.