一种基于条件生成对抗网络的时变水声信道模拟方法转让专利
申请号 : CN202110672889.8
文献号 : CN113541835B
文献日 : 2022-05-20
发明人 : 王彪 , 朱雨男 , 解方彤 , 吴承希 , 李涵琼
申请人 : 江苏科技大学
摘要 :
权利要求 :
1.一种基于条件生成对抗网络的时变水声信道模拟方法,其特征在于:包括如下步骤:步骤1:根据渤海实测水声信道响应建立足量通信数据集,进行数据预处理并随机划分训练集和测试集;
所述步骤1中数据预处理为,将数据中的实部和虚部分别提取,根据生成器的输出层张量重新排列;
步骤2:搭建条件生成对抗网络CGAN模型,包含一个生成模型G、一个判别模型D和附加条件信息;
所述步骤2中,生成模型G通过迭代学习产生越来越接近真实分布的虚假样本,所产生的虚假样本会和真实样本一起送入判别模型D进行辨别,判别模型D区分出真实样本和虚假样本;
步骤3:设置网络参数并导入训练集数据同时训练生成模型G和判别模型D;
所述步骤3中生成模型G和判别模型D同时训练的方式为,固定判别模型D,训练生成模型G使得 最小;固定生成模型G,训练判别模型D使得最大;上述优化过程视作极大极小博弈问题,表示为:
CGAN的优化函数类似地表示为带条件概率y的博弈:步骤4:将测试集数据输入生成器网络,对比生成器输出和测试集星座图,检验CGAN模拟水声信道的效果。
2.根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法,其特征在于:所述步骤1中数据集的建立为,在FBMC系统发送端采用4QAM调制,发送信号叠加噪声经由渤海实测水声信道,在接收端采用ZF均衡恢复出接收信号星座图,记录为一组数据,重复上述过程以生成足量的通信数据集。
3.根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法,其特征在于:CGAN模型中,在生成模型G和判别模型D中均增加原始发送信号和接收导频信号作为条件,作为输入层的一部分。
4.根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法,其特征在于:所述步骤3中训练生成模型G时的输入为一随机噪声向量,输出为4QAM接收星座图经预处理后重新排列的数据;训练判别模型D时,生成模型G的输出被保存为虚假样本与真实的训练样本一起输入到判别模型D中进行识别;所生成的虚假样本标记为0,真实样本标记为1,判别模型D的输出层采用Sigmoid激活函数,输出值越高则表示此样本更有可能属于真实样本集合,反之亦然。
5.根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法,其特征在于:所述步骤3中训练过程用KL散度来衡量生成样本和真实样本间概率分布的相似性:式中p(xi)为真实样本的概率分布,q(xi)为生成样本的概率分布。
6.根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法,其特征在于:所述步骤4中,将一等长度噪声向量和作为附加条件的原始发送信号以及接收导频信号输入生成模型G,所输出结果经过数据重组即为生成的星座图,此时训练完成的生成模型G即具备了模拟时变水声信道的能力;将生成器输出星座图与测试集星座图进行比对来衡量当前模型模拟真实水声环境的效果。
说明书 :
一种基于条件生成对抗网络的时变水声信道模拟方法
技术领域
背景技术
多径效应强、信道带宽受限、环境噪声严重等特点,这些空间差异和时间起伏效应会影响水
下装备对信号的接收和检测精度,对实现高速稳健的水下信息传输提出了巨大挑战。
型,补充了时变信道模型的基带等效表示,降低了采样率,节省了仿真时间。近年来,深度学
习技术和大数据处理的发展为突破传统水声信号处理技术瓶颈提供了新思路。
发明内容
拟准确度。
为一组数据,重复上述过程以组成足量的通信数据集。
真实样本和虚假样本。
得 最大;上述优化过程视作极大极小博
弈问题,表示为:
假样本与真实的训练样本一起输入到判别模型D中进行识别;所生成的虚假样本标记为0,
真实样本标记为1,判别模型D的输出层采用Sigmoid激活函数,输出值越高则表示此样本更
有可能属于真实样本集合,反之亦然。
座图,此时训练完成的生成模型G即具备了模拟时变水声信道的能力;将生成星座图与接收
信号真实星座图进行比对来衡量当前模型模拟真实水声环境的效果。
原始发送信号和接收导频信号作为附加条件,真实模拟水声信道时变特性。没有固定的理
论模型,根据实际数据样本更新网络权值,自适应拟合真实水声信道环境。
附图说明
具体实施方式
4QAM调制后叠加噪声经过渤海实测水声信道h,在接收端采用ZF算法均衡恢复出接收信号
星座图,记录为一组数据。由于CGAN无法直接处理复数数据,需将实部和虚部分别提取,根
据CGAN生成器的输出层张量重新排列,重复上述过程以组成足量的通信数据集。
越来越接近真实分布的虚假样本,其输入为服从先验分布pz(z)的噪声向量z。所产生的虚
假样本G(z)会和目标分布pdata(x)中的真实样本一起送入判别模型(D)进行辨别。判别模型
(D)旨在区分出步骤1中所记录的真实样本和生成的虚假样本。CGAN是对原始GAN的一个扩
展,在生成模型(G)和判别模型(D)中都增加了原始发送信号x和接收导频信号yp作为条件,
作为输入层的一部分。
型(G),训练判别模型(D)使得 最大。上
述优化过程可以看作极大极小博弈问题,表示为:
训练样本一起输入到判别模型(D)中进行识别。所生成的虚假样本标记为0,真实样本标记
为1,判别模型(D)的输出层采用Sigmoid激活函数,输出值越高则表示此样本更有可能属于
真实样本集合,反之亦然。
以及接收导频信号输入生成模型(G),所输出结果经过数据重组即为生成的星座图,此时训
练完成的生成模型(G)即具备了模拟时变水声信道的能力。将生成星座图与接收信号真实
星座图进行比对来衡量当前模型模拟真实水声环境的效果。
程中,发送船和接收船均处于自由漂泊状态。
利要求书中记载的保护范围内。